Ist Maths Generales l2

Institut Supérieur de
Technologies
Campus de Wayalghin
Faculté des Sciences et Technologies
Tronc Commun Licence 2

2021 – 2022
Mathématiques Générales
Bylli André GUEL

byliguel@gmail.com
Source :
■ “Cours de Mathématiques Sup.”, Sésamath,2011.
Alain Soyeur - François Capaces - Emmanuel Vieillard Baron
■ “Mathématiques : Les séries”, Dunod, 2000.
Francine Delmer
Sommaire
1 Éléments d’algèbre linéaire 4

1.1 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Applications Linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Réduction d’endomorphismes : Diagonalisation . . . . . . . . . . . . . . . . . . . 21
2 Séries à termes positifs 25

2.1 Généralités sur les séries numériques . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Séries à termes positifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Extension de l’intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 Intégrales généralisées de fonctions positives . . . . . . . . . . . . . . . . . . . . 31
2.5 Relations entre séries et intégrales . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Séries à termes réels ou complexes 34

3.1 Séries absolument convergentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Méthodes d’investigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Sommation d’Abel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Reste d’une série convergente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Suites et séries de fonctions 38

4.1 Suites de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 Séries de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Séries entières 46
5.1 Domaine de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.2 Opérations algébriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.3 Propriétés analytiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.4 Développement en série entière . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.5 Développement de fonctions usuelles . . . . . . . . . . . . . . . . . . . . . . . . 52
3
Chapitre 1
Éléments d’algèbre linéaire
Dans toute la suite, K désigne le corps R des nombres réels ou celui C des nombres complexes.
1.1 Espaces vectoriels
1.1.1 Généralités
Définition 1.1 (K-espace vectoriel )
Soit (K, +, ×) un corps.
On appelle espace vectoriel sur le corps K tout ensemble E muni d’une loi de composition
interne + (addition) et d’une loi de composition externe · (multiplication par un scalaire)
définies par
+ : E × E −→ E · : K × E −→ E
et
(x, y) 7−→ x + y ; (λ, x) 7−→ λ · x = λx ;
telles que
1. (E, +) est un groupe commutatif ; on note 0E son élément neutre ;
2. pour tous (α, β) ∈ K2 et tous (x, y) ∈ E 2 , on a :
■ (α + β) · x = α · x + β · x ; ■ α · (x + y) = α · x + α · y ;
■ (α × β) · x = α · (β · x) ; ■ 1K · x = x.
On dit alors que (E, +, ·) est un K-espace vectoriel. Les éléments de K sont appelés sca-
laires, ceux de E, vecteurs. L’élément neutre de (E, +) est appelé vecteur nul.
Remarque 1.1. Un espace vectoriel est tout simplement un ensemble sur lequel on peut définir
une addition et une multiplication par un scalaire qui vérifient les axiomes de la Définition 1.1.
Vous en connaissez déjà bon nombre :
■ R, avec K = R et C, avec K = R ou C ; ■ Les ensembles R2 et R3 , avec K = R ;
■ L’ensemble des vecteurs du plan ; ■ L’ensemble des suites réelles S (R), avec
K = R ; ou l’ensemble des suites com-
■ L’ensemble des vecteurs de l’espace ; plexes S (C), avec K = R ou C.
4
1.1. ESPACES VECTORIELS v21.10.1
Exemple 1.1. On va munir l’ensemble des couples de réels, R2 , d’une structure de R-espace
vectoriel. On définit une addition et une multiplication par un scalaire comme suit : pour tous
(x, y) , (x′ , y ′ ) ∈ R2 et tout α ∈ R, on pose
(x, y) + (x′ , y ′ ) = (x + x′ , y + y ′ ) et α. (x, y) = (α.x, α.y) .
On vérifie que ces deux lois vérifient les axiomes de la Définition 1.1.
Proposition 1.1 (Espace vectoriel Kn ). Sur l’ensemble des n-uplets de scalaires Kn , on définit
une addition et une multiplication par un scalaire par :
(
Kn × Kn −→ Kn
+: ′ ′ ′ ′
(x1 , . . . , xn ) , x1 , . . . , xn 7−→ x1 + x1 , . . . , xn + xn ;
et (
K × Kn −→ Kn
·:
(α, (x1 , . . . , xn )) 7−→ (αx1 , . . . , αxn ) .
Muni de ces lois, l’ensemble (Kn , +, ·) est un K-espace vectoriel. Son vecteur nul est le n-uplet
0Kn = (0, . . . , 0).
Corollaire 1.1.
■ L’ensemble (Rn , +, ·) est un R-espace vectoriel.
■ L’ensemble (Cn , +, ·) est un R-espace vectoriel.
De manière générale, on a :
Proposition 1.2. Soient (E1 , +, ·) et (E2 , +, ·) deux K-espaces vectoriels. On définit sur
l’ensemble E1 × E2 :
■ une addition (
(E1 × E2 )2 −→ E1 × E2
+:
((x1 , x2 ) , (y1 , y2 )) 7−→ (x1 + y1 , x2 + y2 )
■ une multiplication par un scalaire
(
K × (E1 × E2 ) −→ E1 × E2
·:
(α, (x1 , x2 )) 7−→ (αx1 , αx2 )
Alors (E1 × E2 , +, ·) est un K-espace vectoriel. Son élément neutre est (0E1 , 0E2 ).
Les quatres axiomes de la Définition 1.1 ne traduisent pas tous les calculs possibles dans un
espace vectoriel. Ci-dessous, nous précisons les principales règles de calculs avec lesquelles on
manipule les vecteurs. On peut montrer, cependant, que ces dernières découlent toutes des
axiomes de la Définition 1.1.
Proposition 1.3. Soit (E, +, ·) un espace vectoriel. Pour tous scalaires α, β, λ ∈ K et pour
tous vecteurs x, y ∈ E, on a :
1. 0K · x = 0E ; 3. (−λ) · x = −(λ · x) = λ · (−x) ;
2. (−1) · x = −x ; 4. (α − β) · x = α · x − β · x ;
byliguel-ist-l2-21/22 5
v21.10.1 CHAPITRE 1. ÉLÉMENTS D’ALGÈBRE LINÉAIRE
5. λ · (x − y) = λ · x − λ · y ; 7. λ · x = 0E ⇐⇒ [λ = 0K ou x = 0E ].
6. λ · 0E = 0E ;
1.1.2 Sous-espaces vectoriels

Définition 1.2
■ Soient x1 , . . . , xn , n vecteurs d’un K-espace vectoriel (E, +, ·). On appelle combi-

naison linéaire de ces n vecteurs tout vecteur x ∈ E de la forme
n
X
x = λ1 · · · x 1 + · · · + λ n x n = λk x k
k=1
où (λ1 , . . . , λn ) ∈ Kn .
■ Si A est une partie de E, on appelle combinaison linéaire d’éléments de A toute
combinaison linéaire d’un nombre fini d’éléments de A.
Remarque 1.2. On montre par récurrence que toute combinaison linéaire de vecteurs de E
est encore un vecteur de E.
Définition 1.3
Soient (E, +, ·) un K-espace vectoriel et F ⊂ E, une partie de E. On dit que F est un
sous-espace vectoriel de E si et seulement si
1. la partie F est non vide : F ̸= ∅ ;
2. la partie F vérifie :
∀ (x, y) ∈ E 2 , ∀α, β ∈ K, (αx + βy) ∈ F.
Remarque 1.3.
■ Si F est un sous-espace vectoriel de E, alors 0E ∈ F . En effet, comme F est non vide, il
existe x ∈ F . Comme F est un sous-espace vectoriel, alors x − x = 1x − 1x = 0E x ∈ F .
■ En partant du second axiome de la Définition 1.3 et au moyen d’une récurrence, on montre
sans peine que F est stable par combinaison linéaire, c’est-à-dire que toute combinaison
linéaire de vecteurs de F est encore un vecteur de F .
■ Dans tout espace vectoriel E, il y a toujours deux sous-espaces vectoriels importants,
F = {0E } et F = E.
■ Dans l’idée de faire le parallèle avec les groupes, on aurait pu définir la notion de sous-
espace vectoriel de la façon suivante : F est un sous-espace vectoriel de E si et seulement
si F est un sous-groupe de E stable pour la multiplication par tout scalaire.
Plan 1.1 (Pour montrer que F est un sous-espace vectoriel de E)
1. On montre que F ⊂ E.
2. On montre que F ̸= ∅ (la plupart du temps, on vérifie que 0E ∈ F ).
3. Soit α, β ∈ K et soit x, y ∈ F . Montrons que αx + βy ∈ F .
6 byliguel-ist-l2-21/22
Exemple 1.2.
1. L’ensemble des nombres réels R est un sous-espace vectoriel du R-espace vectoriel C. De
même, l’ensemble des nombres imaginaires purs ıR est un sous-espace vectoriel de C.
2. Soit u un vecteur du plan (ou de l’espace). L’ensemble F de tous les vecteurs du plan
colinéaires à u, F = {λu : λ ∈ R} est un sous-espace vectoriel du plan (ou de l’espace).
C’est la droite dirigée par le vecteur u.
3. L’ensemble F = C 0 (R) des fonctions continues de R dans R est un sous-espace vectoriel
de l’ensemble des fonctions de R dans R, E = F (R, R).
Plan 1.2 (Pour montrer que F n’est pas un sous-espace vectoriel de E)
On peut montrer au choix que :
1. F ̸⊂ E ;
2. F = ∅ ;
3. F n’est pas stable par combinaison linéaire : il existe α, β ∈ K et x, y ∈ F tels que
αx + βy ̸∈ F .
Proposition 1.4 (Un sous-espace vectoriel est un espace vectoriel). Soient (E, +, ·) un K-
espace vectoriel et F ⊂ E, une partie non vide de E. On a équivalence entre les deux propositions
suivantes :
1. la partie F est un sous-espace vectoriel de E ;
2. muni des lois de E restreintes à F , (F, +, ·) est un K-espace vectoriel.
Plan 1.3 (Pour montrer que F est un K-espace vectoriel )
Il suffit de montrer que F est un sous-espace vectoriel d’un K-espace vectoriel E dans lequel
il est contenu.
Proposition 1.5. Soient (E, +, ·) un K-espace vectoriel et (Fi )i∈I une famille de sous-espaces
vectoriels de E.
Alors ∩i∈I Fi est un sous-espace vectoriel de E.
Définition 1.4
Soit A une partie d’un K-espace vectoriel (E, +, ·). On appelle sous-espace vectoriel engen-
dré par A le plus petit sous-espace vectoriel de E contenant A. On le note Vect(A) et on
a: \
Vect(A) = F,
F ∈FA
où FA désigne l’ensemble des sous-espaces vectoriels de E qui contiennent A.
Remarque 1.4.
■ A est un sous-espace vectoriel de E si et seulement si Vect(A) = A.
■ Vect(∅) = {0}.
Proposition 1.6. Soit n ∈ N∗ et A = {x1 , . . . , xn } une partie finie à n éléments de E. Le sous-

espace vectoriel engendré par A est l’ensemble des combinaisons linéaires finies d’éléments de
A:
Vect(A) = {λ1 x1 + · · · + λn xn , ∀λ1 , . . . , λn ∈ K} .
Remarque 1.5.
■ Si u ∈ E \ {0}, la droite vectorielle engendrée par u est le sous-espace vectoriel engendré
par u, soit
Vect(u) = {λu : λ ∈ K} .
■ Si u, v ∈ E \{0}, le plan vectoriel engendré par u et v est le sous-espace vectoriel engendré
par {u, v}, soit
Vect ({u, v}) = {αu + βv : α, β ∈ K} .
Plan 1.4 (Pour montrer que F est un sous-espace vectoriel de E)
Il suffit d’écrire F comme sous-espace vectoriel engendré par une partie finie de E.
Exemple 1.3. Reprenant le premier point de Exemple 1.2, on note que :

■ le sous-espace vectoriel G = R de C s’écrit encore G = Vect(1) ;
■ le sous-espace vectoriel F = ıR de C s’écrit encore F = Vect(i).
1.1.3 Dimension d’un espace vectoriel

Définition 1.5 (Famille liée)
On dit qu’une famille (v1 , . . . , vp ) , p ∈ N∗ , de vecteurs d’un K-espace vectoriel E est liée,
ou que les vecteurs v1 , . . . , vp sont linéairement dépendants si et seulement si un des
vecteurs de la famille est combinaison linéaire des autres. Autrement Pp dit, si et seulement si
il existe des scalaires λ1 , . . . , λp ∈ K non tous nuls vérifiants k=1 λk vk = 0.
Exemple 1.4.
■ Trois vecteurs du plan sont toujours liés. De même, quatre vecteurs de l’espace sont tou-
jours liés.
■ Dans R4 , les vecteurs u1 = (1, 0, 1, −1), u2 = (3, −2, 2, −3) et u3 = (−1, 2, 0, 1) forment
une famille liée. En effet, u2 = 2u1 − u3 .
Dans le cas contraire de celui décrit par la définition précédente, on dit que les vecteurs sont
linéairement indépendants, ou qu’on a une famille libre, comme le précise la définition
suivante.
Définition 1.6 (Famille libre)
On dit qu’une famille (v1 , . . . , vp ) de vecteurs de E est libre, ou que les vecteurs v1 , . . . , vp
sont linéairement indépendants si et seulement si la famille n’est pas liée ou autrement
dit si et seulement si :
p
X
∀λ1 , . . . , λp ∈ K, λk vk = 0 =⇒ λ1 = · · · = λp = 0.
k=1
Plan 1.5 (Pour montrer qu’une famille est libre)

Pp
1. Soit λ1 , . . . , λp ∈ K tels que k=1 λk v k = 0 ;
2. . . .alors λ1 = · · · = λp = 0 ;
3. donc la famille est libre.
Plan 1.6 (Pour montrer qu’une famille est liée)
1. Posons λ1 = . . . , . . . , λp = . . . ;
2. un des λi , i = 1, . . . , p au moins est non nul ;
3. on a bien par ailleurs pi=1 λi vi = 0 ;
P
4. donc la famille est liée.
Exemple 1.5.
■ Dans R2 , la famille ((1, 0), (0, 1)) est libre. En effet, soit α, β ∈ R tels que
α(1, 0) + β(0, 1) = 0. Alors (α, β) = (0, 0) et donc α = β = 0.
■ On démontre de même que, dans R3 , la famille ((1, 0, 0), (0, 1, 0), (0, 0, 1)) est libre.
Remarque 1.6. Soit (v1 , . . . , vp ) une famille de p d’un K-espace vectoriel E.
■ Si l’un des vecteurs est nul, alors la famille est liée.
■ Si l’un des vecteurs de la famille apparaît plus d’une fois dans la famille, alors la famille
est liée.
■Toute sous-famille, c’est-à-dire une famille (v1 , . . . , vq ) avec q ≤ p, d’une famille libre est
encore libre.
Définition 1.7 (Famille génératrice)
On dit qu’une famille (v1 , . . . , vp ) de p vecteurs de E engendre l’espace vectoriel E, ou que
cette famille est génératrice de E, si tout vecteur de E peut s’exprimer comme combinaison
linéaire de la famille :
p
X
∀v ∈ E, ∃λ1 , . . . , λp ∈ K : v = λk v k .
k=1
Autrement dit : Vect ({v1 , . . . , vp }) = E.
Plan 1.7 (Pour montrer qu’une famille est génératrice)
1. Soit v ∈ E.
2. Posons λ1 = . . . , . . . , λp = . . . .
3. On a bien v = pk=1 λk vk .
P
Exemple 1.6.
■ Dans R2 , soient x1 = (1, 0) et x2 = (0, 1). La famille (x1 , x2 ) est génératrice de R2 . En
effet, si v = (x, y) ∈ R2 , alors v = x(1, 0) + y(0, 1).
■ On montre de même que la famille ((1, 0, 0), (0, 1, 0), (0, 0, 1)) engendre R3 .
Remarque 1.7. Toute sur-famille d’une famille (v1 , . . . , vp ) génératrice, c’est-à-dire une fa-
mille (v1 , . . . , vp , . . . , vq ) avec q ≥ p, est encore une famille génératrice.
Définition 1.8 (Base)
On dit qu’une famille (v1 , . . . , vp ) de vecteurs de E est une base de E si et seulement si, à
la fois libre et génératrice de E.
Exemple 1.7.
■ Dans le plan, deux vecteurs non colinéaires, forment une base du plan.
■ Dans l’espace, R3 , la famille ((1, 0, 0), (0, 1, 0), (0, 0, 1)) forme une base. On a prouvé dans
l’exemple 1.5 que cette famille est libre, et dans l’exemple 1.6 que cette famille engendre
R3 .
Proposition 1.7 (Base canonique). Soit n ∈ N∗ . Considérons le K-espace vectoriel E = Kn .

Il existe une base privilégiée (e1 , . . . , en ) de Kn dite base canonique et donnée par :
e1 = (1, 0, . . . , 0, 0), e2 = (0, 1, 0, . . . , 0), ..., en = (0, 0, . . . , 0, 1).
Théorème 1.1
Une famille e = (e1 , . . . , en ) de E est une base de E si et seulement si, pour tout vecteur
v ∈ E, il existe une unique famille de scalaires λ1 , . . . , λn ∈ K, telle que
n
X
v= λ k e k = λ1 e 1 + · · · + λn e n .
k=1
Le n-uplet (λ1 , . . . , λn ) est alors appelé famille des composantes (ou coordonnées) du vecteur
v dans la base e.
Définition 1.9
On dit qu’un K-espace vectoriel E est de dimension finie s’il admet une famille génératrice
finie. Dans le cas contraire, on dit que E est de dimension infinie.
Par convention, on dit que E = {0} est un espace de dimension finie.
Exemple 1.8.
■ Kn est de dimension finie, car sa base canonique constitue par définition, une famille
génératrice, laquelle est finie.
■ F(R, R) est un R-espace vectoriel de dimension infinie.
Lemme 1.1 (Augmentation d’une famille libre). Soient E un K-espace vectoriel et x ∈ E \{0}.
On suppose que
1. L = (l1 , . . . , ln ) est une famille libre de vecteurs de E.
2. x ̸∈ Vect (L).
Alors (l1 , . . . , ln , x) est encore une famille libre de vecteurs de E.
Lemme 1.2 (Diminution d’une famille liée). Soient E un K-espace vectoriel et G = (g1 , . . . , gn , gn+1 )
une famille de n + 1 vecteurs de E. On suppose que gn+1 ∈ V ect (g1 , . . . , gn ), c’est-à-dire que
gn+1 est combinaison linéaire des vecteurs g1 , . . . , gn .
Alors
Vect (g1 , . . . , gn , gn+1 ) = Vect (g1 , . . . , gn )
C’est-à-dire qu’on peut retirer le vecteur gn+1 à G sans modifier le sous-espace vectoriel engendré
par G.
Théorème 1.2 (Fondamental )
Soient E un K-espace vectoriel, et p, q, n ∈ N∗ . On suppose que :
1. L = (l1 , . . . , lp ) est une famille libre de vecteurs de E.
2. G = (g1 , . . . , gq ) est une famille génératrice de vecteurs de E.
Alors il existe une base B de E de la forme
B = (l1 , . . . , lp , lp+1 , . . . , ln ) ,
avec lp+1 , . . . , ln ∈ G.
Corollaire 1.2 (Existence de base). Tout espace vectoriel de dimension finie et non réduit {0}
possède une base.
Théorème 1.3
Soient L une famille libre de E, et G une famille génératrice de E. Alors
Card (L) ≤ Card (G) .
Théorème 1.4
Si E est un K-espace vectoriel de dimension finie, alors toutes les bases de E ont même
cardinal.
Ce Théorème, associé au Corollaire 1.2 permet de donner un sens à la définition suivante.

Définition 1.10 (Dimension d’un espace vectoriel )
■ Si E = {0}, on dit que E est de dimension 0 et on note dim(E) = 0.

■ Sinon, si E est un espace vectoriel de dimension finie non réduit à {0}, on appelle
dimension de E le cardinal d’une base de E, et on le note dim(E).
Exemple 1.9. dim (Kn ) = n.
Remarque 1.8. Une famille d’au moins n + 1 vecteurs dans un espace E de dimension n est
toujours liée. En effet, si elle était libre, alors on aurait une famille libre f de cardinal plus
grand que celui de n’importe quelle base e de E. Or e est une famille génératrice de E et le
cardinal d’une famille libre est toujours plus petit que celui d’une famille génératrice.
Théorème 1.5
Soit E un K-espace vectoriel de dimension n ∈ N. Soit S une famille de vecteurs de E de
cardinal p.
1. Si S est libre, alors p ≤ n et on a égalité si et seulement si S est une base de E.
2. Si S est génératrice, alors p ≥ n et on a égalité si et seulement si S est une base de E.
Comme on le souligne avec l’exemple suivant, le Théorème précédent permet de faciliter la

tâche quand il est question de montrer qu’une famille donnée de vecteurs d’un espace vectoriel
de dimension finie est une base de l’espace vectoriel en question.
Exemple 1.10. On considère, dans R3 , la famille constituée des vecteurs e1 = (1, 0, 1), e2 =
(1, −1, 1) et e3 = (0, 1, 1).
Soient α, β et γ des réels tels que
αe1 + βe2 + γe3 = 0R3 .
L’équation précédente se traduit par le système linéaire


 α + β +
 = 0
− β + γ = 0

α + β + γ = 0

d’inconnues α, β et γ, qu’on obtient bien toutes nulles. Ce qui permet de conclure que la famille
(e1 , e2 , e3 ) est libre.
Remarquant alors que Card (e1 , e2 , e3 ) = 3 = dim (R3 ), on conclut que la famille constitue une
base de R3 .
Théorème 1.6
Soient E un espace vectoriel de dimension finie n et F un sous-espace vectoriel de E. On a
1. F est de dimension finie et dim(F ) ≤ dim(E) ;
2. (dim(F ) = dim(E)) ⇐⇒ F = E.
Ce Théorème permet de faire l’économie lorsqu’il est, par exemple, question de montrer que
deux sous-espaces vectoriels sont égaux.
Plan 1.8 (Pour montrer que deux sous-espaces vectoriels F et G sont égaux )
1. On montre que F ⊂ G.
2. On montre que dim(F ) = dim(G).
3. Alors F = G.
Terminons cette section par une formule assez importante.

Théorème 1.7 (Formule de Grassmann)
Soient E un K-espace vectoriel de dimension finie, F et G des sous-espaces vectoriels de E.
On a alors
dim(F + G) = dim(F ) + dim(G) − dim(F ∩ G).
1.2 Applications Linéaires

Dans toute la suite, (E, +, ·) et (F, +, ·) sont deux K-espaces vectoriels.
1.2.1 Définitions
Définition 1.11
Soit f : E −→ F . On dit que f est une application linéaire si et seulement si :
1. ∀x, y ∈ E, f (x + y) = f (x) + f (y) ;
2. ∀λ ∈ K, ∀x ∈ E, f (λ · x) = λ · f (x).
Lorsque f est une application linéaire, on dit aussi que f est un morphisme d’espaces
vectoriels.
1.2. APPLICATIONS LINÉAIRES v21.10.1
Théorème 1.8
Soit f : E −→ F . f est linéaire si et seulement si
∀x, y ∈ E, ∀α, β ∈ K, f (αx + βy) = αf (x) + βf (y).
Remarque 1.9. Si f : E −→ F est linéaire, alors f (0E ) = 0F . En effet,
f (0E ) = f (0E + 0E ) = f (0E ) + f (0E ) ,
donc, par soustraction du vecteur f (0E ) des deux côtés de cette égalité, il vient f (0E ) = 0F .
Plan 1.9 (Pour montrer que f : E −→ F est linéaire)
1. Soient α, β ∈ K et x, y ∈ E.
2. Montrons que f (αx + βy) = αf (x) + βf (y).
Plan 1.10 (Pour montrer que f : E −→ F n’est pas linéaire)

On peut :
1. montrer que f (0E ) ̸= 0F ;
2. ou trouver α, β ∈ K, x, y ∈ E tels que f (αx + βy) ̸= αf (x) + βf (y).
Définition 1.12
Soit f : E −→ F une application linéaire.
■ Si F = K, alors on dit que f est une forme linéaire.
■ Si E = F, alors on dit que f est un endomorphisme.
■ Si f : E −→ F est bijective, on dit que f est un isomorphisme.
■ Si f est à la fois un endomorphisme de E et un isomorphisme, on dit que f est un
automorphisme de E.
Notations 1.1
On note :
■ L (E, F ) : ensemble des applications linéaires de E dans F ;
■ L (E) : ensemble des endomorphismses de E ;
■ GL(E) : ensemble des automorphismes de E ;
■ E ∗ : ensemble des formes linéaires sur E, on l’appelle aussi dual algébrique de E.
Proposition 1.8. Pour f ∈ L(E, F ) et S ⊂ E, on a
Vect (f (S)) = f (Vect(S)) .
Proposition 1.9. Le triplet (L(E, F ), +, ·) est un K-espace vectoriel.

En particulier, si f, g ∈ L(E, F ) et α, β ∈ K, alors (αf + βg) est linéaire.
Proposition 1.10. Soient (E, +, ·), (F, +, ·) et (G, +, ·) trois espaces vectoriels.
Si f ∈ L(E, F ) et g ∈ L(F, G), alors (g◦f ) ∈ L(E, G).
Proposition 1.11. Soit f ∈ L(E, F ) un isomorphisme. Alors (f −1 ) ∈ L(F, E).

Démonstration : Soient x, x′ ∈ E et y, y ′ ∈ F tels que y = f (x) et y ′ = f (x′ ). Soient α, β ∈ K. On
a:
f −1 αy + βy ′ = f −1 αf (x) + βf (x′ )

= f −1 f αx + βx′ , car f est linéaire

= αx + βx′ = αf −1 (y) + βf −1 y ′

et f −1 est bien linéaire.
Corollaire 1.3. Le couple (GL(E), ◦) est un groupe (en général non commutatif), d’élément
neutre IdE . On l’appelle groupe linéaire de E.
1.2.2 Noyau et image
Commençons par rappeler que pour f : E −→ F , on appelle :

1. image par f d’une partie E ′ de E, l’ensemble
f (E ′ ) = {f (x) : x ∈ E ′ } ;
2. image réciproque par f d’une partie F ′ de F , l’ensemble
f −1 (F ′ ) = {x ∈ E : f (x) ∈ F ′ } .
Théorème 1.9
Soit f : E −→ F une application linéaire. Soient E ′ un sous-espace vectoriel de E et F ′ est
un sous-espace vectoriel de F . Alors
1. f (E ′ ) est un sous-espace vectoriel de F .
2. f −1 (F ′ ) est un sous-espace vectoriel de E.
Démonstration :
1. Comme 0E ∈ E ′ et que f est linéaire, 0F = f (0E ) ∈ f (E ′ ) et donc f (E ′ ) est non vide.
Soient α, β ∈ K et y, y ′ ∈ f (E ′ ). Il existe donc x, x′ ∈ E tels que y = f (x) et y ′ = f (x′ ). Alors,
par linéarité de f , on a
f αx + βx′ = αf (x) + βf x′ = αy + βy ′

et donc αy + βy ′ ∈ f (E ′ ), ce qui prouve que f (E ′ ) est bien un sous-espace vectoriel de F .

2. De même que précédemment, comme 0F ∈ F ′ et que f est linéaire, 0E ∈ f −1 (F ′ ).
Soient α, β ∈ K et x, x′ ∈ f −1 (F ′ ). Il existe donc y, y ′ ∈ F ′ tels que y = f (x) et y ′ = f (x′ ).
Donc, toujours par linéarité de f ,
f αx + βx′ = αy + βy ′ ∈ F ′ .

Il en découle que αx + βx′ ∈ f −1 (F ′ ), ce qui clos la démonstration.
Définition 1.13
On appelle noyau de f , et on note Ker(f ), le sous-ensemble de E défini
Ker(f ) = {x ∈ E : f (x) = 0F } .
On appelle image de f , et on note Im(f ), le sous-ensemble de F défini
Im(f ) = {f (x) : x ∈ E} .
Il découle alors de la Définition 1.13 et du Théorème 1.9 que le noyau et l’image d’une application
linéaire sont des sous-espaces vectoriels.
Théorème 1.10
Alors Ker(f ) et Im(f ) sont des sous-espaces vectoriels de E et F , respectivement.
Théorème 1.11
Soit f : E −→ F une application linéaire. Alors
f est injective ⇐⇒ Ker(f ) = {0E } .
Démonstration : 1. Supposons que f est injective.

Rappelons que, comme f est linéaire, f (0E ) = 0F . Ainsi 0F admet donc comme antécédent par f ,
0E . Mais comme f est injective, 0E est le seul antécédent de 0F , et donc on a bien Ker(f ) = {0E }.
2. Réciproquement, supposons que Ker(f ) = {0E } et montrons que f est injective.
Soient x1 , x2 ∈ E tels que f (x1 ) = f (x2 ). Par linéarité de f , on peut écrire que f (x1 − x2 ) = 0F .
Donc x1 − x2 ∈ Ker(f ), c’est-à-dire que x1 − x2 = 0E et par suite x1 = x2 , puisque Ker(f ) est
réduit au vecteur nul de E. En somme, f est injective.
Remarque 1.10. Par définition, on a aussi pour f : E −→ F linéaire la caractérisation
f est surjective ⇐⇒ Im(f ) = F.
1.2.3 Applications linéaires en dimension finie
1.2.3.1 Bases et applications linéaires
La proposition suivante permet de comprendre qu’une application linéaire entre un espace

vectoriel de dimension n et un autre de dimension m est entièrement déterminée par une
famille de m × n scalaires. Cette famille de scalaires, rangée convenablement dans un tableau,
constitue ce qu’on appellera plus loin la matrice de l’application concernée.
Théorème 1.12
Soient E et F deux K-espaces vectoriels. On suppose que
1. e = (e1 , . . . , en ) est une base de E ;
2. f = (f1 , . . . , fn ) est une famille de vecteurs de F .
Alors, il existe une et une seule application linéaire u ∈ L(E, F ) telle que :
∀i ∈ {1, . . . , n} , u (ei ) = fi . (1.1)
Démonstration : 1. Unicité
Soit v ∈ L(E, F ) vérifiant (1.1).
Pn Soit x ∈ E. Comme e est une base de E, il existe des scalaires
α1 , . . . , αn ∈ K tels que x = k=1 αk ek . Par linéarité, on a :
n n n
!
X X X
u(x) = u αk ek = αk u (ek ) = αk fk
k=1 k=1 k=1
et
n n n
!
X X X
v(x) = v αk ek = αk v (ek ) = αk fk .
k=1 k=1 k=1
Par conséquent, u(x) = v(x), ∀x ∈ E, et donc u = v : d’où l’unicité.
2. Existence
On construit une application u : E −→ F satisfaisant (1.1) de Pnla façon suivante. Soit x ∈ E.
Il existe un unique ∈ n tel que x =
Pn n-uplet (λ 1 , . . . , λ n ) K k=1 λk ek . Posons alors u(x) =
λ f . u est bien définie, car le n-uplet (λ , . . . , λ ) ∈ K n est unique. De plus, u est linéaire.
k=1 k kP 1 n
Soit x′ = nk=1 µk ek ∈ E et soient α, β ∈ K. On a αx + βx′ = nk=1 (αλk + βµk ) ek et, par
P
définition de u :
n
X
u αx + βx′ = (αλk + βµk ) fk
k=1
Xn n
X
= αλk fk + βµk fk
k=1 k=1
= αu(x) + βu(x′ )
On a, de plus, ∀k ∈ {1, . . . , n} , u (ek ) = fk : d’où l’existence de l’application u.
Remarque 1.11. Soient E et F deux K-espaces vectoriels. Soient u ∈ L(E, F ), x ∈ E et

y = u(x). On suppose que
1. e = (e1 , . . . , en ) est une base de E ;
2. f = (f1 , . . . , fm ) est une base de F ;
3. il existe une famille de scalaires
m
X
(αi,j )1≤i≤n ⊂ K : ∀i = 1, . . . , n, u (ei ) = αi,j fj
1≤j≤m
j=1
Pn Pm
4. dans la base e, x = k=1 xk ek et dans la base f , y = k=1 yk f k .
Alors,
n
X
∀j = 1, . . . , m, yj = αi,j xi
i=1
D’après la proposition précédente, la famille (αi,j )1≤i≤n caractérise complètement l’application

1≤j≤m
linéaire u.
Cette remarque est à la base de la théorie des matrices qu’on développera dans le prochain
chapitre.
Proposition 1.12. Soit e = (e1 , . . . , en ) une base de E et f = (f1 , . . . , fn ) une famille de n
vecteurs de E. Soit u ∈ L(E, F ) l’application définie par le Théorème 1.12. On a :
1. u est injective si seulement si f est libre.
2. u est surjective si et seulement si f est génératrice.
1.2.3.2 Dimension et isomorphisme
Proposition 1.13. Soit E un K-espace vectoriel de dimension finie n.

Un K-espace vectoriel F est isomorphe à E si et seulement si dim(F ) = dim(E) = n.
Corollaire 1.4. Soit E un K-espace vectoriel de dimension finie n.
Alors E et Kn sont isomorphes.
Corollaire 1.5. Soient E1 et E2 deux K-espaces vectoriels de dimensions finies.
Alors l’espace vectoriel produit E1 × E2 est encore de dimension finie, et
dim (E1 × E2 ) = dim (E1 ) + dim (E2 )
1.2.3.3 Rang
Définition 1.14 (Rang d’une famille de vecteurs)

Soit E un K-espace vectoriel de dimension finie. On appelle rang de la famille de vecteurs
F = (e1 , . . . , ep ) la dimension du sous-espace vectoriel engendré par F. On notera :
rg (F) = dim (Vect (F)) .
Définition 1.15 (Rang d’une application linéaire)

Soient E et F deux K-espaces vectoriels de dimensions finies. On appelle rang de u ∈
L(E, F ) la dimension de sous-espace vectorielIm(u) :
rg(u) = dim (Im(u)) .
Proposition 1.14. Soient E et F deux K espaces vectoriels de dimension finie et u ∈ L(E, F ).

Si (e1 , . . . , en ) est une base de E, alors
rg(u) = rg (u (e1 ) , . . . , u (en )) .

Théorème 1.13 (Formule du rang )
Soient E et F deux K-espaces vectoriels, et u ∈ L(E, F ). On suppose que E est de dimension
finie.
Alors on a la formule du rang
dim(E) = dim (Ker(u)) + dim (Im(u)) = dim (Ker(u)) + rg(u).
Corollaire 1.6. Soient E et F deux K-espaces vectoriels de dimension finie tels que dim(E) =
dim(F ) et u ∈ L(E, F ). On a équivalence entre
1. u est injective ;
2. u est surjective ;
3. u est un isomorphisme.
Corollaire 1.7. Soient E un K-espace vectoriel de dimension finie, et u ∈ L(E). On a équi-
valence entre :
1. u est injective ;
2. u est surjective ;
3. u est un automorphisme.
1.2.4 Matrice d’une application linéaire
1.2.4.1 Définitions et premières propriétés

Définition 1.16
Soient
1. E un K-espace vectoriel de dimension p, et e = (e1 , . . . , ep ) une base de E.
2. F un K-espace vectoriel de dimension q et f = (f1 , . . . , fq ) une base de F .
3. u ∈ L(E, F ).
On appelle matrice de u relativement aux bases f et e, et on note Matf ←e (u) ou Mate,f (u),
la matrice q × p dont les colonnes sont définies par les matrices colonnes des vecteurs
u (e1 ) , . . . , u (ej ) , . . . , u (ep ) relativement à la base f .
Matf ←e (u) est la matrice de la famille de vecteurs (u (e1 ) , . . . , u (ep )) relativement à la base
f :
Matf ←e (u) = Matf (u (e1 ) , . . . , u (ep )) .
Exemple 1.11. On considère E = R3 muni de sa base canonique e, F = R2 muni de sa base canonique f , et

(
E −→ F
u:
(x, y, z) 7−→ (x + y − z, 2x − y + 3z)
Alors, on vérifie que

1 1 −1
u (e1 ) = (1, 2), u (e2 ) = (1, −1), u (e3 ) = (−1, 3) et donc Matf ←e (u) = .
2 −1 3
Définition 1.17
Soit E un K-espace vectoriel de dimension n et e = (e1 , . . . , en ) une base de E. Si ϕ est une
forme linéaire sur E, on appelle matrice de ϕ relativement à la base e, la matrice ligne 1 × n
donnée par :
Mate (ϕ) = (ϕ (e1 ) , . . . , ϕ (en )) .
Proposition 1.15. Soient

2. F un K-espace vectoriel de dimension q, et f = (f1 , . . . , fq ) une base de F .
L’application (
L(E, F ) −→ Mq,p (K)
θ:
u 7−→ Matf ←e (u)
est un isomorphisme d’espaces vectoriels. En particulier, si M ∈ Mq,p (K), il existe une unique
application linéaire u ∈ L(E, F ) telle que θ−1 (M ) = u. On dit que u est l’application linéaire
de E dans F représentée par la matrice M dans les bases e de E et f de F .
Autrement dit, avec les mêmes notations que dans la proposition :
■ Toute matrice de Mq,p (K) est celle d’une application linéaire u ∈ L(E, F ) dans les bases e
et f .
■ Réciproquement, à toute application linéaire de L(E, F ), correspond une et une seule matrice
Mq,p (K) qui la représente dans les bases e et f .
Il en découle que
Corollaire 1.8. Soient E et F deux K-espaces vectoriels de dimension finie, soient e et f des
bases respectives de E et F . Si on note p = dim(E) et q = dim(F ), on a :
dim (L(E, F )) = dim (Mq,p (K)) = qp.
Théorème 1.14
Soient
3. G un K-espace vectoriel de dimension r, et g = (g1 , . . . , gr ) une base de G.
4. u ∈ L(E, F ) et v ∈ L(F, G).
Alors
Matg←e (v◦u) = Matg←f (v) × Matf ←e (u).
Proposition 1.16. Soient

3. u ∈ L(E, F ) et x ∈ E.
Alors
Matf (u(x)) = Matf ←e (u) × Mate (x).
C’est-à-dire qu’avec les notations
Y = Matf (u(x)) , A = Matf ←e (u), et X = Mate (x),
on a Y = AX.
1.2.4.2 Matrices de changement de base
Comme leur nom l’indique, les matrices de changement de bases vont nous permettre de calculer
la matrice d’une application linéaire dans des bases données quand on connaît la matrice de
cette application relativement à d’autres bases.
Définition 1.18 (Matrice de changement de bases)
Soient e = (e1 , . . . , en ) et f = (f1 , . . . , fn ) deux bases du K-espace vectoriel E de dimension
n.
On appelle matrice de passage de f à e (ou matrice de changement de base), et on note
Pf →e , la matrice de la famille (f1 , . . . , fn ) relativement à la base e :
Pf →e = Mate (f1 , . . . , fn ) .
Remarque 1.12. Pe→f ∈ Mn (K).

Proposition 1.17. Soient e, f et g trois bases du K-espace vectoriel E de dimension n. On a
1. Pf →e = Matf,e (idE ) ;
2. Pe→g = Pe→f × Pf →g ;
3. Pe→f est inversible et (Pe→f )−1 = Pf →e .
Proposition 1.18. Soit E un K-espace vectoriel de dimension n, et e une base de E.
Alors, pour toute matrice inversible A ∈ GLn (K), il existe une unique base e′ de E telle que
A = Pe→e′ .
Proposition 1.19 (Formule de changement de bases pour un vecteur). Soient E un K-espace
vectoriel de dimension n. Considérons e et f deux bases de E, et x ∈ E. Alors
Matf (x) = Pe→f × Mate (x).
Proposition 1.20 (Formule de changement de base pour une application linéaire). On consi-
dère :
■ e et e′ deux bases du K-espace vectoriel E ;
■ f et f ′ deux bases du K-espace vectoriel F ;
■ u ∈ L(E, F ).
On a la formule de changement de bases
Matf ′ ←e′ (u) = Pf →f ′ × Matf ←e (u) × Pe′ →e .
Proposition 1.21 (Formule de changement de bases pour un endomorphisme). On considère

e et e′ deux bases du K-espace vectoriel E et u ∈ L(E).
On a la formule de changement de base
Mate′ (u) = Pe′ →e × Mate (u) × Pe′ →e ,
qui s’écrit plus simplement, pour P = Pe→e′ , A = Mate (u) et B = Mate′ (u) :
B = P −1 AP.
Remarque 1.13. Avec les notations précédentes, si B = P −1 AP , alors B n = P −1 An P .
1.2.4.3 Un exemple
Soit l’espace vectoriel E = R2 muni de sa base canonique e, et les deux vecteurs f1 = (1, 2) et
f2 = (1, 3).
1. Montrons que la famille f = (f1 , f2 ) constitue une base de E.
Ces deux vecteurs ne sont pas colinéaires, ils forment donc une famille libre de R2 . Enfin,
comme dim (R2 ) = 2, f est forcément une base de E.
On écrit
1 1
Mate (f ) = .
2 3
2. On écrit la matrice de passage
1 1
Pf →e = .
2 3
1.3. RÉDUCTION D’ENDOMORPHISMES : DIAGONALISATION v21.10.1
3. On inverse cette matrice en cherchant une matrice

x y
B=
t z
telle que Pf →e × B = I2 .
On obtient un système d’équations linéaires dans R2 , dont la résolution renvoie

3 −1
Pe→f = B = .
−2 1
4. Soit le vecteur x = (4, 1).

Cherchant matriciellement les coordonnées de x dans la base f , on a

3 −1 4
Matf (x) = Pe→f × Mate (x) =
−2 1 1

11
=
−7
5. Soit l’endomorphisme
u: E −→ E
(x, y) 7−→ (2x + y, x − y) .
On définit les matrices de cet endomorphisme dans les bases e et f par

2 1
Mate (u) =
1 −1
et
Matf (u) = Pe→f × Mate (u) × Pf →e

3 −1 2 1 1 1
= × ×
−2 1 1 1 2 3

13 17
= .
−9 −12
1.3 Réduction d’endomorphismes : Diagonalisation
1.3.1 Éléments propres

Définition 1.19
Soit A ∈ Mn (K).
■ On appelle valeur propre de A tout scalaire λ ∈ K pour lequel il existe un vecteur
non nul X ∈ Kn tel que
AX = λX.
Le vecteur X est alors appelé vecteur propre associé à la valeur propre λ, et on dit
que le couple (λ, X) est élément propre de A.
L’ensemble des valeurs propres de la matrice A est appelé spectre de A et noté Sp(A).
■ On appelle espace propre de A associé à la valeur propre λ, et on note Eλ , le sous-
espace de Mn, 1 (K) défini par
Eλ = {X ∈ Mn, 1 (K) : AX = λX} (1.2)
Remarque 1.14. Par définition, un vecteur propre n’est jamais nul.

Proposition 1.22. Soient A ∈ Mn (K) et λ ∈ K. On a :
1. λ ∈ Sp(A) ⇐⇒ det (A − λIn ) = 0 ; 2. A ∈ GLn (K) ⇐⇒ 0 ̸∈ Sp(A).

Définition 1.20
Soit A ∈ An (K).
■ On appelle polynôme caractéristique de A le polynôme de degré n à coefficients
dans K défini par
∀λ ∈ K, PA (λ) = det (A − λIn ) .
■ L’équation PA (λ) = 0, d’inconnue λ, est appelée équation caractéristique associée
à la matrice A.
Remarque 1.15. Partant de la Propriété (1.22) et de la définition ci-dessus, on retient que

les valeurs propres de A ∈ Mn (K) sont les éventuelles solutions de l’équation caractéristique
associée à A ; i .e. les racines du polynôme caractéristique, soit
λ ∈ Sp(A) ⇐⇒ PA (λ) = 0.
Remarque 1.16.
1. Soit A ∈ M2 (K) ; on a ∀λ ∈ K ;
a1 1 − λ a1 2
det (A − λIn ) = = (a1 1 − λ) (a2 2 − λ) − a1 2 a2 1
a2 1 a2 2 − λ
= λ2 − λ (a1 1 + a2 2 ) + (a1 1 a2 2 − a1 2 a2 1 )
= λ2 − λTr(A) + det(A)
Ainsi donc, ∀A ∈ M2 (K), ∀λ ∈ K, PA (λ) = λ2 − λTr(A) + det(A).
2. Si A ∈ Mn (K) est triangulaire ou diagonale, alors ses valeurs propres sont exactement
les éléments de sa diagonale. Car alors
n
Y
∀λ ∈ K, PA (λ) = (ai i − λ) .
i=1
Définition 1.21
Soit A ∈ Mn (K).
■ On dit que λ0 est une valeur propre de A d’ordre h ou de multiplicité h si et seulement
si (λ − λ0 )h divise PA (λ) et (λ − λ0 )h+1 ne divise pas PA (λ).
■ Si λ ∈ Sp(A) est de multiplicité 1, on dit qu’il s’agit d’une valeur propre simple, et si
h > 1, on dit qu’on a une valeur propre multiple.
Exemple 1.12. Déterminons les valeurs propres de chacune des matrices suivantes :
 
−2 0 0
−5 9
A= ; B =  −3 1 3 
−4 7
−3 3 1
1.3. RÉDUCTION D’ENDOMORPHISMES : DIAGONALISATION v21.10.1
■ Pour A ; notons que |A| = 1 et Tr(A) = 2. D’après la Remarque 1.16, le polynôme caractéristique de A
est
PA (λ) = λ2 − λTr(A) + det(A) = λ2 − 2λ + 1
2
= (λ − 1)
On en déduit Sp(A) = {1} et on note que 1 est une valeur propre double de A.
■ Pour B, on a :
−2 − λ 0 0
1−λ 3
PB (λ) = −3 1−λ 3 = (−2 − λ)
3 1−λ
−3 3 1−λ
h i
2 2
= (−2 − λ) (1 − λ) − 9 = (λ + 2) (4 − λ)
D’où Sp(B) = {−2, 4}, (−2) étant une valeur propre double et 4 étant simple.
Proposition 1.23. Soit A ∈ Mn (K).

Si λ0 ∈ Sp(A) est de multiplicité h, alors on a
1 ≤ dim (Eλ0 ) ≤ h.
Plus précisément, on a :
dim (Eλ0 ) = n − rg (A − λIn ) .
Dans le cas particulier d’une valeur propre simple λ0 , on a :
dim (Eλ0 ) = 1.
1.3.2 Diagonalisation
1.3.2.1 Généralités
Définition 1.22
Soient A, B ∈ Mn (K). On dit que les matrices A et B sont semblables lorsqu’il existe
P ∈ GLn (K) telle que
A = P BP −1 , i .e. B = P −1 AP.
Définition 1.23
On dit qu’une matrice A ∈ Mn (K) est diagonalisable s’il existe une matrice diagonale
D ∈ Mn (K) semblable à A ; c’est-à-dire s’il existe P ∈ GLn (K) et D ∈ Mn (K) diagonale,
telles que
A = P DP −1 i .e. D = P −1 AP.
Diagonaliser la matrice A, c’est trouver les matrices P et D telles que définies ci-dessus.
Théorème 1.15
Soit A ∈ Mn (K).
Si A admet n valeurs propres distinctes, alors A est diagonalisable.
Auquel cas, la matrice diagonale D semblable à A est définie par
D = diag (λ1 , . . . , λn ) , avec {λ1 , . . . , λn } = Sp(A).
Et la matrice de passage P est définie par les vecteurs propres respectives associés aux λi ,
disposés dans le même ordre que le sont les valeurs propres dans D.
Remarque 1.17. Le Théorème précédent constitue une condition suffisante mais pas néces-
saire.
Autrement dit, dès qu’une matrice carrée d’ordre n admet n valeurs propres distinctes, on
conclut qu’elle est diagonalisable. Cependant, une matrice carrée d’ordre n peut être diagonali-
sable, bien qu’admettant des valeurs propres pas toutes distinctes.
Une condition nécessaire et suffisante de diagonalisabilité est donnée par le Théorème suivant.
Théorème 1.16
Pour A ∈ Mn (K), soient λ1 , . . . , λm les valeurs propres distinctes de A, de multiplicité
respectives h1 , . . . , hm , et Eλ1 , . . . , Eλm les sous-espace propres correspondants.
Alors, A est diagonalisable si et seulement si

 h1 + h2 + · · · + hm = n
∀i ∈ {1, . . . , m} , dim (Eλi ) = hi .


Remarque 1.18. Une valeur propre λi de A, de multiplicité hi , est présente hi fois dans
la matrice diagonale D semblable à A, et compte hi vecteur(s) propre(s) dans la matrice de
passage P , qui pour rappel, doivent être disposés dans le même ordre que celui des valeurs
propres correspondants dans D.
1.3.2.2 Application : puissance matricielle
Soit A ∈ Mn (K) une matrice diagonalisable, de matrice diagonale semblable, D.

Alors on vérifie aisément, qu’on a
∀m ∈ N, Am = P Dm P −1 .
Rappelons que D étant diagonale, on a :
D = diag (λi ) =⇒ Dm = diag (λm

i ).
Exemple 1.13. Calculer les puissances de la matrice A définie par :

 
3 1 1
A= 0 2 0 .
1 1 3
Chapitre 2
Séries à termes positifs
2.1 Généralités sur les séries numériques
2.1.1 Définitions
Soit une suite de nombres réels ou complexes que l’on note (un )n∈N (ou encore (un )n≥0 , voire
(un )). On s’intéresse à la suite (Sn )n∈N des sommes partielles
n
X
Sn = uk .
k=0
Par définition, on dit que la série de terme général un , que l’on notera {un }n∈N , (ou encore
{un }), converge si et seulement si la suite (Sn )n∈N converge.
On dit que la série {un }n∈N diverge si et seulement si elle ne converge pas, c’est-à-dire que la
série {un }n∈N et la suite (Sn )n∈N convergent ou divergent simultanément.
Étudier la nature de la série {un }n∈N , c’est dire si elle converge ou non.
Dans le cas où la série {un }n∈N converge, la limite de la suite de sommes partielles S =
limn→+∞ Sn est appelée somme de la série {un }n∈N , et on note
+∞
X X
S= un ou encore S= un .
n=0 n≥0
Exemple 2.1. Étudions la nature de la série de terme général

1
un = .
n(n + 1)
2.1.2 Premières conséquences

■ Si deux suites (un )n∈N et (vn )n∈N coïncident à partir d’un certain rang (c’est-à-dire s’il
existe un entier n0 tel que pour tout n ≥ n0 on a un = vn ), les séries {un }n∈N et {vn }n∈N
sont de même nature.
On notera que dans le cas où elles convergent, les sommes de ces deux séries ne sont pas
égales en général.
25
v21.10.1 CHAPITRE 2. SÉRIES À TERMES POSITIFS
■ Soit (an )n∈N une suite de nombres réels. On pose u0 = a0 et un = an − an−1 pour n ≥ 1.
Alors la suite (an )n∈N et la série {un }n∈N sont de même nature.
Si elles convergent, la limite de la suite (an )n∈N est égale à la somme de la série {un }n∈N .
Remarque 2.1.
1. Soit
{un }n∈N une série à termes réels, et σ une bijection de N sur N. Les séries {un }n∈N
et uσ(n) n∈N ne sont pas, en général de même nature.
2. Soit (un )n∈N une suite de nombres réels et n0 un entier naturel. Les séries {un }n∈N et
{un+n0 }n∈N sont de même nature (mais si elles convergent, leurs sommes sont en général
distinctes).
La série de terme général un0 +n se note également {un }n≥n0 .
Si elle converge, sa somme est la limite de la suite
n
! +∞
X X
uk , notée un .
k=n0 n≥n0 n=n0
2.1.3 Deux exemples de base
2.1.3.1 Les séries géométriques
Ce sont les séries de terme général un = axn , avec a ̸= 0. On appelle x la raison de la série, et
on a les résultats suivants :
■ si |x| < 1, la série converge et l’on a
+∞
X a
axn = ;
n=0
1−x
■ si |x| ≥ 1, la série diverge.
2.1.3.2 La série harmonique
C’est la série de terme général un = n1 , n ≥ 1.

Elle diverge.
2.1.4 Opérations sur les séries
2.1.4.1 Multiplication par un scalaire λ
Par définition, la série produit de {un }n∈N par λ est {λun }n∈N .
Si λ ̸= 0, les séries {un }n∈N et {λun }n∈N sont de même nature.
+∞
X +∞
X
Si la série {un }n∈N converge, on a : λun = λ un .
n=0 n=0
2.1. GÉNÉRALITÉS SUR LES SÉRIES NUMÉRIQUES v21.10.1
2.1.4.2 Somme de deux séries
Par définition, la série somme de {un }n∈N et {vn }n∈N est la série de terme général wn = un + vn .
■ Si les séries {un }n∈N et {vn }n∈N convergent, alors la série {wn }n∈N converge et
+∞
X +∞
X +∞
X
wn = un + vn .
n=0 n=0 n=0
■ Si l’une des deux séries {un }n∈N ou {vn }n∈N est divergente et l’autre convergente, alors
{wn }n∈N diverge.
■ Si les deux séries {un }n∈N et {vn }n∈N sont divergentes, alors on ne peut pas conclure, tout
est possible. En effet, il suffit de prendre une série {un }n∈N divergente :
▶ si l’on pose vn = un , la somme {wn }n∈N = 2{un }n∈N est divergente ;
▶ si l’on pose vn = −un , alors wn = un − un = 0, soit {wn }n∈N = (0) et dans ce cas, la
somme des deux séries divergentes {un }n∈N et {vn }n∈N converge.
En somme, on vient de munir l’ensemble des séries convergentes à termes réels d’une loi de
composition interne (l’addition) et d’une loi de composition externe (la multiplication par un
scalaire) qui lui confèrent une structure de R-espace vectoriel.
2.1.5 Critère de Cauchy

Théorème 2.1
Pour qu’une série de terme général un converge, il faut et il suffit que pour tout ε > 0, il
existe N tel que pour tout n > N , et pour tout m > N , on ait :
k=m
X
uk < ε.
k=n
Ce critère, qui découle du critère de Cauchy pour les suites est surtout utile dans les exercices
théoriques, il présente l’avantage d’être une condition nécessaire et suffisante de convergence.
2.1.6 Condition nécessaire de convergence d’une série
Si la série {un }n∈N est convergente, on a lim un = 0.

n→+∞
Remarque 2.2 (Attention ! ).

1. Ceci est une condition nécessaire de convergence, ce n’est pas une condition suffisante.
Dès que le terme général d’une série ne tend pas vers 0, on peut conclure que la série
est divergente. En fait, dans la plupart des cas, le terme général tend vers 0 et il faut
investiguer plus avant.
2. Un contre-exemple à garder toujours à l’esprit est celui de la série harmonique, dont le
terme général tend vers 0 et qui diverge.
2.2 Séries à termes positifs

Nous étudierons dans ce paragraphe, des séries dont le terme général est positif ou nul ; elles
sont dites séries à termes positifs.
Théorème 2.2
Pour qu’une série à termes positifs {un }n∈N soit convergente, il faut et il suffit que la suite
des sommes partielles (Sn )n∈N soit majorée, c’est-à-dire qu’il existe un réel A tel que pour
tout entier n, on ait :
Xn
uk ≤ A.
k=0
2.2.1 Règles de comparaison
Soient {un }n∈N et {vn }n∈N deux séries à termes positifs.

1. S’il existe n0 , tel que pour tout n ≥ n0 , on ait : un ≤ vn (on dit que {vn }n∈N est une série
majorante de {un }n∈N ), alors on a les implications
{vn }n∈N converge =⇒ {un }n∈N converge,

{un }n∈N diverge =⇒ {vn }n∈N diverge.
2. S’il existe deux nombres positifs A et B et un entier n0 , tels que pour tout n ≥ n0 , on ait
un
0<A≤ ≤ B, les deux séries {un }n∈N et {vn }n∈N sont de même nature.
vn
un
3. S’il existe un réel positif K tel que lim = K > 0 les deux séries {un }n∈N et {vn }n∈N
n→+∞ vn
4. Le cas particulier où K = 1 donne le résultat très utile suivant : si, lorsque n tend vers
+∞, un et vn sont équivalents, (c’est-à-dire si un = vn (1 + ε(n)), où lim ε(n) = 0), les
n→+∞
deux séries sont de même nature.
un+1 vn+1
5. S’il existe n0 tel que, pour tout n ≥ n0 , on ait ≤ , alors on a
un vn
{vn }n∈N converge =⇒ {un }n∈N converge,

{un }n∈N diverge =⇒ {vn }n∈N diverge.
Une règle de comparaison très utile sera vue plus tard, en relation avec les intégrales
généralisées.
Remarque 2.3 (Attention ! ). Les énoncés ci-dessus ne sont valables que pour les séries à
termes positifs.
Exemple 2.2. Étudions la nature des séries suivantes :
2.2. SÉRIES À TERMES POSITIFS v21.10.1
1 1
1. un = ; 3. wn = ;
n2 n (n + log(n))
1 log(n)
2. vn = √ ; 4. zn = .
n+1 n
2.2.2 Méthodes de Cauchy et de d’Alembert
De la comparaison d’une série à termes positifs avec une série géométrique, on déduit deux
méthodes, utiles dans certains cas, mais dont il est bon de connaître les écueils.
2.2.2.1 Méthode de Cauchy

Théorème 2.3 (Théorème de Cauchy )
Soit {un }n∈N une série à termes positifs.
√
■ S’il existe un entier n0 tel que pour tout n ≥ n0 , on ait n
un ≥ 1, alors la série {un }n∈N
diverge.
√
■ S’il existe un réel k < 1 et un entier n0 tels que pour tout n ≥ n0 on ait n
un ≤ k,
alors la série {un }n∈N converge.
Règle de Cauchy
Soit {un }n∈N une série à termes positifs. On suppose que
√
lim n
un = q,
n→+∞
■ si q > 1, alors la série {un }n∈N diverge ;

■ si q < 1, alors la série {un }n∈N converge ;
■ si q = 1, on ne peut pas conclure.
2.2.2.2 Méthode de d’Alembert

Théorème 2.4 (Théorème de d’Alembert)
Soit {un }n∈N une série à termes positifs.
un+1
■ S’il existe un entier n0 tel que pour tout n ≥ n0 , on ait ≥ 1, alors la série {un }n∈N
un
diverge.
un+1
■ S’il existe un réel k < 1 et un entier n0 tels que pour tout n ≥ n0 , on ait ≤ k,
un
alors la série {un }n∈N converge.
Règle de d’Alembert
Soit {un }n∈N une série à termes positifs. On suppose que
un+1
lim = q,
n→+∞ un
■ si q > 1, la série diverge ;
■ si q < 1, la série converge,
■ si q = 1, on ne peut pas conclure.
2.2.2.3 Comparaison des deux règles

√ un+1
Si lorsque n → +∞, les limites de n
un et de existent, et sont non nulles, alors ces limites
un
sont égales.
Plus précisément, on a
un+1 √
lim = a > 0 =⇒ {un }n∈N converge et lim n
un = a.
n→+∞ un n→+∞
Remarque 2.4.
1. La réciproque de cette dernière propriété est fausse.
un+1 √
2. Les Règles de Cauchy et de d’Alembert ne sont valides que si lim et lim n un
n→+∞ un n→+∞
existent.
3. La divergence d’une série à termes positifs n’a lieu que dans le cas où lim Sn = +∞.
n→+∞
4. L’étude des séries dont tous les termes sont négatifs à partir d’un certain rang, se ramène
évidemment à celle des séries à termes positifs (les séries {un }n∈N et {−un }n∈N sont de
même nature).
5. Il est très important de ne pas confondre le Critère de Cauchy et la Règle de Cauchy.
2n − 1
3n
2n+1
1. un = √ n ; 2. vn = .
2 4n − 1
2.3 Extension de l’intégrale

Soit f (x) une fonction définie continue sur [a, +∞[, à valeurs réelles.
2.3.1 Définition
On dit que l’intégrale généralisée (du premier type), de la fonction f sur l’intervalle non borné
[a, +∞[, converge, si la fonction Z x
x 7−→ f (t) dt
a
admet une limite finie quand x → +∞.
Si la fonction f est positive, l’application
Z x
x 7−→ F (x) = f (t) dt
a
est croissante et l’intégrale généralisée de f sur [a, +∞[ converge dès que la fonction F est
bornée sur l’intervalle [a, +∞[.
2.4. INTÉGRALES GÉNÉRALISÉES DE FONCTIONS POSITIVES v21.10.1
Si l’intégrale généralisée de f sur [a, +∞[ converge, on note

Z +∞ Z x
f (t) dt = lim f (t) dt.
a n→+∞ a
Par définition, une intégrale généralisée qui ne converge pas est dite divergente. On se pose en
général le problème de connaître la nature d’une intégrale généralisée, c’est-à-dire déterminer
si cette intégrale converge ou diverge.
Remarque 2.5.
1. Soit a′ > a, un nombre réel. Les intégrales généralisées, de f sur [a, +∞[ et sur [a′ , +∞[,
2. Soit λ ∈ R∗ , les intégrales généralisées de f et de λf sur [a, +∞[ sont de même nature.
3. Comme dans le cas des séries, on va développer certaines méthodes d’étude. Une fonction
peut être intégrable, comme on le sait, sans que sa primitive ne soit calculable au moyen
des fonctions élémentaires, on verra alors que l’on peut cependant déterminer la nature de
l’intégrale généralisée de telles fonctions. Dans le cas où, en revanche, l’on peut calculer
explicitement la primitive de la fonction f , on pourra être amené à déterminer la nature
de l’intégrale généralisée en prenant la limite
Z b
lim f (t) dt
b→+∞ a
après avoir calculé explicitement l’intégrale dans cette dernière limite.

4. L’intégrale généralisée de f sur ] − ∞, a] se traite de la même façon en effectuant le
changement de variable t 7−→ −t.
2.3.2 Critère de Cauchy
Pour que l’intégrale généralisée de f sur [a, +∞[ soit convergente, il faut et il suffit que
Z d
∀ε > 0, ∃A tel que ∀b, ∀d, avec d ≥ b ≥ A on a : f (x) dx < ε.
b
2.4 Intégrales généralisées de fonctions positives

Dans ce paragraphe, nous nous limiterons comme dans le cas des séries à termes positifs, aux
fonctions f telles que f (x) ≥ 0 dans l’intervalle considéré.
2.4.1 Exemple fondamental
Les intégrales de Riemann
Il s’agit d’étudier la nature des intégrales généralisées des fonctions x−α , (α ∈ R), sur l’intervalle
[a, +∞[ avec a > 0. On étudie directement
Z b
dx
lim
b→+∞ a xα
après avoir calculé explicitement l’intégrale.
■ Pour α = 1, on a
b
dx
Z
α
= log(b) − log(a),
a x
dont la limite est infinie lorsque b → +∞.
■ Pour α ̸= 1, il vient
Z b −α+1 b
dx x b−α+1 − a−α+1
= = ;
a x
α −α + 1 a −α + 1
1
on en déduit, après passage à la limite, que l’intégrale généralisée de sur [a, +∞[
xα
▶ converge si α > 1 ;
▶ diverge si α ≤ 1.
Théorème 2.5
Soit f une fonction positive, continue sur [a, +∞[ ; pour que l’intégrale généralisée de f sur
[a, +∞[ converge, il faut et il suffit qu’il existe A, tel que pour tout b > a, on ait
Z b
f (x) dx < A.
a
2.4.2 Règles de comparaison
Soient f et g deux fonctions positives définies sur [a, +∞[.

1. S’il existe a tel que pour tout x > a, f (x) ≤ g(x), (on dit que g est une fonction
majorante de f dans l’intervalle [a, +∞[), alors on a :
Z +∞ Z +∞
g(x) dx converge =⇒ f (x) dx converge,
a a
Z +∞ Z +∞
f (x) dx diverge =⇒ g(x) dx diverge.
a a
2. Si lorsque x → +∞, les fonctions f et g sont équivalentes, alors les intégrales généralisées
de f et de g sur [a, +∞[ sont de même nature.
2.5 Relations entre séries et intégrales
Théorème 2.6
Soit a un entier naturel et f une fonction positive, continue et décroissante sur [a, +∞[.
La série (f (n))n≥a et l’intégrale généralisée de f sur l’intervalle [a, +∞[ sont de même nature.
Remarque 2.6 (Attention ! ). La décroissance de f est indispensable à la validité du théorème.
Certains exercices utilisent ce dernier théorème mais il faut surtout citer l’exemple fondamental
suivant.
2.5. RELATIONS ENTRE SÉRIES ET INTÉGRALES v21.10.1
2.5.1 Les Séries de Riemann

1
Les séries de Riemann de paramètre α, définies par le terme général un = α , forment une
n
base de séries de comparaison aussi indispensables que les séries géométriques. On déduit du
théorème précédent et de l’étude des intégrales de Riemann, les résultats suivants :
1
■ pour α > 1, la série de terme général un = converge ;
nα
1
■ pour α ≤ 1, la série de terme général un = diverge.
nα
2.5.2 Comparaison d’une série à termes positifs avec les séries de

Riemann
k
Si le terme général d’une série à termes positifs {un }n∈N est équivalent à α , k ∈ R∗+ , lorsque
n
n → +∞, on a :
■ si α > 1, alors {un }n∈N converge ;
■ si 0 < α ≤ 1, alors {un }n∈N diverge.
Si l’on ne peut trouver un équivalent simple de un , lorsque n → +∞, on est amené à étudier le
produit nα un .
S’il existe α tel que

■ lim nα un = 0, alors
n→+∞
▶ si α > 1, la série {un }n∈N converge ; ▶ si 0 < α ≤ 1, on ne peut pas conclure ;
■ lim nα un = +∞, alors

n→+∞
▶ si α > 1, on ne peut pas conclure ; ▶ si 0 < α ≤ 1, la série {un }n∈N diverge.

1 sin(n)
1. un = sin 4 ; 2. vn = .
n n2
Chapitre 3
Séries à termes réels ou complexes
Il est indispensable de connaître les généralités sur les séries et sur les intégrales étendues à
des intervalles non bornés vues au Chapitre précédent, pour aborder ce deuxième Chapitre. On
verra ici plus particulièrement les méthodes d’études des séries numériques, lorsque celles-ci ne
sont pas à termes positifs et des séries à termes complexes.
3.1 Séries absolument convergentes

La monotonie de la suite des sommes partielles Sn est une donnée fondamentale dans l’étude
des séries à termes positifs. Cette propriété ne reste plus vraie pour les séries à termes réels. On
est amené à introduire une série liée à {un }n∈N dont les termes sont positifs, {|un |}n∈N , appelée
série des valeurs absolues.
Définition
Une série {un }n∈N à termes réels ou complexes est dite absolument convergente, si la série
des modules {|un |}n∈N converge.
Dans le cas réel, le module est la valeur

p absolue usuelle. Dans le cas complexe, le module est le
module usuel défini par |an + ibn | = a2n + b2n .
Théorème 3.1
Une série à termes réels ou complexes {un }n∈N absolument convergente est convergente et
on a :
X X
un ≤ |un | .
n≥0 n≥0
Remarque 3.1.
1. La réciproque du Théorème n’est pas vraie.
2. On pourra appliquer à la série {|un |}n∈N tous les résultats relatifs aux séries à termes
positifs.
34
3.2. MÉTHODES D’INVESTIGATION v21.10.1
3. Pour une série à termes réels positifs, il n’y a pas de distinction entre convergence et
absolue convergence.
4. La nouveauté de ce Chapitre est essentiellement l’étude des séries convergentes, non ab-
solument convergentes, on dit de ces séries qu’elles sont semi-convergentes.
3.2 Méthodes d’investigation

1. On applique à la série des valeurs absolues, toutes les fois que cela est possible, les ré-
sultats concernant les séries à termes positifs. On ne pourra conclure que dans le cas de
convergence absolue.
2. Règles de Cauchy et de d’Alembert

Soit {un }n∈N une série à termes réels ou complexes.
■ Règle de Cauchy
On note p
n
lim |un | = q.
n→+∞
On a :
▶ si q < 1, alors la série converge absolument ;
▶ si q > 1, alors la série diverge ;
▶ si q = 1, on ne peut pas conclure.
■ Règle de d’Alembert
On note
un+1
lim = q.
n→+∞ un
On a :
▶ si q < 1, alors la série converge absolument ;
▶ si q > 1, alors la série diverge ;
▶ si q = 1, on ne peut pas conclure.
3.3 Sommation d’Abel

On en vient à une méthode qu’il est bon de connaître pour ses applications simples (cf. Théo-
rème 3.3) mais aussi pour son principe. Ce procédé de sommation s’apparente au procédé
d’intégration par parties pour le calcul d’intégrales.
Théorème 3.2
Soit {un }n∈N une série dont le terme général, réel ou complexe, s’écrit sous la forme un =
an bn .
On suppose que
1. la suite (an )n∈N est à termes positifs décroissants et tend vers 0 ;
v21.10.1 CHAPITRE 3. SÉRIES À TERMES RÉELS OU COMPLEXES
n
X
2. il existe K ∈ R, tel que pour tout n : bk ≤ K.
k=1
Alors la série {un }n∈N est convergente.
3.3.1 Séries alternées
Par définition une série à termes réels est dite alternée si son terme général s’écrit un =
(−1)n an , an ∈ R+ .
En appliquant le Théorème 3.2 aux séries alternées, on obtient une condition nécessaire de
convergence des séries alternées, qui sera très utile dans les exercices.
Théorème 3.3
Si la suite (an )n∈N∗ est décroissante à partir d’un certain rang, et tend vers 0, la série alternée
dont le terme général s’écrit un = (−1)n an est convergente.
3.3.2 Un exemple fondamental

(−1)n
La série harmonique alternée, un = est convergente, non absolument convergente.
n
3.4 Reste d’une série convergente
3.4.1 Définition
Soit {un }n∈N une série convergente dont on note la somme S. On met en évidence la somme
des n premiers termes de la série {un }n∈N par
+∞
X n
X +∞
X
S= uk = uk + uk
k=1 k=1 k=n+1
= Sn + R n , R n = S − Sn .
Par définition, on dira que Rn est le reste d’indice n de la série {un }n∈N .
3.4.2 Propriétés
1. Rn est la somme de la série convergente (uk )k≥n+1 .
2. Si l’on prend n assez grand, on peut rendre Rn aussi petit que l’on veut.
3.4.3 Calculs numériques
Dans beaucoup de problèmes, il est important de déterminer la somme d’une série, et le plus
souvent, on ne peut effectuer qu’un calcul approché.
3.4. RESTE D’UNE SÉRIE CONVERGENTE v21.10.1
Il est donc en pratique très intéressant de majorer ce reste en fonction de n. En effet, si l’on se
donne α comme marge d’erreur, on détermine n pour que |Rn | < α. On dit que Sn approche la
somme de la série avec une marge d’erreur inférieure à α.
Dans le cas général, on majore le reste de la série donnée, soit par celui d’une série géométrique,
soit par celui d’une série de Riemann.
un+1
■ Cas où la limite lim est connue, ou majorée
n→+∞ un
un+1
Si lim < α < 1, alors il existe n0 tel que
n→+∞ un
un+1
∀n ≥ n0 , ≤ α < 1.
un
Dès lors, |un+1 | ≤ α |un | pour tout n ≥ n0 , et par suite
|un0 +k | ≤ αk |un0 | .
On majore alors le reste d’ordre n0 par

α
|Rn0 | ≤ |un0 | .
α−1
■ Cas de comparaison avec une intégrale généralisée

Si, comme on l’a vu au Chapitre précédent, la convergence de la série est mise en évi-
dence à la suite d’une comparaison avec l’intégrale généralisée d’une fonction f positive
décroissante, on a l’encadrement suivant
Z +∞ Z +∞
f (t) dt ≤ Rn ≤ f (t) dt.
n+1 n
■ Enfin, dans le cas des séries alternées, on a une évaluation très simple du reste
|Rn | ≤ |un+1 | .
On connaît, bien sûr, le sens de l’erreur, selon le signe du premier terme du reste
▶ si un+1 > 0, alors S − Sn > 0 : la valeur de S est donc calculée par défaut ;
▶ si un+1 < 0, alors S − Sn < 0 : la valeur de S est calculée par excès.
Chapitre 4
Suites et séries de fonctions
Ce Chapitre introduit essentiellement la notion fondamentale de convergence uniforme. Les

fonctions considérées seront toujours définies sur une partie I de K = R ou C et prendront
leurs valeurs dans R ou C. Lorsqu’on en aura besoin, la norme utilisée dans R sera la valeur
absolue usuelle, dans C ce sera la module associée à la distance euclidienne.
4.1 Suites de fonctions
4.1.1 Définitions
Définition 4.1
Une suite de fonctions définies sur une partie I de K est une application de N dans l’ensemble
des fonctions F(I, K). Ainsi, à n ∈ N, on fait correspondre la fonction fn .
La suite sera dite de terme général fn et on la notera (fn )n≥0 , ou plus simplement (fn ).
Ainsi, pour toute valeur fixée x ∈ I, la suite (fn (x)) est une suite numérique dont on peut
étudier la convergence. Cela conduit à la définition de convergence simple (ou ponctuelle)
de la suite (fn ).
Définition 4.2
Soit (fn ) une suite de fonctions définies sur une partie I de K.
Si pour tout x ∈ I, la suite numérique (fn (x)) converge, on dit que la suite de fonctions
(fn ) converge simplement (ou pnctuellement) dans I.
Dans ce cas, la fonction f définie sur le domaine I par
f (x) = lim fn (x)

n→+∞
est appelée fonction limite de la suite de fonctions (fn ).

La convergence simple de la suite de fonctions (fn ) vers la fonction f s’écrit
∀x ∈ I, ∀ε > 0, ∃ N (ε, x), ∀n > N (ε, x) : |fn (x) − f (x)| < ε.
38
4.1. SUITES DE FONCTIONS v21.10.1
Remarque 4.1.
1. Ici, N (ε, x) dépend de ε mais aussi de x.
2. S’il existe N (ε) = sup N (ε, x), vérifiant la définition ci-dessus, on aborde une notion plus
x∈I
globale concernant la convergence de la suite de fonctions (fn ) : celle de convergence
uniforme.
Exemple 4.1. 1. On considère, sur I = [0, 1] la suite de fonctions définies par
fn (x) = xn , ∀n ∈ N.
On a :
(a) si x ∈ [0, 1[, alors lim (xn ) = 0 ;
n→+∞
n
(b) si x = 1, alors lim (x ) = 1.
n→+∞
On en déduit que la suite (fn )n≥0 converge simplement sur I = [0, 1] vers la fonction f
définie par 
 0, si x ∈ [0, 1[,

f (x) =

1, si x = 1.

x
2. Pour x ∈ R+ et n ∈ N∗ , on pose gn (x) = .
n+x
Alors, étant clair que
x
∀x ∈ R+ , lim gn (x) = lim = 0,
n→+∞ n→+∞ n+x
on conclut donc que la suite de fonctions (gn )n≥1 converge simplement sur I = R+ vers
la fonction nulle.
Définition 4.3
Soit (fn ) une suite de fonctions définies sur une partie I de K.
Si
lim sup |fn (x) − f (x)| = 0,
n→+∞ x∈I
on dit que la suite (fn ) converge uniformément sur I, ce qui se traduit par
∀ε > 0, ∃ N (ε), ∀n > N (ε), ∀x ∈ I : |fn (x) − f (x)| < ε.
Remarque 4.2.
1. Si une suite de fonctions (fn ) est uniformément convergente sur I, elle converge simple-
ment sur I. La réciproque est fausse.
2. Si une suite de fonctions est uniformément convergente sur un nombre fini d’intervalles,
la convergence est uniforme sur leur réunion.
3. Dans les Définitions 4.2 et 4.3, il est important de faire attention à l’ordre d’apparition
de la condition “ ∀x ∈ I”.
v21.10.1 CHAPITRE 4. SUITES ET SÉRIES DE FONCTIONS
4. Dans la Définition 4.3, il faut comprendre qu’il s’agit de la limite de la borne supérieure
de la différence |fn (x) − f (x)| et en aucun cas d’une limite supérieure !
x
Exemple 4.2. 1. Pour x ∈ [0, 1] et n ∈ N∗ , on pose fn (x) = .
n
Soit n ∈ N∗ ; pour tout x ∈ [0, 1], on a
x 1
|fn (x)| = ≤ ,
n n
1
avec |fn (x)| = lorsque x = 1. C’est-à-dire
n
1
sup (|fn (x)|) = −→ 0,
x∈[0,1] n n→+∞
ce qui permet de conclure que la suite de fonction (fn )n≥1 converge uniformément, sur
l’intervalle [0, 1], vers la fonction nulle.
x
2. Pour x ∈ R+ et n ∈ N∗ , on pose gn (x) = .
n
Dans ce second cas, on a, pour tout n ∈ N∗ et tout x ∈ R+ , que
x
|gn (x)| = ,
n
mais comme ici x ∈ R+ , on a
x
sup (|gn (x)|) = sup = +∞,
x∈R+ x∈R+ n
et donc lim sup (|gn (x)|) = +∞, d’où la suite ici n’est pas uniformément convergente.
n→+∞ x∈R+
4.1.2 Propriétés liées à la convergence uniforme
4.1.2.1 Continuité
Théorème 4.1
Soit (fn )n∈N une suite de fonctions continues sur une partie I de K.
Si la suite (fn )n∈N converge uniformément sur I vers une limite f , alors f est continue sur
I.
Remarque 4.3.
1. La continuité étant une propriété locale, le théorème peut s’énoncer d’une autre façon
équivalente.
Si une suite de fonctions définies et continues sur un intervalle I ⊂ R converge unifor-
mément vers une fonction f sur tout intervalle fermé borné inclus dans I, alors f est
continue sur I.
2. Ce théorème est souvent utilisé pour montrer que la convergence n’est pas uniforme, dans
le cas où les fonctions fn sont continues et où la limite f elle, ne l’est pas.
4.1. SUITES DE FONCTIONS v21.10.1
4.1.2.2 Intégration
Théorème 4.2
Soit (fn )n∈N une suite de fonctions définies sur un intervalle [a, b] ⊂ R, intégrables sur
l’intervalle [a, b] ; si cette suite converge uniformément sur [a, b] vers une limite f , alors
1. f est intégrable ;
Z b Z b Z b
2. lim fn (x) dx = lim fn (x) dx = f (x) dx.
n→+∞ a a n→+∞ a
Remarque 4.4. On dit que l’on peut intervertir les opérations de passage à la limite et d’in-
tégration.
4.1.2.3 Dérivation
Théorème 4.3
Soit (fn )n∈N une suite de fonctions réelles définies sur un intervalle I ⊂ R, vérifiant les
hypothèses suivantes :
1. pour tout n, fn est dérivable à dérivée continue sur I ;
2. il existe au moins un point x0 ∈ I tel que la suite (fn (x0 )) converge ;
3. la suite (f ′ n )n∈N converge uniformément sur I.
Alors
1. la suite (fn )n∈N converge uniformément sur I,
2. la limite de (fn )n∈N est dérivable et pour tout x ∈ I,
′
lim fn (x) = lim f ′ n (x).
n→+∞ n→+∞
Remarque 4.5.
1. La notion de dérivée étant une propriété locale, on peut prendre comme hypothèse (3), la
convergence uniforme de la suite (f ′ n )n∈N sur tout intervalle fermé borné inclus dans I.
Cela entraîne la convergence uniforme de (fn )n∈N sur tout intervalle fermé borné inclus
dans I, et la dérivabilité de la limite de (fn )n∈N pour tout x ∈ I.
2. Il faut bien voir que c’est la suite des (f ′ n )n∈N qui doit converger uniformément, pour qu’il
y ait passage à la limite de la dérivation.
4.1.3 Critère de Cauchy uniforme pour les suites de fonctions
Une condition nécessaire et suffisante pour qu’une suite de fonctions réelles ou complexes (fn )n∈N
converge uniformément sur une partie I de K, est que l’on ait :
∀ε > 0, ∃ N (ε), ∀n > N (ε), ∀m > N (ε), ∀x ∈ I : |fn (x) − fm (x)| < ε.
4.2 Séries de fonctions

Comme dans le cas numérique, on va retrouver le lien entre les suites de fonctions et les séries
de fonctions. Les théorèmes et résultats essentiels ne sont que la traduction de ceux énoncés
pour les suites de fonctions. On verra pourtant que les techniques employées pour déterminer
la convergence sont spécifiques.
Étant donnée une suite de fonctions (fn )n∈N , définies sur une partie I de K, on s’intéresse à la
X n
suite des sommes partielles, de terme général Sn = fk .
k=0
4.2.1 Définitions
On note encore {fn }n∈N la série de fonctions de terme général fn , et I une partie de K.
Définition 4.4
On dit que la série de fonctions {fn }n∈N converge simplement (ou ponctuellement)
sur I si et seulement si la suite de fonctions (Sn )n∈N converge simplement sur I.
Connaissant les séries numériques, on peut dire que la série de fonctions {fn }n∈N converge
simplement sur I, si et seulement si, pour tout x0 fixé dans I, la série numérique (fn (x0 ))n≥0
converge.
Sur les domaines où il y a convergence simple de la série de fonctions {fn }n∈N , on appelle
somme de la série, la fonction S définie par
n
X
∀x ∈ I, S(x) = lim Sn (x) = lim fk (x).
n→+∞ n→+∞
k=0
Définition 4.5
On dit que la série de fonctions {fn }n∈N converge uniformément sur I si et seulement
si la suite de fonctions (Sn )n∈N converge uniformément sur I, ou encore :
∀ε > 0, ∃ N (ε), ∀n > N (ε), ∀x ∈ I : |Sn (x) − S(x)| < ε.
Remarque 4.6.
1. Si une série de fonctions {fn }n∈N est uniformément convergente sur I, elle converge
simplement sur I, la réciproque est fausse.
2. Les remarques faites dans le cas des séries numériques, en ce qui concerne les premiers
indices de sommation sont encore valables. On pourra être amené à ne considérer les
termes de la série qu’à partir d’un rang n0 > 0.
Définition 4.6
On dit que la série de fonctions {fn }n∈N converge absolument sur I si et seulement si la
4.2. SÉRIES DE FONCTIONS v21.10.1
série de fonctions (|fn |)n≥0 converge simplement sur I.
4.2.2 Critère de Cauchy uniforme pour les séries de fonctions
Une condition nécessaire et suffisante pour qu’une série de fonctions réelles ou complexes
{fn }n∈N converge uniformément sur I est que
m
X
∀ε > 0, ∃ N (ε), ∀n > N (ε), ∀m > N (ε), ∀x ∈ I : fk (x) < ε.
k=n+1
Remarque 4.7. Une condition nécessaire de convergence uniforme sur I d’une série de fonc-
tions {fn }n∈N est que la suite de fonctions (fn )n∈N converge uniformément vers 0 sur I.
Comme dans le cas des séries numériques, on utilise ce résultat le plus souvent dans le cas où
le terme général ne tend pas uniformément vers 0 sur I.
4.2.3 Convergence normale d’une série de fonctions

Définition 4.7
Soit {fn }n∈N une série de fonctions réelles ou complexes définies sur I ⊂ K. S’il existe une
série numérique {an }n∈N , convergente, telle que pour tout n, et tout x ∈ I, |fn (x)| ≤ an , on
dit que la série de fonctions {fn }n∈N est normalement convergente sur I.
Théorème 4.4
Si une série de fonctions {fn }n∈N est normalement convergente sur I, alors elle est absolu-
ment et uniformément convergente sur I.
Remarque 4.8. On verra dans certains exercices l’utilisation extrêmement fréquente de ce

résultat spécifique des séries.
4.2.4 Propriétés de la somme d’une série de fonctions, liées à la

convergence uniforme
Les résultats que nous allons donner ici sont la transposition de ceux énoncés pour les suites
de fonctions.
4.2.4.1 Continuité
Théorème 4.5
Soit {fn }n∈N une série de fonctions continues sur une partie I de K ; si cette série converge
uniformément sur I, alors sa somme est continue sur I.
Remarque 4.9. Il suffit de montrer la convergence sur tout intervalle fermé borné inclus dans
I, pour pouvoir conclure à la continuité de la somme.
Théorème 4.6
Soit {fn }n∈N une série de fonctions réelles, intégrables sur un intervalle [a, b] ; si cette série
converge uniformément sur [a, b], on a :
+∞
X
1. fk est intégrable sur [a, b] ;
k=0
+∞
! +∞ Z
Z b X X b
2. fk (x) dx = fk (x) dx .
a k=0 k=0 a
4.2.4.3 Dérivation
Théorème 4.7
Soit {fn }n∈N une série de fonctions réelles définies sur un intervalle I de R, vérifiant les
hypothèses suivantes :
1. pour tout n, fn est dérivable à dérivée continue sur le domaine I ;
2. il existe au moins un point x0 ∈ I tel que la série numérique de terme général fn (x0 )
converge ;
3. la série {f ′ n }n∈N converge uniformément sur I.
Alors
1. la série {fn }n∈N converge uniformément sur I,
2. la somme de {fn }n∈N est dérivable et pour tout x ∈ I, on a
+∞
!′ +∞
X X
fk (x) = f ′ k (x).
k=0 k=0
Remarque 4.10.
1. Dans tous les cas où il s’agit de continuité (resp. dérivabilité) sur un intervalle I = [a, b]
fermé, on suppose qu’il y a continuité (resp. dérivabilité) à droite en a et à gauche en b.
2. La notion de dérivée étant une propriété locale, on peut prendre comme hypothèse (3), la
convergence uniforme de la série {f ′ n }n∈N sur tout intervalle fermé borné inclus dans I.
Cela entraîne la convergence uniforme de {fn }n∈N sur tout intervalle fermé borné inclus
dans I, et la dérivabililté de la somme de {fn }n∈N pour tout x ∈ I.
3. Il faut bien voir que c’est la série des fonctions dérivées qui doit converger uniformément
pour qu’il y ait passage à la limite de la dérivation.
4. On dit encore que l’on peut dériver terme à terme.
4.2.5 Critère de convergence uniforme

Théorème 4.8
Soient (an )n∈N et (bn )n∈N deux suites de fonctions définies sur I ⊂ R, telles que l’on ait :
4.2. SÉRIES DE FONCTIONS v21.10.1
1. pour tout x ∈ I, la suite (an (x))n≥0 est monotone ;

2. la suite de fonctions (bn )n∈N tend uniformément vers 0 ;
Xn
3. la suite de fonctions de terme général Sn = bk , est uniformément bornée sur I,
k=0
c’est-à-dire que l’on a
∃ A, ∀x ∈ I, ∀n ∈ N, |Sn (x)| ≤ A.
Alors, la série de fonctions de terme général an bn converge uniformément sur I.
Remarque 4.11. On utilisera le plus souvent un cas particulier important, appelé critère
de convergence uniforme d’Abel, c’est le cas où an (x) est une suite numérique à termes
positifs, indépendante de x. Les conditions (1) et (2) se réduisent alors à : “la suite (an )n∈N
décroît et tend vers 0 lorsque n → +∞”.
Chapitre 5
Séries entières
Les séries entières sont des séries de fonctions particulières, où le terme général est de la forme
un (z) = an z n , avec z réel ou complexe, et (an )n∈N une suite de nombres réels ou complexes.
Nous leur appliquerons les résultats vus dans les chapitres précédents. En outre, certaines
propriétés plus spécifiques seront mises en évidence. Elles concernent le domaine de conver-
gence.
On étudiera les techniques qui permettent de développer, lorsque c’est possible, certaines fonc-
tions en série entière.
Dans le cas des séries entières, on se permettra l’abus de langage qui consiste à appeler {an z n }
la série entière dont le terme général est l’application z 7−→ an z n .
5.1 Domaine de convergence
5.1.1 Définitions
Dès que l’on étudie une série de fonctions, il est indispensable de déterminer son domaine de
convergence. Dans le cas des séries entières, les propriétés de ce domaine sont très intéressantes.
Définition 5.1
On appelle série entière de la variable complexe z, une série de fonctions dont le terme
général s’écrit un (z) = an z n , n ∈ N, où les an appelés coefficients de la série, sont des
nombres complexes.
Théorème 5.1
Soit {an z n } une série entière.
Il existe un unique réel R ∈ R+ = R+ ∪ {+∞} qui vérifie :
■ pour |z| < R, la série est absolument convergente ;
■ pour |z| > R, la série est divergente.
Ce théorème amène à la définition suivante.
46
5.1. DOMAINE DE CONVERGENCE v21.10.1
Définition 5.2
On appelle rayon de convergence de la série entière {an z n } le nombre R ∈ R+ dont le
Théorème 5.1 assure l’existence et l’unicité.
Remarque 5.1. On utilise souvent les propriétés suivantes :
1. R = sup {r ≥ 0 : {an rn } converge} : 2. R = sup {r ≥ 0 : {an rn } est bornée}.
La démonstration du Théorème 5.1 est basée sur le Lemme d’Abel que nous énonçons ci-dessous
pour intérêt intrinsèque ; on l’utilise dans des exercices théoriques.
Lemme 5.1 (Lemme d’Abel). S’il existe z0 tel que la suite (an z0n ) soit bornée, (ce qui est réalisé,
en particulier lorsque la série converge en z0 ), alors la série entière {an z n } est absolument
convergente pour tout z tel que |z| < |z0 |.
Définition 5.3
Dans le cas complexe, on appelle disque de convergence le disque ouvert défini par
|z| < R.
Dans le cas réel (un (x) = an xn , x ∈ R), on appelle intervalle de convergence l’intervalle
ouvert défini par |x| < R.
Théorème 5.2
Soit {an z n } une série entière de rayon de convergence R.
Pour tout r vérifiant 0 ≤ r < R, la série est normalement convergente (et donc uniformément
convergente) dans le disque fermé défini par
D(0, r) = {z ∈ C : |z| ≤ r} .
Remarque 5.2.
1. À l’extérieur du disque de convergence (|z| > R), le module du terme général d’une série
entière n’est pas borné.
2. Si R = 0, la série entière ne converge que pour z = 0, par exemple un (z) = n!z n .
zn
3. Si R = +∞, la série entière converge pour tout z complexe, par exemple un (z) = n!
.
4. On ne peut rien dire a priori sur la nature de la série sur le cercle de convergence |z| = R,
(dans le cas réel, aux bornes de l’intervalle de convergence). On verra par des exemples
que tout peut se produire, il faudra à chaque fois étudier séparément le cas des bornes.
5.1.2 Détermination pratique de R
On appliquera les Règles de d’Alembert et de Cauchy à la série des modules pour déterminer
le rayon de convergence.
Le plus souvent les résultats suivants suffiront.
v21.10.1 CHAPITRE 5. SÉRIES ENTIÈRES
p 1
■ Si lim n
|an | = l, alors R = .
n→+∞ l
an+1 1
■ Si lim = l, alors R = .
n→+∞ an l
Remarque 5.3. Si l = 0, on a R = +∞, et si l = +∞, R = 0.
5.2 Opérations algébriques

Soient {an z n } et {bn z n } deux séries entières. On note R et R′ leurs rayons de convergence, f (z)
et g(z) leurs sommes.
5.2.1 Addition, multiplication par un scalaire
Soient λ et µ deux nombres complexes, on étudie la série entière combinaison linéaire des deux
précédentes de terme général wn (z) = λan z n + µbn z n . On note R′′ le rayon de convergence de
{wn (z)}.
La série entière {λan z n + µbn z n } converge absolument pour |z| < min (R, R′ ).
Si R ̸= R′ , on exactement R′′ = min (R, R′ ), et la somme de la série {wn (z)} est donnée par
h(z) = λf (z) + µg(z).
Si R = R′ , on a alors R′′ ≥ R. On verra dans les exercices les différents cas qui peuvent se
produire.
5.2.2 Multiplication de deux séries entières
On applique à {an z n } et {bn z n } les résultats concernant la multiplication de deux séries de

fonctions absolument convergentes.
La série produit de {an z n } et {bn z n } est une série entière de terme général
n
!
X
Πn (z) = ak bn−k z n
k=0
et son rayon de convergence ρ vérifie ρ ≥ min (R, R′ ).
5.3 Propriétés analytiques
5.3.1 Continuité
Théorème 5.3
La somme d’une série entière {an z n } de rayon de convergence R ̸= 0, est une fonction
continue de z à l’intérieur du disque de convergence, (pour tout |z| < R).
5.3. PROPRIÉTÉS ANALYTIQUES v21.10.1
Théorème 5.4 (Théorème de continuité d’Abel )

Soit {an z n } une série entière de rayon de convergence R.
Si la série numérique {an Rn } converge, la convergence de la série {an z n } est uniforme sur
[0, R] et sa somme est continue sur ce segment.
+∞
X +∞
X
n
En particulier lim− an x = an Rn .
x→R
n=0 n=0
Remarque 5.4. On verra dans les exercices, que sur le cercle de convergence (|z| = R), il faut
étudier chaque cas séparément pour déterminer la nature de la série.
5.3.2 Série des dérivées

Définition 5.4
Soit f une fonction de la variable complexe z définie dans un domaine (ouvert) D de C.
Par définition, la fonction f est dite dérivable au sens complexe en z0 ∈ D si la limite
f (z) − f (z0 )
lim existe.
z→z0 z − z0
On note f ′ (z0 ) cette limite.
On dit que f est dérivable dans D si elle est dérivable au sens complexe en tout point de
D. On dira aussi que f est holomorphe dans D.
Remarque 5.5. On utilisera les propriétés naturelles des fonctions complexes, dérivables au
sens complexe
■ dans les domaines où elles sont dérivables, la somme et le produit de fonctions dérivables
sont dérivables et vérifient
(λf + µg)′ (z) = λf ′ (z) + µg ′ (z),
(f g)′ (z) = f ′ (z)g(z) + f (z)g ′ (z);
■ dans les domaines où elle est définie, la composée de deux fonctions dérivables est dérivable
et vérifie
(g◦f )′ = g ′ (f (z)) f ′ (z).
Théorème 5.5
Soit {an z n } une série entière de rayon de convergence R > 0 ; soit f (z) la somme de cette
série dans le disque ouvert de convergence.
La fonction f est dérivable et sa dérivée est la somme de la série entière de terme général
nan z n−1 (pour n ≥ 1) dont le rayon de convergence est également R.
Remarque 5.6.
1. Si l’on itère l’opération de dérivation d’une série entière {an z n } à l’intérieur du disque
de convergence, les séries successives obtenues convergent vers les dérivées successives de
f (z), dans le même disque de convergence.
2. La somme d’une série entière est donc indéfiniment dérivable à l’intérieur du disque
de convergence, et si le rayon de convergence est strictement positif, on a la relation :
f (n) (0) = n!an .
3. On dit aussi que l’on peut dériver terme à terme une série entière dans son disque de
convergence.
4. Contrairement au cas général des séries de fonctions, le Théorème 5.5 ne nécessite pas
d’étudier la série dérivée “terme à terme” pour conclure à la validité de la dérivation terme
à terme.
5. Cependant ici encore sur le cercle de convergence |z| = R, il faut faire une étude particu-
lière.
5.3.3 Série de primitives
On suppose maintenant que la série entière {an xn } est à termes réels, on note I = ]−R, +R[,
son intervalle de convergence et f (x) sa somme.
Théorème 5.6
an n+1
La série entière de terme général x obtenue en intégrant terme à terme la série
n+1
n
entière de terme général an x , a même intervalle de Z
convergence I = ]−R, +R[, que la série
x
donnée, et la fonction somme est égale à l’intégrale f (t) dt.
0
Remarque 5.7.
1. On peut évidemment itérer l’opération d’intégration sans condition supplémentaire.
2. D’après le résultat concernant la série de dérivée, le rayon de convergence de la série de
primitives est égal au rayon de convergence de la série initiale.
3. On peut formellement, dans le cas complexe, prendre la primitive de an z n qui s’annule en
an z n+1
0, on obtient .
n+1
Cette opération permet de définir la série des primitives d’une série entière complexe.
5.4 Développement en série entière

Partant d’une série entière, nous avons défini dans un domaine D = {z ∈ C : |z| < R}, une
fonction qui est la somme de cette série dans tout le domaine.
Inversément une fonction f (z) étant définie dans un domaine D ⊂ C, contenant le point 0, on
se pose la question de savoir s’il existe une série entière de rayon de convergence R ̸= 0, dont
f (z) est la somme dans D.
5.4.1 Définition
Soit f (z) une fonction définie dans un voisinage D de l’origine, c’est-à-dire sur une partie D de
C qui contient un disque de rayon strictement positif, centré en l’origine.
5.4. DÉVELOPPEMENT EN SÉRIE ENTIÈRE v21.10.1
On dit que cette fonction est developpable en série entière dans D s’il existe une série
entière {an z n } de rayon de convergence non nul, dont elle est la somme dans D.
+∞
X
∀z ∈ D : f (z) = ak z k .
k=0
5.4.2 Série de Mac-Laurin
Une condition nécessaire d’existence d’un Développement en série entière d’une fonction f est
que cette fonction soit indéfiniment dérivable.
Dans ce cas, la série entière cherchée ne peut que coïncide avec le développement en série de
Taylor de f (z) à l’origine, que l’on appelle encore développement de Mac-Laurin de la fonction.
On forme donc la série de Mac-Laurin
+∞ (k)
X f (0)
zk
k=0
k!
de la fonction ; il s’agit alors de savoir

1. si elle converge dans D,
2. si, lorsqu’elle converge, sa somme est égale à f (z).
Remarque 5.8. Dans le domaine réel on n’a pas de “bon” critère qui affirme la possibilité ed
développement en série entière.
Théorème 5.7
Pour qu’une fonction f (z) définie dans un voisinage complexe D de l’origine, soit dévelop-
pable en série entière dans ce domaine, il faut et il suffit
1. qu’elle soit indéfiniment dérivable dans D, au sens complexe, et
+∞
X f (k) (0) k
2. que le reste Rn (z) = z , de sa série de Mac-Laurin tende vers zéro, pour
k=n+1
k!
z fixé dans D, lorsque n −→ +∞.
Dans ce cas, le développement est unique.
Théorème 5.8
Si, dans un voisinage de l’origine, la fonction f (z) admet des dérivées bornées à tout ordre
(pour tout p, il existe A tel que pour tout z ∈ D, f (p) (z) < A), alors la fonction f (z) est
développable en série entière, elle est égale à sa série de Mac-Laurin dans D.
5.4.3 Développement limité au voisinage de l’origine
Soit f (z) une fonction admettant dans un voisinage de l’origine un développement en série
entière de la forme
+∞
X
f (z) = ak z k , |z| < R.
k=0
Alors, pour tout n, elle admet un développement limité à l’ordre n au voisinage de l’origine ; il
s’écrit
n
X
f (z) = ak z k + z n ε(z), avec lim ε(z) = 0.
|z|→0
k=0
5.5 Développement de fonctions usuelles
À partir de quelques fonctions simples, dont le développement est facile à déterminer, nous
allons développer un grand nombre de fonctions en série entière en utilisant les propriétés
algébriques et analytiques citées ci-dessus.
5.5.1 Séries géométrique et exponentielle
L’identité remarquable
1 − z n+1
1 + z + z2 + · · · + zn =
1−z
conduit au développement en série entière suivant
+∞
1 X
= 1 + z + z2 + · · · + zn + · · · = zn, R = 1, (|z| < 1).
1−z n=0
Le développement en série entière de la fonction exponentielle, exp(z) = ez , est obtenu par

application directe du Théorème 5.8, on a :
+∞
z z2 zn X zn
e =1+z+ + ··· + + ··· = , R = +∞.
2! n! n=0
n!
5.5.2 Combinaisons linéaires, changement de variable
Les développements des fonctions sinus, consinus, sinus hyperbolique et cosinus hyperbolique,
découlent de celui de l’exponentielle, avec x ∈ R.
+∞
X x2n+1
sin(x) = (−1)n , R = +∞;
n=0
(2n + 1)!
+∞
X x2n
cos(x) = (−1)n , R = +∞;
n=0
(2n)!
+∞
X x2n+1
sh(x) = , R = +∞;
n=0
(2n + 1)!
+∞
X x2n
ch(x) = , R = +∞.
n=0
(2n)!
5.5. DÉVELOPPEMENT DE FONCTIONS USUELLES v21.10.1
Par changement de variable dans le développement de la série géométrique on obtient les ré-
sultats suivants :
+∞
1 X
= (−1)n z n , R = 1,
1+z n=0
+∞
1 X
= (−1)n z 2n , R = 1.
1 + z2 n=0
5.5.3 Intégration, dérivation
Par dérivations successives et intégration de la série géométrique, on obtient les développements

suivants.
5.5.3.1 Dérivation
+∞
1 X
2 = nxn−1 , R = 1,
(1 − x) n=1
+∞
X (n + p − 1)(n + p − 2) · · · (n + 1)
1
p = xn , R = 1.
(1 − x) n=0
(p − 1)!
+∞ n
X x
log(1 − x) = − , R = 1,
n=1
n
+∞
X (−1)n−1 xn
log(1 + x) = , R = 1,
n=1
n
+∞
X (−1)n x2n+1
arctan(x) = , R = 1.
n=0
2n + 1
5.5.4 Série du binôme
Il s’agit de trouver le développement en série entière des fonctions f (x) = (1 + x)α , pour
x ∈ R, α ∈ R.
On dispose de deux méthodes : l’une déjà citée, le développement de Mac-Laurin, dont on
montre qu’il converge vers f pour |x| < 1.
L’autre consiste à mettre en évidence une équation différentielle vérifiée par la fonction et à
déterminée les coefficients de la série par récurrence.
Par l’une ou l’autre de ces méthodes, on obtient le résultat très utile suivant
+∞
X α(α − 1) · · · (α − n + 1)
(1 + x)α = 1 + xn , R = 1.
n=1
n!
Remarque 5.9. On déduit de ce développement celui des fonctions

√ 1 √ √ 1 √ 1 √
1 + x, √ , 3 1 + x, 1 + x2 , √ , 1 − x, √ , 3 1 − x, . . .
1+x 1 + x2 1−x
que l’on peut de nouveau intégrer ou dériver à l’intérieure du domaine de convergence.
Table des matières
1 Éléments d’algèbre linéaire 4

1.1 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Applications Linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Noyau et image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3 Applications linéaires en dimension finie . . . . . . . . . . . . . . . . . . 15
1.2.4 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . 18
1.3 Réduction d’endomorphismes : Diagonalisation . . . . . . . . . . . . . . . . . . . 21
1.3.1 Éléments propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.2 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Séries à termes positifs 25

2.1 Généralités sur les séries numériques . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.2 Premières conséquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.3 Deux exemples de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.4 Opérations sur les séries . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.5 Critère de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.6 Condition nécessaire de convergence d’une série . . . . . . . . . . . . . . 27
2.2 Séries à termes positifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.1 Règles de comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.2 Méthodes de Cauchy et de d’Alembert . . . . . . . . . . . . . . . . . . . 29
2.3 Extension de l’intégrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
55
v21.10.1 TABLE DES MATIÈRES
2.3.2 Critère de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.4 Intégrales généralisées de fonctions positives . . . . . . . . . . . . . . . . . . . . 31
2.4.1 Exemple fondamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.2 Règles de comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5 Relations entre séries et intégrales . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.1 Les Séries de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5.2 Comparaison d’une série à termes positifs avec les séries de Riemann . . 33
3 Séries à termes réels ou complexes 34

3.1 Séries absolument convergentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2 Méthodes d’investigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Sommation d’Abel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.1 Séries alternées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Un exemple fondamental . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Reste d’une série convergente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.3 Calculs numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Suites et séries de fonctions 38

4.1 Suites de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.2 Propriétés liées à la convergence uniforme . . . . . . . . . . . . . . . . . 40
4.1.3 Critère de Cauchy uniforme pour les suites de fonctions . . . . . . . . . . 41
4.2 Séries de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.2 Critère de Cauchy uniforme pour les séries de fonctions . . . . . . . . . . 43
4.2.3 Convergence normale d’une série de fonctions . . . . . . . . . . . . . . . 43
4.2.4 Propriétés de la somme d’une série de fonctions, liées à la convergence
uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2.5 Critère de convergence uniforme . . . . . . . . . . . . . . . . . . . . . . . 44
5 Séries entières 46
5.1 Domaine de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
TABLE DES MATIÈRES v21.10.1
5.1.2 Détermination pratique de R . . . . . . . . . . . . . . . . . . . . . . . . 47

5.2 Opérations algébriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.2.1 Addition, multiplication par un scalaire . . . . . . . . . . . . . . . . . . . 48
5.2.2 Multiplication de deux séries entières . . . . . . . . . . . . . . . . . . . . 48
5.3 Propriétés analytiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.3.1 Continuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.3.2 Série des dérivées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.3.3 Série de primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.4 Développement en série entière . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.4.2 Série de Mac-Laurin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.4.3 Développement limité au voisinage de l’origine . . . . . . . . . . . . . . . 51
5.5 Développement de fonctions usuelles . . . . . . . . . . . . . . . . . . . . . . . . 52
5.5.1 Séries géométrique et exponentielle . . . . . . . . . . . . . . . . . . . . . 52
5.5.2 Combinaisons linéaires, changement de variable . . . . . . . . . . . . . . 52
5.5.3 Intégration, dérivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.5.4 Série du binôme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Ist Maths Generales l2

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ist Maths Generales l2

Transféré par

Droits d'auteur :

Formats disponibles

Institut Supérieur de

Tronc Commun Licence 2

Bylli André GUEL

1 Éléments d’algèbre linéaire 4

2 Séries à termes positifs 25

3 Séries à termes réels ou complexes 34

4 Suites et séries de fonctions 38

Éléments d’algèbre linéaire

1.1 Espaces vectoriels

■ R, avec K = R et C, avec K = R ou C ; ■ Les ensembles R2 et R3 , avec K = R ;

(x, y) + (x′ , y ′ ) = (x + x′ , y + y ′ ) et α. (x, y) = (α.x, α.y) .

1. 0K · x = 0E ; 3. (−λ) · x = −(λ · x) = λ · (−x) ;

1.1.2 Sous-espaces vectoriels

■ Soient x1 , . . . , xn , n vecteurs d’un K-espace vectoriel (E, +, ·). On appelle combi-

∀ (x, y) ∈ E 2 , ∀α, β ∈ K, (αx + βy) ∈ F.

où FA désigne l’ensemble des sous-espaces vectoriels de E qui contiennent A.

Proposition 1.6. Soit n ∈ N∗ et A = {x1 , . . . , xn } une partie finie à n éléments de E. Le sous-

Exemple 1.3. Reprenant le premier point de Exemple 1.2, on note que :

1.1.3 Dimension d’un espace vectoriel

Plan 1.5 (Pour montrer qu’une famille est libre)

Plan 1.6 (Pour montrer qu’une famille est liée)

4. donc la famille est liée.

Autrement dit : Vect ({v1 , . . . , vp }) = E.

Plan 1.7 (Pour montrer qu’une famille est génératrice)

Proposition 1.7 (Base canonique). Soit n ∈ N∗ . Considérons le K-espace vectoriel E = Kn .

e1 = (1, 0, . . . , 0, 0), e2 = (0, 1, 0, . . . , 0), ..., en = (0, 0, . . . , 0, 1).

Alors il existe une base B de E de la forme

Card (L) ≤ Card (G) .

Ce Théorème, associé au Corollaire 1.2 permet de donner un sens à la définition suivante.

■ Si E = {0}, on dit que E est de dimension 0 et on note dim(E) = 0.

Exemple 1.9. dim (Kn ) = n.

Comme on le souligne avec l’exemple suivant, le Théorème précédent permet de faciliter la

αe1 + βe2 + γe3 = 0R3 .

L’équation précédente se traduit par le système linéaire

Terminons cette section par une formule assez importante.

1.2 Applications Linéaires

∀x, y ∈ E, ∀α, β ∈ K, f (αx + βy) = αf (x) + βf (y).

Remarque 1.9. Si f : E −→ F est linéaire, alors f (0E ) = 0F . En effet,

f (0E ) = f (0E + 0E ) = f (0E ) + f (0E ) ,

Plan 1.10 (Pour montrer que f : E −→ F n’est pas linéaire)

Proposition 1.8. Pour f ∈ L(E, F ) et S ⊂ E, on a

Vect (f (S)) = f (Vect(S)) .

Proposition 1.9. Le triplet (L(E, F ), +, ·) est un K-espace vectoriel.

Proposition 1.11. Soit f ∈ L(E, F ) un isomorphisme. Alors (f −1 ) ∈ L(F, E).

= f −1 f αx + βx′ , car f est linéaire

et f −1 est bien linéaire.

1.2.2 Noyau et image

Commençons par rappeler que pour f : E −→ F , on appelle :

2. image réciproque par f d’une partie F ′ de F , l’ensemble

et donc αy + βy ′ ∈ f (E ′ ), ce qui prouve que f (E ′ ) est bien un sous-espace vectoriel de F .

Il en découle que αx + βx′ ∈ f −1 (F ′ ), ce qui clos la démonstration.

On appelle noyau de f , et on note Ker(f ), le sous-ensemble de E défini

On appelle image de f , et on note Im(f ), le sous-ensemble de F défini

f est injective ⇐⇒ Ker(f ) = {0E } .

Démonstration : 1. Supposons que f est injective.

Remarque 1.10. Par définition, on a aussi pour f : E −→ F linéaire la caractérisation

f est surjective ⇐⇒ Im(f ) = F.

1.2.3 Applications linéaires en dimension finie

1.2.3.1 Bases et applications linéaires

La proposition suivante permet de comprendre qu’une application linéaire entre un espace

∀i ∈ {1, . . . , n} , u (ei ) = fi . (1.1)

On a, de plus, ∀k ∈ {1, . . . , n} , u (ek ) = fk : d’où l’existence de l’application u.

Remarque 1.11. Soient E et F deux K-espaces vectoriels. Soient u ∈ L(E, F ), x ∈ E et

D’après la proposition précédente, la famille (αi,j )1≤i≤n caractérise complètement l’application