République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la

Recherche Scientifique
Université [Link]-BÉJAIA

Faculté des Sciences de la Nature et de la Vie

Département Des TCSN

Polycopie de Cours Première Année LMD

Matière :

Mathématiques : Analyse et calcul de probabilités

Rédigé par :
BELLAHSENE Hocine

Année Universitaire 2017/2018

 Avant Propos

Ce cours est destiné aux utilisateurs de mathématiques en biologie, médecine, pharmacie...spécialement

aux étudiants inscrits en sciences de la natures et de la vie. Il fait office d’un support de cours expli-

cite, au travers des nombreux exemples qu’il comporte. Le but étant de faciliter la compréhension de

l’étudiant en le menant à raisonner pour choisir le degré de difficulté qui lui plait. C’est la raison pour

laquelle des exercices corrigés sont suggérés. Il est à signaler que ce polycopie est composé d’une partie

analyse et d’une partie qui concerne le calcul des probabilités comportant les trois lois de probabilités

les plus connues.

Afin d’étoffer et d’affiner ce polycopie merci de m’envoyer par courrier électronique toutes vos re-

marques, vos suggestions et encouragements.

Table des matières

Avant propos ii

1 Généralités sur les fonctions, notion de limites et de continuité 1

1.1 Notion de fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Domaine de définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Intervalles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Composée de deux fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Monotonie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Fonction paire, impaire (parité) et fonction périodique : . . . . . . . . . . . . . . . . . 4
1.4.1 Parité (voir figure 1.2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4.2 Périodicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.3 Notion de limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.4 Extension de la notion de limite . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.5 Formes indéterminées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Continuité d’une fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1 Continuité en un point . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.2 Continuité sur un intervalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Propriétés des fonction continues sur un intervalle . . . . . . . . . . . . . . . . . . . . 8
1.6.1 Théorème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6.2 Théorème de Bolzano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.3 Théorème des valeurs intermédiaires . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.4 Continuité de la composée de deux fonctions . . . . . . . . . . . . . . . . . . . 10
1.7 Prolongement par continuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 Dérivée et différentielle d’une fonction d’une variable 12

2.1 Notion de dérivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.1 Définition : Dérivée en un point . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2 Signification géométrique de la dérivée . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.3 Définition : Fonction dérivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.4 Définition : Dérivée à gauche et à droite . . . . . . . . . . . . . . . . . . . . . 13
[Link] Dérivée à gauche : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
[Link] Dérivée à droite : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.5 Dérivée de la somme , du produit et du quotient de deux fonctions . . . . . . . 14
[Link] La somme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
[Link] Le produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
[Link] Le quotient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.6 Dérivée de xm m ∈ N? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.7 Dérivée de f (x) = tan x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.8 Dérivée de f (x) = cot x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Dérivée d’une fonction composée . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Fonctions dérivées successives, formule de Leibniz . . . . . . . . . . . . . . . . 17
2.4 Différentielle d’une fonction d’une variable . . . . . . . . . . . . . . . . . . . . . 18
2.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Dérivée et extréma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.1 Étude du maximum et du minimum à l’aide de la dérivée seconde . . . . . . . 20

iii
Table des matières

2.6 propriétés des fonctions dérivables sur un intervalle . . . . . . . . . . . . . . . 22

2.7 Théorèmes de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7.1 Formule de Taylor avec reste de Lagrange . . . . . . . . . . . . . . . . . . . . . 23
2.7.2 Formule de Taylor-Young . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.3 Formule de Mac-Laurin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8 Développements limités des fonctions usuelles . . . . . . . . . . . . . . . . . . 24
2.9 Opérations sur les développements limités . . . . . . . . . . . . . . . . . . . . . 25
2.10 Application à la recherche de limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3 Fonctions aux intégrales générales 31

3.1 Intégrales définies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.2 Propriétés Intégrales définies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.3 Application des intégrales au calcul d’aire . . . . . . . . . . . . . . . . . . . . . 33
3.2 Intégrales indéfinies - Primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Propriétés Intégrales indéfinies . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.3 Primitives des fonctions usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.4 Principales règles d’intégration . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
[Link] Intégration directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
[Link] Méthodes de substitution . . . . . . . . . . . . . . . . . . . . . . . . . 35
[Link] Intégration par partie . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
[Link] Intégration par décomposition en éléments simple de première espèce 38
3.3 Intégrales impropres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4 Intégrale d’une fonction discontinue . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5 Intégration des fonctions trigonométriques
´ . . . . . . . . . . . . . . . . . . . . . 40
3.5.1 Intégrales du type I´m,n = sinm x cosn´ xdx ; m et n sont´des nombres entiers. . 40
3.5.2 Intégrales du type : ´ sin mx cos nxdx ; sin mx sin nxdx ; cos mx cos nxdx (m 6= n) 41
3.5.3 Intégrales du type R(sin x, cos x)dx . . . . . . . . . . . . . . . . . . . . . . . 41

4 Analyse Combinatoire 42
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2 Notion de répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3 Notion d’ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Factorielle n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.5 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.5.1 Arrangements sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.5.2 Arrangements avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.6 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.6.1 Permutations sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.6.2 Permutations avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.7 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.8 Formules Remarquables : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.8.1 Cnp = Cnn−p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
p p−1
4.8.2 Cnp = Cn−1 + Cn−1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Xn
4.8.3 Cnp = Cn0 + Cn1 + Cn2 + · · · + Cnp + · · · + Cnn = 2n . . . . . . . . . . . . . . . 46
p=0
4.8.4 Binôme de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.8.5 Exercice corrigé : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5 Théorie élémentaire du calcul de probabilités 49

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2 Vocabulaire et axiomes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.2 Correspondance entre les terminologies ensembliste et probabiliste . . . . . . . 50
5.2.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.3 Définition classique des probabilités . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.4 Définition des probabilités à partir des fréquences relatives . . . . . . . . . . 52
5.5 Probabilités conditionnelle, évènements dépendants et indépendants . . . . 52

iv
Table des matières

5.5.1 Propositions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.5.2 Notion d’indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
[Link] Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.6 Evènements incompatibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.7 Probabilités composées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.7.1 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.7.2 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.8 Exercices corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

6 Notions sur les variables aléatoires et principales lois des probabilités 60

6.1 Définition d’une Variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Distribution de probabilité discrète (v.a. discrète) . . . . . . . . . . . . . . . . 60
6.3 Variables aléatoires continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.4 Variable aléatoire à deux dimensions . . . . . . . . . . . . . . . . . . . . . . . . 63
6.5 Espérance mathématique : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.5.1 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.5.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.6 Variance et moment d’une variable aléatoire . . . . . . . . . . . . . . . . . . . 66
6.6.1 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.6.2 Inégalité de Bienaimé-Tchebychev . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.6.3 Moments d’ordre q d’une v.a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.6.4 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.7 Mode et médiane d’une variable aléatoire . . . . . . . . . . . . . . . . . . . . . 69
6.7.1 Le mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.7.2 La médiane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.8 La distribution de Bernoulli ou loi de Bernoulli L(X) = B(1, p) . . . . . . . . 70
6.9 Loi binomiale L(X) = B(n, p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.10 Loi de Poisson L(X) = P(λ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.10.1 Approximation de la loi binomiale par celle de Poisson . . . . . . . . . . . . . . 74
6.10.2 Propriétés de la loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.11 Loi Normale L(X) = ℵ (µ, σ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.11.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.11.2 Approximation de la loi binomiale par la loi normale . . . . . . . . . . . . . . . 76
6.12 Exercices corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

v
Table des figures

1.1 Graphe d’une fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Parité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3 Fonction bornée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.4 Théorème de Bolzano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.5 Théorème des valeurs intermédiaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1 Signification géométrique de la dérivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2 Point anguleux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3 Remarque sur la dérivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.4 Changement de signe et annulation de la dérivée . . . . . . . . . . . . . . . . . . . . . . . 20

2.5 Recherche du max . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.6 Max et Min de la fonctionf (x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.7 Théorème de Rolle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1 Intégrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2 Calcul d’aire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5.1 Evenements incompatibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5.2 Représentation de l’exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

6.1 Représentation en bâtonnets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

6.2 Graphe de la fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

6.3 Le graphe de f (x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

6.4 Représentation de la distribution de la loi normale . . . . . . . . . . . . . . . . . . . . 76

vi
Liste des tableaux

2.1 Les dérivées des fonctions usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.1 Tableau des primitives usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

4.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.2 Solution de l’exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

5.1 Terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

6.1 Loi de la v.a. discrète pour deux dés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

6.2 Loi de X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

6.3 La loi de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

6.4 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

6.5 Propriétés de la binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

6.6 Tableau des probabilités pour une famille de 2 enfants . . . . . . . . . . . . . . . . . . 72

6.7 Tableau des probabilités pour une famille de 4 enfants . . . . . . . . . . . . . . . . . . 72

6.8 Propriétés de la de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

6.9 Tableau de la Loi Normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . 79

vii
Chapitre 1

Généralités sur les fonctions, notion

de limites et de continuité

1.1 Notion de fonction

f est une fonction de la variable x si à toute valeur de x choisie dans un ensemble convenable E, f

fait correspondre une valeur bien déterminée y d’un ensemble F . Soit f : E → F une fonction.

— Si F ⊂ R, alors f est dite fonction réelle.

— Si E ⊂ R, alors f est dite fonction d’une variable réelle.

— Si E ⊂ R et F ⊂ R, alors f est dite fonction réelle d’une variable réelle (le reste du chapitre).

Exemple

x 7→ f (x) = 5x ; E et F : ensemble des nombres réels.

√
x 7→ f (x) = x2 + 1 ; E : ensemble des nombres réels

et F ensemble des nombres ≥ 1.

1.1.1 Domaine de définition

C’est l’ensemble des x de R pour lequel f existe (soit définie) on le note Df .

Exemple

x 7→ f (x) = ln x ; Df = ]0, +∞[.

x2 +1
x 7→ f (x) = ln(x−1)

1
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

Df = {∀x ∈ R/ ln (x − 1) 6= 0 et x − 1 > 0}

Df = {x 6= 2 et x > 1}

Df = ]1, 2[ ∪ ]2, +∞[

1.1.2 Intervalles

a et b étant deux nombres réels quelconques, on appelle intervalle [a, b] l’ensemble des nombres

compris entre a et b. Plus précisément :

— L’intervalle ouvert, ]a, b[ est l’ensemble des x vérifiant a < x < b.

— L’intervalle fermé, [a, b] est l’ensemble des x vérifiant a ≤ x ≤ b.

1.1.3 Graphe

On associe à une fonction f un graphe voir figure 1.1 . Ox et Oy étant un système d’axes de

référence, on construit pour toute valeur x0 appartenant à l’intervalle où f est définie le point M0

de coordonnées (x0 , f (x0 )). L’ensemble des points obtenus constitue le graphe de f. Le graphe Γ(f )

d’une fonction f : E → F, E ⊂ R est une partie de R2 définie par :

Γ(f ) = (x, f (x)) ∈ R2 /x ∈ E



Figure 1.1 – Graphe d’une fonction

2
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

1.2 Composée de deux fonctions

Soient E, F et G trois ensembles : f : E → F et g : F → G . On appelle fonction composée de f et

par g, la fonction notée g ◦ f définie pour tout x ∈ E par :

(g ◦ f ) (x) = g (f (x))

Exemples

1) f (x) = ln x :R∗+ → R et g(x) = exp x :R → R∗+

(g ◦ f ) (x) = g(f (x)) = exp (ln x) = x : R∗+ → R∗+

2) f (x) = sin x :R → [−1, 1] et g(x) = ln x :R∗+ → R

(g ◦ f ) (x), @ car [−1, 1]* R∗+ .

1.3 Monotonie

1.3.1 Définition

1. On dit que f est croissante si et seulement si :

∀ (x1 , x2 ) ∈ E 2 , (x1 ≤ x2 ⇒ f (x1 ) ≤ f (x2 ))

2. On dit que f est décroissante si et seulement si :

∀ (x1 , x2 ) ∈ E 2 , (x1 ≤ x2 ⇒ f (x2 ) ≤ f (x1 ))

3. On dit que f est strictement croissante si et seulement si :

∀ (x1 , x2 ) ∈ E 2 , (x1 < x2 ⇒ f (x1 ) < f (x2 ))

4. On dit que f est strictement décroissante si et seulement si :

∀ (x1 , x2 ) ∈ E 2 , (x1 < x2 ⇒ f (x2 ) < f (x1 ))

3
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

5. On dit que f est monotone si et seulement si : f est croissante ou f est décroissante.

6. On dit que f est strictement monotone si et seulement si : f est strictement croissante ou

f est strictement décroissante.

Exemples
Soit f (x) = x2

I1 étant R∗+ donc, si x1 < x2 ⇒ x21 < x22 ⇒ f (x1 ) < f (x2 ), alors f est strictement croissante sur I1 .

I2 étant R∗− donc, si x1 < x2 ⇒ x21 > x22 ⇒ f (x1 ) > f (x2 ), alors f est strictement décroissante sur I2 .

1.4 Fonction paire, impaire (parité) et fonction périodique :

1.4.1 Parité (voir figure 1.2)

Une condition nécessaire pour étudier la parité est la symétrie du Df . Si x existe alors −x doit

exister.

Figure 1.2 – Parité

On dit que f est paire si et seulement si :

f (x) = f (−x)

Exemple

— f (x) = x2 ⇒ f (−x) = x2

f est dite impaire si et seulement si : f (−x) = −f (x).

4
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

Exemple

— f (x) = sin x⇒ f (−x) = − sin x d’où −f (−x) = sin x = f (x)

1.4.2 Périodicité

On dit qu’une fonction f est périodique s’il existe un nombre positif T tel que :

f (x + T ) = f (x)

T est la période.

La relation précédente permet de vérifier que ∀k, kT est également une période ;

f (x + kT ) = f (x)

Cependant lorsqu’on parle de période on sous-entend la plus petite de toutes les périodes.

Exemple

Soit f (x) = sin 5x, calculer sa période ?

sin 5x = sin 5(x + T ) = sin(5x + 5T )



5x + 5T → (1)



 5x + 2kπ =




⇒ ou







(π − 5x) + 2kπ) = 5x + T → (2)


2π
(1) ⇒ T = 2kπ/5 ⇒ k = 1 ⇒ T = 5 .

1.4.3 Notion de limite

Soit f une fonction de la variable x définie sur l’intervalle [a, b] (sauf éventuellement pour la

valeur x0 ). On dit que f à pour limite L lorsque x → x0 si en donnant à x des valeurs suffisamment

rapprochées de x0 , on rend f aussi proche de L que l’on veut. Par définition :

5
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

∀ε > 0, ∃µ > 0, ∀x ∈ [a, b] et |x − x0 | ≤ µ ⇒ |f (x) − L| ≤ ε

On écrit : lim f (x) = L.

x→x0

La solution n’est pas unique car tout µ0 , 0 < µ0 < µ convient aussi. Si f admet une limite au point

x0 , cette limite est unique.

La limite à gauche et à droite d’un point

lim f (x) = Lg , si elle existe est la limite à gauche de x0 .

x→x+
0

lim f (x) = Ld , si elle existe est la limite àdroite de x0 .

x→x+
0

La fonction f admet une limite si Lg = Ld .

Exemples

1) La fonction f (x) = 2x − 1 est définie ∀x, pour x = 2, y = f (2) = 3 supposons que nous choisissons

1
ε= 106 que vaut µ ?

On a ||y − 3|| < ε soit |2x − 4| < ε ⇒ |x − 2| < ε/2 par conséquent toute valeur inférieure à ε
2 = 5.10−7

convient à µ.
√
x2
2) f (x) = 1 + x

f (x) est définie ∀x 6= 0

√
Si x > 0 , x2 = x , lorsque x → 0 par valeurs positives lim f (x) = 2
x→0+
√
Si x < 0 , x2 = −x , lorsque x → 0 par valeurs négatives lim− f (x) = 0
x→0

La limites à gauche et à droite de zéro sont distinctes f n’admet pas de limite en x = 0.

1.4.4 Extension de la notion de limite

Si nous désignons par A un nombre positif arbitrairement grand, nous dirons que f (x) tend vers

+∞ lorsque x → x0 , si ∀A > 0 arbitrairement grand, il est possible de trouver un nombre µ > 0 tel

que :

∀x ∈ [a, b] , |x − x0 | < µ ⇒ f (x) > A on écrit lim f (x) = +∞

x→x0

Exemple

1 1
Soit f (x) = (x−1)2
alors lim (x−1)2 = +∞
x→1

6
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

1 2 1
Si on désire que > A ⇒ (x − 1) < ⇒ |x − 1| < √1 d’où µ doit prendre toutes les valeurs
(x−1)2 A A

inférieures ou égales à √1 .
A

Remarques

lim f (x) = −∞⇔ ∀A > 0, ∃µ > 0/∀x, 0 < |x − x0 | < µ ⇒ f (x) < −A
x→x0

lim f (x) = l⇔ ∀ε > 0, ∃β > 0/∀x, x > β ⇒ |f (x) − l| < ε

x→+∞

lim f (x) = +∞⇔ ∀A > 0, ∃β > 0/∀x, x > β ⇒ f (x) > A

x→+∞

1.4.5 Formes indéterminées

∞ 0
∞, 0, −∞ + ∞, 0 × ∞, 1∞ , 00 , ∞0 sont les cas d’indéterminations possibles qu’ils faudrait lever

pour conclure sur l’existence ou non d’une limite ainsi que sa valeur. Parfois, une étude directe permet

de lever l’indétermination.

Exemples
x3 −a3 0
1) f (x) = x−a pour x = a ⇒ f (x) = 0 forme indéterminée.

x3 −a3 (x−a)(x2 +ax+a2 )

Or x−a = (x−a) = (x2 + ax + a2 ) d’où lim f (x) = 3a2 .
x→a
cos x−cos a 0
2) f (x) = sin x−sin a on à f (a) = 0

cos x−cos a − sin x−a x+a

2 sin 2
Mais, f (x) = sin x−sin a = sin x−a cos x+a = − tan x+a
2 et f (a) = − tan a
2 2
√
3) f (x) = x2 + x − x, quand x → +∞ alors f (x) = ∞ − ∞ mais si on multiplie et on divise par le
√
conjugué x2 + x + x on obtient :

x2 +x−x2 √ x 1
f (x) = √
x2 +x+x
= 1
 =√ 1
donc lim f (x) = 1/2.
x 1+ x +1 1+ x +1 x→+∞

1.5 Continuité d’une fonction

1.5.1 Continuité en un point

Soit f une fonction telle que f : I → R , I étant quelconque de R. On dit que la fonction f est

continue pour la valeur x = x0 (ou au point x0 ) si et seulement si :

f (x) est définie pour x = x0 (f (x0 )existe)

lim f (x) = f (x0 )

x→x0

— f est continue à droite de x0 si lim+ f (x) = f (x0 )

x→x0

— f est continue à gauche de x0 si lim− f (x) = f (x0 )

x→x0

7
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

D’où f est continue au point x0 si elle est continue à gauche et à droite de ce point.

Soient f et g deux fonctions définies sur un même intervalle I, et continues au point x0 ∈ I. Les

fonctions :

1. αf avec α ∈ R.

2. f + g.

3. f · g.

f
4. g avec g(x0 ) 6= 0.

5. |f |.

Sont continues au point x0 .

1.5.2 Continuité sur un intervalle

f est dite continue sur un intervalle I , si elle est continue en tout point de I.

1.6 Propriétés des fonction continues sur un intervalle

1.6.1 Théorème

Si f est continue sur [a, b], alors f est bornée ⇔ ∀x ∈ [a, b] , ∃ (M, m) /m ≤ f (x) ≤ M . Figure 1.3

Figure 1.3 – Fonction bornée

8
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

1.6.2 Théorème de Bolzano

f : [a, b] → R continue sur [a, b], (figure1.4 ) :

Si f (a)f (b) < 0 , alors ∃ au moins c ∈ ]a, b[ /f (c) = 0.

f(a)

j c b
O i a c' c'' x

f(b)

Figure 1.4 – Théorème de Bolzano

1.6.3 Théorème des valeurs intermédiaires

Soit une fonction f définie et continue sur l’intervalle I à valeur dans R, alors pour tous réels aet

b de I , pour tout réel u compris entre f (a) et f (b), il existe au moins un réel c compris entre a et b

tel que f (c) = u.

Figure 1.5 – Théorème des valeurs intermédiaires

9
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

1.6.4 Continuité de la composée de deux fonctions

Soient I et J deux intervalles de R , f : I −→ R, g : J −→ K tels que f (I) ⊂ J :notée

g ◦ f : I −→ K et qui à tout x 7−→ g(f (x))

Si f est continue sur I, et si g est continue sur J, alors g ◦ f est continue sur I.

1.7 Prolongement par continuité

Soit f définie sur un intervalle I sauf en x0 ∈ I, si f admet une limite en x0 , et qu’on pose :


f (x) si x 6= x0


g(x) =


l

si x = x0

Si g est continue en x0 , alors elle est appelée prolongement par continuité de f , et :

lim g(x) = g(x0 ) = l

x→x0

Exemples

sin x
1) f (x) = xnon définie pour x0 = 0, or :


 sinx x si x 6= 0


sin x
lim = 1 d’où si l’on pose : g(x) =
x→x0 x 

1

si x = 0
g est la prolongée par continuité de f en x = 0.

1−cos x
2) f (x) = x2 non définie en x = 0. Or :


 1−cos
 x
si x 6= 0
x2
2

2 sin x/2
lim 1−cos
x2
x
= lim x2 1
= 2 ⇒g(x) =
x→0 x→0 

1/2

si x = 0
g est la prolongée par continuité de f en x = 0.

Exercice

1) Montrer en utilisant la définition que lim (2x − 2) = 0.

x→1

Solution :

∀ε > 0, ∃µ > 0/ 0 < |x − 1| < µ ⇒ |f (x) − 0| < ε

ε
|2x − 2| < ε ⇒ |x − 1| < 2 ⇒ µ ≤ 2ε .

x
2) La fonction f (x) = |x| admet-elle une limite en x = 0 ?

10
Chapitre 1 : Généralités sur les fonctions, notion de limites et de continuité

x
lim f (x) = −x = −1.
x→0−
x
lim f (x) = x = 1.
x→0+

⇒ f n’admet pas de limite au point x = 0.

11
Chapitre 2

Dérivée et différentielle d’une

fonction d’une variable

2.1 Notion de dérivée

2.1.1 Définition : Dérivée en un point

Une fonction numérique f définie au voisinage d’un point x0 ∈ R, est dérivable en x0

si le rapport :

f (x) − f (x0 )
tend vers une limite.
x − x0
df
Cette limite, quand elle existe, est la dérivée de f en x0 , et on la note : dx |x=x0 ou f 0 (x).
Toute fonction dérivable en un point est continue en ce point, mais la réciproque n’est
pas toujours vraie.

2.1.2 Signification géométrique de la dérivée

Soit (C) la courbe représentative des variations de y = f (x) figure 2.1, A et B les
points d’abscisses x0 et x0 + ∆x sur (C). La sécante AB a pour pente, le rapport de
la différence des ordonnées de Bet A à la différence de leurs abscisses ; si a est l’ange
(Ox, AB) on aura :

∆y
tan a =
∆x
Faisons tendre ∆x vers O ; le point B se rapprochera du point A en décrivant (C), à
la limite, si y = f (x) admet une dérivée au point x0 la droite AB pivotera autour de
A et tendra vers une position limite AL, qui par définition est la tangente en A à (C).
Cette tangente AL à donc pour pente f 0 (x0 ) avec :

12
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

∆y f (x) − f (x0 )
tan a0 = lim = f 0 (x0 ) = lim
∆x→0 ∆x x→x0 x − x0

Figure 2.1 – Signification géométrique de la dérivée

2.1.3 Définition : Fonction dérivée

Si f est définie sur un intervalle I et dérivable en tout point x0 de I , on définit la

fonction dérivée f 0 qui à tout x0 de I associe le réel f 0 (x0 ).

2.1.4 Définition : Dérivée à gauche et à droite

[Link] Dérivée à gauche :

f (x)−f (x0 )
lim x−x0
= fg0 (x0 )
x→x0−
Si fg0 (x0 ) existe alors f est dérivable à gauche de x0 .

[Link] Dérivée à droite :

f (x)−f (x0 )
lim x−x0
= fd0 (x0 )
x→x0+

13
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

Si fd0 (x0 ) existe alors f est dérivable à droite de x0 .

f est dérivable en un point si elle est dérivable à droite et à gauche de ce point et si
ces dérivées sont égales.
Remarques

f (x)−f (x0 )
— Si lim x−x0
= +∞, on dit que la dérivée est infinie pour x0 c’est à dire au
x→x0
point x0 , a0 = π2 par rapport à Ox.
∆y ∆y
— Il se peut que lim + ∆x diffère de lim − ∆x , on dit qu’il existe une dérivée à
∆x→0 ∆x→0
droite et une dérivée à gauche , qu’on note : f 0 (x0+ ) et f 0 (x0− ). On a ainsi au
point M0 d’abscisse x0 deux tangentes de pentes différentes pour la courbe (C).
M0 est dit point anguleux. Voir figure

Figure 2.2 – Point anguleux

— Si une fonction est dérivable au point d’abscisse x = x0 , elle est également conti-
nue en x0 , c’est à dire que :

lim f (x) = f (x0 )

x→x0

2.1.5 Dérivée de la somme , du produit et du quotient de deux fonctions

[Link] La somme
Soient u(x) et v(x) deux fonctions admettant des dérivées respectivement u0 et v 0 et
si :

f (x) = u(x) + v(x)

alors :

f 0 (x) = u0 (x) + v 0 (x)

14
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

[Link] Le produit
Si f (x) = u(x) · v(x), alors :

f 0 (x) = u0 (x)v(x) + v 0 (x)u(x)

[Link] Le quotient

u(x)
Dans le cas où f (x) = v(x)
alors on a :

u0 (x)v(x) − v 0 (x)u(x)
f 0 (x) =
v 2 (x)
2.1.6 Dérivée de xm m ∈ N?

Sachant que la dérivée de f (x) = x est f 0 (x) = 1

La dérivée de f (x) = x2 est f 0 (x) = 2x (utiliser [Link])
Supposons que f (x) = xm−1 ⇒ f 0 (x) = (m − 1)xm−2
La dérivée de f 0 (x) = xm s’obtient en posant xm−1 = u et x = v alors :

f 0 (x) = x · (m − 1) xm−2 + xm−1

= (m − 1)xm−1 + xm−1
= mxm−1

Ce résultat vrai pour m = 2 est ainsi généralisé par récurrence.

2.1.7 Dérivée de f (x) = tan x

Df = R − π2 + kπ, k ∈ Z . Sachant que la dérivée de u(x) = sin x est u0 (x) = cos x



et la dérivée de v(x) = cos x est v 0 (x) = − sin x, alors la dérivée de la fonction :

sin x u0 (x)v(x) − v 0 (x)u(x) cos2 x + sin2 x 2 1

tan x = = = = 1 + tan x =
cos x v 2 (x) cos2 x cos2 x
2.1.8 Dérivée de f (x) = cot x

cos x
De même la dérivée def (x) = cot x = sin x
est donnée par :

1
f 0 (x) = (cot x)0 = −
sin2 x

Exemple

3 cos x
Soit à calculer la dérivée de y = 1+sin x
Posons u = 3 cos x alors u0 = −3 sin x
v = 1 + sin x alors v 0 = cos x

15
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

0 −3 sin x(1 + sin x) − 3 cos2 x −3 sin x − 3(sin2 x + cos2 x)

f (x) = =
(1 + sin x)2 (1 + sin x)2
−3(1 + sin x) −3
= 2 =
(1 + sin x) (1 + sin x)

2.2 Dérivée d’une fonction composée

Une fonction composée est de la forme y = f (u) où u est une fonction de x c. à d.
u = ϕ(x).
Théorème
Si u admet une dérivée u0x et yune dérivée par rapport à u : yu0 , la dérivée de ypar
rapport à x sera :

yx0 = yu0 · u0x

ou bien
f : I → R; g : J → K

g◦f :J → R

x 7−→ g(f (x))

alors :
0
 0  0
(g ◦ f ) = g ◦ f f

de même
0
 0  0  0
(h ◦ g ◦ f ) = h ◦ g ◦ f g ◦ f f

Exemples
1. Dérivée de f (x) = y = [u(x)]m , m ∈ Z?

y 0 = mum−1 u0x
1
Ainsi la dérivée de y = u(x)
0
On a m = −1 ⇒ y 0 = −u (x) · u0x ⇒ y 0 = − uux2
−2

2. y = f (x) = tan3 2x
3
dans ce cas m = 3
On pose u = 3 = ϕ(x) ⇒ ϕ0 (x) = u0x = 23
2x

16
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

on pose f (u) = tan3 u ⇒ f 0 (u) = 3 tan2 u · (1 + tan2 u)

Comme yx0 = yu0 · u0x , alors :

 
2x 2x 2
yx0 = 3 tan 2
1 + tan2
3 3 3
 
2 2x 2x
= 2 tan 1 + tan2
3 3

3. y = sin (x2 + 1) on pose u = x2 + 1 ⇒ u0 = 2x

f (u) = sin u ⇒ f 0 (u) = cos u
d’où : f 0 (x) = 2x cos (x2 + 1).
5
4. Soit à dériver la fonction suivante : f (x) = (1 − x4 )
u = ϕ(x) = 1 − x4 ⇒ u0 = −4x3
f (u) = u5 ⇒ f 0 (u) = 5u4
4
finalement, f 0 (x) = −20x3 (1 − x4 ) .
Les principaux résultats trouvés sont résumés dans le tableau 2.1

Fonction Dérivée
f (x) = C te f 0 (x) = 0
f (x) = x f 0 (x) = 1
f (x) = xm f 0 (x) = mxm−1
f (x) = sin x f 0 (x) = cos x
f (x) = cos x f 0 (x) = − sin x
f (x) = tan x f 0 (x) = cos12 x = 1 + tan2 x
f (x) = cot x f 0 (x) = − sin12 x
f (x) = u(x) + v(x) f 0 (x) = u0 (x) + v 0 (x)
f (x) = u0 (x) · v 0 (x) f (x) = u0 (x)v(x) + v 0 (x)u(x)
0
0 0 (x)u(x)
f (x) = u(x)
v(x)
f 0 (x) = u (x)v(x)−v v 2 (x)
f [u(x)] fx0 = fu0 · u0x
f 0 (u) = [u(x)]n f (x) = nun−1 u0x
0

Table 2.1 – Les dérivées des fonctions usuelles

Définition (Fonction continûment dérivable)

On dit qu’une fonction f est continûment dérivable sur un intervalle I , si f est dérivable
sur I et si f 0 est continue sur I. Alors on dit aussi que f est de classe C 1 sur I. Plus
généralement, on dit que f est n (n ∈ N∗ ) fois continûment dérivable sur I, ou de classe
C n sur I, si f est n fois dérivable et si f (n) est continue sur I.

2.3 Fonctions dérivées successives, formule de Leibniz

Si f et g sont deux fonctions N fois dérivables, la règle de dérivations successives du

produits conduit à :

17
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

0 0 0
[f · g] = f g+g f
00 0 0
[f · g] = f (2) g + 2f g + g (2) f
0 0
[f · g](3) = f (3) g + 3f (2) g + 3f g (2) + f g (3)

En général :

[f · g](n) = f (n) g + Cn1 f (n−1) g 0 + · · · + Cnp f (n−p) g (p) + · · · + f g (n)

n
X
(n)
[f · g] = Cnp f (n−p) g (p)
p=0

Cette égalité, appelée formule de Leibniz, est valable pour tout entier n ≤ N .

2.4 Différentielle d’une fonction d’une variable

2.4.1 Définition

Soit une fonction x 7→ f (x) = y définie sur [a, b] et dérivable au point x0 ∈ [a, b], et
∆x un accroissement de x à partir de x0 . On appelle différentielle de f (x) au point x0 ,
l’application qui à ∆x fait correspondre le nombre f 0 (x0 ) · ∆x et on note :

dy = f 0 (x0 ) · ∆x (2.1)

Dans le cas où y = f (x) = x, f 0 (x) = 1 , alors dy = ∆x = [Link] la variable

indépendante x,il y a identité entre ∆x et la différentielle dx d’où : ∆x = dx.
Cette remarque permet de mettre l’équation 2.1 sous la forme :

dy = f 0 (x)dx différentielle de f (x)

La dérivée sera donnée par le rapport des différentielles de y et de x, on aura :

dy
y 0 = f 0 (x) =
dx

Exemple

— La différentielle de y = x1 est dy = − x12 dx.

— y = cos2 x ⇒ y 0 = −2 sin x cos x⇒ dy = −2 sin x cos xdx.
— y = tan x ⇒ y 0 = 1 + tan2 x ⇒ dy = (1 + tan2 x) dx.

18
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

2.5 Dérivée et extréma

Définition
f admet un extremum au point x0 , si elle admet un maximum relatif ou un minimum
relatif en ce point.
Théorème 1
Si f admet un extremum en x0 et si f est dérivable en ce point, alors f 0 (x0 ) = 0.
Théorème 2
0
Si f est dérivable sur un intervalle de centre x0 et si f s’annule en changeant de signe
en x0 , alors f admet en x0 un extremum.

Remarques
La condition f 0 (x0 ) = 0 n’est ni nécessaire ni suffisante pour l’existence d’un extremum.

Figure 2.3 – Remarque sur la dérivée

Dans le premier cas de la figure 2.3 f 0 (x) = 0 , mais il n y a pas d’extremum en x0 .

Dans le second cas de figure ; il y a un extremum en x0 mais f n’est pas dérivable.
Exemple
1) f (x) = x2 ⇒ f 0 (x) = 2x

f 0 (x) ≥ 0 pour x ≥ 0
f 0 (x) ≤ 0 pour x ≤ 0
D’après le théorème [Link] en x = 0 , f admet un extremum voir figure 2.4.

2) f (x) = |x| présente un minimum au point x0 alors qu’elle n’est pas dérivable en ce
point.
3) f (x) = x3 ⇒ f 0 (x) = 3x2 . Au point x = 0, f 0 (0) = 0 mais f n’admet pas d’extremum
en x = 0.
La résolution de l’équation f 0 (x) = 0 donne tous les points dans lesquels f pourrait ad-
mettre des extremums, ces points sont appelés points stationnaires ou points critiques.

19
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

Figure 2.4 – Changement de signe et annulation de la dérivée

2.5.1 Étude du maximum et du minimum à l’aide de la dérivée seconde

Soit y = f (x) une fonction dont la dérivée s’annule au point x = x0 , c’est à dire
0 00
f (x0 ) = 0 supposons que la dérivée seconde f (x) existe et soit continue au voisinage

de x0 .

Théorème

0 00
Soit f (x) = 0 alors la fonction a un maximum au point x = x0 si f (x0 ) < 0 et un minimum
00
si f (x0 ) > 0.

Exemple
1) La portée R = OA voir figure 2.5 d’un projectile lancée (dans le vide) avec une

vitesse initiale v0 sous un angle ϕ avec l’horizontale est donnée par la formule :

v02 sin 2ϕ
R=
g

(g est la pesanteur) . Pour une vitesse initiales donnée v0 déterminer pour quelle valeur

de l’angle ϕ la portée sera la plus grande.

Solution :
π
Étudions les max de la fonction R(ϕ) sous l’angle 0 ≤ ϕ ≤ 2

0
v02 sin 2ϕ v02 2 cos 2ϕ

0
R = =
g g

0
Calculons de ϕ pour lequel R = 0 ⇒ ϕ = π4 . car cos 2ϕ = 0.

20
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

Figure 2.5 – Recherche du max

Calculons la dérivée seconde :

0
v02 2 cos 2ϕ 4v02 sin 2ϕ

00
R = =−
g g

00
à ϕ = π/4 on a R = −4v0/g < 0, R (π/4) = v0/g il s’agit bien d’un maximum au point

(π/4, v0/g).

Figure 2.6 – Max et Min de la fonctionf (x)

2) Déterminer les extrémums de la fonction :

f (x) = 2 sin x + cos 2x

Solution :
0
f (x) = 2 cos x − 2 sin 2x = 2 (cos x − 2 sin x cos x) = 2 cos x (1 − 2 sin x)

Les points critiques sont :

21
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

π π 5π 3π
2 cos x (1 − 2 sin x) = 0 ⇒ x1 = 6
; x2 = 2
; x3 = 6
; x4 = 2

Calculons la dérivée seconde :

00
f (x) = −2 sin x − 4 cos 2x est une fonction continue sur R

La nature de chaque point critique :

00
f ( π6 ) = −2 21 − 4 12 = −3 < 0 ⇒ maximum ⇒ f ( π6 ) = 2 21 + 1
2
= 3
2

00
f ( π2 ) = −2 · 1 + 4 · 1 = 2 > 0 ⇒ minumum ⇒ f ( π2 ) = 2.1 − 1 = 1
00
f ( 5π
6
) = −2 21 − 4 12 = −3 < 0 ⇒ maximum ⇒ f ( 5π
6
) = 2 12 + 1
2
= 3
2

00
f ( 3π
2
) = (−2) (−1) − 4. (−1) = 6 > 0 ⇒ minimum ⇒ f ( 3π
2
) = 2 (−1) − 1 = −2

voir figure 2.6

2.6 propriétés des fonctions dérivables sur un intervalle

Théorème (Rolle)
Soit une fonction f (voir figure 2.7) telle que f : [a, b] → R , Si :

1. f est continue sur [a, b]

2. f est dérivable sur ]a, b[
3. avec f (a) = f (b)

Alors, il existe au moins c ∈ ]a, b[ /f 0 (c) = 0.

Figure 2.7 – Théorème de Rolle

Théorème (théorème des accroissements finis -Lagrange)

Si f est continue sur [a, b] , dérivable dans ]a, b[, alors :
il existe au moins c ∈ ]a, b[ /f (b) − f (a) = f 0 (c)(b − a).

Remarque

22
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

Autre notation-En posant a = x, b = x + h et c = x + θh, où θ ∈ ]0, 1[, on a :

f (x + h) − f (x) = hf 0 (x + θh)

Théorème des AF généralisé (Cauchy)

Si f et g sont deux fonctions continues sur [a, b] , et dérivables sur ]a, b[ et que g ne
s’annule pas dans ]a, b[, alors :

f (b) − f (a) f 0 (c)

∃c ∈ ]a, b[ / = 0 (2.2)
g(b) − g(a) g (c)

Corollaire (Règle de l’Hôpital)

f 0 (x)
Si f et g sont deux fonctions dérivables aux voisinage de a et si g 0 (x)
admet une limite
l au point a , alors fg(x)−g(a)
(x)−f (a)
admet la même limite en ce point.
La réciproque de ce corollaire est inexacte.

Remarque

0 ∞
Le résultat précédent s’applique seulement aux formes indéterminées 0
et ∞
.

Exemple

2
sin 5 2
lim ln(x+1)
x
x +3
= 1, lim sinx x = 1, lim 1 x = 2, lim 2x 1 x
5 +8 = 2 , lim exp x = 0.
x→0 x→0 x→∞ x x→∞ x→∞
Théorème (Théorème des valeurs intermédiaires)
Supposons que la dérivé f 0 d’une fonction f soit définie sur un intervalle I. Soit [a, b] ⊂ I
et f 0 (a) = α , f 0 (b) = β. Si γ est un nombre strictement compris entre α et β, alors il
existe un point c ∈ ]a, b[ tel que f 0 (c) = γ.

2.7 Théorèmes de Taylor

2.7.1 Formule de Taylor avec reste de Lagrange

Si une fonction f est définie et continue sur un intervalle [a, b] , ainsi que ses n premières
dérivées, et si elle admet dans l’intervalle [a, b] une dérivée d’ordre n + 1 , il existe une
valeur c ∈ ]a, b[pour laquelle :

0 (b − a)2 (2) (b − a)3 (3)

f (b) = f (a) + (b − a) f (a) + f (a) + f (a) + · · · +
2! 3!
(b − a)n (n) (b − a)n+1 (n+1)
f (a) + f (c)
n! n + 1!

23
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

C’est la formule de Taylor à l’ordre n + 1 où le dernier terme est appelle le reste de
Lagrange.
2.7.2 Formule de Taylor-Young

Soit I un intervalle de R , x0 un élément de I , f une fonction définie et continue sur

I, ainsi que ses n premières dérivées admettant une dérivée d’ordre n + 1 en x0 . Alors
pour tout x ∈ I , il existe une fonction ε d’une variable réelle telle que :

n+1
X (x − x0 )k
f (x) = f (x0 ) + f (k) (x) + (x − x0 )n+1 ε(x) (2.3)
k=1
k!

où : lim ε(x) = 0

x→x0
La différence entre la formule de Taylor avec le reste de Lagrange a un caractère global
(permettant l’étude globale d’une fonction sur un intervalle), tandis que celle de Taylor
avec le reste de Young a un caractère local (le développement local intervient lors de
l’étude du comportement d’une fonction au voisinage d’un point x0 .
2.7.3 Formule de Mac-Laurin

On pose dans la formule de Taylor-Young de l’équation 2.3, x0 = 0, on obtient la

formule de Mac-Laurin à l’ordre n avec reste de Young suivante :

x 0 x2 xn
f (x) = f (0) + f (0) + f (2) (0) + · · · + f (n) (0) + xn+1 ε(x) (2.4)
1! 2! n!
avec : lim ε(x) = 0.
x→x0
La formule donnée par l’équation 2.4 est pratique pour le calcul de [Link] même
formule peut être utilisée dans le calcul de valeurs approchées en prenant :
1
ε(x) = (n+1)! f (n+1) (θx) avec 0 < θ < 1.

2.8 Développements limités des fonctions usuelles

Définition
Une fonction f (x) définie au voisinage de x = x0 admet un développement limité
d’ordre n, s’il existe un polynôme de degré n.

Pn (x) = a0 + a1 (x − x0 ) + · · · + an (x − x0 )n

tel que : f (x) = Pn (x) + ε(x − x0 )n où ε tend vers 0 lorsque x → x0 .

Pn (x) est la partie régulière du développement, ε(x − x0 )n est le terme complémentaire
ou le reste.

Remarque

24
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

Si f admet un développement limité d’ordre n au voisinage de zéro , ce développement

est unique.

Exemple

développent limités de sin x et cos x au voisinage de zéro.

f (x) = sin x ⇒ f (0) = 0
0
f (x) = cos x = sin x + π2 ⇒ f 0 (0) = 1

f (2) (x) = − sin x = sin (x + π) ⇒ f (2) (0) = 0

f (3) (x) = − cos x = sin x + 3π


2
⇒ f (3) (0) = −1
..
. 
0 si n = 2p (pair)
nπ
(n)

(n)
f (x) = sin x + 2 ⇒ f (0) =
(−1)p si n = 2p + 1 (impair)
finalement :
3 5 x2n+1
V(0) : sin x = x − x3! + x5! − · · · + (−1)n (2n+1)! + x2n+2 ε(x)
de même on aura :
2 4 x2n
V(0) : cos x = 1 − x2! + x4! − · · · + (−1)n (2n)! + x2n+1 ε(x)
2 n
V(0) : exp x = 1 + x + x2! + · · · + (n)!
x
+ xn ε(x)
1
V(0) : 1−x = 1 + x + x2 + · · · + xn + xn ε(x)

2.9 Opérations sur les développements limités

soit f et g deux fonctions admettant des DL au même ordre n au voisinage de l’origine.

Alors, les fonctions f + g, f · g et f /g si lim g(x) 6= 0 admettent des D. L. d’ordre n au
x→0
voisinage de zéro.
En outre si f (x) = P1 (x) + xn ε(x) et g(x) = P2 (x) + xn ε(x), au voisinage de zéro on
a:
V (0) (f + g)(x) = (P1 + P2 )(x) + xn ε1,2 (x) avec lim ε1,2 (x) = 0.
x→0
V (0) (f · g)(x) = (P3 )(x) + xn ε3 (x) avec lim ε3 (x) = 0.
x→0
La partie régulière P3 (x) du produit de f et g s’obtient en ne conservant dans le produit
des parties régulières P1 et P2 que les termes de degré inférieur ou égal à n.
V (0) (f /g)(x) = (P4 )(x) + xn ε4 (x) avec lim ε4 (x) = 0.
x→0
P4 (x) est le quotient dans la division suivant les puissances croissantes de P1 (x) par
P2 (x) à l’ordre n.
Théorème
Soit f : [−a, a] → R une fonction dérivable admettant un DL d’ordre n au voisinage de
zéro et si sa dérivée f 0 admet un DL d’ordre (n − 1) au V(0) , alors la parie régulière
du DL de f 0 est la dérivée de la partie régulière du DL de f .

25
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

Remarque

l’existence du DL d’une fonction f ne permet pas de tirer aucune conclusion sur l’exis-
tence du DL de f 0 .

Exemple

1
V(0) : 1−x
= 1 + x + x2 + · · · + xn + xn ε(x) ;lim ε(x) = 0.
x→0
1 2 n−1
V(0) : (1−x) 2 = 1 + 2x + 3x + · · · + nx + xn−1 µ(x) ;lim µ(x) = 0.

0 x→0
1 1
avec : 1−x
= (1−x)2
Théorème
Soit f : [−a, a] → R une fonction intégrable admettant un DL d’ordre n au voisinage
de zéro.
f (x) = a0 + a1 x + · · · + an xn + xn ε(x) où lim ε(x) = 0.
´x x→x0
Alors, le fonction F : x 7→ 0 f (t)dt , x ∈ [−a, a] admettant au V(0) un DL d’ordre
(n + 1).

a1 an n+1
F (x) = a0 x + x2 + · · · + x + xn+1 µ(x)
ˆ x 2 n + 1
= Pn (t)dt + xn+1 µ(x)
0

avec :lim µ(x) = 0.

x→0

Exemple

1
V(0) : 1+x = 1 − x + x2 − x3 + · · · + (−1)n xn + xn ε(x) ;lim ε(x) = 0.
x→0
On intègre sur [0, x]pour obtenir :
´ x dt ´x ´x
0 1+t
= 0 (1 − t + t2 + · · · + (−1)n tn )dt + 0 tn ε(t)dt.

x2 x3 xn+1
V (0) : ln (1 + x) = x − + + · · · + (−1)n + xn+1 µ(x) avec lim µ(x) = 0
2 3 n+1 x→0

Exemple

1) En utilisant le formule de Mac Laurin d’ordre n pour la fonction exp x, montrer

que :

x x2 xn
exp x ≥ 1 + + + ··· + avec (x ≥ 0)
1! 2 n!
2) En utilisant la relation de Mac-Laurin d’ordre 2, montrer que l’on a :

26
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

8
<e<3
3
Solution
1) La fonction e est de classe C ∞ , d’après la formule de Mac Laurin d’ordre n, on a
pour tout x ∈ R

x x2 xn xn+1 xθ
ex = 1 + + + ··· + + e avec 0 < θ < 1
1! 2! n! (n + 1)!
d’où :

x x2 xn xn+1 xθ
ex − (1 + + + ··· + ) = e ≥ 0 si x ≥ 0
1! 2 n! (n + 1)!
donc
x x2 xn
exp x ≥ 1 + + + ··· + avec (x ≥ 0)
1! 2 n!
2) On a :

x x2 x3 xθ
ex = 1 + + + e avec 0 < θ < 1
1 2 6
Pour x = 1
1 eθ
e = 2+ + avec 0 < θ < 1
2 6
5 eθ
= + avec 0 < θ < 1
2 6
Par ailleurs,

1 eθ e
0 < θ < 1 ⇒ 1 < eθ < e ⇒ < <
6 6 6
car ex est fonction croissante

5 1 5 eθ 5 e 8
+ < + < + ⇒ <e<3
2 6 2 6 2 6 3
5 e
car 3 < 2
+ 6

Exemples

Trouvez le DL à l’ordre 4 au V(0) des fonctions suivantes :

1- f (x) = sin x + cos x

x3
V(0) : sin x = x − 3!
+ x5 ε(x) avec lim ε(x) = 0.
| {z } x→0
R4
et

27
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

x2 x4
V(0) : cos x = 1 − 2!
+ 4!
+ x4 ε(x) avec lim ε(x) = 0.
| {z } x→0
R4
x2 x3 x4
alors au V(0) : f (x) = 1 + x − 2!
− 3!
+ 4!
+ R4

2- f (x) = (sin x) (cos x)

V(0) :

x3 x2 x4 x3 x3
  
f (x) = x− + R4 1− + + R4 = x − − + R4
3! 2! 4! 2! 3!
 
1 1 2
= x− + x3 + R4 = x − x3 + R4
2 6 3

sin x
3- f (x) = cos x
3
x− x3! +R4
V(0) : f (x) = 2 4
1− x2! + x4! +R4

x3 x2 x4
x− 3! 1− 2! + 4!

x3 x3
x− 2 x+ 3

Autre méthode
1
Sachant qu’au V(0) : = 1 + y + y 2 + y 3 + y 4 + R4 alors :
1−y
2 3 4
x2 x4 x2 x4 x2 x4 x2 x4
    
1
 =1+ − + − + − + − ...
x2 x4

2 24 2 24 2 24 2 24
1− −
2 24
| {z }
y

4- D.L de ex au V(1)

On pose y = x − 1 ⇒ y est au V (0) quand x est au V (1)

y2 y3 yn
V(0) : ey = 1 + y + + + ··· + + Rn
2! 3! n!
(x − 1)2 (x − 1)3 (x − 1)n
V(1) : ex = 1 + (x − 1) + + + ··· + + Rn
2! 3! n!
1
au V(∞) on pose y =
x
5- D.L 3 de f (x) = x2 esin x au V(0)
y2 y3
V(0) : ey = 1 + y + + + R3
2! 3!
x3
sin x = x − 3!
+ R3
 2  3
x3 x3
x3
 3
 x− 3!
x− 3!
x
V(0) : esin x = ex− 3! = 1 + x − 3!
+ + + R3
2! 3!

28
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable


x3
 1 2
1 3
x2
esin x = 1 + x − 3! + x + x + R3 = 1 + x + + R3
2 6 2

D’où au V(0) : f (x) = x2 + x3 + R3

sin x
6- D.L 4 de f (x) = ln au V(0)
x
x2 x4
Au V(0) : f (x) = − − + R4
6 180
1 1 sin x − x
6- D.L 3 de f (x) = − = au V(0)
x sin x x sin x
3 5
−x x
+ + R5 1 x2
Au V(0) : f (x) = 3! 5! or = 1 + + R3
2
x4 x2 6
x − + R5 1− + R3
3! 6
x x3
D’où V(0) : f (x) = − − 7 + R3
6 360

2.10 Application à la recherche de limites

sin px
1) lim ?
x−→0 sin qx

sin px px p
V(0) : sin px ' px et sin qx ' qx ⇒ lim = lim =
x−→0 sin qx x−→0 qx q
π
x sin(x − )
2) lim 2 ?
π cos x
x−→
2
π π
Posons x = + u ⇒ si x −→ ⇒ u −→ 0
2 2
π π π π  π π
x sin(x − ) u+ sin(u + ) − u+ cos u −
I1 = lim 2 = lim 2  2 2 = lim 2 2
π cos x u−→0 π u−→0 − sin u
x−→ cos u +
2 2
u2
 
 π π
u+ 1− −
2 2 2
I1 = lim on développe à l’ordre 2 le numérateur et le
u−→0 −u
dénominateur
π πu2 π
u+ − −
I1 = lim 2 4 2 = −1
u−→0 −u
 π 
3) I2 = lim x − tan x ?
π 2
x−→
2
Sachant que le D.L à l’ordre n au V(0) de tangente est :
x3 2
tan x = x + + x5 + · · · + R3
3 15
π π
Posons u = x − ⇒ si x −→ ⇒ u −→ 0
2 2 
 π 1
I2 = lim u tan u + =u − avec D.L tan x ' x au V(0) à l’ordre 1
u−→0 2 tan u

29
Chapitre 2 : Dérivée et différentielle d’une fonction d’une variable

u
I2 = lim − = −1
u−→0 u

30
Chapitre 3

Fonctions aux intégrales générales

3.1 Intégrales définies

3.1.1 Définition

Soit une fonction f définie et continue sur l’intervalle [a, b] de R. Partageons le

segment [a, b] en nparties aux points a = x0 , x1 , x2 , · · · , xn−1 , xn = b avec x0 < x1 <

x2 < · · · < xn−1 < xn et posons x1 − x0 = 4x1 , x2 − x1 = 4x2 , · · · , xn − xn−1 = 4xn .

Prenons un point de chaque segment [x0 , x1 ] , [x1 , x2 ] , · · · , [xn−1 , xn ] que nous désignons

par t1 , t2 , · · · , tn avec :

x0 < t1 < x2 , x2 < t2 < x3 , · · · , xn−1 < tn < xn .

Figure 3.1 – Intégrales

31
Chapitre 3 : Fonctions aux intégrales générales

Soient f (t1 ), f (t2 ), · · · , f (tn ) les valeurs de la fonction en ces points. La somme des

rectangles obtenus est donnée par :

Sn = f (t1 )4x1 + f (t2 )4x2 + · · · + f (tn )4xn

n
X
= f (ti )4xi
i=1

quand n → ∞, 4x → 0. La limite de la somme quant le plus grand des 4xi tend vers

zéro s’appelle l’intégrale définie de la fonction f (x) sur l’intervalle [a, b] est notée :

ˆ b
f (x)dx
a

Par définition

n
X ˆ b
lim f (ti )4xi = f (x)dx
max4xi →0 a
i=1

f est dite intégrale si la limite de la somme existe.

Théorème

Toute fonction continue sur [a, b] est intégrable sur [a, b].

3.1.2 Propriétés Intégrales définies

— Relation de Chasles

Si f est continue sur I, alors ∀ (a, b, c) ∈ I 3 .

´a
a
f (x)dx = 0 ;
´a ´b
b
f (x)dx = − a
f (x)dx ;
´c ´b ´c
a
f (x)dx = a
f (x)dx + b
f (x)dx.

— Si f et g sont intégrables sur [a, b], alors (f + g) est intégrable sur [a, b] et :

32
Chapitre 3 : Fonctions aux intégrales générales

ˆ b ˆ b ˆ b
(f + g) (t)dt = f (t)dt + g(t)dt
a a a

— Si f est intégrable sur [a, b] et λ ∈ R, alors (λf ) est intégrable sur [a, b] avec :
ˆ b ˆ b
(λf ) (t)dt = λ f (t)dt
a a

— Si f est intégrable sur [a, b] et ∀x ∈ [a, b], f (x) ≥ 0 alors :

ˆ b
f (t)dt ≥ 0
a

— Si f et g sont intégrables sur [a, b] et ∀x ∈ [a, b], et si f (x) ≥ g(x) alors :

ˆ b ˆ b
f (t)dt ≥ g(t)dt
a a

3.1.3 Application des intégrales au calcul d’aire

´b
Soit f une fonction positive et continue sur [a, b] alors a
f (x)dx est la mesure de

l’aire du domaine (∆) de la figure

Cas particulier figure : si f change de signe sur [a, b] on obtient :

ˆ c ˆ d ˆ b
A= f (x)dx − f (x)dx + f (x)dx
a c d

Figure 3.2 – Calcul d’aire

3.2 Intégrales indéfinies - Primitives

3.2.1 Définition

Une fonction F définie sur un intervalle I de R est une primitive de f sur I si et

33
Chapitre 3 : Fonctions aux intégrales générales

seulement si, F est dérivable sur I et admet pour fonction dérivée la fonction f . Ainsi,

si F est une primitive quelconque de f on a :

ˆ
f (x) dx = F (x) + C où Cest une constante réelle

3.2.2 Propriétés Intégrales indéfinies

Si F et G sont deux primitives de f sur I, il existe k ∈ R tel que : ∀x ∈ E, G (x) =

F (x) + k.
´x
Si f est continue sur [a, b] et x0 ∈ [a, b], alors : x 7→ x0
f (t) dt est une primitive de f

sur [a, b].

Si f est continue sur [a, b], pour toute primitive F de f sur [a, b] on a :

ˆ b
F (b) − F (a) = f (t) dt
a

3.2.3 Primitives des fonctions usuelles

´
Fonction f I Primitive F (x) + C = f (x) dx C ∈ R
x 7→ a R ax + C
n+1
x 7→ xn (n ∈ N) R x 7→ xn+1 + C
α+1
x 7→ xα (α ∈ R, α 6= −1) ]0, +∞[ x 7→ xα+1 + C
x 7→ x1 ]0, +∞[ x 7→ ln x + C
x 7→ x1 ]−∞, 0[ x 7→ ln (−x) + C
x 7→ cos (ax + b) (a 6= 0) R x 7→ a1 sin (ax + b) + C
x 7→ sin (ax + b)(a 6= 0) R x 7→ − a1 cos (ax + b) + C
x 7→ cos12 x
 π
− 2 + kπ, π2 + kπ

x 7→ tan x + C
x 7→ sin12 x ]kπ, (k + 1) π[ x 7→ − cot x + C
x 7→ exp x R x 7→ exp x + C
ax
x 7→ ax , (a ∈ R∗ , a 6= 1 R x 7→ log +C
1 1
 aa+x 
x 7→ a2 −x 2 , x 6= ±a R − {±a} x → 2a ln a−x  + C

dU −1
U2 U +C
dU
U ln |U | + C

Table 3.1 – Tableau des primitives usuelles

Théorème de la moyenne pour les intégrales

34
Chapitre 3 : Fonctions aux intégrales générales

Si M et m sont respectivement le max et le min de f sur [a, b] on a :

ˆ b
m (b − a) ≤ f (x) dx ≤ M (b − a)
a

´b 1
´b
Pour cela ∃c ∈ ]a, b[ / a
f (x) dx = (b − a) f (c) ⇔ f (c) = b−a a
f (x) dx

f (c) est la valeur moyenne de la fonction f sur [a, b].

Exemple

Soit f (x) = x2 sur [1, 2], quelle est la valeur moyenne de f sur cet intervalle ?
´2 2 h 3 i2
x 3
1
x dx = 3
= 23 − 13 = 73 = 2, 33.
1

3.2.4 Principales règles d’intégration

[Link] Intégration directe

´ ´ ´ ´
— (ax2 + bx + c) dx = a x2 dx + b xdx + c dx = 32 ax3 + 2b x2 + cx + C.
´√ √ √ ´ √
— 2pxdx, p ∈ R ; 2pxdx = 2p x1/2 dx = 23 2px3/2 + C.

[Link] Méthodes de substitution

1. Intégration par introduction sous le signe de la différentiation

ˆ ˆ
dx 1
√ = (5x − 2)−1/2 d (5x − 2)
5x − 2 5
ˆ
1 1 u1/2
= (u)−1/2 du =
5 5 12
2 1/2 2 √
= u = 5x − 2 + C
5 5

2. Changement de variable, Théorème :

Soit f : [a, b] 7→ R une fonction continue et ϕ : [α, β] 7→ [a, b]une fonction continûement
0
dérivable telle que ϕ (α) = a et ϕ (β) = b alors, la fonction t 7→ f (ϕ (t)) ϕ (t) est

intégrable sur [α, β] et l’on a :

35
Chapitre 3 : Fonctions aux intégrales générales

ˆ b ˆ β
0
f (x) dx = f (ϕ (t)) ϕ (t) dt
a α

Applications immédiates
´ ´
1) Si f (x)dx = F (x) + C alors, f (ax)dx = a1 F (ax) + C

Démonstration
dt
´ ´
On pose t = ax ⇒ a
= dx d’où f (ax)dx = f (t) dta = a1 F (t) + C = a1 F (ax) + C

2) Si f (x) est impaire alors :

ˆ a
f (x)dx = 0
−a

Démonstration
ˆ
´a ´a 0
Sachant que −a
f (x)dx + 0 f (x)dx
f (x)dx =
| −a {z }
I
´0 ´a
On pose t = −x ⇒ dt = −dx ⇒ I = a f (−t)(−dt) = − 0 −(f (t))(−dt)
´a ´a
I=− 0
f (t)dt = − 0
f (x)dx
´a ´a ´a
donc −a
f (x)dx = − 0
f (x)dx + 0
f (x)dx = 0.
´a ´a
De même si f (x) est paire alors : −a f (x)dx = 2 0 f (x)dx
´ u0 (x)
3) u(x)
dx = ln |u(x)| + C ; C ∈ R.

Exemples
´ x
1) 1+x2
dx ?

On pose t = 1 + x2 ⇒ dt = 2xdx d’ou :

´ x
´ 1 dt
1+x2
dx = 2 t
= 21 ln t + C = 12 ln (1 + x2 ) + C , C ∈ R
´2
I1 = 1
(ln x)3 dx
x
?
dx
On pose t = ln x ⇒ dt = x
lorsque x = 1 ⇒ t = 0 et x = 2 ⇒ t = ln 2
´ ln 2  1 4 ln 2 1
I1 = 0
t3 dt = 4
t 0 = 4 ln 2.
´ √
2) x x − 1dx ?

36
Chapitre 3 : Fonctions aux intégrales générales

On pose t = (x − 1)1/2 ⇒ t2 = (x − 1) ⇒ x = t2 + 1 ⇒ dx = 2tdt.

ˆ ˆ
2 2 2
2t4 + 2t2 dt = t5 + t3 + C



I3 = t + 1 t · 2tdt =
5 5
2 2
I3 = (x − 1)5/2 + (x − 1)3/2 + C
5 5

[Link] Intégration par partie

Théorème

Soient u et v deux fonctions continûment dérivables dans [a, b] on a alors :

ˆ b ˆ b
0 0
u(x)v(x) dx = [u(x)v(x)]ba − v(x)u (x)dx
a a

avec : [u(x)v(x)]ba = u(b)v(b) − u(a)v(a)

Exemples
´π
1) I1 = 0
x2 cos xdx ?

On pose

u(x) = x2 ⇒ du = 2xdx

v = sin x ⇐ dv = cos xdx

π ´ π ´π
I1 = x2 sin x 0 − 0 2x sin xdx⇒ I1 = −2 0 x sin xdx on pose :

| {z }
0

u(x) = x ⇒ du = dx

v = − cos x ⇐ dv = sin xdx

ˆ π
I1 = −2 [−x cos x]π0 −2 cos xdx=-2[−π cos π + 0] = −2π.
0
| {z }
0

37
Chapitre 3 : Fonctions aux intégrales générales

´
2) I = x ln xdx ?

dx
u(x) = ln x ⇒ du =
x
1
v(x) = x2 ⇐ dv = xdx
2

1  ´
I= 2
x2 ln x − 12 x2 dx
x
= 12 x2 ln x − 14 x2 + C

I = 21 x2 ln x − 1


2
+ C; C ∈ R.

[Link] Intégration par décomposition en éléments simple de première espèce

´ dx
Il s’agit de calculer F (x) = (x−a)α
avec α ≥ 1 ∈ N.

Premier Cas α = 1
´ dx
(x−a)
= ln |x − a| + C ; C ∈ R.

Deuxième cas α > 1

´ ´ (x−a)1−α
dx
(x−a)α
= (x − a)−α dx = 1−α
+C = 1
(1−α)(x−a)α−1
+ C.

Exemple
´ xdx
x2 +x−1
?
h  √ i h  √ i
on a : x2 + x − 1 = x − −1+2 5 x − −1−2 5 = (x − a) (x − b)
x A B
d’où : x2 +x−1
= x−a
+ x−b
√
x(x−a) −1+
A = lim (x−a)(x−b) x
= lim (x−b) = a
= √ 5
x→a x→a (a−b) 2 5
√
x(x−b) x b 1+√ 5
B = lim (x−a)(x−b) = lim (x−a) = (b−a)
= 2 5
x→b x→a

ainsi
´ xdx
√
5−1
´ dx √
√
5+1
´ dx √
x2 +x−1
= √ + √
2 5 x+ 1−2 5 2 5 x+ 1+2 5

Finalement :
´ xdx
√
5−1
 √ 
1− 5 
√
5+1
 √ 
1+ 5 
= √ ln x + + √ ln x + .
 
x2 +x−1 2 5 2  2 5 2 

38
Chapitre 3 : Fonctions aux intégrales générales

3.3 Intégrales impropres

Soit f une fonction continue sur [a, +∞[ lorsque la limite :

ˆ b
lim f (x) dx
b→+∞ a

´ +∞
existe alors on la note a
f (x)dx et elle est appellée intégrale impropre de la fonction
´ +∞
f (x) sur l’intervalle [a, +∞[. On dit aussi, a
f (x)dx converge. Si la limite n’existe

pas on dit qu’elle diverge.

3.4 Intégrale d’une fonction discontinue

Soit f continue sur [a, c[ (la fonction n’étant pas définie ou pas continue au point x = c).
´c
L’intégrale a
f (x)dx définie par :

ˆ c
lim f (x) dx
b→c a

converge si la limite exite et elle diverge si elle n’existe pas.

Exemple
´1 ln(1+x)
1) 0 x2
dx ?
´1 ln(1+x) ´1 ln(1+x)
0 x2
dx = lim x2
dx
b→0 b

on pose

dx
u(x) = ln(1 + x) ⇒ du =
1+x
1 dx
v=− ⇐ dv = 2
x x

´1 ln(1+x)
h i1 ´1 h i1 ´1 ´1
b x2
dx = − ln(1+x)
x
+ dx
b x(1+x)
= − ln(1+x)
x
+ dx
b x
− dx
b 1+x
b b
´1
b
ln(1+x)
x2
dx = − ln 2 + ln 1+b
b
+ [ln |x|]1b − [ln |1 + x|]1b

39
Chapitre 3 : Fonctions aux intégrales générales

ln 1 + b
lim
´ 1 ln(1+x) | {zb } b→0

donc lim b x2 dx = − ln 2 + 1 + ln 1 − lim ln b − ln 2 + lim ln(1 + b) = +∞

b→0 b→0 b→0

L’intégrale diverge.
´0
2) −∞
exp(x)dx ?
´0 ´0
−∞
exp(x)dx = lim exp(x)dx = lim [exp(x)]0A = 1 − lim exp(A) = 1
A→−∞ A A→−∞ A→−∞

L’intégrale est convergente.

3.5 Intégration des fonctions trigonométriques

´
3.5.1 Intégrales du type Im,n = sinm x cosn xdx ; m et n sont des nombres entiers.

Premier cas si m = 2k + 1 (positif impaire)

´ ´
Im,n = sin2k+1 x cosn xdx = sin2k x sin x cosn xdx or d (cos x) = − sin x
´ ´ k
Im,n = − sin2k x cosn xd (cos x) = − (1 − cos2 x) cosn xd (cos x)
´ k
On pose z = cos x ⇒ Im,n = − (1 − z 2 ) z n dz

De même si n est impair.

Exemple
´ ´ ´
2
I= sin2 x cos5 xdx = sin2 x cos4 x cos xdx = sin2 x 1 − sin2 x d (sin x)
´ 2 ´ ´
On pose t = sin x ⇒ I = t2 (1 − t2 ) dt = t2 (t4 − 2t2 + 1) dt = (t6 − 2t4 + t2 ) dt
t7 2t5 t3 sin7 x 2 sin5 x sin3 x
I= 7
− 5
+ 3
+C = 7
− 5
+ 3
+ C.

Deuxième cas si m et n positifs paires

on pose sin2 x = 21 (1 − cos 2x) ; cos2 x = 12 (1 + cos 2x) et sin x cos x = 12 sin 2x

Exemple
´ ´ ´
2
cos2 3x sin4 3xdx = (cos 3x sin 3x)2 sin2 3xdx = 1 1


I= 2
sin 6x 2
(1 − cos 6x) dx
´ ´
1
sin2 6x − sin2 6x cos 6x dx = 81 1
(1 − cos 12x) − sin2 6x cos 6x dx




I= 8 2

1
sin3 6x + C
1 1 1

I= 8 2
x− 24
sin 12x − 18
´ ´
car sin2 6x cos 6xdx = 1
6
sin2 6xd (sin 6x) = 1
18
sin3 6x + C.

40
Chapitre 3 : Fonctions aux intégrales générales

Troisième cas si m et n sont paires et si l’un d’eux au moins est négatif

Il faut alors poser t = tan x (ou t = cot x)

Exemple
´ sin2 x
´ sin2 x(sin2 x+cos2 x)
2
´ 2
I= cos6 x
dx = cos6 x
dx = tan2 x (1 + tan2 x) dx
dt
On pose t = tan x ⇒ dx = 1+t2
´ 2 dt
´
I= t2 (1 + t2 ) 1+t2
= t2 (1 + t2 ) dt = 13 t3 + 15 t5 + C = 31 tan3 x + 15 tan5 x + C.

´ ´ ´
3.5.2 Intégrales du type : sin mx cos nxdx ; sin mx sin nxdx ; cos mx cos nxdx (m 6= n)

Dans ce cas on utilise les transformations suivantes :

´ 1
´
sin mx cos nxdx = 2
[sin (m + n) x + sin (m − n) x] dx ;
´ 1
´
sin mx sin nxdx = 2
[cos (m − n) x − cos (m + n) x] dx ;
´ 1
´
cos mx cos nxdx = 2
[cos (m − n) x + cos (m + n) x] dx.

Exemple
´ 1
´ 1 1 1


sin 9x sin xdx = 2
[cos 8x − cos 10x] dx = 2 8
sin 8x + 10
sin 10x + C.

´
3.5.3 Intégrales du type R(sin x, cos x)dx

On essaie l’un des changement de variable u = sin x , u = cos x ou u = tan x en cas

d’echec , on pose :
1−t2
t = tan x2 d’où sin x = 2t
1+t2
, cos x = 1+t2
et dx = 2dt
1+t2

Exemple
´ dx
I= 1+sin x+cos x
?
´ 2
1+t2
´  
on pose t = tan x2 ⇒ 2 dt = dt
1+t
= ln |1 + t| + C = ln 1 + tan x2  + C.
1+ 2t 2 + 1−t2
1+t 1+t

Changement de variable
x x
sin cos cos x2 sin x2
sin x = 2 sin x2 cos x2 = 2 sin2 x2+cos22 x = 2 
sin2 x
 = 2t
1+t2
;
2 2 cos2 x2 1+ 2 2
x
cos 2
cos2 x2 −sin2 x
cos x = sin2 x2 +cos2
2
x
2

41
Chapitre 4

Analyse Combinatoire

4.1 Introduction

L’analyse combinatoire est une branche des mathématiques qui étudie comment comp-

ter les objets. On dit que deux objets sont indiscernables s’ils sont “équivalents par

rapport au critère considéré. sinon, on dit qu’ils son discernables. Un objet est carac-

térisé par :

1. La place qu’il occupe dans la disposition.

2. Le nombre de fois où il peut apparaı̂tre.

4.2 Notion de répétition

On dit que la répétition est permise si un élément peut apparaı̂tre plus d’une fois. on

dit alors que l’expérience est avec répétition. Sinon, elle est dite sans répétition.

4.3 Notion d’ordre

Si Quant un objet change de place, la distribution change, on dit que celle-ci est or-

donnée. Si non, on dit qu’elle est non ordonnée. (1234 6= 4123).

Exemple

42
Chapitre 4 : Analyse Combinatoire

On considère un ensemble E ayant trois éléments E = {a, b, c}. Choisir 2 éléments dans

cet ensemble peut se faire de plusieurs façons différentes, suivant que l’on ordonne les

éléments et que l’on autorise la possibilité de choisir le même élément plusieurs fois ou

non. Le tableau 5.1 nous donne toutes les possibilités.

Avec répétition Sans répétition

aa ab ac ab ac
Avec ordre ba bb bc ba bc
ca cb cc ca cb
aa ab ac
Sans ordre ab ac bc
bb bc cc

Table 4.1 – Exemple

4.4 Factorielle n

Supposons que nous procédons n objets et que nous décidons de les ordonner tous, il

ya:

n! = n(n − 1)(n − 2) · · · 3 × 2 × 1

manières de le faire. Par convention : 0! = 1.

Dès que ndépasse la dizaine, n! se compte en millions, il est bon de connaı̂tre la formule

d’approximation de Stirling suivante :

 n n √
n! = 2πn
e

4.5 Arrangements

4.5.1 Arrangements sans répétition

On appelle arrangement sans répétition de n éléments p à p (n ≥ p), tout ensemble

ordonné de p de ces éléments, tous distincts. Un arrangement est donc caractérisé par

43
Chapitre 4 : Analyse Combinatoire

la nature des éléments ou par leur ordre. On le note Apn .

Calcul de Apn :

1 2 3 ··· p−2 p−1 p

Dans la première case, on peut placer un objet parmi n (donc n façons pour le choisir),

dans la deuxième, un objet parmi n–1 et ainsi jusqu’à la pième où on peut placer un

objet parmi n–p + 1.

D’où Apn = n(n − 1)(n − 2) · · · (n − p + 1).

n!
Avec la notation factorielle, Apn = (n−p)!

Exemple :

Combien de mots de 3 lettres ne comportant pas plus d’une fois la même lettre peut-on

former avec les lettre de l’alphabet ?

26!
A326 = 23!
= 26 × 25 × 24 = 15600

4.5.2 Arrangements avec répétition

Un arrangement de n objets p à p avec répétition est un arrangement où chaque objet

peut être répété jusqu’à p fois d’où :

αnp = np

Calcul de αnp = np

1 2 3 ··· p−2 p−1 p

Dans la première case, on peut placer un objet parmi n, dans la deuxième, un objet

parmi n et ainsi jusqu’à la pième où on peut placer un objet parmi n.

D’où αnp = (n)(n)(n) · · · (n) = np .

| {z }
p f ois
Exemple :

Combien de mots de 2 lettres peut-on obtenir avec les lettres de l’alphabet.

2
α26 = 262 = 676 mots.

44
Chapitre 4 : Analyse Combinatoire

4.6 Permutations

4.6.1 Permutations sans répétition

Une permutation de n objets est un ensemble ordonné de ces n objets. Les permutations

de ces n objets constituent un cas particulier des arrangements. C’est le cas où n = p.

Deux permutations ne diffèrent que par l’ordre des objets.

Pn = Ann = n!

Exemple :

Le nombre de manière de placer 8 personnes autour d’une table est P8 = 8! = 40320

façons.

8 façons pour placer le premier

7 façons pour placer le second

6 façons pour placer le troisième

etc.. jusqu’au dernier , donc 8 × 7 × · · · × 1.

4.6.2 Permutations avec répétition

Dans le cas où il existe k objets identiques parmi les n objets, le nombre de permutations

de n objets est alors :

Pn n!
Pn (avec k répétitions) = =
Pk k!

Exemple :

Le nombre de permutations des lettres du mots “statistiques” est :

12!
P12 (3t, 3s, 2i) = 3!3!2!
= 6652800 .

45
Chapitre 4 : Analyse Combinatoire

4.7 Combinaisons

Le nombre de manières de prendre p objets parmi n sans prendre deux fois le même

objet et sans ordonner est noté Cnp ou (pn ) (combinaisons de p objets parmi n). Pour

calculer ce nombre, on utilise le principe suivant :

Il y a Apn manières de tirer p objets en les ordonnant et une fois qu’on a les p objets il
Apn
y p! manières de les ordonner. Donc il y a p!
manières de les tirer sans les ordonner.

d’où :

Apn n!
Cnp = =
p! p!(n − p)!

Exemple :

Un groupe de 50 personnes se fait représenter par cinq d’entre elles. Combien de solu-

tions y-t-il ?

Il s’agit de prendre 5 personnes parmi 50, les 5 personnes étant toutes différentes et ce
5
groupe de 5 n’étant pas ordonné, il y alors, C50 cas possibles.
5 50!
C50 = 5!(50−5)!
= 2118760 possibilités.

4.8 Formules Remarquables :

4.8.1 Cnp = Cnn−p

p p−1
4.8.2 Cnp = Cn−1 + Cn−1
n
X
4.8.3 Cnp = Cn0 + Cn1 + Cn2 + · · · + Cnp + · · · + Cnn = 2n
p=0

20 = 1

21 = 1 + 1

22 = 1 + 2 + 1

23 = 1 + 3 + 3 + 1 etc...

46
Chapitre 4 : Analyse Combinatoire

4.8.4 Binôme de Newton

Xn
Le binôme de Newton est le produit de n facteurs égaux à (a+b) d’où : (a + b)n = Cnp an−p bp
p=0

4.8.5 Exercice corrigé :

On tire successivement 4 boules d’un sac contenant 10 boules : 3 vertes et 7 jaunes.

Déterminer le nombre de tirages permettant d’obtenir :

a- 4 boules jaunes.

b- 4 boules vertes.

c- 3 jaunes et une verte dans cet ordre.

d- 3 jaunes et une verte.

e- 2 jaunes et 2 vertes dans cet ordre.

f- 2 jaunes et 2 vertes.

g- Au moins 3 vertes.

h- Au plus 3 jaunes.

On distinguera deux cas suivant que le tirage est effectué avec ou sans remise.

Solution :

Le tirage est successif, alors l’ordre est important , il s’agit donc d’arrangements avec

n = 10 et p = 4. Dans le cas avec remise on utilisera αnp = np , dans le cas sans remise
n!
c’est l’équation Apn = (n−p)!
qui sera appliquée. Le tableau qui suit résume la solution

dans les deux cas.

47
Chapitre 4 : Analyse Combinatoire

Façon de tirer successivement Avec remise Sans remise

4
a- 4 jaunes 7 = 2401 A47 = 840
b- 4 vertes 34 = 81 0 car il n’y a que 3 vertes
3
c- 3 jaunes puis une verte 7 · 3 = 1029 A37 · A13 = 630
d-3 jaunes et une verte P4 (3) · 73 · 3 = 4 · 343 · 3 = 4116 P4 (3) · A37 · A13 = 2520
e- 2 jaunes et 2 vertes dans cet ordre 72 · 32 = 441 A27 · A23 = 126
f- 2 jaunes et 2 vertes P4 (2, 2) · 72 · 32 = 6 · 441 = 2646 P4 (2, 2) · A27 · A23 = 6 · 126 = 756
g- Au moins 3 vertes P4 (3) · 33 · 7 + 34 = 837 P4 (3) · A17 · A33 + 0 = 28
h- Au plus 3 jaunes évènement équivalent à tous 104 − 74 = 7599 ou bien A410 − A47 = 4830
les tirages - plus de 3 jaunes 3 + 4.7.33 + 6.72 .32 + 4.73 .3
4

Table 4.2 – Solution de l’exercice

48
Chapitre 5

Théorie élémentaire du calcul de

probabilités

5.1 Introduction

La théorie des probabilités à pour but l’étude des phénomènes ou les expériences aléa-

toires (non déterministes). Une expérience est dite aléatoire lorsqu’il n’est pas possible

de prévoire quel sera le résultat de cette expérience c’est une épreuve aléatoire. Par

exemple le nombre de voitures rentrant dans une station de service, le déplacement

d’une particule dans un liquide, etc...

5.2 Vocabulaire et axiomes

5.2.1 Définition

Considérons un ensemble fini Ω, nous l’appellerons Univers ou espace des épreuves

et ses éléments seront appelés éventualités ou événements élémentaires ω. Soit P(Ω)

l’ensemble des parties de Ω, chaque partie de Ω, donc éléments de P(Ω), s’appelle un

événement.

Exemple :

49
Chapitre 5 : Théorie élémentaire du calcul de probabilités

Soit l’univers Ω = {×, +, /}. Les éventualités sont ×, +et/. les évènements, les ω pos-

sibles sont :
Φ, {×} , {+} , {/} , {×, +} , {×, /} , {+, /} , {×, +, /}

P(Ω) = {φ, {×} , {+} , {/} , {×, +} , {×, /} , {+, /} , {×, +, /}} sont l’ensemble des par-

ties de Ω.

5.2.2 Correspondance entre les terminologies ensembliste et probabiliste

Terme ensembliste Terme probabiliste

Ω : Référentiel Ω : Univers, espace des épreuves ou des observables
φ : Ensemble vide φ : Évènement impossible
Ω : Parie pleine Ω : Évènement certain
∩ : Intersection ∩ ET
A ∩ B : Intersection de A et B A ∩ B : L’évènement A et B se réalise
A ∩ B = φ : A et B sont disjoints B ⊆ Ā A ∩ B = φ :A et B sont incompatibles
A ∪ B : Réunion de A et B A ∪ B : Évènement A ou B se réalise
Ā : Complémentaire de A Ā : Évènement contraire de A

Table 5.1 – Terminologie

Remarque

Ā ou (Ac ) complémentaire de A dans Ω. Alors Ā est réduit aux évènements élémentaires

qui ne sont pas dans A. Donc Ā est réalisé si et seulement si A ne l’est pas. On remarque

que A et Ā sont toujours disjoints.

Exemple :

Dans le cas d’un jet de dé Ω = {1, 2, 3, 4, 5, 6} si A = {1, 2} alors Ā = {3, 4, 5, 6}.

5.2.3 Propriétés

A ∪ B = B ∪ A ; A ∩ B = B ∩ A.

A ∪ B = B̄ ∩ Ā ; A ∩ B = Ā ∪ B̄ ;

50
Chapitre 5 : Théorie élémentaire du calcul de probabilités

5.3 Définition classique des probabilités

Sur un univers finis Ω, supposons qu’un évènement A consiste en n expériences de pro-

babilités égales (équiprobables) et que parmi ces n cas possibles il y ait h cas favorables

à la réalisation de [Link] définit la probabilité de la réalisation de l’évènement A par :

h Nombre de cas favorables

P (A) = =
n Nombre de cas possibles

Nous considérons l’évènement certain : c’est Ω lui même et l’évènement impossible c’est

φ. Par conséquent la probabilité doit vérifier :

1. P (Ω) = 1

2. P (φ) = 0.

3. 0 ≤ P (A) ≤ 1

d’où la probabilité de non réalisation de l’évènement A, autrement dit celle de la réa-

lisation de Ā est alors :

n−h h
P (Ā) = n
=1− n
= 1 − P (A)

Ainsi P (A) + P (Ā) = 1.

On a aussi, P (A ∪ Ā) = P (A) + P (Ā) .

Exemple :

Soit A l’évènement : “les nombres 3 ou 4 apparaissent lors d’une seule partie de dé”.

Le dé peut tomber sur l’une ou l’autre des six faces :1, 2, 3, 4, 5, 6. Si le dé est bien

équilibré, on peut supposer que chaque évènement ω des six possibilités est égal à 1/6

(évènements équiprobables).
2 1
Comme A peut se produire de deux manières possibles on a : P (A) = 6
= 3
, et
4
P (Ā) = 6
= 23 .

La loi de probabilité pour laquelle tous les évènements élémentaires ont des probabilités

51
Chapitre 5 : Théorie élémentaire du calcul de probabilités

égales s’appelle loi équirépartie. On dit aussi il y a équiprobabilité. Si pour l’univers

d’une expérience aléatoire ayant n issues, on a choisi la loi équirépartie alors :

La probabilité de chaque élement est 1/n.

card(A)
La probabilité d’un évenement A est telle que P (A) = card(Ω)
. ou card(A)désigne le

nombre d’issues(nombre de cas favorables) de A.

5.4 Définition des probabilités à partir des fréquences relatives

La définition statistique de la probabilité est assimilée à une fréquence ; on ne définit

alors la probabilité qu’à partir d’expériences indéfiniment renouvelables. La probabi-

lité d’un évènement est la fréquence d’apparition de cet évènement. C’est un nombre

compris entre 0 et 1 ; 0 signifiant que l’évènement n’apparaı̂t jamais et 1 qu’il apparaı̂t

chaque fois qu’on renouvelle l’expérience.

5.5 Probabilités conditionnelle, évènements dépendants et indépendants

Si A et B sont deux évènements, on désigne par P (B/A) la probabilité que B se

produise sachant que A s’est produit. Si la réalisation ou la non réalisation de A n’affecte

pas la probabilité de réalisation de B, alors P (B/A) = P (B), on dit que A et B sont

deux évènements indépendants, dans le cas contraire on dit qu’ils sont dépendants.

Si A et B désigne l’évènement composé “A et B se produisent tous les deux” alors :

P (A et B) = P (A) · P (B/A) = P (B) · P (A/B), d’où la première formule de Bayes.

P (A∩B)
P (A/B) = P (B)

Si B ne se réalise jamais (P (B) = 0) cette définition n’a aucun sens.

5.5.1 Propositions

Si A ∩ B = φ alors P (A ∪ B/C) = P (A/C) + P (B/C)

52
Chapitre 5 : Théorie élémentaire du calcul de probabilités

P (Ā/B) = 1 − P (A/B)
X
Si A ⊂ B ⇒ P (A) ≤ P (B) P (∪Ai ) ≤ P (Ai )
i
i

5.5.2 Notion d’indépendance

Si deux évènements A et B sont indépendants alors P (A ∩ B) = P (A)P (B)

[Link] Propriétés

1. φ est indépendant de tout évènement.

2. Un évènement de probabilité nulle est indépendant de tout autre évènement

P (A) = 0 ⇒ P (A ∩ B) = 0 ⇒ P (A/B) = 0.

3. Tout évènement est indépendant de Ω (univers).

4. Tout évènement est indépendant de tout évènement certain : P (A) = 1 ⇒ P (A ∩

B) = P (B) et doncP (B/A) = P (B).

5. A indépendant de B ⇒B indépendant de A.

6. A indépendant de B ⇒Ā indépendant de B.

7. A indépendant de B ⇒A indépendant de B̄.

8. A indépendant de B ⇒Ā indépendant de B̄.

9. A indépendant de B et B indépendant de C; A indépendant de C.

Exemple 1 :

Soit A et B les évènements “ face au cinquième jet” et “face au sixième jet” d’une pièce

bien équilibrée. Alors, la probabilité qu’il y ait face à la fois au cinquième et au sixième

jet est :
1 1 1
P (A et B) = P (A) · P (B) = 2
· 2
= 4

Exemple 2 :

Supposons une boite renfermant 3 boules blanches et 2 boules noires. Quelles est la

53
Chapitre 5 : Théorie élémentaire du calcul de probabilités

probabilité que la première boule extraı̂te soit noire et la deuxième boule extraı̂te soit

noire en supposant les tirage exhaustifs.

Soit A “l’évènement la première boule est noire”

B “l’évènement la deuxième boule est noire”

2 2
Alors P (A) = 3+2
= 5
c’est la probabilité que la 1ère boule soit noire.
2−1 1
P (B/A) = 3+2−1
= 4
c’est la probabilité que la seconde boule soit noire sachant qu’une

boule noire ait été tirée au premier tirage.

2 1 1
d’où : P (A ∩ B) = 5
· 4
= 10
est la probabililé que les deux boules soient noires.

5.6 Evènements incompatibles

Si A ∪ B est l’évènement correspondant à la réalisation de A ou B on a :

P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

si A et B sont deux évènements incompatibles (A ∩ B = φ) alors P (A ∩ B) = 0 et dans

se cas : P (A ∪ B) = P (A) + P (B).

Soient A et B deux évenements quelconque, les évenements A ∩ B et A ∩ B̄ n’ont

aucune éventualité commune, ils sont incompatibles Voir figure 5.1 et comme A =


(A ∩ B) ∪ A ∩ B̄ on a :

P (A) = P (A ∩ B) + P A ∩ B̄

Exemple :

Dans le jeu de dé à 6 faces, on considère l’évènement A : “le résultat est pair” et

l’évènement B : “le résultat est multiple de 3”. on a :

A = {2, 4, 6} et B = {3, 6}

donc A ∪ B = {2, 3, 4, 6}

54
Chapitre 5 : Théorie élémentaire du calcul de probabilités

Figure 5.1 – Evenements incompatibles

et A ∩ B = {6}
3
on obtient P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 6
+ 26 − 1
6
= 2
3

Figure 5.2 – Représentation de l’exemple

5.7 Probabilités composées

5.7.1 Formule des probabilités totales

Soient E1 , E2 , · · · , En des évènements deux à deux disjoints et dont la réunion donne

l’espace A D’où A = (A ∩ E1 ) ∪ (A ∩ E2 ) ∪ · · · ∪ (A ∩ En ) alors :

P (A) = P (E1 )P (A/E1 ) + P (E2 )P (A/E2 ) + · · · + P (En )P (A/En )

n
X
P (A) = P (Ei )P (A/Ei )
i=0

55
Chapitre 5 : Théorie élémentaire du calcul de probabilités

5.7.2 Formule de Bayes

La probabilité conditionnelle de l’évènement Ek sachant que l’évènement A (P (A) > 0)

est réalisé est donnée par la formule de Bayes suivante :

P (Ek )P (A/Ek )
P (Ek /A) = n ∀k = 1, 2, · · · , n
X
P (A) = P (Ei )P (A/Ei )
i=1

Cette formule permet de calculer les probabilités des causes possibles sachant qu’une

conséquence s’est réalisée.

5.8 Exercices corrigés

Exercice 1 :

Une urne contient 4 boules rouges,3 vertes et 2 noires indisernables au toucher. On tire

simultanément 3 boules. Quelle est la probabilité d’obtenir :

1- Exactement deux boules rouges.

2- Au moins deux boules rouges.

3- Exactement deux boules de même couleur.

4- Une boule de chaque couleur.

Solution :

Le nombre de tirage possible est C93 = 84

1-Soit A l’évènement tirer exactement deux boules rouges.

C42 C31 C20 + C42 C30 C21 18 + 12 30

P (A) = 3
= = ' 0.36
C9 84 84

2-Soit B l’évènement tirer au moinst deux boules rouges.

C42 C31 C20 + C42 C30 C21 + C43 C30 C20 18 + 12 + 4 34

P (B) = 3
= = ' 0.4
C9 84 84

56
Chapitre 5 : Théorie élémentaire du calcul de probabilités

3-Soit C l’évènement tirer exactement deux boules de même couleur.

C42 C31 C20 + C42 C30 C21 + C41 C32 C20 + C40 C32 C21 + C41 C30 C22 + C40 C31 C22
P (C) =
C93
18 + 12 + 12 + 6 + 4 + 3 55
= = ' 0.65
84 84

4-Soit D l’évènement tirer une boule de chaque couleur.

C41 C31 C21 24

P (D) = 3
= ' 0.29
C9 84

Exercice 2 :

Quatres urnes contiennent : la première une boule blanche et une boule noire ; la

deuxième deux boules blanches et trois boules noires ; la troisième : trois boules blanches

et cinq boules noires et la quatrième : quatre boules blanches et sept boules noires.

L’évènement Ei consiste à choisir une urne parmi les quatres (i = 1, 2, 3, 4). Sachant
i
que le choix de la iième urne a une probabilité égale à 10
, et que l’on tire une boule à

partir d’une urne au hasard. Trouvez la probabilité du tirage d’une boule blanche.

Solution :

Soit A l’évènement tirer une boule blanche.

On a :

P (E1 ) = 1/10 (probabilité de choisir l’urne 1).

P (E2 ) = 2/10 (probabilité de choisir l’urne 2).

P (E3 ) = 3/10 (probabilité de choisir l’urne 3).

P (E4 ) = 4/10 (probabilité de choisir l’urne 4).

On a : P (A) = P (E1 )P (A/E1 ) + P (E2 )P (A/E2 ) + P (E3 )P (A/E3 ) + P (E4 )P (A/E4 )

avec :

P (A/E1 ) = 1/2 probabilité de tirer une BB sachant que l’on a choisit l’urne 1.

57
Chapitre 5 : Théorie élémentaire du calcul de probabilités

P (A/E2 ) = 2/5 probabilité de tirer une boule blanche sachant que l’on a choisit l’urne

2.

P (A/E3 ) = 3/8 probabilité de tirer une boule blanche sachant que l’on a choisit l’urne

3.

P (A/E4 ) = 4/11 probabilité de tirer une boule blanche sachant que l’on a choisit l’urne

4.
1707
Finalement :P (A) = 4400
= 0.38.

Exercice 3 :

Trois urnes identiques, la première contient : 20 boules blanches , la deuxième : 10

boules blanches et 10 boules noires et la troisième : 20 boules noires. On choisit une

urne au hasard et l’on tire une boule blanche. Calculez la probabilité que la boule

blanche ait été tirée de la première urne.

Solution :

Formule de Bayes :

P (Ek )P (A/Ek )
P (Ek /A) = 3
∀k = 1, 2, · · · , n
X
P (A) = P (Ei )P (A/Ei )
i=1

Avec dans notre cas P (Ek /A) = P (E1 /A) probabilité que l’on ait choisit la première

urne sachant que l’on ait tiré une BB. A évènement “tirer une boule blanche”

P (E1 )P (A/E1 )
P (E1 /A) = 3
X
P (A) = P (Ei )P (A/Ei )
i=1

P (E1 ) = P (E2 ) = P (E3 ) = 1/3 (urne identiques donc leur probabilités aussi).

P (A/E1 ) = 1 probabilité de tirer une boule blanche sachant qu’on ait choisit l’urne 1.

P (A/E2 ) = 1/2 probabilité de tirer une boule blanche sachant qu’on ait choisit l’urne

58
Chapitre 5 : Théorie élémentaire du calcul de probabilités

2.

P (A/E3 ) = 0 probabilité de tirer une boule blanche sachant qu’on ait choisit l’urne 3.

D’où :

1
·1 3 2
P (E1 /A) = 1 11 1 =
3
·1+ · 2 + 3 ·0
3
3

59
Chapitre 6

Notions sur les variables aléatoires

et principales lois des probabilités

6.1 Définition d’une Variable aléatoire

Toute mesure d’une grandeur dont les valeurs dépendent du hasard est dite variable

aléatoires (v.a. abrégé) c’est donc une application de l’univers E vers R.

6.2 Distribution de probabilité discrète (v.a. discrète)

Si X est une variable pouvant prendre l’ensemble des valeurs discrètes x1 , x2 , · · · , xk

avec comme probabilité respectives p1 , p2 , · · · , pk , telles que p1 + p2 + · · · + pk = 1. On

dit que X = x1 , x2 , · · · , xk à une distribution de probabilité discrète si l’ensemble de ses

valeurs possibles est fini avec P (X = x1 ) = p1 , P (X = x2 ) = p2 ,· · · ,P (X = xk ) = pk .

On dit aussi que X est une v. a. discrète ou v.a. stochastique ou numérique.

Exemple 1

On lance une paire de dés identiques bien équilibrés. Soit x la somme de points obtenus.

La distribution de probabilités est donnée par le tableau 6.1 suivant :

La somme 5 peut être obtenue suivant (1 et 4) ou (4 et 1) ou (3 et 2) ou (2 et 3)

60
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

X = xi 2 3 4 5 6 7 8 9 10 11 12
P (X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Table 6.1 – Loi de la v.a. discrète pour deux dés

D’où la probabilité d’obtenir la somme égale à 5 est donnée par :

P (X = 5) = P (1 ∩ 4) + P (4 ∩ 1) + P (3 ∩ 2) + P (2 ∩ 3)

P (X = 5) = P (1)P (4) + P (4)P (1) + P (3)P (2) + P (2)P (3) = 4 61 16 = 4/36.

La représentation en diagramme en bâtonnets est donnée par la figure 6.1.

6/36

1/36

2 3 4 5 6 7 8 9 10 11 12

Figure 6.1 – Représentation en bâtonnets

Exemple 2

On lance un dé à six faces. Si on obtient 6, on gagne 900DA, si on obtient 1 on perd

500DA, si on obtient un autre résultat on perd 100DA. Donner la loi de probabilité de

la v.a. X. Le tableau 6.2 donne la distribution discrète X.

xi 900 −500 −100
P (X = xi ) 1/6 1/6 4/6

Table 6.2 – Loi de X

6.3 Variables aléatoires continues

Si la v.a. X est continue, par exemple la distance d’un projectile à l’objectif dans un tire

répété, alors l’histogramme relatif des fréquences d’un échantillons dans le cas limite

d’une population, devient, une courbe continue (figure ) dont l’équation y = f (x). L’aire

61
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

totale limitée par la courbe et l’axe des x est égale à 1 et P (a ≤ X ≤ b) représente

l’aire limitée par la courbe et la droite x = a et X = b donne la probabilité que X

soit entre a et b et f (x) est appelée la densité de probabilité, X est la v.a continue

qui lui est associée. On définit la probabilité que X prenne une valeur appartenant à

l’intervalle [a, b[ par :

P (a ≤ X ≤ b) = F (b) − F (a)

Avec F (x) est la fonction de répartition (ou fonction cumulative, c’est la primitive de

f (x)) d’une v.a. X définie par :

F (x) = P (X < x)

on a aussi :
dF F (x + 4x) − F (x)
f (x) = = lim = F 0 (x)
dx 4x→0 4x

Exemple (v.a discrète)

Une plante peut avoir de 0 à 4 fleurs, avec les probabilités représentées selon le tableau

6.3 suivant :
Nombre de fleurs xi 0 1 2 3 4
Probabilité P (X = xi ) 1/4 1/8 1/8 3/8 1/8

Table 6.3 – La loi de probabilité

sa fonction de répartition est donnée par le tableau 6.4.

Nombre de fleurs xi 0 1 2 3 4 5
F (xi )(moins de) 0 1/4 3/8 4/8 5/8 1

Table 6.4 – Fonction de répartition

Pour la variable aléatoire X continue de densité de probabilité f (x) on a :

f (x) ≥ 0.
´ +∞
−∞
f (x)dx = 1

62
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

´b
P (a < X < b) = a
f (x)dx

La fonction de répartition d’une v.a. continue X :

´x
F (x) = −∞
f (x)dx avec F (x) croissante avec F (−∞) = 0 et F (x) = 1.

Exemple (cas continu)

Soit Xune v.a. dont la ddp est donnée par :






 0 si x < 1



f (x)= a(x − x2 ) si 1 ≤ x ≤ 3








 0 si x > 3
1/ Calculer le coefficient a ?

2/ Construire la courbe représentative de f (x) ?

3/ Calculer P (1 < X < 2).

1/ X prend ses valeurs dans [1, 3] d’où :

´3
1
a(x − x2 )dx = 1 ⇒ a = −3/14.

2/ Parabole dans [1, 3] voir figure 6.2

1 3

Figure 6.2 – Graphe de la fonction

´2  2 2 2  2 3 2
3/ P (1 < X < 2) = 1
(− 29 x + 92 x2 )dx = − 18 x 1 + 18 x 1 = 2/21.

6.4 Variable aléatoire à deux dimensions

On peut considérer à la fois le nombre X de fleurs et le nombre Y de feuilles de la

plante de l’exemple précédent. Le couple (X, Y ) est une v. a. à deux dimensions. On

63
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

appelle v.a. à deux dimensions une application de l’univers Ω vers R2 . Lorsque la v.a.

est discrète (X et Y ), on appelle loi de probabilité du couple (X, Y ) la fonction définie

par :

px,y = P (X = x et Y = y)

La fonction de répartition qui lui est associée est donnée par :

F (x, y) = P (X < x et Y < y)

et si F est dérivable par rapport à x et y, on peut définir sa fonction de densité de

∂2F
probabilité f (x, y) = ∂x∂y

6.5 Espérance mathématique :

6.5.1 Définition :

L’espérance mathématique est une moyenne des valeurs possibles de x pondérées par

les probabilités de ces valeurs.

Suite de l’exemple 1.3.1. L’espérance mathématique du nombre de fleurs est :

E(X) = 014 + 118 + 218 + 338 + 18 = 24

En moyenne, les plantes de ce type ont deux fleurs. Pour l’exemple 1.2.2, la moyenne

des gains est donnée par : E(X) = (900 = 6) + (−500 = 6) + (−400 = 6) = 0DA

De façon générale, si X est une v.a. discrète prenant n valeurs x1 , x2 , · · · , xn avec les

probabilités p1 , p2 , · · · , pn on définit son espérance mathématique par :

n
X
E(X) = xi p i
i=1

64
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

Si la v.a. est continue, on a si f (x) est la densité de probabilité :

ˆ +∞
E(X) = xf (x)dx
−∞

Exemple







 0 si x < 0



f (x) = 1
sin x si 0 ≤ x ≤ π

 2






 0 si x > π

Montrer que f est fonction de densité de probabilité et calculerE(X).

1/2

0 /2

Figure 6.3 – Le graphe de f (x)

D’après le graphe donné par la figure 1.3 f (x) est positive.

´ +∞ ´π
−∞
f (x)dx = 1
0 2
sin xdx = 12 [− cos x]π0 = 1

Par conséquent f est une densité de probabilité. Calculons E(X)

ˆ +∞ ˆ π
1
xf (x)dx = x sin xdx
−∞ 0 2

1
u(x) = 12 x ⇒ du = dx
2
v = − cos x ⇐ dv = sin xdx

65
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

 ˆ π 
1 π π
E(X) = [−x cos x]0 − − cos xdx =
2 0 2

La valeur la plus probable est π2 .

6.5.2 Propriétés

a/ Pour deux variables aléatoires X et Y on a :

— dans le cas discret : E[X + Y ] = E[X] + E[Y ]

´∞ ´∞
— dans le cas continu : E[X + Y ] = −∞ −∞
(x + y) f (x, y)dxdy

b/ Espérance de la variable aX : E [X] = aE [X]

n
X n
X
E(aX) = axi pi = a xi pi = aE [X]
i=1 i=1

c/ Espérance de la variable aX + bY :

E (aX + bY ) = aE [X] + bE [Y ]

d/ Si X et Y sont deux v. a. indépendantes on a :

E [XY ] = E [X] E [Y ]

6.6 Variance et moment d’une variable aléatoire

6.6.1 Définition :

La variance d’une v.a. noté V (X) est l’espérance mathématique du carré de l’écart à

l’espérance mathématique :

V (X) = E([X − E(X)] 2 )

66
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

V (X) = E(X 2 ) − [E(X)]2

On définie l’écart type par la racine carrée de la variance :

p
σX = V (X)

Propriété : E (X − a)2 = V (X) − (E (X) − a)2

 

Suite de l’exemple v.a. discrète :

n
X
La variance du nombre de fleurs est :V (X) = pi (xi − E(X))2 comme E(X) = 2
i=1
alors :

1 1 1 3 1
V (X) = (0 − 2)2 + (1 − 2)2 + (2 − 2)2 + (3 − 2)2 + (4 − 2)2 = 2
4 8 8 8 8

√
d’où l’écart type est de σX = 2

Suite de l’exemple v.a. continue :

Calcul de la variance :

V (X) = E(X 2 ) − [E(X)]2

´π ´π1 2
Sachant que E(X 2 ) = 0
x2 f (x)dx = 0 2
x sin xdx on pose :

u(x) = x2 ⇒ du = 2xdx

v = − cos x ⇐ dv = sin xdx

 ˆ π 
1  2
2
π
E(X ) = −x cos x 0 − −x cos xdx
2 0

Une seconde intégration par partie :

67
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

u(x) = x ⇒ du = dx

v = sin x ⇐ dv = cos xdx

ˆ
   
π
1 2 1 2 π2
E(X 2 ) = π + 2[x sin x]π0 − sin xdx = π + 2 [cos x]π0  = −2
2 | {z } 0 2 | {z } 2
0 −4

π2 π2 π2
V (X) = E(X 2 ) − [E(X)]2 = −2− = −2
2 4 4

6.6.2 Inégalité de Bienaimé-Tchebychev

L’espérance et l’écart type sont reliés par l’inégalité de bienaimé-Tchebychev :

σ2
P (|X − E [X]| > ε) ≤
ε2

dont on déduit que si σ = 0 la v.a. est presque surement égale à sa moyenne, c’est à

dire constante. La variance mesure le caractère aléatoire d’une v.a., avec :

V (X + a) = V (X)

V (aX) = a2 V (X)

6.6.3 Moments d’ordre q d’une v.a.

On définit les moments d’ordre q d’une v.a. par :

mq = E (X q )

´ +∞
Cas continue : f (x) la ddp donc mq = −∞
xq f (x) dx
Pn
Cas discret mq = E(X q ) = i=1 xqi pi

68
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

6.6.4 Propriétés

a) Il est possible d’exprimer la variance en fonction des moments d’ordre 1 et 2 :

V (X) = E(X 2 ) − [E(X)]2 = m2 − m21

b) Pour deux v.a. X et Y indépendantes on a :

V (X + Y ) = V (X) + V (Y )

c) Si X et Y sont deux v.a. dépendantes on a :V (X + Y ) = V (X)+V (Y )+2cov (X, Y )

avec : cov (X, Y ) = E (X − E (X)) E (Y − E (Y ))

6.7 Mode et médiane d’une variable aléatoire

6.7.1 Le mode

— Pour une v.a. discrète , le mode est la valeur de X qui se répète le plus souvent.

— Pour une v.a. continue, le mode est la valeur de X qui donne le maximum pour

la ddp.

6.7.2 La médiane

— Pour une v.a. discrète, la médiane est la valeur située au centre de la série sta-

tistique ordonnée.

Exemples :

1/ Soit la série statistique ordonnée suivante : 4,5,5,6,7,7,7,8,8,8,8,9,9,10.

7+8
La médiane est Me = 2
= 7.5

Le mode est 8.

69
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

Pou une v.a. continue la médiane est la valeur α pour laquelle :

ˆ α
1
P (X < α) = P (X > α) = 1/2 ⇒ f (x) dx =
0 2

2/ Soit la ddp f (x) = a exp (2x − x2 ) avec a > 0 . Calculer le mode de la v.a. X.

0
f (x) = 0 ⇒ a (2 − 2x) exp 2x − x2 = 0 ⇒ x = 1 ⇒ le mode est égal à 1

3/ Soit f (x) la ddp d’une v.a. X . Calculer sa médiane.







 0 si x<0



f (x) = x − 41 x3 si 0 ≤ x ≤ 2








 0 si x>2

ˆ α
1
P (X < α) = f (x) dx =
0 2

d’où :
ˆ α
α2 α4
 
1 3 1 1
x − x dx = ⇒ − =
0 4 2 2 16 2

Sachant que α ∈ [0, 2] on trouve α = 1.09.

6.8 La distribution de Bernoulli ou loi de Bernoulli L(X) = B(1, p)

Pour une expérience aléatoire qui n’a que deux issues, S (ou succès) et S̄ (ou échec),

on associe la v. a. X qui prend les valeurs 1 ou 0.

P (S) = P (X = 1) = p

P (S̄) = P (X = 0) = 1 − p = q

On la note B(p) ou p est le paramètre de Bernoulli.

L’espérance mathématiques E(X) = p

70
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

X
E(X) = p i xi = p . 1 + q . 0 = p

La variance V (X) = pq
X
V (X) = E(X 2 ) − (E(X))2 = pi x2i − p2 = p − p2 =p(1 − p) = pq

Exemples

1- Dans une population un individu choisi au hasard possède un caractère A avec la


probabilité p. La variable X définie sur Ω = A, Ā par X(A) = 1 et X(Ā) = 0 est

une variable de B(p).

2- On tire une boule dans une urne contenant 10 boules noire et 20 boules blanches.

Soit N l’évènement tirer une boules noire et B l’évènement tirer une boule blanche

(N = B̄). La v.a. Xdéfinie sur Ω = {N, B} par X(N ) = 1 et X(B) = 0 est une

Bernoulli de paramètre p = 1/3.

6.9 Loi binomiale L(X) = B(n, p)

Lorsque les éventualités se produisent à une alternative (succès ou échec), la v.a. nombre

de succès suit une loi de probabilité appelée loi binomiale lorsque :

1. Chaque épreuve donne lieu à deux éventualités exclusives de probabilité constante

p succès et donc q = 1 − p échec (cas de tirage de boules avec deux couleurs dans

l’urne).

2. Les épreuves répétées sont indépendantes (cas de tirage de boules avec remise).

Alors la probabilité pour que cet évènement se produise X fois en n expériences c’est

à dire k succès et n − k échec est donnée par :

n!
P (X = k) = Cnk pk q n−k = pk (1 − p)n−k k = 0, 1, · · · , n
k!(n − k)!

La loi de Bernoulli est un cas particulier de la binomiale où n = 1 et k = 0 ou 1

Quelques propriétés de la loi binomiale

71
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

Moyenne E(X) E(X) = np

La variance V (X) V (X) = npq
√
Écart type σX σX = npq
Coefficient de symétrie α3 α3 = √q−p
npq
1−6pq
Coéfficient d’applatissement α4 α4 = 3 + pq

Table 6.5 – Propriétés de la binomiale

Exemples

1/ Quelle est la probabilité d’obtenir lors d’un jet d’une pièce :

1. Deux faces avec 6 jets.

2. Au moins 4 faces en 6 jets.

On a 2 éventualités possible pile ou face les de probabilités constantes les épreuves sont

indépendantes et se répètent donc c’est une B(6, 1/2)

P (X = 2) = C62 p2 q 6−2 = 6!
2!(4)!
(1/2)2 (1/2)4 = 15/64

P (X ≥ 4) = P (X = 4) + P (X = 5) + P (X = 6) = C64 (1/2)4 (1/2)2 + C65 (1/2)5 (1/2) +

C66 (1/2)6 (1/2)0 = 11/32

2/ Pour 100 jets d’une pièce équilibrée le nombre de faces moyen est

E(X) = np = 100.( 21 ) = 50
√
q
L’écart type est σX = npq = 100. 21 . 21 = 5

3/ On suppose que la probabilité du nombre de garçon dans une famille de deux enfants

suit une loi binomiale B(2, 12 ). Si ont symbolise garçon par un G et F pour fille, il y a

4 cas possibles :
GG GF FG FF
X 2 1 1 0
P (X = k) 1/4 1/4 1/4 1/4

Table 6.6 – Tableau des probabilités pour une famille de 2 enfants

Pour une famille de 4 enfants on a :

ki 0 1 2 3 4
1 4 1 0 1 1 3 1 1 4 1 2 1 2 6 1 1 1 3 4 1 0 1 4 1











P (X = ki ) C40 2 2 = 16 C41 2 2 = 16 C42 2 2 = 16 C43 2 2 = 16 C44 2 2 = 16

Table 6.7 – Tableau des probabilités pour une famille de 4 enfants

72
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

Quelle est la probabilité que dans une famille de 4 enfants le nombre de garçon soit

inférieur à 3 ? Calculer l’espérance, la variance et l’écart type.

On cherche P (X < 3) on a :

P (X < 3) = P (X = 0) + P (X = 1) + P (X = 2) = 1/16 + 4/16 + 6/16 = 11/16 .

Pn 1 4 6 4 1
L’espérance E(X) = i=1 xi p i = 0 · 16
+1· 16
+2· 16
+3· 16
+4· 16
= 2 or

E(X) = np = 4.(1/2) = 2.

La variance V (X) = E(X 2 ) − [E(X)]2 = 02 · 1 4 6 4 1

 
16
+ 12 · 16
+ 22 · 16
+ 32 · 16
+ 42 · 16
−

(2)2 = 1

or V (X) = npq = 4 · (1/2) · (1/2) = 1.

p
L’écart type σX = V (X) = 1.

6.10 Loi de Poisson L(X) = P(λ)

On appelle processus de Poisson (loi des évènements rares), tout processus obéissant

aux conditions suivantes :

La probabilité de réalisation de l’évènement au cours d’une petite période ou sur une

petite portion d’espace est proportionnelle à la variation.

Elle est indépendante de ce qui c’est produit antérieurement ou à côté.

La probabilité de deux apparition au même temps est négligeable. Ainsi, des évènements

qui se réalisent dans le temps tels que : les appels téléphoniques sur un canal, les pannes

de machines, arrivées à un guichet. Ou dans l’espace tels que : répartition de points

au hasard sur une droite, les n tirages dans une urne contenant deux type de couleurs

avec n grand et la probabilité p très petite, ... peuvent être considéré comme processus

de Poisson. Si X P (λ) où X = 0, 1, 2, · · · alors on à :

λk e−λ
P (X = k) =
k!

73
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

avec :λ = np est dit paramètre de Poisson.

6.10.1 Approximation de la loi binomiale par celle de Poisson

La loi de poisson est une approximation de la loi binomiale où n très grand (≥ 50) et

p très petit (≤ 5).

6.10.2 Propriétés de la loi de Poisson

Moyenne E(X) E(X) = np = λ

La variance V (X) V (X) = λ = np
√
Écart type σX σX = λ
Coefficient de symétrie α3 α3 = √1λ
Coefficient d’applatissement α4 α4 = 3 + λ1

Table 6.8 – Propriétés de la de Poisson

Exemples

1-sur une population de 100000 personnes, on rencontre 1080 daltoniens. En supposant

que la distribution des daltoniens sur un échantillon de 100 personnes suit une loi de
1080
Poisson de moyenne E(X) = λ = np = 100 · 100000
, déterminer la probabilité de

rencontrer au plus 3 daltoniens.

3
−λ
X λk
P (X ≤ 3) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = e
k=0
k!

" #
(1.08)0 (1.08)1 (1.08)2 (1.08)3
= e−1.08 + + + = 0.9757
0! 1! 2! 3!

2-Un central téléphonique automatique reçoit en moyenne 600 appels par heure. Quelle

est la probabilité que durant 1 minute donnée, il recevra exactement deux appels ?

600 est le nombre d’appels en 1 heure d’où en moyenne il reçoit λ = 600/60 = 10.
102 e−10
P (X = 2) = 2!
= 0.0022

74
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

6.11 Loi Normale L(X) = ℵ (µ, σ)

6.11.1 Définition

On parle de loi normale ou loi de Laplace-Gauss ou loi de Gauss ou encore deuxième loi

de Laplace, lorsqu’on a affaire à une variable aléatoire continue dépendant de plusieurs

causes indépendantes dont les effets s’additionnent et dont aucune n’est prépondérante.

Ainsi, les dimensions de pièces fabriquées dépendent du réglage de l’appareil de fabrica-

tion, des vibrations auxquelles il est soumis, de l’homogénéité de la matière première, de

la température, de l’humidité..., lorsque tous ces facteurs sont indépendants et qu’au-

cun n’est prépondérant, on peut supposer que les dimensions de la pièce suivent une

loi normale.

Une v.a. continue X suit une distribution normale si sa densité de probabilité est :

1 2 2
f (x) = √ e−(x−µ) /2σ x ∈ R
σ 2π

on la note ℵ (µ, σ) avec µ la moyenne et σ est l’écart type.

X−µ
Quand X est centrée et rapportée à son écart type c’est à dire on pose Z = σ
on
2 x−µ
obtient alors f (z) = √1 e−z /2 grâce au changement de variable z = , on dit Z suit
2π σ

une loi normale centrée réduite de moyenne nulle et d’écart type 1 notée ℵ (0, 1).

La probabilité que la v.a. X ℵ (µ, σ) soit comprise entre x1 et x2 est donnée par :

ˆ x2
1 2 2
P (x1 ≤ X ≤ x2 ) = √ e−(x−µ) /2σ dx
x1 σ 2π

X−µ dx x1 −µ x2 −µ
on pose Z = σ
⇒ dz = σ
avec z1 = σ
et z2 = σ
d’où :

ˆ z2
1 z2
P (z1 ≤ X ≤ z2 ) = √ e− 2 σdz
z1 σ 2π

75
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

ˆ z2
1 z2
P (z1 ≤ X ≤ z2 ) = √ e− 2 dz
z1 2π

où Z ℵ (0, 1) une ddp paire et dont la représentation est donnée par la figure6.4. Les

probabilités sont lues à partir de la table de la loi normale cantrée réduite donnée à la

fin du chapitre.

f(x) 0.4

0.24

0.05
x
-3 -2 -1 1 2 3
68,27%

95,45%
99,73%

Figure 6.4 – Représentation de la distribution de la loi normale

6.11.2 Approximation de la loi binomiale par la loi normale

Si la probabilité de réalisation de l’évènement p est différente de 0 ou de 1, et que

E(X) = np≥ 15 pour une binomiale avec un nombre n supérieur à 50 alors celle ci
√
peut être approximée par une loi normale de paramètres µ = np et σ = npq.

6.12 Exercices corrigés

Exercice 1

Sachant que la probabilité d’avoir un garçon est p = 0.48. Quelle est dans une famille

de 5 enfants la probabilité d’avoir 2 garçon ?

Solution :

Il s’agit d’une loi binomiale car : chaque expérience donne lieu à deux éventualités (G

ou F) qui sont indépendantes.... d’où X B(5, 0.48)

76
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

5!
P (X = 2) = C52 p2 q 3 = (0.48)2 (0.52)3 = 0.324
2!3!

Exercice 2

Une fabrique produit 1000 pièces par jour dont 2% sont défectueuses. On tire parmi

elles 100 pièces au hasard. Déterminer la probabilité pour que parmi ces 100 pièces 3

soient défectueuses ?

Solution :

Pour les mêmes raisons que l’exercice 1 il s’agit d’une B(100, 0.02)

100! 100.99.98
P (X 3
= 3) = C100 p3 q 97 = (0.02)3 (0.98)97 = (0.02)3 (0.98)97
97!3! 6
= 161700. 8.10−6 . (1.409) = 0.1822

Exercice 3

Déterminer la probabilité d’obtenir 520 fois pile au cours de 1000 essais du jeu de pile

ou face.

Solution :

Appliquons la loi binomiale B(1000, 1/2) après avoir justifier tel que l’exercice 1.
520
P (X = 520) = C1000 (p)520 q 480 = 1000!
520!480!
(1/2)520 (1/2)480

Appliquons la formule de Stirling :

√ n n
⇒ ln n! = 12 ln (2πn) + n ln n − n ln e = 21 ln (2πn) + n ln n − n


n! = 2πn · e
 1
ln (2π1000) + 1000 ln 10000 − 1000 − 12 ln (2π520) + 520 ln 520 − 520 − 12 ln (2π480) + 480 ln 480 − 480 ·
    
P (X = 520) = 2

(1/2)520 (1/2)480

P (X = 520) = 0.0134.

Peut-on approximer la loi binomiale par celle de Poisson dans ce casP (X = 520) =
500520 e−500
520!
? Non car np = 500  15 et n  50. Il est possible de le faire par une loi
√ √
normale car np = 500  15 et n  50 avec σ = 250 = 5 10.

77
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

Exercice 4

Quelles doivent être les valeurs des constantes a et b pour que la fonction y = a +

3bx2 puisse jouer le rôle d’une densité de probabilité pour la v.a. continue X dans

l’intervalle [−1, 1] et pour que dans cet intervalle la valeur de E(X 2 ) soit égale à 2/5 ?

Donner alors la valeur moyenne de la variable X soit E(X) et sa variance V (X).

Solution :

La fonction y = a + 3bx2 joue le rôle d’une ddp si :

´1 ´1 1
−1
f (x)dx = 1 ⇔ −1
(a + 3bx2 ) dx = 1 ⇔ [ax + bx2 ]−1 = 1 ⇔ 2a + 2b = 1 ⇔ a + b =

1/2
´1 h
ax3 3bx5
i1
2
Par ailleurs, E(X 2 ) = 2/5 alors : −1
x2 (a + 3bx2 ) dx = 2/5 ⇔ 3
+ 5
= 5
−1
a 3b
d’où 3
+ +a
5 3
+ 3b
⇔ 5a + 9b = 3
5
= 2
5


 

a + b
 = 1/2 a = 3/8

on a alors : ⇔

 

5a + 9b = 3
 b = 1/8


La moyenne est par conséquent :

´1 ´1 3 3 3

3
h
x2 x4
i1
E(X) = −1
xf (x)dx = −1 8
x + 8
x dx = 8 2
+ 4
=0
−1

La variance V (X) = E(X 2 ) − (E(X))2 = 25 .

Exercice 5

A pile ou face, on fait 10000 expériances. Quelle est la probabilité pour que le nombre

Xde fois qu’on obtient pile ne soit pas compris entre 4900 et 5100 ?

Solution :

Il s’agit d’une binomiale qu’on approximera par une loi normale car µ = np = 0.5 ∗
√ √
10000 = 5000 > 15 et n = 10000 > 50 deplus σ = npq = 2500 = 50 . Par ailleurs,
X−5000
on doit la centrer et réduire avec :Z = 50
et on cherche P (z1 > Z et Z > z2 ) =
4900−5000 5100−5000
1 − P (z1 < Z < z2 ) avec z1 = 50
= −2 et z2 = 50
=2

d’où : P (z1 > Z et Z > z2 ) = 2 − 2F (z) = 2 − 2F (2) = 2 − 2(0.97725) = 0.0455. La

valeur F (2) est lue à partir du tableau 6.9.

78
Chapitre 6 : Notions sur les variables aléatoires et principales lois des probabilités

La table de la loi normale centrée réduite est donnée par le tableau 6.9 correspondant
´z z2
à P (Z < z) = −∞
e− 2 dz. F (t) = P (Z < z) et F (−t) = 1 − F (t)

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997

Table 6.9 – Tableau de la Loi Normale centrée réduite

79
Bibliographie

[AZOU1984] [Link], “ Mathématiques : Analyse Tome3 : cours et exercices, “ Ed. Mac Graw-Hill,

Paris, France, 1984.

[LIPS1970] S. Lipschutz, “Probabilités - cours et problèmes,” Série schaum, Ed. Mac Graw-Hill, New

York, USA, 1973.

[PISK1966] N. Piskounov,”Calcul différentiel et intégral : tome 1,” Moscou, Ed. Mir, URSS, 1966.

[REIS2002] C. Reischer, R. Leblanc, B. Rémillard et D. Larocque, “Théorie des probabilités : pro-

blèmes et solutions,” Presses de l’Université du Québec, 2002.

[SHAO2005] J. Shao,”Mathematical Statistics : Exercises and Solutions,” Ed. Springer, New York,

USA, 2005.

80