Vous êtes sur la page 1sur 433

i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page iii — #3


i i

Table des matières

Introduction ix

ANALYSE 1
1 Nombres réels, nombres complexes et suites numériques 3
1.1 L’ensemble des réels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 L’ensemble des complexes . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Les suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Etude des fonctions réelles d’une variable réelle 31


2.1 Limite d’une fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Fonctions continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Dérivabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4 Fonctions convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5 Complément sur les fonctions classiques . . . . . . . . . . . . . . . . . 41
2.6 Formules de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.7 Développements limités . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.8 Fonctions équivalentes, définition et opérations . . . . . . . . . . . . . 54
2.9 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.10 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

3 Séries numériques 67
3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.4 Séries à termes positifs . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.5 Série quelconques. Convergence Absolue. . . . . . . . . . . . . . . . . . 70
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4 Intégration des fonctions réelles d’une variable réelle 77


4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Techniques de calcul d’une intégrale . . . . . . . . . . . . . . . . . . . 80
4.3 Calcul pratique des intégrales . . . . . . . . . . . . . . . . . . . . . . . 82

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page iv — #4


i i

iv Table des matières

4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

5 Equations différentielles 91
5.1 Équations différentielles linéaires du premier ordre . . . . . . . . . . . 91
5.2 Étude de l’équation avec second membre . . . . . . . . . . . . . . . . . 92
5.3 Équations différentielles linéaires du second ordre . . . . . . . . . . . . 93
5.4 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

ALGEBRE 101

6 Espaces vectoriels et applications linéaires 103


6.1 L’espace vectoriel Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.2 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.3 Combinaisons linéaires, sous-espaces vectoriels . . . . . . . . . . . . . . 106
6.4 Indépendance linéaire, base . . . . . . . . . . . . . . . . . . . . . . . . 108
6.5 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

7 Matrices, déterminant et systèmes linéaires 123


7.1 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.2 Systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . . . . . . 135
7.3 Le déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
7.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

8 Diagonalisation des endomorphismes - matrices 157


8.1 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . . . . . . . 157
8.2 Caractéristique d’une valeur propre . . . . . . . . . . . . . . . . . . . . 158
8.3 Diagonalisation d’une matrice carrée . . . . . . . . . . . . . . . . . . . 160
8.4 Application de la diagonalisation . . . . . . . . . . . . . . . . . . . . . 162
8.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

9 Polynômes et fractions rationnelles 175


9.1 Polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
9.2 Fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
9.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185

10 Applications bilinéaires et formes quadratiques 193


10.1 Applications bilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . 193
10.2 Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
10.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page v — #5


i i

Table des matières v

PROBABILITES 209
11 Notion de probabilité 211
11.1 Modèle probabiliste . . . . . . . . . . . . . . . . . . . . . . . . . . 211
11.2 Probabilités conditionelles et indépendance . . . . . . . . . . . . 216
11.3 Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . 220
11.4 Formule du binôme de Newton . . . . . . . . . . . . . . . . . . . 222
11.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222

12 Variables Aléatoires Discrètes - Lois Discrètes 231


12.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
12.2 Espérance, Moments et Variance . . . . . . . . . . . . . . . . . . 235
12.3 Lois usuelles discrètes . . . . . . . . . . . . . . . . . . . . . . . . . 239
12.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244

13 Variables Aléatoires Continues - Lois Continues 255


13.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
13.2 Espérance, Moments et Variance . . . . . . . . . . . . . . . . . . 258
13.3 Lois usuelles continues . . . . . . . . . . . . . . . . . . . . . . . . . 261
13.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267

14 Notions de convergence 279


14.1 Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . 279
14.2 Convergence en loi . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
14.3 Convergence des lois usuelles . . . . . . . . . . . . . . . . . . . . . 284
14.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286

STATISTIQUES 295
15 Statistique descriptive 297
15.1 Séries statistiques à une dimension . . . . . . . . . . . . . . . . . . . . 297
15.2 Séries statistiques à deux dimensions . . . . . . . . . . . . . . . . . . . 304
15.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310

16 Echantillonnage et Estimation 323


16.1 Echantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323
16.2 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
16.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 328

17 Tests d’hypothèse et tests de comparaison 337


17.1 Tests de conformité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337
17.2 Tests de comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
17.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page vi — #6


i i

vi Table des matières

ANALYSE NUMERIQUE 351


18 Introduction à l’analyse numérique 353
18.1 Représentations des nombres . . . . . . . . . . . . . . . . . . . . . . . 353
18.2 Arithmétique flottante . . . . . . . . . . . . . . . . . . . . . . . . . . . 355
18.3 Normes de vecteurs et de matrices . . . . . . . . . . . . . . . . . . . . 356
18.4 Conditionnement d’une matrice . . . . . . . . . . . . . . . . . . . . . . 358
18.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359

19 Méthodes directes de résolution des systèmes linéaires 367


19.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367
19.2 Méthode de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . 368
19.3 Méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370
19.4 Décomposition LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
19.5 Décomposition de Cholesky . . . . . . . . . . . . . . . . . . . . . . . . 374
19.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375

20 Méthodes itératives de résolution des systèmes linéaires 385


20.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
20.2 Définition et convergence . . . . . . . . . . . . . . . . . . . . . . . . . 385
20.3 Méthodes itératives linéaires . . . . . . . . . . . . . . . . . . . . . . . . 386
20.4 La méthode de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . 386
20.5 La méthode de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . 389
20.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 391

21 Résolution des équations non linéaires 397


21.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
21.2 Méthodes à base géométrique . . . . . . . . . . . . . . . . . . . . . . . 398
21.3 Méthodes itératives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403
21.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405

22 Méthodes d’intégration numérique 413


22.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
22.2 Méthodes des trapèzes . . . . . . . . . . . . . . . . . . . . . . . . . . . 414
22.3 Méthode de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 416
22.4 Méthode de Romberg . . . . . . . . . . . . . . . . . . . . . . . . . . . 418
22.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419

ANNEXE 423

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page vii — #7


i i

Preface

L’ouvrage
Le but de ce cours est d’introduire de façon simple et élémentaire les concepts
et les outils mathématiques de bases que l’étudiant en première et deuxième année
de Licence Informatique doit maîtriser. Il s’agit d’initier l’étudiant non seulement au
raisonnement mathématique en commençant à faire les démonstrations des premiers
résultats d’analyse et algèbre, mais aussi à la modélisation mathématique de problèmes
concrets dont la résolution s’appuie sur le calcul des probabilités effectué notamment
dans des ensembles dénombrables. L’initiation à la statistique mathématique des échan-
tillons est articulée autour de la problématique d’estimation et de tests paramétriques
pour une proportion ou une moyenne. Enfin, ce cours introduira des méthodes et des
applications fondamentales de l’analyse numérique.
Table des matières :
I. ANALYSE
Suites de nombres réels/complexes – Étude des fonctions réelles d’une variable
réelle – Séries numériques et séries de Fourier – Intégration des fonctions réelles d’une
variable réelle.
II. ALGÈBRE
Polynômes et fractions rationnelles – Espaces vectoriels – Matrices et systèmes
linéaires – Diagonalisation de matrices – Applications bilinéaires et formes quadra-
tiques.
III. PROBABILITÉS
Introduction à la théorie des probabilités – Variables aléatoires discrètes – Variables
aléatoires continues – Théorèmes des limites
IV. STATISTIQUES
Statistique descriptive – Théorie de la décision statistique – Généralité sur les tests
d’hypothèses
V. ANALYSE NUMÉRIQUE
Introduction à l’analyse numérique – Résolution des équations non linéaires –
Méthodes d’intégration numérique – Méthodes de résolution des systèmes linéaires
Les auteurs
Docteur en mathématiques appliquées, Skander Belhaj est spécialiste d’algèbre
matricielle rapide. Chercheur à l’École nationale d’ingénieurs de Tunis (LAMSIN), il
enseigne actuellement à l’Institut Supérieur des Arts du Multimédia de la Manouba
(Tunisie).

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page viii — #8


i i

viii Table des matières

Maître assistant à l’Institut Supérieur des Sciences Appliquées et de Technologie


de Sousse (Tunisie), Anis Ben Aïssa est spécialiste des probabilités et statistiques.
Le public
Étudiants en première et deuxième année de Licence Informatique (effectifs : 15000)
La concurrence
• J.-P. Ramis, A. Warusfel, X. Buff, J. Garnier, et al., Mathématiques Tout-en-un
pour la Licence - Niveau L1 Cours complet avec 270 exercices corrigés, Dunod 2006 -
896 pages - 170x240 mm, 49,70 e
• J.-P. Lecoutre, Statistique et probabilités, Collection : Éco Sup, Dunod 2009 -
4ème édition - 320 pages
• A. Fortin, Analyse numérique pour ingénieurs, Press. Internationales Polytech-
niques, 2011 (4ème édition), 475 pages, 63,23 e
Les points forts
• Un manuel tout en un avec cours et exercices d’application corrigés couvrant
l’ensemble du programme.
• Un ouvrage écrit par deux spécialistes avérés du nouveau programme de mathé-
matiques en LMD.
• On notera que, les deux auteurs enseignant aussi en Tunisie, ce livre a un
débouché pour notre service export.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page ix — #9


i i

Introduction

Le but de ce cours est d’introduire de façon simple et élémentaire les concepts et


les outils mathématiques de bases que l’étudiant en première et deuxième année de
Licence Informatique doit maîtriser. Il s’agit d’initier l’étudiant non seulement au
raisonnement mathématique en commençant à faire les démonstrations des premiers
résultats d’analyse et algèbre, mais aussi à la modélisation mathématique de problèmes
concrets dont la résolution s’appuie sur le calcul des probabilités effectué notamment
dans des ensembles dénombrables. L’initiation à la statistique mathématique des échan-
tillons est articulée autour de la problématique d’estimation et de tests paramétriques
pour une proportion ou une moyenne. Enfin, ce cours introduira des méthodes et des
applications fondamentales de l’analyse numérique.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page x — #10


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 1 — #11


i i

Première partie

ANALYSE

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 2 — #12


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 3 — #13


i i

CHAPITRE 1

Nombres réels, nombres complexes et suites numériques

1.1 L’ensemble des réels


1.1.1 Ensembles ordonnés
Un ensemble E non vide est dit ordonné s’il est suivi d’une relation d’ordre, notée
” ≤ ”.
” ≤ ” est une relation binaire vérifiant :
1. reflexivité : x ≤ x, ∀x ∈ E
2. symétrique : x ≤ y et y ≤ x alors x = y, ∀x, y ∈ E
3. transitivité : x ≤ y et y ≤ z alors x ≤ z, ∀x, y, z ∈ E
Si de plus, ∀x, y ∈ E, x ≤ y ou y ≤ x, on dit que la relation ” ≤ ” est d’ordre
totale (et E est dit un ensemble totalement ordonné).
Exemple 1.1.1 (N, ≤) est un ensemble totalement ordonné.
Exemple 1.1.2 Soit E un ensemble non vide. P (E) : l’ensemble des parties de E est
un ensemble ordonné mais pas totalement. En effet, la relation ” ⊆ ” est une
relation d’ordre puisqu’elle vérifie
– la reflexivité (A ⊆ A, ∀A ∈ P (E)),
– la symétrie (A ⊆ B et B ⊆ A alors A = B, ∀A, B ∈ P (E))
– la transitivité (A ⊆ B et B ⊆ C alors A ⊆ C, ∀A, B, C ∈ P (E)).

Majorants, minorants et ensemble bornés


Soit E un ensemble ordonné et soit A une partie de E.
1. On dit qu’un élément M de E (m ∈ E) majore A (minore A) si on a : x ≤ M
(x ≥ m), ∀x ∈ A.
2. On dit que A majorée (respectivement, minorée) si A possède un majorant (respec-
tivement, un minorant).
3. Un majorant (respectivement, minorant) de A qui appartient à A est appelé le plus
grand élément de A (respectivement, le plus petit élément de A).
4. La partie A est dite bornée si et seulement si A est majorée et minorée.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 4 — #14


i i

4 Chapitre 1. Nombres réels, nombres complexes et suites numériques

0
Exemple 1.1.3 E = Q muni de la relation d’ordre pq ≤ pq0 ⇐⇒ p.q 0 ≤ p0 .q. Soit
 
1
A = 1 − tel que n ∈ N\ {0} ⊂ Q.
n
Vérifier que A est bornée de Q. En effet, on a
1
0≤1− ≤ 1, ∀n ∈ N\ {0} .
n
Donc, 1 majore A et 0 minore A. Le plus petit élément de A est 0 = 1 − 11 . Par
contre, A n’admet pas de plus grand élément ! Supposons que la valeur maximale
de A :
1
max A = 1 − avec n0 ∈ N\ {0} .
n0
1 1
Or, 1 − 2n0 >1− n0 = max A. D’où la contradiction.

Borne supérieure, borne inférieure et caractérisation de R


Soit E un ensemble ordonné et soit A une partie de E.
Définition 1.1.1 On dit qu’un élément e ∈ E est la borne supérieure de la partie A
et on note e = sup A si :
1. e majore A
2. tout majorant M de A est tel que : e ≤ M. (autrement dit e est le plus petit des
majorants de A).
Remarque 1.1.1 e = inf A ⇐⇒ e est le plus grand des minorants de A
 
e minore A
⇔ .
tout minorant m de A est tel que : e ≥ m

Proposition 1.1.1 (Caractérisation de la borne sup et inf) : Soit E un ensemble


ordonné et soit A une partie de E. Un élément e ∈ E est la borne supérieure de
A (e = sup A) si et seulement si :
1. e majore A
2. ∀e0 ∈ E : e0 < e, ∃a ∈ A tel que e0 ≤ a ≤ e.
Exemple 1.1.4 Soit
 
1
A = 1 − tel que n ∈ N\ {0} ⊂ Q.
n
On sait que min A = 0 et 1 majorant de A mais n’est pas max A. A admet-elle
une borne supérieure ? Oui, 1 = sup A en utilisant le fait que 1 majore A et pour
p
e0 = ∈ Q : e0 < 1 (p 6= q) ,
q
existe t-il un élément a ∈ A tel que e0 ≤ a ≤ e ? C’est à dire ∃?n ≥ 1, a = 1 − n1
tel que e0 = pq ≤ a = 1 − n1 ≤ 1 (toujours vrai pour n ≥ q−pq
). D’où, sup A = 1.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 5 — #15


i i

1.1 L’ensemble des réels 5

Remarque 1.1.2 e ∈ E est la borne inférieure de A (e = inf A) si et seulement si


 
e minore A
⇔ .
∀e0 ∈ A : e < e0 , ∃a ∈ A tel que e ≤ a ≤ e0 .

Définition 1.1.2 On dit qu’un ensemble ordonné E vérifie l’axiome de la borne


supérieure si toute partie non vide majoré de E admet une borne supérieure.
Exemple 1.1.5 Z vérifie l’axiome de la borne supérieure. Q ne le vérifie pas !
Théorème 1.1.1 Il existe un seul corps (à isomorphisme près) commutatif totalement
ordonné vérifiant l’axiome de la borne supérieure. Ce corps est appelé le corps
des nombres réels et est noté R.

1.1.2 Propriétés des nombres réels


Théorème 1.1.2 (Principe d’Archimède) : Soit x un nombre réel strictement
positive alors, pour tout y ∈ R il existe un entier relatif n unique vérifiant :

(n − 1) x ≤ y ≤ nx

Théorème 1.1.3 (Densité de Q dans R) : Entre deux réels distincts, il existe un


rationnel.
Preuve : Soit a et b deux nombres réels distincts tels que a < b. Comme b − a > 0
d’après le principe d’Archimède, il existe un unique entier n (non nul) tel que
n (b − a) > 1. Soit m = [na] : partie entière de na ∈ R signifie que
m m+1 na + 1 1
≤a≤ ≤ = a + < b.
n n n n


1.1.3 Propriétés topologiques de la droite réelle


Intervalles de R
Un intervalle I de R est un sous-ensemble I ⊆ R tel que : ∀x, y ∈ I, le segment joignant
x à y est tout entier inclus dans I.
Définition 1.1.3 (intervalle) : On dit que I ⊆ R est un intervalle, si

∀x, y ∈ I, ∀λ > 0 : λx + (1 − λ) y ∈ I.

Définition 1.1.4 (intervalle fermé) : Soit a < b. On définit l’intervalle fermé d’ex-
trimité a et b par
[a, b] = {x ∈ R / a ≤ x ≤ b} .
Définition 1.1.5 (intervalle ouvert) : Soit a < b. On définit l’intervalle ouvert
d’extrimité a et b par

]a, b[ = {x ∈ R / a < x < b} .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 6 — #16


i i

6 Chapitre 1. Nombres réels, nombres complexes et suites numériques

Voisinage d’un point


Soit x0 ∈ R, on dit qu’une partie V de R est un voisinage de x0 s’il existe α > 0 tel
que ]x0 − α, x0 + α[ 1 ⊂ V.
Exemple 1.1.6 V = 21 , 72 est un voisinage de 2 car ]2 − 1, 2 + 1[ ⊂ V. Par contre,
 

V = 12 , 2 n’est pas un voisinage de 2 car pour tout α > 0, ]2 − α, 2 + α[ * V.


Remarques 1.1.3 Si V est un voisinage de x0 dans R alors, x0 ∈ V (donc V 6= ∅).
Remarques 1.1.4 Si V est un voisinage de x0 et si V ⊆ V 0 alors V 0 est un voisinage
de x0 .
Remarques 1.1.5 L’intersection de deux voisinages de x0 dans R est un voisinage
de x0 .

Points d’accumulation d’une partie de R


Soit A ⊆ R et soit x0 ∈ R. On dit que x0 est un point d’accumulation de la partie A
si pour tout voisinage V de x0 on a : V ∩ (A\ {x0 }) 6= ∅.
Autrement dit, si tout voisinage V de x0 rencontre A au moins en un point distinct
de x0 .
Exemple 1.1.7 Soit A = ]1, 3[ ∪ {4} et x0 = 1 est-il un point d’accumulation de A ?
La réponse est oui car ∀α > 0, (]1 − α, 1 + α[) ∩ (A\ {1}) 6= ∅.

1.2 L’ensemble des complexes


1.2.1 Construction de l’ensemble des complexes
La résolution de l’équation x2 + 1 = 0, dans R est impossible et nous conduit à
introduire un nouvel ensemble, comprenant les nombres réels et d’autres nombres
parmi lequels se trouvent des solutions de x2 + 1 = 0 ou les équations de même type :
3x2 + 5 = 0, ... . Pour cette raison, nous avons construit l’ensemble des complexes.
Définition 1.2.1 Un nombre complexe est un couple de réels. L’ensemble des nombres
complexes est donc l’ensemble R2 . On peut alors écrire

C = {(x, y) / x, y ∈ R}

ou encore,
∀z ∈ C, ∃x, y ∈ R, z = x + iy
avec i est un nombre nouveau tel que i2 = −1. De plus les réels x et y sont
uniques. Le réel x est appelé partie réelle de z, noté Re(z), et le réel y est
appelé partie imaginaire de z, noté Im(z).
Exemple 1.2.1 z1 = 2 + 4i, Re(z1 ) = 2 et Im(z1 ) = 4.

1 Intervalle ouvert de centre x0 et de rayon α.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 7 — #17


i i

1.2 L’ensemble des complexes 7

1.2.2 Notation algébrique (ou cartésienne) des complexes


Définition 1.2.2 Les complexes de la forme iy sont appelés imaginaires purs.
L’ensemble des imaginaires purs est noté iR.
Théorème 1.2.1 Tout complexe z s’écrit sous la forme z = x + iy où x est la partie
réelle de z et y est la partie imaginaire de z. C’est la notation algébrique (ou
cartésienne) de z.
Propriétés 1.2.1
Re (z) = Re (z 0 )

0
1. z = z ⇔
Im (z) = Im (z 0 )
2. z ∈ R ⇔ Im (z) = 0
3. z ∈ iR ⇔ Re (z) = 0
4. Re (z + z 0 ) = Re (z) + Re (z 0 ) et Im (z + z 0 ) = Im (z) + Im (z 0 )
5. Si α ∈ R, alors Re (αz) =α Re (z) et Im (αz) =α Im (z)
6. Formule du Binôme de Newton :
n n
n−k k
X X
∀z, z 0 ∈ C, ∀n ∈ N, (z + z 0 ) = Cnk z k (z 0 ) = Cnk z n−k (z 0 )
k=0 k=0

n!
où Cnk = k!(n−k)! est le nombre de combinaison de n par k
Exemple 1.2.2 z1 = 2 + bi, z2 = a − 5i, si z1 = z2 alors a = 2 et b = −5.

1.2.3 Module et conjugué d’un nombre complexe


Définition 1.2.3 Soit z = x+iy un complexe. On appelle conjugué de z le complexe
_ _ _ _
noté z et défini par z = x − iy. On a donc Re ( z) = Re (z) et Im ( z) = − Im (z) .
_
Exemple 1.2.2 z1 = 2 + 3i ⇒ z 1 = 2 − 3i.
Théorème 1.2.2 Soient z, z 0 ∈ C, on a :
1. z + z 0 = z + z 0
2. zz 0 = zz 0
3. z = z.
Remarques 1.2.1
– z + z = 2 Re (z) et z − z = 2i Im (z)
– z∈R⇒z=z
– z est un imaginaire pur si et seulement si z = −z
Définition 1.2.4 Soit z = x + iy un√ complexe, on appelle module de z, le réel positif
noté |z| et défini par : |z| = zz avec zz = x2 + y 2 .
Propriétés 1.2.2
1. |z| = 0 ⇔ z = 0
2. |Re (z)| ≤ |z| et |Im (z)| ≤ |z|

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 8 — #18


i i

8 Chapitre 1. Nombres réels, nombres complexes et suites numériques

3. Si z ∈ R, alors son module coïncide avec sa valeur absolue


n
4. |zz 0 | = |z| |z 0 | , en particulier, ∀n ∈ N, |z n | = |z| (ceci reste valable pour n ∈ Z,
si z 6= 0
_
5. |z| = | z|
_
6. ||z| − | z|| ≤ |z − z 0 | ≤ |z| + |z 0 | (Inégalité triangulaire)
7. Pour mettre le complexe zz0 sous forme algébrique ou cartésienne, il suffit de
multiplier en haut et en bas par z 0 .
Théorème 1.2.3 Soient z et z 0 deux complexes non nuls, |z + z 0 | = |z| + |z 0 | si et
seulement s’il existe un réel strictement positive α telque z = αz 0 .

1.2.4 Equation du second degré


Théorème 1.2.4 Soit a ∈ C, l’équation z 2 = a admet dans C deux solutions opposées
(toutes deux nulles lorsque a = 0).
Théorème 1.2.5 Soient a, b, c ∈ C avec a 6= 0, l’équation az 2 + bz + c = 0 admet
deux solutions complexes qui sont
−b + δ −b − δ
z1 = et z2 =
2a 2a
avec δ ∈ C tel que δ 2 = ∆ = b2 − 4ac (discriminant). De plus, lorsque les
coefficients a, b, c sont réels et que le discriminant b2 − 4ac est strictement négatif,
ces deux solutions sont complexes non réelles et conjuguées.
Remarque 1.2.2 La somme et le produit de ces deux solutions, sont données par les
relations :
∀z ∈ C, az 2 + bz + c = a (z − z1 ) (z − z2 ) .

Notation exponentielle
Pour tout réel x, on pose eix = cos x + i sin x. On a alors les propriétés suivantes :
1. ∀x ∈ R, e−ix = cos x − i sin x = eix
q 2 2
2. ∀x ∈ R, eix = (cos x) + (sin x) = 1
3. ∀x, y ∈ R, eix eiy = ei(x+y)
4. Soit z = x + iy un complexe et |z| = 1 = x2 + y 2 , donc il existe un réel θ tel que
x = cos θ et y = sin θ, c’est à dire z = eiθ .

cos x = cos y
5. Soient x, y ∈ R, eix = eiy ⇔ ⇔ {x ≡ y [2π] .
sin x = sin y

Formules d’Euler et de Moivre


n n
Formule de Moivre : ∀n ∈ Z, ∀x ∈ R, eix = eix = (cos x + i sin x) . On en
déduit que :
n
cos (nx) = Re ((cos x + i sin x) )
n
sin (nx) = Im ((cos x + i sin x) ) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 9 — #19


i i

1.2 L’ensemble des complexes 9

A l’aide du binôme de Newton, ces formules permettent d’exprimer cos (nx) et


sin (nx) sous forme d’un polynôme en cos (x) et sin (x) .
Formule d’Euler :
eix + e−ix eix − e−ix
∀x ∈ R, cos x = et sin x = .
2 2i
n n
Ces formules permettent la linéarisation de (cos x) et (sin x) .

Forme trigonométrique (ou polaire)


iθ ∗
Soit z ∈ C tel que |z| = 1, on sait qu’il existe θ tel que z = e . Si maintenant z ∈ C
z z iθ iθ
alors |z| = 1 donc il existe θ ∈ R tel que |z| = e , c’est à dire z = |z| e .
Définition 1.2.5 Soit z ∈ C∗ , on appelle argument de z tout réel θ tel que
z = |z| eiθ , cette égalité est appelée forme trigonométrique (ou polaire)
 z. L’ensemble iθdes
de arguments de z est noté arg (z) , on a donc arg (z) =
θ ∈ R / z = |z| e , et si θ0 est un argument de z, alors arg (z) = {θ0 + 2kπ / k ∈ Z} .
Définition 1.2.6 Soit z ∈ C∗ , z possède un unique argument dans ]−π; π] , par
définition cet argument est appelé argument principal de z et noté arg (z) .
Propriétés 1.2.3 Soient z, z 0 ∈ C∗ avec θ = arg (z) et θ0 = arg (z 0 ) .
|z| = |z 0 |

0
1. z = z ⇔
θ ≡ θ0 [2π]
2. z ∈ R∗ ⇔ θ ≡ 0 [π]
_ _
3. z = |z| e−iθ donc arg ( z) ≡ −θ [2π]
4. −z = |z| ei(θ+π) donc arg (−z) ≡ θ + π [2π]
0
5. zz 0 = |zz 0 | ei(θ+θ ) donc arg (zz 0 ) ≡ θ + θ0 [2π]
0
6. zz0 = |z|z|0 | ei(θ−θ ) donc arg zz0 ≡ θ − θ0 [2π]


7. ∀n ∈ Z, z n = |z n | einθ donc arg (z n ) ≡ nθ [2π] .

Exponentielle complexe
Définition 1.2.7 Soit z = x + iy un complexe, on appelle exponentielle de z le
complexe noté exp (z) et défini par :

exp (z) = ex [cos y + i sin y] .

Remaques 1.2.3
1. Si z ∈ R (y = 0), alors l’exponentielle de z correspond à l’exponentielle réelle
de z. D’autre part on peut écrire (pour x, y ∈ R)

exp (x + iy) = ex eiy .

2. exp (0) = 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 10 — #20


i i

10 Chapitre 1. Nombres réels, nombres complexes et suites numériques

1
3. exp (−z) = exp(z)

4. Re (exp (z)) = eRe(z) cos (Im (z)) et Im (exp (z)) = eRe(z) sin (Im (z))

5. |exp (z)| = eRe(z) et arg (exp (z)) ≡ Im (z) [2π]


_
6. exp (z) = exp ( z) .

Racine n-ièmes d’un nombre complexe

Soit a, z0 deux complexes et n ∈ N, on dit que z0 est une racine n-ième de a lorsque
z0n = a.

Théorème 1.2.6 Soit n ∈ N tel que n ≥ 2, et a ∈ C∗ . L’ensemble des racines n-ièmes


de a (que l’on note Rn (a)) est un ensemble fini de cardinal n, et pour tout
argument θ de a on a :

np θ+2kπ
o
Rn (a) = n
|a|ei n / 0≤k ≤n−1 .

Càs particuliers : racine n-ièmes de l’unité : (noté par Un )

n 2kπ o
Un = {z ∈ C∗ et |z| = 1 / z n = 1} = ei n / 0 ≤ k ≤ n − 1 .

Exemple 1.2.3 Résoudre dans C l’équation z 5 + 1 = 0.

1.2.5 Représentation géométrique des complexes


 → →
Le plan complexe est un plan ℘ muni d’un repère orthonormé direct < = o, u , v .

1.2.6 Affixe

Chaque point M du plan complexe est repéré par ses coordonnées : une abscisse x
et une ordonnée y, c’est à dire par le couple de réel (x, y) . Plus précisement, M est
repéré par le complexe z = x + iy. Par définition, ce complexe est l’affixe du point M.
Réciproquement, tout
 →complexe
  → z est l’affixe d’un point M du plan que l’on appelle
image de z. Les axes o, u et o, v sont appelés respectivement axes des réels et

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 11 — #21


i i

1.2 L’ensemble des complexes 11

axes des imaginaires.

1.2.7 Angles orientés

Soit z un complexe non nul et M le pointdu plan d’affixe z, l’argument


 −−→principal de z est
−−→
une mesure de l’angle orienté u , OM , ce que l’on écrit →

− −
u , OM ≡ Arg (z) [2π] .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 12 — #22


i i

12 Chapitre 1. Nombres réels, nombres complexes et suites numériques

1.3 Les suites


1.3.1 Généralités
Soit E un ensemble.
Une suite d’éléments de E est une application

u: N −→ E
n 7−→ u (n) = un
 
L’élément un est dit le n-ème terme de la suite u u = (un )n≥0 .
Lorsque E = R ou C, on dit que la suite est réelle (ou de nombres réels) ou
complexe (ou de nombres complexes).
 √ 
Exemple 1.3.1 n2 n≥0 , sin n π3 n≥0 , 2n + i 23
 
.
n≥0

Opérations sur les suites réelles


Soit (un )n≥0 et (vn )n≥0 deux suites de nombres réels et soit λ ∈ R.
Somme :
(un )n≥0 + (vn )n≥0 = (un + vn )n≥0 .
Produit :
(un )n≥0 . (vn )n≥0 = (un vn )n≥0 .
Produit par un scalaire :

λ. (vn )n≥0 = (λvn )n≥0 .

Remarques 1.3.1
– Une relation d’ordre est définie sur un ensemble des suites A (N,R) de la façon
suivante :
(un )n≥0 ≤ (vn )n≥0 ⇐⇒ ∀n ∈ N, un ≤ vn .
– La suite (un )n≥0 est dite inférieure ou égale à la suite (vn )n≥0 à partir d’un
certain rang s’il existe n0 ∈ N tel que ∀n ≥ n0 , un ≤ vn .

Quelques propriétés des suites de nombres réels


– Une suite (un )n≥0 est dite majoré (respectivement, minoré) à partir d’un certain
rang s’il existe M ∈ R tels que un ≤ M, ∀n ≥ 0 (respectivement, il existe m ∈ R,
un ≥ m, ∀n ≥ 0).
– Une suite (un )n≥0 est dite bornée si elle est à la fois majorée et minorée : s’il
existe m ∈ R, M ∈ R : m ≤ un ≤ M, ∀n ≥ 0 (c’est à dire, il existe M ≥ 0 :
|un | ≤ M, ∀n ≥ 0).
– Une suite (un )n≥0 est dite croissante si un ≥ um , ∀n ≥ m.
– Une suite (un )n≥0 est dite décroissante si un ≥ um , ∀n ≤ m.
– Une suite (un )n≥0 est dite monotone si elle est croissante ou décroissante.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 13 — #23


i i

1.3 Les suites 13

– Suites extraites : Soit u = (un )n≥0 : N −→ R une suite de nombres réels et


ρ : N −→ N une application strictement croissante. La suite

uρ ≡ u ◦ ρ : N −→ R

est une suite de nombres réels appelée suite extraite de u.


Exemple 1.3.2 La suite (u2n )n≥0 est une suite extraite de (un )n≥0 . En effet, u2n =
u ◦ ρ (n) où ρ (n) = 2n (strictement croissante). De même, la suite (u2n+1 )n≥0
est une suite extraite de (un )n≥0 .

1.3.2 Suites convergentes


Définition 1.3.1 On dit que la suite (un )n≥0 de nombres réels converge vers l ∈ R
quand n tend vers +∞ et on écrit : lim un = l si :
n→+∞

∀ > 0, ∃N ∈ N, ∀n ≥ N : |un − l| < .

1
Exemple 1.3.2 Vérifier que lim = 0. En effet, soit  > 0 : montrons qu’il existe un
n→+∞ n
tout n ≥ N : |un − l| = n1 < . Posons N = 1 + 1 ∈ N.
 
entier N tel que
 1 pour
Soit n ≥ N =  + 1 > 1 ⇒ n1 < .


Exemple 1.3.3 Trouver un rang N tel que pour tout n ≥ N, sin n14 < 10−6 . En
1 1 −6
effet,
h √ on i a sin n4 ≤ n4 < 10 pour tout n ≥ 0. D’où, le rang cherché est

4
106 + 1.
Proposition 1.3.1 (Unicité de la limite) : La limite d’une suite de nombres réels
convergente est unique.
Preuve : Supposons que

lim un = l et lim un = l0 avec l 6= l0 .


n−→+∞ n−→+∞

Comme un converge vers l alors par définition ∀ > 0, ∃N ∈ N, ∀n ≥ N :


|un − l| < . et comme un converge vers l0 alors par définition ∀0 > 0, ∃N0 ∈ N,
∀n ≥ N0 : |un − l0 | < 0 . Considérons |l − l0 | = |l − un + un − l0 | ≤ |un − l| +
| {z }
<
|un − l0 |. Posons M = max (N , N0 ) ,  > 0 et 0 > 0 fixés. Donc, ∀k ≥ M :
| {z }
<0
|l − l0 | <  + 0 . En particulier pour  = η2 et 0 = η
2,η > 0, on peut écrire
|l − l0 | < η. Donc, l = l0 . Ce qui est absurde.
Proposition 1.3.2 Soit (un )n≥0 une suite de nombres réels convergente vers l > 0
alors, il existe N ∈ N : ∀n ≥ N : un > 0.
Proposition 1.3.3 Toute suite convergente est bornée.
Proposition 1.3.4 Soit (un )n≥0 une suite de nombres réels convergente vers l ∈ R.
Toute suite (vk )k≥0 extraite de (un )n≥0 est convergente vers la même limite l.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 14 — #24


i i

14 Chapitre 1. Nombres réels, nombres complexes et suites numériques

Opérations sur les limites convergentes


Soit (un )n≥0 et (vn )n≥0 deux suites de nombres réels et soit λ ∈ R.
Proposition 1.3.5
 
(un + vn )n≥0 −→ l1 + l2
un −→ l1
! n→+∞
n→+∞ (u .v ) −→ l .l
 
1. =⇒ 
 n n n≥0 n→+∞ 1 2

vn −→ l2 
n→+∞ (λvn )n≥0 −→ λl1
n→+∞
   
2. un −→ l =⇒ |un | −→ |l|
n→+∞ n→+∞

un −→ l1
!  

n→+∞ un l1
3. =⇒ −→ .
vn −→ l2 6= 0 vn l
n≥0 n→+∞ 2
n→+∞
q
n+1 1
Exemple 1.3.4 Convergence de la suite : un = n sin n , n ≥ 1 puisque an =
q
n+1
n −→ 1 et bn = sin n1 −→ 0 et alors (un )n≥0 est convergente vers 0.
n→+∞ n→+∞
Proposition 1.3.6 (Passage à la limite dans les inégalités) :
Soit (un )n≥0 et (vn )n≥0 deux suites de nombres réels convergentent, respectivement
vers l1 et l2 . Si un ≤ vn alors l1 ≤ l2 .
Exemple 1.3.5 Etude de la suite un = an avec a ∈ R+ .
– Si a = 0, lim un = 0.
n→+∞
h in
1 −1
– Si 0 < a < 1 : écrivons a = 1+b , b > 0. Alors, un = (1 + b) . Par la formule
1
de binôme, on a 0 ≤ un ≤ 1+nb . Par passage à la limite dans les inégalités :
lim un = 0.
n→+∞
– Si a = 1, lim un = 1.
n→+∞
n
– Si a > 1, a = 1 + b, b > 0. Alors, un = (1 + b) ≥ 1 + nb −→ +∞. Ainsi,
n→+∞
(un )n≥0 est divergente 2 .

Quelques critères de convergence


Théorème 1.3.1 Toute suite de nombres réels croissante et majorée (respectivement,
décroissante et minorée) est convergente. Sa limite est sa borne supérieure
(respectivement inférieure).
Exemple 1.3.6 Soit
n
X 1 1 1
un = =1+1+ + ··· + .
p=0
p! 2 n!

2 Voir paragraphe "Suites divergentes et limite infinie"

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 15 — #25


i i

1.3 Les suites 15

Trouver la borne supérieure de (un )n≥0 . Poucela, il suffit de vérifier la convergence


de (un )n≥0 : croissante et majorée. En effet, on a
1 1
≤ p−1 , ∀p ≥ 1.
p! 2
Il en resulte que
n n
X 1 X 1
un = 1 + ≤1+ p−1
.
p=1
p! p=1
2
Or, n
n
X 1 1 − 21
=
p=1
2p−1 1 − 12
(progression géométrique). D’où,
3 = lim un = sup (un )n≥0 .
n→+∞

Définition 1.3.2 (Suites adjacentes) : On dit que deux suites (un )n≥0 et (vn )n≥0
sont adjacentes si :
1. L’une est croissante et l’autre est décroissante.
2. lim (un − vn ) = 0
n→+∞

Théorème 1.3.2 Deux suites adjacentes sont convergentes et ont même limite.
Exemple 1.3.7 Montrer que les deux suites suivantes sont adjacentes :
n
X 1 1
un = et vn = un + .
p=0
p! n!

1.3.3 Suites de Cauchy


Définition 1.3.3 On dit qu’une suite (un )n≥0 de nombres réels est de Cauchy si :
∀ > 0, ∃N ∈ N, ∀n, m ∈ N, n ≥ N et n ≥ m : |un − um | < .
Autrement dit :
∀ > 0, ∃N ∈ N, ∀n ∈ N, n ≥ N et ∀p ∈ N : |un+p − un | < .
n
!
X
1
Exemple 1.3.8 p! est de Cauchy. Car,
p=0 n≥0

n+p m−1 m
X 1 1 X 1 1 1 − 21 1
|un+p − un | ≤ = = ≤ n−1 .
p=n+1
2p−1 2n p=1 2p 2n 1 − 12 2

Proposition 1.3.7 Toute suite de Cauchy de nombres réels est bornée.


Théorème 1.3.3 (de Cauchy) : Une suite de nombres réels est convergente si et
seulement si elle est de Cauchy.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 16 — #26


i i

16 Chapitre 1. Nombres réels, nombres complexes et suites numériques

1.3.4 Suites divergentes et limite infinie


Définition 1.3.4 On dit qu’une suite de nombres réels (un )n≥0 tend vers +∞ (res-
pectivement, vers −∞) quand n tend vers +∞ si :

∀A ∈ R, ∃NA ∈ N, ∀n ≥ NA : un ≥ A.

(respectivement, ∀B ∈ R, ∃NB ∈ N, ∀n ≥ NB : un ≤ B).


Exemple 1.3.9 La suite un = an avec a > 1 tend vers +∞ quand n tend vers +∞ :
lim un = +∞. En effet, soit A ∈ R cherchons NA ∈ N, ∀n ≥ NA : an ≥ A.
n→+∞ 
 ln A0 si A ≤ 0
Posons NA =
ln a + 1 si A > 0
Définition 1.3.5 Une suite de nombres réels (un )n≥0 est dite divergente si elle
n’admet pas de limite ou si elle tend vers ±∞ quand n tend vers +∞.
Proposition 1.3.8
– Une suite de nombres réels croissante et non majorée tens vers +∞ quand n
tend vers +∞.
– Une suite de nombres réels décroissante et non minorée tens vers −∞ quand n
tend vers +∞.

1.3.5 Suites de nombres complexes


Proposition 1.3.9 La suite (zn = xn + iyn )n≥0 de nombres complexes converge vers
l = x + iy si et seulement si lim xn = x et lim yn = y.
n→+∞ n→+∞

Preuve :
” ⇒ ” On suppose lim zn = l. Par définition, on a
n→+∞

∀ > 0, ∃N ∈ N, ∀n ≥ N : |zn − l| < .

Or,
q
2 2
|zn − l| = (xn − x) + (yn − y) .

Ainsi, |xn − x| ≤ |zn − l| et |yn − y| ≤ |zn − l| . Donc,

∀n ≥ N : |xn − x| <  et |yn − y| < .

xn −→ x xn −→ x
! !
n→+∞ n→+∞
”⇐” ⇒ ⇒
yn −→ y iyn −→ iy
n→+∞ n→+∞

zn = xn + iyn −→ x + iy = l.
n→+∞

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 17 — #27


i i

1.4 Exercices 17

1.4 Exercices
1.4.1 Enoncés
Exercice 1 :
Soient a et b deux nombres réels vérifiant :

0 ≤ a ≤ 5 et 3 ≤ b < 8.

Donner un encadrement de a + b, a − b, ab et a × b.
Exercice 2 :
Déterminer chacun des ensembles suivants :
 
x−1
A = x ∈ R tels que ≥0
(x + 1) (x − 2)
B = {x ∈ R tels que |x + 1| < |x − 3|}
C = {x ∈ R tels que |x + 1| + |x + 2| < 1} .

Exercice 3 :
Soient A et B deux parties non vides et majorées de R.
1. Montrer que si A ⊂ B alors sup A ≤ sup B.
2. Montrer que

sup (A ∪ B) = max (sup A, sup B) ,


inf (A ∪ B) = min (inf A, inf B) .

3. Montrer que

max (inf A, inf B) ≤ inf (A ∩ B) ≤ sup (A ∩ B) ≤ min (sup A, sup B) .

Exercice 4 :
Soit A une partie de R définie par :

A = r ∈ Q / r2 − 3r + 1 < 0 .


1. Montrer que A est non vide et bornée.


2. La partie A admet-elle une borne supérieure, une borne inférieure dans R ?
Exercice 5 :
Donner lorsqu’ils existent le plus grand élément, le plus petit élément, la borne
supérieure et la borne inférieure des ensembles suivants :
 
n−1
A = N, B = {1} ∪ ]2, +∞[ , C = , n∈N .
n+1

Exercice 6 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 18 — #28


i i

18 Chapitre 1. Nombres réels, nombres complexes et suites numériques

Calculer
[ 1  \ [
,1 , [n, +∞[ , [n, n + 1[ ,
n
n≥1 n≥0 n≥0
[ 1
 \
1 1

−∞, , 1 − ,1 + .
n n n
n≥1 n≥1

Exercice 7 :
Ecrire sous forme cartésienne les nombres complexes suivants :

2 − 3i 3 + 4i  π
z1 = √ , z2 = , z3 = exp (3iπ) , z4 = π exp −i ,
3 − 2i (2 + 3i) (4 + i) 3
  9
5π (1 + i)
z5 = exp −i , z6 = 5.
4 (1 − i)
Exercice 8 :
n+1
1. Montrer que si z ∈ C\{1} alors 1 + z + z 2 + · · · + z n = z z−1−1 .
n
P Pn
2. En déduire, pour θ ∈ ]0, 2π[ , cos (kθ) et sin (kθ) .
k=0 k=0
Exercice 9 :
Résoudre dans C les équations suivantes :
(E1) z 2 + (−3 + i) z + 4 − 3i = 0,
(E2) z 8 + z 4 +√1 = 0,
1+i√3
(E3) z 6 = 1−i 3
.

Exercice 10 :
1. Trouver le module et l’argument des nombres complexes suivants :
√  √ 5
z1 = −2 + 2i , z2 = −1 + 3i , z3 = −1 + 3i .

2. En déduire la forme polaire de ces nombres complexes.


Exercice 11 : 
Soit z = exp 2iπ
7 , S = z + z 2 + z 4 et T = z 3 + z 5 + z 6 .
1. Montrer que S et T sont conjugués et que la partie imaginaire de S est positive.
2. Calculer S + T et ST. En déduire S et T .
Exercice 12 :
Soit α ∈ ]−π/2, π/2[ , n ∈ N∗ et λ ∈ C, |λ| = 1.
1+i tan α 2iα
1. Soit z0 = 1−i tan α . Vérifier que z0 = e .
2. Montrer que
i (1 − λ) Im (λ)
=
λ+1 1 + Re (λ)
où Im (λ) et Re (λ) désignent la partie imaginaire
 et la partie réelle du complexe
λ. (On pourra vérifier que (1 + λ) 1 + λ = 2 + 2 Re (λ))

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 19 — #29


i i

1.4 Exercices 19

3. Déterminer les complexes z solutions de l’équation


 n
1 + iz 1 + i tan α
= .
1 − iz 1 − i tan α

Exercice 13 :
Soit (un )n≥0 la suite définie par :

1 si n = 0
un = 1 1
2 un−1 + 4 si n ≥ 1

1. Montrer que (un )n≥0 est décroissante.


2. Montrer que (un )n≥0 est minorée.
3. Vérifier que 12 est la borne inférieure de (un )n≥0 (Indication : inf (un )n≥0 = inf E
avec E = {u0 , u1 , . . . , un , . . .}).
Exercice 14 :
Soit (un )n≥0 la suite de terme générale définie par :

u0 = 0  n1
et un+1 = n + un−1
n , n ≥ 1.
u1 = 1
 1
 n−1
n(n−1)
1. Montrer que un = 1 + 2 , n ≥ 2.
2. Montrer que la suite (ln un )n≥1 est convergente et calculer sa limite.
3. En déduire que la suite (un )n≥0 est convergente et sa limite est égale à 1.
Exercice 15 :
Soit la suite (un )n≥0 de nombres réels définie par :

u0 = 0 1
1 + un+1 + u2n .

et un+2 =
u1 = 12 3

1. Montrer que la suite (un )n≥0 est croissante et à valeurs dans [0, 1] (on pourra
raisonner par récurrence sur n).
2. Montrer que la suite (un )n≥0 est convergente et calculer sa limite.
Exercice 16 :
On considère (un ) une suite réelle. On suppose que les suites (u2n ) et (u2n+1 ) sont
convergentes. La suite (un ) est-elle convergente ? Discuter.
Exercice 17 :
On se propose d’étudier la nature de la suite :
1 1 n−1 1
un = 1 − + + · · · + (−1) , n ∈ N∗ .
2 3 n
1. Montrer que la suite (u2n ) est croissante, majorée par 1.
2. Montrer que la suite (u2n+1 ) est décroissante, minorée par 21 .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 20 — #30


i i

20 Chapitre 1. Nombres réels, nombres complexes et suites numériques

3. Montrer que pour tout n ≥ 1, u2n < u2n−1 et que les suites (u2n ) et (u2n+1 )
tendent vers la même limite. Conclure.
Exercice 18 :
On considère deux suites (un ) et (vn ) définies par :
 
u1 = 1 v1 = 1
un+1 = 5un6+vn vn+1 = un +2v
3
n

1. Etudier le signe de vn − un et la limite de vn − un .


2. Montrer que la suite (un )n≥1 (respectivement, (vn )n≥0 ) est croissante (respecti-
vement décroissante).
3. Déduire des équations précédentes que (un ) et (vn ) sont deux suites adjacentes,
donc convergent vers la même limite l.
4. Calculer l.
Exercice 19 :
En utilisant le critère de Cauchy, étudier les suites suivantes :
n−1
1 1 (−1)
1. un = 1 − 2 + 3 + ··· + n
1 1
2. un = 1 + 2 + · · · + n
3. un = 1 + √1 + · · · + √1
2 n

Exercice 20 : q
1
Soit (un ) une suite réelle définie par u0 = 1 et un+1 = u2n + 2n .

1. Montrer que ∀n ∈ N∗ , 1 ≤ un+1 < un + 1


2n+1 .
2. Montrer que (un ) est de Cauchy. Donner une valeur approchée de sa limite à
10−3 prés.

1.4.2 Corrigés
Exercice 1 :
– 3 ≤ a + b ≤ 13
– −8 ≤ a − b ≤ 2
– 0 ≤ ab ≤ 35
– 0 ≤ a × b ≤ 40.
Exercice 2 :
– A = ]−1, 1] ∪ ]2, +∞[
– B = ]−∞, 1[
– C = ∅.
Exercice 3 :
Soient A et B deux parties non vides et majorées de R.
1. Comme R vérifie l’axiome de la borne supérieure alors A admet une borne
supérieure dans R. Il suffit donc de montrer que sup B est un majorant de
A ? Soit x ∈ A ⊂ B alors x ∈ B et comme sup B et un majorant de B alors
x ≤ sup B. D’où, sup A ≤ sup B.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 21 — #31


i i

1.4 Exercices 21

2. Montrer que sup (A ∪ B) = max (sup A, sup B) ? On a

A ⊂ A ∪ B ⇒ sup (A) ≤ sup (A ∪ B) ,


B ⊂ A ∪ B ⇒ sup (B) ≤ sup (A ∪ B) .

alors sup (A ∪ B) ≥ max (sup A, sup B) . Il suffit de montrer que max (sup A, sup B)
est un majorant de A ∪ B. En effet, soit x ∈ A ∪ B alors x ∈ A ou x ∈ B c’est
à dire x ≤ sup A ou y ≤ sup B. Donc, x ≤ sup (A ∪ B) . D’où, le résultat. On
montre de même inf (A ∪ B) = min (inf A, inf B) .
3. On a

(A ∩ B) ⊂ A ⇒ sup (A ∩ B) ≤ sup (A) ,


(A ∩ B) ⊂ B ⇒ sup (A ∩ B) ≤ sup (B) .

Donc,
sup (A ∩ B) ≤ min (sup A, sup B) .
De même, on a
max (inf A, inf B) ≤ inf (A ∩ B) .
Exercice 4 :
 √ √ 
3− 5 3+ 5
A = r ∈ Q / r2 − 3r + 1 < 0 =

, ∩ Q.
2 2
√ √
1. Comme Q dense dans R, alors il existe r dans Q tel que 3−2 5 < r < 3+2 5 . Donc,
√ √
A est non vide. De plus, 3+2 5 est un majorant de A et 3−2 5 est un minorant
de A donc A est bornée.
2. Comme R vérifie l’axiome de la borne supérieure alors la partie A admet une
borne supérieure et une borne inférieure dans R.
Exercice 5 :
– A = N : 0 est le plus petit élément de N car 0 est un minorant de N et 0 ∈ N,
donc 0 est la borne inférieure de N et aussi un minorant. N n’admet pas un
majorant. En effet, soit M ∈ R, montrer qu’il existe n ∈ N / n > M. Pour
n0 = E (M ) + 1, on a n0 > M donc M n”est pas un majorant de N. Ainsi, N
n’admet pas ni de majorant, ni de borne supérieure, ni de plus grand élément.
– B = {1} ∪ ]2, +∞[ . On voit que 1 est le plus petit élément de B donc inf B = 1.
D’autre part, B n’admet pas de majorant car si M est un majorant, on a M > 2.
On a M + 1 > r et M + 1 ∈ B donc c’est la contradiction. Ainsi, B n’admet pas
ni denborne supérieure,
o ni de plus grand élément.
n−1
– C = n+1 , n ∈ N . On remarque que −1 est le plus petit élément de C. ∀n ∈ N,
on a n−1
n+1 ≥ −1 et −1 ∈ C donc −1 est le plus petit élément de C et −1 = inf C.
On vérifie aussi que 1 est la borne supérieure. En effet, 1 ∈
/ C sinon il existe
n ∈ N tel que n−1
n+1 = 1 absurde. Donc, C n’admet pas de plus grand élément.
Pour montrer que 1 = sup C. On a 1 est un majorant de C. Soit e un majorant
de C, montrons que e ≥ 1. Sinon, e < 1. Montrons qu’il existe x ∈ C tel que

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 22 — #32


i i

22 Chapitre 1. Nombres réels, nombres complexes et suites numériques

 
n0 −1
e < x < 1 avec x = n−1 1+e
n+1 . Ainsi, pour n0 = E 1−e + 1, on a e < n0 +1 < 1.
Contradiction avec e un majorant de C. D’où, 1 = sup C.
Exercice
S  1 6 : 1 
– n , 1 = ]0, 1[ . Car, ∀n ≥ 1, n , 1 ⊂ ]0, 1[ . Et, pour x ∈ ]0, 1[ , il existe
n≥1
h h
n0 = E x1 + 1 6= 0 tel que x ∈ n10 , 1 donc x ∈
 S 1 
n, 1 .
T n≥1
– [n, +∞[ = ∅. Montrons que si x ∈ R alors
n≥0

\
x∈
/ [n, +∞[ (x ∈
/ [n, +∞[).
n≥0

S effet, il suffit de prendre n0 = E (x) + 1 pour vérifier l’absurdité.


En
– [n, n + 1[ = [0, +∞[ . Car, ∀n ≥ 0, [n, n + 1[ ⊂ [0, +∞[ . De plus, soit x ∈
n≥0
[0, +∞[ . Montrons qu’il existe n0 ∈ N tel que x ∈ [n, n + 1[ . Il suffit de prendre
n0 = E (x) + 1. i h
−∞, n1 = ]−∞, 1[ . Car, on a ∀n0 ≥ 1, −∞, n10 ⊂ −∞, n1 . Il suffit
S   S  

n≥1 n≥1
−∞, n1 . De plus, soit
S  
de prendre n0 = 1 donc ]−∞, 1[ ⊂
n≥1

[ 1

x∈ −∞, .
n
n≥1

que x ∈ ]−∞, 1[ . On a x ∈ −∞, n1 ⊂ ]−∞, 1[ ( n1 ≤ 1).


 
Montrons
1 − n1 , 1 + n1 = {1} . En effet,
T 

n≥1

\ 1 1
 \  1
 
1

1 − ,1 + = 1 − , 1 ∩ 1, 1 +
n n n n
n≥1 n≥1
 
\ 1
= {1} ∪ 1, 1 + .
n
n≥1

1, 1 + n1 = ∅. Pourcela, supposons qu’il existe


T  
Il suffit de montrer que
n≥1
 
x < 1+ n1 ⇔ x−1 1 1
> n, ∀n ≥ 1, absurde car il suffit de prendre n0 = E x−1 +1.
D’où, le résultat.
Exercice √7 :
– z1 = 47 3 + 17 i
71 22
– z2 = 221 − 221 i
– z3 = −1 √
– z4 = −π 12 i 3 − 12


– z5 = − 12 − 12 i 2


– z6 = −4i.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 23 — #33


i i

1.4 Exercices 23

Exercice 8 :

1. Il suffit de remarquer que z n+1 − 1 = (z − 1) 1 + z + z 2 + · · · + z n .
n
2. Remplacer z par eiθ pour θ ∈ ]0, 2π[ dans la question 1. pour déduire
P
cos (kθ)
k=0
n
P
et sin (kθ) .
k=0
Exercice 9 :

(E1) SC = {1 − 2i, 2 + i} .

√ √ 1 √
q q q
1 1
(E2) SC = { 2 − 2i 3, − 2 − 2i 3, 2i 3 + 2,
2q 2 2
1 √ 1 √ 1 1 √ 1 1 √ 1 1 1 √
− 2i 3 + 2, i 3 − , − i 3 − , i 3 + , − i 3}
2 2 2 2 2 2 2 2 2

1 √ 1 √
  
1 
(E3) SC = sin π 3 + i − cos π i 3 − 1 ,
2 9 9
1 √ 1 √
 
1 
sin π 3 − i − cos π i 3 + 1 ,
2 9 9
1 √ 1 √
 
1 1 1 
− cos π − i sin π, − sin π 3 + i + cos π i 3 − 1 ,
9 9 2 9 9
1 √ 1 √
  
1  1 1
− sin π 3 − i + cos π i 3 + 1 , cos π + i sin π .
2 9 9 9 9
Exercice 10 :
1.
√ 3
|z1 | = |−2 + 2i| = 8 et arg (z1 ) = arg (−2 + 2i) = π.
4
√  √  2
|z2 | = −1 + 3i = 2 et arg (z2 ) = arg −1 + 3i = π.

3 
√ 5 √ 5
 
2
|z3 | = −1 + 3i = 32 et arg (z3 ) = arg −1 + 3i = − π.
3
2. √ 3 2 2
z1 = 8ei 4 π , z2 = 2ei 3 π , z3 = 32e−i 3 π .
Exercice 11 :
1. S = T car
2 1 3
Re (S) = Re (T ) = cos π − cos π − cos π
7 7 7
2 1 3
Im (S) = − Im (T ) = sin π − sin π + sin π > 0.
7 7 7

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 24 — #34


i i

24 Chapitre 1. Nombres réels, nombres complexes et suites numériques

2.
 
2 1 3
S + T = 2 Re (S) = 2 cos π − cos π − cos π
7 7 7
 2  2
2 1 2 3 2 1 3
ST = |S| = cos π − cos π + cos π + sin π − sin π + sin π
7 7 7 7 7 7
Ainsi,
   
1 2 3 2 1 3
S= cos π − cos π + cos π + i sin π − sin π + sin π
7 7 7 7 7 7
   
1 2 3 2 1 3
T = cos π − cos π + cos π − i sin π − sin π + sin π .
7 7 7 7 7 7

Exercice 12 :
Soit α ∈ ]−π/2, π/2[ , n ∈ N∗ et λ ∈ C, |λ| = 1.
1.
cos α+i sin α
1 + i tan α cos α + i sin α eiα
z0 = = cos α
cos α−i sin α
= = −iα = e2iα .
1 − i tan α cos α
cos α − i sin α e
2.
 
i (1 − λ) i (1 − λ) 1 + λ i 1 + λ − λ − λλ
=  =
λ+1 (λ + 1) 1 + λ 2 + 2 Re (λ)
i (1 − 2i Im (λ) − 1) Im (λ)
= = .
2 + 2 Re (λ) 1 + Re (λ)
1+iz
3. On pose λ = 1−iz , le problème ce ramène à déterminer les complexes z solutions
de l’équation
λn = z0 = e2iα
comme suit :
np θ+2kπ
o
Rn (z0 ) = n
|z0 |ei n / 0 ≤ k ≤ n − 1
n θ+2kπ o
= ei n / 0 ≤ k ≤ n − 1 .

Or,
1 + iz λ−1 i (1 − λ) Im (λ)
λ= ⇔z= = = .
1 − iz iλ + i λ+1 1 + Re (λ)
Ainsi,
  θ+2kπ  
 Im ei n 
SC =  θ+2kπ  / 0 ≤ k ≤ n − 1
 1 + Re ei n 
( )
sin θ+2kπ

n
=  / 0≤k ≤n−1 .
1 + cos θ+2kπ
n

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 25 — #35


i i

1.4 Exercices 25

Exercice 13 :
1. un − un−1 = 12 un−1 + 14 − un−1 = − 12 un−1 + 14 < 0 (On la vérifie par récurrence).
Donc, (un )n≥0 est décroissante.
2. Pour n = 0, u0 = 1 ≥ 0. supposons que un−1 ≥ 0, montrons par récurrence que
un ≥ 0, ∀n ≥ 0. On sait que un = 12 un−1 + 14 ≥ 0 donc un ≥ 0, d’où (un )n≥0 est
minorée par 0.
3. Tout d’abord, on remarque que (un )n≥0 est minorée par 12 . Puis qu’elle est
décroissante : un = 12 un−1 + 14 ≤ un−1 , ∀n ≥ 1. Ainsi, un−1 ≥ 12 , ∀n ≥ 1.
Montrons alors que 12 = inf (un )n≥0 . C’est à dire pour tout  > 0, ∃n ∈ N tel que
e = 12 ≤ un ≤ 12 +  = e0 ? Il suffit de prendre un entier n tel que n ≥ − ln
ln 
2 − 1,
en utilisant :
1
un ≤ +  ⇔
2
1 1
un−1 ≤ +  ⇔
2 4
1 1 1 1
un−2 ≤ +  ⇔ · · · ⇔ n u0 ≤ n+1 + .
4 8 2 2
Exercice 14 :
1. Posons vn = un−1
n . On a v1 = 1 et
vn+1 − vn = unn+1 − un−1
n = n + un−1
n − un−1
n = n.

Donc, par récurrence on a vn − v1 = n(n−1)2 . D’où, le résultat.


2. Pour n ≥ 2, on a
  1
n (n − 1) n−1
ln un = ln 1 +
2
 
1 n (n − 1)
= ln 1 +
n−1 2
ln n2
 
1 n n (n − 1) ln n
≤ ln + = + −→ 0.
n−1 2 2 n − 1 n − 1 n→+∞
Ainsi, (ln un )n≥1 converge vers 0.
3. La fonction ln : ]0, +∞[ → R vérifie une bijection, sa fonction réciproque est
alors exponentiel donc (un )n≥1 converge vers exp(0) = 1.
Exercice 15 :
1. On a u0 et u1 sont dans [0, 1] et u1 ≥ u0 , u2 ≥ u1 . Suppsons que la propriété
(P) : un ∈ [0, 1] et un ≥ un−1 est vraie à l’ordre n. Montrons par récurrence
que (P) est vraie à l’ordre (n + 1) . On a 0 ≤ un−1 < 1 et 0 ≤ un−2 < 1 donc
0 ≤ 13 1 + un+1 + u2n < 1. Ainsi, ∀n ≥ 0 : 0 ≤ un < 1. De plus,


1
un+2 − un+1 = ((un+1 − un ) + (un − un−1 ) (un + un−1 )) > 0.
3
Donc, la suite (un )n≥0 est croissante et à valeurs dans [0, 1].

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 26 — #36


i i

26 Chapitre 1. Nombres réels, nombres complexes et suites numériques

2. (un )n≥0 est croissante, majorée par 1 donc elle converge vers l :
1
1 + l + l2 ⇒ l = 1.

l=
3
Exercice 16 :
Soient l = limn→+∞ u2n et l0 = limn→+∞ u2n+1 . Si l 6= l0 alors (un ) diverge. Si
l = l0 , montrons que la suite (un ) converge vers l. En effet,
l = lim u2n ⇔ ∀ > 0, ∃N0 ∈ N / n > N0 : |u2n − l| < ,
n→+∞

l = lim u2n+1 ⇔ ∀ > 0, ∃N00 ∈ N / n > N00 : |u2n+1 − l| < .


0
n→+∞

Soit  > 0, on prend N = sup (2N0 , 2N00 + 1) tel que n > N .


– Si n = 2m on a n > 2N0 ⇒ m ≥ N0 ⇒ |u2m − l| <  ⇒ |un − l| < .
– Si n = 2m + 1 on a n > 2N00 + 1 ⇒ m ≥ N00 ⇒ |u2m+1 − l| <  ⇒ |un − l| < .
Conclusion : ∀ > 0, ∃N = sup (2N0 , 2N00 + 1) / N ∈ N / n > N : |un − l| <
 ⇔ (un ) converge vers l.
Exercice 17 :
1 1
1. u2n+2 − u2n = − 2n+2 + 2n+1 > 0. De plus,
     
1 1 1 1 1 1 1
u2n = 1 + − + + − + + ··· + − + −
2 3 4 5 2n − 2 2n − 1 2n
n−1
X 1 
1 1
=1+ − − − ≤ 1.
2k 2k + 1 | {z 2n}
k=1
| {z } <0
<0

Donc, la suite (u2n ) est croissante, majorée par 1.


1 1
2. u2n+3 − u2n+1 = 2n+3 − 2n+2 < 0. De plus,
     
1 1 1 1 1 1 1 1
u2n+1 = 1 − + − + − + ··· + − +
2 3 4 5 6 2n − 1 2n 2n + 1
n+1  
1 X 1 1 1 1
= + − − ≥ .
2 2k + 1 2k + 2 2n + 1 2
k=1 | {z }
| {z } ≥0
≥0

Donc, la suite (u2n+1 ) est décroissante, minorée par 21 .


1
3. Pour tout n ≥ 1, u2n < u2n−1 car u2n − u2n−1 = − 2n < 0. limn→+∞ u2n −
u2n−1 = 0. Comme (u2n ) est croissante et (u2n+1 ) est décroissante donc (u2n )
et (u2n+1 ) sont adjacentes et tendent vers la même limite. Conclusion : (un )
converge.
Exercice 18 :
On considère deux suites (un ) et (vn ) définies par :
 
u1 = 1 v1 = 1
un+1 = 5un6+vn vn+1 = un +2v
3
n

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 27 — #37


i i

1.4 Exercices 27

1
1. vn − un = 2 (vn−1 − un−1 ) . On peut montrer par récurrence que
 n−1  n−1
1 1
vn − un = (v1 − u1 ) = 5 >0
2 2
et limn→+∞ (vn − un ) = 0.
2. On a un+1 −un = vn −u 6
n
> 0. Donc, (un )n≥1 est croissante. De plus, vn+1 −vn =
un −vn
3 < 0. Alors, (vn )n≥0 est décroissante.
3. (un )n≥1 est croissante et (vn )n≥0 est décroissante ainsi que limn→+∞ (vn − un ) =
0. Donc, (un ) et (vn ) sont deux suites adjacentes.
4.  n−1
5un + vn 1
un+1 = et vn = 5 + un .
6 2
Donc,
 n−1
5 1
un+1 − un = .
6 2
Ainsi, on peut vérifier par récurrence
n−1  k n !
5X 1 5 1 − 12
un+1 = + u1 = × 1 1 + 1.
6 2 6 2
k=0

D’où, l = limn→+∞ un+1 = 38 .


Exercice 19 :
1.

(−1)n (−1)
n+1
(−1)
n+r−1
|un+r − un | = + + ··· +

n+1 n+2 n+r


1 r−1
1 (−1)
= − + ··· + .

n + 1 n + 2 n+r

– 1er càs : si r = 2k, k ∈ Z.




   
1 1 1 1
|un+r − un | = − + ··· + −

n+1 n+2 n + 2k − 1 n + 2k

| {z } | {z }
>0 >0

1 1 1 1
= − + ··· + − .
n+1 n+2 n + 2k − 1 n + 2k
   
1 1 1 1 1 1
= − − + ··· − − − .
n+1 n+2 n+3 n + 2k − 2 n + 2k − 1 n + 2k
| {z } | {z }
>0 >0

Donc,
1
|un+r − un | ≤ .
n+1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 28 — #38


i i

28 Chapitre 1. Nombres réels, nombres complexes et suites numériques

– 2ème càs : si r = 2k + 1, k ∈ Z.



   
1 1 1 1 1
|un+r − un | = − + ··· + − +

n+1 n+2 n + 2k − 1 n + 2k n + 2k + 1

| {z } | {z }
>0 >0

1 1 1 1 1
= − + ··· + − + .
n+1 n+2 n + 2k − 1 n + 2k n + 2k + 1
   
1 1 1 1 1
= − − + ··· − − .
n+1 n+2 n+3 n + 2k n + 2k + 1
| {z } | {z }
>0 >0

Donc,

1
|un+r − un | ≤ .
n+1

1 1
Ainsi, ∀r ∈ N, |un+r − un | ≤ n+1 . Et on a, limn→+∞ n+1 = 0. Donc,
limn→+∞ |un+r − un | = 0. D’où, (un ) est de Cauchy.

2. un = 1 + 12 + · · · + 1
n n’est pas de Caychy. En effet, on peut montrer que
|u2n − un | ≥ 21 .

3. un = 1 + √12 + · · · + √1
n
n’est pas de Caychy. En effet, on peut montrer que
|u2n − un | ≥ √12 .

Exercice 20 :
q
1
Soit (un ) une suite réelle définie par u0 = 1 et un+1 = u2n + 2n .

1. On vérifie facilement par récurrence que ∀n ∈ N∗ , 1 ≤ un+1 . De plus,

r
1
un+1 − un = u2n + n − un
2
1 n

2
= .
un+1 − un

Or, un+1 − un > 2 pour n ∈ N∗ . Ainsi,

 n+1
1
un+1 < un + .
2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 29 — #39


i i

1.4 Exercices 29

2.

|un+r − un | ≤ |un+r − un+r−1 | + · · · + |un+1 − un |


 n+r  n+1
1 1
≤ + ··· +
2 2
 n+1  r−1 !
1 1
≤ + ··· + 1
2 2
 n+1 n !
1 1 − 21
=
2 1 − 12
 n
1
≤ −→ 0.
2 n→+∞

Donc, (un ) est de Cauchy. De plus, quand r → +∞ alors


 n
1 ln 10
|l − un | ≤ ≤ 10−3 ⇔ n ≥ 3 .
2 ln 2
−3
D’où, si n ≥ 3 lnln10
2 alors un est une valeur approchée de l à 10 prés.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 30 — #40


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 31 — #41


i i

CHAPITRE 2

Etude des fonctions réelles d’une variable réelle

Soit
f: Df −→ R
x 7−→ f (x)
une fonction réelle d’une variable réelle telle que Df = {x ∈ R / f (x) a un sens} est
le domaine de définition de f .

2.1 Limite d’une fonction


Soit x0 ∈ R. On dit que f est définie au voisinage de x0 , sauf peut être en x0 , s’il
existe α > 0 : ]x0 − α, x0 + α[ \ {x0 } ⊆ Df.
Exemple 2.1.1 Soit f (x) = x1 . f est définie au voisinage de 0, sauf peut être en 0,
∀ > 0 : ], [ \ {0} ⊆ Df = R\ {0} .
Définition 2.1.1 On dit qu’une fonction f , définie au voisinage de x0 ∈ R, sauf
peut être en x0 , admet une limite l ∈ R quand x tend vers x0 et on écrit :
lim f (x) = l
x−→x0

si ∀ > 0, ∃η > 0; ∀x ∈ R tels que |x − x0 | < η alors |f (x) − l| < .

Remarque 2.1.1 Une fonction peut avoir une limite quand x tend vers x0 sans
qu’elle soit définie en x0 .
Remarque 2.1.2 Dire que x tend vers x0 c’est à dire que x s’approche de x0 sans
jamais l’atteindre.
Remarque 2.1.3 On définit la limite à droite et à gauche de f comme suit :
1. Limite à droite : limx−→x0 f (x) = l si
x>x0

∀ > 0, ∃η > 0; ∀x ∈ R tels que 0 < x − x0 < η alors |f (x) − l| < ,

et on note
lim f (x) = l.
x−→x+
0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 32 — #42


i i

32 Chapitre 2. Etude des fonctions réelles d’une variable réelle

2. Limite à gauche : limx−→x0 f (x) = l si


x<x0

∀ > 0, ∃η > 0; ∀x ∈ R tels que 0 < x0 − x < η alors |f (x) − l| < ,

et on note
lim f (x) = l.
x−→x−
0

Proposition 2.1.1 La limite d’une fonction, lorsqu’elle existe, est unique.


Preuve. Supposons que

lim f (x) = l et lim f (x) = l0 avec l 6= l0 .


x−→x0 x−→x0

Ainsi, ∀ > 0, ∃η > 0; ∀x ∈ R tels que |x − x0 | < η alors |f (x) − l| <  et


∀0 > 0, ∃η 0 > 0; ∀x ∈ R tels que |x − x0 | < η 0 alors |f (x) − l0 | < 0 . On a
|l − l0 | = |l − f (x) + f (x) − l0 | ≤ |f (x) − l| + |f (x) − l0 |. Alors, |l − l0 | <  + 0 .
| {z } | {z } | {z }
< <0 00
Pour 00 << 1 , on peut écrire |l − l0 | < 00 . Donc, l = l0 . Ce qui est absurde.
Proposition 2.1.2 Supposons que lim f (x) = l1 et lim g (x) = l2 et soit λ ∈ R.
x−→x0 x−→x0
Alors,
1. lim (f + g) (x) = l1 + l2 , lim (f × g) (x) = l1 × l2 , lim |f (x)| = |l1 | ,
x−→x0 x−→x
 0 x−→x0

lim (λf ) (x) = λl1 et lim fg (x) = l1


l2 , (l2 6= 0 et g 6= 0 au V (x0 )) .
x−→x0 x−→x 0

2. Si f ≥ g au voisinage de x0 alors l1 ≥ l2 .
Exemple 2.1.2 Vérifier que f (x) = x − [x] 2 n’a pas de limite quand x tend vers 1.
En effet, il suffit de calculer lim + x − [x] = 0 et lim − x − [x] = 1.
x−→1 x−→1
Théorème 2.1.1 (critère utilisant les suites) : Soit

f : Df ⊆ R →R, x 7→ f (x)

une fonction définie au voisinage de x0 ∈ R, sauf peut être en x0 . Un nombre


réel l est la limite de f quand x tend vers x0 si et seulement si pout toute
suite (un )n≥0 d’éléments Df \ {x0 } convergente vers x0 alors la suite (f (un ))n≥0
converge vers l.

2.1.1 Limites infinies, limites quand x tends vers ±∞ et les formes indéterminées
Définition 2.1.2 On définit les limites infinies et limites quand x tends vers ±∞ de
f comme suit :
– lim f (x) = +∞ ⇔ ∀A > 0, ∃ηA > 0; ∀x ∈ R tels que 0 < |x − x0 | < η alors
x−→x0
f (x) > A,

1 Négligeable.
2 partie entière de x.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 33 — #43


i i

2.2 Fonctions continues 33

– lim f (x) = −∞ ⇔ ∀B < 0, ∃ηB > 0; ∀x ∈ R tels que 0 < |x − x0 | < η alors
x−→x0
f (x) < B,
– lim f (x) = l ⇔ ∀ > 0, ∃A > 0; ∀x ∈ R tels que x > A alors |f (x) − l| < ,
x−→+∞
– lim f (x) = l ⇔ ∀ > 0, ∃B < 0; ∀x ∈ R tels que x < B alors |f (x) − l| < .
x−→−∞

Remarque 2.1.4 Les quatres formes indéterminées les plus connues sont :
0 ∞
, , ∞ − ∞, 0 × ∞.
0 ∞
Exemple 2.1.3 Trouver que
r
√ √ 1
q
lim x+ x+ x− x= .
x−→+∞ 2

2.2 Fonctions continues


Soit
f: Df −→ R
x 7−→ f (x)
et x0 ∈ R.
Définition 2.2.1 On dit que f est continue en x0 ∈ R si :
1. f est définie en x0 (x0 ∈ Df ) ,
2. lim f (x) = f (x0 ) .
x−→x0

Remarque 2.2.1
1. f est continue en x0 ⇔ (f définie en x0 . Pour toute (xn )n≥0 convergent vers x0 ,
(f (xn ))n≥0 converge vers f (x0 )).
2. On dit que f est continue sur une partie A ⊆ Df si f est continue en tout point
de A.
3. Soient f et g deux fonctions continues en x0 et soit λ un réel alors (f + g) ,
(f × g) , (λf ) , fg (g (x0 ) 6= 0) et |f | sont aussi continues en x0 .
Conséquences
1. La fonction f ≡ id : R →R, x 7→ x est continue sur R (utiliser la définition et
prendre η = ). Alors, la fonction
n
X
f : R →R, x 7→ f (x) = a p xp
p=0

est continue sur R (ap ∈ R, p = 1, . . . , n).


2. Les fonctions trigonométriques sont continues là où elles sonts définies.
3. Fonctions composées : Soient f continue en x0 ∈ R et g continue en y0 =
f (x0 ) ∈ R. Alors, g ◦ f est continue en x0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 34 — #44


i i

34 Chapitre 2. Etude des fonctions réelles d’une variable réelle

r  
tan x
Exemple 2.2.1 Etudier la continuité de la fonction f (x) = sin √
x+1
sur R.
(Indication : f est continue sur son Df comme composée de fonctions continues).
Définition 2.2.2 (Prolongement par continuité)
Soit f : ]x0 − α, x0 + α[ \ {x0 } −→ R une fonction et soit x0 ∈ R. Si f admet une
limite l ∈ R en x0 , alors la fonction fe : I ∪ {x0 } −→ R définie par

f (x) si x ∈ ]x0 − α, x0 + α[ \ {x0 }
f (x) =
e
l si x = x0

est continue sur I ∪ {x0 } . Cette fonction est dite prolongement par continuité de f
en x0 .
sin x sin x
Exemple 2.2.2 Soit f (x) = x . Puisque limx−→0 x = 1. On peut vérifier que

f (x) si x 6= 0
fe(x) =
1 si x = 0

est le prolongement par continuité de f en 0.

2.2.1 Propriétés des fonctions continues


Théorème 2.2.1 Soit I = [a, b] , a < b, un intervalle fermé borné sur R. Toute
fonction continue sur I est bormée et atteint ses bornes.
Théorème 2.2.2 (de la valeur intermédiaire) Soit f : I−→ R continue sur I, f
une fonction continue sur I, m = inf f (I) et M = sup f (I) . Alors, ∀y0 ∈ ]m, M [ ,
∃x0 ∈ I tel que y0 = f (x0 ) .
Preuve : On peut supposer m = 6 M car sinon le problème est clair. Soit y0 ∈ ]m, M [ ,
d’après la caractérisation de la borne inférieure et la borne supérieure il existe
x1 , x2 ∈ I (par exemple x1 < x2 ) tel que

m ≤ f (x1 ) < y0 < f (x2 ) ≤ M.

Soit
E = {x ∈ [x1 , x2 ] / f (x) ≤ y0 } ⊆ R.
E 6= ∅ car x1 ∈ E par contradiction. E est majoré par x2 donc E admet une
borne supérieure x0 = sup E. On va montrer que f (x0 ) = y0 . Soit n ≥ 1,
∃un ∈ E : x0 − n1 < un < x0 (caractérisation de la borne supérieure) donc
lim un = x0 . Comme f est continue donc lim f (un ) = f (x0 ) . Or, un ∈
n→+∞ n→+∞
E ⇒ f (un ) ≤ y0 donc f (x0 ) ≤ y0 . Cette dernière montre aussi que x0 ∈ E
⇒ x0 = max E : pour x0 < x < x2 ⇒ f (x) > y0 . Par passage à la limite et la
continuité de f , on a f (x0 ) ≤ y0 . D’où le résultat. 
Corollaire 2.2.1 L’image d’un intervalle de R par une fonction continue est un
intervalle de R

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 35 — #45


i i

2.2 Fonctions continues 35

2.2.2 Théorème des fonctions réciproques


Théorème 2.2.3 Soit I un intervalle de R. Toute fonction f : I−→ R, continue et
strictement monotone admet une fonction réciproque, notée f −1 , qui est continue,
strictement monotone et de même sens de variation que f .
Remarque 2.2.2
– Les graphes de f et f −1 sont définies, respectivement comme suit :

Γf = (x, y) ∈ R2 / y = f (x)


Γf −1 = (z, t) ∈ R2 / t = f −1 (z)


– Le graphe de f −1 s’obtient à partir de celui de f par la symétrie par rapport à


la première bissectrice.

Exemples de fonctions réciproques


1. Fonction racine n-ème : La fonction
n
() : [0, +∞[ −→ [0, +∞[
, n≥1
x 7−→ xn

continue et strictement croissante sur [0, +∞[, donc il existe une fonction notée
√ 1
n = () n telle que :


n : [0, +∞[ −→ [0, +∞[
1
y 7−→ yn
1
 1 n
vérifiant (xn ) n = x, ∀x ∈ [0, +∞[ et y n = y, ∀y ∈ [0, +∞[ . Les graphes de
f et f −1 sont comme suit :

2. Fonctions réciproques des fonctions trogonométriques :


(a) La  fonction Arcsin : La fonction sin est strictement croissante sur
I = − π2 ; π2 , elle définit une bijection de I sur


h  π  π i
J = sin − ; sin = [−1; 1] .
2 2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 36 — #46


i i

36 Chapitre 2. Etude des fonctions réelles d’une variable réelle

La bijection réciproque est notée arcsin [arcsinus], elle est définie par :
 π π
arcsin : [−1; 1] −→ −2; 2
arcsin (x) = y tel que y ∈ − π2 ; π2 et sin (y) = x.
 
x 7−→

Les graphes de sin et arcsin sont comme suit :

(b) La fonction Arccos : La fonction f : [0; π] −→ [−1; 1] définie par


f (x) = cos (x), est continue et strictement décroissante, elle définit donc
une bijection de [0; π] sur [−1; 1] . Par définition, la bijection réciproque est
appelée fonction arccosinus et notée arccos, elle est définie par :

arccos : [−1; 1] −→ [0; π]


x 7−→ arccos (x) = y tel que y ∈ [0; π] et cos (y) = x.

Les graphes de cos et arccos sont comme suit :

(c) La fonction Arctan : La fonction f : − π2 ; π2 −→ R définie par f (x) =


 

tan (x), est continue et strictement croissante, elle définit donc une bijec-
tion de − π2 ; π2 sur R. Par définition, la bijection réciproque est appelée


fonction arctangente et notée arctan, elle est définie par :


 π π
arccos : R −→ −2; 2
arctan (x) = y tel que y ∈ − π2 ; π2 et tan (y) = x.
 
x 7−→

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 37 — #47


i i

2.2 Fonctions continues 37

Les graphes de tan et arctan sont comme suit :

3. Les fonctions exponentielle et logarithme : Il existe une fonction notée e


(ou exp) définie sur R comme suit :

e: R −→ R
x 7−→ ex

continue et strictement croissante sur R avec e(R) = R∗+ , donc il existe une
fonction notée log telle que :

log : ]0, +∞[ −→ R


y 7−→ log (y)

vérifiant log(ex ) = x, ∀x ∈ R et exp(log(y)) = y, ∀y ∈ R∗+ . Les graphes de exp


et log sont comme suit :

2.2.3 Continuité uniforme


Définition 2.2.3 f : Df ⊆ R −→ R. On dit que f est uniformément continue sur
Df si :

∀ > 0, ∃η > 0; ∀x, x0 ∈ Df tels que |x − x0 | < η alors |f (x) − f (x0 )| < .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 38 — #48


i i

38 Chapitre 2. Etude des fonctions réelles d’une variable réelle

Exemple 2.2.3 La fonction f (x) = x est uniformément continue sur R. En effet, soit
 > 0, on cherche η > 0; ∀x, x0 ∈ R tels que |x − x0 | < η alors |f (x) − f (x0 )| <
. Il suffit de prendre η = .
Théorème 2.2.4 Soit I = [a, b] , a < b, un intervalle de R (fermé et bormé). Toute
fonction continue sur I est uniformément continue sur I.

2.3 Dérivabilité
Soit f : Df ⊆ R −→ R une fonction continue en x0 ∈ Df.
Définition 2.3.1 On dit que f est dérivable en x0 si et seulement si la fonction

f (x) − f (x0 )
x 7−→
x − x0
admet une limite finie quand x tend vers x0 . Lorsque cette limite existe et finie,
elle sera notée f 0 (x0 ) et elle est appelée la dérivée de f en x0 .
Remarque 2.3.1
f (x)−f (x0 ) f (x0 +h)−f (x0 )
1. On peut remplacer x−x0 par la quantité h avec x = x0 + h et
x → x0 ⇔ h → 0.
2. f est dérivable en x0 si et seulement si il existe une fonction  définie au voisinage
de x0 et un nombre réel α tels que :

f (x) = f (x0 ) + α (x − x0 ) + (x − x0 )  (x) , avec lim  (x) = 0.


x−→x0

3. Si f est dérivable en x0 alors f 0 (x0 ) est unique.


Exemple 2.3.1 Soit f (x) = sin x, x0 ∈ R.

sin (x0 + h) − sin (x0 ) 2 sin (h/2) cos (x0 + h/2)


lim = lim
h−→0 h h−→0 h
sin (h/2)
= lim cos (x0 + h/2) = cos (x0 ) .
h−→0 h/2
0
Donc, (sin x) (x0 ) = cos (x0 ) .

2.3.1 Opérations sur les fonctions dérivables


Théorème 2.3.1 Soit f : Df ⊆ R −→ R et g : Dg ⊆ R −→ R deux fonctions
dérivables en x0 ∈ Df ∩ Dg, et soit λ ∈ R. Alors,
1. (f + g) est dérivable en x0 et on a (f + g)0 (x0 ) = f 0 (x0 ) + g 0 (x0 ).
2. (λf ) est dérivable en x0 et on a (λf )0 (x0 ) = λf 0 (x0 ).
3. (f × g) est dérivable en x0 et on a

(f × g)0 (x0 ) = f 0 (x0 ) × g(x0 ) + f (x0 ) × g 0 (x0 ).

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 39 — #49


i i

2.3 Dérivabilité 39

f
4. Si g(x0 ) 6= 0, g est dérivable en x0 et on a

f 0 (x0 ) × g(x0 ) − f (x0 ) × g 0 (x0 )


(f × g)0 (x0 ) = .
g 2 (x0 )

5. Si de plus f est dérivable en g(x0 ), alors (f ◦ g) est dérivable en x0 et on a :

(f ◦ g)0 (x0 ) = f 0 (g(x0 )) × g 0 (x0 ).

6. Calculer la dérivée de la fonction



log x2 + 1
f (x) = .
x

Dérivée d’une fonction réciproque


Théorème 2.3.2 Soit f :]a, b[⊆ R −→ R une fonction continue et strictement mono-
tone, on note f −1 sa fonction réciproque. Si f est dérivable en x0 (avec x0 ∈ ]a, b[)
et si f 0 (x0 ) 6= 0 alors f −1 est dérivable en y0 = f (x0 ) et on a :
0 1
f −1 (y0 ) = .
f 0 (f −1 (y0 ))

Applications :
1. La fonction arcsinus
 π π
arcsin : [−1; 1] −→ −2; 2
arcsin (x) = y tel que y ∈ − π2 ; π2 et sin (y) = x.
 
x 7−→

est strictement croissante et continue sur [−1; 1] , elle est dérivable sur ]−1; 1[
mais pas en −1 ni en 1 [tangente verticale en ces points], on a la formule suivante :
1 1
∀x ∈ ]−1; 1[ , arcsin0 (x) = =√ .
cos (arcsin (x)) 1 − x2
2. La fonction arccosinus
arccos : [−1; 1] −→ [0; π]
x 7−→ arccos (x) = y tel que y ∈ [0; π] et cos (y) = x.

Cette fonction est strictement décroissante et continue sur [−1; 1] , elle est
dérivable sur ]−1; 1[ mais pas en −1 ni en 1 [tangente verticale en ces points],
on a la formule suivante :
1 −1
∀x ∈ ]−1; 1[ , arccos0 (x) = =√ .
sin (arccos (x)) 1 − x2
3. La fonction arctangente
 π π
arctan : R −→ −2; 2
arctan (x) = y tel que y ∈ − π2 ; π2 et tan (y) = x.
 
x 7−→

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 40 — #50


i i

40 Chapitre 2. Etude des fonctions réelles d’une variable réelle

Cette fonction est strictement croissante, continue et dérivable sur R et on a la


formule suivante :
1 1
∀x ∈ R, arctan0 (x) = 2 = .
1 + tan (arctan (x)) 1 + x2

Remarque 2.3.2
f (x)−f (x0 )
1. Dérivée à droite en x0 : limx−→x0 x−x0 = fd0 (x0 ) .
x>x0

f (x)−f (x0 )
2. Dérivée à gauche en x0 : limx−→x0 x−x0 = fg0 (x0 ) .
x<x0

3. f dérivable en x0 si et seulement si fd0 (x0 ) = fg0 (x0 ) (= f 0 (x0 )) .

2.3.2 Propriétés des fonctions dérivables


Définition 2.3.2 Soit f une fonction définie sur un intervalle I ⊆ R. f admet un
maximum (respectivement, minimum) en x0 ∈ I si : f (x) ≤ f (x0 ) , ∀x ∈ I
(respectivement, f (x) ≥ f (x0 ) , ∀x ∈ I). On dit que f admet un maximum local
(respectivement, minimum) en x0 ∈ I s’il existe h > 0, ∀x ∈ I : |x − x0 | < h
alors f (x) ≤ f (x0 ) (respectivement, f (x) ≥ f (x0 )).
Proposition 2.3.1 (Extremum local) : Soit f une fonction définie sur un inter-
valle I ⊆ R. Si f admet un extrêmum local en x0 ∈ I et si f est dérivable en x0
alors f 0 (x0 ) = 0.
Théorème 2.3.3 (Rolle) Soit f : [a, b] −→ R (a 6= b) continue sur [a, b], dérivable
sur ]a, b[. Si on a f (a) = f (b) alors ∃c ∈]a, b[ tel que f 0 (c) = 0.
Preuve : Comme f est continue sur [a, b] alors f ([a, b]) est un intervalle borné
et atteint ses bornes. Il existe donc x0 ∈ [a, b] tel que f (x0 ) = max f (x) . Il
x∈[a,b]
existe aussi x1 ∈ [a, b] tel que f (x1 ) = min f (x) . Si f est constante c’es à dire
x∈[a,b]
∀c ∈ ]a, b[ , f 0 (c) = 0. Supposons que f est non constante c’est à dire qu’il existe
un nombre α dans ]a, b[ : f (α) 6= (f (a) = f (b)) . Si f (α) > (f (a) = f (b)) alors
x0 ∈ ]a, b[ donc f 0 (x0 ) = 0. 
Corollaire 2.3.1 (Formule des accroissements finis) Soit f : [a, b] −→ R conti-
nue sur [a, b], dérivable sur ]a, b[ alors il existe c ∈]a, b[ tel que : f (b) − f (a) =
(b − a) f 0 (c) .
 
Preuve : Posons, pour a 6= b, g (x) = f (x)− f (b)−fb−a
(a)
(x − a)−f (a) et appliquons
le théorème de Rolle. 
Théorème 2.3.4 (Formule d’inégalité des accroissements finis) Soit

f : [a, b] −→ R

continue sur [a, b], dérivable sur ]a, b[ et s’il existe deux réels m et M tels que
∀x ∈ ]a, b[ , m ≤ f 0 (x) ≤ M alors

m (b − a) ≤ f (b) − f (a) ≤ M (b − a) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 41 — #51


i i

2.4 Fonctions convexes 41

Remarque 2.3.2 ∀x ∈ ]a, b[ , |f 0 (x)| ≤ M alors |f (b) − f (a)| ≤ M (b − a) et plus


généralement,
∀x, y ∈ [a, b] , |f (x) − f (y)| ≤ M |x − y| .

Exemple 2.3.4 Donner un encadrement de 10001. En effet, appliquons √ la formule
d’inégalité des accroissements finis pour la fonction f (x) = x sur l’intervalle
0 1
 4   
10 , 10001 . On vérifie facilement
que |f
(x)| ≤ 200 , ∀x ∈ 104 , 10001 . Ainsi,
f (10001) − f 104 ≤ 1 10001 − 104 = 1 . D’où,

200 200
1 √ 1
99. 995 = 100 − ≤ 10001 ≤ 100 + = 100, 005.
200 200
Théorème 2.3.5 (du point fixe) : Soit f une fonction dérivable sur R. On suppose
qu’il existe une constante réel k : 0 < k < 1 telle que |f 0 (x)| ≤ k, pour tout
x ∈ R alors, l’équation f (x) = x admet une solution unique.

2.4 Fonctions convexes


Définition 2.4.1 Une fonction f est convexe sur un intervalle I de R si ∀ (x, y) ∈ I 2
et λ ∈ [0, 1] ;
f (λx + (1 − λ) y) ≤ λf (x) + (1 − λ) f (y) .
Remarque 2.4.1 La fonction f est concave si (−f ) est convexe.
Géométriquement : f convexe c’est à dire quelque soit A et B deux points de
gaphe de f, la droite (AB) est située au "dessus" de l’arc AB.
Remarque 2.4.2 Si f est convexe définie sur I intervalle de R alors ∀ (x, y) ∈ I 2 ,
on a f x+y
2 ≤ 12 [f (x) + f (y)] .
Exemple 2.4.1 f (x) = |x| est convexe. En effet, soient x, y ∈ R, λ ∈ [0, 1] ,
f (λx + (1 − λ) y) = |λx + (1 − λ) y|
≤ |λx| + |(1 − λ) y|
≤ λf (x) + (1 − λ) f (y) .
D’où, f est convexe.
Théorème 2.4.1 Si f est deux fois dérivable sur I alors f convexe sur I si et seulement
si ∀ x ∈ I, f 00 (x) ≥ 0.
Exemple 2.4.2 f (x) = x2 , f 0 (x) = 2x, f 00 (x) = 2 > 0. Alors, f est convexe.
Exemple 2.4.3 f (x) = log x, f 0 (x) = x1 , f 00 (x) = − x12 < 0. Alors, (−f ) est convexe.
D’où, f est concave.

2.5 Complément sur les fonctions classiques


2.5.1 Fonctions hyperboliques
x −x
Définition 2.5.1 Pour x ∈ R, on pose ch (x) = e +e 2 [cosinus hyperbolique],
x −x sh(x) x −x
sh (x) = e −e
2 [sinus hyperbolique], et th (x) = ch(x) = eex −e
+e−x [tangente
hyperbolique].

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 42 — #52


i i

42 Chapitre 2. Etude des fonctions réelles d’une variable réelle

Le cosinus hyperbolique
La fonction ch est paire, définie continue dérivable sur R et ch0 (x) = sh (x) , on en
définit le tableau de variation et la courbe :

x 0 0 +∞
+∞ +∞
ch (x) & %
1

Propriété 2.5.1
1. ∀x ∈ R, ch (x) ≥ 1.
ch(x) ch(x)
2. lim x = +∞ et lim x = 12 .
x→+∞ x→+∞ e

Le sinus hyperbolique
La fonction sh est impaire, définie continue dérivable sur R et sh0 (x) = ch (x) , on en
déduit le tableau de variation et la courbe :

x −∞ 0 +∞
+∞
%
sh (x) 0
%
−∞

Propriété 2.5.2
1. ∀x ∈ R, ch (x) + sh (x) = ex et ch (x) − sh (x) = e−x .
2. ∀x > 0, x < sh (x) < ch (x) .
sh(x) sh(x)
3. lim x = +∞ et lim x = 12 .
x→+∞ x→+∞ e

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 43 — #53


i i

2.5 Complément sur les fonctions classiques 43

La tangente hyperbolique
ch2 (x)−sh2 (x)
La fonction th est impaire, définie continue dérivable sur R et th0 (x) = ch2 (x) =
1
ch2 (x) , on en déduit le tableau de variation et la courbe :

x −∞ 0 +∞
1
%
th (x) 0
%
−1

Propriété 2.5.3
1. ∀x ∈ R, −1 < th (x) < 1.
2. ∀x > 0, th (x) < x.

Trigonométrie hyperbolique
1. ∀x ∈ R, ch2 (x) − sh2 (x) = 1.
2. Formules d’addition : ∀x, y ∈ R on a :
– ch (x + y) = ch (x) ch (y) + sh (x) sh (y) .
– sh (x + y) = sh (x) ch (y) + ch (x) sh (y) .
th(x)+th(y)
– th (x + y) = 1+th(x)th(y) .
– En particulier :

ch (2x) = 2ch2 (x) − 1 = 1 + 2sh2 (x) .


sh (2x) = 2sh (x) ch (x) .
2th (x)
th (2x) = .
1 + th2 (x)
x+y x−y
3. Transformations de somme en produit : ∀x, y ∈ R, en posant p = 2 et q = 2 ,
on a x = p + q et y = p − q, on obtient :
– ch (x) + ch (y) = 2ch x+y x−y
 
2  ch 2 .
– ch (x) − ch (y) = 2sh x+y2  sh
x−y
2 .
x+y x−y
– sh (x) + sh (y) = 2sh 2 ch 2 .
sh(x+y)
– th (x) + th (y) = ch(x)ch(y) .
Remarque 2.5.1 Il est possible d’étendre ces fonctions aux complexes, en posant
z −z z −z
pour z ∈ C : ch (x) = e +e
2 et sh (x) = e −e
2 . On peut déduire des formules
d’Euler que pour tout réel x, cos (x) = ch (ix) et i sin (x) = sh (ix) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 44 — #54


i i

44 Chapitre 2. Etude des fonctions réelles d’une variable réelle

2.5.2 Inversion des fonctions hyperboliques

La fonction ch définit une bijection de ]0; +∞[ sur l’intervalle [1; +∞[ , la bijection
réciproque est notée arg ch [argument cosinus hyperbolique] et définie par :

arg ch : [1; +∞[ −→ [0; +∞[


x 7−→ arg ch (x) = y tel que y ≥ 0 et ch (y) = x.

Cette fonction est continue sur [1; +∞[ , strictement croissante, dérivable sur ]1; +∞[
mais pas en 1 (car la dérivée de ch s’annule en 0 et ch (0) = 1), sa dérivée est :

1 1
∀x > 1, arg ch0 (x) = =√ .
sh (arg ch (x)) 2
x −1

Courbe représentative

x 1 +∞
+∞
arg ch (x) %
0

Propriété 2.5.4 1. ∀x ≥ 0, arg ch (ch (x)) = x.


2. ∀x ≥ 1, ch (arg ch (x)) = x.
√ 
3. ∀x ≥ 1, arg ch (x) = log x + x2 − 1 .
arg ch(x) arg ch(x)
4. lim x = 0 et lim = 1.
x→+∞ x→+∞ log(x)

La fonction sh définit une bijection de R sur R, la bijection réciproque est notée


arg sh [argument sinus hyperbolique] et définie par :

arg sh : R −→ R
x 7−→ arg sh (x) = y tel que sh (y) = x.

Cette fonction est continue sur R, strictement croissante, dérivable sur R (car la dérivée
de sh ne s’annule pas), sa dérivée est :

1 1
∀x ∈ R, arg sh0 (x) = =√ .
ch (arg sh (x)) 2
x +1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 45 — #55


i i

2.5 Complément sur les fonctions classiques 45

Courbe représentative

x −∞ 0 +∞
+∞
%
arg sh (x) 0
%
−∞

Propriété 2.5.5 1. ∀x ∈ R, arg sh (sh (x)) = x et sh (arg sh (x)) = x.


2. ∀x ∈ R, arg sh (−x) = − arg sh (x) .
√ 
3. ∀x ∈ R, arg sh (x) = log x + x2 + 1 .
4. ∀x > 0, x < arg sh (x) .
arg sh(x) arg sh(x)
5. lim x = 0 et lim = 1.
x→+∞ x→+∞ log(x)
La fonction th définit une bijection de R sur ]−1; 1[ , la bijection réciproque est
notée arg th [argument tangente hyperbolique] et définie par :
arg th : ]−1; 1[ −→ R
x 7−→ arg th (x) = y tel que th (y) = x.
Cette fonction est continue sur ]−1; 1[ , strictement croissante, dérivable sur ]−1; 1[
(car la dérivée de sh ne s’annule pas), sa dérivée est :
1 1
∀x ∈ ]−1; 1[ , arg th0 (x) = = .
1 − th2 (arg th (x)) 1 − x2
Courbe représentative

x −1 0 1
+∞
%
arg th (x) 0
%
−∞

Propriété 2.5.6 1. ∀x ∈ R, arg th (th (x)) = x et


∀x ∈ ]−1; 1[ , th (arg th (x)) = x.
2. ∀x ∈ ]−1; 1[ , arg th (−x) = − arg th (x) .
3. ∀x > 0, arg th (x) > x.
 
1+x
4. ∀x ∈ ]−1; 1[ , arg th (x) = 21 log 1−x .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 46 — #56


i i

46 Chapitre 2. Etude des fonctions réelles d’une variable réelle

2.6 Formules de Taylor


2.6.1 Généralités sur les dérivée d’ordre supérieur
Soit une fonction f : I ⊆ −→ R. On pose f (0) = f et on définit par récurrence la
fonction dérivée n-ième de f sur I, notée f (n) , comme la dérivée de f (n−1) si elle
existe.
Exemple 2.6.1
1. f (x) = xn , f 0 (x) = nxn−1 , f 00 (x) = n (n − 1) xn−2 , . . . ,
f (n) (x) = n (n − 1) · · · 1 = n!.
2. f (x) = sin x, f 0 (x) = cos x, f 00 (x) = − sin x, . . . , f (n) (x) = sin x + n π2 .


3. f (x) = cos x, f 0 (x) = − sin x, f 00 (x) = − cos x, . . . , f (n) (x) = cos x + n π2 .




Théorème 2.6.1 (Formule de Leibnitz) Soient f, g deux fonctions n fois dérivable


sur I alors f × g est n fois dérivables sur I et on a :
n
X
n
(f × g) = Cnp f p g n−p .
p=0

p
Preuve : Récurrence sur n et utiliser Cnp + Cnp−1 = Cn+1 .
Remarque 2.6.1 On dit que f est de classe C n si et seulement si f (n) (x) est continue.
On dit que f est de classe C ∞ si elle est indéfiniment et continûment dérivable.

2.6.2 Formule de Taylor-Lagrange


Théorème 2.6.2 Soit f une fonction de classe C n sur un intervalle [a, b] de R et telle
que f (n+1) soit définie sur ]a, b[ , alors il existe c ∈ ]a, b[ tel que
n n+1
(b − a) (n) (b − a)
f (b) = f (a) + (b − a) f 0 (a) + · · · + f (a) + f (n+1) (c).
| {z n! } (n + 1)!
| {z }
Partie régulière du développement de Taylor-Lagrange de f Reste de Lagrange

2.6.3 Formule de Taylor-Young


Théorème 2.6.3 Soit f une fonction de classe C n sur un intervalle I contenant x0 ,
alors ∀x ∈ I, on a
n
(x − x0 ) (n) n
f (x) = f (x0 ) + (x − x0 ) f 0 (x0 ) + · · · + f (x0 ) + (x − x0 )  (x) ,
n!
avec lim  (x) = 0.
x→x0
Corollaire 2.6.1 (Formule de Mac-Laurin) Dans le càs particulier (x0 = 0), on
obtient la formule de Mac-Laurin suivante :
xn (n)
f (x) = f (0) + xf 0 (0) + · · · + f (0) + xn  (x) ,
n!
avec lim  (x) = 0.
x→0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 47 — #57


i i

2.7 Développements limités 47

Exemple 2.6.2
xn

1. ∀x ∈ R, ex = 1 + x + · · · + + xn  (x) avec lim  (x) = 0. f (n) (0) = 1 .
n! x→0
2. ∀x ∈ R, sin x est de classe C ∞ sur R et on a : f (n) (x) = sin x + n π2 alors

k
f (2k) (0) = 0 et f (2k+1) (0) = (−1) , k ∈ N. D’où, ∀x ∈ R,
n
X k x2k+1
sin x = (−1) + x2n+1  (x) (x → 0)
(2k + 1)!
k=0
x3 n x
2n+1
=x− + · · · + (−1) + x2n+1  (x) (x → 0) .
3! (2n + 1)!

3. ∀x ∈ R, cos x est de classe C ∞ sur R et on a : f (n) (x) = cos x + n π2 alors



k
f (2k) (0) = (−1) et f (2k+1) (0) = 0, k ∈ N. D’où, ∀x ∈ R,
n
X k x2k
cos x = (−1) + x2n  (x) (x → 0)
(2k)!
k=0
x2 n x
2n
=1− + · · · + (−1) + x2n  (x) , (x → 0) .
2! (2n)!

2.7 Développements limités


Soient f : ]−α, α[ −→ R, α ∈ R∗+ , une fonction définie au voisinage de 0, sauf peut
être en 0, et n un entier naturel.
Définition 2.7.1 On dit que f admet un développement limité (DL) à l’ordre n en 0
s’il existe des coefficients réels a0 , a1 , a2 , ..., an et une fonction ε : ]−α, α[ −→ R,
sauf peut être en 0, tels que :
n
X
f (x) = ak xk + xn  (x) , ∀x ∈ ]−α, α[ \ {0} , avec lim  (x) = 0.
x−→0
k=0

Remarque 2.7.1 1. Dans certains ouvrages, on peut écrire O (xn ) à la place de


xn  (x) , ∀n ∈ N.
2. Aucune propriété de f n’est demandée.
3. Si f admet un DL en zéro à l’ordre n alors limx−→0 f (x) = a0 . Donc si f
n’admet pas de limite finie en 0 alors f n’admet pas de DL en 0 (Exemples :
f (x) = x1 , f (x) = log(x)).
4. Si f admet un DL en 0 à l’ordre n, on aura :
n
X
f (x) = ak xk + xn  (x), avec lim  (x) = 0
| {z } x−→0
k=0
| {z } Rn (x)
Pn (x)

Pn (x) : La partie principale du DL de f en 0 et Rn (x) : Le reste du DL


de f en 0.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 48 — #58


i i

48 Chapitre 2. Etude des fonctions réelles d’une variable réelle

Exemple 2.7.1 Pour x 6= 1, on sait que : 1 − xn+1 = (1 − x) (1 + x + · · · + xn ) ,


n ≥ 0. Alors,
1 − xn+1
= 1 + x + · · · + xn , n ≥ 0.
1−x
Ainsi,
1 x
= 1 + x + · · · + xn + xn .
1−x | {z } 1−x
Pn (x) | {z }
Rn (x)
1 x
C’est le DL de la fonction 1−x en zéro à l’ordre n avec limx−→0 1−x = 0.

2.7.1 Propriétés des développements limités


Proposition 2.7.1 1. Si f admet un DL en 0 à l’ordre n et si 0 ≤ p ≤ n alors f
admet un DL en 0 à l’ordre p.
2. Une fonction f admet au plus un DL en 0 à un ordre donné n.
Exemple 2.7.2 1. Déterminer le DL en 0 à l’ordre 2 de la fonction suivante :
x sin x1 , si x 6= 0
 3
f (x) =
0 sinon

En effet, x3 sin x1 = 0 + x2 x sin x1 , limx−→0 x sin x1 = 0.


 

2. f admet-elle un DL en 0 à l’ordre 3 ? Non, car sin x1 n’admet pas de limite


en 0.
Remarque 2.7.2 Si f est une fonction paire (resp : impaire) admet un DL en zéro à
l’ordre n alors sa partie principale est un polynôme pair (resp : impair).

2.7.2 Dévelppoments limités des fonctions classiques


Théorème 2.7.1 Soit f : ]−α, α[ −→ R, α ∈ R∗+ , une fonction n fois dérivable sur
l’intervalle ]−α, α[, alors f admet un DL en 0 à l’ordre n donné par la formule
de Mac-Laurin :
n
X f (k) (0)
f (x) = xk + xn  (x) , avec lim  (x) = 0.
k! x−→0
k=0

Exemple 2.7.3 1. La fonction exponentielle est infiniment dérivable donc elle


admet un DL à n’importe quelle ordre n. On a f (k) (x) = f (x) et f (k) (0) = 1,
∀k ∈ N, d’où le DL de ex en 0 à l’ordre n est donné par :
n
X 1 k
ex = x + xn  (x) , avec lim  (x) = 0.
k! x−→0
k=0

2. Le DL de sin x en 0 à l’ordre 2n + 1 est donné par :


n
X k x2k+1
sin x = (−1) + x2n+1  (x) , avec lim  (x) = 0.
(2k + 1)! x−→0
k=0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 49 — #59


i i

2.7 Développements limités 49

3. Le DL de cos x en 0 à l’ordre 2n est donné par :


n
X k x2k
cos x = (−1) + x2n  (x) , avec lim  (x) = 0.
(2k)! x−→0
k=0

Les DL en zéro de quelques fonctions usuelles


n
α
X α (α − 1) (α − 2) · · · (α − k + 1)
(1 + x) = xk +xn  (x) , avec lim  (x) = 0, α ∈ R.
k! x−→0
k=0
n
X k xk+1
log (1 + x) = (−1) + xn+1  (x) , avec lim  (x) = 0.
k+1 x−→0
k=0
n
−1
X k
(1 + x) = (−1) xk + xn  (x) , avec lim  (x) = 0.
x−→0
k=0
n
−1
X
(1 − x) = xk + xn  (x) , avec lim  (x) = 0.
x−→0
k=0
n k+1
X x
log (1 − x) = − + xn+1  (x) , avec lim  (x) = 0.
k+1 x−→0
k=0

2.7.3 Opérations sur les développements limités


Supposons que
f (x) = Pn (x) + xn 1 (x) , avec lim 1 (x) = 0,
x−→0
n
g (x) = Qn (x) + x 2 (x) , avec lim 2 (x) = 0.
x−→0

2.7.4 La somme
Théorème 2.7.2 La fonction (λf + βg), λ et β ∈ R, admet un DL en zéro à l’ordre
n qui est donné par :
(λf +βg) (x) = Rn (x)+xn  (x) , avec Rn (x) = λPn (x)+βQn (x) et lim  (x) = 0.
x−→0

Exemple 2.7.4 1. Calculer le DL de la fonction ch(x) en 0 à un ordre donné. On


sait que :
ex + e−x
ch(x) = .
2
D’où,
n
X x2k
ch(x) = + x2n  (x) , avec lim  (x) = 0.
(2k)! x−→0
k=0
2. De même on démontre que
n
X x2k+1
sh(x) = + x2n+1  (x) , avec lim  (x) = 0.
(2k + 1)! x−→0
k=0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 50 — #60


i i

50 Chapitre 2. Etude des fonctions réelles d’une variable réelle

2.7.5 Le produit
Théorème 2.7.3 La fonction (f × g) admet un DL en zéro à l’ordre n dont la partie
principale s’obtient en effectuant le produit Pn (x) × Qn (x) et ne conservant que
les termes de degré inférieur ou égal à n

(f × g) (x) = ”Pn (x) × Qn (x) ” + xn  (x) , avec lim  (x) = 0.


| {z } x−→0
Ne garder que les termes de degré ≤n

Exemple 2.7.5 Calculer le DL de la fonction sin2 (x) en 0 à l’ordre 6. On sait que le


DL de la fonction sin(x) est donné par

x3 x5
sin x = x − + + x6  (x) , avec lim  (x) = 0.
3! 5! x−→0

Donc,

x3 x5 x3 x5
  
2
sin (x) = ” x − + x− + ” + x6  (x) , avec lim  (x) = 0.
3! 5! 3! 5! x−→0
| {z }
Ne garder que les termes de degré ≤6

D’où,
x4 2
sin2 (x) = x2 − + x6 + x6  (x) , avec lim  (x) = 0.
3 45 x−→0

2.7.6 Fonctions composées


Développements limités au voisinage de x0 ∈ R∗
Définition 2.7.2 Soit f une fonction définie au voisinage de x0 et non nécessairement
en x0 . f admet un DL à l’ordre n au voisinage de x0 veut dire qu’il existe des
coefficients réels a0 , a1 , a2 , ..., an tels que pour tout x ∈ V (x0 ), on a
n n
f (x) = a0 +a1 (x − x0 )+· · ·+an (x − x0 ) +(x − x0 )  (x) , avec lim  (x) = 0.
x−→0

Marche à suivre 1. Si f vérifie les conditions de la formule de Taylor-Lagrange,


on a
f (n) (x0 )
an = , ∀n ∈ N.
n!
2. Ou bien on applique un changement de variables comme dans l’exemple
suivant.
Exemple 2.7.6 On calcule le DL de ex au voisinage de 1 à un ordre donné. On pose
y = x − 1 −→ 0 ⇔ x = y + 1.
x→π

n
X 1 k
ex = e(y+1) = eey = e y + y n  (y) , avec lim  (y) = 0.
k! y−→0
k=0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 51 — #61


i i

2.7 Développements limités 51

Donc,
n
X 1 k n
ex = e (x − 1) + (x − 1)  (x) , avec lim  (x) = 0.
k! x−→0
k=0

C’est le DL de ex au voisinage de 1.
Développement limité de (f ◦ g) au viosinage de zéro Supposons que g admet
un DL en 0 à l’ordre n donné par

g (x) = b0 + b1 x + · · · + bn xn + xn 1 (x) , avec lim 1 (x) = 0


x−→0

et f admet un DL en b0 à l’ordre n comme suit


n n
f (x) = a0 +a1 (x − b0 )+· · ·+an (x − b0 ) +(x − b0 ) 2 (x) , avec lim 2 (x) = 0.
x−→b0

Théorème 2.7.4 La fonction h = (f ◦ g) admet un DL en 0 à l’ordre n dont la partie


principale s’obtient en développant l’expression
n
a0 + a1 (b1 x + · · · + bn xn ) + · · · + an (b1 x + · · · + bn xn )

et ne gardant que les termes de degré ≤ n. Ainsi,


n
h (x) = ”a0 + a1 (b1 x + · · · + bn xn ) + · · · + an (b1 x + · · · + bn xn ) ” + xn  (x) ,
| {z }
Ne garder que les termes de degré ≤n

avec limx−→0  (x) = 0.


Exemple 2.7.7 Calculons le DL de esin x en zéro à l’ordre 3. On pose f (x) = ex et
g(x) = sin x.

x3
g (x) = sin x = x − + x3 1 (x) , avec lim 1 (x) = 0, b0 = 0.
6 x−→0

x2 x3
f (x) = ex = 1 + x + + + x3 2 (x) , avec lim 2 (x) = 0.
2 6 x−→b0 =0.

Alors,
2 3
x3 x3 x3
   
sin x 1 1
h (x) = e = ”1 + x − + x− + x− ” + x3  (x) ,
6 2 6 6 6
| {z }
Ne garder que les termes de degré ≤3

avec limx−→0  (x) = 0. D’où,

x2
h (x) = esin x = 1 + x + + x3  (x) , avec lim  (x) = 0.
2 x−→0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 52 — #62


i i

52 Chapitre 2. Etude des fonctions réelles d’une variable réelle

2.7.7 Le Quotient
Soit h(x) = fg(x)
(x)
une fonction définie au voisinage de zéro (la fonction g ne s’annule
pas au voisinage de 0). On se propose de calculer le DL de h en 0 sachant que

f (x) = Pn (x) + xn 1 (x) = a0 + a1 x + · · · + an xn + xn 1 (x) , avec lim 1 (x) = 0,


x−→0

g(x) = Qn (x) + xn 2 (x) = b0 + b1 x + · · · + bn xn + xn 2 (x) , avec lim 2 (x) = 0.


x−→0

Il est à noter que b0 6= 0 car g ne s’annule pas au voisinage de 0. C’est une condition
nécessaire pour pouvoir faire la division suivant les puissances croissantes de Pn (x)
par Qn (x).
Théorème 2.7.5 La fonction h(x) = fg(x) (x)
admet un DL en zéro à l’ordre n dont la
partie principale est le quotient de la division suivant les puissances croissantes
de Pn (x) par Qn (x) à l’ordre n, c’est à dire

Pn (x) = S (x) × Qn (x) + xn+1 R (x) , avec S(x) = 0 ou deg (S) ≤ n.

Ainsi le DL de h est donné par

h(x) = S(x) + xn  (x) , avec lim  (x) = 0.


x−→0

ex
Exemple 2.7.8 Calculer le DL de h(x) = 1+sin x en 0 à l’ordre 3. En effet,

x2 x3
ex = 1 + x + + + x3 1 (x) , avec lim 1 (x) = 0,
2 6 x−→0

x3
1 + sin x = 1 + x − + x3 2 (x) , avec lim 2 (x) = 0.
6 x−→0

En faisant la division suivant les puissances croissantes à l’ordre 3 de

x2 x3 x3
   
1+x+ + par 1 + x − ,
2 6 6

on obtient,

x2 x3 x2 x3 x3 x2
      
1 x
1+x+ + = 1+ − 1+x− + x4 + − .
2 6 2 6 6 6 12 36

D’où,
x2 x3
h (x) = 1 + − + x3  (x) , avec lim  (x) = 0.
2 6 x−→0

Remarque 2.7.3 Le Théorème 2.2.4 reste valable même si la fonction g s’annule au


voisinage de 0, mais dans ce cas il faut que la puissance du monôme de plus petit
degré dans le polynôme Qn (x) soit inférieure ou égale à celle dans le polynôme
Pn (x), donc la fonction h serait prolongeable à l’origine.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 53 — #63


i i

2.7 Développements limités 53

2.7.8 Autre propriétés des développements limités

Théorème 2.7.6 Soit f une fonction dérivable sur un voisinage de 0 telle que sa
fonction dérivée f 0 admet un DL en 0 à l’ordre n donné par

f 0 (x) = a0 + a1 x + · · · + an xn + xn 1 (x) , avec lim 1 (x) = 0.


x−→0

Alors, f admet le DL en 0 à l’ordre (n + 1) suivant

x2 xn+1
f (x) = cste + a0 x + a1 + · · · + an + xn+1 1 (x) ,
2 n+1

avec cste = f (0) et limx−→0 1 (x) = 0.

Donner le DL de la fonction arctan(x) en zéro à l’ordre 4. En effet, la fonction en


question est dérivable au voisinage de 0 avec arctan0 (x) = 1+x
1
2 , son DL à l’ordre 3 en
1 2 3
0 est donné par 1+x2 = 1 − x + x  (x) , avec limx−→0  (x) = 0. D’où,
Z
1 + x2 dx + x4  (x) , avec lim  (x) = 0,

arctan(x) = arctan(0) +
x−→0
3
x
=x− + x4  (x) , avec lim  (x) = 0.
3 x−→0

Développements limités au voisinage de l’infini

Pour calculer le DL d’une fonction f au V (∞), on pourra effectuer le changement de


variables suivant
1 1
y= −→ 0 ⇐⇒ x = .
x x→∞ y

D’où, la fonction f ( y1 ) admet un DL en zéro si et seulement si f (x) admet un DL à


l’∞.
1
Exemple 2.7.9 Donner le DL à l’∞ à l’ordre 4 de la fonction f (x) = 1−x−x2 . En
effet, on pose
1 1
y= −→ 0 ⇐⇒ x = .
x x→∞ y
Ainsi,

1 y2
f (x) = f ( ) = 2 = −y 2 + y 3 − 2y 4 + y 4  (y) , avec lim  (y) = 0.
y y −y−1 y−→0

D’où,
1 1 2 1
f (x) = − 2
+ 3 − 4 + 4  (x) , avec lim  (x) = 0.
x x x x x−→∞

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 54 — #64


i i

54 Chapitre 2. Etude des fonctions réelles d’une variable réelle

2.8 Fonctions équivalentes, définition et opérations


Définition 2.8.1 On dit que deux fonctions f et g définies au voisinage de x0 (avec
x0 fini ou infini) sont équivalentes quand x tend vers x0 et on note f ∼ g s’il
x→x0
existe une fonction h définie au voisinage de x0 telle que :

f (x) = g(x) × h(x), avec lim h (x) = 1.


x→x0

Remarque 2.8.1 Si la fonction g ne s’annule pas au voisinage de x0 alors


   
f (x)
f ∼ g ⇐⇒ lim =1 .
x0 x→x0 g (x)

Exemple 2.8.1 Montrer que sin x ∼ x. En effet, on sait que


x→0

x3
sin x = x − + x3  (x) , avec lim  (x) = 0
6 x−→0
x2
 
=x 1− + x2  (x) .
6
| {z }
h(x)−→1 quand x−→0

Ou encore,
sin x
lim = 1.
x−→0 x
Marche à suivre
Si une fonction f admet un DL au voisinage de x0 alors f (x) ∼ Pn (x) . La
x→x0
proposotion suivante traduit l’impotance des fonctions équivalentes.
 
Proposition 2.8.1 1. Si f ∼ g alors lim f (x) = lim g (x) . (La réciproque est
x0 x→x0 x→x0
fausse).
2. Si f et g ont la même limite l quand x tend vers x0 et si l est finie non
nulle alors f ∼ g.
x0

2.8.1 Opérations sur les fonctions équivalentes


Le produit
On suppose f ∼ g et f1 ∼ g1 alors f × f1 ∼ g × g1 .
x0 x0 x0

Le quotient
f
On suppose f ∼ g et f1 ∼ g1 alors ∼ gg1 ,
f1 x (f1 × g1 6= 0 au voisinage de x0 ) .
x0 x0 0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 55 — #65


i i

2.9 Applications 55

La somme
La relation d’équivalence n’est pas compatible avec la somme. Contre exemple :

x + x2 ∼ x + x3 et − x ∼ −x.
 
x→0 x→0

En faisant la somme composante par composante, on obtient x2 et x3 qui ne sont pas


équivalentes puisque
x3
lim 2 = 0 6= 1.
x→0 x

2.9 Applications
Un DL d’une fonction f au voisinage d’un point x0 permet d’obtenir un équivalent de
f en x0 sous forme polynomiale
n n
f (x) = a0 + a1 (x − x0 ) + · · · + an (x − x0 ) + (x − x0 )  (x) , avec lim  (x) = 0
x−→x0

et donc au voisinage de x0
n
f (x) ∼ a0 + a1 (x − x0 ) + · · · + an (x − x0 ) .
x→x0

Ceci permet de remplacer f par son DL dans l’étude locale en x0 .


Exemple 2.9.1 On considère la fonction f définie par
(
log(2−e−x )
f (x) = x si x 6= 0
1 si x = 0

1. Le DL de f à l’ordre 3 au voisinage de 0

f (x) = 1 − x + x2 + x2  (x) , avec lim  (x) = 0.


x−→x0

2. L’équation de la tangente de f au voisinage de 0

y = f 0 (0) x + f (0) = (−1) × x + (1) = 1 − x.

Au voisinage de 0, f (x) − y = x2 + x2  (x) , avec limx−→x0  (x) = 0. D’où,


la courbe de f est située au dessus de la tengante au point d’abscisse 0.
Exemple 2.9.2 (Recherche des asymptotes) Chercher les asymptotes au graphe
de la fonction f définie sur R par
x
f (x) = 1 .
1 + ex
On a, limx−→∞ f (x) = ∞. Donc, pour déterminer les asymptotes de f au
voisinage de ∞, il suffit de calculer limx−→∞ f (x)
x . Ainsi, le DL à l’ordre 3 de f

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 56 — #66


i i

56 Chapitre 2. Etude des fonctions réelles d’une variable réelle

au voisinage de l’∞ est donnée par


1 1
f (x) = f ( ) =
y y (1 + ey )
 
1 1 1 1 3
= − y + y + y 2  (y) , avec lim  (y) = 0.
y 2 4 48 y−→0

Alors,
f (x) 1 11 1 1 1
= − + + 3  (x) , avec lim  (x) = 0.
x 2 4 x 48 x3 x x−→∞
Finalement,
1 1 1 1 1
f (x) = x− + + 2  (x) , avec lim  (x) = 0.
2 4 48 x2 x x−→∞

Ainsi, y = 12 x − 14 est une asymptote du graphe de f au voisinage de l’∞. D’où,


le graphe est située au dessus de son asymptote.

2.10 Exercices
2.10.1 Enoncés
Exercice 1 :
1. Calculer les limites suivantes :
 
1 3 1−2 cos x
lim 1−x − 1−x 3 lim sin 5x lim π−3x
x→1 x→0 sin 2x x→ π
3

2. En utilisant le fait que, pour tout a ∈ R


 a x
lim 1 + = ea ,
x→+∞ x
trouver les limites suivantes :
 x
x−1 a x

lim x+1 lim 1+ x
x→+∞ x→−∞

Exercice 2 :
Soit la fonction réelle f définie sur R par :
 
1
f (x) = sin si x 6= 0 et f (0) = 1.
x
n
1. Trouver une suite de réels xn vérifiant limn→+∞ xn = 0 et f (xn ) = (−1) .
2. En déduire que f n’est pas continue en 0.
Exercice 3 :
Soit f : ]0, 1] −→ R définie par
x+1
f (x) = .
x2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 57 — #67


i i

2.10 Exercices 57

1. Montrer que f est uniformément continue sur [h, 1] , h > 0.


2. Est-elle uniformément continue sur ]0, 1] ?
Exercice 4 :

3

1. Calculer arccos 2 , arcsin 12 , arctan 3.
1 4
2. Vérifier que 2 arctan 2 = arctan 3.
3. Simplifier les expressions suivantes :

tan (2 arctan x) , cos (4 arctan x) , sin (2 arcsin x) .

Exercice 5 :
Etudier la dérivabilité de la fonction f dans chacun des cas suivants :
( 1

1. f (x) = e x2 −4 si |x| < 2


0 sinon

2. f (x) = cos x
x4 −1
3. f (x) = x−1 (on commence par prolonger f en 1)
Exercice 6 :
1
Soit f la fonction définie sur R∗+ par f (x) = xe ln x . Montrer que f admet un
prolongement de classe C 1 sur R+ \ {1} .
Exercice 7 :
1. Calculer la fonction dérivée de la fonction f dans chacun des cas suivants :
q
x
(a) f (x) = arcsin 1+sin2
√ 
(b) f (x) = 2 arctan 1 + x2 − x + arctan x
2. Etudier la dérivabilité de la fonction définie par :
 
2x
f (x) = arcsin .
1+x

Exercice 8 :
1. Résoudre les équations suivantes :
(a) arcsin x + arcsin 2x = arccos x + arccos 2x
π
(b) arctan 2x + arctan 3x = 4

2. Montrer que :
(a) tan (arcsin (tanh x)) = sinh x, ∀x ∈ R
q
(b) arg cosh cosh2x+1 = |x|2 , ∀x ∈ R

(c) 2 arctan (tanh x) = arctan (sinh 2x) , pour x appartient à un intervalle que
l’on précisera.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 58 — #68


i i

58 Chapitre 2. Etude des fonctions réelles d’une variable réelle

Exercice 9 :
Calculer, en utilisant le théorème des accroissements finis, les limites suivantes :
 1 1

1. lim e x − e 1+x x2
x→+∞
1 1 1

2. lim 2 ln
n→+∞ 2 + 3 ln 3 + · · · + n ln n

Exercice 10 :
Donner un développement limité des fonctions suivantes au voisinage de 0 à l’ordre
n:
 
1+x
f1 (x) = ln , n=4
1−x
x
f2 (x) = , n=5
sin x √
f3 (x) = ex − 1 + 2x, n = 2
x
f4 (x) = x , n=4
e −1
 
arg tanh x
f5 (x) = ln , n=3
x

f6 (x) = ex − x − 1, n = 3
 2

f7 (x) = arcsin e−x , n = 5

Exercice 11 :
Donner un développement limité des fonctions suivantes au voisinage du point x0
à l’ordre n :
x π
f1 (x) = (sin x) , x0 = , n=4
2
π
f2 (x) = arctan (2 sin x) , x0 = , n = 3
3
ln x
f3 (x) = 2 , x0 = 1, n = 4
x
Exercice 12 :
Donner un développement limité généralisé des fonctions suivantes au voisinage de
l’∞ à l’ordre n :
 
1
f1 (x) = ln x tan , n=4
x
r
2
3 x + x + 1
f2 (x) = , n=2
x2 + 1
r
x+1
f3 (x) = arctan , n=3
x+2

Exercice 13 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 59 — #69


i i

2.10 Exercices 59

Calculer les limites suivantes :


sin x−ln(ex cos x) x
lim x sin x lim e −cos x−x
x→0 x→0 x−ln(1+x)
  1
1
2 1 e x −cos
lim cos2 ( x
+ ln(sin( x
lim p x
x→π 2) 2 )) x→+∞ 1− 1− x12

Exercice 14 :

1+sin x
1. Trouver un équivalent au voisinage de 0 de f (x) = e − e.
p √ √ 
2. Trouver un équivalent au voisinage de +∞ de g (x) = x x2 + x4 + 1 − x 2 .

Exercice 15 :
Déterminer α ∈ R et β ∈ R tels que :

ex
 
α
lim + +β = 0.
x→0 ln (1 + x) x

2.10.2 Corrigés

Exercice 1 :

1.
   
1 3 1 3
lim − = lim 1−
x→1 1 − x 1 − x3 x→1 1 − x 1 + x + x2
x + x2 − 2
  
1
= lim
x→1 1 − x 1 + x + x2
  
1 (x − 1) (x + 2)
= lim
x→1 1 − x 1 + x + x2
= −1.

sin 5x sin 5x x 5
lim = lim = .
x→0 sin 2x x→0 x sin 2x 2

1 − 2 cos π3 − h

1 − 2 cos x
lim = lim
h→0 π − 3 π − h

x→ π3 π − 3x 3

1 − 2 cos π3 cos h + sin π3 sin h

3
= lim =− .
h→0 3h 3

2. En utilisant le fait que, pour tout a ∈ R


 a x
lim 1+ = ea ,
x→+∞ x

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 60 — #70


i i

60 Chapitre 2. Etude des fonctions réelles d’une variable réelle

trouver les limites suivantes :


 x  x
x−1 x+1−2
lim = lim
x→+∞ x + 1 x→+∞ x+1
 x
2
= lim 1−
x→+∞ x+1
 x+1
2
1 − x+1 1
= lim 2 = 2.
x→+∞ 1 − x+1 e

 a x  a −x
lim 1+ = lim 1 −
x→−∞ x x→+∞ x
1
= lim  x = ea .
x→+∞ a
1 + −x

Exercice 2 :
1
 π
 n
1. Il suffit de prendre Soit n ∈ N, xn = (2n+1) π car sin (2n + 1)
2 = (−1) et
2
n
donc limn→+∞ xn = 0 et f (xn ) = (−1) .
2. Supposons que f est continue en 0, en particulier, comme limn→+∞ xn = 0
n
alors limn→+∞ f (xn ) = f (0) = 1. Or, limn→+∞ f (xn ) = limn→+∞ (−1) qui
n’existe pas. D’où, f n’est pas continue en 0.
Exercice 3 :
1. f est continue sur [h, 1] , h > 0 avec [h, 1] un intervalle fermé borné. Donc, f est
uniformément continue sur [h, 1] , h > 0.
2. f n’est pas uniformément continue sur ]0, 1]. C’est à dire, montrer qu’il existe
 > 0, ∀η0 > 0, ∃x, y ∈ ]0, 1] tel que |x − y| < η0 et

|f (x) − f (y)| ≥ .

En effet,

x + 1 y + 1 (x + 1) (xy + x + y)
|f (x) − f (y)| = 2 −
= .
x y2 x2 y 2

2 1
Soit y = n et x = Pour que x, y ∈ ]0, 1] , il suffit que n ≥ 2 :
n.

2n + 3n2 4 + 12

|f (x) − f (y)| =

≥ 4 = 4.

4

Ainsi, pour  = 4 > 0, ∀η0 > 0, ∃x = n1 , y = n2 ∈ ]0, 1] avec n ≥ 2 et n ≥ η10


    
n = sup 2, E η10 + 1 tel que |x − y| = n1 < η0 et |f (x) − f (y)| ≥ 4. D’où
le résultat.
Exercice 4 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 61 — #71


i i

2.10 Exercices 61

1.

y ∈ [0, π]

3 √
π
arccos =y⇔ 3 ⇒y = .
2 cos y = 2 6
y ∈ − π2 , π2
  
1 π
arcsin = y ⇔ 1 ⇒y= .
2 cos y = 2 6

  π π
y ∈ − 2 ,√2 π
arctan 3 = y ⇔ ⇒y= .
tan y = 3 3

– Posons y = 2 arctan 21 . Montrons que

y ∈ − π2 , π2
  

tan y = 43

2 tan arctan 21
  
1
tan y = tan 2 arctan =
1 − tan2 arctan 12

2
1
2× 2 4
= = .
1 2 3

1− 2

1
On a 0 < 2 < 1. Comme la fonction arctan est croissante donc

1 π
0 = arctan 0 < arctan
< arctan 1 = .
2 4
1 π i π πh
⇒ 0 < 2 arctan < ⇒ y ∈ − , .
2 2 2 2
– Posons f (x) = tan (2 arctan x) .
n n π π oo
Df = R\ x / 2 arctan x ∈
/ − ,
2 2
= R\ {−1, 1} .

Ainsi,
2 tan (arctan x) 2x
tan (2 arctan x) = 2 = .
1 − tan (arctan x) 1 − x2
– Posons f (x) = cos (4 arctan x) . Df = R.

1 − tan2 (2 arctan x)
cos (4 arctan x) =
1 + tan2 (2 arctan x)
 2
2x
1 − 1−x 2 x4 − 6x2 + 1
= 2 = 2 .
(x2 + 1)

2x
1 + 1−x 2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 62 — #72


i i

62 Chapitre 2. Etude des fonctions réelles d’une variable réelle

– Posons f (x) = sin (2 arcsin x) . Df = [−1, 1] .

sin (2 arcsin x) = 2x cos (arcsin x)


q
= 2x 1 − sin2 (arcsin x) (car cos (arcsin x) ≥ 0)
p
= 2x 1 − x2 .

Exercice 5 :
1. Comme f est pair, le domaine d’étude est R+ .
– Continuité en 2 :

lim f (x) = 0 = f (2) = lim− f (x) = 0.


x→2+ x→2

Donc, f est continue en 2. D’où, la continuité de f sur R+ .


– Dérivabilité en 2 :
f (x) − f (2) f (x) − f (2)
lim+ = 0 = lim− .
x→2 x−2 x→2 x−2

Donc, f est dérivable en 2. D’où, la dérivable de f sur tout R.



2. f (x) = cos x. Df = R+ . f est continue sur R+ , dérivable sur R∗+ .
– Dérivabilité en 0+ :

f (x) − f (0) cos x − 1
lim+ = lim+
x→0 x−0 x→0 x
cos y − 1 1
= lim+ =− .
y→0 y2 2

Donc, f est dérivable en 0+ . D’où, la dérivable de f sur R+ .


x4 −1
3. f (x) = x−1 . Df = R\ {1} .

x4 − 1
= lim x2 − 1 (x + 1) = 4.

lim f (x) = lim
x→1 x→1 x − 1 x→1

Donc, f admet un prolongement par continuité en 1 définie par

x4 −1

x−1 si x 6= 1
g (x) =
4 si x = 1

Dérivabilité de g en 1 :

x4 −1
g (x) − g (1) x−1 −4
= lim x2 + 2x + 3 = 6.

lim = lim
x→1 x−1 x→1 x−1 x→1

Donc, g est dérivable en 1. D’où, la dérivable de g sur tout R.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 63 — #73


i i

2.10 Exercices 63

Exercice 6 :
Df = R∗+ \ {1} .
1
lim f (x) = lim+ xe ln x = 0.
x→0+ x→0

Donc, f admet un prolongement par continuité en 0 définie par


 1
xe ln x si x ∈ R∗+ \ {1}
g (x) =
0 si x = 0

Soit x ∈ R∗+ \ {1} ,


 
0 0 1 1
g (x) = f (x) = e ln x 1− 2 .
ln x
Donc, g 0 est continue sur R∗+ \ {1} .

g (x) − g (0) 1
lim = lim+ e ln x = 1 = g 0 (0) = lim+ g 0 (x) .
x→0+ x−0 x→0 x→0

Donc, g 0 est continue en 0. Ainsi, g 0 est continue sur R+ \ {1} . D’où, f admet un
prolongement de classe C 1 sur R+ \ {1} .
Exercice 7 :
2 (−1)k
1. (a) f 0 (x) = √cos x
2 1−sin2 x
= cos x
2|cos x| = 2 , k ∈ N.
(b) f 0 (x) = π
2.
2. Df = − 13 , 1 . Le domaine de dérivabilité :
 

     
1 2x 1
Dd = x ∈ − ,1 / ∈
/ {1, −1} = − , 1 .
3 1+x 3

Soit, x ∈ − 13 , 1 ,
 
2 1
f 0 (x) = √ .
1 + x 1 − 3x2 + 2x
Exercice 8 :
n√ o
1. (a) SR = 55 .

(b) SR = 16 .


(a)

sin (arcsin (tanh x)) tanh x


tan (arcsin (tanh x)) = =p
cos (arcsin (tanh x)) 2
1 − sin (arcsin (tanh x))
sinh x
tanh x cosh x
=p = 1
1 − tanh2 x |cosh x|

= sinh x. (car cosh x ≥ 1, ∀x ∈ R).

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 64 — #74


i i

64 Chapitre 2. Etude des fonctions réelles d’une variable réelle

(b)

r
cosh x + 1   x   x  x
arg cosh = arg cosh cosh = arg cosh cosh = ,

2 2 2 2

car cosh x ≥ 1 et cosh x est pair, ∀x ∈ R.

(c) En passant par la dérivée, on vérifie pour tout x ∈ R,

2 arctan (tanh x) = arctan (sinh 2x) .

Exercice 9 :

1
1. Soit f (x) = e x . Soit x > 0, f est continue sur [x, x + 1] , dérivable sur ]x, x + 1[ .
D’après le théorème des accroissements finis,

f (x + 1) − f (x) 1 1
∃c ∈ ]x, x + 1[ , = f 0 (c) = − 2 e c .
x+1−x c

Ainsi, en réalisant cet encadrement :

x2  1 1

2 < e x − e 1+x x2 < 1
(x + 1)

 1 1

on peut conclure que lim e x − e 1+x x2 = 1.
x→+∞
!
n
1 1 1 1
 P
2. lim 2 ln 2 + 3 ln 3 + ··· + n ln n = lim p ln p . On applique le théo-
n→+∞ n→+∞ p=2
rème des accroissements finis pour f (x) = ln (ln x) sur [p, p + 1] . On obtient
n
1
P
ainsi un minorant de p ln p qui tend vers +∞ quand n tend vers +∞ :
p=2

n
X 1
ln (ln (n + 1)) − ln (ln 2) ≤ .
p=2
p ln p

1 1 1

D’où, lim 2 ln 2 + 3 ln 3 + ··· + n ln n = +∞.
n→+∞

Exercice 10 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 65 — #75


i i

2.10 Exercices 65

 
1+x 2
= 2x + x3 + O x4

f1 (x) = ln
1−x 3
1 2 7 4
x + O x5

f2 (x) = 1 + x +
6 360
f3 (x) = x2 + O x2
1 1 1 4
f4 (x) = 1 − x + x2 − x + O x4

2 12 720
1 2 3

f5 (x) = x + O x
3  
signe (x) 1 1
x + x2 + x3 + O x3

f6 (x) = √
2 6 36

 
1 1 1 5
f7 (x) = π − 2signe (x) x − x3 + x + O x5

2 6 120
Exercice 11 :
 2   
x π π 2 1  π 3 π π  π 4 π 4
f1 (x) = (sin x) = 1 − x− − x− + − x− +O x−
4 2 2 2 32 24 2 2
√   
π 1  π  3 3 π 2 3  π  3 π  3
f2 (x) = + x− − x− + x− +O x−
3 4 3 16 3 16 3 3
5 2 13 3 77 4

4

f3 (x) = (x − 1) − (x − 1) + (x − 1) − (x − 1) + O (x − 1)
2 3 12
Exercice 12 :
 
1 1 7 1 1
f1 (x) = + + O
3 x2 90 x4 x4
 
11 1 1 1
f2 (x) = 1 + − + O
3 x 9 x2 x2
 
1 11 3 1 55 1 1
f3 (x) == π − + − + O
4 4 x 8 x2 96 x3 x3
Exercice 13 :
sin x−ln(ex cos x) x
lim x sin x = 1
lim e −cos x−x =2
x→0 2 x→0 x−ln(1+x)
  1
1
2 1 e x −cos
lim x + ln(sin( x
=1 lim p x
= +∞
x→π cos2 ( )
2 2 )) x→+∞ 1− 1− x12

Exercice 14 :
√ √
− e = 2e x + O x2 . Donc e 1+sin x − e ∼ 2e x.
1+sin x

1. On a f (x) = e
0
p √ √  √
2 1

2. On a g (x) = x 2 4
x + x + 1 − x 2 = 8x2 + O x4 . Donc


q 
2
p
4
2
x x + x +1−x 2 ∼ .
+∞ 8x2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 66 — #76


i i

66 Chapitre 2. Etude des fonctions réelles d’une variable réelle

Exercice 15 :
ex
On a ln(1+x) = x1 + 3
2 + 11
12 x + O (x) . Donc,

ex α 1 3 11 α
+ + β = + + x + + β + O (x)
ln (1 + x) x x 2 12 x
 
3 (α + 1) 11
= +β + + x + O (x) .
2 x 12
 x 
e
Or, lim ln(1+x) + αx + β = 0. Ainsi,
x→0

3 3
+β =0⇒β =−
2 2
α + 1 = 0 ⇒ α = −1.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 67 — #77


i i

CHAPITRE 3

Séries numériques

3.1 Définitions
Définition 3.1.1 On appelle série à termes dans R, (Sn )n∈N , une suite définie par :

X
∀n ∈ N, Sn = uk
k=0

où (uk )0≤k≤n désigne une suite numérique réelle appelée terme général de la
série. Le réel Sn est appelé la n-ème somme partielle de la série. La série sera
notée X X X
uk ou un ou encore un .
k≥0 n≥0 n∈N
P
Définition 3.1.2 On dit que la série un converge si et seulement si la suite
n≥0
(Sn )n∈N des sommes partielles converge dans R. Dans ce cas, la limite de la suite
P +∞
P
(Sn )n∈N est appelée somme de la série un et notée un .
n≥0 n=0
P
Définition 3.1.3 On dit que la série un diverge si et seulement si elle ne converge
n≥0
pas.
Définition 3.1.4 Deux séries sont dites de même nature si et seulement si elles sont
toutes deux convergentes ou toutes deux divergentes.

3.2 Exemples
3.2.1 Série géométrique
n
Soit q ∈ R∗ . On s’intéresse à la série géométrique q n . On pose Sn = qk =
P P
n≥0 n=0
1 + q + q2 + · · · + qn .
– Si q = 1, alors Sn = 1 + n et lim Sn = +∞.
n→+∞
1−q n+1
– Si q 6= 1, alors Sn = 1−q .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 68 — #78


i i

68 Chapitre 3. Séries numériques

1
– Si −1 < q < 1, alors lim q n+1 = 0 donc Sn −→ 1−q . Donc, la série
n→+∞ n→∞
converge.
– Si q ≥ 1 ou q ≤ −1, alors Sn n’admet pas de limite dans R. Donc, la série
diverge.

3.2.2 Série harmonique


n
1 1
Pour tout n ∈ N∗ , on
P P
La série n est appelé série harmonique. Notons Hn = k.
n>0 k=1
note m = E (ln2 (n)) ∈ N. On a alors, m ≤ ln2 (n), soit n ≥ 2m .
Ainsi,
n 2m
X 1 X1
Hn = ≥ .
k k
k=1 k=1

Or,

2m      
X 1 1 1 1 1 1 1 1
=1+ + + + + ··· + + ··· + + · · · + .
k 2 3 4 5 8 2m−1 + 1 2m
k=1 | {z } | {z } | {z }
> 14 + 14 > 18 +···+ 18 > 21m +···+ 21m

Donc,
1 1 1 1 1
Hn ≥ 1 + + 2 × + 4 × + · · · + 2m−1 × m = 1 + m × .
2 4 8 2 2
D’où, Sn −→ ∞. Par conséquent, la série harmonique diverge.
n→∞

3.3 Propriétés
P
Proposition 3.3.1 (fondamentale) : Considérons un une série numérique réelle
P n≥0
de terme général (un )n∈N . Si un est convergente alors lim un = 0.
n≥0 n
P
Preuve : Si un converge vers S.
n≥0

n+1
X n
X
uk − uk = Sn+1 − Sn = un .
n=0 n=0

Or, lim Sn = lim Sn+1 = S. Donc, lim un = S − S = 0.


n n n
Remarque 3.3.1
– Attention la réciproque est fausse : voir la série harmonique.
– Cette propriété peut être utile pour démontrer la divergence d’une série : lim un 9
P P n
0, alors un diverge. On dit alors que un diverge grossièrement.
n≥0 n≥0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 69 — #79


i i

3.4 Séries à termes positifs 69

P P
Proposition 3.3.2 (algébrique) : Considérons un et vn deux séries conver-
n≥0 n≥0
gentes de somme U et V et λ ∈ R. Alors,
X
(un + λvn ) converge vers U + λV.
n≥0

3.4 Séries à termes positifs


3.4.1 Théorèmes de comparaison
un une série à termes dans R+ . Alors,
P P
– Soit un est convergente si et
n≥0 n≥0
n
+
P
seulement si il existe M ∈ R tel que ∀n ∈ N, uk ≤ M. En effet, la suite des
k=0
sommes partielles est une suite positive croissante. Donc, dire qu’elle converge
équivaut à direPqu’elle est
Pmajorée.
– On considère un et vn deux séries à termes réels positifs.
n≥0 n≥0 P
– S’il existe un entier n0 , tel que ∀n ≥ n0 , 0 ≤ un ≤ vn , et si vn converge,
P P P n≥0
alors un converge et dans ce cas on a : vn ≤ un . En effet, d’après
n≥0 n≥0 n≥0 P
le théorème précédent, la série des sommes partielles de vn est majorée,
n≥0 P
par comparaison, il en va de même pour les sommes partielles de un .
P n≥0
– S’il existe un entier n0 , tel que ∀n ≥ n0 , 0 ≤ un ≤ vn , et si un diverge,
P n≥0
alors vn diverge.
n≥0 P P
– On considère un et vn deux séries à termes réels positifs. Si
n≥0 n≥0

un ∼ vn ,
n→+∞

P P
alors les séries un et vn sont de même nature.
n≥0 n≥0

3.4.2 Critères de convergence


P
Critère D’Alembert : Soit un une série à termes strictement positifs (un > 0) .
n≥0
 
On suppose que uvnn admet une limite finie l dans R+ . Alors,
n∈N
X
Si l < 1, alors un converge,
n≥0
X
Si l > 1, alors un divverge.
n≥0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 70 — #80


i i

70 Chapitre 3. Séries numériques

Exemple 3.4.1 Appliquer le critère d’Alembert aux séries de terme général : un = nn!n ,
n
un = n1 , un = n12 , un = (2 + (−1) ) 2−n .
Comparaison fonction / série : Soit n0 ∈ N, f : [n0 , +∞[ −→ R+ , continue par
P R +∞
morceaux et décroissante. Alors, f (n) et n0 f (t) dt sont de même nature.
n≥0
Et dans ce cas de convergence : ∀n ≥ n0
Z +∞ +∞
X Z +∞
f (t) dt ≤ f (n) ≤ f (t) dt.
n+1 k=n+1 n

1
P
Conséquence (Série de Riemann) : Soit α ∈ R. nα converge si et seulement
n≥0
si α > 1.
P
Critère de Riemann : Soit un une série à termes positifs. Si
n≥0
X
∃α ∈ ]1, +∞[ / nα un −→ 0 alors un converge,
n→∞
n≥0
X
∃α ∈ ]0, 1] / nα un −→ +∞ alors un diverge.
n→∞
n≥0
P √ 
Critère de Cauchy : Soit un une série à termes positifs. On suppose que n un n∈N
n≥0
+
admet une limite finie l dans R . Alors
X
Si l < 1, alors un converge,
n≥0
X
Si l > 1, alors un diverge.
n≥0

3.5 Série quelconques. Convergence Absolue.


P
Définition 3.5.1 Soit un une série à termes réels (ou complexes). On dit que
P n≥0 P
un est absolument convergente si |un | est convergente.
n≥0 n≥0
P P
Proposition 3.5.1 Soit un et vn deux séries absolument convergentes et
Pn≥0 n≥0
λ ∈ R ou C. Alors (un + vn ) est absolument convergente.
n≥0
P P
Théorème 3.5.1 Soit un une série à termes réels (ou complexes). Si un est
n≥0 P n≥0
absolument convergente, alors un est convergente.
n≥0
Remarque 3.5.1
– Attention, la réciproque
 de ce théorème est fausse, il suffit de considérer la série

(−1)n
de terme général n .
n∈N
– Une série convergente mais non absolument convergente est dite semi-convergente.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 71 — #81


i i

3.6 Exercices 71

3.5.1 Série alternées


P
Définition 3.5.2 On dit qu’une série un à termes réels est alternée si et seulement
n≥0
n n
si ∀n ∈ N, un = (−1) |un | ou bien un = − (−1) |un | .
P
Proposition 3.5.2 (Critère spécial) : Soit un une série à termes réels.
n≥0
 P

 un est alternée
 n≥0 X
Si un −→ 0 alors un est convergente.
 (|u n→∞

 n≥0
n |)n∈N est décroissante

+∞
P
De plus, ∀n ∈ N, un ≤ |un+1 | .
n+1
P (−1)n
Exemple 3.5.2 Montrer que la série n est semi-convergente.
n≥0

3.6 Exercices
3.6.1 Enoncés
Exercice 1 : P
Etudier la convergence des séries un suivantes :

n n  √n
1. un = n sin( n1)  2. un = 2n 3. un = 1
2
1 1 π
 (−1)n +n
4. un = √n ln 1 + √n 5. un = 1 − cos n 6. un = n2 +1
√ 
n2 +n+1
7. un = an n!, a ∈ R 8. un = ne− n
9. un = ln n2 +n−1

ln(n2 +3) 2n +1
10. un = 4 n

Exercice 2 :
Etudier les séries de terme général suivant :
 n  n(−1)n
n! n−1 n−1
1. un = nan , a∈R 2. un = 2n+1 3. un = 2n+1

Exercice 3 : P
Donner la nature des séries numériques un suivantes :
q  n2
n
1. un = cosh n1 − 1 2. un = n+1
nα √ √
3. un = n sin n1 , α≥0 4. un = 3
n3 + an − n2 + 3, a ∈ R

Exercice 4 : P
Donner la nature des séries numériques un suivantes :

sin n2 (−1)n ln n cos(n2 π )


1. un = n2 2. un = n 3. un = n ln n .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 72 — #82


i i

72 Chapitre 3. Séries numériques

Exercice 5 :
Soit f : [0, 1] → R une fonction continue. Montrer que la série de terme général

1 1 n
Z
t f (t) dt
n 0
est absolument convergente.
Exercice 6 :
1. Démontrer que, pour tout x > 0, on a
1 2 1
√ −√ +√ ≥ 0.
x x+1 x+2

2. On note
+∞ k
X (−1)
Rn = √ .
k=n
k
P
Etudier la nature de la série Rn .
Exercice 7 :
Etudier la convergence de la série de terme général
n  q
Y (−1)
un = 1+ √ .
q=2
q

3.6.2 Corrigés
Exercice 1 :
1. On a limn→+∞ n sin( n1 ) = 1, et la série est grossièrement divergente.
nn
2. on a limn→+∞ 2n = +∞, et la série est grossièrement divergente.
3. On a :   √n √ √
1

− n √n
ln 2−2 ln
2
n un = n 2
= e(2 ln n− n ln 2) = e n .
2
Donc, limn→+∞ n2 un = 0. Ainsi, d’après le critère de Riemann, la série est
convergente.
4. Puisque ln(1 + x) ∼ x, on obtient
0

1
un ∼
0 n
et la série est donc divergente.
x2
5. Puisque 1 − cos x ∼ 2 alors
0
π2
un ∼
+∞ 2n2
et la série est convergente.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 73 — #83


i i

3.6 Exercices 73

n
6. On a (−1) + n ∼ n et n2 + 1 ∼ n2 donc
+∞ +∞

n
(−1) + n 1
2

n +1 +∞ n
Ainsi, d’après la conséquence de Riemann, la série est divergente.
7. Par croissance comparée des suites géométriques et P la suite factorielle, le terme
général ne tend pas vers 0, sauf si a = 0. La série un un est donc convergente
si et seulement si a = 0.
√ √
8. On a un = ne− n = eln n− n . Alors,

eln n− n √
−2 ln n
= e3 ln n− n → 0
e +∞

et donc  
1
un = O .
n2
La série est convergente.
9. On écrit simplement
 2   
n +n+1 2 2
un = ln = ln 1 − 2 ∼ − .
n2 + n − 1 n + n − 1 +∞ n2
La série est donc convergente.
10. On vérifie aisément que
√
ln n2 + 3 2n + 1 2 ln (n)
un = ∼  n .
4n +∞
√4
2

Puisque √4 > 2, on obtient


2  
1
un = O
2n
et donc la série est convergente.
Exercice 2 :
1. Une série dont le terme général est constitué de puissances et de factorielles est
très bien adaptée à l’utilisation du critère de D’Alembert. Dans le cas particulier
ce cette question, on a
(n+1)!  an
un+1 (n+1)an n 1
= n!
= × a−1 .
un nan
n+1 (n + 1)
Or, on peut écrire  an
n 1
= e−an ln(1+ n )
n+1
et donc ce terme converge vers e−a . On distingue alors trois cas :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 74 — #84


i i

74 Chapitre 3. Séries numériques

– Si a > 1, uun+1
P
n
tend vers 0, la série un converge.
– Si a = 1, uun+1 −1
P
n
tend vers e ∈ [0, 1[, et donc la série un converge.
un+1 P
– Si a < 1, un tend vers +∞, et donc la série un diverge.
2. Les séries dont le terme général porte une puissance n-ième sont bien adaptées à
l’utilisation du critère de Cauchy. On a ici :
√ n−1 1
n
un = → .
2n + 1 +∞ 2
La série converge.
3. On sépare les termes pairs et impairs. On a :
√ 2p − 1 1
2p u2p = →
4p + 1 +∞ 2
et par application du critère de Cauchy, la série de terme général u2p converge.
D’autre part,
 −1
√ 2p
2p+1 u
2p+1 = → 2
4p + 3 +∞

et par application du critère de Cauchy, la série de terme général u2p+1 diverge.


Ainsi, la série de terme général un diverge.
Exercice 3 :
1. Le terme général un est positif et on sait que cosh( n1 ) = 1 + 1
2n2 + O( n12 ), on
déduit que
1
un ∼ √ .
+∞ 2n
Par conséquent, la série est divergente.
2. On a : 2
un = e−n ln(1+ n ) ∼ e−n .
1

+∞
2
On en déduit que n un → 0 et la série de terme général un converge.
+∞
3. On a   nα
1
= e− 6n2−α +0( n2−α ) , α ≥ 0.
1 1
un = n sin
n
Ainsi, trois cas sont à distinguer :
P
– Si α < 2, un → 1 ⇒ un diverge.
+∞
1
– Si α = 2, un → e− 6 ⇒
P
un diverge.
+∞
2
P
– Si α > 2, n un → 0 ⇒ un converge.
+∞
4. On a
   
p
3
p 1 a 3 1
un = n3 + an − n2 + 3 = − +0 , a ∈ R.
n 3 2 n3
Ainsi,

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 75 — #85


i i

3.6 Exercices 75

– Si a 6= 29 , alors
P
un diverge.
– Si a = 92 , un → 0 ⇒
P
un converge.
+∞

Exercice 4 :
1
1. On a |un | ≤ n2 donc la série converge absolument.
2. La série est alternée, et le module du terme général décroît vers 0 à partir d’un
certain rang : la série converge par application du critère des séries alternées.
3. Il s’agit d’une série alternée bien cachée. En effet, n2 a la parité de n, et
k
cos (kπ) = (−1) . Le terme général vaut donc
n
(−1)
un = .
n ln n
La série converge par application immédiate du critère spécial des séries alternées.
Exercice 5 :
Soit f : [0, 1] → R une fonction continue. Puisque f est continue sur [0, 1], bornée
par M , et on a :
M 1 n
Z
M
|un | ≤ t dt ≤ .
n 0 n (n + 1)
Donc, la série de terme général (un ) est absolument convergente.
Exercice 6 :
1. Il suffit de remarquer que

1 1 1 1
√ −√ ≥√ −√ .
x x+1 x+1 x+2

Ainsi, pour tout x > 0, on a

1 2 1
√ −√ +√ ≥ 0.
x x+1 x+2
P
2. Il suffit de vérifier que la série Rn vérifie le critère des séries alternées. En
n
effet, le signe de Rn est le signe de (−1) (premier terme de la série). De plus,

1
|Rn | ≤ √ .
n

Ce qui prouve que (|Rn |) tend vers 0. Reste à prouver que (|Rn |) décroît vers 0.
Pour cela, on vérifie que
+∞  
X 1 2 1
|Rn+1 | − |Rn | = √ −√ +√ .
k=n
n+k n+k+1 n+k+2
P
Or, d’après 1., on a |Rn+1 | ≤ |Rn | . D’où, la série Rn est convergente.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 76 — #86


i i

76 Chapitre 3. Séries numériques

Exercice 7 :
On a
n   q 
X (−1)
ln (un ) = ln 1 + √
q=2
q
n  q  
X (−1) 1 1
= √ − + O 3 .
q=2
q 2q q 2

On reconnait ici deux séries convergentes et une série divergente dont l’estimation
des sommes partielles est bien connue. Précisément, on a
n  q n   
X (−1) X 1
√ et O 3
q=2
q q=2 q2

admettent une limite quand n tend vers +∞ et


n
X 1
= ln n + Dn
q=2
q

où Dn admet une limite lorsque n tend vers +∞. On peut donc écrire que :
1
un = − ln n + Cn
2
avec (Cn ) admet une limite lorsque n tend vers +∞, que l’on note C. Passant par
l’exponentielle :
eCn eC
un = √ ∼ √ .
n +∞ n
La série de terme général (un ) est donc divergente.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 77 — #87


i i

CHAPITRE 4

Intégration des fonctions réelles d’une variable réelle

Soient f et g deux fonctions continues sur un intervalle I de R et soient a et b dans I.

4.1 Généralités

4.1.1 Définition de l’intégrale

Définition 4.1.1 (Notion de primitive) : On dit que la fonction F est définie et


dérivable sur I est une primitive de f si l’égalité suivante a eu lieu : F 0 = f c’est
à dire F 0 (x) = f (x) , ∀x ∈ I.
Proposition 4.1.1 Si F est une primitive de f sur I. Alors, toute primitive de f sur
I s’obtiennent à partir de F en ajoutant une constante.
Preuve : Supposons que F et G deux primitives sur I. Alors, F 0 = f et G0 = g sur
0
I. Ainsi, (G − F ) = 0 ⇒ G − F = constante. D’où, G = F + constante sur I. 
Rx
Définition 4.1.2 La fonction F : x 7−→ a f (t) dt est l’unique primitive de f sur I
s’annulant en a.
Définition 4.1.3 L’intégrale de f entre a et b est le nombre définie par :
Z b
t=b
f (t) dt = [F (t)]t=a = F (b) − F (a) .
a

4.1.2 Propriétés élémentaires

Relation de Chasles

Proposition 4.1.2 Si c est dans I, alors


Z c Z b Z b
f (t) dt + f (t) dt = f (t) dt.
a c a

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 78 — #88


i i

78 Chapitre 4. Intégration des fonctions réelles d’une variable réelle

Preuve Par définition,


Z b
f (t) dt = F (b) − F (a)
a
= [F (b) − F (c)] + [F (c) − F (a)]
Z b Z c
= f (t) dt + f (t) dt.
c a

Linéarité
Proposition 4.1.3 Si α et β sont des constantes, alors :
Z c Z b Z b
[αf (t) + βg (t)] dt = α f (t) dt + β g (t) dt.
a c a

Preuve Par définition,


Z b
f (t) dt = F (b) − F (a) .
a
Donc, pour g = αf, on a
Z b Z b
g (t) dt = G (b) − G (a) = αf (t) dt
a a
= αF (b) − αF (a) = α (F (b) − F (a))
Z b
=α f (t) dt.
a

Positivité
Notation 4.1.1 Une écriture fonctionnelle du type f ≤ g signifie que, quel que soit
t ∈ I, f (t) ≤ g (t) .
Proposition 4.1.4 Si a ≤ b et si f ≥ 0, alors
Z b
f (t) dt ≥ 0.
a

Preuve Puisque f est positive, donc F est croissante (F 0 = f ≥ 0) . Donc F (a) ≤


Rb
F (b) car a ≤ b. D’où, F (b) − F (a) = a f (t) dt ≥ 0.
Corollaire 4.1.1 Si a ≤ b et si f ≤ g, alors
Z b Z b
f (t) dt ≤ g (t) dt.
a a

Preuve Posons h = g − f ≥ 0, alors H est croissante avec H 0 = h. On a H (a) ≤ H (b)


pour b ≥ a. D’où,
Z b Z b
H (b) − H (a) = h (t) dt = (g − f ) (t) dt ≥ 0.
a a

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 79 — #89


i i

4.1 Généralités 79

Théorème 4.1.1 (Méthode des rectangles pour le calcul approché d’une intégrale)
Soit f définie sur [a; b] −→ R une fonction continue. Alors,
Z b " n  #
b−a X b−a
f (x) dx = lim f a+k .
a n→+∞ n n
k=1

n
1
P
Exemple 4.1.1 Montrons que log 2 = lim .
n→+∞ k=1 n+k

Soit
f: [0; 1] −→ R
1
x 7−→ x+1
continue sur [0; 1] . Soient a = 0 et b = 1. Remarquons que
Z 1
1 1
dx = [log |x + 1|]0 = log 2.
0 x + 1
Appliquons la méthode des rectangles pour le calcul approché d’une intégrale,
Z 1 n   n  
1 1−0 X 1−0 1X k
dx = lim f 0+k = lim f
0 x + 1 n→+∞ n n n→+∞ n n
k=1 k=1
n n
1X 1 1X n
= lim k
= lim = log 2.
n→+∞ n + 1 n→+∞ n k=1 k + n
k=1 n

4.1.3 Inégalités
Proposition 4.1.5 (Inégalité de la moyenne) Si a ≤ b, et m ≤ f ≤ M, alors
Z b
m (b − a) ≤ f (t) dt ≤ M (b − a)
a

ou encore, si a 6= b
Z b
1
m≤ f (t) dt ≤ M.
b−a a

Preuve f continue sur [a; b] , alors m ≤ f ≤ M (bornée). Donc,


Z b Z b Z b
m (b − a) = mdt ≤ f (t) ≤ M dt = M (b − a) .
a a a

Corollaire 4.1.2 Si a ≤ b et si |f | ≤ k alors


Z b
0≤ |f (t)| dt ≤ k (b − a) .
a

Proposition 4.1.5 (Inégalité triangulaire) On a l’inégalité suivante :


Z Z
b b
f (t) dt ≤ |f (t)| dt.


a a

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 80 — #90


i i

80 Chapitre 4. Intégration des fonctions réelles d’une variable réelle

Preuve Remarquons que − |f | ≤ f ≤ |f | .


Définition 4.1.4 On dit que f est de classe C 1 si f est dérivable et si f 0 est continue.
Théorème 4.1.2 (Inégalité des accroissements finis) Supposons que f soit C 1
sur I. Si a ≤ b et si |f 0 | ≤ k, alors

|f (b) − f (a)| ≤ k (b − a) .

Preuve f soit C 1 , donc f 0 est continue, donc intégrable. On utilise


Z
b
0
|f (b) − f (a)| = f (t) dt

a
Z b
≤ |f 0 (t)| dt (f 0 bornée)
a
≤ k (b − a) .

4.2 Techniques de calcul d’une intégrale


4.2.1 Fonctions à valeurs complexes
Définition 4.2.1 Si f + ig est une fonction continue à valeur complexes, une de ses
primitives est F + iG et si on intègre
Z b Z b Z b
[f (t) + ig (t)] dt = f (t) dt + i g (t) dt.
a a a
at R 2π
Exemple 4.2.1 Soit a ∈ C∗ . La primitive de t 7−→ eat : e
a . Calculer 0
eit dt.
On a 2π

eit ei2π ei0
Z 
it 1 1
e dt = = − = − = 0.
0 i 0 i i i i
Ou bien,
Z 2π Z 2π Z 2π Z 2π
eit dt = (cos t + i sin t) dt = cos tdt + i sin tdt = 0.
0 0 0 0

Exemple 4.2.2 Calculons 0
cos te3t dt.
Cette intégrale est la partie réelle de
Z π Z π  (i+3)t π 
it 3t (i+3)t e −3 e3π + 1 e3π + 1
e e dt = e dt = = +i .
0 0 i+3 0 10 10
D’où,
π

−3 e3π + 1
Z
3t
cos te dt = .
0 10
Remarque 4.2.1 Comme va le montrer l’exemple précédent, il peut parfois passer
dans C pour faire des calculs dans R.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 81 — #91


i i

4.2 Techniques de calcul d’une intégrale 81

4.2.2 Intégration par parties

Théorème 4.2.1 Si f et g sont C 1 , alors


Z b Z b
b
f 0 (t) g (t) dt = [f (t) g (t)]a − f (t) g 0 (t) dt.
a a

0
Preuve On a f et g sont C 1 , donc (f g) = f 0 g + g 0 f. Alors,
Z b Z b Z b
0 0
(f (t) g (t)) dt = f (t) g (t) dt − f (t) g 0 (t) dt.
a a a

D’où,
Z b Z b
b
f 0 (t) g (t) dt = [f (t) g (t)]a − f (t) g 0 (t) dt.
a a

Rx
Exemple 4.2.3 Calculons e
log tdt.

On a
Z x Z x
log tdt = 1 × log tdt.
e e

On pose
f 0 (t) = 1 ⇒ f (t) = t
g (t) = log t ⇒ g 0 (t) = 1t

D’après le théorème d’intégration par parties,


Z x Z x
x 1
log tdt = [t log t]e − t × dt = x log x − x.
e e t

4.2.3 Changement de variables

Théorème 4.2.2 Soit ϕ une fonction de classe C 1 sur [a; b] , dont les valeurs sont
dans I. Alors,
Z b Z ϕ(b)
0 0
f (ϕ (t)) ϕ (t) dt = f (u) du.
a ϕ(a)

Remarque 4.2.2 Expliquons concrètement la méthode :


R ϕ(b)
Dans ϕ(a) f (u) du, on pose u = ϕ (t) (Changement de variables, donné ou à le
trouvé). Si t = a ou t = b alors u = ϕ (a) respectivement u = ϕ (b) . Ce qui conduit
0 0
à changer les bornes de l’intégrale. Ensuite, du
dt = ϕ (t) ⇐⇒ du = ϕ (t) dt que l’on
remplace dans l’intégrale.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 82 — #92


i i

82 Chapitre 4. Intégration des fonctions réelles d’une variable réelle

Exemple 4.2.4 Calculons, après avoir mis t2 + t + 1 sous forme canonique :


Z 1 Z 1
1 1
2+t+1
dt =  2  dt
0 t 0 3 2 1
√ t+ √ +1
4 3 3
Z √
3
√  
4 1 3 2 1 2
= du avec u = √ t + √ ⇒ du = √ dt
3 √1 u2 + 1 2 3 3 3
3


2 3 2 π π
  π 3
= √ [arctan (u)] √1 = √ − = .
3 3 3 3 6 9

4.3 Calcul pratique des intégrales


xn+1 n+1
 a
Rx n n+1 − n+1 , n 6= −1
1. a
t dt = x
log a , x = −1, a 6= 0.
Rx
2. In (x) = dt
a (λt+β)n
, λ 6= 0, n > 0 et − βλ ∈
/ [a, x] .
 h ix
1 1−n
 (λt + β)
λ(1−n) , n>1
In (x) = a
 log λx+β , n = 1.

λa+β

3. Pour calculer les intégrales de type


Z x   12 !
αt + β
F (x) = < t, dt
a γt + δ

avec αδ− βγ 6= 0 (permet d’écrire t en fonction de u lorqu’on fait le changement


  12  q 
de variable u = αt+β
γt+δ ). < t, αt+β
γt+δ est une expression qui regroupe t et
q
αt+β
γt+δ . Par exemple,
q
t+2
√  t+1
< t, = .
t+1
4. Pour calculer les intégrales de type
Z x
< cht, sht, et dt

F (x) =
a

on fait toujours le changement de variable u = et .


5. Pour calculer les intégrales de type
Z x
F (x) = < (sin t, cos t) dt
a
on pose
t
u = tan
2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 83 — #93


i i

4.4 Exercices 83

et donc
2u 1 − u2 2
sin t = 2
, cos t = 2
et dt = du.
1+u 1+u 1 + u2

4.4 Exercices
4.4.1 Enoncés
Exercice 1 :
En utilisant la notion d’intégrale, calculer les limites suivantes :

n−1 n
X 1 1 X√
lim (α, β > 0) , lim √ k
n→+∞ nα + kβ n→+∞ n n
k=0 k=1
n   n  1
1 X kπ Y 2k n
lim k sin , lim 1+ .
n→+∞ n2 2n n→+∞ n
k=1 k=1

Exercice 2 :
Calculer les primitives suivantes :

x2
Z Z Z
dx dx
, 2 , 2 dx,
(x + 2) (x2 + 2x + 5) x (1 + x2 ) (1 + x3 )
Z Z
x+2 x
√ dx, √ dx,
2
x − 5x + 6 2
x +x+2

ln x2 + 4x + 5
Z Z Z
dx dx
2 dx, x + e−x
, p x
(1 + x) e 1 + e2
Exercice 3 :
Calculer les primitives suivantes :
Z Z Z
dx dx dx
, ,
1 + 2 cos x 2 + sin x 5 cosh x + 3 sinh x + 4
Z Z Z
cosh x sin (2x) dx, x arcsin xdx, x arctan xdx

Exercice 4 :
Calculer pour n ∈ N, Z
In = xn arctan xdx

Exercice 5 :
On se propose d’étudier la fonction
Z x2
dt
f (x) = 2.
x (ln t)

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 84 — #94


i i

84 Chapitre 4. Intégration des fonctions réelles d’une variable réelle

1. Déterminer le domaine de définition Df de f.


2. Calculer f 0 (x) pour x ∈ Df ainsi que limx→0 f 0 (x) et limx→1 f 0 (x) .
3. En minorant convenablement f (x) par une fonction simple, déterminer limx→0 f (x) .
2
4. A l’aide d’un développement limité de la fonction t 7→ (ln t) au voisinage de
t = 1 et de majorants et de minorants simple de f (x) , déterminer limx→1− f (x)
et limx→1+ f (x) .
f (x)
5. Etudier le comportement de f (x) et x lorsque x → +∞.
6. Tracer la courbe de f.
Exercice 6 :
1. Montrer que pour tout x ∈ ]0, +∞[ , on a :
x 2
0≤ <
1 + x arctan x π
x
(On pourra étudier la fonction x 7→ 1+x arctan x ).
2. On considère la fonction
Z 3x
t
F (x) = dt.
x 1 + t arctan t
(a) Montrer que la fonction F est définie pour tout x ∈ R.
(b) Montrer que F est une fonction paire.
(c) Montrer que F est dérivable et calculer F 0 (x) , pour tout x ∈ R.
(d) En déduire que pour tout y ∈ [0, F (1)] , il existe un unique x ∈ [0, 1] tel
que : Z 3x
t
dt = y.
x 1 + t arctan t

4.4.2 Corrigés
Exercice 1 :
1
– Soit f (x) = α+βx (α, β > 0) une fonction continue sur [0, 1] . D’après, la méthode
des rectangles, on a :
n−1 n−1 n−1  
X 1 1X 1 1X k
lim = lim k
= lim f
n→+∞ nα + kβ n→+∞ n α + n β n→+∞ n n
k=0 k=0 k=0
Z 1 Z 1  
1 1 α+β
= f (x) dx = dx = ln .
0 0 α + βx β α

– Soit f (x) = x une fonction continue sur [0, 1] . D’après, la méthode des
rectangles, on a :
n n r n−1  
1 X√ 1X k 1X k
lim √ k = lim = lim f
n→+∞ n n n→+∞ n n n→+∞ n n
k=1 k=1 k=0
Z 1 Z 1
√ 2
= f (x) dx = xdx = .
0 0 3

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 85 — #95


i i

4.4 Exercices 85

πx

– Soit f (x) = x sin 2 une fonction continue sur [0, 1] . D’après, la méthode des
rectangles, on a :
n   n   n−1  
1 X kπ 1Xk kπ 1X k
lim k sin = lim sin = lim f
n→+∞ n2 2n n→+∞ n n n2 n→+∞ n n
k=1 k=1 k=0
Z 1 Z 1  πx  4
= f (x) dx = x sin dx = 2 .
0 0 2 π
– On a 1
n  
Y 2k n Pn 1
ln(1+ 2k
n )
lim 1+ = lim e k=1 n .
n→+∞ n n→+∞
k=1

Ainsi, Soit f (x) = ln (x) une fonction continue sur [1, 3] . D’après, la méthode
des rectangles, on a :
n   n  
X 1 2k 1 2X 2k
lim ln 1 + = lim ln 1 +
n→+∞ n n 2 n→+∞ n n
k=1 k=1
n−1  
1 2X k
= lim f
2 n→+∞ n n
k=0
Z 3
1
= f (x) dx
2 1
1 3
Z
= ln (x) dx
2 1
3
= ln 3 − 1.
2
Puisque, la fonction x 7→ ex est continue sur tout R alors
n   n1
Y 2k 3
lim 1+ = e 2 ln 3−1 .
n→+∞ n
k=1

Exercice 2:
dx 1 x+1 1
ln x2 + 2x + 5 + 15 ln (x + 2) + cste.
R  
– (x+2)(x 2 +2x+5) = 10 arctan 2 − 10
dx 1 1
R 2 2
 1 1
– x(1+x 2 )2 = 2 ln x − 2 ln x + 1 + 2 x2 +1 + cste.
R x2 1
– (1+x 3 )2 dx = − 3(x3 +1) + cste.
√ √
– √x2x+2 dx = 92 ln 2x − 5 + x2 − 5x + 6 + 12 x2 − 5x + 6 + cste.
R 
−5x+6 √
x
dx = x2 + x + 2 − 12 arg sinh x + 21 + cste.
R 
– √x2 +x+2
x + 4x + 5 + ln |x + 1| + ln|x +4x+5| + cste.
R ln(x2 +4x+5) 1
2 2
– (1+x) 2 dx = arctan (x + 2) − 2 ln x+1
R dx x
– ex +e −x = arctan (e ) + cste.
p X

– √ dx x = 4 arg tanh
R
1 + e 2 + cste.
1+e 2
Exercice 3 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 86 — #96


i i

86 Chapitre 4. Intégration des fonctions réelles d’une variable réelle


R dx √1
3+tan x
– 1+2 cos x = ln √3−tan x2 + cste.
3
 2
dx

= √23 arctan √23 tan x2 + 21 + cste.
R

R 2+sin x dx 1
– 5 cosh x+3 sinh x+4 = − 4ex +2 + cste.
– cosh x sin (2x) dx = − 25 cos 2x cosh x + 5 sin 2x sinh x + cste.
R

– R x arcsin xdx = 41 x 1 − x2 − 14 arcsin 1 − 2x2 + cste.
R 

– x arctan xdx = 12 arctan x − 12 x + 21 x2 arctan x + cste.


Exercice 4 :
On pose
1
u = arctan x ⇒ u0 =
1 + x2
n+1
x
v 0 = xn ⇒ v = .
n+1
En passant par une Intégration par parties : pour n ∈ N,
xn+1 xn+1
Z Z
1
In = xn arctan xdx = arctan x − dx.
n+1 n+1 x2 + 1
Or, on a
k k+1
X
2 p
 1 − −x2
−x = .
p=0
1 − (−x2 )
Ainsi,
k+1 k+1 k
−x2 x2k+2 (−1) 1 X p
2
= 2
= 2
− −x2 .
1+x 1+x 1+x p=0
Alors,
k+1 k
x2k+2 (−1) k+1
X p
2
= 2
− (−1) −x2 .
1+x 1+x p=0
– 1er cas : Si n = 2k + 1,
k+1 k Z
xn+1
Z Z 2k+2 Z
x (−1) k+2
X p
dx = dx = dx + (−1) −x2 dx
x2 + 1 x2 + 1 1 + x2 p=0
k p
k+1 k+2
X (−1) x2p+1
= (−1) arctan x + (−1) + cste.
p=0
2p + 1

– 2ème cas : Si n = 2k,


xn+1
Z 2k+1
x2k
Z Z
x
dx = dx = x dx
x2 + 1 x2 + 1 x2 + 1
Z k−1
XZ
k x k+1 p
= (−1) dx + (−1) (−1) x2p+1 dx
1 + x2 p=0
k k−1
X (−1)p x2p+2
(−1) k+1
ln 1 + x2 + (−1)

= + cste.
2 p=0
2p + 2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 87 — #97


i i

4.4 Exercices 87

Exercice 5 :
On se propose d’étudier la fonction
Z x2
dt
f (x) = 2.
x (ln t)

1. Df = ]0, 1[ ∪ ]1, +∞[ .


2. f est dérivable Df et pour x ∈ Df
 
0 2x 1 x−2 1
f (x) = − = .
4 ln2 x ln2 x 2 ln2 x

ainsi que limx→0 f 0 (x) = 0 et limx→1 f 0 (x) = −∞.


3. On peut minorer f (x) comme suit :

x2
x2 − x
Z
dt
= ≤ f (x) ≤ 0 pour x ∈ ]0, 1[
ln2 x x (ln x)
2

ainsi,
x2 − x
lim f (x) = lim = 0.
x→0 x→0 ln2 x

2
4. Le développement limité t 7→ (ln t) au voisinage de t = 1 :
2 2
ln2 t = (t − 1) + (t − 1)  (t − 1) .

Comme limt→1  (t − 1) = 0 donc il existe α > 0 tel que  (t − 1) ≤ 1 pour


2
1 − α ≤ t ≤ 1 + α. Donc, ln2 t ≤ (t − 1) pour 1 − α ≤ t ≤ 1 + α.
– Minorant de f (x) : si x > 1 : 1 − α ≤ x < t < x2 ≤ 1 + α :
Z x2
1 dt x
f (x) ≥ 2 = .
2 x (t − 1) 2 (x2 − 1)

et
x
lim f (x) = lim+ = +∞.
x→1+ x→1 2 (x2 − 1)
– Majorants de f (x) : si x < 1 : 1 − α ≤ x2 < t < x ≤ 1 + α :
Z x
1 dt x
f (x) ≤ − 2 = .
2 x2 (t − 1) 2 (x2 − 1)

et
x
lim f (x) = lim− = −∞.
x→1− x→1 2 (x2 − 1)

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 88 — #98


i i

88 Chapitre 4. Intégration des fonctions réelles d’une variable réelle

5. Soit x > 1,
x2 − x x2 − x
2 < f (x) < 2.
(ln x2 ) (ln x)
Donc,
f (x)
lim f (x) = +∞ et lim = +∞.
x→+∞ x→+∞ x
6.
Courbe représentative de f

Exercice 6 :
x
1. Soit f (x) = 1+x arctan x . Df = R car x arctan x > 0 (arctan x est impaire). f est
dérivable sur Df et on a :
1
f 0 (x) = 2 > 0.
(1 + x2 ) (1 + x arctan x)
x 2
Donc, f continue, croissante sur ]0, +∞[ et limx→+∞ 1+x arctan x = π. Ainsi,
x 2
0≤ < .
1 + x arctan x π
2. On considère la fonction
Z 3x
t
F (x) = dt.
x 1 + t arctan t
(a) On sait que f est définie, continue sur tout R et les applications x 7→ x et
x 7→ 3x sont bien définies sur tout R. Donc, F est définie pour tout x ∈ R.
(b) il suffit de justifier que F (−x) = F (x) pour tout x ∈ R.
(c) Les applications x 7→ x et x 7→ 3x sont dérivables sur tout R. De plus, f
est continue sur tout R. Donc, F est dérivable sur tout R et
F 0 (x) = 3f (3x) − f (x)
pour tout x ∈ R.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 89 — #99


i i

4.4 Exercices 89

(d) F est une fonction continue sur [0, 1] . De plus, f (3x) − f (x) + 2f (3x)
| {z } | {z }
≥0 ≥0
= F 0 (x) ≥ 0, pour tout x ∈ [0, 1] . Donc, F est strictement croissante [0, 1] .
Ainsi, F réalise une bijection sur [0, 1]. D’après le théorème des valeurs
intérmédaires, pour tout y ∈ [0, F (1)] , il existe un unique x ∈ [0, 1] tel
que : Z 3x
t
dt = y.
x 1 + t arctan t

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 90 — #100


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 91 — #101


i i

CHAPITRE 5

Equations différentielles

5.1 Équations différentielles linéaires du premier ordre


5.1.1 Définitions
Définition 5.1.1 Une équation différentielle scalaire linéaire d’ordre 1 est une équa-
tion différentielle de la forme :

a(t)y 0 (t) + b(t)y(t) = c(t)

(notée plus simplement : a(t)y 0 + b(t)y = c), où a, b, c : I → K sont trois fonctions


définies continues sur un intervalle I de R et y : I → K une fonction dérivable
inconnue. On suppose de plus que la fonction a n’est pas la fonction nulle.
Définition 5.1.2 Soit (E) : a(t)y 0 + b(t)y = c(t) une équation différentielle linéaire,
on appelle équation homogène associée à (E) l’équation différentielle :

(H) : a(t)y 0 + b(t)y = 0.

La fonction c est souvent appelée second membre de l’équation (E).


Dans la pratique on a souvent en plus une condition sur la fonction inconnue y du
type : y(t0 ) = α où t0 et α sont des données. Cette condition est appelée condition
initiale, et on appelle problème de Cauchy ((1789 – 1857) : mathématicien français) le
système :
a(t)y 0 + b(t)y = c(t)

y (t0 ) = α

5.1.2 Étude de l’équation homogène


Soit SI (H) l’ensemble des solutions sur I de l’équation homogène (H).
Résolution de (H) : On se place sur un intervalle I où la fonction a ne s’annule
pas, on a alors ∀t ∈ I, y 0 = − ab y.
Soit F une primitive de la fonction − ab sur I, on a alors :
d  −F 
y ∈ SI (H) ⇔ y 0 = F 0 y ⇔ ye = 0 ⇔ ∃λ ∈ K, ∀t ∈ I, y (t) = λeF (t) .
dt

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 92 — #102


i i

92 Chapitre 5. Equations différentielles

Conséquences : Si la fonction a ne s’annule pas sur I :


– Le problème de Cauchy pour l’équation (H) a une unique solution. Puisque la
condition initiale détermine complètement la constante λ.
– L’unique solution sur I qui s’annule en un point donné est la fonction nulle. Par
conséquent toutes les autres solutions ne s’annulent jamais sur I, lorsque K = R
elles ont toutes un signe constant (car elles sont continues).

5.2 Étude de l’équation avec second membre


On revient au cas général :

a(t)y 0 (t) + b(t)y(t) = c(t)

et soit SI (E) l’ensemble des solutions de (E) sur l’intervalle I.


Théorème 5.2.1 Si SI (E) n’est pas vide et si y1 est une solution de (E), alors les
solutions de (E) sont les fonctions s’écrivant comme somme de y1 avec une
solution de (H), c’est à dire

SI (E) = {y : I → K / ∃f ∈ SI (H), y = y1 + f } ,

ce que l’on note : SI (E) = y1 + SI (H).


Pour déterminer toutes les solutions de (E) on est donc ramené à résoudre l’équation
homogène puis à trouver une solution particulière de (E).
Recherche d’une solution particulière : on se place de nouveau sur un intervalle
I où la fonction a ne s’annule pas et on applique la méthode de la variation des
constantes :
Soit F une primitive de − ab sur I, on cherche une solution particulière sous la
forme λeF où λ est une fonction dérivable sur I. La fonction y est solution de (E) si
et seulement si

a λ0 eF + λF 0 eF + bλeF = c ⇔ aλ0 eF + λ F 0 eF + beF = c


   

c −F
⇔ λ0 = e
a
car eF est solution de (H).
Comme la fonction ac e−F est continue sur I, elle admet des primitives sur cet
intervalle, ce qui prouve l’existence de λ. Une solution de (E) est donc :
Z t Z t
F c (s) −F (s) b (s)
y1 = λe avec λ (t) = e ds et F (t) = − ds,
t0 a (s) t0 a (s)
et les solutions de (E) sont les fonctions :

y = y1 + αeF avec y0 ∈ K quelconque [et y(t0 ) = α].

Remarque 5.2.1 Lorsque la fonction a ne s’annule pas sur l’intervalle I le problème


de Cauchy a une unique solution.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 93 — #103


i i

5.3 Équations différentielles linéaires du second ordre 93

5.3 Équations différentielles linéaires du second ordre


On s’intéressera uniquement au cas où les coefficients sont des constantes, c’est à dire
aux équations différentielles de la forme :
y 00 + ay 0 + by = f où a, b ∈ K
et f : I → K une fonction continue (second membre). Pour de telles équations, le
problème de Cauchy est :  00
 y + ay 0 + by = f
y (t0 ) = α
 0
y (t0 ) = β
où t0 , α, β sont des données.

5.3.1 Étude de l’équation homogène


Théorème 5.3.1 Soit S(H) l’ensemble des solutions de l’équation homogène sur R
: y 00 + ay 0 + by = 0, il existe deux fonctions ϕ1 , ϕ2 solutions de (H) telles que :
S(H) = {αϕ1 + βϕ2 / α, β ∈ K}.
Marche à suivre : solutions de l’équation homogène : soit x2 + ax + b = 0 l’équation
caractéristique et ∆ = a2 − 4b son discriminant :
– Si K = C
– Si ∆ 6= 0, alors l’équation caractéristique à deux solutions distinctes : λ1 et
λ2 , on peut prendre alors Φ1 : t → eλ1 t et Φ2 : t → eλ2 t . Les solutions sont les
fonctions
t → αeλ1 t + βeλ2 t avec α, β ∈ C.
– Si ∆ = 0, alors l’équation caractéristique à une solution double : λ1 = λ2 ,
on peut prendre alors Φ1 : t → eλ1 t et Φ2 : t → eλ1 t . Les solutions sont les
fonctions
t → (α + βt) eλ1 t avec α, β ∈ C.
– Si K = R
– Si ∆ > 0, alors l’équation caractéristique à deux solutions distinctes : λ1 et
λ2 , on peut prendre alors Φ1 : t → eλ1 t et Φ2 : t → eλ2 t . Les solutions sont les
fonctions
t → αeλ1 t + βeλ2 t avec α, β ∈ R.
– Si ∆ = 0, alors l’équation caractéristique à une solution double : λ1 = λ2 ,
on peut prendre alors Φ1 : t → eλ1 t et Φ2 : t → eλ1 t . Les solutions sont les
fonctions
t → (α + βt) eλ1 t avec α, β ∈ R.
– Si ∆ < 0, alors l’équation caractéristique possède deux solutions complexes
non réelles et conjuguées : λ et λ,en posant λ = r + iω (forme algébrique), on
peut prendre alors Φ1 : t → cos (ωθ) ert et Φ2 : t → sin (ωθ) ert . Les solutions
sont les fonctions
t → (α cos (ωθ) + β sin (ωθ)) ert avec α, β ∈ R.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 94 — #104


i i

94 Chapitre 5. Equations différentielles

5.3.2 Étude de l’équation avec second membre

Théorème 5.3.2 Si f : I → K est une fonction continue, alors l’équation (E) :


y 00 + ay 0 + by = f admet des solutions sur I. Si y1 est une solution de (E), alors
SI (E) = y1 + SI (H). De plus, le problème de Cauchy a une unique solution.
Remarque 5.3.1 Dans le cas réel avec ∆ < 0, l’unique solution complexe au problème
de Cauchy est une solution réelle.

Dans la suite on s’intéressera seulement au cas où le second membre est de la forme


f (t) = P (t)eλt où P est une fonction polynomiale à coefficients dans K, et λ ∈ K.

Théorème 5.3.3 L’équation y 00 + ay 0 + by = P (t)eλt admet une solution particulière


de la forme y(t) = Q(t)eλt où Q est une fonction polynomiale.

5.4 Compléments

5.4.1 Équations à variables séparées

Définition 5.4.1 Une équation différentielle à variables séparées est une équation de
la forme : y 0 b(y) = a(t) où a, b sont deux fonctions continues données.
Méthode de résolution : Si a est continue sur un intervalle I et b sur un intervalle
J, on peut considérer une primitive A de a sur I et une primitive B de b sur J,
d
dans ce cas l’équation équivaut à : dt [B(y)] = A0 (t), et donc B(y) = A(t) + λ
où λ désigne une constante. On regarde ensuite si la fonction B est localement
ou globalement bijective, auquel cas on pourra écrire y(t) = B −1 (A(t) + λ).

5.4.2 Équation de Bernoulli

Définition 5.4.1 Une équation de Bernoulli ((1654 – 1705) : mathématicien suisse)


est une équation différentielle de la forme y 0 = a(t)y λ + b(t)y où a et b sont deux
fonctions continues sur un intervalle I, et λ ∈ R∗ \{1}.
Méthode de résolution : La fonction nulle est solution. S’il existe une solution
y non constamment nulle, alors il doit exister un intervalle J sur lequel y ne
s’annule pas, sur un tel intervalle y est de signe constant, on peut donc faire le
changement de fonction y = z α avec  = ±1 suivant le signe de y, l’équation
devient alors : αz 0 = b(t)z + a(t)z α(λ−1) + 1, en prenant α = 1−λ 1
, on a une
équation différentielle linéaire du premier ordre, on sait donc la résoudre.

5.5 Exercices

5.5.1 Enoncés

Exercice 1 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 95 — #105


i i

5.5 Exercices 95

Intégrer les équations différentielles suivantes :


2
−1
1. xy 0 − y = ln x 2. xy 0 + 2xtan y = 0
3. xy 0 ln x = (1 + 3 ln x) y 4. y 0 + y cos x = 21 sin 2x
0 2 α
5. xyy − y = x , α ∈ Z 6. x2 (y − x) + y 2 (x − y) y 0 = 0
0 3
7. x (x − 3) yp− 4y = 0 8. (1 + x) y 0 − x2 y = 0
0 0
9. xy − y − x − y = 02 2 10. 2xy + y + 3x2 y 2 = 0
2 0 2 2
11. x y = x y + xy + 1 12. y 0 + y = xex
2
13. y 0 + 2xy = 2xe−x 14. (cos x) y 0 − y sin x = 2x
0
15. y − xy = −xy 3
16. y 0 − y = xy 2
2 0
17. 1 − x y − xy = 1 pour |x| < 1

Exercice 2 :
1. Intégrer l’équation différentielle
1
(E) : 2xy 0 + y = .
1−x
2. Montrer qu’il existe une unique fonction continue sur ]−∞, 1[ qui soit une solution
de (E) pour x 6= 0.
Exercice 3 :
On considère l’équation différentielle

(E) : x (x − 1) y 0 + y = x.

1. Déterminer les solutions maximales de (E) sur ]−∞, 0[ , ]0, 1[ et ]1, +∞[ .
2. Montrer qu’il existe une solution unique de (E) sur ]0, +∞[ .
3. Montrer qu’il n’existe pas de solution (dérivable de (E) sur R mais qu’il existe
une infinité de fonctions continues sur R qui sont solutions pour x 6= 0.
Exercice 4 :
Intégrer les équations différentielles suivantes :

1. y 00 − 3y 0 + 2y = 2x2 − 5x + 3
2. y 00 − 6y 0 + 9y = (x + 1) e3x
3. y 00 − y 0 − 2y = cos x − 3 sin x
4. y 00 − 4y 0 − 4y = ex + (3x − 1) e2x + x − 2
5. y 00 + y = tan x
6. y 00 + 3y 0 + 2y = x−1x2 e
−x
00 −x 1

7. y −y =e ln |x| − 2x
8. x2 y 00 + xy 0 − 4y = x3 sur ]0, +∞[ (poser x = et ).

Exercice 5 :
Montrer que l’équation différentielle

(E) : y 00 cos x + y 0 sin x − y cos3 x = 0

possède une solution de la forme eα sin x et donner la solution générale de (E) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 96 — #106


i i

96 Chapitre 5. Equations différentielles

5.5.2 Corrigés
Exercice 1 :
y y
1. On a (E) : xy 0 − y = ln x ⇔ y 0 − x = ln x
x . Soit (e) : y 0 − x = 0 l’équation
homogène. (e) ⇔ yy0 = x1 .
(e)
– Si x < 0 : yy0 = x1 ⇔ ln |y| = ln (−x) + c avec c ∈ R. Donc, yG (x) = −ec x =
Kx, avec K = −ec ∈ R.
(e)
– Si x > 0 : ln y = ln x ⇒ yG (x) = Kx. Ainsi,
(e)
yG (x) = Kx avec K constante dans R.

En passant par la méthode de la variation de la constante :


ln x
(E) ln x
yP (x) = K (x) x ⇒ K 0 (x) = x
= , x > 0.
x x2
Donc, Z
ln x ln x 1
K (x) = dx = − − + cste.
x2 x x
Ainsi,
(e) (E)
y (x) = yG (x) + yP (x) = Kx − ln x − 1, K ∈ R et x > 0.
2
n     o
−1 x2 x2
2. xy 0 + 2x
tan y = 0 ⇔ y (x) ∈ arccos Kxe + 2kπ, − arccos Kxe + 2kπ ,
k ∈ Z et K ∈ R.
3. xy 0 ln x = (1 + 3 ln x) y ⇔ y (x) = Kx3 ln x, K ∈ R et x ∈ R\ {0, 1} .
4. y 0 + y cos x = 1
2 sin 2x ⇔ y (x) = sin x + Ke− sin x − 1, K ∈ R et x ∈ R.
5. (E) : xyy 0 − y = xα , α ∈ Z, est une équation de Bernouilli (Poser z = y 2 ) :
2

 r   
2 2 α
± x K + α−2 x si α 6= 2
 
y (x) = , x ∈ R.
 p 2
± x (K − 2 ln |x|) si α = 2

6. x2 (y − x) + y 2 (x − y) y 0 = 0, y est une solution si y = x ou x2 + y 2 y 0 = 0. Ainsi,


n 1 o
y (x) ∈ x, x3 + K 3 , K ∈ R et x ∈ R.

 43
7. x (x − 3) y 0 − 4y = 0 ⇔ y (x) = K x−3
x , K ∈ R et x ∈ R\ {0, 3} .
1 4x+3
3
8. (1 + x) y 0 − x2 y = 0 ⇔ y (x) = K (x + 1) e 2 (x+1)2 , K ∈ R et x ∈ R\ {−1} .
p
9. xy 0 − y− x2 − y 2 = 0 ⇔ y (x) = x sin (ln |x| + K) , K ∈ R et (ln |x| + K) ∈
− π2 , π2 .
10. 2xy 0 + y + 3x2 y 2 = 0 ⇔ y (x) = √ 1 2 , K ∈ R et x ∈ R\ {0} .
K |x|+x

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 97 — #107


i i

5.5 Exercices 97

11. x2 y 0 = x2 y 2 + xy + 1 est une équation de Riccati ((1707-1775) un mathématicien


italien) : Trouver une solution de la forme : y (x) = (−xn ) , n ∈ Z.
12. y 0 + y = xex ⇔ y (x) = Ke−x − 14 ex + 12 xex , K ∈ R et x ∈ R.
2 2
13. y 0 + 2xy = 2xe−x ⇔ y (x) = K + x2 e−x , K ∈ R et x ∈ R.


14. (cos x) y 0 −y sin x = 2x ⇔ y (x) = cos1 x x2 + K , K ∈ R et x ∈ − π2 + kπ, π2 + kπ ,


  

k ∈ R.
15. y 0 − xy = −xy 3 est une équation de Bernouilli (Poser z = y −2 ) :
 2
− 12 2
y (x) = ± Ke−x + 1 , K ∈ R et Kex + 1 > 0.

16. y 0 − y = xy 2 ⇔ y (x) = Ke−x1+1−x , K ∈ R et x ∈ R.


17. 1 − x2 y 0 − xy = 1 ⇔ y (x) = √1−x K
+ arcsin x

2

1−x2
pour |x| < 1 et K ∈ R.
Exercice 2 :
(E) : x (x − 1) y 0 + y = x.
y0
1. Soit (e) : 2xy 0 + y = 0 ⇒ y
1
= − 2x si x 6= 0. Sur ]0, +∞[ , ln y = − 21 ln x ⇒

(e) 1 K
yG (x) = Ke− 2 ln x = √ .
x
(E) K(x)
Soit yP (x) = √ .
x
D’après, la méthode de la variation de la constante, on
vérifie que  √  
1 1+√x
(E)
 √
x
ln si x ∈ ]0, 1[ 
yP (x) =
2  √x 
1−
.
1 1+ x
 √
2 x
ln √x−1
si x ∈ ]1, +∞[ 

De même, sur ]−∞, 0[ , on vérifie aussi que



(E) K arctan −x
yG (x) = √ + √ .
−x −x

Ainsi, √
√K1 + arctan −x
 
 −x

−x
si x ∈ ]−∞, 0[ 

  √  

(E) K2 1 1+√x
yG (x) = √
x
+ 2√ x
ln 1− si x ∈ ]0, 1[
  √x  
 K3 1 1+ x 
 √
x
+ 2√ x
ln √ x−1
si x ∈ ]1, +∞[ 

avec K1 , K2 , K3 ∈ R.
2. On a √
arctan −x (E)
lim √ = 1 ⇒ yG (x) est finie ⇔ K1 = 0.
x→0− −x
 √ 
1 1+ x (E)
lim √ ln √ = 1 ⇒ yG (x) est finie ⇔ K2 = 0.
x→0+ 2 x 1− x

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 98 — #108


i i

98 Chapitre 5. Equations différentielles

Ainsi, si K1 = K2 = 0, il existe une unique fonction f continue sur ]−∞, 1[ qui


soit une solution de (E) pour x ∈ ]−∞, 0[ ∪ ]0, 1[ :
 arctan √−x 
 √
−x
si x ∈ ]−∞, 0[ 
√ 
 
(E) 1+ x
f (x) = yG (x) = 1
√ ln √ si x ∈ ]0, 1[ .
 2 x
 1− x 

1 si x = 0

Exercice 3 :
(E) : x (x − 1) y 0 + y = x.
1.  x 
 x−1 (K1 + ln (−x)) si x ∈ ]−∞, 0[ 
(E) x
yG (x) = x−1 (K2 + ln (x)) si x ∈ ]0, 1[
x
(K3 + ln (x)) si x ∈ ]1, +∞[
 
x−1

2. On a
(E) x
lim yG (x) = lim− (K2 + ln (x))
x→1 − x→1 x − 1
 
1 si K2 = 0
= .
∞ si K2 6= 0
(E)
Alors, il faut prendre K2 = 0. De même, limx→1+ yG (x) est finie si et suelement
si K3 = 0. Posons, alors
 x 
x−1 ln (x) si x > 0, x 6= 1
f (x) =
1 si x = 1

et montrons que f est une solution unique de (E) sur ]0, +∞[ . En effet,

lim f (x) = 1 = f (1) .


x→1

Etudiant la dérivabilité de f en 1 :
f (x) − f (1) 1
lim = = f 0 (1) .
x→1 x−1 2
Donc, f est bien dérivable en 1. d’où, f est une solution unique de (E) sur
]0, +∞[ .
3. Soit g une solution de (E) pour x 6= 0 alors d’après 1. et 2.,
 x 
x−1 (K1 + ln (−x)) si x < 0
g (x) = .
f (x) si x > 0

Continuité de g en 0 :

lim g (x) = lim+ f (x) = 0


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

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 99 — #109


i i

5.5 Exercices 99

Donc, g est bien continue sur tout R. Ainsi, (E) admet une infinité de fonctions
continues sur R qui sont solutions pour x 6= 0. De plus,

g (x) − g (0)
lim = +∞.
x→1 x−0
Donc, g n ’est pas dérivable en 0. Ce qui prouve que (E) n’admet pas de solution
sur tout R.
Exercice 4 :
(E)
1. y 00 − 3y 0 + 2y = 2x2 − 5x + 3 ⇔ yG (x) = 12 x + λe2x + βex + x2 + 54 , λ, β ∈ R.
2. y 00 − 6y 0 + 9y = (x + 1) e3x ⇔
 
(E) 1 2 1 3
yG (x) = λ + x + x + βx e3x , λ, β ∈ R.
2 6

(E)
3. y 00 − y 0 − 2y = cos x − 3 sin x ⇔ yG (x) = 4
5 sin x − 3
5 cos x + λe−x + βe2x ,
λ, β ∈ R.
4. y 00 − 4y 0 − 4y = ex + (3x − 1) e2x + x − 2 ⇔
√ 1 3 1 √ 1 3
yG (x) = λe−x(2 2−2)
− ex − xe2x − x + βex(2 2+2) + e2x + , λ, β ∈ R.
(E)
7 8 4 8 4

5. y 00 + y = tan x ⇔

(E) 1 1
yG (x) = λ cos x−β sin x+ ln (2 − 2 sin x) cos x− ln (2 sin x + 2) cos x, λ, β ∈ R.
2 2
(E)
6. y 00 + 3y 0 + 2y = x−1 −x
x2 e ⇔ yG (x) = e1x ln x + λe−x + βe−2x , λ, β ∈ R.
(E)
7. y 00 − y = e−x 1
⇔ yG (x) = λex + βe−x − x2 (x + ln |x|) e−x , λ, β ∈ R.

ln |x| − 2x
(E)
8. x2 y 00 + xy 0 − 4y = x3 ⇔ yG (x) = λ
x2 + βx2 + 51 x3 , λ, β ∈ R et x > 0.
Exercice 5 :
(E) : y 00 cos x + y 0 sin x − y cos3 x = 0
Soit eα sin x une solution de (E) . Donc, y = eα sin x ⇒ y 0 = α cos xeα sin x et
00
y = α2 cos2 xeα sin x − α sin xeα sin x . On remplace dans (E) :

α = 1 ou α = −1.

Ainsi, esin x et e− sin x sont solutions de (E) . La solution générale de (E) :


(E)
yG (x) = λesin x + βe− sin x , λ, β ∈ R

car esin x et e− sin x sont linéairement indépendant.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 100 — #110


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 101 — #111


i i

Deuxième partie

ALGEBRE

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 102 — #112


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 103 — #113


i i

CHAPITRE 6

Espaces vectoriels et applications linéaires

6.1 L’espace vectoriel Rn


Pour n ∈ N∗ , on définit Rn l’ensemble des suites finies de n termes :
X = (x1 , x2 , x3 , . . . , xn )

√ x11∈
avec  R, x2 ∈ R, x3 ∈ R, . . . , xn ∈ R. Par exemple, les couples suivants (0, 2) et
3, − 2 sont des éléments de R2 .

6.1.1 Addition
On définit sur Rn une loi de composition interne (une application qui à deux éléments
de Rn , fait correspondre un élément de Rn ), l’addition, notée +, par :
∀X = (x1 , x2 , x3 , . . . , xn ) ∈ Rn , ∀Y = (y1 , y2 , y3 , . . . , yn ) ∈ Rn ,
X + Y = (x1 + y1 , x2 + y2 , x3 + y3 , . . . , xn + yn ) ∈ Rn .

6.1.2 Propriétés de l’addition dans Rn


Comme dans R :
1. Associativité
X + (Y + Z) = (X + Y ) + Z = X + Y + Z, ∀X, Y, Z ∈ Rn .

2. Commutativité
X + Y = Y + X, ∀X, Y ∈ Rn .
3. Elément neutre
0Rn = (0, 0, 0, . . . , 0) ,
∀X ∈ Rn , X + 0Rn = 0Rn + X = X.

4. Elément opposé
Tout élément X a un opposé noté − X = (−x1 , −x2 , −x3 , . . . , −xn )
X + (−X) = (−X) + X = 0Rn .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 104 — #114


i i

104 Chapitre 6. Espaces vectoriels et applications linéaires

6.1.3 Produit par un réel


On définit aussi sur Rn une loi de composition externe (une application qui a tout
élément de R et a tout élément de Rn associe un élément de Rn ), le produit par un
réel, notée ·, ou parfois sans signe, par :

∀λ ∈ R, ∀Y = (y1 , y2 , y3 , . . . , yn ) ∈ Rn ,
λ · X = λ · (x1 , x2 , x3 , . . . , xn ) = (λx1 , λx2 , λx3 , . . . , λxn ) .

6.1.4 Propriété du produit par un réel


1. ∀λ, µ ∈ R et X ∈ Rn
(λ + µ) · X = λ · X + µ · X
n
2. ∀λ ∈ R et X, Y ∈ R
λ · (X + Y ) = λ · X + µ · Y
3. ∀λ, µ ∈ R et X ∈ Rn
λ · (µ · X) = (λµ) · X
4. ∀X ∈ Rn
1·X =X
L’ensemble Rn , muni de ces deux lois : (Rn , +, ·) est un espace vectoriel sur R.

6.2 Espace vectoriel


Tout ensemble V, muni d’une loi de composition interne (qui à deux élément de V fait
correspondre un élément de V) et une loi de composition externe (qui à un élément de
R et à un élément de V fait correspondre un élément de V) ayant les huits propriétés
suivantes :
La loi interne vérifie :
1. Associativité :

X + (Y + Z) = (X + Y ) + Z = X + Y + Z, ∀X, Y, Z ∈ V.

2. Commutativité
X + Y = Y + X, ∀X, Y ∈ V.
3. Elément neutre

0V = (0, 0, 0, . . . , 0) ,
∀X ∈ V, X + 0V = 0V + X = X.

4. Elément opposé

∀X ∈ V, X + (−X) = (−X) + X = 0V .

La loi externe vérifie :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 105 — #115


i i

6.2 Espace vectoriel 105

1. ∀λ, µ ∈ R et X ∈ V
(λ + µ) · X = λ · X + µ · X
2. ∀λ ∈ R et X, Y ∈ V
λ · (X + Y ) = λ · X + µ · Y
3. ∀λ, µ ∈ R et X ∈ V
λ · (µ · X) = (λµ) · X
4. ∀X ∈ V
1·X =X
est appelé espace vectoriel sur R. Ses éléments sont appélés des vecteurs.

6.2.1 Règles de calcul


1. λ · (X − Y ) = λ · X − µ · X, ∀λ ∈ R et ∀X, Y ∈ V
2. λ · 0V = 0V
3. λ · (−X) = (−λ) · X, ∀λ ∈ R et ∀X ∈ V
4. (λ − µ) · X = λ · X − µ · X, ∀λ ∈ R et ∀X ∈ V
5. 0 · X = 0V , ∀X ∈ V
6. λ · X = 0V ⇐⇒ λ = 0 ou X = 0V .

6.2.2 Exemples
a. On peut définir des espaces vectoriels sur C et Q.
b. L’ensemble des fonctions définie de R dans R

F = {f : R −→ R, fonctions}

est un espace vectoriel sur R. En effet,


Loi interne vérifie :
1. Associativité : Soient f, g, h ∈ F, f + (g + h) = (f + g) + h = f + g + h.
2. Commutativité : Soient f, g ∈ F, f + g = g + f.
3. Elément neutre : la fonction
0F : R −→ R
x 7−→ 0F (x) = 0

∀f ∈ F, 0F + f = f + 0F = f.
4. Elément opposé : trouver g ∈ F / f + fb = fb + f = 0F c’est à dire ∀x ∈ R,
f (x) + fb(x) = fb(x) + f (x) = 0 =⇒ fb(x) = −f (x) .
La loi externe vérifie :
1. ∀λ, µ ∈ R et f ∈ F
(λ + µ) · f = λ · f + µ · f

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 106 — #116


i i

106 Chapitre 6. Espaces vectoriels et applications linéaires

2. ∀λ ∈ R et f, g ∈ F
λ · (f + g) = λ · f + µ · g
3. ∀λ, µ ∈ R et f ∈ F
λ · (µ · f ) = (λµ) · f
4. ∀f ∈ F
1·f =f
D’où, F est un espace vectoriel de R.

6.3 Combinaisons linéaires, sous-espaces vectoriels


Soit V un espace vectoriel sur R.
Définition 6.3.1
On appelle combinaison linéaire de p vecteurs X1 , X2 , . . . , Xp de V, un vecteur de
la forme
Xp
λ1 X1 + λ2 X2 + · · · + λp Xp = λi Xi
i=1

avec λi ∈ R, i = 1, 2, . . . , p.
Exemple 6.3.1
(−7, −7, 6) = 3 (1, −1, 2)−2 (5, 2, 0) . Donc, (−7, −7, 6) est une combinaison linéaire
des vecteurs (1, −1, 2) et (5, 2, 0) .
Remarque 6.3.1
Tout vecteur de R2 est une combinaison linéaire de (1, 0) et (1, 1) . En effet, soit
α, β ∈ R
α (1, 0) + β (1, 1) = (α + β, β) ∈ R2
=⇒ R2 est une combinaison linéaire de (1, 0) et (1, 1) .
D’une manière générale, soit (x, y) ∈ R2 , (x, y) = (x − y) (1, 0) + y(1, 1). Alors,
| {z } | {z }
∈R ∈R
∀ (x, y) ∈ R2 , (x, y) est une combinaison linéaire de R2 .

6.3.1 Sous-espace vectoriel


Définition 6.3.2
Si V est un espace vectoriel sur R, on appelle sous-espace vectoriel de V, toute
partie de V qui elle-même un espace vectoriel sur R.
Exemple 6.3.2
{0} , V sont deux sous-espace vectoriel de V.
Propriété 6.3.1
Une partie W de V est un sous-espace vectoriel de V, si et seulement si les deux
conditions suivantes sont satisfaites :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 107 — #117


i i

6.3 Combinaisons linéaires, sous-espaces vectoriels 107

1. W est non vide (elle doit contenir au moins l’élément neutre de l’addition).
2. W est stable par rapport aux deux lois. C’est à dire :
(a) ∀X, Y ∈ W, X + Y ∈ W.
(b) ∀λ ∈ R, ∀X ∈ W, λX ∈ W.
Autrement dit :
W est un sous-espace vectoriel de V si et seulement si
1. W 6= ∅
2. ∀X, Y ∈ W, ∀λ ∈ R, λX + Y ∈ W.
Exemple 6.3.3

Montrer que D = (x, y) ∈ R2 / x = y est un sous-espace vectoriel de R2 .
1. D =
6 ∅
2. Soient (x, y) , (x0 , y 0 ) ∈ D, soit λ ∈ R, on vérifie que
λ (x, y) + (x0 , y 0 ) = (λx, λy) + (x0 , y 0 )
= (λx + x0 , λy + y 0 ) ∈ D
car x = y et x0 = y 0 =⇒ λx + x0 = λy + y 0 . D’où, le résultat.
Propriété 6.3.2
L’intersection de deux dous-espaces vectoriels de V est un sous-espace vectoriel de
V.
Propriété 6.3.3
La réunion de deux sous-espaces vectoriels n’est pas obligatoirement un espace
vectoriel.

6.3.2 Sous-espace vectoriel engendré


Définition 6.3.3
On note hX1 , X2 , . . . , Xp i , l’ensemble de toutes les combinaisons linéaires des vec-
teurs X1 , X2 , . . . , Xp de V. hX1 , X2 , . . . , Xp i est appelé sous-espace vectoriel engendré
par X1 , X2 , . . . , Xp .
Propriété 6.3.3
1. R= h1i ,
2. R2 = h(1, 0) , (0, 1)i .

6.3.3 Sous-espace vectoriel supplémentaire


Soient V1 et V2 deux sous-espaces vectoriels de V. On dit que V1 et V2 sont supplé-
mentaire dans V et on écrit V = V1 ⊕ V2 (⊕ : somme directe) si
1. V = V1 + V2 ⇐⇒ ∀X ∈ V, X s’écrit d’une manière unique : X = X1 + X2 ,
X1 ∈ V1 , X2 ∈ V 2 .
2. V1 ∩ V2 = {0V } .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 108 — #118


i i

108 Chapitre 6. Espaces vectoriels et applications linéaires

6.4 Indépendance linéaire, base


6.4.1 Systèmes générateurs (Familles génératrices)
Soit V un espace vectoriel sur R.
Définition 6.4.1
On dit que p vecteurs X1 , X2 , . . . , Xp de V forment une famille génératrice de
V si tout vecteur de V peut s’écrire sous la forme d’une combinaison linéaire des
X1 , X2 , . . . , Xp . Autrement dit, F = {X1 , X2 , . . . , Xp } est génératrice de V ⇐⇒ ∀X ∈
X p
V, ∃ (λi )i=1,2,...,p ∈ R tels que X = λi Xi .
i=1
On dit que les vecteurs X1 , X2 , . . . , Xp engendrent V : V = hX1 , X2 , . . . , Xp i .
Exemple 6.4.1

Soit E = (x, y, z) ∈ R3 / x − 4y + 6z = 0 . Déterminer une famille génératrice
de E.
E = (x, y, z) ∈ R3 / x − 4y + 6z = 0


= {(4y − 6z, y, z) / y, z ∈ R}
= {(4, 1, 0) y + (−6, 0, 1) z / y, z ∈ R} .
D’où, E = h(4, 1, 0) , (−6, 0, 1)i et {(4, 1, 0) , (−6, 0, 1)} est une famille génératrice de
E.

6.4.2 Familles libres, Familles liées


On cherche dans ce paragraphe à reconnaitre si, dans un ensemble de vecteurs, certains
peuvent être engendrés à partir des autres, par combinaison linéaire.
Définition 6.4.2 (Familles liées)
On dit qu’une famille {X1 , X2 , . . . , Xp } est liée si et seulement si, il existe des
m
X
éléments λ1 , λ2 , . . . , λm de R non tous nuls tels que λi Xi = 0V .
i=1
Dans ce cas, on dit aussi que les vecteurs X1 , X2 , . . . , Xp sont linéairement indé-
pendants.
Autrement dit, une famille est liée si et seulement si un de ses éléments est une
combinaison linéaire des autres éléments.
Définition 6.4.3 (Familles libres)
Un ensemble de vecteurs {X1 , X2 , . . . , Xm } est dit libre (et ses vecteurs sont
linéairement indépendants) lorsqu’il n’est pas lié. C’est à dire, lorsqu’il n’existe pas de
m
X
nombres λ1 , λ2 , . . . , λm de R non tous nuls tels que λi Xi = 0V .
i=1
Autrement dit, {X1 , X2 , . . . , Xp } est une famille libre si et seulement si
m
!
X
λi Xi = 0V =⇒ λi = 0, ∀i = 1, 2, . . . , m.
i=1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 109 — #119


i i

6.4 Indépendance linéaire, base 109

Exemple 6.4.2
Montrer que les familles suivantes sont libres.

F1 = {f1 = (1, 0, 0) , f2 = (0, 1, 0) , f3 = (1, 1, −3)} ,


F2 = {f1 = (1, −1, 0) , f2 = (2, 1, 3) , f3 = (1, 0, 0)} .

3
X
Pour F2 : soit α, β, γ ∈ R, λi fi = 0 ⇐⇒ λ1 f1 + λ2 f2 + λ3 f3 = 0R3 ⇐⇒
i=1
λ1 (1, −1, 0) + λ2 (2, 1, 3) + λ3 (1, 0, 0) = (0, 0, 0) ⇐⇒

 λ1 + 2λ2 + λ3 = 0
−λ1 + λ2 = 0
3λ2 = 0

D’où, λ1 = λ2 = λ3 = 0. Ainsi, F2 est libre.

6.4.3 Rang d’une famille de vecteurs


Définition 6.4.4
On appelle rang d’un ensemble (ou d’une famille) de vecteurs la plus grande taille
possible pour une famille de vecteurs linéairement indépendants de cet ensemble.
Exemple 6.4.3
1. Le rang de la famille {(1, 2) , (3, 6) , (4, 8)} est 1.
2. Soit une famille de vecteurs de R3 : {(1, 0, 0) , (2, 0, 0) , (0, 1, 0)} . Ces vecteurs
sont-ils liés ? quel est le rang de cette famille ? En effet,

1
(1, 0, 0) = (2, 0, 0) + (0, 1, 0) .
2
Cette famille est liée, donc son rang est inférieur ou égale à 2. Cherchons alors,
une sous-famille libre ? On voit {(1, 0, 0) , (0, 1, 0)} est une famille libre. Donc, le
rang de cette famille est égale à 2.

6.4.4 Bases et dimension d’un espace vectoriel


On se donne des espaces vectoriels engendrés par un nombre fini n de vecteurs.
La notion de base d’un espace vectoriel est celle d’une famille génératrice minimale,
c’est à dire comportant le moins possible de vecteurs : une famille génératrice, libre.
Définition 6.4.5
Soit V un espace vectoriel sur R. On appelle base de V, toute famille génératrice
libre de V.
Propriété 6.4.1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 110 — #120


i i

110 Chapitre 6. Espaces vectoriels et applications linéaires

Une famille de vecteurs B est une base de V, si et seulement si tout vecteur de V


peut s’écrire de façon unique comme combinaison linéaire d’éléments de B.
Autrement dit, Si B = {e1 , e2 , . . . , en } base de V, alors tout vecteur X de V s’écrit
Xn
X= λi ei et les λi sont uniques pour ∀i = 1, 2, . . . , n.
i=1

Exemple 6.4.4
Soit

V= (x, y, z) ∈ R3 / x + y + z = 0


= {(−y − z, y, z) / y, z ∈ R}
= {(−1, 1, 0) y + (−1, 0, 1) z / y, z ∈ R}
= h(−1, 1, 0) , (−1, 0, 1)i .

Tout élément de V s’écrit en fonction des vecteurs (−1, 1, 0) et (−1, 0, 1) . Donc,


{(−1, 1, 0) , (−1, 0, 1)} est génératrice de V. On peut vérifier aussi que {(−1, 1, 0) , (−1, 0, 1)}
est libre de V. Conclusion, {(−1, 1, 0) , (−1, 0, 1)} est une base de V.
Définition 6.4.6
Lorsqu’un espace vectoriel V admet au moins une base, toutes ses bases sont
constituées d’un même nombre de vecteurs. Ce nombre, entier naturel non nul, est
appélé la dimension de V, noté dim (V) .
Par convntion, on pose dim (0V ) = 0.
Exemple 6.4.5
L’exemple fondamentale est Rn .
Soit n ∈ N∗ et X = (x1 , x2 , . . . , xn ) ∈ Rn ,

X = (x1 , x2 , . . . , xn ) = x1 (1, 0, . . . , 0) + x2 (0, 1, 0, . . . , 0) + · · · + xn (0, . . . , 0, 1).


| {z } | {z } | {z }
e1 e2 en

Donc,
∀X ∈ Rn , X = x1 e1 + x2 e2 + · · · + xn en .
D’où, {e1 , e2 , . . . , en } est une famille génératrice de Rn . De plus, e1 , e2 , . . . , en sont
linéairement indépendants alors {e1 , e2 , . . . , en } est une famille libre de Rn . Conclusion,

Bc = {e1 , e2 , . . . , en }

est une base de Rn , appelée base canonique et contient n éléments.


Propriété 6.4.2
Soit V un espace vectoriel sur R de dimension n, n ∈ N∗ .
1. Toute famille libre de vecteurs de V contient au plus n vecteurs.
2. Toute famille génératrice de V contient au moins n vecteurs.
Théorème 6.4.1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 111 — #121


i i

6.5 Applications linéaires 111

Soit V un espace vectoriel sur R de dimension n, n ∈ N∗ .


1. Toute famille libre constituée de n vecteurs de V est une base de V.
2. Toute famille génératrice constituée de n vecteurs de V est une base de V.
Exemple 6.4.6
Soit B = {(1, 0, 0) , (1, 1, 0) , (1, 1, 1)} est-elle une base de R3 ? En effet, soient α, β
et γ ∈ R, α (1, 0, 0) + β (1, 1, 0) + γ (1, 1, 1) = (0, 0, 0) ⇐⇒

 α+β+γ =0
β+γ =0
γ=0

=⇒ α = β = γ = 0. Alors, B est libre. D’après le théorème précédent,


 
B est libre
⇐⇒ B est une base de R3 .
dim R3 = rg (B) = 3

6.5 Applications linéaires


Définition 6.5.1
Soient E et F deux espaces vectoriels sur R et f une application de E dans F.
f est dite linéaire lorsque ∀ (X, Y ) ∈ E × E, λ ∈ R,
f (X + Y ) = f (X) + f (Y ) ,
f (λX) = λf (X) .
Exemple 6.5.1
Vérifier que l’application suivante
f: R3 −→ R
(x, y, z) 7−→ 2z − x
est linéaire.
Soient X = (x, y, z) ∈ R3 , Y = (x0 , y 0 , z 0 ) ∈ R3 et λ ∈ R, on
f (X + Y ) = f ((x, y, z) + (x0 , y 0 , z 0 )) = 2 (z + z 0 ) − (x + x0 )
= (2z − x) + (2z 0 − x0 ) = f (X) + f (Y ) .
et
f (λX) = f (λ (x, y, z)) = 2 (λz) − (λx) = λ (2z − x) = λf (X) .
D’où, f est une application linéaire.
Vocabulaire 6.5.1
– On note par LK (E, F ) l’ensemble des applications linéaires de E dans F. Cet
ensemble est lui même un K-espace vectoriel.
– Si dim E = n et dim F = p alors dim LK (E, F ) = n × p.
– LK (E, E) est noté LK (E) : endomorphisme de E.
– Une application linéaire bijective est dite isomorphisme.
– Un isomorphisme de E dans E est dit un automorphisme de E.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 112 — #122


i i

112 Chapitre 6. Espaces vectoriels et applications linéaires

6.5.1 Propriétés des applications linéaires


Proposition 6.5.1
Soit f : E −→ F une application linéaire. Alors,
1. f (0E ) = 0F (Poser λ = 0 dans la précédente définition) et
n
! n
X X
f λi Xi = λi f (Xi ) (Par réccurrence).
i=1 i=1

2. f (E) : l’ensemble des images des éléments de E par f, appelé "l’image de f " est
noté Im f, est un sous-espace vectoriel de F.

Im f = {Y ∈ F, ∃X ∈ E / f (X) = Y } .

3. L’ensemble des éléments de E par f ayant le vecteur nul de F, appelé "le noyau
de f " et noté ker f, est un sous-espace vectoriel de E.

ker f = {X ∈ E / f (X) = 0F } .

Exemple 6.5.2
1. Soit
f: R2 −→ R3
(x, y) 7−→ (x − y + 3, x + 4y, −y)
On a, f (0R2 ) = f ((0, 0)) = (3, 0, 0) 6= (0, 0, 0) donc f n’est pas une application
linéaire.
2. Soit
f: R2 −→ R2 
2
(x, y) 7−→ x − y , −x + 2y
n’est pas une application linéaire car pour (x, y) = (1, 2) et λ = 2, on a
f (2 (1, 2)) = f (2, 4) = (−14, 6) et 2f (1, 2) = 2 (−3, 3) = (−6, 6) . C’est à
dire f (2 (1, 2)) 6= 2f (1, 2) .
3. Soit
f: R3 −→ R3
(x, y, z) 7−→ (x − y + z, 2x − y, x + z)
Cherchons ker f puis Im f.

ker f = X = (x, y, z) ∈ R3 / f ((x, y, z)) = (0, 0, 0) .




f ((x, y, z)) = (0, 0, 0) ⇐⇒ 


 x−y+z =0
2x − y = 0
x+z =0

=⇒ ker f = {(0, 0, 0)} est un sous-espace vectoriel de R3 .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 113 — #123


i i

6.5 Applications linéaires 113

Im f = {Y ∈ F, ∃X ∈ E / f (X) = Y }
= f (X) / X = (x, y, z) ∈ R3


= (x − y + z, 2x − y, x + z) , (x, y, z) ∈ R3


= x (1, 2, 1) + y (−1, −1, 0) + z (1, 0, 1) , (x, y, z) ∈ R3




= h(1, 2, 1) , (−1, −1, 0) , (1, 0, 1)i .

Donc, Im f = h(1, 2, 1) , (−1, −1, 0) , (1, 0, 1)i est un sous-espace vectoriel de R3 .


Théorème 6.5.1 (Théorème des dimensions)
Soit E un espace vectoriel sur R de dimension finie n et soit f définie de E dans
F, on peut démontrer que

dim E = dim ker f + dim Im f.

De plus, si on appelle rang de f et on note rg (f ) la dimension de Im f , (dim Im f = dim f (E) = rg (f ))


alors
rg (f ) = dim E − dim ker f.
Exemple 6.5.3
Soit
f: R3 −→ R2
(x, y, z) 7−→ (2x + 3y, y + 2z)
une application linéaire. Déterminer une base de ker f et une base de Im f .

= (x, y, z) ∈ R3 / f ((x, y, z)) = (0, 0)



ker f = X
= (x, y, z) ∈ R3 / (2x + 3y, y + 2z) = (0, 0)

= X
= (x, y, z) ∈ R3 / 2x + 3y = 0 et y + 2z = 0

= X
= (x, y, z) ∈ R3 / x = 3z et y = −2z

= X
= h(3, −2, 1)i .

ker f est engendré par un seul vecteur (3, −2, 1) . Donc, on peut construire une base
de ker f à partir de (3, −2, 1) : Bker f = {(3, −2, 1)} .

Im f = Y ∈ R2 , ∃X ∈ R3 / f (X) = Y


= f (X) / X = (x, y, z) ∈ R3


= (2x + 3y, y + 2z) , (x, y, z) ∈ R3




= x (2, 0) + y (3, 1) + z (0, 2) , (y, z) ∈ R2




= h(2, 0) , (3, 1) , (0, 2)i .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 114 — #124


i i

114 Chapitre 6. Espaces vectoriels et applications linéaires

Pour chercher une base de Im f , il suffit d’utiliser le théorème des dimensions :

dim Im f = dim R3 − dim ker f


= 3 − 1 = 2.

Donc, pour former une base de Im f, il suffit de prendre deux vecteurs non-colinéaire
de Im f : par exemple, on peut poser

BIm f = {(2, 0) , (0, 2)} .

Proposition : Soient dim E = dim F = n et f ∈ LK (E, F ) . Alors, il est équivalent


de dire :
f injective ⇔ f surjective ⇔ f isomorphisme.

6.6 Exercices
6.6.1 Enoncés
Exercice 1 :
Lequel de ces ensembles est un espace vectoriel ?

E1 = Rn [X]
E2 = F (R,R) = {f : R → R}
E3 = S (R) = {(un )n≥0 / un ∈ R}

Exercice 2 :
Les ensembles suivants possèdent-ils une structure d’espace vectoriel ?

E1 = {(x, y, z) ∈ R3 , x = z}
E2 = {(x, y, z) ∈ R3 , x + y = 1}
E3 = {(x, y, z) ∈ R3 , x − z = 0 ; y + x = 0 et x − y + z = 0}.

Exercice 3 :
Soit E = F (R,R) ,
F = {f ∈ E/ f paire}
et
F = {f ∈ E/ f impaire}.
Montrer que F et G sont deux sous-espaces supplémentaires de E.
Exercice 4 :
1. Dans l’espace vectoriel R4 , rapporté à sa base canonique, B c = {e1 , e2 , e3 , e4 },
vérifier que les vecteurs :

a = (1, 2, −1, −2), b = (2, 3, 0, −1), c = (1, 3, −1, 0), d = (1, 2, 1, 4)

sont libres.
2. Calculer les coordonnées du vecteur V = (7, 14, −1, 2)Bc dans la base B = {a, b, c, d} .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 115 — #125


i i

6.6 Exercices 115

Exercice 5 :
Déterminer une base des espaces vectoriels suivants :

E1 = {(x, y, z) ∈ R3 , x + 3y + z = 0}
E2 = {(x, y, z) ∈ R3 , x + y + z = 0 et z = 0}

Exercice 6 :
1. Soit E = {(x, y, z) ∈ R3 , −x + y + z = 0}.
(a) Montrer que E est un espace vectoriel.
(b) Montrer que tout vecteur V = (x, y, z) de E s’écrit de manière unique sous
la forme :
V = xU1 + yU2 où (Ui )1≤i≤2 ∈ E.
(c) Montrer que B = {U1 , U2 } est une base de E. En déduire dimR E.
2. Soit F = {(x, y, z, t) ∈ R4 , x + y = z et z − y = t}.
(a) Montrer que F est un sous-espace vectoriel de R4 .
(b) Déterminer dimR F.
Exercice 7 :
R4 est rapporté à une base orthonormée B = {e1 , e2 , e3 , e4 } , f est une application
définie par :
 0
 x = y + z,
 0

f: R4 −→ R4 y = x − z − t,

(x, y, z, t) 7−→ (x0 , y 0 , z 0 , t0 )  z 0 = x − y − t,
 0

t = x − y − z − t.

1. Vérifier que f est linéaire.


2. Déterminer le noyau et l’image de f en donnant la dimension et une base.
3. Déterminer la matrice de f relativement à la base B.
Exercice 8 :
Soit f : R4 → R3 l’application définie par :

f (x1 , x2 , x3 , x4 ) = (x1 + 2x2 − 2x3 , 4x1 + x2 + 2x3 + 5x4 , −x1 + 3x2 + 2x3 − 5x4 ) .

1. Montrer que f est linéaire.


2. Donner une base du noyau de f . En déduire le rang de f.
3. Soit B = {u1 , u2 , u3 , u4 } où

u1 = e1 + αe4 , α ∈ R
u2 = e1 + e2
u3 = e1 + e2 + e3
u4 = λe1 + e4 , λ ∈ R.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 116 — #126


i i

116 Chapitre 6. Espaces vectoriels et applications linéaires

(a) A quelles conditions sur α et λ, B est une base de R4 ?


(b) Trouver les coordonnées du vecteur V = (1, 2, 3, 4) ∈ R4 dans la base B.

Exercice 9 :
Soit E désigne l’espace vectoriel des fonctions numériques d’une variable réelle
continue sur [0, 1] .
1. Vérifier que l’application
Z x
ϕ: E→E
où F (x) = f (t) dt.
f →F 0

est un endomorphisme de E.
2. Démontrer que le noyau de ϕ est nul.
Exercice 10 :
Soit E l’ensemble des applications de classe C ∞ de R dans R et admettant la
période 1. On considère l’application

d: E→E
f → d (f ) = f 0

1. Montrer que E est un espace vectoriel sur R.


2. Montrer que d est linéaire.
3. Déterminer Im d et ker d.
4. Prouver que E = Im d ⊕ ker d.

6.6.2 Corrigés
Exercice 1 :
1. On a E1 = Rn [X] = {P ∈ R [X] / deg (P ) ≤ n} ∪ {0} ⊂ R [X] . Ainsi, il suffit de
vérifier que Rn [X] est un sous-espace vectoriel de R [X] . En effet, 0 ∈ Rn [X]
et pour λ ∈ R et P, Q ∈ Rn [X] , on vérifie bien que λP + Q ∈ Rn [X] (car
λP + Q ∈ R [X] et deg (λP + Q) ≤ max (P, Q) ≤ n). D’où, Rn [X] est un espace
vectoriel.
2. On sait que pour E un K-espace vectoriel et X un ensemble alors

A (X, E) = {f : X→E}

est un K-espace vectoriel. Ainsi,

E2 = F (R,R)
= {f : R → R}
= A (R, R)

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 117 — #127


i i

6.6 Exercices 117

et

E3 = S (R)
= {(un )n≥0 /un ∈ R}
= {u : N → R, n 7→ un }
= A (N, R)

sont des K-espaces vectoriels.


Exercice 2 :

E1 = {(x, y, z) ∈ R3 , x = z}
= h(1, 0, 1), (0, 1, 0)i

est un sous-espace vectoriel de R3 .

E2 = {(x, y, z) ∈ R3 , x + y = 1}

n’est pas un sous-espace vectoriel car (0, 0, 0) ∈


/ E2 .

E3 = {(x, y, z) ∈ R3 , x − z = 0 ; y + x = 0 et x − y + z = 0}
= {(x, y, z) ∈ R3 , x = z ; y = −z et z = 0}
= {(0, 0, 0)} .

est un sous-espace vectoriel de R3 .


Exercice 3 :
Soit E = F (R,R) , F = {f ∈ E / f paire} et F = {f ∈ E / f impaire}. Montrer
que F et G sont deux sous-espaces supplémentaires de E. C’est à dire, E = F ⊕ G :
1. F et G sont des sous-espaces vectoriels de E car
1. (a) 0 ∈ F (La fonction nulle est paire).
(b) Soient f1 , f2 ∈ F et λ ∈ R :

(λf1 + f2 ) (−x) = (λf1 ) (−x) + f2 (−x)


= λf1 (−x) + f2 (−x)
= λf1 (x) + f2 (x)
= (λf1 + f2 ) (x) .

Donc, λf1 + f2 est paire. D’où, λf1 + f2 ∈ F . De même, on vérifie G est un


sous-espace vectoriel de E.
2. Montrer que F ∩ G = {0} . En effet, pour f ∈ F ∩ G

∀x ∈ R, f (x) = f (−x) = −f (x) .

Donc,
∀x ∈ R, 2f (x) = 0 ⇒ f ≡ 0.
D’où, F ∩ G = {0} .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 118 — #128


i i

118 Chapitre 6. Espaces vectoriels et applications linéaires

3. Montrons que E = F + G, c’est à dire ∀h ∈ E, ∃f ∈ F et ∃g ∈ G tels que h ≡ f + g.


En effert,
∀x ∈ R, h (x) = (f + g) (x) = f (x) + g (x) .
et
∀x ∈ R, h (−x) = (f + g) (−x) = f (x) − g (x) .
Ainsi, il existe
h (x) + h (−x)
f (x) = ∈F
2
et il existe
h (x) − h (−x)
g (x) = ∈G
2
tels que h ≡ f + g.
Exercice 4 :
1. On vérifie que B = {a, b, c, d} est une base de R4 avec

a = (1, 2, −1, −2), b = (2, 3, 0, −1), c = (1, 3, −1, 0), d = (1, 2, 1, 4).

En effet, B est libre car pour α1 , α2 , α3 , α4 ∈ R, on a

α1 a + α2 b + α3 c + α4 d = 0

alors α1 = α2 = α3 = α4 = 0 et puisque dim R4 = 4 = rang (B) donc


B = {a, b, c, d} est une base de R4 .
2. On a V = 7e1 + 14e2 − e3 + 2e4 = α1 a + α2 b + α3 c + α4 d avec α1 , α2 , α3 , α4 ∈ R.
Ainsi, par identification, nous avons un système à résoudre

α1 + 2α2 + α3 + α4 = 7
2α1 + 3α2 + 3α3 + 2α4 = 14
−α1 − α3 + α4 = −1
−2α1 − α2 + 4α4 = 2

⇒ α1 = 0, α2 = 2, α3 = 2, α4 = 1.D’où,
 
0
 2 
V =
 2 .

Exercice 5 :

E1 = {(x, y, z) ∈ R3 , x + 3y + z = 0}
= {(x, y, z) ∈ R3 , x = −3y − z}
= {(−3y − z, y, z), (y, z) ∈ R2 }
= {y(−3, 1, 0) + z(−1, 0, 1), (y, z) ∈ R2 }.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 119 — #129


i i

6.6 Exercices 119

Donc, {u1 = (−3, 1, 0), u2 = (−1, 0, 1)} est une famille génératrice. La famille {u1 , u2 }
est bien libre. D’où, u1 et u2 forment une base de R3 et dim E1 = 2.

E2 = {(x, y, z) ∈ R3 , x + y + z = 0 et z = 0}
= {(x, y, z) ∈ R3 , x = −y − z et z = 0}
= {(y, −y, 0), y ∈ R}
= hu = (1, −1, 0)i .

Ainsi, u = (1, −1, 0) 6= (0, 0, 0) donc, u forme une base de R3 et dim E2 = 1.


Exercice 6 :
1. Soit E = {(x, y, z) ∈ R3 , −x + y + z = 0}.
(a) On a E ⊂ R3 est un sous-espace vectoriel de R3 . Donc, E est un espace
vectoriel.
(b) On a

E = {(x, y, z) ∈ R3 , −x + y + z = 0}
= {x(1, 0, 1) + y(0, 1, −1), x, y ∈ R}
= hU1 = (1, 0, 1), U2 = (0, 1, −1)i

D’où, pour tout vecteur V = (x, y, z) de E s’écrit de manière unique sous


la forme :
V = xU1 + yU2 où (Ui )1≤i≤2 ∈ E.
(c) On a vérfié que B = {U1 , U2 } est génératrice d’après b. et on a B est une
famille libre. Ainsi, B est une base de E et

dimR E = rang (B) = 2.

2. On peut écrire

F = {(x, y, z, t) ∈ R4 , x + y = z et z − y = t}
= {x(1, 0, 1, 1) + y(0, 1, 1, 0), x, y ∈ R}
= hV1 = (1, 0, 1, 1), V2 = (0, 1, 1, 0)i .

(a) On vérifie alors que F est un sous-espace vectoriel de R4 .


(b) {V1 , V2 } est une base de R4 . Ainsi, dimR F = rang ({V1 , V2 }) = 2.
Exercice 7 :
1. Pour vérifier que f est linéaire il suffit de choisir α ∈ R et x, y ∈ R tq f (αx + y) =
αf (x) + y.
2.

ker(f ) = X ∈ R4 / f (X) = 0R4




= X ∈ R4 / x = t, y = z = 0


= h(1, 0, 0, 1)i .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 120 — #130


i i

120 Chapitre 6. Espaces vectoriels et applications linéaires

Bker(f ) = {(1, 0, 0, 1)} et dim(ker(f )) = rg(Bker(f ) ) = 1.

Im(f ) = f (X) / X ∈ R4


= (y + z, x − z − t, x − y − t, x − y − z − t) / X = (x, y, z, t) ∈ R4


= {x.(0, 1, 1, 1) + y.(1, 0, −1, −1) + z.(1, −1, 0, −1) + t.(0, −1, −1, −1)} .

Donc,
Im(f ) =< (0, 1, 1, 1), (1, 0, −1, −1), (1, −1, 0, −1) >,

puisque
dim(Im f ) = dim R4 − dim(ker(f )) = 3.

BIm(f ) = {(0, 1, 1, 1), (1, 0, −1, −1), (1, −1, 0, −1)}

est une base de Im(f ).


Exercice 8 :
1. Soient X = (x1 , x2 , x3 , x4 ) et Y = (y1 , y2 , y3 , y4 ) deux vecteurs de R4 et soit
λ ∈ R. On vérifie facilement que

f (X + Y ) = f ((x1 , x2 , x3 , x4 ) + (y1 , y2 , y3 , y4 ))
= f (x1 , x2 , x3 , x4 ) + f (y1 , y2 , y3 , y4 )
= f (X) + f (Y )

et

f (λX) = f (λ (x1 , x2 , x3 , x4 ))
= λf (x1 , x2 , x3 , x4 )
= λf (X) .

Ainsi, f est linéaire.


2.

ker f = (x1 , x2 , x3 , x4 ) ∈ R4 / f (x1 , x2 , x3 , x4 ) = 0



   
5 1 5
= x1 1, − , − , − / x1 ∈ R
8 8 8
 
5 1 5
= 1, − , − , − .
8 8 8

D’où, Bker f = 1, − 85 , − 18 , − 85 est une base du noyau de f et dim ker f = 1.


 

Ainsi, d’après le théorème des dimensions, on a

rang (f ) = dim Im f = dim E − dim ker f = 4 − 1 = 3.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 121 — #131


i i

6.6 Exercices 121

3. Soit B = {u1 , u2 , u3 , u4 } où

u1 = e1 + αe4 , α ∈ R
u2 = e1 + e2
u3 = e1 + e2 + e3
u4 = λe1 + e4 , λ ∈ R.
P4
(a) B est une base de R4 c’est à dire B est libre (si i=1 βi ui = 0 alors βi = 0
pour tout i = 1, . . . , 4).Ainsi, il suffit de résoudre le système linéaire suivant
pour récupérer des conditions sur α et λ :

β1 + β2 + β3 = 0
β2 + β3 = 0
β3 + λβ4 = 0
αβ1 + β4 = 0

Ceci étant vérifié pour tout α et λ dans R.


(b) V = −u1 + (4 + α) u2 + (3 − λ (4 + α)) u3 + (−1 + λ (4 + α)) u4 .
Exercice 9 :
Soit E désigne l’espace vectoriel des fonctions numériques d’une variable ré lle
continue sur [0, 1] .
Rx
1. ∀x ∈ [0, 1] , F (x) = 0 f (t) dt donc ∀x ∈ [0, 1] , F 0 (x) = f (x) et F est dérivable
sur [0, 1]. Ainsi, F est continue sur [0, 1] . On vérifie aussi ϕ est linéaire :
(a) i. Soient f, g ∈ E et λ ∈ R. ∀x ∈ [0, 1] ,
Z x
ϕ (f + λg) (x) = (f + λg) (t) dt
Z0 x Z x
= f (t) dt + λ g (t) dt
0 0
= (ϕ (f ) + λg) (x) .

D’où, ϕ est un endomorphisme de E.


2.

ker ϕ = {f ∈ E / ϕ (f ) = 0}
= {f ∈ E / F (x) = 0, ∀x ∈ [0, 1]}
= {f ∈ E / F 0 (x) = 0, ∀x ∈ [0, 1]}
= {f ∈ E / f (x) = 0, ∀x ∈ [0, 1]}
= {0} .

Ainsi, le noyau de ϕ est nul.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 122 — #132


i i

122 Chapitre 6. Espaces vectoriels et applications linéaires

Exercice 10 :
Soit E = {f : R → R, C ∞ avec une période} : ∀x ∈ R, f (x + 1) = f (x) .
1. On a C ∞ (R) = {f : R → R, C ∞ } est un R-espace vectoriel. On peut vérifier que
E est un sous-espace vectoriel de C ∞ (R) .
2. La linéarité de d est facile à vérifier.
3.

ker d = {f ∈ E / f 0 = 0}
= {f ∈ E / f = cste}
= {f ∈ E / ∀x ∈ R, f (x) = cste.1}
= h1i .

et

Im d = {f ∈ E / ∃g ∈ E : d (g) = f }
= {f ∈ E / ∃g ∈ E : g 0 (x) = f (x) , ∀x ∈ R} .
Rx Rx
Or, on a g (x) = g (0) + 0 g 0 (t) dt = g (0) + 0 f (t) dt et pour x = 1 : g (1) =
R1 R1
g (0) + 0 f (t) dt ⇒ 0 f (t) dt = 0. Ainsi,

Im d = {f ∈ E / ∃g ∈ E : d (g) = f }
 Z 1 
= f ∈E / f (t) dt = 0 .
0

4. Vérifions Im d ∩ ker d = {0} . En effet, pour f ∈ Im d ∩ ker d ⇔



f (x) = cste, ∀x ∈ R
R1
0
f (t) dt = 0
⇔ Z 1
(cste) dt = 0 ⇒ cste = 0.
0
Montrons que ∀f ∈ E, ∃g ∈ Im d et ∃cste ∈ ker d tels que f ≡ g + cste. En effet,
soit f ∈ E : f = (f − cste) + |{z}
cste . D’où, E = Im d ⊕ ker d.
| {z }
∈Im d ∈ker d

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 123 — #133


i i

CHAPITRE 7

Matrices, déterminant et systèmes linéaires

7.1 Calcul matriciel


7.1.1 Généralité sur les matrices
Définition 7.1.1
Une matrice (réelle) A est un tableau rectangulaire de nombres (réels). Elle est
dite de taille n × p si le tableau possède n lignes et p colonnes. Les nombres du tableau
sont appelés les éléments de A. L’élément situé à la i-ème ligne et à la j-ème colonne
est noté aij . La matrice A est également notée

A = (aij )1≤i≤n
1≤j≤p

ou simplement
A = (aij )
si le nombre de lignes et de colonnes est connu par ailleurs.
Exemple 7.1.1
 
1 0 3
A=
0 −2 1
est une matrice 2 × 3 avec, par exemple, a11 = 1 et a23 = 1.
Vocabulaire 7.1.1
1. On note Mn,p (R) l’ensemble des matrices de taille n × p à coefficients dans R.
2. Si n = p, la matrice est dite carrée.
 
a11 a12 ··· a1n
 a21 a22
 ··· a2n 

 .. .. .. .. 
 . . . . 
an1 an2 ··· ann
matrice carrée n × n

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 124 — #134


i i

124 Chapitre 7. Matrices, déterminant et systèmes linéaires

Dans le cas d’une matrice carrée, les éléments a11 , a22 , . . . , ann sont appelés les
éléments diagonaux.
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
..  .
 
 .. .. ..
 . . . . 
an1 an2 · · · ann

3. Deux matrices sont égales lorsqu’elles ont la même taille et que les éléments
correspondants sont égaux.
4. Une matrice carrée est dite diagonale si aij = 0, ∀i 6= j
 
a11 0 ··· 0
 .. .. 
 0
 a22 . . 
.
 . .. ..
 ..

. . 0 
0 ··· 0 ann

5. Une matrice est dite ligne si i = 1 et 1 ≤ j ≤ n



a11 a12 ··· a1n

6. Une matrice est dite colonne si j = 1 et 1 ≤ i ≤ n


 
a11

 a21 

 .. 
 . 
an1

7. La matrice In est dite unitaire si elle est diagonale de taille n × n et aii = 1 et


1≤i≤n
 
1 0 ··· 0
.. .
. ..
 
 0 1 
In =  .

 .. .. .. 
. . 0 
0 ··· 0 1

8. La matrice nulle est la matrice dans laquelle aij = 0, ∀i = j


 
0 0 ··· 0
.. .
. ..
 
 0 0 
.
0n =  ..
 .. .. 
 . . . 0 
0 ··· 0 0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 125 — #135


i i

7.1 Calcul matriciel 125

7.1.2 Matrice d’une application linéaire


Soient E et F deux  sous-espaces vectoriels tels que dim E = p et dim F = p et soient
{e1 , e2 , . . . , ep } et e01 , e02 , . . . , e0p les bases respectives de E et F.
On donne f : E −→ F une application f est entièrement déterminée par
linéaire.
les images des vecteurs de la base e01 , e02 , . . . , e0p .


La connaissance de f (e1 ) , f (e2 ) , . . . , f (ep ) détermine f comme suit


p
X
X ∈ E =⇒ X = ai ei ,
i=0
Pp
ai f (ei ) . Les vecteurs f (ei ) ∈ F se décomposent selon la base e01 , e02 , . . . , e0p .

f (X) = i=0

Définition 7.1.2
La matrice de l’application linéaire f : E = he1 , e2 , . . . , ep i −→ F = he01 , e02 , . . . , e0n i
relativement aux bases BE = {e1 , e2 , . . . , ep } de E et BF = {e01 , e02 , . . . , e0n } de F est

f (e1 ) f (e2 ) . . . f (ep )


α11 α12 · · · α1p e01
M atBE ,BF (f ) = Mf =  . .. .. ..  ..
 .. . . .  .
αn1 αn2 · · · αnp e0n

Cette matrice admet n = dim F lignes et p = dim E colonnes.


Exemple 7.1.2
Soit
f: R3 −→ R2
(x, y, z) 7−→ (x − y, z)
La matrice de f ?
En effet, R3 = he1 = (1, 0, 0) , e2 = (0, 1, 0) , e3 = (0, 0, 1)i, R2 = he01 = (1, 0) , e02 = (0, 1)i

f (e
 1 ) f (e2 ) f (e
3 ) 0
Mf = 1 −1 0 e1
0 0 1 e02

f (e1 ) = f ((1, 0, 0))) = (1, 0) = e01 .


f (e2 ) = f ((0, 1, 0))) = (−1, 0) = −e01 .
f (e3 ) = f ((0, 0, 1)) = (0, 1) = e02 .

7.1.3 Rang d’une matrice


Définition 7.1.3
Le rang d’une matrice est le rang de la famille de ses vecteurs colonnes.
Remarque 7.1.1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 126 — #136


i i

126 Chapitre 7. Matrices, déterminant et systèmes linéaires

Le rang d’une application linéaire f est le rang de sa matrice associée Mf


(rg (f ) = rg (Mf )) .
Exemple 7.1.3
Trouver le rang de  
3 −1 1
A= 2 2 1 .
−1 0 1
Pour
  A,
trouverlerang de  il faut
 et il suffit de chercher le rang de la famille
 3 −1 1 
FA =  2  ,  2  ,  1  . Pourcela, il faut chercher une sous-famille
−1 0 1
 
libre de FA ?
Dans cet exemple, on peut vérifier facilement que FA est libre. Ainsi,

rg (A) = rg (FA ) = 3.

7.1.4 Opérations sur les matrices


Définition 7.1.4 (Somme de deux matrices) On peut définir la somme de deux
matrices si elles sont de même taille. Soient A et B deux matrices de taille n × m.
On définit leur somme C = A + B, de taille n × m par

cij = aij + bij .

En d’autres termes, on somme composante par composante.


Exemple 7.1.4
     
3 −2 5 0 3 3
A= , B= , A+B =
1 7 −1 2 3 6
   
4 1 −2
A= , B= , A + B n’est pas définie.
−3 2 8

La matrice (de taille n × m) dont tous les éléments sont zéros est appelée la
matrice nulle et notée 0nm ou plus simplement 0. C’est l’élément neutre
pour l’addition, c’est à dire que A + 0 = A.
Définition 7.1.5 (Produit d’une matrice par un scalaire) Le produit d’une ma-
trice A par un scalaire λ est formé en multipliant chaque élément de A par k. Il
est noté λA.
Exemple 7.1.5 Soient
   
3 −2 −9 6
A= et λ = −3. Alors, λA = .
0 6 0 18

La matrice (−1) A est notée −A et la différence A − B est définie par A + (−B) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 127 — #137


i i

7.1 Calcul matriciel 127

Exemple 7.1.6    
2 −1 0 −1 4 2
A= , B=
4 −5 2 7 −5 3
 
3 −5 −2
A−B = .
−3 0 −1

7.1.5 Le produit matriciel


Le produit AB de deux matrices A et B est défini seulement si le nombre de colonnes
de A est égal au nombre de lignes de B :

Definition 1 Définition 7.1.6 (Produit de deux matrices). Soit A = (aij ) une


matrice n × p et B = (bij ) une matrice p × m. Alors le produit C = AB est une
matrice n × m dont les éléments cij sont définis par

cij = ai1 b1j + ai2 b2j + · · · + aip bpj


  b ··· b1m
 
c11 c12 ··· c1m

a11 ··· ··· a1p 11
a21 a22 ··· a2p  ..   .. 
b21 ··· .   c21 .

  =

 .. ..  . .. ..   . ..

. .  ..
   ..

 . . . 
an1 ··· ··· anp bp1 ··· bpm cn1 ··· ··· cnm
c21 = a21 b11 + a22 b21 + · · · + a2p bp1 .

Exemple 7.1.7

1.  
4 
2 3 −1  −2  = (8 − 6 − 3) = (−1) .
3
| {z } | {z }
1×3 1×1
| {z }
3×1

2.    
3 −3 6 9 0
 −2  −1 2 3 0 = 2 −4 −6 0 .
1 | {z
1×4
} −1 2 3 0
| {z } | {z }
3×1 3×4

7.1.6 Matrice identité


Définition 7.1.7 La matrice carrée n × n
 
1 0 ··· 0
 0 1 ··· 0 
In =  . .
 
.. ..
 .. ..

. . 
0 0 ··· 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 128 — #138


i i

128 Chapitre 7. Matrices, déterminant et systèmes linéaires

s’appelle la matrice identité. Ses éléments diagonaux sont égaux à 1 et tous


ses autres éléments sont égaux à 0. Dans le calcul matriciel, la matrice identité
joue un rôle analogue à celui du nombre 1 dans l’arithmétique des scalaires. C’est
l’élément neutre pour la multiplication. En d’autres termes, si A une matrice
m × n, alors
Im A = A et AIn = A.

7.1.7 Règles du calcul matriciel


Sous l’hypothèse que les tailles des matrices soient compatibles avec les opérations
indiquées, on a les règles suivantes :
1. Commutativité de la somme : A + B = B + A.
2. Associativité de la somme : A + (B + C) = (A + B) + C.
3. Associativité du produit : A (BC) = (AB) C.
4. Distributivité du produit par rapport à la somme :
A (B + C) = AB + AC
(B + C) A = BA + CA.
5. A + 0 = A.
6. AI = IA = A.
7. A.0 = 0.A = 0.
Remarque 7.1.2 Le produit des matrices n’est pas nécessairement commutatif. On
peut avoir
AB 6= BA.
Exemple 7.1.8    
1 0 2 −1
A= B=
−2 5 3 0
   
2 −1 4 −5
AB = BA = .
11 2 3 0
Remarque 7.1.3 Il peut arriver que le produit de deux matrices non nulles soit nul.
En d’autres termes, on peut avoir A 6= 0, B 6= 0 et AB = 0.
Exemple 7.1.9
1.      
0 −1 2 −3 0 0
A= , B= et AB = .
0 5 0 0 0 0
Ce qui précède implique, par distributivité que l’on peut avoir AB = AC et
B 6= C.
2.      
0 −1 4 −1 2 5
A= , B= , C=
0 3 5 4 5 4
 
−5 −1
AB = AC = .
15 12

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 129 — #139


i i

7.1 Calcul matriciel 129

7.1.8 Inversion des matrices


Définition 7.1.8 (Matrice inverse). Soit A une matrice carrée de taille n × n. S’il
existe une matrice carrée B de taille n × n telle que
AB = I et BA = I,
on dit que A est inversible et on appelle B un inverse de A.
Exemple 7.1.10
1. La matrice  
2 1
5 3
est inversible et un de ses inverses est
 
3 −1
.
−5 2
En effet, on a
    
2 1 3 −1 1 0
=
5 3 −5 2 0 1
    
3 −1 2 1 1 0
= .
−5 2 5 3 0 1
2. La matrice  
3 0
A=
5 0
n’est pas inversible. En effet, soit
 
b11 b12
B=
b21 b22
une matrice quelconque. Alors le produit
    
b11 b12 3 0 ∗ 0
BA = =
b21 b22 5 0 ∗ 0
ne peut jamais être égal à la matrice identité.
Théorème 7.1.1 Si B et C sont des inverses de A, alors B = C.
Preuve Comme B est l’inverse de A, on a
BA = I
et donc
BAC = IC = C.
La multiplication étant associative, ceci revient à
B (AC) = C.
Mais par hypothèse AC = I et donc B = C.
Notation 7.1.1 Si A est une matrice inversible, son inverse est noté A−1 . On a donc
AA−1 = I et A−1 A = I.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 130 — #140


i i

130 Chapitre 7. Matrices, déterminant et systèmes linéaires

Matrice 2 × 2
Considérons les matrices 2 × 2
   
a b d −b
A= et B= .
c d −c a

On vérifie que  
1 0
AB = BA = (ad − bc) .
0 1
Donc A est inversible si ad − bc 6= 0, et on a alors
  
1 d −b
A−1 = .
ad − bc −c a

Puissances d’une matrice


Soit A une matrice n × n. On définit

Am = AA . . . A} .
| {z
m facteurs

Si A est inversible, on définit


m
A−m = A−1 = |A−1 A−1 −1
{z. . . A } .
m facteurs

Théorème 7.1.2 Soit A une matrice inversible. Alors


−1
1. A−1 est inversible et A−1 = A;
2. Am est inversible et
−1
(Am ) = |A−1 A−1 −1
{z. . . A }
m facteurs
−1 m −m

= A =A ;

−1
3. λA est inversible si λ 6= 0 et (λA) = λ1 A−1 .
Théorème 7.1.3 Soit A et B deux matrices n × n inversibles. Alors
1. AB est inversible et
−1
2. (AB) = B −1 A−1 .
Preuve On montre que B −1 A−1 (AB) = (AB) B −1 A−1 = I.
 

−1
De façon analogue, on montre que si A1 , A2 , . . . , Am sont inversibles, alors (A1 A2 . . . Am ) =
−1
A−1
m Am−1 . . . A−1
1 .

Exemple 7.1.11    
2 1 −1 3 −1
A= A =
5 3 −5 2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 131 — #141


i i

7.1 Calcul matriciel 131

   
−9 −4 −1 −1 −4
B= B =
2 1 2 9
    
2 1 −9 −4 −16 −7
AB = =
5 3 2 1 −39 −17
    
−1 −1 −1 −4 3 −1 17 −7
B A = = .
2 9 −5 2 −39 16
On a alors
  
−16 −7 17 −7
(AB) B −1 A−1 =

−39 −17 −39 16
 
−272 + 273 0
=
0 273 − 272
 
1 0
= .
0 1

7.1.9 Matrices triangulaires


Définition 7.1.9 Soit A une matrice de taille n × n. On dit que A est triangulaire
inférieure si ses éléments au dessus de la diagonale sont nuls, autrement dit si
i < j =⇒ aij = 0.
Une matrice triangulaire inférieure a donc la forme suivante :
··· ···
 
a11 0 0
 .. .. 
 a21 a22
 . . 
 .. .. .. .. ..  .
 .
 . . . . 

 . .. ..
 ..

. . 0 
an1 an2 · · · · · · ann
On dit que A est triangulaire supérieure si ses éléments en dessous de la
diagonale sont nuls, autrement dit si
i > j =⇒ aij = 0.
Une matrice triangulaire inférieure a donc la forme suivante :
a11 a12 · · · · · · · · · a1n
 
 0 a22 · · · · · · · · · a2n 
 .. .. 
 
.. ..
 . . . . 
..  .
 
 .. .. ..
 .
 . . . 

 . . . .
 .. .. .. .. 

0 · · · · · · · · · 0 ann

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 132 — #142


i i

132 Chapitre 7. Matrices, déterminant et systèmes linéaires

Exemple 7.1.12

1. Matrices triangulaires inférieures :


 
4 0 0  
5 0
 0 −1 0  .
1 −2
3 −2 0

2. Matrices triangulaires supérieures :


 
1 1 −1  
1 −3
 0 −1 −1  .
0 6
0 0 −1

Définition 7.1.10 Une matrice triangulaire inférieure et triangulaire supérieure est


dite diagonale.
Exemple 7.1.13
 
−1 0 0  
 0 2 0
6 0  .
0 3
0 0 0

7.1.10 La transposition

Soit A la matrice de taille m × n


 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A= .
 
.. .. .. ..
 . . . . 
am1 am2 ··· amn

Définition 7.1.11 On appelle matrice transposée de A, la matrice AT de taille n × m


définie par :
 
a11 a21 · · · am1
 a12 a22 · · · am2 
AT =  . ..  .
 
.. ..
 .. . . . 
a1n a2n · · · amn

Autrement dit, la i-ème colonne de AT est la i-ème ligne de A, ou encore

aTij = aij .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 133 — #143


i i

7.1 Calcul matriciel 133

Exemple 7.1.14
 
T 1
1 −2 5 =  −2 
5
 T
0 3  
 1 −5  = 0 1 −1
3 −5 2
−1 2
 T  
−1 0 −1 0
=
0 2 0 2
T
(4) = (4) .
Propriété 7.1.1
T
1. (A + B) = AT + B T
T
2. (λA) = λAT , pout tout λ ∈ R
T
3. (AB) = B T AT
T
4. AT =A
−1 T
5. Si A est inversible, alors AT l’est aussi et on a A−T , AT = A−1 .

7.1.11 La trace
Soit A la matrice n × n
 
a11 a12 ··· a1n
 a21 a22 ··· a2n 
A= .
 
.. .. .. ..
 . . . . 
an1 am2 ··· ann
Définition 7.1.12 On appelle trace de A, et on note tr (A) , le nombre obtenu en
additionnant les éléments diagonaux de A. Autrement dit,
tr (A) = a11 + · · · + ann .
Exemples 7.1.15
 
  1 1 2
2 1
A= et B=  5 2 8 .
0 5
11 0 −10
Alors, tr (A) = 2 + 5 = 7 et tr (B) = 1 + 2 − 10 = −7.
Propriétés 7.1.2 Soient A et B deux matrices n × n. Alors
1. tr (A + B) = tr (A) + tr (B)
2. tr (λA) = λtr (A) pout tout λ ∈ R

3. tr AT = tr (A)
4. tr (AB) = tr (BA) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 134 — #144


i i

134 Chapitre 7. Matrices, déterminant et systèmes linéaires

7.1.12 Matrices symétriques


Définition 7.1.13 Une matrice A de taille n × n est dite symétrique si elle est égale
à sa transposée, c’est à dire si
A = AT
ou encore si aij = aji pour tout i, j = 1, . . . , n.
Exemple 7.1.15
 
−1 0 5  
0 2
 0 2 −1  , , In et 0n,n
2 4
5 −1 0
sont symétriques.
Théorème 7.1.4 Pour une matrice A quelconque, les matrices AAT et AT A sont
symétriques.
T T
Preuve Il suffit de vérifier que AAT = AAT et AT A = AT A.

7.1.13 Matrice antisymétriques


Définition 7.1.14 Une matrice A de taille n × n est dite antisymétrique si
AT = −A
c’est à dire si aij = −aji pour tout i, j = 1, . . . , n.
Exemple 7.1.16
 
    0 4 2
0 −1 0 0
, ,  −4 0 −5  .
1 0 0 0
−2 5 0
On remarque que les éléments diagonaux d’une matrice antisymétrique sont tous
nuls.

7.1.14 Changement de base


Soit E un espace vectoriel sur R. Soient B = {e1 , e2 , . . . , en } et B 0 = {e01 , e02 , . . . , e0n }
deux bases de E.
Définition 7.1.15
On appelle matrice de passage de la base B à la base B 0 , la matrice de {e01 , e02 , . . . , e0n }
dans la base B ; on la note PBB0 .
Exemple 7.1.17
E = R3 , B = {e1 , e2 , e3 } base canonique de E et les vecteurs e01 = e1 + e2 , e02 =
e1 − e2 , e03 = e3 , B 0 = {e01 , e02 , e03 } .
0 0 0
 e1 e2 e3 
1 1 0 e1
=⇒ PBB0 = 
1 −1 0  e2
0 0 1 e3

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 135 — #145


i i

7.2 Systèmes d’équations linéaires 135

Remarque 7.1.4
1. Soit
IdE : E −→ E
X 7−→ X
une application linéaire, appelée identité et

B = {e1 , e2 , . . . , en } et B 0 = {e01 , e02 , . . . , e0n }

deux bases de E alors PBB0 = M atB,B0 (IdE ) .


−1 0
2. PBB0 est inversible et PBB 0 est la matrice de passage de B à B.

Théorème 7.1.4 (Effet d’un changement de base sur la matrice d’une ap-
plication linéaire)
Soit f une application linéaire d’un espace vectoriel E de dimension p dans un
espace F de dimension n.
0
Soient BE = {u1 , u2 , . . . , un } et BE = {u01 , u02 , . . . , u0n } deux bases de E et P la
0
matrice de passage de BE à BE .
Soient BF = {v1 , v2 , . . . , vn } et BF0 = {v10 , v20 , . . . , vn0 } deux bases de E et Q la
matrice de passage de BF à BF0 .
Soient A la matrice de f dans les bases BE à BF et A0 la matrice de f dans les
0
bases BE à BF0 :
A = M atBE ,BF (f ) et A0 = M atBE0 ,BF0 (f ) .
On a alors,
A0 = Q−1 AP.
De plus, si E = F alors Q = P et on a

A0 = P −1 AP.

On dira dans ce cas, que les matrices A et A0 sont semblables.

7.2 Systèmes d’équations linéaires


7.2.1 Introduction aux systèmes d’équations linéaires
L’équation d’une droite dans le plan xy s’écrit

a1 x + a2 y = b

où a1 , a2 et b sont des paramètres réels. Cette équation s’appelle équation linéaire


dans les variables (ou inconnues) x et y.
Exemple 7.2.1
1.
2x + y = −2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 136 — #146


i i

136 Chapitre 7. Matrices, déterminant et systèmes linéaires

2. Les équations suivantes ne sont pas des équations linéaires :


2x + y 2 = 1
y = sin (x)

x= y.
Définition 7.2.1 De manière générale, on appelle équation linéaire dans les variables
x1 , . . . , xn toute relation de la forme
a1 x1 + · · · + an xn = b
où a1 , · · · , an et b sont des nombres réels.
Une solution de l’équation linéaire çi-dessus est un n-uplet s1 , . . . , sn de valeurs
des variables x1 , . . . , xn qui satisfont à l’équation çi-dessus. Autrement dit
a1 s1 + · · · + an sn = b.

7.2.2 Système linéaires et matrices


Considérons un système quelconque de m équations à n inconnues,


 a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2


 ···
am1 x1 + am2 x2 + · · · + amn xn = bm

où le nombre réel aij est le coefficient de la j-ème inconnue dans la i-ème équation.
Définition 7.2.2 (Matrice augmentée). Nous obtenons la matrice augmentée as-
sociée au système en "oubliant" les variables xi et les signes "+" et "=". La
matrice augmentée associée au système çi-dessus est alors
 
a11 a12 · · · a1n b1
 a21 a22 · · · a1n b1 
..  .
 
 .. .. .. ..
 . . . . . 
am1 am2 · · · amn bm

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 137 — #147


i i

7.2 Systèmes d’équations linéaires 137

Exemple 7.2.2 Considérons le système linéaire



 x1 + x2 + 7x3 = −1
2x1 − x2 + 5x3 = −5
−x1 − 3x2 − 9x3 = −5

Sa matrice augmentée est


 
1 1 7 −1
 2 −1 5 −5  .
−1 −3 −9 −5
La méthode de base pour résoudre un système d’équations linéaires est de
remplacer le système par un autre, plus simple, ayant le même ensemble de
solutions. Ceci se fait par une succession d’opérations, appelées opérations
élémentaires :
(1) multiplier une équation par une constante non nulle ;
(2) permuter deux équations ;
(3) ajouter un multiple d’une équation à une autre équation.
Les opérations (1), (2) et (3) ne changent pas l’ensemble des solutions. Elles
correspondent à des opérations élémentaires sur les lignes de la matrice augmentée.
Ces opérations sont les suivantes :
(1) multiplier une ligne par une constante non nulle ;
(2) permuter deux lignes ;
(3) ajouter un multiple d’une ligne à une autre ligne.
Exemple 7.2.3 Utilisons ces opérations élémentaires pour résoudre le système sui-
vant : 
 x + y + 7z = −1
2x − y + 5z = −5
−x − 3y − 9z = −5

Nous calculons la matrice augmentée associée au système :


 
1 1 7 −1
 2 −1 5 −5  .
−1 −3 −9 −5
puis faisons les opérations élémentaires nécessaires sur le système et sur la
matrice augmentée.
(3) l2 ←− l2 − 2l1
  
 x + y + 7z = −1 1 1 7 −1
−3y − 9z = −3 et  0 −3 −9 −3 
−x − 3y − 9z = −5 −1 −3 −9 −5

Nous remarquons que les opérations élémentaires peuvent être faites uniquement sur
la matrice augmentée pour revenir à la fin au système d’équations. C’est ce que nous
faisons dans la suite.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 138 — #148


i i

138 Chapitre 7. Matrices, déterminant et systèmes linéaires

(3) l3 ←− l3 + l1  
1 1 7 −1
 0 −3 −9 −3 
0 −2 −2 −6
(1) l2 ←− − 31 l2  
1 1 7 −1
 0 1 3 1 
0 −2 −2 −6
(3) l3 ←− l3 + 2l2  
1 1 7 −1
 0 1 3 1 
0 0 4 −4
(1) l3 ←− 41 l3  
1 1 7 −1
 0 1 3 1 
0 0 1 −1
(3) l1 ←− l1 − 7l3  
1 1 0 6
 0 1 3 1 
0 0 1 −1
(3) l2 ←− l2 − 3l3  
1 1 0 6
 0 1 0 4 
0 0 1 −1
(3) l1 ←− l1 − l2  
1 0 0 2
 0 1 0 4 .
0 0 1 −1
Cette matrice augmentée correspond au système

 x =2
y =4
z = −1

On obtient ainsi l’unique solution au système : x = 2, y = 4 et z = −1.

7.2.3 Ecriture matricielle des systèmes d’équations linéaires


Le système linéaire


 a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2


 ···
am1 x1 + am2 x2 + · · · + amn xn = bm

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 139 — #149


i i

7.2 Systèmes d’équations linéaires 139

peut s’écrire sous forme matricielle :


    
a11 · · · a1n x1 b1
 a21 · · · a2n  x2   b2 
= .
    
 .. ..  .. ..
 . .  .   . 
am1 ··· amn xn bm
| {z }| {z } | {z }
A X b

On appelle A la matrice des coefficients du système. Le vecteur x est une solution du


système si et seulement si
AX = b.
Théorème 7.2.1 Un système d’équations linéaires n’a soit aucune solution, soit une
seule solution, soit une infinité de solutions.

7.2.4 Système linéaires et inversions des matrices


Théorème 7.2.2 Pour toute matrice A de taille n × n, les affirmations suivantes sont
équivalentes :
(a) A est inversible.
(b) Le système AX = b a une et une seule solution pour toute matrice b de taille
n × 1. Cette solution est donnée par X = A−1 b.
(c) AX = 0 n’a que la solution trivaile X = 0.

Méthode pratique pour le calcul de l’inverse d’une matrice


La méthode consiste à faire des opérations élémentaires sur la forme matricelle :

A : In

jusqu’à aboutir à une matrice de la forme :

: A−1

In .

L’objectif est d’obtenir la matrice In à la place de A, alors on pourra conclure que A


est inversible, et là ou il y avait In on aura A−1 .
Exemple 7.2.4 Résoudre dans R le système d’équations linéaires suivant :

 x + 2y + z = 2
4x − z = 4
−x + 2y + 2z = −4

Calculons l’inverse de  
1 2 1
A= 4 0 −1  .
−1 2 2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 140 — #150


i i

140 Chapitre 7. Matrices, déterminant et systèmes linéaires

 
 1 2 1 : 1 0 0
A : I3 = 4 0 −1 : 0 1 0 
−1 2 2 : 0 0 1
l2 ←− l2 − 4l1  
1 2 1 : 1 0 0
 0 −8 −5 : −4 1 0 
−1 2 2 : 0 0 1
l3 ←− l3 + l1  
1 2 1 : 1 0 0
 0 −8 −5 : −4 1 0 
0 4 3 : 1 0 1
l2 ←− − 81 l2  
1 2 1 : 1 0 0
 0 1 5/8 : 1/2 −1/8 0 
0 4 3 : 1 0 1
l3 ←− l3 − 4l2  
1 2 1 : 1 0 0
 0 1 5/8 : 1/2 −1/8 0 
0 0 1/2 : −1 1/2 1
l3 ←− 2l3  
1 2 1 : 1 0 0
 0 1 5/8 : 1/2 −1/8 0 
0 0 1 : −2 1 2
l2 ←− l2 − 85 l3  
1 2 1 : 1 0 0
 0 1 0 : 7/4 −3/4 −5/4 
0 0 1 : −2 1 2
l1 ←− l1 − 2l2 − l3
 
1 0 0 : −1/2 1/2 1/2
−1

I3 : A = 0 1 0 : 7/4 −3/4 −5/4 
0 0 1 : −2 1 2
=⇒  
−2 2 2
1
A−1 = 7 −3 −5 
4
−8 4 8
La solution est alors
    
−2 2 2 2 −1
−1 1
X=A b= 7 −3 −5   4  =  11
2
.
4
−8 4 8 −4 −8
11
D’où, x = −1, y = 2 et z = −8.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 141 — #151


i i

7.3 Le déterminant 141

7.3 Le déterminant
Nous allons construire dans cette partie une fonction appelée le déterminant qui
associe un nombre réel à chaque matrice carrée et qui permettra de caractériser
facilement les matrices inversibles puisque ce sont celles dont le déterminant est nul.
Exemple 7.3.1 Soit  
a b
A= .
c d
On a vu que si ad − bc 6= 0, alors A est inversible. On a alors
 
−1 1 d −b
A = .
ad − bc −c a

On définit alors le déterminant de A comme étant

det (A) = ad − bc.

On va maintenant généraliser cette notion à des matrices carrées de taille n × n.

7.3.1 Calcul des déterminants des matrice 2 × 2 et 3 × 3


Nous décrivons ici la règle de Sarrus pour calculer des déterminants 2 × 2 et 3 × 3

Matrice 2 × 2
 +

& a11 a12 %
− 
 

 + 
a21 % & a22

det (A) = a11 a22 − a21 a12 .

Matrice 3 × 3
On recopie les colonnes 1 et 2 à la suite de la colonne 3 et on calcule comme suit :
+ + +
& a11 & a12 & a13 % a11 % a12 %
− − −
+ + +
a21 & a22 % & a23 % & a21 % a22
− − −
+ + +
a31 % a32 % & a33 % & a31 & a32
− − −

det (A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a31 a22 a13 − a32 a23 a11 − a33 a21 a12 .
Exemple 7.3.2 Calculer  
2 1 0
det  1 0 1 
0 0 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 142 — #152


i i

142 Chapitre 7. Matrices, déterminant et systèmes linéaires

0 0 −1
+ + +
&2 &1 &0% 2% 1%
− − −
+ + +
1 &0% &1% &1% 0
− − −
+ + +
0% 0% &1% &0 &0
− − −
0 0 0
donc det = −1
ATTENTION : Cette méthode ne s’applique pas pour les matrices de dimensions
supérieures à 3.

7.3.2 Calcul des déterminants des matrices n × n


Mineur et cofacteur
Définition 7.3.1 Soit A = (aij ) une matrice de taille n × n. On appelle mineur de
l’élément aij le déterminant de la sous-matrice obtenue en éliminant la i-ème
ligne et la j-ème colonne de la matrice A. On le note Mij . On appelle cofacteur
de aij la quantité
i+j
Cij = (−1) .Mij .

··· ···
 
a11 a12 a1j a1n
 a21 a22 ··· a2j ··· a2n 
.. .. .. .. .. ..
 
 
 . . . . . . 
A= 
 ai1
 ai2 ··· aij ··· ain 

 . .. .. .. .. ..
 ..

. . . . . 
an1 an2 ··· anj ··· ann
 
a11 ··· a1,j−1 a1,j+1 ··· a1n
 .. .. .. .. 

 . . . . 

 ai−1,1 ··· ai−1,j−1 ai−1,j+1 ··· ai−1,n 
Mij = det  
 ai+1,1
 ··· ai−1,j−1 ai+1,j+1 ··· ai+1,n 

 .. .. .. .. 
 . . . . 
an1 ··· an,j−1 an,j+1 ··· ann

Exemple 9.2.3 Calculons M11 , C11 , M32 , C32 :



+* * *
 1 2 3

2 1
M11 =  4 2 1 = + 1 = 1.

1
0 1 1

1+1
C11 = (−1) M11 = 1.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 143 — #153


i i

7.3 Le déterminant 143


1 2 3
1 3
M32 = 4
2 1 = −

= −11.
0 1  1 4 1
+ +− +
3+2
C32 = (−1) (−11) = 11.
Pour déterminer si Cij = Mij ou Cij = −Mij , on peut utiliser le schéma suivant :
 
+ − + − ···
 − + − + ··· 
A= +
 
− + − ··· 
.. .. .. ..
 
. . . .

C11 = M11 , C12 = −M12 , C21 = −M21 , etc. . .

Calcul du déterminant par la méthode des cofacteurs


Soit A une matrice de taille 3 × 3
 
a11 a12 a13
A =  a21 a22 a23  .
a31 a32 a33

Le déterminant de A :

det (A) = a11 (a22 a33 − a23 a32 ) + a12 (a23 a31 − a21 a33 ) + a13 (a21 a32 − a22 a31 ) .

Les termes entre parenthèses sont les cofacteurs des éléments a11 , a12 , a13 . Donc

det (A) = a11 C11 + a12 C12 + a13 C13 .

Exemple 7.3.4  
1 2 3
A= 4 2 1 
0 1 1

det (A) = 1C11 + 2C12 + 3C13



2 1 4 1 4 2
= 1
+ 2. (−1) + 3
1 1 0 1 0 1
= 1 − 8 + 12
= 5.

De manière analogue en obtient

det (A) = a11 C11 + a12 C12 + a13 C13


= a21 C21 + a22 C22 + a23 C23
= a31 C31 + a32 C32 + a33 C33 .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 144 — #154


i i

144 Chapitre 7. Matrices, déterminant et systèmes linéaires

Nous avons vu que les propriétés du déterminant relatives aux lignes conduisent
à des propriétés analogues relatives aux colonnes. On a donc aussi :

det (A) = a11 C11 + a21 C21 + a31 C31


= a12 C12 + a22 C22 + a32 C32
= a13 C13 + a23 C23 + a33 C33 .

Ces expressions sont appelées les développements du déterminant en cofacteurs


par rapport aux lignes, respectivement aux colonnes, de la matrice A.
Pour une matrice A de taille n × n, on a les développements en cofacteurs analogues.
Nous résumons ceci dans le théorème suivant :
Théorème 7.3.1 Développement par rapport à la i-ème ligne :

det (A) = ai1 Ci1 + ai2 Ci2 + · · · + ain Cin .

Développement par rapport à la j-ème colonne :

det (A) = a1j C1j + a2j C2j + · · · + anj Cnj .

Calcul de l’inverse par la méthode des cofacteurs


Théorème 7.3.2 Considérons la matrice des cofacteurs : comatrice
 
C11 C12 · · · C1n
 C21 C22 · · · C2n 
C= .
 
.. .. 
 .. . . 
Cn1 Cn2 · · · Cnn

et soit la transposée de C : C T est notée adj (A) est appelée la matrice adjointe
de A.
Théorème 7.3.3 Soit A une matrice carrée n × n. On a la formule

A.adj (A) = adj (A) .A = det (A) .In .

En particulier, si det (A) 6= 0 alors A est inversible et on a


1
A−1 = adj (A) .
det (A)

Exemple 7.3.5  
1 1 0
A= 0 1 1 .
1 0 1
On a det(A) = 2. La matrice formée des Mij est
 
1 −1 −1
M =  1 1 −1  .
1 1 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 145 — #155


i i

7.3 Le déterminant 145

La matrice des signes est


 
+ − +
A= − + − .
+ − +

La matrice des cofacteurs est


 
1 1 −1
C=  −1 1 1 .
1 −1 1

On a donc  
1 −1 1
adj (A) = C T =  1 1 −1  .
−1 1 1
Donc  
1 −1 1
1
A−1 = 1 1 −1  .
2
−1 1 1

7.3.3 Systèmes linéaires : règle de Cramer


Le théorème suivant, appelé règle de Cramer, donne une formule explicite pour la
résolution de certaines systèmes d’équations linéaires. Soit


 a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2


 ···
an1 x1 + an2 x2 + · · · + ann xn = bn

un système d’équations linéaires à n équations et n inconnues. Ce système peut aussi


s’écrire AX = b où
     
a11 · · · a1n x1 b1
 a21 · · · a2n   x2   b2 
A= . , X =   et b =  .
     
.. .. ..
 .. .   .   . 
an1 · · · ann xn bn

La matrice A est appelée la matrice des coefficients du système et la matrice b est


appelée le second membre.
Définissons Aj par
 
a11 ··· a1,j−1 b1 a1,j+1 ··· a1n
 a21 ··· a2,j−1 b2 a2,j+1 ··· a2n 
Aj = 
 
.. .. .. 
 . . . 
an1 ··· an,j−1 bn a2,j+1 ··· ann

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 146 — #156


i i

146 Chapitre 7. Matrices, déterminant et systèmes linéaires

Autrement dit, Aj est la matrice obtenue en remplaçant la j-ème colonne de A


par le second membre b. La règle de Cramer va nous permettre de calculer la
solution du système dans le cas où det (A) 6= 0 en fonction des déterminants des
matrices A et Aj .
Théorème 7.3.4 Soit
AX = b
un système de n équations à n inconnues. Supposons que det (A) 6= 0. Alors
l’unique solution du système est donnée par

det (A1 ) det (A2 ) det (An )


x1 = , x2 = , . . . , xn = .
det (A) det (A) det (A)

Exemple 7.3.6 Résolvons le système suivant :



 x1 + 2x3 = 6
−3x1 + 4x2 + 6x3 = 30
−x1 − 2x2 + 3x3 = 8

On a    
1 0 2 6 0 2
A =  −3 4 6  A1 =  30 4 6 
−1 −2 3 8 −2 3
   
1 6 2 1 0 6
A2 =  −3 30 6  A3 =  −3 4 30 
−1 8 3 −1 −2 8
et

det (A) = 44 det (A1 ) = −40


det (A2 ) = 72 det (A3 ) = 152.

La solution est alors


det (A1 ) 40 10
x1 = =− =−
det (A) 44 11
det (A2 ) 72 18
x2 = = =
det (A) 44 11
det (A3 ) 152 38
x3 = = = .
det (A) 44 11

7.4 Exercices
7.4.1 Enoncés
Exercice 1 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 147 — #157


i i

7.4 Exercices 147

On considère les matrices


 
1 1 0
A =  0 1 1  et B = A − I (où I désigne la matrice identité, I ∈ M3 (R) .
0 0 1

Calculer B n puis An , n ∈ N.
Exercice 2 :
On considère pour tout x ∈ R, la matrice
 
cosh x sinh x
A (x) = .
sinh x cosh x

1. Calculer A (x) A (y) , pour x, y ∈ R.


n
2. Calculer (A (x)) , n ∈ N.
Exercice 3 :
Soient E = R2 , F = R3 et f ∈ LR (E, F ) définie par :

f (x, y) = (x + y, x − y, y − x) .

Ecrire la matrice M (f ) relativement aux bases canoniques de E et F.


Exercice 4 :
Soit  
0 −1 −1
A =  −1 −2 0 .
1 3 1
1. On note B = {e1 , e2 , e3 } la base canonique de R3 . Soit f l’application de R3
vers lui-même de matrice A dans la base B. Vérifier que

f (x, y, z) = (−y − z, − x − 2y, x + 3y + z) , pour tout (x, y, z) ∈ R3 .

2. Déterminer le noyau et l’image de f en donnant la dimension et une base.


3. Soient
u1 = (2, − 1, 1) , u2 = (−3, 1, 2) , u3 = (0, 1, − 1)
trois vecteurs de R3 . Montrer que B 0 = {u1 , u2 , u3 } est une base de R3 .
4. Calculer f (u1 ) , f (u2 ) , f (u3 ) .
5. En déduire la matrice de f dans la base B 0 et conclure.
Exercice 5 :
R3 muni de la base canonique B = {e1 = (1, 0, 0) , e2 = (0, 1, 0) , e3 = (0, 0, 1)} ,

f: R3 −→ R3
(x, y, z) 7−→ (2x − y, y + 2z, x + z) .

1. Vérifier que f est linéaire.


2. Déterminer une base de ker f et une base de Im f.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 148 — #158


i i

148 Chapitre 7. Matrices, déterminant et systèmes linéaires

3. Déterminer la matrice de f relativement à la base B.


4. Soient
u = (1, 2, 3) , v = (2, 0, 1) , w = (0, −1, 2) .
0
Vérifier que B = {u, v, w} est une base de R3 . Déterminer alors la matrice de
passage P de B à B 0 et calculer l’inverse de P.
5. Déterminer la matrice de f relativement à la base B 0 .
Exercice 6 :
Déterminer le rang des matrices suivantes :
 
1 2 3 4 5  
  1 1 −1 2
−1 1 0  2 3 4 5 6 
 
 a 1 1 1 
 , a ∈ R.
A= 0 1 1 ;B=  3 4 5 6 7  ; C =  1 −1
 
3 3 
2 0 1  4 5 6 7 8 
4 2 0 a
5 6 7 8 9

Exercice 7 :
Déterminer l’inverse des matrices suivantes :
   
4 4 2 −3 2 −1
A =  −3 0 1  ; B =  2 0 −1  (par la méthode des cofacteurs)
2 −1 0 1 2 1
 
−1 −1 −3
C= 1 2 0  (par la méthode de Gauss-Jordan)
0 0 1
Exercice 8 :
Soit  
a −b −c −d
 b a −d c 
M (a, b, c, d) =  .
 c d a −b 
d −c b a
1. Calculer det (M (a, 0, 0, 0)) .
2. Calculer M M T .
3. En déduire det M. Donner une condition pour que M soit inversible.
Exercice 9 :
Soit m, p deux entiers naturels tel que m ≥ p ≥ 1. Calculer les déterminants d’ordre
(p + 1) suivants :
0 1 2 p

a0 a1 a2 · · · ap Cm Cm Cm ··· Cm
0 1 2 p
−1 x 0 · · · 0 Cm+1 Cm+1 C m+1 · · · Cm+1

. . . . . .

. .
.. .. . . . .. , ∆
.. .. .. .. ..
∆p = 0 m,p =


. . . . .
.. .
.. .
.. .
.. .
..
.. .. .. .. 0


p

0 · · · 0 −1 x C0 C 1
C 2
··· C
m+p m+p m+p m+p

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 149 — #159


i i

7.4 Exercices 149

Exercice 10 :
Résoudre dans R les systèmes suivants :
 
 3x − y + z = 5  2x − y + z = 4
(S1 ) : x + y − z = −2 ; (S2 ) : −x + 3y − 5z = 1 ;
−x + 2y + z = 3 8x − 9y + 13z = 2
 

 
 2x + y − z = 0  x+y−z−t+u=0
(S3 ) : x + 2y + z = 0 ; (S4 ) : 2x + y − 4t + 4u = 0 ;
3x + y − 2z = 0 x + 2y − 3z + t − u = 0
 

Exercice 11 :
Résoudre et discuter selon le parmètre réel p, le système linéaire suivant :


 x+y+z =1
x + py + z = p

(Sp ) :

 x + y + p2 z = p2
x + y + (p + 1) z = p2 − p + 1

Exercice 12 :
Soient a et b dans R. Résoudre et discuter selon les paramètres a et b les systèmes
linéaires suivants :

 (1 − a) x + (2a + 1) y + (2 + 2a) z = a
(Sa ) : ax + ay = 2a + 2
2x + (a + 1) y + (a − 1) z = a2 − 2a + 9



 x + y + 2z = −2
x + 2y + 3z = a

(Sa,b ) :

 3x + 5y + 8z = 2
5x + 9y + 14z = b

7.4.2 Corrigés
Exercice 1 :      
1 1 0 1 0 0 0 1 0
B =A−I = 0 1 1 − 0 1 0 = 0 0 1 .
0 0 1 0 0 1 0 0 0
    
0 1 0 0 1 0 0 0 1
B2 = B × B =  0 0 1  0 0 1  =  0 0 0 .
0 0 0 0 0 0 0 0 0
    
0 1 0 0 0 1 0 0 0
B3 = B2 × B =  0 0 1  0 0 0  =  0 0 0 .
0 0 0 0 0 0 0 0 0
 
0 0 0
Ainsi, B n =  0 0 0  , pour n ≥ 3.
0 0 0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 150 — #160


i i

150 Chapitre 7. Matrices, déterminant et systèmes linéaires

Puisque B et I commute entre eux, on peut appliquer la formule de binôme de


Newton :
n
n
X n!
An = (B + I) = Cnk B k I n−k , où Cnk = .
k! (n − k)!
k=0

Ainsi,

An = B n + Cnn−1 B n−1 + · · · + Cn3 B 3 + Cn2 B 2 + Cn1 B + I


| {z }
=0
n (n − 1) 2
= B + nB + I.
2
D’où,
n(n−1)
 
1 n 2
An =  0 1 n  , pour n ≥ 3.
0 0 1

Exercice 2 :

1. Soient x, y ∈ R,
  
cosh x sinh x cosh y sinh y
A (x) A (y) =
sinh x cosh x sinh y cosh y
 
cosh x cosh y + sinh x sinh y cosh x sinh y + cosh y sinh x
=
cosh x sinh y + cosh y sinh x cosh x cosh y + sinh x sinh y
 
cosh (x + y) sinh (x + y)
=
sinh (x + y) cosh (x + y)
= A (x + y) .

2
2. Si n = 2 : (A (x)) = A (2x) . Pour n ∈ N, on vérifie facilement par récurrence
n
que (A (x)) = A (nx) .

Exercice 3 :
On a f (1, 0) = (1, 1, −1) et f (0, 1) = (1, −1, 1) . Donc, la matrice de f relativement
aux bases canoniques de E et F :
 
1 1
M (f ) =  1 −1 
−1 1

Exercice 4 :
Soit  
0 −1 −1
A =  −1 −2 0 .
1 3 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 151 — #161


i i

7.4 Exercices 151

1. On note B = {e1 , e2 , e3 } la base canonique de R3 . Soit f l’application de R3


vers lui-même de matrice A dans la base B. On a, par définition,

f (X) = AX
  
0 −1 −1 x
=  −1 −2 0  y 
1 3 1 z
 
−y − z
=  −x − 2y  .
x + 3y + z

D’où,

f (x, y, z) = (−y − z, − x − 2y, x + 3y + z) , pour tout (x, y, z) ∈ R3 .

2.

ker f = X = (x, y, z) ∈ R3 / f (x, y, z) = (0, 0, 0)




= X = (x, y, z) ∈ R3 / (−y − z, − x − 2y, x + 3y + z) = (0, 0, 0)




= X = (x, y, z) ∈ R3 / x = −2y, z = −y


= {(−2y, y, −y) / y ∈ R}
= h(−2, 1, −1)i .

Donc, dim ker f = 1 et une base du noyau de f est donnée par :

Bker f = {(−2, 1, −1)} .

Im(f ) = f (X) / X ∈ R3


= (−y − z, − x − 2y, x + 3y + z) / X = (x, y, z) ∈ R3




= x.(0, −1, 1) + y.(−1, −2, 3) + z.(−1, 0, 1) / X = (x, y, z) ∈ R3 .




Donc,
Im(f ) =< (0, −1, 1), (−1, 0, 1) >
puisque
dim(Im f ) = dim R3 − dim(ker(f )) = 2
et (−1, −2, 3) = 2.(0, −1, 1) + (−1, 0, 1). Ainsi,

BIm(f ) = {(0, −1, 1), (−1, 0, 1)}

est une base de Im(f ).


3. Soient
u1 = (2, −1, 1) , u2 = (−3, 1, 2) , u3 = (0, 1, −1)
trois vecteurs de R3 . Il est évident de vérifier que B 0 = {u1 , u2 , u3 } est une base
de R3 .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 152 — #162


i i

152 Chapitre 7. Matrices, déterminant et systèmes linéaires

4.

f (u1 ) = (0, 0, 0)
f (u2 ) = (−3, 1, 2) = u2 .
f (u3 ) = (0, 2, −2) = 2.u3 .

5. La matrice de f dans la base B 0 :

f (u
1 ) f (u2 ) f (u
3)
0 0 0 u1
M atB 0 (f ) =  0 1 0  u2
0 0 2 u3

Conclusion : A est diagonalisable.


Exercice 5 :
R3 muni de la base canonique B = {e1 = (1, 0, 0) , e2 = (0, 1, 0) , e3 = (0, 0, 1)} ,

f: R3 −→ R3
(x, y, z) 7−→ (2x − y, y + 2z, x + z) .

1. Soient X = (x, y, z), X 0 = (x0 , y 0 , z 0 ) et λ ∈ R

f (λX + X 0 ) = f (λ (x, y, z) + (x0 , y 0 , z 0 ))


= f ((λx + x0 , λy + y 0 , λz + z 0 ))
= (2 (λx + x0 ) − (λy + y 0 ) , (λy + y 0 ) + 2 (λz + z 0 ) , (λx + x0 ) + (λz + z 0 ))
= (2λx + 2x0 − λy − y 0 , λy + y 0 + 2λz + 2z 0 , λx + x0 + λz + z 0 )
= (λ(2x − y) + (2x0 − y 0 ) , λ (y + 2z) + (y 0 + 2z 0 ) , λ (x + z) + (x0 + z 0 ))
= λ ((2x − y, y + 2z, x + z) + ((2x0 − y 0 , y 0 + 2z 0 , x0 + z 0 )
= λf (x, y, z) + f (x0 , y 0 , z 0 )
= λf (X) + f (X 0 ) .

D’où, f est linéaire.


2.

ker f = X = (x, y, z) ∈ R3 / f (X) = 0R3




= (x, y, z) ∈ R3 / (2x − y, y + 2z, x + z) = (0, 0, 0)




= (x, y, z) ∈ R3 / 2x − y = 0, y + 2z = 0, x + z = 0


= {(x, 2x, −x) / x ∈ R}


= h(1, 2, −1)i .

Donc,
Bker f = {(1, 2, −1)}

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 153 — #163


i i

7.4 Exercices 153

est une base de ker f.

Im f = f (X) / X ∈ R3


= (2x − y, y + 2z, x + z) / (x, y, z) ∈ R3




= x (2, 0, 1) + y (−1, 1, 0) + z (0, 2, 1) / (x, y, z) ∈ R3 .




Puisque dim Im f = dim R3 − dim ker f = 3 − 1 = 2, alors il suffit de choisir


deux vecteurs de Im f linéairements indépendants. Par exemple, on vérifie que
la famille
BIm f = {(2, 0, 1) , (−1, 1, 0)}

est libre et puisque dim Im f = 2, alors BIm f est une base de Im f.


3.
f
(e1 ) f (e2 ) f (e
3 )
2 −1 0 e1
M atB,B (f ) = Mf = 
0 1 2  e2
1 0 1 e3

est la matrice de f relativement à la base B.


4. Soient
u = (1, 2, 3) , v = (2, 0, 1) , w = (0, −1, 2) .

Vérifier que B 0 = {u, v, w} est une base de R3 (B 0 est libre et rang (B 0 ) =


dim R3 = 3).La matrice de passage P de B à B 0

 u v w 
1 2 0 e1
P = PB,B0 = 
2 0 −1  e2
3 1 2 e3

et
1 4 2
 
− 13 13 13
P −1 =  7
13
2
− 13 1
− 13 .
2 5 4
− 13 − 13 13

5. D’après le théorème de changement de base : On vérifie

(a) i. f est une application linéraire de R3 dans R3 .


ii. B = {e1 = (1, 0, 0) , e2 = (0, 1, 0) , e3 = (0, 0, 1)} est une base de R3 .
iii. B 0 = {u = (1, 2, 3) , v = (2, 0, 1) , w = (0, −1, 2)} est une base de R3 .
iv. P est la matrice de passage de B à B 0 .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 154 — #164


i i

154 Chapitre 7. Matrices, déterminant et systèmes linéaires

Alors,

M atB0 (f ) = P −1 M atB (f ) P
1 4 2
   
− 13 13 13 2 −1 0 1 2 0
7 2 1 
=  13 − 13 − 13 0 1 2  2 0 −1 
2 5 4
− 13 − 13 13
1 0 1 3 1 2
 40 10 15

13 13 13
=  − 20
13
21
13
1 
− 13
24 6 9
− 13 − 13 − 13
 
40 10 15
1 
= −20 21 −1  .
13
−24 −6 −9

Exercice 6 :
– Par définition, le rang (A) ≤ 3. Puisque, det A = 1 6= 0, alors rang (A) = 3. De
même
– Pour B : le rang (B) ≤ 4. En effectuant des transformations sur les colonnes :
Ci ← Ci − Ci−1 , i = 2, . . . , 5

1 2 3 4 5 1 1 1 1 1

2 3 4 5 6 2 1 1 1 1

det B = 3 4 5 6 7 = 3 1 1 1 1 = 0.
4 5 6 7 8 4 1 1 1 1

5 6 7 8 9 5 1 1 1 1

Donc, rang (B) ≤ 4 et puisque les mineurs d’ordre 4 et d’ordre 3 sont tous nuls
alors rang (B) ≤ 2. On constate que le mineur d’ordre 2 :

1 1
2 1 = −1 6= 0

alors rang (B) = 2.


– Pour C : le rang (C) ≤ 4. On a det C = 2 (a − 9) (−a + 3) donc il faut distinguer
trois càs :
– Si a ∈ R\ {3, 9} alors rang (C) = 4.
1 1 1

– Si a = 3 alors rang (C) = 3 puisque det C = 0 et −1 3 3 = 12 6= 0.
2 0 3

1 1 1

– Si a = 9 alors rang (C) = 3 puisque det C = 0 et −1 3 3 = 36 6= 0.
2 0 9
Exercice 7 :
 1
− 19 2
  1 1 1
  
18 9 −8 4 8 −2 −1 −6
A−1 =  19 − 29 − 59  ; B −1 =  16 3 1
8
5 
16 ; C −1 =  1 1 3 .
1 2 2 1 1 1
6 3 3 − 4 − 2 4
0 0 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 155 — #165


i i

7.4 Exercices 155

Exercice 8 :
Soit  
a −b −c −d
 b a −d c 
M (a, b, c, d) =  .
 c d a −b 
d −c b a

a 0 0 0

0 a 0 0
1. det (M (a, 0, 0, 0)) = = a4 .
0 0 a 0


0 0 0 a
 2
a + b + c2 + d2
2

0 0 0
2 2
 0 a + b + c2 + d2 0 0 
2. M M T =  .
 0 0 a2 + b2 + c2 + d2 0 
0 0 0 a2 + b2 + c2 + d2
2
3. On a det M = det M T . Puisque det M det M T = (det M ) et det (M (a, 0, 0, 0)) > 0
alors,
2
det M = a2 + b2 + c2 + d2 .
2
Pour que M soit inversible, il faut et il suffit que det M = a2 + b2 + c2 + d2 6= 0,
c’est à dire quand (a, b, c, d) 6= (0, 0, 0, 0) .
Exercice 9:


a0 a1 a2 ··· ap


a1 a2 ··· ··· ap

−1 x 0 ··· 0 −1 x ··· ··· 0
.. ..

.. .. .. = a 0 xp + 1
.. .. ..
∆p = 0 . . . . 0 . . . .

.. .. .. .. .. .. .. ..

. . . . 0
. . . . 0
0 ··· 0 −1 x 0 ··· 0 −1 x
Donc,
∆p = a0 xp + a1 xp−1 + a2 xp−2 + · · · + ap−1 x + ap .
q q−1
On a Cpq −Cp−1 = Cp−1 pour q ≥ p ≥ 1. En effectuant des transformations élémentaires
sur lignes : Li+1 ← Li+1 − Li avec i = 1, . . . , p
0 1 2 p

Cm Cm Cm ··· Cm
0 1 2
Cm+1 Cm+1 Cm+1 · · · Cm+1 p
.. .. .. .. ..


∆m,p =
. . . . .

.. .. .. .. ..
. . . . .
p

C0 1 2
Cm+p Cm+p · · · Cm+p
m+p
1 2 p
···

1 Cm Cm Cm
0 1 p−1
···

0 Cm Cm Cm
.. .. .. .. ..

= . .

. . . .
0 1 p−1
0 Cm+p−2
Cm+p−2 · · · Cm+p−2
0 C0 1 p−1
m+p−1 Cm+p−1 · · · Cm+p−1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 156 — #166


i i

156 Chapitre 7. Matrices, déterminant et systèmes linéaires

Donc, on remarque que

∆m,p = ∆m,p−1 = ∆m,p−2 = · · · = ∆m,0 = 1.

Exercice 10 :
Pour résoudre dans R les systèmes (Si ) 1 ≤ i ≤ 4, il suffit d’appliquer Cramer.
(S1 ) : x = 43 , y = 13 , z = 37
 
12 .
(S2 ) : ∅.
(S3 ) : x = z, y = −z et z ∈ R.
(S4 ) : x = 2z − 32 y, t = u − 12 y + z et y, z, u ∈ R.
Exercice 11 :

 {[x = 2, y = 1, z = −2]} si p = −1
 y = 1 − x, z = 0 et x ∈ R si p = 1


(Sp ) : {[x = −1, y = 1, z = 1]} si p = 2
 {[x = −1, y = 1, z = 1]} si p = 0



∅ si p ∈ R \ {0, 1, −1, 2}

Exercice 12 :
Soient a et b dans R.
1
 
4a − a2 + 2a3 + 6  , 

  x = − 2a−a 2
1
6a − 3a2 + 2a3 + 10 , 

y = 2a−a si a ∈ R \ {0, 1, 2}
 

 2
 1 2 3
z = − 12a − 6a + 3a + 2
  
(Sa ) : 2a−a2
x = 3 − 5−6z , y = 5−6z
 

 6 6 et z ∈ R si a = 2
11+4z 1−4z
 




 x = 3 , y = 3 et z R si a = 1


si a = 0

{[x = −z − 6, y = −z + 4 et z ∈ R]} si (a, b) = (2, 6)
(Sa,b ) :
∅ si (a, b) 6= (2, 6)

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 157 — #167


i i

CHAPITRE 8

Diagonalisation des endomorphismes - matrices

8.1 Valeurs propres et vecteurs propres


Soient E un R-espace vectoriel et f ∈ LR (E) : f est un endomorphisme de E.
Définition 8.1.1 Un vecteur x de E est dit vecteur propre de f si :
1. x 6= 0
2. Il existe λ ∈ K tel que f (x) = λx.
On dit alors que λ est une valeur propre de f. On dit aussi que x est un vecteur
propore de f associé à λ.
Définition 8.1.2 L’ensemble des valeurs propres d’un endomorphisme f est appelé
le spectre de f .
Proposition 8.1.1 Soit λ une valeur propre de f alors
Eλ = {x ∈ E / f (x) = λx} = ker (f − λi) 6= {0} .
où i est l’application identique de E dans E. De plus, Eλ est un sous-espace
vectoriel de E (l’ensemble de tout les vecteurs propres associé à λ et du vecteur
nul), appelé, sous-espace propre de f associé à λ.
Théorème 8.1.1 Soit E de dimension finie n. Soient f ∈ LR (E) et
E = Eλ1 ⊕ Eλ2 ⊕ · · · ⊕ Eλk
avec Eλ1 , Eλ2 , . . . , Eλk sont les sous-espaces propres de E associés à des valeurs
propres distinctes (Eλp = ker (f − λp i) 6= {0} ; λi 6= λj si i 6= j). Alors, toute
matrice représentative de f est semblable à la matrice diagonale
D = diag (λ1 , . . . , λ1 , λ2 , . . . , λ2 , . . . , λk , . . . , λk )
où λi figure autant de fois que ri = dim Eλi .
Définition 8.1.3 Soit E un R-espace vectoriel de dimension n finie et
f ∈ LR (E) .
On dit que f est diagonalisable si on peut la représenter par une matrice
diagonale.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 158 — #168


i i

158 Chapitre 8. Diagonalisation des endomorphismes - matrices

8.2 Caractéristique d’une valeur propre


Soient E un R-espace vectoriel de dimension n finie et f ∈ LR (E) : f est un endomor-
phisme de E. On rappelle que det f est définie par det f = det A où A est une matrice
représentative de f . Soient λ ∈ R et A ∈ Mn (R) représente f alors (f − λi) est
représentée par (A − λI) et det (f − λi) = det (A − λI) avec I est la matrice identité
d’orde n.
Or, λ est une valeur propre de f si et seulement si det (f − λi) = |f − λi| = 0
avec |f − λi| est un polynôme de degré n en fonction de λ, appelé, le polynôme
caractéristique de f (aussi de A) et on le note

Pf (λ) = |f − λi| (aussi PA (λ) = |A − λI|).

Proposition 8.2.1 Un scalaire λ ∈ K est une valeur propre de f (ou A) si et seule-


ment si λ est une racine du polynôme caractéristique. Ainsi, les valeurs propres
de f (ou A) sont les racines de Pf (λ) = PA (λ) = 0.
Exemple 8.2.1
Soit  
1 1
A=
1 1
Chercher les valeurs propres de A.

1−λ 1 2
PA (λ) = |A − λI2 | = = (1 − λ) − 1 = λ (λ − 2) .
1 1−λ

D’où, les valeurs propres de A vérifient PA (λ) = 0 ⇐⇒ λ1 = 0 ou λ2 = 2.


Propriété 8.2.1
1. A est non inversible si et seulement si 0 est une valeur propre de A.
2. PA (λ) est un polynôme de degré n en fonction de λ.
3. Pour une matrice carrée d’ordre n
n n−1
PA (λ) = (−λ) + tr (A) (−λ) + · · · + det (A) .

On admet

tr (A) = λ1 + λ2 + · · · + λn ,
det (A) = λ1 λ2 · · · λn .

4. Si X est un vecteur propre de A associé à une valeur propre λ alors X est un


vecteur propre de A2 associé à λ2 . Plus généralement, λk est une valeur propre
de Ak .
5. Si A est inversible et X un vecteur propre de A associé à une valeur propre de
A alors X est un vecteur propre de A−1 associé à la valeur propre de λ1 .
6. Eλ = {X ∈ Rn / AX = λX} = {X ∈ Rn / (A − λI) X = 0} = ker (A − λI)
est un sous-espace vectoriel de Rn (l’ensemble de tout les vecteurs propres
associé à λ et du vecteur nul), appelé, sous-espace propre de A associé à λ.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 159 — #169


i i

8.2 Caractéristique d’une valeur propre 159

Exemple 8.2.2
1. Soit  
1 1
A=
1 1

PA (λ) = λ (λ − 2) ⇐⇒ λ1 = 0 ou λ2 = 2.

E0 = X ∈ R2 / (A − 0I) X = 0


= {X ∈ Rn / AX = 0} .

x+y =0
Ainsi, =⇒ x = −y. Donc,
x+y =0

E0 = (x, y) ∈ R2 / x = −y


= {(−y, y) / y ∈ R}
= h(−1, 1)i .

2. Soit  
−2 −2 1
B =  −2 1 −2  .
1 −2 −2
2
PB (λ) = (3 + λ) (3 − λ) .

Il y a deux valeurs propres λ1 = 3 de multiplicité 1 ou λ2 = −3 de multiplicité


2. Les sous espaces propres sont

E3 = h(1, −2, 1)i et E−3 = h(2, 1, 0) , (−1, 0, 1)i .

3. Soit  
3 0 8
C= 3 −1 6 .
−2 0 −5
3
PC (λ) = − (1 + λ)

=⇒ C admet une seule valeur propre λ = −1 de multiplicité 3. Le sous-espace


propre de C associé à λ = −1

E−1 = X ∈ R3 / (C − (−1) I) X = 0


= X ∈ R3 / (C + I) X = 0 .


     
x 3 0 8 x 0
Ainsi, pour X =  y  ∈ R3 ⇐⇒  3 −1 6   y  =  0  ⇐⇒
z −2 0 −5 z 0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 160 — #170


i i

160 Chapitre 8. Diagonalisation des endomorphismes - matrices


 3x + 8z = 0
3x + 6z = 0 =⇒
−2x − 4z = 0

E−1 = (x, y, z) ∈ R3 / x = −2z




= (−2z, y, z) / (x, z) ∈ R2


= (0, 1, 0) y + (−2, 0, 1) z / (x, z) ∈ R2




= h(0, 1, 0) , (−2, 0, 1)i .

8.3 Diagonalisation d’une matrice carrée

Définition 8.3.1

Soit A ∈ Mn (R) . A est diagonalisable s’il existe une matrice diagonale D et une
matrice inversible P tels que A = P DP −1 .

8.3.1 Cas des valeurs propres distinctes

Théorème 8.3.1

Soit A ∈ Mn (R) . Si A admet n valeurs propres distincts λ1 , λ2 , . . . , λn alors A


est diagonalisable.
Autrement dit,
soit A = M atBc (f ) : matrice associée à f dans la base canonique. A admet n valeurs
propres distincts λ1 , λ2 , . . . , λn donc A admet n vecteurs propres X1 , X2 , . . . , Xn . Alors,
B 0 = {X1 , X2 , . . . , Xn } est une base de Rn et on

A = P DP −1

avec
 
λ1 0 ··· 0
 .. .. 
 0 λ2 . . 
P = [X1 X2 · · · Xn ] et D =  ..
.
 .. .. 
 . . . 0 
0 ··· 0 λn

Exemple 8.3.1

Soit
 
−1 2 1
A= 0 2 0 .
1 2 −1

Vérifier que A est diagonalisable. Donner alors la diagonalisation de A.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 161 — #171


i i

8.3 Diagonalisation d’une matrice carrée 161

Cherchons le polynôme caractéristique de A ?



−1 − λ 2 1

PA (λ) = 0 2−λ 0

1 2 −1 − λ

−1 − λ 1
= (2 − λ)
1 −1 − λ
= (2 − λ) (2 + λ) λ.

Ainsi, A admet 3 valeurs propres distincts. Donc, A est diagonalisable.


Comment déterminer la diagonalisation de A ?
Cherchons les espaces propres : E0 , E−2 , E2 ?

E0 = X ∈ R3 / (A − (0) I) X = 0 =< (1, 0, 1)>,



| {z }
,X1

E−2 = X ∈ R3 / (A − (−2) I) X = 0 =< (−1, 0, 1)>,



| {z }
,X2

E2 = X ∈ R3 / (A − (2) I) X = 0 =< (1, 0, 1)> .



| {z }
,X3

Donc, B 0 = {X1 , X2 , X3 } est une base de R3 .

 X1 X2 X3 
1 −1 1 e1
P = M atBc ,B0 (f ) = 
0 0 0  e2
1 1 1 e3
 
1 −2 1
1
P −1 = −1 0 1 .
2
0 2 0

   
1 −2 1 −1 2 1 1 −1 1
1
D= −1 0 1   0 2 0  0 0 0 
2
0 2 0 1 2 −1 1 1 1
 
0 0 0
=  0 −2 0  .
0 0 2

8.3.2 Condition nécessaire et suffisante de diagonalisation


Théorème 8.3.2
Soit A ∈ Mn (R) . A est diagonalisable si et seulement si
1. PA (λ) admet toutes ses racines dans R.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 162 — #172


i i

162 Chapitre 8. Diagonalisation des endomorphismes - matrices

2. dim Eλi = ni , i = 1, . . . , k (k ≤ n)
avec λ1 , λ2 , . . . , λk sont les valeurs propres de A de multiplicité respectives m1 , m2 , . . . , mk .
Autrement dit
Soit A = M atBc (f ) : matrice associée à f dans la base canonique. A admet
λ1 , λ2 , . . . , λk valeurs propres de multiplicité respectives m1 , m2 , . . . , mk tels que
k
X
mi = n
i=1

Pour B1 , B2 , . . . , Bk sont les bases de Eλ1 , Eλ2 , . . . , Eλk , respectivement, on a


k
[
0
B = Bi
i=1

une base de Rn . Alors,


A = P DP −1
avec
 m1 
z }| {
  λ1 
 
  ..  
 
 .  


 λ1 


P = [X1 X2 · · · Xn ] et D =  .. 
.
 .
  

 λk 

  ..  

  .  

λk
 
 
| {z }
mk

Exemple 8.3.2
Soit  
3 0 3
A= 3 −1 6 .
−2 0 −5
3
PA (λ) = − (λ + 1) . A admet une seule valeur propre λ = −1 de multiplicité m = 3.

E−1 = X ∈ R3 / (A − (−1) I) X = 0 = < (0, 1, 0) > .




Puisque, dim E−1 = 1 6= m = 3. D’où, A n’est pas diagonalisable.

8.4 Application de la diagonalisation


8.4.1 Puissance et exponentielle d’une matrice
Puissance d’une matrice

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 163 — #173


i i

8.4 Application de la diagonalisation 163

Soit A ∈ Mn (R) une matrice diagonalisable : A = P DP −1 avec


 
λ1 0 ··· 0
.. . 
. .. 

 0 λ2
D=  . .
.
 .. .. .. 
. 0 
0 ··· 0 λn

Donc, A2 = P DP −1 P DP −1 = P D2 P −1 . Ainsi, par récurrence sur k, on vérifie que


∀k ∈ N, Ak = P Dk P −1 . Or,
 k 
λ1 0 · · · 0
. 
 0 λk2 . . . .. 

k
D = .
 .
 .. . . . . . . 0 

0 · · · 0 λkn

Donc, dans le cas où A est diagonalisable, il sera très facile de calculer une puissance
quelconque de A.

Exponentielle d’une matrice


Par extention avec ce qui précède, pour toute matrice carrée A, on peut définir son
exponentielle de la manière suivante :
+∞
X Ak
eA = .
k!
k=0

Si A est diagonalisable, on obtient plus simplement :


 λ1 
e 0 ··· 0
.. 
 0 eλ 2 . . .

. 
eA = P eD P −1 =   .
.
 .. .. .. 
. . 0 
0 ··· 0 eλn

8.4.2 Système différentiel : étude d’un exemple


Un système différentiel est un système du type :
 0
x = 3x + 2y
(S) :
y 0 = x + 2y

où x : t 7→x (t) et y: t 7→


 y (t) sont deux fonctions à déterminer. Si on note
0
x x
F0 = et F = , on a : F 0 = AF. en diagonalisant la matrice A, on
y0 y
trouve :    
1 0 1 2
PA = P avec P = .
0 4 −1 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 164 — #174


i i

164 Chapitre 8. Diagonalisation des endomorphismes - matrices

Notons
x0 X0
       
x X
=P et =P .
y0 Y0 y Y
La système devient donc :

X0
    
1 0 X
=
Y0 0 4 Y

c’est à dire
X0 = X X = αet
 
soit avec α, β ∈ R.
Y 0 = 4Y Y = βe4t
D’où,
x = αet + 2βe4t
    
x X
=P soit avec α, β ∈ R.
y Y Y = −αet + βe4t

8.5 Exercices
8.5.1 Enoncés
Exercice 1 :
Soit f l’application de R [X] dans R [X] définie par :

f (P ) = XP 0 − P où P 0 est la dérivée de P.

1. Montrer que f est une application linéaire.


2. Montrer que le spectre de f est contenu dans {−1} ∪ N et que tout vecteur
propre de f est de la forme an X n .
3. Soit m ∈ {−1} ∪ N et Pm (X) = X m+1 . Montrer que Pm est un vecteur propre
de f.
4. En déduire l’ensemble des valeures propres de f.
5. Soit λ une valeur propre de f. Déterminer le sous-espace propre Eλ associé à λ.
Exercice 2 :
Soit E un R-espace vectoriel de dimension finie n et f ∈ L (E) un endomorphisme
de rang 1. Montrer que f est diagonalisable si et seulement si la trace de f n’est pas
nulle.
Exercice 3 :
Soit f un endomorphisme de R3 et A la matrice de f relative à la base canonique
B de R3 :  
1 2 −2
A =  2 1 −2 
2 2 −3
1. Calculer les valeurs propres de A.
2. Déterminer une base B 0 de R3 dans laquelle f est représenté par une matrice
diagonale D.
3. Donner la matrice de passage P de B à B 0 et exprimer D en fonction de A.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 165 — #175


i i

8.5 Exercices 165

Exercice 4 :
Soient a et b deux réels non nuls. La matrice
 
0 a b
M = a 0 b 
b a 0

est-elle diagonalisable ?
Exercice 5 :
Soit les matrices :
   
1 0 0 1 0 1
D= 0 2 0 , P =  0 1 1 .
0 0 2 1 0 2

1. Montrer que P est inversible et calculer son inverse.


2. Soit la matrice A = P DP −1 . Calculer A.
3. Soit n ∈ N.
a. Montrer par récurrence que
 
1 0 0
Dn =  0 2n 0 .
0 0 2n

b. Montrer par récurrence que An = P Dn P −1 .


c. En déduire que
2 − 2n 2n − 1
 
0
An =  0 2n 0 .
2 − 2n+1 0 2n+1 − 1
Exercice 6 :
Pour α ∈ R, soit  
α+3 1 4
Aα =  1 α+3 4 .
2 −2 α
1. Montrer que Aα est diagonalisable, pour tout α ∈ R.
2. On choisit α = 2.
a. Déterminer une matrice D diagonale et une matrice P inversible telles que :
A = P DP −1 .
b. Pour n ∈ N, calculer Dn . En déduire pour, n ∈ N, la valeur de An .
3. Résoudre le système d’équations récurrentes suivant :

 xn+1 = 5xn + yn + 4zn
yn+1 = xn + 5yn + 4zn
zn+1 = 2xn − 2yn + 2zn

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 166 — #176


i i

166 Chapitre 8. Diagonalisation des endomorphismes - matrices

Exercice 7 :
1. La matrice  
0 1 0
J = 0 0 1 
1 0 0
est-elle diagonalisable dans M3 (R) ? dans M3 (C) ?
2. On considère la matrice circulante
 
a b c
A =  c a b  ∈ M3 (C) .
b c a

(a) Vérifier que A = aI + bJ + cJ 2 avec J 3 = I.


(b) Trouver les valeurs propres et vecteurs propres de aI + bJ + cJ 2 = A.
(c) En déduire que A est diagonalisable.

8.5.2 Corrigés
Exercice 1 :
1. Soient P1 ∈ R [X], P2 ∈ R [X] et α ∈ R. On a
f (P1 + αP2 ) = (XP10 − P1 ) + α (XP20 − P2 )
= X (P10 + αP20 ) − (P1 + αP2 )
= (XP10 − P1 ) + α (XP20 − P2 )
= f (P1 ) + αf (P2 ) .
Donc, f est une application linéaire.
2. On sait que Sp (f ) = spectre de f = {λ ∈ R / f (P ) = λP } . Soit λ ∈ Sp (f ) ,
donc il existe P ∈ R [X]  {0} tel que f (P ) = λP. Ainsi, ona f (P ) = λP
⇔ XP 0 − P = λP ⇔ XP 0 = (λ + 1) P.
– Si P = cste ∈ R, alors P 0 = 0 donc λ = −1.
– Si P 6= cste, alors XP 0 = (λ + 1) P donc P = αX λ+1 avec α ∈ R∗ . Or,
P ∈ R [X] donc λ + 1 ∈ N ⇒ λ ∈ N.
Ainsi, Sp (f ) ⊂ {−1} ∪ N et tout vecteur propre de f est de la forme an X n .
3. Soit m ∈ {−1} ∪ N et Pm (X) = X m+1 . On a
0
f (Pm ) (X) = XPm (X) − Pm (X)
= X (m + 1) X m − X m+1
= mPm (X) (or, Pm (X) = X m+1 6= 0).
Donc, Pm est un vecteur propre de f.
4. D’après 2. et 3., Sp (f ) ⊂ {−1} ∪ N signifie que
{λ ∈ R / f (Pm ) = λPm = mPm avec m ∈ {−1} ∪ N}
. Donc, Sp (f ) = {−1} ∪ N.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 167 — #177


i i

8.5 Exercices 167

5. λ une valeur propre de f alors λ ∈ {−1} ∪ N. Le sous-espace propre

Eλ = {P ∈ R [X] / f (P ) = λP }
= αX λ+1 / α ∈ R = X λ+1 .


Exercice 2 :
Soit E un R-espace vectoriel, dim E = n et f ∈ L (E) un endomorphisme, rg (f ) =
1.
1. – ” ⇐= ” On a dim E = n et rg (f ) = 1 donc d’après le théorème du rang, on
a dim ker f = n − rg (f ) = n − 1. Donc, 0 est une valeur propre de f d’ordre
(n − 1). Alors, 0 est une racine du polynôme caractéristique d’ordre au moins
(n − 1) . Ainsi, il existe α ∈ K, tel que
n
Pf (X) = (−1) X n−1 (X − α) .

Or, on a tr (f ) = somme des valeurs propres. D’où, tr (f ) = α. D’après


l’hypothèse, on a tr (f ) = α 6= 0 donc α est une valeur propre simple alors
dim Eα = 1 et puisque

dim E0 + dim Eα = n − 1 + 1 = n

alors f est diagonalisable.


– ” =⇒ ”Si f est diagonalisable alors tr (f ) 6= 0 car sinon α = 0 serait la seule
valeur propre de f. Comme hypothèse, f est diagonalisable (f ≡ 0) ce qui est
absurde.
Exercice 3 :
Soit f un endomorphisme de R3 et A la matrice de f relative à la base canonique
B de R3 :  
1 2 −2
A =  2 1 −2 
2 2 −3
1. On commence par calculer le polynôme caractéristique
 
1−x 2 −2
PA (x) = det (A − xI) = det  2 1−x −2  = − (x − 1) (x + 1)2 .
2 2 −3 − x

Ainsi, les valeurs propres de A sont


– λ1 = 1 valeur propre simple.
– λ2 = −1 valeur propre double.
2. On a λ1 = 1 valeur propre simple donc dim Eλ1 = 1 et λ2 = −1 valeur propre
double donc dim Eλ2 ≤ 2. Pourque A soit diagonalisable il faut et il suffit
que dim Eλ2 = 2. Or, il est simple de vérifier que le rg (A + I) = 1. Donc,
dim ker (A + I) = 3 − 1 = 2. D’où, A est diagonalisable. Pour déterminer une
base B 0 de R3 dans laquelle f est représenté par une matrice diagonale D, nous
allons chercher les sous espaces propres associés à λ1 = 1 et λ2 = −1 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 168 — #178


i i

168 Chapitre 8. Diagonalisation des endomorphismes - matrices

– Pour λ1 = 1 : on vérife bien que


 
* 1 +
Eλ1 = ker (A − I) = u1 =  1 
1
.
– Pour λ2 = −1 : on vérife bien que
   +
* 1 0
Eλ2 = ker (A − I) = u2 =  0  , u3 =  1 
1 1
.
Ainsi, B 0 = {u1 , u2 , u3 } est la base de R3 cherchée.
3. La matrice de passage P de B à B 0 est construite à partir des vecteurs u1 , u2 et
u3 :  
1 1 0
P =  1 0 1 .
1 1 1
Ainsi,  
1 0 0
D = P −1 AP =  0 −1 0 .
0 0 −1
Exercice 4 :
Soient a et b deux réels non nuls. Le polynôme caractéristique de M :
 
−x a b
PM (x) = det (M − xI) = det  a −x b  = (b + x) (a + x) (a + b − x) .
b a −x

Ainsi, les valeurs propres de M sont λ1 = a + b, λ2 = −a et λ3 = −b.


– 1er càs : Si λ1 6= λ2 6= λ3 alors M est diagonalisable et semblable à
 
a+b 0 0
D= 0 −a 0  .
0 0 −b

De plus, les sous-espaces propres associés aux valeurs propres sont :


* + * + * +
1 a b
Eλ1 =  1  , Eλ2 =  −a − b  et Eλ3 =  b 
1 a −a − b

– 2ème càs : Si λ1 = λ2 et λ2 6= λ3 alors b = −2a et a 6= b. Dans ce càs, (−a) est


une valeur propre double donc dim E−a ≤ 2 et (2a) est une valeur propre simple
donc dim E2a = 1. Or, rg (M + aI) = 2 ⇒ dim ker (M + aI) = 3 − 2 = 1 < 2.
Donc, M n’est pas diagonalisable.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 169 — #179


i i

8.5 Exercices 169

– 3ème càs : Si λ1 = λ3 et λ2 =6 λ3 alors a = −2b et a =


6 b. Dans ce càs, (−b) est
une valeur propre double donc dim E−b ≤ 2 et (2b) est une valeur propre simple
donc dim E2b = 1. Or, rg (M + bI) = 2 ⇒ dim ker (M + aI) = 3 − 2 = 1 < 2.
Donc, M n’est pas diagonalisable.
– 4ème càs : Si λ2 = λ3 , λ1 = a + b = 2a. Dans ce càs, (2a) est une valeur
propre simple et (a) est une valeur propre double. Or, rg (M + aI) = 1 donc
dim E−a = 2 alors M est diagonalisable et semblable à
 
−a 0 0
D =  0 −a 0  .
0 0 2a

De plus, les sous-espaces propres associés aux valeurs propres sont :


* + *   +
1 1 0
E2a =  1  et E−a =  0 , 1  .
1 −1 −1

Exercice 5 :
1. det(P ) = 1, donc P est inversible.
 
2 0 −1
P −1 = 1 1 −1  .
−1 0 1

2.

A = P DP −1
   
1 0 1 1 0 0 2 0 −1
=  0 1 1  0 2 0  1 1 −1 
1 0 2 0 0 2 −1 0 1
 
0 0 1
=  0 2 0 .
−2 0 3

3. Soit n ∈ N.
(a) Pour n = 0, D0 = In vrai. Supposons que la propriété
 
1 0 0
D n =  0 2n 0 .
n
0 0 2

est vrai à l’ordre n. Montrer par récurrence que


 
1 0 0
Dn+1 =  0 2n+1 0 .
0 0 2n+1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 170 — #180


i i

170 Chapitre 8. Diagonalisation des endomorphismes - matrices

Dn+1 = D × Dn
    
1 0 0 1 0 0 1 0 0
=  0 2 0   0 2n 0 = 0 2n+1 0 .
0 0 2 0 0 2n 0 0 2n+1

(b) Pour n = 0, A0 = In = P D0 P −1 vrai. Supposons que la propriété

An = P Dn P −1

est vrai à l’ordre n. Montrer par récurrence que

An+1 = P Dn+1 P −1

An = An × A = P Dn P −1 P DP −1 = P Dn In DP −1 = P Dn+1 P −1 .

(c)
   
1 0 1 1 0 0 2 0 −1
An =  0 1 1   0 2n 0  1 1 −1 
1 0 2 0 0 2n −1 0 1
2 − 2n n
 
0 2 −1
= 0 2n 0 .
2 − 2n+1 0 2n+1 − 1

Exercice 6 :
Pour α ∈ R, soit  
α+3 1 4
Aα =  1 α+3 4 .
2 −2 α
1.

PAα (λ) = det (Aα − λI3 )



α+3−λ 1 4

= 1 α+3−λ 4

2 −2 α−λ
= (α − λ) (α − λ + 2) (α − λ + 4) .

Alors, Aα admet des valeurs propres distincts. Ainsi, Aα est diagonalisable, pour
tout α ∈ R.
2. On choisit α = 2.

a. On pose  
5 1 4
A= 1 5 4 .
2 −2 2

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 171 — #181


i i

8.5 Exercices 171

PA (λ) = (2 − λ) (4 − λ) (6 − λ) . Puisque , A est diagonalisable alors


 
2 0 0
D= 0 4 0 .
0 0 6

Chercher les sous-espaces propres associés à chaque valeur propre :


* −1 +
E2 = ker (A − 2I3 ) =  −1  .
1
* − 3  +
2
E4 = ker (A − 4I3 ) =  − 52  .
1
* 1 +
E6 = ker (A − 6I3 ) =  1  .
0
Alors,

− 23
   
−1 1 −1 1 1
P =  −1 − 52 1  ⇒ P −1 =  1 −1 0 .
3
1 1 0 2 − 21 1

telles que : A = P DP −1 .
b. Pour n ∈ N,
2n
 
0 0
n
D = 0 4n 0 .
0 0 6n
Pour n ∈ N,

An = P DP −1 P DP −1 · · · P DP −1 = P Dn P −1 .
  
| {z }
n fois

−1 − 32 1 2n
   
0 0 −1 1 1
An =  −1 − 52 1   0 4n 0  1 −1 0 
3
1 1 0 0 0 6n 2 − 21 1
 n 3 n 3 n 3 n
− 2n − 12 6n 6n − 2n

2 − 24 + 26 24
=  2n − 52 4n + 32 6n 5 n
24 − 2n − 12 6n 6n − 2n  .
4n − 2n 2n − 4n 2n

3. Le système d’équations récurrentes suivant :



 xn+1 = 5xn + yn + 4zn
yn+1 = xn + 5yn + 4zn
zn+1 = 2xn − 2yn + 2zn

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 172 — #182


i i

172 Chapitre 8. Diagonalisation des endomorphismes - matrices

est équivalent à
Xn+1 = AXn
avec  
xn
Xn =  yn  .
zn
Xn+1 = AXn = A (AXn−1 ) = · · · = An+1 X0 ,
 
x0
avec X0 =  y0  ∈ R3 . D’où,
z0
 n 3 n 3 n 3 n n 1 n
6n − 2n
 
2 − 24 + 26 24 − 2 − 26 x0
Xn =  2n − 52 4n + 32 6n 25 4n − 2n − 12 6n 6n − 2n   y0 
4n − 2n 2n − 4n 2n z0
3 n 3 n 3 n 1 n
 n
 n n n
 
x0 2 − 2 4 + 2 6  − z0 (2 − 6 ) − y0 2 − 2 4 + 26 
=  x0 2n − 52 4n + 32 6n − z0 (2n − 6n ) − y0 2n − 52 4n + 1 n
26
.
y0 (2n − 4n ) − x0 (2n − 4n ) + 2n z0

Exercice 7 :
1. Calculons le polynôme caractéristique de la matrice J :

PJ (x) = (1 − x) x2 + x + 1 .



Ainsi, J n’est pas diagonalisable dans M3 (R) car le polynôme x2 + x + 1
n’admet pas de racines dans R. Par contre, dans C [X] ,
π
PJ (x) = (1 − x) (x − j) x − j 2 avec j = e2i 3 .


Ainsi, les valeurs propres de la matrice J sont λ1 = 1, λ2 = j et λ3 = j 3 qui sont


distinctes donc J est diagonalisable dans M3 (C) :

j2
   
1 0 0 1 j
D = P −1 JP =  0 j 0  et P =  1 j2 j .
0 0 j2 1 1 1

2. On considère la matrice circulante


 
a b c
A =  c a b  ∈ M3 (C) .
b c a

(a) Il est facile de vérifier que A = aI + bJ + cJ 2 avec J 3 = I.


(b) On sait que Juk = λk uk pour k = 1, 2, 3 et
     2 
1 j j
u1 =  1  , u2 =  j 2  et u3 =  j 
1 1 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 173 — #183


i i

8.5 Exercices 173

sont les vecteurs propres associés aux valeurs propres λ1 = 1, λ2 = j,


λ3 = j 3 de la matrice J, respectivement. Alors,

Juk = λk uk pour k = 1, 2, 3

⇐⇒

Auk = aI + bJ + cJ 2 uk = a + λk b + λ2k c uk pour k = 1, 2, 3.


 

Ainsi, les valeurs propres de A sont

α1 = a + b + c, α2 = a + jb + j 2 c et α3 = a + j 2 b + jc.

De plus, les vecteurs propres de A sont uk pour k = 1, 2, 3.


(c) Ainsi, d’après ce qui précède, A est diagonalisable et semblable à la matrice
diagonale :
 
a+b+c 0 0
D0 =  0 a + jb + j 2 c 0 .
2
0 0 a + j b + jc

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 174 — #184


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 175 — #185


i i

CHAPITRE 9

Polynômes et fractions rationnelles

9.1 Polynômes
9.1.1 Définitions et notations
Définition 9.1.1 L’ensemble des polynômes à coeffcients dans K = R ou C est
noté K [X], on a donc :

K [X] = {a0 + a1 X + · · · + an X n , ai ∈ K, 0 ≤ i ≤ n, n ≥ 0}

Les éléments de K [X] sont dits des polynômes de variable X à coefficients dans
n
ai X i . Les ai ∈ K, 0 ≤ i ≤ n, n ≥ 0, sont appelés les coefficients du
P
K :
k=0
polynôme.
n
ai X i , et on le note
P
Définition 9.1.2 On appelle degré du polynôme P (X) =
k=0
deg P, le plus grand entier n tel que an 6= 0. (Le polynôme nul n’a pas de degré,
par convention deg 0 = −∞).
n
ai X i est de degré n (an 6= 0) et si an = 1, on dit
P
Remarque 9.1.1 Si P (X) =
k=0
que P est unitaire.
Exemple 9.1.1 Le polynôme X 2 + X + 1 est unitaire.

deg X 2 + X + 1 = deg(X 2 ) = 2.


Proposition 9.1.1 Soient P, Q ∈ K [X]


1. Si deg P 6= deg Q alors P + Q 6= 0 et deg (P + Q) = Sup (deg P, deg Q) .
2. Si deg P = deg Q et si P + Q 6= 0 alors deg (P + Q) ≤ Sup (deg P, deg Q) .
3. Si P Q 6= 0 alors deg(P Q) ≤ deg (P ) + deg Q.
4. Si P 6= 0, Q 6= 0 alors deg (P Q) = deg P + deg Q.
Preuve

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 176 — #186


i i

176 Chapitre 9. Polynômes et fractions rationnelles

n p
ai X i , an 6= 0 (deg P = n) et Q (X) = bi X i , bp 6= 0
P P
1. Soient P (X) =
k=0 k=0
(deg Q = p) . On a p = 6 n (p < n) donc P + Q 6= 0 (P (X) + Q (X) = (a0 + b0 ) +
(a1 + b1 ) X +· · ·+(ap + bp ) X p +ap+1 X p+1 +· · ·+an X n , an 6= 0) donc P +Q 6= 0
et on a : deg (P + Q) = n = sup (n, p) .
2. Supposons n = p. Dans ce cas, an = 6 0 et bp 6= 0. On a P (X) + Q (X) =
(a0 + b0 ) + (a1 + b1 ) X + · · · (an + bn ) X n et P + Q =
6 0 c’est à dire il existe
0 ≤ i0 ≤ n tel que ai0 + bi0 6= 0, donc deg (P + Q) ≤ n.
3., 4. De la même façon que 2.
Corollaire 9.1.1 Les seuls éléments inversibles de K [X] sont les éléments inversibles
de K.
Preuve Soit P ∈ K [X] , P 6= 0, inversible dans K [X] : il existe Q ∈ K [X] tel que
P.Q = 1 et deg (P Q) = deg(1) = 0 = deg P + deg Q. D’où, deg P = deg Q = 0
et P, Q ∈ K.

9.1.2 Formule de Taylor pour les polynômes


Définition 9.1.3
n
ai X i , an 6= 0. On définit la dérivée de P
P
Soient P ∈ K [X] tel que P (X) =
k=0
n
par : P 0 (X) = iai X i−1 . Par convention ; X 0 = 1. C’est à dire pour P (X) =
P
k=1
a0 + a1 X + · · · + an X n , on a P 0 (X) = a1 + · · · + nan X n−1 . Généralement, par
récurrence, on définit la dérivée k-ième de P par :

P (X) si k = 0
P (k) (X) = 0
P (k−1) (X) si k ≥ 1.

Propriété 9.1.1 Soient P, Q ∈ K [X] et soit λ ∈ K :


0 0
1. (P + Q) = P 0 + Q0 et (λP ) = λP 0 .
0
2. (P × Q) = P 0 × Q + P × Q0 , plus généralement, on a la formule de Liebniz :
n
X
(n)
(P × Q) = Cnk P (k) Q(n−k) .
k=0

0 0
3. (P ◦ Q) = P (Q) = Q0 × P 0 (Q) (dérivée d’une composée).
Proposition 9.1.2 Soit P ∈ K [X] tel que, pour tout 1 ≤ k ≤ n : P (k) (X) est non
nul de degré (n − k) et deg P = n. On a la formule suivante de Taylor pour les
polynômes :
n k
X (X − a) (k)
∀a ∈ K, P (X) = P (a)
k!
k=0

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 177 — #187


i i

9.1 Polynômes 177

Preuve Il suffit de montrer la formule de Taylor pour P (X) = X n : X n =


n
(X−a)k (k) (k) n!
(X n ) (a) . On a (X n ) = n (n − 1) · · · (n − k + 1) X n−k = (n−k)! X n−k
P
k!
k=0

n k n k
X (X − a) (k)
X (X − a) n!
(X n ) (a) = an−k
k! k! (n − k)!
k=0 k=0
Xn
k
= Cnk (X − a) an−k
k=0
n
= ((X − a) + a) = X n .

9.1.3 Division euclidienne des polynômes


Proposition 9.1.3 Soient P, S ∈ K [X] , S 6= 0. Il existe un couple unique de poly-
nômes Q et R ∈ K [X] tel que

R = 0, ou
P = SQ + R avec
deg R < deg S.

Si R = 0, on dit que S divise P (ou P est divisible par S).


Exemple 9.1.2 Division euclidienne de P (X) = 3X 5 − X 4 + X − 1 ∈ R [X] par
S (X) = X 2 − X + 1 ∈ R [X] :

P (X) = S (X) 3X 3 + 2X 2 − X − 3 + (−X + 2) .




9.1.4 Méthode pratique de recherche du p.g.c.d.


Soient P1 , P2 ∈ K [X] non nuls

R = 0, ou
P1 = P2 Q + R avec
deg R < deg P2

R1 = 0, ou
P2 = RQ1 + R1 avec
deg R1 < deg R

R2 = 0, ou
R = R1 Q2 + R2 avec
deg R2 < deg R1

..
.

Rk = 0, ou
Pk−2 = Rk−1 Qk + Rk avec
deg Rk < deg Rk−1

Rk−1 = Rk Qk+1
Rk : dernier reste non nul. On vérifie que le p.g.c.d. de P1 et P2 est égal à Rk .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 178 — #188


i i

178 Chapitre 9. Polynômes et fractions rationnelles

Exemple 9.1.3 Calculer le p.g.c.d. de P1 (X) = X 4 − X + 1 et P2 (X) = X 2 + 1.


X 4 − X + 1 = X 2 + 1 X 2 − 1 + (−X + 2)
 
←− P1 −→ ←− P2 −→←− Q −→ ←− R −→

X2 + 1 = (−X + 2) (−X − 2) + 5
←− P2 −→ ←− R −→←− Q1 −→ ←− R1 −→
 
X 2
−X + 2 = 5 − + .
←− R −→ ←− R1 −→ 5 5
←− Q2 −→

On a, le dernier reste non nul est R1 (X) = 5. Donc, R15(X) = 1 = "unitaire"


= p.g.c.d (P1 , P2 ) . On dit que P1 et P2 sont premier entre eux.

9.1.5 Polynômes irreductibles dans K [X]


Un polynôme P ∈ K [X] est dit irréductible s’il est non nul et s’il est divisible que
par λ ∈ K\ {0} et par λP.
Exemple 9.1.4 P (X) = X − 1 ∈ R [X] est irréductible dans R [X]. En effet, X − 1 =
S (X) Q (X) et deg S ≥ 1. Donc,
 
1 = deg S + deg Q deg S = 1

deg S ≥ 1 deg Q = 0
⇒ P (X) = X − 1 = α (aX + b) ⇒ S(X) = λP (X) .
Remarque 9.1.2 Un polynôme P ∈ K [X] est dit réductible si P = P1 P2 avec
deg P1 , deg P2 ≥ 1.
Proposition 9.1.4
1. Les seuls polynômes irréductible dans C [X] sont les polynômes de degré un.
2. Les seuls polynômes irréductible dans R [X] sont les polynômes de degré un et
les polynômes de degré deux de la forme aX 2 + bX + c avec b2 − 4ac < 0.
Propriété 9.1.2 Tout polynôme P ∈ K [X] de degré non nul s’écrit de manière unique
P = λP1k1 P2k2 . . . Pm
km
où λ ∈ K\ {0} et P1 , . . . , Pn sont des polynômes irréduc-
tibles de K [X] deux à deux distincts et k1 , . . . , km sont des entiers strictement
positif..
Exemple 9.1.5 X 2 + 1 ∈ C [X] , X 2 + 1 = (X − i) (X + i) = 1.P11 (X) P22 (X) avec
P1 (X) = (X − i) et P2 (X) = (X + i).
Application 9.1.1 Décomposer en facteur irréductible le polynôme P (X) = X 6 − 1 ∈ K [X] ,
avec K = R, C.
1. Si K = C,
n
Y
P (X) = (X − αi )
i=1
h π  5π
i h 2π
 4π
i
= [(X − 1) (X + 1)] X − ei 3 X − ei 3 X − ei 3 X − ei 3 .
 
2. Si K = R, P (X) = (X − 1) (X + 1) X 2 − X + 1 X2 + X + 1 .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 179 — #189


i i

9.1 Polynômes 179

9.1.6 Racine d’un polynôme


Soit P ∈ K [X] . On dit que a ∈ K est une racine du polynôme P, si P (a) = 0.
Proposition 9.1.5 Un élément a ∈ K est racine de P ∈ K [X] si et seulement si le
polynôme P est divisible par le polynôme X − a.
Preuve Comme deg P ≥ 1, la division euclidienne de P par le polynôme X − a :
P (X) = (X − a) Q (X) + R (X) avec deg R < 1 ou R = 0. On a P (a) = R (a) ∈
K.
– Si R = 0 alors a est une racine de P car P est divisible par X − a.
– Si P (a) = 0 alors R (a) = 0 = R (X) (car deg R < 1 : R = Constante). D’où, P
est divisible par X − a.

9.1.7 Racine d’ordre supérieur à un


On appelle ordre de multiplicité d’une racine a ∈ K de polynôme P ∈ K [X] le
k
plus grand entier k ≥ 1 tel que P soit divisible par (X − a) .
Proposition 9.1.6 Soit P ∈ K [X] de degré n au plus (P = 0 ou deg P ≤ n).
k k k
1. P (X) = (X − a1 ) 1 (X − a2 ) 2 · · · (X − an ) m Q (X) où a1 , a2 , . . . , an ∈ K sont
racines de P deux à deux distincts d’ordre k1 , k2 , . . . , km respectivement et
Q ∈ K [X] .
m
P
2. Si P 6= 0 alors ki ≤ n.
i=1
m
P
3. Si ki > n alors P = 0.
i=1

Preuve
m
Q k
1. P (X) = (X − a1 ) Q1 (X) = · · · = (X − ai ) i Q (X) .
i=1
m
P m
P
2. Si P 6= 0, n = deg P = ki + deg Q ≥ ki .
i=1 i=1

Proposition 9.1.7 Soit P ∈ K [X] . Les propriétés suivantes sont équivalentes :


1. a ∈ K est racine d’ordre k de P ∈ K [X] .
2. a ∈ K est racine de P et a est racine d’ordre (k − 1) de P 0 .
3. P (a) = P 0 (a) = · · · = P (k−1) (a) = 0 et P (k) (a) 6= 0.

9.1.8 Division suivant les puissances croissantes


Proposition 9.1.8 Soient P, S ∈ K [X] .
n
X n
X
P (X) = aj X j , S (X) = bj X j , b0 6= 0.
j=1 j=1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 180 — #190


i i

180 Chapitre 9. Polynômes et fractions rationnelles

Soit k ∈ N, il existe un unique couple de polynôme (Q, R) d’éléments de K [X]


vérifiant :

Q = 0, ou
P (X) = S (X) Q (X) + X k+1 R (X) avec
deg Q ≤ k.

Méthode pratique
En utilisant un exemple, il s’agit de diviser suivant les puissance croissante P (X)=
X + X 4 + X 5 avec S (X) = 1 + X 2 , k = 4. On trouve P (X) = S (X) X − X 3 + X 4 +
X 5 (2 − X) .

9.2 Fractions rationnelles


9.2.1 Généralités
Définition d’une fraction rationnelle
P
Une fraction rationnelle à coeffcients dans K = R ou C est sous la forme F = Q,
P et Q étant des polynômes de K [X] tels que Q 6= 0.

Degré d’une fraction rationnelle


P (X)
Soit F (X) = Q(X) une fraction rationnelle. On appelle degré de F l’entier relatif
deg P − deg Q.

Partie entière d’une fraction rationnelle


Si deg F ≥ 0 c’est à dire deg P − deg Q ≥ 0. La division euclidienne de P par Q s’écrit
alors : 
R = 0 ou
P (X) = Q (X) E (X) + R (X) ,
deg R < deg Q.
On a donc :

R (X) R = 0 ou
F (X) = E (X) + ,
z }| { Q (X) deg R < deg Q.
Partie entière
de F (X)

9.2.2 Décomposition d’une fraction rationnelle en éléments simples


Cas de C [X]
P (X)
Soit F (X) = Q(X) ∈ C [X] une fraction rationnelle écrite sous sa forme irréductible
et soit Q (X) unitaire.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 181 — #191


i i

9.2 Fractions rationnelles 181

k kn
Proposition 9.2.1 Soit Q (X) = (X − a1 ) 1 . . . (X − an ) , la décomposition en
éléments simples de la fraction F (X) est :
kr
n X
X αr,s
F (X) = E (X) + s , avec αr,s ∈ C et E (X) ∈ C [X] .
z }| { r=1 s=1
(X − ar )
Partie entière z }| {
Termes de
de F (X)
première espèce

Exemple 9.2.1
1. Décomposer en élément simple la fraction rationnelle à coefficients complexes
suivante :
X4 + 1 2X 3 − 2X 2 + 2X
F (X) = 2 = 1 + 2 .
(X − 1) (X 2 + 1) z }| { (X − 1) (X 2 + 1)
Division euclidienne
de X 4 + 1 par
2 
(X − 1) X 2 + 1

3 2
2X − 2X + 2X T1 (X) T2 (X) T3 (X)  deg T1 < 2
(1) : 2 = 2 + + , avec deg T2 < 1
(X − 1) (X + i) (X − i) (X − 1) (X + i) (X − i) 
deg T3 < 1.
Donc,
2X 3 − 2X 2 + 2X α α0 λ β
2 = + 2 + + , avec α, α0 , λ, β ∈ C.
(X − 1) (X + i) (X − i) X − 1 (X − 1) (X + i) (X − i)

2
Multiplier (1) par (X − 1)(X=1) ⇒ α0 = 1,
1
Multiplier (1) par (X − i)(X=i) ⇒ β = ,
2
1
Multiplier (1) par (X + i)(X=−i) ⇒λ= ,
2
Multiplier (1) par (X − 1)(x→±∞) ⇒ 2 = α + λ + β ⇒ α = 1.
X4 + 1 1 1 1 1
2 =1+ + + + .
(X − 1) (X 2 + 1) X − 1 (X − 1)2 2 (X + i) 2 (X − i)
2. Décomposer en élément simple la fraction rationnelle à coefficients complexes
suivante :
X +1 X +1
G (X) = 4 = √  4 √ 
(X − 1) + 2) (X 2(X − 1) X − i 2 X + i 2
α1 α2 α3 α4 β γ
= 4 + 3 + 2 + (X − 1) +
√ + √ ,
(X − 1) (X − 1) (X − 1) X −i 2 X +i 2

avec α1 , α2 , α3 , α4 , β, γ ∈ C.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 182 — #192


i i

182 Chapitre 9. Polynômes et fractions rationnelles

Pour trouver α1 , α2 , α3 , α4 , on pose h = X − 1. On obtient la fraction rationnelle


suivante :
h+2
G (h) = 4 2 .
h (h + 2h + 3)
On fait la division suivant les puissances croissantes de 2 + h par 3 + 2h + h2 à l’ordre
3 = (4 − 1) :
   
2 1 4 11 10 11
− h − h2 + h3 3 + 2h + h2 − h4

2+h= + h .
3 9 27 81 81 81
Donc,
10 11
2 1 1 1 4 1 11 1 81 + 81 h
G (h) = − − + − .
3 h4 9 h3 27 h2 81 h 3 + 2h + h2
D’où,
10 11
2 1 1 1 4 1 11 1 81 + 81 (X − 1)
G (X) = − − + − .
3 (X − 1) 9 (X − 1) 27 (X − 1) 81 (X − 1) 3 + 2 (X − 1) + (X − 1)2
4 3 2

On a,
10 11 10
81 + 81 (X − 1) 81 + 11
81 (X − 1) β γ
2 = = √ + √ .
3 + 2 (X − 1) + (X − 1) X2 + 2 X −i 2 X +i 2

Or, on remarque que γ = β. D’où,


√  √ 
1 i + 11 2 1 i − 11 2
β=− √ et γ = √ .
81 2 2 81 2 2

Cas de R [X]
P (X)
Soit F (X) = Q(X) ∈ R [X] une fraction rationnelle écrite sous sa forme irréductible
et soit Q (X) unitaire. On suppose
k k  k1 k p
Q (X) = (X − a1 ) 1 . . . (X − am ) m X 2 + α1 X + β1 . . . X 2 + α p X + βp .
z }| { z }| {
∆<0 ∆<0
Théorème 9.2.2 La décomposition en éléments simples de F (X) est :
kr
m X p X lu
X λr,s X γu,v X + δu,v
F (X) = E (X) + s + 2 v.
z }| { r=1 s=1
(X − ar ) u=1 v=1
(X + αu X + βu )
Partie entière z }| { z }| {
Termes de Termes de
de F (X)
première espèce deuxième espèce

Exemple 9.2.2 Soit à décomposer la fraction rationnelle à coefficients réels suivante :


P (X)
F (X) = q.
X p (aX 2 + bX + c)
(Il n’y a pas de E (X) c’est à dire :deg P < p + 2q).

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 183 — #193


i i

9.2 Fractions rationnelles 183

– 1er cas : p > 0 et q = 1


On a une décomposition en éléments simples en faisant une division suivant les
puissances croissantes de P par c + bX + aX 2 à l’ordre (p − 1) .

S = 0 ou
P (X) = S (X) c + bX + aX 2 + X p R (X) avec

deg S < p.

Donc,
S (X) R (X)
F (X) = + .
Xp aX 2 + bX + c
Exemple 9.2.3 Décomposition de F (X) = X 3X+1 (X 2 +1) , p = 3 et q = 1. En effectuant

la division suivant les puissances croissantes de (1 + X) et 1 + X 2 à l’ordre 2,
on obtient,

1 + X = 1 + X − X 2 1 + X 2 + X 3 (−1 + X) .
 

D’où,
X +1 1 1 1 X −1
F (X) = = 3+ 2− + 2 .
X3 2
(X + 1) X X X X +1
– 2ème cas : p = 0 et q ≥ 1

b2 − 4ac < 0

P (X)
F (X) = q avec
(aX 2 + bX + c) deg P < 2q.
La décomposition en éléments simples de F (X) est la suivante :
q
X α i X + βi
F (X) = i
.
i=1 (aX 2 + bX + c)

(i) Si deg P ≤ 1 alors la décomposition est déja donnée

αX + β
F (X) = q.
(aX 2 + bX + c)

(ii) Si deg P ≥ 2. On fait la division euclidienne de P (X) par aX 2 + bX + c :



R (X) = 0 ou
P (X) = aX 2 + bX + c T (X) + R (X) avec

deg R < 2.

On obtient :
T (X) R (X)
F (X) = q−1 + q.
(aX 2 + bX + c) (aX 2 + bX + c)
z }| { z }| {
On refait le même travail Un élément du
que précédemment second espèce

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 184 — #194


i i

184 Chapitre 9. Polynômes et fractions rationnelles

– 3ème cas : p > 0 et q > 0


b2 − 4ac < 0

P (X)
F (X) = p q avec
X (aX 2 + bX + c) deg P < p + 2q.
Dans ce càs, on fait la division suivant les puissances croissantes de P (X) par
aX 2 + bX + c à l’ordre (p − 1) .

S (X) = 0
P (X) = aX 2 + bX + c S (X) + X p R (X) avec

deg S < p.
On remplace P (X) par sa valeur, on obtient :
S (X) R (X)
F (X) = q−1 + q .
X p (aX 2 + bX + c) (aX 2 + bX + c)
z }| { z }| {
q est remplacé par (q − 1) C’est la càs p = 0 et q ≥ 1

Exemple 9.2.4 Décomposer en éléments simples dans R [X] la fraction rationnelle :


X
F (X) = 2 2
(X − 1) (X 2 + X + 1)
α1 α2 a1 X + b1 a2 X + b2
= + + 2 + .
X − 1 (X − 1)2 X + X + 1 (X 2 + X + 1)2
Posons h = x − 1
1+h
F (h) = 2 (p = q = 2) .
h2 (h2 + 3h + 3)

La division suivant les puissances croissantes de (1 + h) par 3 + 3h + h2 à
l’ordre 1 :
1  h2
1+h= 3 + 3h + h2 − .
3 3
D’où,
1 1 1 1
F (h) = − .
3 h (3 + 3h + h2 )
2 3 (3 + 3h + h2 )2
z }| { z }| {
(p = 2, q = 1) Un terme de la
décomposition

La division suivant les puissances croissantes de 1 par 3 + 3h + h2 à l’ordre 1 :
1 h2
1 = 3 + 3h + h2 (1 − h) − (2 + h)
3 3
D’où,
1 1 (1 − h) 1 (2 + h)
= +
h2 (3 + 3h + h2 ) 3 h2 3 (3 + 3h + h2 )
1 1 11 1 (2 + h)
= − + .
3 h2 3 h 3 (3 + 3h + h2 )

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 185 — #195


i i

9.3 Exercices 185

Conclusion,
1 1 1 1 1 1+X 1 1
F (X) = − + 2 + 2
− 2
9 (X − 1) 9 (X − 1) 9X +X +1 3X +X +1

9.3 Exercices
9.3.1 Enoncés
Exercice 1 :
Déterminer les zéros du polynôme P (X) = X 3 + 5X 2 − 8X − 48, sachant qu’il
admet deux zéros distincts dont la somme est égale à −1.
Exercice 2 :
On considère le polynôme P (X) = X 4 − 9X 3 + 30X 2 − 44X + 24 et un polynôme
Q (X) = a0 + a1 X + · · · + an X n .
1. En notant que 2 est un zéro de P, déterminer les zéros de P avec leur ordre de
multiplicité.
2. Donner une condition nécessaire et suffisante portant sur les zéros de P pour
que Q soit multiple de P.
Exercice 3 :
Soit P (X) = X 3 − 3X + 2.
Calculer PGCD(P, P 0 ) , où P 0 est le polynôme dérivé de P.
En déduire une factorisation de P sur R [X] .
Exercice 4 :
Montrer que le polynôme Pn (X) = nX n+1 − (n − 1) X n + 1 est divisible par
2
(X − 1) et déterminer le quotient.
Exercice 5 :
Factoriser sur C [X] puis qur R [X] le polynôme X 5 − 1. En déduire que
 π   


4 3 2 2 2
X + X + X + X + 1 = X + 2 cos X +1 X − 2 cos X +1 .
5 5
Exercice 6 :
Soit Pn (X) = X n+2 − X n − 2X + 2.
2
1. Montrer que Pn est divisible par (X − 1) .
2. Calculer Pn+1 − Pn et en déduire Qn+1 − Qn .
Exercice 7 :
Déterminer le reste de la division euclidienne de
n
P (X) = 2X 2n + (X + 1) + 3 par X (X + 1) .
Exercice 8 :
Déterminer un polynôme de degré 3 tel que
P (X + 1) − P (X − 1) = X 2 + 1.
Exercice 9 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 186 — #196


i i

186 Chapitre 9. Polynômes et fractions rationnelles

1. Décomposer en facteurs irréductibles dans R [X] le polynôme suivant :

P (X) = X 8 + X 4 + 1.
1
2. Décomposer en éléments simples dans R [X] la fraction rationnelle P (X) .

Exercice 10 :
Décomposer dans R [X] en éléments simples les fractions suivantes :
1 X 2 +2X+5 2X 3 +X+1
(a) (X+1)(X+2) (b) X 2 −3X+2 (c) X 2 (X−1)2
X 2 +1 X 6 +2 1
(d) (X 2 −1)(X 2 +X+1) (e) (X−1)(X 2 +1)2
(f ) (X+1)3 (X 2 +X+1)

Exercice 11 :
Décomposer dans C [X] et puis dans R [X] les fractions suivantes :

(a) 1
X 2n −1 , n ∈ N∗ (b) 1
X 2n+1 −1 , n ∈ N.

9.3.2 Corrigés
Exercice 1 :
P (X) = X 3 + 5X 2 − 8X − 48 admet deux zéros distincts dont la somme est égale
à −1 c’est à dire
P (X0 ) + P (X1 ) = −1

X03 + 5X02 − 8X0 − 48 + X13 + 5X12 − 8X1 − 48 = −1

X0 X1 = −12.
Ainsi, X0 et X1 sont les solutions de l’équation X 2 + X − 12 = 0 : X0 = −4 et X1 = 3.
Donc,
P (X) = (X − 3) (X + 4) (X − a) , a ∈ C.
En remarquant que 3 × (−4) × a = 48 ⇒ a = −4. D’où,
2
P (X) = (X − 3) (X + 4) .

Exercice 2 :
On considère le polynôme P (X) = X 4 − 9X 3 + 30X 2 − 44X + 24 et un polynôme
Q (X) = a0 + a1 X + · · · + an X n .
000
1. On vérifie facilement que P (2) = P 0 (2) = P 00 (2) = 0 et P (2) 6= 0. Donc, 2 est
une racine de P avec ordre de multiplicité 3. D’où,
3
P (X) = (X − 2) (X − a) , a ∈ C.
3
Puisque, (−2) × a = 24 alors a = 3. Donc,
3
P (X) = (X − 2) (X − 3) et 3 est une racine simple de P.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 187 — #197


i i

9.3 Exercices 187

2. On a Q multiple de P donc il existe S (X) ∈ R [X] tel que

Q (X) = S (X) P (X) .

Or, P (X) divise Q (X) si et seulement si 3 est au moins une racine simple de
Q (X) et 2 est une racine d’ordre supérieur ou égale à 3. En effet, si (X − 3)
3
divise Q (X) et (X − 2) divise Q (X) alors
3
P (X) = (X − 2) (X − 3)

divise Q (X) . Inversement, si Q (X) = S (X) P (X) , on a Q (3) = Q (2) = 0.


Ainsi, Q0 (X) = S 0 (X) P (X) + S (X) P 0 (X) ⇒ Q0 (2) = 0 (car P (2) = P 0 (2) =
0) et Q00 (2) = 0 (car P (2) = P 0 (2) = P 00 (2) = 0). D’où,

Q (2) = Q0 (2) = Q00 (2) = 0 et 2 est une racine d’ordre ≥ 3.

Exercice 3 :
Soit P (X) = X 3 − 3X + 2 ⇒ P 0 (X) = 3X 2 − 3. Ainsi, PGCD(P, P 0 ) = X − 1. De
plus, (X − 1) divise P (X) donc 1 est une racine de P (X) (de même 1 est une racine
de P 0 (X)). Ainsi, 1 est une racine de P (X) d’ordre ≥ 2. On remarque que −2 est une
2
racine de P (X) . Alors, P (X) = (X − 1) (X + 2) . Une factorisation de P sur R [X] .
Exercice 4 :
En effectuant une division euclidienne de Pn (X) = nX n+1 − (n − 1) X n + 1 par
2
(X − 1) , il suffit de montrer par récurrence que pour tout n ∈ N,
2
Pn (X) = (X − 1) nX n−1 + (n − 1) X n−2 + · · · + 1 .


Exercice 5 :
Dans C [X] , résoudre X 5 = 1. Soit X = eiθ , θ ∈ R. e5iθ = 1 = e2ikπ , k ∈ Z. Donc,
θ = 2kπ
5 , k ∈ {0, 1, 2, 3, 4} . D’où,
 2iπ
 8iπ
 4iπ
 6iπ

P (X) = (X − 1) X − e 5 X −e 5 X −e 5 X −e 5 dans C [X] ,

et
P (X) = (X − 1) X 4 + X 3 + X 2 + X + 1 dans R [X] .


On peut déduire alors que


  π  


4 3 2 2 2
X + X + X + X + 1 = X + 2 cos X +1 X − 2 cos X +1 .
5 5
Exercice 6 :
1. On a,
2
P0 (X) = X 2 − 2X + 1 = (X − 1)
et
2
P1 (X) = X 3 − 3X + 2 = (X − 1) (X + 2) .
Pour n ≥ 2, Pn (1) = Pn0 (1) = 0 et Pn00 (1) 6= 0 donc, 1 est une racine double de
2
Pn (X). Ainsi, ∀n ≥ 0, Pn est divisible par (X − 1) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 188 — #198


i i

188 Chapitre 9. Polynômes et fractions rationnelles

2. D’une part,
2
Pn+1 (X) − Pn (X) = X n (X − 1) (X + 1)
2
et d’autre part, Pn+1 (X) − Pn (X) = (X − 1) [Qn+1 (X) − Qn (X)] . Donc,

Qn+1 (X) − Qn (X) = X n (X + 1) .

Exercice 7 :
La division euclidienne de
n
P (X) = 2X 2n + (X + 1) + 3 par X (X + 1)

est donnée par :

P (X) = Q (X) S (X) + R (X) avec deg (R) < deg (Q) = 2.

C’est à dire, deg (R) = 1 ⇒ R (X) = aX + b, a ∈ R et b ∈ R. Donc,

P (X) = Q (X) S (X) + aX + b.

Ainsi, P (0) = b = 4 et P (−1) = −a + 4 = 5. D’où,

R (X) = −X + 4.

Exercice 8 :
Un polynôme de degré 3 : P (X) = aX 3 + bX 2 + cX + d, a 6= 0, b, c, d ∈ R tel que

P (X + 1) − P (X − 1) = X 2 + 1.

En appliquant Taylor au voisinage de X à l’ordre 3 :


1 1 000
P (X + 1) = P (X) + P 0 (X) + P 00 (X) + P (X) ,
2 6
0 1 00 1 000
P (X − 1) = P (X) − P (X) + P (X) − P (X) .
2 6
Ainsi,
1
P (X + 1) − P (X − 1) = 2P 0 (X) + P 000 (X) = X 2 + 1.
3
Or, P 0 (X) = 3aX 2 + 2bX + c, P 00 (X) = 6aX + 2b et P 000 (X) = 6a. Donc,
 1
P (X + 1) − P (X − 1) = 2 3aX 2 + 2bX + c + [6a] = X 2 + 1.

3
Par identification, on a
1 3 1
P (X) = X + X + d, d ∈ R.
6 3
Exercice 9 :

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 189 — #199


i i

9.3 Exercices 189


1. On pose Y = X 4 : P (X) = Y 2 + Y + 1 = (Y − j) Y − j avec j = − 12 + i 23 .


Les solutions de Y = X 4 = j et Y = X 4 = j sont données, respectivement :

X 4 − j = (x − j) (x + j) (x + ij) (x − ij) ,
X 4 − j = x − j x + j x + ij x − ij .
   

Ainsi, dans R [X] le polynôme :

P (X) = X 8 + X 4 + 1
 √  √ 
= X2 + X + 1 X2 − X + 1 X2 − X 2 + 3X + 1 .

3X + 1

2. La décomposition en éléments simples dans R [X] de


1 1
= √  √ 
P (X) (X + X + 1) (X − X + 1) X 2 − 3X + 1 X 2 + 3X + 1
2 2

α1 X + β1 α2 X + β2 α3 X + β3 α4 X + β4
= √ + √ + +
X 2 − 3X + 1 X 2 + 3X + 1 X 2 − X + 1 X 2 + X + 1
1

avec αi , βi ∈ R et 1 ≤ i ≤ 4. En multipliant P (X) par X 2 + X + 1 :

X2 + X + 1
 
α1 X + β1 α2 X + β2 α3 X + β3 α4 X + β4
= X2 + X + 1

√ + √ + 2 + 2
P (X) X 2 − 3X + 1 X 2 + 3X + 1 X − X + 1 X + X + 1
 
α1 X + β1 α2 X + β2 α3 X + β3
= X2 + X + 1

√ + √ + 2 + α4 X + β4 .
X 2 − 3X + 1 X 2 + 3X + 1 X − X + 1
1 1 1
Pour X = j, α4 j + β4 = 4 ⇒ α4 = 0 et β4 = 4. En multipliant P (X) par

X2 − X + 1 :

X2 − X + 1
 
2
 α1 X + β1 α2 X + β2 α3 X + β3 α4 X + β4
= X −X +1 √ + √ + +
P (X) X 2 − 3X + 1 X 2 + 3X + 1 X 2 − X + 1 X 2 + X + 1
 
α1 X + β1 α2 X + β2 α4 X + β4
= X2 − X + 1

√ + √ + 2 + α3 X + β3 .
2 2
X − 3X + 1 X + 3X + 1 X +X +1
1
Pour X = −j, −α3 j + β3 = 4 ⇒ α3 = 0 et β3 = 41 . De la même façon, on a
1
√ 1 1
√ 1
1 1 6 3X + 4 6 3X − 4 1
= + √ − √ + .
P (X) 4 (X − X + 1) X 2 + 3X + 1 X 2 − 3X + 1 4 (X 2 + X + 1)
2

Exercice 10 :
1 1 1
(a) = − .
(X + 1) (X + 2) X +1 X +2

X 2 + 2X + 5 13 8
(b) = − + 1.
X 2 − 3X + 2 X −2 X −1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 190 — #200


i i

190 Chapitre 9. Polynômes et fractions rationnelles

2X 3 + X + 1 4 1 3 1
(c) 2 = 2 − + + 2.
X 2 (X − 1) (X − 1) X −1 X X
2
X2 + 1 X + 13 1 1
(d) = 23 + − .
(X 2 2
− 1) (X + X + 1) X + X + 1 3 (X − 1) X + 1
1 1 7
X6 + 2 2X + 2 4X + 74 3
(e) 2 =X− 2 − + + 1.
(X − 1) (X 2 + 1) (X 2 + 1) X2 +1 4 (X − 1)
1 1 1 1
(f ) 3 = 2 + 3 − .
(X + 1) (X 2 + X + 1) (X + 1) (X + 1) X2 +X +1
Exercice 11 :
1 1 kπ
F (X) = = p−1 où Xk = e2i p .
Xp − 1 Q
(X − Xk )
k=0

Ainsi, dans C [X] ,


p−1
X αk kπ
F (X) = , où Xk = e2i p et αk ∈ C.
X − Xk
k=0

Cherchons αk ? Pourcela, en multipliant F (X) par (X − Xk ) :

lim (X − Xk ) F (X) = αk .
X→Xk

1 P (X)
En posant, F (X) = X p −1 = Q(X) , on a,

P (X)
αk = lim (X − Xk )
X→Xk Q (X)
P (X)
= lim , Q (Xk ) = 0
X→Xk Q(X)
X−Xk
P (X) P (Xk )
= lim = .
X→Xk Q(X)−Q(Xk ) Q0 (Xk )
X−Xk

Ainsi,
P (Xk ) 1 Xk Xk
αk = 0
= p−1 = p = .
Q (Xk ) pXk p Xk p
|{z}
=1

D’où, la décomposition de F dans C [X] est donnée par :


p−1
1 X Xk kπ
F (X) = , où Xk = e2i p .
p X − Xk
k=0

Ainsi, la décomposition de F sur C [X] est indépendante de la paritée de p.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 191 — #201


i i

9.3 Exercices 191

– Sur R [X] , si p = 2n :
n
Xp − 1 = X2 −1
= X − 1 X 2n−2 + X 2n−4 + · · · + X 2 + 1
2
 

= (X − 1) (X + 1) X 2n−2 + X 2n−4 + · · · + X 2 + 1 .


Ainsi,
2n−1
1 X Xk kπ
F (X) = , où Xk = e2i p .
2n X − Xk
k=0
  2n−1
1 1 1 1 X Xk
= − +
2n X − 1 X + 1 2n X − Xk
k=1
k6=n
| {z }
2n−2 termes
  n−1  
1 1 1 1 X Xk Xk
= − + + .
2n X −1 X +1 2n X − Xk X − Xk
k=1

Or,

X cos kπ

Xk Xk 2X Re (Xk ) − 2 4 −1
+ = 2 =2 2 kπ
 .
X − Xk X − Xk X − 2 Re (Xk ) X + 1 X − 2 cos 4 X + 1

D’où,
n−1
X cos kπ

n −1
 
1 1 1 1 1X
(a) 2n = − + .
X 2 − 2 cos kπ

X −1 2n X −1 X +1 n n X +1
k=1

– Sur R [X] , si p = 2n + 1 :
n
X cos kπ

1 1 1 1X n −1
(b) 2n+1 = + .
X 2 − 2 cos kπ

X −1 2n X − 1 n n X +1
k=1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 192 — #202


i i

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 193 — #203


i i

CHAPITRE 10

Applications bilinéaires et formes quadratiques

10.1 Applications bilinéaires


Défnition 10.1.1 Soit K = R ou C. Soient E et F deux espaces vectoriels sur K. Une
application bilinéaire est l’analogue à deux variables d’une application linéaire.
Il nous faut donc trois espaces vectoriels sur K : E, F et G, et l’application
f : E × F → G est K-bilinéaire, si les égalités suivantes sont vériées pour toutes
valeurs de x, x0 ∈ E, y, y 0 ∈ F, λ ∈ K :
f (x + x0 , y) = f (x, y) + f (x0 , y)
f (λx, y) = λf (x, y)
f (x, y + y 0 ) = f (x, y) + f (x, y 0 )
f (x, λy) = λf (x, y) .
C’est à dire, en disant que f est bilinéaire si elle est linéaire par rapport à
chacune de ses deux variables.
Remarque 10.1.1
– Dans le cas où G est identique à K, on dit que f est une forme bilinéaire.
– L’ensemble des applications K-bilinéaires de E × F vers G est noté LK (E, F, G).
C’est un espace vectoriel sur K. En effet, il est clair que les axiomes des espaces
vectoriels sont vérifiés.
– Si E = F et si de plus l’application bilinéaire f : E × F → G vérifie :
∀x, y ∈ E : f (x, y) = f (y, x) ,
elle est dite symétrique. Elle est dite antisymétrique si elle vérifie :
∀x, y ∈ E : f (x, y) = −f (y, x) .
Exemple 10.1.1 Sur Rn , le produit scalaire usuel :
Rn × Rn → R
(x, y) 7−→ x.y
défini par ((x1 , . . . , xn ) , (y1 , . . . , yn )) 7−→ x1 y1 , . . . , yn yn , est une forme bili-
néaire.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 194 — #204


i i

194 Chapitre 10. Applications bilinéaires et formes quadratiques

10.1.1 Le dual d’un espace vectoriel


Définition 10.1.2 Soit E un espace vectoriel sur K. L’espace vectoriel LK (E, K) des
applications K-linéaires de E vers K, est appelé le dual de E, et noté E ∗ . Les
éléments de E sont donc les formes linéaires sur E.
Si E est de dimension finie n, et si B = (e1 , . . . , en ) est une base de E, tout vecteur
x de E s’écrit d’une façon unique sous la forme :

x = a1 e1 + · · · + an en ,

où a1 , . . . , an sont les coordonnées de x dans la base B. L’application qui a tout vecteur


x associe sa i-ème coordonnée (relativement à la base B) est notée e∗i et appelée la
i-ème projection relativement à la base B. On a donc : e∗i (x) = ai .
Notons par e∗1 , . . . , e∗n des formes linéaires sur E (des éléments de E ∗ ). Si l : E → K
est un élément quelconque de E, on peut écrire :

l (x) = l (a1 e1 + · · · + an en )
= a1 l (e1 ) + · · · + an l (en )
= e∗1 (x) l (e1 ) + · · · + e∗n (x) l (en ) .

Ainsi, l = l (e1 ) e∗1 + · · · + l (en ) e∗n ∈ E ∗ , donc (e∗1 , . . . , e∗n ) est un système générateur
de E ∗ . De plus, on vérifie facilement que (e∗1 , . . . , e∗n ) est un système libre de E ∗ . D’où,
(e∗1 , . . . , e∗n ) est une base de E ∗ , qu’on appelle la base duale de B et qu’on note B ∗ .
Remarque 10.1.2 Si E est un espace vectoriel de dimension finie n, son dual E ∗ est
de la même dimension n. On retiendra qu’on a les relations suivantes :

∗ 1 si i = j
ei (ej ) = δij =
0 sinon

10.1.2 Représentation d’une forme bilinéaire symétrique par une matrice


On suppose E de dimension finie n. Soit B = (e1 , . . . , en ) est une base de E. Soit f
une forme bilinéaire symétrique sur E × E.
Définition 10.1.3 La matrice MB (f ) de f dans la base B est la matrice symétrique
n×n qui a pour coefficients f (ei , ej )1≤i,j≤n . Si x et y sont des éléments de E dont
les vecteurs colonnes de coordonnées dans la base B sont X et Y respectivement,
on a
f (x, y) = t XMB (f ) Y.
Inversement, si M est une matrice symétrique dans Mn (K) , alors

(x, y) 7→t XM Y

est bien une forme bilinéaire symétrique.


Exemple 10.1.2  
3 2
2 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 195 — #205


i i

10.1 Applications bilinéaires 195

est la matrice (dans la base canonique) de la forme bilinéaire symétrique


   
x1 y1
, 7→ 3x1 y1 + x2 y2 + 2x1 y2 + 2x2 y1 .
x2 y2

Proposition 10.1.1 Soit B 0 une autre base de E et P la matrice de changement de


base de B à B 0 . La matrice de la forme bilinéaire symétrique dans la nouvelle
base B 0 est
MB0 (f ) = t P MB (f ) P.

10.1.3 Forme bilinéaire et dualité

Soit f : E × E → K une forme bilinéaire symétrique. Pour tout x ∈ E, l’application

f (., x) : E → K
y 7−→ f (y, x)

est une forme linéaire sur K, c’est à dire un élément du dual E ∗ .

Proposition 10.1.2 L’application

ϕf : E → E∗
x 7−→ f (., x)

est linéaire. On appelle ϕf l’application linéaire de E dans son dual associée à


la forme bilinéaire symétrique f . Si E est de dimension finie et B est une base
de E, alors la matrice de f dans E est égale à la matrice de ϕf : E → E ∗ où E
est muni de la base B et E ∗ de la base duale B ∗ .
Définition 10.1.4 Le noyau de la forme bilinéaire symétrique f , noté ker f est le
noyau de ϕf , c’est à dire :

ker f = {x ∈ E / ∀y ∈ E : f (y, x) = 0} .

La forme bilinéaire symétrique f est dite non dégénérée quand son noyau est
réduit à {0}. Si E est de dimension finie, le rang de f est le rang de l’application
ϕf ,
c’est à dire aussi le rang de la matrice de f dans une base de E.
Remarque 10.1.3 En dimension finie, une forme bilinéaire symétrique f sur E × E
est donc non dégénérée si et seulement si sa matrice dans une base de E est
inversible.
Proposition 10.1.3 Soit f une forme bilinéaire symétrique non dégénérée sur E × E,
où E est de dimension finie. Alors, pour toute forme linéaire l ∈ E ∗ , il existe un
unique x ∈ E tel que
∀y ∈ E, l (y) = f (y, x) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 196 — #206


i i

196 Chapitre 10. Applications bilinéaires et formes quadratiques

10.1.4 Orthogonalité
Dans ce paragraphe, f est une forme bilinaire symétrique sur E × E.
Définition 10.1.5 Soit F un sous-espace vectoriel de E. L’orthogonal de F pour f
est le sous-espace de E défini par
F ⊥ = {x ∈ E / ∀y ∈ F : f (y, x) = 0} .
Exemple 10.1.3 Dans R3 muni d’un produit scalaire, l’orthogonal d’une droite
vectorielle D est bien le plan vectoriel orthogonal (au sens usuel) à D.
Théorème 10.1.1 On suppose E de dimension finie n.
1. Si f est non dégénérée, alors dim F ⊥ = n − dim (F ) .


2. En général dim F ⊥ = n − dim (F ) + dim (F ∩ ker (f )) .



⊥
Proposition 10.1.4 On a toujours F ⊂ F ⊥ . Si E est de dimension finie et f
⊥
non dégénérée, on a F = F ⊥ .

10.2 Formes quadratiques


Soit E un espace vectoriel sur K = R.
Définition 10.2.1 Une application q : E → K est appelée forme quadratique sur E
s’il existe une forme bilinéaire symétrique f sur E × E telle que
∀x ∈ E, q (x) = f (x, x) .
La forme quadratique q est dite associée à la forme bilinéaire symétrique f .
Proposition 10.2.1 Si q est une forme quadratique sur E, alors il existe une unique
forme bilinéaire symétrique f sur E × E telle que q soit associée à f . On l’appelle
la forme polaire de q, et elle est définie par
1
f (x, y) = (q (x + y) − q (x) − q (y)) .
2
Si E est de dimension finie et B une base de E, la matrice M de la forme quadratique
q dans la base B est la matrice de sa forme polaire. La forme quadratique s’exprime alors
matriciellement comme q(x) = t XM X, où X est le vecteur colonne des coordonnées
de X dans B.
Une forme quadratique q s’exprime comme un polynôme homogène du second degré
en fonction des coordonnées (x1 , ..., xn ) : c’est une somme de monômes en x2i ou xi xj .
Par exemple, la forme quadratique q(x1 , x2 , x3 ) = x21 + 7x22 + 6x1 x2 − 2x1 x3 + 8x2 x3
a pour matrice  
1 3 −1
 3 7 4 .
−1 4 0
Une forme quadratique q est dite non dégénérée quand sa forme polaire l’est. On
définit le noyau et le rang d’une forme quadratique comme ceux de sa forme polaire. De
même, l’orthogonal d’un sous-espace pour une forme quadratique est son orthogonal
pour la forme polaire.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 197 — #207


i i

10.2 Formes quadratiques 197

Définition 10.2.2 Un élément x de E est dit isotrope pour la forme quadratique q


quand q(x) = 0.
Proposition 10.2.2 Soit q une forme quadratique sur E. Si x est un élément non

isotrope de E, alors hxi est un hyperplan de E supplémentaire de hxi.

10.2.1 Base orthogonale, décomposition en carrés


Définition 10.2.3 Soit q une forme quadratique sur un espace vectoriel E de di-
mension finie n, et soit f sa forme polaire. Une base (e1 , ..., en ) de E est dite
orthogonale (pour q) quand f (ei , ej ) = 0 pour tout couple (i, j) avec i 6= j.
Autrement dit, une base est orthogonale pour q quand la matrice de q dans cette
base est diagonale.
Théorème 10.2.1 Toute forme quadratique sur un espace vectoriel de dimension
finie admet des bases orthogonales.
Le carré d’une forme linéaire est une forme quadratique. Le théorème suivant
permet de décomposer n’importe quelle forme quadratique sur un espace vectoriel de
dimension finie en carrés de formes linéaires.
Théorème 10.2.2 (Décomposition en carrés) : Soit q une forme quadratique sur
un espace vectoriel E de dimension finie n. Alors il existe des formes linéaires
linéairement indépendantes l1 , ..., lr ∈ E ∗ et des constantes non nulles c1 , ..., cr ∈
K telles que
q = c1 l12 + · · · + cr lr2 .
Dans toute décomposition de ce type (avec les li linéairement indépendantes), le
nombre r de formes linéaires est égal au rang de q.
Le théorème de décomposition en carrés est une conséquence du théorème d’exis-
tence de bases orthogonales. Mais on l’obtient aussi de manière algorithmique, au
moyen de l’algorithme de Gauss. Cet algorithme, étant donné une forme quadratique
q(x1 , ..., xn ) en n variables, produit une décomposition en carrés. Il procède par ré-
currence sur le nombre de variables. Pour éliminer les variables, on distingue deux
cas :
1. La forme quadratique q contient le carré d’une variable. On peut supposer qu’il
s’agit de x21 , et q peut alors s’écrire
q(x1, ..., xn) = cx21 + x1 l(x2 , ..., xn ) + r(x2 , ..., xn ),
où c est une constante non nulle, l une forme linéaire et r une forme quadratique.
On complète alors le carré en
 2
1 1
q = c x1 + l + r − l 2 .
2c c
1
On a bien que x1 + 2c l(x2 , ..., xn ) est une forme linéaire, et
1
q 0 (x2 , ..., xn ) = r(x2 , ..., xn ) − l(x2 , ..., xn )2
c
est une forme quadratique qui ne dépend plus de la variable x1 .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 198 — #208


i i

198 Chapitre 10. Applications bilinéaires et formes quadratiques

2. La forme quadratique q ne contient aucun carré de variable. Si elle est non nulle,
elle contient au moins un produit de variables xi xj . On peut supposer qu’il
s’agit de x1 x2 , et alors q peut s’écrire
q(x1 , ..., xn ) = cx1 x2 + x1 l(x3 , ..., xn ) + x2 m(x3 , ..., xn )r(x3 , ..., xn ),
où c est une constante non nulle, l et m des formes linéaires et r une forme
quadratique. On complète le produit en
  
1 1 1
q = c x1 + m x2 + l + r − lm.
c c c
On transforme le produit des formes linéaires k1 = x1 + 1c m et k2 = x2 + 1c l
1h 2 2
i
k1 k2 = (k1 + k2 ) − (k1 − k2 ) ,
4
qui est une combinaison linéaire des carrés de formes linéaires k1 + k2 et k1 − k2 .
Il reste après la forme quadratique
1
q 0 (x3 , ..., xn ) = r(x3 , ..., xn ) − l(x3 , ..., xn )m(x3 , ..., xn ),
c
qui ne dépend plus des variables x1 et x2 .
L’algorithme de Gauss produit une décomposition en carrés
q = c1 l12 + · · · + cr lr2
avec c1 , ..., cr éléments non nuls de K et l1 , ..., lr des formes linéaires linéairement
indépendantes sur Kn . On peut alors compléter cette famille libre en une base
(l1 , ..., lr , lr+1 , ..., ln ) de (Kn )∗ . La base duale (e1 , ..., en ) de Kn sera une base or-
thogonale pour q, dans laquelle la matrice de q est diagonale avec c1 , ..., cr , 0, ..., 0
comme coefficients diagonaux.
Ainsi, la méthode de Gauss nous montre que toute forme quadratique est diagona-
lisable.

10.2.2 Signature d’une forme quadratique


Définition 10.2.4 Une forme quadratique q sur un espace vectoriel réel E est dite
définie positive (resp. négative) quand, pour tout x ∈ E non nul, on a q(x) > 0
(resp. q(x) < 0).
Définition 10.2.5 Soit E un espace vectoriel de dimension n sur R, et q une forme
quadratique sur E et B une base de E orthogonale pour q. Soit
 
a1 0
 .. 
 . 
0 an
la matrice de q dans B. Soit s le nombre d’indices i tels que ai > 0, t le nombre
d’indices i tels que ai < 0. Alors le couple (s, t) ne dépend pas du choix de la
base orthogonale. On l’appelle la signature de la forme quadratique q.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 199 — #209


i i

10.3 Exercices 199

L’entier s (resp. t) de la signature est le maximum des dimensions des sous-espaces


de E sur lesquels la restriction de q est définie positive (resp. négative). La somme
s + t est le rang de q.
L’algorithme de décomposition en carrés de Gauss fournit un moyen de calculer la
signature : si
X r
q= ci li2
i=1

où les li sont des formes linéaires linéairement indépendantes, alors s (resp. t) est le
nombre de coefficients ci positifs (négatifs).
Proposition 10.2.3 Soit q une forme quadratique de signature (s, t) sur un R-espace
vectoriel E de dimension n. Alors il existe une base de E dans laquelle la matrice
de q est  r s

z }| { z }| {
 1 
 

 . .. 0


 

 1 

 −1 
.
 

 . .. 
 

 −1 


 0 


0 . .

 . 
0
Définition 10.2.6 Deux matrices A et B de Mn (R) sont dites congruentes quand il
existe une matrice P inversible dans Mn (R) telle que B = t P AP.
Théorème 10.2.3 Deux matrices symétriques réelles sont congruentes sur R si et
seulement si elles ont même signature.

10.3 Exercices
10.3.1 Enoncés
Exercice 1 :
On considère l’application :

b : M2 (R) × M2 (R) −→ R

définie par :
b (A, B) = T r (A) T r (B) .
1. Montrer que b est une forme bilinéaire symétrique.
2. On note :
        
1 0 0 1 0 0 0 0
B = E11 = , E12 = , E21 = , E22 = .
0 0 0 0 1 0 0 1

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 200 — #210


i i

200 Chapitre 10. Applications bilinéaires et formes quadratiques

Vérifier que B est une base de M2 (R) . Ecrire la matrice S de b dans cette base
et calculer son déterminant.
3. La forme bilinéaire symétrique b est-elle non dégénérée ?
Exercice 2 :
Soit E l’espace vectoriel des polynômes sur R de degré ≤ 2. Pour (f, g) ∈ E × E,
on pose : Z 1
σ (f, g) = f (t) g (t) dt.
0
1. Montrer que σ est une forme bilinéaire symétrique sur E.
2. Trouver une base du sous-espace F orthogonal à h (t) = 2t + 1.
Exercice 3 :
Soit
b : Mn (R) × Mn (R) −→ R
l’application définie par :
b (A, B) = T r (AB) .
1. Montrer que b est une forme bilinéaire symétrique.
2. Montrer que si A est une matrice symétrique non nulle alors

b (A, A) > 0.

3. Montrer que si A est une matrice antisymétrique non nulle alors

b (A, A) < 0.

4. Quelle est la signature de b.


Exercice 4 :
Soit E un espace vectoriel réel de dimension 4 de base B = {e1 , e2 , e3 , e4 } et soit q
la forme quadratique définie par :

q (X) = 4xy + 6z 2 + 6zt + 2t2 ; X = (x, y, z, t) ∈ E.

1. Définir la forme polaire f associée à q.


2. Ecrire la matrice de f dans la base B.
3. f est-elle dégénérée ?
4. Soit P = he1 , e2 i . Déterminer P ⊥ .
Exercice 5 :
Soit C une constante réelle strictement positive. On munit l’espace vectoriel Rn ,
rapporté à sa base canonique, de la forme bilinéaire de Lorentz définie par :

b (v, w) = xx0 + yy 0 + zz 0 − c2 tt0 où v = (x, y, z, t) et w = (x0 , y 0 , z 0 , t0 ) .

On note Q la forme quadratique associée à b. On dit qu’un vecteur v est Temporel si


Q (v) < 0. On dit qu’un vecteur v est Spatial si Q (v) > 0.
Dans tout l’exercice, on fixe une fois pour toute, un vecteur Temporel u = (x, y, z, t) .

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 201 — #211


i i

10.3 Exercices 201

1. Soit w = (x0 , y 0 , z 0 , t0 ) un vecteur non nul orthogonal à u.


(a) Montrer que l’on a alors :
2  2 2 2

c4 t2 (t0 ) ≤ x2 + y 2 + z 2 (x0 ) + (y 0 ) + (z 0 ) .

(b) En déduire que w est un vecteur Spatial.


(c) Montrer que pour tout vecteur v, il existe un unique λ ∈ R, tel que
w = v − λu soit orthogonal à u.
(d) En déduire que pour tout v ∈ R4 , on a :
2
Q (u) Q (v) ≤ (b (u, v)) .

2. Pour v et w appartenant à R4 , on pose :

b0 (u, w) = b (v, w) + 2b (u, v) b (v, w) .

(a) Vérifier que b0 est une forme bilinéaire symétrique.


(b) On note Q0 la forme quadratique associée à b0 . Montrer que si Q0 est définie
positive, on a : Q (u) < − 21 .
(c) Réciproquement, montrer que si Q (u) < − 12 alors Q0 est définie positive.
(on utilise la question 1.(a) et 1.(d)).
Exercice 6 :
Soit l’application

q : Mn,1 (R) −→ R
t ; M ∈ Mn (R) .
X 7−→ XM X

1. Montrer que q est une forme quadratique sur Mn,1 (R) .


2. Donner la forme polaire ϕ associée à q.
3. Montrer que q = 0 ⇐⇒ M est une matrice antisymétrique.
Exercice 7 :
Soit f une forme bilinéaire dont la matrice relativement à la base canonique de R3
est :  
1 2 3
A= 2 3 4 .
3 4 5
1. Déterminer ker f ; f admet-elle des vecteurs isotropes ?
2. Soit q la forme quadratique définie par :

q (X) = x21 − 2x3 x2 − 2x1 x3 .

q est-elle dégénérée ? admet-elle des vecteurs isotropes ?

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 202 — #212


i i

202 Chapitre 10. Applications bilinéaires et formes quadratiques

10.3.2 Corrigés
Exercice 1 :
On considère l’application :

b : M2 (R) × M2 (R) −→ R

définie par :
b (A, B) = T r (A) T r (B) .
1. Soient A ∈ M2 (R) , A ∈ M2 (R), B ∈ M2 (R), λ ∈ R et λ0 ∈ R. On a
0

b (λA + λ0 A0 , B) = tr (λA + λ0 A0 ) tr (B)


= [λtr (A) + λ0 tr (A0 )] tr (B) (car tr est une forme linéaire sur M2 (R))
= λtr (A) tr (B) + λ0 tr (A0 ) tr (B)
= λb (A, B) + λ0 b (A0 , B) .

Donc, b est linéaire par rapport à la première variable. Soient A ∈ M2 (R) ,


B ∈ M2 (R), B 0 ∈ M2 (R), µ ∈ R et µ0 ∈ R. On a

b (A, µB + µ0 B 0 ) = tr (A) tr (µB + µ0 B 0 )


= tr (A) [µtr (B) + µ0 tr (B 0 )] (car tr est une forme linéaire sur M2 (R))
= µb (A, B) + µ0 b (A, B 0 ) .

Donc, b est linéaire par rapport à la deuxième variable. Ainsi, b est une forme
bilinéaire. De plus, Soient A ∈ M2 (R) et B ∈ M2 (R) , on a

tr (A) tr (B) = tr (B) tr (A)

donc b est symétrique. D’où, b est une forme bilinéaire symétrique.


2. On note :
        
1 0 0 1 0 0 0 0
B = E11 = , E12 = , E21 = , E22 = .
0 0 0 0 1 0 0 1

On vérifie facilement que B est libre et que rg (B) = 4 = dim M2 (R) donc B est
une base de M2 (R) . Soit
 
b (E11 , E11 ) b (E11 , E12 ) b (E11 , E21 ) b (E11 , E22 )
 b (E12 , E11 ) b (E12 , E12 ) b (E12 , E21 ) b (E12 , E22 ) 
S = M (b, B) =   b (E13 , E11 ) b (E21 , E12 ) b (E21 , E21 ) b (E21 , E22 )
.

b (E14 , E11 ) b (E22 , E12 ) b (E22 , E21 ) b (E22 , E22 )

Ainsi,  
1 0 0 1
 0 0 0 0 
S=
 0

0 0 0 
1 0 0 1
et det (S) = 0.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 203 — #213


i i

10.3 Exercices 203

3. Puisque det (S) = 0 donc la forme bilinéaire symétrique b dégénérée.


Exercice 2 :
Soit E l’espace vectoriel des polynômes sur R de degré ≤ 2. Pour (f, g) ∈ E × E,
on pose : Z 1
σ (f, g) = f (t) g (t) dt.
0
1. Soient f ∈ E, f 0 ∈ E, g ∈ E, λ ∈ R et λ0 ∈ R. On a
Z 1
σ (λf + λ0 f 0 , g) = (λf + λ0 f 0 ) (t) g (t) dt
0
Z 1 Z 1
= λf (t) g (t) dt + λ0 f 0 (t) g (t) dt
0 0
Z 1 Z 1
0
=λ f (t) g (t) dt + λ f 0 (t) g (t) dt
0 0
= λσ (f, g) + λ0 σ (f 0 , g) .
Donc, σ est linéaire par rapport à la première variable. Puisque σ est symétrique
donc σ est linéaire par rapport à la deuxième variable. Ainsi, σ est une forme
bilinéaire symétrique sur E.
2. On a

F = hhi = {f ∈ F / σ (f, h) = 0} ,
et dim F = 2. σ est non dégénérée donc
dim F = dim E − dim F ⊥ = 3 − 1 = 2.
Soit f ∈ F alors il existe un unique (a, b, c) ∈ R3 / f (t) = at2 + bt + c. On a,
Z 1
σ (f, h) = 0 ⇐⇒ f (t) h (t) dt = 0.
0

Soit
Z 1
at2 + bt + c (2t + 1) dt

I=
0
10a + 14b + 24c
= .
12
Ainsi,
F = at2 + bt + c / 5a + 7b + 12c = 0

 
b  c
= − 7t2 − 5t − 12t2 − 5 / b, c ∈ R .

5 5
Posons f1 (t) = 7t2 − 5t et f2 (t) = 12t2 − 5. On a alors {f1 , f2 } est un système
générateur de F,
F = hf1 , f2 i et dim F = 2
D’où, {f1 , f2 } est une base du sous-espace F orthogonal à h (t) = 2t + 1.

i i

i i
i i

“belhajBenaissa” — 2013/6/11 — 15:27 — page 204 — #214


i i

204 Chapitre 10. Applications bilinéaires et formes quadratiques

Exercice 3 :

1. Soient A ∈ Mn (R) , A0 ∈ Mn (R), B ∈ Mn (R), λ ∈ R et λ0 ∈ R. On a

b (λA + λ0 A0 , B) = tr ((λA + λ0 A0 ) B)
= λtr (AB) + λ0 tr (A0 B) (car tr est une forme linéaire sur M2 (R))
= λb (A, B) + λ0 b (A0 , B) .

Donc, b est linéaire par rapport à la première variable. Puisque b est symétrique
(pour tout A ∈ Mn (R), B ∈ Mn (R) , tr (AB) = tr (BA)) donc b est linéaire
par rapport à la deuxième variable. D’où, b est une forme bilinéaire symétrique.
2. Soit q une forme quadratique associée à b. On a q (A) = b (A, A) , pour tout
A ∈ Mn (R) . Soit A une matrice symétrique
 non nulle, montrons que b (A, A) =
q (A) > 0. En effet, q (A) = tr A2 et A = AT donc

n
X n
X 2
tr A2 =

aik aki = (aik ) > 0 car A non nulle.
i,k=1 i,k=1

Alors, q (A) > 0 et q est définie positive sur Sn (R) : ensemble des matrices
symétriques d’ordre n.
3. Soit A une matrice antisymétrique non nulle, montrons que b (A, A) < 0. En
effet, q (A) = tr A2 et A = −AT donc

n
X n
X 2
tr A2 =

aik aki = − (aik ) < 0 car A non nulle.
i,k=1 i,k=1

Alors, q (A) < 0 et q est définie négative sur An (R) : ensemble des matrices
antisymétriques d’ordre n.
4. On sait que Mn (R) = Sn (R) ⊕ An (R) et dim Mn (R) = n2 , dim Sn (R) =
n(n+1)
2 et dim An (R) = n(n−1)
2 . Soit A ∈ Sn (R) et B ∈ An (R) , on a

b (A, B) = tr (AB) = tr AT B = tr B T AT = tr (−BA) = −tr (BA) = −tr (