Programmes des classes

préparatoires aux Grandes Ecoles

Filière : scientifique

Voie : Biologie, chimie, physique et

sciences de la Terre (BCPST)

Discipline : Mathématiques

Seconde année

© Ministère de l’enseignement supérieur et de la recherche, 2013

http://www.enseignementsup-recherche.gouv.fr
 Programme de mathématiques BCPST2

Préambule
Objectifs de la formation
En classe de BCPST2 l’objectif est, dans le cadre d’un approfondissement de la formation, d’ame-
ner l’étudiant à intégrer les différentes étapes permettant de résoudre un problème exprimable de
façon mathématique. L’enjeu est la reformulation et la résolution de problèmes issus de contextes ou
de réalités a priori non mathématiques (provenant souvent d’autres disciplines).
Ainsi sont mises en jeu diverses compétences. Certaines ont déjà été envisagées en première
année (BCPST1), et sont consolidées en seconde année :

1. Engager une recherche, définir une stratégie.

2. Modéliser un phénomène à l’aide du langage mathématique.
3. Représenter, changer de registre.
4. Raisonner, démontrer, argumenter. . .
5. Calculer (symboliquement ou numériquement avec une calculatrice ou un ordinateur), maîtriser
le formalisme mathématique.
6. Communiquer à l’écrit et à l’oral.

D’autres constituent des objectifs plus spécifiquement approfondis en seconde année, dans la
perspective des concours :
– Identifier un problème sous différents aspects ;
– Mobiliser des connaissances scientifiques pertinentes ;
– Critiquer ou valider un modèle ou un résultat.

Buts visés
Le programme de mathématiques de BCPST2 approfondit celui de BCPST1, ce qui se traduit par
les enjeux suivants.
– Consolider les acquis mathématiques de BCPST1, notamment en matière de calcul et raison-
nement. Par souci de clarté, il a été choisi de numéroter de manière compatible les têtes de
chapitre des programmes de BCPST1 et de BCPST2.
– Généraliser et compléter les concepts introduits en BCPST1.
– Mettre un accent particulier sur la notion de modélisation, où se confrontent les mathématiques
et les autres sciences, notamment dans le cadre des T.I.P.E.

Équilibre entre compétences

Les différentes compétences sont développées puis évaluées (au cours de l’année puis lors des
concours) en veillant à leur équilibre. On prend garde en particulier à ne pas surdévelopper une
compétence par rapport à une autre.
Les capacités en calcul par exemple (point 5 ci-dessus), lorsqu’elles sont propres aux mathéma-
tiques, restent relativement simples, l’objectif n’étant pas ici d’aboutir à une virtuosité technique. On

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 1 / 14
attend, en la matière, une maitrise solide des calculs, concepts et théorèmes mathématiques, dans
des situations courantes, sans pour autant négliger les autres compétences.

Contenu
Le programme de seconde année combine des révisions du programme de première année, des
approfondissements de certaines parties et des nouveautés.
Les résultats mentionnés dans le programme seront admis ou démontrés selon les choix didac-
tiques faits par le professeur ; pour certains résultats, marqués comme « admis », la présentation d’une
démonstration en classe est déconseillée.
En algèbre linéaire, le passage de K n aux espaces vectoriels généraux permet d’élargir le champ
d’action et de donner une vision géométrique des espaces de fonctions. Ce cadre plus systéma-
tique permet de donner un sens à l’étude des bases et changements de base qui sont fondamentaux
pour aborder les valeurs propres et vecteurs propres des applications linéaires et des matrices ; cette
dernière approche se limite à la diagonalisation pour s’en tenir à des phénomènes simples. En vue
de nombreuses applications (optimisation, analyse de données), est proposée une présentation du
produit scalaire dans Rn et du théorème de projection orthogonale. La notion de sous-espaces sup-
plémentaires ne figure pas au programme, mais dans bien des situations le théorème de la projection
orthogonale fournit une approche similaire tout en permettant un calcul effectif.
L’analyse apparait sous forme de révision et est constamment présente dans les parties consa-
crées aux probabilités. C’est ainsi que les séries sont introduites comme outil de base des probabilités,
tandis que l’étude des intégrales généralisées est insérée dans la mise en place des variables aléa-
toires à densité ; l’usage de ces outils est limité aux contextes probabilistes et aux démarches de
modélisation ; on évitera les développements artificiels ou purement techniques à ce propos. Enfin,
l’étude des couples de variables aléatoires discrètes conduit à définir, de manière très limitée, une
notion de séries doubles.
L’étude des probabilités est donc un enjeu majeur du programme de seconde année. Le but de
ce parcours est de mettre en place, de la manière la plus efficace possible, un contexte opération-
nel permettant d’utiliser aussi bien des variables aléatoires discrètes prenant une infinité de valeurs
(amenant notamment les lois géométrique et de Poisson) que des variables aléatoires à densité (dites
« continues »), avec un accent particulier sur les variables gaussiennes. Pour maintenir le programme
dans un volume raisonnable, les couples de variables aléatoires ne sont abordés que pour les va-
riables discrètes, ce qui évite d’avoir à aborder les intégrales doubles. Les démarches de simulation
de variables aléatoires sont fortement encouragées.
Une présentation de quelques concepts et résultats de statistique inférentielle permet de mettre
en place un cadre précis pour les tests d’hypothèse.
La variété des modèles ainsi mis en place, combinés avec les différents théorèmes limites propo-
sés, permet d’aborder de nombreuses applications dans les domaines les plus divers ; l’évocation de
ces contextes applicatifs est un élément important de la formation et fait partie des buts visés. Comme
dans le programme de première année, on signale par un symbole certaines situations particulières
où un lien avec d’autres enseignements scientifiques est encouragé, permettant de donner corps aux
démarches de modélisation et d’application pratique des mathématiques.
En prolongement des programmes de première année en mathématiques et informatique, le pro-
gramme encourage la démarche algorithmique et le recours aux outils informatiques ; le manie-
ment de ces outils fait partie intégrante de la formation et a toute sa place dans l’évaluation en cours
d’année et lors des concours.
Pour ce qui concerne les révisions, la proposition de consolider les compétences acquises en
première année par quelques exercices ne doit pas être prise dans un sens restrictif : des approches

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 2 / 14
numériques, pouvant s’appuyer sur le programme d’informatique ou recourir à des outils logiciels ou
des calculatrices, peuvent tout aussi bien renforcer la maîtrise des concepts et de leurs applications.

Programme de seconde année

La répartition en chapitres proposée ci-dessous (ainsi que l’agencement des chapitres de révi-
sions) est fournie à titre indicatif et ne constitue pas une progression figée ou obligatoire. Les impéra-
tifs pédagogiques liés à la préparation aux concours peuvent justifier une organisation différente, sous
réserve de maintenir une structure cohérente.
Le numérotation des chapitres reprend et complète celle du programme de première année.

Révisions 1 – Suites
Exercices et situations illustrant le programme de première année (Analyse 1 et Analyse 5).
Exemples en lien avec le programme d’informatique.

Révisions 2 – Fonctions
Exercices et situations illustrant le programme de première année (Analyse 2, Analyse 3, Analyse 6,
Analyse 7, Analyse 8).
Exemples en lien avec le programme d’informatique.

Révisions 3 – Dénombrements
Exercices et situations illustrant le programme de première année (Outils 6). L’objectif est de mettre
en place des techniques de calcul de cardinaux d’évènements.

Révisions 4 – Statistique descriptive

Exercices et situations illustrant le programme de première année (Statistique 1).
Exemples en lien avec le programme d’informatique.

Probabilités 3 – Concepts de base des probabilités et des variables aléa-

toires
Ce chapitre étend le cadre des probabilités qui avait été posé en première année (Probabilités 1) pour
aborder une situation plus générale, se prêtant à la définition des variables aléatoires discrètes ou à
densité.
Les séries sont introduites ici comme un outil pour donner tout leur sens aux probabilités et variables
aléatoires discrètes. En dehors de questions probabilistes, les séries ne doivent être utilisées que de
manière exceptionnelle et en lien avec des démarches de modélisation.
On présente brièvement à cette occasion d’un point de vue axiomatique l’espérance, la variance
et leurs propriétés générales. Elles seront reprises dans chacun des contextes étudiés (variables
discrètes et continues).

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 3 / 14
Contenus Commentaires
a) Séries réelles
P
Sommes partielles, convergence d’une série, somme d’une La série est notée un ou plus succinctement
série convergente. P n>n0
un . En cas de convergence, la somme de la
+∞
P
série est notée un .
n=n0
Combinaison linéaire de séries convergentes.
Théorème de convergence par comparaison pour deux sé- Tout autre critère de convergence (équivalents,
ries à termes positifs un et vn telles que un 6 vn à partir d’un etc.) est hors programme.
certain rang.
P n
Convergence et somme de la série géométrique q
n>0
nq n−1 et
P
(pour |q| < 1) et des séries « dérivées »
n>1
n(n − 1)q n−2 .
P
n>2
P xn
Convergence et somme de la série exponentielle . Résultat admis.
n>0 n!
P 1 P 1
Convergence de 2
et divergence de . L’étude générale des séries de Riemann est hors
n>1 n n>1 n programme.
Convergence absolue. La convergence absolue est présentée comme
une condition suffisante pour obtenir la conver-
gence de la série.
En vue des applications probabilistes, on admet
que la valeur de la somme d’une série abso-
lument convergente ne dépend pas de l’ordre
d’énumération de ses termes.
L’étude de séries semi-convergentes est hors
programme.
b) Notion de probabilité
Notion de tribu. On convient de nommer évènements les élé-
ments d’une tribu.
Une tribu T (ou σ-algèbre) sur Ω est une par-
tie de P(Ω) contenant Ω, stable par passage au
complémentaire et telle que, pour toute suite (Bn )
d’évènements, la réunion des Bn est un évène-
ment.
Aucune question sur les tribus ne doit être pro-
posée dans une épreuve de mathématiques.
Définition d’une probabilité sur (Ω, T ). On met en valeur l’axiome de σ−additivité
 +∞
S  +∞ P
P Bn = P(Bn ) pour des suites (Bn ) d’évè-
n=0 n=0
nements deux à deux Pincompatibles, et on fait re-
marquer que la série P(Bn ) converge.
n>0
Les résultats sur la probabilité d’une réunion
(resp. intersection) croissante (resp. décrois-
sante) sont hors programme.
Révision et extension à ce nouveau cadre des propriétés On distingue l’évènement impossible (resp. cer-
des probabilités et des définitions vues en première année, tain) des évènements de probabilité nulle (resp.
en particulier : de probabilité 1).
• Soit Ω = {ωi : i ∈ N}. Si (pi )i∈NPest une suite de réels Résultat admis.
positifs ou nuls telle que la série pi converge et a pour
i>0
somme 1, alors il existe une et une seule probabilité P sur
(Ω, P(Ω)) telle que P({ωi }) = pi pour tout i ∈ N. +∞
P
• Une suite d’évènements (An ) est un système complet Pour une telle suite, on a P(An ) = 1.
d’évènements si les An sont deux à deux incompatibles n=0

et si leur réunion est égale à Ω.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 4 / 14
Contenus (suite) Commentaires
• Formule des probabilités totales : si (An ) est un système Cette formule reste valable dans le cas d’une
complet d’évènements, alors, pour tout évènement B, la suite (An ) d’évènements deux à deux incompa-
P +∞
P +∞
P
série P(An ∩ B) converge et P(B) = P(An ∩ B). tibles et tels que P(An ) = 1 ; on dira dans ce
n>0 n=0 n=0
cas que le système est quasi-complet.
Interprétation en termes de probabilités condi-
tionnelles, avec la convention suivante : si
P(An ) = 0, alors on pose P(An )P(B | An ) = 0.
• Indépendance de deux évènements. Indépendance (mu-
tuelle) de n évènements ; d’une suite d’évènements.
c) Variables aléatoires réelles
On nomme variable aléatoire réelle sur (Ω, T ) toute applica- Aucune vérification du fait qu’une fonction est
tion X de Ω dans R telle que, pour tout a ∈ R, l’ensemble une variable aléatoire ne sera demandée dans
{ω ∈ Ω : X (ω) 6 a}, noté (X 6 a), soit un évènement. une épreuve de mathématiques.
Si I est un intervalle de R, alors (X ∈ I) = {ω ∈ Ω : X (ω) ∈ I} Résultat admis.
est un évènement.
Fonction de répartition : FX : t 7→ P(X 6 t).
Croissance, limites en ±∞. Les propriétés de limites sont admises.
On illustre la notion de fonction de répartition au
moyen des variables aléatoires finies étudiées en
première année.
Indépendance de deux variables aléatoires. Indépendance Lorsqu’on a une hypothèse d’expériences indé-
(mutuelle) de n variables aléatoires ; d’une suite de va- pendantes, les variables associées sont indépen-
riables aléatoires. dantes.
Deux variables X et Y sont indépendantes si, et seulement Résultat admis.
si pour tous intervalles I et J on a P(X ∈ I ∩ Y ∈ J) = P(X ∈
I) P(Y ∈ J).
Propriétés de l’indépendance mutuelle : Ces résultats sont admis.
• Si X1 , X2 , ... , Xn sont indépendantes, toute sous-famille
l’est aussi.
• Si X1 , ... , Xn , Xn+1 , ... , Xn+p sont indépendantes, alors
u(X1 , ... , Xn ) et v (Xn+1 , ... , Xn+p ) sont indépendantes.
• Si X1 , X2 , ... , Xn sont indépendantes, alors
u1 (X1 ), u2 (X2 ), ... , un (Xn ) sont indépendantes.
d) Espérance et variance
Espérance. Notion de variable centrée. En s’appuyant sur le programme de première an-
née, on admet qu’il existe une fonction espérance
notée E, définie sur une partie de l’ensemble des
variables aléatoires sur (Ω, T, P), à valeurs dans
R, possédant au moins les propriétés de linéa-
rité, de positivité et vérifiant E(1) = 1.
Généralisation des propriétés et des définitions vues en pre- Ce développement doit rester modeste.
mière année, en particulier :
• Variance et moments d’une variable aléatoire.
• Signe de la variance.
• Écart-type σ(X ) d’une variable aléatoire X .
• Formule de König-Huygens V (X ) = E(X 2 ) − E(X )2 .
• Variance de aX + b. Notion de variable centrée réduite.
• Si X est une variable aléatoire admettant une variance X ∗ est appelée variable centrée réduite associée
X − E(X )
non nulle, X ∗ = est une variable centrée ré- à X .
σ(X )
duite.
• Si X et Y sont indépendantes, on a :
E(XY ) = E(X )E(Y ), Résultat admis.
V (X + Y ) = V (X ) + V (Y ). Généralisation au cas de n variables aléatoires
indépendantes.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 5 / 14
Exemples de capacités : modéliser une expérience aléatoire au moyen d’une probabilité ; calculer la
probabilité d’un évènement ; exploiter une hypothèse d’indépendance pour calculer des probabilités.

Révisions 5 – Nombres complexes et polynômes

Exercices et situations illustrant le programme de première année (Outils 2, Outils 3 et Algèbre).

Révisions 6 – Systèmes linéaires et matrices

Exercices et situations illustrant le programme de première année (Algèbre linéaire 1 et 2).

Algèbre linéaire 3 – Espaces vectoriels

Ce chapitre reprend les concepts présentés en première année dans un cadre limité (K n ) et les adapte
brièvement à d’autres espaces, de dimension finie ou non.
La notion de somme de sous-espaces vectoriels n’est pas au programme.
On travaille dans K = R ou C.

Contenus Commentaires
a) Structure vectorielle
Structure d’espace vectoriel. Règles de calcul. On met plus particulièrement en valeur les es-
paces vectoriels suivants : K n , l’ensemble des
applications définies sur un intervalle I à valeurs
dans K , K [X ], Kn [X ], Mn,p (K ).
L’étude d’espaces de suites n’est pas un objectif
du programme.
Combinaison linéaire d’une famille finie de vecteurs.
Sous-espaces vectoriels.
Intersection d’un nombre fini de sous-espaces vectoriels.
Sous-espace vectoriel engendré par une famille finie de On introduit la notation Vect(x1 , x2 , ..., xk ).
vecteurs.
Famille génératrice finie d’un espace vectoriel (sous réserve
d’existence).
Famille libre finie. Famille liée finie.
Exemple fondamental de famille libre : toute famille finie de
polynômes non nuls de degrés deux à deux distincts est
libre.
Base finie d’un espace vectoriel (sous réserve d’existence).
Coordonnées d’un vecteur dans une base.
Matrice des coordonnées d’une famille finie de vecteurs
dans une base.
Bases canoniques de K n et Kn [X ]. D’autres exemples peuvent être proposés, mais
les attendus du programme se limitent aux cas
mentionnés.
b) Dimension
De toute famille génératrice finie d’un espace E, on peut Ce résultat et le suivant sont admis.
extraire une base.
Toutes les bases de E ont le même cardinal ; ce nombre On dit alors que E est un espace vectoriel de
commun est appelé dimension de E. dimension finie.

Dans un espace vectoriel de dimension n :

• Toute famille libre a au plus n éléments.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 6 / 14
Contenus (suite) Commentaires
• Une famille libre ayant n éléments est une base.
• Toute famille génératrice a au moins n éléments.
• Une famille génératrice ayant n éléments est une base. Compte tenu des objectifs pédagogiques, la plu-
part de ces énoncés doivent être admis, mais on
peut montrer comment certains de ces résultats
peuvent en impliquer d’autres.
Si F est un sous-espace vectoriel de E, alors F est de di-
mension finie et dim F 6 dim E. Si les deux dimensions sont
égales, alors F = E.
Rang d’une famille finie de vecteurs. Ce rang peut se calculer comme le rang de la
matrice des coordonnées de la famille dans n’im-
porte quelle base.

Exemples de capacités : trouver une base et la dimension d’un espace vectoriel ; calculer le rang
d’une famille finie de vecteurs ; capacités d’abstraction (ou d’adaptation) pour concevoir une fonction,
un polynôme ou une matrice comme un vecteur.

Révisions 7 – Intégrales
Exercices et situations illustrant le programme de première année (Analyse 9).
Exemples en lien avec le programme d’informatique.

Révisions 8 – Équations différentielles

Exercices et situations illustrant le programme de première année (Analyse 4 et Analyse 10).
Exemples en lien avec le programme d’informatique.

Probabilités 4 – Variables aléatoires à densité

Ce chapitre reprend les probabilités dites « continues » (présentées en classe terminale) en les insé-
rant dans un contexte cohérent avec ce qui précède, et met en place les modèles continus les plus
courants : uniforme, exponentiel, normal.
Les intégrales généralisées sont introduites ici pour définir les variables aléatoires à densité. En de-
hors de questions probabilistes, les intégrales généralisées ne doivent être utilisées que de manière
exceptionnelle et en lien avec des démarches de modélisation.

Contenus Commentaires
a) Intégrales généralisées
Convergence d’une intégrale généralisée (ou impropre) La convergence est traduite en termes de limites
d’une fonction continue sur un intervalle semi-ouvert ou ou- portant sur une primitive.
vert.
Cas d’une fonction définie sur un intervalle et continue sur Cas particulier d’une fonction prolongeable par
cet intervalle sauf éventuellement en un nombre fini de continuité en un point.
points.
Propriétés des intégrales convergentes : linéarité, relation
de Chasles, positivité, croissance.
Adaptation de l’intégration par parties aux intégrales im- On souligne la nécessité de confirmer la conver-
propres. gence de tous les termes apparaissant dans une
telle formule.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 7 / 14
Contenus (suite) Commentaires
Adaptation de la formule de changement de variable pour Si la fonction ϕ est de classe C 1 et strictement
les intégrales impropres. monotone sur un intervalle d’extrémités a et b
ayant des limites α = lima ϕ et β = limb ϕ et si
f est continue sur l’intervalle d’extrémités α et β,
Rβ Rb
alors les intégrales α f (x) dx et a f (ϕ(t))ϕ0 (t) dt
convergent ou divergent simultanément, et ont la
même valeur lorsqu’elles convergent.
Cas des fonctions paires ou impaires.
Théorème de convergence par comparaison pour deux Tout autre critère de convergence (équivalents,
fonctions positives f et g telles que f 6 g. etc.) est hors programme.
Convergence absolue d’une intégrale généralisée. La convergence absolue est présentée comme
une condition suffisante pour obtenir la conver-
gence de l’intégrale.
Les intégrales semi-convergentes sont hors pro-
Z +∞
√ gramme.
2
L’intégrale e−x /2 dx converge et vaut 2π. La valeur de cette intégrale est un résultat admis.
−∞
b) Variables aléatoires admettant une densité
On dit qu’une variable aléatoire réelle X est à densité s’il Une telle fonction, qui n’est pas unique, est ap-
existe une fonction f positive, continue sauf éventuellement pelée densité de X .
en un nombre
Z x fini de points telle que pour tout x ∈ R : On peut alors exprimer la probabilité d’un évène-
ment du type P(X ∈ I) (I étant un intervalle) au
FX (x) = f (t) dt.
−∞ moyen d’une intégrale.
X admet une densité si, et seulement si sa fonction de ré- Résultat admis.
partition FX est continue sur R et de classe C 1 sauf éven- Dans ce contexte, donner la loi d’une variable
tuellement en un nombre fini de points. aléatoire X , c’est justifier que X admet une den-
sité et en donner une.
Sur des exemples simples, recherche de la loi de
u(X ), X ayant une densité donnée.
Exemples de recherche de la loi du minimum et du maxi-
mum de deux ou de n variables aléatoires indépendantes.
Si une fonction f est définie sur R, positive, continue
Z +∞ sauf Résultat admis.
Une telle fonction est dite densité de probabilité
éventuellement en un nombre fini de points et si f (t) dt
−∞ sur R.
converge et vaut 1 alors il existe une variable aléatoire X
dont f est une densité.
Espérance. Propriétés. La linéarité de l’espérance est admise.
Théorème de transfert. Résultat admis.
Inégalité de Markov.
Variance, écart-type, moments. Propriétés. Reprise rapide des définitions et propriétés vues
dans le chapitre Probabilités 3.
c) Lois usuelles
Loi uniforme : densité, fonction de répartition, espérance, La loi uniforme sur [a, b] modélise le choix au
variance. hasard d’un réel entre a et b ; les fonctions de
« nombre au hasard » incluses dans les calcula-
trices et langages de programmation permettent
de simuler la loi uniforme ; ces questions sont
présentées en lien avec l’enseignement d’infor-
matique.
Loi exponentielle : densité, fonction de répartition, espé- On met en valeur la propriété d’invariance
rance, variance. temporelle : P(X > s + t | X > s) = P(X > t) et
on donne quelques exemples d’expériences don-
nant du sens à cette propriété.
La loi exponentielle peut être simulée à partir
d’une simulation de la loi uniforme sur ]0, 1[.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 8 / 14
Contenus (suite) Commentaires
Loi normale (ou gaussienne) centrée et réduite : densité, On obtient les valeurs de la fonction de réparti-
espérance et variance. tion (notée Φ) et de sa réciproque (dite fonction
des quantiles et notée α 7→ uα ) au moyen de la
calculatrice ou d’une bibliothèque associée à un
langage de programmation.
On peut utiliser la fonction des quantiles et
une simulation d’une loi uniforme sur [0, 1] pour
simuler une loi normale.
Loi normale de paramètres µ et σ 2 : densité, espérance et
variance.
Si X suit une loi normale, alors aX + b aussi si a 6= 0. Pour une variable de loi N (µ, σ 2 ), on se ramè-
nera le plus souvent à la variable centrée réduite
associée.
d) Sommes de variables aléatoires à densité indépen-
dantes
Loi de la somme de deux variables indépendantes à den- Le résultat est admis.
sité. La formule du produit de convolution devra être
rappelée en cas de besoin.
Somme de deux variables aléatoires normales indépen- Le calcul montrant la normalité de la somme
dantes. n’est pas un attendu du programme.
On généralise le résultat au cas de n variables
gaussiennes indépendantes.
Application à la modélisation des erreurs dans
les processus de mesurage.

Exemples de capacités : justifier le fait qu’une variable aléatoire admet une densité ; calculer une
espérance et une variance ; appliquer la formule du produit de convolution.

Algèbre linéaire 4 – Applications linéaires et matrices

Le passage aux espaces vectoriels quelconques pousse à redéfinir les notions liées aux applications
linéaires. Il convient de faire cette adaptation avec une certaine brièveté afin de garder tout le temps
requis pour traiter des exemples.
On travaille dans K = R ou C.

Contenus Commentaires
a) Applications linéaires
Application linéaire, endomorphisme, isomorphisme. Es- On introduit les notations L(E, F ) et L(E), mais
paces isomorphes. leur étude n’est pas un attendu du programme.
Opérations sur les applications linéaires : addition, multipli- Notation f n pour n > 0.
cation par un scalaire, composition, réciproque. Propriétés
de ces opérations.
Noyau. Lien avec l’injectivité. On montre que le noyau est un sous-espace vec-
toriel de l’espace de départ.
Image. Lien avec la surjectivité. On montre que l’image est un sous-espace vec-
toriel de l’espace d’arrivée.
b) Cas de la dimension finie
Détermination d’une application linéaire par l’image d’une
base.
Une application linéaire est un isomorphisme si, et seule- Tout espace de dimension n est isomorphe à K n .
ment si, l’image d’une base est une base.
Rang d’une application linéaire.
Théorème du rang. Résultat admis.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 9 / 14
Contenus (suite) Commentaires
Pour une application linéaire entre deux espaces de même
dimension (finie), il y a équivalence entre l’injectivité, la sur-
jectivité et la bijectivité.
c) Matrices et applications linéaires
Matrice d’une application linéaire d’un espace vectoriel de
dimension finie dans un espace vectoriel de dimension finie,
une base ayant été choisie dans chacun d’eux.
Matrice de la somme de deux applications linéaires, du pro-On montre qu’un endomorphisme est bijectif si,
duit par un scalaire d’une application linéaire, de la com-et seulement si, sa matrice, dans une base quel-
posée de deux applications linéaires, de l’application réci-
conque, est inversible, et qu’il suffit pour cela de
proque. disposer d’une matrice inverse à gauche ou à
droite.
Interprétation d’une matrice comme application linéaire de Cette interprétation permet de parler d’image,
K p dans K n . noyau et de rang de la matrice en lien avec les
mêmes notions pour les applications linéaires.
d) Changement de base
Changement de base. Matrice de passage. On souligne le lien avec l’usage des référen-
tiels en Physique, tout en notant que les chan-
gements de référentiels ne se limitent pas à des
changements de base.
Action d’un changement de base sur les coordonnées d’un
vecteur.
Action d’un changement de base sur la matrice d’un endo-
morphisme.
Matrices semblables. On met en valeur l’intérêt des matrices sem-
blables pour le calcul des puissances.

Exemples de capacités : obtenir la matrice d’une application linéaire dans des bases données ; dé-
terminer un noyau et une image ; opérer un changement de bases ; démontrer que deux matrices sont
semblables.

Probabilités 5 – Variables aléatoires réelles discrètes

L’ensemble de ce chapitre donne l’occasion de revoir, par le biais d’exercices, les lois de probabilités
finies présentées dans le programme de première année (Probabilités 2).

Contenus Commentaires
a) Variables aléatoires réelles discrètes
Une variable aléatoire réelle est dite discrète si l’ensemble On met en valeur le système complet formé des
X (Ω) de ses valeurs est indexé par une partie de N. évènements (X = x) pour x ∈ X (Ω).
Loi de probabilité et fonction de répartition d’une variable
aléatoire discrète.
Espérance. Propriétés.
Théorème de transfert. Résultat admis.
Inégalité de Markov.
Variance, écart-type, moments. Propriétés. Reprise rapide des définitions et propriétés vues
dans le chapitre Probabilités 3.
b) Lois usuelles discrètes
Loi de Poisson. Espérance, variance.
Approximation dans certains cas d’une loi binomiale par une On illustrera cette approximation à l’aide d’histo-
loi de Poisson. grammes.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 10 / 14
Contenus (suite) Commentaires
Loi géométrique. Espérance et variance. On présente la loi géométrique comme loi
du nombre d’épreuves nécessaires pour obte-
nir le premier succès dans une suite illimitée
d’épreuves de Bernoulli indépendantes et de
même paramètre.
Propriété d’invariance temporelle de la loi
géométrique. Exemples de situations expérimen-
tales modélisées par une loi géométrique.

Exemples de capacités : modéliser une expérience aléatoire au moyen d’une variable aléatoire ; cal-
culer une espérance ; calculer une variance.

Probabilités 6 – Couples de variables aléatoires discrètes

Ce chapitre permet, par le maniement de sommes de séries, d’avoir une approche assez complète des
phénomènes liés aux couples de variables aléatoires : lois conjointes, lois marginales, indépendance.
Le programme se limite aux situations faisant intervenir des couples de variables aléatoires à valeurs
positives et des séries doubles à termes positifs.

Contenus Commentaires
a) Séries doubles à termes positifs
Notion de suite double (indexée par N × N).
Pour toute suite double (un,p ) de réels positifs ou nuls, on a Résultat admis.
+∞
P +∞ +∞
P +∞
P P La justification de la convergence se fait au cours
un,p = un,p dès que l’une des deux expressions
n=0 p=0 p=0 n=0 du calcul de la somme double.
est constituée de séries convergentes.
b) Couples de variables aléatoires discrètes
Couple (X , Y ) de deux variables aléatoires discrètes posi- L’évènement ((X = x) ∩ (Y = y)) est également
tives. Loi conjointe. noté (X = x, Y = y).
Lois marginales.
Lois conditionnelles.
Théorème de transfert : espérance de u(X , Y ) pour une Résultat admis.
fonction u positive. Justification de E(X + Y ) = E(X ) + E(Y ).
Covariance. Variance de X + Y .
Deux variables discrètes X et Y sont indépendantes si, et Résultat admis.
seulement si, pour tout (x, y) ∈ X (Ω) × Y (Ω), on a P(X = Loi conjointe de deux variables discrètes indé-
x, Y = y ) = P(X = x)P(Y = y ). pendantes.
Propriétés de l’indépendance : pour deux variables dis- On remarque que Cov(X , Y ) = 0.
crètes X et Y indépendantes, on a E(XY ) = E(X )E(Y ) et
V(X + Y ) = V(X ) + V(Y ).
Sur des exemples simples, recherche de la loi de u(X , Y ), On s’intéressera en particulier au maximum et au
le couple (X , Y ) ayant une loi conjointe connue. minimum de 2 ou de n variables aléatoires indé-
pendantes.
Cas particulier de la somme de deux variables discrètes à Les deux variables ne sont pas nécessairement
valeurs dans N. indépendantes.
Loi de la somme de deux variables indépendantes suivant Généralisation au cas de n variables.
des lois de Poisson.

Exemples de capacités : trouver les lois marginales ; démontrer que deux variables sont indépen-
dantes.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 11 / 14
Algèbre linéaire 5 – Valeurs propres, vecteurs propres

Contenus Commentaires
a) Éléments propres
Valeurs propres, vecteurs propres, sous-espaces propres On appelle spectre de l’endomorphisme f (res-
d’un endomorphisme. pectivement de la matrice A), l’ensemble des va-
Valeurs propres, vecteurs propres, sous-espaces propres leurs propres de f (respectivement de A).
d’une matrice carrée. En dimension finie, on fait le lien entre les
éléments propres d’un endomorphisme et ceux
d’une matrice qui le représente dans une base.
Les valeurs propres d’une matrice triangulaire sont les élé-
ments diagonaux de cette matrice.
b) Diagonalisation
Une famille finie de vecteurs propres associés à des valeurs Un endomorphisme en dimension n ou une ma-
propres distinctes est libre. trice carrée n×n admet au plus n valeurs propres
Une famille finie obtenue par juxtaposition de bases de distinctes et la somme des dimensions des sous-
sous-espaces propres associés à des valeurs propres dis- espaces propres est inférieure ou égale à n.
tinctes est libre.
En dimension finie, endomorphisme diagonalisable. Matrice
diagonalisable.
Un endomorphisme en dimension n ou une matrice carrée
n × n est diagonalisable si, et seulement si, la somme des
dimensions des sous-espaces propres est égale à n.
Un endomorphisme en dimension n ou une matrice carrée On fait observer que les sous-espaces propres
n × n ayant n valeurs propres distinctes est diagonalisable. sont de dimension 1.
Calcul des puissances d’une matrice diagonalisable.

Exemples de capacités : diagonaliser une matrice ; calculer les puissances d’une matrice diagonali-
sable (avec ou sans moyens de calcul).

Révisions 9 – Géométrie
Exercices et situations illustrant le programme de première année (Géométrie 1).

Géométrie 2 – Produit scalaire dans Rn

Ce chapitre propose une extension modeste des notions de géométrie euclidienne à l’espace euclidien
de dimension n, avec la mise en place de deux résultats fondamentaux pour les applications : la
projection orthogonale sur un sous-espace d’une part et la diagonalisation des matrices symétriques
d’autre part.
Dans ce chapitre, les mots « vecteur » et « point » peuvent être considérés comme interchangeables.

Contenus Commentaires
n
a) Produit scalaire dans R
Produit scalaire usuel dans Rn . Écriture matricielle.
Bilinéarité.
Norme euclidienne. Inégalité de Cauchy-Schwarz et inéga- La discussion des cas d’égalité n’est pas un ob-
lité triangulaire. jectif du programme.
Vecteurs orthogonaux. L’orthogonalité d’une famille de vecteurs non nuls
entraîne sa liberté.
Théorème de Pythagore.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 12 / 14
Contenus (suite) Commentaires
n
Bases orthonormales de l’espace R ou d’un sous-espace On souligne le fait que le produit scalaire et la
de Rn . norme se calculent de la même manière dans
toutes les bases orthonormales.
On réinterprète la définition en termes de matrice
de passage P de la base canonique à une base
orthonormale (relation tPP = In ).
Les algorithmes d’orthonormalisation ne sont
pas au programme.
Toute matrice carrée symétrique réelle est diagonalisable Il s’agit de l’énoncé suivant (qui est admis) : si
dans une base orthonormale de vecteurs propres. A est une matrice symétrique réelle il existe une
matrice D diagonale et une matrice P inversible
telles que A = PDP −1 avec P −1 = tP.
b) Projection orthogonale
Distance entre deux vecteurs (ou points).
Définition de la distance d’un vecteur (ou point) à une partie Cette notion peut être interprétée en tant que dé-
non vide. marche d’optimisation voire de meilleure approxi-
mation.
On appelle projection orthogonale sur un sous-espace F de On rappelle que les notions générales de
Rn un endomorphisme p de Rn tel que : pour tout x ∈ Rn , sommes de sous-espaces vectoriels et de pro-
p(x) ∈ F et pour tout y ∈ F , p(x) − x est orthogonal à y . jections ne sont pas au programme.
Existence et unicité de la projection orthogonale p sur un On admet qu’il existe une base orthonormale du
sous-espace F de Rn . sous-espace F .
Écriture de la projection orthogonale dans une
base orthonormale de F .
Relation p ◦ p = p. On remarque que Ker(p) est l’ensemble des vec-
Im(p) = F . teurs orthogonaux aux vecteurs de F .
Distance d’un vecteur (ou point) à un sous-espace de Rn . Interprétation de l’ajustement affine par la mé-
thode des moindres carrés en termes de projec-
tion sur un sous-espace de dimension 2.

Exemples de capacités : calculer une projection orthogonale, une plus courte distance.

Révisions 10 – Fonctions de deux variables

Exercices et situations illustrant le programme de première année (Analyse 11).

Statistique 2 – Théorèmes limites et statistique inférentielle

L’objectif de ce chapitre est d’initier les étudiants au vocabulaire et à la démarche de la statistique
inférentielle sur quelques cas simples, en leur présentant le problème de l’estimation par intervalle et
du test de conformité. Il ne doit en aucun cas faire l’objet d’un développement théorique. On pourra
illustrer par des exemples pris dans la vie courante et dans les autres disciplines.

Contenus Commentaires
a) Vocabulaire de l’échantillonnage et de l’estimation
X étant une variable aléatoire d’espérance µ et de variance
σ 2 , un n-échantillon de X est un n-uplet (X1 , X2 , ... , Xn ) de
variables aléatoires indépendantes et de même loi que X .
Un estimateur d’un paramètre (µ ou σ 2 ) est une suite (Tn ) La valeur de Tn obtenue à partir d’un échantillon
de variables aléatoires, chaque Tn étant une fonction de observé est l’estimation du paramètre.
(X1 , X2 ... , Xn ) donnant de l’information sur le paramètre Aucun développement ne sera fait sur les estima-
choisi. teurs et on se limitera aux deux estimateurs cités
ci-dessous.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 13 / 14
Contenus (suite) Commentaires
On définit l’erreur d’estimation comme la différence entre
l’estimateur et la valeur du paramètre, et le biais comme
l’espérance de l’erreur d’estimation.
• La moyenne empirique, notée Mn et définie par Mn = La variable Mn est souvent notée X n .
n
1
P On remarque que Mn est un estimateur sans
n Xi , est un estimateur de µ.
i=1 biais de µ et que la variance de l’erreur d’esti-
2
mation Mn − µ, qui vaut σn , tend vers 0.
• La variance empirique, notée Sn 2 , et définie par On remarque que le biais de Sn 2 tend vers 0.
L’usage de l’estimateur corrigé de la variance
n n n
2 1X 1  X 2 2 1
2 2
Sn0 = n−1 (Xi − Mn )2 , parfois employé dans les
P
Sn = (Xi − Mn ) = Xi − Mn ,
n n i=1
i=1 i=1
applications, n’est pas un objectif du programme.
est un estimateur de σ 2 .
b) Théorèmes limites
Inégalité de Bienaymé–Tchebychev.
Loi faible des grands nombres.
Théorème central limite (première forme) : Théorème admis.
Étant donnée une suite de variables aléatoires indépen- On obtient ainsi une approximation asymptotique
dantes (Xn )n>1 de même loi, admettant une espérance µ et de la loi de l’erreur d’estimation réduite ε(Mn ) =
une variance σ 2 non nulle, alors, pour tous réels a, b tels Mn∗ .
Mn − µ Illustration numérique de cette convergence à
que a < b, en posant Mn∗ = σ on a :
√
n
l’aide de tirages répétés d’une loi uniforme ou ex-
1
Z b
2
ponentielle.
P (a < Mn∗ < b) −−−→ √ e−t /2
dt .
n→∞ 2π a

Cas de la loi binomiale : théorème de de Moivre–Laplace.

Théorème central limite (seconde forme) : Théorème admis.
Étant donnée une suite de variables aléatoires indépen- Cette version est utilisée lorsqu’on ne connaît
dantes (Xn )n>1 de même loi, admettant une espérance µ pas σ 2 .
et une variance, alors, pour tous réels a, b tels que a < b,
on a :
! Z b
Mn − µ 1 2
P a< S
< b −−−→ √ e−t /2 dt,
√ n n→∞ 2π a
n

Sn désignant l’écart-type empirique.

c) Applications statistiques
Intervalle de confiance : Ce résultat est une conséquence directe de la
  seconde forme du théorème central limite. On en
Sn Sn
P Mn − u1− α2 √ < µ < Mn + u1− α2 √ −−−→ 1 − α déduit une fourchette d’estimation du paramètre
n n n→∞
µ, appelé aussi intervalle de confiance de niveau
α de confiance 1 − α.
où u1− α2 est le quantile d’ordre 1 − 2 de la loi N (0; 1).
Test de conformité sur la moyenne : pour tester l’hypothèse Ce résultat est une conséquence directe de la
(H0 ) : µ = µ0 , on utilise que seconde forme du théorème central limite. On re-
! jette l’hypothèse si la valeur observée de Mn√S−µn
0

Mn − µ0   n
P S
> u1− α2 −−−→ α est en dehors de l’intervalle −u1− α2 , u1− α2 .
√n n→∞
n

Exemples de capacités : trouver un intervalle de confiance de la moyenne ; faire un test de confor-

mité sur la moyenne.

© Ministère de l’enseignement supérieur et de la recherche, 2013 Programme BCPST2

http://www.enseignementsup-recherche.gouv.fr Page 14 / 14