Vous êtes sur la page 1sur 49

Universite Mohamed Premier

Faculte Des Sciences


Departement De Mathematiques Et
Informatique
OUJDA.
FILI
`
ERE SMP-SMC (S1)
MATH

EMATIQUES I (ALG
`
EBRE)
Presente par
Mhammed ZIANE
Annee universitaire: 2005-2006
Table des mati`eres
1 Polyn omes et fractions rationnelles 3
1.1 Notion de corps . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Vocabulaire sur les polynomes . . . . . . . . . . . . . . . . . . . 4
1.2.1 Operations sur les polynomes . . . . . . . . . . . . . . . 5
1.3 Division euclidienne . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 PGCD et algorithme dEuclide . . . . . . . . . . . . . . . . . . 7
1.4.1 Algorithme dEuclide . . . . . . . . . . . . . . . . . . . . 7
1.5 Zeros dun polynome et irreductibilite . . . . . . . . . . . . . . 8
1.6 Derivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.7 Decomposition en facteurs irreductibles dans R[X] . . . . . . . 10
1.8 Fractions rationnelles sur R ou C . . . . . . . . . . . . . . . . . 10
1.8.1 Denitions . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.9 Decomposition en elements simples . . . . . . . . . . . . . . . . 11
1.10 Pratique de la decomposition dans C(X) . . . . . . . . . . . . . 12
1.11 Pratique de la decomposition dans R(X) . . . . . . . . . . . . . 14
1.11.1 Exercices corriges . . . . . . . . . . . . . . . . . . . . . . 15
2 Notions sur les espaces vectoriels 18
2.1 Structure despace vectoriel . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Famille libre et generatrice . . . . . . . . . . . . . . . . . . . . . 20
2.3 Base dun espace vectoriel . . . . . . . . . . . . . . . . . . . . . 21
2.4 Produit et somme despaces vectoriels . . . . . . . . . . . . . . 23
2.4.1 Produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Somme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Exercices corriges . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1
3 Applications lineaires, Matrices 26
3.1 Applications lineaires . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.1 Injection, surjection et bijection . . . . . . . . . . . . . 27
3.1.2 Proprietes du noyau et de limage dune application
lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.3 Somme de sous-espaces vectoriels . . . . . . . . . . . . 28
3.2 Matrice dune application lineaire . . . . . . . . . . . . . . . . . 29
3.2.1 Representation sous forme de tableau . . . . . . . . . . 30
3.2.2 Operations sur les matrices . . . . . . . . . . . . . . . . 31
3.2.3 Transposition dune matrice . . . . . . . . . . . . . . . . 31
3.3 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.1 Formules de changement de base . . . . . . . . . . . . . 32
3.3.2 Eet dun changement de base sur les matrices dap-
plications lineaires . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Rang dune matrice . . . . . . . . . . . . . . . . . . . . 34
3.4 Methodes pratiques . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.1 Operations elementaires sur les matrices . . . . . . . . 34
3.4.2 Application, famille de vecteurs . . . . . . . . . . . . . 37
3.4.3 Application, calcul du rang dune matrice . . . . . . . . 38
3.5 Exercices corriges . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Notion de determinant 42
4.1 Applications multilineaires alternees . . . . . . . . . . . . . . . 42
4.2 Calcul pratique du determinant . . . . . . . . . . . . . . . . . . 44
4.2.1 R`egles simples . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.2 Calcul `a laide des cofacteurs . . . . . . . . . . . . . . . 44
4.2.3 Calcul de linverse dune matrice . . . . . . . . . . . . . 45
4.2.4 Methode pratique de calculer linverse dune matrice . 45
4.3 Exercices corriges . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2
Chapitre 1
Polynomes et fractions
rationnelles
Il ne sagit pas ici de developper la theorie des polynomes mais seule-
ment de donner quelques resultats utiles en analyse (calcul de primitives et
dintegrales,...).
1.1 Notion de corps
Dans ce cours, nous nous interessons principalement `a deux ensembles de
nombres. Lensemble des nombres reels (note R) et Lensemble des nombres
complexes (note C).
Ces deux ensembles sont des corps ( un corps est note K).
An de rester general, nous allons enoncer les proprietes que doit verier
un corps :
a) Un corps doit etre muni dune operation daddition interne + qui pour
tout scalaire et associe le scalaire +.
Cette operation verie les proprietes suivantes :
(i) L addition est commutative ( + = +).
(ii) L addition est associative (( +) + = + ( +).
(iii) Il existe un unique scalaire 0 tel que K, + 0 = .
(iv) Pour tout scalaire , il existe un unique scalaire tel que :
+ () = 0
.
3
On dit que le couple (K, +) forme un groupe commutative.
b) Un corps doit etre aussi muni dune operation de multiplication interne
notee (.) qui pour tout scalaire et associe le scalaire .. Cette operation
verie les proprietes suivantes :
(i) La multiplication est commutative (. = .).
(ii) La multiplication est associative ( (.). = .(.)).
(iii) Il existe un unique scalaire 1 tel que K, .1 = .
(iv) Pour tout scalaire , il existe un unique scalaire
1
tel que :
.
1
= 1
.
c) La multiplication est distributive par rapport `a laddition :
(i) , , K, .( +) = . +.
Remarque 1.1.1 1) R,C et Q munis de laddition et de la multiplication
usuelles sont des corps.
2) Montrer que lensemble des entier naturelle muni de laddition et de
la multiplication usuelles nest pas un corps.
1.2 Vocabulaire sur les polynomes
On note K[X] lensemble des polynomes `a une indeterminee `a coecients
dans le corps K. K[X] est donc lensemble des polynomes P tels que
P =

n=0
a
n
X
n
o` u (a
n
) est une suite delements de K tous nuls `a partir dun certain rang.
Deux polynomes sont egaux si et seulement si les coecients des termes
de meme puissance sont egaux deux `a deux. Le degre dun polynome P est
le plus grand des entiers n tels que a
n
soit non nul. On le note par deg(P)
(On convient que le polynome nul a pour degre ).
On appelle valuation de P le plus petit des entiers n tels que a
n
soit non
nul. On la note par val(P) (On convient que le polynome nul a pour valuation
+).
4
1.2.1 Operations sur les polynomes
Si P et Q deux polynomes de K[X] tels que
P =

n=0
a
n
X
n
et Q =

n=0
b
n
X
n
o` u (a
n
) et (b
n
) deux suites delements de K tous nuls `a partir dun certain
rang, alors :
1. Le polynome somme secrit P +Q, avec
P +Q =

n=0
c
n
X
n
,
o` u c
n
= a
n
+b
n
2. Le polynome produit secrit PQ, avec
PQ =

n=0
d
n
X
n
,
o` u d
n
=

i+j=n
a
i
b
j
Exemple 1.2.1 Soient P = 1 +2X +3X
2
et Q = 3X +X
2
deux polynomes `a
coecients reels. Alors
P +Q = (1 + 0) + (2 + 3)X + (3 + 1)X
2
= 1 + 5X + 4X
2
et pour le produit, on doit calculer les coeciens d
n
.
d
0
=

i+j=0
a
i
b
j
= a
0
b
0
= 0
d
1
=

i+j=1
a
i
b
j
= a
0
b
1
+a
1
b
0
= 3.
d
2
=

i+j=2
a
i
b
j
= a
0
b
2
+a
1
b
1
+a
2
b
0
= 7.
d
3
=

i+j=3
a
i
b
j
= a
0
b
3
+a
1
b
2
+a
2
b
1
+a
3
b
0
= 11.
d
4
=

i+j=4
a
i
b
j
= a
0
b
4
+a
1
b
3
+a
2
b
2
+a
3
b
1
+a
4
b
0
= 3.
et
PQ = 3X + 7X
2
+ 11X
3
+ 3X
4
.
Proprietes 1.2.1 Soient P et Q deux polynomes `a cocients dans K.
1. deg(PQ)= deg(P)+deg(Q)
2. val(PQ)= val(P)+val(Q)
3. deg(P +Q) supdeg(P), deg(Q) avec egalite si deg(P) ,= deg(Q).
4. val(P +Q) infval(P), val(Q) avec egalite si val(P) ,= val(Q).
5
1.3 Division euclidienne
Dans toute la suite on identiera souvent le polynome P avec la fonction
polynome
P: K K
x P(x)
Theor`eme 1.3.1 (De la division euclidienne) Soient A et B deux po-
lynomes de K[X], B ,= 0. Il existe un unique couple (Q, R) de polynomes de
K[X] tel que :
A = BQ+R avec deg(R) < deg(B).
Les polynomes Q, R sappellent respectivement quotient et reste de la division
euclidienne de A par B.
Demonstration Unicite Soit (Q

, R

) un autre couple solution. Alors on a :


0 = B(QQ

) + (R R

),
cest `a dire, B(QQ

) = (R

R) et donc
deg(R

R) = deg(B) + deg(QQ

).
Or deg(R

R) est inferieur `a supdeg(R

), deg(R), donc strictement inferieur


`a deg(B). Cela implique que Q = Q

et par suite R = R

.
Existence On la montre par recurrence sur le degre de A. Lorsque deg(A) <
deg(B), le couple(0, A) convient. Supposons alors lexistence montree pour
tout polynome de degre strictement inferieur `a n et soit A de degre n avec
n deg(B). On a A = a
n
X
n
+ ... + a
1
X + a
0
et B = b
p
X
p
+ ... + b
1
X + b
0
avec a
n
,= 0, b
p
,= 0 et n p. Posons A
1
= A
a
n
b
p
X
np
B. deg(A
1
) < n donc
par hypoth`ese de recurrence, A
1
= BQ
1
+ R
1
avec deg(R
1
) < deg(B). Dou
A = B(Q
1
+
a
n
b
p
X
np
) +R
1
Denition 1.3.1 Si R = 0, on dit que B divise A, on la note par B [ A.
Exemple 1.3.1 La division euclidienne de X
3
+ 3X
2
+ 2X + 1 par X
2
+ 1
secrit :
X
3
+ 3X
2
+ 2X + 1 = (X
2
+ 1)(X + 3) + (X 2)
X + 3 est le quotient et X 2 est le reste.
6
1.4 PGCD et algorithme dEuclide
Si P et Q sont deux polynomes de K[X], on dit le polynome D est un plus
grands commun diviseur (en abrege pgcd) de P et Q quand
1. D est un diviseur commun de P et Q.
2. Tout diviseur commun de P et Q divise D.
Ceci ne denit pas le pgcd de mani`ere unique mais `a un facteur constant non
nul pr`es.
Pour chercher le pgcd de deux polynomes, ily a une methode de cal-
cul, en utilisant la division euclidienne, cette methode est appele algorithme
dEuclide.
1.4.1 Algorithme dEuclide
Soient P et Q deux polynomes, on pose R
0
= P et R
1
= Q et pour tout
n, tant que R
n
,= 0, on denit R
n+1
comme le reste de la division euclidienne
de R
n1
par R
n
.
R
n1
= Q
n
R
n
+R
n+1
avec deg(R
n+1
) < deg(R
n
) o` u R
n+1
= 0
Lalgorithme sarrete au bout dun nombre ni detapes, avec R
n+1
= 0,
puisque la suite (deg(R
n
))
n
est une suite dentiers naturels strictement decroissante.
Theor`eme 1.4.1 Le polynome R
n
est un pgcd de P et Q (cest le dernier
reste non nul , si P et Q sont dierents de 0).
Si P et Q sont tous les deux nuls, pgcd(P, Q) = 0 est nul. Sinon un pgcd est
un polynome de degre maximal parmi ceux qui divise `a la fois P et Q.
Theor`eme 1.4.2 (De Bezout) Soient P et Q deux polynomes, D un pgcd
de P et Q. Il existe deux polynomes U et V tels que PU +QV = D
Denition 1.4.1 Deux polynomes P et Q sont dits premiers entre eux quand
1 est un pgcd de P et Q, autrement dit si et seulement si les seuls diviseurs
commun de P et Q sont les constantes non nulles.
Exemple 1.4.1 Soient
P = 2X
4
3X
3
3X 2 et Q = X
2
1.
7
On pose R
0
= P et R
1
= Q.
La premi`ere division euclidienne de R
0
par R
1
nous donne R
2
= 6X.
La deuxi`eme division euclidienne de R
1
par R
2
nous donne R
3
= 1, qui
est le dernier reste non nul. Un pgcd de P et Q est donc -1.
1.5 Zeros dun polynome et irreductibilite
Un element a de K est dit zero ( on dit aussi racine) de P si P(a) = 0.
Proposition 1.5.1 a est zero de P si et seulement si (X a) divise P.
Soit k N

, on dit que a est zero dordre k (ou de multiplicite k) si (X a)


k
divise P et (X a)
k+1
ne divise pas P.
Exemple 1.5.1 Si P = X
4
+ 2X
2
+ 1 alors
P = (X
2
+ 1)
2
= (X i)
2
(X +i)
2
,
donc i et i sont deux zeros de P de multiplicite 2.
Un polynome non constant P est dit irreductible sur K si ses seules di-
viseurs sont les constantes non nulles et les polynomes de K[X] de la forme
P, autrement dit P est indecomposable.
Exemple 1.5.2 Soit P = X
2
+1. Si P admet un diviseur Q dans R[X], alors
on a :
1. soit deg(Q) = 0 et Q est une constante.
2. soit deg(Q) = 2 et Q = P.
3. soit deg(Q) = 1 et Q = (X a) avec , a R. Mais alors a serait zero
de P ce qui est impossible.
Donc P est irreductible sur R, mais P nest pas irreductible sur C (P =
(X i)(X +i)).
Deux polynomes sont dit premiers entre eux sil nont pas de zeros com-
plexes communs.
Theor`eme 1.5.1 Si a
1
,a
2
,...,a
r
sont des zeros distincts du polynome P de
multiplicites respectives k
1
,k
2
,..,k
r
alors P peut secrire de la forme :
P = (X a
1
)
k
1
(X a
2
)
k
2
...(X a
r
)
k
r
Q
o` u Q est un polynome nayant aucun zero de P.
Corollaire 1.5.1 Un polynome de degre n a au plus n zeros.
8
1.6 Derivation
Denition 1.6.1 Si P =

n
k=1
a
k
X
k
un polynome `a coecients reels, on
denit le polynome derive de P, note P

, par :
P

=
n

k=1
ka
k
X
k1
.
Exemple 1.6.1 Si P = 2X
2
+ 3X + 9 son polynome derive est P

= 4X + 3.
Theor`eme 1.6.1 Soit P un polynome `a coecient dans un corps K. Alors
les proprietes suivantes sont equivalentes.
1. (X a)
k
divise P.
2. P(a) = P

(a) = .... = P
k1
(a) = 0.
En consequence a est zero dordre k de P si et seulement si
P(a) = P

(a) = .... = P
k1
(a) = 0 et P
k
(a) ,= 0.
Exemple 1.6.2 Soit P = X
4
3X
3
+ 3X
2
X. Comme 1 est un zero de
P et comme P

(1) = 0, P

(1) = 0 et P
(3)
(1) = 6 ,= 0, alors 1 est un zero de
multiplicite 3 de P.
Theor`eme 1.6.2 (Formule de Taylor algebrique) Soient P =

n
k=1
a
k
X
k
et a K. Alors
P =
n

k=1
P
(k)
(a)
k!
(X a)
k
Demonstration Theor`emes 1.6.1 et 1.6.2 sont admis.
Exemple 1.6.3 Soient
P = X
3
2X
2
+ 3X 1 et a = 1,
alors
P = P(1) +P

(1)(X 1) +
P

(1)
2
(X 1)
2
+
P
(3)
(1)
6
(X 1)
3
.
= 1 + 2(X 1) + (X 1)
2
+ (X 1)
3
.
9
1.7 Decomposition en facteurs irreductibles
dans R[X]
Proposition 1.7.1 Soient P R[X] et a C. Alors
P(a) = P( a).
En particulier a et zero de P si et seulement si a lest aussi.
Soit P un polynome de R[X]. Alors on peut considerer P comme un po-
lynome `a coecients complexes et le decomposer en un produit de polynomes
de degre 1 de la forme (X a
i
) o` u a
i
sont les zeros complexes de P comptes
avec leurs multiplicites. A chaque zero a
i
de C R correspond le zero a
i
or
(X a
i
)(X a
i
) = X
2
sX +p
o` u s = a
i
+ a
i
et p = a
i
a
i
R, verient s
2
4p < 0. On peut donc enoncer le
theor`eme suivant
Theor`eme 1.7.1 Les polynomes irreductibles de R[X] sont soit de la forme
(X a) avec , a R soit de la forme (X
2
sX + p) avec s
2
4p < 0
et s, p R. Tout polynome de R[X] peut se decomposer en facteurs de tels
polynomes irreductibles.
Exemple 1.7.1 Decomposer le polynome P = X
6
1 de R[X] en produit de
polynomes irreductibles de R[X]. On eectue dabord la decomposition dans
C[X] :
P = (X 1)(X j)(X j
2
)(X + 1)(X +j)(X +j
2
),
puis on regroupe les termes conjuges pour obtenir la decomposition souhaitee :
P = (X 1)(X + 1)(X
2
+X + 1)(X
2
X + 1)
1.8 Fractions rationnelles sur R ou C
1.8.1 Denitions
On appelle fraction rationnelle `a une indeterminee sur le corps K, tout
couple (P, Q) K[X] K[X]

.
10
On appelle fraction rationnelle `a une indeterminee sur le corps K, ecrite
sous forme irreductible, tout couple (P, Q) K[X] K[X]

avec P et Q sont
premiers entre eux. On la note par
P
Q
. On note aussi K(X), lensemble des
fractions rationnelles. Soit R =
P
Q
une fraction rationnelle ecrite sous forme
irreductible. On appelle pole de R tout zero de Q. a est un pole dordre n de
R si et seulement si a est un zero de multiplicite n de Q.
Exemple 1.8.1 Soit
R =
X
2
3X + 2
X
4
1
.
R nest pas sous forme irreductible car
R =
X
2
3X + 2
X
4
1
==
X 2
(X + 1)(X i)(X +i)
.
Les poles de R sont 1, i et i et ils sont tous simples.
1.9 Decomposition en elements simples
Proposition 1.9.1 Soit R une fraction rationnelle ecrite sous forme irreductible,
il existe un unique polynome E et un unique polynome P
1
tels que
R = E +
P
1
Q
et deg(P
1
) < deg(Q) (1.1)
Demonstration Lecriture (1.1) est equivalente `a P = QE + P
1
et donc E
et P
1
sont respectivement le quotient et le reste de la division euclidienne P
par Q.
Denition 1.9.1 Le polynome E de la proposition 1.9.1 est appele partie
enti`ere de la fraction R.
Exemple 1.9.1 Soit
R =
P
Q
avec P = 2X
4
+ 3X
3
X + 1 et Q = X
2
3X + 1
La division euclidienne de P par Q est :
2X
4
+ 3X
3
X + 1 = (X
2
3X + 1)(2X
2
+ 9X + 25) + (65X 24).
11
Donc
R = (2X
2
+ 9X + 25) +
(65X 24)
X
2
3X + 1
,
et la partie enti`ere de R est 2X
2
+ 9X + 25.
Theor`eme 1.9.1 (De decomposition) Pour toute fraction rationnelle
P
Q
de K(X) dont le denominateur admet la decomposition en polynomes irreductibles
sur K
Q = P
n
1
1
P
n
2
2
...P
n
r
r
avec n
1
, n
2
, .., n
r
sont des entiers naturels non nuls. Il existe une famille de
polynomes E,P
1,i
avec i = 1..n
1
, P
2,i
avec i = 1..n
2
,...,P
r,i
avec i = 1..n
r
veriant :
1.
P
Q
= E +
P
1,1
P
1
+... +
P
1,n
1
P
n
1
1
+
P
2,1
P
2
+...... +
P
r,n
r
P
n
r
r
2. deg(P
j,i
) < deg(P
j
) pour tout i et j.
3. E est la partie enti`ere de la fraction rationnelle
P
Q
.
Lecriture precedente se nomme la decomposition en elements simples de
la fraction rationnelle
P
Q
. Les
P
1,1
P
1
, ..,
P
1,n
1
P
n
1
1
,
P
2,1
P
2
, ....,
P
r,n
r
P
n
r
r
sont les elements simples de la fraction. Si le denominateur de lelement
simple est une puissance dun polynome de degre 1, lelement simple est dit
de premi`ere esp`ece, si le denominateur est une puissance dun polynome de
degre 2, lelement simple est dit de deuxi`eme esp`ece .
1.10 Pratique de la decomposition dans C(X)
Soit
P
Q
une fraction rationnelle `a coecient dans C. Dans C[X] tout
polynome Q est de la forme Q = (X a
1
)
n
1
(X a
2
)
n
2
..(X a
l
)
n
l
et la
decomposition theorique est :
P
Q
= E +

1
(X a)
+... +

n
1
(X a)
n
1
+

1
(X a
2
)
+...... +

n
l
(X a
l
)
n
l
12
Il ny a que les elements simples de premi`ere esp`ece.
La decomposition seectue donc de la mani`ere suivante :
1. Determiner la parie enti`ere de la fraction.
2. Decomposer, si necessaire, le denominateur en produit de polynomes
irreductibles, ecrire la forme de la decomposition et determiner les co-
ecients.
Exemple 1.10.1 Soit
R =
X
4
+ 1
X
3
1
.
La partie enti`ere de R est X. Comme X
3
1 = (X 1)(X j)(X j
2
), alors
R se decompose sous la forme :
R = X +
a
X 1
+
b
X j
+
c
X j
2
.
Comme R =

R, alors a = a,b = c et c =

b. Puis en multipliant R par (X 1)
on obtient :
X
4
+ 1
(X j)(X j
2
)
= X(X 1) +a +
(X 1)
X j
+
(X 1)
X j
2
.
En posant X = 1 on obtient donc a = 2/3 ; de la meme mani`ere on obtient
b = 1/3 et c =

b = 1/3. Dou la decomposition de R en elements simples
est :
R = X +
1
3
[
2
X 1
+
1
X j
+
1
X j
2
].
Exemple 1.10.2 Soit
R =
4
(X
2
1)
2
.
La decomposition theorique est :
R =
a
X 1
+
b
(X 1)
2
+
c
X + 1
+
d
(X + 1)
2
.
La parite de R donne c = d et a = b. On multiplie R par (X 1)
2
dans la
decomposition theorique on obtient :
4
(X + 1)
2
= a(X 1) +b +
c(X 1)
2
X + 1
+
d((X 1)
2
(X + 1)
2
,
et par suite b = 1 = a. dune mani`ere analogue on obtient c = d = 1 Dou la
decomposition de R en elements simples est :
R =
1
X 1
+
1
(X 1)
2
+
1
X + 1
+
1
(X + 1)
2
.
13
1.11 Pratique de la decomposition dans R(X)
Toutes les methodes vues jusqu`a present sappliquent encore dans le cas
dune decomposition sur R, mais il apparait dans la decomposition theorique
les elements simples du deuxi`eme esp`ece. Il ya donc ici une autre etape qui
consiste `a calculer les coecients des fractions simples du deuxi`eme esp`ece .
Exemple 1.11.1 Soit
R =
X
3
+ 1
X(X 1)(X
2
+ 1)
2
.
La decomposition theorique est :
R =
a
X
+
b
X 1
+
cX +d
(X
2
+ 1)
+
eX +f
(X
2
+ 1)
2
.
En multipliant R par (X
2
+ 1)
2
dans la decomposition theorique on obtient :
X
3
+ 1
X(X 1)
=
a(X
2
+ 1)
2
X
+
b(X
2
+ 1)
2
X 1
+ (X
2
+ 1)(cX +d) +eX +f.
En posant X = i on obtient e = 1 et f = 0. Soit
G = R
eX f
(X
2
+ 1)
2
.
=
X
3
+ 1
X(X 1)(X
2
+ 1)
2

X
(X
2
+ 1)
2
.
=
X
3
+ 1 X
3
+X
2
X(X 1)(X
2
+ 1)
2
.
=
1
X(X 1)(X
2
+ 1)
.
On fait de meme pour la fraction G, on obtient ci +d =
i 1
2
. Dou c =
1
2
et
d =
1
2
Exemple 1.11.2 Soit
R =
2X
7
+X
6
X
3
+ 3
(X
2
+X + 1)
3
.
On eectue la division de 2X
7
+X
6
X
3
+ 3 par X
2
+X + 1 on obtient :
2X
7
+X
6
X
3
+ 3 = (2X
5
X
4
X
3
+ 2X
2
2X)(X
2
+X + 1) + (2X + 3)
14
puis on remplace dans R et on obtient :
R =
(2X
5
X
4
X
3
+ 2X
2
2X)
(X
2
+X + 1)
2
+
(2X + 3)
(X
2
+X + 1)
3
.
On fait de meme pour la fraction :
R =
(2X
5
X
4
X
3
+ 2X
2
2X)
(X
2
+X + 1)
2
.
et ainsi de suite on obtient :
R = 2X 4 +
2X + 6
(X
2
+X + 1)
+
X 2
(X
2
+X + 1)
2
+
2X + 3
(X
2
+X + 1)
3
1.11.1 Exercices corriges
Exercice 1.11.1 On consid`ere le polynome
P = X
5
+ 6X
4
+ 10X
3
20X
2
51X 26
1. Montrer que -1 et 2 sont des zero de P et determiner lordre de multi-
plicites de ces zeros .
2. En deduire que le polynome P est divisible par Q = X
3
3X 2.
3. En eectuant la division euclidienne de P par Q, donner, en justiant,
la factorisation de P sur R.
Solution 1.11.1 1. On a tout dabord P(1) = 1+61020+5126 = 0,
et P(2) = 32 + 96 + 80 80 102 26 = 0. Les nombres 1,2 sont bien
des zeros de P. Calculons P

. on a
P

= 5X4 + 24X
3
+ 30X
2
40X 51.
Donc P

(1) = 5(1)
4
+24(1)
3
+30(1)
2
40(1) 51 = 5 24 +30 +
40 51 = 0, et P

(2) = 5(2)
4
+ 24(2)
3
+ 30(2)
2
40(2) 51 = 80 + 192 +
120 80 51 = 261.
Comme P

(2) nest pas nul , il en resulte que lordre de multiplicite de


2 vaut 1.
On calcul alors P

. on obtient
P

= 20X
3
+ 72X
2
+ 60X 40,
donc P

(1) = 20(1)
3
+72(1)
2
+60(1)40 = 20+72+6040 = 48.
Comme P

(1) nest pas nul, il en resulte que lordre de multiplicite du


zero 2, vaut 2.
15
2. Dapr`es 1) le polynome P est divisible par (X + 1)
2
(X 2). Mais
(X + 1)
2
(X 2) = X
3
3X 2,
donc P est divisible par Q.
3. En eectuant la division euclidienne de P par Q on obtient
P = (X + 1)
2
(X 2)(X
2
+ 6X + 13).
Le descriminant du trinome (X
2
+6X+13) vaut -16. Il est donc negatif
et le trinome nadmet pas de zero reel. La decomposition sur R est donc
P = (X + 1)
2
(X 2)(X
2
+ 6X + 13).
Exercice 1.11.2 1. Un polynome `a coecients reels sans racines reelles
est il irreductible dans R[X].
2. Quelle est la partie enti`ere de la fraction rationnelle
R =
X
6
(X
2
+ 1)(X 1)
3
,
et donner sa decomposition en elements simples Dans R[X].
Solution 1.11.2 1. Non, les seuls elements irreductibles de R[X] sont les
polynomes de degre 1 et les polynomes de degre 2 sans racines reelles.
Par exemple, le polynome X
4
+ 1 na pas de racines reelles mais il est
reductible :
X
4
+ 1 = (X
2
+

2X + 1)(X
2

2X + 1)
2. La partie enti`ere de la fraction est X +3, la forme de la decomposition
en elements simples de la fraction dans R[X] est
R = (X + 3) +
aX +b
X
2
+ 1
+
c
(X 1)
3
+
d
(X 1)
2
+
e
(X 1)
et a, b, c, d, e des constantes reelles `a determiner.
Exercice 1.11.3 Decomposer en elements simples dans C(X), la fraction
F =
X
n1
X
n
1
.
16
Solution 1.11.3 La decomposition theorique est :
F =
n1

k=0

k
X w
k
.
ou w
k
est la racine n-i`eme de lunite, cest `a dire, w
k
= e
2ik/n
. Soient P =
X
n1
et Q = X
n
1.
On utilise la formule

k
=
P(w
k
)
Q

(w
k
)
=
w
n1
k
nw
n1
k
=
1
n
et on a :
F =
1
n
n1

k=0
1
X w
k
17
Chapitre 2
Notions sur les espaces
vectoriels
2.1 Structure despace vectoriel
2.1.1 Denition
Un espace vectoriel sur le corps K est un triplet (E, +, .) o` u E est un
ensemble muni de deux lois (+) et (.) telles que :
1. (E, +) est un groupe abelien, on note 0 lelement neutre.
2. . est une loi de composition externe telle que :
(a) La loi . est associative.
(b) La loi . est Distributive par rapport `a + et 1x = x.
Les elements de K sont appeles scalaires et les elements de E sont appeles
vecteurs.
Exemples 2.1.1 1. R est un espace vectoriel sur lui meme.
2. C est un R-espace vectoriel, les lois etant laddition des nombres com-
lexes et la multiplication par un scalaire r.(x +iy) = rx +iry.
Denition 2.1.1 Soit F un sous-ensemble non vide dun K-espace vectoriel
E. On dit que F est un K-sous espace vectoriel de E si (F, +, .) est un K-espace
vectoriel.
Theor`eme 2.1.1 (De caracterisation) F E est un sous-espace vecto-
riel de E si et seulement si
18
1. F est non vide.
2. (x, y) F F, a K, x +y F et a.x F.
Pour le point (1), le plus simple est de verier que 0 F. Si cest le cas, on
poursuit dans la verication de (2). Si ce nest pas le cas, F nest pas un
sous-espace vectoriel.
Exemple 2.1.1 Soit V la partie de R
2
donnee par
V =
_
x
y
_
: x 0, y 0.
Pour la point (1) du theor`eme de caracterisation
_
0
0
_
V est verie. Mais
_
2
2
_
V sans que
_
2
2
_
=
_
2
2
_
soit dans V . V nest donc pas un
sous-espace vectoriel.
Exemple 2.1.2 La partie des polynomes de la forme P = a + X
2
nest pas
un sous espace vectoriel de K
2
[X] car elle ne contient pas lelement nul.
Proposition 2.1.1 Si F
1
et F
2
sont deux sous-espaces vectoriels de E, alors
F
1
F
2
est un sous-espace vectoriel de E.
Denition 2.1.2 Une combinaison lineaire de vecteurs x
1
, x
2
, .., x
n
de E est
un vecteur v tel quil existe des scalaires
1
,
2
, ..,
n
tels que
v =
1
x
1
+
2
x
2
+.. +
n
x
n
,
on le note aussi v =

n
k=1

k
x
k
.
Lensemble des combinaisons lineaires de x
1
, x
2
, .., x
n
forme un sous-espace
vectoriel de E. On lappelle sous-espace vectoriel engendre par les vecteurs
x
1
, x
2
, .., x
n
et on le note vectx
1
, x
2
, .., x
n
.
vectx
1
, x
2
, .., x
n
= v =
n

k=1

k
x
k
:
k
K, pour tout k
Exemples 2.1.2 1. Si (E, +, .) est un K-espace vectoriel, Le sous-ensemble
0 compose du vecteur nul est un sous-espace vectoriel de E. On le note
souvent (0).
19
2. (x, y) K
2
: x +y = 0 est un sous-espace vectoriel de (K
2
, +, .).
3. K[X] lensemble des polynomes `a une indeterminee et `a coecients
dans K muni de la somme des polynomes et du produit dun polynome
par un scalaire est un K-espace vectoriel.
4. K
n
[X] lensemble des polynomes `a une indeterminee et `a coecients
dans K et de degres au plus n est un K-sous-espace vectoriel de K[X].
2.2 Famille libre et generatrice
Denitions 2.2.1 1. On dit quune famille T = x
1
, x
2
, .., x
n
de vecteurs
dun espace vectoriel E est generatrice si vect(T) = E, autrement dit,
si tout vecteur de E est une combinaison lineaire des vecteurs de T.
On peut encore exprimer cette propriete par :
x E,
1
,
2
, ...,
n
K: x =
n

k=1

k
x
k
2. On dit que que E est de dimension nie si on peut trouver une famille
generatrice dans E. Sinon, on dit que E est de dimension innie. Sauf
mention contraire, les espaces vectoriels consideres seront toujours de
dimension nie.
3. On dit quune famille T = x
1
, x
2
, .., x
n
de vecteurs dun espace vecto-
riel E est libre si on a la propriete suivante
(
1
,
2
, ...,
n
K et
n

k=1

k
x
k
= 0) =
1
=
2
= .... =
n
= 0
On dit aussi que les vecteurs x
1
, x
2
, .., x
n
sont lineairement independants.
Dans le cas contraire, on dit que la famille de vecteurs est liee ou que les
vecteurs sont lineairement dependants.
Exemple 2.2.1 Dans lespace R
3
[X] des polynomes de degre inferieur ou
egal `a 3, on consid`ere les polynomes
P
0
= 1, P
1
= X 1, P
2
= (X 1)
2
et P
3
= (X 1)
3
.
Si on ecrit la relation
aP
0
+bP
1
+cP
2
+cP
3
= 0 = a +b(X 1) +c(X 1)
2
+d(X 1)
3
,
20
on obtient a = 0, en posant X = 1. On peut alors simplier par (X 1) donc
b +c(X 1) +d(X 1)
2
= 0.
On obtient b = 0, en posant X = 1. Et ainsi de suite on obtient que les
scalaires a,b,c et d soient nuls. Il en resulte que la famille des polyn omes
P
0
, P
1
, P
2
, P
3
est libre.
Pour montrer quelle est generatrice il sut decrire la formule de Taylor
algebrique en 1 pour un polynome P quelconque
P = P(1)P
0
+P

(1)(X 1) +
P

(1)
2
(X 1)
2
+
P

(1)
6
(X 1)
3
Proposition 2.2.1 Si x
1
, x
2
, .., x
n
sont lineairement independants et x de
vectx
1
, x
2
, .., x
n
, alors il existe
1
,
2
, ..,
n
uniques tels que
x =
n

k=1

k
x
k
2.3 Base dun espace vectoriel
Denition 2.3.1 On appelle base dun espace vectoriel E une famille generatrice
et libre de E.
Autrement dit, B = x
1
, x
2
, .., x
n
est une base de E si et seulement si, pour
tout x E, il existe des scalaires
1
,
2
, ...,
n
K , determines de mani`ere
unique, tels que
x =
n

k=1

k
x
k
Les scalaires
i
sont appeles les composantes de x dans la base B.
Exemple 2.3.1 La base canonique de K
n
est formee des vecteurs
e
i
= (0, ..., 1, ...0), 1 i n,
o` u dans e
i
, le scalaire 1 est en i-i`eme position et le scalaire 0 sur toutes les
positions j ,= i.
21
Exemple 2.3.2 Dans lespace R
3
[X] des polynomes de degre inferieur ou
egal `a 3. La famille des polynomes
T = 1, (X 1), (X 1)
2
, (X 1)
3

forme une base de R


3
[X] (voir exemple 2.2.1). La base canonique de R
3
[X]
est
B = 1, X, X
2
, X
3

Theor`eme 2.3.1 (De la base incompl`ete) Si E est un espace vectoriel


de dimension nie non reduit au vecteur nul, alors
1. E a une base.
2. De toute famille generatrice, on peut extraire une base.
3. Toute famille libre peut etre completee de mani`ere `a former une base.
Theor`eme 2.3.2 Si E est un espace vectoriel de dimension nie, alors toutes
les bases de E ont le meme nombre de vecteurs.
Ce dernier resultat permet de denir la notion de dimension dun espace
vectoriel comme le nombre de vecteurs contenues dans une base quelconque
de E. Si E est reduit au vecteur nul, on dit que E est de dimension nulle. On
la note dim
K
(E).
Remarque 2.3.1 La notation dim
K
(E) met en evidence limportance du corps
K. Si on change le corps K la dimension de E nest plus la meme. On a par
exemple
dim
C
(C) = 1 et dim
R
(C) = 2
Theor`eme 2.3.3 Si dim(E) = n > 0, alors
1. une famille generatrice de n vecteurs est une base de E.
2. une famille libre de n vecteurs est une base de E.
Exemple 2.3.3 On consid`ere les vecteurs x
1
= (1, 2, 3) et x
2
= (1, 0, 2) de
R
3
. Construire un vecteur x
3
pour que x
1
, x
2
, x
3
soient lineairement independants
(resp. lineairement dependants).
Le vecteur x
3
= (0, 1, 0) convient car il nexiste aucun , R tels que
x
1
+x
2
= (0, 1, 0).
22
2.4 Produit et somme despaces vectoriels
2.4.1 Produit
Soient E
1
,..,E
n
des espaces vectoriels sur le meme corps K. On peut mettre
sur lensemble produit E
1
... E
n
, forme des n-uples (x
1
, ..., x
n
), avec x
i
E
i
pour tout i = 1..n, une structure despace vectoriel en denissant
1. laddition : (x
1
, ..., x
n
) + (y
1
, ..., y
n
) = (x
1
+y
1
, ..., x
n
+y
n
)
2. la multiplication par un scalaire K : (x
1
, ..., x
n
) = (x
1
, ..., x
n
)
La structure mise sur K
n
est le produit de n exemplaires de K.
Theor`eme 2.4.1 Si E
1
,..,E
n
des espaces vectoriels sur le meme corps K,
alors
dim(E
1
... E
n
) =
n

i=1
dim(E
i
).
En particulier, dim
K
(K
n
) = n
2.4.2 Somme
Soient E
1
et E
2
deux espaces vectoriels. On appelle somme de E
1
et E
2
le
sous-espace vectoriel de E deni par
E
1
+E
2
= x
1
+x
2
: x
1
E
1
, x
2
E
2

Theor`eme 2.4.2 Si E
1
et E
2
deux espaces vectoriels, alors
dim(E
1
+E
2
) = dim(E
1
) + dim(E
2
) dim(E
1
E
2
)
La decomposition de x en x = x
1
+x
2
nest pas necessairement unique. Si
cest le cas, On dit que la somme de E
1
et E
2
est directe, et on note E
1
E
2
.
Denition 2.4.1 On dit que E
1
et E
2
sont supplementaire dans E si
E = E
1
E
2
.
Theor`eme 2.4.3 Si F est un sous-espace vectoriel de E, alors F admet un
supplementaire dans E.
Theor`eme 2.4.4 Si E
1
et E
2
deux espaces vectoriels, alors les propri`etes
suivantes sont equivalentes
1. E
1
et E
2
sont supplementaire dans E.
2. E
1
E
2
= (0) et dim(E) = dim(E
1
) + dim(E
2
).
23
2.5 Exercices corriges
Exercice 2.5.1 Soit E un espace vectoriel sur le corps K. Montrer les rela-
tions suivantes :
K et x E.
1. 0x = 0 = 0 (lequel de ces 0 est dans K).
2. (x) = ()x = (x).
3. (1)x = x.
4. ()(x) = x.
Solution 2.5.1 1. En utilisant le caract`ere gras pour le 0 de E.
0x = (0 + 0)x = 0x + 0x,
puis on utilise les proprietes des groupes,
0 = 0x + (0x) = 0x + 0x + (0x) = 0x.
On utilise les proprietes des espaces vectoriels,
0 = (0 +0) = 0 +0,
puis on utilise les proprietes des groupes,
0 = 0 + (0) = 0 +0 + (0) = 0.
2. En utilisant les proprietes des espaces vectoriels et la question 1)
(x) + (x) = ( +)x = 0.
Donc x est loppose de x, et ()x = (x).
3. Cas particulier de 2) avec = 1.
4. On remplace dans 2) x par x et en tenant compte que (x) = x.
Exercice 2.5.2 Soient les polynomes
P
1
= (X + 1)(X 1)(X 2), P
2
= 2X(X 1)(X 2) et P
3
= (X + 1)(X 1)X
24
1. Dire, sans les developper, si les polynomes P
1
,P
2
,P
3
forment une famille
libre de R
3
[X] (lensemble des polynomes `a coecients reels de degre
inferieur `a 3).
2. Dire si ces vecteurs forment une base de R
3
[X].
Solution 2.5.2 1. Cherchons si on peut trouver les scalaires a, b, c non
nuls tels que
aP
1
+bP
2
+cP
3
= 0.
Notons Q le polynome du membre de gauche . Donc
Q = a(X + 1)(X 1)(X 2) +b2X(X 1)(X 2) +c(X + 1)(X 1)X.
On obtient
Q(1) = 12b et Q(0) = 2a.
On en deduit a = b = 0. Alors, il reste
cP
3
= 0
et comme P
3
nest pas nul, on a egalement c = 0. Le famille de vecteurs
est donc libre.
2. La famille de vecteurs contient 3 vecteurs et lespace R
3
[X] est de di-
mension 4. la famille ne constitue pas une base de R
3
[X].
Exercice 2.5.3 On denit lensemble des polynomes `a coecients reels note
R[X] par :
R[X] = u R
n
/n
0
tel que n > n
0
, u
n
= 0
Pour (u)
n
R
n
, on peut denir la fonction polynome :
P(X) =
k=n
0

k=0
u
k
X
k
.
On admet que lensemble R[X] est un espace vectoriel sur R
1. Monter que lensemble des polynomes `a coecients reels de degre 3
(note R
3
[X]) est un sous-espace vectoriel de R[X] .
2. Trouver une base de R
3
[X].
3. Les 4 polynomes P
i
(X) = ( + X)
i
, i = 1..4 forment-ils une base de
R
3
[X] ?
25
Chapitre 3
Applications lineaires, Matrices
3.1 Applications lineaires
Denition 3.1.1 Soient E et F deux K-espaces vectoriels et soit une appli-
cation f: E F. f est une application lineaire si et seulement si
(x, y) E
2
, , K, f(x +y) = f(x) +f(y).
Remarque 3.1.1 On note par :
L(E, F) lensemble des applications lineaires de E dans F.
L(E) lensemble des applications lineaires de E dans E.
E

lensemble des applications lineaires de E dans K.


Exemple 3.1.1 Lapplication denie par :
f: R
2
R
2
(x, y) (x +y, x)
est une application lineaire.
Lapplication denie par :
g: R
2
R
2
(x, y) (x
2
, y)
nest pas une application lineaire.
Soit E un R-espace vectoriel et soit R.
lapplication lineaire h

denie par :
26
h

: E E
u u
est une application lineaire appelee homothetie vectorielle de rapport .
Soit I un intervalle de R. On note E = C
1
(I) lensembles des fonctions
de classe C
1
sur I. On note F lensemble des fonctions denes sur I.
Alors, lapplication :
d: E F
f f

o` u f

est la derivee de f, est une application lineaire.


Proprietes 3.1.1 Lespace des images ou des antecedants dun sous-espace
vectoriel est un sous-espace vectoriel. En particulier :
1. A = x E/f(x) = 0 est un espace vectoriel. On lappelle le noyau de
f et on le note Ker(f).
2. B = y F/x E, f(x) = y est un espace vectoriel. on lappelle
lespace image de f et on le note Im(f). on appelle rang de f (note
rg(f)) la dimension de Im(f).
Applications 3.1.1 1. Soit le syst`eme de 3 equations `a 3 inconnues sui-
vant :
_

_
2x + 2y 2z = 0
x + y z = 0
x + 3y +z = 0
Monter que lensemble des solutions du syst`eme (S) peut etre interprete
comme le noyau dune application lineaire que lon determinera.
2. Soit lequation dierentielle suivante :
f

(x) +x
2
f

(x) +f(x) = 0
Monter que lensemble des solutions de lequation dierentielle peut etre
interprete comme le noyau dune application lineaire que lon determinera.
3.1.1 Injection, surjection et bijection
Denitions 3.1.1 Soient E et F deux ensembles quelconques et soit f une
application de E dans F. On dit que :
27
1. f est injective ssi (x, y) E
2
, f(x) = f(y) = x = y.
2. f est surjective ssi y F, x E/f(x) = y.
3. f est bijective ssi y F, il existe un unique x E tel que f(x) = y.
3.1.2 Proprietes du noyau et de limage dune applica-
tion lineaire
Soient E et F deux espaces vectoriels et soit f une application lineaire de
E dans F.
1. f est injective ssi Ker(f) = 0.
2. f est surjective ssi Im(f) = F.
3. dim(Ker(f))+ rg(f) = dim(E) (Propriete du rang).
4. Si dim(E)=dim(F), alors f surjective f injective f bijective.
Applications 3.1.2 Montrer que les applications suivantes :
f: R
3
R
2
(x, y, z) (x, y)
et
g: R
3
R
3
(x, y, z) (x, y, x)
sont lineaires et decriver leurs noyaux et leurs espaces image.
3.1.3 Somme de sous-espaces vectoriels
Soit (E, +, .) est un K-espace vectoriel, et F,G deux sous-espaces vectoriel
E, lapplication lineaire
f: F G E
(x, y) x +y
Denition 3.1.2 Soit (E, +, .) est un K-espace vectoriel, et F,G deux sous-
espaces vectoriel E, le sous-sepace vectoriel de E, image de lapplication f,
est appele somme des sous-espaces F et G. On le note F +G.
Theor`eme 3.1.1 1. F + G est le plus petit sous-espace vectoriel de E
contenant F et G.
28
2. F +G est lintersection des sous-espaces vectoriels de E contenant F et
G.
3. F +G est lensemble des sommes x +y, x F, y G.
Denition 3.1.3 On dit que la somme F + G est directe si F G = . On
le note F G
Theor`eme 3.1.2 H = F G si et seulement si tout element h de H secrit
dune facon unique h = f +g, f F, g G.
3.2 Matrice dune application lineaire
Soient E et F deux espaces vectoriels de dimension respective m et n et
soit f une application lineaire de E dans F. Soit B = e
1
, ..., e
m
une base de
E et B

= f
1
, ..., f
n
une base de F. Soit x E et x
1
, .., x
m
ses coordonnees
par rapport la base B. on a :
x =
i=m

i=1
x
i
e
i
f(x) = f(
i=m

i=1
x
i
e
i
) =
i=m

i=1
x
i
f(e
i
). (3.1)
On en deduit que la connaissance de f est equivalente `a la connaissance
de f pour les vecteurs de la base B.
La decomposition des m vecteurs f(e
i
) par rapport `a la base B

nous donne
m relation de type :
f(e
i
) =
j=n

j=1

ij
f
j
. (3.2)
la relation (3.1) secrit :
f(x) =
i=m

i=1
x
i
j=n

j=1

ij
f
j
On inversant les signes somme, on obtient :
f(x) =
j=n

j=1
[
i=m

i=1
x
i

ij
]f
j
On en deduit que f est totalement determinee par les mn coetients
ij
donnes par la relation (3.2).
29
3.2.1 Representation sous forme de tableau
les mn coecients peuvent se ranger sous forme dun tableau appele ma-
trice de f relativement aux bases B et B

. La j `eme colonne est formee des


coordonnees du vecteur f(e
j
) par rapport `a la base B

.
f(e
j
)

M
B,B
(f) =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_

1,1

1,2
...
1,j
...
1,n

2,1

2,2
...
2,j
...
2,n
. . . . .
. . . . .
. . . . .

i,1

i,2
...
i,j
...
i,n
. . . . .
. . . . .

m,1

m,2
...
m,j
...
m,n
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
Denition 3.2.1 Soient deux entiers naturels non nuls m, n. On appelle ma-
trice `a m lignes et n colonnes `a coecients dans un corps K, toute familles
delements de K indexees par 1, .., m 1, .., n
Notations 3.2.1 1. lensemble des matrices `a m lignes et n colonnes `a
coecients dans un corps K se note /
m,n
(K). Il sagit de lensemble
des matrices mn.
2. Si m = n, lensemble /
m,n
(K) se note /
m
(K) et ses elements sont
appeles matrices carrees dordre m.
Applications 3.2.1 Trouver les matrices des applications lineaires suivantes
relativement aux bases canoniques :
1.
f: R
3
R
2
(x, y, z) (x, y)
2.
g: R
3
R
3
x x
30
3.2.2 Operations sur les matrices
1. Addition de deux matrices Soient A, B deux matrices de /
mn
(K).
On note A = (a
i,j
) et B = (b
i,j
). On pose C = A + B avec C = (c
i,j
)
denie par :
c
i,j
= a
i,j
+b
i,j
i, j
2. Multiplication dune matrice par un scalaire Soit A une matrice
de /
mn
(K) (On note A = (a
i,j
)) et soit K. On pose D = A avec
D = (d
i,j
) denie par :
d
i,j
= a
i,j
i, j
3. Multiplication de deux matrices Soit A = (a
i,j
) (resp. B = (b
j,k
) une
matrice de /
mn
(K) (resp. /
nl
(K). On pose E = AB avec E /
ml
(K)
et E = (e
i,j
) denie par :
e
i,j
=
k=n

k=1
a
i,k
b
k,j
i, j
3.2.3 Transposition dune matrice
Soit M une matrice `a m lignes et n colonnes. La transposee de la matrice
M est la matrice `a n lignes et m colonnes obtenue `a partir de M en echangeant
les lignes et les colonnes.
On note par
t
M la transposee de M
Exemple 3.2.1 La transposee de la matrice `a 2 lignes et 3 colonnes
A =
_
1 1 0
0 1 1
_
est la matrice `a 3 lignes et 2 colonnes
t
A =
_
_
_
1 0
1 1
0 1
_
_
_
Denition 3.2.2 1. On dit que la matrice M est symetrique si elle est
egale `a sa transposee (
t
M = M).
2. On dit que la matrice M est antisymetrique si elle est egale `a loppose
de sa transposee (
t
M = M).
31
Exemple 3.2.2 Soit la matrice A donnee par :
A =
t
_
_
_
_
1 0
2 1
_
t
_
_
_
1 0
1 2
2 1
_
_
_
_
_
_
1 0
2 2
0 1
_
_
_
_
1 0
0 1
_
_
_
_
Calculons la matrice A.
A =
t
_
_
_
_
1 0
2 1
_
t
_
_
_
1 0
1 2
2 1
_
_
_
_
_
_
1 0
2 2
0 1
_
_
_
_
1 0
0 1
_
_
_
_
=
t
_
_
_
_
1 0
2 1
__
1 1 2
0 2 1
_
_
_
_
1 0
2 2
0 1
_
_
_
_
1 0
0 1
_
_
_
_
=
t
__
1 0
2 1
__
3 4
4 3
_

_
1 0
0 1
__
=
t
__
3 4
10 11
_

_
1 0
0 1
__
=
t
_
2 4
10 10
_
=
_
2 10
4 10
_
.
3.3 Matrice de passage
Les matrices de passage sont aussi appelees matrices de changement de
base.
3.3.1 Formules de changement de base
Soient E un espace vectoriel de dimension n sur le corps K, et B =
e
1
, e
2
, .., e
n
une base de E.soit B

= f
1
, f
2
, .., f
n
une autre base de E. Di-
sons commodement que B represente lancienne base et que B

represente la
nouvelle base. On se donne les nouveaux vecteurs de la base B

en fonction
des anciens par des formules
f
j
=
n

i=1
a
i,j
e
i
32
o` u a
i,j
K. Trouver les formules de changement de base, cest trouver la re-
lation entre les anciennes coordonnees (x
1
, x
2
, ..., x
n
) dun vecteur u E dans
lancienne base et les nouvelles coordonnees (x

1
, x

2
, .., x

n
) du meme vecteur
dans dans la nouvelle base. on a
u =
n

i=1
x
i
e
i
=
n

j=1
x

j
f
j
=
n

j=1
x

j
n

i=1
a
i,j
e
i
=
n

i=1
(
n

j=1
x

j
a
i,j
)e
i
.
do` u
i 1, 2, .., n x
i
=
n

j=1
a
i,j
x

j
Ces egalites secrits matriciellement
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
a
1,1
... a
1,n
. .
. .
. .
x
n
... a
n,n
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x

1
.
.
.
x

n
_
_
_
_
_
_
_
_
qui conduit `a la denition de la matrice
P =
_
_
_
_
_
_
_
_
a
1,1
... a
1,n
. .
. .
. .
x
n
... a
n,n
_
_
_
_
_
_
_
_
La matrice carree P dont les colonnes sont les coordonnees de la nouvelle
base en fonction de lancienne, est appelee Matrice de passage de la base
B `a la base B

, notee P(B, B

). Avec cette denition, se sont les anciennes


coordonnees X du vecteur u en fonction des nouvelles coordonnees X

de u
par la formule X = PX

.
3.3.2 Eet dun changement de base sur les matrices
dapplications lineaires
Soit f: E F une application lineaire de matrice M = M(f, B, B

) dans
les bases B de E et B

de F. Soient ( une nouvelle base de E et (

une nouvelle
base de F. Notons P et Q respectivement les matrices de passage de B `a (
33
et de B

`a (

, X et X

les vecteurs colonnes des cordonnees de u dans B et


( respectivement, Y et Y

les vecteurs colonnes des cordonnees de f(u) dans


les bases B

et (

respectivement.
Les anciennes coordonnees sont obtenues `a partir des nouvelles en ecrivant
X = PX

et Y = QY

.Par denition de M on a Y = MX. Par consequent


QY

= MPX

do` u Y

= Q
1
MPX

, et cela signie que la matrice M

=
Q
1
MP nest autre que la matrice de lapplication lineaire f dans les nouvelles
bases ( et (

.
Si B = B

et ( = (

on a le theor`eme suivant
Theor`eme 3.3.1 Soit f: E E une application lineaire, soient B et B

deux
bases de E, alors
M(f, B

) = P
1
M(f, B)P,
o` u P est la matrice de passage de la base B `a la base B

.
Dans la demonstration on a P = Q
Denition 3.3.1 Soient A et B deux matrices. On dit que A et B sont
equivalentes ssi il existe une matrice P telle que :
A = P
1
BP
Remarque 3.3.1 Les matrices M(f, B

) et M(f, B) sont equivalentes.


3.3.3 Rang dune matrice
Le rang dune matrice est le nombre maximal de vecteurs colonnes de
la matrice lineairement independants. Ce nombre est constant pour toute
matrice equivalente.
Remarque 3.3.2 Soit f une application lineaire et A = M(f) (la matrice
de f), alors rang(A)= rang(f)
3.4 Methodes pratiques
3.4.1 Operations elementaires sur les matrices
Il ya trois types d operations elementaires sur les lignes dune matrice :
1. Echange de deux lignes.
34
2. Multiplication dune ligne par un scalaire non nul.
3. Ajouter `a une ligne un multiple scalaire dune autre.
Il ya aussi trois types d operations elementaires sur les colonnes dune ma-
trice :
1. Echange de deux colonnes.
2. Multiplication dune colonne par un scalaire non nul.
3. Ajouter `a une colonne un multiple scalaire dune autre.
Denition 3.4.1 1. Deux matrices de type (m, n) sont dites ligne-equivalente
si on peut passer de lune `a lautre en eectuant des operations elementaires
sur les lignes.
2. Deux matrices de type (m, n) sont dites colonne-equivalente si on peut
passer de lune `a lautre en eectuant des operations elementaires sur
les colonnes.
Denition 3.4.2 On dit quune matrice A = (a
i,j
) de type (m, n) est echelonnee
sil existe des entiers j
1
,j
2
,..,j
p
tels que 1 j
1
j
2
.. j
p
= n tels que :
1. Tous les elements de la premi`ere ligne sont nuls jusqu `a la colonne
j
1
1 et a
1,j
1
,= 0.
2. Tous les elements de la deuxi`eme ligne sont nuls jusqu `a la colonne
j
2
1. et a
2,j
2
,= 0.
3. Tous les elements de p-i`eme ligne sont nuls jusqu `a j
p
1 et a
p,j
p
,= 0.
la colonne j
1
1.
Les indices de colonnes j
1
,j
2
,..,j
p
sappellent les echelons.
Exemple 3.4.1 La matrice
A =
_
_
_
_
_
0 1 0 5 0
0 0 1 5 0
0 0 0 0 1
0 0 0 0 0
_
_
_
_
_
est une matrice echelonnee. Les indices de colonnes 2,3,5 sont les echelons
de A et la quatri`eme colonne nest pas une colonne `a echelon.
35
Denition 3.4.3 Une matrice A est dite echelonnee reduite si A est echelonnee
et de plus chaque colonnes echelon j
k
na que des zeros sauf la k-i`eme ligne
de la colonne j
k
contient 1.
Exemple 3.4.2 La matrice
A =
_
_
_
_
_
0 1 0 5 0
0 0 1 5 0
0 0 0 0 1
0 0 0 0 0
_
_
_
_
_
est une matrice echelonnee reduite.
Theor`eme 3.4.1 Toute matrice est ligne-equivalente `a une matrice echelonnee
reduite.
Exemple 3.4.3
A =
_
_
_
_
_
0 0 5 5 12
0 1 3 2 7
0 2 1 1 5
0 1 2 3 4
_
_
_
_
_
En echangeant la premi`ere et la deuxi`eme ligne on obtient
_
_
_
_
_
0 1 3 2 7
0 0 5 5 12
0 2 1 1 5
0 1 2 3 4
_
_
_
_
_
En ajoutant `a la ligne 3, -2 fois la ligne 1 et `a la ligne 4, la ligne 1. On
obtient
_
_
_
_
_
0 1 3 2 7
0 0 5 5 12
0 0 5 5 9
0 0 5 5 11
_
_
_
_
_
on multiplie la ligne 2 par
1
5
on obtient
_
_
_
_
_
_
_
0 1 3 2 7
0 0 1 1
12
5
0 0 5 5 9
0 0 5 5 11
_
_
_
_
_
_
_
36
On ajoute `a la ligne 3, 5 fois la ligne 2 et `a la ligne 4, -5 fois la ligne 2 on
obtient
_
_
_
_
_
0 1 3 2 7
0 0 1 1
12
5
0 0 0 0 3
0 0 0 0 1
_
_
_
_
_
on multiplie la ligne 3 par
1
3
et on ajoute `a la premi`ere ligne, -3 fois la
deuxi`eme ligne on obtient
_
_
_
_
_
_
_
_
0 1 0 1
1
5
0 0 1 1
12
5
0 0 0 0 1
0 0 0 0 1
_
_
_
_
_
_
_
_
On ajoute `a la ligne 4, la ligne 3 ; `a la ligne 1,
1
5
fois la ligne 3 et `a la ligne
2, -
12
5
fois la ligne 3 on obtient
_
_
_
_
_
0 1 0 1 0
0 0 1 1 0
0 0 0 0 1
0 0 0 0 0
_
_
_
_
_
3.4.2 Application, famille de vecteurs
Soit la famille v
1
, v
2
, .., v
n
de vecteurs de K
m
.
Probl`eme 3.4.1 Si W est le sous-espace engendre par cette famille, alors
donner une base de W et en particulier sa dimension.
Pour resoudre ce probl`eme, on ecrit les vecteurs en ligne et on obtient la
matrice :
A =
_
_
_
_
_
a
1,1
a
1,2
... a
1,n
a
2,1
a
2,2
... a
2,n
...
a
m,1
a
m,2
... a
m,n
_
_
_
_
_
On echelonne la matrice A et on trouve r lignes avec au moins un coecient
non nul et m r lignes nulles. ces lignes forment une nouvelle famille de
37
vecteurs equivalente `a la famille de depart. Soit w
1
, w
2
, .., w
r
cette nouvelle
famille. Alors le sous-espace engendre par v
1
, v
2
, .., v
n
poss`ede comme base
w
1
, w
2
, .., w
r
.
En particulier dim(W) = r.
3.4.3 Application, calcul du rang dune matrice
Comme les operations elementaires sur les lignes dune matrice conserve
le rang de la matrice , on peut eectuer des operations elementaires sur les
lignes de la matrice jusqu`a lobtention dune matrice echelonnee.
Exemple 3.4.4 On veut calculer le rang de la matrice A ci-dessous :
A =
_
_
_
_
_
1 5 9 13 17
3 7 11 15 19
2 6 1 0 11
1 3 14 21 16
_
_
_
_
_
On echelonne la matrice A on obtient la matrice echelonnee suivante
_
_
_
_
_
1 5 9 13 17
0 8 16 24 32
0 0 18 28 14
0 0 0 0 0
_
_
_
_
_
Nous lisons sur la mtrice echelonnee que le rang de la matrice initiale A est
3.
3.5 Exercices corriges
Exercice 3.5.1 Soit E lespace vectoriel des polynomes `a coecients reels
de degre strictement inferieur `a 4. On consid`ere lapplication u: E E qui `a
tout polynome P associe le reste de la division de P par X
2
1.
1. Soient les polynomes
P
1
= 1, P
2
= X 1, P
3
= X
2
1 et P
4
= (X
2
1)(X + 1).
Montrer que (P
1
, P
2
, P
3
, P
4
) est une base de E et donner la matrice de
lapplication lineaire par rapport `a cette base.
38
2. Determiner limage et le noyau de u.
3. Montrer que Ker(u) Im(u) = E.
4. Ecrire la matrice associee `a u par rapport `a la base canonique (1, X, X
2
, X
3
)
de E.
5. Calculer u
2
.
Solution 3.5.1 1. Toute famille de polynomes de degres dierents est
libre. Ces quatre polynomes, dans un espace vectoriel de dimension 4,
forment une base.
u(P
1
) = 1, u(P
2
) = X 1, u(P
3
) = 0, et u(P
4
) = 0.
A = M(u, (P
i
)) =
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
.
2. Il est claire que (P
1
, P
2
) engendre limage de u et de plus cest un syst`eme
libre. Il sagit donc dune base de Im(u). Le noyau est de dimension
4 dimIm(u) = 2 et contient (P
3
, P
4
) lequel est libre. Par suite, (P
3
, P
4
)
est une base de Ker(u).
3. La reunion dune base (P
1
, P
2
) de Im(u) et dune base (P
3
, P
4
) de Ker(u)
est une base de E, d o` u le resultat.
4. u(1) = 1, u(X) = X, u(X
2
) = 1 et u(X
3
) = X ; d o` u,
B = M(u, (1, X, X
2
, X
3
)) =
_
_
_
_
_
1 0 1 0
0 1 0 1
0 0 0 0
0 0 0 0
_
_
_
_
_
.
5. A
2
= A, B
2
= B ; u
2
= u.
Exercice 3.5.2 Montrer que le vecteur Z est dans le sous-espace vectoriel
de R
4
engendre par la famille de vecteurs v
1
,v
2
et v
3
:
Z =
_
_
_
_
_
9
7
4
8
_
_
_
_
_
, v
1
=
_
_
_
_
_
7
4
2
9
_
_
_
_
_
, v
2
=
_
_
_
_
_
4
5
1
7
_
_
_
_
_
, v
3
=
_
_
_
_
_
9
4
4
7
_
_
_
_
_
.
39
Solution 3.5.2 Le vecteur Z est dans le sous-espace engendre par v
1
,v
2
et
v
3
sil secrit comme combinaisons lineaire de ces trois vecteurs ; ce que veut
dire que les quatres vecteurs v
1
,v
2
, v
3
et Z sont lineairement dependants. On
forme la matrice A formee par les 4 vecteurs :
A =
_
_
_
_
_
7 4 9 9
4 5 4 7
2 1 4 4
9 7 7 8
_
_
_
_
_
La marice echelonnee reduite de A est :
A =
_
_
_
_
_
1 0 0 7.5
0 1 0 3
0 0 1 5.5
0 0 0 0
_
_
_
_
_
Ce qui montre que le vecteur Z = 7.5v
1
+3v
2
+5.5v
3
. Donc il est bien dans le
sous-espace vectoriel de R
4
engendre par v
1
,v
2
et v
3
.
Exercice 3.5.3 Soit S R
4
le sous-espace vectoriel engendre par les co-
lonnes de la matrice
A =
_
_
_
_
_
1 2 0 1
2 3 1 0
1 3 3 1
2 1 1 0
_
_
_
_
_
1. Trouver la dimension de S. Trouver le nombre dequations pour ca-
racteriser les vecteurs de S.
2. Donner un syst`eme dequations homog`ene dont S est lensemble de so-
lutions .
Solution 3.5.3 1. Eectuons des operations elementaires sur les colonnes
de la matrice A :
A =
_
_
_
_
_
1 2 0 1
2 3 1 0
1 3 3 1
2 1 1 0
_
_
_
_
_

_
_
_
_
_
1 0 0 0
2 1 1 2
1 5 3 2
2 3 1 2
_
_
_
_
_
40

_
_
_
_
_
1 0 0 0
2 1 0 0
1 5 8 8
2 3 4 4
_
_
_
_
_

_
_
_
_
_
1 0 0 0
2 1 0 0
1 5 1 0
2 3 1/2 0
_
_
_
_
_
La derni`ere matrice est une forme echelonnee par rapport aux colonnes.
pour une telle matrice, le sous-espace engendre par les colonnes est de
dimension egale aux nombres de colonnes non nulles. Donc il est de di-
mension 3. Comme les operations elementaires laisse inchange le sous-
espace engendre par les colonnes, le sous-espace S est de dimension 3.
Il faut donc 4 3 = 1 equation pour caracteriser les vecteurs de S.
2. Continuons les operations elementaires sur les colonnes

_
_
_
_
_
1 0 0 0
2 1 0 0
1 5 1 0
2 3 1/2 0
_
_
_
_
_

_
_
_
_
_
1 0 0 0
0 1 0 0
9 5 1 0
4 3 1/2 0
_
_
_
_
_

_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
1/2 1/2 1/2 0
_
_
_
_
_
La derni`ere matrice est la forme echelonnee reduite suivant les co-
lonnes. Nous lisons sur la forme reduite que lespace S est forme des
vecteurs
x
1
_
_
_
_
_
1
0
0
1/2
_
_
_
_
_
+x
2
_
_
_
_
_
0
1
0
1/2
_
_
_
_
_
+x
3
_
_
_
_
_
0
0
1
1/2
_
_
_
_
_
=
_
_
_
_
_
x
1
x
2
x
3
x
1
/2 x
2
/2 +x
3
/2
_
_
_
_
_
Il sensuit que les vecteurs de S sont caracterises par lequation
x
4
= x
1
/2 x
2
/2 +x
3
/2
ou, de mani`ere equivalente, par : x
1
+x
2
x
3
+ 2x
4
= 0
41
Chapitre 4
Notion de determinant
Dans ce chapitre on se limite aux matrices carrees. Soit E un espace
vectoriel de dimension nie n et B = e
1
, e
2
, .., e
n
une base de E. Soit f: E E
et soit M sa matrice associee relative `a B.
4.1 Applications multilineaires alternees
Soient E
1
,...,E
n
et F des espaces vectoriels sur K et f: E
1
.. E
n
F une
application. On dit que f est une application multilineaire si elle est lineaire
par rapport `a chacune de ces variables : pour tout i 1, .., n et tout x
j
E
j
,
lapplication
: E
i
F
x f(x
1
, .., x, .., x
n
)
est lineaire.
Si n = 2, une application multilineaire est dite aussi application bilineaire.
Denition 4.1.1 Une application multilineaire f est dite alternee si
f(x
1
, .., x
n
) = 0
chaque fois que deux vecteurs sont egaux.
Denition 4.1.2 Si F = K et E
i
= E(i), alors f est dite forme multilineaire
sur E.
42
Denition 4.1.3 Le determinant dans la base B est lunique forme multi-
lineaire alternee sur E telle que
det
B
(B) = 1.
On note le determinant dune famille de vecteurs v
1
, v
2
, .., v
n
de E
det
B
(v
1
, v
2
, .., v
n
)
Exemple 4.1.1 (Pour n=2) Soient E = R
2
, B = e
1
, e
2
une base de E et
v
1
= ae
1
+be
2
, v
2
= ce
1
+de
2
deux vecteurs de E. Le determinant de la famille
de vecteurs v
1
, v
2
est :
det
B
(v
1
, v
2
) = det
B
(ae
1
+be
2
, ce
1
+de
2
)
= det
B
(ae
1
, ce
1
+de
2
) + det
B
(be
2
, ce
1
+de
2
)
= det
B
(ae
1
, ce
1
) + det
B
(ae
1
, de
2
) + det
B
(be
2
, ce
1
) + det
B
(be
2
, de
2
)
= det
B
(ae
1
, de
2
) + det
B
(be
2
, ce
1
)
= ad det
B
(e
1
, e
2
) +bc det
B
(e
2
, e
1
)
= ad det
B
(e
1
, e
2
) bc det
B
(e
1
, e
2
)
= (ad bc) det
B
(e
1
, e
2
)
= (ad bc).
Theor`eme 4.1.1 Soit B une base de E.
1. La famille x
1
, .., x
n
est liee ssi det
B
(x
1
, ..., x
n
) = 0
2. La famille x
1
, .., x
n
est une base de E ssi det
B
(x
1
, ..., x
n
) ,= 0
Denition 4.1.4 On appelle determinant de la matrice dordre n A le determinant
dans la base canonique de K
n
de la famille de vecteurs colonnes de la matrice
A.
On le note :
det
B
(A) =

x
1,1
x
1,2
... x
1,j
... x
1,n
x
2,1
x
2,2
... x
2,j
... x
2,n
. . . . .
. . . . .
. . . . .
x
i,1
x
i,2
... x
i,j
... x
i,n
. . . . .
. . . . .
x
m,1
x
m,2
... x
m,j
... x
m,n

43
4.2 Calcul pratique du determinant
4.2.1 R`egles simples
Dans les cas qui suivent le determinent est nul
1. Au moin une ligne ou une coloonne de zeros.
2. Deux lignes ou deux colonnes identiques.
3. Une ligne (resp. une colonne) combinaison linaire des autres lignes(
resp. colonnes).
Et nous avons les proprietes suivantes :
1. le determinat ne change pas si on ajoute `a une ligne une combinaison
lineaire des autres lignes.
2. le determinat ne change pas si on ajoute `a une colonne une combinaison
lineaire des autres colonnes.
Exemple 4.2.1 1. Montrer que le determinant de
A =
_
_
_
1 3 2
1 0 2
2 1 4
_
_
_
est nul.
2. Montrer que le determinant de
B =
_
_
_
3 1 2
2 1 1
1 0 1
_
_
_
est nul.
4.2.2 Calcul `a laide des cofacteurs
Soit la matrice carree A dordre n, de terme general a
i,j
.
Denition 4.2.1 On appelle mineur de lelement a
i,j
le determinant obtenu
en supprimant la ligne i et la colonne j, note A
i,j
.
Denition 4.2.2 On appelle cofacteur de lelement a
i,j
le scalaire (1)
i+j
A
i,j
et la matrice formee par les cofacteurs est appelee comatrice de A , notee A
c
.
44
Developpement dun determinant suivant une ligne ou une colonne
1. Soit la i
0
`eme ligne de A, le determinant est donne par :
det
B
(A) =
j=n

j=1
a
i
0
,j
(1)
i
0
+j
A
i
0
,j
2. Soit la j
0
`eme colonne de A, le determinant est donne par :
det
B
(A) =
i=n

i=1
a
i,j
0
(1)
i+j
0
A
i,j
0
4.2.3 Calcul de linverse dune matrice
Si la matrice est inversible , on a :
A
1
=
1
det(A)
t
A
c
Exemple 4.2.2 Soit
A =
_
_
_
1 1 0
3 1 1
0 2 2
_
_
_
1. Montrer que le determinant de A est 2.
2. Montrer que :
A
1
=
_
_
_
2 1 0
3 1 1/2
3 1 1
_
_
_
4.2.4 Methode pratique de calculer linverse dune ma-
trice
Pour calculer pratiquement linverse dune matrice donnee A, on eectue
simultanement les memes operations elementaires sur les lignes de A et de I,
jusqu`a ce que A soit transformee en I ; I est alors devenue linverse de A.
Exemple 4.2.3 Soit
A =
_
_
_
1 1 1
0 2 3
5 5 1
_
_
_
45
Nous formons le tableau suivant :
(A [ I
3
) =
_
_
_
1 1 1
0 2 3
5 5 1
[
1 0 0
0 1 0
0 0 1
_
_
_
Retronchons de la ligne 3, 5 fois la ligne 1, nous obtenons :
_
_
_
1 1 1
0 2 3
0 0 4
[
1 0 0
0 1 0
5 0 1
_
_
_
Divisons la ligne 2 par 2, nous obtenons
_
_
_
1 1 1
0 1 3/2
0 0 4
[
1 0 0
0 1/2 0
5 0 1
_
_
_
Retronchons la ligne 2 de la ligne 1, on a :
_
_
_
1 0 1/2
0 1 3/2
0 0 4
[
1 1/2 0
0 1/2 0
5 0 1
_
_
_
Divisons la ligne 3 par -4, on a :
_
_
_
1 0 1/2
0 1 3/2
0 0 1
[
1 1/2 0
0 1/2 0
5/4 0 1/4
_
_
_
Ajoutons `a la ligne 1, 1/2 fois la ligne 3, on a :
_
_
_
1 0 0
0 1 0
0 0 1
[
13/8 1/2 1/8
15/8 1/2 3/8
5/4 0 1/4
_
_
_
Dou
A
1
=
_
_
_
13/8 1/2 1/8
15/8 1/2 3/8
5/4 0 1/4
_
_
_
46
4.3 Exercices corriges
Exercice 4.3.1 Sachant que le determinant de la matrice
A =
_
_
_
a b c
d e f
g h i
_
_
_
est 5. Calculer les determinants des matrices suivantes :
B =
_
_
_
a +d b +e c +f
d e f
g h i
_
_
_ et C =
_
_
_
a b c
2d +a 2e +b 2f +c
g h i
_
_
_
Solution 4.3.1 Comme on a ajoute la ligne 2 `a la ligne 1, la determinant
B reste inchange (det(B) = 5).
Comme on a multiplie la ligne 2 par 2 et on a ajoute la ligne 1 `a la ligne
2, le determinant de C est :
2

a b c
d e f
g h i

= 2 5 = 10
Exercice 4.3.2 On consid`ere les scalaires a
1
, ..., a
n
et b
1
, .., b
n
tels que tous
les a
i
sont distincts et i, a
i
+b
i
,= 0. On veut calculer le determinant suivant :

1
a
1
+b
1
...
1
a
1
+b
n
. .
. .
1
a
n
+b
1
...
1
a
n
+b
n

1. Decomposer en elements simples la fraction rationnelle


R =
(b
1
X)...(b
n1
X)
(X +a
1
)...(X +a
n
)
.
2. Exprimer
n
en fonction de
n1
.
3. Calculer
n
.
47
Solution 4.3.2 1. Comme la partie enti`ere de R est nulle et tous les poles
de R sont simples, alors la decomposition theorique de la fraction R est
R =
n

k=1

k
X +a
k
(4.1)
o` u les
k
sont des coecients `a determiner.
Calculons les
k
pour k allons de 1 `a n. En Multipliant la relation 4.1
par X +a
k
et prenons X = a
k
on obtient

k
=

n1
j=1
(b
j
+a
k
)

j=k
(aj a
k
)
.
2. En remplaant la ligne n, (L
n
) par

n
i=1

i
L
i
, on obtient
1

1
a
1
+b
1
...
1
a
1
+b
n
. .
. .
R(b
1
) ... R(b
n
)

.
Comme tous les R(b
j
) sont nuls pour j allant de 1 `a n 1,
1

1
a
1
+b
1
...
1
a
1
+b
n
. .
. .
0 ... R(b
n
)

.
En developpant le determinant par rapport `a la derni`ere ligne , on a :

n
=
R(b
n
)

n1
=
(b
1
b
n
)...(b
n1
b
n
)
j=k
(aj a
n
)
(b
n
+a
1
)...(b
n
+a
n
)
n1
j=1
(b
j
+a
n
)

n1
(4.2)
3. Comme

1
=
1
a
1
+b
1
,
la relation de recurrence (4.2) nous donne

n
=

i<j
(a
j
a
i
)
i<j
(b
j
b
i
)

1i,jn
(a
i
b
j
)
48