INSTITUT UNIVERSITAIRE DE TECHNOLOGIE

IUT “A” Paul Sabatier, Toulouse 3.

DUT Génie Civil

Tronc commun, Module M4.

MATHÉMATIQUES

Éléments de Calculs pour

l’Analyse,
la Géomètrie Différentielle et
les Statistiques

G. Chèze
[Link]@[Link]
2
Règle du jeu

Ceci est un support de cours pour le module M4 de l’IUT Génie Civil de

Toulouse. Dans ce module il est question de fonctions de plusieurs variables et
d’arcs paramétrés et de statistiques.

Certains passages de ce cours comportent des trous, ils sont là volontairement.
C’est à vous de les compléter durant l’heure de cours hebdomadaire. La partie
du cours traitée en amphithéatre sera complétée et disponible régulièrement sur
internet à l’adresse : http ://[Link]/∼cheze/ .

Les exercices à faire en TD se trouvent à la suite du cours et les corrections à la

fin de chaque chapitre.

Je serai reconnaissant à toute personne me signalant une ou des erreurs se

trouvant dans ce document.

A présent, au travail et bon courage à tous !

i
ii Règle du jeu
Table des matières

Règle du jeu i

I Calcul différentiel 1
1 Fonctions de plusieurs variables 5
1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Représentation graphique d’une fonction de deux variables . . . . . . 6
1.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Comment représenter le graphe d’une fonction de deux variables 8
1.3 Exercices du TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Correction des exercices . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Dérivées partielles, Différentielles 25

2.1 Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Dérivées partielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Différentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 Utilisation des différentielles, différentielle d’une fonction composée . 30
2.5 Exercices du TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Correction des exercices . . . . . . . . . . . . . . . . . . . . . . . . . 34

3 Approximation affine, Calcul d’incertitude 37

3.1 Approximation d’une fonction à une seule variable . . . . . . . . . . . 37
3.2 Approximation d’une fonction de plusieurs variables . . . . . . . . . . 39
3.3 Calcul d’erreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1 Le cas des fonctions d’une seule variable . . . . . . . . . . . . 40
3.3.2 Le cas des fonctions de plusieurs variables . . . . . . . . . . . 42
3.4 Exercices du TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.5 Correction des exercices . . . . . . . . . . . . . . . . . . . . . . . . . 47

II Géomètrie différentielle 51
1 Arcs paramétrés 53
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.1.1 Interprétation cinématique . . . . . . . . . . . . . . . . . . . . 54
1.2 Représentation graphique . . . . . . . . . . . . . . . . . . . . . . . . 55
1.2.1 Tableau de variations . . . . . . . . . . . . . . . . . . . . . . . 55

iii
iv TABLE DES MATIÈRES

1.2.2 Allure au voisinage d’un point . . . . . . . . . . . . . . . . . . 57

1.3 Réduction de l’intervalle d’étude . . . . . . . . . . . . . . . . . . . . . 61
1.4 Branche infinie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
1.5 Longueur d’une courbe . . . . . . . . . . . . . . . . . . . . . . . . . . 65
1.6 Courbure et rayon de courbure . . . . . . . . . . . . . . . . . . . . . . 66
1.7 Exercices du TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
1.8 Correction des exercices . . . . . . . . . . . . . . . . . . . . . . . . . 71

III Statistiques 81
1 Série statistique à deux variables 85
1.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
1.1.1 Moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
1.1.2 Variance, écart-type . . . . . . . . . . . . . . . . . . . . . . . 86
1.2 Définition, représentation . . . . . . . . . . . . . . . . . . . . . . . . . 87
1.2.1 Représentation en tableau . . . . . . . . . . . . . . . . . . . . 87
1.2.2 Nuage de points . . . . . . . . . . . . . . . . . . . . . . . . . . 89
1.3 Corrélation et ajustement . . . . . . . . . . . . . . . . . . . . . . . . 90
1.3.1 Boı̂te à outils . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
1.3.2 Ajustement linéaire : Méthode des moindres carrés . . . . . . 92
1.3.3 Régression linéaire de X sur Y . . . . . . . . . . . . . . . . . 95
1.3.4 Autre cas d’ajustement . . . . . . . . . . . . . . . . . . . . . . 96
1.4 Exercices du TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
1.5 Correction des exercices . . . . . . . . . . . . . . . . . . . . . . . . . 104

2 Variables aléatoires 113

2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
2.2 Variable aléatoire discrète . . . . . . . . . . . . . . . . . . . . . . . . 114
2.3 La loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
2.3.1 Modèle, Définition . . . . . . . . . . . . . . . . . . . . . . . . 114
2.3.2 Comment vérifier q’une variable aléatoire suit une loi binomiale ?115
2.4 Variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . . . 116
2.5 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
2.5.1 Définition, propriétés . . . . . . . . . . . . . . . . . . . . . . . 118
2.5.2 Représentation graphique,et propriétés . . . . . . . . . . . . . 119
2.5.3 Le théorème central-limite . . . . . . . . . . . . . . . . . . . . 122
2.5.4 Champ d’intervention de la loi normale . . . . . . . . . . . . . 123
2.6 Exercices du TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
2.7 Correction des exercices . . . . . . . . . . . . . . . . . . . . . . . . . 127

3 Estimation 133
3.1 Nature du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3.2 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.2.1 Estimation ponctuelle d’une moyenne . . . . . . . . . . . . . . 134
3.2.2 Estimation d’une proportion . . . . . . . . . . . . . . . . . . . 134
3.2.3 Estimation ponctuelle d’un écart-type . . . . . . . . . . . . . . 134
3.3 Estimation par intervalle de confiance . . . . . . . . . . . . . . . . . . 135
TABLE DES MATIÈRES v

3.3.1 Estimation par intervalle de confiance d’une moyenne, σ connu 135

3.3.2 Estimation par intervalle de confiance d’une moyenne, σ inconnu137
3.3.3 Estimation par intervalle de confiance d’une proportion . . . . 138
3.4 Exercices du TD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
3.5 Correction des exercices . . . . . . . . . . . . . . . . . . . . . . . . . 141

IV Annexes 145
A Table pour la loi normale centrée réduite 147

B Annales corrigées 151

C Trouver l’erreur 179

D Alphabet grec 183

vi TABLE DES MATIÈRES
 Première partie

Calcul différentiel

1
 Jusqu’à présent vous avez surtout rencontré des fonctions d’une variable. Cepen-
dant les phénomènes naturels ne dépendent pas en général d’une seule variable. Par
exemple : la vitesse moyenne v dépend de la distance parcourue d et du temps t mis
pour effectuer ce parcours, on a v = d/t. Un autre exemple est donné par le calcul
de l’aire d’un rectangle : A = L × l. L’aire est une fonction de la longueur L et de la
largeur l. Dans cette partie, nous allons étudier les fonctions de plusieurs variables.
Nous aurons une attention toute particulière pour les fonctions de deux variables car
dans ce cas nous pourrons encore faire des dessins. Ensuite nous verrons que nous
pouvons aussi faire des calculs de dérivées. Cela sera utilisé dans le dernier chapitre
de cette partie dans lequel nous effectuerons des calculs d’incertitude.

3
4
Chapitre 1

Fonctions de plusieurs variables

Nous allons dans ce chapitre définir les fonctions de plusieurs variables. Nous nous
intéresserons plus particulièrement aux fonctions de deux variables et aux diverses
représentations graphiques que l’on peut obtenir.

1.1 Définition
L’exemple le plus simple de fonctions de deux variables est donné par l’aire d’un
rectangle : A = L × l. L et l étant des nombres positifs nous représentons cette
fonction de la manière suivante :
f : R+ × R+ −→ R
(L, l) 7−→ L × l
R+ × R+ s’appelle le domaine de définition de la fonction f .

D’une manière générale nous pouvons avoir n variables où n désigne un nombre
entier.
Définition 1. Soit n un nombre entier et D une partie de Rn . Une fonction f de
n variables est un procédé qui a tout n-uplet (x1 , . . . , xn ) de D associe un unique
nombre réel.
Cela se note de la manière suivante :
f : D −→ R
(x1 , . . . , xn ) 7−→ f (x1 , . . . , xn )

D est le domaine de définition de f .

Remarque : La notation (x1 , . . . , xn ) est là pour montrer que nous avons n va-
riables. En pratique, lorsque nous n’avons que deux variables nous les notons x et y
plutôt que x1 et x2 .
Par exemple, la fonction suivante donne la distance d’un point de coordonnées (x, y)
à l’origine du plan.
f : R2 −→ R
p
(x, y) 7−→ x2 + y 2

5
6 Fonctions de plusieurs variables

f est une fonction de deux variables, R2 est son domaine de définition.

Voici, ici un exemple d’une fonction de trois variables : (x; y; z).

g : R × R × R⋆ −→ R
x cos(y) + 2y 3 − π
(x, y, z) 7−→
z5
g est une fonction de trois variables, R × R × R⋆ est son domaine de définition.

Exercice 1. La formule suivante permet de définir une fonction de 2 variables :

f (x, y) = ln(x) + sin(y)

1. Donner l’image de (e, 0).

2. Donner le plus grand domaine de définition possible pour f .

Solution :

1. f (e, 0) = ln(e) + sin(0) = 1 + 0 = 1.

L’image de (e, 0) par f est 1.
2. Pour que ln(x) existe il faut (et il suffit) que x > 0. Donc x ∈ R+, ⋆ .
sin(y) existe pour tout y ∈ R. Donc y ∈ R.
Ainsi le plus grand domaine de définition possible pour f est : R+, ⋆ × R.

1.2 Représentation graphique d’une fonction de

deux variables
1.2.1 Définition
Avant de donner la définition du graphe d’une fonction de deux variables nous
allons rappeler ce qu’est le graphe d’une fonction d’une variable.

Définition 2. Soit

f : D −→ R
x 7−→ f (x)

Le graphe Cf de f (fonction d’une seule variable) est l’ensemble des points du plan
de coordonnées (x; f (x)) avec x ∈ D.
Cela se note :
Cf = {(x, y) ∈ R2 | y = f (x), x ∈ D}

Ainsi pour tracer le graphe d’une fonction d’une variable nous avons rajouté
une nouvelle variable y. Le graphe est alors une courbe dans le plan R2 .
Pour les fonctions de deux variables x et y nous allons aussi rajouter une variable z
et le graphe sera alors une surface de l’espace R3 .
1.2 Représentation graphique d’une fonction de deux variables 7

Définition 3. Soit

f : D −→ R
(x, y) 7−→ f (x, y)

Le graphe Sf de f (fonction de deux variables) est l’ensemble des points de l’espace

de coordonnées (x; y; f (x, y)) avec (x, y) ∈ D.
Cela se note :
Sf = {(x, y, z) ∈ R3 | z = f (x, y), (x, y) ∈ D}

Remarque :
Sf est une surface dans R3 .

A chaque point (x, y) ∈ D correspond un point sur la surface Sf . Voici comment

on place les points dans un repère.

z
(x,y,f(x,y))

x
(x,y)

Fig. 1.1 – Utilisation d’un repère à 3 dimensions.

Afin de vous familiariser avec les graphes des fonctions de deux variables voici
quelques exemples.
8 Fonctions de plusieurs variables

0.5

−0.5
10
5
0 10
5
−5 0
−5
−10

p
Fig. 1.2 – Représentation graphique de z = sin( x2 + y 2 ).

0.4

0.2 2

0 1

−0.2 0

−0.4 −1
2 1.5 1 0.5 0 −0.5 −2
−1 −1.5 −2

2 +y 2 )
Fig. 1.3 – Représentation graphique de z = xye−0.5(x .

1.2.2 Comment représenter le graphe d’une fonction de

deux variables
Nous savons faire des dessins dans un plan, donc pour faire des dessins dans
l’espace nous allons nous ramener à ce que nous savons faire. . .C’est à dire nous
allons dessiner la “trace” de la surface sur les plans xOz, yOz et xOy. Auparavant
nous allons rappeller quelques propriétés des plans de l’espace.

Proposition 1.
– Un plan parallèle au plan xOy a pour équation :

z = z0

Ce plan contient le point (0, 0, z0 ).

– Un plan parallèle au plan xOz a pour équation :

y = y0

Ce plan contient le point (0, y0 , 0).

– Un plan parallèle au plan yOz a pour équation :

x = x0

Ce plan contient le point (x0 , 0, 0).

1.2 Représentation graphique d’une fonction de deux variables 9

Remarque : Ces deux derniers plans ne sont pas des représentations graphiques
d’une fonction de deux variables (x, y). En effet nous ne pouvons pas faire corres-
pondre un point de (xOy) avec un seul point de ces plans.

Exercice 2. Soit

f : R2 −→ R
(x, y) 7−→ x2 + y 2

1. Déterminer, nommer et tracer la projection dans le plan xOz de Sf ∩ {y = k}

pour k = 1; 2; puis pour k ∈ R.
2. Est ce que Sf ∩ {y = k} est le graphe d’une fonction d’une variable ? Si oui,
laquelle ?
3. Déterminer, nommer et tracer la projection dans le plan yOz de Sf ∩ {x = 0}.
4. Est ce que Sf ∩ {x = 0} est le graphe d’une fonction d’une variable ? Si oui,
laquelle ?
5. Déterminer et nommer la projection dans le plan xOy de Sf ∩ {z = k} pour
k = 1; 2; 0; −1 puis pour k ∈ R+ .
6. Est ce que Sf ∩ {z = k} est le graphe d’une fonction d’une variable ? Si oui,
laquelle ?
7. En déduire la représentation graphique de f .

Solution :
1. – Sf ∩ {y = 1} = {(x, y, z) ∈ R3 | z = x2 + y 2 , y = 1}.

Sf ∩ {y = 1} = {(x, 1, z) ∈ R3 | z = x2 + 12 }.

La projection dans le plan xOz de Sf ∩ {y = 1} est :

{(x, z) ∈ R2 | z = x2 + 1}

Nous obtenons une parabole de sommet (0, 1).

– La projection dans le plan xOz de Sf ∩ {y = 2} est :

{(x, z) ∈ R2 | z = x2 + 4}

Nous obtenons une parabole de sommet (0, 4).

– La projection dans le plan xOz de Sf ∩ {y = k} est :

{(x, z) ∈ R2 | z = x2 + k 2 }

Nous obtenons une parabole de sommet (0, k 2 ).

10 Fonctions de plusieurs variables

Fig. 1.4 – Coupe de Sf par le plan y = k .

2. Sf ∩ {y = k} est le graphe de la fonction d’une seule variable :

fy=k : R −→ R
x 7−→ x2 + k 2

3. Sf ∩ {x = 0} = {(x, y, z) ∈ R3 | z = x2 + y 2 , x = 0}.

Sf ∩ {x = 0} = {(0, y, z) ∈ R3 | z = 0 + y 2 }.

La projection dans le plan yOz de Sf ∩ {x = 0} est :

{(y, z) ∈ R2 | z = y 2 }
Nous obtenons une parabole de sommet (0, 0).

4. Sf ∩ {x = 0} est le graphe de la fonction d’une seule variable :

fx=0 : R −→ R
y 7−→ y 2

5. – Sf ∩ {z = 1} = {(x, y, z) ∈ R3 | z = x2 + y 2 , z = 1}.

Sf ∩ {z = 1} = {(x, y, 1) ∈ R3 | 1 = x2 + y 2 }.

La projection dans le plan xOy de Sf ∩ {z = 1} est :

{(x, y) ∈ R2 | 1 = x2 + y 2 }
Nous obtenons le cercle de centre O et de rayon 1.

– La projection dans le plan xOy de Sf ∩ {z = 2} est :

{(x, y) ∈ R2 | 2 = x2 + y 2 }
√
Nous obtenons le cercle de centre O et de rayon 2.
1.2 Représentation graphique d’une fonction de deux variables 11

– La projection dans le plan xOy de Sf ∩ {z = 0} est :

{(x, y) ∈ R2 | 0 = x2 + y 2 }

Nous obtenons le point O (l’origine du repère).

– La projection dans le plan xOy de Sf ∩ {z = −1} est :

{(x, y) ∈ R2 | −1 = x2 + y 2 }

Cet ensemble est vide car la somme de deux carrés est nécesairement
positive.

– La projection dans le plan xOy de Sf ∩ {z = k} est :

{(x, y) ∈ R2 | k = x2 + y 2 }
√
Comme k > 0, nous obtenons le cercle de centre O et de rayon k.

6. Un cercle ne pas être la représentation graphique d’une fonction d’une seule

variable.

7.

Avant de donner la démarche générale pour obtenir le graphe d’une fonction de

deux variables nous allons donner quelques définitions.
12 Fonctions de plusieurs variables

Définition 4.
– L’intersection Sf ∩ {x = x0 } est la trace de Sf dans le plan {x = x0 }.
Cela représente la tranche verticale de Sf avec le plan {x = x0 }.

– L’intersection Sf ∩ {y = y0 } est la trace de Sf dans le plan {y = y0 }.

Cela représente la tranche verticale de Sf avec le plan {y = y0 }.

– L’intersection Sf ∩ {z = z0 } est la trace de Sf dans le plan {z = z0 }.

Cet ensemble est aussi appelé ligne de niveau f (x, y) = z0 , ou ligne de niveau
z = z0 .
Cela représente la tranche horizontale de Sf avec le plan {z = z0 }.

Proposition 2.
– Sf ∩ {x = x0 } est le graphe de la fonction d’une seule variable y :

fx=x0 : y 7−→ f (x0 , y).

– Sf ∩ {y = y0 } est le graphe de la fonction d’une seule variable x :

fy=y0 : x 7−→ f (x, y0 ).

Méthode générale et exemples

La méthode générale pour obtenir le graphe d’une fonction de deux variables est
la suivante :
1. Pour quelques valeurs x0 , tracer la tranche verticale de Sf avec le plan
{x = x0 }.
2. Pour quelques valeurs y0 , tracer la tranche verticale de Sf avec le plan {y = y0 }.
3. “Relier le tout” à l’aide de quelques lignes de niveau.

Remarque :
Lorsque nous avons suffisamment de tranche verticale, l’étape 3 n’est pas nécessaire
pour faire apparaı̂tre la surface recherchée.
1.2 Représentation graphique d’une fonction de deux variables 13

Sujet de méditation :
On considère la fonction de trois variables f (x, y, z) = x3 + y 3 − z 3 .
Déterminer la ligne de niveau f (x, y, z) = 0.

3
Dans cette ligne de niveau existe-t-il des triplets (x, y, z) ∈ Z⋆ .
Cas général :
On considère la fonction de trois variables f (x, y, z) = xn + y n − z n , où n ≥ 3.
Déterminer la ligne de niveau f (x, y, z) = 0.

3
Dans cette ligne de niveau existe-t-il des triplets (x, y, z) ∈ Z⋆ .
14 Fonctions de plusieurs variables

1.3 Exercices du TD
Exercice 1. Déterminer et représenter le plus grand domaine de définition possible
pour les fonctions suivantes :
√
xy
1. f (x, y) = 2 ,
x + y2
√
x+y+1
2. f (x, y) = ,
x−1
3. f (x, y) = ln(xy),
4. f (x, y) = x ln(y 2 − x),
p
5. f (x, y) = 4x − x2 + 4y − y 2

Exercice 2. Nous allons étudier la fonction f (x, y) = y − x2 .

1. Donner le plus grand domaine de définition possible pour f .
2. Calculer f (1, 2).
3. Tracer les courbes de niveau z = 0, z = 1 et z = 2.
4. Tracer l’intersection de Sf avec le plan d’équation x = 0.
5. Donner une représentation de Sf dans l’espace.

Exercice 3. Soit

f : R2 −→ R
1 1
(x, y) 7−→ − x − y + 1
2 3
1. Déterminer le graphe de f , puis reconnaı̂tre une “figure” de géométrie clas-
sique.
2. Représenter Sf .
Pour cela vous ferez apparaitre dans un même repère :
– Sf ∩ xOz.
– Sf ∩ yOz.
– Sf ∩ xOy.
1.3 Exercices du TD 15

2
Exercice 4. La surface Sf est le graphe de la fonction f (x, y) = ex −y .
Une des figures ci-dessous représente une courbe de niveau de Sf . Laquelle ?
(Justifier votre choix.)

140
4

120

2
100

80
–4 –2 2 4

60 x

–2
40

20
–4

–4 –2 0 2 4
x

a) b)
25
2

20

15

0 1 2 3 4 5

10 x

–1

–2

–4 –2 0 2 4
x

c) d)

Exercice 5. Appariez chaque fonction avec un graphique. (Justifier votre choix.)

1
1. f (x, y) = ,
1 + x2 + y 2
2. g(x, y) = (x − y)2 ,
3. h(x, y) = (x2 − y 2 )2 .

100

100

250

80
200
50

150
60

100

0 40

50

0 20
4

–50

2 0
–5

0
y

–100 0
4 x
–10
–2 2
4
0 0 2
10 0
5 –2 x
0 –2
–5 –4 5 –4
x 10 –10 –4 y
y

a) b) c)

10

1
8

0.8

0.6

4
0.4

0.2
2

–4 –4
0
–5 –2 –2

0 0
0 2
y 2 x
4
2
0 4 4
x –2
5 –4
y

d) e)
16 Fonctions de plusieurs variables

Exercice 6. La figure suivante représente les lignes de niveaux z = 0 ; z = 0, 2 ;

1
z = 0, 4 ; . . . ; z = 2 de la fonction f (x, y) = − x3 − xy − y 2 + x + 1, 5.
3
1. A l’aide des lignes de niveau représenter l’allure de la courbe repésentative de
la fonction fx=0 : y 7−→ f (0, y).
2. Même chose pour la fonction fy=0 : x 7−→ f (x, 0).
3. Vérifier vos résultats à l’aide de tableaux de variations.

1 z=0

z=2
z=1

–3 –2 –1 1 2
x

–1 z=2

–2
1.4 Correction des exercices 17

1.4 Correction des exercices

Correction de
√
l’exercice 1.
xy
1. f (x, y) =
x2+ y2
√ nul donc on doit avoir (x; y) 6= (0; 0).
Le dénominateur doit être non
x doit être positif pour que x existe.
Df = {(x, y) ∈ R2 | x ≥ 0, (x; y) 6= (0; 0)}

2 Df
–4 –2 0 2 4

–2

–4

Fig. 1.5 – Le domaine de définition de f est la partie grisée privée de l’origine.

√
x+y+1
2. f (x, y) =
x−1
Le dénominateur doit être non nul on doit avoir x 6= 1.
Pour que le numérateur existe, nous devons avoir x + y + 1 ≥ 0.
Df = {(x, y) ∈ R2 | y ≥ −x − 1, x 6= 1}.

2 Df
–4 –2 0 2 4

–2

–4

Fig. 1.6 – Le domaine de définition de f est la partie grisée privée de la droite

verticale.
18 Fonctions de plusieurs variables

3. On doit avoir xy > 0, donc x et y ont le même signe.

Df = {(x, y) ∈ R2 | xy > 0}

Df

Fig. 1.7 – Le domaine de définition de f est la partie grisée.

4. f (x, y) = x ln(y 2 − x)
On doit avoir y 2 − x > 0 pour que ln(y 2 − x) existe. D’où
Df = {(x, y) ∈ R2 | y 2 > x}

Df

Fig. 1.8 – Le domaine de définition de f n’est pas la partie grisée.

5.
p p
4x − x2 + 4y − y 2 = −(x2 − 4x + y 2 − 4y)
q

= − (x − 2)2 − 4 + (y − 2)2 − 4
p
= 8 − (x − 2)2 − (y − 2)2

Nous devons avoir 8 ≥ (x − 2)2 + (y − 2)2 .

Df = {(x, y) ∈ R2 | (x − 2)2 + (y − 2)2 ≤ 8}.
1.4 Correction des exercices 19

Rappel : L’équation du cercle de centre (a; b) et de rayon R est :

(x − a)2 + (y − b)2 = R2 .

y
4

2 Df
1

0 1 2 3 4
x

Fig. 1.9 – Le domaine de définition de f est l’intérieur du disque (bord compris).

Correction de l’exercice 2.
1. Df = R2 .
2. f (1; 2) = 2 − 12 = 1.
3. Sf ∩ {z = 0} = {(x; y) ∈ R2 | 0 = y − x2 } = {(x; y) ∈ R2 | y = x2 }

De même : Sf ∩ {z = 1} = {(x; y) ∈ R2 | y = x2 + 1}
Sf ∩ {z = 2} = {(x; y) ∈ R2 | y = x2 + 2}

z=2
5

z=1
4

z=0
3

–2 –1 0 1 2
x

Fig. 1.10 – Courbes de niveau de f (Vue de dessus).

4.

Sf ∩ {x = 0} = {(y; z) ∈ R2 | z = y − 02 }
= {(y; z) ∈ R2 | z = y}
20 Fonctions de plusieurs variables

z 1

–2 –1
y
1 2

–1

–2

Fig. 1.11 – Tranche verticale.

5.

2
–2
–2 –1
1 2

–2

–4

–6

Fig. 1.12 – z = y − x2 .

Correction de l’exercice 3.
1 1
1. Sf = {(x, y, z) ∈ R3 | z = − x − y + 1}.
2 3
1 1
Sf représente le plan d’équation z = − x − y + 1.
2 3
2. – Le plan xOz est le plan d’équation y = 0.
1
Donc Sf ∩ xOz est la droite d’équation z = − x + 1 dans le repère xOz.
2
Cette droite passe en particulier par les points A et B de coordonnées res-
pectives (0, 1) et (2, 0) dans le repère xOz.
Ainsi Sf passe par les points de l’espace de coordonnées (0, 0, 1) et (2, 0, 0).
– Le plan yOz est le plan d’équation x = 0.
1
Donc Sf ∩ yOz est la droite d’équation z = − y + 1 dans le repère yOz.
3
1.4 Correction des exercices 21

Cette droite passe en particulier par les points C et D de coordonnées res-

pectives (0, 1) et (3, 0) dans le repère yOz.
Ainsi Sf passe par les points de l’espace de coordonnées (0, 0, 1) et (0, 3, 0).
(On remarque que A = C).
– Le plan xOy est le plan d’équation z = 0.
1 1
Donc Sf ∩ xOy est la droite d’équation 0 = − x − y + 1 dans le repère
2 3
3
xOy. Cette équation se réécrit : y = − x + 3.
2
Cette droite passe en particulier par les points E et F de coordonnées res-
pectives (0, 3) et (2, 0) dans le repère xOy.
Ainsi Sf passe par les points de l’espace de coordonnées (0, 3, 0) et (2, 0, 0).
(On remarque que B = F et D = E).

0.8

0.6

z
0.4

0.2

2.5 3
0 1.5 2
0.5 1
y

1
x
2

1 1
Fig. 1.13 – Représentation graphique de z = − x − y + 1.
2 3

Correction de l’exercice 4. Les courbes de niveaux de f sont du type :

2 −y
{(x; y) ∈ R2 | z0 = ex } = {(x; y) ∈ R2 | ln(z0 ) = x2 − y}
= {(x; y) ∈ R2 | y = x2 − ln(z0 )}
Donc les lignes de niveaux de f sont des paraboles.
Conclusion : Réponse c.

Correction de l’exercice 5.
– Sf ←→ e.
En effet le maximum de f est atteint en (x; y) = (0; 0). (L’idée est : “Plus le
dénominateur d’une fraction est grand plus la fraction est petite”. Maintenant
nous allons montrer notre assertion pour la fonction f .)
Si (x; y) 6= (0; 0) alors 1 + x2 + y 2 ≥ 1.
1
Donc ≤ 1 = f (0; 0)
1 + x2 + y 2
Ainsi : f (x; y) ≤ f (0; 0).
22 Fonctions de plusieurs variables

– Sg ←→ c. En efet,
Sg ∩ {z = 0} = {(x; y) ∈ R2 | (x − y)2 = 0}
= {(x; y) ∈ R2 | x − y = 0}
= {(x; y) ∈ R2 | y = x}
– Sh ←→ b. En efet,
Sh ∩ {z = 0} = {(x; y) ∈ R2 | (x2 − y 2 )2 = 0}
= {(x; y) ∈ R2 | x2 − y 2 = 0}
= {(x; y) ∈ R2 | (x − y)(x + y) = 0}
= {(x; y) ∈ R2 | (x − y) = 0 ou (x + y) = 0}
= {(x; y) ∈ R2 | y = x} ∪ {(x; y) ∈ R2 | y = −x}

Correction de l’exercice 6.

1.4

1.2

0.8

0.6

0.4

0.2

–1 –0.5 0 0.5 1

1.

Fig. 1.14 – Représentation graphique de fx=0 .

1.5

0.5

–2 –1 0 1 2

2.

Fig. 1.15 – Représentation graphique de fx=0 .

3. fx=0 : y 7−→ f (0; y) = −y 2 + 1, 5

C’est à dire : fx=0 (y) = −y 2 + 1, 5.
′
Donc fx=0 (y) = −2y.

y -∞ 0 +∞
′
fx=0 (y) + -
fx=0 (y) ր 1,5 ց
1.4 Correction des exercices 23

Cela confirme l’allure obtenue à la question 1.

1
D’autre part, fy=0 : x 7−→ f (x; 0) = − x3 + x + 1, 5
3
1 3
C’est à dire : f y = 0(x) = − x + x + 1, 5.
3
′
Donc fy=0 (x) = −x2 + 1 = −(x − 1)(x + 1).

x -∞ -1 1 +∞
x-1 - - + 0
x+1 - 0 + +
′
fy=0 (x) - 0 + 0 -
fy=0 (x) ց 5/6 ր 13/6 ց
Là encore cela confirme le résultat de la question 2.
24 Fonctions de plusieurs variables
Chapitre 2

Dérivées partielles, Différentielles

Nous connaissons la dérivation des fonctions d’une seule variable. Ici nous al-
lons voir comment étendre cette notion au cas des fonctions de plusieurs variables.
La plupart des énoncés de ce chapitre ne concerneront que les fonctions de deux
variables, le cas des fonctions de trois variables ou plus s’en déduit aisément.

2.1 Rappel
Puisque nous allons généraliser la notion de dérivée aux fonctions de deux va-
riables, rappelons tout d’abord quelques définitions et notations pour les fonctions
d’une seule variable.

Définition 1. Soit

f : D −→ R
x 7−→ f (x)

On dit que f est dérivable en x et de dérivée f ′ (x) lorsque la limite suivante est finie
( c’est à dire la limite existe et ce n’est pas +∞ ou −∞).

f (x + h) − f (x)
f ′ (x) = lim .
h→0 h

Notation :
f (x + h) − f (x)
Une autre façon d’écrire f ′ (x) = limh→0 est la suivante :
h

df
f ′ (x) = .
dx

Cette notation rappelle que f ′ (x) est le quotient d’une “petite différence” surf et
d’une “petite différence” sur x.
On obtient alors :
df = f ′ (x)dx.

25
26 Dérivées partielles, Différentielles

2.2 Dérivées partielles

Les fonctions fx=x0 (y) et fy=y0 (x) ont été utilisées dans le chapitre précédent
afin d’obtenir le graphe d’une fonction de deux variables. L’idée était de se ramener
à une situation connue : le graphe d’une fonction à une seule variable.
Ici nous allons procéder de même, nous allons définir la notion de dérivée partielle
en nous ramenant aux cas des fonctions à une seule variable.

Exercice 1. Soit

f : R2 −→ R
(x, y) 7−→ x2 + y 5 + xy + π

1. Déterminer fx=1 (y).

′ ′
2. Calculer fx=1 (y) et fx=1 (2).
3. Cas général :
– Déterminer fx=x0 (y).
′ ′
– Calculer fx=x 0
(y) et fx=x 0
(2).
4. Déterminer fy=1 (x).
′ ′
5. Calculer fy=1 (x) et fy=1 (2).
6. Cas général :
– Déterminer fy=y0 (x).
′ ′
– Calculer fy=y 0
(x) et fy=y 0
(2).
Solution :
1. fx=1 (y) = 12 + y 5 + 1 × y + π.
D’où :

fx=1 : R −→ R
y 7−→ y 5 + y + π + 1
′
2. fx=1 (y) = 5y 4 + 1,
′
fx=1 (2) = 5 × 24 + 1 = 81.

Remarque :
∂f
Dans un instant nous verrons que nous venons de calculer (1, 2) = 81.
∂y
3. Cas général :
– fx=x0 (y) = x20 + y 5 + x0 × y + π.
D’où :

fx=x0 : R −→ R
y 7−→ y 5 + x0 y + x20 + π
′
– fx=x 0
(y) = 5y 4 + x0 ,
′
fx=x 0
(2) = 5 × 24 + x0 = 80 + x0 .
2.2 Dérivées partielles 27

4. fy=1 (x) = x2 + 15 + x × 1 + π.
D’où :

fy=1 : R −→ R
x 7−→ x2 + x + π + 1
′
5. fy=1 (x) = 2x + 1,
′
fy=1 (2) = 2 × 2 + 1 = 5.

Remarque :
∂f
Dans un instant nous verrons que nous venons de calculer (2, 1) = 5.
∂x

6. Cas général :
– fy=y0 (x) = x2 + y05 + x × y0 + π.
D’où :

fy=y0 : R −→ R
x 7−→ x2 + y0 x + y05 + π
′
– fy=y 0
(x) = 2x + y0 ,
′
fy=y0 (2) = 2 × 2 + y0 = 4 + y0
Définition 2. Soit

f : D −→ R
(x, y) 7−→ f (x, y)

On appelle dérivée partielle de f par rapport à x au point (a, b) la dérivée

′
fy=b (a).
∂f
Cette dérivée partielle se note : (a, b) ou bien ∂x f (a, b).
∂x
On appelle dérivée partielle de f par rapport à y au point (a, b) la dérivée
′
fx=a (b).
∂f
Cette dérivée partielle se note : (a, b) ou bien ∂y f (a, b).
∂y

Attention !
′
fy=b (a) signifie que y est constant et vaut b, nous dérivons donc par rapport à
la variable restante qui est x. Cette notation met en évidence le fait que y reste
constant.
∂f
La notation (a, b) met en évidence le fait que nous avons dérivé par rapport à x.
∂x
Interprétation géomètrique :
Considérons la fonction f (x, y) = x2 + y 2 .
∂f
La dérivée partielle (1, −2) se comprend géomètriquement de la façon suivante :
∂x
Tout d’abord nous considérons la coupe de la surface représentative de f par le plan
28 Dérivées partielles, Différentielles

2
–2
–1
y 1
x 2
–2

∂f
Fig. 2.1 – Interprétation géomètrique de (1, −2) pour f (x, y) = x2 + y 2 .
∂x

y = −2. Nous obtenons alors une parabole (d’équation z = x2 + 4).

Ensuite, nous regardons le coefficient directeur de la tangente à cette parabole en
x = 1. Dans notre cas ce coefficient est égal à 2.
∂f
Définition 3. On note la fonction qui a un couple (x, y) associe le nombre
∂x
∂f
(x, y).
∂x
∂f ∂f
De même, on note la fonction qui a un couple (x, y) associe le nombre (x, y).
∂y ∂y

A l’aide de la notion de dérivée partielle nous pouvons parler de dérivée pour

les fonctions de deux variables. (Pour les fonctions de trois variables ou plus le
mécanisme est exactement le même.)
Pour les fonctions d’une variable nous pouvons facilement calculer une dérivée se-
conde : Il suffit de dériver la fonction f ′ . Que se passe-t-il avec les fonctions de deux
variables ?
Définition 4. Si f (x, y) admet des dérivées partielles en tout point (x, y) d’un
domaine, alors ∂f /∂x et ∂f /∂y sont elles mêmes des fonctions de x et de y.
∂f /∂x et ∂f /∂y peuvent donc aussi avoir des dérivées partielles.
Ces dérivées secondes se notent :
∂  ∂f  ∂ 2 f
= .
∂x ∂x ∂x2
∂  ∂f  ∂2f
= .
∂y ∂x ∂y∂x
∂  ∂f  ∂2f
= .
∂x ∂y ∂x∂y
∂  ∂f  ∂ 2 f
= .
∂y ∂y ∂y 2
2.2 Dérivées partielles 29

Exercice 2. Soit

f : R2 −→ R
(x, y) 7−→ x2 + y 5 + xy + π

1. Calculer ∂f /∂x.
2. Calculer ∂f /∂y.
3. Calculer ∂ 2 f /∂x2 .
4. Calculer ∂ 2 f /∂y 2 .
5. Calculer ∂ 2 f /∂x∂y.
6. Calculer ∂ 2 f /∂y∂x.

Solution :
1. ∂f /∂x = 2x + y.

2. ∂f /∂y = 5y 4 + x.

∂
3. ∂ 2 f /∂x2 = (2x + y) = 2.
∂x
∂
4. ∂ 2 f /∂y 2 = (5y 4 + x) = 20y 3 .
∂y
∂
5. ∂ 2 f /∂x∂y = (5y 4 + x) = 1.
∂x
∂
6. ∂ 2 f /∂y∂x = (2x + y) = 1.
∂y
On remarque que ∂ 2 f /∂y∂x = ∂ 2 f /∂x∂y. Ce n’est pas un hasard.

Théorème 1. Si ∂ 2 f /∂y∂x et ∂ 2 f /∂x∂y sont continues alors

2 2
∂ f /∂y∂x = ∂ f /∂x∂y. Autrement dit dans ce cas l’ordre de dérivation est
sans importance.

Pour comprendre ce théorème il nous faut définir la continuité d’une fonction :

Définition 5. Soit f une fonction de deux variables, on dit que f est continue en
(x0 , y0 ) lorsque la condition suivante est vérifiée :

lim f (x, y) = f (x0 , y0 ).

(x,y)−→(x0 ,y0 )

Cette définition signifie que quelque soit la façon dont nous nous rapprochons de
(x0 , y0 ) nous devons obtenir la même valeur limite qui est f (x0 , y0 ).
30 Dérivées partielles, Différentielles

2.3 Différentielles
Dans la première section de ce chapitre nous avons vu la notation différentielle.
Pour une fonction d’une variable f (x) on a : df = f ′ (x)dx.
Ici une fois de plus nous allons généraliser ce qui a été fait à une variable :
Définition 6. Soit f une fonction de deux variables (x, y). On note alors la
différentielle de f de la manière suivante :
∂f ∂f
df = dx + dy.
∂x ∂y
Evidemment si f est une fonction de trois variables (x, y, z) alors on a :
∂f ∂f ∂f
df = dx + dy + dz.
∂x ∂y ∂z
√
Exercice 3. Calculer la différentielle de f (x, y, z) = x2 y 3 z 7 + x + sin(z) + 2.
Solution :
∂f
= 2xy 3 z 7 + 1.
∂x
∂f
= 3x2 y 2 z 7 .
∂y
∂f
= 7x2 y 3 z 6 + cos(z).
∂z
D’où :
df = 2xy 3 z 7 + 1 dx + 3x2 y 2 z 7 dy + 7x2 y 3 z 6 + cos(z) dz.

2.4 Utilisation des différentielles, différentielle

d’une fonction composée
Afin de ne pas donner d’énoncé trop difficile ou pas assez général nous allons
voir sur un exemple comment calculer la différentielle d’une fonction composée. La
démarche est très simple, il suffit de substituer. . .
Exercice 4. 1. Soit f (u, v) = sin(u.v). Calculer df .
2. u, et v désignent à présent des fonctions. On pose :
u(x, y) = y + ch(x), v(x, y) = cos(y).
Calculer du, et dv.
3. On considère, à présent la fonction :


F (x, y) = sin y + ch(x) . cos(y) .

∂F
Calculer dF , puis en déduire .
∂x
2.4 Utilisation des différentielles, différentielle d’une fonction composée 31

Solution :
∂f
1. = v. cos(u.v),
∂u
∂f
= u. cos(u.v),
∂v
On en déduit :
df = v. cos(u.v)du + u. cos(u.v)dv.
∂u
2. On a = sh(x),
∂x
∂u
= 1.
∂y
Il vient alors : du = sh(x)dx + dy.
De même on obtient : dv = − sin(y)dy.

3. On remarque que :


F (x, y) = f y + ch(x), cos(y) = f u(x, y), v(x, y) .
C’est à dire, u et v ont été remplacés (substitués) par y + ch(x), et cos(y)
dans l’expresion de f . Autrement dit F est la composée de f avec les fonctions
u(x, y) = y + ch(x) , v(x, y) = cos(y).
Pour obtenir F nous avons remplacé u et v par leur expression en x et y dans f .
Donc pour obtenir dF nous allons remplacer u, v, du, et dv par leur expression
en x, y, dx, et dy dans df .
D’où :



dF = cos(y) cos (y + ch(x)) cos(y) × sh(x)dx + dy



+(y + ch(x)) cos (y + ch(x)) cos(y) × − sin(y)dy .

On développe cette expression, et on obtient :

dF = cos(y) cos (y + ch(x)) cos(y) sh(x)dx



+ cos (y + ch(x)) cos(y) cos(y) − (y + ch(x)) sin(y) dy.



Par définition nous avons dF = ∂F/∂x dx + ∂F/∂y dy. En identifiant le
coefficient de dx du résultat obtenu et de la définition on obtient :
∂F

= cos(y) cos (y + ch(x)) cos(y) sh(x)
∂x
Conclusion :
F était la composée de la fonction f avec les fonctions u et v. Nous avons donc
calculer la différentielle dF à l’aide des différentielles df , du, et dv en utilisant le
principe de substitution.
Ici, cette méthode nous a permis :
– de réutiliser des calculs simples déjà effectués,
– d’obtenir sans effectuer de nouveaux calculs de dérivées la valeur de ∂F/∂x.
32 Dérivées partielles, Différentielles

Sujet de méditation : Nous considérons la fonction de deux variables com-

plexes suivantes :

f : C2 7−→ C2
 
(x, y) −→ f1 (x, y); f2 (x, y)

où f1 et f2 sont des polynômes en x et y.

Un exemple de polynôme en x et en y est : x5 + 3x4 y 7 + 12xy 2 − 10y 2 + −4y + 5.
C’est à dire : pour obtenir un polynôme en x et y on écrit une formule avec les
signes +, −, ×, ÷, x, y.
Ici contrairement à ce qui a été fait jusqu’à présent nous avons une fonction qui
prend deux nombres et qui rend deux nombres (et non pas un seul...).
On suppose de plus que pour tout (x; y) ∈ C2 les vecteurs :
 ∂f ∂f1   ∂f ∂f2 
1 2
(x, y); (x, y) et (x, y); (x, y)
∂x ∂y ∂x ∂y
sont non colinéaires.
Montrer qu’il existe une fonction polynomiale g : C2 −→ C2 telle que

f ◦ g(x, y) = g ◦ f (x, y) = (x, y).

2.5 Exercices du TD 33

2.5 Exercices du TD
∂f ∂f
Exercice 1. Pour chacune des fonctions suivantes : calculer (x, y) , (x, y),
∂x ∂y
∂ 2f ∂ 2f ∂2f
(x, y), (x, y), (x, y).
∂x2 ∂y 2 ∂x∂y
1. f (x, y) = x2 − 6xy − 6y 2 + 2x + 24y,
x3
2. f (x, y) = x2 + 2y 2 − ,
y
2 +xy+7x+y 2
3. f (x, y) = e2x ,
4. f (x, y) = sin(xy),
5. f (x, y) = ln(x + y).
√
Exercice 2. On considère la fonction f (x, y) = x + 5y.
∂f ∂f
1. Calculer (x, y) et (x, y).
∂x ∂y
2. Donner le plus grand domaine de définition possible pour f , ∂f /∂x, ∂f /∂y.
x2 + xy
Exercice 3. Calculer la différentielle de la fonction suivante : f (x, y) = .
y2
1. En utilisant la définition d’une différentielle.
2. En calculant la différentielle d’une fonction composée. (C’est à dire calculer
u
la différentielle de (les variables sont u et v) et appliquer votre résultat à la
v
fonction f .)
∂f ∂f
Exercice 4. Soit f (x, y) = 16−x2 −y 2 . Calculer (1, 2) , puis (1, 2). Interprétez
∂x ∂y
ces nombres en tant que pente.

Exercice 5. On considère la fonction f (x, y) = y − x2 (voir exercice 2, page 14).

1. Calculer f (2, 5).
2. Caculer le gradient de f au point de coordonnées (2, 5) :
 ∂f ∂f 
∇f (2, 5) = (2, 5), (2, 5) .
∂x ∂y
3. Sur votre dessin réprésentant les lignes de niveaux de f , placer le vecteur
∇f (2, 5) au point de coordonnées (2, 5). Que remarque-t-on ?
34 Dérivées partielles, Différentielles

2.6 Correction des exercices

Correction de l’exercice 1.
1. f (x, y) = x2 − 6xy − 6y 2 + 2x + 24y.
∂f
(x, y) = 2x − 6y + 2.
∂x
∂f
(x, y) = −6x − 12y + 24.
∂y
∂2f
(x, y) = 2.
∂x2
∂2f
(x, y) = −12.
∂y 2
∂2f
(x, y) = −6.
∂x∂y
x3
2. f (x, y) = x2 + 2y 2 − .
y
∂f x2
(x, y) = 2x − 3 .
∂x y
∂f x3
(x, y) = 4y + 2 .
∂y y
2
∂ f x
2
(x, y) = 2 − 6 .
∂x y
∂2f x3
(x, y) = 4 − 2 3 .
∂y 2 y
∂2f 3x2
(x, y) = 2 .
∂x∂y y
2 2
3. f (x, y) = e2x +xy+7x+y .
∂f
(x, y) = (4x + y + 7)f (x, y).
∂x
∂f
(x, y) = (x + 2y)f (x, y).
∂y
∂2f
(x, y) = 4 + (4x + y + 7)2 f (x, y).


∂x 2
∂2f 2


(x, y) = 2 + (x + 2y) f (x, y).
∂y 2
∂2f

(x, y) = 1 + (x + 2y)(4x + y + 7) f (x, y).
∂x∂y
4. f (x, y) = sin(x.y).
∂f
(x, y) = y cos(xy).
∂x
∂f
(x, y) = x cos(xy).
∂y
∂2f
(x, y) = −y 2 sin(xy).
∂x2
∂2f
(x, y) = −x2 sin(xy).
∂y 2
2.6 Correction des exercices 35

∂2f
(x, y) = cos(xy) − xy sin(xy).
∂x∂y
5. f (x, y) = ln(x + y).
∂f 1 ∂f
(x, y) = = (x, y).
∂x x+y ∂y
∂2f −1 ∂2f ∂2f
(x, y) = = (x, y) = (x, y).
∂x2 (x + y)2 ∂y 2 ∂x∂y

√
Correction de l’exercice 2. f (x, y) = x + 5y.
∂f 1
1. (x, y) = √ .
∂x 2 x + 5y
∂f 5
(x, y) = √ .
∂y 2 x + 5y
2. Df = {(x, y) ∈ R2 | x + 5y ≥ 0}
D ∂f = {(x, y) ∈ R2 | x + 5y > 0} = D ∂f
∂x ∂y

Correction de l’exercice 3.
1. Par définition la différentielle de f est :
∂f ∂f
df = (x, y)dx + (x, y)dy
∂x ∂y
∂f 2x + y
Ici, nous avons : (x, y) =
∂x y2
2
∂f x x
(x, y) = −2 3 − 2
∂y y y
2x + y  x2 x
D’où : df = dx + − 2 − dy
y2 y3 y2
u(x, y)
2. f (x, y) = avec u(x, y) = x2 + xy et v(x, y) = y 2 .
v(x, y)
On regarde f comme étant une fonction ayant pour variables u et v.
u
f=
v
1  u
Cela donne : df = du + − 2 dv. Nous avons exprimé df en fonctoin de u
v v
et de v, mais nous souhaitons avoir df en fonction de x et de y. Nous allons
donc remplacer u par x2 + xy et v par y 2 . Pour du et dv nous obtenons alors :
du = (2x + y)dx + xdy, dv = 0dx + 2ydy.
On remplace ces expressions dans la formule trouvée précédemment et on
obtient :
1
 x2 + xy 
df = 2 × (2x + y)dx + xdy − 2ydy
y y4
2x + y x x2 + xy 
df = dx + 2 − × 2y dy
y2 y y4
2x + y  x x2 
df = dx + − − 2 dy
y2 y2 y3
36 Dérivées partielles, Différentielles

Correction de l’exercice 4. f (x, y) = 16 − x2 − y 2

∂f ∂f
(x, y) = −2x =⇒ (1; 2) = −2
∂x ∂x
∂f ∂f
(x, y) = −2y =⇒ (1; 2) = −4
∂y ∂y
Soit

fy=2 : R −→ R
x 7−→ 16 − x2 − 22 = −x2 + 12

′ ∂f ∂f
On a : fy=2 (1) = (1; 2) (par définition de )
∂x ∂x
∂f
Donc (1; 2) = −2 est la pente de la courbe représentative de fy=2 en x = 1.
∂x
La courbe représentative de fy=2 s’obtient en effectuant une coupe verticale de Sf
par le plan d’équation y = 2.
∂f
De même (1; 2) = −4 est la pente de la courbe représentative de fx=1 en
∂y
y = 2. Cette courbe s’obtient en effectuant une coupe verticale de Sf par le plan
d’équation x = 1.

Correction de l’exercice 5. f (x, y) = y − x2

1. f (2; 5) = 5 − 22 = 1.
∂f
2. (x, y) = −2x
∂x
∂f
(x, y) = 1
∂y
Donc ∇f (2; 5) = (−4; 1).
3. Le gradient est orthogonal aux lignes de niveaux. De plus celui-ci est orienté
dans le sens des lignes de niveaux croissantes.
Autrement dit, si on se déplace sur une montagne dont les lignes de niveaux
sont données par z = f (x, y) alors le gradient donne la direction et le sens de
la marche pour lequel on se fatiguera le plus. . .
Remarque : La même direction en sens inverse nous permettra de nous fatiguer
le moins possible !
Chapitre 3

Approximation affine, Calcul

d’incertitude

3.1 Approximation d’une fonction à une seule

variable
Une fois de plus nous commençons un chapitre en rappelant la définition de la
dérivée d’une fonction en une seule variable.
Définition 1. Soit

f : D −→ R
x 7−→ f (x)

On dit que f est dérivable en x et de dérivée f ′ (x) lorsque la limite suivante est finie
( c’est à dire la limite existe et ce n’est pas +∞ ou −∞).
f (x + δx ) − f (x)
f ′ (x) = lim .
δx →0 δx
Remarque :
Traditionnellement lorsque l’on définit la dérivée d’une fonction d’un point de vue
théorique le petit nombre qui tend vers 0 se note h. Lorsque l’on effectue un calcul
d’erreur, on utilise comme notation δx à la place de h. . .

Puisque nous avons une égalité lorsque δx tend vers 0 nous en déduisons l’ap-
proximation suivante :
Proposition 1.
f (x + δx ) − f (x)
f ′ (x) ≈
δx
Exercice 1. A l’aide du tableau de valeurs suivant donner une approximation de
f ′ (2).
x 1 2 2,4 3
f (x) 10 13 13,6 20

37
38 Approximation affine, Calcul d’incertitude

Solution :
On applique la formule précédente avec x = 2 et δx = 0, 4. On obtient :
f (2, 4) − f (2) 0, 6
f ′ (2) ≈ = = 1, 5. D’où f ′ (2) ≈ 1, 5.
0, 4 0, 4

Puisque f ′ (x) ≈ f (x + δx ) − f (x) /δx , on a f ′ (x)δx ≈ f (x + δx ) − f (x) et donc
une autre façon d’écrire l’approximation précédente est la suivante :

Proposition 2 (Approximation affine d’une fonction d’une variable).

f (x + δx ) ≈ f (x) + f ′ (x)δx .

Interprétation graphique :

f (x) + f ′ (x)δx
f (x + δx )
f (x)

x x + δx

T est la tangente de f en x. Avec nos notations f (x) + f ′ (x)δx représente

l’ordonnée du point de T d’abscisse x + δx .
Il est donc naturel de dire que f (x + δx ) et f (x) + f ′ (x)δx sont très proches.

√
Exercice 2. Sans calculatrice donner une valeur approchée de 1, 01.

Solution :
On considère la fonction f suivante :

f : R+ −→ R
√
x 7−→ x

Nous cherchons donc une approximation de f (1, 01).

On pose : x =√1, δx = 0, 01.
On obtient : 1, 01 = f (1, 01) ≈ f (1) + f ′ (1) × 0, 01.
3.2 Approximation d’une fonction de plusieurs variables 39

On a : f (1) =
√1
′
f (x) =√1/(2 x), donc f ′ (1) = 1/2.
D’où : 1, 01√≈ 1 + 1/2 × 0, 01 = 1, 005.
Conclusion : 1, 01 ≈ 1, 005. √
Remarque : La valeur exacte de 1, 01 est 1, 00498 . . .

3.2 Approximation d’une fonction de plusieurs

variables
Les idées précédentes peuvent s’appliquer aussi aux dérivées partielles. En
effet, nous avons vu qu’une dérivée partielle n’est rien d’autre que la dérivée d’une
fonction à une seule variable. Voyons cela sur un exemple.

Exercice 3. La hauteur des vagues h en haute mer dépend principalement de la

force du vent v et du temps t pendant lequel il souffle à cette vitesse.
Des valeurs de la fonction h = f (v, t) sont rassemblées dans la table suivante :

t 5 10 15 20 25 30 40
v
10 2 2 2 2 2 2 2
15 4 4 5 5 6 6 6
20 5 7 8 8 9 9 9
30 9 13 16 17 18 19 19

∂f
Calculer (15, 20).
∂t
∂f
Solution : (15, 20) est la dérivée de la fonction fv=15 (t) lorsque t = 20. Les
∂t
valeurs de cette fonction se lisent dans la troisième ligne du tableau.
Nous allons donc appliquer la proposition 1 du cours à la fonction fv=15 (t) en t = 20
avec δt = 5.

∂f ′ fv=15 (25) − fv=15 (20) f (15, 25) − f (15, 20)

(15, 20) = fv=15 (20) ≈ =
∂t 5 5
6−5
≈
5
≈ 0, 2.

Sur l’exemple précédent nous avons ramené le problème à l’étude d’une fonction
en une seule variable. Nous nous sommes ramené au cas où seul t “bougeait”, v
restant constant. Cependant une telle démarche ne permet pas de régler tous les
problèmes. Nous allons donc généraliser la formule f (x + δx ) ≈ f (x) + f ′ (x)δx .
40 Approximation affine, Calcul d’incertitude

Proposition 3 (Approximation affine d’une fonction de deux variables).

Soit f (x, y) une fonction de deux variables. Nous avons l’approximation suivante :

∂f ∂f
f (x + δx , y + δy ) ≈ f (x, y) + (x, y)δx + (x, y)δy .
∂x ∂y
Lorsque δx et δy deviennent de plus en plus petit, l’approximation devient meilleure.

Exercice 4. Soit f (x, y) = 3x2 − xy − y 2 . Calculer sans calculatrice une valeur

approchée de f (1, 01; 2, 98).

Solution : Nous allons utiliser la proposition 3 avec x = 1, δx = 0, 01, y = 3 et

δy = −0, 02.
∂f ∂f
(x, y) = 6x − y, donc (1, 3) = 3
∂x ∂x
∂f ∂f
(x, y) = −x − 2y, donc (1, 3) = −7.
∂y ∂y
On obtient alors :
∂f ∂f
f (1, 01; 2, 98) ≈ f (1; 3) + (1, 3) × 0, 01 + (1, 3) × (−0, 02)
∂x ∂y

≈ −9 + 3 × 0, 01 − 7 × (−0, 02)

≈ −8, 87

Remarque : La valeur exacte de f (1, 01; 2, 98) est -8,8299.

3.3 Calcul d’erreur

3.3.1 Le cas des fonctions d’une seule variable
Lorsque nous faisons des mesures nous effectuons des erreurs dues à la précision
des outils dont nous disposons. Il faut donc faire une distinction entre valeur exacte
(théorique) et valeur approchée (obtenue par la pratique).
Par exemple, supposons que nous mesurons un fil.
On obtient par une mesure 1,98 mètres et nous savons que nos appareils de mesure
donne une précision à 0,05 mètres prés.
Cependant la mesure exacte est de 2 mètres.
Il existe donc une différence entre valeur mesurée et valeur exacte. Dans notre cas,
cette erreur est de 0,02 mètres.

Définition 2. D’une manière générale, on notera x la valeur mesurée, δx l’erreur

de mesure et ∆x la précision de l’appareil de mesure.
Ainsi, la valeur exacte est x + δx .
De plus |δx | ≤ ∆x .
3.3 Calcul d’erreur 41

Dans notre cas nous avons donc x = 1, 98 et δx = −0, 02 et ∆x = 0, 05.

En pratique, seul x et ∆x sont connus ! ! !

Nous remarquons qu’en pratique nous ne connaissons pas δx .
(Si on connait une mesure et l’erreur de cette mesure alors on connait la valeur
exacte. . .)

Avec le fil que nous venons de mesurer nous fabriquons un pendule.

La période T en secondes
p de ce pendule est donnée par la formule :
T = f (x) = 6, 283 x/9, 8.
Nous voulons évaluer la période de ce pendule. C’est à dire nous voulons évaluer
f . Comme en pratique la valeur exacte x + δx nous est inconnue la seule chose que
nous pouvons faire c’est utiliser x la valeur mesurée. Comme notre mesure nous à
donner une longueur de 1,98 mètres, on calcule f (1, 98).
On a f (1, 98) = 2, 82414256 . . . .
Cette valeur ne correspond pas à la période exacte du pendule car nous avons
utilisé pour les calculs une valeur approchée.
Peut-on faire mieux en pratique ?
Non !
En effet, en pratique nous ne connaissons pas la mesure exacte du fil !
La seule chose que nous pouvons faire c’est estimer l’erreur commise en prenant
une valeur approchée. Cette erreur est f (x) − f (x + δx ).

Nous connaissons l’approximation suivante :

f (x + δx ) ≈ f (x) + f ′ (x)δx .

Cela donne :
f (x + δx ) − f (x) ≈ f ′ (x)δx .
Nous ne connaissons qu’une majoration de |δx | qui est ∆x = 0, 05.

Cela donne :
|f (x + δx ) − f (x)| ≤ |f ′ (x)|∆x .
6, 283
Dans notre cas x = 1, 98 et ∆x = 0, 05. Comme f ′ (x) = p , on
2 × 9, 8 x/9, 8
obtient f ′ (1, 98) = 0, 713167 . . . , il vient alors :

|f (x + δx ) − f (x)| ≤ 0, 713167 × 0, 05 = 0, 035 . . .

L’erreur commise est donc inférieure à 0,035 secondes.

Afin d’alléger l’écriture, nous allons introduire une notation.

Définition 3. L’erreur |f (x + δx ) − f (x)| se note δf . Cette erreur s’appelle aussi

erreur absolue.

En résumé nous avons montré :

42 Approximation affine, Calcul d’incertitude

Proposition 4. On note ∆f = |f ′ (x)|∆x .

∆f est l’ordre de grandeur de l’erreur absolue.
Avec les notations précédentes nous avons :

|δf | ≤ |f ′ (x)|∆x = ∆f .

L’erreur relative
Dans ce qui précède nous avons étudié l’erreur ∆f . Nous avons vu que cette
erreur était d’environ 0,03 secondes. A-t-on obtenu une bonne approximation ?
En effet, il existe une différence sensible entre un erreur de 0,03 secondes sur un temps
d’une heure et une erreur de 0,03 secondes sur un temps de 0,000001 secondes. . .
Pour savoir si une erreur est grande ou pas, on regarde quelle proportion, quel
pourcentage elle représente par rapport à f (x).
∆f
Définition 4. On appelle erreur relative le quotient : .
|f (x)|
Ce nombre s’exprime en %.
Dans l’exemple précédent l’erreur relative est :
∆f
≈ 0, 035/2, 824 ≈ 0, 01 = 1%.
|f (x)|
Remarque :
|f ′ (x)|
Calculer l’erreur relative revient à calculer ∆x .
|f (x)|
Nous pouvons donc calculer l’erreur relative à partir d’un calcul de dérivée logarith-
mique.
|f ′ (x)| 
′
En effet = | ln f (x) |.
|f (x)|

3.3.2 Le cas des fonctions de plusieurs variables

Comme d’habitude nous allons généraliser ce que nous venons de voir pour les
fonctions d’une seule variable.
Concrètement pour passer de la différentielle df à l’erreur ∆f , nous avons :
– pris la valeur absolue de chaque terme,
– remplacer le signe = par le signe ≤.
Nous allons faire la même chose pour les fonctions de plusieurs variables.
Proposition 5. Soient x et y deux mesures, δx et δy les erreurs de mesure et ∆x ,
∆y la précision des appareils qui ont mesuré x et y.
Nous pouvons estimer l’erreur absolue δf = |f (x + δx , y + δy ) − f (x, y)| de la
manière suivante :
∂f ∂f
|δf | ≤ (x, y) ∆x + (x, y) ∆y .
∂x ∂x
∂f ∂f
On note ∆f = (x, y) ∆x + (x, y) ∆y .
∂x ∂x
∆f représente l’ordre de grandeur de l’erreur absolue.
On peut définir de même l’erreur relative :
3.3 Calcul d’erreur 43

∆f
Définition 5. On appelle erreur relative le quotient : .
|f (x, y)|
Ce nombre s’exprime en %.

Remarque :
Calculer l’erreur relative revient à calculer :
∂f
∂x
(x, y) ∆x + ∂f ∂x
(x, y) ∆y
.
|f (x, y)|

Ici aussi nous pouvons utiliser une dérivée logarithmique

pour calculer l’erreur re-
lative. En effet on pose F (x, y) = ln f (x, y) , et on calcule dF . Pour cela nous
allons utiliser “le principe de subsitution” (c’est à dire la diférentielle d’une fonction
composée).
∂f ∂f
df = (x, y)dx + (x, y)dy
∂x ∂x
Ensuite on considère f comme une variable, et on calcule la différentielle de ln(f )
et on obtient :
1
d ln(f ) = df
f
Puis on substitue f et df par leur valeur
∂f ∂f
∂x
(x, y)dx + ∂y
(x, y)dy
dF =
f (x, y)

Cela nous permet d’obtenir l’erreur relative :

∂f
∆f ∂x
(x, y) ∆x + ∂f ∂x
(x, y) ∆y
= .
|f (x, y)| |f (x, y)|

Exercice 5. On mesure une longueur l en mètres et on obtient l = 50 ± 0, 1 mètres.

Cela signifie que la longueur mesurée est de 50 mètres et que la précision de la
mesure est de 0,1 mètre.
Un coureur parcourt cette distance en t = 5, 8 ± 0, 01 secondes.
(Le temps mesuré est de 5,8 secondes et la précision de cette mesure est de 0,01
secondes.)

1. Calculer la vitesse moyenne du coureur sur ce parcours.

2. Donner une estimation de l’erreur absolue commise à partir de ces mesures.
3. Caculer l’erreur relative commise à partir de ces mesures.

Solution :
l 50
1. v = = = 8, 6206 . . . .
t 5, 8
44 Approximation affine, Calcul d’incertitude

l
2. v(l, t) = . D’où
t
1 l
dv = dl − 2 dt.
t t
Ainsi
1 l 1 50
∆v = ∆l + − 2 ∆t = × 0, 1 + × 0, 01 = 0, 0321 . . . .
t t 5, 8 5, 82
L’erreur absolue est donc d’environ 0, 03 m.s−1 .

Remarque :
Pratiquement le chiffre des millièmes n’a donc aucun sens dans l’écriture
v = 8, 6206 puisque que le résultat est connu à 0,03 près.

3. L’erreur relative est :

∆v 0, 03
= = 0, 003 . . .
|v| 8, 62
L’erreur relative est donc de 0, 3%.

Sujet de méditation : Nous avons vu que pour δx et δy très petit nous avons :

∂f ∂f
f (x + δx , y + δy ) ≈ f (x, y) + (x, y)δx + (x, y)δy
∂x ∂y
En fait, il existe une version “exacte” de ce principe d’approximation affine. C’est
la formule de Taylor-Lagrange :

Théorème 1. Si f (x, y) admet des dérivées partielles d’ordre 1, continue dans un

domaine fermé et si les dérivées partielles d’ordre 2 existent dans le domaine ouvert,
alors
∂f ∂f
f (x + δx , y + δy ) = f (x, y) + (x, y)δx + (x, y)δy + R2 .
∂x ∂y
R2 désigne le reste d’ordre 2, (c’est l’erreur commise lors de l’approximation) et on
a:
∂2f 2 ∂2f ∂2f
R2 = (x + θδx , y + θδ )δ
y x + (x + θδx , y + θδ )δ δ
y x y + (x + θδx , y + θδy )δy2 ,
∂x2 ∂x∂y ∂y 2
où 0 < θ < 1.

Pouvez vous démontrer ce théorème ?

3.4 Exercices du TD 45

3.4 Exercices du TD
√
Exercice 1. Sans calculatrice, donner une valeur approchée de : 9, 004 ; ln(1, 001) ;
1, 011,01 .
Exercice 2. 1. On considère la fonction f (x) = 100x3 − 300x2 + 299x − 99.
Calculer l’ordre de grandeur de l’erreur absolue ∆f lorsque x = 1 ± 0, 1.
√
2. On considère la fonction f (x) = x.
Calculer l’ordre de grandeur de l’erreur absolue ∆f lorsque x = 1 ± 10−50 .
Exercice 3. On considère un cercle de rayon R. On note S l’aire du disque ainsi
délimité. On a R = 10, 0 ± 0, 1 m.
Calculer l’ordre de grandeur de l’erreur absolue et l’erreur relative commise sur S.
Exercice 4. Donner une approximation de f (x, y) = ln(x − 3y) en
(x; y) = (6, 9; 2, 06).
Exercice 5. Voici un diagramme de courbe de niveau d’une fonction f . Nous avons
tracé les lignes de niveau pour z = 0, z = 1, z = 2 et z = 3. D’après cette figure,
∂f ∂f
estimer (4, 0) et (3, 3).
∂x ∂y

z=3

y
2
z=0

z=1
z=0

0 1.5 2 2.5 3 3.5 4 4.5 5

x

–2

Exercice 6. Un sac contient 1, 1 ± 0, 03 kg de bonbons. Pour estimer le nombre de

bonbons présents dans le sac, on pèse un bonbon au hasard et on obtient 15±2 g. On
suppose que tous les bonbons sont identiques. Calculer le nombre total de bonbons
avec l’incertitude absolue et relative.
Exercice 7. Vous mesurez les coordonnées (x, y) d’un point à l’aide d’un double
décimètre. On a donc ∆x = 0, 1cm et ∆y = 0, 1cm.
Vous obtenez x = 3cm et y = 4cm.
A partir de ces mesures vous devez calculer la distance de ce point à l’origine.
1. Donner une estimation de l’erreur absolue commise.
2. Quelle est l’erreur relative commise ?
46 Approximation affine, Calcul d’incertitude

m1 − m
Exercice 8. On considère la fonction suivante : ρ = .
m2 − m
dρ
1. Calculer .
ρ
2. On a m = 10, 0 ± 0, 1, m1 = 90, 0 ± 0, 1, m2 = 20, 0 ± 0, 1. Calculer l’erreur
relative ∆ρ /|ρ|.

Exercice 9. Méthode de Newton.

Dans cet exercice nous allons donner un procédé permettant de calculer
√ de manière
approchée des racines carrées.
√ Commencons avec un cas particulier 3.
= x2 − 3. Notons 3 = 3 + h1 . h1 est donc l’erreur commise lorsque l’on
Soit f (x) √
approche 3 par 3. Nous allons essayer d’obtenir une valeur approchée de h1 .
En effectuant l’approximation affine de cette fonction nous obtenons :
√
f ( 3) = f (3 + h1 ) ≈ f (3) + f ′ (3)h1 .

1. Quelle valeur peut on donner à h1 ? (Il s’agit de valeur approchée.)

2. A l’aide de la valeur obtenue précédemment calculer u1 = 3 + h1 .
√
3. On note 3 = u1 + h2 . Quelle valeur peut on donner à h2 ? (Effectuer le même
travail qu’en 1.)
4. A l’aide la valeur obtenue précédemment calculer u2 = u1 + h2 .
5. De même calculer u3 .
√
6. Comparer u3 avec la valeur de 3 donnée par la calculatrice.
√
7. Proposer une méthode pour calculer a, lorsque a > 0.
3.5 Correction des exercices 47

3.5 Correction des exercices

Correction
√
de l’exercice 1.
– 9, 004
√ 1
f (x) = x, f ′ (x) = √ .
2 x

f (9 + 0, 004) ≈ f (9) + f ′ (9) × 0, 004

1
≈ 3+ × 0, 004
2×3
4 × 10−3 2 × 10−3
≈ 3+ ≈3+
2×3 3
−3
≈ 3 + 0, 666 · · · × 10
≈ 3, 000666 . . .

– ln(1, 001)
1
f (x) = ln(x), f ′ (x) = .
x

f (1 + 0, 001) ≈ f ′ (1) × 0, 001

1
≈ 0 + × 0, 001
1
≈ 0, 001

– 1, 011,01  1  x ln(x)
f (x) = xx = ex ln(x) , f ′ (x) = = ln(x) + 1 ex ln(x) .


ln(x) + x × e
x

f (1 + 0, 01) ≈ f (1) + f ′ (1) × 0, 01

≈ 1 + ln(1) + 1 e1 ln(1) × 0, 01

≈ 1, 01

Correction de l’exercice 2.
1. Nous avons ∆x = 0, 1, et f ′ (x) = 300x2 − 600x + 299.
Donc ∆f = |f ′ (1)|.0, 1 = |300 − 600 + 299|.0, 1 = 0, 1.
Remarque : ∆f 6= |f (1, 1) − f (1)|.
1
2. Ici ∆x = 10−50 , et f ′ (x) = √ .
2 x
−50
1 10
Donc ∆f = √ .10−50 = .
2 1 2
Remarque : √ √
Une erreur courante consiste à dire ∆f = | 1 + 10−50 − 1| et d’effectuer le
calcul à la calculatrice. Dans ce cas la calculatrice rendra la valeur 0. . .
48 Approximation affine, Calcul d’incertitude

Correction de l’exercice 3. S(R) = πR2 , S ′ (R) = 2πR.

∆S = 2π × 10 × 0, 1 = 2π.
∆S 2π 2
= 2
= = 2%.
S π × 10 100

Correction de l’exercice 4. f (x, y) = ln(x − 3y), (x; y) = (6, 9 ; 2, 06)

Pour calculer une approximation nous allons avoir besoin de connaitre les dérivées
partielles de f .
∂f 1 ∂f −3
(x, y) = , (x, y) = .
∂x x − 3y ∂y x − 3y
A présent calculons l’approximation demandée :

f (6, 9 ; 2, 06) = f (7 − 0, 1 ; 2 + 0, 06)

∂f ∂f
≈ f (7; 2) + (7; 2) × (−0, 1) + (7; 2) × 0, 06
∂x ∂y
1 3
≈ ln(7 − 6) + × (−0, 1) − × (0, 06)
1 1
≈ −0, 1 − 0, 18
≈ −0, 28

Correction de l’exercice 5.
∂f ′
(4; 0) est par définition la dérivée fy=0 (4). Or nous avons vu :
∂x
′ fy=0 (4 + δx ) − fy=0 (4)
fy=0 (4) ≈
δx
∂f f (4, 2; 0) − f (4; 0) 0−1
Dans notre situation cela donne : (4; 0) ≈ ≈ ≈ −5.
∂x 0, 2 0, 2
La valeur δx = 0, 2 a été prise de telle sorte à pouvoir lire la valeur de f (4 + δx , 0)
sur le dessin.
Pour la dérivée partielle en y un raisonnement identique nous donne :
∂f f (3; 3, 6) − f (3; 3) 2−1
(3; 3) ≈ ≈ ≈ 1, 666.
∂y 0, 6 0, 6

Correction de l’exercice 6. Dans la situation du problème la fonction

x
correspondante est : f (x, y) = avec y = 15 ± 2 et x = 1100 ± 30.
y
f (1100; 15) = 73, 3. Donc il y a environ 73 bonbons.
1 x
df = dx − 2 dy
y y
1 −x 1 1100
D’où : ∆f = ∆x + 2 ∆y = × 30 + × 2 = 11, 77
y y 15 152
L’erreur absolue est donc d’environ 11 bonbons.
∆f
= 0, 16 · · · ≈ 16%.
f (1100, 15)
L’erreur relative est donc de 16%.
3.5 Correction des exercices 49

Correction de l’exercice 7.
1. Dans la psituation du problème la fonction correspondante est :
f (x, y) = x2 + y 2 avec x = 3 ± 0, 1 et y = 4 ± 0, 1.
2x 2y
df = p dx + p dy
2 x2 + y 2 2 x2 + y 2
2×3 2×4 14
D’où : ∆f = × 0, 1 + × 0, 1 = × 0, 1 = 0, 14
2×5 2×5 10
∆f 0, 14 0, 28 2, 8
2. = = = = 2, 8%.
f 5 10 100

Correction de l’exercice 8.
1. La méthode usuelle pour calculer une erreur relative revient à calculer df puis
df /f et ensuite faire l’application numérique en prenant les valeurs absolues.
Ici nous ne voulons pas l’erreur absolue nous voulons juste l’erreur relative.
Nous allons voir que nous pouvons l’obtenir sans passer par l’erreur absolue.
Ici ρ joue le rôle de la fonction f et m, m1 , m2 sont les variables.
dρ
Un calcul direct de nous amènerait à calculer une fraction de fractions : c’est
ρ
à dire dρ est une fraction et ρ aussi. Les calculs peuvent donc être pénible. . .
L’astuce est la suivante nous allons considérer la fonction F suivante :

F = ln(ρ) = ln(m1 − m) − ln(m2 − m)

La différentielle de F est :
1 dm  1 dm 
dF = dm1 − − dm2 −
m1 − m m1 − m m2 − m m2 − m
dm1 dm2 m1 − m2
= − + dm
m1 − m m2 − m (m2 − m)(m1 − m)

dρ
A présent nous remarquons que la différentielle de ln(ρ) (donc de F ) est .
ρ
Donc :
dρ dm1 dm2 m1 − m2
= − + dm
ρ m1 − m m2 − m (m2 − m)(m1 − m)
2. Application numérique :
∆ρ 0, 1 0, 1 90 − 20
= + − + × 0, 1 = 0, 02 = 2%.
ρ 90 − 10 20 − 10 (20 − 10)(90 − 10)

Correction de l’exercice 9.
√
1. f ( 3) = 0 ≈ f (3) + f ′ (3)h1 ≈ 6 + 6h1 .
f (3)
D’où h1 ≈ − ′ ≈ −1.
f (3)
2. u1 = 3 − 1 = 2.
50 Approximation affine, Calcul d’incertitude

√
3. f ( 3) = 0 ≈ f (u1 ) + f ′ (u1 )h2 ≈ 1 + 4h2 .
f (u1 ) 1
D’où h2 ≈ − ′ ≈− .
f (u1 ) 4
1 7
4. u2 = u1 + h2 = 2 − = .
4 4
f (u2 ) 7 1 97
5. u3 = u2 − ′ = − = ≈ 1.732142857.
f (u2 ) 4 56 56
√
6. La calculatrice donne : 3 = 1.732050808.
7. On considère la fonction f (x) = x2 − a. 
u0 = a,
Comme précédemment nous utilisons la suite : f (un )
un+1 = un − .
f ′ (un )
√
Cette suite a pour limite a, et la précision de l’approximation augmente à
chaque étape.
 Deuxième partie

Géomètrie différentielle

51
Chapitre 1

Arcs paramétrés

Dans les chapitres précédents nous avons étudié des fonctions du type
f : R2 7−→ R. Celles-ci prenaient un point du plan de coordonnées (x, y) et lui as-
sociaient un nombre z. Ici nous allons en quelque sorte faire le contraire : à un
nombre t (le temps par exemple) nous allons associer un point du plan donc deux
nombres x(t) et y(t) (l’abscisse et l’ordonnée du point en fonction du temps). Les
courbes que nous dessinerons (appelées arcs paramétrés) seront donc “beaucoup plus
générales” que celles obtenues en étudiant les courbes représentatives des fonctions
d’une seule variable. Les courbes représentatives des fonctions d’une seule variable
ne représentant qu’un cas particulier des arcs paramétrés.
Avant de commencer l’étude de ces arcs paramétrés, voici quelques exemples :

Trifolium Deltoı̈de
0.8

2
0.6

0.4
1

0.2

–1 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 –1 0 1 2 3

–0.2

–1
–0.4

–0.6
–2

–0.8

Strophoı̈de droite Parabole

0.6

2
0.4

0.2 1.5

–0.4 –0.2 0 0.2 0.4 0.6 0.8 1

1

–0.2

0.5
–0.4

–0.6 –1.5 –1 –0.5 0 0.5 1 1.5

53
54 Arcs paramétrés

1.1 Généralités
Définition 1. On appelle arc paramétré toute application γ du type suivant :
γ : I −→ R2
t 7−→ γ(t) = (x(t), y(t))
où I est un intervalle de R, x et y sont des fonctions d’une seule variable t.

La dérivée de γ, notée γ ′ , est la fonction qui à t associe le couple (x′ (t), y ′ (t)).
Exercice 1. On considère l’arc paramétré suivant :
γ :]0; π[ −→ R2
t 7−→ (cos(t), sin(t))
Calculer γ ′ , puis γ ′′ .
Solution :
On a x(t) = cos(t) donc x′ (t) = − sin(t) et y(t) = sin(t) donc y ′ (t) = cos(t).
On obtient : γ ′ (t) = (− sin(t), cos(t)).
γ ′′ est la dérivée de γ ′ .
On procède comme précédemment et on obtient : γ ′′ (t) = (− cos(t), − sin(t)).

1.1.1 Interprétation cinématique

Un arc paramétré représente le déplacement d’un point mobile M dans le plan.
t représente le temps.
x(t) représente l’abscisse de M à l’instant t.
y(t) représente l’ordonnée de M à l’instant t.
γ(t) donne donc la position de M à l’instant t.
γ ′ (t) représente la vitesse de M à l’instant t.
γ ′′ (t) représente l’accélération de M à l’instant t.
Définition 2. Soit γ : I −→ R2 un arc paramétré. On appelle trajectoire de γ
l’ensemble Γ = {γ(t) | t ∈ I}.
Exercice 2. Déterminer la trajectoire de l’arc paramétré défini dans l’exercice 1.
Solution :
n
o
Γ= cos(t), sin(t) | t ∈]0; π[ .
Γ est donc le demi-cercle de centre O et de rayon 1 inclus dans le demi-plan supérieur.

Proposition 1. Lorsque γ ′ (t) = (x′ (t), y ′ (t)) = 6 (0, 0), Γ admet une tangente, et
′ ′
celle-ci est dirigée par le vecteur (x (t), y (t)).
Cas général :
Si l’un au moins des vecteurs dérivés sucessifs γ ′ (t), γ ′′ (t), . . . , γ (k) (t) est non nul
(c’est à dire différent de (0, 0)) alors Γ admet une tangente, et celle-ci est dirigée
par le premier vecteur dérivé non nul.
1.2 Représentation graphique 55

Exercice 3. Soit
γ : R −→ R2
t 7−→ (t2 + 1, t3 + 7)
Γ admet elle une tangente lorsque t = 0 ?
Si oui, donner un vecteur directeur.
Solution :
γ ′ (t) = (2t, 3t2 ), donc γ ′ (0) = (0, 0).
γ ′′ (t) = (2, 6t), donc γ ′′ (0) = (2, 0).
Γ admet donc une tangente en t = 0, de vecteur directeur (2, 0).
Nous avons donc une tangente horizontale.

1.2 Représentation graphique

Dans cette section nous allons voir comment dessiner la trajectoire d’un arc
paramétré.

1.2.1 Tableau de variations

Exercice 4. Dans cet exercice nous voulons tracer la trajectoire de l’arc
suivant :

γ : [0; 2π] −→ R2
t 7−→ (x(t), y(t)) = (2 cos(t), 3 sin(t))

1. Dans un même tableau faı̂tes apparaı̂tre les variations de x(t) et de y(t).

2. En déduire l’allure de la trajectoire de γ.
Solution :

1. x′ (t) = −2 sin(t), et y ′ (t) = 3 cos(t). Cela donne le tableau de variations sui-

vant :
t 0 π/2 π 3π/2 2π
′
x (t) 0 - -2 - 0 + 2 + 0
2 2
ց ր
x(t) 0 0
ց ր
-2
3
ր ց
y(t) 0 0 0
ց ր
-3
y ′ (t) 3 + 0 - -3 - 0 + 3
56 Arcs paramétrés

2. On en déduit l’allure suivante pour la trajectoire de γ.

Ainsi nous venons de voir qu’à l’aide d’un tableau de variations nous pouvons
tracer l’allure d’une trajectoire. Cependant dans certains cas nous devrons faire
face à certaines ambiguités. L’exercice suivant montre le genre de problème que
nous pouvons rencontrer.

Exercice 5. 1. Dresser le tableau de variations de l’arc paramétré γ1 suivant :

γ1 : [−0, 2 ; 0, 2] −→ R2
t 7−→ (t2 + t3 , t2 − t3 )

2. Dresser le tableau de variations de l’arc paramétré γ2 suivant :

γ2 : [−0, 2 ; 0, 2] −→ R2
t 7−→ (t2 + t3 , t4 )

3. Voici les trajectoires respectives de γ1 et de γ2 . Peut on les différencier à l’aide

des tableaux de variations obtenus ?

0.0016

0.0014
0.04

0.0012

0.03 0.001

0.0008

0.02
0.0006

0.0004
0.01

0.0002

0 0.01 0.02 0.03 0.04 0 0.01 0.02 0.03 0.04

Fig. 1.1 – Trajectoires de γ1 et de γ2 .

1.2 Représentation graphique 57

Solution :

1. Pour γ1 nous avons x′ (t) = 2t + 3t2 = t(2 + 3t) et y ′ (t) = 2t − 3t2 = t(2 − 3t).
Nous en déduisons le tableau de variations suivant :

t -0,2 0 0,2
t - 0 +
2 + 3t + +
x′ (t) - 0 +
x(t) ց 0 ր
y(t) ց 0 ր
y ′ (t) - 0 +
2 − 3t + +
t - 0 +
2. Pour γ2 nous avons x′ (t) = 2t + 3t2 = t(2 + 3t) et y ′ (t) = 4t3 . Nous en
déduisons le tableau de variations suivant :

t -0,2 0 0,2
′
x (t) - 0 +
x(t) ց 0 ր
y(t) ց 0 ր
′
y (t) - 0 +
3. Les tableaux de variations sont identiques cependant les courbes n’ont pas la
même allure !

1.2.2 Allure au voisinage d’un point

Nous venons de voir qu’un tableau de variations ne suffit pas toujours pour
obtenir l’allure d’une trajectoire.
Lorsque nous avons étudié les fonctions d’une seule variable pour distinguer deux
fonctions ayant même tableau de variations nous avons regardé la convexité : c’est
à dire nous avons étudié la dérivée seconde.
Nous allons faire de même ici. Autrement dit pour préciser l’allure d’une trajectoire
au voisinage d’un point nous allons regarder les dérivées d’ordre supérieures à 1.

Proposition 2. Soit

γ : I −→ R2
t 7−→ (x(t), y(t))

un arc paramétré. Soit M le point de coordonnées (x(t); y(t)). On supppose que les
vecteurs γ ′ (t) et γ ′′ (t) ne sont pas colinéaires. Dans ce cas la trajectoire Γ se trouve
dans le demi-plan limité par la tangente en M à Γ et situé du côté de γ ′′ (t).
On dit que Γ tourne sa concavité du côté de γ ′′ (t).
58 Arcs paramétrés

γ ′′ (t)
T

γ ′ (t)

Fig. 1.2 – Γ tourne sa concavité du côté de γ ′′ (t).

Dans cette proposition nous supposons que les vecteurs γ ′ (t) et γ ′′ (t) sont non
colinéaires. Géomètriquement, cela signifie que les droites ayant comme vecteur di-
recteur γ ′ (t) et γ ′′ (t) sont non parallèles (donc sécantes). D’un point de vue plus
calculatoire cela signifie que les coordonnées de γ ′ (t) et de γ ′′ (t) ne sont pas propor-
tionnelles. Donc le tableau suivant n’est pas un tableau de proportionnalité :
x′ (t) x′′ (t)
y ′ (t) y ′′ (t)

Cela signifie x′ (t)y ′′ (t) 6= y ′ (t)x′′ (t).

Donc x′ (t)y ′′ (t) − y ′ (t)x′′ (t) 6= 0.

Dans certains cas nous pouvons avoir γ ′ (t) et γ ′′ (t) colinéaires. La proposition
suivante énumère tous les cas possibles en leur associant à chacun l’allure de la
trajectoire correspondante.
1.2 Représentation graphique 59

Proposition 3. Soit

γ : I −→ R2
t 7−→ (x(t), y(t))

un arc paramétré. Soit M le point de coordonnées (x(t); y(t)). On note :

– p le plus petit entier ≥ 1 tel que γ (p) (t) = (x(p) (t); y (p) (t)) 6= (0 ; 0),
– q le plus petit entier q > p tel que γ (q) (t) et γ (p) (t) soient non colinéaires.
On suppose que de tels nombres p et q existent.
Au voisinage de M , Γ a l’allure suivante selon les parités de p et q :

p impair, q pair p impair, q impair

Point à allure normale Point d’inflexion

T
γ (q) (t) γ (q) (t)
T
γ (p) (t)
γ (p) (t)

p pair, q impair p pair, q pair

Point de rebroussement de 1ère espèce Point de rebroussement de 2nd espèce

γ (p) (t) γ (q) (t)

γ (q) (t) γ (p) (t) T

Vocabulaire : Lorsqu’un point a une dérivée nulle, c’est à dire γ ′ (t) = (0; 0) on
dit que ce point est un point singulier.

Remarque : Cette propriété montre que si un mobile suit une trajectoire du type
“Point de rebroussement” alors nécessairement sa vitesse doit s’annuler.
60 Arcs paramétrés

Exercice 6. 1. Etudier la nature du point singulier (obtenu en t = 1) de l’arc

paramétré suivant :

γ : R⋆ −→ R2
 t2 + 1 2t − 1 
t 7−→ ,
2t t2

2. Tracer l’allure de la trajectoire au voisinage de t = 1.

Solution :

1. Nous avons :
 t2 − 1 −2(t − 1) 
′
γ (t) = ;
2t2 t3
 1 2(2t − 3) 
γ ′′ (t) = ;
t3 t4
 −3 −12(t − 2) 
γ ′′′ (t) = ;
t4 t5
Cela donne : γ ′ (1) = (0; 0), γ ′′ (1) = (1; −2), γ (3) (1) = (−3; 12).
γ ′ (1) est nul donc nous avons bien un point singulier en t = 1.
De plus γ ′′ (1) et γ (3) (1) sont non colinéaires car 1 × 12 − (−2) × (−3) 6= 0.
Ainsi, nous avons un point de rebroussement de première espèce.

2.
1.3 Réduction de l’intervalle d’étude 61

1.3 Réduction de l’intervalle d’étude

Dans certains cas nous pouvons réduire l’intervalle d’étude de f . Cela nous per-
met d’obtenir un tableau de variations plus petit. L’allure générale de la trajectoire
se déduit alors des propriétés géomètriques de la courbe.

Proposition 4. – Lorsque x et y sont des fonctions impaires, l’origine du repère

est centre de symétrie de la trajectoire. On limite alors l’étude à t ≥ 0 (ou
t ≤ 0).

y(t) M (t)

−x(t) = x(−t) x(t)

M (−t) −y(t) = y(−t)

– Lorsque x est une fonction impaire et y est une fonction paire, (Oy) est axe
de symétrie de la trajectoire. On limite alors l’étude à t ≥ 0 (ou t ≤ 0).

M (−t) y(t) M (t)

−x(t) = x(−t) x(t)

– Lorsque x et y sont des fonctions paires, “le point M revient sur ses pas lorsque
t > 0”. On limite l’étude à t ≥ 0 (ou t ≤ 0).
62 Arcs paramétrés

– Lorsque x est une fonction paire et y est une fonction impaire, (Ox) est axe
de symétrie de la trajectoire. On limite alors l’étude à t ≥ 0 (ou t ≤ 0).

y(t) M (t)

x(t)

−y(t) = y(−t) M (−t)

– Lorsque x et y sont des fonctions périodiques de période T la trajectoire est

une courbe fermée. On limite alors l’étude à un intervalle de longueur T .

1.4 Branche infinie

L’étude des branches infinies d’une fonction du type x 7→ f (x) a déjà été traitée
au premier semestre. Existe-t-il un rapport avec les branches infinies des courbes
paramétrées ?
Oui. En effet, la représentation graphique d’une fonction x 7→ f (x) est l’ensemble des
points du plan de coordonnées (x, f (x)). Donc la trajectoire de la courbe t 7→ (t, f (t))
est le graphe de f . Autrement dit, si on a x(t) = t et y(t) = f (t), alors la trajectoire
obtenue est le graphe de f .
Ainsi les situations que nous allons rencontrer vont évidemment rappeller l’étude
des branches infinies des fonctions d’une seule variable.
Définition 3. Soient γ : R −→ R2 un arc paramétré et Γ sa trajectoire. On
dit que Γ admet une branche infinie lorsque t tend vers t0 si et seulement si
limt→t0 OM (t) = +∞.
Rappel : OM (t) désigne la distance du point M (t) à l’origine du repère.
Avoir une branche infinie en t = t0 signifie que lorsque t se rapproche de t0 , M (t)
s’éloigne de plus en plus
p de l’origine du repère.
Comme OM (t) = x2 (t) + y 2 (t), on en déduit que si limt→t0 x(t) = ±∞ ou
limt→t0 y(t) = ±∞ alors Γ admet une branche infinie lorsque t tend vers t0 .

Une seule des deux coordonnées a une limite finie

1. lim x(t) = x0 ∈ R et limt→t0 y(t) = ±∞.
t→t0
Dans ce cas nous avons une asymptote verticale d’équation x = x0 .
2. lim x(t) = ±∞ et limt→t0 y(t) = y0 ∈ R.
t→t0
Dans ce cas nous avons une asymptote horizontale d’équation y = y0 .
1.4 Branche infinie 63

Les deux coordonnées ont une limite infinie

Dans ce cas il s’agit de savoir laquelle des deux tend le plus vite vers l’infini.
Pour effectuer cette comparaison, nous étudions le quotient y(t)/x(t).
y(t)
1. lim = 0, (“x tend beaucoup plus vite que y vers ∞”).
t→t0 x(t)
Dans ce cas nous obtenons une branche parabolique d’axe (Ox).

y(t)
2. lim = ±∞, (“y tend beaucoup plus vite que x vers ∞”).
t→t0 x(t)
Dans ce cas nous obtenons une branche parabolique d’axe (Oy).

y(t)
3. lim = a ∈ R⋆ , (x et y tendent vers l’infini “de manière à peu près pro-
t→t0 x(t)
portionnelle.”.)
Il y a une direction asymptotique (y = ax). Nous devons alors étudier l’écart
entre y(t) et ax(t).
(a) lim y(t) − ax(t) = ±∞.
t→t0
Dans ce cas nous avons une branche parabolique de direction (y = ax).
(b) lim y(t) − ax(t) = b ∈ R.
t→t0
Dans ce cas nous avons une asymptote oblique d’équation y = ax + b.
64 Arcs paramétrés

Exemples
Asymptote verticale, Asymptote horizontale,
2
γ :]0; 4] −→ R γ :]0; 4] −→ R2
t 7−→ (t + 1, sin(10/t)/(t − 2)) t 7−→ (sin(10/t)/(t − 2), t + 3)

10 7
x=3 Γ
8
6.5
6

4 6

2 Γ 5.5

0 1.5 2 2.5 3 3.5 4 4.5 5 y=5

5
–2

–4 4.5

–6
4
–8

–10 3.5 0
–10 –8 –6 –4 –2 2 4 6 8 10

Branche parabolique de direction (Ox), Branche parabolique de direction (Oy),

γ : [−10; +∞[ −→ R2 γ : [−10; +∞[ −→ R2
t 7−→ (4t3 + 3t2 − 6t, 3t2 + 2t + 1) t 7−→ (t2 + 1, t4 + 1)

40 10

30 8 Γ
Γ
20 6

10 4

0 2
20 40 60 80 100

–10 0 2 4 6 8 10

Branche parabolique de direction y = ax, Asymptote oblique,

γ :]0; 10] −→ R2 γ :]0; 10] −→ R2
4 3
t 7−→ (3t + 1 + sin(10/t), t 7−→ (t + 1/t + sin(10/t),
6t4 − t3 + 1/t3 + sin(10/t) 2t3 + 3 + 2/t2 + sin(10/t)

40 30
Γ
y = 2x 25 y = 2x + 3
30

Γ 20

20 15

10

10

0 10 20 30 40 0 5 10 15 20 25 30
1.5 Longueur d’une courbe 65

1.5 Longueur d’une courbe

La longueur d’une courbe plane a été rencontrée au premier semestre (voir
cours de M. Chappey). Nous nous contentons donc de donner ici la formule sans
démonstration :

Proposition 5. Soit

γ : [a; b] −→ R2
t 7−→ γ(t) = (x(t), y(t))

un arc paramétré. La longueur de cet arc est donnée par :

Z bp
l= (x′ (t))2 + (y ′ (t))2 dt.
a

Exercice 7. On considère le cercle de rayon R et de centre O . Montrer que sa

circonférence est égale à 2πR.

Solution :
Le cercle de rayon R et de centre O est paramétré de la manière suivante :

γ : [0; 2π] −→ R2
t 7−→ γ(t) = (R cos(t), R sin(t))

On a dans ce cas : x′ (t) = −R sin(t) et y ′ (t) = R cos(t). On obtient donc :

Z 2π q Z 2π √ Z 2π

2
2
l= − R sin(t) + R cos(t) dt = R2 dt = Rdt = 2πR.
0 0 0
66 Arcs paramétrés

1.6 Courbure et rayon de courbure

Lorsque l’on définit la tangente à une courbe on regarde la droite qui “touche le
plus possible”, qui “approche le mieux” la courbe. Pour mesurer la courbure d’une
trajectoire nous devons utiliser la même idée mais en remplaçant la droite tangente
par ce que nous appellerons le cercle de courbure.
Le cercle de courbure sera le cercle qui est tangent à la trajectoire et qui “a le
meilleur contact” avec la trajectoire.
Sur le dessin suivant nous remarquons que nous avons plusieurs cercles tangents en
l’origine de la parabole, mais un d’entre eux a un meilleur contact avec la parabole.

1.5

0.5

–1 –0.5 0.5 1

Définition 4. Soit

γ : [a; b] −→ R2
t 7−→ γ(t) = (x(t), y(t))


un arc paramétré. Le rayon de courbure R en un point x(t), y(t) est défini par

3/2
x′ (t)2 + y ′ (t)2
R(t) = ′ .
x (t)y ′′ (t) − x′′ (t)y ′ (t)

1
On appelle courbure le nombre κ = .
R
Plus le rayon de courbure est grand plus la trajectoire est “plate”, donc plus la
courbure est petite (proche de 0).
R et κ peuvent prendre les valeurs 0, +∞, −∞.

Par exemple si le rayon de courbure est +∞ cela signifie que la courbe en x(t), y(t)
est “plate” donc la courbure κ = 0.
1.6 Courbure et rayon de courbure 67

Exercice 8. Soit

γ : [−∞; +∞] −→ R2
t 7−→ γ(t) = (t2 , t3 )

Calculer la courbure au point A de coordonnées (4, −8).

Solution :
x(t) = t2 , x′ (t) = 2t, x′′ (t) = 2.
y(t) = t3 , y ′ (t) = 3t2 , y ′′ (t) = 6t.

3/2
3/2
(2t)2 + (3t2 )2 4t2 + 9t4
R(t) = = .
2t.6t − 2.3t2 6t2
Au point de coordonnées (4, −8) le paramètre t est t = −2.
En effet nous cherchons t(vérifiant :
(
x(t) = t2 = 4 t = ±2
3
=⇒
y(t) = t = −8. t = −2.
La seule solution possible est bien t = −2. Ainsi au point A le rayon de courbure
(160)3/2 1 24
est : R(−2) = . La courbure est donc κ = = ≈ 0, 01185 . . .
24 R(−2) (160)3/2

Dans le cas où nous étudions la courbe représentative d’une fonction nous avons
x(t) = t et y(t) = f (t). Cela donne le résultat suivant :
Proposition 6. Soit I un intervalle de R et f : I −→ R une fonction d’une seule
variable. On note Cf la courbe représentative

de f .
La rayon de courbure de Cf en x, f (x) est donné par :

3/2
1 + f ′ (x)2
R= .
f ′′ (x)
Exercice 9. Trouver un quel point la valeur absolue de la courbure du graphe
y = ln(x) est maximum.
Solution :
1
Puisque nous étudions la fonction ln, nous avons x > 0. f (x) = ln(x), f ′ (x) = ,
x
′′ 1
f (x) = − 2 .
x
D’où

3/2
3/2
1 + (1/x)2  x2 + 1 3/2
2 x2 + 1
R(x) = =− .x = − .x2
−1/x2 x2 x2.3/2

3/2
x2 + 1
= − .
x

x
La valeur absolue de la courbure est donc κ(x) = .
(1 + x2 )3/2
Lorsque nous derivons κ nous obtenons :
68 Arcs paramétrés

2(x − √1 )(x + √1 )
′ 2 2
κ (x) = .
(1 + x2 )5/2
1
Ainsi lorsque x = √ la courbure κ atteint sa plus grande valeur (en valeur absolue).
2

Sujet de méditation : Soit (x(t), y(t)) une courbe paramétrée et f (x, y) une
fonction de deux variables. On suppose que la courbe paramétrée se trouve dans une
ligne de niveau de f .
Cette hypothèse entraine alors une relation entre le gradient de f évalué en

 ∂f
∂f

(x(t), y(t)), c’est à dire : ∇f x(t), y(t) = x(t), y(t) , x(t), y(t) , et le

∂x ∂y
vecteur dérivé x′ (t), y ′ (t) .
Quelle est cette relation ?
1.7 Exercices du TD 69

1.7 Exercices du TD
Exercice 1. On considère l’arc paramétré suivant :

γ2 :]0; π/2[ −→ R2
t 7−→ (x(t), y(t)) = (cos(2t), sin(2t))

Montrer que la trajectoire de γ2 notée Γ2 , est le demi-cercle de centre O et de rayon

1 inclus dans le demi-plan supérieur.

Exercice 2. Astroı̈de : a désigne un nombre réel positif.

Soit

γ : R −→ R2
t 7−→ a cos3 (t), a sin3 (t)

1. Réduire le domaine de définition de γ afin d’obtenir un intervalle d’étude plus

petit.
2. Dresser un tableau de variations pour γ.
π
3. Donner le vecteur directeur de la tangente à Γ en t = 0, t = , t = π.
2
4. Γ admet elle des branches infinies ? (Si oui, donner leurs natures.)
5. Tracer l’allure de la trajectoire Γ.
6. Est-ce la courbe représentative d’une fonction du type f : R −→ R ?

Exercice 3. Strophoı̈de droite :

Soit

γ : R −→ R2
 1 − t2 1 − t2 
t 7−→ ,t
1 + t2 1 + t2
1. Réduire le domaine de définition de γ afin d’obtenir un intervalle d’étude plus
petit.
2. Dresser un tableau de variations pour γ.
3. Γ admet elle des branches infinies ? (Si oui, donner leurs natures.)
4. Calculer γ(1).
5. Tracer l’allure de la trajectoire Γ.

Exercice 4. Deltoı̈de :
Soit

γ : R −→ R2


t 7−→ 2 cos(t) + cos(2t) , 2 sin(t) − sin(2t)

1. Réduire le domaine de définition de γ afin d’obtenir un intervalle d’étude plus

petit.
70 Arcs paramétrés

2. Dresser un tableau de variations pour γ (Indications : cos(2t) = 2 cos2 (t) − 1,

sin(2t) = 2 sin(t) cos(t)).
3. Etudier la nature des points singuliers.
4. Tracer l’allure de la trajectoire Γ.

Exercice 5. Pour chacun des arcs suivants donner la nature des branches infinies :
 1
1. 3t2 + 1 ; −t2 − t + 3 (lorsque t −→ +∞.)
t

3 1 3 2
2. t + ; 2t + 3 + 2 (lorsque t −→ +∞.)
t t
 1 1 1
3. ; + (lorsque t −→ 0+ .)
t sin(2t) 3t2 t5


4. 2sh(t) ; ch(t) (lorsque t −→ +∞.)
⁀
Exercice 6. Pour chacun des arcs suivants calculer la longueur de l’arc AB.
 1 1

1. ln(t) ; t + , A(t=1), B(t=3).
 2 t



2. R t − sin(t) ; R 1 − cos(t) , A(t=0), B(t=2π).
Indication : 2 sin2 (a) = 1 − cos(2a).
3. et cos(t) ; et sin(t) , A(t=0), B(t=2π).

π
4. R cos3 (t) ; R sin3 (t) , A(t=0), B(t= ).


2
Indication : sin(2a) = 2 sin(a) cos(a).
5. 3 − 2t3 ; 1 + 3t2 , A(t=0), B(t=1).

Exercice
 7. Pour chacun  des arcs suivants calculer la courbure.
1. a cos(t) ; b sin(t) en t = π/4 (cet arc est une ellipse).
 
2. t2 − 1 ; t(t2 − 1) en t = 0.
3. Cf où f (x) = cos(x) en x = π/4.

Exercice 8. 1. Montrer qu’en tout point d’un cercle la courbure est constante.
Quelle est cette constante ?
2. Montrer qu’en tout point d’une droite la courbure est nulle.
1.8 Correction des exercices 71

1.8 Correction des exercices

Correction de l’exercice 1.
Pour t ∈]0; π/2[, nous avons sin(2t) > 0. Donc la trajectoire de γ2 se trouve
dans le demi-plan supérieur.

On rappelle que l’équation du cercle de centre (a, b) et de rayon R est :

(x − a)2 + (y − b)2 = R2 .
Ici nous avons : x(t)2 + y(t)2 = cos2 (2t) + sin2 (2t) = 1.
Donc tous les points γ2 (t) = (x(t), y(t)) se trouvent sur le cercle de centre O et de
rayon 1.

Remarque :
Un point se déplaçant sur l’arc γ2 va deux fois plus vite qu’un point se déplaçant
sur l’arc γ étudié dans les exercices 1 et 2 du cours. Cependant les tajectoires sont
les mêmes.

Correction de l’exercice 2. x(t) = a cos3 (t), y(t) = a sin3 (t).

3
3
1. (a) x(t + 2π) = a cos3 (t + 2π) = a cos(t + 2π) = a cos(t) = a cos3 (t)) =
x(t)
Donc x est périodique de période 2π.
De même y est périodique de période 2π.

Nous pouvons donc réduire l’étude à l’intervalle : [−π; π].

3
3
(b) x(−t) = a cos3 (−t) = a cos(−t) = a cos(t) = a cos3 (t)) = x(t)
Donc x est paire.

3
3
y(−t) = a sin3 (−t) = a sin(−t) = a − sin(t) = −a sin3 (t)) = −y(t)
Donc y est impaire.

Nous pouvons donc réduire l’étude à l’intervalle : [0; π].

Remarque : La trajectoire est symétrique par rapport à l’axe (Ox).

2. x′ (t) = −3a cos2 (t) sin(t), y ′ (t) = 3a sin2 (t) cos(t).

t 0 π/2 π
sin(t) 0 + 1 + 0
x′ (t) 0 - 0 - 0
x(t) a ց
0
ց −a
y(t) 0 ր a ց 0
y ′ (t) 0 + 0 - 0
cos(t) 1 + 0 - -1
72 Arcs paramétrés

3. γ ′ (0) = (0; 0).

x′′ (t) = 3a × 2 cos(t) sin(t) × sin(t) − 3a cos2 (t) × cos(t).
y ′′ (t) = 3a × 2 sin(t) cos(t) × cos(t) − 3a sin2 (t) sin(t).
(Nous avons dérivé x′ (t) et y ′ (t) qui sont du type u × v. . .)
D’où : γ ′′ (0) = (−3a; 0).
γ ′′ (0) est non nul, car a 6= 0. Donc un vecteur directeur de la trajectoire en
t = 0 est (−3a; 0). Nous avons donc une tangente horizontale.

De même nous avons :

π π
γ ′ ( ) = (0; 0), et γ ′′ ( ) = (0; −3a).
2 2
γ ′ (π) = (0; 0), et γ ′′ (π) = (3a; 0).

4. Non !
Nous avons :

−1 ≤ cos(t) ≤ 1 ⇐⇒ −1 ≤ cos3 (t) ≤ 1

⇐⇒ −a ≤ a cos3 (t) ≤ a
⇐⇒ −a ≤ x(t) ≤ a

De même : −a ≤ y(t) ≤ a.
Donc x(t) et y(t) ne peuvent pas tendre vers ±∞.
5. Ceci est la trajectoire de l’astroı̈de dans le cas a = 1.

0.5

–1 –0.5 0 0.5 1

–0.5

–1

Le trait en gras correspond à ce que nous déduisons du tableau de variations

et de l’étude des tangentes. Le reste est obtenue par symétrie par rapport à
l’axe (Ox).
6. Non ! car pour une valeur de x nous pouvons associer deux valeurs de y.

Correction de l’exercice 3.
1.8 Correction des exercices 73

1 − (−t)2 1 − t2
1. x(−t) = = = x(t).
1 + (−t)2 1 + t2
Donc x est paire.

1 − (−t)2 1 − t2
y(−t) = (−t) × = −t × = −y(t).
1 + (−t)2 1 + t2
Donc y est impaire.

Nous pouvons réduire l’intervalle d’étude à [0; +∞[.

Remarque : La trajectoire est symétrique par rapport à l’axe (Ox).
−2t × (1 + t2 ) − (1 − t2 )(2t) −4t
2. x′ (t) = 2 2
= .
(1 + t ) (1 + t2 )2
Le signe de x′ (t) ne dépend que du signe de t.

1 − t2 −4t 1 − 4t2 − t4
y ′ (t) = + t × = .
1 + t2 (1 + t2 )2 (1 + t2 )2
Le signe de y ′ (t) dépend du signe de 1 − 4t2 − t4 . √
On pose T = t2 , on obtient 1−4T −T 2 . Les solutions sont alors : T = −2± 5.
√ p √
Cela donne : t2 = −2 ± 5. D’où t = ± 5 − 2.
On en déduit le tableau suivant :
p√
t 0 5−2 +∞
x′ (t) 0 -
x(t) 1 ց
0.618
ց −1
y(t) 0 ր 0.3 ց −∞
y ′ (t) 1 + 0 -
1 − 4t2 − t4 + 0 -
Les limites en +∞ s’obtiennent à l’aide de la méthode habituelle.

3. Γ admet une branches infinie en +∞, car limt→+∞ y(t) = −∞. Comme
limt→+∞ x(t) = −1, nous avons une asymptote verticale d’équation x = −1.
4. γ(1) = (0; 0).
5. Le trait en gras correspond à ce que nous déduisons du tableau de variations
et de l’étude des tangentes. Le reste est obtenue par symétrie par rapport à
l’axe (Ox).
74 Arcs paramétrés

–3 –2 –1 0 1 2 3

–1

–2

–3

Correction de l’exercice 4.
1. (a) x(t) et y(t) sont périodiques de période 2π. Nous pouvons ramener
l’étude à l’intervalle [−π; π].

(b) x(−t) = 2 cos(−t) + cos(2 × (−t)) = 2 cos(t) + cos(2t) car cos est paire.
Donc x(−t) = x(t). x est donc paire.

y(−t) = 2 sin(−t) − sin(2 × (−t)) = −2 sin(t) + sin(2t) car sin est impaire.
Donc y(−) = −y(t). y est donc impaire.

On peut réduire l’intervalle d’étude au cas t ≥ 0. ((Ox) axe de symétrie.)

Nous effectuons l’étude sur [0, π].

′
2. x (t) = −2 sin(t) − 2 sin(2t) = −2 sin(t) − 2 × (2 sin(t) cos(t))
Nous avons utiliser la formule classique de trigonométrie :

sin(2t) = 2 sin(t) cos(t)

Donc x′ (t) = −2 sin(t) × (1 + 2 cos(t)).

y ′ (t) = 2 cos(t) − 2 cos(2t) = 2 cos(t) − 2(cos2 (t) − sin2 (t)), car

cos(2t) = cos2 (t) − sin2 (t). Cela donne :
y ′ (t) = 2 cos(t) − 2(−1 + 2 cos2 (t)) = 2 cos(t) + 1 − 2 cos2 (t) . Nous voulons

étudier le signe de y ′ (t) nous allons donc factoriser l’expression précédente.

On pose T = cos(t).

T + 1 − 2T 2 = −2T 2 + T + 1
∆ = 9, on obtient deux racines T1 = 1 et T2 = −0, 5.
Il en découle : −2T 2 + T + 1 = −2(T − 1)(T + 0, 5).

Cela donne : −2 cos2 (t) + cos(t)

+ 1 = −2 cos(t)

− 1 cos(t) + 0, 5 .
D’où : y ′ (t) = −4 cos(t) − 1 cos(t) + 0, 5 .
1.8 Correction des exercices 75

2π
t 0 π
3
−2 sin(t) 0 - - 0
1 + 2 cos(t) + 0 -
x′ (t) 0 - 0 + 0
x(t) 3 ց -1,5 ր -1
√
3 3
y(t) 0 ր 2
ց 0
′
y (t) 0 + 0 - -4
cos(t) − 1 0 - -
cos(t) + 0, 5 + 0 -

3. D’après le tableau de variations nous γ admet des points singuliers en t = 0 et

2π
t= . En effet nous avons γ ′ (0) = (x′ (0), y ′ (0)) = (0; 0), et γ ′ ( 2π
3
) = (0; 0).
3
Pour étudier la nature des points singuliers nous allons calculer les dérivées
d’ordre supérieures de γ.
On obtient :

γ ′′ (t) = − 2 cos(t) − 4 cos(2t); −2 sin(t) + 4 sin(2t)

γ ′′′ (t) = 2 sin(t) + 8 sin(2t); −2 cos(t) + 8 cos(2t)

Cela donne : γ ′ (0) = (0; 0) ; γ ′′ (0) = (−6; 0), γ ′′′ (0) = (0; 6).
On a γ ′′ (0) 6= (0; 0), et, γ ′′ (0) et γ ′′′ (0) sont non colinéaires (car les coordonnées
sont non proportionnelles).
D’où p = 2, q = 3, donc en t = 0 nous avons un point de rebroussement de
première espèce.

2π 2π √ 2π √
γ′( ) = (0; 0), γ ′′ ( ) = (3; −3 3), γ ′′′ ( ) = (−3 3; −3).
3 3 3
′′ 2π ′′ 2π 2π
On a γ ( ) 6= (0; 0). De plus γ ( ) et γ ′′′ ( ) sont non colinéaires (car
3 3 3 √ √
les coordonnées sont non proportionnelles : 3 × (−3) − (−3 3) × (−3 3) =
−36 6= 0).
2π
D’où p = 2, q = 3, donc en t = nous avons un point de rebroussement de
3
première espèce.

4. Le trait en gras correspond à ce que nous déduisons du tableau de variations

et de l’étude des tangentes. Le reste est obtenue par symétrie par rapport à
l’axe (Ox).

Correction de l’exercice 5.
1. limt→+∞ x(t) = +∞ ; limt→+∞ y(t) = −∞.
Nous sommes dans le cas où les deux coordonnées ont une limite infinie.
76 Arcs paramétrés

–1 0 1 2 3

–1

–2

y(t) t2 (−1 − 1/t + 1/t5 )

= .
x(t) t2 (3 + 1/t2 )
y(t) (−1 − 1/t + 1/t5 ) 1
D’où : lim = lim 2
=− .
t→+∞ x(t) t→+∞ (3 + 1/t ) 3
 1 1  1  1 1
y(t) − − x(t) = −t2 − t + 3 − − (3t2 + 1) = −t + 3 + .
3 t 3 t 3
1
Donc : lim y(t) + x(t) = −∞.
t→+∞ 3
1
Nous avons donc une branche parabolique de direction y = − x.
3
2. limt→+∞ x(t) = +∞ ; limt→+∞ y(t) = +∞.
Nous sommes dans le cas où les deux coordonnées ont une limite infinie.

y(t) t3 (2 + 3/t3 + 2/t5 )

= .
x(t) t3 (1 + 1/t4 )
y(t) 2 + 3/t3 + 2/t5
D’où : lim = lim = 2.
t→+∞ x(t) t→+∞ 1 + 1/t4
y(t) − 2x(t) = 2t3 + 3 + 2/t2 − 2t3 − 2/t.

Donc : lim y(t) − 2x(t) = 3.

t→+∞

Nous avons une asymptote oblique d’équation : y = 2x + 3.

3. limt→0+ x(t) = +∞ ; limt→0+ y(t) = +∞.
Nous sommes dans le cas où les deux coordonnées ont une limite infinie.

y(t)  1 1 sin(2t) sin(2t) sin(2t) 2t sin(2t) 2t

= + × t sin(2t) = + = × + × 4.
x(t) 3t2 t5 3t t4 2t 3t 2t t
h
Rappel :
sin(h)
lim = 1.
h→0 h
1.8 Correction des exercices 77

sin(h) sin(h) − sin(0) i

En effet : lim = lim = sin)′ (0) = cos(0) = 1.
h→0 h h→0 h
y(t) 2 2
Donc limt→0+ = 1 × + 1 × limt→0+ 3 = +∞.
x(t) 3 t

Nous avons donc une branche parabolique d’axe (Oy).

4. limt→+∞ x(t) = +∞ ; limt→+∞ y(t) = +∞, (voir cours premier semestre).

Nous sommes dans le cas où les deux coordonnées ont une limite infinie.

y(t) ch(t) et + e−t 1 2 1 et + e−t 1 1 + e−2t

= = × × t = × = × .
x(t) 2sh(t) 2 2 e − e−t 2 et − e−t 2 1 − e−2t
y(t) 1
D’où : lim = .
t→+∞ x(t) 2
1 et + e−t et − e−t 2e−t
y(t) − x(t) = − = .
2 2 2 2
1
Donc : lim y(t) − x(t) = 0
t→+∞ 2
1
Nous avons donc une asymptote oblique d’équation : y = x.
2

Correction de l’exercice 6.
1 1 1

1. x′ (t) = , y ′ (t) = 1 − 2 .
t 2 t

Cela donne :

1 1  2 1
x′ (t)2 + y ′ (t)2 = + × 1 − +
t2 4 t2 t4
1 1 1
= + 2+ 4
4 2t 4t
1 1 2
= +
2 2t2

p 1  1
D’où : x′ (t)2 + y ′ (t)2 = × 1+ 2 .
2 t
3
1 1 1 1 3 4
Z
⁀
Ainsi : AB= 1+ dt = t − = .
2 1 t2 2 t 1 3


2. x′ (t) = R 1 − cos(t) , y ′ (t) = R sin(t).
78 Arcs paramétrés

Cela donne :

2
x′ (t)2 + y ′ (t)2 = R2 1 − cos(t) + R2 sin2 (t)
= R2 1 − 2 cos(t) + cos2 (t) + R2 sin2 (t)


 
2 2 2
= R 1 − 2 cos(t) + cos (t) + sin (t)


= R2 2 1 − cos(t)
 
2 2
= R 4 sin (t/2)

Nous avons utiliser la formule classique de trigonométrie :

2 sin2 (a) = 1 − cos(2a).

p
D’où : x′ (t)2 + y ′ (t)2 = 2R sin(t/2).
Z 2π 2π
⁀

Ainsi : AB= 2R sin(t/2)dt = 2R − 2 cos(t/2) 0 = 8R.
0
Remarque : L’arc que nous venons d’étudier s’appelle une cycloı̈de. La
trajectoire de la cycloı̈de peut se voir comme étant la courbe décrite par
un gravier bloqué dans une roue de vélo. A l’aide d’une telle courbe nous
pouvons fabriquer des trajets plus court (en temps) que la ligne droite. . .

3. x′ (t) = et cos(t) − sin(t) , y ′ (t) = et (sin(t) + cos(t)).

Cela donne :

2
2 
x′ (t)2 + y ′ (t)2 = e2t cos(t) − sin(t) + sin(t) + cos(t)
 
= e2t 2 cos2 (t) + 2 sin2 (t)
= 2e2t

p √
D’où : x′ (t)2 + y ′ (t)2 = 2et .

√ Z 2π √
⁀
Ainsi : AB= 2 et dt = 2(e2π − 1).
0

4. x′ (t) = −3R cos2 (t) sin(t), y ′ (t) = 3R sin2 (t) cos(t).

Cela donne :

x′ (t)2 + y ′ (t)2 = 9R2 cos4 (t) sin2 (t) + 9R2 sin4 (t) cos2 (t)
= 9R2 cos2 (t) sin2 (t) × cos2 (t) + sin2 (t)


1.8 Correction des exercices 79

p 3
D’où : x′ (t)2 + y ′ (t)2 = 3R cos(t) sin(t) = R sin(2t).
2
Nous avons utiliser la formule classique de trigonométrie :

sin(2a) = 2 sin(a) cos(a).

π/2
3 3R  cos(2t) π/2 3R
Z
⁀
Ainsi : AB= R sin(2t)dt = − = .
2 2 2 0 2
0

Autre méthode pour intégrer 3R cos(t) sin(t) :

u2
cos(t) sin(t) est du type u′ u. C’est donc la dérivée de .
2
Z π/2
3  sin2 (t) π/2 3R
⁀
D’où : AB= R cos(t) sin(t)dt = 3R = .
2 2 0 2
0
5. On a : x′ (t)2 + ′ 2 4 2
py (t) = 36t + 36t √= 36t (t + 1)
2 2
√
Cela donne : x (t) + y (t) = 6t t + 1 = 3 × 2t × t2 + 1.
′ 2 ′ 2 2
R1 √ h2 i1
⁀
AB=3 2t 1 + t 2 dt = 3 (1 + t2 3/2
) = 2(23/2 − 1).
0
3 0
1
Nous avons utilisé la formule vue au M2 : u′ (x)un (x)dx = un+1 , avec
R
n+1
n = 1/2.

Correction de l’exercice 7.
1. x(t) = a cos(t), x′ (t) = −a sin(t), x′′ (t) = −a cos(t).
y(t) = b sin(t), y ′ (t) = b cos(t), y ′′ (t) = −b sin(t).
x′ (t)2 + y ′ (t)2 = a2 sin(t)2 + b2 cos(t)2 .
x′ (t)y ′′ (t) − x′′ (t)y ′ (t) = ab sin(t)2 + ab cos(t)2 = ab.

3/2
a2 sin(t)2 + b2 cos(t)2 ab
R(t) = , donc κ(t) =
3/2 .
ab a2 cos(t)2 + b2 sin(t)2
En t = π/4 on obtient : √
ab 2 2ab
κ(π/4) =
3/2 = 2 .
a2 . 1 + b 2 . 1 (a + b2 )3/2
2 2
2
2. x(t) = t − 1, x (t) = 2t, x′′ (t) = 2.
′

y(t) = t(t2 − 1), y ′ (t) = 3t2 − 1, y ′′ (t) = 6t.

x′ (t)2 + y ′ (t)2 = 4t2 + (9t4 − 6t2 + 1) = 9t4 − 2t2 + 1.
x′ (t)y ′′ (t) − x′′ (t)y ′ (t) = 12t2 − (6t2 − 2) = 6t2 + 2.
(9t4 − 2t2 + 1)3/2 6t2 + 2
R(t) = , donc κ(t) = .
6t2 + 2 (9t4 − 2t2 + 1)3/2
En t = 0 on obtient :
κ(0) = 2.
3. Attention ici, nous étudions la courbe représentative d’une fonction d’une seule
variable. Nous pouvons utiliser la paramétrisation x(t) = t et y(t) = cos(t) ou
bien utiliser directement la formule adaptée à ce cas. (Cela revient exactement
au même !)
f (x) = cos(x), f ′ (x) = − sin(x), f ′′ (x) = − cos(x).
80 Arcs paramétrés

3/2
1 + sin(x)2 cos(x)
R(x) = , donc κ(x) = −
3/2 .
− cos(x) 1 + sin(x)2
En x = π/4 on obtient
√
: √
2 2
2 2 2
κ(π/4) = − √

2 = − q =− √ .
(1 + 22 )3/2 3 3 3 3
2 2

Correction de l’exercice 8.
1. Nous pouvons paramétrer le cercle de centre (a, b) et de rayon r de la manière
suivante :

γ : [0; 2π] −→ R2


t 7−→ a + r cos(t); b + r sin(t) .

Donc x(t) = a + r cos(t), x′ (t) = −r sin(t), x′′ (t) = −r cos(t).

y(t) = b + r sin(t), y ′ (t) = r cos(t), y ′′ (t) = −r sin(t).

3/2
r2 sin(t)2 + r2 cos(t)2
R(t) = = r.
r2 sin(t)2 + r2 cos(t)2
Ainsi κ(t) = 1/r, la courbure est donc constante et est égale à l’inverse du
rayon.
2. La droite passant par le point A de coordonnées (a1 , a2 ) et de vecteur directeur
~u de coordonnées (u1 , u2 ) est paramétrée de la manière suivante :

γ : R −→ R2
t 7−→ (a1 + tu1 ; a2 + tu2 )

(Si cela n’est pas évident pour vous, vous devez démontrer ce résultat.)
D’où :
x(t) = a1 + tu1 , x′ (t) = u1 , x′′ (t) = 0.
y(t) = a2 + tu2 , y ′ (t) = u2 , y ′′ (t) = 0.
(u2 + u22 )3/2
R(t) = 1 = ∞.
0
Donc κ(t) = 0.
Troisième partie

Statistiques

81
 83

Au lycée vous avez déjà étudié les séries statistiques à une variable afin d’étudier
un caractère d’une population. Les situations rencontrées permettaient, par exemple,
d’étudier le temps d’attente en bas d’un télésiège. Dans ce cas la population étudiée
était les skieurs, et le caractère le temps d’attente. Cependant il est rarissime de
trouver un seul télésiège dans une station de ski. Les vraies questions à se poser
sont : Peut on étudier le temps d’attente à plusieurs télésièges ? Existe-t-il une
relation entre ces temps ?
Dans un premier temps nous allons donc étudier les séries statistiques à deux
variables. L’objectif sera de trouver un moyen calculatoire pour trouver une relation
entre deux séries statistiques.
Comme pour les fonctions, nous allons nous placer dans un cadre où nous aurons
plusieurs variables. Ensuite nous allons faire une remarque de bon sens : En général
on ne connait pas toutes les valeurs d’une série statistique ! Par exemple pour donner
la taille moyenne des éléphants d’Afrique personne ne s’est amusé à mesurer tous
les éléphants d’Afrique. Cependant à partir de quelques éléphants (“un échantillon
de la population”) nous pouvons espérer avoir une bonne idée de la taille moyenne
d’un éléphant. Nous verrons comment faire une telle estimation, et nous verrons
aussi qu’une telle démarche comporte un risque d’erreur.
L’étude du risque d’erreur sera a rapproché du calcul d’incertitude. Nous avons vu
que si on mesure une poutre et que cette mesure x est connue à 0, 5 cm près alors cela
signifie que la valeur exacte se trouve dans l’intervalle [x−0, 5; x+0, 5]. De même pour
l’estimation d’une moyenne en statisque nous verrons que la bonne représentation
du résultat est ce que l’on appelle un intervalle de confiance. Nous terminerons donc
ce chapitre par quelques recettes permettant de touver un intervalle de confiance.
84
Chapitre 1

Série statistique à deux variables

1.1 Rappels
Avant d’étudier les séries statistiques à deux variables rappelons quelques
définitions et résultats à propos des séries statistiques à une seule variable.

1.1.1 Moyenne
Définition 1. Soit X une série statistique dont les valeurs sont x1 , . . . , xn .
La moyenne notée X est définie de la manière suivante :
n
x1 + . . . + xn 1X 
X= = xi .
n n i=1

S’il n’y a que p valeurs distinctes pour les xi avec p < n, et si de plus nous
disposons de l’effectif ni correspondant à chaque valeur xi alors nous avons :
Pp
n1 x 1 + · · · + np x p ni x i
X= = Pi=1
p .
n1 + · · · + np i=1 ni

Une propriété fondamentale de la moyenne est la linéarité :

Soient X et Y deux séries statistiques de valeurs respectives x1 , . . . , xn et y1 , . . . , yn .
On considère deux nombres réels a et b.
On note aX + bY la série statistique prenant les valeurs ax1 + by1 , . . . , axn + byn .

Proposition 1. Linéarité de la moyenne.

La moyenne de la série statistique aX + bY est notée : aX + bY .
Dans ces conditions nous avons :

aX + bY = aX + bY .

Exemple : Si X a une moyenne X = 10 et Y une moyenne Y = 12, alors la série

statistique 2X + 3Y a pour moyenne 2X + 3Y = 2X + 3Y = 2 × 10 + 3 × 12 = 56.

85
86 Série statistique à deux variables

1.1.2 Variance, écart-type

Définition 2. Soit X une série statistique dont les valeurs sont notées x1 , . . . , xn .
La variance de X notée V ar(X) est définie de la manière suivante :

Pn
(x1 − X)2 + · · · + (xn − X)2 i=1 (xi − X)2
V ar(X) = = .
n n

S’il n’y a que p valeurs distinctes pour les xi avec p < n, et si de plus nous disposons
de l’effectif ni correspondant à chaque valeur xi alors nous avons :

Pp
ni (xi −
i=1P X)2
V ar(X) = p .
i=1 ni

Exemple : Soit X la série statistique prenant les valeurs 9, 10 et 11.

9 + 10 + 11
Pour calculer la variance de X nous procédons ainsi : X = = 10,
3
(9 − 10)2 + (10 − 10)2 + (11 − 10)2 2
V ar(X) = = .
3 3

Autre exemple : Soit Y la série statistique prenant les valeurs 0, 10 et 20. Dans
ce cas la série statistique a aussi une moyenne Y = 10 mais sa variance est plus
grande que celle de X.
(0 − 10)2 + (10 − 10)2 + (20 − 10)2 200
V ar(Y ) = = .
3 3

La variance est une mesure de dispersion.

Remarques :
– Une variance est une somme de carré donc une variance est toujours positive.
– La formule précédente correspond au calcul de la moyenne de la série statis-
tique (X − X)2 .
Autrement dit nous avons : V ar(X) = (X − X)2 .
La linéarité de la moyenne appliquée à cette formule va donc nous donner un
nouveau résultat :

Proposition 2. Soit X une série statistique dont les valeurs sont notées xi . Nous
avons :
Pn
i=1 x2i 2
V ar(X) == −X
n
1.2 Définition, représentation 87

Démonstration.
1
(x1 − X)2 + · · · + (xn − X)2 , par définition de V ar(X)


V ar(X) =
n
1 2 2 2
= x1 − 2x1 X + X + · · · + x2n − 2xn X + X )
n
1 2 2 2

= x1 + · · · + x2n − 2X(x1 + · · · + xn ) + X + · · · + X
n
2
x21 + · · · + x2n x1 + · · · + xn nX
= − 2X. +
n n n
x21 + · · · + x2n 2
= − 2X.X + X
Pn n2
i=1 xi 2
= −X
n

Définition 3. L’écart-type de X notée σ(X) est la racine carrée de la variance.

Autrement dit nous avons :
sP sP
p 2 p
p
i=1Pni (xi − X) ni x2i 2
σ(X) = V ar(X) = p = Pi=1p −X .
i=1 ni i=1 ni

Définition 4. On dit qu’une série statistique est centrée lorsque X = 0.

On dit qu’une série statistique est réduite lorsque σ(X) = 1.

On remarque très facilement (voir TD) que si X est une série statistique alors la
X −X
nouvelle série statistique est centrée réduite.
σ(X)

1.2 Définition, représentation

Définition 5. Soient deux caractères X et Y définis sur une même population
d’effectif total n. Les couples (xi ; yi )1≤≤n constituent une série statistique à deux
variables. (On dit aussi deux dimensions.)

1.2.1 Représentation en tableau

1. Tableau de données ponctuelles.
Il s’agit d’un tableau à trois colonnes (ou trois lignes) du type :
Observation n˚ Valeur de X Valeur de Y
1 x1 y1
.. .. ..
. . .
i xi yi
.. .. ..
. . .
n xn yn
88 Série statistique à deux variables

2. Tableau à double entrèe.

Lorsqu’un certain nombre d’observations sont identiques, il est préférable de
présenter les données dans un tableau à double entrèe. On reporte les p va-
leurs distinctes de X en lignes et les q valeurs distinctes de Y en colonnes.
À l’intersection de la ième ligne et de la j ème colonne, on reporte l’effectif ni,j
correspondant à l’observation conjointe de X = xi et Y = yj .

Valeur de Y y1 ··· yj ··· yq

Valeur de X
x1 n1,1 ··· n1,j ··· n1,q
.. .. .. .. .. ..
. . . . . .
xi ni,1 ··· ni,j ··· ni,q
.. .. .. .. .. ..
. . . . . .
xp np,1 ··· np,j ··· np,q

Ce tableau signifie que la situation où X = xi et Y = yj apparait ni,j fois.

A partir de ce tableau il est possible de retrouver la description des séries statis-

tiques X et Y “seules” (distributions marginales). C’est à dire : on peut retrouver
l’effectif correspondant à la situation X = xi .
q
X
En notant ni,• = ni,1 + ni,2 + · · · + ni,q = ni,j , la série statistique X est donnée
j=1
par le tableau suivant :

Valeurs de X x1 ··· xp
Effectif n1,• ··· np,•

p
X
De même, en notant n•,j = n1, j + n2, j + · · · + np, j = ni, j la série statistique
i=1
Y est donnée par le tableau suivant :

Valeurs de Y y1 ··· yq
Effectif n•, 1 ··· n•, q

Exercice 1. Voici un tableau de données ponctuelles représentant une série sta-

tistique à deux variables (X, Y ). Donner le tableau à double entrée correspondant,
ainsi que les distributions marginales de X et de Y .
1.2 Définition, représentation 89

Observation n˚ Valeur de X Valeur de Y

1 1,5 -1
2 0 1
3 0 -1
4 2,5 1
5 2,5 -1
6 2,5 1
7 0 1
8 1,5 -1
9 1,5 1
10 2,5 1
11 2,5 -1
12 1,5 1
Solution :

Valeurs de Y -1 1 ni, •
Valeurs de X
0 1 2 3
1,5 2 2 4
2,5 2 3 5
n• ,j 5 7 12

Valeur de X 0 1,5 2,5

Effectif 3 4 5

Valeur de Y -1 1
Effectif 5 7

1.2.2 Nuage de points

Soit (X, Y ) une série statistique à deux caractères. L’ensemble des points du plan
−
→ − →
(O, i , j ) de coordonnées (xi ; yi )1≤i≤n s’appelle le nuage de points représentant la
série statistique (X, Y ).
Lorsque des points se superposent, on ajoute entre parenthèses leur effectif ni,j
sur la représentation graphique du nuage.

Une fois le nuage dessiné, on peut essayer de trouver une fonction f telle que la
courbe d’équation y = f (x) “passe le plus près possible” des points du nuage. C’est
le problème de l’ajustement.
Exercice 2. Représenter graphiquement (nuage de points) la série statistique (X, Y )
suivante :
90 Série statistique à deux variables

xi 0 0,5 1 2 3 3,5 5
yi 7,3 6,2 5,9 4,8 4,1 3,8 2,3

Solution :

Y
6
8

-
0 1 2 3 4 5 X

Définition 6. Le point moyen d’un nuage de n points de coordonnées (xi ; yi ), est

le point G de coordonnées :
n n
1X  1X 
xG = X = xi , yG = Y = yi .
n i=1 n i=1

Exercice 3. Calculer le point moyen du nuage de points de l’exercice précédent.

Solution :
1
xG = × (0 + 0, 5 + 1 + 2 + 3 + 3, 5 + 5) ≈ 2, 142
7

1
yG = × (7, 3 + 6, 2 + 5, 9 + 4, 8 + 4, 1 + 3, 8 + 2, 3) ≈ 4, 914
7

1.3 Corrélation et ajustement

Avant d’étudier le problème de l’ajustement nous allons mettre en place quelques
outils de calculs.
1.3 Corrélation et ajustement 91

1.3.1 Boı̂te à outils

Définition 7. La covariance d’un couple statistique (X, Y ) est :
n
1X 
Cov(X; Y ) = (xk − X).(yk − Y )
n k=1

Lorsque Cov(X, Y ) = 0 on dit que X et Y sont non corrélées.

L’explication de l’appelation “non corrélées” sera donnée dans la suite de cette

section.
La covariance est une généralisation de la variance car nous avons :

Cov(X, X) = V ar(X).

Nous allons à présent utiliser la linéarité de la moyenne afin d’obtenir une autre
formule pour la covariance. (La démarche est la même que celle que nous avons
suivie pour la variance).

Proposition 3.
n
1X 
Cov(X; Y ) = xk yk − X . Y
n k=1

Démonstration. Voir TD.

ATTENTION ! En général X.Y 6= X.Y .

Exercice 4. 1. Calculer la covariance pour le couple (X, Y ) défini dans l’exercice

2.
2. Calculer la covariance pour le couple (X, Y ) défini dans l’exercice 1.

Solution :
1. X= 2,142
Y =4,914

1 
Cov(X, Y ) = 0 × 7, 3 + 0, 5 × 6, 2 + · · · + 5 × 2, 3 − 2, 142 × 4, 914.
7
On obtient Cov(X, Y ) = −2, 5...

2. X = 1, 541666...
Y = 0, 1666...

1 
Cov(X, Y ) = 1 × 0 × (−1) + 2 × 0 × 2 + · · · + 3 × 2, 5 × 1 − 1, 54166 × 0, 1666
12
Cov(X, Y ) = −0, 04....
92 Série statistique à deux variables

A présent nous introduisons le coefficient de corrélation linéaire qui aura pour

but de mesurer l’alignementd’un nuage de points.

Définition 8. On appelle coefficient de corrélation linéaire le nombre :

Cov(X, Y )
ρ(X, Y ) = .
σ(X)σ(Y )

Nous avons la propriété suivante :

Proposition 4. Soit (X; Y ) une série statistique double, on a : |ρ(X, Y )| ≤ 1.

1.3.2 Ajustement linéaire : Méthode des moindres carrés

Lorsque nous dessinons une nuage de points, nous pouvons essayer de trouver
une fonction f telle que la courbe d’équation y = f (x) “passe le plus près possible”
des points du nuage. Une telle fonction f nous permet d’anticiper, de prédire les
valeurs de Y en fonction de celles de X. C’est à dire : si nous connaisons xi alors on
peut en déduire yi ≈ f (xi ).
Ici nous allons voir comment reconnaitre si nous avons une relation affine entre
X et Y (Y ≈ aX + b), et nous verrons aussi comment trouver cette relation.
Ce problème s’appelle le problème de l’ajustement linéaire. Nous verrons sur des
exemples et en exercice comment trouver d’autres types de relations.
Il existe différentes manières de chercher un ajustement linéaire. Nous allons voir
une seule méthode : la méthode des moindres carrés. (Nous verrons plus tard d’où
vient cette appelation.)

Nous nous plaçons donc dans la situation où le nuage de points obtenu semble
décrire une droite. C’est à dire : les points se trouvent presque sur une droite
d’équation y = ax + b. La relation entre Y et X doit donc être du type Y ≈ aX + b.
Comme nous avons une approximation on peut écrire : Y = aX + b + E, où E
désigne l’erreur commise lors de l’approximation.
On considère que pour avoir la meilleure approximation il faut prendre
pour a et b les valeurs qui minimisent la moyenne (en valeur absolue)
et la variance de l’erreur E.

Une fois les valeurs de a et de b trouvées la droite y = ax + b s’appelle droite des

moindres carrés ou droite de régression linéaire de Y en X. On note cette droite
DY (X).
Le théorème suivant nous dit comment obtenir les coefficients a et b.

Théorème 1. Soit (X; Y ) un couple de variables statistiques tel que V ar(X) 6= 0.

Les coefficients de régression affine a et b sont donnés par les formules suivantes :

Cov(X; Y )
a= , et b = Y − aX.
V ar(X)

Démonstration. On note (xi ; yi )1≤i≤n les points du nuage et on rappelle que

E = Y − aX − b.
1.3 Corrélation et ajustement 93

On a :

|E| = |Y − aX − b|
= |Y − aX − b|

Ainsi lorsque b = Y − aX, nous avons |E| = 0 qui est donc minimale.
Il nous reste donc à minimiser V ar(E).
Nous pouvons exprimer V ar(E) de la façon suivante à l’aide de certaines formules
démontrées dans le TD.

V ar(E) = V ar(Y ) − 2aCov(Y, X) + a2 V ar(X) = p(a)

V ar(E) peut donc se voir comme le polynome p(a).

Ainsi pour que V ar(E) soit minimale il faut que p′ (a) = 0.
Or p′ (a) = −2Cov(X; Y ) + 2aV ar(X). Donc V ar(E) = p(a) atteint son minimum
Cov(X; Y )
en a = .
V ar(X)
Il est impossible à l’oeuil de savoir si des points sont vraiment alignés ou pas.
Nous allons voir à présent que nous pouvons caractériser à l’aide du coefficient de
corrélation linéaire les situations où tous les points du nuage sont alignés. Pour cela
nous allons “presque” recommencer la démonstration précédente.

Théorème 2. Tous les points du nuage sont alignés ⇐⇒ |ρ(X, Y )| = 1.

Tous les points du nuages sont presque alignés ⇐⇒ |ρ(X; Y )| ≈ 1.

Démonstration. Dire que tous les points sont alignés signifie qu’il existe un unique
nombre réel a, et un unique nombre réel b, tels que pour tous les indices i nous
avons yi = axi + b.
Cela donne en particulier Y = aX + b et donc Y − (ax = b) = E = 0.
En reprenant les caculs effectués dans la preuve du théorème 1 on obtient :
V ar(E) = 0 = V ar(Y ) + 2aCov(X; Y ) + a2 V ar(X) = p(a).
En résumé, nous venons de voir que tous les points sont alignés signifie qu’il existe
un unique nombre réel a tel que p(a) = 0.
Or, pour qu’un polynome de degré 2 ne possède qu’une seule racine il faut et il
suffit que son discriminant soit nul. Comme ∆ = 4Cov(X; Y )2 − 4V ar(X)V ar(Y )
Cov(X; Y )
on a ∆ = 0 ⇐⇒ |Cov(X; Y )| = σ(X)σ(Y ) ⇐⇒ = 1.
σ(X)σ(Y )
Cov(X; Y )
En conclusion, tous les points sont alignés lorsque |ρ(X; Y )| = = 1.
σ(X)σ(Y )
Maintenant si les points sont presques alignés on a : Y ≈ aX + b en reprenant
la preuve ci-dessus avec le symbole ≈ à la place de = on obtient le résultat souhaité
|ρ(X; Y )| ≈ 1.

Pour finir, revenons sur un point de vocabulaire. Nous avons dit que X et Y sont
non corrélées lorsque Cov(X; Y ) = 0, expliquons pourquoi.
94 Série statistique à deux variables

D’après le théorème 1 la “meilleure” façon d’approcher Y par une fonction

affine en X est :

Cov(X; Y )  Cov(X; Y ) 
Y = X+ Y − X .
V ar(X) V ar(X)

Dans le cas où Cov(X; Y ) = 0 on obtient dans la formule ci-dessus : Y = Y . Donc

X ne joue aucun rôle, il n’y a pas de relations entre Y et X. C’est pourquoi nous
disons que X et Y sont non corrélées lorsque Cov(X; Y ) = 0.

Interprétation graphique

Nous avons dit précédemment “Pour avoir la meilleure approximation il faut

prendre pour a et b les valeurs qui minimisent la moyenne (en valeur absolue) et la
variance de l’erreur E = Y − aX − b.”
Minimiser la moyenne nous à donner la formule b = Y − aX. Géométriquement
cette égalité signifie que le point moyen de coordonnées (X; Y ) appartient à la
droite DY (X) d’équation y = ax + b.

En effet : (X; Y ) ∈ DY (X) ⇐⇒ Y = aX + b.

Or cette égalité est vraie car b = Y − aX, d’après le théorème 1.
A présent regardons ce que signifie géométriquement la deuxième condition.
Pour cela rappelons l’expression de V ar(E) en fonction des coordonnées du nuage
de points :

n n
1X
2 1X
2
V ar(E) = V ar(Y −aX−b) = yi −axi −b−(Y −aX−b) = yi − (axi + b) .
n i=1 n i=1

La valeur yi − (axi + b) représente l’écart vertical entre le point d’abscisse xi se

trouvant sur la droite d’équation y = ax + b et le point de coordonnées (xi ; yi ).

Illustrons cela par un dessin.

1.3 Corrélation et ajustement 95

Y
6
#
#
#
#
#
#
#
#
#
#+
#
+ ##
#
+ #• +
#
#
#
#
#
+
#
#
#

-
0 X

Ainsi la deuxième condition revient à chercher la droite qui minimise les carrés
des écarts verticaux. D’où le nom “méthode des moindres carrés”.

Conclusion : La droite des moindres carrés est la droite qui passe par le point moyen
et qui minimise les carrés des écarts verticaux.

1.3.3 Régression linéaire de X sur Y

Dans ce qui précéde nous avons cherché à exprimer Y en fonction de X
(Y = aX + b, régression linéaire de Y en X). Nous pouvons aussi chercher une re-
lation linéaire du type : X = a′ Y + b′ (régression linéaire de X en Y ). Les résultats
précédents se généralisent sans difficultés.

Théorème 3. Soit (X; Y ) un couple de variables statistiques tel que V ar(Y ) 6= 0.

Les coefficients de régression affine de X en Y , a′ et b′ , sont donnés par les formules
suivantes :
Cov(X; Y )
a′ = , et b′ = X − a′ Y .
V ar(Y )

Cette fois encore la droite obtenue passe par le point moyen, mais cette fois-ci,
nous avons minimisé les carrés des écarts horizontaux.
96 Série statistique à deux variables

Y
6





+ 


+ 
•
+ +



+

-
0 X

1.3.4 Autre cas d’ajustement

La méthode des moindres carrés permet de touver la “meilleure” relation affine
entre Y et X. Cependant, il se peut que le nuage de points ne représente pas une
droite mais une parabole. Dans ce cas, la relation entre Y et X est peut être du
type Y ≈ aX 2 + b. Nous allons voir comment trouver de bonnes valeurs pour a et b
dans ce cas.
Nous allons utiliser la méthode des moindres carrés et un changement de variables.
L’idée est la suivante : nous allons étudier un nouveau couple de séries statistiques
(U, V ). U et V sont définies de la manière suivante : U = X 2 et V = Y . Cela signifie
que l’on a ui = x2i et vi = yi . Puisque Y ≈ aX 2 + b, il en découle V ≈ aU + b. Nous
nous sommes donc ramenés à un cas de régression linéaire de V en U . Nous pouvons
donc calculer a et b à l’aide de la méthode des moindres carrés.
Exercice 5. 1. Représenter graphiquement (nuage de points) la série statistique
(X, Y ) suivante :
xi 0 1 2 3
yi 9,8 8,9 6,1 0,8
2. Calculer ρ(X, Y ).
3. On pose U = X 2 et V = Y . Donner le tableau des valeurs de (U, V ), puis (sur
le même graphique que précédemment) représenter le nuage de points de ce
nouveau couple statistique.
1.3 Corrélation et ajustement 97

4. Déterminer la droite d’ajustement de V en U par la méthode des moindres

carrés.
5. Calculer ρ(U, V ).
6. En déduire un ajustement de Y en X de la forme Y = aX 2 + b.

Solution :

Y
6

-
0 X
1.
0+1+2+3
2. X = = 1, 5
4
9, 8 + 8, 9 + 6, 1 + 0, 8
Y = = 6, 4
4
1
Cov(X, Y ) = × (0 × 9, 8 + 1 × 8, 9 + 2 × 6, 1 + 3 × 0, 8) − 1, 5 × 6, 4 = −3, 725
4
r
1 2
σ(X) = × (02 + 12 + 22 + 32 ) − X ≈ 1, 11
4
r
1 2
σ(Y ) = × (9, 82 + 8, 92 + 6, 12 + 0, 82 ) − Y ≈ 3, 509
4
98 Série statistique à deux variables

Cov(X, Y )
ρ(X ; Y ) = ≈ −0, 94
σ(X)σ(Y )
ui 0 1 4 9
3.
vi9,8 8,9 6,1 0,8
0+1+4+9
4. U = = 3, 5
4
1
V ar(U ) = × (02 + 12 + 42 + 92 ) − 3, 52 = 12, 25
4
1
Cov(U, V ) = (0 × 9, 8 + · · · + 9 × 0, 8) − 3, 5 × 6, 4 = −12, 275
4
Cov(U, V )
a= = −1, 002...
V ar(U )
Comme V = Y on a V = Y .

b = V − aU ≈ 9, 907

D’où V ≈ −1, 002U + 9, 907

Cov(U, V )
5. ρ(U ; V ) = = −0, 9994...
σ(U )σ(V )

6. Y = −1, 002X 2 + 9, 907

Pour finir nous donnons d’autre changements de variables qui peuvent être utiles.

Equation d’une courbe Changement de variables Equation de droite

Y = αX n U = ln(X), V = ln(Y ) V = nU + ln(α)
Y = aX n + b U = X n, V = Y V = aU + b
Y = βeαX U = X, V = ln(Y ) V = αU + ln(β)
Y = a ln(X) + b U = ln(X), V = Y V = aU + b
a 1
Y ≈ +b U = ,V =Y V = aX + b
X X

Sujet de méditation :
Soit (X; Y ) une série statistique de dimension 2. On note (xi ; yi ) les valeurs prises
par cette série. On considère alors la fonction suivante :

f : R2 −→ R
n 
X 2
(a, b) 7−→ yi − (axi + b)
i=1
1.3 Corrélation et ajustement 99

A l’aide d’une étude de f , pouvez vous retrouver la pente et l’ordonnée à l’origine

de la droite des moindres carrés.
100 Série statistique à deux variables

1.4 Exercices du TD
Exercice 1. L’objet de cet exercice est de donner une interprétation géomètrique
de la moyenne et de l’écart-type. Soit (xi )1≤i≤n une série statistique d’effectif total
n. Elle peut être représentée par un point M de coordonnées (x1 , x2 , . . . , xn ) dans
Rn . Résumer cette série pour le statisticien, c’est trouver un ou deux nombres la
caractérisant sans perdre trop d’informations par rapport aux n données initiales (n
étant en général très grand). Ceci revient à chercher un point T ∈ Rn , dont toutes
les coordonnées sont égales à un réel t, tel que T soit le “plus proche“ possible de
M.
Mais pour définir cette proximité, on peut utiliser différentes “distances” ; le plus
souvent on recourt aux distances suivantes :
Soient X(x1 , . . . , xn ) ∈ Rn et Y (y1 , . . . , yn ) ∈ Rn
n n
X 1X
d1 (X, Y ) = |xi − yi | ou D1 (X, Y ) = |xi − yi |
i=1
n i=1
v v
u n u n
uX u1 X
d2 (X, Y ) = t 2
(xi − yi ) ou D2 (X, Y ) = t (xi − yi )2 .
i=1
n i=1
Les solutions du problème ainsi posé sont :

– pour d1 et D1 : t = M e (médiane de la série) et D1 (M, T ) = eM e (écart absolu

moyen par rapport à la médiane) ;
– pour d2 et D2 : t = x (moyenne de la série) et D2 (M, T ) = σ (écart-type de
la série).
1. Vérifier les résultats annoncés pour d2 et D2 dans le cas n = 3 avec la série :
x1 = 1, x2 = 4, x3 = 10.
2. Soient O(0, 0, 0) et U (1, 1, 1). Calculer d2 (O, U ) et D2 (U, O).

Exercice 2. Voici un tableau de données ponctuelles représentant une série sta-

tistique à deux variables (X, Y ). Donner le tableau à double entrée correspondant,
ainsi que les distributions marginales de X et de Y .
Observation n˚ Valeur de X Valeur de Y
1 1,5 -1
2 0 1
3 0 -1
4 2,5 1
5 2,5 -1
6 2,5 0
7 0 1
8 1,5 -1
9 1,5 1
10 2,5 0
11 2,5 -1
12 1,5 1
Exercice 3. On considère la série statistique suivante :
1.4 Exercices du TD 101

Valeur de X 4 9 13 16
Effectif 6 14 15 5

1. Calculer la moyenne de cette série statistique.

2. Calculer la variance et l’écart-type de cette série statistique.
Exercice 4. On considère la série statistique suivante :

Valeur de X 5 + 101000 9 + 101000 11 + 101000 17 + 101000

Effectif 3 16 16 5

Calculer la moyenne de cette série statistique.

Exercice 5. Soit xi les valeurs d’une série statistique X de moyenne X = 0 et de
variance V (X) = 0. Que peut on dire des xi ?
Exercice 6. Montrer que Cov(X; Y ) = Cov(Y ; X).
Exercice 7. Montrer

Cov(X; Y ) = (X − X).(Y − Y ) = XY − X.Y

n
1X 
= xk yk − X . Y
n k=1

Exercice 8. Soient X, Y deux séries statistiques et λ et b deux nombres réels.

Montrer :
1. V ar(X + λY ) = V ar(X) + 2λCov(X, Y ) + λ2 V ar(Y ).
2. V ar(λY + b) = λ2 V ar(Y ).
Exercice 9. Soit X une série statistique prenant les valeurs x1 , . . . , xn . Montrer
X −X
que la série statistique Y définie par Y = est une série statistique centrée
σ(X)
réduite.
Exercice 10. On considère la série statistique double suivante :
X 0 0,5 1 1,5 1,5 2 2,5 3
Y 2,5 4 4 4,5 5 6 5,5 6,5
Déterminer la covariance et le coefficient de corrélation linéaire de (X; Y ).
Exercice 11. Le tableau suivant donne l’évolution des frais de publicité X et du
chiffre d’affaires Y d’une entreprise entre 1999 et 2006.
X et Y sont exprimés en millions d’euros.

Année 1999 2000 2001 2002 2003 2004 2005 2006

X 2 2,3 2,6 2,9 3,2 3,5 3,8 4,1
Y 52 59 60 65 70 72 73 75

1. Construire le nuage de points représentant cette série dans un repère conve-

nablement choisi (X en abscisse, Y en ordonnée).
102 Série statistique à deux variables

2. Calculer la covariance et le coefficient de corrélation linéaire de (X, Y ).

3. On se propose de procéder à un ajustement affine de ce nuage.
On considère les points moyens G1 et G2 des sous-nuages obtenus respective-
ment pour les quatre premières valeurs et les quatre dernières.
Préciser les coordonnées de G1 et G2 . Tracer la droite (G1 G2 ).
4. On remarque que les valeurs de X sont les termes successifs d’une suite
arithmétique.
(a) Quelle est la raison de cette suite ?
(b) En admettant que cette évolution se poursuive, quel sera le montant des
frais de publicité en 2007 ?
(c) Estimer graphiquement, au million d’euros près, le chiffre d’affaires
prévisible de cette entreprise en 2007 en supposant que l’évolution ob-
servée les années précedentes se poursuivent les années suivantes.
Exercice 12. Soit la série double
X 1 4 7 9 10
Y 1,1 6 11,5 13,9 16,5

Tracer le nuage de points, placer le point moyen, déterminer les droites de re-
gression et les tracer. Calculer le coefficient de corrélation linéaire.
Exercice 13. Soit la série statistique double

X 1 2 3 4 5 6
Y 17 10 8 6 5 5

1. Placer le nuage de points dans un repère orthogonal.

2. Calculer la variance, la covariance et le coefficient de corrélation pour X et
Y . Un ajustement linéaire est il satisfaisant ?
3. Pour améliorer l’ajustement, on pose : Z = 1/X. Etablir le tableau de Z et Y
à 10−6 près. Calculer la variance de Z, la covariance de Z et Y ,et le coefficient
de corrélation de Z et de Y . Conclusion ?
4. Déterminer la droite de régression de Y en Z. En déduire un ajustement de
Y en X.
5. A l’aide de cette équation, estimer Y pour X = 8.
Exercice 14. La production automobile d’un pays pour les années 1999 à 2006 est
donnée par la tableau suivant, où i varie entre 1 et 7.

Année Rang de l’année : xi Nombre d’automobiles produites : yi zi = ln(yi )

1999 1 54 000 10,897
2000 2 56 000 10,933
2001 3 70 000 11,156
2002 4 80 000 11,290
2003 5 87 500 11,379
2004 6 112 922 11,634
2005 7 138 907 11,842
1.4 Exercices du TD 103

1. Représenter le nuage des points (xi ; yi ) dans un repère orthogonal. On prendra

pour origine du repère le point de coordonnées (0, 50000) et pour unités deux
centimètres pour une année sur l’axe des abscisses et cinq centimètres pour
50 000 automobiles sur l’axe des ordonnées.
2. Déterminer une équation de la droite d’ajustement affine de z en x par
la méthode des moindres carrés. Les coefficients seront donnés avec trois
décimales.
3. Déduire de cet ajustement affine que le nuage de points peut être ajusté par
une courbe ayant une équation de la forme : y = αβ x , où α et β sont des
nombres réels que l’on donnera avec trois décimales.
4. En utilisant ce dernier résultat, si la tendance ne change pas, donner une
estimation de la production automobile de ce pays pour l’année 2009.
Exercice 15. Un mobile est propulsé à très grande vitesse sur un axe, puis il
est ralenti. On s’intéresse à la vitesse de ce mobile durant le freinage. Dans tout
l’exercice, les distances sont exprimées en mètres, les temps en secondes et donc les
vitesses en mètres par seconde.
Les résultats seront arrondis au millième.
On a relevé les vitesses instantanées vi de ce mobile aux instants ti , pour i variant
de 0 à 7.

ti en s 0 1 2 3 4 5 6 7
vi en m.s−1 215 140 85 57 36 29 27 22
1. Dessiner le nuage de points de cette série statistique.
2. Calculer le coefficient de corrélation linéaire.
3. On pose ni = ln(vi − 15) pour i variant de 0 à 7. Dresser le tableau de la série
(ti ; ni ).
4. Calculer le coefficient de corrélation entre t et n.
5. Donner une équation de la droite de régression de n en t par la méthode des
moindres carrés.
6. En déduire une expression de la vitesse v en fonction du temps t sous la forme
v = αeβt + γ, où α, β, γ sont des réels à déterminer.
Exercice 16. Une société veut vendre des machines destinées à certaines entre-
prises. Le prix de vente minimal est fixé à 10 000 euros. Le nombre prévisible y de
machines vendues, est fonction du prix proposé, en millier d’euros, x. Une enquête
auprès des clients potentiels a donné les résultats suivants :
xi 10 12,5 15 17,5 20 25
yi 100 85 62 42 28 11
1. Représenter les six
 points du nuage.
yi 
2. On pose zi = ln . Donner les valeurs de zi arrondies au millième le
xi − 6
plus proche.
3. Donner une équation de la droite de régression de z en x ; les coefficients
seront arrondis au millième le plus proche.
4. En déduire une expression approchée de y de la forme : y = α(x − 6)eβx .
104 Série statistique à deux variables

1.5 Correction des exercices

Correction de l’exercice 1.
1. Pour la série considérée on a :
1 + 4 + 10
x= = 5,
r 3
12 + 42 + 102 √
σ= − x2 = 14.
3
On pose f (t) = (t − 1)2 + (t − 4)2 + (t −r
10)2 .
p 1
On a d2 (M, T ) = f (t) et D2 (M, T ) = f (t).
3
p
′ f ′ (t)
d2 et D2 ont mêmes variations que f . (En effet f (t) = p donc
2 f (t)
p
′
f (t) et f ′ (t) ont mêmes signes. Même chose pour D2 .)
On a f ′ (t) = 2(t − 1) + 2(t − 4) + 2(t − 10) = 6(t − 5). On constate donc que
le minimum de d2 et D r2 est atteint
r en t = 5 = x.
f (5) 42 √
De plus, D2 (M, T ) = = = 14 = σ.
3 3
√
2. d2 (O, U ) = 3, D2 (O, U ) = 1.

Correction de l’exercice 2.
Valeurs de Y -1 0 1 ni, •
Valeurs de X
0 1 0 2 3
1,5 2 0 2 4
2,5 2 2 1 5
n• ,j 5 2 5 12

Valeur de X 0 1,5 2,5

Effectif 3 4 5

Valeur de Y -1 0 1
Effectif 5 2 5

Correction de l’exercice 3.
6 × 4 + 14 × 9 + 15 × 13 + 5 × 16 425
1. X = = = 10, 625.
6 + 14 + 15 + 5 40
6 × 42 + 14 × 92 + 15 × 132 + 5 × 162 2
2. V ar(X) = − X ≈ 13, 23
p 6 + 14 + 15 + 5
σ(X) = V ar(X) ≈ 3, 6

Correction de l’exercice 4. On utilise la linéarité de la moyenne. On pose :

1.5 Correction des exercices 105

Valeur de Y 5 9 11 17
Effectif 3 16 16 5

Y = 10, 5.

On a X = Y + 101000

D’où X = Y + 101000 = Y + 101000 (linéarité de la moyenne).

Conclusion : X = 10, 5 + 101000 .

Correction de l’exercice 5. On note xi les valeurs prises par X (répétition

possible).

x21 + · · · + x2n 2
V ar(X) = −X
n
x21 + · · · + x2n
=⇒ 0 =
n
=⇒ 0 = x1 + · · · + x2n
2

Pour qu’une somme de carrés soit nulle il faut que chaque terme soit nul.
Donc pour i = 1 . . . n on a x2i = 0.
Conclusion : pour i = 1 . . . n on a xi = 0.
Ainsi X est une série statistique dont toutes les valeurs sont 0.

Correction de l’exercice 6.
n
1X
Cov(X; Y ) = (xi − X)(yi − Y )
n i=1
1 h i
= × (x1 − X)(y1 − Y ) + · · · + (xn − X)(yn − Y )
n
1 h i
= × (y1 − Y )(x1 − X) + · · · + (yn − Y )(xn − X)
n
n
1X
= (yi − Y )(xi − X)
n i=1
= Cov(Y ; X)

La seule chose utilisée ici est la commutativité de la multiplication. C’est à dire :

pour deux nombres réels a et b on a : a × b = b × a.
(Cette propriété n’est pas toujours vraie (matrices. . .).)

Correction de l’exercice 7. Commençons par montrer l’égalité :

(X − X).(Y − Y ) = XY − X.Y .
106 Série statistique à deux variables

Développons (X − X).(Y − Y ) = X.Y − X.Y − X.Y + X.Y .

D’où :
(X − X).(Y − Y ) = X.Y − X.Y − X.Y + X.Y
= X.Y − X.Y − X.Y + X.Y
= X.Y − X.Y − X.Y + X.Y
= X.Y − X.Y
Comme la sériestatistique X.Y est constituée des valeurs xi .yi . On en déduit :
1 Pn
Cov(X; Y ) = k=1 xk yk − X.Y .
n

Correction de l’exercice 8.
1.

2
V ar(X + λY ) = X + λY − X + λY

2
= X + λY − X − λY

2
= (X − X) + λ.(Y − Y )
= (X − X)2 + 2(X − X)λ.(Y − Y ) + λ2 (Y − Y )2
= (X − X)2 + 2λ.(X − X).(Y − Y ) + λ2 (Y − Y )2
= V ar(X) + 2λCov(X, Y ) + λ2 V ar(Y )

2. Nous allons utilisé le résultat précédent, avec X la série statistique constante

égale à b, c’est à dire xi = b, pour i = 1, . . . , n. On a donc V ar(X) = 0 car X
est constante donc ne varie pas, donc a une variance nulle ! (Si vous n’êtes pas
convaincu vérifiez cela par le calcul.)
De plus Cov(X, Y ) = XY − X. Y , ici X = b, donc XY = bY = bY et
X. Y = bY . Donc Cov(X, Y ) = 0.
Ainsi V ar(λY + b) = λ2 V ar(Y ).

Correction de l’exercice 9. D’après la propriété de la linéarité de la

moyenne , on a : aX + b = aX + b, où a et b sont deux nombres réels et X est une
série statistique.
X −X 1 X
On a : = ×X − .
σ(X) σ(X) σ(X)
1 X
On applique la propriété ci-dessus avec a = et b = . D’où :
σ(X) σ(X)
X −X 1 X 1 X
Y = = X− = X− = 0.
σ(X) σ(X) σ(X) σ(X) σ(X)
X −X
Nous venons donc de montrer que Y = est une série statistique centrée.
σ(X)
A présent nous appliquons le résultat de l’exercice précédent et nous avons :
1
V ar(Y ) = V ar(aX + b) = a2 V ar(X) = σ(X)2 = 1.
σ(X)2
1.5 Correction des exercices 107

Ainsi Y est une série statistique centrée réduite.

Correction de l’exercice 10. Pour calculer la covariance Cov(X; Y ) nous

devons connaitre X et Y .
0 + 0, 5 + 1 + 1, 5 + 1, 5 + 2 + 2, 5 + 3
X= = 1, 5
8
Y = 4, 75
1  Pn  1 
Cov(X; Y ) = i=1 xi yi − XY = 0 × 2, 5 + · · · + 3 × 6, 5 − 1, 5 × 4, 75
n 8
Cov(X; Y ) = 1, 0625

A présent nous devons calculer le coefficient de corrélation linéaire :

Cov(X; Y )
ρ(X; Y ) =
σ(X)σ(Y )
1
2
V ar(X) = × 02 + ×32 − 1, 52 = 0, 875
p8
D’où σ(X) = V ar(X) ≈ 0, 935.
1
× 2, 52 + · · · + 6, 52 − 4, 752 = 1, 4375


V ar(Y ) =
p8
D’où σ(Y ) = V ar(Y ) ≈ 1, 199.

Cov(X; Y )
On obtient alors : ρ(X; Y ) = ≈ 0, 94.
σ(X)σ(Y )

Correction de l’exercice 11.

1. Prendre 2cm pour une unité sur l’axe des abscisses, et 2cm pour 10 millions
d’euros sur l’axe des ordonnées.
2 + 2, 3 + · · · + 4, 1
2. X = = 3, 05
8
52 + 59 + · · · + 75
Y = = 65, 75
8
1
Cov(X; Y ) = (2 × 52 + 2, 3 × 59 + · · · + 4, 1 × 75) − 3, 05 × 65, 75 = 5, 1
8
r 
1 2 
σ(X) = 2 + 2, 32 + · · · + 4, 12 − 3, 052 = 0, 687
8
r 
1 
σ(Y ) = 522 + 592 + · · · + 752 − 65, 752 = 7, 611
8
Cov(X; Y ) 5, 1
On obtient alors : ρ(X; Y ) = = ≈ 0, 975
σ(X)σ(Y ) 0, 687 × 7, 611
2 + 2, 3 + 2, 6 + 2, 9
3. xG1 = = 2, 45
4
52 + · · · + 65
yG1 = = 59
4
108 Série statistique à deux variables

G1 a pour coordonnées (2, 45; 59).

3, 2 + · · · + 4, 1
xG2 = = 3, 65
4
70 + · · · + 75
yG2 = = 72, 5
4
G2 a pour coordonnées (3, 65; 72, 5).
4. (a) On cherche le nombre réel r tel que : xi+1 = xi + r.
On a donc r = 0, 3.
(b) En 2007, le montant sera de : 4, 1 + 0, 3 = 44 millions d’euros.
(c) Graphiquement, nous voyons que ce chiffre d’affaires sera de 80 millions
d’euros.

Correction de l’exercice 12.

1. Régression de Y en X :
Cov(X; Y )
DY (X) : y = ax + b avec a = et b = Y − aX.
V ar(X)
Dans cet exercice nous avons X = 6, 2 et Y = 9, 8.

1 2
V ar(X) = 1 + 42 + 72 + 92 + 102 ) − 6, 22 = 10, 96
5
1

Cov(X; Y ) = 1 × 1, 1 + · · · + 10 × 16, 5 − X. Y = 18, 38
5
18, 38
On obtient alors : a = ≈ 1, 677, b ≈ 9, 8 − 1, 677 × 6, 2 ≈ −0, 59 . . . .
10, 96
Ainsi l’équation de la droite de régression linéaire de Y en X est : y = 1, 677x−
0, 59.
2. Régression de X en Y :
Cov(X; Y )
DX (Y ) : x = a′ y + b′ avec a′ = et b = X − a′ Y .
V ar(Y )
1 2
V ar(Y ) = 1, 12 + 62 + · · · + 16, 52 ) − Y = 30, 944
5
18, 38
On obtient alors : a′ = ≈ 0, 593 . . . , et b′ ≈ 6, 2 − a′ × 9, 8 ≈ 0, 38 . . . .
30, 944
Ainsi l’équation de la droite de régression linéaire de X en Y est : x = 0, 593y+
0, 38.
Cov(X; Y )
3. ρ(X, Y ) = p ≈ 0, 998 . . .
V ar(X)V ar(Y )
ρ(X, Y ) est très proche de 1 donc les points du nuage doivent être presque
alignés. De plus DY (X) et DX (Y ) doivent être très proche. Cela se vérifie sur
le graphique.
1.5 Correction des exercices 109

Correction de l’exercice 13.

1. Il suffit de placer des points dans un repère. . .
2. X = 3, 5
12 + 22 + · · · + 62
V ar(X) = − 3, 52 = 2, 9166 . . .
√ 6
=⇒ σ(X) = 2, 9166 = 1, 707 . . .

Y = 8, 5
172 + 102 + · · · + 52
V ar(Y ) = − 8, 52 = 17, 5833 . . .
√ 6
=⇒ σ(Y ) = 17, 5833 = 4, 193 . . .

1
Cov(X; Y ) = (1 × 17 + 2 × 10 + · · · + 6 × 5) − 3, 5 × 8, 5 = −6, 41666 . . .
6
−6, 41666
ρ(X; Y ) = ≈ −0, 89
1, 707 × 4, 193
Un ajustement linéaire pourrait être satisfaisant mais on peut essayer de faire
mieux !
3.
Z 1 0,5 0,333333 0,25 0,2 0,166666
Y 17 10 8 6 5 5
Z = 0, 408333
12 + 0, 52 + · · · + 0, 1666662 2
V ar(Z) = − Z = 0, 081828
√ 6
σ(Z) = 0, 081828 = 0, 286055 . . .
1
Cov(Z, Y ) = (1 × 17 + · · · + 0, 166666 × 5) − Z. Y = 1, 195835 . . .
6
1, 195835
ρ(Z, Y ) = = 0, 997 . . .
0, 286055 × 4, 193
La corrélation linéaire entre Z et Y est meilleure que celle entre X et Y . Le
changement de variable Z = 1/X est donc judicieux !
4. Nous voulons écrire Y = aZ + b.
Cov(Z, Y )
Nous savons que a = et b = Y − aZ. Cela donne :
V ar(Z)
1, 195835
a= = 14, 614007 et b = 8, 5 − 14, 614007 × 0, 408333 = 2, 53
0, 081828
On obtient alors : Y = 14, 61Z + 2, 53
14, 61
On en déduit l’ajustement suivant de Y en X : Y = + 2, 53.
X
14, 61 14, 61
5. Comme Y = + 2, 53, lorsque X = 8 on a Y ≈ + 2, 53 ≈ 4, 35.
X 8

A partir de maintenant certains calculs ne sont plus détaillés. Il est

bien évident que le jour d’un examen il faut expliquer tous vos calculs. . .
110 Série statistique à deux variables

Correction de l’exercice 14.

1. Il ne me parait pas utile de corriger ce type de questions. . .
2. Nous voulons écrire z = ax + b.
Cov(x, z)
Nous savons que dans ce cas a = et b = z − ax.
V ar(x)
Après calculs nous obtenons : x = 4, V ar(x) = 4, σ(x) = 2.
z = 11, 304.
Cov(x, z) = 0, 639.

0, 639
D’où : a = = 0, 159, b = 11, 304 − a × 4 = 10, 665.
4
Ainsi : z = 0, 159x + 10, 665.
3. Comme z = ln(y), d’après ce qui précède on a : ln(y) = 0, 159x + 10, 665.
Cela donne :

y = e0,159x+10,665
= e0,159x × e10,665

x
= e10,665 × e0,159
= α × βx

avec α = e10,665 = 42830, 254, et β = e0,159 = 1, 172.

4. y9 = 42830, 254 × 1, 17211 = 245445

Correction de l’exercice 15.

1. Encore une représentation graphique. . .
2. t = 3, 5, V ar(t) = 5, 25, σ(t) = 2, 291
v = 76, 375, V ar(v) = 4122, 984, σ(v) = 64, 210
Cov(t, v) = −131, 562
ρ(t, v) = −0, 89
3.
ti 0 1 2 3 4 5 6 7
ni 5,29 4,83 4,25 3,74 3,04 2,64 2,48 1,95
4. n = 3, 5275, V ar(n) = 1, 247, σ(n) = 1, 116
Cov(t, n) = −2, 54125
ρ(t, n) = −0, 9939
Cov(t, n)
5. n = at + b avec a = , et b = n − at.
V ar(t)
On obtient : a = −0, 484, b = 5, 221.
D’où n = −0, 484t + 5, 221, est l’équation de la droite de régression de n en t.
6. D’après ce qui précède on a : ln(v − 15) = −0, 484t + 5, 221. D’où :
v − 15 = e−0,484t+5,221
v = e−0,484t × 185, 119 + 15 Ainsi : α = 185, 119, β = −0, 484 et γ = 15.
1.5 Correction des exercices 111

Correction de l’exercice 16.

1. Encore une représentation graphique. . .
2.
xi 10 12,5 15 17,5 20 25
yi 100 85 62 42 28 11
zi 3,219 2,571 1,930 1,295 0,693 -0,547
3. Nous voulons écrire z = ax + b. En utilisant la méthode des moindres carrés
Cov(x, z)
nous avons a = et b = z − ax.
V ar(x)
x = 16, 667, V ar(x) = 24, 294
z = 1, 527
Cov(x, z) = −6, 096

On en déduit : a = −0, 251, et b = 5, 710 et donc : z = −0, 251x + 5, 71.

 y 
4. D’après ce qui précède on a : ln = −0, 251x + 5, 71.
x−6
Il vient alors :
y
= e−0,251x+5,71
x−6
=⇒ y = (x − 6) × e5,71 × e−0,251x
=⇒ y = e5,71 × (x − 6) × e−0,251x

Conclusion : y = 301, 871 × (x − 6) × e−0,251x .

112 Série statistique à deux variables
Chapitre 2

Variables aléatoires

2.1 Définitions
Avant de définir une variable aléatoire, il faut rappeler un peu de vocabulaire
vu en probabilité. Lorsque l’on effectue une expérience aléatoire (“dépendant du
hasard”) plusieurs résultats sont possibles pour cette expérience.
Par exemple, si notre expérience consiste à lancer une pièce de monnaie et à regarder
le côté supérieur de celle-ci alors il y a deux résultats possibles : Pile ou Face. Un
autre exemple est le lancé de deux dés distincts. Dans ce cas, il y a 36 résultats
possibles. Par exemple, (3; 5) est un résultat possible. (Le premier dé donne 3 et le
second donne 5.)
L’ensemble des résultats possibles de l’expérience s’appelle l’univers et une
partie de cet univers s’appelle un évènement. Un évènement est donc un ensemble
de résultats. Par exemple, on peut parler de l’évènement “la somme donnée par les
deux dés est 8”.

Supposons à présent que la somme des dés représente un gain en euros. Le résultat
(3; 5) donne donc 8 euros. Ainsi à chaque résultat nous associons un nombre : le gain
en euros. Ce qui nous intéresse alors ce n’est pas de savoir quelle est la probabilité
d’obtenir (3; 5) mais plutôt quel est la probabilité de gagner 8 euros ou quelle est la
probabilité de gagner entre 5 et 9 euros. Si on note X le gain obtenu au cours d’une
partie ce que l’on souhaite calculer s’exprime de la manière suivante : P (X = 8) ou
P (5 ≤ X ≤ 9). Cela nous conduit à la notion de variable aléatoire.
Définition 1. Une variable aléatoire X sur un univers Ω est une fonction qui à
tout résultat de Ω associe un nombre réel.
Pour être plus rigoureux, il faudrait rajouter une condition en plus pour définir
correctement une variable aléatoire. Cette condition dit que si on prend deux
nombres réels a < b alors tous les résultats ω vérifiant a < X(ω) < b forment
un évènement. . . Vu les exemples que nous rencontrerons dans ce cours, il n’est pas
nécessaire de s’encombrer avec ce genre de subtilités.
Une variable aléatoire permet de travailler avec des nombres réels sans se soucier
de l’univers Ω. L’intérêt d’une telle démarche est que l’univers est souvent beaucoup
plus compliqué que les résultats que l’on étudie.
Par exemple : Soit X la variable aléatoire mesurant le nombre k de voitures neuves

113
114 Variables aléatoires

vendues en un jour par un concessionnaire. Supposons que nous ayons le tableau

suivant :

k 0 1 2 3 4 5
P (X = k) 0,02 0,08 0,1 0,3 0,4 0,1

Bien que l’univers sur lequel la variable aléatoire X est définie ne soit pas précisé,
nous pouvons effectuer des calculs de moyenne , variance . . . De plus, si nous souhai-
tions faire apparaitre l’univers, nous n’aurions pas obtenu un tableau aussi simple.

2.2 Variable aléatoire discrète

Lorsqu’une variable aléatoire X ne prend qu’un nombre fini de valeurs x1 , . . . , xn
on dit que X est une variable aléatoire discrète.
La fonction qui à xi associe P (X = xi ) s’appelle la loi de probabilité de X. (Si
nous connaissons la loi de probabilité de X cela signifie que nous connaissons la
probabilité de chaque résultat élémentaire. Donc nous pouvons calculer la probabilité
de n’importe quel évènement associer à X.)
La moyenne de X, notée X est définie de la manière suivante :

X = x1 P (X = x1 ) + · · · + xn P (X = xn ).

La variance et l’écart-type de X sont définis ainsi :

V ar(X) = (x1 − X)2 P (X = x1 ) + . . . (xn − X)2 P (X = xn ),

p
σ(X) = V ar(X).

2.3 La loi binomiale

2.3.1 Modèle, Définition
On effectue n tirages avec remise dans une urne contenant deux catégories de
boules, des blanches en proportion p (0 < p < 1) et des rouges en proportion q
(p + q = 1). La probabilité d’obtenir une boule blanche à l’issue de chaque tirage
est donc de p.

On considère la variable aléatoire X dénombrant les boules blanches à l’issue

des n tirages. X peut donc prendre les valeurs : 0; 1; . . . ; n. Nous sommes donc en
présence d’une variable aléatoire discrète.
Un calcul classique de probabilité nous donne :

Proposition 1. Pour 0 ≤ k ≤ n, on a :

 
n k n−k n!
P (X = k) = p q = pk q n−k .
k k!(n − k)!
2.3 La loi binomiale 115

Définition 2. De manière générale si une variable aléatoire vérifie la proposition

précédente alors on dit qu’elle suit une loi binomiale de paramètres n et p.

On remarque qu’il n’est pas nécessaire de préciser q, car q s’obtient par la for-
mule : q = 1 − p.
Puisque que nous connaissons la probabilité de chaque résultat possible, nous
pouvons calculer la moyenne, la variance et l’écart type d’une variable aléatoire
suivant une loi binomiale.

Proposition 2. Si X suit une loi binomiale de paramètre n et p on a :

√
X = np, V ar(X) = npq, σ(X) = npq.

2.3.2 Comment vérifier q’une variable aléatoire suit une loi

binomiale ?
Une variable aléatoire X étant donnée, celle-ci suit une loi binomiale lorsque
toutes les assertions suivantes sont vérifiées :
1. On a affaire à une épreuve comportant deux issues possibles : A et B,
2. P (A) = p, P (B) = q et p + q = 1,
3. X dénombre les réalisations de A ou de B.
Si X dénombre les réalisations de A alors X suit une loi binomiale de paramètres
n et p.
Si X dénombre les réalisations de B alors X suit une loi binomiale de paramètres
n et q.

Exercice 1. On lance trois fois un dé parfaitement équilibrée. Calculer la probabilité

pour que :
1. 5 apparaisse 3 fois,
2. 5 apparaisse 2 fois,
3. 5 apparaisse 1 fois,
4. 5 apparaisse au moins une fois.

Solution :
Soit X la variable aléatoire dénombrant le nombre de fois où 5 est apparu.
X suit une loi binomiale de paramètre 3 et 1.

 1 3  5 0
1. P (X = 3) = 33 × × ≈ 0, 004 ≈ 0, 4%.
6 6

 1 2  5 1
2. P (X = 2) = 32 × × ≈ 0, 069 ≈ 6, 9%.
6 6

 1 1  5 2
3. P (X = 1) = 31 × × ≈ 0, 34722 ≈ 34, 7%.
6 6

4. P (X ≥ 1) = P (X = 1) + P (X = 2) + P (X = 3) ≈ 42%.
116 Variables aléatoires

2.4 Variable aléatoire à densité

Dans le paragraphe précédent, il était question de variable aléatoire ne prenant
qu’un nombre fini de valeur possible. Or cela n’est pas toujours le cas. Considérons
l’exemple suivant :

Fig. 2.1 – Probabilité qu’un point pris au hasard se trouve dans la partie colorée ?

Fig. 2.2 – Probabilité qu’un point pris au hasard se trouve dans la partie colorée ?

Intuitivement nous répondons à ces deux questions par 1/2 et 1/4. Dans le pre-
mier cas la surface colorée correspond à la moitié de la surface totale et dans le
second au quart. Autrement dit pour “calculer” une probabilité sur cet exemple
nous calculons des surfaces.

Fig. 2.3 – Probabilité qu’un point pris au hasard se trouve sur le segment ?

En suivant le raisonnement précédent nous devons dire que la probabilité de

trouver un point pris au hasard sur le segment est de 0. En effet la surface d’un
segment est nulle.
Attention ! ! ! Improbable ne signifie pas impossible. . .

La situation précédente peut se voir d’un point de vue mathématiques de la façon

suivante :
Le rectangle dessiné précédemment à des sommets d’abscisse x = −1 et x = 1.
Lorsque nous prenons un point au hasard dans ce rectangle nous obtenons une
2.4 Variable aléatoire à densité 117

variable aléatoire X qui nous donne l’abscisse du point pris au hasard.

La première question posée peut donc se traduire : par calculer la probabilité pour
que −1 ≤ X ≤ 0, la seconde par calculer la probabilité pour que −1/2 ≤ X ≤ 0, la
dernière par calculer la probabilité pour que X = 1/2.
Une variable aléatoire ayant ce type de propriété (c’est à dire : peut prendre une
infinité de valeurs différentes et P (X = a) = 0) est une variable aléatoire continue.
Dans ce cas, ce qui est intéressant ce n’est pas de savoir quelle est la probabilité que
X soit égal à un nombre (car cela vaudra toujours 0), mais quelle est la probabilité
que X soit compris entre deux nombres.
Une variable aléatoire continue est une variable aléatoire pouvant prendre toutes
les valeurs possibles d’un intervalle. Nous allons ici, ne considérer qu’un type parti-
culier de ces variables aléatoires :
Définition 3. Une variable aléatoire à densité est une variable aléatoire telle qu’il
existe une fonction f : R −→ R vérifiant :
1. f (t) ≥ 0,
Z
2. f (t)dt = 1,
R
Z b
3. Pour tout a < b, P (a ≤ X ≤ b) = f (t)dt.
a
Remarque :
Z Z b
f (t)dt représente la limite suivante lim lim f (t)dt.
R a−→−∞ b−→+∞ a

Exercice( 2. X désigne la variable aléatoire de densité f suivante :

1/2 si t ∈ [−1; 1]
f (t) =
0 sinon
1. Calculer P (−1/2 ≤ X ≤ 3/4). Illustrer ce calcul par un dessin.
2. Calculer P (X = 1/3).
Solution :

1.
3/4
1
Z
P (−1/2 ≤ X ≤ 3/4) = dt
−1/2 2
h t i3/4 3 1 5
= = + =
2 −1/2 8 4 8
2.
1/3
1
Z
P (X = 1/3) = dt
1/3 2
h t i1/3
= =0
2 1/3
118 Variables aléatoires

Cf

−1 −1/2 3/4 1 t

Fig. 2.4 – Représentation graphique de P (−1/2 ≤ X ≤ 3/4).

Evidemment ce calcul est inutile. Ce n’est qu’une vérification de ce que nous

avons déjà dit. Si X est une variable aléatoire à densité et a un nombre réel
alors P (X = a) = 0.
Définition 4. Lorsque deux variables aléatoires on la même densité, on dit qu’elles
ont même loi.
Définition 5. On définit la moyenne, la variance et l’écart-type de X par :
Z Z p
X= tf (t)dt, V ar(X) = (t − X)2 f (t)dt, σ(X) = V ar(X).
R R

Parfois il est plus commode de calculer la variance à l’aide de la formule suivante :

Proposition 3. Formule de Koenig
Z  2
2
V ar(X) = t f (t)dt − X .
R

2.5 La loi normale

2.5.1 Définition, propriétés
Les variables aléatoires suivantes sont les variables aléatoires à densité les plus
importantes.
Définition 6. On dit qu’une variable aléatoire Xµ, σ suit la loi normale N (µ, σ)
(ou loi de Gauss) de paramètre µ et σ lorsque pour tout nombre réels a < b, on a :
1. Z b
1 1 t−µ 2
P (a < Xµ, σ < b) = √ e− 2 ( σ ) dt.
a σ 2π

1 1 t−µ 2
2. La fonction fµ, σ (t) = √ e− 2 ( σ ) s’appelle la densité de probabilité de
σ 2π
Xµ,σ .
Rx
3. La fonction Fµ, σ (x) = P (Xµ, σ < x) = −∞
fµ,σ (t)dt s’appelle la fonction de
répartition de Xµ, σ .
2.5 La loi normale 119

Remarques :
Rx Rx
– −∞ fµ,σ (t)dt représente la limite suivante lima→−∞ a fµ,σ (t)dt.
– Pour de telles variables aléatoires nous pouvons calculer la moyenne et l’écart
type. Cela donnerait comme résultat µ et σ (ce qui explique les notations. . . ).

Nous avons vu lors de l’étude de la covariance que si X a pour moyenne µ et

X −µ
pour écart type σ alors est centrée (moyenne nulle), réduite (écart type égal
σ
à 1). C’est aussi le cas ici :
Proposition 4. Si Xµ, σ suit la loi normale N (µ, σ) alors la variable aléatoire
X −µ
suit la loi normale N (0, 1).
σ
Autrement dit :
b
Xµ,σ − µ 1
Z
t2
P (a < < b) = √ e− 2 dt.
σ a 2π
Cette propriété permet de ramener un calcul portant sur une loi normale quelconque
à un calcul portant sur la loi N (0, 1).

2.5.2 Représentation graphique,et propriétés

Voici la représentation graphique de la densité fµ,σ .

µ−σ µ µ+σ

Fig. 2.5 – Représentation graphique de fµ, σ .

Remarques :
– Cette fonction a une allure de “courbe en cloche”.
– Le maximum de la fonction est atteint en t = µ.
– Cette fonction a deux points d’inflexion (points où la courbe passe de concave
à convexe, ou de convexe à concave : “le creux change de côté”). Les points
d’inflexion se trouve en t = µ − σ et t = µ + σ.
– L’écrasement sur l’asymptote y = 0 est très prononcé.
120 Variables aléatoires

– P (Xµ, σ < a) représente l’aire sous la courbe entre t = −∞ et t = a.

R +∞
Donc l’aire totale sous la courbe est −∞ fµ, σ (t)dt = 1.

En considérant les aires correspondants à P (Xµ,σ < a) et P (Xµ,σ < b) lorsque

a < b, on obtient :

Proposition 5. Pour a < b, nous avons

P (a < Xµ, σ < b) = P (Xµ, σ < b) − P (Xµ, σ < a).

Démonstration. Cela se constate grâce à quelques dessins.

Fig. 2.6 – P (Xµ, σ < a).

Fig. 2.7 – P (Xµ, σ < b).

a b

Fig. 2.8 – P (a < Xµ, σ < b) = P (Xµ, σ < b) − P (Xµ, σ < a).
2.5 La loi normale 121

On note Φ(x) la fonction de répartition de la loi normale centrée réduite N0, 1 :

Z x
1 t2
Φ(x) = P (X0, 1 < x) = √ e− 2 dt.
−∞ 2π
Cette fonction a la propriété très utile suivante :

Proposition 6. Pour x > 0, on a : Φ(−x) = 1 − Φ(x).

Démonstration. Cela se constate à l’aide des deux figures suivantes :

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
−5
−x
0 5

Fig. 2.9 – Φ(−x).

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
−5 0
x 5

Fig. 2.10 – 1 − Φ(x)

C’est à l’aide des propriétés 4, 5, 6 que nous pouvons faire tous les calculs de
probabilité que nous souhaitons en ne considérant que la loi N0,1 sur t > 0.
122 Variables aléatoires

2.5.3 Le théorème central-limite

Le “théorème central-limite” explique l’importance de la loi normale.
Théorème 1. Soient X1 , . . . , Xn des variables aléatoires indépendantes de même
loi, de moyenne µ et d’écart type σ.
1 Xn − µ
Posons Xn = (X1 + . . . + Xn ) et Zn = √ .
n σ/ n
Alors
lim P (Zn < x) = Φ(x).
n−→+∞

Dans cet énoncé, les Xi sont des variables aléatoires “quelconques”, c’est à dire
elles ne suivent pas nécessairement une loi normale. Par exemple, les Xi peuvent
représenter le résultat d’un lancer d’une pièce de monnaie.

Ce résultat doit se comprendre ainsi :

On répète n fois une même expérience. Le résultat de chaque expérience n’influe
pas sur la suivante car on a supposé les variables aléatoires indépendantes. Par
exemple : si nous tirons des boules dans une urne après chaque tirage il faut replacer
la boule dans l’urne.
Le résultat de la ième expérience se note Xi (c’est une variable aléatoire).
Xn est la variables aléatoire qui après n expériences
√ associe la moyenne obtenue.
Xn a pour moyenne µ et pour écart-type σ/ n.
Zn est donc la variable aléatoire centrée réduite correspondant à Xn .

Ce que nous dit le théorème est la chose suivante :

Lorsque n est suffisamment grand (en pratique n ≥ 30) alors
P (Zn < x) ≈ Φ(x).

Donc cela signifie que nous pouvons estimer la probabilité de Zn (donc aussi celle
de Xn ) à l’aide d’une table de loi normale centrée réduite.
Grosso modo, lorsque n est suffisamment grand on peut approché Xn par une loi
σ
normale N (µ, √ ). Nous pouvons déduire de ce qui précède le théorème suivant
n
donnant une méthode pour approcher une loi binomiale par une loi normale.
Théorème 2. Soit X une variable aléatoire suivant une loi binomiale de paramètre
n et p.
Si n ≥ 30, p n’est pas trop proche de 0 ou de 1, et npq > 3 alors la loi normale
√
N (np, npq) constitue une bonne approximation de la loi binomiale.

Illustration :
On lance 100 fois un dé parfait.
La variable aléatoire Xi est définie ainsi :
(
Xi = 1 si on obtient 5 au i-ème lancer,
Xi = 0 sinon.
Les Xi sont ce que l’on appelle des variables aléatoires de Bernouilli.
X1 + · · · + Xn compte le nombre de fois où l’on obtient 5, c’est une loi binomiale.
 PSfrag
2.5 La loi normale 123

0.1

0.08

0.06

0.04

0.02

0 20 40 60 80 100

Fig. 2.11 – Loi de X1 + · · · + Xn

En se ramenant à Zn pour avoir une variable aléatoire centrée réduite nous

avons :

0.1

0.08

0.06

0.04

0.02

–5 0 5 10 15 20

Fig. 2.12 – Loi de Zn

Nous constatons que ces graphiques sont très proches d’une courbe en cloche.
Voila pourquoi nous pouvons approcher une loi binomiale par une loi normale. L’in-
teret est de remplacer un calcul pénible par une simple lecture dans un tableau !

2.5.4 Champ d’intervention de la loi normale

Une loi normale intervient dans la modélisation de phénomènes aléatoires
possédant de nombreuses causes indépendantes dont les effets s’ajoutent, sans que
l’un d’eux soit dominant.
On peut même utiliser une loi normale pour une variable aléatoire mesurant une
quantité ne variant pas aléatoirement dans R mais dans une partie de R seulement,
124 Variables aléatoires

par exemple [0; +∞[ ou ]0; 30].

Ainsi lorsque X représente la longueur d’un objet fabriqué par une machine, il est a
priori étonnant d’envisager le calcul d’évènements tels que X ≤ −4. Cependant nous
pouvons quand même supposer que X suit une loi normale de moyenne µ = 20cm
et σ = 2cm. En effet, avec la loi normale, on obtient :
 X − 20 
P (X ≤ −4) = P ≤ −12
2
= Φ(−12)
= 1 − Φ(12)
≈ 0.

Sujets de méditation :

– Pouvez vous montrer que fµ, σ permet de définir une variable aléatoire à den-
sité ?
– Pouvez vous montrer que Xµ, σ a pour moyenne µ et pour écart type σ ?
– Pouvez vous démontrer le théorème central-limite (au moins dans le cas simple
où les Xi représente le résultat d’un tirage de pile ou face, Xi prendra la valeur
0 pour pile et 1 pour face) ?
– Pouvez vous estimer l’erreur dans l’approximation P (Zn < x) ≈ Φ(x) ?
2.6 Exercices du TD 125

2.6 Exercices du TD
Exercice( 1. Déterminer la constante A pour que la fonction f définie sur R par :
0 si t < 0
f (t) =
Ae−2t si t ≥ 0
représente une densité de probabilité.

Exercice
 2. Soit X une variable aléatoire continue ayant la densité :
 1 t + k, si 0 ≤ t ≤ 3
f (t) = 6
0 ailleurs

1. Calculer k.
2. Calculer P (1 ≤ X ≤ 2).

Exercice 3. Soit X une variable aléatoire continue dont la densité f est constante
sur un (intervalle I = [a, b] et vaut 0 ailleurs.
k, si a ≤ t ≤ b
f (t) = (On dit qu’une telle variable aléatoire est uniformément
0 ailleurs
distribuée sur I·)
1. Calculer k.
2. Calculer la moyenne de cette variable aléatoire.

Exercice 4. La production mensuelle d’une mine est toujours comprise entre 0 et

30 tonnes.
Elle suit une variable aléatoire X de densité f (x) = α(−x2 + 30x) pour x entre 0
et 30, et 0 ailleurs. Le paramètre α est à déterminer pour que f ait les propriétés
d’une densité de probabilité.
1. Calculer α.
2. Calculer P (X ≤ 10).
3. Calculer X.
4. Calculer V ar(X).

Exercice 5. La probabilité pour qu’un tireur atteigne une cible est 41 .

1. En supposant qu’il tire 7 fois, quelle est la probabilité P pour qu’il atteigne la
cible au moins deux fois ?
2. Combien de fois doit-il tirer pour que la probabilité qu’il atteigne la cible au
moins une fois soit plus grande que 32 .

Exercice 6. La probabilité pour qu’un article produit par une usine soit défectueux
est 0, 02. Un chargement de 10 000 articles est entreposé. Calculer le nombre moyen
µ des articles défectueux et l’écart-type σ.

Exercice 7. Soit X une variable aléatoire suivant la loi normale centrée réduite.
Calculer
1. P (0 ≤ X ≤ 1, 42)
126 Variables aléatoires

2. P (−0, 73 ≤ X ≤ 0)
3. P (−1, 37 ≤ X ≤ 2, 01)
4. P (0, 65 ≤ X ≤ 1, 26)
5. P (−1, 79 ≤ X ≤ −0, 54)
6. P (X ≥ 1, 13)
7. P (|X| ≤ 0, 5).

Exercice 8. On suppose que le poids P de 800 étudiants suit une loi normale de
moyenne 66 kg et d’écart-type 5 kg. Calculer le pourcentage d’étudiants ayant un
poids
1. compris entre 65 et 70 kg,
2. supérieur ou égal à 72 kg.

Exercice 9. On suppose que les diamètres des vis manufacturées par une compagnie
sont distribuées normalement avec une moyenne de 0,25 cm et un écart-type de 0,02
cm. On considère qu’une vis est défectueuse si son diamètre est inférieur à 0,20 cm
ou supérieur à 0,28 cm. Calculer le pourcentage de vis défectueuse fabriquées par la
compagnie.

Exercice 10. Une urne contient 10 boules : une blanche et neuf noires. On tire au
hasard (avec remise) une boule dans cette urne. On marque un point lorsque l’on
obtient la boule blanche et zero point sinon.
Lorsque l’on effectue 10 000 tirages consécutifs quelle est la probabilité d’obtenir au
plus 950 points ?

Exercice 11. On jette un dé parfait 720 fois. Calculer la probabilité pour que l’on
ait un 6
1. entre 100 et 125 fois (bornes incluses),
2. plus de 150 fois.
2.7 Correction des exercices 127

2.7 Correction des exercices

Correction de l’exercice 1. Nous devons avoir f (t) ≥ 0 et

R
R
f (t)dt = 1.
Z Z 0 Z +∞
1= f (t)dt = f (t)dt + f (t)dt
R −∞ 0
Z +∞
= 0+ Ae−2t dt car f (t) = 0 si t < 0.
0
h A i+∞
= − e−2t
2 0
 A −2t   A 
= lim − e − − ×1
t−→+∞ 2 2
A
=
2
On doit donc avoir A = 2.
Conclusion : f (t) = 0 pour t < 0, f (t) = 2e−2t pour t ≥ 0.
Remarque : On a bien f (t) ≥ 0.

Correction de l’exercice 2.
R
1. Nous devons avoir 1 = R
f (t)dt. Or f (t) = 0 sur ] − ∞; 0[ ∪ ]3; +∞[.
Cela donne :
Z 3
1 = f (t)dt
0
3
1
Z
= t + kdt
0 6
3
= + 3k
4
D’où k = 1/12.
2.
Z 2
P (1 ≤ X ≤ 2) = f (t)dt
1
2
1 1
Z
= t + dt
1 6 12
h1 1 i2
= t2 + t
12 12 1
1
=
3

Correction de l’exercice 3.
Rb
1. 1 = a kdt = [kt]ba = k(b − a).
D’où k = 1/(b − a).
128 Variables aléatoires

2.
Z +∞ Z b
X = tf (t)dt = tf (t)dt car f (t) = 0 sur R \ [a, b].
−∞ a
Z b h t2 ib
t
= dt =
a b−a 2(b − a) a
b+a
=
2

Correction de l’exercice 4.
1. f (x) = 0 pour x ∈ R \ [0; 30], donc :
Z Z 30
1 = f (x)dx = α(−x2 + 30x)dx
R 0
h −αx3 30αx2 i30
= +
3 2 0
= 4500α

Ainsi α = 1/4500.
2.
Z 10 Z 10
P (X ≤ 10) = f (x)dx = α(−x2 + 30x)dx
−∞ 0
h −αx3 30αx2 i10
= +
3 2 0
7
=
27
3.
Z Z 30
X = xf (x)dx = xα(−x2 + 30x)dx
R 0
h −αx4 30αx3 i30
= +
4 3 0
= 15

4.
Z Z 30
2
V ar(X) = (x − X) f (x)dx = (x − 15)2 α(−x2 + 30x)dx
R 0
Z 30
= α −x4 + 60x3 − 1125x2 + 6750xdx
0
= 45

Correction de l’exercice 5. X prend deux valeurs : Succés avec une pro-

babilité 1/4, Echec avec une probabilité 3/4.
X suit une loi binomiale.
2.7 Correction des exercices 129

1. On cherche P (X ≥ 2) = P (X = 2) + P (X = 3) + · · · + P (X = 7).
L’évènement contraire est : P (X < 2) = P (X = 0) + P (X = 1).
On aP (X ≥ 2) = 1 − P (X < 2). Calculons P (X = 0) et P (X = 1).
3
7 2187
P (X = 0) = =
4 16384

1  3 6 5103
P (X = 1) = 71 × × =
4 4 16384
2187 + 5103 4547
On en déduit : P (X ≥ 2) = 1 − = .
16384 8192
2. Supposons que l’on répète n fois l’expérience.  3 n
La probabilité de ne jamais atteindre la cible est de : P (X = 0) = .
4
Ainsi la probabilité que la cible soit atteinte au moins une fois est :
3
n
P (X ≥ 1) = 1 − .
4
3
n 2 3
n 1
On cherche n tel que : 1 − > =⇒ < . D’où :
4 3 4 3
n ln(3/4) < ln(1/3)
ln(1/3)
n > car ln(3/4) < 0
ln(3/4)
n > 3, 81
Donc le tireur doit tirer au moins quatre fois.

Correction de l’exercice 6. Probabilité d’obtenir un article défectueux :

p = 0, 02.
Probabilité d’obtenir un article en bon état : q = 0, 98.
Nombre de tirages : n = 10000.
X dénombre le nombre d’articles défecteux.
µ = X = n × p = 200
√
σ = V ar(X) = npq = 14.

Correction de l’exercice 7.
1. P (0 ≤ X ≤ 1, 42) = P (X ≤ 1, 42) − P (X ≤ 0) = 0, 9222 − 0, 5 = 0, 4222.
2. P (−0, 73 ≤ X ≤ 0) = P (X ≤ 0) −
P (X ≤ −0, 73)
= P (X ≤ 0) − 1 − P (X ≤ 0, 73) = 0, 2673.
3. P (−1, 37 ≤ X ≤ 2, 01) = 0, 8925.
4. P (0, 65 ≤ X ≤ 1, 26) = 0, 154.
5. P (−1, 79 ≤ X ≤ −0, 54) = 0, 2579.
6. P (X ≥ 1, 13) = 1 − P (X < 1, 13) = 0, 1292.
7. P (|X| ≤ 0, 5) = P (−0, 5 ≤ X ≤ 0, 5) = 0, 383.

Correction de l’exercice 8. Notons X la variable aléatoire correspondant

au poids des étudiants. X suit une loi normale de moyenne 66 et d’écart-type 5.
X − 66
Donc la variable aléatoire Z = suit une loi normale centrée réduite.
5
130 Variables aléatoires

1. Nous cherchons la probabilité de l’évènement 65 ≤ X ≤ 70.

−1 X − 66 4
Or 65 ≤ X ≤ 70 ⇐⇒ ≤ ≤ .
5  5 5
−1 X − 66 4  −1 4
Donc P (65 ≤ X ≤ 70) = P ≤ ≤ =P ≤Z≤ .
5 5 5 5 5
A l’aidede la table dela loi normale centrée réduite nous obtenons :
−1 4
On a P ≤Z≤ = 0, 7881 − (1 − 0, 5793) = 0, 3674.
5 5
Ainsi la pourcentage recherché est d’environ 36, 7%.
2. Comme précédemment nous avons :
 X − 66 6
P (X ≥ 72) = P ≥ = P (Z ≥ 1, 2) = 1 − 0, 8849 = 0, 1151.
5 5
Le pourcentage est donc d’environ 11, 5%.

Correction de l’exercice 9. Notons X la variable aléatoire correspondant

au diamètre des vis. X suit une loi normale de moyenne 0,25 et d’écart-type 0,02.
X − 0, 25
Donc la variable aléatoire Z = suit une loi normale centrée réduite.
0, 02
Dire qu’une vis est défectueuse signifie que l’on a : X ≤ 0, 2 ou X ≥ 0, 28. Nous
cherchons donc la probabilité suivante : P (X ≤ 0, 2 ou X ≥ 0, 28). Comme les deux
évènements X ≤ 0, 2 et X ≥ 0, 28 sont incompatibles nous avons :

P (X ≤ 0, 2 ou X ≥ 0, 28) = P (X ≤ 0, 2) + P (X ≥ 0, 28).
X − 0, 25
Nous avons X ≤ 0, 2 ⇐⇒ ≤ −2, 5 ⇐⇒ Z ≤ −2, 5. Donc à l’aide de la
0, 02
table de la loi normale nous obtenons P (X ≤ 0, 2) = 1 − 0, 9938 = 0, 0062.
De même nous obtenons P (X ≥ 0, 28) = 1 − 0, 9332 = 0, 0668.
Conclusion : La probabilité d’obtenir une vis défectueuse est de 0, 0062 + 0, 0668 =
0, 073 = 7, 3%.

Correction de l’exercice 10. Première méthode : Utilisations de l’approxi-

mation d’une loi binomiale par une loi normale
Soit X la variable aléatoire qui compte le nombre de points. Nous sommes face à
une loi binomiale de paramètre n = 10000, P = 1/10 et q = 9/10.
Nous devons calculer P (X = 0) + · · · + P (X = 950). Le calcul direct de cette proba-
bilité est trop long. Nous allons donc préférer faire un calcul plus rapide qui donnera
une approximation du résultat. √
Nous pouvons approcher cette √ loi binomiale par une loi normale Z = N (1000, 900),
√
car np = 1000 et npq = 900.
−1000 X − 1000 950 − 1000
Comme 0 ≤ X ≤ 950 ⇐⇒ √ ≤ √ ≤ √ nous avons :
900 900 900
−1000 X − 1000 950 − 1000
P (0 ≤ X ≤ 950) = P ( √ ≤ √ ≤ √ ).
900 900 900
En utilisant l’approximation annoncée on obtient :
−1000 Z − 1000 950 − 1000
P (0 ≤ X ≤ 950) ≈ P ( √ ≤ √ ≤ √ )
900 900 900
Z − 1000
≈ P (−33, 333 · · · ≤ √ ≤ −1, 666 . . . ).
900
2.7 Correction des exercices 131

Z − 1000
Or √ est une loi normale centrée réduite, nous pouvons donc calculer la
900
probabilité en utilisant la table de la loi normale.
On obtient : P (0 ≤ X ≤ 950) = 1 − 0, 9525 = 0, 0475.

Deuxième méthode : Utilisation directe du théorème central-limite

Nous modélisons la situation de la manière suivante.
Xi est la variable aléatoire associée au i-ème tirage :
Xi = 1 si on obtient la boule blanche au i-ème tirage.
Xi = 0 sinon.
Les tirages sont indépendants (car avec remise) et toutes les variables aléatoires Xi
suivent la même loi.

Ainsi X1 + X2 + · · · + X10000 compte le nombre de points marquer après 10 000

tirages.

Nous allons appliquer le théorme central-limite pour estimer la probabilité

cherchée.

Nous avons :
P (Xi = 1) = 0, 1 et P (Xi = 0) = 0, 9.
µ = Xi = 1 ×p 0, 1 + 0 × 0, 9 = 0, 1. √
σ = σ(Xi ) = (1 − 0, 1)2 × 0, 1 + (0 − 0, 1)2 × 0, 9 = 0, 009.
X1 + · · · + X10000
On pose : χ10000 = .
10000
χ10000 − 0, 1 χ10000 − 0, 1
Z10000 = √ √ = .
0, 09/ 10000 0, 003
Le théorème central-limite donne : P (a ≤ Z10000 ≤ b) ≈ P (a ≤ X0,1 ≤ b), où
X0,1 suit la loi normale centrée réduite.

On cherche à calculer P (0 ≤ X1 + · · · + X10000 ≤ 950). Or nous avons :

P (0 ≤ X1 + · · · + X10000 ≤ 950 = P (0 ≤ χ10000 ≤ 0, 095)
= P (−0, 1 ≤ χ10000 − 0, 1 ≤ −0, 005)
= P (−33, 333 ≤ Z10000 ≤ −1, 67)
≈ P (−33, 333 ≤ X0,1 ≤ −1, 67) théorème central-limite
≈ 1 − 0, 9525
≈ 0, 0475

Correction de l’exercice 11.

1. La variable aléatoire comptant le nombre de 6 est une loi binomiale de pa-
ramètre : n = 720, p = 1/6, q = 5/6. Notons X cette variable aléatoire. Nous
voulons calculer P (100 ≤ X ≤ 125). Ce calcul étant relativement long à effec-
tuer nous préférons donner une approximation de ce résultat.
132 Variables aléatoires

√
On a : np = 120 et npq = 10. Soit Z une variable aléatoire suivant la loi
normale N (120, 10).
Nous avons :
P (100 ≤ X ≤ 125) ≈ P (100 ≤ Z ≤ 125).
Or nous avons :
Z − 120
(a) 100 ≤ Z ≤ 125 ⇐⇒ −2 ≤ ≤ 0, 5,
10
Z − 120
(b) suit une loi normale centrée réduite.
10
Nous pouvons donc utiliser la table de la loi normale afin d’obtenir la proba-
bilité demandée :
 Z − 120 
P (100 ≤ X ≤ 125) ≈ P − 2 ≤ ≤ 0, 5
10
≈ 0, 6915 − (1 − 0, 9772) ≈ 0, 6687

2. En procédant commeci-dessus nous obtenons :

 Z − 120 
P (X ≥ 150) ≈ P ≥3
10
≈ 1 − 0, 9987 ≈ 0, 0013
Chapitre 3

Estimation

3.1 Nature du problème

Considérons la situation suivante :
Dans l’atelier de réparation de téléviseurs d’un centre commercial on veut étudier
la durée des interventions sur les appareils d’une marque A : on tire au hasard et
avec remise 50 fiches correspondant à 50 réparations de tels appareils. On obtient
les résultats suivants :

Durée des interventions [0 ;20[ [20 ;40[ [40 ;60[ [60 ;80[ [80 ;100[ [100 ;120[
X 10 30 50 70 90 110
Nombre d’interventions 1 6 11 15 10 7

A combien peut-on estimer la moyenne et l’écart type des durées d’intervention

pour tous les téléviseurs de la marque A ?
Quelle est la proportion de téléviseur ayant nécessité moins de 20 minutes de
réparations ?

Dans cette situation, nous cherchons des informations sur une population
d’effectif relativement important à partir de l’étude d’un échantillon.
(Ici nous étudions 50 téléviseurs à la place de tous les téléviseurs réparés.)
Ce type de situation se rencontre fréquemment. Dans bien des cas il n’est pas
possible d’étudier la population entière : cela reviendrait trop cher, cela prendrait
trop de temps, ou cela serait aberrant. Par exemple, dans le cas d’un contrôle de
qualité entrainant la destruction des pièces (crash test d’une voiture, ou autre)
il serait délirant d’étudier la population entière (détruire toutes les voitures
construites . . . ).

133
134 Estimation

Nous allons apporter à ce problème deux types de réponses. Nous proposerons

tout d’abord un nombre comme moyenne, comme écart-type ou comme proportion :
c’est l’estimation ponctuelle. Cette estimation est séduisante par sa simplicité
mais ne donne pas toujours un résultat utilisable de façon satisfaisante.
C’est pourquoi, dans une seconde partie, nous serons amené à introduire la notion
d’intervalle de confiance associé à un coefficient de confiance.

3.2 Estimation ponctuelle

3.2.1 Estimation ponctuelle d’une moyenne
Pour l’échantillon étudié dans la situation ci-dessus, la moyenne des durées (en
minutes) des 50 réparations est µ′ = 69, 2.
En l’absence d’informations supplémentaires, on décide de prendre cette valeur
comme estimation de la moyenne inconnue µ.

Définition 1. On choisit la moyenne µ′ d’un échantillon prélevé au hasard dans

une population comme estimation ponctuelle de la moyenne inconnue µ.
Ainsi lorsque nous avons un échantillon de taille n, et que les valeurs observées
sont notées xi , l’estimation ponctuelle de la moyenne est :
n
′ 1X
µ = xi .
n i=1

3.2.2 Estimation d’une proportion

En suivant l’idée précédente on obtient :
Définition 2. On choisit la proportion (ou fréquence) p′ des éléments possédant une
certaine propriété dans un échantillon comme estimation ponctuelle de la proportion
inconnue p.
Ainsi dans la situation ci-dessus (proportion de téléviseur ayant nécessité moins
1
de 20 minutes de réparation) nous avons p′ = = 2%.
50

3.2.3 Estimation ponctuelle d’un écart-type

Par analogie avec les paragraphes précédents, nous sommes tentés de choisir
l’écart-type σ ′ d’un échantillon prélevé au hasard comme estimation ponctuelle de
l’écart-type inconnu σ. En fait, en procédant ainsi, nous risquons de sous-estimer
l’écart type de la population, et cela d’autant plus nettement que l’effectif de la
population de l’échantillon est petit.
C’est pourquoi, nous sommes amenés r à corriger cette première estimation peu sa-
n
tisfaisante en utilisant le nombre : × σ′.
n−1
3.3 Estimation par intervalle de confiance 135

n
r
′
Définition 3. On choisit le nombre s = × σ ′ , où n est l’effectif et σ ′
n−1
l’écart-type d’un échantillon prélevé au hasard dans une population, comme esti-
mation ponctuelle de l’écart-type inconnu σ.
Ainsi lorsque nous avons un échantillon de taille n, et que les valeurs observées
sont notées xi , l’estimation ponctuelle de l’écart-type est :
v v
u n u n
′
u n 1 X
2
u 1 X
s = t × ni (xi − µ ) =
′ t ni (xi − µ′ )2 .
n − 1 n i=1 n − 1 i=1

Par
r exemple, dans la situation décrite auparavant nous avons :
′ 1 
2 2 2

s = × (10 − 69, 2) + 6(30 − 69, 2) + · · · + 7(110 − 69, 2) ≈ 25, 86
49

3.3 Estimation par intervalle de confiance

Dans la situation étudiée jusqu’à présent, en choisissant un nouvel échantillon
de 50 interventions, on obtiendrait une nouvelle moyenne pour les durées de ces 50
interventions.
Ainsi, une estimation ponctuelle dépend directement de l’échantillon prélevé au ha-
sard. Cela nous conduit à nous interroger avant d’utiliser une estimation ponctuelle.
De ce fait, sans rejeter les informations fournies par l’étude d’un échantillon, nous
sommes amenés à chercher un nouveau type d’estimation.
Par exemple, dans la situation décrite plus haut, plutôt que d’estimer à 69,2 la
moyenne inconnue, nous allons utiliser une méthode permettant d’obtenir un inter-
valle qui contient la moyenne inconnue µ dans 95% des cas.
C’est à dire la méthode présentée associera à chaque échantillon un intervalle, et
dans 95% des cas cet intervalle contiendra la valeur µ.
Attention ! Souvent nous commettons un abus de language en disant qu’il y a
95% de chances que µ se trouve dans un intervalle donné. Cela n’est pas rigoureux.
En effet, µ appartient ou n’appartient pas à un intervalle. Il n’y a pas de probabilité
à faire. µ n’est pas un nombre que l’on prend au hasard, µ dépend de la population
complète et du caractère etudié qui eux ne varient pas.

3.3.1 Estimation par intervalle de confiance d’une moyenne,

σ connu
Etude d’un exemple
Soit X la variable aléatoire correspondant à la durée d’intervention sur un appa-
reil de la marque A (la population étant toutes les fiches des appareils de la marque
136 Estimation

A qui ont été réparés dans l’atelier).

On note Xi la durée obtenue lorsque que nous avons tiré la ième fiche. Comme les ti-
rages sont avec remise on peut dire que les variables aléatoires Xi sont indépendantes.
De plus les variables aléatoires Xi sont de même loi.
On note µ la moyenne de ces variables aléatoires et σ l’écart-type.
On suppose connu l’écart-type : σ = 25, 86.
X1 + · · · + Xn
On note Xn = . Cette variable aléatoire correspond à la moyenne
n
ponctuelle obtenue sur un échantillon de taille n. En effet, si on note xi les valeurs
x1 + · · · + xn
obtenus par les Xi , Xn prend alors la valeur : . Cette valeur est bien
′
n
l’estimation ponctuelle µ de µ.
Le théorème central-limite nous dit que Xn peut être approché par une loi normale
√ Xn − µ
N (µ, σ/ n). Plus précisément, la variable aléatoire Zn = √ suit la loi normale
σ/ n
N (0, 1).
Nous pouvons donc écrire :

Pour tout x ≥ 0, P (−x ≤ Zn ≤ x) ≈ Φ(x) − (1 − Φ(x)) ≈ 2Φ(x) − 1.

Par exemple, une probabilité égale à 95% correspond à 2Φ(x)−1 = 0, 95, nous avons
dans ce cas x = 1, 96.
Donc

Xn − µ
P (−1, 96 ≤ √ ≤ 1, 96) = 0, 95
σ/ n
σ σ
P (−Xn − 1, 96 √ ≤ −µ ≤ −Xn + 1, 96 √ ) = 0, 95
n n
σ σ
P (Xn − 1, 96 √ ≤ µ ≤ Xn + 1, 96 √ ) = 0, 95
n n

Ainsi, avant de prélever un échantillon de taille n dans la population il y a 95 chances

σ
sur 100 pour que d’une part la variable aléatoire Xn − 1, 96 √ prenne une valeur
n
σ
inférieure à µ et, d’autre part, la variable aléatoire Xn + 1, 96 √ prenne une valeur
n
supérieur à µ.
Une fois que nous avons prélever un échantillon de taille n, nous avons à notre
disposition les valeurs xi de Xi . Nous pouvons donc donner la valeur corrrespondante
x1 + · · · + xn
à Xn = = µ′ . Dans la situation étudiée tout au long de ce chapitre
n
nous avons :
σ σ
[µ′ − 1, 96 √ ; µ′ + 1, 96 √ ] = [62, 03 ; 76, 37].
n n

Cet intervalle est appelé intervalle de confiance de la moyenne de la

3.3 Estimation par intervalle de confiance 137

population avec le coefficient de confiance 95% (ou avec le risque 5%).

Remarques :
– Cet intervalle de confiance de la moyenne µ de la population a pour centre la
moyenne µ′ de l’échantillon qui sert à le définir.
– Avec d’autres échantillons de même effectif, on obtiendrait de nouveaux inter-
valles de confiance de cette moyenne µ avec le même coefficient de confiance.
Si on fabriquait ainsi un très grand nombre d’intervalle alors 95% d’entre eux
contiendrait le moyenne µ.
– Nous ne pouvons pas savoir si la moyenne µ appartient ou non à l’intervalle de
confiance fabriqué. De plus, si µ appartient à l’intervalle µ a autant de chance
de se trouver au centre de l’intervalle que sur les côtés.

Cas général
Ici, nous allons résumer à l’aide d’une “recette” le calcul effectué précédemment.
Ici, les valeurs prises par la variable aléatoire sur l’échantillon seront notées x1 , . . . xn .
Pour calculer un intervalle de confiance avec un coefficient de confiance c il faut suivre
la démarche suivante :
x1 + · · · + xn
1. Calculer µ′ = .
n

2. Trouver à l’aide d’une table de loi normale centrée réduite la valeur de x telle
que 2Φ(x) − 1 = c.

3. L’intervalle recherché est :

h σ σ i
µ′ − x √ ; µ′ + x √ .
n n

3.3.2 Estimation par intervalle de confiance d’une moyenne,

σ inconnu
Lorsque n est suffisamment grand (n ≥ 30) et que σ est inconnu, nous pou-
vons utiliser la “recette” suivante pour le calcul d’un intervalle de confiance avec
coefficient de confiance c :
x1 + · · · + xn
1. Calculer µ′ = .
n
r
′ (x1 − µ′ )2 + · · · + (xn − µ′ )2
2. Calculer s = .
n−1

3. Trouver à l’aide d’une table de loi normale centrée réduite la valeur de x telle
que 2Φ(x) − 1 = c.
138 Estimation

4. L’intervalle recherché est :

h s′ s′ i
µ′ − x √ ; µ′ + x √ .
n−1 n−1

3.3.3 Estimation par intervalle de confiance d’une propor-

tion
Nous pouvons utiliser la “recette” suivante pour le calcul d’un intervalle de
confiance d’une proportion p′ avec coefficient de confiance c :
1. Calculer p′ .

2. Trouver à l’aide d’une table de loi normale centrée réduite la valeur de x telle
que 2Φ(x) − 1 = c.

3. L’intervalle recherché est :

r r
′ ′
h p (1 − p ) p′ (1 − p′ ) i
p′ − x ; p′ + x .
n n

Sujet de méditation
Comment peut on estimer une moyenne lorsque σ est inconnu et que n est petit ?
3.4 Exercices du TD 139

3.4 Exercices du TD
Exercice 1. Une usine fabrique de grandes quantités d’un certain type de pièces
mécaniques.
On mesure la longueur de chacune des 50 pièces d’un échantillon choisi au hasard
et avec remise dans une grosse commande.
On constate que les valeurs approchées à 10−3 près de la moyenne et de l’écart type
de cet échantillon sont : 64,715, et 0,095.

1. A partir des informations portant sur cet échantillon, donner une estimation
ponctuelle de la moyenne et de l’écart-type de l’ensemble de la commande.
2. Déterminer un intervalle de confiance de la moyenne de la population avec le
coefficient de confiance 95%.
Exercice 2. Une entreprise utilise des camions pour transporter sa production.
Elle dispose de 100 camions.
Elle repère sur un échantillon de 30 jours choisi au hasard le nombre de camions
en panne. Voici les résultats :
5; 5; 6; 4; 6; 6; 8; 3; 5; 5; 5; 4; 3; 6; 5; 6; 4; 7; 6; 6; 5; 4; 3; 6; 5; 4; 5;
4 ; 5 ; 5.

1. Calculer la moyenne, et l’écart-type du nombre de camions en panne chaque

jour pour l’échantillon étudié.
2. A partir des résultats obtenus pour cet échantillon, proposer une estimation
ponctuelle de la moyenne et de l’écart-type de nombre de camions en panne
chaque jour pour la population correspondant aux jours ouvrables de l’année.
3. Déterminer un intervalle de confiance de la moyenne de la population avec le
coefficient de confiance 95%.
Exercice 3. Un groupe d’étudiants en Statistique réalise une enquête auprès d’une
population d’étudiants en Sociologie en interrogeant un échantillon de 135 individus.
Ils désirent connaı̂tre, la proportion p d’étudiants ayant suivi des études secondaires
scientifiques.
Pour accélérer le traitement, ils partagent le dépouillement en deux : un demi-groupe
constate que, sur 60 étudiants interrogés, 24 ont suivi des études secondaires scien-
tifiques, tandis que l’autre demi-groupe constate que sur 75 étudiants interrogés, 33
ont suivi des études secondaires scientifiques.
1. Calculer trois estimations ponctuelles de p.
2. Donner trois intervalles de confiance pour p au risque α = 5%.
3. Commenter les résultats.
Exercice 4. On pèse 35 boı̂tes sorties d’une machine de variabilité donnée par
σ = 0, 2kg. Le poids moyen obtenu est de 10,53 kg.
1. Donner un intervalle de confiance pour le poids moyen avec un risque de 5%.
2. Obtiendrait-on une estimation beaucoup plus précise si à la place de 35 boites
nous en avions pris 400 ?
140 Estimation

3. Combien de boites faut il peser pour obtenir un intervalle de confiance de

longueur inférieure à 0,001 ?

Exercice 5. Après une étude un statisticien vous donne les résultats suivants :
Pour le caractère étudié l’écart-type σ de la population est de 2,3.
Un intervalle de confiance de la moyenne µ est I = [16, 97343 ; 17, 62657].
1. Calculer l’estimation ponctuelle µ′ de la moyenne µ.
2. Calculer le coefficient de confiance associé à l’intervalle I.

Exercice 6. Sur 50 mesures d’une variable, on trouve comme estimation ponctuelle

de la moyenne 57,6 et comme estimation ponctuelle de l’écart-type 18,50.
Donner un intervalle de confiance pour la moyenne avec un risque de 1%.

Exercice 7. Sur 400 téléspectateurs interrogés, 152 ont regardé le match. Donner
un intervalle de confiance du taux d’audience avec un risque de 5%.
3.5 Correction des exercices 141

3.5 Correction des exercices

Correction de l’exercice 1.
1. L’estimation ponctuelle de µ est donnée par la moyenne calculée sur
l’échantillon : µ′ = 64, 715.
L’estimation ponctuelle r de σ est donnée par la formule :
n 50
r
s′ = × σ′ = × 0, 095 = 0, 096
n−1 49
s′ s′
2. I = [µ′ − x √ ; µ′ + x √ ].
n n
′ ′
Ici µ = 64, 715 et s = 0, 096.
On cherche x tel que 2Φ(x) − 1 = 0, 95, donc Φ(x) = 0, 975.
La table de la loi normale nous donne : x = 1, 96.

L’intervalle recherché est donc :

I = [64, 688 ; 64, 741].

Correction de l’exercice 2.
X 3 4 5 6 7 8
Effectif 3 6 11 8 1 1
3 × 3 + 6 × 4 + ··· + 1 × 8
1. µ′ = = 5, 0333 . . .
r 30
3 × 32 + 6 × 42 + · · · + 1 × 82
σ′ = − µ′2 = 1, 14.
30
2. Une estimation ponctuelle de la moyenne µ correspondant aux jours ouvrables
est µ′ = 5, 0333 . . . r
30
Une estimation ponctuelle de l’écart-type est s′ = × σ ′ = 1, 159.
29
s′ s′
3. L’intervalle recherché est du type : I = [µ′ − x √ ; µ′ + √ ]. Comme
n−1 n−1
précédemment nous avons x = 1, 96.
Cela donne : I = [4, 61 ; 5, 45].

Correction de l’exercice 3.
On note A le groupe de 60 étudiants interrogés.
On note B le groupe de 75 étudiants interrogés.
On note C l’ensemble des 135 étudiants interrogés.

1. On note pA (respectivement pB , pC ) l’estimation ponctuelle de p obtenue à

partir de A (respectivement B, C).

24 33 24 + 33
On a : pA = = 40%, pB = = 44%, pC = ≈ 42, 22%.
60 75 135
142 Estimation

2. On a x = 1, 96, car on souhaite avoir 2Φ(x) − 1 = 0, 95.

r r
h pA (1 − pA ) pA (1 − pA ) i
IA = p A − x × ; pA + x ×
n n
D’où : IA = [0, 276 ; 0, 524].
De même, nous obtenons : IB = [0, 327 ; 0, 552], IC = [0, 338 ; 0, 505].
3. Pour chaque groupe on a un intervalle de confiance différent. Plus l’échantillon
est grand plus l’intervalle est petit, c’est à dire plus l’échantillon est grans plus
l’estimation est précise.

Correction de l’exercice 4.
0, 2 0, 2
1. I = [10, 53 − 1, 96 × √ ; 10, 53 − 1, 96 × √ ], car ici µ′ = 10, 53, x = 1, 96,
35 35
σ = 0, 2, n = 35.
D’où I = [10, 463 ; 10, 596].
0, 2 0, 2
2. I2 = [10, 53 − 1, 96 × √ ; 10, 53 + 1, 96 × √ ] = [10, 51 ; 10, 54].
400 400
Dans ce cas l’estimation nous donne un intervalle plus petit, donc l’estimation
est plus précise.
0, 2 0, 2
3. I3 = [10, 53 − 1, 96 × √ ; 10, 53 − 1, 96 × √ ]
n n
0, 2
La longueur de cet intervalle est : 2 × 1, 96 × √ . On souhaite obtenir :
n
0, 2
2 × 1, 96 × √ < 0, 001.
n
2 × 1, 96 × 0, 2 √
Cela donne : < n.
√ 0, 001
D’où : 784 < n, et donc 614656 < n.

Pour obtenir un intervalle de longueur inférieur à 0,001 il faut prendre plus de

614 656 boites.

Correction de l’exercice 5.i

h σ σ
1. I = µ′ − x × √ ; µ′ + x √ .
n n
µ′ est au centre de l’intervalle.
16, 97343 ; 17, 62657
µ′ = = 17, 3.
2
2, 3
2. Nous avons : µ′ + x √ = 17, 62657.
45
17, 62657 − 17, 3 √
Cela donne : x = 45 ≈ 0, 952 . . . .
2, 3
D’autre part c = 2Φ(x)−1. A l’aide de la table de la loi normale nous obtenons :
c = 2 × 0, 8289 − 1 = 65, 78%.
Le coefficient de confiance est d’environ 65%.
3.5 Correction des exercices 143

Correction de
′
l’exercice
′ i
6.
h s s
I = µ′ − x × √ ; µ′ − x × √ .
n n
Nous avons 2Φ(x) − 1 = 0, 99, donc Φ(x) = 0, 995.
A l’aide de la table de la loi normale, ous en déduisons que x est compris entre 2, 57
et 2, 58. Nous prenons pour valeur 2, 58, ainsi l’intervalle obteni sera plus grand et
nous somme donc sûr de ne pas nous troper. . .
Avec les valeurs de l’énoncé on obtient : I = [50, 85 ; 64, 35].

Correction de l’exercice 7. Ici n = 400, p′ = 152/400 = 38% et X = 1, 96

car le risque est
r de 5%. r
′ ′
h p (1 − p ) p′ (1 − p′ ) i
I = p′ − x × ; p′ + x × .
n n
L’intervalle de confiance correspondant au taux d’audiance est : I = [0, 332 ; 0, 427].
144 Estimation
Quatrième partie

Annexes

145
147
148 Table pour la loi normale centrée réduite

Annexe A

Table pour la loi normale centrée

réduite

Intégrale Φ(t) de la Loi Normale Centrée Réduite N (0; 1).

t 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
149
150 Table pour la loi normale centrée réduite
Annexe B

Annales corrigées

151
152 Annales corrigées

IUT Génie Civil DUT – 2006/2007

Mathématiques

Partiel du 17 Mars 2007

Durée 1 heure

Ce que l’on conçoit bien s’énonce clairement, Et les mots pour le dire arrivent aisément.
Nicolas BOILEAU (1636-1711) (Recueil : L’art poétique ; Chant I))

C’est à dire : La qualité, la clarté et la présentation de vos résultats sont prises en

considération pour l’évaluation de votre travail.

Exercice 1. (Durée : 5 minutes, 3 points)

Soient λ un nombre réel, et X une série statistique prenant les valeurs x1 , . . ., xn .
σ(λ X) est égal à :

a) |λ|σ(X) b) λ σ(X) c) λ2 σ(X) d) σ(X) + λ.

Justifier votre réponse. (Une réponse non justifiée ne rapporte aucun point.)

Exercice 2. (Durée : 35 minutes, 12 points)

Dans cet exercice tous les résultats seront donnés à 10−3 près. On a étudié la durée
de vie d’un certain nombre d’équipements bureautiques identiques. Dans le tableau
suivant, ti , représente la durée de vie exprimée en heures et R(ti ) le pourcentage
d’équipements encore en service à la date ti . (Par exemple, pour ti = 100, il reste
80% d’équipements en
service.)
On pose yi = ln R(ti ) .

ti 100 200 300 400 500 600 750 1 000 1 500

R(ti ) 0,8 0,64 0,52 0,4 0,32 0,28 0,2 0,12 0,04
yi -0,223 -0,446 -0,654 -0,916 -1,139 -1,273 -1,609 -2,12 -3,219
Les moyennes de t, R(t) et y sont (respectivement) : 594,444 ; 0,369 ; -1,288.
1. Calculer le coefficient de corrélation linéaire de la série statistique de variables
t et y.
2. Déterminer par la méthode des moindres carrés une équation de la droite de
régression de y en t.
3. En déduire qu’il existe deux nombres a et b, tels que pour tout élément t de
[100 ; 1500] : R(t) ≈ ae−bt .
4. (a) Le tableau précédent a été obtenu en prenant un échantillon de
100 équipements. Donner une estimation ponctuelle de la proportion
d’équipements en service après 1 000 heures.
(b) Donner un intervalle de confiance de cette proportion avec un coefficient
de confiance de 95%.
 153

Exercice 3. (Durée : 20 minutes, 5 points)

1. Z représente une variable aléatoire suivant une loi normale centrée réduite.
On cherche a tel que P (a ≤ Z) ≤ 0, 1.
Quelle est la plus petite valeur possible que l’on peut donner à a ?
2. Un restaurateur a été chargé de préparer un repas pour 1 200 personnes, ce
repas devant comporter 2 types de menus A et B. Une longue expérience a
montré que devant une tel choix la probabilité qu’une personne choisisse le
menu A est de un tiers. Le restaurateur prévoit a menus A et b menus B.

On considère l’évènement E suivant : “Le restaurateur n’a pas préparé assez

de menus A”. (Cela signifie que le nombre a de menus A préparés est inférieur
au nombre de menus A choisis par les clients.)
Quelle valeur minimum faut il donner à a pour que la probabilité de E soit
inférieure à 0,1 ?
(Indication : Utiliser le théorème central-limite.)

Intégrale Φ(t) de la Loi Normale Centrée Réduite N (0; 1).

x
1
Z
t2
Φ(x) = √ e− 2 dt
−∞ 2π
x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
154 Annales corrigées

IUT Génie Civil DUT – 2006/2007

Mathématiques

Correction du Partiel du 17 Mars 2007

Exercice 1. λX prend les valeurs λx1 , . . . , λxn .

D’où
(λx1 )2 + · · · + (λxn )2
V ar(λX) = − (λX)2
n
λ2 x21 + · · · + λ2 x2n 2
= − λ2 X
n
 x2 + · · · + x2 2

2 1 n
= λ −X
n
= λ2 V ar(X)
p
Conclusion : σ(λX) = λ2 V ar(X) = |λ|σ(X).

Cov(t, y)
Exercice 2. 1. ρ(t, y) = .
σ(t)σ(y)
100 × (−0, 223) + · · · + 1500 × (−3, 219)
Cov(t, y) = − 594, 444 × (−1, 288) =
9
−363, 539.

1002 + · · · + 15002
V ar(t) = − 594, 4442 = 171358, 553.
p 9
σ(t) = V ar(t) = 413, 955.

(−0, 223)2 + · · · + (−3, 219)2

V ar(y) = − (−1, 288)2 = 0, 772.
p 9
σ(y) = V ar(y) = 0, 879.

−363, 539
ρ(t, y) = = −0, 999.
413, 955 × 0, 879
Cov(t, y)
2. y = At + B, avec A = et B = y − At.
V ar(t)
−363, 539
A= = −0, 002
171358, 553
B = −1, 288 − (−0, 002) × 594, 444 = −0, 099.

La droite de régression de y en t est : y = −0, 002t − 0, 099.

 155

3. D’après ce qui précède nous avons : y ≈ −0, 002t−0, 099. Comme y = ln(R(t))
nous avons :

ln(R(t)) ≈ −0, 002t − 0, 099

R(t) ≈ e−0,002t−0,099
≈ e−0,002t × e−0,099
≈ 0, 905e−0,002t

D’où a = 0, 905 et b = 0, 002.

4. (a) Par définition et par lecture dans le tableau nous avons : p′ = 0, 12 = 12%.
(b) L’intervalle de confiance est donné par :
r r
h
′ p′ (1 − p′ ) ′ p′ (1 − p′ ) i
I = p −x ;p + x
n n
Ici n = 100, et x = 1, 96 car le coefficient de confiance est de 95%.
On obtient : I = [0, 0056; 0, 183].

Exercice 3. 1.

P (a ≤ Z) ≤ 0, 1
⇐⇒ 1 − P (a > Z) ≤ 0, 1
⇐⇒ 1 − Φ(a) ≤ 0, 1
⇐⇒ Φ(a) ≥ 0, 9
⇐⇒ a ≥ 1, 29 (Par lecture dans le tableau)

2. Nous considérons les variables aléatoires suivantes :

Xi = 1 si le i-ème client choisit le menu A.

Xi = 0 sinon.

X1 + · · · + X1200 représente le nombre de repas A choisi.

On cherche a tel que P (a < X1 + · · · + X1200 ) ≤ 0, 1. Nous allons pour cela
utiliser le théorème central-limite.
Les choix des clients sont indépendants. De plus, nous avons :
P (Xp i = 0) = 2/3, P (Xi = 1) = 1/3, donc µ =√ 1/3 × 1 + 0 × 2/3 = 1/3.
σ = (0 − 1/3)2 × 2/3 + (1 − 1/3)2 × 1/3 = 2/3.
On obtient :
 a   a/1200 − 1/3
P (a < X1 + · · · + X1200 ) = P < χ1200 = P √ × 180 <
 1200 6
Z1200 .
Donc d’après le théorème central-limite nous avons :
 a/1200 − 1/3 
P (a < X1 + · · · + X1200 ) ≈ P √ × 180 < Z .
6
156 Annales corrigées

Comme nous voulons P (a < X1 + · · · + X1200 ) < 0, 1, d’après la question 1/

a/1200 − 1/3
on en déduit : √ × 180 ≥ 1, 29.
6
Cela donne a ≥ 421.

Remarque : Dire que la probabilité de choisir le menu A est de 1/3 ne signifie

pas que sur 1200 personnes il y en a 1200 × 1/3 = 400 qui choisissent le menu
A. Affirmer une telle chose revient à dire que lorsque l’on effectue deux tirages
consécutifs à pile ou face on obtient toujours une fois pile et une fois face. . .
 157

IUT Génie Civil DUT – 2006/2007

Mathématiques

Partiel du 5 Mai 2007

Durée 1 heure

Ce que l’on conçoit bien s’énonce clairement, Et les mots pour le dire arrivent aisément.
Nicolas BOILEAU (1636-1711) (Recueil : L’art poétique ; Chant I))

C’est à dire : La qualité, la clarté et la présentation de vos résultats sont prises en

considération pour l’évaluation de votre travail.

Exercice 1. (2 points) Vrai ou Faux.

“ Le diagramme suivant représente les lignes de niveau d’une fonction f (x, y).”
(Vous devez dire si cette affirmation est vraie ou fausse. Si cette affirmation est
vraie vous devez alors donner un exemple d’une fonction f vérifiant le diagramme.
Si cette affirmation est fausse vous devez justifier pourquoi aucune fonction f ne
peut vérifier un tel diagramme.)

z=3
2
y
z=2
1

–2 –1 1
x 2

–1

–2

La ligne de niveau z = 2 est la droite d’équation y = x, la ligne de niveau z = 3

est la droite d’équation y = −x.

Exercice 2. (6 points)
On considère la fonction suivante : f (x, y) = x ln(y 2 − x).
1. Déterminer et représenter le plus grand domaine de définition possible pour f .
158 Annales corrigées

2. Calculer les dérivées suivantes :

∂f ∂f ∂2f ∂ 2f
(x, y), (x, y), (x, y), (x, y)
∂x ∂y ∂x∂y ∂y 2
Exercice 3. (5 points)
On mesure une longueur l en mètres et on obtient l = 50 ± 0, 1 mètres.
Cela signifie que la longueur mesurée est de 50 mètres et que la précision de la
mesure est de 0,1 mètre.
Un coureur parcourt cette distance en t = 5 ± 0, 01 secondes.
(Le temps mesuré est de 5 secondes et la précision de cette mesure est de 0,01
secondes.)

1. Calculer la vitesse moyenne du coureur sur ce parcours.

2. Donner l’estimation ∆v de l’erreur absolue commise à partir de ces mesures.
3. Caculer l’erreur relative commise à partir de ces mesures.

Exercice 4. (7 points)
On considère l’arc paramétré suivant :

γ : R −→ R2
t 7−→ 3 − 2t3 ; 1 + 3t2

1. Donner un vecteur directeur de la tangente de cet arc en t = 0.

Que peut-on dire de la tangente en 0 ? (Tangente horizontale, tangente verti-
cale, oblique. . .)
2. On pose A(t = 0), B(t = 1).
⁀
Calculer la longueur de l’arc AB.
3/2
(Indication : La dérivée de u est . . .)
 159

IUT Génie Civil DUT – 2006/2007

Mathématiques

Correction du Partiel du 5 Mai 2007

Exercice 1. Supposons qu’un fonction f vérifiant le diagramme existe. Dans ce cas

nous devrions avoir f (0; 0) = 2 et f (0; 0) = 3. Cela est impossible.
Cela revient à dire grossièrement qu’un point ne peut pas se trouver à 2 altitudes
différentes.

Exercice 2. 1. Df = {(x; y) ∈ R2 | y 2 − x > 0}

2
y

Df 1 y2 = x

–2 –1 0 1
x 2

–1

–2

∂f −1
2. (x; y) = ln(y 2 − x) + x × 2
∂x y −x
∂f 2y 2xy
(x; y) = x × 2 = 2
∂y y −x y −x
∂2f 2y(y 2 − x) − 2xy(−1) 2y 3
(x; y) = =
∂x∂y (y 2 − x)2 (y 2 − x)2
∂2f 2x(y 2 − x) − 2xy(2y) −2xy 2 − 2x2
(x; y) = =
∂y 2 (y 2 − x)2 (y 2 − x)2

l 50
Exercice 3. 1. v = = = 10 m.s−1
t 5
160 Annales corrigées

l
2. v(l, t) = . D’où
t
1 l
dv = dl − 2 dt.
t t
Ainsi
1 l 1 50
∆v = ∆l + − 2 ∆t = × 0, 1 + 2 × 0, 01 = 0, 02 + 0, 02 = 0, 04.
t t 5 5
L’erreur absolue est donc d’environ 0, 04 m.s−1 .

3. L’erreur relative est :

∆v 0, 04
= = 0, 004
|v| 10
L’erreur relative est donc de 0, 4%.

Exercice 4. 1. x′ (t) = −6t2 , y ′ (t) = 6t.

′
D’où : γ (0) = (0; 0).
Donc pour connaı̂tre un vecteur directeur de la tangente nous devons dériver
une fois de plus.
x′′ (t) = −12t, y ′′ (t) = 6.
D’où : γ ′′ (0) = (0; 6).
Un vecteur directeur de la tangente a pour coordonnées (0; 6). Nous avons donc
une tangente verticale.
2. (Calcul fait en cours le 26 Mars 2007)
On a : x′ (t)2 + ′ 2 4 2 2 2
py (t) = 36t + 36t √= 36t (t + 1) √
Cela donne : x′ (t)2 + y ′ (t)2 = 6t t2 + 1 = 3 × 2t × t2 + 1.
R1 √ h2 i1
⁀
AB=3 2t 1 + t2 dt = 3 (1 + t2 3/2
) = 2(23/2 − 1).
0
3 0
 161

IUT Génie Civil DUT – 2007/2008

Mathématiques

Partiel du 12 Avril 2008

Sujet I

Ce que l’on conçoit bien s’énonce clairement, Et les mots pour le dire arrivent aisément.
Nicolas BOILEAU (1636-1711) (Recueil : L’art poétique ; Chant I))

C’est à dire : La qualité, la clarté et la présentation de vos résultats sont prises en

considération pour l’évaluation de votre travail.

Exercice 1 (2 points). Soit f une fonction de deux variables x et y. Le domaine

de définition de f est R2 .
On note Sf le graphe de la fonction f . Sf est donc une surface de l’espace.
On coupe cette surface Sf par le plan d’équation y = 2. Nous obtenons alors une
courbe C.
Cette courbe est elle la courbe représentative d’une fonction d’une seule variable ?
(Si oui donner cette fonction, si non expliquer pourquoi.)

Exercice 2 (9 points). On considère la fonction suivante : f (x, y) = ln(x2 + 2x +

y 2 − 8).
1. Déterminer et représenter le plus grand domaine de définition possible pour f .
2. Calculer les dérivées suivantes :

∂f ∂f ∂2f ∂ 2f
(x, y), (x, y), (x, y), (x, y).
∂x ∂y ∂x∂y ∂y 2
r
M
Exercice 3 (5 points). On considère la fonction f (M, K) = 2π . (f est donc
K
une fonction de deux variables M et K.)
1. Calculer df .
2. La période d’un dispositif fabriqué à partir d’une
r masse M et d’un ressort
M
ayant une constante de raideur K est : T = 2π .
K
Après avoir effectué des mesures on obtient : M = 5 ± 0, 1kg et K = 10 ±
0, 2N.m−1 .
Calculer l’erreur absolue commise à partir de ces mesures.
3. Calculer l’erreur relative commise à partir de ces mesures.
162 Annales corrigées

Exercice 4 (4 points). On suppose que la taille T de 213 étudiants suit une loi
normale de moyenne 1,75m et d’écart-type 0,05m.
1. Calculer le pourcentage d’étudiants ayant une taille comprise entre 1,77m et
1,88m.
2. Calculer le pourcentage d’étudiants ayant une taille supérieure ou égal à
1,721m.
 163

Intégrale Φ(t) de la Loi Normale Centrée Réduite N (0; 1).

x
1
Z
t2
Φ(x) = √ e− 2 dt
−∞ 2π

x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
164 Annales corrigées

IUT Génie Civil DUT – 2007/2008

Mathématiques

Correction du Partiel du 12 Avril 2008, Sujet I

Exercice 1. C est la courbe représentative de la fonction :

fy=2 : R −→ R
x 7−→ f (x; 2)

Exercice 2. 1. Df = {(x; y) ∈ R2 | x2 + 2x + y 2 − 8 > 0}

x2 + 2x + y 2 − 8 = (x + 1)2 − 1 + y 2 − 8
= (x + 1)2 + y 2 − 9

Cela donne : x2 + 2x + y 2 − 8 > 0 ⇐⇒ (x + 1)2 + y 2 > 32 . Df est donc le

plan privé du disque de centre (−1; 0) et de rayon 3 (bord du disque exclu).

y 4

2 Df
1

–4 –2 0 2 4
x
–1

–2

–3

∂f 2x + 2
2. (x; y) = 2
∂x x + 2x + y 2 − 8
∂f 2y
(x; y) = 2
∂y x + 2x + y 2 − 8
∂2f 4xy + 4y
(x; y) = − 2
∂x∂y (x + 2x + y 2 − 8)2
∂2f −2y 2 + 2x2 + 4x − 16
(x; y) =
∂y 2 (x2 + 2x + y 2 − 8)2
 165

2π 1 1 √  1 1
Exercice 3. 1. df = √ × × √ dM + 2π × M × − × 3/2 dK.
K 2 M 2 K
2.
√
π π M
∆f = √ ∆M + − √ ∆K
KM K.K
√
π π 5
= √ 0, 1 + − √ 0, 2
50 10.10
≈ 0, 0888 . . .

L’erreur absolue est donc d’environ 0, 0888 secondes.

3. L’erreur relative est :
r
∆f 10 1  1 2 
= × × √ +√ = 0, 02 = 2%
|f | 5 2 10 50 2.100
L’erreur relative est donc de 2%.

Exercice 4. 1. X suit la loi normale N (1, 75; 0, 05).

X − 1, 75
Z= suit donc la loi normale N (0; 1).
0, 05
Cela donne :
1, 77 − 1, 75 X − 1, 75 1, 88 − 1, 75
P (1, 77 ≤ X ≤ 1, 88) = P ( ≤ ≤ )
0, 05 0, 05 0, 05
= P (0, 4 ≤ Z ≤ 2, 6)
= Φ(2, 6) − Φ(0, 4)
= 0, 9953 − 0, 6554
= 0, 3399
= 33, 99%

2. De même on obtient :

1, 721 − 1, 75
P (X ≥ 1, 721) = P (Z ≥ )
0, 05
= P (Z ≥ −0, 58)
= 1 − P (Z < −0, 58)
= 1 − Φ(−0, 58)
= Φ(0, 58)
= 0, 7190
= 71, 90%
166 Annales corrigées

IUT Génie Civil DUT – 2007/2008

Mathématiques

Partiel du 12 Avril 2008

Sujet II

Ce que l’on conçoit bien s’énonce clairement, Et les mots pour le dire arrivent aisément.
Nicolas BOILEAU (1636-1711) (Recueil : L’art poétique ; Chant I))

C’est à dire : La qualité, la clarté et la présentation de vos résultats sont prises en

considération pour l’évaluation de votre travail.

Exercice 1 (4 points). Soit

γ : [0, 2π] −→ R2
t 7−→ γ(t) = (x(t), y(t))

un arc paramétré.
Une étude de γ nous donne le tableau de variations suivant :

t 0 π/2 π 3π/2 2π
′
x (t) 0 - -2 - 0 + 2 + 0
2 2
ց ր
x(t) 0 0
ց ր
-4
3
ր ց
y(t) 0 0 0
ց ր
-1
y ′ (t) 0 + 0 - -3 - 0 + 3

De plus nous avons les informations suivantes : γ ′′ (0) = (0; 1), γ ′′′ (0) = (1; 0).

Tracer l’allure de la trajectoire de l’arc γ.

(Faire apparaitre les vecteurs directeurs des tangentes lorsque cela est possible.)

⁀ lorsque γ(t) = 2t ; 4 t3 +
Exercice 2 (4,5 points). Calculer la longueur de l’arc AB
3
1

, A(t = 1), B(t = 3).
4t
 167

1
Exercice 3 (3 points). On considère l’arc paramétré γ(t) = 4t3 +3t2 −6t+ 5 ; 3t2 +
t
6

2t + 1 − 2 .
t
1. Cet arc admet-il une branche infinie lorsque t tend vers −∞ ?
(Si oui donner sa nature, si non dire pourquoi.)
2. Cet arc admet-il une branche infinie lorsque t tend vers 1− ?
(Si oui donner sa nature, si non dire pourquoi.)

Exercice 4 (8,5 points). Dans cet exercice, les formules utiles devront apparaitre et
les calculs intermédiaires mis en évidence.
Tous les résultats seront donnés à 10−4 près.
On considère la série statistique (X, Y ) suivante :

X 1 2 3 4
Y 3 4,4 5,1 5,8

D’autre part nous savons que :

X = 2, 5, Y = 4, 575, V ar(X) = 1, 25, V ar(Y ) = 1, 0718, Cov(X, Y ) = 1, 1375.
1. On pose U = ln(X) et V = Y . Donner le tableau des valeurs de (U, V ).
2. Déterminer la droite d’ajustement de V en U par la méthode des moindres
carrés.
3. Calculer ρ(U, V ).
4. En déduire un ajustement de Y en X de la forme Y = a ln(X) + b.
5. Cet ajustement est il plus précis qu’un ajustement linéaire ? (Justifier votre
réponse.)
168 Annales corrigées

IUT Génie Civil DUT – 2007/2008

Mathématiques

Correction du Partiel du 12 Avril 2008, Sujet II

–4 –3 –2 –1 0 1 2

–1

Exercice 1.

1
Exercice 2. x′ (t) = 2, y ′ (t) = 4t2 − 2 .
4t
Z 3r
⁀
 1 2
AB = 22 + 4t2 − 2 dt
1 4t
Z 3r
1 1
= 4 + 16t4 − 2 × 4t2 × 2 + dt
1 4t 16t4
Z 3r
1
= 16t4 + 2 + dt
1 16t4
Z 3 r
1 2
= 4t2 + 2 dt
4t
Z1 3 h 4t3
1 1 i3
= 4t2 + 2 dt = − = 209/6 = 34, 8333 . . .
1 4t 3 4t 1
1 6
Exercice 3. x(t) = 4t3 + 3t2 − 6t + 5
, y(t) = 3t2 + 2t + 1 − 2 .
t t
1. limt→−∞ x(t) = −∞, limt→−∞ y(t) = +∞.
y(t) t2 (3 + 2/t + 1 − 6/t4 ) 1 3 + 2/t + 1 − 6/t4
= 3 = . .
x(t) t (4 + 3/t − 6/t2 + 1/t8 ) t 4 + 3/t − 6/t2 + 1/t8
y(t)
lim = 0.
t→−∞ x(t)
Nous avons donc une branche parabolique d’axe (Ox).
 169

2. limt→1− x(t) = 2, limt→1− y(t) = 0.

Il n’y a pas de branche infinie lorsque t tend vers 1 car nous obtenons deux
limites finies.
U 0 0,6931 1,0986 1,3862
Exercice 4. 1.
V 3 4,4 5,1 5,8
2. U =0,7944, V = Y = 4, 575.
02 + · · · + 1, 38622
V ar(U ) = − 0, 79442 = 0, 2711.
4
1
Cov(U, V ) = × (0 × 3 + · · · + 1, 3862 × 5, 8) − 0, 7944 × 4, 575 = 0, 5387.
4
La droite recherchée a pour équation :

Cov(U, V )  Cov(U, V ) 
V = U+ V − U .
V ar(U ) V ar(U )

Cela donne : V = 1, 987U + 2, 996.

p √
3. σ(U ) = V ar(U ) = 0, 5207, σ(V ) = σ(Y ) = 1, 0718 = 1.0353.
Cov(U, V )
Cela donne : ρ(U, V ) = = 0, 999 . . . .
σ(U )σ(V )
4. Y = 1, 987 ln(X) + 2, 996.
Cov(X, Y ) 1, 1375
5. ρ(X, Y ) = =√ = 0, 9828.
σ(X)σ(Y ) 1, 25 × 1, 0718
ρ(U, V ) est plus proche de 1 que ρ(X, Y ) donc l’ajustement choisi est plus
précis que l’ajustement linéaire.
170 Annales corrigées

IUT Génie Civil DUT – 2010/2011

Mathématiques

Examen du 15 Avril 2011

Sujet I

Ce que l’on conçoit bien s’énonce clairement, Et les mots pour le dire arrivent aisément.
Nicolas BOILEAU (1636-1711) (Recueil : L’art poétique ; Chant I))

C’est à dire : La qualité, la clarté et la présentation de vos résultats sont prises en

considération pour l’évaluation de votre travail.

Documents autorisés : Une feuille A4 recto-verso manuscrite + une

calculatrice “collège”.

p
Exercice 1 (7 points). Etude de la fonction : f (x, y) = x2 + y 2 .

1. Donner le plus grand domaine de définition possible pour f .

2. Déterminer les lignes de niveaux z = −1, z = 0, z = 1, z = 2.
3. Tracer l’intersection de la surface
√ représentative de f , notée Sf , avec le plan
2
d’équation y = 0. (Rappel : x = |x|.)
4. Donner une représentation de Sf dans l’espace.

Exercice 2 (4 points). On considère la fonction f (r, h) = πr2 h. (f est donc une

fonction de deux variables r et h.)
1. Calculer df .
2. Le volume V d’un cylindre de rayon r et de hauteur h est donné par la formule :
πr2 h. Après avoir effectué des mesures on obtient : r = 2 ± 0, 1m et h =
5 ± 0, 1m.
Calculer l’ordre de grandeur ∆V de l’erreur absolue commise sur V à partir
de ces mesures.
3. Calculer l’erreur relative commise à partir de ces mesures.

Exercice 3 (6 points). On considère la fonction suivante : f (x, y) = cos(x3 y 2 +

5x + 7y − 1).
Calculer les dérivées suivantes.
∂f ∂f ∂ 2f ∂2f
(x, y), (x, y), (x, y), (x, y).
∂x ∂y ∂x∂y ∂y 2
 171

Exercice 4 (3 points). Soit X une variable aléatoire dont la densité est donnée par
la fonction f :
A
f (x) = 2 si x ≥ 7,
x
f (x) = 0 sinon.
1. Calculer A.
2. Calculer la probabilité P (9 ≤ X ≤ 10).
172 Annales corrigées

IUT Génie Civil DUT – 2010/2011

Mathématiques

Correction du Partiel du 15 Avril 2011, Sujet I

Exercice 1. 1. Df = R2 .
p
2. Sf ∩ {z = −1} = {(x, y) ∈ R2 | x2 + y 2 = −1} = ∅.
p
Sf ∩ {z = 0} = {(x, y) ∈ R2 | x2 + y 2 = 0} = {(x, y) ∈ R2 | x2 + y 2 = 0} =
{(0; 0)}.
p
Sf ∩ {z = 1} = {(x, y) ∈ R2 | x2 + y 2 = 1} = {(x, y) ∈ R2 | x2 + y 2 = 1}.
Nous obtenons le cercle de centre (0; 0) et de rayon 1.
p
Sf ∩ {z = 2} = {(x, y) ∈ R2 | x2 + y 2 = 2} = {(x, y) ∈ R2 | x2 + y 2 = 4}.
Nous obtenons le cercle de centre (0; 0) et de rayon 2.
p √
3. z = x2 + y 2 , donc lorsque y = 0 nous avons : z = x2 = |x|.

10

–10 –8 –6 –4 –2 2 4 6 8 10
x

4. Nous obtenons un cône de sommet l’origine du repère et d’axe (Oz).

14

12

10

–10 –10
–5 –5
5 y x 5
10 10
 173

Exercice 2. 1. df = 2πrhdr + πr2 dh.

2. ∆V = |2πrh|∆r + |πr2 |∆h = |2 × 2π × 5| × 0, 1 + |4π| × 0, 1 = 2, 4π ≈ 7, 5.
∆V 2, 4π 2, 4
3. = = = 12%.
V π×4×5 20

Exercice 3. On pose u(x, y) = x3 y 2 + 5x + 7y − 1.

∂f
= −(3x2 y 2 + 5) sin(u(x, y)),
∂x
∂f
= −(2x3 y + 7) sin(u(x, y)),
∂y
∂2f
= −(6x2 y) sin(u(x, y)) − (2x3 y + 7)(3x2 y 2 + 5) cos(u(x, y)),
∂x∂y
∂ 2f
= −2x3 sin(u(x, y)) − (2x3 y + 7)2 cos(u(x, y)).
∂y 2

7 +∞
A h A i+∞
Z Z
Exercice 4. 1. Nous avons : 1 = 0dx + dx = 0 + − =
−∞ 7 x2 x 7
 −A  −A 1
lim − = −A(0 − ).
x→+∞ x 7 7
Donc A = 7.
Z 10
7 h 1 i10 7
2. P (9 ≤ X ≤ 10) = 2
dx = 7 − = .
9 x x 9 90
174 Annales corrigées

IUT Génie Civil DUT – 2010/2011

Mathématiques

Examen du 15 Avril 2011

Sujet II

Ce que l’on conçoit bien s’énonce clairement, Et les mots pour le dire arrivent aisément.
Nicolas BOILEAU (1636-1711) (Recueil : L’art poétique ; Chant I))

C’est à dire : La qualité, la clarté et la présentation de vos résultats sont prises en

considération pour l’évaluation de votre travail.

Documents autorisés : Une feuille A4 recto-verso manuscrite + une

calculatrice “collège”.

Exercice 1. (6 points)
On considère la série statistique (X, Y ) suivante :

X 1 2 3 4
Y 7,1 10,4 12,4 14

D’autre part nous savons que :

X = 2, 5, V ar(X) = 1, 25, Y = 10, 975.

On pose U = ln(X) et V = Y . Le tableau des valeurs de (U, V ) est :

U 0 0,693 1,098 1,386

V 7,1 10,4 12,4 14

De plus, nous avons U = 0, 795, V ar(U ) = 0, 271.

Vous effectuerez vos calculs à 10−3 près.

1. Calculer ρ(U, V ).
2. En utilisant la méthode des moindres carrés donner la droite d’ajustement de
V en U .
3. En déduire une expression de Y en fonction de X.
 175

Exercice 2. (12 points)

Soit

γ : R −→ R2
t 7−→ (t − t3 , t2 − t4 )

1. A l’aide d’une symétrie, réduire le domaine d’étude de γ. (Autrement dit, vous

étudierez la parité des fonctions x(t) et y(t).)
2. Dresser le tableau de variations de γ.
3. La trajectoire de γ admet-elle une branche infinie. (Si oui, donner sa nature.)
4. Calculer γ(1).
5. Donner√ un vecteur
√ directeur de la tangente à la trajectoire lorsque t = 0,
t = 1/ 3, t = 1/ 2.
6. Tracer l’allure de la trajectoire.

Exercice 3. (2 points)
On considère deux séries statistiques X et Y . X est centrée, réduite. La figure ci-
dessous représente la droite D d’ajustement de Y en X obtenue avec l’approximation
au sens des moindres carrées.
y

1
−1 x

1. Quelle est la valeur de la covariance de X et de Y ? (Justifier votre réponse.)

2. Quelle est la moyenne de Y ? (Justifier votre réponse.)
176 Annales corrigées

IUT Génie Civil DUT – 2010/2011

Mathématiques

Correction du Partiel du 15 Avril 2011, Sujet II

√
Exercice 1. 1. Cov(U, V ) = 1, 33, σ(V ) = 6, 63, ρ(U, V ) ≈ 0, 9.
Cov(U, V )
2. V = aU = b, avec a = ≈ 4, 9 et b = V − aU ≈ 7.
V ar(U )
3. Nous avons V ≈ 4, 9U + 7, donc Y ≈ 4, 9 ln(X) + 7.

Exercice 2. 1. x(−t) = −t − (−t)3 = −t + t3 = −x(t), donc x est impaire.

y(−t) = (−t)2 − (−t)4 = t2 − t4 = y(t), donc y est paire.
Nous avons donc une symétrie d’axe (Oy), et nous pouvons réduire l’intervalle
d’étude à [0, +∞[.
2. x′ (t) = 1 − 3t2 , y ′ (t) = 2t − 4t3 = 2t(1 − 2t2 ).
1
x′ (t) = 0 ⇐⇒ 1 − 3t2 = 0 ⇐⇒ t = ± √ .
3
1
y ′ (t) = 0 ⇐⇒ t = 0 ou 1 − 2t2 = 0 ⇐⇒ t = 0 ou t = ± √ .
2
On en déduit le tableau de variations suivant :
√ √
t 0 1/ 3 1/ 2
x′ (t) 1 + 0 - -
0,38
ր ց
x(t) 0 0,35
ց
−∞
0,25
ր ց
y(t) 0,22 −∞
ր
0
y ′ (t) 0 + + 0 -
2t 0 + + +
2
1 − 2t + + 0 -
3. On lim x(t) = lim y(t) = +∞. Donc γ admet une branche infinie. Pour
t→+∞ t→+∞
trouver la nature de cette branche nous étudions :
 177

y(t) t2 − t4 t2 (1 − t2 )
= = = t.
x(t) t − t3 t(1 − t2 )
y(t)
Donc lim = +∞. Nous avons donc une branche parabolique d’axe (Oy).
t→+∞ x(t)

4. γ(1) = (0; 0).

5. γ ′ (0) √
= (1; 0) est√
un vecteur directeur de γ en t = 0. √
γ ′ (1/ 3) = (0; 2 3/9) est un vecteur directeur de γ en t = 1/ 3, (tangente
verticale).
√ √
γ ′ (1/ 2) = (−5; 0) est un vecteur directeur de γ en t = 1/ 2, (tangente
horizontale).

0.2

–0.4 –0.2 0.2 0.4

0

–0.2

–0.4

–0.6

6.

Exercice 3. 1. La droite ayant été obtenue par la méthode des moindres carrés
nous avons :
Cov(X, Y ) Cov(X, Y )
y= x + (Y − X).
V ar(X) V ar(X)
X étant réduite nous avons V ar(X) = 1.
Graphiquement, nous constatons que le coefficient directeur de la droite est :
0 − (−3) 1
= .
6−0 2
On en déduit alors, Cov(X, Y ) = 1/2.
2. Graphiquement, nous constatons que l’ordonnée à l’origine est : -3. Donc Y −
Cov(X, Y )
X = −3. Comme X est centrée, nous avons X = 0. Il en découle
V ar(X)
Y = −3.
178 Annales corrigées
Annexe C

Trouver l’erreur

Cette annexe s’adresse aux étudiants ayant terminer tous les exercices de TD
lors d’une séance.
Vous êtes donc capable de trouver la bonne solution d’un exercice, mais pouvez
vous trouver les erreurs dans les raisonnements qui suivent. . .

Erreur 1

4−6 = 1−3
4 − 6 + 9/4 = 1 − 3 + 9/4
(2 − 3/2)2 = (1 − 3/2)2
2 − 3/2 = 1 − 3/2
2 = 1...

Erreur 2
Considérons deux nombres a et b. Si a = 1 et b = 1 alors a = b.
On en déduit :

ab = a2
ab − b2 = a2 − b2 on retranche b2 aux deux membres
b(a − b) = (a + b)(a − b) factorisation et identité remarquable
b = a + b simplifiquation par a − b

On remplace a et b par leur valeur et il en résulte que : 1 = 2 . . .

Erreur 3
−1 1
On a : = .
1 −1 r r
−1 1
On prend les racines carrées : = .
√ √ 1 −1
−1 1
Cela donne : √ = √ .
1 −1

179
180 Trouver l’erreur

√
i 1
On en déduit : √ =
1 i
i 1
D’où : =
1 i
En multipliant par i à gauche et à droite il vient : i2 = 1
Donc : −1 = 1 . . .

Erreur 4
Considérons l’équation :
x+5 4x − 40
−5= .
x−7 13 − x
Elle peut se réécrire en mettant le membre de gauche sur le même dénominateur
x−7 :
x + 5 − 5(x − 7) 4x − 40
= .
x−7 13 − x
Après simplification et changement de signe on obtient :
4x − 40 4x − 40
= .
7−x 13 − x
Les numérateurs étant égaux dans l’équation ci-dessus, les dénominateurs le sont
aussi. Donc : 7 − x = 13 − x.
Conclusion : 7 = 13.

Erreur 5
Vous savez (ou devez connaitre) la formule suivante :
n(n + 1)
1 + 2 + 3 + ··· + n =
2
(Voici un moyen de la démontrer pour tous ceux qui auraient oublier. . .
Notons S la somme 1 + 2 + 3 + · · · + n.
On a alors :

S = 1 + 2 + 3 + ··· + n − 1 + n
S = n + (n − 1) + · · · + 2 + 1

En sommant les deux equations précédentes colonnes par colonnes on obtient :

2S = n + 1 + (n − 1) + 2 + · · · + 2 + (n − 1) + 1 + n = n × (n + 1)
D’où la formule demandée.)

A prèsent voici la démonstration fausse :

L’égalité étant vraie pour tout entier n écrivons la pour n − 1 :
(n − 1)n
1 + 2 + 3 + ··· + n − 1 =
2
On ajoute 1 à chaque membre de cette égalité :
(n − 1)n
1 + 2 + 3 + ··· + n − 1 + 1 = +1
2
Comme n − 1 + 1 = n cela donne :
(n − 1)n
1 + 2 + 3 + ··· + n = +1
2
 181

En utilisant la formule rappelée ci-dessus nous avons :

n(n + 1) (n − 1)n
= +1
2 2
Ainsi : n2 + n = n2 − n + 2.
Donc : 2n = 2.
Conclusion : n = 1, et donc tout entier est égal à 1. . .

Erreur 6
Calculons la dérivée de x3 de deux façons différentes :
1. Par la formule habituelle (xn )′ = nxn−1 . Ici, on obtient : (x3 )′ = 3x2 .
2. On écrit x3 = x2 + x2 + · · · + x2 (la somme comporte x fois le terme x2 ).
On dérive de chaque côté :
(x3 )′ = (x2 )′ + (x2 )′ + · · · + (x2 )′ , (la dérivée d’une somme et la somme des
dérivées.)
D’où : (x3 )′ = 2x + 2x + · · · + 2x. De plus dans cette somme il y a x termes.
Donc : (x3 )′ = x × 2x.
En utilisant le résultat du 1. on trouve : 3x2 = 2x2 .
En prenant x = 1 dans l’égalité précédente on obtient : 3 = 2. . .
182 Trouver l’erreur
Annexe D

Alphabet grec

Prononciation Minuscule Majuscule

alpha α
beta β
gamma γ Γ
delta δ ∆
epsilon ε ou ǫ
zeta ζ
eta η
theta θ Θ
iota ι
kappa κ
lambda λ Λ
mu µ
nu ν
ksi ξ Ξ
pi π Π
rho ρ
sigma σ Σ
tau τ
upsilon υ Υ
phi ϕ ou φ Φ
ki χ
psi ψ Ψ
omega ω Ω

183