Vous êtes sur la page 1sur 91

Chapitre 1

Logique, ensembles
A. Logique.

1. Vocabulaire du raisonnement logique

Définition 1 : Une proposition est une affirmation qui est vraie ou fausse (pas
indécidable). C’est tout objet mathématique auquel est associée une valeur de vérité
unique : Vrai (V) ou Faux (F).

Exemple 1 : 𝑃 = « 5 > 4 » est une proposition vraie.


𝑄 = « 3 + 1 = 7 » est une proposition fausse.
𝑅(𝑥, 𝑦, 𝑧) = « 𝑥 + 𝑦 > 𝑧 » est une proposition dépendant de 𝑥, 𝑦, 𝑧 réels. 𝑅(5, −1,3)
est vraie.
Le raisonnement scientifique consiste à chercher la valeur de vérité de différentes
propositions. Cette recherche se base sur des propositions dont les valeurs de vérité
sont connues.
Définition 2 : Deux propositions A et B sont équivalentes si elles ont même table de
vérité.

1. Les connecteurs logiques :

Ils vont permettre de construire de nouvelles propositions à partir de propositions


données, la valeur de vérité dépendant des valeurs de vérité des propositions
données.

P V V F F
Q V F V F
non P F F V V Négation de P, se lit « non P »
P et Q V F F F Conjonction de P et Q, se lit « P et Q », s’écrit
(P˄Q)
P ou Q V V V F Disjonction de P et Q, se lit « P ou Q », s’écrit
(P˅Q)
P ⇒𝑄 V F V V « P implique Q » : Q est une condition nécessaire
(CN) de P
P⇔Q V F F V « P équivalent à Q » :Q est une condition
nécessaire et suffisante (CNS) de P

L’équivalence P ⇔Q est par définition (P ⇒ Q) et (Q ⇒ P).


Exemple 2 :
 Pour 𝑃(𝑥) = "𝑥 ≤ 1" on a 𝑛𝑜𝑛(𝑃(𝑥))~"𝑥 > 1"; (le signe ~ veut dire équivalent)
 « 1 < 𝑥 ≤ 3 » ~ « 𝑥 > 1 𝑒𝑡 𝑥 ≤ 3 » ;
 « 𝑥 > 1 𝑜𝑢 𝑥 ≤ 1 » est une proposition vraie pour tout 𝑥 réel ;
 Pour 𝑥 réel : 𝑥 > 3 ⇒ 𝑥 2 > 9 est une implication vraie ;
 Pour 𝑥 𝑒𝑡 𝑦 réels : « 𝑥 = −𝑦 ⇒ 𝑥 2 = 𝑦 2 » est vraie, mais :
 Pour 𝑥 𝑒𝑡 𝑦 réels : « 𝑥 = −𝑦 ⇔ 𝑥 2 = 𝑦 2 » est une proposition fausse.

Proposition 1 : Les propositions [P ⇒Q] et [(non P) ou Q] sont identiques.


Preuve : Il suffit d’écrire les valeurs de vérité

P V V F F
Q V F V F
P ⇒𝑄 V F V V
Non P F F V V
(Non P) ou Q V F V V

Proposition 2 : non (non P) = P.


Associativité : P ou (Q ou R)=(P ou Q) ou R et P et (Q et R)=(P et Q) et R
Commutativité : P ou Q = Q ou P et P et Q = Q et P
Lois de Morgan : non (P ou Q) = (non P) et (non Q).
non (P et Q) = (non P) ou (non Q).
Exemple 3 :
“Karim est bosseur et intelligent” a pour négation “Karim est Fénéon ou il est bête”
Proposition 3 : P et (Q ou R) = (P et Q) ou (P et R)
P ou (Q et R) = (P ou Q) et (P ou R)
Proposition 4 : Les assertions [P ⇒ Q] et [non Q ⇒ non P] sont identiques.
[non Q ⇒ non P] s’appelle la contraposée de [P ⇒ Q]. Elle est parfois plus facile à
démontrer.

Exemple 4: Montrons que : 𝑛2 impair ⇒ 𝑛 impair.


Il suffit de montrer que sa contraposée est vraie, c’est `a dire que : 𝑛 pair ⇒ 𝑛2 pair.
Supposons donc que n soit un entier naturel pair. Par définition, il existe un entier
naturel 𝑝 tel que 𝑛 = 2𝑝.
Nous avons alors 𝑛2 = (2𝑝)2 = 2(2𝑝2 ) = 2𝑝′ 𝑎𝑣𝑒𝑐 𝑝′ = 2𝑝2 qui est un entier naturel.
Cela montre donc que 𝑛2 est pair.
Une proposition est une tautologie si elle est toujours vraie. Exemple : p ⇒ p
Une proposition est une contradiction si elle est toujours fausse.
Exemple 5 : p∧ (nonp).
2. Les quantificateurs

A toutes ces notations, il faut encore ajouter deux symboles appelés quantificateurs :
– ∀ : quel que soit ;
– ∃ : il existe.
On définit l’assertion (∀𝑥 ∈ 𝐸, 𝑃(𝑥)) comme étant vraie lorsque 𝑃(𝑥) est vraie
pour tout 𝑥 dans E.
Exemple 6 : (∀𝑥 ∈ ℝ, 𝑥 2 ≥ 0 ) est vraie, mais (∀𝑥 ∈ 𝑅, 𝑥 2 < 7) est fausse.

On définit l’assertion (∃𝑥 ∈ 𝐸, 𝑃(𝑥)) comme étant vraie lorsque 𝑃(𝑥) est
vraie pour au moins un 𝑥 dans E.
Exemple 7: L’assertion (∃ n ∈ ℕ, n ≥ 3) est vraie, mais (∃𝑥 ∈ ℝ, 𝑥 2 < −1) est fausse
On peut encore ajouter le symbole ∃! qui signifie “il existe un unique”...
Exemple 8 : ( ∃! 𝑥 ∈ ℝ, 𝑒 𝑥 = 3) est vraie (c’est : ln 3).

Ordre et négations des quantificateurs


Dans une assertion comportant plusieurs quantificateurs, leur ordre est primordial (il
ne faut pas intervertir sans justification les ∀ 𝑒𝑡 les ∃ ).
Exemple 9 « ∀𝑥 ∈ ℝ, ∃ 𝑛 ∈ ℤ, 𝑥 ≤ 𝑛 » est V, mais « ∃ 𝑛 ∈ ℤ, ∀𝑥 ∈ ℝ, 𝑥 ≤ 𝑛 » est F !
Pour obtenir la négation d’une assertion comportant des quantificateurs, on remplace
tous les ∀ par ∃, tous les ∃ par ∀ et la dernière assertion par sa négation. Ainsi, la
négation de « ∃𝑦 ∈ ℝ, ∀𝑥 ∈ ℝ, 𝑦 > 𝑥 » 𝑒𝑠𝑡 « ∀𝑦 ∈ ℝ, ∃𝑥 ∈ ℝ, 𝑦 ≤ 𝑥 »

3. Raisonnement

Un raisonnement est une relation entre une proposition A dite hypothèse et une
proposition B dite conclusion de la forme « A ⇒ B » vraie.
Une assertion vraie est appelée énoncé, proposition ou théorème.
La véracité d’une assertion se justifie par une démonstration.
Certaines assertions sont postulées vraies sans démonstration, ce sont les axiomes.

Quelques types de raisonnements

1.1. Démonstration d’une assertion

Pour démontrer la véracité d’une assertion P on peut procéder de trois manières :

(1) Montrer que P découle de résultats antérieurs i.e. déterminer un


énoncé Q tel que Q ⇒ P soit vraie.

Exemple 10 : Montrons ∀𝑥 ∈ ℝ, 𝑥 4 + 7 > 0


Soit 𝑥 ∈ ℝ. On sait que 𝑥 4 ≥ 0 𝑒𝑡 7 > 0
Or 𝑎 ≥ 0 𝑒𝑡 𝑏 > 0 ⇒ a + b > 0
Donc 𝑥 4 + 7 > 0 .

(2) Opérer par disjonction de cas i.e. déterminer un énoncé Q tel que Q ⇒ P
et non(Q) ⇒ P soient vraies.
𝑛2 +3𝑛+2
Exemple 11 : Montrons ∀𝑛 ∈ ℕ, ∈ℕ
2
𝑛2 +3𝑛+2 (𝑛+1)(𝑛+2)
Soit 𝑛 ∈ ℕ, on sait que =
2 2
Si 𝑛 est pair alors on peut écrire 𝑛 = 2𝑝 avec 𝑝 ∈ ℕ et alors
(𝑛+1)(𝑛+2)
= (2𝑝 + 1)(𝑝 + 1) ∈ ℕ
2
Si 𝑛 est impair alors on peut écrire 𝑛 = 2𝑝 + 1 avec 𝑝 ∈ ℕ et alors
(𝑛+1)(𝑛+2)
= (𝑝 + 1)(2𝑝 + 3) ∈ ℕ
2
𝑛2 +3𝑛+2
Dans les 2 cas ∈ ℕ.
2

(3) Raisonner par l’absurde i.e. montrer que non(P) implique un résultat
faux.
Exemple 12 : Montrons qu’il n’existe pas d’entier naturel supérieur à tout autre.
Par l’absurde : Supposons qu’il existe 𝑁 ∈ ℕ tel que ∀𝑛 ∈ ℕ, 𝑛 ≤ 𝑁.
Pour 𝑛 = 𝑁 + 1 ∈ ℕ, on a 𝑁 + 1 ≤ 𝑁 donc 1 ≤ 0. Absurde.
( !) En aucun cas, on ne commence le raisonnement par « Supposons P ».

1.2.Démonstration d’une implication

Pour démontrer la véracité d’une implication P ⇒ Q on peut procéder de deux


manières :

(1) Par déduction : on détermine une assertion R telle que : P ⇒R et R ⇒ Q.


(avec possibilité d’enchaîner plusieurs assertions intermédiaires)

Exemple 13 : Soient 𝑥, 𝑦 ∈ ℝ. Montrons : 𝑥 2 = 𝑦 2 ⇒ |𝑥| = |𝑦|.


Supposons 𝑥2 = 𝑦2
On a 𝑥 2 − 𝑦 2 = (𝑥 − 𝑦)(𝑥 + 𝑦) = 0 donc 𝑥 − 𝑦 = 0 𝑜𝑢 𝑥 + 𝑦 = 0
Par suite 𝑥 = 𝑦 𝑜𝑢 𝑥 = −𝑦
Et donc |𝑥| = |𝑦|.

(2) Par contraposée : on établit non(Q) ⇒ non(P) vraie : On suppose que Q est
fausse et on démontre que P est alors fausse.

Exemple 14: Montrons (∀(𝑥, 𝑦) ∈ ]1, +∞[2 ) 𝑥 ≠ 𝑦 ⇒ 𝑥 2 − 2𝑥 ≠ 𝑦 2 − 2𝑦.


Par contraposée, montrons que 𝑥 2 − 2𝑥 = 𝑦 2 − 2𝑦 ⇒ 𝑥 = 𝑦 .

Supposons 𝑥 2 − 2𝑥 = 𝑦 2 − 2𝑦
On a (𝑥 2 − 2𝑥) − (𝑦 2 − 2𝑦) = (𝑥 2 − 𝑦 2 ) − 2(𝑥 − 𝑦) = (𝑥 − 𝑦)(𝑥 + 𝑦 − 2) = 0
Donc 𝑥−𝑦=0 𝑜𝑢 𝑥 + 𝑦 − 2 = 0
Par suite 𝑥=𝑦 𝑜𝑢 𝑥+𝑦 =2
Or (𝑥, 𝑦) ∈ ]1, +∞[2 ⇒ 𝑥 + 𝑦 > 2 ⇒ 𝑥 + 𝑦 ≠ 2
Donc 𝑥=𝑦.

1.3. Démonstration par récurrence

Théorème 1 : Soit 𝑛0 ∈ ℕ et 𝑃(𝑛) une assertion dépendant d’un entier 𝑛 ≥ 𝑛0 .


Si 1) 𝑃(𝑛0) est vraie ;
2)∀𝑛 ≥ 𝑛0 , 𝑃(𝑛) vraie ⇒ 𝑃(𝑛 + 1) vraie.
Alors : ∀𝑛 ≥ 𝑛0 , , 𝑃(𝑛) vraie.
𝑛(𝑛+1)(2𝑛+1)
Exemple 15: Montrons ∀𝑛 ∈ ℕ∗ , ∑𝑛𝑖=1 𝑖 2 = 12 + 22 + ⋯ + 𝑛2 =
6

Procédons par récurrence sur 𝑛 ∈ ℕ .
1(1+1)(2+1)
Pour 𝑛 = 1 : 12 = ,
6
Supposons la propriété vraie au rang 𝑛 ≥ 1,
𝑛(𝑛+1)(2𝑛+1)
12 + 22 + ⋯ + 𝑛 2 =
6
Montrons que la propriété est vraie au rang (𝑛 + 1).
Pa hypothèse de récurrence, on obtient
𝑛(𝑛+1)(2𝑛+1)
12 + 22 + ⋯ + 𝑛2 + (𝑛 + 1)2 = + (𝑛 + 1)2
6
𝑛(2𝑛+1)
= (𝑛 + 1) ( + (𝑛 + 1))
6
(𝑛+1)(𝑛+2)(2𝑛+3)
Donc 12 + 22 + ⋯ + 𝑛2 + (𝑛 + 1)2 = 6
Récurrence établie.

B. Ensemble et parties

1. Les objets

Définition 3 : Un ensemble est une “collection” d’objets qui sont appelés


éléments de l’ensemble. Si l’ensemble E contient l’élément 𝑥, on note 𝑥 ∈ 𝐸 et on lit :
𝑥 𝑎𝑝𝑝𝑎𝑟𝑡𝑖𝑒𝑛𝑡 à 𝐸.
Définition 4 : A est une partie ou sous-ensemble de E si tout élément de A
appartient à E, c'est-à-dire 𝑥 ∈ 𝐴 ⇒ 𝑥 ∈ 𝐸. On note : 𝐴 ⊂ 𝐸.

Exemple 16 : 2ℕ ⊂ ℕ ⊂ ℤ
Une partie qui n’a qu’un élément {𝑥0 } est appelée singleton. Une partie qui a deux
éléments est appelée une paire.

La partie vide qui ne contient aucun élément est notée Ø.

Remarque : On a ainsi 𝑥 ∈ 𝐴 ⇔ {𝑥} ⊂ 𝐴.

Pour définir un ensemble ou une partie, on peut


 Enumérer tous ses éléments ;
 Donner une propriété caractéristique de ses éléments.

Exemple 17 : {1, 2, 3, 6} = {𝑛 ∈ ℕ; ∃𝑘 ∈ ℕ, 6 = 𝑘𝑛}.

Remarque : 𝐴 = 𝐵 ⇔ 𝐴 ⊂ 𝐵 𝑒𝑡 𝐵 ⊂ 𝐴.

Définition 5 : L’ensemble de toutes les parties de l’ensemble E est noté P(E).


Autrement dit, 𝐴 ⊂ 𝐸 ⇔ 𝐴 ∈ 𝑃(𝐸).

Remarque : 𝑃({𝑎, 𝑏, 𝑐}) = {Ø , {𝑎}, {𝑏}, {𝑐}, {𝑎, 𝑏}, {𝑎, 𝑐}, {𝑏, 𝑐}; {𝑎, 𝑏, 𝑐} }
Les ensembles de nombres utilisés dans les chapitres suivants sont :

 ensemble des entiers naturels : ℕ = {0, 1, 2, 3, . . . }


 ensemble des entiers relatifs : ℤ = {. . . , −3, −2, −1, 0, 1, 2, 3, . . . }
𝑝
 ensemble des nombres rationnels : ℚ = {𝑞 ; 𝑝 ∈ ℤ, 𝑞 ∈ ℕ∗ }

 ensemble des nombres réels : ℝ


 ensemble des nombres complexes : ℂ
Ces ensembles sont construits de façon 𝑞𝑢𝑒 ℕ ⊂ ℤ ⊂ ℚ ⊂ ℝ ⊂ ℂ.

2. Opérations sur les parties

Définition 6: Soient A et B deux parties de E. Nous définissons les parties suivantes


-Réunion : 𝐴 ∪ 𝐵 = {𝑥 ∈ 𝐸; 𝑥 ∈ 𝐴 𝑜𝑢 𝑥 ∈ 𝐵}.
-Intersection : 𝐴 ∩ 𝐵 = {𝑥 ∈ 𝐸; 𝑥 ∈ 𝐴 𝑒𝑡 𝑥 ∈ 𝐵}.
̅ s’il n’y a pas d’ambiguité sur
-Complémentaire dans E: noté également 𝑨
l’ensemble 𝐸 ̅ = 𝐸 \𝐴
𝐶𝐸 (𝐴) = {𝑥 ∈ 𝐸; 𝑥 ∉ 𝐴} = 𝑨
-Différence : ̅
𝐴 \𝐵 = {𝑥 ∈ 𝐸; 𝑥 ∈ 𝐴 𝑒𝑡 𝑥 ∉ 𝐵} = 𝐴 ∩ 𝑩
-Différence symétrique : 𝐴∆𝐵 = (𝐴 \𝐵 ) ∪ (𝐵\ 𝐴)
Exemple 18 : soit 𝐴 = {1, 2}
 𝐶ℕ (𝐴) = {0, 3, 4, 5, . . . }
 𝐶ℝ (𝐴) =] − ∞, 1[∪]1, 2[∪]2, +∞[

Définitions 7 :

-Deux parties 𝐴 𝑒𝑡 𝐵 𝑑𝑒 𝐸 sont disjointes si 𝐴 ∩ 𝐵 = Ø.


-Elles sont complémentaires dans E si de plus 𝐴 ∪ 𝐵 = 𝐸.
𝐴 ≠ Ø 𝑒𝑡 𝐵 ≠ Ø
-𝐴 𝑒𝑡 𝐵 forment une partition de E si et seulement si { 𝐴 ∩ 𝐵 = Ø
𝐴 ∪ 𝐵 = 𝐸
Remarque : 𝐴 ∪ 𝐵 = 𝐴 ⇔ 𝐵 ⊂ 𝐴 et 𝐴 ∩ 𝐵 = 𝐴 ⇔ 𝐴 ⊂ 𝐵
Proposition 5: Pour 𝐴, 𝐵, 𝐶 parties de 𝐸,

 Lois de Morgan ̅̅̅̅̅̅̅̅


𝐴 ∪ 𝐵 =𝐴̅ ∩ 𝐵̅ et ̅̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 =𝐴̅ ∪ 𝐵̅
 Distributivité (𝐴 ∪ 𝐵) ∩ 𝐶 = (𝐴 ∩ 𝐶) ∪ (𝐵 ∩ 𝐶)
(𝐴 ∩ 𝐵) ∪ 𝐶 = (𝐴 ∪ 𝐶) ∩ (𝐵 ∪ 𝐶)
 Commutativité (𝐴 ∪ 𝐵) = (𝐵 ∪ 𝐴) 𝑒𝑡 ( 𝐴 ∩ 𝐵) = (𝐵 ∩ 𝐴)
 Associativité (𝐴 ∪ 𝐵) ∪ 𝐶 = 𝐴 ∪ (𝐵 ∪ 𝐶)
(𝐴 ∩ 𝐵) ∩ 𝐶 = 𝐴 ∩ (𝐵 ∩ 𝐶)
Définition 8 : Soit 𝐼 = {1, … , 𝑛} et soit une famille de parties (𝐴𝑖 )𝑖∈𝐼 d’un ensemble
E. Nous définissons :
 La réunion : ⋃𝑖∈𝐼 𝐴𝑖 = {𝑥 ∈ 𝐸, ∃𝑖 ∈ 𝐼, 𝑥 ∈ 𝐴𝑖 }
 L’intersection : ⋂𝑖∈𝐼 𝐴𝑖 = {𝑥 ∈ 𝐸, ∀𝑖 ∈ 𝐼, 𝑥 ∈ 𝐴𝑖 }

3. Produit cartésien
Définition 9: Soient 𝐸 𝑒𝑡 𝐹 deux ensembles. On définit alors le produit cartésien
par E × 𝐹 = {(𝑎, 𝑏); 𝑎 ∈ 𝐸, 𝑏 ∈ 𝐹}
L’élément (𝑎, 𝑏) 𝑑𝑒 𝐸 × 𝐹 est appelé un couple. Si E = F, on note : 𝐸 2 = 𝐸 × 𝐸.
( !) ATTENTION : {𝑎, 𝑏} = {𝑏, 𝑎} 𝑚𝑎𝑖𝑠 (𝑎, 𝑏) ≠ (𝑏, 𝑎).
Définition 10 : Soit 𝐸1 , . . . , 𝐸𝑝 des ensembles (avec 𝑝 entier non nul).
∏𝑝𝑖=1 𝐸𝑖 = 𝐸1 × ….. × 𝐸𝑝 = {(𝑥1 , . . . , 𝑥𝑝 ); ∀𝑖 ∈ {1, 2, . . . , 𝑝}, 𝑥𝑖 ∈ 𝐸𝑖 }.
L’élément (𝑥1 , . . . , 𝑥𝑝 ) de 𝐸1 × ….. × 𝐸𝑝 est appelé un 𝑝 -uplet alors que les éléments 𝑥𝑖
des 𝐸𝑖 sont appelés les composantes du 𝑝 -uplet.

Exemple 19 : Pour 𝐸𝐴 = {1, 2, 3}; 𝐸𝐸 𝐸𝐵 = {𝐸𝑎, 𝑏𝐸, 𝑐𝐸}


𝐸𝐴 × 𝐵 = {(1, 𝑎), (1, 𝑏), (1, 𝑐), (2, 𝑎), (2, 𝑏), 2, 𝑐), (3, 𝑎), (3, 𝑏), (3, 𝑐)},
ℝ3 = {(𝑥𝐸, 𝑦𝐸, 𝑧 𝐸)/ 𝐸𝑥 ∈ ℝ, 𝐸 𝑦 ∈ ℝ, 𝐸𝑧 ∈ ℝ} est visualisé comme un espace de
dimension 3.
4. Ensembles finis
Définition 11 :
 𝐸 est un ensemble fini s’il contient un nombre fini d’éléments: 𝐸 = {𝑥1 , . . . , 𝑥𝑛 }
 Si E est fini, le cardinal de E est le nombre d’éléments de E : 𝐶𝑎𝑟𝑑(𝐸) = |𝐸| = 𝑛
Exemple 20 : 𝐸𝐸𝐸𝐸𝐶𝑎𝑟𝑑({𝐸𝑎, 𝐸𝑏, 𝐸𝑗 𝐸, 3 𝐸, 1}) =
5; 𝐸𝐸𝐸𝐸𝐶𝑎𝑟𝑑(ℕ) = +∞; 𝐸𝐸𝐸𝐸𝐶𝑎𝑟𝑑(Ø) = 0

Si 𝐸𝐴 est une partie d’un ensemble fini 𝐸, alors


𝐶𝑎𝑟𝑑 𝐶𝐸 𝐴 = 𝐶𝑎𝑟𝑑𝐸 − 𝐶𝑎𝑟𝑑𝐴 ;

Soient 𝐴 𝑒𝑡 𝐵 deux ensembles finis alors


𝐶𝑎𝑟𝑑(𝐴 ∪ 𝐵) = 𝐶𝑎𝑟𝑑𝐴 + 𝐶𝑎𝑟𝑑𝐵 − 𝐶𝑎𝑟𝑑(𝐴 ∩ 𝐵);

Si 𝐸 𝑒𝑡 𝐹 sont deux ensembles finis alors


𝐶𝑎𝑟𝑑(𝐸 × 𝐹) = 𝐶𝑎𝑟𝑑𝐸 × 𝐶𝑎𝑟𝑑𝐹 ;

Si 𝐸 est un ensemble fini alors 𝐶𝑎𝑟𝑑 𝑃(𝐸) = 2𝐶𝑎𝑟𝑑𝐸 .

5. Coefficient binomial
𝑛 𝑛!
Les quantités 𝐶𝑛𝑝 = (𝑝) = (𝑛−𝑝)! 𝑝! sont appelées coefficients binomiaux.

Nous pouvons également calculer ces coefficients à l’aide du triangle de Pascal :

𝑛\𝑝 0 1 2 3 4 5 6
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1

Notations 𝜮 𝒆𝒕 𝜫 : Tout ce qui suit est valable pour 𝐴 = ℤ, ℚ, ℝ 𝑜𝑢 ℂ.


Soit deux entiers 𝑚 ≤ 𝑛 et 𝑥𝑚 , . . . , 𝑥𝑛 des éléments de 𝐴. On note
∑𝑛𝑖=𝑚 𝑥𝑖 = 𝑥𝑚 + 𝑥𝑚+1 + ⋯ + 𝑥𝑛 , ∏𝑛𝑖=𝑚 𝑥𝑖 = 𝑥𝑚 × 𝑥𝑚+1 × … × 𝑥𝑛
𝑛(𝑛+1)
Exemple 21 : ∑𝑛𝑖=1 𝑖 = 1 + 2 + ⋯ + 𝑛 = , ∏𝑛𝑖=1 𝑖 = 1 × 2 × … × 𝑛 = 𝑛!
2
6. Formule du binôme de Newton.
Proposition 6 : Pour tous 𝑎, 𝑏 ∈ 𝐴, et tout entier 𝑛 ∈ ℕ∗ ,
𝑛 𝑛
𝑛 𝑛
(𝑎 + 𝑏)𝑛 = ∑ ( ) 𝑎𝑘 𝑏 𝑛−𝑘 = ∑ ( ) 𝑎𝑛−𝑘 𝑏 𝑘
𝑘 𝑘
𝑘=0 𝑘=0

Exemple 22 : (𝑎 + 𝑏) = 𝑎 + 2𝑎𝑏 + 𝑏 2
2 2

(𝑎 + 𝑏)3 = 𝑎3 + 3𝑎2 𝑏 + 3𝑎𝑏 2 +𝑏 3


(𝑎 − 𝑏)3 = 𝑎3 − 3𝑎2 𝑏 + 3𝑎𝑏 2 −𝑏 3
(𝑎 + 𝑏)5 = 𝑎5 + 5𝑎4 𝑏 + 10𝑎3 𝑏 2 + 10𝑎2 𝑏 3 + 5𝑎𝑏 4 + 𝑏 5
(𝑎 − 𝑏)5 = 𝑎5 − 5𝑎4 𝑏 + 10𝑎3 𝑏 2 − 10𝑎2 𝑏 3 + 5𝑎𝑏 4 − 𝑏 5
𝑛
Cas particuliers (𝑎 = 1 𝑒𝑡 𝑏 = 𝑥): (1 + 𝑥)𝑛 = ∑𝑛𝑘=0 ( ) 𝑥 𝑘 (1)
𝑘
𝑛
Pour 𝑥 = 1, 𝑜𝑛 𝑜𝑏𝑡𝑖𝑒𝑛𝑡: ∑𝑛𝑘=0 ( ) = (1 + 1)𝑛 = 2𝑛
𝑘
𝑛
Pour 𝑥 = 2, 𝑜𝑛 𝑜𝑏𝑡𝑖𝑒𝑛𝑡: ∑𝑛𝑘=0 ( ) 2𝑘 = (1 + 2)𝑛 = 3𝑛
𝑘
En dérivant la relation initiale (1), on obtient :
𝑛
𝑛(1 + 𝑥)𝑛−1 = ∑𝑛𝑘=1 𝑘 ( ) 𝑥 𝑘−1 (2)
𝑘
𝑛 𝑛
 Pour 𝑥 = 1, 𝑜𝑛 𝑜𝑏𝑡𝑖𝑒𝑛𝑡: 𝑛(1 + 1)𝑛−1 = ∑𝑛𝑘=0 𝑘 ( ) , 𝐷𝑜𝑛𝑐 ∶ ∑𝑛𝑘=1 𝑘 ( ) = 𝑛2𝑛−1
𝑘 𝑘

7. Factorisation
Proposition 7: Pour tous 𝑎, 𝑏 ∈ 𝐴, et tout entier 𝑛 ∈ ℕ∗ ,

𝑎𝑛 − 𝑏 𝑛 = (𝑎 − 𝑏)(𝑏 𝑛−1 + 𝑎𝑏 𝑛−2 + 𝑎2 𝑏 𝑛−3 + ⋯ + 𝑎𝑛−2 𝑏 + 𝑎𝑛−1 )


1−𝑏 𝑛
Cas particulier (𝑎 = 1 𝑒𝑡 𝑏 ≠ 1): 1 + 𝑏 + 𝑏 2 + ⋯ + 𝑏 𝑛−2 + 𝑏 𝑛−1 = 1−𝑏

( !) Attention :
Si 𝑛 est impair alors
𝑎𝑛 + 𝑏 𝑛 = (𝑎 + 𝑏)(𝑏 𝑛−1 − 𝑎𝑏 𝑛−2 + 𝑎2 𝑏 𝑛−3 − ⋯ − 𝑎𝑛−2 𝑏 + 𝑎𝑛−1 )
Mais si 𝑛 est pair alors cette formule est fausse.
Série 1 : LOGIQUE, ENSEMBLES
Exercice 1: Les propositions suivantes sont-elles vraies ou fausse ? (𝑥 ∈ ℝ)
−2 ≤ 𝑥 ≤ 5 ⇔ 4 ≤ 𝑥 2 ≤ 25 ;
𝑥 < 3 ⇔ 𝑥2 < 9 ;
1 1
𝑥 < −4 ⇔ > −4 .
𝑥

Exercice 2 : Les assertions 𝑎, 𝑏, 𝑐 𝑒𝑡 𝑑 sont-elles vraies ? Donner leur négation.

(𝑎) ∃𝑥 ∈ ℝ, ∀𝑦 ∈ ℝ, 𝑥 + 𝑦 > 0 ; (𝑏)∀𝑥 ∈ ℝ, ∃𝑦 ∈ ℝ, 𝑥 + 𝑦 > 0

(𝑐)∀𝑥 ∈ ℝ, ∀𝑦 ∈ ℝ, 𝑥 + 𝑦 > 0 ; (𝑑)∃𝑥 ∈ ℝ , ∀𝑦 ∈ ℝ, 𝑦 2 > 𝑥.

Exercice 3: Démontrer chaque proposition en utilisant le raisonnement demandé :


𝒙 𝟏
Par contre exemple : ∀𝒙 ∈ ]−𝟏, 𝟎[ > −𝟐
𝒙𝟐 −𝒙𝟒

Par déduction : ∀𝒂, 𝑏 ∈ ℝ, 𝑎3 + 𝑏 3 < 1 < 𝑎 + 𝑏 ⇒ (0 < 𝑎 < 1 𝑒𝑡 0 < 𝑏 < 1)


𝑥 𝑦
Par contraposée : ∀𝑥, 𝑦 ∈ ℝ, (𝑥𝑦 ≠ 2 𝑒𝑡 𝑥 ≠ 𝑦 ) ⇒ ≠ 2𝑦 2 +𝑦+4
2𝑥 2 +𝑥+4

Par disjonction de cas : Résoudre dans ℝ : √𝑥 2 − 4𝑥 + 3 > 𝑥 + 3


1 1 1
Par absurde ∀𝑎, 𝑏, 𝑐 ∈ ℝ+ , (𝑎𝑏𝑐 > 1 𝑒𝑡 𝑎 + 𝑏 + 𝑐 < 𝑎 + 𝑏 + 𝑐 ) ⇒ (𝑎 ≠ 1, 𝑏 ≠ 1, 𝑐 ≠ 1)

Exercice 4 : Montrer par récurrence que :


1 1 1 𝑛
(a) ∀𝑛 ∈ ℕ∗ , + + ⋯…+ =
1×2 2×3 𝑛×(𝑛+1) 𝑛+1
(b) ∀𝑛 ∈ ℕ∗ , 2𝑛−1
≤ 𝑛! ≤ 𝑛𝑛
5 𝑛 𝑢 = 1, 𝑢1 = 1
(c) ∀𝑛 ∈ ℕ, 𝑢𝑛 ≤ (3) 𝑜ù 𝑙𝑎 𝑠𝑢𝑖𝑡𝑒 𝑢𝑛 𝑒𝑠𝑡 𝑑é𝑓𝑖𝑛𝑖𝑒 𝑝𝑎𝑟 ∶ { 0
𝑢𝑛+2 = 𝑢𝑛+1 + 𝑢𝑛
𝑛(𝑛+1) 2
(d) ∑𝑛𝑖=𝑚 𝑖 3 = 13 + 23 + ⋯ + 𝑛3 = ( )
2

Exercice 5: Soit E un ensemble. Montrer les assertions suivantes :


(𝑎) ∀𝐴, 𝐵 ∈ 𝑃(𝐸) (𝐴 ∩ 𝐵 = 𝐴 ∪ 𝐵) ⇒ 𝐴 = 𝐵,

(𝑏) ∀𝐴, 𝐵, 𝐶 ∈ 𝑃(𝐸) (𝐴 ∩ 𝐵 ⊂ 𝐴 ∩ 𝐶 𝑒𝑡 𝐴 ∪ 𝐵 ⊂ 𝐴 ∪ 𝐶) ⇒ 𝐵 ⊂ 𝐶,

(𝑐) 𝐴̅ ∪ 𝐵̅ = ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 (Loi de Morgan).

Exercice 6 : 𝐴, 𝐵, 𝐶 étant des parties d’un ensemble 𝐸, déterminer les ensembles :

𝑉 = [𝐴 ∩ (𝐵 ∪ 𝐶)] ∩ [(𝐵 ∩ 𝐶) ∪ 𝐶̅ ], ̅̅̅̅̅̅̅̅̅̅


𝑊 = (𝐴 ̅ ∩ 𝐵) ∩ ̅̅̅̅̅̅̅̅̅̅
(𝐴 ∩ 𝐵)

Exercice 7:Etudier l’injectivité, la surjectivité, la bijectivité des fonctions suivantes


(a) 𝑓: ℕ → ℕ (b) 𝑓: ℝ → ℝ (c) 𝑓: ℝ+ → ℝ
𝑥 →𝑥+1 𝑥 → 𝑥 2 + 2𝑥 − 3 𝑥 → 𝑥2

Correction de la Série 1 : LOGIQUE, ENSEMBLES

Exercices 1 : 𝐸𝑡𝑢𝑑𝑖𝑜𝑛𝑠 𝑙𝑎 𝑣é𝑟𝑎𝑐𝑖𝑡é 𝑑𝑒 𝑃: − 2 ≤ 𝑥 ≤ 5 ⇔ 4 ≤ 𝑥 2 ≤ 25 ;


Soit 𝑥 ∈ ℝ, 𝑜𝑛 𝑎 ∶ −2 ≤ 𝑥 ≤ 5 ⇔ (−2 ≤ 𝑥 ≤ 0 𝑜𝑢 0 ≤ 𝑥 ≤ 5 )
⇔ (0 ≤ −𝑥 ≤ 2 𝑜𝑢 0 ≤ 𝑥 ≤ 5 )
⇔ (0 ≤ 𝑥 2 ≤ 4 𝑜𝑢 0 ≤ 𝑥 2 ≤ 25)
⇔ 0 ≤ 𝑥 2 ≤ 25
Donc, la proposition P est fausse.
 Etudions la véracité de Q : 𝑥 < 3 ⇔ 𝑥2 < 9
Soit 𝑥 ∈ ℝ, 𝑜𝑛 𝑎 ∶ 𝑥 2 < 9 ⇔ 𝑥 2 − 9 < 0 ⇔ −3 < 𝑥 < 3
Donc, la proposition Q est fausse.
1 1
 Etudions la véracité de R : 𝑥 < −4 ⇔ > −4
𝑥
1 1
Soit 𝑥 ∈ ℝ, 𝑜𝑛 𝑎 ∶ 𝑥 < −4 ⇔ (𝑥 > − 4 𝑒𝑡 𝑥 < 0)
1 1 1
⇔ (𝑥 > − 4 𝑒𝑡 < 0)
𝑥
1 1
⇔ −4 < 𝑥 < 0
Donc, la proposition R est également fausse.

Exercice 2 : (𝒂) est fausse. Car sa négation qui est ∀𝑥 ∈ ℝ, ∃𝑦 ∈ ℝ, 𝑥 + 𝑦 ≤ 0 est


vraie. Étant donné 𝑥 ∈ ℝ, il existe toujours un y ∈ ℝ tel que 𝑥 + 𝑦 ≤ 0, par exemple
on peut prendre 𝑦 = −(𝑥 + 1) et alors 𝑥 + 𝑦 = 𝑥 − 𝑥 − 1 = −1 ≤ 0.
(𝒃) voir T .D.
(c) : ∀𝑥 ∈ ℝ, ∀𝑦 ∈ ℝ, 𝑥 + 𝑦 > 0 est fausse. En effet, donnons un contre exemple
𝑝𝑜𝑢𝑟 𝑥 = −1, 𝑦 = 0, 𝑜𝑛 𝑎 ∶ 𝑥 + 𝑦 = −1 < 0.
La négation est : ∃𝑥 ∈ ℝ, ∃𝑦 ∈ ℝ, 𝑥 + 𝑦 ≤ 0.
(𝑑) est vraie, on peut prendre 𝑥 = −1. La négation est: ∀𝑥 ∈ ℝ, ∃𝑦 ∈ ℝ, 𝑦 2 ≤ 𝑥.
Exercice 3 : voir T.D.
Exercice 4 : Montrons par récurrence que :
1 1 1 𝑛
(a) ∀𝑛 ∈ ℕ∗ , + + ⋯…+ =
1×2 2×3 𝑛×(𝑛+1) 𝑛+1
1 1 1 𝑛
Soit 𝑅(𝑛) la propriété : «1×2 + + ⋯…+ = »
2×3 𝑛×(𝑛+1) 𝑛+1
1 1 1 1
𝑅(1) est vraie car = et = ;
1×2 2 1+1 2
Soit 𝑛 ≥ 1. supposons 𝑅(𝑛) vraie et montrons que 𝑅(𝑛 + 1) est vraie.
1 1 1 1 𝑛 1
+ + ⋯…+ + (𝑛+1)(𝑛+2) = + (𝑛+1)(𝑛+2) car 𝑅(𝑛) est vraie.
1×2 2×3 𝑛(𝑛+1) 𝑛+1
𝑛(𝑛 + 2) + 1 (𝑛 + 1)2 𝑛+1
= = =
(𝑛 + 1)(𝑛 + 2) (𝑛 + 1)(𝑛 + 2) 𝑛 + 2
Donc 𝑅(𝑛 + 1) est vraie. On conclut que : pour tout 𝑛 ∈ ℕ∗ , 𝑅(𝑛) est vraie.
(b) Soit 𝑅(𝑛) la propriété : «2𝑛−1 ≤ 𝑛! ≤ 𝑛𝑛 » (𝑛 ∈ ℕ∗ )
Si 𝑛 = 1, 2𝑛−1 = 20 = 1, 𝑛𝑛 = 1 𝑒𝑡 𝑛! = 1 donc 𝑅(1) est vraie.
Soit 𝑛 ≥ 1.Supposons 𝑅(𝑛) vraie, montrons que 𝑅(𝑛 + 1) est vraie.
2𝑛 = 2𝑛−1 × 2 ≤ 𝑛! 2 car 𝑅(𝑛) vraie et 2 ≤ 𝑛 + 1. Donc 𝑛! 2 ≤ 𝑛! (𝑛 + 1) = (𝑛 + 1)!
On en déduit : 2𝑛 ≤ (𝑛 + 1)!
D’autre part : (𝑛 + 1)! = 𝑛! (𝑛 + 1) ≤ 𝑛𝑛 (𝑛 + 1) car 𝑅(𝑛) vraie, et 𝑛 ≤ 𝑛 + 1, donc
𝑛𝑛 ≤ (𝑛 + 1)𝑛 . On en déduit : (𝑛 + 1)! ≤ (𝑛 + 1)𝑛+1 .
𝑅(𝑛 + 1) est donc vraie, et pour tout 𝑛 ∈ ℕ∗ : 2𝑛−1 ≤ 𝑛! ≤ 𝑛𝑛 .
5 𝑛
(c) Soit 𝑅(𝑛) la propriété : « 𝑢𝑛 ≤ (3) ».
5 0
 Si 𝑛 = 0, 𝑢0 = 1 𝑒𝑡 (3) = 1 donc 𝑅(0) est vraie.
5 1 5
 Si 𝑛 = 1, 𝑢1 = 1 𝑒𝑡 (3) = 3 donc 𝑅(1) est vraie.
 Soit 𝑛 ≥ 1.Supposons 𝑅(0), 𝑅(1), … 𝑅(𝑛) vraie, montrons que 𝑅(𝑛 + 1) est vraie
5 𝑛 5 𝑛−1
𝑢𝑛+1 = 𝑢𝑛 + 𝑢𝑛−1 ≤ (3) + (3) car 𝑅(𝑛) 𝑒𝑡 𝑅(𝑛 − 1) sont vraie.
5 𝑛 5 𝑛−1 5 𝑛−1 5 8 5 𝑛−1
Or (3) + (3) = (3) (3 + 1) = 3 (3)
8 5 2 5 𝑛 5 𝑛−1 5 𝑛+1 5 𝑛+1
et ≤ (3) 𝑑𝑜𝑛𝑐 (3) + (3) ≤ (3) 𝑒𝑡 𝑢𝑛+1 ≤ (3)
3
5 𝑛
On en déduit que 𝑅(𝑛 + 1) est vraie et pour tout 𝑛 ∈ ℕ 𝑢𝑛 ≤ (3) .
(d) Voir T.D.

Exercice 5 : (a) Etant donné 𝑥 ∈ 𝐴 montrons qu’il est aussi dans 𝐵. Comme 𝑥 ∈
𝐴 alors 𝑥 ∈ 𝐴 ∪ 𝐵 donc 𝑥 ∈ 𝐴 ∩ 𝐵 (𝑐𝑎𝑟 𝐴 ∪ 𝐵 = 𝐴 ∩ 𝐵). Ainsi 𝑥 ∈ 𝐵 . Maintenant
nous prenons 𝑥 ∈ 𝐵 et le même raisonnement implique 𝑥 ∈ 𝐴. Donc tout élément de
𝐴 est dans 𝐵 et tout élément de 𝐵 est dans 𝐴. Cela veut dire 𝐴 = 𝐵.

(b)Voir T.D.
(c) - Soit 𝑥 tel que 𝑥 ∈ 𝐴̅ ∪ 𝐵̅ ∶ cela signifie que 𝑥 ∈ 𝐴̅ ou 𝑥 ∈ 𝐵̅ .
 Si ∈ 𝐴̅ , 𝑥 ∉ 𝐴 ⇒ 𝑥 ∉ 𝐴 ∩ 𝐵 ⇒ 𝑥 ∈ ̅̅̅̅̅̅̅ 𝐴∩𝐵.
 Si ∈ 𝐵̅ , 𝑥 ∉ 𝐵 ⇒ 𝑥 ∉ 𝐴 ∩ 𝐵 ⇒ 𝑥 ∈ ̅̅̅̅̅̅̅ 𝐴∩𝐵.
Ceci est vrai pour tout 𝑥 ∈ 𝐴 ∪ 𝐵 , donc on en déduit : 𝐴̅ ∪ 𝐵̅ ⊂ ̅̅̅̅̅̅̅
̅ ̅ 𝐴 ∩ 𝐵.
̅̅̅̅̅̅̅
- Soit 𝑥 tel que 𝑥 ∈ 𝐴 ∩ 𝐵 : 𝑥 n’est pas un élément commun à A et B.
 Si 𝑥 ∈ 𝐴, 𝑥 ∉ 𝐵 ⇒ 𝑥 ∈ 𝐵̅ ⇒ 𝑥 ∈ 𝐴̅ ∪ 𝐵̅
 Si 𝑥 ∈ 𝐵, 𝑥 ∉ 𝐴 ⇒ 𝑥 ∈ 𝐴̅ ⇒ 𝑥 ∈ 𝐴̅ ∪ 𝐵̅
 Si 𝑥 ∉ 𝐴 𝑒𝑡 𝑥 ∉ 𝐵 ⇒ 𝑥 ∈ 𝐴̅ 𝑒𝑡 𝑥 ∈ 𝐵̅ ⇒ 𝑥 ∈ 𝐴̅ ∪ 𝐵̅
Ceci est vrai pour tout ∈ ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 . On en déduit que : ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 ⊂ 𝐴̅ ∪ 𝐵̅.
On a déjà démontré que 𝐴̅ ∪ 𝐵̅ ⊂ ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵 . On conclut que: 𝐴̅ ∪ 𝐵̅ = ̅̅̅̅̅̅̅
𝐴 ∩ 𝐵.

Exercice 6 : (pour 𝑽 voir T.D.)

𝑊 = ̅̅̅̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅̅
(𝐴̅ ∩ 𝐵) ∩ (𝐴 ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
∩ 𝐵) = (𝐴 ̅ ∩ 𝐵) ∪ (𝐴 ∩ 𝐵) = ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
(𝐴̅ ∪ 𝐴) ∩ 𝐵 = ̅̅̅̅̅̅̅̅
𝐸 ∩ 𝐵 = 𝐵̅

Exercice 7 : (b) et (c) voir T.D.

(a) ∀𝑥, 𝑥 ′ ∈ ℕ, 𝑓(𝑥) = 𝑓(𝑥 ′ ) ⇒ 𝑥 + 1 = 𝑥 ′ + 1 ⇒ 𝑥 = 𝑥′ donc 𝑓 est injective.


𝑓 n’est pas surjective car 0 n’a pas d’antécédent par 𝑓. Donc 𝑓 n’est pas bijective.
Chapitre 2
Polynômes et fractions rationnelles

A. POLYNÔMES

1. Introduction et définitions

Théoriquement, un polynôme est une suite infinie de réels (ou de complexes) tous
nuls à partir d'un certain rang. On les appelle les coefficients du polynôme.

Exemple 1 : (0; 1; 32; 0; 45; −1; 5; 0; 0; 0; … )


est un polynôme. Comme ce n'est pas très agréable et habituel de travailler sur de
telles suites, on utilise des symboles pour rendre l'aspect plus convivial et faire le lien
avec les fonctions polynomiales. Ainsi, le polynôme précédent est plutôt noté :

𝑃 = 0𝑋 0 + 1𝑋1 + 32𝑋 2 + 0𝑋 3 + 45𝑋 4 − 1𝑋 5 + 5𝑋 6 = 𝑋 + 32𝑋 2 + 45𝑋 4 − 1𝑋 5 + 5𝑋 6

Définition 1 : Un monôme est une expression de la forme 𝑎𝑝 𝑋 𝑝 dans laquelle :

- 𝑝 est un entier positif ou nul, appelé degré du monôme,


- 𝑋 est la variable, réelle ou complexe,
- 𝑎𝑝 est un coefficient réel ou complexe.

Exemple 2 : 32𝑋 4 est un monôme de degré 4, de coefficient 32 et d’indéterminée X.

Définitions 2 :

1. Un polynôme est une somme de monômes de degrés différents :


𝑛

𝑃(𝑋) = ∑ 𝑎𝑘 𝑋 𝑘 = 𝑎0 + 𝑎1 𝑋 + 𝑎2 𝑋 2 + ⋯ … + 𝑎𝑛 𝑋 𝑛
𝑘=0

2. L'ensemble des polynômes à coefficients réels est noté ℝ[𝑋], l'ensemble des
polynômes à coefficients complexes est noté ℂ[𝑋];

3. Le degré d'un polynôme est celui du monôme de degré le plus élevé. Les
polynômes constants sont donc de degré 0 ;
4. L'ensemble des polynômes à coefficients réels de degré inférieur ou égal à n
est noté ℝ𝑛 [𝑋], l'ensemble des polynômes à coefficients complexes de degré
inférieur ou égal à n est noté ℂ𝑛 [𝑋].

Exemple 3 : 𝑃(𝑋) = 𝑋 + 32𝑋 2 + 45𝑋 4 − 1𝑋 5 + 5𝑋 6 est un polynôme de degré


d°=6 et 𝑃(𝑋) = 7 est un polynôme de degré d°=0.

2. Opérations sur les polynômes :

Considérons les polynômes : 𝑷(𝑿) = 𝟑𝑿 + 𝟐 𝒆𝒕 𝑸(𝑿) = 𝑿𝟐 − 𝟒𝑿 + 𝟓

 On peut additionner des polynômes :


(𝑃 + 𝑄)(𝑋) = 𝑃(𝑋) + 𝑄(𝑋) = 𝑋 2 + (3 − 4)𝑋 + (5 + 2) = 𝑋 2 − 𝑋 + 7
Le degré de la somme : 𝑑°(𝑃 + 𝑄) ≤ 𝑆𝑢𝑝(𝑑°(𝑃), 𝑑°(𝑄)) = 𝑆𝑢𝑝(1, 2) = 2

 Multiplier un polynôme par un scalaire :


2. 𝑃(𝑋) = 2(3𝑋 + 2) = 6𝑋 + 4

 Multiplier deux polynômes :


(𝑃. 𝑄)(𝑋) = 𝑃(𝑋). 𝑄(𝑋) = (3𝑋 + 2). (𝑋 2 − 4𝑋 + 5) = 3𝑋 3 − 10𝑋 2 + 7𝑋 + 10
Le degré du produit: 𝑑°(𝑃. 𝑄) ≤ 𝑑°(𝑃) + 𝑑°(𝑄) = 1 + 2 = 3

 Diviser deux polynômes suivant les puissances décroissantes : Division


Euclidienne.

Pour diviser 45 par 7, on dit : « en 45 combien de fois 7 ? 6 fois et il reste 3 » : 45 =


(6 × 7) + 3.

3. Division Euclidienne de polynômes :

Théorème 1 :

Soient 𝐴 et 𝐵 deux polynômes de ℝ[𝑋], avec B non nul. Alors il existe un unique
couple (𝑄, 𝑅) de polynômes tels que :
𝐴 = 𝐵. 𝑄 + 𝑅 𝑎𝑣𝑒𝑐 𝑑°(𝑅) < 𝑑°(𝐵)
𝐴 est appelé le dividende, 𝐵 le diviseur, 𝑄 le quotient et 𝑅 le reste.
Remarque: Si le reste est nul (R=0), on dit que A est divisible par B ou que B divise A
Pratique de la division Euclidienne :

A: 𝑋 5 + 2𝑋 4 + 3𝑋 3 + +1 𝑋3 − 𝑋 + 2
-B𝑄1: −𝑋 5 + 𝑋 3 − 2𝑋 2 𝑋 2 + 2𝑋 + 4

𝑅1 : 2𝑋 4 + 4 𝑋 3 − 2 𝑋 2 +1
-B𝑄2 : −2𝑋 4 + 2 𝑋 2 − 4𝑋

𝑅2 : 4 𝑋3 − 4𝑋 + 1
-B𝑄3 : −4𝑋 3 + 4𝑋 − 8

R : −𝟕

Cela veut dire que : 𝑋 5 + 2𝑋 4 + 3𝑋 3 + 1 = (𝑋 3 − 𝑋 + 2)(𝑋 2 + 2𝑋 + 4) − 7


On a 𝑅(𝑋) = −7 donc 𝑑°(𝑅) = 0 < 𝑑°(𝐵) = 3

4. Racines d'un polynôme

On étudie un polynôme 𝑃 de ℝ[𝑋] ou ℂ[𝑋] de degré 𝑛. 𝑎 est un nombre réel ou


complexe.

Définition 3 : 𝑎 est racine du polynôme 𝑃 si 𝑃(𝑎) = 0.

Propriété 1 : Si 𝑎 est racine de 𝑃, alors (𝑋 − 𝑎) divise 𝑃. On peut alors écrire :


𝑃 = (𝑋 − 𝑎)𝑄 où 𝑄 est un polynôme de degré 𝑛 − 1 et on peut donc mettre (𝑋 − 𝑎) en
facteur dans le polynôme 𝑃.

Définition 4 : 𝑎 est racine d'ordre 𝑘 du polynôme 𝑃 si 𝑃 = (𝑋 − 𝑎)𝑘 𝑄 et 𝑄(𝑎) ≠ 0.


𝑘 est l'ordre de multiplicité de la racine 𝑎.

Théorème 2 : 𝑎 est racine d'ordre 𝑘 de 𝑃 si et seulement si


𝑃(𝑎) = 0, 𝑃′ (𝑎) = 0, 𝑃′′ (𝑎) = 0, … … . , 𝑃 (𝑘−1) (𝑎) = 0 et 𝑃(𝑘) (𝑎) ≠ 0

Pour déterminer l'ordre de multiplicité d'une racine 𝑎, il suffit de calculer les dérivées
successives de 𝑃 en 𝑎, la première non nulle donne l'ordre de multiplicité.

Définition 5 : Un polynôme irréductible est un polynôme qui ne se factorise pas.

Tout polynôme se décompose de manière unique en produit de facteurs


irréductibles.
5. Factorisation d'un polynôme dans ℂ[𝐗] en produit de polynômes
irréductibles

Théorème 3 : Un polynôme de degré 𝑛 de ℂ[𝑿] possède n racines, comptées avec


leur ordre de multiplicité.

Conséquence : les polynômes irréductibles de ℂ[𝑿] sont les polynômes de degré 1.

Théorème 4 : Un polynôme de ℂ[𝑿] se factorise sous la forme


𝑘𝑝
𝑃(𝑋) = 𝑎(𝑋 − 𝑎1 )𝑘1 … … (𝑋 − 𝑎𝑝 )
où a est le coefficient dominant de P et 𝑎1 , … … , 𝑎𝑝 ses racines d'ordre k.

Exemple 4 : 𝑃(𝑧) = 𝑧 2 + 𝑧 + 1 . Ce polynôme de degré 2 est à discriminant


strictement négatif (∆= −3). Donc, il possède deux racines complexes conjuguées :
−1−𝑖√3 −1+𝑖√3 1+𝑖√3 −1+𝑖√3
𝑎= 𝑒𝑡 𝑎̅ = . On a alors : 𝑃(𝑧) = (𝑧 + ) (𝑧 − ).
2 2 2 2

6. Factorisation d'un polynôme dans ℝ[𝐗] en produit de polynômes


irréductibles

Propriété 2 : Si a est une racine complexe non réelle d'ordre k de P, alors 𝑎̅ est
aussi racine d'ordre k. En effet, 𝑃(𝑎̅) = ̅̅̅̅̅̅
𝑃(𝑎) = 0̅ = 0.

Conséquence : il y a toujours un nombre pair de racines complexes non réelles, donc


si 𝑃 est de degré impair il a au moins une racine réelle.

Théorème 5 : Les polynômes irréductibles de ℝ[𝑋] sont les polynômes de degré 1 et


les trinômes du second degré à discriminant strictement négatif.

Remarque : Les polynômes de degré 2 à discriminant strictement négatif possèdent


deux racines complexes conjuguées 𝑎 et 𝑎̅ : on a

(𝑋 − 𝑎)(𝑋 − 𝑎̅) = 𝑋 2 − (𝑎 + 𝑎̅)𝑋 + 𝑎𝑎̅ = 𝑋 2 − 2𝑅𝑒(𝑎)𝑋 + |𝑎|2


qui est à coefficients réels, ce qui montre qu'un polynôme à coefficients réels se
factorise dans ℂ[𝑿] mais pas dans ℝ[𝑋].

Théorème 6 : Un polynôme de ℝ[𝑋] se factorise sous la forme


𝑚𝑝
𝑃(𝑋) = 𝑎(𝑋 − 𝑎1 )𝑚1 … … (𝑋 − 𝑎𝑝 ) (𝑋 2 + 𝑏1 𝑋 + 𝑐1 )𝑛1 … … . (𝑋 2 + 𝑏𝑗 𝑋 + 𝑐𝑗 )𝑛𝑗

- 𝑎 est le coefficient dominant de 𝑃


- 𝑎1 … … 𝑎𝑝 ses racines réelles
- les trinômes de la forme 𝑋 2 + 𝑏𝑋 + 𝑐 admettent les racines complexes non
réelles conjuguées d'ordre 𝑛 de 𝑃.
En pratique : Pour trouver la factorisation sur ℝ[𝑋] d'un polynôme 𝑃(𝑥), on
commence par chercher des racines « évidentes » 𝑎 en tâtonnant (c'est-à-dire en
essayant pour 𝑥 les valeurs 0, 1, -1...). On effectue ensuite la division euclidienne de
𝑃(𝑥) par (𝑥 − 𝑎).

Exemple 5 : Factoriser 𝑃(𝑥) = 𝑥 4 + 2𝑥 3 − 𝑥 − 2 dans ℝ[𝑋] :


En tâtonnant on trouve 𝑃(1) = 0 𝑒𝑡 𝑃(−2) = 0
Donc (𝑥 − 1)(𝑥 + 2) = 𝑥 2 + 𝑥 − 2 divise 𝑃(𝑥) . On effectue ensuite la division
Euclidienne de 𝑃(𝑥) par (𝑥 2 + 𝑥 − 2) :

𝑷: 𝑥 4 + 2𝑥 3 −𝑥−2 𝑥2 + 𝑥 − 2
−𝑥 4 − 𝑥 3 + 2𝑥 2 𝑥2 + 𝑥 + 1

𝑥 3 + 2𝑥 2 − 𝑥 − 2
− 𝑥 3 − 𝑥 2 + 2𝑥

𝑥2 + 𝑥 − 2
− 𝑥2 − 𝑥 + 2

𝑅: 0

Soit : 𝑥 4 + 2𝑥 3 − 𝑥 − 2 = (𝑥 2 + 𝑥 − 2 ) (𝑥 2 + 𝑥 + 1 ) + 0
Ou encore : 𝑃(𝑥) = (𝑥 − 1)(𝑥 + 2)(𝑥 2 + 𝑥 + 1 ) : c’est la factorisation de 𝑃(𝑥) en
produit de polynômes irréductibles. En effet (𝑥 2 + 𝑥 + 1 ) est un trinôme à ∆< 0.

Remarques importantes :

 Ce n’est pas parce qu’un polynôme n’a pas de racine réelles qu’il n’est pas
factorisable dans ℝ[𝑋] !!

Exemple 6 : le polynôme 𝑃(𝑥) = 𝑥 4 + 1 n’a pas de racine dans ℝ. Mais :


𝑃(𝑥) = (𝑥 4 + 2𝑥 2 + 1) − 2𝑥 2 = (𝑥 2 + 1)2 − (√2𝑥)2 = (𝑥 2 − √2𝑥 + 1)(𝑥 2 + √2𝑥 + 1)

 Pour une équation algébrique à coefficients réels, le nombre de racine


complexe est toujours pair (2 à 2 conjuguées).

Exemple 7 : 𝑃(𝑥) = 𝑥 3 − 𝑥 2 + 𝑥 − 1 est à coefficients réels. En tâtonnant on


trouve: 𝑃(1) = 0. Donc 𝑃(𝑥) est divisible par(𝑥 − 1). On effectue ensuite la division
Euclidienne de 𝑃(𝑥) par ( 𝑥 − 1). On trouve : 𝑃(𝑥) = (𝑥 − 1)(𝑥 2 + 1). c’est la
factorisation de 𝑃(𝑥) dans ℝ[𝑋] en produit de polynômes irréductibles. En effet
(𝑥 2 + 1 ) est un trinôme de 2° degré à discriminant négatif. Mais dans ℂ[𝑿], on peut
continuer la factorisation en cherchant les racines de (𝑥 2 + 1). On a :
𝑥 2 + 1 = 0 ⇒ 𝑥 2 = −1 = 𝑖 2 ⇒ 𝑥 = 𝑖 𝑜𝑢 𝑥 = −𝑖 . Ainsi, 𝑃(𝑥) = (𝑥 − 1)(𝑥 − 𝑖)(𝑥 + 𝑖)
On remarque que le nombre de racines complexes est pair (=2). En plus, ces 2
racines sont conjuguées (𝑖 𝑒𝑡 – 𝑖).

 Une équation algébrique à coefficients réels dont le degré est impair possède
au moins une racine réelle.

Exemple précédent : 𝑃(𝑥) = 𝑥 3 − 𝑥 2 + 𝑥 − 1 est de degré impair (d°=3). Elle a


donc au moins une racine réelle qui est 𝑥 = 1.

7. Division selon les puissances croissantes

Nous utiliserons cette méthode avec parcimonie car sa preuve fait appel à deux
nombreux résultats d'arithmétique et que son utilisation est assez lourde. Nous la
découvrirons à travers un exemple.
Nous verrons dans la section suivante qu'il peut être utile d'écrire un polynôme A
sous la forme :
𝐴 = 𝐵𝑆 + 𝑋 𝑝+1 𝑇 𝑎𝑣𝑒𝑐 𝑑°(𝑆) ≤ 𝑝

le polynôme 𝐵 étant donné et devant être obligatoirement de valuation 0 (en gros, le


coefficient de 𝑋 0 est non nul).
Cela donne pour 𝐴 = 1 − 2𝑋 + 𝑋 3 + 𝑋 4 𝑒𝑡 𝐵 = 1 + 𝑋 + 𝑋 2 à 𝑙 ′ 𝑜𝑟𝑑𝑟𝑒 𝑝 = 2
𝐴 1 − 2𝑋 + 𝑋3 + 𝑋4 1 + 𝑋 + 𝑋2
𝐵𝑄1 1 + 𝑋 + 𝑋2 1 − 3𝑋 + 2𝑋 2
𝐴 − 𝐵𝑄1 − 3𝑋 − 𝑋 2 + 𝑋 3 + 𝑋 4
𝐵𝑄2 − 3𝑋 − 3𝑋 2 − 3𝑋 3
𝐴 − 𝐵𝑄1 − 𝐵𝑄2 2𝑋 2 + 4𝑋 3 + 𝑋 4
𝐵𝑄3 2𝑋 2 + 2𝑋 3 + 2𝑋 4
𝐴 − 𝐵𝑄1 − 𝐵𝑄2 − 𝐵𝑄3 2𝑋 3 − 𝑋 4
On a donc : 𝐴 = (1 − 3𝑋 + 2𝑋 2 )𝐵 + (2 − 𝑋)𝑋 3
B. Fractions rationnelles

1. Définitions

𝐴
Définition 6 : Une fraction rationnelle s'écrit 𝐹= où 𝐴 𝑒𝑡 𝐵 sont des
𝐵
polynômes. L'ensemble des fractions rationnelles à coefficients réels se note ℝ(𝑋) .
𝑋+5
Exemple 8 : La fraction rationnelle : 𝐹(𝑋) = (𝑋 2 −4)(𝑋−1)𝟑 admet −2 𝑒𝑡 2 comme
pôles simples ; 1 comme pôle d’ordre 3 𝑒𝑡 − 5 comme zéro.

Définition 7 : Si 𝐴 𝑒𝑡 𝐵 n'ont pas de racines en commun, F est dite irréductible.

2. Décomposition en éléments simples (DES) dans ℝ(𝐗)


𝐴
Soit 𝐹 = une fraction rationnelle irréductible.
𝐵

Partie entière et pôles de F

Définition 8 : Si 𝑑𝑒𝑔(𝐴) ≥ 𝑑𝑒𝑔(𝐵) alors le quotient de la division euclidienne de


𝐴 par 𝐵 est note 𝐸 : c'est la partie entière de 𝐹.
Si 𝑑𝑒𝑔(𝐴) < 𝑑𝑒𝑔(𝐵) alors 𝐸 = 0.
𝑅
On a 𝐴 = 𝐸 × 𝐵 + 𝑅 avec 𝑑𝑒𝑔(𝑅) < 𝑑𝑒𝑔(𝐵) et donc 𝐹 = 𝐸 + : on est ramené
𝐵
𝑅(𝑋)
à l'étude de la fraction rationnelle .
𝐵(𝑋)
𝑋 5 +𝑋 4 −𝑋 3 +𝑋−1
Exemple 9 : Soit la fraction rationnelle à coefficients réelles: 𝐹(𝑋) = 𝑋 3 +𝑋 2 +2

On a : 𝑋 5 + 𝑋 4 − 𝑋 3 + 𝑋 − 1 = (𝑋 3 + 𝑋 2 + 2)(𝑋 2 − 1) − (𝑋 2 − 𝑋 − 1)
(𝑋 3 +𝑋 2 +2)(𝑋 2 −1)−(𝑋 2 −𝑋−1) 𝑋 2 −𝑋−1 𝑅(𝑋)
Donc, 𝐹(𝑋) = = 𝑋 2 − 1 − 𝑋 3 +𝑋 2 +2 = 𝐸(𝑋) +
𝑋 3 +𝑋 2 +2 𝐵(𝑋)

Donc,𝐸 = 𝑝𝑎𝑟𝑡𝑖𝑒 𝑒𝑛𝑡𝑖è𝑟𝑒 𝑑𝑒 𝐹 = 𝑋 2 − 1 = 𝑄𝑢𝑜𝑡𝑖𝑒𝑛𝑡 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑖𝑜𝑛 𝐸𝑢𝑐𝑙𝑖𝑑𝑖𝑒𝑛𝑛𝑒 𝑑𝑒 𝐴/𝐵


𝑅(𝑋)
on est ramené finalement à l'étude de la fraction rationnelle .
𝐵(𝑋)

Définition 9: Si 𝑎 ∈ ℂ, a est appelé pôle d'ordre 𝑛 de 𝐹 si a est racine d'ordre 𝑛 de B

Décomposition en éléments simples (DES) de 𝑭:

Rappelons que dans ℝ(𝑋) , tout polynôme 𝐵 peut s’écrire sous forme dee produit de
facteurs irréductibles, c'est-à-dire :
𝐵(𝑋) = 𝑎(𝑋 − 𝑟1 )𝑚1 … . (𝑋 − 𝑟𝑝 )𝑚𝑝 (𝑋 2 + 𝑏1 𝑋 − 𝑐1 )𝑛1 … . (𝑋 2 + 𝑏𝑞 𝑋 − 𝑐𝑞 )𝑛𝑞

la décomposition en polynômes irréductibles de 𝐵. Les 𝒓𝒊 étant les pôles de F.


Définition 10 : On appelle éléments simples de première espèce relatifs aux
pôles 𝒓𝒊 , les 𝑚𝑖 fonctions rationnelles du type :
𝑨𝟏 𝑨𝟐 𝑨𝑚𝑖
, , … … . . ,
𝑋 − 𝑟𝑖 (𝑋 − 𝑟𝑖 )𝟐 (𝑋 − 𝑟𝑖 )𝑚𝑖
Où les 𝐴𝑘 sont des constantes réelles.

Définition 11 : On appelle éléments simples de seconde espèce relatifs aux


polynômes irréductibles 𝑋 2 + 𝑏𝑗 𝑋 − 𝑐𝑗 , les 𝑛𝑗 fonctions rationnelles du type :
𝐵1 𝑋 + 𝐶1 𝐵2 𝑋 + 𝐶2 𝐵𝑛𝑗 𝑋 + 𝐶𝑛𝑗
, , … … … ,
𝑋 2 + 𝑏𝑗 𝑋 + 𝑐𝑗 (𝑋 2 + 𝑏𝑗 𝑋 + 𝑐𝑗 )2 (𝑋 2 + 𝑏𝑗 𝑋 + 𝑐𝑗 )𝑛𝑗
Où les 𝐵𝑘 , 𝐶𝑘 sont des constantes réelles.
𝑅(𝑥) 𝑥 4 +𝑥 2 +1
Exemple 10 : Donnons les éléments simples de = (𝑥−5)(𝑥+4)𝟑
𝐵(𝑥) (𝑥 2 +2𝑥+2)𝟐
è𝑟𝑒
-éléments simples de 1 espèce :

 Le pôle 𝑥 = −4 de multiplicité
3 donne trois éléments simples :
𝑨𝟏 𝑨𝟐 𝑨3
, ,
𝑋+4 (𝑋+4)𝟐 (𝑋+4)3
 Le pôle 𝑥 = 5 de multiplicité 1
𝑩𝟏
donne un élément simple :
𝑋−5

-éléments de 2è𝑚𝑒 espèce : deux, associé au facteur irréductible 𝑥 2 + 2𝑥 + 2 :(∆< 0)


𝐷1 𝑋+𝐶1 𝐷2 𝑋+𝐶2
,
𝑋 2 +2𝑋+2 (𝑋 2 +2𝑋+2)2
Remarque : Il faut toujours vérifier que le dénominateur B(x) est décomposé en
produit de facteurs irréductibles.
𝑅(𝑋) 𝑥2 +1 𝑅(𝑋) 𝑥2 +1
Exemple 11 : Si = (𝑥−4)(𝑥2 −5𝑥+6) alors il faut l’écrire : 𝐵(𝑋) = (𝑥−4)(𝑥−3)(𝑥−2)
𝐵(𝑋)

𝐴(𝑋)
Théorème 7 : Soit 𝐹 (𝑋 ) = une fraction rationnelle irréductible. Alors :
𝐵(𝑋)
𝑅(𝑋)
1. Si 𝑑°(𝐴) ≥ 𝑑°(𝐵), 𝐹( 𝑋 ) = 𝐸 ( 𝑋 ) + avec 𝑑°(𝑅) < 𝑑°(𝐵) et 𝐸 la partie
𝐵(𝑋)
entière de 𝐹.
𝑅(𝑋)
2. se décompose de manière unique comme somme de tous les éléments
𝐵(𝑋)
𝑅(𝑋) 𝑨𝒊𝒌 𝐵𝑗𝑙 𝑋+𝐶𝑗𝑙
simples relatifs à 𝐵 : = ∑𝑖 ∑𝑘 + ∑𝑗 ∑𝑙
𝐵(𝑋) (𝑋−𝑟𝑖 )𝑘 (𝑋 +𝑏𝑗 𝑋+𝑐𝑗 )𝑙
2

𝑨 𝑨 𝑨
En énumérant : 𝐹(𝑋) = 𝐸(𝑋) + [𝑋−𝑟
𝟏
+ (𝑋−𝑟𝟐 )2 + ⋯ + (𝑋−𝑟𝒏 )𝑛]
1 1 1

+ ⋯ [𝑑𝑒 𝑚ê𝑚𝑒 𝑝𝑜𝑢𝑟 𝑙𝑒𝑠 𝑎𝑢𝑡𝑟𝑒𝑠 𝑝ô𝑙𝑒𝑠 𝑟é𝑒𝑙𝑠 𝑟2 , 𝑟3 . . ]


𝐵1 𝑋 + 𝐶1 𝐵2 𝑋 + 𝐶2 𝐵𝑚 𝑋 + 𝐶𝑚
+[ + + ⋯ + ]
𝑋 2 + 𝑏1 𝑋 + 𝑐1 (𝑋 2 + 𝑏1 𝑋 + 𝑐1 )2 (𝑋 2 + 𝑏1 𝑋 + 𝑐1 )𝑚
+[[𝑑𝑒 𝑚ê𝑚𝑒 𝑝𝑜𝑢𝑟 𝑙𝑒𝑠 𝑎𝑢𝑡𝑟𝑒𝑠 𝑝ô𝑙𝑒𝑠 𝑐𝑜𝑚𝑝𝑙𝑒𝑥𝑒𝑠]]
𝑅(𝑥) 𝑥 4 +𝑥 2 +1
Exemple précédent : Soit 𝐹(𝑥) = 𝐵(𝑥) = (𝑥−5)(𝑥+4)𝟑 (𝑥 2 +2𝑥+2)𝟐

La structure de la décomposition en éléments simples (DES) est donnée par :

𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝐵1 𝑥 + 𝐶1 𝐵2 𝑥 + 𝐶2
𝐹(𝑥) = + + 2
+ 3
+ 2 + 2
𝑥 − 5 𝑥 + 4 (𝑥 + 4) (𝑥 + 4) 𝑥 + 2𝑥 + 2 (𝑥 + 2𝑥 + 2)2

3. Pratique de la décomposition (DES):


𝐴
1. On écrit F sous forme irréductible .
𝐵
2. On détermine la partie entière 𝐸 de 𝐹 grâce à une division euclidienne de 𝐴
𝑅(𝑋) 𝑅
par . 𝐴𝑖𝑛𝑠𝑖, 𝐹(𝑋) = 𝐸(𝑋) + 𝐵(𝑋). On est ramené à déterminer la DES de ;
𝐵
3. On factorise B, ce qui donne les pôles réels de F avec leur ordre de
multiplicité ;
4. On écrit la structure de la DES de F avec des coefficients indéterminés ;

5. On cherche à réduire le nombre de coefficients à trouver en utilisant si


possible la parité de 𝐹 ∶ 𝐹(−𝑋) = 𝐹(𝑋) 𝑜𝑢 𝐹(−𝑋) = −𝐹(𝑋) ;

𝑅 𝑅 𝛼 𝑆
6. S’il y a un pôle simple r : = (𝑋−𝑟)𝑄 = 𝑋−𝑟 + 𝑄 (où 𝑄(𝑟) ≠ 0) alors :
𝐵
𝑅(𝑟)
 Le coefficient 𝛼 = ;
𝐵′ (𝑟)
𝑅(𝑟)
 Ou, en multipliant par (𝑋 − 𝑟) et en remplaçant 𝑋 𝑝𝑎𝑟 𝑟, on a : 𝛼 = 𝑄(𝑟)

𝑅 𝑅 𝑨 𝑨 𝑨 𝑆
7. S’il y a un pôle 𝑟 de multiplicité 𝑛: 𝟏
= (𝑋−𝑟)𝑛𝑄 = 𝑋−𝑟 𝟐
+ (𝑋−𝑟) 𝒏
2 + ⋯ + (𝑋−𝑟)𝑛 + 𝑄
𝐵
Pour déterminer le coefficient 𝐴𝑛 , on multiplie tout par (𝑋 − 𝑟)𝑛 , et on remplace
𝑅(𝑋) 𝑛
𝑋 𝑝𝑎𝑟 𝑟; Symboliquement, on écrit : 𝐴𝑛 = [𝐵(𝑋) (𝑋 − 𝑟) ] ;
𝑿=𝑟
𝑅 𝑅 𝐵 𝑋+𝐶 𝐵2 𝑋+𝐶2 𝐵𝑚 𝑋+𝐶𝑚 𝑆
8. Si = 2 𝑚 = 𝑋21+𝑏𝑋+𝑐
1
+ 2 + ⋯+ 2 𝑚 + , pour déterminer
𝐵 (𝑋 +𝑏𝑋+𝑐) 𝑄 2
(𝑋 +𝑏𝑋+𝑐) (𝑋 +𝑏𝑋+𝑐) 𝑄

les coefficients 𝐵𝑚 𝑒𝑡 𝐶𝑚 : on multiplie tout par (𝑋 2


+ 𝑏𝑋 + 𝑐) , 𝑚 étant la multiplicité 𝑚

des racines complexes conjuguées 𝑢 𝑒𝑡 𝑢̅ du trinôme, et on remplace X par 𝑢.

9. S'il reste des coefficients à déterminer, on peut toujours :


 remplacer 𝑋 par des valeurs différentes des pôles et obtenir un système
d'équations qui permettra d'obtenir les coefficients manquants. Ou alors
 tout multiplier par 𝑋 puis faire tendre 𝑋 vers +∞.
𝑋4 +𝑋3
Exemple 12 : Décomposer en éléments simples : 𝐹(𝑥) =
𝑋5 (𝑋−5)

1. F sous forme irréductible :


𝑋3 (𝑋 + 1) 𝑋+1
𝐹(𝑥) = =
𝑋 5 ( 𝑋 − 5) 𝑋 2 ( 𝑋 − 5)
2. Sa partie entière est nulle puisque 𝑑°(𝑋 + 1) < 𝑑°(𝑋2 (𝑋 − 5))
3. 𝐵 (𝑋 ) = 𝑋 2 (𝑋 − 5) est déjà factorisé : Les pôles sont 0 (d’ordre 2) et 5
(d’ordre 1). Pas d’éléments simples de seconde espèce.
𝑨𝟏 𝑨𝟐 𝑩
4. Structure de la DES de 𝐹 : 𝐹 (𝑥 ) = + +
𝑋 𝑋2 𝑋−5

5. Pas de parité ;
𝑋+1 1 𝑋+1 6
6. 𝐴2 = [𝑋 2 𝐹 ]𝑋=0 = [ ] =− 𝑒𝑡 𝐵 = [(𝑋 − 5)𝐹 ]𝑋=5 = [ ] =
(𝑋−5) 𝑋=0 5 𝑋2 𝑋=5 25

7. 𝑃𝑎𝑠 𝑑 ′ é𝑙é𝑚𝑒𝑛𝑡𝑠𝑑𝑒 𝑠𝑒𝑐𝑜𝑛𝑑𝑒 𝑒𝑠𝑝è𝑐𝑒


8. Pour trouver 𝐴1 : on multiplie tout par 𝑋 et on fait tendre 𝑋 vers +∞ :
𝑋+1 𝐴2 𝐵𝑋
lim 𝑋𝐹 (𝑋 ) = lim = lim 𝐴1 + +
𝑋→+∞ 𝑋→+∞ 𝑋(𝑋−5) 𝑋→+∞ 𝑋 𝑋−5
6
Soit : 0 = 𝐴1 + 0 + 𝐵 donc 𝐴1 = −𝐵 = −
25
6 1 6
− −
Conclusion : 𝐹 (𝑥 ) = 25
+ 5
+ 25
𝑋 𝑋2 𝑋−5

2
Exemple 13 : 𝐹(𝑥) = (𝑋+4)𝟐 (𝑋 2 +2𝑋+2)
𝐴 𝐵 𝐶𝑋+𝐷
Structure de la DES de F : 𝐹(𝑥) = 𝑋+4 + (𝑋+4)𝟐 + 2
𝑋 +2𝑋+2

(𝑋 + 4)(𝐶𝑋 + 𝐷) 2
[(𝑋 + 4)𝟐 𝑭]𝑋=−4 = [𝐴(𝑋 + 4) + 𝐵 + 2
] =[ 2 ]
𝑋 + 2𝑋 + 2 𝑋=−4 (𝑋 + 2𝑋 + 2) 𝑋=−4
1
Soit : 𝐵=
5

On multiplie tout par 𝑋 et on fait tendre 𝑋 vers +∞ :


2𝑋 𝐴𝑋 𝐵𝑋 𝐶𝑋 2 + 𝐷𝑋
lim 𝑋𝐹(𝑋) = lim = lim + +
𝑋→+∞ 𝑋→+∞ (𝑋 + 4)𝟐 (𝑋 2 + 2𝑋 + 2) 𝑋→+∞ 𝑋 + 4 (𝑋 + 4)𝟐 𝑋 2 + 2𝑋 + 2

2
Soit lim = 𝐴 + 0 + 𝐶 donc 𝐴 + 𝐶 = 0, ou encore 𝐶 = −𝐴,
𝑋→+∞ 𝑋 3
2 𝐴 𝐵 𝐶.0+𝐷
Pour 𝑋 = 0 : 𝐹(0) = (0+4)𝟐 (02 +2.0+2) = 0+4 + (0+4)𝟐 + 2
0 +2.0+2
1 𝐴 𝐵 𝐷 1
Soit : = + + donc 𝐴 + 2𝐷 = 5
16 4 16 2
2 𝐴 𝐵 −3𝐶+𝐷
Pour 𝑋 = −3 : 𝐹(−3) = (1)𝟐 (9−6+2) = 1 + (1)𝟐 + 9−6+2 soit : 5𝐴 − 3𝐶 + 𝐷 = 1
3
𝐴 = 25
𝐶 = −𝐴
1 3
𝐴 + 2𝐷 = 5 𝐶 = − 25
En résolvant le système : on trouve : 1
5𝐴 − 3𝐶 + 𝐷 = 1 𝐷 = 25
1
{ 𝐵= 5 1
{ 𝐵=5
3 1 3 1
− 𝑋+
D’où : 𝐹 (𝑥 ) = 25
+ 5
+ 25 25
𝑋+4 (𝑋+4)𝟐 𝑋 2 +2𝑋+2

Exemple 14 : Donner la décomposition en éléments simples de :


𝐴(𝑋) 2𝑋 6 + 3𝑋 5 − 3𝑋 4 − 3𝑋 3 − 3𝑋 2 − 18𝑋 − 5
𝐹(𝑥) = =
𝐵(𝑋) 𝑋 5 +𝑋 4 − 2𝑋 3 − 𝑋 2 − 𝑋 + 2
1. F est irréductible ;
2. En effectuant la division Euclidienne de A par B, on trouve :
𝑋 3 − 21𝑋 − 7
𝐹(𝑥) = 2𝑋 + 1 +
𝑋 5 +𝑋 4 − 2𝑋 3 − 𝑋 2 − 𝑋 + 2
𝑋 3 − 21𝑋 − 7
𝑂𝑛 𝑒𝑠𝑡 𝑟𝑎𝑚𝑒𝑛é à 𝑡𝑟𝑜𝑢𝑣𝑒𝑟 𝑙𝑎 𝐷𝐸𝑆 𝑑𝑒 𝐺(𝑋) =
𝑋 5 +𝑋 4 − 2𝑋 3 − 𝑋 2 − 𝑋 + 2
3. En tâtonnant on trouve : 𝐵 (−2) = 0 , 𝐵(1) = 0 𝑒𝑡 𝐵′(1) = 0 ,
donc B(X) est divisible par (𝑋 + 2)(𝑋 − 1)2 = 𝑋3 − 3𝑋 + 2
3. En effectuant la division Euclidienne de B par 𝑋 3 − 3𝑋 + 2, on trouve :
𝐵(𝑋) = (𝑋 + 2)(𝑋 − 1)2 (𝑋 2 + 𝑋 + 1) ;
4. Donc la structure de la DES de G est :
𝐴1 𝐴2 𝐴3 𝐵𝑋+𝐶
𝐺 (𝑋 ) = + + + (*)
𝑋−1 (𝑋−1)2 𝑋+2 𝑋 2 +𝑋+1

5. Pas de parité ;
6. Calcul de 𝐴3 : -2 est un pôle simple. En multipliant (*) par (x + 2) et en
remplaçant 𝑋 𝑝𝑎𝑟 − 2, on a :
𝑋3 −21𝑋−7
𝐴3 = [(𝑋 + 2)𝐺 (𝑋 )]𝑋=−2 = [(𝑋−1)2 ] =1;
(𝑋2 +𝑋+1) 𝑋=−2

7. Calcul des coefficients de multiplicité la plus élevée : A2


on multiplie (*) par (𝑋 − 1)2 et on remplace 𝑋 par 1. On obtient :

2
𝑋3 − 21𝑋 − 7
𝐴2 = [(𝑋 − 1) 𝐺 (𝑋 )]𝑋=1 = [ ] = −3
(𝑋 + 2)(𝑋2 + 𝑋 + 1) 𝑋=1
8. pour calculer B et C il faudrait ensuite multiplier par (𝑋2 + 𝑋 + 1) et
remplacer par une racine complexe de (𝑋2 + 𝑋 + 1) ; dans notre cas cette
méthode est longue. Il est préférable de remplacer directement par une valeur
particulières de 𝑋, différentes des pôles :
−7 𝐴3
pour 𝑋 = 0, on a : 𝐺(0) = 2
= −𝐴1 + 𝐴2 + 2
+ 𝐶. Soit : 𝐶 − 𝐴1 = −1
13 𝐴 𝐴2 𝐴1
pour 𝑋 = −1, on a : 𝐺(−1) = 4
= −21 + 4
+ 𝐴3 − 𝐵 + 𝐶. Soit : 𝐶 − 𝐵 − 2
=3
𝑋 4 −21𝑋2 −7𝑋 𝐴1 𝑋 𝐴 𝑋 𝐴 𝑋 𝐵𝑋 2 +𝐶𝑋
- lim 𝑋𝐺(𝑋) = lim 𝑋 5 +𝑋 4 −2𝑋 3 −𝑋 2 −𝑋+2 = lim 𝑋−1
2
+ (𝑋−1) 3
2 + 𝑋+2 + 𝑋 2 +𝑋+1
𝑋→+∞ 𝑋→+∞ 𝑋→+∞

Soit : 0 = 𝐴1 + 0 + 𝐴3 + 𝐵 ou encore 𝐴1 + 𝐵 = −1
𝐶 − 𝐴1 = −1 𝐶 = −1 + 𝐴1 𝐶=1
𝐴1 𝐴1
Cela donne le système suivant : {𝐶 − 𝐵 − = 3 ⇔ {𝐶 − 𝐵 − = 3 ⇔{ 𝐴1 = 2
2 2
𝐴1 + 𝐵 = −1 𝐵 = −1 − 𝐴 𝐵 = −3
1

Finalement, la DES de la fraction rationnelle F initiale est :


2 3 1 −3𝑋 + 1
𝐹(𝑥) = 2𝑋 + 1 + − 2
+ + 2
𝑋 − 1 (𝑋 − 1) 𝑋+2 𝑋 +𝑋+1
Série 2 : Polynômes et fractions rationnelles

Exercice 1 : Factoriser en produit de polynômes irréductibles dans ℝ[X]

𝐴(𝑋) = 𝑋 4 − 1, 𝐵(𝑋) = 2𝑋 3 + 5𝑋 2 − 3𝑋, 𝐶(𝑋) = 𝑋 6 + 2𝑋 4 + 2𝑋 2 + 1

Exercice 2: Décomposer en produit de facteurs irréductibles dans ℝ[X]

𝑃(𝑋) = 𝑋 8 + 𝑋 4 + 1 𝑄(𝑋) = 𝑋 6 + 1

Exercice 3 : 𝑛, 𝑚, 𝑝, 𝑞 ∈ ℕ, montrer que A est divisible par B :

𝐴(𝑥) = 𝑥 4𝑛+3 + 𝑥 4𝑚+2 + 𝑥 4𝑝+1 + 𝑥 4𝑞 , 𝐵(𝑥) = 𝑥 3 + 𝑥 2 + 𝑥 + 1

Exercice 4 : Soit 𝑃𝑛 (𝑥) = 𝑛𝑋 𝑛+2 − (𝑛 + 2)𝑋 𝑛+1 + (𝑛 + 2)𝑋 − 𝑛 (𝑛 ∈ ℕ∗ )

Montrer que 𝑃𝑛 est divisible par (𝑋 − 1)3 .

Exercice 5:

a) Effectuer la division Euclidienne de 3𝑋 5 + 4𝑋 2 + 1 par 𝑋 2 + 2𝑋 + 3

𝑏) Effectuons la division suivant les puissances croissantes de 𝐴 𝑝𝑎𝑟 𝐵

𝐴(𝑋) = −6 + 𝑋 + 0𝑋 2 − 7𝑋 3 + 0𝑋 4 + 𝑋 5 , 𝐵(𝑋) = −1 − 𝑋 + 𝑋 2 + 𝑋 3

Exercice 6 : Décomposer en éléments simples dans ℝ:


𝑥(𝑥 2 +3) 4𝑥 3
𝐹(𝑥) = 𝐺(𝑥) =
(𝑥 2 −1)2 𝑥 4 −1

Exercice 7 : Décomposer en éléments simples dans ℝ:


3 1 3𝑥 2 −8𝑥+6
𝐹(𝑥) = 𝐺(𝑥) = 𝐻(𝑥) =
𝑥 4 −27𝑥 𝑥 10 −𝑥 6 (𝑥−1)3

Exercice 8 : Décomposer en éléments simples dans ℂ:


𝑥
𝐹(𝑥) =
𝑥3 − 1
Exercice 9 : Décomposer en éléments simples dans ℝ :

𝑥2 + 1 𝑥2
𝐹(𝑥) = 2 𝐺(𝑥) =
(𝑥 − 1)(𝑥 2 − 4) (𝑥 − 1)(𝑥 − 2)3
Correction de la Série 2 : Polynômes et fractions rationnelles

Exercice 2 :

(𝒂) P n’a pas de racine réelle, car en posant 𝑌 = 𝑋 4 , on a : 𝑃 = 𝑌 2 + 𝑌 + 1


qui a un discriminant ∆< 0. P se décompose donc en produit de trinômes
du second degré à coefficients réels, et n’ayant pas de racines réelles.

𝑋 8 + 1 = (𝑋 8 + 2𝑋 4 + 1) − 2𝑋 4 = (𝑋 4 + 1)2 − 2𝑋 4

Donc 𝑃(𝑋) = (𝑋 4 + 1)2 − 𝑋 4 = (𝑋 4 − 𝑋 2 + 1)(𝑋 4 + 𝑋 2 + 1)

De façon analogue :

𝑋 4 − 𝑋 2 + 1 = (𝑋 2 + 1)2 − 3𝑋 2 = (𝑋 2 − √3𝑋 + 1)(𝑋 2 + √3𝑋 + 1)

et 𝑋 4 + 𝑋 2 + 1 = (𝑋 2 + 1)2 − 𝑋 2 = (𝑋 2 − 𝑋 + 1)(𝑋 2 + 𝑋 + 1)

Donc, 𝑃(𝑋) = (𝑋 2 − 𝑋 + 1)(𝑋 2 + 𝑋 + 1)(𝑋 2 − √3𝑋 + 1)(𝑋 2 + √3𝑋 + 1)

(b) 𝑄(𝑋) = 𝑋 6 + 1 = (𝑋 2 )3 + 13 = (𝑋 2 + 1)(𝑋 4 − 𝑋 2 + 1)


= (𝑋 2 + 1)((𝑋 2 + 1)2 − 3𝑋 2 )
= (𝑋 2 + 1)(𝑋 2 − √3𝑋 + 1)(𝑋 2 + √3𝑋 + 1).

Exercice 3 : On calcule

𝐴 − 𝐵 = (𝑥 4𝑛+3 − 𝑥 3 ) + (𝑥 4𝑚+2 − 𝑥 2 ) + (𝑥 4𝑝+1 − 𝑥) + (𝑥 4𝑞 − 1)

= 𝑥 3 (𝑥 4𝑛 − 1) + 𝑥 2 (𝑥 4𝑚 − 1) + 𝑥(𝑥 4𝑝 − 1) + (𝑥 4𝑞 − 1)

On sait que: 𝑥 4𝑛 − 1 = (𝑥 4 )𝑛 − 1𝑛 = (𝑥 4 − 1)[𝑥 4(𝑛−1) + 𝑥 4(𝑛−2) + ⋯ + 1]

On retrouve une formule analogue pour 𝑥 4𝑚 − 1, 𝑥 4𝑝 − 1 𝑒𝑡 𝑥 4𝑞 − 1.

Donc (𝑥 4 − 1) divise 𝑥 4𝑛 − 1, 𝑥 4𝑚 − 1, 𝑥 4𝑝 − 1 𝑒𝑡 𝑥 4𝑞 − 1.

On en conclut que (𝑥 4 − 1) divise 𝐴 − 𝐵.

Or , 𝑥 4 − 1 = (𝑥 − 1)(𝑥 3 + 𝑥 2 + 𝑥 + 1) = (𝑥 − 1)𝐵(𝑥)

Donc , 𝐵(𝑥) divise (𝑥 4 − 1), qui, à son tour, divise 𝐴 − 𝐵. Donc 𝐵(𝑥)
divise (𝐴 − 𝐵)(𝑥). En d’autre terme, il existe un polynôme P tel que :
𝐴(𝑥) − 𝐵(𝑥) = 𝐵(𝑥)𝑃(𝑥) ⇔ 𝐴(𝑥) = 𝐵(𝑥) + 𝐵(𝑥)𝑃(𝑥) = 𝐵(𝑥)(1 + 𝑃(𝑥)).

Donc 𝐵(𝑥) divise 𝐴(𝑥).

Exercice 4 : Soit 𝑃𝑛 (𝑋) = 𝑛𝑋 𝑛+2 − (𝑛 + 2)𝑋 𝑛+1 + (𝑛 + 2)𝑋 − 𝑛 (𝑛 ∈ ℕ∗ )

Il s’agit de montrer que 1 est racine d’ordre supérieur ou égal à 3 de Pn .

𝑃𝑛 (1) = 𝑛 − (𝑛 + 2) + (𝑛 + 2) − 𝑛 = 0.

𝑃𝑛′ (𝑋) = 𝑛(𝑛 + 2)𝑋 𝑛+1 − (𝑛 + 1)(𝑛 + 2)𝑋 𝑛 + (𝑛 + 2)

𝑃𝑛′ (1) = 𝑛(𝑛 + 2) − (𝑛 + 1)(𝑛 + 2) + (𝑛 + 2) = (𝑛 + 2)(𝑛 − 𝑛 − 1 + 1) = 0

𝑃𝑛′′ (𝑋) = 𝑛(𝑛 + 2)(𝑛 + 1)𝑋 𝑛 − 𝑛(𝑛 + 1)(𝑛 + 2)𝑋 𝑛−1

𝑃𝑛′′ (1) = 𝑛(𝑛 + 2)(𝑛 + 1) − 𝑛(𝑛 + 1)(𝑛 + 2) = 0

Par conséquent, 1 est racine de Pn d’ordre supérieur ou égal à 3 et Pn est


divisible par (𝑋 − 1)3 .

Exercice 5 :

𝑎) Effectuons la division Euclidienne de :

3𝑋 5 + 0𝑋 4 + 0𝑋 3 + 4𝑋 2 + 0𝑋 + 1 𝑋 2 + 2𝑋 + 3

−3𝑋 5 − 6𝑋 4 − 9𝑋 3 3𝑋 3 − 6𝑋 2 + 3𝑋 + 16

−6𝑋 4 − 9𝑋 3 + 4𝑋 2 + 0𝑋 + 1

+6𝑋 4 + 12𝑋 3 + 18𝑋 2

3𝑋 3 + 22𝑋 2 + 0𝑋 + 1

−3𝑋 3 − 6𝑋 2 − 9𝑋

16𝑋 2 − 9𝑋 + 1

−16𝑋 2 − 32𝑋 − 48

−41𝑋 − 47
𝑏) Effectuons la division suivant les puissances croissantes de 𝐴 𝑝𝑎𝑟 𝐵

−6 + 𝑋 + 0𝑋 2 − 7𝑋 3 + 0𝑋 4 + 𝑋 5 − 1 − 𝑋 + 𝑋2 + 𝑋3
+6 + 6𝑋 − 6𝑋 2 − 6𝑋 3 6 − 7𝑋 + 13𝑋 2
7𝑋 − 6𝑋 2 − 13𝑋 3 + 0𝑋 4 + 𝑋 5
−7𝑋 − 7𝑋 2 + 7𝑋 3 + 7𝑋 4

−13𝑋 2 − 6𝑋 3 + 7𝑋 4 + 𝑋 5

+13𝑋 2 + 13𝑋 3 − 13𝑋 4 − 13𝑋 5

7𝑋 3 − 6𝑋 4 − 12𝑋 5

Exercice 9 : Décomposons en éléments simples dans ℝ :


𝑥 2 +1
𝑎)𝐹(𝑥) = (𝑥 2 : La fraction 𝐹 est écrite sous forme irréductible : ses
−1)(𝑥 2 −4)
pôles sont simples et valent 1, −1, 2 𝑒𝑡 − 2. La décomposition formelle de
𝑎 𝑏 𝑐 𝑑
la fraction est alors : 𝐹(𝑥) = + + + . Comme 𝐹 est paire,
𝑥−1 𝑥+1 𝑥−2 𝑥+2
𝑎 𝑏 𝑐 𝑑 𝑎 𝑏 𝑐 𝑑
𝐹(−𝑥) = 𝐹(𝑥) ⇔ − − − − = + + +
𝑥+1 𝑥−1 𝑥+2 𝑥−2 𝑥−1 𝑥+1 𝑥−2 𝑥+2
d’après l’unicité de la décomposition de 𝐹, 𝑏 = −𝑎 𝑒𝑡 𝑑 = −𝑐.
𝑥 2 +1 1
[(𝑥 − 1)𝐹(𝑥)]𝑥=1 = [
(𝑥+1)(𝑥 2
] = 𝑎 soit 𝑎 = −
−4) 𝑥=1 3
𝑥 2 +1 5
[(𝑥 − 2)𝐹(𝑥)]𝑥=2 = [
(𝑥+2)(𝑥 2
] = 𝑐 soit 𝑐 =
−1) 𝑥=2 12
1 1 1 1 5 1 5 1
Finalement, 𝐹(𝑥) = − + + − .
3 𝑥−1 3 𝑥+1 12 𝑥−2 12 𝑥+2
𝑥2
b) 𝐺(𝑥) = : 𝐺 admet 2 pour pôle de multiplicité 3. La
(𝑥−1)(𝑥−2)3
𝑎 𝑏 𝑐 𝑑
décomposition formelle de 𝐺 est: 𝐺(𝑥) = + + +
𝑥−1 𝑥−2 (𝑥−2)2 (𝑥−2)3
Afin d’éviter des calculs fastidieux, on pose 𝑦 = 𝑥 − 2, soit 𝑥 = 𝑦 + 2 et
𝑦 2 +4𝑦+4
𝐺= . Ensuite on divise, suivant les puissances croissantes
(𝑦+1)𝑦 3
(4 + 4𝑦 + 𝑦 2 ) 𝑝𝑎𝑟 (1 + 𝑦). On trouve :
𝑦 2 +4𝑦+4 𝑦3
𝑦 2 + 4𝑦 + 4 = (𝑦 + 1)(𝑦 2 + 4) − 𝑦 3 . Soit, = 𝑦2 + 4 −
𝑦+1 𝑦+1
𝑦3
𝑦 2 +4𝑦+4 𝑦 2 +4− 1 4 1 1 4 1
𝑦+1
Ou encore : 𝐺 = = = + − = + −
(𝑦+1)𝑦 3 𝑦3 𝑦 𝑦3 𝑦+1 𝑥−2 (𝑥−2)3 𝑥−1
Chapitre 3
Déterminant

A. Introduction et définitions

La résolution d’un certain nombre de problèmes de mathématique, d’économie, de


physique, de chimie... se ramène à des manipulations sur les matrices.

1. Définition d’une matrice :

Définition 1 : Une matrice réelle est un tableau dont les éléments (ou les
coefficients) sont des réels.
Si 𝒏 est le nombre de lignes et 𝒑 le nombre de colonnes de ce tableau, on dit que la
matrice est une matrice (de taille) 𝑛 × 𝑝 et on note 𝑀𝑛,𝑝 (ℝ) l’ensemble des matrices
réelles, de taille 𝑛 × 𝑝.
Le coefficient situé à la i-ème ligne et à la j-ème colonne est noté 𝑎𝑖,𝑗 .
Un tel tableau est représenté de la manière suivante :
𝑎1,1 𝑎1,2 𝑎1,3 … 𝑎1,𝑝
𝑎2,1 𝑎2,2 𝑎2,3 … 𝑎2,𝑝
𝐴=( …….. ) 𝑜𝑢 𝐴 = (𝑎𝑖,𝑗 ) 1≤𝑖≤𝑛 𝑜𝑢 (𝑎𝑖,𝑗 )
1≤𝑗≤𝑝
𝑎𝑛,1 𝑎𝑛,2 𝑎𝑛,3 … 𝑎𝑛,𝑝
Si 𝒏 = 𝒑, on dit que la matrice est carrée et on note 𝑀𝑛 (ℝ) l’ensemble 𝑀𝑛,𝑛 (ℝ) des
matrices carrées de taille 𝑛 × 𝑛. Une telle matrice est représentée par :
𝑎1,1 𝑎1,2 𝑎1,3 … 𝑎1,𝑛
𝑎2,1 𝑎2,2 𝑎2,3 … 𝑎2,𝑛
𝐴=( …….. ) : matrice carrée d’ordre 𝑛.
𝑎𝑛,1 𝑎𝑛,2 𝑎𝑛,3 … 𝑎𝑛,𝑛

5 2 4
Exemple 1 : (1 2 3) est une matrice de taille 3 × 3.
7 1 8

2. Déterminant d’une matrice carrée :

Soit une matrice carrée 𝐴 d’ordre 𝑛. On appelle déterminant de cette matrice, le


déterminant de ses 𝑛 « vecteurs colonnes » 𝑉𝑖 (𝑎𝑖1 , 𝑎𝑖2 , … . . , 𝑎𝑖𝑛 ) (ou de ses 𝑛
« vecteurs-lignes » 𝑈𝑗 (𝑎1𝑗 , 𝑎2𝑗 , … . . , 𝑎𝑛𝑗 )).
Le déterminant est un nombre réel représenté par la notation :
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
det(𝐴) = | … … … … … … … . . |
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛

L’interprétation géométrique de la valeur absolue de ce déterminant est simple et


importante: c’est le “volume” du parallélépipède engendré par les vecteurs 𝑉1 , 𝑉2 … 𝑉𝑛 :

 Dans ℝ2 , on a : | 𝒅𝒆𝒕(𝑽𝟏 , 𝑽𝟐 )| = aire hachurée

Le déterminant est nul si et seulement si les deux vecteurs sont colinéaires


(le parallélogramme devient une ligne).
 Dans ℝ3 , on a : | 𝐝𝐞𝐭(𝑽𝟏 , 𝑽𝟐 , 𝑽𝟑 )| | = volume du parallélépipède.

Avec cette interprétation, il est clair que le déterminant s’annule si et seulement si


le parallélépipède est “plat”, c’est-à-dire si les vecteurs 𝑉1 , 𝑉2 … 𝑉𝑛 sont liés. Le signe
du déterminant est plus subtil et correspond à l’orientation de l’espace.

B. Calcul du déterminant d’une matrice carrée

Le calcul du déterminant aura de nombreuses applications, aussi bien en algèbre


qu’en analyse : critère d’inversibilité d’une matrice carrée, calcule du rang d’une
matrice, étude des systèmes linéaires, géométrie, formule de changement de variable
dans les intégrales multiples. ..

1. Développement d’un déterminant suivant une rangée :

Nous allons définir le déterminant de façon récursive :

1. Ordre 1 : 𝐴 = (𝑎11 ), alors det(𝐴) = |𝐴| = 𝑎11


𝑎11 𝑎12 𝑎11 𝑎12
2. Ordre 2 : 𝐴 = (𝑎 𝑎22 ), alors det(𝐴) = |𝑎21 𝑎22 | = 𝑎11 𝑎22 − 𝑎21 𝑎12
21

3. Ordre n : On suppose construit le déterminant d’une matrice d’ordre 𝑛 − 1.


Nous allons voir comment définir le déterminant d’une matrice d’ordre 𝑛.

Définition 2 : Soit 𝑎𝑘𝑙 un élément de 𝐴. On appelle mineur de 𝐴 relatif à 𝑎𝑘𝑙 , et on


note ∆𝑘𝑙 , le déterminant d’ordre 𝑛 − 1 de la matrice obtenue à partir de 𝐴 en
supprimant la ligne 𝑘 et la colonne 𝑙.
 On peut alors, pour chaque ligne 𝒊, effectuer le développement par rapport à
la ligne 𝑖 : ∑𝑛𝑗=1(−1)𝑖+𝑗 𝑎𝑖𝑗 ∆𝑖𝑗

et pour chaque colonne j, effectuer le développement par rapport à la colonne j

∑𝑛𝑖=1(−1)𝑖+𝑗 𝑎𝑖𝑗 ∆𝑖𝑗


On peut alors montrer qu’on obtient toujours le même résultat, qu’on définit alors
comme le déterminant de la matrice 𝐴, et qu’on notera det(𝐴) ou |𝐴|.

Applications 2 : Calcul d’un déterminant d’ordre 3 :


𝑎11 𝑎12 𝑎13 𝑎11 𝑎12 𝑎13
a) Soit 𝐴 = (𝑎21 𝑎22 𝑎23 ), alors det(𝐴) = |𝑎21 𝑎22 𝑎23 |
𝑎31 𝑎32 𝑎33 𝑎31 𝑎32 𝑎33
Effectuons le développement suivant la 1ère colonne :
𝑎22 𝑎23 𝑎12 𝑎13 𝑎12 𝑎13
Soit : det(𝐴) = 𝑎11 |𝑎 𝑎33 | − 𝑎21 |𝑎32 𝑎33 | + 𝑎31 |𝑎22 𝑎23 |
32

ou det(𝐴) = 𝑎11 (𝑎22 𝑎33 − 𝑎23 𝑎32 ) − 𝑎21 (𝑎12 𝑎33 − 𝑎32 𝑎13 ) + 𝑎31 (𝑎12 𝑎23 − 𝑎22 𝑎13 )

Tel que décrit précédemment, le déterminant de la matrice A a été calculé en


développant par rapport à la première colonne. On prend successivement les
éléments de cette colonne en leur affectant alternativement les signes + ou -. Et
ensuite on calcule le déterminant de la matrice obtenue en éliminant la ligne et la
colonne de l’élément considéré. On voit donc bien apparaître la loi de récurrence pour
calculer les déterminants des matrices de dimensions supérieures à 2.
1 0 −1
b) On souhaite calculer le déterminant de la matrice 𝐶 = ( 2 1 0)
−2 0 1
 Effectuons le développement suivant la 1 ligne :
ère

1 0 2 0 2 1
det(𝐶) = 1. | | − 0. | | + (−1). | |
0 1 −2 1 −2 0
soit, en calculant chaque déterminant d’ordre 2 avec la formule en croix :
|𝐶| = 1 − 0 − 2 = −1
 Mais on aurait pu développer par rapport à la 2 ème colonne :
1 −1
|𝐶| = −0. | 2 0
| + 1. |
1 −1
| − 0. | | = 0 + (−1) − 0 = −1
−2 1 −2 1 2 0
Remarque importante : Il est plus facile de développer par rapport à une ligne ou
une colonne contenant beaucoup de zéros.

2. Déterminent d’ordres 3 - Règle de Sarrus :

Pour les matrices 3x3, il existe une règle simplifiée pour le calcul du déterminent. Il
s’agit de la règle de Sarrus On écrit à droite de la matrice ses deux premières
colonnes et on additionne les produits obtenus en multipliant les éléments sur les
diagonales, pris avec le signe + pour les produits qui sont parallèles à la diagonale
principale et avec le signe – pour les autres.
𝑎11 𝑎12 𝑎13 𝑎11 𝑎12
det(𝐴) = |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

1 0 −1 1 0
Exemple précédent 3 : det(𝐶) = | 2 1 0| 2 1
−2 0 1 −2 0
det(𝐶) = 1.1.1 + 0.0. (−2) + (−1). 2.0 − (−2). 1. (−1) − 0.0.1 − 1.2.0 = −1

1. Cas particuliers

● Le déterminant d’une matrice triangulaire est égal au produit des éléments de


la diagonale principale :
𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑛
0 𝑎22 𝑎23 … 𝑎2𝑛
| …….. | = 𝑎11 . 𝑎22 … . . . 𝑎𝑛𝑛 = ∏ 𝑎𝑖𝑖
0 0 0 … 𝑎𝑛𝑛 𝑖=1

● Le déterminant d’une matrice diagonale est égal au produit des éléments de la


diagonale principale :
𝑎11 0 0 …0 𝑛
0 𝑎22 0 …0
| | = 𝑎11 . 𝑎22 … . . . 𝑎𝑛𝑛 = ∏ 𝑎𝑖𝑖
… … ..
𝑖=1
0 0 0 … . 𝑎𝑛𝑛
𝟏 𝟓 𝟐 𝟑𝟏
𝟎 𝟒 𝟔 𝟒𝟓
Exemple 2 : | | = 𝟏. 𝟒. 𝟑. 𝟐 = 𝟐𝟒
𝟎 𝟎 𝟑 𝟐𝟏
𝟎 𝟎 𝟎 𝟐

C. Propriétés des déterminants

Les propriétés suivantes permettent de faciliter les calculs d’un déterminant en


faisant apparaître des zéros..

Les propriétés des déterminants permettent d’énoncer les règles suivantes :

 Le déterminant du produit de deux matrice est égale au produit de leurs


déterminants :
det(𝐴. 𝐵) = det(𝐴) . det(𝐵)
1 2 5 2
𝐴=( ), 𝐵 = ( ): det(𝐴𝐵) = det(𝐴) . det(𝐵) = (4 − 6). (10 − 0) = −20
3 4 0 2
 Le déterminant d’une matrice carrée est égal à celui de sa matrice transposée
det(𝐴𝑡 ) = det(𝐴)
1 2 1 3
𝐴=( ), donc 𝐴𝑡 = ( ) et on a : det(𝐴𝑡 ) = det(𝐴) = −2
3 4 2 4

 L’échange de deux colonnes d’un déterminant multiplie ce déterminent par -1:

det(𝑪𝟏 , 𝑪𝟐 , 𝐶3 … 𝐶𝑛 ) = − det( 𝑪𝟐 , 𝑪𝟏 , 𝐶3 … 𝐶𝑛 )

1 2 3 4
𝐴=( ), B= ( ) : det(𝐵) = 2 et det(𝐴) = −2. 𝑂𝑛 𝑎 det(𝐵) = − det(𝐴)
3 4 1 2
 Si l’on multiplie tous les éléments d’une colonne par 𝛌, le déterminant est
multiplié par 𝛌 :
det(𝐶1, … 𝛌𝑪𝒊 , … 𝐶𝑛) = 𝛌 det( 𝐶1, … 𝑪𝒊 , … 𝐶𝑛)
4 1 4 2
𝐴=( ), B= ( ) det(𝐴) = 3, det(𝐵) = 6 𝑒𝑡 𝑜𝑛 𝑎 det(𝐵) = 2 det(𝐴)
5 2 5 4
 Si l’on multiplie par 𝛌 tous les coefficients d’une matrice 𝑛 × 𝑛 , le
déterminant est multiplié par 𝛌𝒏 :
det( 𝛌 𝐴)= 𝛌𝒏 det(𝐴)
4 1 8 2
𝐴=( ),𝐵 = ( ) , det(𝐴) = 5 , det(𝐵) = 20 𝑒𝑡 𝑜𝑛 𝑎 det(𝐵) = 22 det(𝐴)
3 2 6 4
 La valeur d’un déterminant est inchangée si l’on ajoute à une colonne
(affectée du coefficient multiplicatif 1) une combinaison linéaire des autres
colonnes:
det(𝐶1, 𝐶2 , … 𝑪𝒏) = det( 𝐶1, 𝐶2, … , 𝑪𝒏 + 𝛌𝐂𝟏) = det( 𝐶1, 𝐶2, … , 𝑪𝒏 + 𝛌𝐂𝟏 + 𝛂𝐂𝟐)
𝐶1 𝐶2 𝐶1 𝐶2 + 4𝐶1
4 1 4 13 4 1 4 13
| |=5 𝑒𝑡 | |=5 𝑑𝑜𝑛𝑐 | |=| |
3 2 3 11 3 2 3 11
La valeur d’un déterminant est nulle dans les cas suivants :

 Un déterminant dont une colonne est formée de 0 est nul :


1 0 5 4
3 0 2 6
det(𝐶1, . .0. . 𝐶𝑛) = 0 : | | = 0 𝑐𝑎𝑟 𝐶2 = 0
5 0 1 2
1 0 6 9
 Un déterminant qui a deux colonnes égales est nul :
1 2 1
det(𝐶1, 𝐶1, 𝐶3. . 𝐶𝑛) = 0 : |4 3 4| = 0 𝑐𝑎𝑟 𝐶1 = 𝐶3
7 9 7
 Un déterminant qui a deux colonnes proportionnels est nul :
1 3𝑎 8
det(𝐶1, λ𝐶1, 𝐶3. . 𝐶𝑛) = 0 : |2 6𝑎 7| =0 𝑐𝑎𝑟 𝐶2 = 3𝑎 𝐶1
3 9𝑎 1
 Un déterminant dont une colonne est combinaison linéaire des autres
colonnes est nul :
1 3 7
det(𝐶1, 𝐶2, . . . , 𝑪𝒏 = 𝛌𝐂𝟏 + 𝛂𝐂𝟐) = 0: |2 − 1 0| = 0 𝑐𝑎𝑟 𝐶3 = 𝐶1 + 2𝐶2
5 4 13
Remarques importantes :

i. Toutes ces propriétés sont aussi valables en remplaçant les colonnes par les
lignes.
ii. Avant de développer un déterminant par rapport aux éléments d’une rangée
(ligne ou colonne), on peut essayer de le simplifier en appliquant les propriétés
énoncées précédemment :
● Par combinaison linéaires de lignes et de colonnes, on peut essayer de faire
apparaître un facteur commun à tous les éléments d’une rangée et le mettre en
facteur du déterminant,

● Par combinaison linéaires de lignes et de colonnes, on peut essayer de faire


apparaître un ou plusieurs zéros parmi les éléments d’une rangée : il est alors
judicieux de développer le déterminant par rapport à la rangée comportant le plus de
zéros.
Série 3 : Déterminants

2 1 1
Exercice 1 : Calculer de plusieurs façons le déterminant : 𝐷 = |0 5 −2|.
1 −3 4
Exercice 2 : Calculer les déterminants suivants :

1 4 8 3 4 5 28 25 38
𝐴 = |−2 1 5|, 𝐵=| 1 2 3 |, 𝐶 = |42 38 65|
−3 2 4 −2 5 −4 56 47 83
Exercice 3: Calculer les déterminants suivants :

−4 1 1 1 1
3 3 9 1 1 2 3 4
1 −4 1 1 1
| 2 3 5 1 −2 1 − 4 3
𝐼=|1 1 − 4 1 1 ||, 𝐽=| |, 𝐾=| |
0 0 4 0 3 −4 −1 2
1 1 1 −4 1
3 8 7 2 4 3 −2 −1
1 1 1 1 −4
Exercice 4: Calculer les déterminants suivants :

𝛼 1 1 1
1 𝑎 𝑏+𝑐 1 1 1
1 𝛼 1 1
∇(𝛼) = | |, ∆= |1 𝑏 𝑎 + 𝑐 |, ∅ = |𝑏 + 𝑐 𝑐+𝑎 𝑎 + 𝑏|
1 1 𝛼 1
1 𝑐 𝑎+𝑏 𝑏𝑐 𝑎𝑐 𝑎𝑏
1 1 1 𝛼
1 0 1
Exercice 5 : Calculer le déterminant 𝐴1 = |2 3 −1|, puis en déduire :
0 4 1
0 4 1 2 0 1 0 4 1 1 0 1
𝐴2 = |1 0 1 |, 𝐴3 = |4 9 −1|, 𝐴4 = |4 6 −2|, 𝐴5 = | 2 3 −1|
2 3 −1 0 12 1 1 0 1 −4 −2 3
Exercice 6 : Calculer les déterminants suivants (sans développer le calcul):

1 25 −3 1 −2 0 1 28 70
𝐴 = |3 41 −9 |, 𝐵 = |2 1 5 |, 𝐶 = |0 5 95|
5 59 −15 3 4 10 0 0 3
Solution de la série 3 : Déterminants

Exercice 1 : voir T.D. en classe.

Exercice 2 :

1 4 8 1 4 8 − 2.4 1 4 0
1 4
𝐴 = |−2 1 5| = |−2 1 5 − 2.1| = |−2 1 3| = −3 | | = −3(14) = −42
−3 2
−3 2 4 −3 2 4 − 2.2 −3 2 0
3 4 5 3 − 3.1 4 − 3.2 5 − 3.3
𝐵=| 1 2 3 |=| 1 2 3 |
−2 5 −4 −2 + 2.1 5 + 2.2 −4 + 2.3
0 −2 −4
−2 −4
= |1 2 3 | = −| | = −32.
9 2
0 9 2
Pour le déterminant C (voir T.D. en classe).

Exercice 3 :

3 3 9 1
3 3 1 3−2 3−3 1−1 3 0 0
2 3 5 1 3 1
𝐽=| | = 4 |2 3 1| = 4 | 2 3 1 | = 4 |2 3 1| = 12 | | = −24
0 0 4 0 8 2
3 8 2 3 8 2 3 8 2
3 8 7 2
1 2 3 4 1 0 0 0
5 2 11
−2 1 − 4 3 −2 5 2 11
𝐾=| |=| | = 1 |−10 −10 −10|
3 −4 −1 2 3 − 10 − 10 − 10
−5 −14 −17
4 3 −2 −1 4 − 5 − 14 − 17
5 2 11 3 2 9 1 2 3
1 3
𝐾 = 10 |1 1 1 | = 10 | 0 1 0| = 10.3.3 | 0 1 0| = 90 | | = 900.
−3 1
5 14 17 −9 14 3 −3 14 1
Exercice 4 : Calculons les déterminants :

𝛼 1 1 1 𝛼+1+1+1 1 1 1 𝛼+3 1 1 1
1 𝛼 1 1 1+𝛼+1+1 𝛼 1 1 𝛼+3 𝛼 1 1
∆(𝛼) = | |=| |=| |
1 1 𝛼 1 1+1+𝛼+1 1 𝛼 1 𝛼+3 1 𝛼 1
1 1 1 𝛼 1+1+1+𝛼 1 1 𝛼 𝛼+3 1 1 𝛼
1 1 1 1 1 0 0 0
1 𝛼 1 1 1 𝛼−1 0 0
∆(𝛼) = (𝛼 + 3) | | = (𝛼 + 3) | | = (𝛼 + 3)(𝛼 − 1)3 .
1 1 𝛼 1 1 0 𝛼−1 0
1 1 1 𝛼 1 0 0 𝛼−1
1 1 1 1 0 0
∅ = |𝑏 + 𝑐 𝑐+𝑎 𝑎 + 𝑏 | = |𝑏 + 𝑐 𝑎−𝑏 𝑎−𝑐 |
𝑏𝑐 𝑎𝑐 𝑎𝑏 𝑏𝑐 𝑐(𝑎 − 𝑏) 𝑏(𝑎 − 𝑐)
1 1
= (𝑎 − 𝑏)(𝑎 − 𝑐) | | = (𝑎 − 𝑏)(𝑎 − 𝑐)(𝑏 − 𝑐).
𝑐 𝑏
Chapitre 4
Systèmes d’équations linéaires

A. Introduction

L’algèbre linéaire est un outil essentiel pour toutes les branches des mathématiques
appliquées, en particulier lorsqu’il s’agit de modéliser puis résoudre numériquement
des problèmes issus de divers domaines : des sciences physiques ou mécaniques, des
sciences du vivant, de la chimie, de l’économie, des sciences de l’ingénieur,...
Les systèmes linéaires interviennent dans de nombreux contextes d’applications car
ils forment la base calculatoire de l’algèbre linéaire.

1. Equations linéaires

Lors d'une mise en équation, si l'équation que l'on obtient est de la forme
𝑎𝑥 + 𝑏𝑦 = 𝑐, on dit que le problème (ou l'équation) est un problème linéaire à deux
variables. Alors que les équations suivantes ne sont pas des équations linéaires :
3
𝑥 3 + 4𝑦 + z = 1 ou y = ln(𝑥 + 2z + 1) ou 𝑦 − cos(𝑥) = 0 ou 𝑦 = √𝑥 − 1

De façon générale, toute équation du type 𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑛 𝑥𝑛 = 𝑐, sera dite


équation linéaire à 𝑛 variables (où les 𝑥𝑖 sont les inconnues, et les 𝑎𝑖 et c sont les
coefficients).
Un système linéaire est un ensemble d’équations linéaires ayant le même nombre
d’inconnues. Il nous permet de modéliser un certain nombre de problèmes concrets.

2. Mise en équations

Lorsque l’on veut utiliser les mathématiques pour résoudre un problème concret, la
première étape consiste à traduire ce problème en données mathématiques
exploitables. C’est ce que l’on appelle la mise en équation. Une bonne mise en
équation se fait de la façon suivante :
 Répertorier toutes les variables du problème, et les nommer de façon claire ;
 Déterminer toutes les contraintes du problème, et les traduire en équations
(i.e. égalités) ou inéquations (i.e. inégalités).

Exemple de système d’équations 1 :

Une usine fabriquant des torchons et des serviettes décide de les vendre par lots :
– Lot A : 9 torchons et 6 serviettes. Ce lot sera vendu 200 DH.
– Lot B : 2 torchons et 12 serviettes. Ce lot sera vendu 150 DH.
Elle a en stock 640 torchons et 960 serviettes.
 Combien de lots de chaque sorte doivent être vendus pour épuiser le stock ?
 Quel sera le chiffre d’affaire total ?
Solution : Les données peuvent être rassemblées dans le tableau suivant

Torchons Serviettes
Lot 𝐴 9 6
Lot 𝐵 2 12

Les inconnues sont


 𝑥 = le nombre de lots A,
 𝑦 = le nombre de lots B.
Les contraintes nous donnent alors le système suivant :
9𝑥 + 2𝑦 = 640
{
6𝑥 + 12𝑦 = 960
On peut alors commencer par simplifier un peu les équations en divisant la seconde
par 6. On a alors le système :
9𝑥 + 2𝑦 = 640 L1
{
𝑥 + 2𝑦 = 160 L2
En remplaçant alors L1 par L1 − L2, on obtient
8𝑥 = 480
{
𝑥 + 2𝑦 = 160

𝑥 = 60
D’où {𝑦 = 160−60
= 50
2

On peut alors fabriquer 60 lots A et 50 lots B, qui au total rapporteront :


200 × 60 + 150 × 50 = 19500 DH.

3. Cas général de systèmes linéaires

Définitions 1 : Un système linéaire de n équations à p inconnues est un système de


𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + … + 𝑎1𝑝 𝑥𝑝 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + … + 𝑎2𝑝 𝑥𝑝 = 𝑏2
…………………..
la forme :(𝑆)
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + 𝑎𝑖3 𝑥3 + … + 𝑎𝑖𝑝 𝑥𝑝 = 𝑏𝑖
………………….
𝑎 𝑥
{ 𝑛1 1 + 𝑎 𝑛2 2 + 𝑎𝑛3 𝑥3 + … + 𝑎𝑛𝑝 𝑥𝑝 = 𝑏𝑛
𝑥
Les 𝑎𝑖𝑗 sont les coefficients du système qui appartiennent à ℝ (𝑜𝑢 ℂ), les 𝑥𝑖 sont les
inconnues et 𝑏𝑖 les coefficients du second membre.
Ce système s’écrit sous forme matricielle :
𝑎11 𝑎12 𝑎13 … 𝑎1p 𝑥1 𝑏1
𝑎21 𝑎22 𝑎23 … 𝑎2p 𝑥2 𝑏2
( …….. ) (…) = (…) ⇒ A𝑋 = 𝐵
𝑎n1 𝑎n2 𝑎n3 … 𝑎np 𝑥𝑝 𝑏𝑝

où 𝐴 est la matrice associée au système linéaire, 𝑋 est le vecteur des inconnues et 𝐵 le


vecteur second membre.
On appelle solution du système linéaire l’ensemble des 𝑝 − 𝑢𝑝𝑙𝑒𝑡 𝑋 vérifiant le
système. Résoudre le système revient à chercher tous les vecteurs 𝑋 tels que 𝐴𝑋 = 𝐵.

On dit que le système (𝑆) est compatible si son ensemble de solution est non nul.

B. Méthodes de résolution des systèmes d’équations

Ici, nous allons présenter cinq façons différentes de résoudre un système d’équations
linéaires. Une première méthode est géométrique. Les quatre autres se font par
calcul : par substitution, par combinaison, par inversion de matrice ou par méthode
de Cramer.

1. Résolution graphique
𝑎𝑥 + 𝑏𝑦 = 𝑒 (D1)
Soit le système suivant : (𝑆) {
c𝑥 + 𝑑𝑦 = 𝑓 (D2)

Géométriquement, résoudre ce système revient à tracer les deux droites (D1) et (D2)
dans un repère orthonormé et de chercher le (ou les) point(s) d’intersection de deux
droites du plan.

Trois cas se présentent alors :

1. Les droites (D1) et (D2) se coupent en un seul point. Dans ce cas, illustré par la
figure de gauche, le système (𝑆)a une seule solution.
2. Les deux droites sont parallèles. Alors le système (𝑆) n’a pas de solution. La
figure du Centre illustre cette situation.
3. Les deux droites sont confondues et, dans ce cas, le système (𝑆)a une infinité
de solutions.

(faire fig page3 AMS7)


Nous verrons plus loin que ces trois cas de figure (une seule solution, aucune
solution, une infinité de solutions) sont les seuls cas qui peuvent se présenter pour
n’importe quel système d’équations linéaires.

2. Résolution par substitution

La méthode de substitution consiste à trouver, à partir de l’une des équations, une


des inconnues 𝑥𝑖 en fonction des autres, puis à remplacer sa valeur dans les autres
équations. On répète le même scénario jusqu’à ce que l’une des équations ne
contienne qu’une seule inconnue.

𝑥 + 3𝑦 − 2𝑧 = 2 (1)
Exemple 2 : Soit le système suivant : { −𝑥 + 2𝑦 − 𝑧 = −1 (2)
2𝑥 + 𝑧 = 0 (3)

Nous réécrivons la troisième ligne (3) sous la forme 𝑧 = −2𝑥 . Et nous remplaçons
(nous substituons) le 𝑧 des équations (1) et (2), par l’expression −2𝑥 . Nous obtenons
un système équivalent :

𝑥 + 3𝑦 + 4𝑥 = 2 (1) 5𝑥 + 3𝑦 = 2 (1)
{−𝑥 + 2𝑦 + 2𝑥 = −1 (2) ⇔ { 𝑥 + 2𝑦 = −1 (2)
𝑧 = −2𝑥 (3) 𝑧 = −2𝑥 (3)

Nous réécrivons (2) sous la forme 𝑥 = −1 − 2𝑦 . Et nous remplaçons (nous


substituons) le 𝑥 de l’équation (1), par l’expression −1 − 2𝑦 . Nous obtenons un
système équivalent :
5(−1 − 2𝑦) + 3𝑦 = 2 (1) −7𝑦 − 5 = 2 (1)
{ 𝑥 = −1 − 2𝑦 (2) ⇔ { 𝑥 = −1 − 2𝑦 (2)
𝑧 = − 2𝑥 (3) 𝑧 = − 2𝑥 (3)

La première équation est maintenant une expression qui ne contient que des 𝑦, et on
𝑦 = −1 (1)
peut la résoudre : { 𝑥 = −1 − 2𝑦 (2)
𝑧 = − 2𝑥 (3)

Il ne reste plus qu’à remplacer dans la ligne (2) la valeur de 𝑦 obtenue, puis à
remplacer dans la ligne (3) la valeur de 𝑥 obtenue :
𝑦 = −1 (1)
{ 𝑥=1 (2)
𝑧=−2 (3)

Le système (𝑆)admet donc une solution unique (1, -1, -2).


3. Résolution par combinaison

La seconde méthode, dite par combinaison consiste à ajouter à une équation un


multiple de l’autre. Le but est, là encore de faire disparaître l’une des inconnues de
l’une des équations.

𝑥+y−𝑧+𝑡 =1 (1)
Exemple 3 : Etudions le système : { 𝑥 + 2y + 2𝑡 = 2 (2) (𝑆)
−𝑥 + 2𝑧 + 𝑡 = 3 (3)

Dans notre système (S), on peut effectuer les opérations de combinaison suivantes
qui ne modifient pas la solution du système, afin de faire disparaître les x dans les
deuxième et troisième équations :
𝑥+𝑦−𝑧+𝑡 = 1 (1)
(𝑆) ⇔ { 𝑦 + 𝑧 + 𝑡 = 1 (2) − (1)
𝑦 + 𝑧 + 2𝑡 = 4 (3) + (1)

𝑥 − 2𝑧 = 0 (1) − (2)
(𝑆) ⇔ { 𝑦 + 𝑧 + 𝑡 = 1 (2)
𝑡=3 (3) − (2)

𝑥 = 2𝑧 (1)
(𝑆) ⇔ { 𝑦 = −2 − 𝑧 (2)
𝑡=3 (3)

On peut alors décrire l’ensemble des solutions 𝐻 = {(2𝑧, −2 − 𝑧, 𝑧, 3), 𝑧 ∈ ℝ }

4. Résolution par inversion de matrice

Cette méthode sera présentée dans le chapitre des matrices.

5. Résolution par méthode des déterminants

1.1 Résolution d’un système (𝒏 × 𝒏):

Définition 2 : Un système est dit de Cramer s’il admet une solution unique. C’est
équivalent de dire que pour ce système linéaire :
 Le nombre d’équations est égal au nombre d’inconnues (𝑛 = 𝑝),
 Le déterminant de la matrice associée au système est non nul.
La matrice associée est donc d’ordre 𝑛.
5𝑥1 + 2𝑥2 − 𝑥3 = 3
Exemple 4 : Soit le système suivant : {𝑥1 + 𝑥2 − 3𝑥3 = −2 (𝑆)
2𝑥1 − 𝑥2 + 7𝑥3 = 7
5 2 −1
La matrice associée à ce système est : A = (1 1 − 3)
2 −1 7
1 −3 2 −1 2 −1
Le déterminant de A est : det(A) = 5 | |−| | + 2| | = −3
−1 7 −1 7 1 −3
Puisque 𝑛 = 𝑝 = 3 et det(A) ≠ 0, le système est donc un système de Cramer, il
admet ainsi une solution unique.

Théorème 1 : Un système de Cramer admet une solution et une seule


𝑥 = (𝑥1 . . 𝑥𝑖 . . 𝑥𝑛 )𝑡 fournie par :
𝑑𝑒𝑡(𝐴𝑖 )
∀𝑖 ∈ {1, . . 𝑖. . , 𝑛}, 𝑥𝑖 = ,
𝑑𝑒𝑡(𝐴)

où 𝐴𝑖 est la matrice obtenue en remplaçant la i-ème colonne de 𝐴 par 𝐵.

Pour des systèmes d’ordre élevé, cette méthode est généralement inefficace car elle
conduit au calcul de déterminants d’ordre élevé.
5 2 −1 3
Exemple précédent : A = (1 1 − 3) , B = (−2) et det(A) = −3
2 −1 7 7

3 2 −1
det(A1 ) 3
det(A1 ) = |−2 1 − 3| = 3 , soit 𝑥1 = = −3 = −1
det(A)
7 −1 7

5 3 −1
det(A2 ) −15
det(A2 ) = |1 − 2 − 3| = −15, soit 𝑥2 = = =5
det(A) −3
2 7 7

5 2 3
det(A3 ) −6
det(A3 ) = |1 1 − 2| = −6, soit 𝑥3 = = −3 = 2
det(A)
2 −1 7

La solution unique du système est donc (-1, 5, 2).

6. Résolution d’un système (𝒏 × 𝒑) :

Il arrive que lors de la mise en équations d’un problème, on se retrouve avec un


système de 𝑛 équations à 𝑝 inconnues. La matrice A associée au système est alors de
dimensions (𝑛 × 𝑝)..
Par suppression de lignes et de colonnes, il est possible de construire diverses
matrices carrées, de dimensions différentes, dont on peut calculer les déterminants.
Les étapes à suivre pour résoudre un système (𝒏 × 𝒑) sont :

i. Calcul du rang d’un système (𝒏 × 𝒑) :

Définitions 3 :

 On appelle déterminant d’ordre 𝑞 extrait d’une matrice A (𝑛 × 𝑝), le


déterminant de toute matrice carrée d’ordre 𝑞 déduite de A par suppression
de (𝑛 − 𝑞) lignes et (𝑝 − 𝑞) colonnes.

 On appelle rang d’une matrice A de dimensions (𝑛 × 𝑝): le plus grand entier


𝑟 inférieur ou égal à 𝑛 et à 𝑝 tel qu’il existe une matrice carrée de taille 𝑟
𝑎11 𝑎12 … 𝑎1𝑟
𝑎21 𝑎22 … 𝑎2𝑟
extraite de A ayant un déterminant non nul : ∆= | …….. |≠0
𝑎𝑟1 𝑎𝑟2 … 𝑎𝑟𝑟
 On appelle rang d’un système linéaire, le rang 𝑟 de la matrice associée à ce
système.
𝑥+𝑦+𝑧 =1 (1)
𝑥 + 3𝑧 = 3 (2)
Exemple 5 : Soit le système : (𝑆) {
𝑥 + 2𝑦 − 𝑧 = −1 (3)
2𝑥 + 𝑦 + 4𝑧 = 4 (4)
1 1 1
1 0 3
La matrice associée à (𝑆) est A = ( ) , son vecteur du 2 ème membre
1 2 −1
2 1 4
1
3
est B = ( ), son nombre de ligne est 𝑛 = 4 et son nombre de colonne est 𝑝 = 3.
−1
4
On vérifie facilement que les 4 déterminants d’ordre 3, extraits de A, sont tous nuls :

1 1 1 1 1 1 1 1 1 1 0 3
| 1 0 3 | = 0; | 1 2 − 1 | = 0; | 1 0 3 | = 0; | 1 2 −1| = 0
1 2 −1 2 1 4 2 1 4 2 1 4

Par contre, il existe au moins un déterminant d’ordre 2, extrait de A, qui n’est pas
1 1
nul : ∆= | | = 1 , donc le rang du système est égal à 2 : 𝒓 = 𝟐.
1 2
ii. Recherche d’un système principal :

Soit un système (𝑆) de 𝑛 équations linéaires à 𝑝 inconnues caractérisé par une


matrice A de rang 𝑟 < 𝑛. En renumérotant si nécessaire les inconnues et
coefficients, on peut supposer qu’un des déterminants carrés extraits de A, d’ordre
𝑟 est non nul :
𝑎11 𝑎12 … 𝑎1𝑟
𝑎21 𝑎22 … 𝑎2𝑟
∆= | …….. |≠0
𝑎𝑟1 𝑎𝑟2 … 𝑎𝑟𝑟

Le déterminant ∆ , non nul, de dimension 𝑟 est appelé déterminant principal.


Le sous système principal (𝑆′) est formé par les 𝑟 premières équations appelées
équations principales :
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑟 𝑥𝑟 = 𝑏1 − 𝑎1,𝑟+1 𝑥𝑟+1 … − 𝑎1𝑝 𝑥𝑝
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑟 𝑥𝑟 = 𝑏2 − 𝑎2,𝑟+1 𝑥𝑟+1 … − 𝑎2𝑝 𝑥𝑝
(𝑆′)
…………………
{ 𝑎𝑟1 𝑥1 + 𝑎𝑟2 𝑥2 + ⋯ + 𝑎𝑟𝑟 𝑥𝑟 = 𝑏r − 𝑎𝑟,𝑟+1 𝑥𝑟+1 … − 𝑎r𝑝 𝑥𝑝

Les 𝑟 premières inconnues 𝑥1 , 𝑥2 , … , 𝑥𝑟 sont appelées les inconnues principales.


Les inconnues 𝑥𝑟+1 , … , 𝑥𝑝 sont appelée inconnues paramètres (ou non principales),
ce sont elles qui permettent la description de l’ensemble de solutions.

1 1
Exemple précédent : Puisque ∆= | | = 1≠0, donc on peut prendre ∆ comme
1 2
déterminant principal. Le sous système principal (𝑆′) formé par les équations
principales (1) et (3) relatives aux inconnues principales 𝑥 𝑒𝑡 𝑦 est donné par :
𝑥+𝑦 = 1−𝑧
(S ′ ) {
𝑥 + 2𝑦 = 𝑧 − 1

(2) et (4) sont les équations non principales et z est l’inconnu non principal.

iii. Résolution du système principal (de Cramer) :

On définit les déterminants caractéristiques ∆i comme suit :


𝑎11 𝑎12 … 𝑎1𝑟 𝑏1
𝑎21 𝑎22 … 𝑎2𝑟 𝑏2
| |
∀𝑖 ∊ {𝑟 + +1, … , 𝑛} , ∆𝑖 = | ………..
|
𝑎𝑟1 𝑎𝑟2 … 𝑎𝑟𝑟 𝑏𝑟
𝑎𝑖1 𝑎𝑖2 … 𝑎𝑖𝑟 𝑏𝑖
Les deux cas suivants se présentent alors :

1. ∃𝑖 ∊ {𝑟 + 1, … , 𝑛} tel que ∆𝑖 ≠ 0. Dans ce cas, le système n’admet pas de solution

2. Tous les ( 𝑛 - 𝑟 ) déterminants caractéristiques ∆i sont nuls


(∀𝑖 ∊ {𝑟 + 1, … , 𝑛}, ∆𝑖 = 0). Dans ce cas, on obtient une infinité de solutions en
résolvant le système de Cramer constitué par les 𝑟 équations principales aux r
inconnues 𝑥1 , … . , 𝑥𝑟 , les (𝑝 − 𝑟) inconnues non principales 𝑥𝑟+1 , … , 𝑥𝑝 étant
arbitraires. En effet, cela signifie que quelque soit le choix des 𝑥𝑖 pour
𝑖 ∊ {𝑟 + 1, … , 𝑛} , le système admet une unique solution (donnée par les
formules de Cramer).
Exemple précédent : Les équations principales relatives aux inconnues principales
𝑥+𝑦 =1−𝑧
𝑥 et 𝑦 sont : (𝑆 ′ ) {
𝑥 + 2𝑦 = 𝑧 − 1

Les (𝑛 − 𝑟 = 4 − 2 = 2 ) déterminants caractéristiques sont tous nuls :

1 1 1 1 1 1
∆1 = | 1 2 − 1| = 0 et ∆2 = | 1 2 − 1| = 0
1 0 3 2 1 4
Le système (𝑆′) admet donc une infinité de solution. En effet, quel que soit le choix
de l’inconnue non principale z, le système (𝑆 ′ ) admet une unique solution (donnée
par les formules de Cramer) :
1−𝑧 1 1 1−𝑧
∆𝑥 |𝑧 − 1 2| ∆𝑦 |1 𝑧 − 1|
𝑥= = = 3 − 3𝑧 et 𝑦= = = −2 + 2𝑧; 𝑧 arbitraire.
∆ 1 1 ∆ 1 1
| | | |
1 2 1 2
L’ensemble de solutions est ainsi donnée par : 𝐻 = {(3 − 3𝑧, 2𝑧 − 2, 𝑧), 𝑧 ∈ ℝ}.

7. Résolution d’un Système homogène

a) Définition et cas général

Définition 4 : Un système linéaire (𝑛 × 𝑝) est dit homogène lorsque les coefficients


du second membre sont tous nuls. Si 𝐴(𝑛 × 𝑝) est la matrice associée à ce système,
on a alors 𝐴𝑋 = 0 où 𝑋 est un vecteur de dimension 𝑝.
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + … + 𝑎1𝑝 𝑥𝑝 = 0
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + … + 𝑎2𝑝 𝑥𝑝 = 0
…………………..
(𝑆)
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + 𝑎𝑖3 𝑥3 + … + 𝑎𝑖𝑝 𝑥𝑝 = 0
………………….
{𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑎𝑛3 𝑥3 + … + 𝑎𝑛𝑝 𝑥𝑝 = 0

Un tel système est toujours soluble car il admet toujours la solution banale :

𝑥1 = 𝑥2 = ⋯ … = 𝑥𝑝 = 0.

Si le rang du système est égal à 𝑝 (𝑟 = 𝑝), alors la solution nulle est l’unique solution.
Par contre si le rang du système est inférieur à p (𝑟 < 𝑝), , certaines inconnues sont
arbitraires et on résout le système par la méthode générale.

𝑥 − 2𝑦 + 3𝑧 = 0 1 −2 3
Exemple 6 : Soit (𝑆) { de matrice associée A=( ).
𝑥 + 𝑦 − 4𝑧 = 0 1 1 −4
Les déterminants d’ordre 2, extraits de A sont tous nuls :
1 −2 1 3 −2 3
∆1 = | |= 3, ∆2 = | | = −7 et ∆3 = | |=5
1 1 1 −4 1 −4
On peut donc choisir comme déterminant principal n’importe quel déterminant
d’entre eux. En prenant par exemple ∆1 comme déterminant principal, le sous
système principal est :
𝑥 − 2𝑦 = −3𝑧
{
𝑥 + 𝑦 = 4𝑧

Or puisque les déterminants caractéristiques sont tous nuls (car B=0), alors le
système (𝑆) admet une unique solution (donnée par les formules de Cramer) :

−3𝑧 −2 1 −3𝑧
∆𝑥 | 4𝑧 |
1 = 5𝑧 ∆𝑦 |1 4𝑧 | 7𝑧
𝑥= = et 𝑦= = = ; 𝑧 arbitraire.
∆1 1 −2 3 ∆1 3 3
| |
1 1
5𝑧 7𝑧
L’ensemble de solutions est: 𝐻 = {( 3 , , 𝑧) , 𝑧 ∈ ℝ}.
3

Cas particulier du système carré homogène (𝒏 × 𝒏)

Théorème 2 : un système carré (𝑛 équations à 𝑛 inconnues) homogène admet


d'autres solutions que la solution banale 𝑥 = 0 si et seulement si 𝑑𝑒𝑡 𝐴 = 0.

𝛼𝑥 + 𝑦 + 𝑧 + 𝑡 = 0 𝛼 1 1 1
𝑥 + 𝛼𝑦 + 𝑧 + 𝑡 = 0 1 𝛼 1 1
Exemple 7: Soit le système (𝑆) { de matrice 𝐴 = ( )
𝑥 + 𝑦 + 𝛼𝑧 + 𝑡 = 0 1 1 𝛼 1
𝑥 + 𝑦 + 𝑧 + 𝛼𝑡 = 0 1 1 1 𝛼

𝒅𝒆𝒕(𝑨) = (𝜶 + 𝟑)(𝜶 − 𝟏)𝟑

On obtient les résultats suivants :

 Si 𝛼 ≠ 3 𝑒𝑡 𝛼 ≠ 1, le système carré de déterminant non nul est de Cramer; il


admet la seule solution 𝑥 = 0 ;

 Si 𝛼 = 3, le système (S) est de rang 3 à 1 dégré de liberté; il admet pour


ensemble de solutions : 𝐻 = {(𝑧, 𝑧, 𝑧, 𝑧), 𝑧 ∈ ℝ} ;

 Si 𝛼 = 1, le système (S) est de rang 1 à 3 dégrés de liberté; il admet pour


ensemble de solutions : 𝐻 = {(−𝑦 − 𝑧 − 𝑡, 𝑦, 𝑧, 𝑡)/ (𝑦, 𝑧, 𝑡) ∈ ℝ3 } .
Série 4 : SyStèmeS d’équations linéaires

Exercice 1 : Résoudre les systèmes d’équations linéaires suivants, sur ℝ, en utilisant


les méthodes de substitution, de combinaison linéaire et des déterminants :

2𝑥 − 𝑦 − 𝑧 = 4 2𝑥 − 𝑦 + 3𝑧 = 9
1) {3𝑥 + 4𝑦 − 2𝑧 = 11 2) { 3𝑥 − 5𝑦 + 𝑧 = −4
3𝑥 − 2𝑦 + 4𝑧 = 11 4𝑥 − 7𝑦 + 𝑧 = 5

Exercice 2 : Résoudre les systèmes suivants, sur ℝ, en utilisant la méthode


combinaisons linéaires puis celle des déterminants :

𝑥 + 2𝑧 = 1 3𝑥 + 2𝑦 + 𝑧 = 5
−𝑥 + 3𝑦 + 𝑧 = 0 2𝑥 + 3𝑦 + 𝑧 = 1
(𝑆1) { , (S2) {
𝑥 + 2𝑦 = −1 2𝑥 + 𝑦 + 3𝑧 = 11
2𝑥 − 𝑦 + 𝑧 = 0 𝑥 + 2𝑦 + 3𝑧 = 7

Exercice 3 : Résoudre les systèmes suivants, sur ℝ, en utilisant la méthode


combinaisons linéaires puis celle des déterminants :

𝑥 + 2𝑦 − 𝑧 + 𝑡 − 2𝑢 = 1
𝑥 + 3𝑦 + 𝑧 = −1
4𝑥 − 10𝑦 + 5𝑧 − 5𝑡 + 7𝑢 = 1
(𝑆1) { 𝑥 + 6𝑦 + 𝑧 + 5𝑡 = −2 (S2) {
2𝑥 − 14𝑦 + 7𝑧 − 7𝑡 + 11𝑢 = −1
𝑥 + 6𝑦 + 2𝑧 + 7𝑡 = 3
2𝑥 − 2𝑦 + 𝑧 − 𝑡 + 𝑢 = 1

Exercice 4 : Résoudre, dans ℝ, les systèmes suivants :

𝑥+ 𝑦 + 𝑧=0 𝑥 − 𝑎𝑦 + 𝑎2 𝑧 = 𝑎
(𝑆1) {𝑥 + 5𝑦 + 3𝑧 = 0 (S2) {𝑎𝑥 − 𝑎2 𝑦 + 𝑎𝑧 = 1, 𝑎 𝑒𝑠𝑡 𝑢𝑛 𝑝𝑎𝑟𝑎𝑚è𝑡𝑟𝑒 𝑟é𝑒𝑙.
𝑥 + 7𝑦 − 𝑧 = 0 𝑎𝑥 + 𝑦 − 𝑎3 𝑧 = 1
Solution de la Série 4 : SyStèmeS d’équations linéaires

2𝑥 − 𝑦 + 3𝑧 = 9 (1)
Exercice 1 : (2) { 3𝑥 − 5𝑦 + 𝑧 = −4 (2)
4𝑥 − 7𝑦 + 𝑧 = 5 (3)

 Méthode de substitution :La méthode de substitution consiste à trouver, à


partir de l’une des équations, une des inconnues 𝑥𝑖 en fonction des autres, puis à
remplacer sa valeur dans les autres équations. On répète le même scénario jusqu’à
ce que l’une des équations ne contienne qu’une seule inconnue.

Nous réécrivons (3) sous la forme 𝑧 = 5 − 4𝑥 + 7𝑦 . Et nous remplaçons le 𝑧 des


équations (1) et (2), par ( 5 − 4𝑥 + 7𝑦) . Nous obtenons un système équivalent :

−10𝑥 + 20𝑦 = −6 (1) −𝑥 + 2𝑦 = −3/5 (1)


{ −𝑥 + 2𝑦 = −9 (2) ⇔ {−𝑥 + 2𝑦 = −9 (2)
𝑧 = 5 − 4𝑥 + 7𝑦 (3) 𝑧 = 5 − 4𝑥 + 7𝑦 (3)

Les deux premières équations sont incompatibles. Donc ce système est impossible.

 Résolution par combinaison linéaire : cette méthode consiste à ajouter


à une équation un multiple de l’autre. Le but est, là encore de faire disparaître l’une
des inconnues de l’une des équations.

2𝑥 − 𝑦 + 3𝑧 = 9 (1)
(S) { 3𝑥 − 5𝑦 + 𝑧 = −4 (2)
4𝑥 − 7𝑦 + 𝑧 = 5 (3)
Dans notre système (S), on peut effectuer les opérations de combinaison suivantes
qui ne modifient pas la solution du système, afin de faire disparaître les 𝑦 dans les
deuxième et troisième équations :
2𝑥 − 𝑦 + 3𝑧 = 9 (1) 2𝑥 − 𝑦 + 3𝑧 = 9 (1)
(𝑆) ⇔ { −7𝑥 − 14𝑧 = −49 (2) − 5(1) ⇔ { 𝑥 + 2𝑧 = 7 (2)
−10𝑥 − 20𝑧 = −58 (3) − 7(1) 𝑥 + 2𝑧 = 29/5 (3)

(2) et (3) sont incompatibles. Donc ce système est impossible.

 Méthode des déterminants: Calculons le déterminant d’ordre 3 extrait du


système

2 −1 3 −10 20 0
−10 20
|3 −5 1| = | −1 2 0| = 1 | | = −20 + 20 = 0
−1 2
4 −7 1 4 −7 1
2 −1
Donc rg(S)= 𝑟 ≤ 2 ; et puisque : ∆= | | = −7 ≠ 0 alors rg(S)= 𝑟 = 2.
3 −5
donc on peut prendre ∆ comme déterminant principal. Le sous système principal (𝑆′)
formé par les équations principales (1) et (2) relatives aux inconnues principales
𝑥 𝑒𝑡 𝑦 est donné par :
2𝑥 − 𝑦 = 9 − 3𝑧
(S ′ ) {
3𝑥 − 5𝑦 = −4 − z
On est dans le cas où 𝑟 = 2 < 𝑛 = 3(𝑛𝑏𝑟𝑒 𝑑 ′ é𝑞𝑢𝑎𝑡𝑖𝑜𝑛𝑠). On calcule le seul (𝑛 − 𝑟 = 1)
2 −1 9 2 1 9 0 1 0
déterminent caractéristique : ∆1 = |3 −5 −4| = − |3 5 −4| = − | −7 5 −49|
4 −7 5 4 7 5 −10 7 −58

−7 −49
Soit : ∆1 = + | | = −84. 𝑃𝑢𝑖𝑠𝑞𝑢𝑒 ∆1 ≠ 0, le système est impossible.
−10 −58
Exercice 2 :

 Méthode des combinaisons linéaires :

𝑥 + 2𝑧 = 1 (1) 𝑥 + 2𝑧 = 1 (1) 𝑥 + 2𝑧 = 1 (1)


−𝑥 + 3𝑦 + 𝑧 = 0 (2) 3𝑦 + 3𝑧 = 1 (2) + (1) 18𝑦 = −5 (2) − 3(4)
{ ⇔ ⇔
𝑥 + 2𝑦 = −1 (3) 𝑥 + 2𝑦 = −1 (3) 𝑥 + 2𝑦 = −1 (3)
2𝑥 − 𝑦 + 𝑧 = 0 (4) { −5𝑦 + 𝑧 = 2 (4) − 2(3) { −5𝑦 + 𝑧 = 2 (4)
5 11
L’équation (2) donne : 𝑦 = − 18 qu’on remplace dans (4) pour trouver 𝑧 = 18 .

Puis, à partir de (1) on trouve 𝑥 = 1 − 2𝑧 = −2/9. Pour que la solution trouvée soit juste,
2 𝟓 7
il faut qu’elle vérifie l’équation restante (3): 𝑥 + 2𝑦 = − 9 + 2 (− 𝟏𝟖) = − 9 ≠ −1. Puisque
(3) n’est pas vérifiée, alors ce système est impossible.

 Méthode des déterminants :

Le système admet 𝑛 = 4 équations et 𝑝 = 3 inconnues.

Parmi les 4 déterminants d’ordre 3 qu’on peut extraire de (S), on a au moins un qui
est non nul :celui qui correspondant aux équations (1), (2) et (3) :

1 0 2
∆= |−1 3 1| = −12 ≠ 0. Donc le rang du système est 𝑟 = 3. donc on peut
1 2 0
prendre ∆ comme déterminant principal.

On est dans le cas où 𝑟 < 𝑛. Le système n’est possible que si tous les ( 𝑛 − 𝑟 )
déterminants caractéristiques sont nuls.Ici, on en a un seul puisque 𝑛 − 𝑟 = 4 − 3 = 1
1 0 2 1 1 0 2 1
−1 3 1 0 0 1
−1 3 1 0 −1 3 1 0
∆1 = | |=| | = −| 2 2 2| = − |4 −4 2|
1 2 0 −1 2 2 2 0
2 −1 1 3 −4 1
2 −1 1 0 2 −1 1 0
4 −4
Soit : ∆1 = − | | = 4 ≠ 0. Donc le système est impossible.
3 −4

Exercice 3 :

 Méthode des combinaisons linéaires

𝑥 + 2𝑦 − 𝑧 + 𝑡 − 2𝑢 = 1 (1) 𝑥 + 2𝑦 − 𝑧 + 𝑡 − 2𝑢 = 1 (1)
4𝑥 − 10𝑦 + 5𝑧 − 5𝑡 + 7𝑢 = 1 (2) −18𝑦 + 9𝑧 − 9𝑡 + 15𝑢 = −3 (2) − 4(1)
{ ⇔
2𝑥 − 14𝑦 + 7𝑧 − 7𝑡 + 11𝑢 = −1 (3) −18𝑦 + 9𝑧 − 9𝑡 + 15𝑢 = −3 (3) − 2(1)
2𝑥 − 2𝑦 + 𝑧 − 𝑡 + 𝑢 = 1 (4) { − 6𝑦 + 3𝑧 − 3𝑡 + 5 𝑢 = −1 (4) − 2(1)

(2) et (3) sont identiques à 3(4). Donc le système est équivalent à :

𝑥 + 2𝑦 − 𝑧 + 𝑡 − 2𝑢 = 1 𝑥 = 1 − 2𝑦 + 𝑧 − 𝑡 + 2𝑢
{ ⇔{ 1
− 6𝑦 + 3𝑧 − 3𝑡 + 5 𝑢 = −1 𝑦 = 6 (1 + 3𝑧 − 3𝑡 + 5𝑢)
1
𝑥 = 3 (2 + 𝑢)
⇔ { 1
𝑦 = 6 (1 + 3𝑧 − 3𝑡 + 5𝑢)

Le système est donc indéterminé; l’ensemble de ses solutions est :


1 1
{(3 (2 + 𝑢), 6 (1 + 3𝑧 − 3𝑡 + 5𝑢), 𝑧, 𝑡, 𝑢) /(𝑧, 𝑡, 𝑢) ∈ ℝ3 }.

 Méthode des déterminants :

- On peut facilement remarquer que tous les 5 déterminants d’ordre 4 extraits


de (S2) sont nuls (donc le rang 𝑟 ≤ 3). Par exemple :

1 2 −1 1
4 − 10 5 − 5
| | = 0 car les colonnes C3 et C4 sont proportionnelles (C3= - C4)
2 − 14 7 − 7
2 −2 1 −1
1 2 −1 −2
4 − 10 5 7
| | = 0 car les colonnes C2 et C3 sont proportionnelles (C2= - 2C3)…
2 − 14 7 11
2 −2 1 1
- On peut également vérifier que tous les déterminants d’ordre 3 sont nuls
(donc le rang 𝑟 ≤ 2).
1 2
- Puisque∆= | | = −18 ≠ 0, alors le rang du système est 𝑟 = 2.
4 −10
donc on peut prendre ∆ comme déterminant principal. Le sous système principal
(𝑆′) formé par les équations principales (1) et (2) relatives aux inconnues
principales 𝑥 𝑒𝑡 𝑦 est donné par :

Exercice 4 : Méthode de combinaisons linéaires

𝑥 + 3𝑦 + 𝑧 = −1 (1) 𝑥 + 3𝑦 + 𝑧 = −1 (1)
{ 𝑥 + 6𝑦 + 𝑧 + 5𝑡 = −2 (2) ⇔ {𝑥 + 6𝑦 + 𝑧 = −2 − 5𝑡 (2)
𝑥 + 6𝑦 + 2𝑧 + 7𝑡 = 3 (3) 𝑥 + 6𝑦 + 2𝑧 = 3 − 7𝑡 (3)

𝑥 + 3𝑦 + 𝑧 = −1 (1) 𝑥 + 3𝑦 + 𝑧 = −1 (1)
1
⇔ { 3𝑦 = −1 − 5𝑡 (2) − (1) ⇔ { 𝑦 = − 3 (5𝑡 + 1) (2)
3𝑦 + 𝑧 = 4 − 7𝑡 (3) − (1) 𝑧 = 4 − 7𝑡 − 3𝑦 (3)

𝑥 = −1 − 3𝑦 − 𝑧 (1) 𝑥 = 7𝑡 − 5
1 1
⇔ { 𝑦 = − 3 (5𝑡 + 1) (2) ⇔ {𝑦 = − 3 (5𝑡 + 1) avec 𝑡 ∈ ℝ
𝑧 = 5 − 2𝑡 (3) 𝑧 = 5 − 2𝑡

𝑡 étant quelconque. Le système est indéterminé d’ordre 1. L’ensemble de solution


1
est :{(7𝑡 − 5, − 3 (5𝑡 + 1), 5 − 2𝑡, 𝑡) /𝑡 ∈ ℝ }.

Exercice 5 :

𝑥+ 𝑦 + 𝑧=0
 (𝑆1) {𝑥 + 5𝑦 + 3𝑧 = 0 est un système carré homogène qui admet :
𝑥 + 7𝑦 − 𝑧 = 0
-la solution unique (0,0,0) (dite solution banale) si et seulement si son
déterminant est non nul ;
-d'autres solutions que la solution banale si et seulement si 𝑑𝑒𝑡 𝐴 = 0.

1 1 1 1 0 0
4 2
Dans notre cas, on a :∆= |1 5 3 | = | 1 4 2 |=| | = −20
6 −2
1 7 −1 1 6 −2

Comme le déterminant de (S1)=−20 ≠ 0, le système est de Cramer; il admet la seule


solution (𝑥, 𝑦, 𝑧) = (0,0,0).

𝑥 − 𝑎𝑦 + 𝑎2 𝑧 = 𝑎
 (𝑆2) {𝑎𝑥 − 𝑎2 𝑦 + 𝑎𝑧 = 1, 𝑎 𝑒𝑠𝑡 𝑢𝑛 𝑝𝑎𝑟𝑎𝑚è𝑡𝑟𝑒 𝑟é𝑒𝑙. Son déterminant est :
𝑎𝑥 + 𝑦 − 𝑎3 𝑧 = 1

1 −𝑎 𝑎2 1 −𝑎 𝑎2 1 −𝑎 𝑎2
0 𝑎 − 𝑎3 |
∆= |𝑎 −𝑎2 𝑎 | = |𝑎 −𝑎2 𝑎 | = |0 0 𝑎 − 𝑎3 | = |
1 + 𝑎2 −2𝑎3
𝑎 1 −𝑎3 𝑎 1 −𝑎3 0 1 + 𝑎2 −2𝑎3
𝑆𝑜𝑖𝑡, ∆= 𝑎(𝑎2 − 1)(𝑎2 + 1).

Cas 1 : Si 𝑎 ∈ ℝ − {0, −1, 1} alors ∆≠ 0 . le système (S2) est carré de


déterminant non nul ; don c’est un système de Cramer; il admet une seule
solution qu’on peut trouver à partir de la méthode des déterminants :

𝑎 −𝑎 𝑎2 0 𝑎3 − 𝑎 0
1 𝑎
∆𝑥 = |1 −𝑎2 𝑎 | = |1 −𝑎2 𝑎 | = −(𝑎3 − 𝑎) | 3 |
0 −(𝑎 + 𝑎)
1 1 −𝑎3 0 1 + 𝑎2 3
−(𝑎 + 𝑎)

∆𝑥
Soit, ∆𝑥 = 𝑎2 (𝑎2 − 1)(𝑎2 + 1) donc 𝑥 = = 𝑎.

1 1
De la même façon on trouve 𝑦 = 1 𝑒𝑡 𝑧 = 𝑎. Ainsi, la solution de (S2) est (𝑎, 1, 𝑎).

Cas 2: Si 𝑎 = 0 , l’équation (2) de (S2) devient 0=1. Le système est impossible.

𝑥−𝑦+𝑧 =1
Cas 3: Si 𝑎 = 1 (∆= 0), le système est équivalent à : {
𝑥+𝑦−𝑧 =1

1 −1 𝑥−𝑦 =1−𝑧
Le déterminant ∆1 = | | = 2 ≠ 0. Le système { est indéterminé
1 1 𝑥+𝑦 =1+𝑧
d’ordre 1 (un paramètre). L’ensemble de solution est :{(1, 𝑧, 𝑧)/𝑧 ∈ ℝ}.

Cas 4 : Si 𝑎 = −1 (idem cas 3).


Chapitre 5 : Matrices

A. Introduction et définitions

Les matrices sont des tableaux de nombres. La résolution d’un certain nombre de
problèmes d’économie, de mécanique, d’électronique, de chimie, d’infographie, de
robotique... se ramène à des manipulations sur les matrices. Ceci est vrai en
particulier pour les mathématiques à savoir la résolution des systèmes linéaires, les
Opérations sur les relations binaires (matrice d’adjacence d’une relation), les Suites
récurrentes doubles, l’algèbre linéaire, la résolution de systèmes linéaires, la
représentation de transformations géométriques...

Définition 1 :
– Une matrice A est un tableau rectangulaire d’éléments de ℝ.
– Elle est dite de taille (n, p) si le tableau possède n lignes et p colonnes.
– Les nombres du tableau sont appelés les coefficients de A.
– Le coefficient situé à la i-ème ligne et à la j-ème colonne est noté 𝑎𝑖,𝑗 .

Un tel tableau est représenté de la manière suivante :


𝑎1,1 𝑎1,2 𝑎1,3 … 𝑎1,𝑝
𝑎2,1 𝑎2,2 𝑎2,3 … 𝑎2,𝑝
𝐴=( …….. ) 𝑜𝑢 𝐴 = (𝑎𝑖,𝑗 ) 1≤𝑖≤𝑛 𝑜𝑢 (𝑎𝑖,𝑗 )
1≤𝑗≤𝑝
𝑎𝑛,1 𝑎𝑛,2 𝑎𝑛,3 … 𝑎𝑛,𝑝
1 2 3 4 5
Exemple 1 : 𝐴 = ( ) est une matrice (2 × 4) avec 𝑎1,3 = 3, 𝑎2,4 = 9
6 7 8 9 10
Définition 2 :
 Deux matrices sont égales lorsqu’elles ont la même taille et que les coefficients
correspondants sont égaux.
 L’ensemble des matrices à n lignes et p colonnes à coefficients dans K est noté
𝑀𝑛,𝑝 (K). Les éléments de 𝑀𝑛,𝑝 (ℝ) sont appelés matrices réelles.
1 𝑎 1 2
Exemple 2 : ( )=( ) ⇔ 𝑎 = 2, 𝑏 = 5 𝑒𝑡 𝑐 = 7
𝑏 𝑐 5 7
Matrices particulières
 Si n=1, on dit que l’on a une matrice ligne : (1 2 3) ∈ 𝑀1,3 (ℝ)
1
 Si p=1, on dit que l’on a une matrice colonne : ( ) ∈ 𝑀2,1 (ℝ)
−1
 La matrice nulle (0𝑛,𝑝 ) est la matrice dont tous les coefficients sont nuls ;
 Si n=p (même nombre de lignes et de colonnes), la matrice est dite carrée.
B. Opération sur les matrices

1. Addition de matrices

Définition 3 : Soient A et B deux matrices ayant la même taille 𝑛 × 𝑝. Leur somme


𝐶 = 𝐴 + 𝐵 est la matrice de taille 𝑛 × 𝑝 définie par : 𝑐𝑖,𝑗 = 𝑎𝑖,𝑗 + 𝑏𝑖,𝑗
1 5 −1 3 1−1 5+3 0 8
Exemple 3 : ( )+( )=( )=( )
2 −3 1 7 2+1 −3+7 3 4
1 5 3
Par contre ( ) + ( ) n’est pas définie car le nb de colonnes n’est pas le même
2 −3 4
Définition 4 : Le produit d’une matrice 𝐴 = (𝑎𝑖,𝑗 ) de 𝑀𝑛,𝑝 (ℝ) par un scalaire 𝛼 ∈ ℝ
est la matrice notée (𝛼𝐴) formée en multipliant chaque coefficient de 𝐴 par 𝛼.
−1 2 4 −3 6 12
Exemple 4 : 3( )=( )
3 1 2 9 3 6
 La matrice (−1)A est l’opposée de A et est notée – A ;
 La différence A − B est définie par A + (−B).
Proposition 1 : Soient A, B et C des matrices appartenant à 𝑀𝑛,𝑝 (ℝ) et 𝛼, 𝛽 ∈ ℝ.

 La somme est commutative : A + B = B + A,


 La somme est associative : A + (B + C) = (A + B) + C,
 La matrice nulles est l’élément neutre de (+): A + 0 = A,
 (𝛼 + 𝛽)𝐴 = 𝛼𝐴 + 𝛽𝐴
 𝛼(𝐴 + 𝐵) = 𝛼𝐴 + 𝛼𝐵
2. Multiplication de matrices

Le produit AB de deux matrices A et B est défini si et seulement si le nombre de


colonnes de A est égal au nombre de lignes de B.

a) Méthode de calcul du produit de deux matrices

Définition 5 : Soient 𝐴 = (𝑎𝑖,𝑗 ) une matrice 𝑛 × 𝑝 et 𝐵 = (𝑏𝑖,𝑗 ) une matrice 𝑝 × 𝑞 .


Alors le produit 𝐶 = 𝐴𝐵 est une matrice 𝑛 × 𝑞 dont les coefficients 𝑐𝑖,𝑗 sont définis
par :
𝒑
𝒄𝒊𝒋 = ∑𝒌=𝟏 𝒂𝒊𝒌 𝒃𝒌𝒋

On peut écrire le coefficient de façon plus développée, à savoir :


𝑐𝑖𝑗 = 𝐿𝑖𝑔𝑛𝑒 𝑖 𝑑𝑒 𝐴 × 𝐶𝑜𝑙𝑜𝑛𝑛𝑒 𝑗 𝑑𝑒 𝐵 = 𝑎𝑖1 𝑏1𝑗 + 𝑎𝑖2 𝑏2𝑗 + ⋯ + 𝑎𝑖𝑘 𝑏𝑘𝑗 + ⋯ + 𝑎𝑖𝑝 𝑏𝑝𝑗

( !) Le produit 𝐴𝐵 n’est possible que si nbre de colonnes de𝐴 = nbre de lignes de 𝐵.


Il est commode de disposer les calculs de la façon suivante :

Colonne j
.. × ..
.. × ..
( )←𝐵
.. × ..
.. × ..
|
….
….. |
𝐿𝑖𝑔𝑛𝑒 𝑖 𝑑𝑒 𝐴 → (× × × × ) ( − − 𝑐𝑖𝑗 ) ← 𝐴𝐵
….
Avec cette disposition, on considère d’abord la ligne de la matrice 𝐴 située à gauche
du coefficient que l’on veut calculer (ligne représentée par des × dans 𝐴) et aussi la
colonne de la matrice 𝐵 située au-dessus du coefficient que l’on veut calculer (colonne
représentée par des × dans 𝐵). On calcule le produit du premier coefficient de la ligne
par le premier coefficient de la colonne (𝑎𝑖1 × 𝑏1𝑗 ), que l’on ajoute au produit du
deuxième coefficient de la ligne par le deuxième coefficient de la colonne (𝑎𝑖2 × 𝑏2𝑗 ),
que l’on ajoute au produit du troisième. . .
𝟏 𝟑
−𝟏 𝟐 𝟑
Exemple 5 : 𝑨=( ), 𝑩=( 𝟐 𝟒)
𝟎 𝟓 𝟏
−𝟏 𝟓
On dispose d’abord le produit correctement (à gauche) : la matrice obtenue est de
taille 2 × 2. Puis on calcule chacun des coefficients, en commençant par le premier
coefficient 𝑐11 = (−1 × 1) + (2 × 2) + (3 × −1) = 0 , puis les autres ..
1 3 𝟏 3 1 𝟑
( 2 4) ( 𝟐 4) ( 2 𝟒)
−1 5 −𝟏 5 −1 𝟓
−1 2 3 𝑐11 𝑐12 −𝟏 𝟐 𝟑 𝟎 𝑐12 −𝟏 𝟐 𝟑 0 𝟐𝟎
( ) (𝑐 ) ( )( ) ( )( )
0 5 1 21 𝑐22 0 5 1 𝑐21 𝑐22 0 5 1 9 25
𝒄𝟏𝟏 = 𝑳𝟏 (𝑨) × 𝑪𝟏 (𝑩) 𝒄𝟏𝟐 = 𝑳𝟏 (𝑨) × 𝑪𝟐 (𝑩)

𝟏 3 1 𝟑
( 𝟐 4) ( 2 𝟒)
−𝟏 5 −1 𝟓
−1 2 3 0 20 −1 2 3 0 20
( )( ) ( )( )
𝟎 𝟓 𝟏 𝟗 𝑐22 𝟎 𝟓 𝟏 9 𝟐𝟓
𝒄𝟐𝟏 = 𝑳𝟐 (𝑨) × 𝑪𝟏 (𝑩) 𝒄𝟐𝟐 = 𝑳𝟐 (𝑨) × 𝑪𝟐 (𝑩)

b) Pièges à éviter

(1) Le produit de matrices n’est pas commutatif en général. En effet,


 il se peut que 𝐴𝐵 soit défini mais pas 𝐵𝐴

(1 2) (3 8 3 8 (1
) = (3 22) 𝑒𝑠𝑡 𝑑é𝑓𝑖𝑛𝑖 mais ( ) 2) 𝑛′ 𝑒𝑠𝑡𝑝𝑎𝑠 𝑑é𝑓𝑖𝑛𝑖
0 7 0 7
 ou que 𝐴𝐵 et 𝐵𝐴 soient tous deux définis mais pas de la même taille :
5 5 5 10 15
(1 2 3) (1) = 𝟕 mais (1) (1 2 3) = ( 1 2 3)
0 0 0 0 0
 même si 𝐴𝐵 et 𝐵𝐴 sont définis et de même taille, on a en général 𝐴𝐵 ≠ 𝐵𝐴 :
0 2 1 3 8 2 1 3 0 2 9 5
( )( )=( ) mais ( )( )=( )
3 1 4 1 7 10 4 1 3 1 3 9

(2) 𝐴𝐵 = 0 n’implique pas 𝐴 = 0 𝑜𝑢 𝐵 = 0.


Il peut arriver que 𝐴 ≠ 0 𝑒𝑡 𝐵 ≠ 0 𝑚𝑎𝑖𝑠 𝐴𝐵 = 0.
0 4 5 2 0 0
( )( )=( )
0 9 0 0 0 0
(3) 𝐴𝐵 = 𝐴𝐶 n’implique pas 𝐵 = 𝐶. C’est à dire on peut avoir 𝐴𝐵 = 𝐴𝐶 et 𝐵 ≠ 𝐶
0 −1 4 −1 2 5 −5 −4
𝐴=( ), 𝐵=( )≠𝐶=( ) 𝑒𝑡 𝐴𝐵 = 𝐴𝐶 = ( )
0 3 5 4 5 4 15 12

c) Propriétés du produit de matrices

Proposition 2 :

 Le produit est associatif : 𝐴(𝐵𝐶) = (𝐴𝐵)𝐶


 Le produit est distributif par rapport à la somme :
𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶 et (𝐵 + 𝐶)𝐴 = 𝐵𝐴 + 𝐶𝐴
 𝐴. 0 = 0 𝑒𝑡 0. 𝐴 = 0
 𝐴(𝛼𝐵) = 𝛼(𝐴𝐵)

C. Transposition d’une matrice

Définition 6 : Soit 𝐴 = (𝑎𝑖,𝑗 ) une matrice de taille 𝑛 × 𝑝. La matrice transposée de



A, notée 𝐴𝑡 = (𝑎𝑖𝑗 ) , est la matrice de taille 𝑝 × 𝑛 avec

∀(𝑖, 𝑗) ∈ {1, … , 𝑛} × {1, … , 𝑝} 𝑎𝑖𝑗 = 𝑎𝑗𝑖
Ainsi la première colonne de 𝐴 donne la première ligne de𝐴𝑡 ...
1 4
1 2 3
Exemple 6 : 𝐴=( ) ∈ 𝑀2,3 (ℝ) 𝐴𝑡 = (2 5) ∈ 𝑀3,2 (ℝ)
4 5 6
3 6
Théorème 1 : (𝐴𝑡 )𝒕 = 𝑨
 (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵 𝑡
 (𝛼𝐴)𝑡 = 𝛼𝐴𝑡
 (𝐴𝐵)𝑡 = 𝐵 𝑡 𝐴𝑡
 det(𝐴𝑡 ) = det(𝐴)
D. Matrices carrées

1. Définition 7 :

Dans le cas où 𝑛 = 𝑝 (même nombre de lignes et de colonnes), la matrice est dite


matrice carrée. On note l’ensemble des matrices carrées 𝑀𝑛 (ℝ) au lieu de 𝑀𝑛,𝑛 (ℝ) :
𝑎1,1 𝑎1,2 𝑎1,3 … 𝑎1,𝑛
𝑎2,1 𝑎2,2 𝑎2,3 … 𝑎2,𝑛
( …….. ) ∈ 𝑀𝑛 (ℝ)
𝑎𝑛,1 𝑎𝑛,2 𝑎𝑛,3 … 𝑎𝑛,𝑛
Les éléments 𝑎1,1 … . 𝑎𝑛,𝑛 forment la diagonale principale de la matrice carrée.

2. Cas particuliers de matrices carrées

 Matrice identité :
La matrice carrée suivante s’appelle la matrice identité :
1 0 0……0
0 1 0……0
𝐼𝑛 = ( )
…………………..
0 0 0……1
Ses éléments diagonaux sont égaux à 1 et tous ses autres éléments sont égaux à 0.
Elle se note In ou simplement I. Dans le calcul matriciel, la matrice identité joue un
rôle analogue à celui du nombre 1 pour les réels. C’est l’élément neutre pour la
multiplication. En d’autres termes :
∀𝐴 ∈ 𝑀𝑛 , 𝐼𝑛 . 𝐴 = 𝐴 𝑒𝑡 𝐴. 𝐼𝑛 = 𝐴
 Une Matrice carrée est symétrique si 𝐴𝑡 = 𝐴
1 2 3
𝐴 = (2 5 7) , on a 𝐴𝑡 = 𝐴 donc 𝐴 est symétrique.
3 7 9

 Une Matrice carrée est antisymétrique si 𝐴𝑡 = −𝐴


0 2 3
𝐴 = (−2 0 − 7) , on a 𝐴𝑡 = −𝐴 donc A est antisymétrique.
−3 7 0

 Une Matrice carrée est orthogonale si 𝐴(𝐴𝑡 ) = (𝐴𝑡 )𝐴 = 𝐼𝑛

 Une Matrice carrée est dite triangulaire inférieure si ses éléments au-
dessus de la diagonale sont nuls :
𝑎1,1 0 0 …0
𝑎2,1 𝑎2,2 0 …0
( )
… … ..
𝑎𝑛,1 𝑎𝑛,2 𝑎𝑛,3 … 𝑎𝑛,𝑛
1 0 0
2 0
Exemple 7 : ( 5 6 0 ) et ( ) sont des matrices triangulaires inférieures.
1 3
2 3 4

 On dit que 𝐴 est triangulaire supérieure si ses éléments au-dessous de la


diagonale sont nuls :

𝑎1,1 𝑎1,2 𝑎1,3 … 𝑎1,𝑛


0 𝑎2,2 𝑎2,3 … 𝑎2,𝑛
( …….. )
0 0 0 … 𝑎𝑛,𝑛
1 4 9
2 7
Exemple de matrices triangulaires supérieures : ( 0 6 0 ) et ( ).
0 3
0 0 4
 Une Matrice carrée est dite diagonale si ses éléments au-dessus et au
dessous de la diagonale sont nuls :
𝑎1,1 0 0 …0
0 𝑎2,2 0 …0
( )
… … ..
0 0 0 … . 𝑎𝑛,𝑛

1 0 0
2 0
Exemple de matrices diagonales: ( 0 7 0 ) et ( ).
0 3
0 0 5

3. Puissance d’une matrice carrée :

On peut multiplier une matrice carrée par elle-même :

𝐴2 = 𝐴 × 𝐴 , 𝐴3 = 𝐴 × 𝐴 × 𝐴 …

Définition 8 : Pour tout 𝐴 ∈ 𝑀𝑛 , on définit les puissances successives de 𝐴 par


𝐴0 = 𝐼𝑛 et 𝐴𝑝+1 = 𝐴 × 𝐴𝑝 pour tout 𝑝 ∈ ℕ. Autrement dit, 𝐴𝑝 = 𝐴 × 𝐴 × … × 𝐴.
1 0 1
Exemple 8 : On cherche à calculer 𝐴𝑝 avec 𝐴 = ( 0 − 1 0 ). On calcule 𝐴2 , 𝐴3 et 𝐴4 :
0 0 2

1 0 3 1 0 7 1 0 15
𝐴2 = ( 0 1 0 ), 𝐴3 = 𝐴2 × 𝐴 = (0 − 1 0) , 𝐴4 = 𝐴3 × 𝐴 = ( 0 1 0)
0 0 4 0 0 8 0 0 16
L’observation de ces premières puissances permet de penser que la formule est :
1 0 2𝑝 − 1
𝑝
𝐴 = (0 (−1)𝑝 0 ). Démontrons ce résultat par récurrence.
0 0 2𝑝
Il est vrai pour 𝑝 = 0 (on trouve l’identité : 𝐴0 = 𝐼𝑛 ).
On le suppose vrai pour 𝑝 et on démontre qu’il est vrai pour 𝑝 + 1. On a, d’après la
définition,
1 0 2𝑝 − 1 1 0 1 1 0 2𝑝+1 − 1
𝑝+1 𝑝
𝐴 = 𝐴 ×𝐴 = (0 (−1)𝑝 0 ) × (0 − 1 0) = ( 0 (−1)𝑝+1 0 )
0 0 2𝑝 0 0 2 0 0 2𝑝+1
Donc la propriété est démontrée.

4. Formule du binôme :
Comme la multiplication n’est pas commutative, les identités binomiales usuelles
sont fausses. En particulier, (𝐴 + 𝐵)2 ne vaut en général pas 𝐴2 + 2𝐴𝐵 + 𝐵 2 , mais on
sait seulement que :
(𝐴 + 𝐵)2 = 𝐴2 + 𝐴𝐵 + 𝐵𝐴 + 𝐵 2 .
Proposition 2 : Soient A et B deux éléments de 𝑀𝑛 (ℝ) qui commutent, c’est-à-dire
tels que 𝐴𝐵 = 𝐵𝐴. Alors, pour tout entier 𝑝 ≥ 0, on a la formule

(𝐴 + 𝐵)𝑝 = ∑𝑝𝑘=0(𝑝𝑘) 𝐴𝑝−𝑘 𝐵 𝑘


où (𝑝𝑘) désigne le coefficient du binôme.
2 1 1 1 0 1 1 1
0 2 2 1 0 0 2 1
Exemple 9 : Soit = ( ). On pose 𝑀 = 𝐵 − 2𝐼 = ( )
0 0 2 3 0 0 0 3
0 0 0 2 0 0 0 0
On a :
0 0 2 4 0 0 0 6 0 0 0 0
0 0 0 6 0 0 0 0 0 0 0 0
𝑀2 = ( ), 𝑀3 = ( ) et 𝑀4 = ( )=0
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
Comme on a 𝐵 = 𝑀 + 2𝐼 et les matrices M et 2I commutent (la matrice identité
commute avec toutes les matrices), on peut appliquer la formule du binôme de
Newton. On utilise que 𝐼 𝑘 = 𝐼 pour tout k et surtout que 𝑀4 = 0 𝑠𝑖 𝑘 ≥ 4 .
On obtient :
𝑝 𝟑
𝑝 𝑝
𝐵 𝑝 = ∑ ( ) 𝑀𝑘 (2𝐼 )𝑝−𝑘 = ∑ ( ) 𝑀𝑘 2𝑝−𝑘
𝑘 𝑘
𝑘=0 𝑘=0
𝑝 𝑝 𝑝−1 𝑝−3 𝑝(𝑝−1)(𝑝−2) 𝑝−4 3
Soit 𝐵 =2 𝐼+2 𝑝𝑀 + 2 𝑝(𝑝 − 1)𝑀2 + 2 𝑀
3

8 4𝑝 2𝑝(𝑝 + 1) 𝑝(𝑝2 + 𝑝 + 2)
D’où 𝐵 𝑝 = 2𝑝−3 ( 0 8 8𝑝 2𝑝(3𝑝 − 1))
0 0 8 12𝑝
0 0 0 8
E. Inversion d’une matrice carrée

1. Définition 9

Soit A une matrice carrée (𝑛 × 𝑛). S’il existe une matrice carrée B (𝑛 × 𝑛) telle que
𝐴𝐵 = 𝐼 𝑒𝑡 𝐵𝐴 = 𝐼,
on dit que 𝐴 est inversible. On appelle 𝐵 l’inverse de 𝐴 et on la note 𝐴−1 .
On verra plus tard qu’il suffit en fait de vérifier une seule des deux conditions
𝐴𝐵 = 𝐼 𝑜𝑢 𝑏𝑖𝑒𝑛 𝐵𝐴 = 𝐼.
L’ensemble des matrices inversibles est noté 𝐺𝐿𝑛 (ℝ).
1 −1
Exemple 10 : soit 𝐴 = ( ). Étudier si A est inversible, c’est étudier l’existence
3 0
𝑎 𝑏
d’une matrice 𝐵 = ( ) à coefficients réels, telle que 𝐴𝐵 = 𝐼 𝑒𝑡 𝐵𝐴 = 𝐼.
𝑐 𝑑
1 −1 𝑎 𝑏 1 0 𝑎−𝑐 𝑏−𝑑 1 0
On a : 𝐴𝐵 = 𝐼 ⇔ ( )( )= ( ) ⇔ ( )=( )
3 0 𝑐 𝑑 0 1 3𝑎 3𝑏 0 1
𝑎−𝑐 =1
𝑏−𝑑 =0
Cette égalité équivaut au système : {
3𝑎 = 0
3𝑏 = 1
1 1
Sa résolution est immédiate : a = 0, b = 3 , c = −1 et d = 3 . Il n’y a donc qu’une
1
0 3
solution possible, à savoir B=( 1) . On peut vérifier également que BA = I .
−1 3
−1
La matrice est donc inversible et on a A = B.

2. Propriétés

Si 𝑨 𝒆𝒕 𝐁 sont deux matrices carrées inversibles alors :

 𝐴−1 est unique


 (𝐴−1 )−1 = 𝐴
 (𝐴𝐵)−1 = 𝐵 −1 𝐴−1
1
 (𝑘𝐴)−1 = 𝑘 𝐴−1 , 𝑘 ∈ ℝ∗

 (𝐴𝑡 )−1 = (𝐴−1 )𝑡


1
 𝑑𝑒𝑡(𝐴−1 ) = 𝑑𝑒𝑡(𝐴)

3. Déterminent et inverse de matrice

Définition 11 : Soit 𝑎𝑖𝑗 un élément d’une matrice carrée 𝐴. On appelle mineur de 𝐴


relatif à 𝑎𝑖𝑗 , et on note ∆𝑖𝑗 , le déterminent d’ordre 𝑛 − 1 de la matrice obtenue à
partir de 𝐴 en supprimant la ligne i et la colonne j.
1 2 3
1 3
Exemple 11 : 𝐴 = (5 4 8) → ∆3,2 = | | = 8 − 15 = −7
5 8
9 0 6
Définition 12 :
Soit 𝐴 ∈ 𝑀𝑛 (ℝ), on appelle cofacteur d’indice (𝑖, 𝑗) de 𝐴 l’élément (−1)𝑖+𝑗 ∆𝑖𝑗 .
On appelle comatrice de 𝑨, et on note 𝑨 ̃ , la matrice carrée d’ordre 𝑛 dont les
coefficients 𝐴̃𝑖𝑗 est le cofacteur de 𝐴 d’indice (𝑖, 𝑗).

Théorème 2 : 𝐴 ∈ 𝑀𝑛 (ℝ) est inversible si et seulement si 𝑑𝑒𝑡(𝐴) ≠ 0 , et alors :


𝟏
𝑨−𝟏 = ̃𝒕
𝑨
𝒅𝒆𝒕(𝑨)

 𝑑𝑒𝑡(𝐴) ≠ 0 est un très bon critère d’invisibilité ;


 C’est une bonne méthode pour trouver 𝐴−1 si son calcul explicite n’est pas très lourd

a) Cas de matrice 2x2 :


a b
Considérons la matrice A = ( )
c d
Proposition 3 : Si 𝑎𝑑 − 𝑏𝑐 ≠ 0, alors 𝐴 est inversible et
1 𝑑 −𝑏
𝐴−1 = 𝑎𝑑−𝑏𝑐 ( )
−𝑐 𝑎
1 2
Exemple 12 : 𝑨 = ( ). On a det(𝐴) = 9 − 6 = 3 ≠ 0, donc 𝑨 est inversible et
3 9
1 9 −2
𝐴−1 = 3 ( )
−3 1
b) Cas de matrice 3x3 :
1 0 2
Exemple 13 : Considérons la matrice 𝐴 = ( −1 3 1 ).
0 2 4
3 1 −1 3
𝑑𝑒𝑡(𝐴) = 1. | |+ 2| | = 6 ≠ 0 donc 𝐴 est inversible. La comatrice de 𝑨 est
2 4 0 2
3 1 −1 1 −1 3
| | −| | | |
2 4 0 4 0 2 10 4 −2
0 2 1 2 1 0
𝐴̃ = − | | | | −| | =( 4 4 − 2)
2 4 0 4 0 2
0 2 1 2 1 0 −6 − 3 3
( | | − | | | |
3 1 −1 1 −1 3 )

1 1 10 4 −6
−1
𝐴 = ̃ 𝑡
𝐴 = ( 4 4 − 3)
𝑑𝑒𝑡(𝐴) 6
−2 −2 3
Théorème 3 : Une matrice 𝐴 de taille 𝑛 × 𝑛, triangulaire, est inversible si et
seulement si ses éléments diagonaux sont tous non nuls.
10 4 −6
Exemple 14 : 𝐴 = ( 0 0 − 3 ) n’est pas inversible car 𝑑𝑒𝑡(𝐴) = 10 × 0 × 3 = 0.
0 0 3
4. Inversion des matrices et systèmes linéaires

L’inversion d’une matrice est une notion fondamentale car, si une matrice A est
inversible, nous avons, pour X un vecteur indéterminé et B un vecteur connu :
𝐴𝑋 = 𝐵 ⇔ 𝐴−1 𝐴𝑋 = 𝐴−1 𝐵 ⇔ 𝐼𝑛 𝑋 = 𝐴−1 𝐵 ⇔ 𝑋 = 𝐴−1 𝐵
C'est à dire que nous avons résolu un système d'équations linéaires.

Exemple précédent : Cherchons la solution du système linéaire 𝐴𝑋 = 𝐵 où


1 0 2 4
𝐴 = ( −1 3 1 ) et 𝐵 = ( 5 ).
0 2 4 10
D’après l’exemple précédent, 𝐴 est inversible. Donc la solution du système est donnée
10 4 −6 4 0
1
par : 𝑋 = 𝐴−1 𝐵 = 6 ( 4 4 − 3 ) ( 5 ) = (1).
−2 − 2 3 10 2

F. Rang d’une matrice :


Théorème 4 : Soit A une matrice m × n alors 𝒓𝒂𝒏𝒈(𝑨) = 𝒓 si et seulement si :
i) On peut extraire un mineur non nul d’ordre r de la matrice A.
ii) Tous les mineurs de A d’ordre r + 1 sont nuls.

Corollaire 5 :

1. Soit 𝑨 ∈ 𝑀𝑛,𝑚 (ℝ), alors 𝑟𝑎𝑛𝑔(𝐴) ≤ 𝑚𝑖𝑛(𝑚, 𝑛)


2. Soit 𝑨 ∈ 𝑀𝑛 (ℝ) 𝐴 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑏𝑙𝑒 ⇔ 𝑑𝑒𝑡(𝐴) ≠ 0 ⇔ 𝑟𝑎𝑛𝑔(𝐴) = 𝑛

2 −6 8 4
Exemple 15 : Soit la matrice B = ( 4 2 2 8)
−2 − 4 2 −4

La matrice B ∈ 𝑀3,4 (ℝ), et d’après le corollaire ci-dessus : 𝑟𝑎𝑛𝑔(𝐵) ≤ 𝑚𝑖𝑛(3, 4) = 3.

On peut extraire les déterminants d’ordre 3 suivants, que l’on calculera :

2 −6 8 2 −6 4 −6 8 4 2 8 4
|4 2 2 | = 0; | 4 2 8 | = 0; | 2 2 8 | = 0; | 4 2 8|=0
−2 − 4 2 −2 − 4 − 4 −4 2 −4 −2 2 − 4

On peut extraire les déterminants d’ordre 2 suivants, que l’on calculera :

2 −6 2 8 4 8
| | = 28; | | = 24; | | = 0;
4 2 −4 −4 −2 −4

Certains sont nuls, mais il existe au moins un déterminant d’ordre 2 qui est non nul.
On dira que la rang de la matrice 𝐵 est 2 : 𝑟 = 2.
Série 5 : Matrices

Exercice 1 : On considère les trois matrices suivantes :


1
1 0 4 2 0 1
𝐴=( ) 𝐵=( ) 𝑒𝑡 𝐶 = (−1)
2 3 0 −1 1 0
3
Faire, si c’est possible, les opérations suivantes : 2𝐴 + 3𝐵, 𝑡𝐴𝐵, 𝐴2 , 𝐴𝐵, 𝐴𝐶 𝑒𝑡 𝐶𝐴.
2 1 1
Exercice 2 : Soit la matrice 𝐴 = (0 2 1). Calculer 𝐴𝑛 pour 𝑛 ∈ ℕ.
0 0 2
0 1 −1
Exercice 3 : Soit la matrice suivante : 𝐴 = (−3 4 −3).
−1 1 0
1.Calculer 𝐴2 . Vérifier que 𝐴2 − 3𝐴 + 2𝐼3 = 0. En déduire que 𝐴 est inversible et
calculer 𝐴−1..

1. En déduire 𝐴𝑛 pour 𝑛 ∈ ℕ.
4 −2 1 1 0 0
Exercice 4 : Soit les matrices suivantes : 𝐴 = ( 2 −1 2) 𝑒𝑡 (0 −1 0)
−1 2 2 0 0 1
1. 𝐴 est-elle inversible ? Si oui, déterminer 𝐴−1 .
2. Calculer 𝐶 = 𝐴𝐵. 𝐶 est-elle inversible ? Si oui, calculer 𝐶 −1.

Exercice 5 : A l’aide des déterminants, calculer le rang des matrices suivantes :


2 1 3 −1 2 0 2 0 2
1 2 1
3 −1 2 0 0 1 0 1 0
𝐴 = (−1 0 1) , 𝐵 = ( ), 𝐶 = ( )
1 3 4 −2 2 1 0 2 1
3 2 2
4 −3 1 1 0 1 0 1 0
𝜆 1 0
Exercice 6 : Soit la matrice suivante : 𝐴 = (0 𝜆 1). Calculer 𝐴𝑛 pour 𝑛 ∈ ℕ.
0 0 𝜆
2 6
1 5 −3 2 3 −1
Exercice 7 : On considère les matrices:𝐴 = ( ) 𝑒𝑡 𝐵 = ( )
3 −2 −1 −2 4 5
−2 7
1. Montrer que 𝐴𝐵 = 𝐼, où 𝐼 est la matrice unité d’ordre 2. Peut-on déduire que
A est inversible ?
2. Déterminer la matrice 𝑀 = 𝐵𝐴 puis calculer 𝑀2 .
3 −1 1
Exercice 8 : Soit la matrice suivante : 𝐴 = (7 −5 1)
6 −6 2
Déterminer les scalaires 𝛌∈ ℝ pour lesquels la matrice 𝐴 − λI est inversible.
3 1 1
Exercice 9 : Soit la matrice : 𝐴 = (1 3 1).
1 1 3
1. Montrer qu’il existe deux suites réelles (𝑎𝑛 ) 𝑒𝑡 (𝑏𝑛 ) / ∀𝑛 ∈ ℕ, 𝐴𝑛 = 𝑎𝑛 𝐼3 + 𝑏𝑛 𝐴.
2. Déterminer ces deux suites. En déduire 𝐴𝑛 pour 𝑛 ∈ ℕ.
Solution de la Série 5 : Matrices

Exercice 1, 3, 4 et 6 : (voir T.D. en classe)

Exercice 2 : Afin de faciliter les calculs, il est préférable d’écrire A sous la forme :
0 1 1 1 0 0
𝐴 = 2𝐼 + 𝐽 où 𝐽 = (0 0 1) 𝑒𝑡 𝐼 = (0 1 0)
0 0 0 0 0 1
Puisque 𝐼 et 𝐼 commutent (car 𝐼𝐽 = 𝐽𝐼), alors on peut utiliser la formule du binôme de
Newton. Donc, pour tout 𝑛 ∈ ℕ,
𝑛 𝑛 𝑛 𝑛
𝑛 𝑛 𝑛 𝑛
𝐴 = ∑ ( ) 𝐽𝑘 (2𝐼)𝑛−𝑘 = ∑ ( ) 𝐽𝑘 𝐼 𝑛−𝑘 2𝑛−𝑘 = ∑ ( ) 2𝑛−𝑘 𝐽𝑘 𝐼 = ∑ ( ) 2𝑛−𝑘 𝐽𝑘
𝑛
𝑘 𝑘 𝑘 𝑘
𝑘=0 𝑘=0 𝑘=0 𝑘=0
0 0 1 0 0 0
Or : 𝐽2 = (0 0 0) 𝑒𝑡 𝐽3 = (0 0 0) =0. Donc, ∀𝑘 ≥ 3, 𝐽𝑘 = 0. Par suite :
0 0 0 0 0 0
𝑛 𝑛 0 𝑛 𝑛−1 1 𝑛 𝑛 𝑛
∀𝑛 ≥ 2, 𝐴 = ( ) 2 𝐽 + ( ) 2 𝐽 + ( ) 2𝑛−2 𝐽2 + ( ) 2𝑛−3 𝐽3 + ⋯ ( ) 20 𝐽𝑛
𝑛
0 1 2 3 𝑛
𝑛(𝑛−1) 𝑛 𝑛
Soit, ∀𝑛 ≥ 2, 𝐴𝑛 = 2𝑛 𝐼 + 𝑛2𝑛−1 𝐽 + 2 2𝑛−2 𝐽2 + ( ) 2𝑛−3 . 0 + ⋯ ( ) 20 . 0
3 𝑛
𝑛(𝑛−1)
∀𝑛 ≥ 0, 𝐴𝑛 = 2𝑛 𝐼 + 𝑛2𝑛−1 𝐽 + 2 2𝑛−2 𝐽2 (car la formule est valable pour n=0 ou 1)
2𝑛 𝑛2𝑛−1 𝑛(𝑛 + 3)2𝑛−3
Donc, pour tout 𝑛 ∈ ℕ, 𝐴𝑛 = ( 0 2𝑛 𝑛2𝑛−1 ).
𝑛
0 0 2
Exercice 4 : A l’aide des déterminants, calculons le rang des matrices 𝐴, 𝐵 𝑒𝑡 𝐶.
1 18 7 1 18 7
22 10
 det 𝐴 = |1 40 17| = |0 22 10 | =| | = 0. Donc
−55 −25
4 17 3 0 −55 −25
8 7
rang(A)≤ 2 ; et puisque : | | = 3 ≠ 0. Donc rang(A)=2.
7 3
0 1 3 −1
0 −1 2 0
 det 𝐵 = | | = 0. Donc rang(B)≤ 3. Or, on peut vérifier que
0 3 4 −2
0 −3 1 1
2 1 3 0 1 3
tous les déterminants d’ordre 3 sont nuls (ex: |3 −1 2| = |0 −1 2| = 0) .
1 3 4 0 3 4
 Donc, rang(B)≤ 2. Et puisqu’il existe au moins un déterminant d’ordre 2 non
2 1
nul (exemple : | | = −5 ≠ 0). Par conséquent, rang(B)= 2.
3 −1
 De la même façon, on peut montrer que le rang de C est égal à 5.
2 6
1 5 −3 2 3 −1
Exercice 7 : Soient : 𝐴 = ( ) 𝑒𝑡 𝐵 = ( )
3 −2 −1 −2 4 5
−2 7
1 0
1. On a : 𝐴𝐵 = ( ) = 𝐼2 , donc 𝐵 est une inverse à droite de 𝐴, mais puisque 𝐴
0 1
n’est pas une matrice carrée ; donc 𝐴 n’est pas inversible.
20 − 2 − 12 − 8
0 17 − 8 8
2. 𝑀 = 𝐵𝐴 = ( ).
19 10 − 17 − 2
19 24 − 1 − 18
2
𝑀 = (𝐵𝐴)(𝐵𝐴) = 𝐵(𝐴𝐵)𝐴 = 𝐵𝐼𝐴 = 𝐵𝐴 = 𝑀. (on dit que M est idempotente)

Exercice 8 : 𝐴 − λI est inversible ⇔ det(𝐴 − λI) ≠ 0.


3 −1 1 1 0 0 3−λ −1 1
𝐴 − λI = (7 −5 1) − λ (0 1 0) = ( 7 −5 − λ 1 )
6 −6 2 0 0 1 6 −6 2−λ
3−λ −1 1 3 − λ −1 1
Donc: det(𝐴 − λI) = | 7 −5 − λ 1 | = | 1 1 − λ −1 + λ| ∶ (𝐿2 − 𝐿3 )
6 −6 2−λ 6 −6 2−λ
3−λ 0 1
3−λ 1
=| 1 0 −1 + λ| = −(−4 − λ) | | = (4 + λ)[(3 − λ)(λ − 1) − 1]
1 λ−1
6 −4 − λ 2 − λ
𝐴 − λI est inversible ⇔ det(𝐴 − λI) ≠ 0 ⇔ −(4 + λ)(λ − 2)2 ≠ 0 ⇔ λ ≠ −4 et λ ≠ 2
3 1 1
Exercice 9 : Soit la matrice : 𝐴 = (1 3 1).
1 1 3
1. On a : 𝐴0 = 𝐼3 = 1. 𝐼3 + 0. 𝐴 et 𝐴1 = 𝐴 = 0. 𝐼3 + 1. 𝐴
11 7 7 −10 0 0 21 7 7
2
𝐴 = ( 7 11 7 ) = ( 0 −10 0 ) + ( 7 21 7 ) = −10. 𝐼3 + 7. 𝐴
7 7 11 0 0 −10 7 7 21
2 𝑛
Soit 𝑅(𝑛) la propriété : ≪ ∃(𝑎𝑛 , 𝑏𝑛 ) ∈ ℝ 𝑡𝑒𝑙 𝑞𝑢𝑒 𝐴 = 𝑎𝑛 𝐼3 + 𝑏𝑛 𝐴 ≫.
 𝑅(0), 𝑅(1) 𝑒𝑡 𝑅(2) sont vraies (d’après ce qui précède).
 Soit 𝑛 ≥ 2. Supposons 𝑅(𝑛) vraie, montrons que 𝑅(𝑛 + 1) est vraie.
𝐴𝑛+1 = 𝐴𝑛 . 𝐴 = (𝑎𝑛 𝐼3 + 𝑏𝑛 𝐴)𝐴 = 𝑎𝑛 𝐴 + 𝑏𝑛 𝐴2 = 𝑎𝑛 𝐴 + 𝑏𝑛 (−10𝐼3 + 7𝐴)
= −10𝑏𝑛 𝐼3 + (𝑎𝑛 + 7𝑏𝑛 )𝐴
𝑎 = −10𝑏𝑛
En posant (𝑆) { 𝑛+1 , on a : 𝐴𝑛+1 = 𝑎𝑛+1 𝐼3 + 𝑏𝑛+1 𝐴
𝑏𝑛+1 = 𝑎𝑛 + 7𝑏𝑛
Donc 𝑅(𝑛 + 1) est vraie et les suites 𝑎𝑛 𝑒𝑡 𝑏𝑛 existent.
2. D’après (S), on a pour tout 𝑛 ∈ ℕ, 𝑏𝑛+2 = 𝑎𝑛+1 + 7𝑏𝑛+1 = −10𝑏𝑛 + 7𝑏𝑛+1 ou
encore 𝑏𝑛+2 − 7𝑏𝑛+1 + 10𝑏𝑛 = 0.
(𝑏𝑛 ) est une suite récurrente linéaire d’ordre 2. L’équation caractéristique est :
𝑟 2 − 7𝑟 + 10 = 0 qui admet 2 racines réelles 𝑟1 = 5 𝑒𝑡 𝑟2 = 2 donc il existe :
𝛼 𝑒𝑡 𝛽 réels tels que pour tout 𝑛 ∈ ℕ, 𝑏𝑛 = 𝛼5𝑛 + 𝛽2𝑛 .
𝑏 =0 𝛼+ 𝛽=0 3𝛼 = 1 𝛼 = 1/3
{ 0 ⇒{ ⇒{ ⇒{
𝑏1 = 1 5𝛼 + 2𝛽 = 1 𝛽 = −𝛼 𝛽 = −1/3
1
D’où pour tout 𝑛 ∈ ℕ, 𝑏𝑛 = 3 (5𝑛 − 2𝑛 ).
10 1
On en déduit pour tout 𝑛 ∈ ℕ∗ , 𝑎𝑛 = − (5𝑛−1 − 2𝑛−1 ) = − (2. 5𝑛 − 5. 2𝑛 )
3 3
Formule encore vraie si 𝑛 = 0.
1
𝑎𝑛 = 3 (5. 2𝑛 − 2. 5𝑛 )
Finalement : ∀𝑛 ∈ ℕ { 1 .
𝑏𝑛 = 3 (5𝑛 − 2𝑛 )
Chapitre 6
Espace Vectoriel

La notion d’espace vectoriel est une structure fondamentale des mathématiques


modernes. Il s’agit de dégager les propriétés communes que partagent des ensembles
pourtant très différents.
Un ensemble de vecteurs, dit « espace vectoriel » est un ensemble d’objets que l’on
peut : Additionner entre elles, multiplier par des nombres avec toutes les propriétés
naturelles de ces opérations. Ici, les vecteurs ont un sens général: matrices, suites,
fonctions……
Le but est d’obtenir des théorèmes généraux qui s’appliqueront aussi bien aux
vecteurs de l’espace, aux fonctions, aux polynômes, aux matrices, aux suites…

A. Espace vectoriel

Définition 1 : Un ℝ-espace vectoriel est un ensemble non vide 𝐸 muni :


 d’une loi de composition interne, c’est-à-dire d’une application de 𝐸 × 𝐸 dans 𝐸
𝐸×𝐸 → 𝐸
(𝑢, 𝑣) → 𝑢 + 𝑣
 d’une loi de composition externe, c’est-à-dire d’une application de ℝ × 𝐸 dans E
ℝ×𝐸 → 𝐸
(𝛼, 𝑣) → 𝛼. 𝑣
qui vérifient les propriétés suivantes :
1. 𝑢 + 𝑣 = 𝑣 + 𝑢 ( pour tous 𝑢, 𝑣 ∈ 𝐸) (commutativité de +)
2. (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤) ( pour tous 𝑢, 𝑣, 𝑤 ∈ 𝐸) (associativité de +)
3. Il existe un élément neutre 𝟎𝑬 ∈ 𝐸 tel que 𝑢 + 𝟎𝑬 = 𝑢 (pour tout 𝑢 ∈ 𝐸)
4. Tout 𝑢 ∈ 𝐸 admet un symétrique 𝑢′ tel que 𝑢 + 𝒖′ = 0𝐸 . (𝒖′ est noté – 𝒖)
5. 𝟏. 𝑢 = 𝑢 (pour tout 𝑢 ∈ 𝐸)
6. 𝛼. (𝛽. 𝑢) = (𝛼𝛽). 𝑢 (pour tous 𝛼, 𝛽 ∈ ℝ, 𝑢 ∈ 𝐸) (associativité mixte)
7. 𝛼. (𝑢 + 𝑣) = 𝛼. 𝑢 + 𝛼. 𝑣 (pour tous 𝛼 ∈ ℝ, 𝑢, 𝑣 ∈ 𝐸) (distributivité mixte)
8. (𝛼 + 𝛽). 𝑢 = 𝛼. 𝑢 + 𝛽. 𝑢 (pour tous 𝛼, 𝛽 ∈ ℝ, 𝑢 ∈ 𝐸) (distributivité mixte)

Les éléments de E sont appelés vecteurs et ceux de ℝ sont appelés scalaires.

Remarque : Un ensemble E muni d’une loi interne + vérifiant les propriétés 1, 2, 3 et


4 est appelé un groupe commutatif.
Proposition 1 :
1. S’il existe un élément neutre 0𝐸 vérifiant la condition (3), alors il est unique ;
2. Soit 𝑢 un élément de E. S’il existe un élément symétrique 𝑢′ de E vérifiant la
condition (4), alors il est unique.

Exemples 1 :

1. (ℝ, +, . ) est un espace vectoriel sur ℝ;


2. (ℱ(ℝ, ℝ), +, . ) l’ensemble des fonctions de ℝ versℝ, est un ℝ − espace vectoriel.
3. L’ensemble des suites réelles (ou complexes) ℱ(ℕ, ℝ)(vu comme application de ℕ
vers ℝ, est un espace vectoriel sur ℝ;
4. L’ensemble des matrices Mn,p(ℝ) est muni d’une structure de ℝ − espace vectoriel
5. (ℝ2 , +, . ) est un espace vectoriel sur ℝ: ℝ2 = {(𝑥, 𝑦) ∈ ℝ2 , 𝑥 ∈ ℝ 𝑒𝑡 𝑦 ∈ ℝ} ;
 Définition de la loi interne : Si (𝑥, 𝑦) et (𝑥′, 𝑦′) sont deux éléments de ℝ2 , alors :
(𝑥, 𝑦) + (𝑥′, 𝑦′) = (𝑥 + 𝑥′ , 𝑦 + 𝑦′ )

 Définition de la loi externe. Si β est un réel et (x, y) est un élément de ℝ2 , alors :


𝛽. (𝑥, 𝑦) = (𝛽. 𝑥, 𝛽. 𝑦)
L’élément neutre de la loi interne est le vecteur nul (0,0). Le symétrique de
(𝑥, 𝑦) est (−𝑥, −𝑦), que l’on note aussi – (𝑥, 𝑦).

Schéma1 p60 AMS7

B. Sous-espace vectoriel
Il est vite fatiguant de vérifier les 8 axiomes qui font d’un ensemble un espace
vectoriel. Heureusement, il existe une manière rapide et efficace de prouver qu’un
ensemble est un espace vectoriel : grâce à la notion de sous-espace vectoriel.
Définition 2 : Soit E un espace vectoriel sur ℝ. Une partie 𝐹 de 𝐸 est dite sous-
espace vectoriel de 𝐸 si la restriction des lois de 𝐸 à 𝐹 lui confère une structure
d’espace vectoriel.

Proposition 2 : Soit 𝐸 un ℝ -espace vectoriel. Une partie 𝐹 de 𝐸 est appelée un


sous-espace vectoriel si :

i. 𝐹 non vide,
ii. 𝑢 + 𝑣 ∈ 𝐹 pour tous 𝑢, 𝑣 ∈ 𝐹,
iii. 𝛽. 𝑢 ∈ 𝐹 pour tout 𝛽 ∈ ℝ et tout 𝑢 ∈ 𝐹.
Remarque (explication des conditions ci-dessus) :
 La première condition signifie que le vecteur nul 𝟎𝑬 de 𝐸 doit aussi être
dans 𝐹. En fait il suffit même de prouver que 𝐹 est non vide.
 La deuxième condition, c’est dire que 𝐹 est stable pour l’addition: la somme
𝑢 + 𝑣 de deux vecteurs 𝑢, 𝑣 de 𝐹 est bien sûr un vecteur de 𝐸 (car 𝐸 est un
espace vectoriel), mais ici on exige que 𝑢 + 𝑣 soit un élément de 𝐹.
 La troisième condition, c’est dire que F est stable pour la multiplication par
un scalaire.
Remarque : Un sous-espace vectoriel 𝐹 contient toujours l’élément neutre 𝟎𝑬 , donc
le point (i) de la proposition peut être remplacé par 0𝐸 ∈ 𝐹. De plus (ii) et (iii)
peuvent être regroupé en une seule condition comme suit :

Proposition 3 : Soit 𝐸 un ℝ -espace vectoriel. Une partie 𝐹 ⊂ 𝐸 est appelée un


sous-espace vectoriel si et seulement si on a :
i. 𝟎𝑬 ∈ 𝑭 ;
ii. 𝛼. 𝑢 + 𝛽. 𝑣 ∈ 𝐹 pour tout 𝛼, 𝛽 ∈ ℝ et tout 𝑢, 𝑣 ∈ 𝐹.

Exemples 2 :

1. Dans le plan, toute droite passant par l’origine O est un sous-espace vectoriel.
Cependant, la réunion de deux droites passant par l’origine (c'est-à-dire l’ensemble
des vecteurs portés par l’une ou l’autre des droites) n’est pas un sous-espace
vectoriel du plan, car la somme de deux vecteurs appartenant à deux droites
différentes n’est pas sur l’une ou l’autre des droites ;

Fig feuil p2

2. L’ensemble 𝐹 = {(𝑥, 𝑦) ∈ ℝ2 , 𝑥 + 𝑦 = 0} est un sous-espace vectoriel deℝ2 . En effet


i. (0, 0) ∈ 𝐹,

ii. Si 𝑢 = (𝑥1 , 𝑦1 ) 𝑒𝑡 𝑣 = (𝑥2 , 𝑦2 ) ∈ 𝐹 , 𝑥1 + 𝑦1 = 0 𝑒𝑡 𝑥2 + 𝑦2 = 0,


Donc (𝑥1 + 𝑦1 ) + (𝑥2 + 𝑦2 ) = 0 et ainsi 𝑢 + 𝑣 = (𝑥1 , 𝑦1 ) + (𝑥2 , 𝑦2 ) ∈ 𝐹 ,
iii. Si 𝑢 = (𝑥, 𝑦) ∈ 𝐹 𝑒𝑡 𝛼 ∈ ℝ, alors 𝑥 + 𝑦 = 0, donc 𝛼𝑥 + 𝛼𝑦 = 0, d’où 𝛼𝑢 ∈ 𝐹

Fig ex1 p67


3. L’ensemble des fonctions continues sur ℝ est un sous-espace vectoriel de l’espace
vectoriel des fonctions de ℝ dans ℝ. En effet : la fonction nulle est continue ; la
somme de deux fonctions continues est continue ; une constante fois une fonction
continue est une fonction continue.

4. L’ensemble des suites réelles convergentes est un sous-espace vectoriel de l’espace


vectoriel des suites réelles.

5. 𝐺 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 , 𝑥 − 3𝑦 + 2𝑧 = 0} est un sous-espace vectoriel de ℝ3 . En effet :

i. (0,0,0) ∈ 𝐺 (car 0 − 3.0 + 2.0 = 0), de plus :

ii. Si 𝛼, 𝛽 ∈ ℝ, 𝑢 = (𝑥1 , 𝑦1 , 𝑧1 ) ∈ 𝐺 𝑒𝑡 𝑣 = (𝑥2 , 𝑦2 , 𝑧2 ) ∈ 𝐺 c'est-à-dire :

𝑥1 − 3𝑦1 + 2𝑧1 = 0 𝑒𝑡 𝑥2 − 3𝑦2 + 2𝑧2 = 0 , alors 𝛼𝑢 + 𝛽𝑣 ∈ 𝐺 puisque :


𝛼𝑢 + 𝛽𝑣 = 𝛼(𝑥1 , 𝑦1 , 𝑧1 ) + 𝛽(𝑥2 , 𝑦2 , 𝑧2 ) = (𝛼𝑥1 + 𝛽𝑥2 , 𝛼𝑦1 + 𝛽𝑦2 , 𝛼𝑧1 + 𝛽𝑧2 ), et on a:

(𝛼𝑥1 + 𝛽𝑥2 ) − 3( 𝛼𝑦1 + 𝛽𝑦2 ) + 2( 𝛼𝑧1 + 𝛽𝑧2 ) = 𝛼(𝑥1 − 3𝑦1 + 2𝑧1 ) + 𝛽(𝑥2 − 3𝑦2 + 2𝑧2 ) = 0

Que représente G ? Pour répondre à cette question, on réécrit la condition :


𝑥 − 3𝑦 + 2𝑧 = 0 sous la forme : 𝑥 = 3𝑦 − 2𝑧, et donc les éléments de G s’écrivent :
(𝑥, 𝑦, 𝑧) = (3𝑦 − 2𝑧, 𝑦, 𝑧) = (3𝑦, 𝑦, 0) + (−2𝑧, 0, 𝑧) = 𝑦(3,1,0) + 𝑧(−2,0,1)

𝑆𝑜𝑖𝑡 𝐺 = {𝑦(3,1,0) + 𝑧(−2,0,1); 𝑦, 𝑧 ∈ ℝ} : 𝐺 est un plan vectoriel puisque les


vecteurs 𝑢 = (3,1,0) et 𝑣 = (−2,0,1) sont non colinéaires (c'est-à-dire leurs
coefficients correspondants ne sont pas proportionnelles).

Exemples 3 :Voici des sous-ensembles qui ne sont pas des sous-espaces vectoriels :

6. L’ensemble 𝐻 = {(𝑥, 𝑦) ∈ ℝ2 , 𝑥 + 2𝑦 = 3} n’est pas un sous-espace vectoriel de ℝ2 .


En effet, le vecteur nul (0,0) n’appartient pas à 𝐻 (car 0 + 2.0 = 0 ≠ 3);
7. L’ensemble 𝑆 = {(𝑥, 𝑦) ∈ ℝ2 , 𝑥 = 0 𝑜𝑢 𝑦 = 0} n’est pas un sous-espace vectoriel de
ℝ2 . En effet, les vecteurs 𝑢 = (1,0) et 𝑣 = (0,1) appartiennent à 𝑆 , mais pas le
vecteur 𝑢 + 𝑣 = (1,1) ;
8. L’ensemble 𝑇 = {(𝑥, 𝑦) ∈ ℝ2 , 𝑥 ≥ 0 𝑒𝑡 𝑦 ≥ 0} n’est pas un sous-espace vectoriel de
ℝ2 . En effet, le vecteur 𝑢 = (1,1) ∈ 𝑇 , mais, en prenant 𝛼 = −1 , le vecteur
𝛼𝑢 = −𝑢 = (−1, −1) ∉ 𝑇.

Théorème 1 : Soient 𝐸 un espace vectoriel sur ℝ et 𝐹 un sous-espace vectoriel de 𝐸.


Alors 𝐹 est lui-même un espace vectoriel sur ℝ pour les lois induites par 𝐸.
Exemple 4: L’ensemble des fonctions paires 𝑃 = {𝑓 ∈ ℱ(ℝ, ℝ)/∀𝑥 ∈ ℝ, 𝑓(−𝑥) = 𝑓 (𝑥)}
forme un sous-espace vectoriel de l’espace vectoriel des fonctions ℱ(ℝ, ℝ). Par le
thèorème, P est un espace vectoriel sur ℝ.
C. Combinaison linéaire et espace engendré :

Ici, nous allons étudier le fait que, dans un espace vectoriel, il est possible de trouver
une famille de vecteurs qui va nous permettre de reconstruire tous les vecteurs de
l’espace vectorielle via des combinaisons linéaires.

Définition 3 : Soient 𝑣1 , 𝑣2 , … , 𝑣𝑛 , n vecteurs d’un espace vectoriel E (𝑛 ∈ ℕ∗ ). Tout


vecteur de la forme : 𝑢 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + ⋯ + 𝜆𝑛 𝑣𝑛 (où 𝜆1 , 𝜆2 , … . , 𝜆𝑛 sont des réels)
est appelé combinaison linéaire des vecteurs 𝑣1 , 𝑣2 , … . , 𝑣𝑛 . Les scalaires 𝜆1 , 𝜆2 , … . , 𝜆𝑛
sont appelés coefficients de la combinaison linéaire.

L’idée est la suivante: dès qu’on a des éléments 𝑣1 , 𝑣2 , … , 𝑣𝑛 dans E, par le jeu des
opérations (+) et(.) , on obtient automatiquement une infinité d’autres éléments de E.

Exemple 5 :

1. Dans le ℝ −espace vectoriel ℝ3 , (0, −1,5) est combinaison linéaire des vecteurs
(1,0,2) et (4,1,3) car on a l’égalité : (0, −1,5) = 4(1,0,2) − (4,1,3)

2. Soit 𝐸 = ℱ(ℝ, ℝ) l’espace vectoriel des fonctions réelles. Soient 𝑓0 , 𝑓1 , 𝑓2 𝑒𝑡 𝑓3 les


fonctions définies par :
∀𝑥 ∈ ℝ 𝑓0 (𝑥) = 1, 𝑓1 (𝑥) = 𝑥, 𝑓2 (𝑥) = 𝑥 2 𝑒𝑡 𝑓3 (𝑥) = 𝑥 3 .
Alors la fonction définie par : ∀𝑥 ∈ ℝ , 𝑓(𝑥) = 5𝑥 3 + 3𝑥 2 − 𝑥 + 4
est combinaison linéaire des fonctions 𝑓0 , 𝑓1 , 𝑓2 𝑒𝑡 𝑓3 puisque l’on a l’égalité :
𝑓 = 5𝑓3 + 3𝑓2 − 𝑓1 + 4𝑓0
1 6 9
3
3. Soient 𝑢 = ( 2 ) 𝑒𝑡 𝑣 = (4) deux vecteurs de ℝ . Montrons que 𝑤 = (2) est
−1 2 7
combinaison linéaire de 𝑢 𝑒𝑡 𝑣. On cherche donc 𝛼 𝑒𝑡 𝛽 tels que : 𝑤 = 𝛼𝑢 + 𝛽𝑣 :
9 1 6 𝛼 6𝛽 𝛼 + 6𝛽
(2) = 𝛼 ( 2 ) + 𝛽 (4) = ( 2𝛼 ) + (4𝛽) = ( 2𝛼 + 4𝛽 )
7 −1 2 −𝛼 2𝛽 −𝛼 + 2𝛽
𝛼 + 6𝛽 = 9
On a donc : { 2𝛼 + 4𝛽 = 2
−𝛼 + 2𝛽 = 7
Une solution de se système est (𝛼 = −3, 𝛽 = 2), ce qui implique que 𝑤 est
combinaison linéaire de 𝑢 𝑒𝑡 𝑣.
1 6 4
4. Soient 𝑢 = ( 2 ) 𝑒𝑡 𝑣 = (4) deux vecteurs de ℝ3 . Montrons que 𝑤 = (−1) est
−1 2 8
combinaison linéaire de 𝑢 𝑒𝑡 𝑣.
4 1 6 𝛼 + 6𝛽 = 4
L’égalité : (−1) = 𝛼 ( 2 ) + 𝛽 (4) ⇔ {2𝛼 + 4𝛽 = −1
8 −1 2 −𝛼 + 2𝛽 = 8
Ce système n’a pas de solution. Donc il n’existe pas 𝛼, 𝛽 ∈ ℝ tel que 𝑤 = 𝛼𝑢 + 𝛽𝑣.
Proposition 4:Soit 𝐴 = {𝑣1 , . . , 𝑣𝑛 }une famille de n vecteurs d’un ℝ −espace vectoriel E

1. L’ensemble G des combinaisons linéaires des vecteurs 𝑣1 , 𝑣2 , … . , 𝑣𝑛 est un sous-


espace vectoriel de E ;
2. De plus G est le plus petit sous-espace vectoriel de E contenant A. G est appelé le
sous-espace vectoriel de E engendré par A. On le note : 𝑮 = 𝑽𝒆𝒄𝒕(𝒗𝟏 , 𝒗𝟐 … 𝒗𝒏 ).
On a donc :
𝒖 ∈ 𝑽𝒆𝒄𝒕(𝒗𝟏 , 𝒗𝟐 … 𝒗𝒏 ) ⇔ 𝑖𝑙 𝑒𝑥𝑖𝑠𝑡𝑒 𝜆1 , . . . 𝜆𝑛 ∈ ℝ tels que 𝑢 = 𝜆1 𝒗𝟏 + 𝜆2 𝒗𝟐 + ⋯ 𝜆𝑛 𝒗𝒏

Remarque : Si F est un sous-espace vectoriel de E contenant aussi les vecteurs


𝑣1 , 𝑣2 … 𝑣𝑛 alors : 𝑽𝒆𝒄𝒕(𝒗𝟏 , 𝒗𝟐 … 𝒗𝒏 ) ⊂ 𝑭.

Exemple 6 :

1. Soient E l’espace vectoriel des applications de ℝ dans ℝ et f0 , f1 , f2 les applications


définies par : ∀𝑥 ∈ ℝ 𝑓0 (𝑥) = 1, 𝑓1 (𝑥) = 𝑥, 𝑓2 (𝑥) = 𝑥 2
Le sous-espace vectoriel de E engendré par {𝑓0 , 𝑓1 , 𝑓2 } est l’espace vectoriel des
fonctions polynômes 𝑓 de degré inférieur ou égal à 2, c’est-à-dire de la forme :
𝑓(𝑥) = 𝑎𝑥 2 + b𝑥 + 𝑐.
2. Est-ce que F = {(x, y, z) ∈ ℝ3 , x − y − z = 0} un sous-espace vectoriel de ℝ3 ?
Un triplet de ℝ3 est élément de F si et seulement si x = y + z. Donc u est élément
de F si et seulement s’il peut s’écrire u = (y + z, y, z). Or, on a l’égalité :
𝑢 = (𝑦 + 𝑧, 𝑦, 𝑧) = (𝑦, 𝑦, 0) + (𝑧, 0, 𝑧) = 𝑦(1,1,0) + 𝑧(1,0,1)
Donc F est l’ensemble des combinaisons linéaires de {(1,1,0), (1,0,1)} . C’est le
sous-espace vectoriel engendré par {(1,1,0), (1,0,1)}: F = Vect{(1,1,0), (1,0,1)}. C’est
bien un plan vectoriel (un plan passant par l’origine).

D. Famille génératrice :

Soit 𝐸 un espace vectoriel, parmi toutes les familles de vecteurs de 𝐸, il en existe une
(ou plusieurs) telle que 𝑉𝑒𝑐𝑡(𝑣1 , 𝑣2 … 𝑣𝑛 ) soit égale à l’espace 𝐸 tout entier. On dira
que c’est une famille génératrice de 𝐸 (qui engendre 𝐸).

Définition 4 : Une famille {𝑣1 , 𝑣2 , … . , 𝑣𝑛 } de vecteurs d’un espace vectoriel 𝐸 est dite
génératrice si tout élément de 𝐸 est combinaison linéaire de 𝑣𝑖 (𝑖 = 1, … , 𝑛) :
∀𝑢 ∈ 𝐸, ∃(𝜆1 , 𝜆2 , … . , 𝜆𝑛 ) ∈ ℝ𝑛 ; 𝑢 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + ⋯ . +𝜆𝑛 𝑣𝑛

Autrement dit : la famille {𝑣1 , 𝑣2 , … . , 𝑣𝑛 } engendre 𝐸.


On sera souvent amené a chercher une famille génératrice d'un espace donné. Ainsi,
pour obtenir une famille génératrice du plan, il nous faut au moins deux vecteurs
non colinéaires. Intuitivement, il nous faut une famille donnant au moins deux
directions différentes. Concernant l'espace, on voit là qu'il nous faut au moins trois
directions. De façon générale, pour obtenir une famille génératrice pour un espace
vectoriel donné, il faut s'assurer que chacune des directions de notre espace vectoriel
est représentée.

Exemples 7 :

1. Deux vecteurs non colinéaires appartenant à un même plan engendrent le plan


tout entier ;
2. N'importe quel vecteur (non nul) d'une droite engendre la droite toute entière ;

3. Dans l'espace, la famille {u; v; w } (même plan P) donnée par le dessin ci-dessous
n'engendre pas l'espace tout entier. A l'aide des combinaisons linéaires, on ne
pourra pas construire de vecteur sortant du plan P.

1 0 0
4. Considérons les vecteurs v1 = (0) , v2 = (1) et v3 = (0) de ℝ3 . La famille
0 0 1
x
{v1 , v2 , v3 } est génératrice car tout vecteur v = (y) de ℝ3 peut s’écrire :
z
𝑥 𝑥 0 0 1 0 0
𝑣 = ( ) = ( ) + (𝑦) + (0) = 𝑥 (0) + 𝑦 (1) + 𝑧 (0).
𝑦 0
𝑧 0 0 𝑧 0 0 1
Les coefficients sont ici : λ1 = 𝑥, λ2 = 𝑦, λ3 = 𝑧.
1 1
5. Soient maintenant les vecteurs v1 = (1) , v2 = (2) de E = ℝ3 . Les vecteurs
1 2
3
{v1 , v2 } ne forment pas une famille génératrice de ℝ . Par exemple, le vecteur v =
0
(1) n’est pas dans Vect(v1 , v2 ). En effet, si c’était le cas, alors il existerait 𝜆1 , 𝜆2 ∈
0
ℝ tels que 𝑣 = 𝜆1 𝑣1 + 𝜆2 𝑣2 . Ce qui s’écrirait aussi :
0 1 1 𝜆1 + 𝜆2 = 0
(1) = 𝜆1 (1) + 𝜆2 (2), d’où le système linéaire : {𝜆1 + 2𝜆2 = 1
0 1 2 𝜆1 + 3𝜆2 = 0
Ce système n’a pas de solution. (La première et la dernière ligne impliquent
𝜆1 = 0 , 𝜆2 = 0 , ce qui est incompatible avec la deuxième).
1 0
6. Soient les vecteurs 𝑣1 = ( ) et 𝑣2 = ( ). La famille {𝑣1 , 𝑣2 } est génératrice de
0 1
𝑥 𝑥 1 0
E = ℝ2 car tout vecteur 𝑣 = (𝑦) se décompose comme (𝑦) = 𝑥 ( ) + 𝑦 ( ) ;
0 1
2 1
7. Soient les vecteurs 𝑣1 = ( ) et 𝑣2 = ( ) . La famille {𝑣1 , 𝑣2 } est aussi
1 1
𝑥
génératrice de ℝ2 . En effet, soit 𝑣 = (𝑦) ∈ ℝ2 . Montrer que 𝑣 est combinaison
linéaire de 𝑣1 et 𝑣2 revient à démontrer l’existence de deux réels 𝜆1 , 𝜆2 tels que :
𝑣 = 𝜆1 𝑣1 + 𝜆2 𝑣2 . Il s’agit donc d’étudier l’existence de solutions au système :
2 𝑥
{ 𝜆1 + 𝜆2 =
𝜆1 + 𝜆2 = 𝑦
Il a pour solution: 𝜆1 = 𝑥 − 𝑦 𝑒𝑡 𝜆2 = −𝑥 + 2𝑦 et ceci, quels que soient 𝑥 et 𝑦.

Les exemples 6 et 7 prouvent qu’il peut exister plusieurs familles différentes, non
incluses les unes dans les autres, engendrant le même espace vectoriel.

Proposition 5: Toute famille contenant une famille génératrice est elle-même


génératrice.

1 0
Exemple 8 : On sait que la famille {( ) , ( )} est génératrice de ℝ2 . Supposons
0 1
3 1 0 3
qu’on rajoute le vecteur ( ) à la faille précédente. La nouvelle famille {( ) , ( ) , ( )}
4 0 1 4
𝑥 2 𝑥 1 0 3
est également génératrice car tout (𝑦) de ℝ s’écrit : (𝑦) = 𝑥 ( ) + 𝑦 ( ) + 0 ( ).
0 1 4

Proposition 6 : Si la famille des vecteurs {𝑣1 , 𝑣2 , … . , 𝑣𝑛 } engendre E et si l’un des


vecteurs, par exemple 𝑣𝑛 , est combinaison linéaire des autres alors la famille
{𝑣1 , 𝑣2 , … . , 𝑣𝑛−1 } est encore une famille génératrice de E.

E. Famille libre

On vient de voir que pour construire une famille génératrice, il nous fallait
nécessairement un nombre suffisant de vecteurs. Une fois que toutes les directions de
notre espace sont représentées par une famille 𝑉 = {𝑣2 , … . , 𝑣𝑛 } tout vecteur 𝑣1 que
l'on ajoutera à notre famille génératrice n'apportera pas de direction supplémentaire.
En effet 𝑣1 peut s’écrire: 𝑣1 = 𝜆2 𝑣2 + 𝜆3 𝑣3 + ⋯ + 𝜆𝑛 𝑣𝑛 . Ds ce cas, la famille
𝑉 ∗ = {𝑣1 , 𝑣2 , … . , 𝑣𝑛 } est dite liée (ou linéairement dépendante).
La relation précédente peut s’écrire: 𝑣1 − 𝜆2 𝑣2 − 𝜆3 𝑣3 − ⋯ − 𝜆𝑛 𝑣𝑛 = 0.

Définition 5 : Une famille {𝑣1 , 𝑣2 , … . , 𝑣𝑛 } de vecteurs de E sera dite linéairement


dépendante (ou liée) s'il existe des réels 𝜆1 , 𝜆2 , … . , 𝜆𝑛 non tous nuls tels que :

𝜆1 𝑣1 + 𝜆2 𝑣2 + 𝜆3 𝑣3 + ⋯ + 𝜆𝑛 𝑣𝑛 = 0
Une famille est libre (ou linéairement indépendante) si la seule façon d'obtenir le
vecteur nul a partir de ses vecteurs est de prendre tous les coefficients nuls.

Définition 6 : Une famille {𝑣1 , 𝑣2 , … . , 𝑣𝑛 } de vecteurs de E sera dite linéairement


indépendante (ou libre) si aucun de ses vecteurs ne peut s’exprimer comme
combinaison linéaire des autres ; c’est à dire :
𝜆1 𝑣1 + 𝜆2 𝑣2 + 𝜆3 𝑣3 + ⋯ + 𝜆𝑛 𝑣𝑛 = 0 ⇒ 𝜆1 = 𝜆2 = ⋯ = 𝜆𝑛 = 0

Exemple 9 : 1. Dans le ℝ -espace vectoriel ℝ3 considérons la


1 4 2
famille {(2) , (5) , (1)}. On souhaite déterminer si elle est libre ou liée. On cherche
3 6 0
1 4 2 0
des scalaires (λ1 , λ2 , λ3 ) tels que : λ1 (2) + λ2 (5) + λ3 (1) = (0)
3 6 0 0
λ1 + 4λ2 + 2λ3 = 0
λ − 2λ3 = 0
Ce qui est équivalent au système : { 2λ1 + 4λ2 + λ3 = 0 ⇔ { 1
λ2 + λ3 = 0
3λ1 + 6λ2 =0
Ce système a une infinité de solutions et en prenant par exemple λ3 = 1, on
1 4 2 0
obtient λ1 = 2 et λ2 = −1 , ce qui fait que : 2 (2) − (5) + (1) = (0).
3 6 0 0
1 4 2
La famille {(2) , (5) , (1)} est donc une famille liée.
3 6 0
1 2 2
2. Soient 𝑣1 = (1) , 𝑣2 = (−1) , 𝑣3 = (1). Est-ce que la famille { 𝑣1 , 𝑣2 , 𝑣3 } est libre
1 0 1
ou liée ? Résolvons le système correspondant à l’équation λ1 v1 + λ2 v2 + λ3 v3 = 0
λ1 + 2λ2 + 2λ3 = 0
{ λ1 − λ2 + λ3 = 0
λ1 + λ3 = 0
On résout ce système et on trouve comme seule solution λ1 = 0, λ2 = 0 et λ3 = 0. La
famille { 𝑣1 , 𝑣2 , 𝑣3 } est donc libre.

F. Base :
Dans un repère, un vecteur se décompose suivant les vecteurs d’une base. Il en est de
même pour une base d’un espace vectoriel.
Exemple de ℝ2 , un repère est donné par un couple de vecteurs non colinéaires.

Schèma feuil (11)


Définition 7 : Soit E un espace vectoriel sur ℝ. Une famille 𝐵 = (𝑣1 , 𝑣2 , 𝑣3 ) de
vecteurs de E est une base de E si B est une famille libre et génératrice.

Théorème 2 : Si 𝐵 = (𝑣1 , 𝑣2 , 𝑣3 ) est une base d’un espace vectoriel E, alors tout
vecteur 𝑣 de E s’exprime de façon unique comme combinaison linéaire d’éléments de
B. Autrement dit,
∀𝑣 ∈ 𝐸, ∃! (𝜆1 , 𝜆2 , … . , 𝜆𝑛 ) ∈ ℝ𝑛 ; 𝑣 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + ⋯ . +𝜆𝑛 𝑣𝑛
On appelle cette écriture la décomposition de 𝑣 dans la base B. Les 𝜆𝑖 sont les
coordonnées de 𝑣 dans la base B.

Exemples 10 :
1 0 0
1. Soient les vecteurs 𝑒1 = (0) , 𝑒2 = (1) , 𝑒3 = (0) , alors 𝐵 = (𝑒1 , 𝑒2 , 𝑒3 ) est une
0 0 1
base de ℝ3 , appelée base canonique de ℝ3 .
1 2 3
2. Soient 𝑣1 = (2), 𝑣2 = (9) 𝑒𝑡 𝑣3 = (3). Montrons que la famille 𝐵 =
1 0 4
3
(𝑣1 , 𝑣2 , 𝑣3 ) est une base de ℝ .
1ère méthode : Nous ramenons le problème à l’étude d’un système linéaire.
𝑎
3
 Montrons d’abord que 𝐵 est une famille génératrice de ℝ . Soit 𝑣 = (𝑏 ). un
𝑐
3
vecteur quelconque de ℝ . On cherche 𝜆1 , 𝜆2 , 𝜆3 ∈ ℝ tels que :
𝑣 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + 𝜆3 𝑣3
Ceci se reformule comme suit :
𝑎 1 2 3 𝜆1 + 2𝜆2 + 3𝜆3
𝑣 = (𝑏) = 𝜆1 (2) + 𝜆2 (9) + 𝜆3 (3) = (2𝜆1 + 9𝜆2 + 3𝜆3 ).
𝑐 1 0 4 𝜆1 + 4𝜆3
Ceci conduit au système suivant :
λ1 + 2λ2 + 3λ3 = 𝑎
(S) { 2λ1 + 9λ2 + 3 λ3 = 𝑏
λ1 + 4λ3 = 𝑐
Il nous restera à montrer que ce système a une solution 𝜆1 , 𝜆2 , 𝜆3 .
 Pour montrer que B est une famille libre, il faut montrer que l’unique solution
de l’équation : λ1 v1 + λ2 v2 + λ3 v3 = 0 est λ1 = 0, λ2 = 0 et λ3 = 0
λ1 + 2λ2 + 3λ3 = 0
Ceci équivaut à montrer que le système : { 2λ1 + 9λ2 + 3 λ3 = 0 (S’)
λ1 + 4λ3 = 0
a une unique solution : λ1 = λ2 = λ3 = 0.

2ème méthode : Nous pouvons maintenant répondre à la question sans


explicitement résoudre les systèmes.
Remarquons que les deux systèmes ont la même matrice de coefficients. On peut
donc montrer simultanément que B est une famille génératrice et une famille libre de
ℝ3 en montrant que la matrice des coefficients est inversible. En effet, si la matrice
des coefficients est inversible, alors (S) admet une solution (𝜆1 , 𝜆2 , 𝜆3 ) quel que soit
(𝑎, 𝑏, 𝑐) et d’autre part (S’) admet la seule solution (0,0,0).
1 2 3
Cette matrice est: 𝐴 = (2 9 3). Puisque son déterminent est non nul (det 𝐴 = −1),
1 0 4
alors la matrice 𝐴 est inversible.
Conclusion : B est une famille libre et génératrice ; c’est une base de ℝ3 .

3. La base canonique de ℝ𝑛 [𝑋] est 𝐵 = (1, 𝑋, X 2 , X 3 … , X 𝑛 ): il y a 𝑛 + 1 vecteurs.


L’espace vectoriel ℳ2 (ℝ)des matrices 2x2 admet une base formée des vecteurs :
1 0 0 1 0 0 0 0
𝑀1 = ( ) 𝑀2 = ( ) 𝑀3 = ( ) 𝑀4 = ( )
0 0 0 0 1 0 0 1
𝑎 𝑏
En effet, n’importe quelle matrice 𝑀 = ( ) se décompose de manière unique
𝑐 𝑑
en : 𝑀 = 𝑎𝑀1 + 𝑏𝑀2 + 𝑐𝑀3 + 𝑑𝑀4

4. On peut prouver que les quatre matrices suivantes forment aussi une base de
1 0 1 0 0 1 1 3
ℳ2 (ℝ) : 𝑀1′ = ( ) 𝑀2′ = ( ) 𝑀3′ = ( ) 𝑀4′ = ( )
1 0 0 1 1 0 4 2
Théorème de la base incomplète 3 : Soit E un espace vectoriel sur ℝ admettant
une famille génératrice.
1. Toute famille libre L peut être complétée en une base. C'est-à-dire qu’il existe une
famille N telle que 𝐿 ∪ 𝑁 soit une famille libre et génératrice de E.
2. De toute famille génératrice G on peut extraire une base de E. C'est-à-dire qu’il
existe une famille 𝐵 ⊂ 𝐺 telle que B soit une famille libre et génératrice de E.

Corollaire 4 : Tout espace vectoriel de dimension finie admet une base finie.

G. Dimension d’un espace vectoriel :

Définition 8 : Un espace vectoriel E sur ℝ admettant une base ayant un nombre


fini d’éléments est dite de dimension finie.

Théorème 5 : Toutes les bases d’un espace vectoriel E de dimension finie, noté
dim 𝐸, est par définition le nombre d’éléments d’une base B de E (dim 𝐸 = 𝑐𝑎𝑟𝑑(𝐵)).

Exemple 11 :
1 0
1. La base canonique de ℝ2 est {( ) , ( )}. La dimension de ℝ2 est donc 2.
0 1
2 1
Les vecteurs {( ) , ( )} forment aussi une base de ℝ2 , et illustrent qu’une autre base
1 1
contient le même nombre d’éléments.
2. 𝑑𝑖𝑚 ℝ𝑛 [𝑋] = 𝑛 + 1 car la base canonique de ℝ𝑛 [𝑋] est (1, 𝑋, 𝑋 2 , 𝑋 3 … , 𝑋 𝑛 ) qui
contient 𝑛 + 1 vecteurs.

3. Les espaces vectoriels suivants ne sont pas de dimension finie :

o ℝ[𝑋] : l’espace vectoriel de tous les polynômes,


o ℱ(ℝ, ℝ) : l’espace vectoriel des fonctions de ℝ dans ℝ,
o £(ℕ, ℝ) l’espace vectoriel des suites réelles.

Proposition 7 : Soit E un espace vectoriel sur ℝ admettant une base ayant n


éléments. Alors :
1. Toute partie libre de E a au plus n éléments ;
2. Toute partie génératrice de E a au moins n éléments ;
3. Toute base de E est composée de n éléments.
Il reste à énoncer un résultat important et très utile.

Théorème 6 : Soient E un espace vectoriel sur ℝ de dimension n et 𝑉 = {𝑣1 , … . , 𝑣𝑛 }


une famille de n vecteurs de E. Il y a équivalence entre :
i. 𝑉 est une base de E ;
ii. 𝑉 est une famille libre de E ;
iii. 𝑉 est une famille génératrice de E.

Exemple 12 : Pour quelles valeurs de 𝑡 ∈ ℝ les vecteurs {𝑣1 , 𝑣2 , 𝑣3 } forment-ils une


1 1 1
3
base de ℝ ? avec 𝑣1 = (1), 𝑣2 = (3) 𝑒𝑡 𝑣3 = (1)
4 𝑡 𝑡
 Nous avons une famille de 3 vecteurs dans l’espace ℝ3 de dimension 3. Donc pour
montrer que la famille {𝑣1 , 𝑣2 , 𝑣3 } est une base, par le théorème, il suffit de montrer
que la famille est libre ou bien de montrer qu’elle est génératrice. Dans la pratique,
il est souvent plus facile de vérifier qu’une famille est libre.
À quelle condition la famille {𝑣1 , 𝑣2 , 𝑣3 } est libre ? Soient 𝜆1 , 𝜆2 , 𝜆3 ∈ ℝ tels que
𝜆1 𝑣1 + 𝜆2 𝑣2 + 𝜆3 𝑣3 = 0. Cela implique le système :
λ1 + λ2 + λ3 = 0 λ1 + λ2 + λ3 = 0 λ1 + λ3 = 0
{ λ1 + 3λ2 + λ3 = 0 ⇔ { 2λ2 = 0 ⇔ { λ2 = 0
4λ1 + tλ2 + tλ3 = 0 (t − 4)λ2 + (t − 4)λ3 = 0 (t − 4)λ3 = 0
 Il est claire que si 𝑡 ≠ 4, alors la seule solution est (𝜆 , 𝜆2 , 𝜆3 ) = (0, 0, 0) et donc
1
{𝑣1 , 𝑣2 , 𝑣3 } est une famille libre et, par le théorème, la famille {𝑣1 , 𝑣2 , 𝑣3 } est en
plus génératrice, donc c’est une base de ℝ3 . Si 𝑡 = 4 , alors par exemple
(𝜆1 , 𝜆2 , 𝜆3 ) = (1, 0, −1) est une solution non nulle, donc la famille n’est pas libre
et n’est donc pas une base.
Série 6: Espace Vectoriel

Exercice 1: Dire si les ensembles 𝐸𝑖 suivants sont des sous-espaces vectoriels de E :


𝑎 𝑏
E=ℳ2 (ℝ), 𝐸1 =Ensemble des matrices 𝑀 = ( ) ∈ ℳ2 (ℝ) 𝑡𝑒𝑙𝑙𝑒𝑠 𝑞𝑢𝑒 𝑎𝑐 + 𝑏 = 0;
𝑐 𝑑
𝐸 = ℝ3 , 𝐸2 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 𝑥𝑦𝑧 ≥ 0}.

𝐸 = ℱ(ℝ, ℝ), 𝐸3 = {𝑓 ∈ ℱ(ℝ, ℝ) 𝑓3 (𝑥) = 𝑓′ (𝑥), ∀𝑥 ∈ ℝ};

𝐸 = ℱ(ℝ, ℝ), 𝐸4 = {𝑓 ∈ ℱ(ℝ, ℝ) 𝑓(𝑥) = (𝑥 − 1)𝑓′ (𝑥), ∀𝑥 ∈ ℝ}.

Exercice 2: On considère les ensembles 𝐸𝑖 suivants :

𝐸 = ℝ4 , 𝐸1 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 𝑥 + 2𝑦 = 𝑧 𝑒𝑡 𝑥 − 𝑦 = 2𝑧 + 𝑡)}.

𝐸 = ℝ3 , 𝐸2 = {𝑋 ∈ ℝ3 𝑋 = (𝑎 + 𝑏, 𝑎 − 4𝑏, 3𝑎); 𝑎, 𝑏 ∈ ℝ}.


𝑎 𝑏
E=ℳ2 (ℝ), 𝐸3 =Ensemble des matrices 𝑀 = ( ) ∈ ℳ2 (ℝ), 𝑡𝑒𝑙𝑙𝑒𝑠 𝑞𝑢𝑒 𝑐 + 2𝑏 = 0;
𝑐 𝑑
1. Parmi ces ensembles, quels sont ceux qui sont des sous-espaces vectoriels de ℝ3 ?
2. Donner une base pour chaque sous-espace vectoriel.
3. Montrer qu’un vecteur 𝑋 𝑑𝑒 ℝ3 appartient à 𝐸2 si et seulement si ses coordonnées
vérifient une relation de la forme : 𝑥 + 𝛼𝑦 + 𝛽𝑧 = 0, 𝑜ù 𝛼 𝑒𝑡 𝛽 sont des nombres
réels que l’on déterminera.

Exercice 3 : Montrer que les vecteurs 𝑢 = (−1,1), 𝑣 = (2,1) 𝑒𝑡 𝑤 = (1,1)


constituent un système générateur de ℝ2. Exprimer chaque vecteur (𝑥, 𝑦) de ℝ2
comme combinaison linéaire de ces vecteurs ; cette décomposition suivant 𝑢, 𝑣, 𝑤
est-elle unique.

Exercice 4 : La famille {(3, −5,1), (2, −2,1), (1,5,2) } est-elle libre ? Quel est son
rang ?

Exercice 5 : Montrer que les vecteurs 𝑢 = (3,2,1), 𝑣 = (6,3,1) 𝑒𝑡 𝑤 = (1,1,1)


constituent une base de ℝ3. Exprimer les coordonnées de t=(1,4,2) dans cette base.

Exercice 6 : Déterminer une base et la dimension du sous-espace vectoriel E de


ℝ3 engendré par les vecteurs : 𝑢 = (1,0, −1), 𝑣 = (−2,1,4) 𝑒𝑡 𝑤 = (0,1,2).

Exercice 7 : Soit E l’espace vectoriel des polynômes à une indéterminée, de degré


inférieur ou égal à 2. Soient 𝑃1 , 𝑃2 𝑒𝑡 𝑃3 les polynômes de E définis pour tout 𝑥 réel
par : 𝑷𝟏 (𝒙) = (𝒙 + 𝟏)𝟐 , 𝑷𝟐 (𝒙) = (𝒙 − 𝟐)𝟐 𝒆𝒕 𝑷𝟑 (𝒙) = (𝒙 + 𝟑)𝟐

1. Montrer que {𝑃1 , 𝑃2 , 𝑃3 } est une base de E ;


2. Déterminer dans cette base les coordonnées du polynôme 𝑄(𝑥) = 𝒙𝟐 − 𝒙 + 𝟏.
Correction de la Série 6: Espace Vectoriel

Exercice 1 :

𝐸1 et 𝐸4 : voir T.D. en classe ;

 𝐸 = ℝ3 , 𝐸2 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 𝑥𝑦𝑧 ≥ 0}.

𝐸2 n’est pas un sous espace vectoriel de ℝ3 , En effet, il suffit de prendre un contre-


exemple : considérons les vecteurs 𝑢 = (4,1,1) 𝑒𝑡 𝑣 = (−3, −2,1). On a :

4× 1 × 1 = 1 ≥ 0 𝑒𝑡 (−3) × (−2) × 1 = 6 ≥ 0 donc 𝑢, 𝑣 ∈ 𝐸2 .

Mais 𝑢 + 𝑣 = (1, −1,2) ∉ 𝐸2 𝑐𝑎𝑟 1 × (−1) × 2 = −2 < 0.

Ce qui montre que 𝐸2 n’est pas stable pour la loi (+).

 𝐸 = ℱ(ℝ, ℝ), 𝐸3 = {𝑓 ∈ ℱ(ℝ, ℝ) 𝑓 3 (𝑥) = 𝑓 ′ (𝑥), ∀𝑥 ∈ ℝ};

Soient 𝑓 𝑒𝑡 𝑔 deux éléments de 𝐸3 . Pour tout 𝑥 ∈ ℝ, on a :


[(𝑓 + 𝑔)(𝑥)]3 = [𝑓(𝑥) + 𝑔(𝑥)]3 = 𝑓 3 (𝑥) + 3𝑓 2 (𝑥)𝑔(𝑥) + 3𝑓(𝑥)𝑔2 (𝑥) + 𝑔3 (𝑥)

Soit, [(𝑓 + 𝑔)(𝑥)]3 = 𝑓 ′ (𝑥) + 3𝑓 2 (𝑥)𝑔(𝑥) + 3𝑓(𝑥)𝑔2 (𝑥) + 𝑔′ (𝑥)

On voit alors que : [(𝑓 + 𝑔)(𝑥)]3 ≠ (𝑓 + 𝑔)′ (𝑥) = 𝑓 ′ (𝑥) + 𝑔′ (𝑥),

Ce qui montre que 𝑓 + 𝑔 ∉ 𝐸3 et par suite 𝐸3 n’est pas un sous-espace vectoriel de E.

Exercice 2 :

𝐸1 et 𝐸2 : voir T.D. en classe ;

𝑎 𝑏
E=ℳ2 (ℝ), 𝐸3 =Ensemble des matrices 𝑀 = ( ) ∈ ℳ2 (ℝ), 𝑡𝑒𝑙𝑙𝑒𝑠 𝑞𝑢𝑒 𝑐 + 2𝑏 = 0;
𝑐 𝑑
Montrons que 𝐸3 est un S.E.V. de ℳ2 (ℝ) :
0 0
 𝐸3 ≠ ∅ car elle contient la matrice nulle ( ) (0 + 2 × 0 = 0) ;
0 0
𝑎 𝑏
 𝑆𝑜𝑖𝑒𝑛𝑡 𝑀 = ( ) 𝑒𝑡 𝑀′ = (𝑎′ 𝑏′) deux matrices dans 𝐸3 . On a alors
𝑐 𝑑 𝑐′ 𝑑′
par définition de 𝐸3 : 𝑐 + 2𝑏 = 0 𝑒𝑡 𝑐′ + 2𝑏′ = 0.

La matrice somme 𝑀 + 𝑀′ = (𝑎 + 𝑎′ 𝑏 + 𝑏′ ) ∈ 𝐸 puisque :


3
𝑐 + 𝑐′ 𝑑 + 𝑑′
(𝑐 + 𝑐 ′ ) + 2(𝑏 + 𝑏 ′ ) = (𝑐 + 2𝑏) + (𝑐 ′ + 2𝑏 ′ ) = 0 + 0 = 0
𝛽𝑎 𝛽𝑏
 Soit 𝛽 ∈ ℝ et 𝑀 ∈ 𝐸3 , 𝛽𝑀 = ( ) ∈ 𝐸3 car 𝛽𝑐 + 2𝛽𝑏 = 𝛽(𝑐 + 2𝑏) = 𝛽 × 0 = 0
𝛽𝑐 𝛽𝑑
Conclusion : 𝐸3 est un S.E.V. de ℳ2 (ℝ).
Exercice 4 : Soient 𝛼, 𝛽 𝑒𝑡 𝛾 dans ℝ. 𝛼(3, −5,1) + 𝛽(2, −2,1) + 𝛾(1,5,2) = (0,0,0)

3𝛼 + 2𝛽 + 𝛾 = 0 ( 1) 3
𝛼 = −5𝛽
⇔ {−5𝛼 − 2𝛽 + 5𝛾 = 0 (2) ⇔{ 1 , 𝛽 quelconque dans ℝ.
𝛼 + 𝛽 + 2𝛾 = 0 (3) 𝛾 = −5𝛽
Donc les vecteurs (3, −5,1), (2, −2,1), 𝑒𝑡 (1,5,2) sont linéairement indépendants.

3. Le rang du système de vecteurs {(3, −5,1), (2, −2,1), (1,5,2) } est égal à 2 car si on
prend les vecteurs (3, −5,1) 𝑒𝑡 (2, −2,1), ils sont linéairement indépendants (car
non proportionnels).

Exercice 6 : Soient 𝛼, 𝛽 𝑒𝑡 𝛾 dans ℝ.

𝛼𝑢 + 𝛽𝑣 + 𝛾𝑤 = 𝛼(1,0, −1) + 𝛽(−2,1,4) + 𝛾(0,1,2) = (0,0,0)


𝛼 − 2𝛽 = 0 ( 1)
𝛼 = 2𝛽
⇔ {𝛽 +𝛾 = 0 (2) ⇔{ , 𝛽 quelconque dans ℝ.
𝛾 = −𝛽
−𝛼 + 4𝛽 + 2𝛾 = 0 (3)
Donc la famille {(1,0, −1), (−2,1,4) 𝑒𝑡 (0,1,2)} est liée. En prenant par exemple 𝛽 = 1,
on obtient une relation qui lie ces vecteurs, soit : 2𝑢 + 𝑣 − 𝑤 = 0.
En prenant les vecteurs (−2,1,4) 𝑒𝑡 (0,1,2), ils sont linéairement indépendants (car
non proportionnels). D’autre part, la famille {(−2,1,4), (0,1,2)} est génératrice de E.
En effet, tout vecteur X de E peut s’écrire sous la forme :
𝑋 = 𝛼𝑢 + 𝛽𝑣 + 𝛾𝑤 = 𝛼𝑢 + 𝛽𝑣 + 𝛾(2𝑢 + 𝑣) = (𝛼 + 2𝛾)𝑢 + (𝛽 + 𝛾)𝑣.

Donc, la famille {𝑢, 𝑣} est une base de E et dim 𝐸 = 2

Exercice 7: Nous savons que E est de dimension 3 et sa base canonique est {1, 𝑥, 𝑥 2 }.
Pour montrer que {𝑃1 , 𝑃2 , 𝑃3 } est une base de E, on vérifie que tout polynôme P de E
(𝑃(𝑥) = 𝑎𝑥 2 + 𝑏𝑥 + 𝑐) s’écrit de façon unique comme combinaison linéaire de
𝑃1 , 𝑃2 𝑒𝑡 𝑃3 ; c.à.d. qu’il existe des réels uniques 𝛼, 𝛽 𝑒𝑡 𝛾 tels que :

∀𝑥 ∈ ℝ, 𝑃(𝑥) = 𝛼𝑃1 (𝑥) + 𝛽𝑃2 (𝑥) + 𝛾𝑃3 (𝑥) = 𝛼(𝑥 + 1)2 + 𝛽(𝑥 − 2)2 + 𝛾(𝑥 + 3)2 ,

⇔ ∀𝑥 ∈ ℝ, 𝑎𝑥 2 + 𝑏𝑥 + 𝑐 = (𝛼 + 𝛽 + 𝛾)𝑥 2 + 2(𝛼 − 2𝛽 + 3𝛾)𝑥 + (𝛼 + 4𝛽 + 9𝛾)


En identifiant les termes de cette égalité, on obtient le système suivant :
𝑏 𝑐
𝛼 = 𝑎 + 12 − 6
𝛼 + 𝛽 + 𝛾 =𝑎 (1)
1
{2(𝛼 − 2𝛽 + 3𝛾) = 𝑏 (2) ⇔ 𝛽 = 15 (3𝑎 − 2𝑏 + 𝑐)
𝛼 + 4𝛽 + 9𝛾 = 𝑐 (3) 𝑎 𝑏 𝑐
{ 𝛾 = − 5 + 20 + 10
𝑏 𝑐 1 𝑎 𝑏 𝑐
Ainsi, 𝑃(𝑥) = (𝑎 + 12 − 6) 𝑃1 (𝑥) + 15 (3𝑎 − 2𝑏 + 𝑐)𝑃2 (𝑥) + (− 5 + 20 + 10)𝑃3 (𝑥) (4)
Cette écriture est unique, donc la famille {𝑃1 , 𝑃2 , 𝑃3 } est une base de E.
3 2 3
2- D’après (4) , 𝑄(𝑥) s’écrit sous la forme : 𝑄(𝑥) = 4 𝑃1 (𝑥) + 5 𝑃2 (𝑥) − 20 𝑃3 (𝑥).
Chapitre 7
Applications Linéaires

L’objectif de ce chapitre est de mettre en place des outils permettant de faire bouger
des points et des figures dans l’espace. Pour cela, on utilise des applications d’un
espace vectoriel dans un autre. Si l’on souhaite que la figure ne soit pas trop déformée
pendant « le voyage », on utilise des applications linéaires.

A. Application injective, surjective, bijective

Définition 1 : Soient 𝐸 et 𝐹 deux ensembles.

1. Une application 𝑓 de 𝐸 vers 𝐹 est une opération qui à chaque élément 𝑢 ∈ 𝐸


associe un unique élément 𝑣 ∈ 𝐹 que l’on note 𝑓(𝑢).
2. 𝑓 est dite injective si deux éléments distincts de 𝐸 sont toujours envoyés sur deux
éléments distincts de 𝐹 : 𝑢 ≠ 𝑢′ ⇒ 𝑓(𝑢) ≠ 𝑓(𝑢′ )
Ou encore 𝑓(𝑢) = 𝑓(𝑢′ ) ⇒ 𝑢 = 𝑢′
3. 𝑓 est dite surjective si chaque élément dans 𝐹 peut s’écrire comme l’image d’un
élément de 𝐸 : ∀𝑣 ∈ 𝐹, ∃𝑢 ∈ 𝐸 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑣 = 𝑓(𝑢)
4. 𝑓 est dite bijective si elle est à la fois injective et surjective.

Remarque : On a alors : 𝒇 bijective ⇔ ∀𝒗 ∈ 𝑭, ∃! 𝒖 ∈ 𝑬 𝒕𝒆𝒍 𝒒𝒖𝒆 𝒗 = 𝒇(𝒖)

B. Application Linéaire

Définition 2 : Soient 𝐸 et F deux ℝ −espaces vectoriels. Une application 𝑓 de 𝐸


dans 𝐹 est une application linéaire si :
1. ∀𝑢, 𝑣 ∈ 𝐸, 𝑓(𝑢 + 𝑣) = 𝑓(𝑢) + 𝑓(𝑣)
2. ∀ 𝜆 ∈ ℝ, ∀𝑢 ∈ 𝐸, 𝑓(𝜆𝑢) = 𝜆𝑓(𝑢).

Autrement dit :
 Une application linéaire est une application entre espace vectoriels qui respecte la
combinaison linéaire :
∀ 𝜆, 𝛾 ∈ ℝ, ∀𝑢, 𝑣 ∈ 𝐸, 𝑓(𝜆𝑢 + 𝛾𝑣) = 𝜆𝑓(𝑢) + 𝛾𝑓(𝑣)
 Une application est linéaire si elle respecte les deux lois d’un espace vectoriel.
Notation : L’ensemble des applications linéaires de 𝐸 dans 𝐹 muni des deux lois est
un espace vectoriel noté ℒ(𝐸, 𝐹).
Proposition 1 : Soient 𝐸 et 𝐹 deux ℝ −espaces vectoriels. Si 𝑓 est une application
linéaire de 𝐸 dans 𝐹, alors :
 𝑓(0𝐸 ) = 0𝐹
 𝑓(−𝑢) = −𝑓(𝑢) 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑢 ∈ 𝐸.

Exemples 1 :

1. L’application 𝑓 définie par 𝑓: ℝ3 → ℝ2


(𝑥, 𝑦, 𝑧) → (3𝑥, 𝑦 − 4𝑧)
est une application linéaire. En effet, soient 𝑢 = (𝑥, 𝑦, 𝑧) 𝑒𝑡 𝑣 = (𝑥′, 𝑦′, 𝑧′) deux
éléments de ℝ3 et 𝜆 un réel.
𝑓(𝑢 + 𝑣) = 𝑓(𝑥 + 𝑥 ′ , 𝑦 + 𝑦 ′ , 𝑧 + 𝑧 ′ ) 𝑒𝑡 𝑓(𝜆. 𝑢) = 𝑓(𝜆𝑥, 𝜆𝑦, 𝜆𝑧)
= (3(𝑥 + 𝑥 ′ ), (𝑦 + 𝑦 ′ ) − 4(𝑧 + 𝑧 ′ )) = (3𝜆𝑥, 𝜆𝑦 − 4𝜆𝑧 )
= (3𝑥 , 𝑦 − 4𝑧) + (3𝑥 ′ , 𝑦 ′ − 4𝑧′) = 𝜆(3𝑥, 𝑦 − 4𝑧)
= 𝑓(𝑢) + 𝑓(𝑣) = 𝜆𝑓(𝑢)
2. Soit 𝑓 : ℝ → ℝ l’application définie par 𝑓(𝑥) = 𝑥 2 . On a 𝑓(1) = 1 𝑒𝑡 𝑓(2) = 4,
donc (2) ≠ 2. 𝑓(1) . Ce qui fait que l’on n’a pas l’égalité 𝑓(𝜆𝑥) = 𝜆. 𝑓(𝑥) pour un
certain choix de 𝜆, 𝑥 . Donc f n’est pas linéaire. Notez que l’on n’a pas non plus
𝑓(𝑥 + 𝑥′) = 𝑓(𝑥) + 𝑓(𝑥′) dès que 𝑥𝑥′ ≠ 0.
3. Pour une matrice fixée 𝐴 ∈ 𝑀𝑛,𝑝 (ℝ), l’application f : ℝ𝑝 → ℝ𝑛 définie par: 𝑓(𝑋) =
𝐴. 𝑋 est une application linéaire.
4. En électricité, le courant à travers un circuit résistant est fonction linéaire de la
tension appliquée : 𝐼 = 𝑈/𝑅. Si vous montez deux générateurs en série, l’intensité
est la somme des deux intensités qu’aurait entraînées chacun, seul. Ici en outre, la
linéarité est simplement une proportionnalité.
5. Le vecteur d’étirement 𝐿⃗ d’un ressort est fonction linéaire de la force appliquée :
⃗ = −𝑘𝐹 , avec K la raideur du ressort. Ici encore, la linéarité est une simple
𝐿
proportionnalité, mais en trois dimensions.
6. L’exemple typique d’un phénomène non linéaire sont les frottements. Quand la
vitesse v d’une voiture double, l’intensité F du frottement dans l’air ne double pas,
mais plutôt, comme 𝐹 ≃ 𝑘. 𝑣 2 quadruple.

7. Symétrie centrale : Soient E un ℝ -espace vectoriel. L’application 𝑓 définie par :


𝑓: 𝐸 → 𝐸
𝒖 → −𝒖
est une application linéaire et s’appelle la symétrie centrale par rapport à l’origine 0𝐸

8. Homothétie : Soient E un ℝ -espace vectoriel et 𝜆 ∈ ℝ. L’application définie par :


𝑓𝜆 : 𝐸 → 𝐸
𝒖 → 𝝀𝒖
𝑓𝜆 est linéaire. 𝑓𝜆 est appelée homothétie de rapport 𝜆.
𝑃𝑟𝑒𝑢𝑣𝑒 : 𝑓𝜆 (𝛼𝑢 + 𝛽𝑣) = 𝜆(𝛼𝑢 + 𝛽𝑣) = 𝛼(𝜆𝑢) + 𝛽(𝜆𝑣) = 𝛼𝑓𝜆 (𝑢) + 𝛽𝑓𝜆 (𝑣).

9. La dérivation. Soient 𝐸 = 𝐶 1 (ℝ, ℝ) l’espace vectoriel des fonctions 𝑓 : ℝ → ℝ


dérivables avec 𝑓′ continue et 𝐹 = 𝐶 0 (ℝ, ℝ) l’espace vectoriel des fonctions
continues. Soit : 𝑑: 𝐸 → 𝐹
𝒇 → 𝒇′
Alors 𝑑 est une application linéaire, car :
(𝛼𝑓 + 𝛽𝑔)′ = 𝛼𝑓 ′ + 𝛽𝑔′ et donc 𝑑(𝛼𝑓 + 𝛽𝑔) = 𝛼. 𝑑(𝑓) + 𝛽. 𝑑(𝑔).

10. L’intégration. Soient 𝐸 = 𝐶 0 (ℝ, ℝ) et 𝐹 = 𝐶 1 (ℝ, ℝ). Soit :


𝐼∶ 𝐸 → 𝐹
𝑥
𝑓(𝑥) → ∫0 𝑓(𝑡)𝑑𝑡
𝑥 𝑥 𝑥
L’application 𝐼 est linéaire car ∫0 (𝛼𝑓(𝑡) + 𝛽𝑔(𝑡))𝑑𝑡 = 𝛼 ∫0 𝑓(𝑡)𝑑𝑡 + 𝛽 ∫0 𝑔(𝑡)𝑑𝑡 pour
toutes fonctions 𝑓 et 𝑔 et pour tous 𝛼, 𝛽 ∈ ℝ.

C. Image d’une application linéaire

Dans toute la suite, 𝐸 et 𝐹 désignent des ℝ − espaces vectoriels et 𝑓: 𝐸 → 𝐹 une


application linéaire.
On appelle image de 𝑓 l’ensemble des vecteurs de 𝐹 qui sont les images des vecteurs
de 𝐸. On note : 𝐼𝑚(𝑓) = 𝑓(𝐸) = {𝑣 ∈ 𝐹 \ ∃𝑢 ∈ 𝐸, 𝑣 = 𝑓(𝑢)}.

Remarques :
 𝐼𝑚(𝑓) est un sous-espace vectoriel de 𝐹 ;
 𝒇 est une application surjective ⇔ 𝑰𝒎(𝒇) = 𝑭

D. Noyau d’une application linéaire

Définition 3 : Soient 𝐸 et 𝐹 deux ℝ −espaces vectoriels et 𝑓: 𝐸 → 𝐹 une application


linéaire. Le noyau de 𝑓, noté 𝒌𝒆𝒓(𝒇), est l’ensemble des éléments de E dont l’image
est 0𝐹 : 𝐾𝑒𝑟(𝑓) = {𝑥 ∈ 𝐸 ∕ 𝑓(𝑥) = 0𝐹 }
Autrement dit : Ker(𝑓) = 𝑓 −1 (0𝐹 ) (Image réciproque du 0 de 𝐹)
(!) 𝑓 −1 a un sens même si 𝑓 n’est pas bijective et même si 𝑓 −1 n’existe pas.

Remarque : Ker(𝑓) est un sous-espace vectoriel de 𝐸. En effet :


 𝑓(0) = 0 ⇒ Ker(𝑓) ≠ 0
 𝑓(𝑎𝑢 + 𝑏𝑣) = 𝑎𝑓(𝑢) + 𝑏𝑓(𝑣) = 𝑎. 0 + 𝑏. 0 = 0
En pratique, pour déterminer le noyau de 𝑓, on doit résoudre le système linéaire
donné par l’équation : 𝑓(𝑢) = 0 .

Exemple 2 : Reprenons l’exemple de l’application linéaire de 𝑓 définie par :


𝑓: ℝ3 → ℝ2
(𝑥, 𝑦, 𝑧) → (3𝑥, 𝑦 − 4𝑧)
 Calculons le noyau ker(𝑓).
(𝑥, 𝑦, 𝑧) ∈ 𝐾𝑒𝑟(𝑓) ⇔ 𝑓(𝑥, 𝑦, 𝑧) = (0,0)
⇔ (3𝑥, 𝑦 − 4𝑧) = (0, 0)
3𝑥 = 0
⇔ {
𝑦 − 4𝑧 = 0
𝑥=0
⇔ {
𝑦 = 4𝑧
⇔ (𝑥, 𝑦, 𝑧) = (0, 4𝑧, 𝑧) = 𝑧(0,4,1), 𝑧∈ℝ
Donc : 𝐾𝑒𝑟(𝑓) = {𝑧(0, 4, 1) ∕ 𝑧 ∈ ℝ}. Autrement dit, 𝑲𝒆𝒓(𝒇) = 𝑽𝒆𝒄𝒕{(𝟎, 𝟒, 𝟏)} : c’est
une droite vectorielle.
 Calculons l’image de 𝑓. Fixons (𝑥 ′ , 𝑦 ′ ) ∈ ℝ2 .
3𝑥 = 𝑥′
(𝑥 ′ , 𝑦 ′ ) = 𝑓 ⇔ (𝑥, 𝑦, 𝑧) ⇔ (3𝑥, 𝑦 − 4𝑧) = (𝑥 ′ , 𝑦 ′ ) ⇔ {
𝑦 − 4𝑧 = 𝑦′
𝑥′ ′
On peut prendre par exemple 𝑥 = 3 , 𝑦 = 𝑦 , 𝑧 = 0. Conclusion : pour n’importe
𝑥′
quel (𝑥 ′ , 𝑦 ′ ) ∈ ℝ2 , on a 𝑓 ( 3 , 𝑦′, 0) = (𝑥 ′ , 𝑦 ′ ). 𝑑𝑜𝑛𝑐 𝐼𝑚(𝑓) = ℝ2 , 𝑒𝑡 f est surjective.

Théorème 1 : Soient 𝐸 et 𝐹 deux ℝ-espaces vectoriels et 𝑓 une application linéaire


de 𝐸 dans 𝐹. Alors : 𝒇 𝒊𝒏𝒋𝒆𝒄𝒕𝒊𝒗𝒆 ⇔ 𝑲𝒆𝒓(𝒇) = {𝟎𝑬 } .
Pour montrer que 𝑓 est injective, il suffit de vérifier que : 𝑆𝑖 𝑓(𝑥) = 0𝐹 𝑎𝑙𝑜𝑟𝑠 𝑥 = 0𝐸

Définition 4 : Soient 𝐸 et 𝐹 deux espaces vectoriels et f une application de 𝐸 dans


F. On dit que l’application f est un :
• morphisme si elle est linéaire,
• isomorphisme si elle est linéaire et bijective,
• endomorphisme si elle est linéaire et 𝐸 = 𝐹,
• automorphisme si elle est linéaire, bijective et 𝐸 = 𝐹.

E. Rang d’une famille de vecteurs

Définition 5 : Soit E un ℝ -espace vectoriel et soit {𝑣1 , 𝑣2 , … . , 𝑣𝑝 } une famille finie de


vecteurs de 𝐸. Le rang de la famille {𝑣1 , 𝑣2 , … . , 𝑣𝑝 } est la dimension du plus petit sous
espace vectoriel 𝑉𝑒𝑐𝑡{𝑣1 , … . , 𝑣𝑝 } engendré par les vecteurs 𝑣1 , … . , 𝑣𝑝 . Autrement dit :
𝑟𝑔(𝑣1 , 𝑣2 , … . , 𝑣𝑝 ) = 𝑑𝑖𝑚 𝑉𝑒𝑐𝑡(𝑣1 , 𝑣2 , … . , 𝑣𝑝 )
Proposition 2 : Soient E un ℝ -espace vectoriel et {𝑣1 , 𝑣2 , … . , 𝑣𝑝 } une famille de 𝑝
vecteurs de 𝐸. Alors :
 𝟎 ≤ 𝒓𝒈(𝒗𝟏 , 𝒗𝟐 , … . , 𝒗𝒑 ) ≤ 𝒑 : le rang est inférieur ou égal au nombre d’éléments
dans la famille ;
 Si E est de dimension finie alors 𝒓𝒈(𝒗𝟏 , 𝒗𝟐 , … . , 𝒗𝒑 ) ≤ 𝒅𝒊𝒎(𝑬) : le rang est
inférieur ou égal à la dimension de l’espace ambiant 𝐸.
Remarque :
 Le rang d’une famille vaut 0 si et seulement si tous les vecteurs sont nuls.
 Le rang d’une famille {𝑣1 , 𝑣2 , … . , 𝑣𝑝 } vaut 𝑝 si et seulement si elle est libre.

Exemple 3 : Quel est le rang de la famille {𝑣1 , 𝑣2 , 𝑣3 } dans l’espace vectoriel ℝ4 ?


1 0 −1
0 1 1
𝑣1 = (1), 𝑣2 = (1) 𝑒𝑡 𝑣3 = ( )
0
0 1 1
 Ce sont des vecteurs de ℝ4 donc : 𝑟𝑔(𝑣1 , 𝑣2 , 𝑣3 ) ≤ 4.
 Mais comme il n’y a que 3 vecteurs alors donc : 𝑟𝑔(𝑣1 , 𝑣2 , 𝑣3 ) ≤ 3.
 Le vecteur 𝑣1 est non nul donc : 𝑟𝑔(𝑣1 , 𝑣2 , 𝑣3 ) ≥ 1.
 Il est clair que 𝑣1 et 𝑣2 sont linéairement indépendants donc :
𝑟𝑔(𝑣1 , 𝑣2 , 𝑣3 ) ≥ 𝑟𝑔(𝑣1 , 𝑣2 ) = 2
Il reste donc à déterminer si le rang vaut 2 ou 3. On cherche si la famille {𝑣1 , 𝑣2 , 𝑣3 }
est libre ou liée en résolvant le système linéaire 𝜆1 𝑣1 + 𝜆2 𝑣2 + 𝜆3 𝑣3 = 0. On trouve :
𝑣1 − 𝑣2 + 𝑣3 = 0. La famille est donc liée. Ainsi 𝑉𝑒𝑐𝑡(𝑣 , 𝑣 , 𝑣 ) = 𝑉𝑒𝑐𝑡(𝑣1 , 𝑣2 ), donc :
1 2 3
𝑟𝑔(𝑣1 , 𝑣2 , 𝑣3 ) = 𝑑𝑖𝑚 𝑉𝑒𝑐𝑡(𝑣 , 𝑣 , 𝑣 ) = 2
1 2 3

F. Rang d’une application linéaire

Proposition 3 : Si 𝐸 est de dimension finie, alors :

 𝐼𝑚(𝑓) = 𝑓(𝐸) est un espace vectoriel de dimension finie ;


 Si (𝑒1 , 𝑒2 , … , 𝑒𝑛 ) est une base de 𝐸, alors 𝐼𝑚(𝑓) = 𝑉𝑒𝑐𝑡(𝑓(𝑒1 ), 𝑓(𝑒2 ), … . , 𝑓(𝑒𝑛 )).
La dimension de cet espace vectoriel 𝐼𝑚(𝑓) est appelée 𝑟𝑎𝑛𝑔 𝑑𝑒 𝑓:

𝒓𝒈(𝒇) = 𝒅𝒊𝒎 𝑰𝒎 (𝒇) = 𝒅𝒊𝒎 𝑽𝒆𝒄𝒕(𝒇(𝒆𝟏 ), 𝒇(𝒆𝟐 ), … . , 𝒇(𝒆𝒏 ))

Proposition 4 : Soient 𝐸 et 𝐹 deux ℝ-espaces vectoriels et f une application linéaire


de 𝐸 dans 𝐹. On a :
𝒓𝒈(𝒇) ≤ 𝒎𝒊𝒏(𝒅𝒊𝒎 𝑬, 𝒅𝒊𝒎𝑭).
Exemple 3 : Soit 𝑓: ℝ3 → ℝ2 l’application linéaire définie par :
𝑓(𝑥, 𝑦, 𝑧) = (𝑥 − 2𝑦 + 3𝑧, 3𝑥 − 𝑦 + 𝑧).
Quel est le rang de 𝑓 ?
1 0 0
Si on note 𝑒1 = (0) , 𝑒2 = (1) , 𝑒3 = (0) alors (𝑒1 , 𝑒2 , 𝑒3 ) est la base canonique de ℝ3
0 0 1
Il s’agit de trouver le rang de la famille {𝑣1 , 𝑣2 , 𝑣3 } tel que :
1 0 0
1 −2 3
𝑣1 = 𝑓(𝑒1 ) = 𝑓 ( 0 ) = ( ), 𝑣2 = 𝑓(𝑒 2 ) = 𝑓 ( 1) = ( ), 𝑣3 = 𝑓 ( 0) = ( )
3 −1 1
0 0 1
Ou, ce qui revient au même, trouver le rang de la matrice
1 −2 3
𝐴=( )
3 −1 1
Commençons par estimer le rang sans faire de calcul.
 Nous avons une famille de 3 vecteurs donc : 𝒓𝒈(𝒇) ≤ 𝟑.
 Mais les vecteurs v1 , v2 , v3 vivent dans un espace de dimension 2 donc 𝒓𝒈(𝒇) ≤ 𝟐
 𝒇 n’est pas l’application nulle (c.à.d 𝑣1 , 𝑣2 , 𝑣3 ne sont pas tous nuls) donc 𝒓𝒈(𝒇) ≥ 𝟏.
Donc le rang de 𝒇 vaut 1 ou 2. Il est facile de voir que 𝑣1 𝑒𝑡 𝑣2 sont linéairement
indépendants, donc le rang est 2 :

𝑟𝑔(𝑓 ) = 𝑟𝑔(𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 )) = 𝑑𝑖𝑚 𝑉𝑒𝑐𝑡(𝑣 , 𝑣 , 𝑣 ) = 2


1 2 3

Remarque :
 Il est encore plus facile de voir que le rang de la matrice A est 2 en remarquant
que ses deux seules lignes ne sont pas colinéaires.

 Le théorème du rang est un résultat fondamental dans la théorie des


applications linéaires en dimension finie.

Théorème du rang : Soit 𝑓: 𝐸 → 𝐹 une application linéaire entre deux ℝ -espaces


vectoriels, 𝐸 étant de dimension finie. Alors :
𝒅𝒊𝒎 𝑬 = 𝒅𝒊𝒎 𝑲𝒆𝒓(𝒇) + 𝒅𝒊𝒎 𝑰𝒎 (𝒇)

Autrement dit : 𝐝𝐢𝐦 𝑬 = 𝐝𝐢𝐦 𝑲𝒆𝒓(𝒇) + 𝒓𝒈 (𝒇)


Dans la pratique, cette formule sert à déterminer la dimension du noyau connaissant
le rang, ou bien le rang connaissant la dimension du noyau.

Exemple 4 : Soit l’application linéaire :


𝑓: ℝ4 → ℝ3
(𝑥, 𝑦, 𝑧, 𝑡) → (𝑥 − 𝑦 + 𝑧, 2𝑥 + 2𝑦 + 6𝑧 + 4𝑡, −𝑥 − 2𝑧 − 𝑡)
Calculons le rang de 𝑓 et la dimension du noyau de 𝑓.
Première méthode. On calcule d’abord le noyau :
𝑥−𝑦+𝑧 =0
(𝑥, 𝑦, 𝑧, 𝑡) ∈ 𝐾𝑒𝑟 𝑓 ⇔ 𝑓(𝑥, 𝑦, 𝑧, 𝑡) = (0,0,0,0) ⇔ {2𝑥 + 2𝑦 + 6𝑧 + 4𝑡 = 0
−𝑥 − 2𝑧 − 𝑡 =0
On résout ce système et on trouve qu’il est équivalent à :
𝑥−𝑦+𝑧 =0 𝑥 = −2𝑧 − 𝑡
{ ⇔ {
𝑦+𝑧+𝑡 =0 𝑦 = −𝑧 − 𝑡

On choisit 𝑧 et 𝑡 comme paramètres et on trouve :


(𝑥, 𝑦, 𝑧, 𝑡) = (−2𝑧 − 𝑡, −𝑧 − 𝑡, 𝑧, 𝑡) = (−2𝑧, −𝑧, 𝑧, 0) + (−𝑡, −𝑡, 0, 𝑡)
= 𝑧(−2, −1,1,0) + 𝑡(−1, −1,0,1)

−2 −1 −2 −1
−1 −1 −1 −1
On a alors : 𝐾𝑒𝑟 𝑓 = {𝑧 ( ) + 𝑡 ( )⁄𝑧 , 𝑡 ∈ ℝ} = 𝑉𝑒𝑐𝑡 ( ) , ( )
1 0 1 0
0 1 0 1
( )
Les deux vecteurs définissant le noyau sont linéairement indépendants, donc :
dim 𝐾𝑒𝑟 (𝑓) = 2.

On applique maintenant le théorème du rang pour en déduire sans calculs la


dimension de l’image :
dim 𝐼𝑚 (𝑓) = 𝑑𝑖𝑚ℝ4 − dim 𝐾𝑒𝑟(𝑓) = 4 − 2 = 2. Donc : 𝑟𝑔 (𝑓) = 2.

Deuxième méthode. On calcule d’abord l’image. On note (𝑒1 , 𝑒2 , 𝑒3 , 𝑒4 ) la base


canonique de ℝ4 . Calculons 𝑣𝑖 = 𝑓(𝑒𝑖 ):
1 0
1 −1
0 1
𝑣1 = 𝑓(𝑒1 ) = 𝑓 ( ) = ( 2 ), 𝑣2 = 𝑓(𝑒2 ) = 𝑓 ( ) = ( 2)
0 0
−1 0
0 0
0 0
1 0
) 0 ) 0
𝑣3 = 𝑓(𝑒3 = 𝑓 ( ) = ( 6 ), 𝑣4 = 𝑓(𝑒4 = 𝑓 ( ) = ( 4)
1 0
−2 −1
0 1
le rang de la famille {𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 } est égale au rang de la matrice :
1 −1 1 0
𝐵=( 2 2 6 4)
−1 0 −2 −1
Il est simple de montrer que le rang de 𝐵 est 2, ainsi :

𝑟𝑔(𝑓) = dim 𝐼𝑚 (𝑓) = dim 𝑉𝑒𝑐𝑡(𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 ), 𝑓(𝑒4 )) = 2

Maintenant, par le théorème du rang, dim 𝐾𝑒𝑟(𝑓) = 𝑑𝑖𝑚ℝ4 − 𝑟𝑔(𝑓) = 4 − 2 = 2.


On trouve bien sûr le même résultat par les deux méthodes.
G. Application linéaire entre deux espaces de même
dimension

Théorème 3 : Soit 𝑓: 𝐸 → 𝐹 une application linéaire. Si 𝒅𝒊𝒎(𝑬) = 𝒅𝒊𝒎 (𝑭) alors :

𝒇 𝒊𝒏𝒋𝒆𝒄𝒕𝒊𝒗𝒆 ⇔ 𝒇 𝒔𝒖𝒓𝒋𝒆𝒄𝒕𝒊𝒗𝒆 ⇔ 𝒇 𝒃𝒊𝒋𝒆𝒄𝒕𝒊𝒗𝒆.

Autrement dit, dans le cas d’une application linéaire entre deux espaces de même
dimension, pour montrer que f est bijective, il suffit de démontrer que f est surjective
ou qu’elle est injective.

Exemple 5 : Soit 𝑓: ℝ2 → ℝ2 définie par 𝑓(𝑥, 𝑦) = (𝑥 − 𝑦, 𝑥 + 𝑦). Une façon simple


de montrer que l’application linéaire 𝑓 est bijective est de remarquer que l’espace de
départ et l’espace d’arrivée ont même dimension. Ensuite on calcule le noyau :
(𝑥, 𝑦) ∈ 𝐾𝑒𝑟(𝑓) ⇔ 𝑓(𝑥, 𝑦) = 0 ⇔ (𝑥 − 𝑦, 𝑥 + 𝑦) = (0,0)
𝑥−𝑦 =0
⇔ { ⇔ (𝑥, 𝑦) = (0,0)
𝑥+𝑦 =0
Ainsi 𝐾𝑒𝑟(𝑓) = {(0,0)} est réduit au vecteur nul, ce qui prouve que 𝑓 est injective et
donc, par le théorème, que 𝑓 est un isomorphisme.
Série 7: Application Linéaire

Exercice 1 : Vérifier si les applications linéaires suivantes sont linéaires ou non :

1. 𝑓: ℝ3 → ℝ2 , 𝑓(𝑥, 𝑦, 𝑧) = (3𝑥 + 𝑦𝑧, 5𝑥 + 2𝑧).


2. 𝑓: ℝ3 → ℝ3 , 𝑓(𝑥, 𝑦, 𝑧) = (𝑥 + 𝑦 − 𝑧, 2𝑥 + 𝑧, 𝑥 − 𝑦 + 1).
3. 𝑓: ℝ3 → ℝ2 , 𝑓(𝑥, 𝑦, 𝑧) = (𝑥 − 2𝑧, 4𝑥 + 𝑦).

Exercice 2 : On considère l’application linéaire 𝑓 de ℝ3 dans ℝ2 définie par :

𝑓(𝑥, 𝑦, 𝑧) = (4𝑥 + 𝑦, 3𝑦 − 2𝑧)

Déterminer le rang et le noyau de 𝑓. 𝑓 est-elle injective ? surjective ?

Exercice 3 : Soit 𝑓 une forme linéaire définie sur ℝ3 .


1. Montrer que les vecteurs 𝑣1 = (3,3,3), 𝑣2 = (3, 3,0) 𝑒𝑡 𝑣3 = (3,0,6) forment
une base de ℝ3 .
2. Déterminer 𝑓(𝑥, 𝑦, 𝑧) pour tout vecteur (𝑥, 𝑦, 𝑧) dans ℝ3 sachant que :
𝑓(𝑣1 ) = 3, 𝑓(𝑣2 ) = 6 𝑒𝑡 𝑓(𝑣3 ) = −3

Exercice 4 : On considère l’application linéaire 𝑓 de ℝ3 dans lui-même définie par :


𝑓(𝑎, 𝑏, 𝑐) = (−4𝑐 + 2𝑏, 5𝑐 − 2𝑏 + 𝑎, 𝑐 + 𝑎).
1. Déterminer le noyau de 𝑓.
2. Montrer que 𝐼𝑚 𝑓 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 , }.
3. 𝑓 est-elle injective ? surjective ?

Exercice 5 : On considère l’application linéaire 𝑓 de ℝ3 dans ℝ4 définie par :


𝑓(𝑥, 𝑦, 𝑧) = (2𝑥 + 𝑦 + 𝑧, 𝑦 − 𝑧, 𝑥 + 𝑦, 𝑥 + 𝑧)
1. Déterminer les images par 𝑓 de la base canonique 𝐵 = {𝑒1 , 𝑒2 , 𝑒3 } de ℝ3 ;

2. Calculer le rang du système {𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 )}.


3. Déterminer le noyau de 𝑓 et la dimension de 𝑓(ℝ3 ).
4. L’application 𝑓 est-elle injective ? Donner la forme générale des vecteurs de
𝑓(ℝ3 ) et une base de ce sous-espace vectoriel de ℝ4 . 𝑓 est-elle surjective ?

Exercice 6 : Sur ℝ4 muni de sa base canonique 𝐵 = {𝑒1 , 𝑒2 , 𝑒3 , 𝑒4 }, on considère


l’application linéaire définie par : 𝑓(𝑎, 𝑏, 𝑐, 𝑑) = (𝑎 − 𝑑, −𝑐 + 𝑏, 𝑏 + 𝑐, 𝑎 + 𝑑).
Montrer que 𝑓 est un automorphisme de ℝ4 .
Correction de la Série 7: Application Linéaire

Solution des exercices 1, 2, 3 et 4 (voir T.D. en classe)


 Solution des exercices 5 et 6 :

Exercice 5 :

∀(𝑥, 𝑦, 𝑧) ∈ ℝ3 ∶ 𝑓(𝑥, 𝑦, 𝑧) = (2𝑥 + 𝑦 + 𝑧, 𝑦 − 𝑧, 𝑥 + 𝑦, 𝑥 + 𝑧)

𝐵 = {𝑒1 , 𝑒2 , 𝑒3 } la base canonique de ℝ3 .

1. Les vecteurs images par 𝑓 des éléments de la base canonique de ℝ3 sont


donnés par
𝑓(𝑒1 ) = 𝑓(1,0,0) = (2,0,1,1)
𝑓(𝑒2 ) = 𝑓(0,1,0) = (1,1,1,0)
𝑓(𝑒3 ) = 𝑓(0,0,1) = (1, −1,0,1)
On remarque que 𝑓(𝑒1 ) = 𝑓(𝑒2 ) + 𝑓(𝑒3 ), donc 𝑓(𝑒1 ), 𝑓(𝑒2 ) 𝑒𝑡 𝑓(𝑒3 ) sont
linéairement dépendants. Si on prend par exemple les vecteurs 𝑓(𝑒2 ) 𝑒𝑡 𝑓(𝑒3 ),
ils sont linéairement indépendants, ce qui entraîne que :
𝑟𝑔{𝑓(𝑒1 ), 𝑓(𝑒2 ) , 𝑓(𝑒3 )} = 2.
2. Le noyau de l’application 𝑓 est donné par :
ker 𝑓 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /𝑓(𝑥, 𝑦, 𝑧) = 0}
= {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /(2𝑥 + 𝑦 + 𝑧, 𝑦 − 𝑧, 𝑥 + 𝑦, 𝑥 + 𝑧) = (0,0,0,0)}
= {(𝑥, 𝑦, 𝑧) ∈ ℝ3 , 𝑦 = 𝑧 𝑒𝑡 𝑧 = −𝑥}
= {(𝑥, −𝑥, −𝑥), 𝑥 ∈ ℝ} = {𝑥(1, −1, −1), 𝑥 ∈ ℝ }
𝐷′𝑜ù : dim ker 𝑓 = 1 et par suite :
dim 𝐼𝑚 𝑓 = dim 𝑓(ℝ3 ) = dim ℝ3 − dim ker 𝑓 = 2.
𝑓 n’est pas injective puisque ker 𝑓 ≠ {0ℝ3 } et elle n’est pas surjective
(dim 𝐼𝑚 𝑓 ≠ 4).
Cherchons maintenant une base de 𝑓(ℝ3 ) : soit 𝑌 ∈ 𝑓(ℝ3 ) , ∃(𝑥, 𝑦, 𝑧) ∈ ℝ3
tel que 𝑌 = 𝑓(𝑥, 𝑦, 𝑧). Comme 𝑓 est linéaire, on peut écrire :
𝑌 = 𝑓(𝑥, 𝑦, 𝑧) = 𝑓(𝑥𝑒1 + 𝑦𝑒2 + 𝑧𝑒3 ) = 𝑥𝑓(𝑒1 ) + 𝑦𝑓(𝑒2 ) + 𝑧𝑓(𝑒3 )
Soit, 𝑌 = (𝑥 + 𝑦)𝑓(𝑒2 ) + (𝑥 + 𝑧)𝑓(𝑒3 ).

Par conséquent, {𝑓(𝑒2 ), 𝑓(𝑒3 )} est une famille génératrice de 𝑓(ℝ3 ), elle est
aussi libre, donc c’est une base de 𝑓(ℝ3 ).
Ainsi, le sous-espace 𝑓(ℝ3 ) est tel que : 𝑓(ℝ3 ) = {𝛼𝑓(𝑒2 ) + 𝛽𝑓(𝑒3 ) /𝛼, 𝛽 ∈ ℝ}.

Exercice 6 :
∀(𝑎, 𝑏, 𝑐, 𝑑) ∈ ℝ4 , 𝑓(𝑎, 𝑏, 𝑐, 𝑑) = (𝑎 − 𝑑, −𝑐 + 𝑏, 𝑏 + 𝑐, 𝑎 + 𝑑).
𝐵 = {𝑒1 , 𝑒2 , 𝑒3 , 𝑒4 } la base canonique de ℝ4
Les vecteurs images par 𝑓 des éléments de la base canonique de ℝ4 sont
donnés par :
𝑓(𝑒1 ) = 𝑓(1,0,0, 0) = (1,0,0,1)
𝑓(𝑒2 ) = 𝑓(0,1,0,0) = (0,1,1,0)
𝑓(𝑒3 ) = 𝑓(0,0,1,0) = (0, −1,1,0)
𝑓(𝑒4 ) = 𝑓(0,0,0,1) = (−1,0,0,1)
𝑓 est une application linéaire définie de ℝ4 vers lui-même, donc 𝑓 est un
endomorphisme. Par conséquent, pour montrer que 𝑓 est un automorphisme,
il suffit de montrer que 𝑓 est bijective.
 𝑓 𝑒𝑠𝑡 𝑏𝑖𝑗𝑒𝑐𝑡𝑖𝑣𝑒 ⇔ 𝑓 𝑒𝑠𝑡 𝑖𝑛𝑗𝑒𝑐𝑡𝑖𝑣𝑒 ⇔ 𝑓 𝑒𝑠𝑡 𝑠𝑢𝑟𝑗𝑒𝑐𝑡𝑖𝑣𝑒.
 𝑓 𝑒𝑠𝑡 𝑏𝑖𝑗𝑒𝑐𝑡𝑖𝑣𝑒 ⇔ ker 𝑓 = {(0,0,0,0)} ⇔ 𝐼𝑚 𝑓 = ℝ4 .

1ère méthode : 𝑓 𝑒𝑠𝑡 𝑏𝑖𝑗𝑒𝑐𝑡𝑖𝑣𝑒 ⇔ 𝐼𝑚 𝑓 = ℝ4 .


𝐼𝑚 𝑓 = 𝑉𝑒𝑐𝑡(𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 ), 𝑓(𝑒4 )) et dim 𝐼𝑚 𝑓 = 𝑟𝑔{𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 ), 𝑓(𝑒4 ) }

𝑓 𝑒𝑠𝑡 𝑏𝑖𝑗𝑒𝑐𝑡𝑖𝑣𝑒 ⇔ 𝑟𝑔{𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 ), 𝑓(𝑒4 ) } = 4


⇔ 𝑙𝑒 𝑠𝑦𝑠𝑡è𝑚𝑒 {𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 ), 𝑓(𝑒4 ) } 𝑒𝑠𝑡 𝑙𝑖𝑏𝑟𝑒.
Résolvons le système correspondant à: 𝛼𝑓(𝑒1 ) + 𝛽𝑓(𝑒2 ) + 𝛾𝑓(𝑒3 ) + 𝜎𝑓(𝑒4 ) = (0,0,0,0)
⇒ 𝛼(1,0,0,1) + 𝛽(0,1,1,0) + 𝛾(0, −1,1,0) + 𝜎(−1,0,0,1) = (0,0,0,0)

𝛼−𝜎 = 0
⇒{
𝛽−𝛾 =0 𝛼 = 𝜎 = −𝜎 𝛼=𝜎=0
⇒ { 𝛽 = 𝛾 = −𝛾 ⇒ {
𝛽+𝛾 =0 𝛽=𝛾=0
𝛼+𝜎 = 0

𝑙𝑒 𝑠𝑦𝑠𝑡è𝑚𝑒 {𝑓(𝑒1 ), 𝑓(𝑒2 ), 𝑓(𝑒3 ), 𝑓(𝑒4 ) } 𝑒𝑠𝑡 𝑎𝑙𝑜𝑟𝑠 𝑙𝑖𝑏𝑟𝑒, donc une base de ℝ4 .

Donc 𝑓 est bijective.

2ère méthode : 𝑓 𝑒𝑠𝑡 𝑏𝑖𝑗𝑒𝑐𝑡𝑖𝑣𝑒 ⇔ ker 𝑓 = {(0,0,0,0)} .

 Calculons le noyau ker(𝑓).

(𝑥, 𝑦, 𝑧, 𝑡) ∈ 𝐾𝑒𝑟(𝑓) ⇔ 𝑓(𝑥, 𝑦, 𝑧, 𝑡) = (0,0,0,0)


⇔ (𝑥 − 𝑡, −𝑧 + 𝑦, 𝑦 + 𝑧, 𝑥 + 𝑡) = (0,0,0,0)
𝑥−𝑡 =0
−𝑧 + 𝑦 = 0
⇔{
𝑦+𝑧 =0
𝑥+𝑡 =0
𝑥=𝑡=0
⇔ {
𝑦=𝑧=0
Donc ker 𝑓 = {(0,0,0,0)}, donc 𝑓 𝑒𝑠𝑡 𝑏𝑖𝑗𝑒𝑐𝑡𝑖𝑣𝑒.