Licence de mathématique

Université Paris-Saclay

Mathématiques générales
condensées

[Link]

Année 2024
Table des matières

I. Théorie de la mesure 8
1. Théorie générale de la mesure 9
1.1. Espaces mesurables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Définition et exemples de mesures . . . . . . . . . . . . . . . . . . . . 10

2. Théorie générale de l’intégration 13

2.1. Fonctions mesurables . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1. Définitions et généralités . . . . . . . . . . . . . . . . . . . . . 13
2.1.2. Stabilité de la classe des fonctions mesurables . . . . . . . . . 14
2.2. Les fonctions étagées . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1. Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2. Définition de l’intégrale d’une fonction étagée positive . . . . . 16
2.3. Intégration des fonctions mesurables positives . . . . . . . . . . . . . 16
2.3.1. Définitions et théorème de convergence monotone . . . . . . . 16
2.3.2. Propriétés de l’intégrale . . . . . . . . . . . . . . . . . . . . . 17
2.4. Fonctions intégrables à valeurs dans R ou C . . . . . . . . . . . . . . 18
2.4.1. Cas de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2. Cas de C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.3. Théorème de la convergence dominée . . . . . . . . . . . . . . 19
2.5. Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1. Intégrales dépendant d’un paramètre . . . . . . . . . . . . . . 20

3. Intégration sur les espaces produits 22

3.1. Produit d’espaces mesurables . . . . . . . . . . . . . . . . . . . . . . 22
3.2. Mesure produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3. Théorème de Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1. Énoncés des théorèmes . . . . . . . . . . . . . . . . . . . . . . 24

4. Changements de variables dans R𝒅 25

4.1. La formule de changement de variables . . . . . . . . . . . . . . . . . 25
4.2. Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2.1. Coordonées polaires dans R2 . . . . . . . . . . . . . . . . . . . 26
4.2.2. Coordonnées sphériques dans R3 . . . . . . . . . . . . . . . . . 26
Table des matières 3

5. Espaces L 𝒑 et 𝑳 𝒑 28
5.1. Généralités sur les espaces L 𝑝 et 𝐿 𝑝 . . . . . . . . . . . . . . . . . . 28
5.2. Inclusions des espaces L 𝑝 et 𝐿 𝑝 . . . . . . . . . . . . . . . . . . . . . 30
5.3. Espace 𝑙 𝑝 (N) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

II. Topologie générale 32

6. Espaces métriques et espaces topologiques 33

6.1. Espaces métriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.1.1. Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.1.2. Boules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.1.3. Parties bornées et fonctions bornées . . . . . . . . . . . . . . . 33
6.1.4. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6.1.5. Distance entre deux parties et diamètre . . . . . . . . . . . . . 34
6.1.6. Normes et espaces vectoriels normés . . . . . . . . . . . . . . . 35
6.2. Espaces topologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.2.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.2.2. Topologie des espaces métriques . . . . . . . . . . . . . . . . . 36
6.2.3. Fermés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.2.4. Voisinages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.2.5. Bases d’ouverts et bases de voisinages . . . . . . . . . . . . . . 37
6.2.6. Sous-espaces topologiques . . . . . . . . . . . . . . . . . . . . 37
6.3. Adhérence, intérieur et extérieur . . . . . . . . . . . . . . . . . . . . . 38
6.3.1. Adhérence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.3.2. Intérieur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.3.3. Frontière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4. Limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4.1. Limite d’une suite . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4.2. Espace topologique séparé et unicité de la limite . . . . . . . . 40
6.4.3. Limite et adhérence . . . . . . . . . . . . . . . . . . . . . . . . 41
6.5. Continuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.5.1. Continuité en un point . . . . . . . . . . . . . . . . . . . . . . 41
6.5.2. Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.5.3. Continuité globale . . . . . . . . . . . . . . . . . . . . . . . . 42
6.5.4. Homéomorphismes . . . . . . . . . . . . . . . . . . . . . . . . 42
6.5.5. Uniforme continuité et Lipschitz continuité . . . . . . . . . . . 42
6.5.6. Prolongement par continuité . . . . . . . . . . . . . . . . . . . 43
6.6. Comparaison de topologies et comparaison de distances . . . . . . . . 43
6.6.1. Topologies plus ou moins fines . . . . . . . . . . . . . . . . . . 43
6.6.2. Equivalences de distances . . . . . . . . . . . . . . . . . . . . 44
4 Table des matières

7. Connexité 45
7.1. Définition et exemple fondamental . . . . . . . . . . . . . . . . . . . . 45
7.1.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.1.2. Les connexes de R . . . . . . . . . . . . . . . . . . . . . . . . 45
7.2. Fonctions continues et connexité . . . . . . . . . . . . . . . . . . . . . 45
7.3. Union, adhérence et produit . . . . . . . . . . . . . . . . . . . . . . . 46
7.3.1. Union . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.3.2. Adhérence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.3.3. Produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.4. Connexité par arcs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

8. Compacité 48
8.1. Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
8.2. Compacité des espaces métriques . . . . . . . . . . . . . . . . . . . . 49
8.3. Propriétés des compacts . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.3.1. Compacts et fermés . . . . . . . . . . . . . . . . . . . . . . . . 49
8.3.2. Union, intersection et produit . . . . . . . . . . . . . . . . . . 50
8.4. Fonctions continues et compacts . . . . . . . . . . . . . . . . . . . . . 50
8.4.1. Image d’un compact . . . . . . . . . . . . . . . . . . . . . . . 50
8.4.2. Compact et uniforme continuité . . . . . . . . . . . . . . . . . 50

9. Espaces vectoriels normés 51

9.1. Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
9.1.1. Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
9.1.2. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
9.1.3. Applications linéaires continues . . . . . . . . . . . . . . . . . 52
9.2. Compacité et conséquences dans les espaces vectoriels normés . . . . 53
9.2.1. En dimension finie . . . . . . . . . . . . . . . . . . . . . . . . 53

[Link] métriques complets 55

10.1. Suites de Cauchy, espaces métriques complets et exemple fondamental 55
10.1.1. Suites de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . 55
10.1.2. Espace métrique complet . . . . . . . . . . . . . . . . . . . . . 55
10.1.3. Exemple fondamental . . . . . . . . . . . . . . . . . . . . . . . 55
10.2. Propriétés des espaces complets . . . . . . . . . . . . . . . . . . . . . 56
10.2.1. Fermés et complets . . . . . . . . . . . . . . . . . . . . . . . . 56
10.2.2. Union de complets et complétude des compacts . . . . . . . . 56
10.2.3. Produit d’espaces complets . . . . . . . . . . . . . . . . . . . . 56
10.3. Espaces de Banach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
10.4. Applications de la complétude . . . . . . . . . . . . . . . . . . . . . . 57
10.4.1. Petit topo sur l’algèbre normée . . . . . . . . . . . . . . . . . 57
10.4.2. Un exemple avec les séries . . . . . . . . . . . . . . . . . . . . 58
10.4.3. Point fixe des applications contractantes . . . . . . . . . . . . 58
10.4.4. Complété . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Table des matières 5

III. Probabilités 60
11.Évènements, espaces de probabilités et probabilités conditionnelles 61
11.1. Espaces probabilisés et évènements . . . . . . . . . . . . . . . . . . . 61
11.1.1. Espace probabilisable . . . . . . . . . . . . . . . . . . . . . . . 61
11.1.2. Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
11.1.3. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
11.1.4. Propriétés d’une probabilité . . . . . . . . . . . . . . . . . . . 63
11.1.5. Probabilités conditionnelles et formule des probabilités totales 63
11.1.6. Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

[Link] aléatoires 65
12.1. Variables aléatoires et lois . . . . . . . . . . . . . . . . . . . . . . . . 65
12.1.1. Définition des variables aléatoires . . . . . . . . . . . . . . . . 65
12.1.2. Loi d’une variable aléatoire . . . . . . . . . . . . . . . . . . . 65
12.2. Variable aléatoire entière . . . . . . . . . . . . . . . . . . . . . . . . . 66
12.2.1. Loi de bernoulli de paramètre 𝑝 . . . . . . . . . . . . . . . . . 66
12.2.2. Loi binomiale de paramètre ( 𝑛, 𝑝) . . . . . . . . . . . . . . . . 66
12.2.3. Loi géométrique de paramètre 𝑝 . . . . . . . . . . . . . . . . . 67
12.2.4. Loi de Poisson de paramètre 𝜆 . . . . . . . . . . . . . . . . . . 67
12.3. Variables aléatoires réelles . . . . . . . . . . . . . . . . . . . . . . . . 68
12.4. Densité d’une variable aléatoire . . . . . . . . . . . . . . . . . . . . . 69
12.5. Exemples de variables aléatoires réelles ayant une densité . . . . . . . 70
12.5.1. Loi uniforme sur [ 𝑎, 𝑏 ] . . . . . . . . . . . . . . . . . . . . . . 70
12.5.2. Loi normale N ( 𝑚, 𝜎 2 ) . . . . . . . . . . . . . . . . . . . . . . 70
12.5.3. Loi exponentielle E ( 𝜆) . . . . . . . . . . . . . . . . . . . . . . 70
12.5.4. Loi de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
12.6. Espérance d’une variable aléatoire réelle . . . . . . . . . . . . . . . . 71
12.6.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
12.6.2. Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
12.6.3. Théorème de transfert . . . . . . . . . . . . . . . . . . . . . . 73
12.6.4. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
12.6.5. Cas où 𝑋 possède une densité . . . . . . . . . . . . . . . . . . 74
12.6.6. Cas où 𝑋 est une variable aléatoire entière . . . . . . . . . . . 74
12.6.7. Calcul de l’espérance de 𝑔 ( 𝑋 ) . . . . . . . . . . . . . . . . . . 75
12.7. Vecteurs aléatoires et indépendance de variables aléatoires . . . . . . 75
12.7.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
12.7.2. Lois marginales . . . . . . . . . . . . . . . . . . . . . . . . . . 75
12.7.3. Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
12.7.4. Indépendance dans le cas d’un vecteur aléatoire ayant une densité 76
12.7.5. Lien entre espérance et indépendance . . . . . . . . . . . . . . 77
12.8. Moments, variance, covariance et corrélation . . . . . . . . . . . . . . 77
12.8.1. Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
12.8.2. Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6 Table des matières

12.8.3. Tableau récapitulatif d’espérance et de variance de loi connues 79

12.8.4. Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
12.8.5. Somme de variables aléatoires indépendantes . . . . . . . . . . 80
12.8.6. Inégalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

[Link] d’une fonction d’une ou plusieurs variables 82

13.1. Loi de la somme de deux variables aléatoires entières . . . . . . . . . 82
13.2. Loi d’une fonction d’une variable aléatoire . . . . . . . . . . . . . . . 83
13.2.1. Méthode de la fonction de répartition . . . . . . . . . . . . . . 83
13.2.2. Méthode de la fonction muette . . . . . . . . . . . . . . . . . . 84
13.2.3. Loi de 𝑋 + 𝑌 et convolution . . . . . . . . . . . . . . . . . . . 84
13.3. Outils pour l’étude de la somme : la fonction génératrice d’une variable
aléatoire entière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
13.3.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
13.3.2. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
13.4. Outils pour l’étude de la somme : fonction caractéristique . . . . . . . 86
13.4.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
13.4.2. Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
13.4.3. Caractérisation de la loi . . . . . . . . . . . . . . . . . . . . . 87
13.4.4. Lien avec la somme de variables aléatoires indépendantes . . . 88

[Link] de suites de variables aléatoires, lois des grands nombres

et théorèmes central limite 89
14.1. Convergence dans L 𝑝 . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
14.1.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
14.1.2. Propriété . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
14.2. Convergence en probabilités . . . . . . . . . . . . . . . . . . . . . . . 89
14.2.1. Définition et lien avec la convergence L 𝑝 . . . . . . . . . . . . 89
14.2.2. Loi faible des grands nombres . . . . . . . . . . . . . . . . . . 90
14.3. Convergence presque-sûre . . . . . . . . . . . . . . . . . . . . . . . . 90
14.3.1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
14.3.2. Lien avec la convergence en probabilités . . . . . . . . . . . . 91
14.3.3. Loi forte des grands nombres . . . . . . . . . . . . . . . . . . . 91
14.4. Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
14.4.1. Définition avec la fonction de répartition . . . . . . . . . . . . 91
14.4.2. Lien avec la convergence en probabilités . . . . . . . . . . . . 92
14.4.3. Lien avec les fonction caractéristiques . . . . . . . . . . . . . . 92
14.5. Schéma récapitulatif des convergences . . . . . . . . . . . . . . . . . . 92
14.6. Théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . 92
Table des matières 7

IV. Théorie des anneaux 93

[Link] la structure d’anneaux 94
15.1. Relation d’équivalence et PUQ . . . . . . . . . . . . . . . . . . . . . . 94
15.2. Sur la structure d’anneau et les morphismes . . . . . . . . . . . . . . 95
15.3. Diviseurs de zéro et construction du corps des Fractions d’un anneau
intègre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

[Link]éaux d’un anneau 99

16.1. Idéaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
16.2. Anneaux principaux et divisibilité . . . . . . . . . . . . . . . . . . . . 100
16.3. Anneaux euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
16.4. Anneaux factoriels, éléments irréductibles et premiers . . . . . . . . . 103

[Link] quotients 105

17.1. L’anneau quotient 𝐴/ 𝐼 . . . . . . . . . . . . . . . . . . . . . . . . . . 105
17.2. L’anneau Z/𝑛Z, les groupes cycles et l’ordre . . . . . . . . . . . . . . 107
17.3. Idéaux d’un anneau quotient . . . . . . . . . . . . . . . . . . . . . . . 109
17.4. Idéaux premiers et idéaux maximaux . . . . . . . . . . . . . . . . . . 110
[Link] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
 Première partie

Théorie de la mesure
1. Théorie générale de la mesure

1.1. Espaces mesurables

Définition 1.1.1 Soit 𝑋 un ensemble.

On appelle tribu sur 𝑋 , une famille T de parties de 𝑋 vérifiant :
(i) 𝑋 ∈ T
(ii) Si 𝐴 ∈ T , alors 𝐴𝐶 ∈ T
Ð
(iii) Pour toute famille ( 𝐴𝑛 )𝑛∈N d’éléments de T , on a 𝐴𝑛 ∈ T
𝑛∈N
Les éléments de T sont appelés les parties mesurables de 𝑋 .
On dit que ( 𝑋 , T ) est un espace mesurable.

Remarque 1.1.2 Voici quelques conséquences immédiates de la définition précé-

dente :
(i) ∅ ∈ T
Ñ
(ii) Pour toute suite ( 𝐴𝑛 )𝑛∈N d’éléments de T , on a 𝐴𝑛 ∈ T
𝑛∈N
(iii) Pour 𝐴, 𝐵 ∈ T , 𝐴\ 𝐵 = 𝐴 ∩ 𝐵 𝑐 ∈ T

Proposition 1.1.3 Soit (T𝑖 ) 𝑖 ∈ 𝐼 une famille quelconque de tribus sur 𝑋 .

Ñ
Alors, T = T𝑖 est une tribu sur 𝑋 .
𝑖∈𝐼

Définition 1.1.4 Soit 𝐹 une famille de parties de 𝑋 .

On appelle tribu engendrée par 𝐹 , notée T ( 𝐹 ), la plus petite tribu sur 𝑋 qui
contient 𝐹 : Ù
T (𝐹 ) = T
𝐹 ⊂T
T tribu

Remarque 1.1.5 Soient 𝐹1 et 𝐹2 deux familles de parties de 𝑋 et T une tribu sur

𝑋 . On a les propriétés suivantes :
10 1. Théorie générale de la mesure

(i) 𝐹1 ⊂ T =⇒ T ( 𝐹1 ) ⊂ T
(ii) Si 𝐹1 est une tribu alors T ( 𝐹1 ) = 𝐹1



(iii) 𝐹1 ⊂ 𝐹2 =⇒ T ( 𝐹1 ) ⊂ T ( 𝐹2 )

Définition 1.1.6 (Rappel) Un espace topologique est un couple ( 𝑋 , O) où 𝑋 est

un ensemble et O une famille de parties de 𝑋 , appelées ouverts, vérifiant :
(i) Toute réunion d’ouverts est un ouvert.
(ii) L’intersection finie d’ouverts est un ouvert.
(iii) Les ensembles 𝑋 et ∅ sont des ouverts.

Définition 1.1.7 Soit ( 𝑋 , O) un espace topologique.

On appelle tribu de Borel sur 𝑋 , noté B ( 𝑋 ), la tribu engendrée par les ouverts de
𝑋 : B ( 𝑋 ) = T (O).

Proposition 1.1.8 La tribu B (R) est engendrée par les intervalles ] 𝑎, +∞[ pour
𝑎 ∈ R.

1.2. Définition et exemples de mesures

Définition 1.2.1 Soit ( 𝑋 , M) un espace mesurable.

On appelle mesure sur 𝑋 toute application 𝜇 : M → R+ vérifiant :
(i) 𝜇 (∅) = 0
(ii) Pour toute famille ( 𝐴𝑛 )𝑛∈N d’éléments de M deux à deux disjoints, on a :
 Ø  ∑︁
𝜇 𝐴𝑛 = 𝜇 ( 𝐴𝑛 )
𝑛∈N 𝑛∈N

On dit que ( 𝑋 , M , 𝜇) est un espace mesuré.

Proposition 1.2.2 Soit ( 𝑋 , M , 𝜇) un espace mesuré. Pour tout 𝐴, 𝐵 ∈ M, on a :

(i) 𝜇 ( 𝐴) = 𝜇 ( 𝐴 ∩ 𝐵 ) + 𝜇 ( 𝐴\ 𝐵 )



(ii) 𝐴 ⊂ 𝐵 =⇒ 𝜇 ( 𝐴) ≤ 𝜇 ( 𝐵 )
(iii) 𝜇 ( 𝐴 ∪ 𝐵 ) + 𝜇 ( 𝐴 ∩ 𝐵 ) = 𝜇 ( 𝐴) + 𝜇 ( 𝐵 )
 11

Remarque 1.2.3 La mesure est à valeur dans R+ , ce qui a pour conséquence qu’on
peut obtenir la valeur +∞, de ce fait, il faut si possible éviter les soustractions dans
les calculs qui pourrait faire intervenir des formes indéterminées de limites du type
∞ − ∞.

Proposition 1.2.4 Soit ( 𝑋 , M , 𝜇) un espace mesuré. On a les propriétés suivantes :

(i) Soit ( 𝐴𝑛 )𝑛∈N une suite d’éléments de M :
 Ø  ∑︁
𝜇 𝐴𝑛 ≤ 𝜇 ( 𝐴𝑛 )
𝑛∈N 𝑛∈N

(ii) Soit ( 𝐴𝑛 )𝑛∈N une suite croissante au sens de l’inclusion d’éléments de M,

alors : Ø 
𝜇 𝐴𝑛 = lim 𝜇 ( 𝐴𝑛 )
𝑛→∞
𝑛∈N

(iii) Soit ( 𝐴𝑛 )𝑛∈N une suite décroissante au sens de l’inclusion d’éléments de M et

telle que 𝜇 ( 𝐴0 ) < ∞, alors :
Ù 
𝜇 𝐴𝑛 = lim 𝜇 ( 𝐴𝑛 )
𝑛→∞
𝑛∈N

Exemple 1.2.5
(i) On peut définir ce qu’on appelle la mesure de comptage sur un ensemble
( 𝑋 , P ( 𝑋 )). Pour 𝐴 ⊂ 𝑋 , on a :
(
𝑐𝑎𝑟 𝑑 ( 𝐴) si 𝐴 est fini
𝜇 ( 𝐴) =
∞ sinon

(ii) On peut définir la mesure de Dirac en un point.

Soit ( 𝑋 , M) un espace mesurable, avec 𝑋 ≠ ∅, et soit 𝑥 ∈ 𝑋 . Pour 𝐴 ⊂ M, on
a: (
1 si 𝑥 ∈ 𝐴
𝜇 ( 𝐴) = 1 𝐴 ( 𝑥 ) =
0 sinon

Théorème 1.2.6 Il existe une unique mesure sur (R, B (R)), notée 𝜆, telle que :


∀𝑎, 𝑏 ∈ R, 𝑎 < 𝑏, 𝜆 ] 𝑎, 𝑏 [ = 𝑏 − 𝑎

Cette mesure est appelée la mesure de Lebesgue sur R. □

12 1. Théorie générale de la mesure

Remarque 1.2.7 Voici quelques propriétés de la mesure de Lebesgue :

(i) Pour tout 𝑥 ∈ R, 𝜇 { 𝑥 } = 0





(ii) Pour tout 𝑎, 𝑏 ∈ R, 𝑎 ≤ 𝑏 , 𝜇 [ 𝑎, 𝑏 ] = 𝜇 ] 𝑎, 𝑏 ] = 𝜇 [ 𝑎, 𝑏 [ = 𝜇 ] 𝑎, 𝑏 [ = 𝑏 − 𝑎
(iii) Les ensembles dénombrables sont de mesure nulle.

Définition 1.2.8 Soit ( 𝑋 , M , 𝜇) un espace mesuré.

On dit qu’une partie 𝐴 ⊂ 𝑋 est négligeable pour la mesure 𝜇 lorsque 𝐴 ∈ M et
𝜇 ( 𝐴) = 0.

Théorème 1.2.9 Il existe une unique mesure sur (R𝑑 , B (R𝑑 )), notée 𝜆, telle que
pour tout pave 𝑃 = [ 𝑎1 , 𝑏1 ] × . . . × [ 𝑎𝑑 , 𝑏 𝑑 ] ⊂ R𝑑 , on ait :
𝑑
Ö
𝜆(𝑃 ) = ( 𝑏 𝑖 − 𝑎𝑖 )
𝑖 =1

Cette mesure est appelée la mesure de Lebesgue sur R𝑑 . □

2. Théorie générale de l’intégration

2.1. Fonctions mesurables

2.1.1. Définitions et généralités

Définition 2.1.1 Soient ( 𝑋 , M) et (𝑌 , N ) deux espaces mesurables.

On dit qu’une application 𝑓 : 𝑋 → 𝑌 est mesurable (pour les tribus M et N ) si :

∀𝐵 ∈ N , 𝑓 −1 ( 𝐵 ) ∈ M

Remarque 2.1.2
(i) Si ( 𝑋 , M) est un espace mesurable, si 𝑌 est un ensemble quelconque et 𝑓 : 𝑋 →
𝑌 , alors on peut toujours munir 𝑌 d’une tribu N telle que 𝑓 soit mesurable.
Évidemment, on peut prendre N = {∅, 𝑌 }. Un meilleur choix est de poser
N = { 𝐵 ⊂ 𝑌 | 𝑓 −1 ( 𝐵 ) ∈ M }.
Alors, M est une tribu, et c’est la plus grande tribu sur Y qui rende 𝑓 mesurable.
On dit que N est la tribu image de M par 𝑓 .
(ii) Si 𝑋 est un ensemble quelconque, si (𝑌 , N ) est un espace mesurable, et 𝑓 : 𝑋 →
𝑌 , alors on peut toujours munir 𝑋 d’une tribu M telle que 𝑓 soit mesurable.
Évidemment, on peut prendre M = P ( 𝑋 ). Un meilleur choix est de poser
M = { 𝑓 −1 ( 𝐵 )| 𝐵 ∈ N }.
Alors M est une tribu, et c’est la plus petite tribu sur 𝑋 qui rende 𝑓 mesurable.
On dit que M est la tribu engendrée par 𝑓 .

Proposition 2.1.3 Soient ( 𝑋 , M) et (𝑌 , N ) deux espaces mesurables et 𝑓 : 𝑋 →

𝑌 . On suppose que N = T ( 𝐹 ) pour 𝐹 ⊂ 𝑌 . Alors :

𝑓 est mesurable ⇐⇒ ∀𝐵 ∈ 𝐹 , 𝑓 −1 ( 𝐵 ) ∈ M

Définition 2.1.4 Lorsque 𝑋 et 𝑌 sont deux espaces topologiques munis de leurs

tribus borélienne, une application 𝑓 : 𝑋 → 𝑌 mesurable est appelée borélienne.
14 2. Théorie générale de l’intégration

Remarque 2.1.5 Par la proposition précédente, pour une fonction 𝑓 : ( 𝑋 , B ( 𝑋 ) →

(𝑌 , B (𝑌 )), on a :

𝑓 est borélienne ⇐⇒ ∀𝑉 ⊂ 𝑌 , 𝑓 −1 (𝑉 ) ∈ B ( 𝑋 )

Autrement dit, 𝑓 est borélienne si et seulement si pour tout borélien 𝑉 de 𝑌 , 𝑓 −1 (𝑉 )

est borélien.
Or, les ouverts sont des boréliens, donc en particulier, si 𝑓 est continue (c’est-à-dire
lorsque pour tout ouvert 𝑉 de 𝑌 , 𝑓 −1 (𝑉 ) est un ouvert de 𝑋 ) alors 𝑓 est borélienne.
De plus, si (𝑌 , B (𝑌 )) = (R, B
(R)), alors 𝑓 : 𝑋 → 𝑌 est borélienne si et seulement si
pour tout 𝑎 ∈ R, 𝑓 −1 ] 𝑎, +∞[ est borélien.

2.1.2. Stabilité de la classe des fonctions mesurables

Proposition 2.1.6 Soient 𝑓 : ( 𝑋1 , M1 ) → ( 𝑋2 , M2 ) et 𝑔 : ( 𝑋2 , M2 ) → ( 𝑋3 , M3 ).

Alors :
𝑓 et 𝑔 mesurables =⇒ 𝑔 ◦ 𝑓 est mesurable

Proposition 2.1.7 Soient ( 𝑋 , M) un espace mesurable, (𝑌 , O) un espace topolo-

gique, 𝑓1 , 𝑓2 : 𝑋 → R des applications mesurables et 𝛷 : R2 → 𝑌 une application
continue. Alors :
(
𝑋 →𝑌
ℎ:
est mesurable
𝑥 ↦→ 𝛷 𝑓1 ( 𝑥 ) , 𝑓2 ( 𝑥 )

Corollaire 2.1.8 Soient 𝑓 , 𝑔 : 𝑋 → R deux fonctions mesurables. Alors les fonc-

tions :
𝑓
𝑓 +𝑔 𝑓𝑔 𝑚𝑖𝑛 ( 𝑓 , 𝑔 ) 𝑚𝑎𝑥 ( 𝑓 , 𝑔 ) si 𝑔 ( 𝑥 ) ≠ 0, ∀𝑥 ∈ 𝑋 |𝑓 |
𝑔
sont mesurables.

Corollaire 2.1.9
(i) Soient 𝑓 : 𝑋 → C une fonction et ℑ( 𝑓 ) : 𝑋 → R, ℜ( 𝑓 ) : 𝑋 → R la partie
imaginaire et la partie réelle de 𝑓 . On a :

𝑓 mesurable ⇐⇒ ℑ( 𝑓 ) et ℜ( 𝑓 ) sont mesurables

 15

(ii) Soient 𝑓 : 𝑋 → C et 𝑔 : 𝑋 → C. Si 𝑓 et 𝑔 sont mesurables alors les fonctions :

𝑓 +𝑔 𝑓𝑔 |𝑓 |

sont mesurables.
(iii) Si 𝑓 : 𝑋 → C est mesurable, il existe 𝛼 : 𝑥 → C mesurable telle que
∀𝑥 ∈ 𝑋 , | 𝛼 ( 𝑥 )| = 1 et 𝑓 = 𝛼 | 𝑓 |

Remarque 2.1.10 Pour le troisième point, il suffit de considérer :

 1 si 𝑥 ∈ 𝐴



𝐴 = { 𝑥 ∈ 𝑋 | 𝑓 ( 𝑥 ) = 0} et 𝛼 ( 𝑥 ) = 𝑓 ( 𝑥 ) si 𝑥 ∉ 𝐴

 𝑓 (𝑥)


Proposition 2.1.11 Soit ( 𝑋 , M) un espace mesurable et 𝑓𝑛 : 𝑋 → R une suite de

fonctions mesurables, alors :
sup 𝑓𝑛 inf 𝑓𝑛
𝑛∈N 𝑛∈N

sont mesurables.
De plus, si 𝑓𝑛 converge simplement vers une fonction 𝑓 (c’est-à-dire si ∀𝑥 ∈ 𝑋 ,
𝑓 ( 𝑥 ) = lim 𝑓𝑛 ( 𝑥 )) alors 𝑓 est mesurable.
𝑛→∞

2.2. Les fonctions étagées

2.2.1. Généralités

Définition 2.2.1 Soit ( 𝑋 , M) un espace mesurable.

On dit qu’une application 𝑓 : 𝑋 → R est étagée si 𝑓 ne prend qu’un nombre fini de
valeurs.
En notant 𝛼1 , . . . , 𝛼𝑛 les valeurs de 𝑓 et pour tout 𝑖 ∈ {1, . . . , 𝑛} 𝐴𝑖 = 𝑓 −1 ( 𝛼𝑖 ), on a
donc :
𝑛
∑︁
𝑓 = 𝛼𝑖 1 𝐴 𝑖
𝑖 =1

Proposition 2.2.2 Soit 𝑓 : ( 𝑋 , M) → R+ une fonction mesurable.

Alors, il existe une suite croissante de fonctions (mesurables) étagées qui converge
vers 𝑓 .
16 2. Théorie générale de l’intégration

2.2.2. Définition de l’intégrale d’une fonction étagée positive

Définition 2.2.3 Soit 𝑓 : ( 𝑋 , M , 𝜇) → R+ une fonction (mesurable) étagée.

On appelle intégrale de 𝑓 pour la mesure 𝜇 la quantité :
∫ 𝑛
∑︁
𝑓 𝑑𝜇 = 𝛼𝑖 𝜇 ( 𝐴 𝑖 )
𝑖 =1

𝑛
Í
où 𝑓 = 𝛼𝑖 1 𝐴 𝑖
𝑖 =1

Définition 2.2.4 On notera E+ l’ensemble des fonctions (mesurables) étagées sur

𝑋 à valeurs dans R+ .

Proposition 2.2.5 Nous avons les propriétés suivantes :

(i) Pour tout 𝑓 , 𝑔 ∈ E+ :
∫ ∫ ∫
( 𝑓 + 𝑔 ) 𝑑𝜇 = 𝑓 𝑑𝜇 + 𝑔 𝑑𝜇

(ii) Pour tout 𝑓 ∈ E+ , 𝜆 ∈ R+ :

∫ ∫
𝜆𝑓 𝑑𝜇 = 𝜆 𝑓 𝑑𝜇

(iii) Pour tout 𝑓 , 𝑔 ∈ E+ telles que 𝑓 ≤ 𝑔 :

∫ ∫
𝑓 𝑑𝜇 ≤ 𝑔 𝑑𝜇

2.3. Intégration des fonctions mesurables positives

Dans toute la suite, ( 𝑋 , M , 𝜇) désigne un espace mesuré.

2.3.1. Définitions et théorème de convergence monotone

 17

Définition 2.3.1 Soit 𝑓 : 𝑋 → R+ une fonction mesurable.

On appelle intégrale de 𝑓 sur 𝑋 , pour la mesure 𝜇, la quantité :
∫ ∫ 
𝑓 𝑑𝜇 = sup ℎ𝑑𝜇 | ℎ ∈ E+ , ℎ ≤ 𝑓 ∈ R+

Si 𝐸 ⊂ 𝑋 , on note aussi : ∫ ∫
𝑓 𝑑𝜇 = 𝑓 1 𝐸 𝑑𝜇
𝐸

Remarque
∫ 2.3.2
∫ Cette intégrale possède la propriété de la monotonie : si 𝑓 ≤ 𝑔
alors 𝑓 𝑑𝜇 ≤ 𝑔 𝑑𝜇, mais également de l’additivité.

Théorème 2.3.3 (Beppo-Levi) Soit 𝑓𝑛 : 𝑋 → R+ une suite croissante de fonc-

tions mesurables positive qui converge simplement vers une fonction 𝑓 .
Alors 𝑓 est mesurable positive et :
∫ ∫
𝑓 𝑑𝜇 = lim 𝑓𝑛 𝑑𝜇
𝑋 𝑛→∞ 𝑋

Corollaire 2.3.4 Soit ( 𝑓𝑛 )𝑛∈N une suite de fonctions mesurables positives et soit
Í
𝑓 = 𝑓𝑛 .
𝑛∈N
Alors, 𝑓 est mesurable et :
∫ ∑︁ ∫
𝑓 𝑑𝜇 = 𝑓𝑛 𝑑𝜇
𝑛∈N

Remarque 2.3.5 Les deux énoncés suivants sont des théorèmes qui permettent
d’intervertir limite et intégrale ou encore somme et intégrale.

2.3.2. Propriétés de l’intégrale

Définition 2.3.6 Dans un espace mesuré ( 𝑋 , M , 𝜇), on dit qu’une propriété 𝑃 ( 𝑥 )

pour 𝑥 ∈ 𝑋 est vraie presque partout (ou 𝜇-presque partout) si elle est vraie en
dehors d’un ensemble négligeable, c’est-à-dire s’il 𝐸 ⊂ 𝑋 tel que 𝜇 ( 𝐸 ) = 𝑂 et tel
que ∀𝑥 ∈ 𝑋 \ 𝐸 , 𝑃 ( 𝑥 ) est vraie.
18 2. Théorie générale de l’intégration

Proposition 2.3.7 Soit 𝑓 : 𝑋 → R+ une fonction mesurable.

(i) Pour tout 𝑎 > 0 :
  ∫
 1
𝜇 𝑥 ∈ 𝑋 | 𝑓 (𝑥) ≥ 𝑎 ≤ 𝑓 𝑑𝜇
𝑎
∫
(ii) 𝑓 𝑑𝜇 = 0 ⇐⇒ 𝑓 = 0 presque partout
∫


(iii) 𝑓 𝑑𝜇 < ∞ =⇒ 𝑓 < ∞ presque partout
(iv) Si 𝑓 : 𝑋 → R+ et 𝑔 : 𝑋 → R+ sont mesurables, alors :
  ∫ ∫ 
𝑓 = 𝑔 presque partout =⇒ 𝑓 𝑑𝜇 = 𝑔 𝑑𝜇

Lemme 2.3.8 (de Fatou) Soit 𝑓𝑛 : 𝑋 → R+ une suite de fonctions mesurables

positives. Alors :
∫ ∫


lim inf 𝑓𝑛 𝑑𝜇 ≤ lim inf 𝑓𝑛 𝑑𝜇
𝑛→∞ 𝑛→∞

Remarque 2.3.9 Ce lemme sera principalement utilisé dans l’objectif de minorer la

quantité de droite lorsque la quantité de gauche tends vers ∞.

2.4. Fonctions intégrables à valeurs dans R ou C

Dans toute la suite, ( 𝑋 , M , 𝜇) désigne un espace mesuré.

2.4.1. Cas de R
Définition 2.4.1 Soit 𝑓 : 𝑋 → R une fonction mesurable.
On dit que 𝑓 est intégrable par rapport à 𝜇 lorsque :
∫
| 𝑓 | 𝑑𝜇 < ∞

Dans ce cas, on pose : ∫ ∫ ∫

𝑓 𝑑𝜇 = 𝑓+ 𝑑𝜇 − 𝑓− 𝑑𝜇
où 𝑓+ = 𝑚𝑎𝑥 ( 𝑓 , 0) et 𝑓− = 𝑚𝑎𝑥 (− 𝑓 , 0).
On notera L 1 ( 𝑋 , M , 𝜇) l’espace des fonctions intégrables sur 𝑋 .
 19

Proposition 2.4.2
∫
(i) L 1 ( 𝑋 , M , 𝜇) est un R-espace vectoriel et l’application 𝑓 ↦→ 𝑓 𝑑𝜇 est linéaire.
∫ ∫
(ii) Pour toute fonction 𝑓 ∈ L 1 ( 𝑋 , M , 𝜇), 𝑓 𝑑𝜇 ≤ 𝑓 𝑑𝜇
∫ ∫
(iii) Si 𝑓 , 𝑔 ∈ L 1 ( 𝑋 , M , 𝜇) telles que 𝑓 ≤ 𝑔 alors 𝑓 𝑑𝜇 ≤ 𝑔 𝑑𝜇
∫ ∫
(iv) Si 𝑓 , 𝑔 ∈ L 1 ( 𝑋 , M , 𝜇) telles que 𝑓 = 𝑔 presque partout, alors 𝑓 𝑑𝜇 = 𝑔 𝑑𝜇

2.4.2. Cas de C

Définition 2.4.3 Soit 𝑓 : 𝑋 → C une fonction mesurable.

On dit que 𝑓 est intégrable par rapport à 𝜇 lorsque :
∫
| 𝑓 | 𝑑𝜇 < ∞

où | · | désigne le module.
Dans ce cas, on pose :
∫ ∫ ∫
𝑓 𝑑𝜇 = ℜ( 𝑓 ) 𝑑𝜇 + 𝑖 ℑ( 𝑓 ) 𝑑𝜇

On notera LC1 ( 𝑋 , M , 𝜇) l’espace des fonctions intégrables sur 𝑋 .

Proposition 2.4.4
∫
(i) LC1 ( 𝑋 , M , 𝜇) est un C-espace vectoriel et l’application 𝑓 ↦→ 𝑓 𝑑𝜇 est linéaire.
∫ ∫
(ii) Pour toute fonction 𝑓 ∈ LC1 ( 𝑋 , M , 𝜇), 𝑓 𝑑𝜇 ≤ 𝑓 𝑑𝜇
∫ ∫
(iii) Si 𝑓 , 𝑔 ∈ LC1 ( 𝑋 , M , 𝜇) telles que 𝑓 = 𝑔 presque partout, alors 𝑓 𝑑𝜇 = 𝑔 𝑑𝜇

2.4.3. Théorème de la convergence dominée

Théorème 2.4.5 Soient ( 𝑋 , M , 𝜇) un espace mesuré et 𝑓𝑛 : 𝑋 → C une suite de

fonctions mesurables. On suppose :
(i) Pour presque tout 𝑥 ∈ 𝑋 , 𝑓 ( 𝑥 ) = lim 𝑓𝑛 ( 𝑥 ) existe
𝑛→∞
(ii) Il existe 𝑔 : 𝑋 → R+ intégrable telle que pour presque tout 𝑥 ∈ 𝑋 et
∀𝑛 ∈ N, | 𝑓𝑛 ( 𝑥 )| ≤ 𝑔 ( 𝑥 ) □
20 2. Théorie générale de l’intégration

Alors, 𝑓 : 𝑋 → C est intégrable, et on a :

∫ ∫ ∫
𝑓 𝑑𝜇 = lim 𝑓𝑛 𝑑𝜇 et lim | 𝑓𝑛 − 𝑓 | 𝑑𝜇 = 0
𝑛→∞ 𝑛→∞

Corollaire 2.4.6 Soit 𝑓𝑛 : 𝑋 → C une suite de fonctions intégrables telles que :

∑︁ ∫
| 𝑓𝑛 | 𝑑𝜇 < ∞
𝑛∈N
Í
Alors, la série 𝑓𝑛 ( 𝑥 ) converge absolument pour presque tout 𝑥 ∈ 𝑋 vers une
𝑛∈N
fonction 𝑓 intégrable et on a :
∫ ∑︁ ∫
𝑓 𝑑𝜇 = 𝑓𝑛 𝑑𝜇
𝑛∈N

2.5. Applications

2.5.1. Intégrales dépendant d’un paramètre

Soient ( 𝑋 , M , 𝜇) un espace mesuré et ( 𝐸, 𝑑 ) un espace métrique.

On va considérer une fonction
(
𝑋 ×𝐸 →C
𝑓 :
( 𝑥, 𝑡 ) ↦→ 𝑓 ( 𝑥, 𝑡 )

Si l’on suppose que la fonction 𝑥 ↦→ 𝑓 ( 𝑥, 𝑦 ) est intégrable sur 𝑋 pour la mesure 𝜇,

alors on peut définir la fonction 𝐹 : 𝐸 → C par :
∫
∀𝑡 ∈ 𝐸, 𝐹 ( 𝑡 ) = 𝑓 ( 𝑥, 𝑡 ) 𝑑𝑥
𝑋

∫ ∫ ∫
On notera indiféremment 𝑔 𝑑𝜇 = 𝑔 ( 𝑥 ) 𝑑𝜇 𝑥 = 𝑔 ( 𝑥 ) 𝑑𝑥 .
Dans la suite, nous allons étudier la continuité et la dérivabilité de 𝐹 .
 21

Théorème 2.5.1 Soit 𝐼 ⊂ 𝐸 un intervalle.

On suppose :
(i) Pour presque tout 𝑥 ∈ 𝑋 , 𝑡 ↦→ 𝑓 ( 𝑥, 𝑡 ) est continue sur 𝐼 .
(ii) Il existe 𝑔 : 𝑋 → R+ intégrable telle que pour tout 𝔱 ∈ 𝐼 , on a :

| 𝑓 ( 𝑥, 𝑡 )| ≤ 𝑔 ( 𝑥 ) pour presque tout 𝑥 ∈ 𝑋

∫
Alors, 𝑡 ↦→ 𝑋
𝑓 ( 𝑥, 𝑡 ) 𝑑𝑥 est continue sur 𝐼 . □

Théorème 2.5.2 Soit 𝐼 ⊂ 𝐸 un intervalle.

On suppose
𝜕𝑓
(i) Pour presque tout 𝑥 ∈ 𝑋 , 𝑡 ↦→ 𝑓 ( 𝑥, 𝑡 ) est dérivable sur 𝐼 . Notons 𝜕𝑡 la dérivée.
(ii) Il existe 𝑔 : 𝑋 → R+ intégrable telle que pour tout 𝑡 ∈ 𝐼 , on a :

𝜕
𝑓 ( 𝑥, 𝑡 ) ≤ 𝑔 ( 𝑥 ) pour presque tout 𝑥 ∈ 𝑋
𝜕𝑡
∫
Alors, 𝑡 ↦→ 𝑋
𝑓 ( 𝑥, 𝑡 ) 𝑑𝑥 est dérivable sur 𝐼 et :
∫
′ 𝜕
∀𝑡 ∈ 𝐼 , 𝐹 ( 𝑡 ) = 𝑓 ( 𝑥, 𝑡 ) 𝑑𝑥
𝑋 𝜕𝑡

Remarque ∫ 2.5.3 Dans les deux théorèmes précédents, nous faisons intervenir la
quantité 𝑋 𝑓 ( 𝑥, 𝑡 ) 𝑑𝑥 . De ce fait, il est important de remarquer qu’il faut vérifier que
l’application 𝑥 ↦→ 𝑓 ( 𝑥, 𝑡 ) est intégrable sur 𝑋 .
3. Intégration sur les espaces
produits

3.1. Produit d’espaces mesurables

Définition 3.1.1 Soient ( 𝑋1 , M1 ) et ( 𝑋2 , M2 ) deux espaces mesurables.

On munit 𝑋1 × 𝑋2 de la tribu produit M1 ⊗ M2 définie par :


M 1 ⊗ M 2 = T 𝐴1 × 𝐴2 | 𝐴1 ∈ M 1 , 𝐴 2 ∈ M 2

Remarque 3.1.2 On étend facilement la définition de la tribu produit à un nombre

fini d’espaces mesurables ( 𝑋1 , M1 ) , . . . , ( 𝑋𝑛 , M𝑛 ), en posant :


M1 ⊗ . . . ⊗ M𝑛 = T 𝐴1 × . . . × 𝐴𝑛 | ∀𝑖 ∈ {1, . . . , 𝑛}, 𝐴𝑖 ∈ M 𝑖 ,

Proposition 3.1.3



M1 ⊗ M2 ⊗ M3 = M1 ⊗ M2 ⊗ M3 = M1 ⊗ M2 ⊗ M3

Proposition 3.1.4 Pour 𝑋1 = R𝑛 et 𝑋2 = R𝑚 , on peut munir 𝑋1 × 𝑋2 = R𝑛+𝑚 soit

de la tribu B (R𝑛+𝑚 ) soit de la tribu produit B (R𝑛 ) ⊗ B (R𝑚 ), on a :

B (R𝑛+𝑚 ) = B (R𝑛 ) ⊗ B (R𝑚 )

Notation 3.1.5 Si ( 𝑋 , M) et (𝑌 , N ) sont deux espaces mesurables, et si 𝐸 ⊂ 𝑋 ×𝑌 ,

on note : 
𝐸𝑥 = 𝑦 ∈ 𝑌 | ( 𝑥, 𝑦 ) ∈ 𝐸 pour 𝑥 ∈ 𝑋

𝐸𝑦 = 𝑥 ∈ 𝑋 | ( 𝑥, 𝑦 ) ∈ 𝐸 pour 𝑦 ∈ 𝑌
Et si l’on considère 𝑓 : 𝑋 × 𝑌 → 𝑍 où 𝑍 est un espace quelconque, on définit :
 23

(
𝑌 →𝑍
∀𝑥 ∈ 𝑋 , 𝑓𝑥 :
𝑦 ↦→ 𝑓 ( 𝑥, 𝑦 )
(
𝑋 →𝑍
∀𝑦 ∈ 𝑌 , 𝑓𝑦 :
𝑥 ↦→ 𝑓 ( 𝑥, 𝑦 )

Proposition 3.1.6 Soient ( 𝑋 , M) et (𝑌 , N ) deux espaces mesurables.

(i) Si 𝐸 ∈ M ⊗ N , alors :

∀ 𝑥 ∈ 𝑋 , 𝐸𝑥 ∈ N et ∀𝑦 ∈ 𝑌 , 𝐸𝑦 ∈ M

(ii) Si 𝑍 est un espace mesurable et si 𝑓 : 𝑋 × 𝑌 → 𝑍 est mesurable pour la tribu

produit M ⊗ N , alors :

∀𝑥 ∈ 𝑋 , 𝑓𝑥 est mesurable

∀𝑦 ∈ 𝑌 , 𝑓𝑦 est mesurable

3.2. Mesure produit

Définition 3.2.1 On dit qu’un espace mesuré ( 𝑋 , M , 𝜇) est 𝜎 -fini s’il existe une
suite croissante de parties mesurables ( 𝐸𝑛 )𝑛∈N telle que :
Ø
∀𝑛 ∈ N, 𝜇 ( 𝐸𝑛 ) < ∞ et 𝑋 = 𝐸𝑛
𝑛∈N

Théorème 3.2.2 Soient ( 𝑋 , M , 𝜇) et (𝑌 , N , 𝜈 ) deux espaces mesurés 𝜎 -finis.

Alors :
(i) Il existe une unique mesure 𝑚 sur ( 𝑋 × 𝑌 , M ⊗ N ) telle que :

∀ 𝐴 ∈ M , ∀𝐵 ∈ N , 𝑚 ( 𝐴 × 𝐵 ) = 𝜇 ( 𝐴) 𝜈 ( 𝐵 )

(ii) Pour tout 𝐸 ∈ M ⊗ N , on a :

∫ ∫
𝑚( 𝐸 ) = 𝜈 ( 𝐸𝑥 ) 𝑑𝜇 𝑥 = 𝜇 ( 𝐸𝑦 ) 𝑑𝜈𝑦
𝑋 𝑌
24 3. Intégration sur les espaces produits

3.3. Théorème de Fubini

3.3.1. Énoncés des théorèmes

Théorème 3.3.1 (Fubini-Tonelli) Soient ( 𝑋 , M , 𝜇), (𝑌 , N , 𝜈 ) deux espaces me-

surés 𝜎 -finis et 𝑓 : 𝑋 × 𝑌 → R+ une fonction M ⊗ N -mesurable. Alors :
(i) Les fonctions :
( (
( 𝑋 , M) → R+ (𝑌 , N ) → R+
∫ et ∫
𝑥 ↦→ 𝑌 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜈𝑦 𝑦 ↦→ 𝑋 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜇 𝑥

sont mesurables.
(ii) On a les égalités suivantes :
∫ ∫ ∫  ∫ ∫ 
𝑓 𝑑 ( 𝜇 ⊗ 𝜈) = 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜈𝑦 𝑑𝜇 𝑥 = 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜇 𝑥 𝑑𝜈𝑦
𝑋 ×𝑌 𝑋 𝑌 𝑌 𝑋

Remarque 3.3.2 De même que pour le théorème de Beppo-Levi, lorsque l’on a des
fonctions mesurables positives, il n’y a aucune précaution à prendre.

Théorème 3.3.3 (Fubini-Lebesgue) Soient ( 𝑋 , M , 𝜇), (𝑌 , N , 𝜈 ) deux espaces

mesurés 𝜎 -finis et 𝑓 : 𝑋 × 𝑌 → R ou C une fonction intégrable (par rapport à 𝜇 ⊗ 𝜈 ),
𝑖.𝑒. 𝑓 ∈ L 1 ( 𝑋 × 𝑌 , M ⊗ N , 𝜇 ⊗ 𝜈 ). Alors :
(i) a) Pour presque tout 𝑥 ∈ 𝑋 , la fonction 𝑦 ↦→ 𝑓 ( 𝑥, 𝑦 ) est dans L 1 (𝑌 , N , 𝜈 )
b) Pour presque tout 𝑦 ∈ 𝑌 , la fonction 𝑥 ↦→ 𝑓 ( 𝑥, 𝑦 ) est dans L 1 ( 𝑋 , M , 𝜇)
∫
(ii) a) La fonction 𝑥 → ↦ 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜈𝑦 est dans L 1 ( 𝑋 , M , 𝜇)
∫𝑌
b) La fonction 𝑦 ↦→ 𝑋 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜇 𝑥 est dans L 1 (𝑌 , N , 𝜈 ) □
(iii) On a les égalités suivantes :
∫ ∫ ∫  ∫ ∫ 
𝑓 𝑑 ( 𝜇 ⊗ 𝜈) = 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜈𝑦 𝑑𝜇 𝑥 = 𝑓 ( 𝑥, 𝑦 ) 𝑑𝜇 𝑥 𝑑𝜈𝑦
𝑋 ×𝑌 𝑋 𝑌 𝑌 𝑋

Remarque 3.3.4 Il est nécessaire d’avoir ces deux théorèmes de Fubini. En effet,
si nous nous retrouvons avec une fonction 𝑓 pouvant prendre des valeurs négatives,
alors nous devrons utiliser le théorème de Fubini-Lebesgue.
Or, pour utiliser ce dernier, il est nécessaire que 𝑓 soit intégrable, afin de le montrer,
nous allons utiliser le théorème de Fubini-Tonelli sur | 𝑓 |.
Cela nous permettra soit de calculer directement l’intégrale de | 𝑓 |, soit de la majorer
par une constante finie.
4. Changements de variables dans
R𝒅

4.1. La formule de changement de variables

Définition 4.1.1 Soient 𝑈 et 𝑉 deux ouverts non vides de R𝑑 .

On dit que 𝜑 : 𝑈 → 𝑉 est un C 1 -difféomorphisme si :
(i) L’application 𝜑 est bijective
(ii) L’application 𝜑 est de classe C 1
(iii) L’application 𝜑 −1 est de classe C 1

Remarque 4.1.2 Si l’application 𝜑 : 𝑈 → 𝑉 vérifie (i) et (ii), alors 𝜑 vérifie (iii) si

et seulement si pour tout 𝑢 ∈ 𝑈 , 𝐽𝜑 ( 𝑢) ≠ 0.
Où 𝐽𝜑 est la matrice jacobienne de 𝜑 .

Théorème 4.1.3 Soient 𝑈 et 𝑉 deux ouverts de R𝑑 et 𝜑 : 𝑈 → 𝑉 un

C 1 -difféomorphisme.
(i) Si 𝑓 : 𝑉 → R+ est une application mesurable, alors ( 𝑓 ◦ 𝜑 ) × | 𝐽𝜑 | : 𝑈 → R+
est mesurable et :
∫ ∫


𝑓 ( 𝑣 ) 𝑑𝑣 = 𝑓 𝜑 ( 𝑢) 𝐽𝜑 ( 𝑢) 𝑑𝑢
𝑉 𝑈

(ii) Si 𝑓 : 𝑉 → R ou C est une application intégrable, alors ( 𝑓 ◦ 𝜑 ) × | 𝐽𝜑 | : 𝑈 → R

ou C est intégrable, et :
∫ ∫


𝑓 ( 𝑣 ) 𝑑𝑣 = 𝑓 𝜑 ( 𝑢) 𝐽𝜑 ( 𝑢) 𝑑𝑢
𝑉 𝑈
26 4. Changements de variables dans R𝑑

4.2. Applications

4.2.1. Coordonées polaires dans R2

Dans toute cette partie, on considèrera :

𝑈 = {( 𝑟, 𝜃 ) | 0 < 𝑟 < ∞, − 𝜋 < 𝜃 < 𝜋 } et 𝑉 = R2 \{( 𝑥, 0) | 𝑥 ≤ 0}

Et l’application 𝜑 définie ainsi :

(
𝑈 →𝑉
𝜑:

( 𝑟, 𝜃 ) ↦→ 𝑟 𝑐𝑜𝑠 ( 𝜃 ) , 𝑟 𝑠𝑖𝑛 ( 𝜃 )

Corollaire 4.2.1 Si 𝑓 est une fonction mesurable positive ou intégrable sur R2 ,

alors : ∫ ∫


𝑓 ( 𝑥, 𝑦 ) 𝑑𝑥 𝑑𝑦 = 𝑓 𝑟 𝑐𝑜𝑠 ( 𝜃 ) , 𝑟 𝑠𝑖𝑛 ( 𝜃 ) × 𝑟 𝑑𝑟 𝑑𝜃
R2 𝑈

Remarque 4.2.2 La jacobienne de 𝜑 vaut 𝑟 > 0 pour ( 𝑟, 𝜃 ) ∈ 𝑈 .

Remarque 4.2.3 Ce changement de variable est très utile lorsqu’apparaît dans

l’expression de 𝑓 𝑥 2 + 𝑦 2 .

4.2.2. Coordonnées sphériques dans R3

Dans toute cette partie, on considèrera :


𝑈 = ( 𝑟, 𝜃, 𝜑 ) | 0 < 𝑟 < ∞, 0 < 𝜃 < 𝜋, − 𝜋 < 𝜑 < 𝜋

𝑉 = R3 \{( 𝑥, 0, 𝑧 ) | 𝑥 ≤ 0, 𝑧 ∈ R}
 27

Et l’application 𝛹 :
(
𝑈 →𝑉
𝛹:

( 𝑟, 𝜃, 𝜑 ) ↦→ 𝑟 𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜑, 𝑟 𝑠𝑖𝑛𝜃 𝑠𝑖𝑛𝜑, 𝑟 𝑐𝑜𝑠𝜃

Corollaire 4.2.4 Si 𝑓 est une fonction mesurable positive ou intégrable définie sur
R3 , alors :
∫ ∫
𝑓 𝑟 𝑠𝑖𝑛𝜃 𝑐𝑜𝑠𝜑, 𝑟 𝑠𝑖𝑛𝜃 𝑠𝑖𝑛𝜑, 𝑟 𝑐𝑜𝑠𝜃 × 𝑟 2 𝑠𝑖𝑛𝜃 𝑑𝑟 𝑑𝜃 𝑑𝜑


𝑓 ( 𝑥, 𝑦, 𝑧 ) 𝑑𝑥 𝑑𝑦𝑑𝑧 =
R3 𝑈

Remarque 4.2.5 La jacobienne de 𝛹 vaut 𝑟 2 𝑠𝑖𝑛𝜃 > 0 pour ( 𝑟, 𝜃, 𝜑 ) ∈ 𝑈 .

5. Espaces L 𝒑 et 𝑳 𝒑

5.1. Généralités sur les espaces L 𝒑 et 𝑳 𝒑

Dans tout ce chapitre, on considère un espace mesuré ( 𝑋 , M , 𝜇), et on notera K = R
ou C.

Définition 5.1.1 Soit 𝑝 ∈ [1, +∞[. On définit :

 ∫ 
𝑝 𝑝
L ( 𝑋 , M , 𝜇) = 𝑓 : 𝑋 → K mesurable, | 𝑓 | 𝑑𝜇 < ∞
𝑋

Pour 𝑓 ∈ L 𝑝 ( 𝑋 , M , 𝜇), on note :

∫  1𝑝
𝑝
∥ 𝑓 ∥ 𝑝= | 𝑓 | 𝑑𝜇
𝑋

Définition 5.1.2 On dit qu’une fonction 𝑓 : 𝑋 → K est essentiellement bornée s’il

existe 𝐴 ≥ 0 tel que | 𝑓 | ≤ 𝐴 𝜇-presque partout, c’est-à-dire lorsque :


𝜇 { 𝑥 ∈ 𝑋 | | 𝑓 ( 𝑥 )| > 𝐴} = 0

On note L ∞ l’ensemble des fonctions essentiellement bornée sur 𝑋 .

Pour 𝑓 ∈ L ∞ ( 𝑋 , M , 𝜇), on note :


∥ 𝑓 ∥ ∞ = inf { 𝐴 ≥ 0 | | 𝑓 | ≤ 𝐴 𝜇-presque partout}

Remarque 5.1.3 La norme infini définie précédemment est donc le plus petit réel 𝐴
qui majore | 𝑓 | presque partout, de sorte que pour 𝜇-presque tout 𝑥 ∈ 𝑋 , | 𝑓 ( 𝑥 )| ≤ ∥ 𝑓 ∥ ∞

Définition 5.1.4 On dit que 𝑝, 𝑞 ∈ [1, +∞] sont des exposants conjugués si :
1 1
+ =1
𝑝 𝑞
1
avec la convention ∞ = 0.
 29

Proposition 5.1.5 (Inégalité de Hölder) Soient 𝑝, 𝑞 des exposants conjugués.

Si 𝑓 , 𝑔 : 𝑋 → K sont des applications mesurables, alors :

∥ 𝑓 𝑔 ∥1 ≤ ∥ 𝑓 ∥ 𝑝 ∥ 𝑔 ∥ 𝑞

En particulier, on a :
   
𝑝 𝑞 1
𝑓 ∈ L ( 𝑋 , M , 𝜇) et 𝑔 ∈ L ( 𝑋 , M , 𝜇) =⇒ 𝑓 𝑔 ∈ L ( 𝑋 , M , 𝜇)

Proposition 5.1.6 (Inégalité de Minkowski) Soit 𝑝 ∈ [1, +∞].

Si 𝑓 , 𝑔 : 𝑋 → K sont deux applications mesurables, alors :

∥ 𝑓 + 𝑔 ∥ 𝑝 ≤ ∥ 𝑓 ∥ 𝑝 +∥ 𝑔 ∥ 𝑝

En particulier, on a :
   
𝑝 𝑝 𝑝
𝑓 ∈ L ( 𝑋 , M , 𝜇) et 𝑔 ∈ L ( 𝑋 , M , 𝜇) =⇒ 𝑓 + 𝑔 ∈ L ( 𝑋 , M , 𝜇)

Remarque 5.1.7 Pour 𝑝 ∈ [1, +∞], il suit de l’inégalité de Minkowski que L 𝑝 , ( 𝑋 , M , 𝜇)

est un espace vectoriel, et que l’application 𝑓 ↦→ ∥ 𝑓 ∥ 𝑝 est une semi-norme, c’est-à-dire
qu’elle vérifie :
(i) Pour toute application 𝑓 ∈ L 𝑝 , ( 𝑋 , M , 𝜇), ∥ 𝜆𝑓 ∥ 𝑝 = | 𝜆 |∥ 𝑓 ∥ 𝑝
(ii) Pour toute application 𝑓 , 𝑔 ∈ L 𝑝 , ( 𝑋 , M , 𝜇), ∥ 𝑓 + 𝑔 ∥ 𝑝 ≤ ∥ 𝑓 ∥ 𝑝 +∥ 𝑔 ∥ 𝑝
La condition ∥ 𝑓 ∥ 𝑝 = 0 ⇐⇒ 𝑓 ( 𝑥 ) = 0 est vraie pour 𝜇-presque tout 𝑥 ∈ 𝑋 . Ce qui ne
permet pas à ∥·∥ 𝑝 d’être une norme.
De ce fait, nous allons définir la relation d’équivalence suivante.

Définition 5.1.8 On définit sur L 𝑝 , ( 𝑋 , M , 𝜇) la relation d’équivalence ∼ suivante :

𝑓 ∼ 𝑔 ⇐⇒ 𝑓 ( 𝑥 ) = 𝑔 ( 𝑥 ) 𝜇-presque partout ⇐⇒ ∥ 𝑓 − 𝑔 ∥ 𝑝 = 0

La classe d’équivalence de 𝑓 ∈ L 𝑝 , ( 𝑋 , M , 𝜇) est donc :

[ 𝑓 ] = { 𝑔 ∈ L 𝑝 , ( 𝑋 , M , 𝜇) | 𝑔 ( 𝑥 ) = 𝑓 ( 𝑥 ) 𝜇-presque partout}

Définition 5.1.9 Soit 𝑝 ∈ [1, +∞].

On définit 𝐿 𝑝 ( 𝑋 , M , 𝜇) comme le quotient de L 𝑝 , ( 𝑋 , M , 𝜇) par ∼ :

𝐿 𝑝 ( 𝑋 , M , 𝜇) = [ 𝑓 ] 𝑓 ∈ L 𝑝 , ( 𝑋 , M , 𝜇)
30 5. Espaces L 𝑝 et 𝐿 𝑝

Remarque 5.1.10 Lorsque l’on travaille avec des éléments de 𝐿 𝑝 ( 𝑋 , M , 𝜇), on

raisonne avec des classes d’équivalences. Mais dans toute la suite, on identifiera la
classe d’équivalence avec l’une de ses fonctions représentatives. Cependant, on ne
pourra pas évaluer une fonction de 𝐿 𝑝 ( 𝑋 , M , 𝜇) en un point. En effet, deux fonctions
dans la même classe d’équivalence peuvent différer sur un ensemble de points de
mesure nulle.
Remarque 5.1.11 L’espace L 𝑝 ( 𝑋 , M , 𝜇) est un espace vectoriel normé, avec les
opérations d’espace vectoriel :
[ 𝑓 + 𝑔] = [ 𝑓 ] + [ 𝑔] , [ 𝜆𝑓 ] = 𝜆 [ 𝑓 ]
et la norme :
∥ [ 𝑓 ] ∥ 𝑝= ∥ 𝑓 ∥ 𝑝

Théorème 5.1.12 L’espace 𝐿 𝑝 ( 𝑋 , M , 𝜇) est un espace de Banach pour tout 𝑝 ∈

[1, +∞]. □

5.2. Inclusions des espaces L 𝒑 et 𝑳 𝒑

Proposition 5.2.1 On suppose 𝜇 ( 𝑋 ) < ∞.

Si 𝑓 ∈ L 𝑝 ( 𝑋 , M , 𝜇), alors pour tout 𝑞 ∈ [1, 𝑝], 𝑓 ∈ L 𝑞 ( 𝑋 , M , 𝜇).
On a l’emboîtement suivant pour 𝑝 ≥ 𝑞 :

L ∞ ( 𝑋 , M , 𝜇) ⊂ L 𝑝 ( 𝑋 , M , 𝜇) ⊂ L 𝑞 ( 𝑋 , M , 𝜇) ⊂ L 1 ( 𝑋 , M , 𝜇)

5.3. Espace 𝒍 𝒑 (N)

Définition 5.3.1 Si l’on considère 𝑋 = N et M = P (N) et 𝜇 la mesure de comptage.

On note pour 𝑝 ∈ [1, +∞] :

𝑙 𝑝 (N) = L 𝑝 ( 𝑋 , M , 𝜇)

Autrement dit : 
𝑙 𝑝 (N) = ( 𝑎𝑛 )𝑛∈N | ∥ 𝑎 ∥ 𝑝 < ∞
où :
𝑛
 ∑︁  1𝑝
𝑝
𝑎 = ( 𝑎𝑛 )𝑛∈N , ∥ 𝑎 ∥ 𝑝 = | 𝑎𝑘 | si 𝑝 < ∞ et ∥ 𝑎 ∥ ∞ = sup | 𝑎𝑛 |
𝑘 =0 𝑛∈N
 31

Remarque 5.3.2 Dans ce cas, on a l’emboîtement suivant pour 𝑝 ≥ 𝑞 :

𝑙 1 (N) ⊂ 𝑙 𝑞 (N) ⊂ 𝑙 𝑝 (N) ⊂ 𝑙 ∞ (N)

 Deuxième partie

Topologie générale
6. Espaces métriques et espaces
topologiques

6.1. Espaces métriques

6.1.1. Définitions

Définition 6.1.1 Soit 𝑋 un ensemble.

Une distance sur 𝑋 est une application 𝑑 : 𝑋 × 𝑋 → R+ vérifiant pour tout
𝑥, 𝑦, 𝑧 ∈ 𝑋 :
(i) 𝑑 ( 𝑥, 𝑦 ) = 0 ⇐⇒ 𝑥 = 𝑦
(ii) 𝑑 ( 𝑥, 𝑦 ) = 𝑑 ( 𝑦, 𝑥 )
(iii) 𝑑 ( 𝑥, 𝑧 ) ≤ 𝑑 ( 𝑥, 𝑦 ) + 𝑑 ( 𝑦, 𝑧 )
Dans ce cas, on dit que ( 𝑋 , 𝑑 ) est un espace métrique.

6.1.2. Boules

Définition 6.1.2 Soient ( 𝑋 , 𝑑 ) un espace métrique, 𝑥 ∈ 𝑋 et 𝑟 > 0.

(i) On appelle boule ouverte de centre 𝑥 et de rayon 𝑟 l’ensemble :

𝐵 ( 𝑥, 𝑟 ) = { 𝑦 ∈ 𝑋 , 𝑑 ( 𝑥, 𝑦 ) < 𝑟 }

(ii) On appelle boule fermée de centre 𝑥 et de rayon 𝑟 l’ensemble :

𝐵 𝑓 ( 𝑥, 𝑟 ) = { 𝑦 ∈ 𝑋 , 𝑑 ( 𝑥, 𝑦 ) ≤ 𝑟 }

6.1.3. Parties bornées et fonctions bornées

34 6. Espaces métriques et espaces topologiques

Définition 6.1.3 Soit ( 𝑋 , 𝑑 ) un espace métrique.

On dit qu’une partie 𝐴 de 𝑋 est bornée s’il existe 𝑥0 ∈ 𝑋 et 𝑟 > 0 tel que :

∀𝑥 ∈ 𝐴, 𝑑 ( 𝑥0 , 𝑥 ) ≤ 𝑟

Autrement dit, 𝐴 est une partie bornée de 𝑋 s’il existe 𝑥0 ∈ 𝑋 et 𝑟 > 0 tel que :

𝐴 ⊂ 𝐵 𝑓 ( 𝑥0 , 𝑟 )

Définition 6.1.4 Soient ( 𝑋 , 𝑑 ) un espace métrique et 𝑌 un ensemble.

On dit qu’une fonction 𝑓 : 𝑌 → 𝑋 est bornée si son image 𝑓 (𝑌 ) est bornée.

6.1.4. Exemples

(i) Sur R, la distance usuelle est donnée pour tout 𝑥, 𝑦 ∈ R par 𝑑 ( 𝑥, 𝑦 ) = | 𝑥 − 𝑦 |.

(ii) Sur C, on remplace la valeur absolue par le module 𝑑 ( 𝑥, 𝑦 ) = | 𝑥 − 𝑦 |.
(iii) Sur K𝑛 avec K = R ou C, on peut définir plusieurs distances. Pour tout
𝑥 = ( 𝑥 1 , . . . , 𝑥 𝑛 ) ∈ K 𝑛 , 𝑦 = ( 𝑦1 , . . . , 𝑦 𝑛 ) ∈ K 𝑛 :
a)
𝑛
∑︁
𝑑1 ( 𝑥, 𝑦 ) = | 𝑥 𝑘 − 𝑦𝑘 |
𝑘 =1

b) Pour 𝑝 ∈ N\{1, 0} :

𝑛
 ∑︁  1𝑝
𝑝
𝑑 𝑝 ( 𝑥, 𝑦 ) = | 𝑥 𝑘 − 𝑦𝑘 |
𝑘 =1

c)
𝑑∞ ( 𝑥, 𝑦 ) = max | 𝑥𝑘 − 𝑦𝑘 |
𝑘 ∈[[1,𝑛]]

6.1.5. Distance entre deux parties et diamètre

Définition 6.1.5 Soient ( 𝑋 , 𝑑 ) un espace métrique, et 𝐴 et 𝐵 deux parties de 𝑋 .

On appelle distance entre 𝐴 et 𝐵 la quantité :

𝑑 ( 𝐴, 𝐵 ) = inf 𝑑 ( 𝑥, 𝑦 )
𝑥 ∈ 𝐴, 𝑦 ∈ 𝐵
 35

Définition 6.1.6 On appelle diamètre d’une partie 𝐴 de 𝑋 la quantité :

𝐷𝑖 𝑎𝑚 ( 𝐴) = sup 𝑑 ( 𝑥, 𝑦 )
𝑥,𝑦 ∈ 𝐴

Par ailleurs, cette partie 𝐴 est bornée si et seulement si son diamètre est fini.

6.1.6. Normes et espaces vectoriels normés

Dans toute cette partie, nous allons considérer un K-espace vectoriel 𝐸 avec K = R
ou C.

Définition 6.1.7 On appelle norme sur 𝐸 toute application ∥·∥: 𝐸 → R+ vérifiant

pour tout 𝑥, 𝑦 ∈ 𝐸 et pour tout 𝜆 ∈ K :
(i) ∥ 𝜆𝑥 ∥= | 𝜆 | × ∥ 𝑥 ∥
(ii) ∥ 𝑥 ∥= 0 =⇒ 𝑥 = 0
(iii) ∥ 𝑥 + 𝑦 ∥≤ ∥ 𝑥 ∥+∥ 𝑦 ∥
Le couple ( 𝐸, ∥·∥) est alors appelé espace vectoriel normé.

Proposition 6.1.8 Soit ( 𝐸, ∥) un espace vectoriel normé.

La quantité 𝑑 ( 𝑥, 𝑦 ) = ∥ 𝑥 − 𝑦 ∥ définit une distance sur 𝐸 .

Exemple 6.1.9 (i) Sur K𝑛 , pour 𝑝 ∈ N∗ , on a :

𝑛
 ∑︁  1𝑝
𝑝
∥ 𝑥 ∥= | 𝑥𝑘 |
𝑘 =1

(ii) On définie la norme infinie ainsi :

∥ 𝑥 ∥ ∞ = max | 𝑥𝑘 |
𝑘 ∈[[1,𝑛]]
36 6. Espaces métriques et espaces topologiques

6.2. Espaces topologiques

6.2.1. Définition

Définition 6.2.1 Un espace topologique est un couple ( 𝑋 , O) où 𝑋 est un ensemble

et O une famille de parties de 𝑋 , appelées ouverts, vérifiant :
(i) Toute réunion d’ouverts est un ouvert.
(ii) L’intersection finie d’ouverts est un ouvert.
(iii) Les ensembles 𝑋 et ∅ sont des ouverts.

6.2.2. Topologie des espaces métriques

Dans cette partie, on va considérer ( 𝑋 , 𝑑 ) un espace métrique.

Définition 6.2.2 On appelle ouvert de ( 𝑋 , 𝑑 ) toute partie 𝑂 de 𝑋 telle que :

∀𝑥 ∈ 𝑂, ∃𝑟 > 0, 𝐵 ( 𝑥, 𝑟 ) ⊂ 𝑂

Remarque 6.2.3
(i) Une boule ouverte est un ouvert.
(ii) Un ouvert de ( 𝑋 , 𝑑 ) est une union quelconque de boules ouvertes.

6.2.3. Fermés

Définition 6.2.4 Dans un espace topologique ( 𝑋 , O), on appelle fermé de 𝑋 , toute

partie de 𝑋 dont le complémentaire est un ouvert. On notera F la famille de tous
les fermés. On a :
𝐹 ∈ F ⇐⇒ 𝐹 𝐶 ∈ O

Proposition 6.2.5 La famille F de tous les fermés vérifie :

(i) Toute intersection de fermés est un fermé.
(ii) Toute réunion finie de fermés est un fermé.
(iii) ∅ et 𝑋 sont des fermés.

Remarque 6.2.6 Dans un espace métrique ( 𝑋 , 𝑑 ), toute boule fermée est un fermé.
 37

6.2.4. Voisinages

Définition 6.2.7 Soient ( 𝑋 , O) un espace topologique et 𝑥 ∈ 𝑋 .

On appelle voisinage de 𝑥 dans 𝑋 , toute partie de 𝑋 contenant un ouvert qui
contient 𝑥 . On note V ( 𝑥 ) l’ensemble des voisinages de 𝑥 . On a :

V ( 𝑥 ) = {𝑉 ∈ P ( 𝑋 ) , ∃𝑂 ∈ O , 𝑥 ∈ 𝑂 ⊂ 𝑉 }

Proposition 6.2.8 Si ( 𝑋 , 𝑑 ) est un espace métrique et 𝑥 ∈ 𝑋 , on a :

V ( 𝑥 ) = {𝑉 ∈ P ( 𝑋 ) , ∃𝑟 > 0, 𝐵 ( 𝑥, 𝑟 ) ⊂ 𝑉 }

6.2.5. Bases d’ouverts et bases de voisinages

Définition 6.2.9 Soit ( 𝑋 , O) un espace topologique.

On dit qu’une famille B d’ouverts est une base d’ouverts de ( 𝑋 , O) si tout ouvert
𝑂 ∈ O s’écrit comme réunion quelconque d’intersections finies d’éléments de B.

Définition 6.2.10 Soient ( 𝑋 , O) un espace topologique et 𝑥 ∈ 𝑋 .

On dit que BV ( 𝑥 ) ⊂ V ( 𝑥 ) est une base de voisinages de 𝑥 si tout voisinage 𝑉 de
𝑥 contient un élément 𝑊 de BV ( 𝑥 ), autrement dit :

∀𝑊 ∈ V ( 𝑥 ) , ∃𝑈 ∈ BV ( 𝑥 ) , 𝑈 ⊂ 𝑊

Proposition 6.2.11 Soit ( 𝑋 , 𝑑 ) un espace métrique. On a :

(i) Tout point 𝑥 ∈ 𝑋 admet une bas dénombrable de voisinages :
1
BV ( 𝑥 ) = { 𝐵 ( 𝑥 , 𝑛 ∈ N}
𝑛+1
(ii) L’ensemble suivant est une base d’ouverts de ( 𝑋 , 𝑑 ) :
1
B = { 𝐵 ( 𝑥, , 𝑛 ∈ N, 𝑥 ∈ 𝑋 }
𝑛+1

6.2.6. Sous-espaces topologiques

38 6. Espaces métriques et espaces topologiques

Définition 6.2.12 Soient ( 𝑋 , T ) un espace topologique et 𝐴 ⊂ 𝑋 .

On appelle topologie induite par T sur 𝐴, la topologie

T𝐴 = {𝑂 ∩ 𝐴, 𝑂 ∈ T }

6.3. Adhérence, intérieur et extérieur

Dans tout ce paragraphe, on travaillera avc un espace topologique ( 𝑋 , O).

6.3.1. Adhérence

Définition 6.3.1 Soient 𝐴 une partie de 𝑋 et 𝑥 ∈ 𝑋 .

On dit que :
(i) 𝑥 est adhérent à 𝐴 si tout voisinage 𝑉 de 𝑥 contient un point de 𝐴.
(ii) 𝑥 est un point d’accumulation de 𝐴 si tout voisinage 𝑉 de 𝑥 contient un point
de 𝐴 différent de 𝑥 .
(iii) 𝑥 est un point isolé de 𝐴 si il existe un voisinage 𝑉 de 𝑥 tel que 𝑉 ∩ 𝐴 = { 𝑥 }

Remarque 6.3.2 Une autre manière de dire est :

(i) 𝑥 est adhérent à A si :

∀𝑉 ∈ V ( 𝑥 ) , ∃ 𝑎 ∈ 𝐴, 𝑉 ∩ { 𝑎 } ≠ ∅

(ii) 𝑥 est un point d’accumulation de 𝐴 si :

∀𝑉 ∈ V ( 𝑥 ) , ∃ 𝑎 ∈ 𝐴, 𝑎 ≠ 𝑥, 𝑉 ∩ { 𝑎 } ≠ ∅

Définition 6.3.3 Soit 𝐴 une partie de 𝑋 .

On appelle adhérence de 𝐴, noté 𝐴, l’ensemble de tous les points adhérents à 𝐴.

Proposition 6.3.4 L’adhérence 𝐴 d’une partie 𝐴 de 𝑋 est le plus petit fermé de

𝑋 contenant 𝐴.
 39

Corollaire 6.3.5 Soit 𝐴 une partie de 𝑋 .

𝐴 ∈ F ⇐⇒ 𝐴 = 𝐴

Proposition 6.3.6 Soient 𝐴 et 𝐵 deux parties de 𝑋 . On a :

𝐴⊂ 𝐴 ; 𝐴∪𝐵 = 𝐴∪𝐵 ; 𝐴∪𝐵 ⊂ 𝐴∩𝐵 ; 𝐴= 𝐴

Définition 6.3.7 Une partie 𝐴 de 𝑋 est dite dense dans 𝑋 lorsque 𝐴 = 𝑋 .

6.3.2. Intérieur

Définition 6.3.8 Soit 𝐴 une partie de 𝑋 .

On dit que 𝑥 ∈ 𝐴 est intérieur à 𝐴 si 𝐴 ∈ V ( 𝑥 ).

◦
Définition 6.3.9 On appelle intérieur de 𝐴 ⊂ 𝑋 , noté 𝐴, l’ensemble des points
intérieurs à 𝐴.

Proposition 6.3.10 L’intérieur d’une partie 𝐴 de 𝑋 est le plus grand ouvert

contenu dans 𝐴 :
◦ Ø
𝐴= 𝑂
𝑂 ∈O , 𝑂 ∈ 𝐴

Corollaire 6.3.11 Soit 𝐴 une partie de 𝑋 .

◦
𝐴 ∈ O ⇐⇒ 𝐴 = 𝐴

Proposition 6.3.12 Soient 𝐴 et 𝐵 des parties de 𝑋 .

◦ ◦
◦ ◦
𝐶
𝐶 ◦ ◦ ◦ ◦ ◦ ◦ ◦ ◦
𝐶
𝐴⊂ 𝐴 𝐴 = 𝐴𝐶 𝐴 = (𝐴 ) 𝐴= 𝐴 ( 𝐴 ∩ 𝐵 ) = 𝐴∩ 𝐵 𝐴∪ 𝐵 ⊂ ( 𝐴 ∪ 𝐵 )
40 6. Espaces métriques et espaces topologiques

6.3.3. Frontière

Définition 6.3.13 On appelle frontière de 𝐴 ⊂ 𝑋 , l’ensemble :

◦
𝐹 𝑟 ( 𝐴) = 𝐴 ∩ 𝐴𝐶 = 𝐴\ 𝐴

6.4. Limites

6.4.1. Limite d’une suite

Définition 6.4.1 Soient ( 𝑋 , O) un espace topologique, ( 𝑥𝑛 )𝑛∈N une suite d’éléments

de 𝑋 et 𝑙 ∈ 𝑋 .
On dit que 𝑙 est une limite de la suite ( 𝑥𝑛 )𝑛∈N lorsque 𝑛 tends vers l’infini si :

∀𝑉 ∈ V ( 𝑙 ) , ∃ 𝑁 ∈ N, ∀𝑛 ≥ 𝑁 , 𝑥𝑛 ∈ 𝑉

Proposition 6.4.2 Soit ( 𝑋 , 𝑑 ) un espace métrique.

On dit que 𝑙 ∈ 𝑋 est une limite de la suite ( 𝑥𝑛 )𝑛∈N si et seulement si :

∀ 𝜀 > 0, ∃ 𝑁 ∈ N, ∀𝑛 ≥ 𝑁 , 𝑑 ( 𝑥𝑛 , 𝑙 ) ≤ 𝜀

6.4.2. Espace topologique séparé et unicité de la limite

Définition 6.4.3 On dit qu’un espace topologique ( 𝑋 , O) est séparé si :

∀𝑥, 𝑦 ∈ 𝑋 , 𝑥 ≠ 𝑦, ∃𝑉 ∈ V ( 𝑥 ) , ∃𝑊 ∈ V ( 𝑦 ) , 𝑉 ∩ 𝑊 = ∅

Proposition 6.4.4 Un espace métrique est séparé.

Théorème 6.4.5 Soit ( 𝑋 , O) un espace topologique séparé.

Toute suite ( 𝑥𝑛 )𝑛∈N d’éléments de 𝑋 a au plus une limite. Si une telle limite 𝑙 ∈ 𝑋
existe, on dit que 𝑙 est la limite de la suite ( 𝑥𝑛 )𝑛∈N quand 𝑛 tends vers l’infini. □
 41

6.4.3. Limite et adhérence

Proposition 6.4.6 Soit ( 𝑋 , 𝑑 ) est un espace métrique.

Pour toute partie 𝐴 de 𝑋 et tout point 𝑥 ∈ 𝑋 , on a l’équivalence entre les points
suivants :
(i) 𝑥 ∈ 𝐴
(ii) Il existe une suite ( 𝑥𝑛 )𝑛∈N d’éléments de 𝐴 tel que lim 𝑥𝑛 = 𝑥
𝑛→+∞

6.5. Continuité

6.5.1. Continuité en un point

Définition 6.5.1 Soient ( 𝑋 , O) et ( 𝑋 ′, O ′) deux espaces topologiques et 𝑎 ∈ 𝑋 .

On dit qu’une fonction 𝑓 : 𝑋 → 𝑋 ′ est continue au point 𝑎 si :

∀𝑉 ′ ∈ V 𝑓 ( 𝑎) , 𝑓 −1 (𝑉 ′) ∈ V ( 𝑎)

Proposition 6.5.2 Soient ( 𝑋 , 𝑑 ), ( 𝑋 ′, 𝑑′), 𝑎 ∈ 𝑋 et 𝑓 : 𝑋 → 𝑋 ′. Les trois

assertions suivantes sont équivalentes :
(i) 𝑓 est continue au point 𝑎.
(ii) ∀ 𝜀 > 0, ∃ 𝛼 > 0, 𝑑 ( 𝑥, 𝑎) ≤ 𝛼 =⇒ 𝑑′ ( 𝑓 ( 𝑥 ) , 𝑓 ( 𝑎)) ≤ 𝜀





(iii) Pour toute suite ( 𝑥𝑛 )𝑛∈N de 𝑋 convergeant vers 𝑎, la suite 𝑓 ( 𝑥𝑛 ) 𝑛∈N converge
vers 𝑓 ( 𝑎).

6.5.2. Propriétés

Théorème 6.5.3 Soient ( 𝑋 , O) , ( 𝑋 ′, O ′) et ( 𝑋 ”, O”) trois espaces topologiques.

𝑓 : 𝑋 → 𝑋 ′ est continue en 𝑎 ∈ 𝑋

=⇒ 𝑔 ◦ 𝑓 est continue en 𝑎
𝑔 : 𝑋 ′ → 𝑋 ” est continue en 𝑓 ( 𝑎) ∈ 𝑋 ′

Proposition 6.5.4 Soient ( 𝑋 , O) un espace topologique, 𝑓 : 𝑋 → K, 𝑔 : 𝑋 → K

et 𝜆 ∈ K avec K = R ou C.
𝑓
Si 𝑓 et 𝑔 sont continues en 𝑎 ∈ 𝑋 , alors les fonctions 𝑓 + 𝑔 , 𝜆𝑓 , 𝑓 𝑔 et 𝑔 sont
continues en 𝑎.
42 6. Espaces métriques et espaces topologiques

6.5.3. Continuité globale

Définition 6.5.5 Soient ( 𝑋 , O) et ( 𝑋 ′, O ′) deux espaces topologiques.

On dit qu’une fonction 𝑓 : 𝑋 → 𝑋 ′ est continue sur 𝑋 si elle est continue en tout
point de 𝑋 .

Théorème 6.5.6 Soient ( 𝑋 , O), ( 𝑋 ′, O ′) deux espaces topologiques et 𝑓 : 𝑋 → 𝑋 ′.

On a les équivalences suivantes :
(i) 𝑓 est continue sur 𝑋
(ii) ∀𝑂 ′ ∈ O ′, 𝑓 −1 ( 𝑂 ′) ∈ O
(iii) ∀ 𝐹 ′ ∈ F ′, 𝑓 −1 ( 𝐹 ′) ∈ F □

6.5.4. Homéomorphismes

Définition 6.5.7 Soient ( 𝑋 , O) et ( 𝑋 ′, O ′) deux espaces topologiques.

On appelle homéomorphisme toute bijection 𝑓 de 𝑋 sur 𝑋 ′ telle que 𝑓 et 𝑓 −1 soient
continues.

Définition 6.5.8 Si il existe un homéomorphisme de ( 𝑋 , O) sur ( 𝑋 ′, O ′), on dit

que ( 𝑋 , O) et ( 𝑋 ′, O ′) sont homéomorphes.

6.5.5. Uniforme continuité et Lipschitz continuité

Définition 6.5.9 On dit que 𝑓 : 𝑋 → 𝑋 ′ est uniformément continue si elle vérifie :

∀ 𝜀, ∃ 𝛼 > 0, ∀𝑥, 𝑦 ∈ 𝑋 , 𝑑 ( 𝑥, 𝑦 ) ≤ 𝛼 =⇒ 𝑑′ ( 𝑓 ( 𝑥 ) , 𝑓 ( 𝑦 )) ≤ 𝜀

Définition 6.5.10 Soit 𝑘 > 0.

On dit que 𝑓 : 𝑋 → 𝑋 ′ est 𝑘 -lipschitzienne si :

∀𝑥, 𝑦 ∈ 𝑋 , 𝑑′ ( 𝑓 ( 𝑥 ) , 𝑓 ( 𝑦 )) ≤ 𝑘𝑑 ( 𝑥, 𝑦 )
 43

Proposition 6.5.11

𝑓 Lipschitzienne =⇒ 𝑓 est uniformément continue =⇒ 𝑓 est continue

6.5.6. Prolongement par continuité

Proposition 6.5.12 Soient ( 𝑋 , T ) un espace topologique, ( 𝑋 ′, T ′) un espace to-

pologique séparé, 𝐴 ⊂ 𝑋 munie de la topologie induite et 𝑓 : 𝐴 → 𝑋 ′ continue.
Alors, il existe au plus une fonction 𝑓 : 𝐴 → 𝑋 ′ continue tel que 𝑓 | 𝐴 = 𝑓 .
De plus, la condition sur 𝑓 nécessaire à l’existence de 𝑓 est que pour tout 𝑎 ∈ 𝐴\ 𝐴,
la limite lim 𝑓 ( 𝑥 ) existe.
𝑥 →𝑎
𝑥∈𝐴

Définition 6.5.13 En reprenant les hypothèses et notations de la proposition

précédente, si il existe une fonction 𝑓 : 𝐴 → 𝑋 ′ continue tel que 𝑓 | 𝐴 = 𝑓 , on appelle
𝑓 le prolongement par continuité de 𝑓 à 𝐴.

Proposition 6.5.14 Soient ( 𝑋 , T ) un espace topologique, ( 𝑋 ′, 𝑑′) un espace mé-

trique, 𝐴 ⊂ 𝑋 et 𝑓 : 𝐴 → 𝑋 ′ continue tel que lim 𝑓 ( 𝑥 ) existe.
𝑥 →𝑎
𝑥∈𝐴

Alors la fonction 𝑓 admet un unique prolongement par continuité à 𝐴 qui est donnée
par :
∀𝑎 ∈ 𝐴, 𝑓 ( 𝑎) = lim 𝑓 ( 𝑥 )
𝑥 →𝑎
𝑥∈𝐴

6.6. Comparaison de topologies et comparaison de

distances

6.6.1. Topologies plus ou moins fines

Définition 6.6.1 On dit qu’une topologie T est plus fine que la topologie T ′
lorsque T ′ ⊂ T , c’est-à-dire lorsque T a plus d’ouverts que T ′.
44 6. Espaces métriques et espaces topologiques

Proposition 6.6.2

T est plus fine que T ′


=⇒ T = T ′
T ′ est plus fine que T

6.6.2. Equivalences de distances

Définition 6.6.3 On dit que deux distances 𝑑 et 𝑑′ définies sur un ensemble 𝑋

sont topologiquement équivalentes si elles définissent la même topologie.

Définition 6.6.4 On dit que deux distances 𝑑 et 𝑑′ définies sur un ensemble 𝑋

sont métriquement équivalentes si il existe 𝛼 > 0 et 𝛽 > 0 tels que :

∀𝑥, 𝑦 ∈ 𝑋 , 𝛼𝑑 ( 𝑥, 𝑦 ) ≤ 𝑑′ ( 𝑥, 𝑦 ) ≤ 𝛽𝑑 ( 𝑥, 𝑦 )
7. Connexité

7.1. Définition et exemple fondamental

7.1.1. Définition

Définition 7.1.1 On dit qu’un espace topologique ( 𝑋 , T ) est connexe si les seules
parties de 𝑋 à la fois ouvertes et fermées sont 𝑋 et ∅.

Définition 7.1.2 On dit qu’une partie 𝐴 de 𝑋 est connexe si ( 𝐴, T𝐴 ) est connexe.

Proposition 7.1.3 Soit 𝐴 ⊂ 𝑋 .

𝐴 est connexe ⇐⇒ ∃𝑂1 , 𝑂2 ∈ T , 𝐴 ⊂ ( 𝑂1 ∪ 𝑂2 ) =⇒ 𝐴 ⊂ 𝑂1 ou 𝐴 ⊂ 𝑂2

7.1.2. Les connexes de R

Théorème 7.1.4 Les parties connexes de R sont les intervalles. □

7.2. Fonctions continues et connexité

Théorème 7.2.1 L’image d’un connexe par une application continue est connexe.□

Corollaire 7.2.2 (TVI) Soient ( 𝑋 , T ) un espace topologique connexe et

𝑓 : 𝑋 → R. On a :

𝑓 est continue =⇒ 𝑓 ( 𝑋 ) est un intervalle

46 7. Connexité

Remarque 7.2.3 En particulier, si 𝑎, 𝑏 sont des points de 𝑋 et 𝑧 un réel tel que

𝑓 ( 𝑎) ≤ 𝑧 ≤ 𝑓 ( 𝑏 ), il existe un point 𝑐 ∈ 𝑋 tel que 𝑓 ( 𝑐 ) = 𝑧 .

Proposition 7.2.4 Soit ( 𝑋 , T ) un espace topologique. On a :

( 𝑋 , T ) est connexe ⇐⇒ Toute fonction cntinue 𝑓 : 𝑋 → {0, 1} est constante

7.3. Union, adhérence et produit

7.3.1. Union

Théorème 7.3.1 Toute famille ( 𝐴𝑖 ) 𝑖 ∈ 𝐼 de parties connexes ayant deux à deux une
intersection non vide a une réunion connexe. □

Définition 7.3.2 Soit ( 𝑋 , T ) un espace topologique quelconque.

Pour tout 𝑥 ∈ 𝑋 , on appelle composante connexe de 𝑥 , notée 𝐶 ( 𝑥 ), le plus grand
connexe contenant 𝑥 : Ø
𝐶 (𝑥) = 𝐶
𝑥 ∈𝐶
𝐶 ⊂ 𝑋 connexe

Remarque 7.3.3 La relation "appartenir à un même connexe" est une relation

d’équivalence dont les classes sont les composantes connexes de 𝑋 . De ce fait, les
composantes connexes de 𝑋 forment une partition de 𝑋 .

7.3.2. Adhérence

Théorème 7.3.4 Soient ( 𝑋 , T ) un espace topologique et 𝐴 ⊂ 𝑋 . On a :

𝐴 est connexe =⇒ 𝐴 est connexe

Corollaire 7.3.5 Les composantes connexes sont des fermés.

7.3.3. Produit
 47

Théorème 7.3.6 Un produit d’espaces connexes est connexe. □

7.4. Connexité par arcs

Définition 7.4.1 Soit ( 𝑋 , T ) un espace topologique.

On appelle chemin (ou arc) joignant 𝑥 ∈ 𝑋 à 𝑦 ∈ 𝑋 , toute application continue
𝛾 : [0, 1] → 𝑋 telle que 𝛾 (0) = 𝑥 et 𝛾 (1) = 𝑦 .

Définition 7.4.2 On dit qu’une partie 𝐴 est connexe par arcs si deux points
quelconques de 𝐴 peuvent être reliés par un chemin.

Théorème 7.4.3 Un espace topologique connexe par arcs est connexe. □

8. Compacité

8.1. Définitions

Définition 8.1.1 On dit qu’un espace topologique ( 𝑋 , T ) est compact si il est

séparé et si de tout recouvrement d’ouverts on peut extraire un sous-
recouvrement fini :
 Ø   Ø 
𝑋 = 𝑂𝑖 =⇒ ∃ 𝐽 ⊂ 𝐼 , 𝐽 fini, 𝑋 = 𝑂𝑗
𝑖∈𝐼 𝑗∈ 𝐽

Par passage au complémentaire, on obtient une définition équivalente avec les fer-
més :

Définition 8.1.2 On dit qu’un espace topologique ( 𝑋 , T ) est compact si il est

séparé et si de toute famille de fermés d’intersection vide on peut extraire
une sous-famille finie d’intersection vide :
Ù   Ù 
𝐹𝑖 = ∅ =⇒ ∃ 𝐽 ⊂ 𝐼 , 𝐽 fini, 𝐹𝑗 = ∅
𝑖∈𝐼 𝑗∈ 𝐽

Remarque 8.1.3 Pour rappel, un espace métrique est séparé, en particulier, si l’on
considère ( 𝑋 , 𝑑 ) un espace métrique, ( 𝑋 , 𝑑 ) est compact si tout recouvrement de 𝑋
par parties ouvertes possède un sous-recouvrement fini.

Définition 8.1.4 Une partie 𝐴 d’un espace topologique séparé ( 𝑋 , T ) est dite
compacte si ( 𝐴, T𝐴 ) avec la topologie induite est compacte.
Ce qu’on a vu précédemment s’écrit alors :
 Ø   Ø 
𝐴⊂ 𝑂𝑖 =⇒ ∃ 𝐽 ⊂ 𝐼 , 𝐽 fini, 𝐴 ⊂ 𝑂𝑗
𝑖∈𝐼 𝑗∈ 𝐽
 49

8.2. Compacité des espaces métriques

Théorème 8.2.1 Pour une partie 𝐴 d’un espace métrique ( 𝑋 , 𝑑 ), les trois asser-
tions sont équivalentes :
(i) 𝐴 est compacte.
(ii) De toute suite ( 𝑥𝑛 )𝑛∈N ∈ 𝐴N , on peut extraire une sous-suite convergeante
dans 𝐴.
(iii) Toute partie infinie de 𝐴 admet un point d’accumulation dans 𝐴. □

Remarque 8.2.2 La propriété (iii) peut également s’exprimer d’une autre manière :
Toute suite de 𝐴 admet une valeur d’adhérence dans 𝐴.
On rappelle qu’une valeur d’adhérence d’une suite ( 𝑥𝑛 )𝑛∈N est un point 𝑥 tel que pour
tout voisinage 𝑉 ∈ V ( 𝑥 ) la suite prennent une infinité de fois sa valeur dans 𝑉 .

Théorème 8.2.3 Tout intervalle fermé borné de R est compact. □

8.3. Propriétés des compacts

8.3.1. Compacts et fermés

Proposition 8.3.1 Dans un espace topologique séparé, une partie compacte est
fermée.

Remarque 8.3.2 En particulier, si l’on se place dans un espace métrique, une partie
compacte est fermée.

Proposition 8.3.3 Soient ( 𝑋 , T ) un espace topologique compact et 𝐹 ⊂ 𝑋 .

𝐹 est fermé =⇒ 𝐹 est compact

Proposition 8.3.4 Dans un espace topologique compact, les compacts sont les
fermés.

Remarque 8.3.5 En particulier, dans un espace métrique ( 𝑋 , 𝑑 ), si l’on considère

𝑌 ⊂ 𝑋 compact, alors 𝑌 est fermé.
50 8. Compacité

8.3.2. Union, intersection et produit

Proposition 8.3.6 Dans un espace topologique séparé, une union finie de compacts
est compacte.

Remarque 8.3.7 On rappelle qu’un espace métrique est séparé, donc cette proposi-
tion est valable lorsque l’on se place dans un espace métrique.

Proposition 8.3.8 Dans un espace topologique, une intersection quelconquede

parties compactes est compacte.

Théorème 8.3.9 Un produit d’espaces topologiques compacts est compact. □

Corollaire 8.3.10 Les compacts de R𝑛 sont les ensembles fermés bornés.

8.4. Fonctions continues et compacts

8.4.1. Image d’un compact

Théorème 8.4.1 Soient ( 𝑋 , T ) et ( 𝑋 ′, T ′) deux espaces topologiques séparés.

L’image d’un compact par une application continue de 𝑋 dans 𝑋 ′ est compacte. □

Corollaire 8.4.2 Toute fonction continue sur un compact à valeurs dans R est
bornée et atteint ses bornes.

8.4.2. Compact et uniforme continuité

Théorème 8.4.3 Soient ( 𝑋 , 𝑑 ) et ( 𝑋 ′, 𝑑′) deux espaces métriques compacts.

Toute application continue 𝑓 : 𝑋 → 𝑋 ′ est uniformément continue. □
9. Espaces vectoriels normés
Dans tout ce chapitre, on considèrera des K-espace vectoriel avec K = R ou C.

9.1. Généralités

9.1.1. Définitions

Définition 9.1.1 Soit 𝐸 un K-espace vectoriel.

On appelle norme sur 𝐸 toute application ∥·∥: 𝐸 → R+ vérifiant pour tout 𝑥, 𝑦 ∈ 𝐸
et pour tout 𝜆 ∈ K :
(i) ∥ 𝜆𝑥 ∥= | 𝜆 | × ∥ 𝑥 ∥
(ii) ∥ 𝑥 ∥= 0 =⇒ 𝑥 = 0
(iii) ∥ 𝑥 + 𝑦 ∥≤ ∥ 𝑥 ∥+∥ 𝑦 ∥

Définition 9.1.2 Un espace vectoriel normé est un couple ( 𝐸, ∥·∥) où 𝐸 est un

K-espace vectoriel et ∥·∥ est une norme sur 𝐸 .

Proposition 9.1.3 Soit ( 𝐸, ∥·∥) un espace vectoriel normé.

Alors 𝑑 ( 𝑥, 𝑦 ) = ∥ 𝑥 − 𝑦 ∥ définit une distance sur 𝐸 .
De plus, la topologie ainsi définie est compatible avec la structure d’espace vectoriel,
c’est-à-dire les applications :

𝐸×𝐸 →𝐸 K×𝐸 → 𝐸
et
( 𝑥, 𝑦 ) ↦→ 𝑥 + 𝑦 ( 𝜆, 𝑥 ) ↦→ 𝜆𝑥

sont continues.

Proposition 9.1.4 Soit ( 𝐸, ∥·∥) un espace vectoriel normé.

La norme ∥·∥ est une application 1-lipschitzienne :
∀𝑥, 𝑦 ∈ 𝐸, ∥ 𝑥 ∥−∥ 𝑦 ∥ ≤ ∥ 𝑥 − 𝑦 ∥
52 9. Espaces vectoriels normés

Définition 9.1.5 Deux normes ∥·∥ 1 et ∥·∥ 2 sur 𝐸 sont équivalentes si il existe
𝐶 > 0 telle que :
∀𝑥 ∈ 𝐸, 𝐶 −1 ∥ 𝑥 ∥ 1 ≤ ∥ 𝑥 ∥ 2 ≤ 𝐶 ∥ 𝑥 ∥ 1

9.1.2. Exemples

(i) Sur K𝑛 , les normes suivantes sont toutes équivalentes :

𝑛
 ∑︁  1𝑝
𝑝
∥ 𝑥 ∥ 𝑝= | 𝑥𝑘 | , 1 ≤ 𝑝 < ∞ et ∥ 𝑥 ∥ ∞ = max | 𝑥𝑘 |
𝑘 ∈[[1,𝑛]]
𝑘 =1

(ii) Sur l’ensemble des fonctions continues de [ 𝑎, 𝑏 ] dans K, on peut définir les
normes suivantes :
∫ 𝑏  1𝑝
𝑝
∥ 𝑓 ∥ 𝑝= | 𝑓 ( 𝑡 )| 𝑑𝑡 , 1 ≤ 𝑝 < ∞ et ∥ 𝑓 ∥ ∞ = sup | 𝑓 ( 𝑡 )|
𝑎 𝑡 ∈[ 𝑎,𝑏 ]

9.1.3. Applications linéaires continues

Proposition 9.1.6 Soient ( 𝐸, ∥·∥ 𝐸 ) et ( 𝐹 , ∥·∥ 𝐹 ) deux K-espaces vectoriels normés.

Une application linéaire 𝑓 : 𝐸 → 𝐹 est continue si et seulement si il existe 𝑀 > 0
telle que :
∀𝑥 ∈ 𝐸, ∥ 𝑓 ( 𝑥 )∥ 𝐹 ≤ 𝑀 ∥ 𝑥 ∥ 𝐸

Corollaire 9.1.7 Toute application linéaire continue 𝑓 : 𝐸 → 𝐹 est lipschitzienne.

Définition 9.1.8 Les normes ∥·∥ 𝐸 et ∥·∥ 𝐹 étant fixées, on note L ( 𝐸, 𝐹 ) l’espace
des applications linéaires continues de 𝐸 dans 𝐹 .
On appelle dual topologique de 𝐸 , noté L ( 𝐸, K) l’espace des formes linéaires
continues sur 𝐸 .

Proposition 9.1.9 La quantité :

∥ 𝑓 ( 𝑥 )∥ 𝐹
∥ 𝑓 ∥= sup = sup ∥ 𝑓 ( 𝑥 )∥ 𝐹
𝑥 ≠0 ∥𝑥∥𝐸 ∥ 𝑥 ∥ 𝐸 =1

est une norme sur L ( 𝐸, 𝐹 ).

 53

Proposition 9.1.10 Soient ( 𝐸1 , ∥·∥ 𝐸1 ), ( 𝐸2 , ∥·∥ 𝐸2 ) et ( 𝐸3 , ∥·∥ 𝐸3 ) trois K-espaces

vectoriels normés.
Une application bilinéaire 𝛷 : 𝐸1 × 𝐸2 → 𝐸3 est continue si et seulement si il existe
une constante 𝑀 > 0 telle que :

∀( 𝑥, 𝑦 ) ∈ 𝐸1 × 𝐸2 , ∥𝛷 ( 𝑥, 𝑦 )∥ 𝐸3 ≤ 𝑀 ∥ 𝑥 ∥ 𝐸1 ∥ 𝑦 ∥ 𝐸2

Proposition 9.1.11 Soit 𝑓 ∈ L ( 𝐸, 𝐹 ). Les propriétés suivantes sont équivalentes :

(i) ∃ 𝑀 > 0, ∀𝑥 ∈ 𝐸, ∥ 𝑓 ( 𝑥 )∥ 𝐹 ≤ 𝑀 ∥ 𝑥 ∥ 𝐸
(ii) 𝑓 est continue sur 𝐸
(iii) 𝑓 est continue en 0
(iv) 𝑓 est bornée sur la boule unité
(v) 𝑓 est bornée sur la sphère unité

Proposition 9.1.12 Soient ( 𝐸1 , ∥·∥ 𝐸1 ), ( 𝐸2 , ∥·∥ 𝐸2 ), ( 𝐸3 , ∥·∥ 𝐸3 ) trois K-espaces vec-

toriels normés, 𝑓 ∈ L ( 𝐸1 , 𝐸2 ) et 𝑔 ∈ L ( 𝐸2 , 𝐸3 ). Alors :

𝑔 ◦ 𝑓 ∈ L ( 𝐸1 , 𝐸3 ) et ∥ 𝑔 ◦ 𝑓 ∥≤ ∥ 𝑔 ∥×∥ 𝑓 ∥

9.2. Compacité et conséquences dans les espaces

vectoriels normés

9.2.1. En dimension finie

Théorème 9.2.1 Soient ( 𝐸, ∥·∥ 𝐸 ) un espace vectoriel de dimension finie et

( 𝐹 , ∥·∥ 𝐹 ) un espace vectoriel normé de dimension quelconque. On a :
(i) Toutes les normes sont équivalentes
(ii) Pour toute norme, les compacts sont les fermés bornés.
(iii) Toute application linéaire de 𝐸 dans 𝐹 est continue. □

Corollaire 9.2.2 Soit 𝐸 un K-espace vectoriel normé de dimension finie.

Alors, toutes les formes linéaires sont continues.
54 9. Espaces vectoriels normés

Corollaire 9.2.3 En dimension finie, tout sous-espace vectoriel est fermé.

10. Espaces métriques complets
Dans tout ce chapitre, on se placera dans le cadre d’un esapce métrique ( 𝑋 , 𝑑 ).

10.1. Suites de Cauchy, espaces métriques complets

et exemple fondamental

10.1.1. Suites de Cauchy

Soit ( 𝑋 , 𝑑 ) un espace métrique.
On dit qu’une suite ( 𝑥𝑛 )𝑛∈N d’éléments de 𝑋 est une suite de Cauchy
si :
∀ 𝜀 > 0, ∃ 𝑁 ∈ N, ∀𝑛, 𝑚 ≥ 𝑁 , 𝑑 ( 𝑥𝑛 , 𝑥𝑚 ) < 𝜀

Proposition 10.1.1 Toute suite de Cauchy est bornée.

Proposition 10.1.2 Toute suite de Cauchy admettant une sous-suite convergente

converge.

10.1.2. Espace métrique complet

Proposition 10.1.3 Toute suite convergente est de Cauchy.

Définition 10.1.4 On dit que l’espace métrique ( 𝑋 , 𝑑 ) est complet si toute suite
de Cauchy est convergente.

10.1.3. Exemple fondamental

56 10. Espaces métriques complets

Théorème 10.1.5 R est complet. □

10.2. Propriétés des espaces complets

10.2.1. Fermés et complets

Proposition 10.2.1 Soient ( 𝑋 , 𝑑 ) un espace métrique complet et 𝐴 ⊂ 𝑋 un sous-

espace de 𝑋 . On a l’équivalence suivante :

𝐴 est complet ⇐⇒ 𝐴 est fermé

Corollaire 10.2.2 Soit ( 𝑋 , 𝑑 ) un espace métrique.

Une intersection quelconque de sous-espaces complets est complète.

10.2.2. Union de complets et complétude des compacts

Proposition 10.2.3 Soit ( 𝑋 , 𝑑 ) un espace métrique.

Une union finie de sous-espace complets est complète.

Proposition 10.2.4 Tout espace métrique compact est complet.

10.2.3. Produit d’espaces complets

Proposition 10.2.5 Un produit dénombrable d’espaces métriques complets est

complet.

Exemple 10.2.6 Ainsi, R𝑛 , C𝑛 , M𝑛 (R) , M𝑛 (C), tous les espaces vectoriels normés
de dimension finie et leurs parties fermées sont des espaces métriques complets.
 57

10.3. Espaces de Banach

Dans ce qui suit, on travaillera avec le corps K = R ou C.

Définition 10.3.1 On appelle espace de Banach un K-espace vectoriel normé

complet.

Proposition 10.3.2 Les K-espaces vectoriels de dimension finie sont des espaces
de Banach.

Définition 10.3.3 Dans un K-espace vectoriel normé ( 𝐸, ∥·∥ 𝐸 ), on dit qu’une série
Í Í
𝑥𝑛 est absolument convergente lorsque ∥ 𝑥𝑛 ∥ 𝐸 < ∞.
𝑛∈N 𝑛∈N

Théorème 10.3.4 Soit ( 𝐸, ∥·∥ 𝐸 ) un K-espace vectoriel normé. On a l’équivalence

suivante :

 ∑︁ ∑︁ 
( 𝐸, ∥·∥ 𝐸 ) est un espace de Banach ⇐⇒ ∥ 𝑥𝑛 ∥ 𝐸 < ∞ =⇒ 𝑥𝑛 ∈ 𝐸
𝑛∈N 𝑛∈N

Autrement dit, ( 𝐸, ∥·∥ 𝐸 ) est un espace de Banach si et seulement si toute série

absolument convergente converge dans 𝐸 . □

10.4. Applications de la complétude

10.4.1. Petit topo sur l’algèbre normée

Définition 10.4.1 Une algèbre sur un corps commutatif K ou plus simplement une
K-algèbre est une structure algébrique (A , +, ×, ·) telle que les lois + et × sont des
lois de composition internes et · est une loi de composition externe et telle que :
(i) (A , +, ·) est un espace vectoriel sur K.
(ii) ( 𝐴, +, ×) est un anneau.
(iii) Pour tout ( 𝑥, 𝑦 ) ∈ A 2 et pour tout 𝜆 ∈ K : 𝜆 · ( 𝑥 × 𝑦 ) = ( 𝜆 · 𝑥 ) × 𝑦 = 𝑥 × ( 𝜆 · 𝑦 )
58 10. Espaces métriques complets

Définition 10.4.2 Soit (A , +, ×, ·) une algèbre sur K.

On appelle norme d’algèbre ou norme matricielle, toute norme ∥·∥ sur le K-espace
vectoriel (A , +, ·) vérifiant :

∀ 𝐴, 𝐵 ∈ A , ∥ 𝐴 × 𝐵 ∥≤ ∥ 𝐴 ∥∥ 𝐵 ∥

On dit alors que (A , ∥·∥) est une algèbre normée.

10.4.2. Un exemple avec les séries

On munit M𝑛 (K) d’une norme matricielle.

Í
Proposition 10.4.3 Soit 𝑓 : 𝑧 ↦→ 𝑐𝑛 𝑧 𝑛 une série entière de rayon de convergence
𝑛∈N
𝑅 > 0. Alors :
∑︁
𝑓 ( 𝐴) = 𝑐𝑛 𝐴𝑛 converge ⇐⇒ ∥ 𝐴 ∥< 𝑅
𝑛∈N

10.4.3. Point fixe des applications contractantes

Définition 10.4.4 On dit qu’une application est contractante si elle est 𝑘 -

lipschitzienne avec 𝑘 < 1.

Théorème 10.4.5 Soit ( 𝑋 , 𝑑 ) un espace métrique complet.

Si l’application 𝑓 : 𝑋 → 𝑋 est contractante, alors elle admet un unique point fixe
𝑥∈𝑋 :
   


∀𝑥, 𝑦 ∈ 𝑋 , ∃ 𝛼 ∈]0, 1[ , 𝑑 𝑓 ( 𝑥 ) , 𝑓 ( 𝑦 ) ≤ 𝛼𝑑 ( 𝑥, 𝑦 ) =⇒ ∃! 𝑥 ∈ 𝑋 , 𝑓 ( 𝑥 ) = 𝑥

De plus, toute suite récurrente donnée par 𝑥0 ∈ 𝑋 et 𝑥𝑛+1 = 𝑓 ( 𝑥𝑛 ) converge

géométriquement vers 𝑥 :

∀𝑛 ∈ N, 𝑑 ( 𝑥𝑛 , 𝑥 ) ≤ 𝛼 𝑛 𝑑 ( 𝑥0 , 𝑥 )
 59

10.4.4. Complété

Théorème 10.4.6 Soit ( 𝑋 , 𝑑 ) un espace métrique.

Il existe un espace métrique ( 𝑋˜ , 𝑑˜) complet dont ( 𝑋 , 𝑑 ) est un sous-espace dense.
Cet espace est unique à isométrie près. On l’appelle le complété de ( 𝑋 , 𝑑 ). □
Troisième partie

Probabilités
11. Évènements, espaces de
probabilités et probabilités
conditionnelles

11.1. Espaces probabilisés et évènements

11.1.1. Espace probabilisable

Vocabulaire 11.1.1
(i) On considère 𝛺 un ensemble non vide, appelé univers.
C’est l’ensemble des résultats possibles de l’expérience aléatoire considérée.
(ii) Un élément 𝜔 ∈ 𝛺 est appelé une épreuve, c’est un résultat possible de
l’expérience aléatoire.

Définition 11.1.2 Soit 𝛺 un ensemble non vide.

On dit que A ⊂ 𝛺 est une tribu de 𝛺 lorsque :
(i) ∅ ∈ A



(ii) 𝐴 ∈ A =⇒ 𝐴𝑐 ∈ A

Ð

(iii) ∀𝑛 ∈ N, 𝐴𝑛 ∈ A =⇒ 𝐴𝑛 ∈ A
𝑛∈N

Définition 11.1.3 Soient 𝛺 un ensemble non vide et A une tribu sur 𝛺 .

Le couple ( 𝛺, A) est appelé espace probabilisable.

Vocabulaire 11.1.4 Les éléments de la tribu sont appelés les évènements.

11.1.2. Probabilité
62 11. Évènements, espaces de probabilités et probabilités conditionnelles

Définition 11.1.5 Soit ( 𝛺, A) un espace probabilisable.

On dit que P : A → [0, 1] est une mesure de probabilité lorsque :
(i) P(∅) = 0
(ii) P( 𝛺 ) = 1
(iii) Pour toute suite ( 𝐴𝑛 )𝑛∈N d’éléments de A disjoints deux à deux :
  ∑︁
P 𝐴𝑛 = P( 𝐴𝑛 )
𝑛∈N 𝑛∈N

Définition 11.1.6 Soient ( 𝛺, A) un espace probabilisable et P une mesure de

probabilité sur ( 𝛺, A).
Le triplet ( 𝛺, A , P) est un espace de probabilité.

11.1.3. Exemples

RAJOUTER LES EXEMPLES

Définition 11.1.7 Soit 𝑓 : R → R une fonction.

On dit que 𝑓 est une densité de probabilités si :
(i) 𝑓 est mesurable
(ii) 𝑓 est positive presque partout
∫
(iii) R 𝑓 ( 𝑥 ) 𝑑𝑥 = 1

Définition 11.1.8 Soit 𝑓 : R𝑑 → R une fonction.

On dit que 𝑓 est une densité de probabilités si :
(i) 𝑓 est mesurable
(ii) 𝑓 est positive presque partout
∫
(iii) R𝑑 𝑓 ( 𝑥1 , . . . , 𝑥 𝑑 ) 𝑑𝑥1 . . . 𝑑𝑥 𝑑 = 1

Définition 11.1.9 On dit qu’une probabilité P sur R𝑑 a pour densité 𝑓 si :

∫
𝑑
∀ 𝐴 ∈ B (R ) , P( 𝐴) = 𝑓 ( 𝑥1 , . . . , 𝑥 𝑑 ) 𝑑𝑥1 . . . 𝑑𝑥 𝑑
𝐴
 63

11.1.4. Propriétés d’une probabilité

Proposition 11.1.10 Soient ( 𝛺, A , P) un espace de probabilités, 𝐴, 𝐵 ∈ A. On a

les propriétés suivantes :
(i) P( 𝐴𝑐 ) = 1 − P( 𝐴)
(ii) P( 𝐵 ) = P( 𝐵 ∩ 𝐴) + P( 𝐵 ∩ 𝐴𝑐 )



(iii) 𝐴 ⊂ 𝐵 =⇒ P( 𝐴) ≤ P( 𝐵 )
(iv) P( 𝐴 ∪ 𝐵 ) = P( 𝐴) + P( 𝐵 ) − P( 𝐴 ∩ 𝐵 )
(v) Pour toute suite ( 𝐴𝑛 )𝑛∈N d’éléments de A :
   
Ñ Ð
a) P 𝐴𝑛 = 1 − P 𝐴𝑛
𝑛∈N 𝑛∈N
Ð Í
b) P( 𝐴𝑛 ) ≤ 𝑛∈N P( 𝐴𝑛 )
𝑛∈N

Proposition 11.1.11 Soient ( 𝛺, A , P) un espace de probabilités et ( 𝐴𝑛 )𝑛∈N une

suite d’éléments de A.
(i) Si ( 𝐴𝑛 )𝑛∈N est une suite croissante, alors :
Ø 
P 𝐴𝑛 = lim P( 𝐴𝑛 )
𝑛→∞
𝑛∈N

(ii) Si ( 𝐴𝑛 )𝑛∈N est décroissante, alors :

Ù 
P 𝐴𝑛 = lim P( 𝐴𝑛 )
𝑛→∞
𝑛∈N

11.1.5. Probabilités conditionnelles et formule des probabilités

totales

Dans cette partie, on va considérer ( 𝛺, A , P) un espace de probabilités.

Définition 11.1.12 Soient 𝐴, 𝐵 ∈ A tels que P( 𝐵 ) ≠ 0.

On définit alors la probabilité de 𝐴 sachant 𝐵 , noté P 𝐵 ( 𝐴), ainsi :
P( 𝐴 ∩ 𝐵 )
P 𝐵 ( 𝐴) =
P( 𝐵 )
64 11. Évènements, espaces de probabilités et probabilités conditionnelles

(
A → [0, 1]
Remarque 11.1.13 L’application P 𝐵 (·) : est une mesure de proba-
𝐴 ↦→ P 𝐵 ( 𝐴)
bilités sur ( 𝛺, A).

Proposition 11.1.14 Soit ( 𝐵 1 , . . . , 𝐵 𝑛 ) une partition de l’ensemble 𝛺 en 𝑛 évène-

ments de probabilité non nulle.
Alors, pour tout 𝐴 ∈ A :
𝑛
∑︁
P( 𝐴) = P 𝐵 𝑖 ( 𝐴) × P( 𝐵 𝑖 )
𝑖 =1

Proposition 11.1.15 Soit ( 𝐵 1 , . . . , 𝐵 𝑛 ) une partition de l’ensemble 𝛺 en 𝑛 évène-

ments de probabilité non nulle.
Alors, pour tout 𝐴 ∈ A tel que P( 𝐴) ≠ 0 :

P( 𝐵𝑗 ∩ 𝐴) P 𝐵𝑗 ( 𝐴) × P( 𝐵𝑗 )
P 𝐴 ( 𝐵𝑗 ) = =
P( 𝐴) 𝑛
Í
P 𝐵 𝑖 ( 𝐴) × P( 𝐵 𝑖 )
𝑖 =1

11.1.6. Indépendance

Définition 11.1.16 Soient 𝐴, 𝐵 ∈ A.

On dit que 𝐴 et 𝐵 sont indépendants, noté 𝐴 ⊥
⊥ 𝐵 , si :

P( 𝐴 ∩ 𝐵 ) = P( 𝐴) × P( 𝐵 )

Définition 11.1.17 Soient 𝐴1 , . . . , 𝐴𝑛 ∈ A.

On dit que les évènements 𝐴1 , . . . , 𝐴𝑛 sont indépendants si :
Ù  Ö
∀𝐼 ⊂ {1, . . . , 𝑛}, P 𝐴𝑗 = P( 𝐴𝑖 )
𝑖∈𝐼 𝑖∈𝐼
12. Variables aléatoires

12.1. Variables aléatoires et lois

12.1.1. Définition des variables aléatoires

Dans cette partie, on considèrera ( 𝐸, E) un espace mesurable.

Définition 12.1.1 Soit ( 𝛺, A , P) un espace de probabilités.

On appelle variable aléatoire à valeurs dans ( 𝐸, E) toute application mesurable
𝑋 : ( 𝛺, A) → ( 𝐸, E)

Remarque 12.1.2
(i) Lorsque ( 𝐸, E) = (N, P (N)), 𝑋 est une variable aléatoire entière.
(ii) Lorsque ( 𝐸, E) = (R, B (R)), 𝑋 est une variable aléatoire réelle.
(iii) Lorsque ( 𝐸, E) = (R𝑑 , B (R𝑑 )) avec 𝑑 ≥ 2, 𝑋 est un vecteur aléatoire.

Notation 12.1.3 Soient 𝑋 : ( 𝛺, A) → ( 𝐸, E) une variable aléatoire et 𝐵 ∈ E. On

notera :
𝑋 ∈ 𝐵 = 𝜔 ∈ 𝛺, 𝑋 ( 𝜔) ∈ 𝐵 = 𝑋 −1 ( 𝐵 )
 

Proposition 12.1.4 Soient 𝑋 : ( 𝛺, A) → ( 𝐸, E) une variable aléatoire et

𝜑 : ( 𝐸, E) → ( 𝐸 ′, E ′) une application mesurable.
Alors, 𝜑 ◦ 𝑋 = 𝜑 ( 𝑋 ) est une variable aléatoire.

Corollaire 12.1.5 Soient 𝑋 et 𝑌 deux variables aléatoires réelles définies sur le

même espace de probabilités.
Alors, 𝑋 + 𝑌 , 𝑋 × 𝑌 ainsi que 𝜆𝑋 + 𝜇𝑌 pour 𝜆, 𝜇 ∈ R sont des variables aléatoires.

12.1.2. Loi d’une variable aléatoire

66 12. Variables aléatoires

Proposition 12.1.6 Soit 𝑋 : ( 𝛺, A , P) → ( 𝐸, E) une variable aléatoire.

Alors l’application suivante est une mesure de probabilités :
(
( 𝐸, E) → [0, 1]
P𝑋 :

𝐵 ↦→ P 𝑋 ( 𝐵 ) = P { 𝑋 ∈ 𝐵 }

Définition 12.1.7 Dans les conditions de la proposition précédente, P 𝑋 est appelée

la loi de 𝑋 .

12.2. Variable aléatoire entière

Remarque
12.2.1 Pour simplifier les notations, on notera désormais 𝑝 𝑖 = P( 𝑋 =

𝑖 ) = P𝑋 {𝑖 } .
On a alors pour tout 𝐴 ⊂ N :
 Ø  ∑︁

∑︁ ∑︁
P 𝑋 ( 𝐴) = P 𝑋 {𝑖 } = P𝑋 {𝑖 } = 𝑝𝑖 = 𝑝 𝑖 𝛿𝑖 ( 𝐴)
𝑖∈ 𝐴 𝑖∈ 𝐴 𝑖∈ 𝐴 𝑖 ∈N
(
1 si 𝑖 ∈ 𝐴
où 𝛿𝑖 ( 𝐴) = . Et, on a :
0 sinon
∑︁
∀ 𝑖 ∈ N, P𝑋 = 𝑝 𝑖 𝛿𝑖
𝑖 ∈N

Et la loi de 𝑋 est donc entièrement caractérisée par les 𝑝 𝑖 .

12.2.1. Loi de bernoulli de paramètre 𝒑

Définition 12.2.2 Soit 𝑝 ∈ [0, 1].

On dit que 𝑋 suit une loi de Bernoulli de paramètre 𝑝, noté 𝑋 ∼ B ( 𝑝), lorsque :

P( 𝑋 = 1) = 𝑝 , P( 𝑋 = 0) = 1 − 𝑝 , ∀𝑥 ∉ {0, 1}, P( 𝑋 = 𝑥 ) = 0

12.2.2. Loi binomiale de paramètre (𝒏, 𝒑)

 67

Définition 12.2.3 Soient 𝑛 ∈ N et 𝑝 ∈ [0, 1].

On dit que 𝑋 suit une loi binomiale de paramètres ( 𝑛, 𝑝), noté 𝑋 ∼ B ( 𝑛, 𝑝), si :
 
𝑛 𝑘
P( 𝑋 = 𝑘 ) = 𝑝 (1 − 𝑝) 𝑛−𝑘 1{0≤ 𝑘 ≤𝑛}
𝑘

12.2.3. Loi géométrique de paramètre 𝒑

Définition 12.2.4 Soit 𝑝 ∈ [0, 1].

On dit que 𝑋 suit une loi géométrique sur N∗ de paramètre 𝑝, noté 𝑋 ∼ G( 𝑝),
lorsque :
∀ 𝑘 ∈ N∗ , P( 𝑋 = 𝑘 ) = (1 − 𝑝) 𝑘−1 𝑝

Remarque 12.2.5 Il s’agit de la loi du premier succès. On fait 𝑘 − 1 échecs de

probabilité 1 − 𝑝 et 1 succès de probabilité 𝑝.
Remarque 12.2.6 Il existe également une loi géométrique sur N. On dit que 𝑋 suit
une loi géométrique sur N de paramètre 𝑝 ∈ [0, 1], notée 𝑋 ∼ GN ( 𝑝), lorsque :
∀ 𝑘 ∈ N, P( 𝑋 = 𝑘 ) = (1 − 𝑝) 𝑘 𝑝
Il s’agit donc de la loi du premier succès lorsque la première expérience est la numéro
0.

Définition 12.2.7 Soit 𝑋 une variable aléatoire entière.

On dit que 𝑋 est sans mémoire sur N si :

∀𝑛, 𝑚 ∈ N, P{ 𝑋 >𝑚} ( 𝑋 > 𝑛 + 𝑚) = P( 𝑋 > 𝑛)

Proposition 12.2.8 Les lois géométriques sont les seules lois sans mémoire sur N.

12.2.4. Loi de Poisson de paramètre 𝝀

Définition 12.2.9 Soit 𝜆 > 0.

On dit que 𝑋 suit une loi de Poisson de paramètre 𝜆, noté 𝑋 ∼ P ( 𝜆), lorsque :

𝜆 𝑘 −𝜆
∀ 𝑘 ∈ N, P( 𝑋 = 𝑘 ) = 𝑒
𝑘!
68 12. Variables aléatoires

12.3. Variables aléatoires réelles

Définition 12.3.1 Soit 𝜇 une mesure de probabilités sur (R, B (R)).

On dit que 𝑎 ∈ R est un atome de 𝜇 si :


𝜇 { 𝑎} ≠ 0

Si 𝜇 n’a aucun atome, on dit que 𝜇 est continue.

Définition 12.3.2 Soit 𝑋 une variable aléatoire réelle.

On définit la fonction de répartition de 𝑋 ainsi :


∀𝑥 ∈ R, 𝐹𝑋 ( 𝑥 ) = P( 𝑋 ≤ 𝑥 ) = P 𝑋 ] − ∞, 𝑥 ]

Proposition 12.3.3 Soient 𝑋 une variable aléatoire réelle et 𝐹𝑋 sa fonction de

répartition. On a les propriétés suivantes :
(i) 𝐹𝑋 est croissante.
(ii) lim 𝐹𝑋 ( 𝑥 ) = 0 et lim 𝐹𝑋 ( 𝑥 ) = 1
𝑥 →−∞ 𝑥 →+∞
(iii) 𝐹𝑋 est càdlàg (continue à droite avec limites à gauche)
(iv) 𝐹𝑋 est continue en 𝑥 si et seulement si P( 𝑋 = 𝑥 ) = 0.
(v) Sinon, P( 𝑋 = 𝑥 ) = 𝐹𝑋 ( 𝑥 ) − lim 𝐹𝑋 ( 𝑡 )
𝑡 →𝑥
𝑡 <𝑥
(vi) 𝐹𝑋 est continue sur R si et seulement si pour tout 𝑥 ∈ R, P( 𝑋 = 𝑥 ) = 0.

Remarque 12.3.4 Il est facile de vérifier qu’en −∞ la limite de 𝐹𝑋 vaut 0 et qu’en

+∞ la limite vaut 1. Pour rassurer ses calculs, il est donc important de le vérifier.
 69

Figure 12.3.5 Fonctions de répartition d’une variable discrète, d’une variable conti-
nue et d’une variable avec atome, mais non discrète.

Proposition 12.3.6 Soient 𝜇 et 𝜈 deux mesures de probabilités sur R. On a

l’implication suivante :



∀𝑥 ∈ R, 𝐹𝜇 ( 𝑥 ) = 𝐹𝜈 ( 𝑥 ) =⇒ 𝜇 = 𝜈

Corollaire 12.3.7 Soient 𝑋 et 𝑌 deux variables aléatoires réelles. On a :

∀𝑥 ∈ R, 𝐹𝜇 ( 𝑥 ) = 𝐹𝜈 ( 𝑥 ) =⇒ P 𝑋 = P𝑌

La fonction de répartition caractérise la loi.

12.4. Densité d’une variable aléatoire

Proposition 12.4.1 Soit 𝜇 une mesure de probabilités sur (R, B (R)). On a :

 ∫   
∀ 𝐴 ∈ B (R) , 𝜇 ( 𝐴) = 𝑓 ( 𝑥 ) 𝑑𝑥 =⇒ 𝑓 est une densité de probabilités sur R
𝐴

Définition 12.4.2 Soit 𝜇 une mesure de probabilités sur R vérifiant :

∫
∀ 𝐴 ∈ B (R) , 𝜇 ( 𝐴) = 𝑓 ( 𝑥 ) 𝑑𝑥
𝐴

Alors, la fonction 𝑓 est appelée la densité de 𝜇.

Définition 12.4.3 Soit 𝑋 une variable aléatoire réelle vérifiant :

∫
∀ 𝐴 ∈ B (R) , P( 𝑋 ∈ 𝐴) = 𝑓 ( 𝑥 ) 𝑑𝑥
𝐴

Alors, la fonction 𝑓 est appelée la densité de 𝑋 .

70 12. Variables aléatoires

Remarque 12.4.4 Si 𝑋 a pour densité 𝑓𝑋 , alors sa fonction de répartition s’écrit :

∫ 𝑥
𝐹𝑋 ( 𝑥 ) = 𝑓𝑋 ( 𝑡 ) 𝑑𝑡
−∞

et 𝐹𝑋 est donc continue.

Il est possible que 𝐹𝑋 soit continue sans pour autant que 𝑋 ait une densité.

12.5. Exemples de variables aléatoires réelles ayant

une densité

12.5.1. Loi uniforme sur [ 𝒂, 𝒃 ]

Définition 12.5.1 Soient 𝑎 < 𝑏 .

On dit que 𝑋 suit une loi uniforme sur l’intervalle [ 𝑎, 𝑏 ], noté 𝑋 ∼ U [ 𝑎, 𝑏 ] ,
lorsque 𝑋 a pour densité :
1
𝑓 (𝑥) = × 1 [ 𝑎,𝑏] ( 𝑥 )
𝑏−𝑎

12.5.2. Loi normale N (𝒎, 𝝈 2 )

Définition 12.5.2 Soit 𝑋 une variable aléatoire réelle.

On dit que 𝑋 suit une loi normale centrée réduite, noté 𝑋 ∼ N (0, 1) si 𝑋 a pour
densité :
1 𝑥2
𝑓 ( 𝑥 ) = √ 𝑒− 2
2𝜋

Définition 12.5.3 Soient 𝑚 ∈ R, 𝜎 > 0.

On dit que 𝑋 suit une loi normale de paramètres ( 𝑚, 𝜎 2 ), noté 𝑋 ∼ N ( 𝑚, 𝜎 2 ) si 𝑋
a pour densité :
2
1 − ( 𝑥 −𝑚 )
𝑓 ( 𝑥 ) = √ 𝑒 2𝜎 2
𝜎 2𝜋

12.5.3. Loi exponentielle E(𝝀)

 71

Définition 12.5.4 Soit 𝜆 > 0.

On dit que 𝑋 suit une loi exponentielle de paramètre 𝜆 > 0, noté E ( 𝜆), si 𝑋 a pour
densité :
𝑓 ( 𝑥 ) = 𝜆𝑒 −𝜆𝑥 1R+ ( 𝑥 )

Proposition 12.5.5 Les lois exponentielles sont les seules lois sans mémoire sur R.

12.5.4. Loi de Cauchy

Définition 12.5.6 Soit 𝑋 une variable aléatoire réelle.

On dit que 𝑋 suit une loi de Cauchy standard, noté C(1), si 𝑋 a pour densité :
1
𝑓 (𝑥) =
𝜋 (1 + 𝑥 2 )

Définition 12.5.7 Soit 𝜆 > 0.

On dit que 𝑋 suit une loi de Cauchy de paramètre 𝜆, noté C( 𝜆), si 𝑋 a pour
densité :
1
𝑓 (𝑥) =
𝜋 ( 𝜆2 + 𝑥 2 )

12.6. Espérance d’une variable aléatoire réelle

12.6.1. Définition

Définition 12.6.1 On dit qu’une propriété est vraie presque sûrement si elle est
vraie avec probabilité 1.

Définition 12.6.2 Soit 𝑋 : ( 𝛺, A , P) → (R, B (R)) une variable aléatoire telle

que : ∫
| 𝑋 ( 𝜔)| 𝑑 P( 𝜔) < ∞
𝛺
On définit alors l’espérance de 𝑋 ainsi :
∫
E( 𝑋 ) = 𝑋 ( 𝜔) 𝑑 P( 𝜔) ∈ R
𝛺
72 12. Variables aléatoires

Définition 12.6.3 Soit 𝑋 : ( 𝛺, A , P) → (R, B (R)) une variable aléatoire telle

que :
𝑋 ≥ 0 presque sûrement
On définit alors l’espérance de 𝑋 ainsi :
∫
E( 𝑋 ) = 𝑋 ( 𝜔) 𝑑 P( 𝜔) ∈ R+
𝛺

12.6.2. Propriétés

Proposition 12.6.4 Soient 𝑋 , 𝑌 deux variables aléatoires définies sur le même

espace de probabilités ( 𝛺, A , P) et 𝜆, 𝜇 ∈ R.
(i) E( 𝜆𝑋 + 𝜇𝑌 ) = 𝜆E( 𝑋 ) + 𝜇E(𝑌 )



(ii) 𝑋 ≥ 0 presque sûrement =⇒ E( 𝑋 ) ≥ 0



(iii) 𝑋 ≥ 𝑌 presque sûrement =⇒ E( 𝑋 ) ≥ E(𝑌 )
(iv) Pour tout 𝐴 ∈ A :
E(1 𝐴 ) = P( 𝐴)

Théorème 12.6.5 Soient ( 𝑋𝑛 )𝑛∈N des variables aléatoires réelles définies sur le
même espace de probabilités ( 𝛺, A , P).
On suppose :
(i) Pour tout 𝑛 ∈ N, 𝑋𝑛 ≥ 0 presque sûrement
(ii) La suite ( 𝑋𝑛 )𝑛∈N est croissante presque sûrement □
Alors, ( 𝑋𝑛 )𝑛∈N converge presque sûrement vers une variable aléatoire réelle 𝑋 et :

E( 𝑋𝑛 ) −→ E( 𝑋 )
𝑛→∞

Théorème 12.6.6 Soient ( 𝑋𝑛 )𝑛∈N et 𝑋 des variables aléatoires réelles définies sur
le même espace de probabilités ( 𝛺, A , P).
On suppose :
(i) P( lim 𝑋𝑛 = 𝑋 ) = 1, c’est-à-dire ( 𝑋𝑛 )𝑛∈N converge presque sûrement vers 𝑋
𝑛→∞
(ii) Il existe une variable aléatoire réelle 𝑌 , intégrable telle que pour tout 𝑛 ∈ N :
| 𝑋𝑛 | ≤ 𝑌 presque sûrement
Alors, 𝑋 est intégrable et :
E( 𝑋𝑛 ) −→ E( 𝑋 )
𝑛→∞
 73

Remarque 12.6.7 Ici, le sens 𝑋 intégrable signifie que E(| 𝑋 |) < ∞.

12.6.3. Théorème de transfert

Théorème 12.6.8 Soient 𝑋 : ( 𝛺, A , P) → (R𝑑 , B (R𝑑 )) une variable aléatoire et

𝑔 : (R𝑑 , B (R𝑑 )) → (R, B (R𝑑 )).
On suppose :
(i) 𝑔 est mesurable.
(ii) 𝑔 est intégrable par rapport à la mesure P 𝑋
Alors, on a :
(i) 𝑔 ◦ 𝑋 = 𝑔 ( 𝑋 ) est intégrable par rapport à P
(ii) ∫


E 𝑔(𝑋 ) = 𝑔 ( 𝑥 ) 𝑑P 𝑋 ( 𝑥 )
R𝑑

Théorème 12.6.9 Soient 𝑋 : ( 𝛺, A , P) → (R𝑑 , B (R𝑑 )) une variable aléatoire et

𝑔 : (R𝑑 , B (R𝑑 )) → (R, B (R𝑑 )).
On suppose :
(i) 𝑔 est mesurable.
(ii) 𝑔 ≥ 0 P 𝑋 -presque partout
Alors, on a :
(i) 𝑔 ◦ 𝑋 = 𝑔 ( 𝑋 ) ≥ 0 presque sûrement
(ii) ∫


E 𝑔(𝑋 ) = 𝑔 ( 𝑥 ) 𝑑P 𝑋 ( 𝑥 )
R𝑑

12.6.4. Exemples

Corollaire 12.6.10 Soit 𝑋 une variable aléatoire réelle intégrable par rapport à P
ou positive presque sûrement.
Alors, ∫
E( 𝑋 ) = 𝑥 𝑑P 𝑋 ( 𝑥 )
R
74 12. Variables aléatoires

12.6.5. Cas où 𝑿 possède une densité

Proposition 12.6.11 Soit 𝑋 une variable aléatoire réelle ayant pour densité 𝑓𝑋 .
Alors, ∫
E( 𝑋 ) = 𝑥 𝑓𝑋 ( 𝑥 ) 𝑑𝑥
R

Exemple 12.6.12


(i) Si 𝑋 ∼ U [ 𝑎, 𝑏 ] :
𝑎+𝑏
E( 𝑋 ) =
2
(ii) Si 𝑋 ∼ E ( 𝜆) :
1
E( 𝑋 ) =
𝜆
(iii) Si 𝑋 ∼ N ( 𝑚, 𝜎 2 ) :
E( 𝑋 ) = 𝑚

12.6.6. Cas où 𝑿 est une variable aléatoire entière

Proposition 12.6.13 Soit 𝑋 une variable aléatoire entière.

∑︁
E( 𝑋 ) = 𝑘 P( 𝑋 = 𝑘 )
𝑘 ∈N

Exemple 12.6.14
(i) Si 𝑋 ∼ B ( 𝑝) :
E( 𝑋 ) = 𝑝
(ii) Si 𝑋 ∼ B ( 𝑛, 𝑝) :
E( 𝑋 ) = 𝑛 𝑝
(iii) Si 𝑋 ∼ P ( 𝜆) :
E( 𝑋 ) = 𝜆
(iv) Si 𝑋 ∼ G( 𝑝) :
1
E( 𝑋 ) =
𝑝
 75

12.6.7. Calcul de l’espérance de 𝒈 ( 𝑿 )

Proposition 12.6.15 Soient 𝑋 une variable aléatoire réelle ayant pour densité 𝑓𝑋
et 𝑔 : R → R.
Si 𝑥 ↦→ 𝑔 ( 𝑥 ) 𝑓𝑋 ( 𝑥 ) est intégrable sur R ou si 𝑔 ≥ 0 sur R, alors :
∫


E 𝑔(𝑋 ) = 𝑔 ( 𝑥 ) 𝑓𝑋 ( 𝑥 ) 𝑑𝑥
R

Proposition 12.6.16 Soient 𝑋 un vecteur aléatoire de R𝑑 ayant une densité 𝑓𝑋 :

R𝑑 → R et 𝑔 : R𝑑 → R.
Si ( 𝑥1 , . . . , 𝑥 𝑑 ) ↦→ 𝑔 ( 𝑥1 , . . . , 𝑥 𝑑 ) 𝑓𝑋 ( 𝑥1 , . . . , 𝑥 𝑑 ) est intégrable sur R𝑑 ou si 𝑔 ≥ 0 sur
R𝑑 , alors : ∫


E 𝑔 (𝑥) = 𝑔 ( 𝑥1 , . . . , 𝑥 𝑑 ) 𝑓𝑋 ( 𝑥1 , . . . , 𝑥 𝑑 ) 𝑑𝑥1 . . . 𝑑𝑥 𝑑
R𝑑

12.7. Vecteurs aléatoires et indépendance de

variables aléatoires

12.7.1. Définition

Définition 12.7.1 Soit 𝑋 une variable aléatoire à valeurs dans R𝑑 .

Dans ce cas, on dit que 𝑋 est un vecteur aléatoire.

12.7.2. Lois marginales

Définition 12.7.2 Soit 𝑋 = ( 𝑋1 , . . . , 𝑋 𝑑 ) un vecteur aléatoire de R𝑑 .

La loi P 𝑋𝑖 de la 𝑖 -ième coordonnée 𝑋𝑖 est appelée la 𝑖 -ième loi marginale de 𝑋 .
Cette 𝑖 -ième loi marginale de 𝑋 vérifie :

∀ 𝐴 ∈ B (R) , P 𝑋𝑖 ( 𝐴) = P( 𝑋 ∈ R × . . . × R × 𝐴 × R × . . . × R)

où le 𝐴 est à la 𝑖 -ième place.

76 12. Variables aléatoires

Proposition 12.7.3 Soit 𝑋 = ( 𝑋1 , . . . , 𝑋 𝑑 ) un vecteur aléatoire de R𝑑 .

Si 𝑋 a une densité 𝑓𝑋 , alors pour tout 1 ≤ 𝑖 ≤ 𝑑 , 𝑋𝑖 a une densité :
∫
𝑓𝑋𝑖 ( 𝑢) = 𝑓𝑋 ( 𝑥1 , . . . , 𝑥 𝑖 −1 , 𝑢, 𝑥 𝑖 +1 , . . . , 𝑥 𝑑 ) 𝑑𝑥1 . . . 𝑑𝑥 𝑖 −1 𝑑𝑥 𝑖 +1 . . . 𝑑𝑥 𝑑
R𝑑 −1

Cette densité est appelée la 𝑖 -ième densité marginale de 𝑋 .

12.7.3. Indépendance

Définition 12.7.4 Soient 𝑑 variables aléatoires 𝑋1 , . . . , 𝑋 𝑑 telles que pour tout

1 ≤ 𝑖 ≤ 𝑑 , 𝑋𝑖 soit à valeurs dans un espace mesuré ( 𝐸𝑖 , E 𝑖 ).
On dit que les variables aléatoires 𝑋1 , . . . , 𝑋 𝑑 sont indépendantes si :
𝑑
Ù  𝑑
Ö
∀( 𝐴1 , . . . , 𝐴𝑑 ) ∈ E1 × . . . × E 𝑑 , P { 𝑋𝑖 ∈ 𝐴𝑖 } = P( 𝑋𝑖 ∈ 𝐴𝑖 )
𝑖 =1 𝑖 =1

12.7.4. Indépendance dans le cas d’un vecteur aléatoire ayant

une densité

Proposition 12.7.5 Soit 𝑋 = ( 𝑋1 , . . . , 𝑋 𝑑 ) un vecteur aléatoire ayant pour densité

𝑓( 𝑋1 ,...,𝑋𝑑 ) . Alors les deux points suivants sont équivalents :
(i) Les variables 𝑋1 , . . . , 𝑋 𝑑 sont indépendantes
(ii) Il existe 𝑓1 , . . . , 𝑓𝑑 : (R, B (R)) → (R, B (R)) mesurables telles que pour
presque tout ( 𝑥1 , . . . , 𝑥 𝑑 ) ∈ R𝑑 :

𝑑
Ö
𝑓( 𝑋1 ,...,𝑋𝑑 ) ( 𝑥1 , . . . , 𝑥 𝑑 ) = 𝑓𝑖 ( 𝑥 𝑖 )
𝑖 =1

De plus, lorsque (ii) est vérifié :

𝑑
Ö
∀1 ≤ 𝑖 ≤ 𝑑, ∃ 𝑐 𝑖 > 0, 𝑓𝑋𝑖 = 𝑐𝑖 𝑓𝑖 et 𝑐𝑖 = 1
𝑖 =1
 77

Exemple 12.7.6

𝜆 −𝜆𝑥1 − 𝑥222
𝑓( 𝑋1 ,𝑋2 ) ( 𝑥1 , 𝑥2 ) = √ 𝑒 1R+ ( 𝑥1 ) , 𝜆>0
2𝜋
𝜆 𝑥2
2
= √ 𝑒 −𝜆𝑥1 1R+ ( 𝑥1 ) × 𝑒 − 2 , 𝜆>0
2𝜋
= 𝑓1 ( 𝑥1 ) × 𝑓2 ( 𝑥2 )

Ainsi, 𝑋1 et 𝑋2 sont indépendantes et 𝑋1 a pour densité 𝑥1 ↦→ 𝑐1 𝑓1 ( 𝑥1 ) et 𝑋2 a pour

densité 𝑥2 ↦→ 𝑐2 𝑓2 ( 𝑥2 ) avec 𝑐1 , 𝑐2 > 0. Puisque
√ ce sont des1densités, leurs intégrales
doit valoir 1. en particulier, on trouve 𝑐1 = 2 𝜋 et 𝑐2 = √ et donc :
2𝜋

𝑋1 ∼ E ( 𝜆) et 𝑋2 ∼ N (0, 1)

Remarque 12.7.7 Une autre manière de faire aurait été de calculer les lois margi-
nales de ( 𝑋1 , 𝑋2 ) et de vérifier si presque partout, 𝑓( 𝑋1 ,𝑋2 ) ( 𝑥1 , 𝑥2 ) = 𝑓1 ( 𝑥1 ) × 𝑓2 ( 𝑥2 ).

12.7.5. Lien entre espérance et indépendance

Théorème 12.7.8 Soit 𝑋 = ( 𝑋1 , . . . , 𝑋 𝑑 ) un vecteur aléatoire de R𝑑 . Les deux

propriétés suivantes sont équivalentes :
(i) Les variables 𝑋1 , . . . , 𝑋𝑛 sont équivalentes
(ii) Pour toutes fonctions 𝜑1 , . . . , 𝜑𝑑 : R → R mesurables bornées ou mesurable
positives :
Ö𝑑  Ö𝑑


E 𝜑𝑖 ( 𝑋𝑖 ) = E 𝜑𝑖 ( 𝑋𝑖 )
𝑖 =1 𝑖 =1

12.8. Moments, variance, covariance et corrélation

12.8.1. Moments

Proposition 12.8.1 (Inégalité de Hölder) Soient 𝑋 et 𝑌 deux variables aléa-

toires réelles définies sur le même espace de probabilités ( 𝛺, A , P) et 𝑝, 𝑞 ∈ R.
Si 1𝑝 + 1𝑞 = 1, alors :
  1𝑝   1𝑞

𝑝
𝑞

E | 𝑋𝑌 | ≤ E | 𝑋 | E |𝑌 |
78 12. Variables aléatoires

Proposition 12.8.2 Soient 𝑋 une variable aléatoire réelle et 0 < 𝑟 < 𝑠 . Alors :
   
𝑠
𝑟

E | 𝑋 | < ∞ =⇒ E | 𝑋 | < ∞

Définition 12.8.3 Lorsque E | 𝑋 | 𝑟 < ∞, E | 𝑋 | 𝑟 est appelé moment d’ordre 𝑟 .

Notation 12.8.4 L’ensemble L𝑟 ( 𝛺,
A , P) est l’ensemble des variables aléatoires

réelle de ( 𝛺, A , P) telles que E | 𝑋 | < ∞.
𝑟

L𝑟 ( 𝛺, A , P) = { 𝑋 : ( 𝛺, A , P) → R, 𝑋 est une variable aléatoire et E | 𝑋 | 𝑟 < ∞}


Remarque 12.8.5 On dit que 𝑋 admet un moment d’ordre 𝑟 lorsque E | 𝑋 | 𝑟 < ∞,
et ceci est équivalent à dire que 𝑋 ∈ L𝑟 ( 𝛺, A , P) que l’on pourra abréger en 𝑋 ∈ L𝑟
s’il n’y a aucune ambiguïté sur l’espace de probabilités.

12.8.2. Variance

Définition 12.8.6 Soit 𝑋 une variable aléatoire réelle ayant un moment d’ordre 2.
On définit alors la variance de 𝑋 ainsi :

Var( 𝑋 ) = E( 𝑋 2 ) − E( 𝑋 ) 2

Proposition 12.8.7 Soient 𝑋 une variable aléatoire réelle ayant un moment d’ordre
2 et 𝑎, 𝑏 ∈ R.
On a les propriétés suivantes :
(i) Var( 𝑎𝑋 ) = 𝑎2 Var( 𝑋 )
(ii) Var( 𝑋 + 𝑏 ) =Var( 𝑋 )
(iii) Var( 𝑎𝑋 + 𝑏 ) = 𝑎2 Var( 𝑋 )

Définition 12.8.8 Soit 𝑋 une variable aléatoire réelle ayant un moment d’ordre 2.
On définit alors son écart-type, noté 𝜎 ( 𝑋 ), ainsi :
√︁
𝜎 ( 𝑋 ) = Var( 𝑋 )
 79

Remarque 12.8.9 Lorsqu’ils existent, la variance de 𝑋 et l’écart-type de 𝑋 carac-

térisent la dispersion de 𝑋 : intuitivement, plus la variance est grande, plus 𝑋 peut
prendre des valeurs éloignées de son espérance.

12.8.3. Tableau récapitulatif d’espérance et de variance de loi

connues

Loi de 𝑋 Espérance de 𝑋 Variance de 𝑋

𝑋 ∼ B ( 𝑝) 𝑝 𝑝 (1 − 𝑝)

𝑋 ∼ B ( 𝑛, 𝑝) 𝑛𝑝 𝑛 𝑝 (1 − 𝑝)

𝑋 ∼ P ( 𝜆) 𝜆 𝜆
1 1− 𝑝
𝑋 ∼ G( 𝑝) 𝑝 𝑝2

𝑎 +𝑏 ( 𝑏 − 𝑎) 2
𝑋 ∼ U [ 𝑎, 𝑏 ] 2 12

𝑋 ∼ N ( 𝑚, 𝜎 2 ) 𝑚 𝜎2
1 1
𝑋 ∼ E ( 𝜆) 𝜆 𝜆2

12.8.4. Covariance

Définition 12.8.10 Soient 𝑋 , 𝑌 ∈ L2 ( 𝛺, A , P).

On peut alors définir la forme bilinéaire symétrique associée à la variance, appelée
la covariance de 𝑋 et de 𝑌 , notée Cov( 𝑋 , 𝑌 ) :

Cov( 𝑋 , 𝑌 ) = E( 𝑋𝑌 ) − E( 𝑋 )E(𝑌 )

Remarque 12.8.11 En particulier : Cov( 𝑋 , 𝑋 ) = Var( 𝑋 ).

Proposition 12.8.12 Soient 𝑋 , 𝑌 ∈ L2 ( 𝛺, A , P). On a :

(i) 𝑋 ⊥
⊥ 𝑌 =⇒ Cov( 𝑋 , 𝑌 ) = 0
(ii) Cov( 𝑋 , 𝑌 ) ≤ 𝜎 ( 𝑋 ) 𝜎 (𝑌 )
80 12. Variables aléatoires

Définition 12.8.13 Soient 𝑋 , 𝑌 ∈ L2 ( 𝛺, A , P) tels que 𝜎 ( 𝑋 ) , 𝜎 (𝑌 ) ≠ 0.

On appelle corrélation de 𝑋 et de 𝑌 la quantité suivant :
Cov( 𝑋 , 𝑌 )
𝜚( 𝑋 , 𝑌 ) =
𝜎 ( 𝑋 ) 𝜎 (𝑌 )

12.8.5. Somme de variables aléatoires indépendantes

Proposition 12.8.14 Soient 𝑋1 , . . . , 𝑋𝑛 des variables aléatoires réelles. Alors :

(i)
𝑛
 ∑︁  𝑛
∑︁ ∑︁
Var 𝑋𝑖 = Var( 𝑋𝑖 ) + 2 Cov( 𝑋𝑖 , 𝑋𝑗 )
𝑖 =1 𝑖 =1 1 ≤ 𝑖 <𝑗 ≤ 𝑛

(ii) Par linéarité :

𝑛
 ∑︁  𝑛
∑︁
E 𝑋𝑖 = E( 𝑋𝑖 )
𝑖 =1 𝑖 =1

(iii) Si 𝑋1 , . . . , 𝑋𝑛 sont indépendantes :

𝑛
 ∑︁  𝑛
∑︁
Var 𝑋𝑖 = Var( 𝑋𝑖 )
𝑖 =1 𝑖 =1

(iv) Si 𝑋1 , . . . , 𝑋𝑛 sont indépendantes et de même loi, alors :

𝑛
 ∑︁  𝑛
 ∑︁ 
E 𝑋𝑖 = 𝑛E( 𝑋1 ) , Var 𝑋𝑖 = 𝑛Var( 𝑋1 )
𝑖 =1 𝑖 =1

Notation 12.8.15 Lorsque les variables aléatoires sont indépendantes et de même

loi, on dit qu’elles sont indépendantes et identiquement distribuées, abrégé en 𝑖.𝑖.𝑑.

12.8.6. Inégalités

Théorème 12.8.16 (Inégalité de Markov) Soient 𝑌 une variable aléatoire

réelle positive et 𝑎 > 0. Alors :
E(𝑌 )
P(𝑌 ≥ 𝑎) ≤
𝑎
 81

Théorème 12.8.17 (Inégalité de Bienaymé-Tchebichev) Soient 𝑋 une va-

riable aléatoire réelle ayant un moment d’ordre 2 et 𝑏 > 0. Alors :

1
P | 𝑋 − E( 𝑋 )| ≥ 𝑏 ≤ 2 Var( 𝑋 )
𝑏
13. Loi d’une fonction d’une ou
plusieurs variables

13.1. Loi de la somme de deux variables aléatoires

entières

Pour 𝑋 , 𝑌 deux variables aléatoires entières :

∑︁

P( 𝑋 + 𝑌 = 𝑛) = P { 𝑋 = 𝑘 } ∩ {𝑌 = 𝑛 − 𝑘 }
𝑛∈Z
∑︁
Si 𝑋 ⊥
⊥𝑌 : = P( 𝑋 = 𝑘 )P(𝑌 = 𝑛 − 𝑘 )
𝑘 ∈Z
∑︁𝑛
Si 𝑋 ⊥
⊥ 𝑌 et 𝑋 , 𝑌 ≥ 0 : = P( 𝑋 = 𝑘 )P(𝑌 = 𝑛 − 𝑘 )
𝑘 =0

Proposition 13.1.1 Par ce qui précède, on a après calculs :

(i) Si 𝑋 ∼ P ( 𝜆) et 𝑌 ∼ P ( 𝜇) avec 𝑋 ⊥
⊥ 𝑌 , alors :

𝑋 + 𝑌 ∼ P ( 𝜆 + 𝜇)

(ii) Si 𝑋 ∼ B ( 𝑛1 , 𝑝) et 𝑌 ∼ B ( 𝑛2 , 𝑝) avec 𝑋 ⊥
⊥ 𝑌 , alors :

𝑋 + 𝑌 ∼ B ( 𝑛1 + 𝑛2 , 𝑝)

(iii) Si 𝑋1 , . . . , 𝑋𝑛 ∼ B ( 𝑝), alors :

𝑋1 + . . . + 𝑋𝑛 ∼ B ( 𝑛, 𝑝)
 83

13.2. Loi d’une fonction d’une variable aléatoire

13.2.1. Méthode de la fonction de répartition

Méthode 13.2.1 La méthode est la suivante :

On cherche la fonction de répartition de 𝑔 ( 𝑋 ) : 𝐹𝑔 ( 𝑋 ) ( 𝑥 ) = P( 𝑔 ( 𝑋 ) ≤ 𝑥 ), ce qui
permettra d’identifier la loi de 𝑔 ( 𝑋 ).
Pour se faire, il nous faut exprimer { 𝑔 ( 𝑋 ) ≤ 𝑥 } en union d’évènements { 𝑋 ∈] 𝑎, 𝑏 ]}
car P( 𝑋 ∈] 𝑎, 𝑏 ]) = 𝐹𝑋 ( 𝑏 ) − 𝐹𝑋 ( 𝑎).

𝐹𝑋 ( 𝑏 ) = P( 𝑋 ∈]−∞, 𝑏 ]) = P 𝑋 (]−∞, 𝑏 ]) = P 𝑋 (]−∞, 𝑎])+P 𝑋 (] 𝑎, 𝑏 ]) = 𝐹𝑋 ( 𝑎)+P( 𝑋 ∈] 𝑎, 𝑏 ])

Ceci permet d’exprimer 𝐹𝑔 ( 𝑋 ) en fonction de 𝐹𝑋 .

Exemple 13.2.2 Voici un exemple afin de comprendre l’utilisation de cette mé-

thode : Soit 𝑋 ∼ N (0, 1), cherchons la loi de 𝑌 = 𝑋 2 :
(i) Si 𝑥 < 0 :
𝐹𝑌 ( 𝑥 ) = P(𝑌 ≤ 𝑥 ) = P( 𝑋 2 ≤ 𝑥 ) = P(∅) = 0
(ii) Si 𝑥 ≥ 0 :
√
𝐹𝑌 ( 𝑥 ) = P(𝑌 ≤ 𝑥 ) = P( 𝑋 2 ≤ 𝑥 ) = P(| 𝑋 | ≤ 𝑥)
√ √
= P(− 𝑥 ≤ 𝑋 ≤ 𝑥 )
√ √
= P(− 𝑥 < 𝑋 ≤ 𝑥 )
√ √
= 𝐹𝑋 ( 𝑥 ) − 𝐹𝑋 (− 𝑥 )
La√ troisième égalité est rendue possible car 𝑋 a une densité, et donc P( 𝑋 =
− 𝑋 ) = 0.
La fonction de répartition 𝐹𝑌 est donc dérivable sur R∗ , nulle sur R∗− et vaut
pour 𝑥 > 0 :
1 √ 1 √
𝐹𝑌′ ( 𝑥 ) = √ 𝐹𝑋′ ( 𝑥 ) + √ 𝐹𝑋′ (− 𝑥 )
2 𝑥 2 𝑥
1 √ 1 √
= √ 𝑓𝑋 ( 𝑥 ) + √ 𝑓𝑋 (− 𝑥 )
2 𝑥 2 𝑥
1 − |𝑥|
= √ 𝑒 2
2𝜋 𝑥
|𝑥|
Finalement, 𝐹𝑌′ ( 𝑥 ) = √ 1 𝑒−
1R∗+ ( 𝑥 ). Et, en intégrant 𝐹𝑌′ , nous avons :
2
2𝜋 𝑥
∫ 𝑡
1 − |𝑥|
∀𝑡 ∈ R, 𝐹𝑌 ( 𝑡 ) = √ 𝑒 2 1R∗+ ( 𝑥 ) 𝑑𝑥
−∞ 2 𝜋 𝑥
Et, 𝑌 a la même fonction de répartition qu’une variable aléatoire de densité
|𝑥|
𝑥 ↦→ √ 1 𝑒 − 2 1R∗+ ( 𝑥 ).
2𝜋 𝑥
84 13. Loi d’une fonction d’une ou plusieurs variables

13.2.2. Méthode de la fonction muette

Proposition 13.2.3 Pour qu’une mesure de probabilités 𝜇 sur (R, B (R)) soit
la loi d’une variable aléatoire 𝑋 , il faut et il suffit que pour toute fonction 𝜑
mesurable positive, on ait :
∫


E 𝜑(𝑋 ) = 𝜑 ( 𝑥 ) 𝑑𝜇 ( 𝑥 )
R

Remarque 13.2.4 Nous pouvons remplacer "mesurable positive" par "mesurable

bornée", "continue bornée" ou encore "continue à support compact".

1
Exemple 13.2.5 Soit 𝑋 ∼ C(1). Déterminons la loi de 𝑌 = 𝑋 :
Soit 𝜑 une fonction mesurable positive :
∫   ∫ 0   ∫ +∞  

1 1 1 1 1 1
E 𝜑(𝑋 ) = 𝜑 𝑑𝑥 = 𝜑 𝑑𝑥 + 𝜑 𝑑𝑥
R 𝑥 𝜋 (1 + 𝑥 2 ) −∞ 𝑥 𝜋 (1 + 𝑥 2 ) 0 𝑥 𝜋 (1 + 𝑥 2 )

On effectue désormais le changement de variable 𝑢 = 1𝑥 en s’assurant bien que ce soit

un C 1 difféomorphisme, ici, le découpage en 2 de l’intégrale le permet : 1𝑥 n’étant
pas définie en 0, et on obtient :
∫
1
𝜑 ( 𝑢) 𝑑𝑢
R 𝜋 (1 + 𝑢2 )
Puisque ceci est vraie pour toutes fonctions 𝜑 mesurables positives, la proposition
précédente permet donc d’affirmer que 𝑌 a pour densité 𝑓𝑌 ( 𝑢) = 𝜋 (11+𝑢2 )

13.2.3. Loi de 𝑿 + 𝒀 et convolution

Proposition 13.2.6 Soit ( 𝑋 , 𝑌 ) un couple de variables aléatoires ayant pour den-

sité 𝑓( 𝑋 ,𝑌 ) .
Alors, la variable aléatoire 𝑋 + 𝑌 a pour densité :
∫
∀𝑡 ∈ R, 𝑓𝑋 +𝑌 ( 𝑡 ) = 𝑓( 𝑋 ,𝑌 ) ( 𝑥, 𝑡 − 𝑥 ) 𝑑𝑥
R

Si de plus 𝑋 ⊥
⊥ 𝑌 , on a :
∫
∀𝑡 ∈ R, 𝑓𝑋 +𝑌 ( 𝑡 ) = 𝑓𝑋 ( 𝑥 ) 𝑓𝑌 ( 𝑡 − 𝑥 ) 𝑑𝑥
R
 85

13.3. Outils pour l’étude de la somme : la fonction

génératrice d’une variable aléatoire entière

13.3.1. Définition

Définition 13.3.1 Soit 𝑋 une variable aléatoire entière.

On définit la fonction génératrice de 𝑋 , noté 𝐺 𝑋 : [0, 1] → [0, 1], définie par :
∑︁
𝐺 𝑋 ( 𝑠 ) = E( 𝑠 𝑋 ) = 𝑠 𝑛 P( 𝑋 = 𝑛)
𝑛∈N

Proposition 13.3.2 Soient 𝑋 une variable aléatoire entière et 𝐺 𝑋 la fonction

génératrice associée. On a :
(i) 𝐺 𝑋 est de classe C ∞ sur [0, 1[.
𝐺 ( 𝑘 ) ( 0)
(ii) Pour tout 𝑘 ∈ N, P( 𝑋 = 𝑘 ) = 𝑋𝑘!
(iii) La fonction génératrice caractérise la loi de 𝑋 , en particulier si 𝐺 𝑋 = 𝐺𝑌 alors
𝑋 et 𝑌 ont même loi.
(iv) Si 𝑋 admet un moment d’ordre 1 :

𝐺 ′𝑋 (1) = E( 𝑋 )

(v) Si 𝑋 admet un moment d’ordre 2 :

𝐺 ′′𝑋 (1) = E 𝑋 ( 𝑋 − 1)

(vi) Si 𝑋 admet un moment d’ordre 2, puisque 𝑋 2 = 𝑋 ( 𝑋 − 1) + 𝑋 :

Var( 𝑋 ) = 𝐺 ′′𝑋 (1) + 𝐺 ′𝑋 (1) − 𝐺 ′𝑋 (1) 2

86 13. Loi d’une fonction d’une ou plusieurs variables

13.3.2. Exemples

Loi de 𝑋 Fonction génératrice associée

𝑋 ∼ B ( 𝑝) 𝐺 𝑋 ( 𝑠 ) = 1 − 𝑝 + 𝑝𝑠

𝑋 ∼ B ( 𝑛, 𝑝) 𝐺 𝑋 ( 𝑠 ) = (1 − 𝑝 + 𝑝𝑠 ) 𝑛

𝑋 ∼ P ( 𝜆) 𝐺 𝑋 ( 𝑠 ) = 𝑒 𝜆 ( 𝑠−1)
𝑝𝑠
𝑋 ∼ G( 𝑝) 𝐺 𝑋 ( 𝑠) = 1−( 1− 𝑝) 𝑠

Remarque 13.3.3 Il est important de savoir retrouver ses valeurs si nécessaire, par
ailleurs, les connaître est tout aussi utiles, mais il faut savoir les retrouver.

Exemple 13.3.4 Soient 𝑋 ∼ P ( 𝜆) et 𝑌 ∼ P ( 𝜇) avec 𝑋 ⊥

⊥ 𝑌 et 𝑠 ∈ [0, 1] :

𝐺 𝑋 +𝑌 ( 𝑠 ) = E( 𝑠 𝑋 +𝑌 ) = E( 𝑠 𝑋 𝑠𝑌 ) = E( 𝑠 𝑋 )E( 𝑠𝑌 )
= 𝐺 𝑋 ( 𝑠 ) 𝐺𝑌 ( 𝑠 )
= 𝑒 𝜆) ( 𝑠−1) 𝑒 𝜇 ( 𝑠−1)
= 𝑒 ( 𝜆 + 𝜇 ) ( 𝑠 −1 )
= 𝐺 𝑍 ( 𝑠)

où 𝑍 ∼ P ( 𝜆 + 𝜇) et donc puisque la fonction génératrice caractérise la loi, 𝑋 + 𝑌 ∼

P ( 𝜆 + 𝜇)

13.4. Outils pour l’étude de la somme : fonction

caractéristique

13.4.1. Définition

Définition 13.4.1 Soit 𝑋 une variable aléatoire réelle.

On définit la fonction caractéristique associée 𝑋 , notée 𝛷 𝑋 : R → C, définie par :
∫
𝑖𝑡 𝑋

𝛷𝑋 (𝑡 ) = E 𝑒 = 𝑒 𝑖𝑡 𝑥 𝑑 P 𝑋 ( 𝑥 )
R
 87

Remarque 13.4.2 Si 𝑋 a une densité 𝑓𝑋 , alors 𝑑 P 𝑋 ( 𝑥 ) = 𝑓𝑋 ( 𝑥 ) 𝑑𝑥 et :

∫
𝛷 𝑋 ( 𝑡 ) = 𝑒 𝑖𝑡 𝑥 𝑓𝑋 ( 𝑥 ) 𝑑𝑥
R

Exemple 13.4.3 (Valeur à connaître) Si 𝑋 ∼ N ( 𝑚, 𝜎 2 ), alors pour tout 𝑡 ∈ R :

(𝜎 𝑡 )2
𝛷 𝑋 ( 𝑡 ) = 𝑒 𝑖𝑚𝑡 − 2

13.4.2. Propriétés

Proposition 13.4.4 Soient 𝑋 une variable aléatoire réelle et 𝛷 𝑋 sa fonction ca-

ractéristique associée.
Si 𝑋 admet un moment d’ordre 1, alors 𝛷 𝑋 est de classe C 1 sur R et :
(i) E( 𝑋 ) = − 𝑖𝛷′𝑋 (0)
(ii) Si 𝑋 admet un moment d’ordre 2 :

E( 𝑋 2 ) = −𝛷′′𝑋 (0)

(iii) Var( 𝑋 ) = −𝛷′′𝑋 (0) − 𝛷′𝑋 (0) 2

13.4.3. Caractérisation de la loi

Théorème 13.4.5 Soient 𝑋 et 𝑌 deux variables aléatoires réelles.

𝛷 𝑋 = 𝛷𝑌 =⇒ 𝑋 et 𝑌 ont la même loi

La fonction caractéristique caractérise la loi. □

Théorème 13.4.6 Soient 𝑋 une variable aléatoire réelle et 𝛷 𝑋 sa fonction carac-

téristique
∫ associée.
Si R |𝛷 𝑋 ( 𝑡 )| 𝑑𝑡 < ∞, alors 𝑋 admet une densité 𝑓𝑋 égale presque partout à :
∫
1
𝑓𝑋 ( 𝑥 ) = 𝑒 −𝑖𝑡 𝑥 𝛷 𝑋 ( 𝑡 ) 𝑑𝑡
2𝜋 R
88 13. Loi d’une fonction d’une ou plusieurs variables

13.4.4. Lien avec la somme de variables aléatoires

indépendantes

Proposition 13.4.7 Soient 𝑋1 , . . . , 𝑋𝑛 des variables aléatoires réelles.

Si 𝑋1 , . . . , 𝑋𝑛 sont indépendantes, alors pour tout 𝑡 ∈ R :
𝑛
Ö
𝛷 𝑋1 +...+ 𝑋𝑛 ( 𝑡 ) = 𝛷 𝑋𝑖 ( 𝑡 )
𝑖 =1
14. Convergence de suites de
variables aléatoires, lois des
grands nombres et théorèmes
central limite

14.1. Convergence dans L 𝒑

14.1.1. Définition

Définition 14.1.1 Soient ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles et 𝑋 une
variable aléatoire réelle, tous définis sur le même espace de probabilités ( 𝛺, A , P).
On dit que ( 𝑋𝑛 )𝑛∈N converge vers 𝑋 dans L 𝑝 lorsque :


E | 𝑋𝑛 − 𝑋 | 𝑝 −→ 0
𝑛→∞

14.1.2. Propriété

Proposition 14.1.2 Soient 1 ≤ 𝑝 ≤ 𝑞 , ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires

réelles et 𝑋 une variable aléatoire réelle, tous définis sur le même espace de probabi-
lités.

( 𝑋𝑛 )𝑛∈N converge vers 𝑋 dans L𝑞 =⇒ ( 𝑋𝑛 )𝑛∈N converge vers 𝑋 dans L 𝑝

14.2. Convergence en probabilités

14.2.1. Définition et lien avec la convergence L 𝒑

 14. Convergence de suites de variables aléatoires, lois des grands nombres et
90
théorèmes central limite

Définition 14.2.1 Soient ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles et 𝑋 une
variable aléatoire réelle, tous définis sur le même espace de probabilités ( 𝛺, A , P).
On dit que ( 𝑋𝑛 )𝑛∈N converge vers 𝑋 en probabilités si :


∀ 𝜀 > 0, P | 𝑋𝑛 − 𝑋 | > 𝜀 −→ 0
𝑛→∞

Proposition 14.2.2 Soient 𝑝 ≥ 1, ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles

et 𝑋 une variable aléatoire réelle, tous définis sur le même espace de probabilités
( 𝛺, A , P). On a :

( 𝑋𝑛 )𝑛∈N converge vers 𝑋 dans L 𝑝 =⇒ ( 𝑋𝑛 )𝑛∈N converge vers 𝑋 en probabilités

14.2.2. Loi faible des grands nombres

Théorème 14.2.3 Soit ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles 𝑖.𝑖.𝑑.,
toutes définies sur le même espace de probabilités.
On suppose que pour tout 𝑛 ∈ N, 𝑋𝑛 admet un moment d’ordre 2, alors :
𝑛
1 ∑︁
𝑋𝑖 −→ E( 𝑋1 )
𝑛 𝑖 =1 𝑛→∞

dans L2 . □

14.3. Convergence presque-sûre

14.3.1. Définition

Définition 14.3.1 Soient ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles et 𝑋 une
variable aléatoire réelle, tous définis sur le même espace de probabilités ( 𝛺, A , P).
On dit que ( 𝑋𝑛 )𝑛∈N converge vers 𝑋 presque sûrement si :
 
P lim 𝑋𝑛 = 𝑋 = 1
𝑛→∞

c’est-à-dire lorsque :
∃ 𝐴 ∈ A , P( 𝐴) = 0, ∀𝜔 ∈ 𝛺 \ 𝐴, 𝑋𝑛 ( 𝜔) −→ 𝑋 ( 𝜔)
𝑛→∞
 91

14.3.2. Lien avec la convergence en probabilités

Théorème 14.3.2 Soient ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles et 𝑋 une
variable aléatoire réelle, tous définis sur le même espace de probabilités ( 𝛺, A , P).



𝑋𝑛 −→ 𝑋 presque sûrement =⇒ 𝑋𝑛 −→ 𝑋 en probabilités
𝑛→∞ 𝑛→∞

Proposition 14.3.3 Soient ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles et

𝑋 une variable aléatoire réelle, tous définis sur le même espace de probabilités
( 𝛺, A , P).
Si 𝑋𝑛 −→ 𝑋 en probabilités, il existe une suite extraite de ( 𝑋𝑛 )𝑛∈N qui converge
𝑛→∞
vers 𝑋 presque sûrement.

14.3.3. Loi forte des grands nombres

Théorème 14.3.4 Soit ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires réelles 𝑖.𝑖.𝑑. telle
que pour tout 𝑛 ∈ N, 𝑋𝑛 admet un moment d’ordre 1, alors :
𝑛
1 ∑︁
𝑋𝑖 −→ E( 𝑋1 )
𝑛 𝑖 =1 𝑛→∞

presque sûrement. □

14.4. Convergence en loi

Rajouter ( ?) 1) et 2)

14.4.1. Définition avec la fonction de répartition

Définition 14.4.1 Soient ( 𝑋𝑛 )𝑛∈N une suite de variables aléatoires de fonction de

répartition 𝐹𝑋𝑛 et 𝑋 une variable aléatoire réelle de fonction de répartition 𝐹𝑋 .
On dit que ( 𝑋𝑛 )𝑛∈N converge en loi vers 𝑋 si pour tout 𝑥 tel que 𝐹𝑋 soit continue
en 𝑥 , on ait :
𝐹𝑋𝑛 ( 𝑥 ) −→ 𝐹𝑋 ( 𝑥 )
𝑛→∞
 14. Convergence de suites de variables aléatoires, lois des grands nombres et
92
théorèmes central limite

14.4.2. Lien avec la convergence en probabilités

Théorème 14.4.2



𝑋𝑛 −→ 𝑋 en probabilités =⇒ 𝑋𝑛 −→ 𝑋 en loi
𝑛→∞ 𝑛→∞

14.4.3. Lien avec les fonction caractéristiques

Théorème 14.4.3



𝑋𝑛 −→ 𝑋 en loi ⇐⇒ ∀𝑡 ∈ R, lim 𝛷 𝑋𝑛 ( 𝑡 ) = 𝛷 𝑋 ( 𝑡 )
𝑛→∞ 𝑛→∞

14.5. Schéma récapitulatif des convergences

CV p.s.
Y
CV dans L 𝑝

%- qy
sous-suite CV en probabilités


CV en loi
14.6. Théorème central limite
Notation 14.6.1 Dans tout ce qui suivra, pour 𝑋1 , . . . , 𝑋𝑛 une suite de variable
aléatoire, on notera :
𝑛
∑︁
𝑆𝑛 = 𝑋𝑖
𝑖 =1

Théorème 14.6.2 Soient 𝑋1 , . . . , 𝑋𝑛 une suite de variables aléatoires 𝑖.𝑖.𝑑. ayant

un moment d’ordre 2.
Alors :
𝑆𝑛 − E( 𝑆𝑛 )
−→ N (0, 1) en loi
𝜎 ( 𝑆𝑛 ) 𝑛→∞
En particulier :
  ∫ 𝑏
𝑆𝑛 − E( 𝑆𝑛 ) 1 𝑥2
P 𝑎≤ ≤ 𝑏 −→ √ 𝑒 − 2 𝑑𝑥
𝜎 ( 𝑆𝑛 ) 𝑛→∞ 𝑎 2𝜋
 Quatrième partie

Théorie des anneaux

15. Sur la structure d’anneaux

15.1. Relation d’équivalence et PUQ

Définition 15.1.1 Une relation d’équivalence sur 𝑋 est une partie R de 𝑋 2 vérifiant
les trois conditions suivantes :
(i) Pour tout 𝑥 ∈ 𝑋 , 𝑥 R 𝑥
(ii) Pour tout 𝑥, 𝑥 ′ ∈ 𝑋 , ( 𝑥 R 𝑥 ′) =⇒ ( 𝑥 ′R 𝑥 )
(iii) Pour tout 𝑥, 𝑥 ′, 𝑥 ” ∈ 𝑋 , 𝑥 R 𝑥 ′ et 𝑥 ′R 𝑥 ” =⇒ 𝑥 R 𝑥 ”

Notation 15.1.2 On notera désormais 𝑥 ∼ 𝑥 ′ au lieu de 𝑥 R 𝑥 ′ pour signifier que

( 𝑥, 𝑥 ′) ∈ R ce qui signifie que 𝑥 est en relation avec 𝑥 ′.

Définition 15.1.3 On définit la classe d’équivalence de 𝑥 modulo la relation ∼,

notée cl( 𝑥 ), l’ensemble de tous les éléments équivalents à 𝑥 :

cl( 𝑥 ) = { 𝑥 ′ ∈ 𝑋 , 𝑥 ′ ∼ 𝑥 }

Chaque élément de la classe de 𝑥 modulo ∼ est appelé représentant.

Définition 15.1.4 Soit 𝑋 un ensemble non vide.

Une partition de 𝑋 est un ensemble P de parties non vides de 𝑋 telle que :
Ø  



𝑋 = 𝐴 et ∀ 𝐴, 𝐵 ∈ P , 𝐴 ≠ 𝐵 =⇒ 𝐴 ∩ 𝐵 = ∅
𝐴∈P

Définition 15.1.5 On définit le quotient de 𝑋 modulo ∼ de la manière suivante :

𝑋 /∼= {cl( 𝑥 ) , 𝑥 ∈ 𝑋 }
 95

Proposition 15.1.6 Le quotient de 𝑋 par ∼ forme une partition de 𝑋 .

Définition 15.1.7 On dit que 𝑓 est constante sur chaque classe lorsque :

∀𝑥 ′ ∈ cl( 𝑥 ) , 𝑓 ( 𝑥 ) = 𝑓 ( 𝑥 ′)

Définition 15.1.8 L’application qui à tout élément de 𝑋 associe sa classe s’appelle

la projection canonique : (
𝑋 → 𝑋 /∼
𝜋:
𝑥 ↦→ cl( 𝑥 )

Proposition 15.1.9 (Propriété Universelle du Quotient) Soient ∼ une rela-

tion d’équivalence sur 𝑋 et 𝑓 : 𝑋 → 𝑌 une application constante sur chaque classe.
Alors, il existe une unique application 𝑓 : 𝑋 /∼→ 𝑌 telle que :

𝑓 = 𝑓 ◦𝜋

On a le diagramme suivant :
/𝑌
𝑓
𝑋 =
𝜋
 𝑓
𝑋 /∼

15.2. Sur la structure d’anneau et les morphismes

Définition 15.2.1
(i) Un magma ( 𝑀 , ★) est un ensemble non vide 𝑀 muni d’une opération interne :
(
𝑀×𝑀 →𝑀
★:
( 𝑎, 𝑏 ) ↦→ 𝑎 ★ 𝑏

(ii) Un demi-groupe est un magma ( 𝑀 , ★) dont l’opération interne est associative :

∀𝑎, 𝑏, 𝑐 ∈ 𝑀 , 𝑎 ★ (𝑏 ★ 𝑐 ) = ( 𝑎 ★ 𝑏) ★ 𝑐 = 𝑎 ★ 𝑏 ★ 𝑐
96 15. Sur la structure d’anneaux

(iii) Un monoïde est un demi-groupe ( 𝑀 , ★) qui admet un élément neutre :

∃𝑒 ∈ 𝑀 , ∀𝑎 ∈ 𝑀 , 𝑒★𝑎 = 𝑎★𝑒 = 𝑎

Cet élément neutre est unique.

(iv) Un groupe est un monoïde ( 𝐺, ★) dans lequel tout élément possède un inverse :

∀𝑎 ∈ 𝐺, ∃𝑏 ∈ 𝐺, 𝑎★𝑏 = 𝑏★𝑎 = 𝑒

Le groupe 𝐺 est dit abélien lorsque ★ est commutative :

∀𝑎, 𝑏 ∈ 𝐺, 𝑎★𝑏 = 𝑏★𝑎

Définition 15.2.2 Un anneau est un triplet ( 𝐴, +, ·) tel que :

(i) ( 𝐴, +) est un groupe abélien dont le neutre est noté 0 𝐴 .
(ii) ( 𝐴, ·) est un semi-groupe.
(
𝑎 · (𝑏 + 𝑐) = 𝑎 · 𝑏 + 𝑎 · 𝑐
(iii) ∀𝑎, 𝑏, 𝑐 ∈ 𝐴,
(𝑏 + 𝑐) · 𝑎 = 𝑏 · 𝑎 + 𝑐 · 𝑎
L’anneau 𝐴 et commutatif si la loi · commute, c’est-à-dire si pour tout 𝑎, 𝑏 ∈ 𝐴 :

𝑎·𝑏 =𝑏·𝑎

L’anneau 𝐴 est unitaire si ( 𝐴, ·) est un monoïde. Son élément neutre est généralement
noté 1 𝐴 ou 1 s’il n’y a aucune ambiguité.
Nous noterons ici −𝑏 l’inverse additif de 𝑏 (que l’on appellera désormais l’opposé de
𝑏 ). Et l’on notera 𝑏 −1 l’inverse de 𝑏 pour la loi ·.

Définition 15.2.3 Un morphisme d’anneaux (unitaire) est une application 𝑓 :

( 𝐴, + 𝐴 , · 𝐴 ) → ( 𝐵, + 𝐵 , · 𝐵 ) telle que pour tout 𝑥, 𝑦 ∈ 𝐴 :
(i) 𝑓 ( 𝑥 + 𝐴 𝑦 ) = 𝑓 ( 𝑥 ) + 𝐵 𝑓 ( 𝑦 )
(ii) 𝑓 ( 𝑎 · 𝐴 𝑏 ) = 𝑓 ( 𝑎) · 𝐵 𝑓 ( 𝑏 )
(iii) 𝑓 (1 𝐴 ) = 1 𝐵

Remarque 15.2.4 Désormais, nous ne ferons plus la différence entre les opérations
de 𝐴 et de 𝐵 et nous les noterons de la même façon par souci de clarté. Le lecteur
doit donc rester vigilent sur sa compréhension afin de bien comprendre de quelle(s)
opération(s) il s’agit.
 97

15.3. Diviseurs de zéro et construction du corps des

Fractions d’un anneau intègre

Définition 15.3.1 Soit 𝐴 un anneau unitaire.

Un élément 𝑎 ∈ 𝐴 est une unité s’il admet un inverse multiplicatif.
C’est-à-dire s’il existe 𝑏 ∈ 𝐴 tel que 𝑎𝑏 = 𝑏𝑎 = 1.
L’ensemble des unités de 𝐴 est noté 𝐴× .

Proposition 15.3.2 La multiplication dans 𝐴 induit une loi de groupe sur 𝐴× .

Définition 15.3.3 Soit 𝐴 un anneau.

Un élément non nul 𝑎 ∈ 𝐴 est un diviseur de zéro s’il existe 𝑏 ∈ 𝐴∗ tel que :

𝑎𝑏 = 0 ou 𝑏𝑎 = 0

Un anneau est intègre s’il est unitaire, commutatif et sans diviseurs de zéro.

Remarque 15.3.4 Si 𝐴 est un anneau intègre et 𝑎 ∈ 𝐴∗ , alors :

( 𝑎𝑏 = 𝑎𝑐 ) =⇒ ( 𝑏 = 𝑐 )

Définition 15.3.5 Soit 𝐴 un anneau intègre.

On définit dans un premier temps la relation d’équivalence suivante sur 𝐴 × 𝐴∗ :

( 𝑎, 𝑏 ) ∼ ( 𝑐, 𝑑 ) ⇐⇒ 𝑎𝑑 = 𝑏𝑐

On note 𝑏𝑎 la classe d’équivalence ( 𝑎, 𝑏 ).

On Définit le corps des fractions de 𝐴, notée Fr( 𝐴) comme le quotient de 𝐴 × 𝐴∗ et
de ∼ :
Fr( 𝐴) = 𝐴 × 𝐴∗ /∼

Remarque 15.3.6 En particulier, Q est construit de cette manière si à partir de

l’anneau intègre Z. Les classes d’équivalences représentent donc les fractions égales :
1 2
2 = 4 . . ., on a par exemple :
 
1





(1, 2) = = . . . , − 2500, 5000 , . . . , − 2, −4 , − 1, −2 , 1, 2 , . . . 1000, 2000 , . . .
2
98 15. Sur la structure d’anneaux

Proposition 15.3.7
(i) Les formules suivantes définissent des lois internes sur Fr( 𝐴) :

𝑎 𝑐 𝑎𝑑 + 𝑏𝑐 𝑎 𝑐 𝑎𝑐
+ = et · =
𝑏 𝑑 𝑏𝑑 𝑏 𝑑 𝑏𝑑
(ii) Le triplet (Fr( 𝐴) , +, ·) est un corps.
(iii) L’application suivante est un morphisme d’anneaux injectif :
(
𝐴 → Fr( 𝐴)
𝑗:
𝑎 ↦→ 1𝑎

Cette application permet de concevoir 𝐴 comme un sous-anneau de Fr( 𝐴).

16. Idéaux d’un anneau
Dans tout ce chapitre, nous allons considérer uniquement des anneaux commutatifs.
Cela simplifiera beaucoup certaines définitions.
Un annexe sera présent en fin de document pour comprendre la différence si les
anneaux ne sont pas commutatifs.

16.1. Idéaux

Définition 16.1.1 Un idéal de 𝐴 est une partie 𝐼 de 𝐴 qui est un sous-groupe de

𝐴 pour la loi additive et qui vérifie :

∀𝑎 ∈ 𝐴, ∀𝑥 ∈ 𝐼 , 𝑎 · 𝑥 ∈ 𝐼

Remarque 16.1.2 Soit 𝐴 un anneau.

(i) Toute intersection d’idéaux de 𝐴 est un idéal de 𝐴.
(ii) L’union d’une suite croissante d’idéaux de 𝐴 est un idéal de 𝐴.
(iii) Pour 𝑥 ∈ 𝐴, l’ensemble suivant est un idéal de 𝐴 :

𝐴𝑥 = { 𝑎𝑥, 𝑎 ∈ 𝐴}

(iv) Si 𝐼 est un idéal d’un anneau unitaire 𝐴, on a :

𝐼 contient une unité de 𝐴 ⇐⇒ 1 ∈ 𝐼 ⇐⇒ 𝐼 = 𝐴

Proposition 16.1.3 Soit 𝐼 ⊂ Z. Les points suivants sont équivalents :

(i) 𝐼 est un idéal de Z
(ii) Il existe 𝑛 ∈ Z tel que 𝐼 = 𝑛Z
(iii) 𝐼 est un sous-anneau de Z
(iv) 𝐼 est un sous-groupe de (Z, +)
100 16. Idéaux d’un anneau

Proposition 16.1.4 Soit 𝑓 : 𝐴 → 𝐵 un morphisme d’anneaux. Alors :

(i) L’image réciproque d’un idéal de 𝐵 est un idéal de 𝐴.
(ii) Si 𝑓 est surjective, l’image d’un idéal de 𝐴 est un idéal de 𝐵 .

Définition 16.1.5 Soient A un anneau et 𝑆 ⊂ A un sous-ensemble non vide.

L’idéal engendré par 𝑆 , noté ( 𝑆 ), est l’intersection de tous les idéaux de A qui
contiennent 𝑆 . Ù
(𝑆) = 𝐼
𝐼 ∈H
où H = { 𝐼 | 𝐼 est un idéal de A tel que 𝑆 ⊂ 𝐼 }.
L’idéal ( 𝑆 ) est donc le plus petit idéal (au sens de l’inclusion) de A contenant 𝑆 .

Proposition 16.1.6 Soient 𝑆, 𝑆 ′, { 𝑠1 , . . . , 𝑠𝑛 } des parties de 𝐴 et 𝐼 , 𝐼 ′ des idéaux

de 𝐴. On a :
(i) 𝑆 ⊂ 𝑆 ′ =⇒ ( 𝑆 ) ⊂ ( 𝑆 ′)
(ii) ( 𝑆 ) = 𝑆 ⇐⇒ 𝑆 est un idéal
(iii) ( 𝑆 ∪ 𝑆 ′) = ( 𝑆 ) ∪ ( 𝑆 ′)
(iv) ( 𝑠1 , . . . , 𝑠 𝑛 ) = ( 𝑠1 ) + . . . + ( 𝑠 𝑛 )
(v) L’idéal ( 𝑆 ) s’écrit ainsi :
𝑚
 ∑︁ 
(𝑆) = 𝑎𝑘 𝑠𝑘 | 𝑎𝑘 ∈ 𝐴, 𝑠𝑘 ∈ 𝑆
𝑘 =1

16.2. Anneaux principaux et divisibilité

Définition 16.2.1 Un idéal principal est un idéal engendré par un seul élément.
Un anneau principal est un anneau intègre dont tout idéal est principal.

Théorème 16.2.2 L’anneau Z est un anneau principal. □

 101

Définition 16.2.3 Soit 𝐴 un anneau unitaire.

On dit que 𝑎 et 𝑏 sont associés, que l’on note 𝑎 ♮𝑏 , s’il existe 𝑢 ∈ 𝐴× telle que :

𝑎 = 𝑢𝑏

Remarque 16.2.4 La définition précédente est équivalente à celle-ci lorsque 𝐴 est intègre :
On dit que 𝑎 et 𝑏 sont associés lorsque 𝑎 | 𝑏 et 𝑏 | 𝑎.

Proposition 16.2.5 Soient 𝐴 un anneau unitaire et 𝑎, 𝑏, 𝑐 ∈ 𝐴, on a :

(i) 𝑎 | 𝑏 ⇐⇒ 𝑏 ∈ ( 𝑎) ⇐⇒ ( 𝑏 ) ⊂ ( 𝑎)


(ii) 𝑎 | 𝑏 et 𝑏 | 𝑐 =⇒ ( 𝑎 | 𝑐 )



(iii) 𝑎 | 𝑏 et 𝑎 | 𝑐 =⇒ ∀𝑘 ∈ ( 𝑏, 𝑐 ) , 𝑎 | 𝑘


(iv) 𝑎 ♮𝑏 =⇒ 𝑎 | 𝑏 et 𝑏 | 𝑎 ⇐⇒ ( 𝑎) = ( 𝑏 )

Remarque 16.2.6 En vue de la remarque précédent, lorsque 𝐴 est intègre, l’impli-

cation du point (iv) devient une équivalence.

Définition 16.2.7 Soient 𝐴 un anneau unitaire et 𝑎, 𝑏, 𝑐, 𝑑, 𝑚 ∈ 𝐴 :

(i) On dit que 𝑑 est un PGCD de 𝑎 et de 𝑏 si :
a) 𝑑 | 𝑎
b) 𝑑 | 𝑏
c) Pour tout 𝑑′ ∈ 𝐴, 𝑑′ | 𝑎 et 𝑑′ | 𝑏 =⇒ 𝑑′ | 𝑑

(ii) On dit que 𝑚 est un PPCM de 𝑎 et de 𝑏 si :

a) 𝑎 | 𝑚
b) 𝑏 | 𝑚
c) Pour tout 𝑚′ ∈ 𝐴, 𝑎 | 𝑚′ et 𝑏 | 𝑚′ =⇒ 𝑚 | 𝑚′

On dit que 𝑎 et 𝑏 sont premiers entre eux lorsque leur PGCD vaut 1.

Remarque 16.2.8 Dans toute la suite, on notera 𝑎 ∧ 𝑏 le PGCD de 𝑎 et de 𝑏 .

Remarque 16.2.9 Dans un anneau intègre, PPCM et PGCD sont uniques à unités
près.

Proposition 16.2.10 Soient 𝐴 un anneau unitaire et 𝑎, 𝑏, 𝑑, 𝑚 ∈ 𝐴. Alors, on a :

(i) ( 𝑎) ∩ ( 𝑏 ) = ( 𝑚) ⇐⇒ 𝑚 est un PPCM de 𝑎 et de 𝑏
102 16. Idéaux d’un anneau

(ii) ( 𝑎) + ( 𝑏 ) = ( 𝑑 ) =⇒ 𝑑 est un PGCD de 𝑎 et de 𝑏

(iii) Lorsque 𝐴 est principal, on a l’équivalence suivante :

( 𝑎) + ( 𝑏 ) = ( 𝑑 ) ⇐⇒ 𝑑 est un PGCD de 𝑎 et de 𝑏

Corollaire 16.2.11 (Relation de Bézout) Soient 𝐴 un anneau unitaire et 𝑎, 𝑏 ∈

𝐴. On a :


(i) ∃𝑢, 𝑣 ∈ 𝐴, 𝑢𝑎 + 𝑣𝑏 = 1 =⇒ 𝑎 ∧ 𝑏 = 1
(ii) Si 𝐴 est un anneau principal et 𝑑 un PGCD de 𝑎 et de 𝑏 :

∃𝑢, 𝑣 ∈ 𝐴, 𝑎𝑢 + 𝑏𝑣 = 𝑑

En particulier :


∃𝑢, 𝑣 ∈ 𝐴, 𝑢𝑎 + 𝑣𝑏 = 1 ⇐⇒ 𝑎 ∧ 𝑏 = 1

Corollaire 16.2.12 (Lemme de Gauss) Soit 𝐴 un anneau principal. On a :

𝑎 | 𝑏𝑐 et 𝑎 ∧ 𝑏 = 1 =⇒ 𝑎 | 𝑐

16.3. Anneaux euclidiens

Définition 16.3.1 On appelle anneau euclidien un anneau intègre muni d’une

application 𝛿 : 𝐴∗ → N telle que :

∀( 𝑎, 𝑏 ) ∈ 𝐴 × 𝐴∗ , ∃ 𝑞, 𝑟 ∈ 𝐴, 𝑎 = 𝑏𝑞 + 𝑟

où 𝑟 = 0 ou 𝛿 ( 𝑟 ) < 𝛿 ( 𝑏 )

Remarque 16.3.2
(i) L’anneau Z muni de l’application 𝛿 : 𝑛 ∈ 𝑍 ∗ ↦→ | 𝑛 | est euclidien.
(ii) L’anneau 𝑍 [ 𝑖 ] muni de l’application 𝛿 : 𝑧 ↦→ | 𝑧 | 2 est euclidien.

Théorème 16.3.3 Tout anneau euclidien est principal □

 103

Remarque 16.3.4 Nous allons rapidemment introduire l’algorithme d’Euclide.

Pour deux éléments 𝑟0 , 𝑟1 non nuls de ( 𝐴, 𝛿 ) :

𝑟0 = 𝑞 1 𝑟1 + 𝑟2 avec 𝛿 ( 𝑟2 ) < 𝛿 ( 𝑟1 )
𝑟1 = 𝑞 2 𝑟2 + 𝑟3 avec 𝛿 ( 𝑟3 ) < 𝛿 ( 𝑟2 )
..
.
𝑟𝑛−2 = 𝑞𝑛−1 𝑟𝑛−1 + 𝑟𝑛 avec 𝛿 ( 𝑟𝑛 ) < 𝛿 ( 𝑟𝑛−1 )
𝑟𝑛−1 = 𝑞𝑛 𝑟𝑛

Dans ce cas, 𝑟0 ∧ 𝑟1 = 𝑟𝑛 .

16.4. Anneaux factoriels, éléments irréductibles et

premiers

Définition 16.4.1 Soient 𝐴 un anneau intègre et 𝑝 ∈ 𝐴.

(i) On dit que l’élément 𝑝 est irréductible si :
a) 𝑝 ∈ 𝐴∗ \ 𝐴×



b) Pour tout 𝑎, 𝑏 ∈ 𝐴, 𝑝 = 𝑎𝑏 =⇒ 𝑝 ♮ 𝑎 ou 𝑝 ♮𝑏
(ii) L’élément 𝑝 est premier si :
a) 𝑝 ∈ 𝐴∗ \ 𝐴×



b) Pour tout 𝑎, 𝑏 ∈ 𝐴, 𝑝 | 𝑎𝑏 =⇒ 𝑝 | 𝑎 ou 𝑝 | 𝑏

Remarque 16.4.2 La condition 𝑏 pour que l’élément 𝑝 soit irréductible peut s’écrire
ainsi :
L’élément 𝑝 est irréductible s’il vérifie (a) et si dès que l’on écrit 𝑝 = 𝑎𝑏 alors ou bien
𝑎 est inversible, ou bien 𝑏 est inversible.

Remarque 16.4.3 Il suffit de tester le critère de primalité avec 𝑎, 𝑏 ∈ 𝐴∗ \ 𝐴× .

Définition 16.4.4 Un anneau 𝐴 est dit factoriel si :

(i) Pour tout élément 𝑎 ∈ 𝐴, il existe une suite finie 𝑝1 , . . . , 𝑝𝑛 d’éléments
irréductibles de 𝐴 telle que :
Ö𝑛
𝑎= 𝑝𝑖
𝑖 =1
104 16. Idéaux d’un anneau

(ii) Si il existe deux telles suites 𝑝1 , . . . , 𝑝𝑛 et 𝑞1 , . . . 𝑞𝑚 telles que :

𝑛
Ö 𝑚
Ö
𝑎= 𝑝𝑖 = 𝑞𝑖
𝑖 =1 𝑖 =1

Alors, 𝑚 = 𝑛 et il existe une permutation 𝜎 de l’ensemble {1, . . . , 𝑛} telle que :

𝑝𝑘 ♮ 𝑞 𝜎 ( 𝑘)

Proposition 16.4.5 Soient 𝐴 un anneau intègre et 𝑝 ∈ 𝐴.

𝑝 premier =⇒ 𝑝 irréductible

Proposition 16.4.6 Soient 𝐴 un anneau et 𝑝 ∈ 𝐴.

(
𝑝 premier ⇐⇒ 𝑝 irréductible
𝐴 est factoriel ⇐⇒
Toute suite croissante d’idéaux principaux de 𝐴 stationne

Théorème 16.4.7 Tout anneau principal est factoriel. □

17. Anneaux quotients

Dans tout ce chapitre, les anneaux seront commutatifs. Comme le chapitre précédent,
cela permet de simplifier de nombreuses choses, la théorie plus générale sera dans
l’annexe.

17.1. L’anneau quotient 𝑨/ 𝑰

Définition 17.1.1 Soit 𝐼 un idéal d’un anneau commutatif 𝐴. On définit la relation

d’équivalence R sur 𝐴 par :

𝑎R 𝑏 ⇐⇒ 𝑎 − 𝑏 ∈ 𝐼

Remarque 17.1.2 Puisque R définit une relation d’équivalence sur 𝐴, nous pouvons
construire le quotient 𝐴/R que l’on note 𝐴/ 𝐼 . On a :

𝐴/ 𝐼 = { 𝑎 | 𝑎 ∈ 𝐴}

où 𝑎 désigne la classe d’équivalence modulo 𝐼 de 𝑎 ∈ 𝐴. On a :

𝑎= 𝑎+𝐼

En particulier, le quotient 𝐴/ 𝐼 devient :

𝐴/ 𝐼 = { 𝑎 + 𝐼 | 𝑎 ∈ 𝐴}

Proposition 17.1.3 Soit 𝐼 ⊂ 𝐴 un idéal. Il existe une unique structure d’anneau

sur 𝐴/ 𝐼 telle que la projection canonique
(
𝐴 → 𝐴/ 𝐼
𝜋:
𝑥 ↦→ 𝑥
106 17. Anneaux quotients

soit un morphisme d’anneaux. Cette structure est donnée par les lois internes :
(
𝐴/ 𝐼 × 𝐴/ 𝐼 → 𝐴/ 𝐼
addition :
( 𝑎, 𝑏 ) ↦→ 𝑎 + 𝑏
(
𝐴/ 𝐼 × 𝐴/ 𝐼 → 𝐴/ 𝐼
multiplication :
( 𝑎, 𝑏 ) ↦→ 𝑎𝑏

L’élément neutre de l’addition est alors 0 = 𝐼 et si 𝐴 est unitaire, le neutre

multiplicatif est 1 = 1 + 𝐼 .

Corollaire 17.1.4 Soient 𝐴 un anneau et 𝑓 : 𝐴 → 𝐵 un morphisme d’anneau

quelconque.
Une partie 𝐼 ⊂ 𝐴 est un idéal si :

Ker( 𝑓 ) = 𝐼

Théorème 17.1.5 (Premier théorème d’isomorphie)

Tout morphisme d’anneaux 𝑓 se décompose en un épimorphisme, suivi d’un isomor-
phism, suivi d’un monomorphisme.

/
𝑓

𝐴 𝐵O où 𝑓e 𝑎 + Ker( 𝑓 ) = 𝑓 ( 𝑎)
𝜋 𝑗
 ?
𝐴/Ker( 𝑓 ) / 𝑓 ( 𝐴)
𝑓e

En particulier, on a l’isomorphisme suivant :

𝐴/Ker( 𝑓 )  𝑓 ( 𝐴)

Proposition 17.1.6 Soient 𝑓 : 𝐴 → 𝐵 un morphisme d’anneaux, 𝐼 un idéal de 𝐴

tel que 𝐼 ⊂ Ker( 𝑓 ) et 𝜋 : 𝐴 → 𝐴/ 𝐼 la projection canonique.
Il existe un unique morphisme d’anneaux 𝑓 : 𝐴/ 𝐼 → 𝐵 telle que :
𝑓 = 𝑓 ◦𝜋
On a le diagramme suivant :
/
𝑓
𝐴 = 𝐵
𝜋
 𝑓
𝐴/ 𝐼
 107

17.2. L’anneau Z/𝒏Z, les groupes cycles et l’ordre

Proposition 17.2.1 De tout ce qui précède et puisque Z est principal et que les
idéaux de Z sont de la forme 𝑛Z pour 𝑛 ∈ Z, les anneaux quotient de Z sont de la
forme :
Z/𝑛Z = { 𝑘 + 𝑛Z, 𝑘 ∈ Z}
(i) Si 𝑛 = 0 :
Z/0Z  Z
(ii) Si 𝑛 = ±1 :
Z/±1Z = 0
(iii) L’anneau Z/𝑛Z est constitué de 𝑛 éléments :

Z/𝑛Z = {𝑛Z, 1 + 𝑛Z, . . . , ( 𝑛 − 1) + 𝑛Z}

Remarque 17.2.2 On rappelle que 𝑘 + 𝑛Z = 𝑘 représente la classe de l’élément 𝑘

modulo la relation définit précédemment.

Proposition 17.2.3 Le groupe des unités de Z/𝑛Z est :

×
Z/𝑛Z = { 𝑘, 𝑘 ∧ 𝑛 = 1}

Corollaire 17.2.4 Soit 𝑛 ∈ N∗ , les assertions suivantes sont équivalentes :

(i) L’anneau Z/𝑛Z est intègre
(ii) L’anneau Z/𝑛Z est un corps
(iii) L’entier 𝑛 est un nombre premier

Définition 17.2.5 Soient 𝐺 un groupe et 𝑥 ∈ 𝐺 .

On dit que 𝐺 est monogène et que 𝑥 est un générateur de 𝐺 si

∀𝑦 ∈ 𝐺, ∃ 𝑘 ∈ Z, 𝑦 = 𝑥𝑘

Un groupe monogène fini est appelé cyclique.

108 17. Anneaux quotients

Proposition 17.2.6 Soit 𝐺 un groupe monogène.

(i) Si 𝐺 est fini de cardinal 𝑛 ∈ N∗ :

𝐺  Z/𝑛Z

(ii) Si 𝐺 est infini :

𝐺Z

Proposition 17.2.7 Soient 𝐺 un groupe et 𝐻 un sous-groupe de 𝐺 .

(i) Si 𝐺 est fini :
| 𝐻 | | |𝐺 |
(ii) Si | 𝐺 | ≥ 2 et n’admet pas de sous-groupe propre alors :

𝐺  Z/ 𝑝Z où 𝑝 est un nombre premier

Définition 17.2.8 Soient 𝐺 un groupe et 𝑥 ∈ 𝐺 .

Le sous-groupe engendré par 𝑥 , noté ⟨ 𝑥 ⟩, est :

⟨ 𝑥 ⟩ = { 𝑥 𝑘 , 𝑘 ∈ Z}

Définition 17.2.9 L’ordre d’un groupe 𝐺 est son cardinal, noté ord( 𝐺 ) ou | 𝐺 |.
Pour un sous-groupe engendré par 𝑥 , on notera ord(⟨ 𝑥 ⟩) =ord( 𝑥 ).

Proposition 17.2.10 Soient 𝐺 un groupe et 𝑥 ∈ 𝐺 .

(i) L’ordre de 𝑥 est donc :

ord( 𝑥 ) = inf { 𝑘 ∈ N∗ , 𝑥 𝑘 = 𝑒𝐺 }

(ii) Si l’ordre de 𝑥 est fini. Alors :

𝑥 𝑘 = 𝑒𝐺 ⇐⇒ ord( 𝑥 ) | 𝑘

En particulier lorsque 𝐺 est fini :

𝑥 | 𝐺 | = 𝑒𝐺
 109

Proposition 17.2.11 Soient 𝐺 un groupe et 𝑥 ∈ 𝐺 .

Pour tout 𝑘 ∈ Z, on a :

𝑥 𝑘 est un générateur de ⟨ 𝑥 ⟩ ⇐⇒ 𝑘 ∧ ord( 𝑥 ) = 1

Corollaire 17.2.12 Soit 𝑥 ∈ Z/𝑛Z.

×
𝑥 est un générateur de Z/𝑛Z ⇐⇒ 𝑥 ∈ Z/𝑛Z

17.3. Idéaux d’un anneau quotient

Proposition 17.3.1 Soient 𝐼 un idéal de 𝐴 et 𝜋 : 𝐴 → 𝐴/ 𝐼 la projection cano-

nique.
Notons B = { 𝐿, 𝐿 est un idéal de 𝐴/ 𝐼 } et C = { 𝐽 , 𝐽 est un idéal de 𝐴 et 𝐼 ⊂ 𝐽 }.
On a la bijection suivante :
(
B→C
𝜑:
𝐿 ↦→ 𝜋 −1 ( 𝐿 )
(
C→B
𝜑 −1 :
𝐽 ↦→ 𝐽 / 𝐼

Remarque 17.3.2 Cette proposition dit en particulier que les idéaux de 𝐴/ 𝐼 sont
de la forme 𝐽 / 𝐼 où 𝐽 est un idéal de 𝐴 et 𝐼 ⊂ 𝐽 .
En particulier, les idéaux de de Z/𝑛Z sont donc de la forme 𝑑 Z/𝑛Z et tel que 𝑛Z ⊂ 𝑑 Z,
c’est-à-dire 𝑑 | 𝑛 car en particulier, 𝑛 ∈ 𝑑 Z, d’où l’existence de 𝑘 ∈ Z tel que 𝑛 = 𝑑𝑘
et 𝑑 | 𝑛.

Théorème 17.3.3 (Deuxième et troisième théorèmes d’isomorphie)

Soient 𝐼 et 𝐽 deux idéaux de 𝐴. On a les 2 isomorphismes suivants :

(i) ( 𝐽 ∼ 𝐽 +𝐼
𝐽 ∩𝐼 → 𝐼
𝑗 + 𝐽 ∩ 𝐼 ↦→ 𝑗 + 𝐼
110 17. Anneaux quotients

(ii) Si 𝐼 ⊂ 𝐽 , alors : ( 𝐴/ 𝐼 ∼ 𝐴
𝐽 /𝐼 → 𝐽
𝐽
(𝑎 + 𝐼 ) + 𝐼 ↦→ 𝑎 + 𝐽

Théorème 17.3.4 Soient 𝑛1 , . . . , 𝑛𝑟 ∈ Z deux à deux premiers entre eux et

𝑦1 , . . . , 𝑦𝑟 ∈ Z.
Il existe une solution dans Z du système d’inconnue 𝑥 suivant :



 𝑥 ≡ 𝑦1 [ 𝑛1 ]
.

..


 𝑥 ≡ 𝑦𝑟 [ 𝑛𝑟 ]


Et, si 𝑥0 est une solution, alors :

𝑥0 + ( 𝑛1 × . . . × 𝑛𝑟 )Z

est l’ensemble de toutes les solutions. □

17.4. Idéaux premiers et idéaux maximaux

Définition 17.4.1 Un idéal 𝐼 de 𝐴 est dit strict lorsque 𝐼 ≠ 𝐴.

Proposition 17.4.2 Soit 𝐼 un idéal strict de l’anneau 𝐴 unitaire. Les points

suivants sont équivalents :


(i) Pour tout 𝑎, 𝑏 ∈ 𝐴, 𝑎𝑏 ∈ 𝐼 =⇒ 𝑎 ∈ 𝐼 ou 𝑏 ∈ 𝐼
(ii) Le quotient 𝐴/ 𝐼 est intègre
(iii) Il existe un anneau intègre 𝐵 et un morphisme d’anneaux 𝑓 : 𝐴 → 𝐵 tels que
Ker( 𝑓 ) = 𝐼
(iv) L’ensemble 𝐴\ 𝐼 est stable sous multiplication

Définition 17.4.3 Un idéal strict de 𝐴 vérifiant l’une des 4 conditions précédentes

est un idéal premier.
 111

Proposition 17.4.4 Soient 𝐴 un anneau unitaire et 𝑝 ∈ 𝐴. On a l’équivalence

suivante :

𝑝 est un élément premier ⇐⇒ ( 𝑝) est un idéal premier

Définition 17.4.5 Soient 𝐴 un anneau commutatif et 𝐼 un idéal strict de 𝐴.

On dit que 𝐼 est un idéal maximal de 𝐴 si, pour tout idéal 𝐽 de 𝐴 tel que 𝐼 ⊂ 𝐽 ,
alors 𝐽 = 𝐴 ou 𝐽 = 𝐼 .

Proposition 17.4.6 Soient 𝐴 un anneau unitaire et 𝐼 un idéal de 𝐴. On a :

𝐼 est maximal dans 𝐴 ⇐⇒ 𝐴/ 𝐼 est un corps

Proposition 17.4.7 Soient 𝐴 un anneau intègre et 𝑝 ∈ 𝐴∗ . Les points suivants

sont équivalents
(i) 𝑝 est un élément irréductible.
(ii) ( 𝑝) est maximal parmis les idéaux principaux strictement inclus dans 𝐴.

Proposition 17.4.8 Soit 𝐼 un idéal non nul de 𝐴.

(i) 𝐼 maximal =⇒ 𝐼 est premier
(ii) Si 𝐴 est un anneau principal, on a l’équivalence :

𝐼 est maximal ⇐⇒ 𝐼 est premier

Théorème 17.4.9 (de Krull) Tout idéal propre d’un anneau commutatif unitaire
est contenu dans un idéal maximal. □