Académique Documents
Professionnel Documents
Culture Documents
APPLICATIONS LINEAIRES
I – Applications linéaires
1) Définitions et premières propriétés
L’enjeu est de déterminer des applications qui transportent la structure d’espace
vectoriel. La notion « clé » des espaces vectoriels est la notion de combinaison
linéaire. Ce sont donc les applications qui conservent cette notion.
Définition : Soient E et F deux espaces vectoriels sur K.
Une application de E dans F est une application linéaire (ou homomorphisme) si :
∀(u, v ) ∈ E 2 f (u + v ) = f (u ) + f (v) et ∀α ∈ K ∀u ∈ E f ( αu ) = αf (u ) .
Ceci équivaut à : ∀α ∈ K ∀(u , v) ∈ E 2 f (αu + v ) = αf (u ) + f (v) .
Exemple 1 : L’application f qui à tout vecteur u = ( x, y ) de E = R 2 associe le vecteur
f (u ) = ( x + y , x − y, 2 x + 3 y ) de F = R 3 est linéaire. En effet, pour tous réels α et
tous vecteurs u = ( x, y ) et v = ( x ', y ') , on a :
- D’une part f (u ) = ( x + y , x − y, 2 x + 3 y ) et f (v) = ( x '+ y ', x '− y ', 2 x '+ 3 y ') ,
donc : αf (u ) + f ( v) = α( x + y, x − y , 2 x + 3 y ) + ( x '+ y ', x '− y ', 2 x '+ 3 y ') , donc :
αf (u ) + f (v) = (αx + αy + x '+ y ', αx − αy + x '− y ', 2αx + 3αy + 2 x '+ 3 y ')
- D’autre part αu + v = α ( x, y ) + ( x ', y ') = (αx + x ', αy + y ') = ( X , Y ) , donc :
f (αu + v ) = ( X + Y , X − Y , 2 X + 3Y )
f (αu + v ) = ( αx + x '+ αy + y ', αx + x '− αy − y ', 2αx + 2 x '+ 3αy + 3 y ')
Donc ∀α ∈R ∀(u , v) ∈ E 2 f (αu + v) = αf (u ) + f (v) .
Donc f est une application linéaire de E = R 2 dans F = R 3 .
Exemple 2 : L’application f qui à tout polynôme P de E = R[ X ] associe le polynôme
f ( P ) = P ' de F = R[ X ] est linéaire. En effet, pour tous réels α , et tous polynômes P
et Q : f (αP + Q) = (αP + Q) ' = αP '+ Q ' = αf ( P ) + f (Q ) .
Théorème : Si f est une application linéaire de E dans F, alors f (0 E ) = 0 F .
Démonstration : Il suffit par exemple de prendre α = 0 , u étant quelconque.
f (0 E ) = f (0u ) = 0 f (u ) = 0 F .
Théorème : Si f est une application linéaire de E dans F, alors :
n n
∀(α1 ,..., α n ) ∈ K n ∀(u1 ,..., un ) ∈ E n f ∑ αk uk = ∑ α k f (uk ) .
k =1 k =1
Démonstration : Récurrence évidente.
Définitions : On appelle :
• endomorphisme de E toute application linéaire de E dans E.
• isomorphisme de E dans F toute application linéaire bijective de E dans F.
• automorphisme de E toute application linéaire bijective de E dans E.
Par exemple, la dérivation est un endomorphisme de E = R[ X ] .
2) Matrice d’une application linéaire en dimension finie
Supposons que E et F soient deux espaces vectoriels de dimension finie :
- E est de dimension p et de base B = (e1 ,..., e p ) .
- F est de dimension n et de base B ' = (e'1 ,..., e' n ) .
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 2 ECS 1
p p
Donc, puisque f est linéaire : f (u ) = f x j e j =
∑ ∑
x j f (e j ) .
j =1 j =1
Donc l’application f est entièrement connue lorsque l’on connaît tous les vecteurs
f (e j ) images par f des vecteurs de la base B .
Or ces vecteurs sont des vecteurs de F, qui sont déterminés par leurs coordonnées dans
n
la base B ' : ∀j ∈ {1,... p} f (e j ) = ∑ ai , j e'i .
i =1
Définition : Si f est une application linéaire d’un espace vectoriel E de base
B = (e1 ,..., e p ) dans un espace vectoriel F de base B ' = (e'1 ,..., e' n ) , on appelle
matrice de f est la matrice A = (ai , j ) à n lignes et p colonnes dont les colonnes sont
les coordonnées des images des vecteurs de la base B dans la base B ' .
Si f est un endomorphisme de E, la matrice de f dans la base B correspond au cas
précédent pour B ' = B .
Exemple : On a vu que l’application f qui à tout vecteur u = ( x, y ) de E = R 2 associe
le vecteur f (u ) = ( x + y , x − y, 2 x + 3 y ) de F = R 3 est linéaire.
Si on considère les bases canoniques C et C ' de E = R 2 et F = R 3 :
e1 = (1, 0) , donc : f (e1 ) = (1,1, 2) = e '1 + e '2 + 2e '3 .
e2 = (0,1) , donc : f (e2 ) = (1, −1,3) = e '1 − e '2 + 3e '3 .
1 1
Donc la matrice de f est : A = 1 − 1 pour les deux bases canoniques.
2 3
Remarque : Bien entendu, si l’on change l’une des deux bases, on change la matrice.
Exemple : On considère l’endomorphisme f de E = R 2 qui à tout u = ( x, y ) associe le
vecteur v = ( x + y , x − y ) de E.
1 1
Dans la base canonique C = (e1 , e2 ) , la matrice de f est : A = .
1 −1
Les vecteurs u1 = (3,1) et u 2 = (5,2) forment une base B de E.
On détermine f (u1 ) = (4,2) et f (u 2 ) = (7,3) .
Pour avoir la matrice B de f dans la base B , il faut déterminer les coordonnées de
f (u1 ) et f (u2 ) dans la base B = (u1 , u 2 ) :
3α + 5β = 4
f (u1 ) = αu1 + βu 2 ssi donc ssi α = −2 et β = 2 . Donc f (u1 ) = −2u1 + 2u 2 .
α + 2β = 2
3α + 5β = 7
f (u 2 ) = αu1 + βu 2 ssi donc ssi α = −1 et β = 2 . Donc f (u 2 ) = −u1 + 2u 2 .
α + 2β = 3
− 2 − 1
Donc la matrice B de f dans la base B est : B = .
2 2
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 3 ECS 1
p
De plus, en reprenant les calculs précédents, si u = ∑ x je j alors :
j =1
p p
n n p
f (u ) = ∑ x j f (e j ) = ∑ x j ∑ ai , j e' i = ∑ ∑ ai , j x j e' i
j =1 j =1 i =1 i =1 j =1
p
Donc les coordonnées de f (u ) dans B ' sont : y i = ∑ ai , j x j .
j =1
x1
p
A tout vecteur u = ∑
x j e j de E, on peut associer la matrice colonne X = M .
x
j =1
p
y1
n
Au vecteur f (u ) = ∑ y i e' i de F, on peut associer la matrice colonne Y = M .
i =1 y
n
p
L’égalité ∀i ∈ {1,..., n} y i = ∑ ai , j x j se traduit par l’égalité matricielle : Y = AX .
j =1
Théorème : Si f est une application linéaire de matrice A d’un espace vectoriel E de base
B = (e1 ,..., e p ) dans un espace vectoriel F de base B ' = (e'1 ,..., e' n ) , alors tout vecteur
u de matrice X dans B a pour image le vecteur f (u ) de matrice Y = AX dans B ' .
Exemple 1 : Supposons que f soit un endomorphisme de E = R 3 dont la matrice dans
1 − 1 1
la base canonique est A = 2 3 1 . Alors si u = ( x, y, z ) , son image f (u ) a pour
3 − 2 1
1 − 1 1 x x − y + z
matrice Y = 2 3 1 y = 2 x + 3 y + z .
3 − 2 1 z 3 x − 2 y + z
Donc f (u ) = ( x − y + z , 2 x + 3 y + z ,3 x − 2 y + z )
Exemple 2 : Soit f l’application de E = R 3 dans E = R 3 qui à u = ( x, y, z ) associe le
x' = x + y x' x 1 1 0
vecteur f (u ) = ( x' , y ' , z ' ) avec y ' = x + z . Alors : y ' = A y avec : A = 1 0 1 .
z' = y + z z' z 0 1 1
On démontre ainsi facilement que f est linéaire.
En effet, si u a pour matrice X 1 et v pour matrice X 2 , alors f (u ) a pour matrice
Y1 = AX 1 et f (v ) a pour matrice Y2 = AX 2 .
Or αu + v a pour matrice X = αX 1 + X 2 . Donc f (αu + v ) a pour matrice
Y = AX = A(αX 1 + X 2 ) = αAX 1 + AX 2 = αY1 + Y2 . Donc f (αu + v ) = α f (u ) + f (v) .
Cela revient à dire que, pour toute matrice A ∈ M n , p ( K ) , l’application X a AX est
linéaire de M p ,1 ( K ) dans M n ,1 ( K ) .
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 4 ECS 1
Théorème : Si f est une application linéaire de E dans F, alors l’image par f d’un sous-
espace vectoriel E ' de E est un sous-espace vectoriel de F.
Démonstration : Soit E ' un sous-espace vectoriel de E.
Par définition : v ∈ f ( E ' ) ⇔ ∃u ∈ E ' v = f (u ) .
• f (E ' ) ≠ Y . En effet E ' un sous-espace vectoriel de E, donc 0 E ∈ E ' et donc
f (0 E ) = 0 F appartient à f (E ' ) .
• Pour tout α ∈ K et tous vecteurs v1 ∈ f ( E ' ) et v 2 ∈ f ( E ' ) , il existe deux
vecteurs u1 ∈ E ' et u 2 ∈ E ' tels que v1 = f (u1 ) et v 2 = f (u 2 ) .
Donc : αv1 + v2 = αf (u1 ) + f (u2 ) = f (αu1 + u2 ) car f est linéaire.
Or E ' un sous-espace vectoriel, donc αu1 + u2 ∈ E ' . Donc αv1 + v2 ∈ f ( E ') .
Donc f (E ' ) est un sous-espace vectoriel de F.
Définition : Si f est une application linéaire de E dans F, on appelle image de
l’application linéaire f l’ensemble Im f = f ( E ) = {v ∈ F / ∃u ∈ E v = f (u )} .
C’est un cas particulier puisque E est un sous-espace de lui-même.
Théorème : Si f est une application linéaire de E dans F, alors son image Im f est un
sous-espace vectoriel de F.
L’application f est surjective ssi tout vecteur de F a un antécédent dans E, donc
appartient à Im f = f ( E )
Théorème : Si f est une application linéaire de E dans F, alors f est surjective si et
seulement si Im f = F .
Rappel : On appelle image réciproque par f d’une partie B de F l’ensemble de tous les
antécédents des éléments de cette partie : f −1 ( B) = {u ∈ E / f (u ) ∈ B}.
Remarque : On utilise la notation f −1 , mais l’application f n’est pas à priori bijective,
et donc il n’y a pas d’application réciproque. Donc f −1 (v) n’a pas de sens.
Théorème : Si f est une application linéaire de E dans F, alors l’image réciproque par f
d’un sous-espace vectoriel de F est un sous-espace vectoriel de E.
Démonstration : Soit F ' un sous-espace vectoriel de F.
Par définition : u ∈ f −1 ( F ' ) ⇔ f (u ) ∈ F ' .
• f −1 ( F ' ) ≠ Y . En effet 0 E ∈ f −1 ( F ' ) puisque f (0 E ) = 0 F appartient à F ' car
c’est un sous-espace vectoriel de F.
• Pour tous α ∈ K et tous vecteurs u1 ∈ f −1 ( F ' ) et u 2 ∈ f −1 ( F ' ) , on a f (u1 ) ∈ F '
et f (u 2 ) ∈ F ' . Donc, comme F ' est un sous-espace vectoriel de F,
αf (u1 ) + f (u2 ) ∈ F ' . Or f est linéaire. Donc αf (u1 ) + f (u2 ) = f (αu1 + u2 ) . Donc
f (αu1 + u2 ) ∈ F ' . Et donc αu1 + u2 ∈ f −1 ( F ') .
Donc f −1 ( F ' ) est un sous-espace vectoriel de E.
Définition : Si f est une application linéaire de E dans F, on appelle noyau de
l’application linéaire f l’ensemble Ker f = f −1 ({0 F }) = {u ∈ E / f (u ) = 0 F }.
C’est un cas particulier puisque {0 F } est un sous-espace vectoriel de F.
Théorème : Si f est une application linéaire de E dans F, alors son noyau Ker f est un
sous-espace vectoriel de E.
On en déduit une caractérisation des applications linéaires injectives.
Théorème : Si f est une application linéaire de E dans F, alors f est injective si et
seulement si Ker f = {0 E } .
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 5 ECS 1
Démonstration : On sait que f est linéaire, donc que f (0 E ) = 0 F , donc que 0 E est un
antécédent de 0 F . D’autre part, Ker f est l’ensemble des antécédents de 0 F .
Donc, si f est injective, Ker f ne contient que 0 E . Donc Ker f = {0 E } .
Réciproquement, supposons que Ker f = {0 E } et montrons que f est injective.
Supposons qu’il existe un vecteur v ∈ F qui possède deux antécédents u et u ' .
On a donc v = f (u ) = f (u ' ) , donc f (u ) − f (u ' ) = 0 F , donc f (u − u ' ) = 0 F , donc
u − u '∈ Ker f , donc u − u '= 0 E , donc u = u ' . Il y a donc unicité de l’antécédent
lorsqu’il existe. Donc f est injective.
Théorème : Si f est une application linéaire de E dans F, alors f est un isomorphisme si
et seulement si Ker f = {0 E } et Im f = F .
Cas des espaces de dimension finie
Pour toute application linéaire, Im f est un sous-espace vectoriel de F. Donc, si F est
un espace de dimension finie, Im f est aussi de dimension finie et dim Im f ≤ dim F
Définition : Si Im f est un sous-espace vectoriel de dimension finie de F, on appelle
rang de l’application linéaire f la dimension de Im f .
Remarque : Ceci est réalisé en particulier si E ou F est de dimension finie.
Si E est un espace de dimension finie, alors Ker f et Im f sont de dimension finie.
Théorème du rang : Si l’espace vectoriel E est de dimension finie, et si f est une
application linéaire de E dans F, on a la relation : dim E = dim Ker f + rg ( f ) .
Démonstration : On suppose que dim E = n et dim Ker f = p avec p ≤ n .
Si p = n , alors Ker f = E et donc f est l’application nulle, donc Im f = {0 F }, et donc
dim Im f = 0 . Donc l’égalité est vérifiée.
Si p < n , on construit une base (e1 ,..., e p ) de Ker f . C’est une famille libre de E.
Donc elle peut être complétée par (e p +1 ,..., en ) pour former une base (e1 ,..., e n ) de E.
Im f est engendré par les vecteurs f (e1 ) = 0 F , …, f (e p ) = 0 F , f (e p +1 ) , …, f (e n ) ,
c’est-à-dire par f (e p +1 ) , …, f (e n ) . Montrons que cette famille génératrice de Im f
est libre.
n n n
∑ α j f (e j ) = 0 F si et seulement si f
∑
α j e j = 0 F , donc si
α je j ∑
j = p +1 j = p +1 j = p +1
n
appartient au noyau Ker f , donc si ∑α je j est combinaison linéaire de la base
j = p+1
(e1 ,..., e p ) de Ker f , donc si il existe des réels βi (1 ≤ i ≤ p ) tels que
n p p n
∑ α j e j = ∑ βi ei , c’est-à-dire ∑ βi ei − ∑ α j e j = 0 E .
j = p+1 i =1 i =1 j = p +1
On obtient ainsi une combinaison linéaire nulle de la famille (e1 ,..., e n ) qui est libre
puisque c’est une base de E. Elle a donc tous ses coefficients nuls, et donc en
particulier α p +1 = ... = α n = 0 .
Donc la famille f (e p +1 ) , …, f (e n ) est à la fois libre et génératrice de Im f . C’est
donc une base, et donc dim Im f = n − p . Donc dim E = dim Ker f + dim Im f .
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 6 ECS 1
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 7 ECS 1
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 8 ECS 1
Soit B = (e1 ,..., e p ) une base de E, B ' = (e'1 ,..., e' n ) une base de F et
B " = (e"1 ,..., e"q ) une base de G. Soient A = M f et B = M g les matrices de f et g.
n n
A = (ai , j ) donc : ∀j ∈ P1, pT f (e j ) = ∑ a k , j e' k , donc ( g o f )(e j ) = ∑ a k , j g (e' k ) .
k =1 k =1
q
B = (bi , j ) donc : ∀k ∈ P1, nT g (e' k ) = ∑ bi , k e"i .
i =1
n
q
q n
Donc ( g o f )(e j ) = ∑ a k , j ∑ bi , k e"i = ∑ ∑ bi , k a k , j e"i .
k =1 i =1 i =1 k =1
n
Donc M g o f = (c i , j ) avec ci , j = ∑ bi ,k a k , j .Donc M g o f = BA .
k =1
4) Isomorphismes
Théorème : La réciproque d’un isomorphisme de E dans F est un isomorphisme de F
dans E. La réciproque d’un automorphisme de E est un automorphisme de E.
Si E et F sont de même dimension finie, alors : M f −1 = ( M f ) −1 .
Démonstration : Soit f est un isomorphisme de E dans F, donc linéaire et bijective.
Alors f −1 est bijective puisque ( f −1 ) −1 = f .
Soient α ∈ K , u et v deux vecteurs de F. Posons : u ' = f −1 (u ) et v ' = f −1 (v ) .
Donc u ' et v ' sont dans E et on a : u = f (u ') et v = f (v ') .
Donc par linéarité de f : αu + v = αf (u ') + f (v ') = f (αu '+ v ') .
Donc : f −1 (αu + v) = αu '+v' = αf −1 (u ) + f −1 (v ) . Donc f −1 est linéaire.
Donc f −1 est un isomorphisme de F dans E.
La propriété des matrices vient de f o f −1 = Id F .
5) Structures
Théorème : Si E et F sont des espaces vectoriels sur K, les ensembles L ( E , F ) et
L (E ) sont des espaces vectoriels sur K.
Si dim E = p et dim F = n , alors L ( E , F ) est isomorphe à M n , p ( K ) .
Si dim E = n , alors L (E ) est isomorphe à M n ( K ) .
Démonstration : On a bien une loi interne et une loi externe, et pour tous f, g et h de
L ( E , F ) , et pour tous réels α et β :
1. f + g = g + f car ∀u ∈ E ( f + g )(u ) = f (u ) + g (u ) = g (u ) + f (u ) = ( g + f )(u ) .
2. ( f + g ) + h = f + ( g + h) car :
∀u ∈ E [( f + g ) + h](u ) = ( f + g )(u ) + h(u ) = f (u ) + g (u ) + h(u ) .
∀u ∈ E [ f + ( g + h)](u ) = f (u ) + ( g + h)(u ) = f (u ) + g (u ) + h(u ) .
Donc ∀u ∈ E [( f + g ) + h](u ) = [ f + ( g + h)]( u ) .
3. L’élément neutre est l’application nulle définie par ∀u ∈ E f (u ) = 0 F .
4. Toute application f a un opposé (− f ) définie par ∀u ∈ E (− f )(u ) = − f (u ) .
5. 1. f = f car ∀u ∈ E (1. f )(u ) = 1. f (u ) = f (u ) .
6. α ( f + g ) = αf + αg car :
∀u ∈ E [α ( f + g )](u ) = α[( f + g )(u )] = α[ f (u ) + g (u )] = αf (u ) + αg (u ) = (αf + αg )(u )
7. (α + β) f = αf + β f car :
∀u ∈ E [(α + β) f ](u ) = (α + β) f (u ) = αf (u ) + β f (u ) = (αf + β f )(u )
8. α (β f ) = (αβ) f car :
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 9 ECS 1
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 10 ECS 1
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 11 ECS 1
3) Symétries
Définition : Si E1 et E2 sont deux sous-espaces vectoriels supplémentaires de E, pour
tout vecteur u de E, il existe un couple unique (u1 , u2 ) ∈ E1 × E2 tel que u = u1 + u2 .
L’application s qui à tout vecteur u de E associe le vecteur s (u ) = u1 − u2 s’appelle la
symétrie par rapport à E1 suivant E2 (ou parallèlement à E2 ).
Dans l’exemple précédent : s(u ) = u1 − u2 = (3α − β, −2α − 3β)
La symétrie s par rapport à E1 suivant E2 est l’application qui à u = ( x, y ) associe le
1 1
vecteur s (u ) = u ' = ( x ', y ') avec x ' = (7 x − 6 y ) et y ' = ( −12 x − 7 y ) .
11 11
Remarque 1 : On peut aussi définir la symétrie s ' par rapport à E2 suivant E1 :
s '(u ) = −u1 + u2 = −s (u ) . Donc s ' = − s .
Remarque 2 : ∀u ∈ E s(u ) = 2u1 − (u1 + u2 ) = 2 p (u ) − u . Donc : s = 2 p − Id E .
Théorème : Toute symétrie est linéaire et vérifie s o s = Id E . Elle est donc bijective.
Démonstration : s ∈ L ( E ) car p ∈ L ( E ) et Id E ∈ L ( E ) .
s o s = (2 p − Id E ) o (2 p − Id E ) = 4 p o p − 2 Id E o p − 2 p o Id E + Id E o Id E = Id E car p o p = p .
Elle est bijective car s −1 = s .
Définition : On appelle involution de E toute application de E dans E qui vérifie s o s = s .
Donc toute symétrie est une involution ou application involutive.
Théorème : Tout endomorphisme involutif s est la symétrie par rapport à Ker(s − Id E )
suivant Ker( s + Id E ) . C’est un automorphisme.
Démonstration : Soit s un endomorphisme involutif. Donc : ∀u ∈ E s[ s (u )] = u .
On remarque que si l’on veut avoir u = u1 + u2 et s (u ) = u1 − u2 , alors, il faut poser :
1 1
u1 = [u + s (u )] et u2 = [u + s (u )] .
2 2
1 1 1 1
On a donc : ∀u ∈ E u = [u + s (u )] + [u − s (u )] et s (u ) = [u + s (u )] − [u − s (u )] .
2 2 2 2
1 1 1
Or le vecteur u1 = [u + s (u )] vérifie s (u1 ) = [ s (u ) + ( s o s )(u )] = [ s (u ) + u ] = u1 .
2 2 2
Donc u1 ∈ Ker(s − Id E ) .
1 1 1
Et le vecteur u2 = [u − s (u )] vérifie s (u2 ) = [ s (u ) − ( s o s )(u )] = [ s (u ) − u ] = −u2 .
2 2 2
Donc u2 ∈ Ker(s + Id E ) .
On a donc démontré que E = Ker( s − Id E ) + Ker( s + Id E ) .
De plus u ∈ Ker( s − Id E ) ∩ Ker( s + Id E ) , ssi ( s − Id E )(u ) = 0 E et ( s + Id E )(u ) = 0 E
ssi s (u ) = u et s (u ) = −u , donc ssi u = 0 E .
Donc Ker(s − Id E ) et Ker( s + Id E ) sont supplémentaires.
Et par construction, s est la symétrie par rapport à Ker(s − Id E ) suivant Ker( s + Id E ) .
Remarque : Ker( s − Id E ) = {u ∈ E / s(u ) = u} et Ker( s + Id E ) = {u ∈ E / s(u ) = −u} .
Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011