Maths II

UNSTIM (Cycle Préparatoire aux Ecoles d’Ingénieurs) :
NOTE DE COURS DE MATHSII
Enseignant : Dr. Jamal ADETOLA

adetolajamal58@yahoo.com
(00229) 97 28 78 29 Bénin
May 11, 2020

Contents
I Algèbre linéaire 4
1 Espaces vectoriels 5
1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Terminologie et notations . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Définition d’un sous-espace vectoriel . . . . . . . . . . . . . . 9
1.3.2 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 Intersection de deux sous-espaces vectoriels . . . . . . . . . . . 10
1.3.4 Somme de deux sous-espaces vectoriels . . . . . . . . . . . . . 10
1.3.5 Sous-espace engendré . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.6 familles libres, liées et génératrices . . . . . . . . . . . . . . . 12
1.4 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Dimension d’un sous-espace vectoriel . . . . . . . . . . . . . . 14
1.4.3 Rang d’une famille de vecteurs . . . . . . . . . . . . . . . . . . 15
2 Application linéaire 16
2.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Définition d’une application linéaire . . . . . . . . . . . . . . . . . . . 16
2.3 Image et noyau d’une application linéaire . . . . . . . . . . . . . . . . 17
2.4 Application linéaires en dimension finie . . . . . . . . . . . . . . . . . 18
2.4.1 Rang d’une application linéaire . . . . . . . . . . . . . . . . . 19
3 Calcul matriciel 20
3.1 Définitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Addition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.2 Multiplication par un nombre . . . . . . . . . . . . . . . . . . 21
3.2.3 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . 22
3.2.4 Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . 22
Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

3.3 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4.1 Formule du binôme de Newton . . . . . . . . . . . . . . . . . 24
3.5 Déterminant d’une matrice . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . 27
3.6.1 Matrice d’une application linéaire de E dans F . . . . . . . . 27
3.6.2 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . 27
3.6.3 Matrice d’une famille finie de vecteurs . . . . . . . . . . . . . 28
4 Systèmes linéaires 29
4.1 Systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Interprétation matricielle d’un système d’équations linéaires . 29
4.1.2 Rang d’une matrice, rang d’un système d’équations linéaires . 29
4.2 Résolution par pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Systèmes de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.1 Utilisation de matrice inverse . . . . . . . . . . . . . . . . . . 31
4.3.2 Utilisation de déterminants . . . . . . . . . . . . . . . . . . . 31
4.4 Exercice de fin des chapitres . . . . . . . . . . . . . . . . . . . . . . . 32
5 Réduction des endomorphismes 39

5.1 Valeurs propres, Vecteurs propres . . . . . . . . . . . . . . . . . . . . 39
5.2 Diagonalisation et trigonalisation . . . . . . . . . . . . . . . . . . . . 41
5.2.1 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2.2 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . 42
II Analyse vectorielle 43
6 Courbes paramétrées 44
6.1 Courbes Paramétrées . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.1.1 Continuité et dérivabilité . . . . . . . . . . . . . . . . . . . . 44
6.1.2 Point régulier- Tangente . . . . . . . . . . . . . . . . . . . . . 45
6.1.3 Point stationnaire . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.4 Etude d’un point stationnaire . . . . . . . . . . . . . . . . . . 46
6.1.5 Etude locale d’un point stationnaire . . . . . . . . . . . . . . . 47
6.2 Etude générale d’une courbe paramétrée . . . . . . . . . . . . . . . . 48
6.2.1 Intervalle d’étude . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2.2 Variations de x et y . . . . . . . . . . . . . . . . . . . . . . . . 49

6.2.3 Branches infinies . . . . . . . . . . . . . . . . . . . . . . . . . 49
7 Fonctions de plusieurs variables 52

7.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7.2 Limites et continuité des fonctions de plusieurs variables . . . . . . . 53
7.2.1 Normes dans R In . . . . . . . . . . . . . . . . . . . . . . . . . 53
7.2.2 Boules ouverte, fermée et sphère de R In . . . . . . . . . . . . . 54
7.3 Suites de R In . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
7.3.1 Suites convergentes . . . . . . . . . . . . . . . . . . . . . . . . 56
7.4 Limites dans R In. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
7.4.1 Quelques propriétés . . . . . . . . . . . . . . . . . . . . . . . . 57
7.5 Continuité dans R In . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
7.5.1 Quelques propriétés . . . . . . . . . . . . . . . . . . . . . . . . 57
7.6 Différentiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.6.1 Dérivée partielle . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.6.2 Différentiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 60
7.6.3 Matrice jacobienne . . . . . . . . . . . . . . . . . . . . . . . . 60
7.6.4 Dérivées des fonctions composées : règle de dérivation en chaı̂ne
(chain rule) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.6.5 Dérivées d’ordre supérieur . . . . . . . . . . . . . . . . . . . . 62
7.6.6 Recherche d’extréma . . . . . . . . . . . . . . . . . . . . . . . 63
8 Intégrale de Riemann dans R2 ou R3 66

8.1 Intégrale double . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.1.1 Définition de intégrale de Riemann d’une fonction bornée sur
un rectangle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.1.2 Subdivision d’un rectangle . . . . . . . . . . . . . . . . . . . 66
8.1.3 Sommes de Darboux . . . . . . . . . . . . . . . . . . . . . . . 67
8.1.4 Propriétés des fonctions intégrables sur un rectangle . . . . . . 67
8.2 Intégrales triples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
8.3 Applications des intégrales multiples . . . . . . . . . . . . . . . . . . 70
8.3.1 Calcul d’aire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
8.3.2 Calcul de volume . . . . . . . . . . . . . . . . . . . . . . . . . 70
8.3.3 Calcul de masse . . . . . . . . . . . . . . . . . . . . . . . . . . 71
8.3.4 Centre de gravité . . . . . . . . . . . . . . . . . . . . . . . . . 71
9 Intergrale curviligne-Intégrale de surface 72

Part I
Algèbre linéaire

Chapter Premier
Espaces vectoriels
Dans ce chapitre K
I désigne un corps (IK = R
I ou K
I =C
I ).
1.1 Définition
I −espace vectoriel est un ensemble non vide E muni :
Définition 1.1.1 Un K
1. d’une loi de composition interne, c’est-à-dire d’une application de E × E dans

E :
E × E −→ E
(u, v) 7−→ u + v
I × E dans
2. d’une loi de composition externe, c’est-à-dire d’une application de K
E :
I × E −→ E
K
(λ, v) 7−→ λ · u
qui vérifient les propriétés suivantes :
1. u + v = v + u (pour tous u, v ∈ E)
2. u + (v + w) = (u + v) + w (pour tous u, v, w ∈ E)
3. il existe un élément neutre 0E ∈ E tel que u + 0E = u (pour tout u ∈ E)

0 0 0
4. tout u ∈ E admet un symétrique u ∈ E tel que u + u = 0E . Cet élément u est
noté (−u)
5. 1 · u = u (pour tout u ∈ E)
6. λ · (µ · u) = (λµ) · u (pour tous λ, µ ∈ K

I , u ∈ E)

7. λ · (u + v) = λ · u + λ · v (pour tous u, v ∈ E et pour tout λ ∈ K
I)
8. (λ + µ) · u = λ · u + µ · u (pour tous λ, µ ∈ K
I , u ∈ E).
Exemple 1.1.1 Le R I −espace vectoriel R I 2.
Posons K I =R I 2.
I et E = R
Un élément u de E est un couple u = (x, y) avec x élément de R
I et y élément de
R
I . Ceci s’écrit :
I 2 = {(x, y)/x ∈ R
R I , y ∈RI }.
1. Définition de la loi interne (+)
0 0
I 2 , alors on a :
Si (x, y) et (x , y ) sont deux éléments de R
0 0 0 0
(x, y) + (x , y ) = (x + x , y + y ).
2. Définition de la loi externe (·)

I 2 , alors on a :
Si λ est un nombre réel et (x, y) est un élément de R
λ · (x, y) = (λx, λy).
3. L’élément neutre de la loi de compositon interne est le vecteur nul (0, 0).
4. Le symétrique de (x, y) est (−x, −y), que l’on note aussi −(x, y).
Exemple 1.1.2 Le R I n , (n ≥ 1).
I −espace vectoriel R
Posons K I =R I n.
I et E = R
Un élément u de E est un n−upplet u = (x1 , · · · , xn ) avec x1 , · · ·, xn élément de
R
I . Ceci s’écrit :
I n = {(x1 , · · · , xn )/xi ∈ R
R I, ∀i ∈ {1, · · · , n}}.
1. Définition de la loi interne (+)
0 0
I n , alors on a :
Si (x1 , cdots, xn ) et (x1 , · · · , xn ) sont deux éléments de R
0 0 0 0
(x1 , · · · , xn ) + (x1 , · · · , xn ) = (x1 + x1 , · · · , xn + xn ).
2. Définition de la loi externe (·)

I n , alors on a :
Si λ est un nombre réel et (x1 m · · · , xn ) est un élément de R
λ · (x1 , · · · , xn ) = (λx1 , · · · , λxn ).
3. L’élément neutre de la loi de compositon interne est le vecteur nul (0, · · · , 0).
4. Le symétrique de (x1 , · · · , xn ) est (−x1 , · · · , −xn ), que l’on note aussi −(x1 , · · · , xn ).
Remarque 1.1.1
De manière analogue, on peut définir le C−espace vectoriel Cn et plus généralement
I n.
I −espace vectoriel K
le K

1.2 Terminologie et notations
I −espace vectoriel, on
1. On appelle les élémentsde E des vecteurs. Au lieu de K
dit aussi espace vectoriel sur K I −espace.
I ou encore K
2. Les éléments de K
I sont appelés des scalaires.
3. L’élément neutre 0E s’appelle aussi le vecteur nul. Il ne doit pas être confondu
avec l’élément 0 de K
I . Lorsqu’il n’y aura pas de risque de confusion, 0E sera
aussi noté 0.
4. Le symétrique −u d’un vecteur u ∈ E s’appelle aussi l’opposé de u.
5. La loi de composition interne sur E (noée usuellement +) est appelée couramment

0 0
l’addition et u + u est appelée somme des vecteurs u et u .
6. La loi de composition externe sur E est appelée couramment Multiplication par

un scalaire. La multiplication du vecteur u par le scalaire λ sera souvent notée
simplement λu, au lieu de λ · u.
Axiomes relatifs à la loi interne
1. Commutativité
∀u, v ∈ E, u + v = v + u.
(On peut donc additionner des vecteurs dans l’ordre que l’on souhaite)
2. Associativité
∀u, v w ∈ E, u + (v + w) = (u + v) + w.
Conséquence : On peut ”oublier” les parenthèses et noter sans ambiguı̈té

u + v + w.
3. Il existe un élément neutre, c’est-à-dire qu’il existe un élément de E, noté 0E ,

vérifiant :
∀u ∈ E, { u + 0E = u ( et on a aussi
0E + u = u par Commutativité). Cet élément 0E s’appelle aussi le vecteur
nul.
4. Tout élément u de E admet un symétrique (ou opposé), c’est-à-dire qu’il existe

0 0 0
un élément u de E tel que u + u = 0E (et on a aussi u + u = 0E par
0
Commutativité). Cet élément u de E est noté −u.

Proposition 1.2.1
(a) S’il existe un élément neutre 0E vérifiant l’axiome 3 ci-dessus, alors il est
unique.
0
(b) Soit u un élément de E. S’il existe un élément symétrique u de E vérifiant
l’axiome 4, alors il est unique.
Axiomes relatifs à la loi externe
5. Soit 1 l’élément neutre de la multiplication de K

I.
∀u ∈ E on a : 1 · u = u.
6.
∀λ, µ ∈ K
I et ∀u ∈ E, λ · (µ · u) = (λµ) · u.
Axiomes liant les deux lois
7. Distributivité par rapport à l’addition des vecteurs :

∀λ ∈ K
I et ∀u, v ∈ E, on a : λ · (u + v) = λ · u + λ · v.
8. Distributivité par rapport à l’addition des scalaires :

∀λ, µ ∈ K
I, ∀u ∈ E, on a : (λ + µ) · u = λ · u + µ · u.
Remarque 1.2.1
La loi interne et la loi externe doivent donc satisfaire ces huit axiome pour que
(E, +, ·) soit un espace vecteur sur K
I.
Proposition 1.2.2
I . Soient u ∈ E et λ ∈ K
Soit E un espace vectoriel sur K I . Alors on a :
1. 0 · u = 0E
2. λ · 0E = 0E
3. (−1) · u = −u
4. λ · u = 0E ⇐⇒ λ = 0 ou u = 0E .
Remarque 1.2.2
L’opération qui (u, v) associe u + (−v) est notée u − v. Les propriétés suivantes
sont satisfaites :
λ(u − v) = λu − λv et (λ − µ)u = λu − µu.

1.3 Sous-espace vectoriel
1.3.1 Définition d’un sous-espace vectoriel
Définition 1.3.1
Soit E un K I −espace vectoriel. Une partie F de E est appelé un sous-espace
vectoriel si :
1. 0E ∈ F
2. u + v ∈ F , ∀u, v ∈ F
3. λ · u ∈ F , ∀λ ∈ K
I et ∀u ∈ F .
Exemple 1.3.1
I 2 /x + y = 0} est un sous-espace vectoriel de R

1. L’ensemble F = {(x, y) ∈ R I 2.
2. Les ensembles :
I 2 /x + y = 2}
F1 = {(x, y) ∈ R
I 2 /x = 0 ou y = 0}
F2 = {(x, y) ∈ R
I 2 /x ≥ 0, y ≥ 0}
F3 = {(x, y) ∈ R
I 2.
ne sont pas des sous-espaces vectoriels de R
Théorème 1.3.1
I −espace vectoriel et F un sous-espace vectoriel de E. Alors F est
Soient E un K
I −espace vectoriel pour les lois induites par E.
lui-même un K
1.3.2 Combinaisons linéaires
Définition 1.3.2
Soit n ≥ 1 un entier naturel. Soient u1 , · · ·, un , n vecteurs d’un espace vectoriel
E. Tout vecteur de la forme :
u = λ1 u1 +λ2 u2 +· · ·+λn un où λ1 , · · ·, λn sont des éléments de K

I , est appelé combinaison lin
de u1 , · · ·, un .
Les scalaires λ1 , · · ·, λn sont appelés coefficients de la combinaison linéaire.
Remarque 1.3.1
Si n = 1, alors u = λ1 u1 et on dit que u est colinéaire à u1 .

Exemple 1.3.2
Dans le R I 3 , (3; 3; 1) est combinaison linéaire des vecteurs
I −espace vectoriel R
(1; 1; 0) et (1; 1; 1) car :
(3; 3; 1) = 2(1; 1; 0) + (1; 1; 1).
Théorème 1.3.2 (Caractérisation d’un sous-espace par la notion de combinaison

linéaire)
Soient E un K I −espace vectoriel et F une partie non vide de E. F est un sous-
espace vectoriel de E si et seulement si
λu + βv ∈ F, ∀u, v ∈ F et ∀λ, β ∈ K
I.
Autrement dit si et seulement si toute combinaison linéaire de deux éléments de F

appartient à F .
1.3.3 Intersection de deux sous-espaces vectoriels
Proposition 1.3.1 (Intersection de deux sous-espaces)

I −espace vectoriel E. L’Intersection
Soient F , G deux sous-espaces vectoriels d’un K
F ∩ G est un sous-espace vectoriel de E.
1.3.4 Somme de deux sous-espaces vectoriels
Définition 1.3.3
I −espace vectoriel E.
On appelle somme des sous-espaces vectoriels F et G l’ensemble noté F +G défini
par :
F + G = {x + y/x ∈ F et y ∈ G}.
Proposition 1.3.2
1. F + G est un sous-espace vectoriel de E.
2. F + G est le plus petit espace vectoriel contenant à la fois F et G.
Définition 1.3.4 (Somme directe de deux sous-espaces)

I −espace vectoriel E. F et G sont
en somme directe dans E si :
1. F ∩ G = {0E } ;

2. F + G = E.
On note alors F ⊕ G = E.
Si F et G sont en somme directe, on dit que F et G sont des sous-espaces
vectoriels supplémentaires dans E.
Proposition 1.3.3
F et G sont supplémentaires dans E si et seulement si tout élément de E s’écrit
d’une manière unique comme la somme d’un élément de F et d’un élément de G.
Remarque 1.3.2
1. On dit aussi que F est un sous-espace supplémentaire de G (ou que G est un

sous-espace supplémentaire de F ).
2. Dire qu’un élément w de E s’écrit d’une manière unique comme la somme d’un
élément de F et d’un élément de G signifie que si w = u + v avec u ∈ F , v ∈ G
0 0 0 0 0 0
et w = u + v avec u ∈ F , v ∈ G alors u = u et v = v .
Exercice 1.3.1
I 2 avec F = {(x, 0)/x ∈ R
Prouver que F ⊕ G = R I } et G = {(0, y/y ∈ R
I )}.
1.3.5 Sous-espace engendré
Théorème 1.3.3
Soit {v1 , · · · , vn } un ensemble fini de vecteurs d’un K
I −espace vectoriel E. Alors
1. L’ensemble des combinaisons linéaires des vecteurs v1 , · · ·, vn est un sous-espace

vectoriel de E.
2. C’est le plus petit sous-espace vectoriel de E (au sens de l’inclusion) contenant

les vecteurs v1 , · · ·, vn .
Remarque 1.3.3
Ce sous-espace vectoriel est appelé sous-espace engendré par v1 , · · ·, vn et est noté
V ect(v1 , · · · , vn ). On a donc :
u ∈ V ect(v1 , · · · , vn ) ⇐⇒ ∃λ1 , · · · , λn ∈ K
I /u = λ1 v1 + · · · + λn vn .
Exercice 1.3.2
I 3.
Prouver que F = {(x, y, z)/x − y − z = 0} est un sous-espace vectoriel de R

1.3.6 familles libres, liées et génératrices
Définition 1.3.5
On dit que la famille {v1 , · · · , vn } est libre si :
n
X
λi vi = 0E =⇒ λi = 0, ∀i ∈ {1, · · · , n}.
i=1
On dit également que les vecteurs v1 , · · ·, vn sont linéairement indépendants.
Définition 1.3.6
On dit que la famille {v1 , · · · , vn } est liée si elle n’est pas libre :
n
X
∃(λ1 , · · · , λn ) 6= (0, · · · , 0)/ λi vi = 0E .
i=1
On dit également que les vecteurs v1 , · · ·, vn sont linéairement dépendants.
Définition 1.3.7
On appelle famille génératrice de E, une famille {v1 , · · · , vn } telle que tout élément
de E est une combinaison linéaire des vecteurs de cette famille :
n
X
∀u ∈ E, ∃(λi )1≤i≤n /u = λi vi .
i=1
Définition 1.3.8
On dit que la famille {v1 , · · · , vn } est une base de E si {v1 , · · · , vn } est une famille
libre et génératrice.
Théorème 1.3.4
Soit B = (v1 , · · · , vn ) une base de l’espace vectoriel E. Tout vecteur v de E
s’exprime de façon unique comme combinaison linéaire d’éléments de B.
Autrement dit, il existe des scalaires λ1 , · · ·, λn de KI uniques tels que : v =
Pn
λi vi .
i=1
Remarque 1.3.4
(λ1 , · · · , λn ) s’appelle les coordonnées du vecteur v dans la base B.
Exemple 1.3.3
I 2,
1. Soient les vecteurs e1 = (1; 0) et e2 = (0; 1). Alors (e1 , e2 ) est une base de R
I 2.
appelée base canonique de R

2. La famille (e1 , · · · , en ) avec : e1 = (1; 0; · · · ; 0), e2 = (0; 1; 0; · · · ; 0), cdots, en =
(0; 0; · · · ; 0; 1) constitue la base canonique de R I n.
Théorème 1.3.5 (Théorème d’existe d’une base)

Tout espace vectoriel admettant une famille finie de générateurs admet une base.
Théorème 1.3.6 (Théorème de la base incomplète)

I −espace vectoriel admettant une famille génératrice.
Soit E un K
1. Toute famille libre L peut-être complétée en une base. C’est-à-dire qu’il existe
une famille F telle que L ∪ F soit une famille libre et génératrice de E.
2. De toute famille génératrice G on peut extraire une base de E. C’est-à-dire qu’il

existe une famille B ⊂ G telle que B soit une famille libre et génératrice de E.
1.4 Dimension d’un espace vectoriel

1.4.1 Définitions
Définition 1.4.1
Un K I −espace vectoriel E admettant une base ayant un nombre fini d’éléments
est dit de dimension finie.
Théorème 1.4.1 (Théorème de dimension)

Toutes les bases d’un espace vectoriel E de dimension finie ont le même nombre
d’éléments.
Définition 1.4.2
La dimension d’un espace vectoriel de dimension finie E notée dimE, est par
définition le nombre d’éléments d’une base de E.
Exemple 1.4.1
Rn ) = n.
dim(I
Exercice 1.4.1
I 3 /x − 2y − 3z = 0}.
Déterminer dimE avec E = {(x, y, z) ∈ R
Proposition 1.4.1
Soit E un espace vectoriel. Soit L une famille libre et soit G une famille génératrice
finie de E. Alors dimL ≤ dimG.

Proposition 1.4.2
I −espace vectoriel admettant une base ayant n éléments. Alors :
Soit E un K
1. Toute partie libre de E a au plus n éléments.
2. Toute partie génératrice de E a au moins n éléments.
Théorème 1.4.2
Soient E un KI −espace vectoriel de dimension n, et F = (v1 , · · · , vn ) une famille
de n vecteurs de E. Il y a équivalence entre :
1. F est une base de E,
2. F est une famille libre de E,
3. F est une famille génératrice de E.
1.4.2 Dimension d’un sous-espace vectoriel
Théorème 1.4.3
I −espace vectoriel de dimension finie.
Soit E un K
1. Tout sous-espace vectoriel F de E est de dimension finie ;
2. dimF ≤ dimE ;
3. F = E ⇐⇒ dimF = dimE.
Corollaire 1.4.1
I −espace vectoriel. Soient F et G deux sous-espaces vectoriels de E.
Soit E un K
On suppose que F est de dimension finie et que G ⊂ F , Alors F = G ⇐⇒ dimF =
dimG.
Théorème 1.4.4 (Théorème des quatres dimensions)
Soient E un espace vectoriel de dimension finie et F , G des sous-espaces vectoriels
de E. Alors, on :
dim(F + G) = dimF + dimG − dim(F ∩ G).
C’est encore appelé formule de Grassman.
Corollaire 1.4.2
1. Si E = F ⊕ G, alors dimE = dimF + dimG.
2. Tout sous-espace vectoriel F d’un espace vectoriel E de dimension finie admet
un supplémentaire.

1.4.3 Rang d’une famille de vecteurs
Définition 1.4.3
Soient E un K I −espace vectoriel et (v1 , · · · , vp ) une famille de vecteurs de E. Le
rang de la famille (v1 , · · · , vp ) est la dimension du sous-espace vectoriel V ect(v1 , · · · , vp )
engendré par les vecteurs v1 , · · ·, vp . Autrement dit :
rg(v1 , · · · , vp ) = dimV ect(v1 , · · · , vp ).
Proposition 1.4.3
I −espace vectoriel et (v1 , · · · , vp ) une famille de p vecteurs de E.
Soient E un K
Alors :
1. 0 ≤ rg(v1 , · · · , vp ) ≤ p : le rang est inférieur ou égal au nombre d’éléments dans

la famille.
2. Si E est de dimension finie alors, rg(v1 , · · · , vp ) ≤ dimE : le rang est inférieur

ou égal à la dimension de l’espace ambiant E.
Remarque 1.4.1
1. Le rang d’une famille vaut 0 si et seulement si tous les vecteurs sont nuls.
2. Le rang d’une famille (v1 , · · · , vp ), vaut p si et seulement si la famille (v1 , · · · , vp )

est libre.

Chapter Deux
Application linéaire
I − espace vectoriel : K
Dans ce chapitre, on désigne par K I −e.v.
2.1 Rappels
2.2 Définition d’une application linéaire

Soientt E et F deux K I − e.v (I
K =R I ) ou C et f une application de E dans F . On
dit que f linéaire si et seulement si
1. ∀u ∈ E, ∀λ ∈ K
I , f (λu) = λf (u).
2. ∀(u, v) ∈ E 2 , f (u + v) = f (u) + f (v).
L’ensemble des applications linéaires de E dans F est noté L(E, F ).
Exemple 2.2.1
1. L’application nulle, notée 0L(E,F )
f : E −→ F
u 7−→ 0F .
2. L’application identité, notée idE
f : E −→ E
u 7−→ u.
L’application f définie par
I 3 −→ R
f :R I2
(x, y, z) 7−→ (−2x, y + 3z).

Proposition 2.2.1
I −e.v. Si f est une application linéaire de E dans F , alors
Soient E et F deux K
:
1. f (0E ) = 0F
2. f (−u) = −f (u), ∀u ∈ E
Proposition 2.2.2
Soient E et F deux K I −e.v. Si f est une application de E dans F . L’application
f est linéaire si et seulement si,
∀u, v ∈ E et ∀λ, β ∈ K
I , f (λu + βv) = λf (u) + βf (v).
Plus généralement, une application linéaire f préserve les combinaisons linéaires :
∀u1 , · · · , un ∈ E et ∀λ1 , · · · , λn ∈ K
I , f (λ1 u1 +· · ·+λn un ) = λ1 f (u1 )+· · ·+λn f (un ).
Proposition 2.2.3
Soient E et F deux K I −e.v. Si f est une application de E dans F . L’application
f est linéaire si et seulement si,
∀u, v ∈ E et ∀λ ∈ K
I , f (u + λv) = f (u) + λf (v).
Vocabulaire (définitions)
I −e.v.
1. Une application linéaire de E dans F est aussi appelée morphisme ou homomorphisme

d’espaces vectoriels. Un homomorphisme bijectif est un isomorphisme et f −1
est linéaire.
2. Une application linéaire de E dans E est appelée endomorphisme de E.

L’ensemble des endomorphismes de E est noté L(E). Un endomorphisme bijectif
est un automorphisme.
2.3 Image et noyau d’une application linéaire

I −e.v et f est une application linéaire de E dans F .
1. On appelle image de f et on note Im(f ) ou Imf le sous-ensemble de F défini

par :
Im(f ) = {y ∈ F/∃x ∈ E, f (x) = y}.

2. On appelle noyau de f et on note Ker(f ) ou Kerf le sous-ensemble de E
défini par :
Ker(f ) = {x ∈ E/f (x) = 0F }.
Autrement dit, le noyau est l’image réciproque du vecteur nul de l’espace
d’arrivée : Ker(f ) = f −1 ({0F }).
Théorème 2.3.1
I −e.v et f est une application linéaire de E dans F .
1. Im(f ) est un sous-espace vectoriel de F .
2. Ker(f ) est un sous-espace vectoriel de E.
3. f est surjective si et seulement si Im(f ) = F .
4. f est injective si et seulement si Ker(f ) = {0E }.
Exemple 2.3.1
Soit f l’application définie par :
I 3 −→ R
f :R I2
(x, y, z) 7−→ (−2x, y + 3z).
1. Déterminer Ker(f ) et Im(f ).
2. f est-elle surjective, injective, bijective?
Proposition 2.3.1 (Composée de deux applications linéaires)

Soient E, F et G trois K I −e.v ; f est une application linéaire de E dans F et g
est une application linéaire de F dans G.
Alors g ◦ f est une application linéaire de E dans G.
2.4 Application linéaires en dimension finie

Proposition 2.4.1
Soit f une application linéaire de E dans F avec dimE = n.
1. f est injective si et seulement si f transforme toute base de E en une famille
libre de F .
2. f est surjective si et seulement si l’image de toute base de E est une famille

génératrice de F .
3. f est bijection si et seulement si l’image de toute base de E est une base de F .

2.4.1 Rang d’une application linéaire
Définition 2.4.1
Le rang d’une application linéaire f est égal à la dimension de Im(f ) :
rg(f ) = dim(Imf ) = dimV ect(f (e1 ), · · · , f (en )) si (e1 , · · · , en ) est une base de E.
C’est-à-dire que Im(f ) = V ect(f (e1 ), · · · , f (en )).
Proposition 2.4.2
I −e.v de dimension finie et f est une application linéaire
de E dans F . On a :
1. rg(f ) ≤ min(dimE, dimF ).
2. f est injective si et seulement si rg(f ) = dimE.
3. f est surjective si et seulement si rg(f ) = dimF .
4. f est bijective si et seulement si rg(f ) = dimE = dimF .
Remarque 2.4.1
Si f est un endomorphisme de E, alors :
f injective ⇐⇒ f surjective ⇐⇒ f bijective.
Exemple 2.4.1
I 3 −→ R
f :R I2
(x, y, z) 7−→ (3x − 4y + 2z, 2x − 3y − z).
Quel est le rang de f ?
Théorème 2.4.1 (Théorème du rang)
I −e.v E et F ; E étant de dimension
Soit f une application linéaire entre deux K
finie. Alors
dimE = dim(Kerf ) + dim(Imf ) = dim(Kerf ) + rg(f ).
Dans la pratique, cette formule sert à déterminer la dimension du noyau connaissant
le rang, ou bien le rang connaissant la dimension du noyau.
Exemple 2.4.2
I 4 −→ R
f :R I3
(x, y, z, t) 7−→ (x − y + z, 2x + 2y + 6z + 4t, −x − 2z − t).
Déterminer le rang de f et la dimension du noyau de f .

Chapter Trois
Calcul matriciel
n, m, p et q sont des nombres entiers naturels non nuls et K désigne R

I ou C.
3.1 Définitions et notations

Définition 3.1.1 .
On appelle matrice M de taille n × p d’éléments de K, tout tableau rectangulaire
de n lignes et de p colonnes : 
M11 ... M1j ... M1p
 . ... . ... . 
 
 
 . ... . ... . 
 
 . ... . ... . 
 
M =  Mi1 ... Mij ... Mip .
 
 
 . ... . ... . 
 
 . ... . ... . 
 
 . ... . ... . 
 
Mn1 ... Mnj ... Mnp
La matrice M est souvent notée : M = (Mij )1≤i≤n,1≤j≤p ou M = (Mij ) où Mij
est l’élément de la ligne i et la colonne j.
1. L’ensemble des matrices de tailles n × p sur K se note Mnp (K).
2. Si n = p, on dit que M est une matrice carrée de taille (ou d’ordre ou encore
de dimension) n.
(a) Si Mij = Mji pour tout couple (i, j) d’indices, alors M est dite matrice
symétrique.
(b) La matrice M est dite triangulaire supérieure (ou inférieure) lorsque
Mij = 0, si i > j (ou Mij = 0, si i < j).
(c) La matrice M est dite diagonale lorsque les termes non diagonaux (Mij ,
avec i 6= j) sont tous nuls. Si de plus Mii = 1 pour tout i ∈ {1, ..., n}, alors

M est dite matrice identité (ou unité) de taille n et notée souvent In
L’ensemble des matrices carrées d’ordre n sur K se note Mn (K).
3. Une matrice M = (Mij )1≤i≤n,1≤j≤p dont Mij = 0 pour tout couple (i, j) est dite
matrice nulle.
4. Une matrice de taille n × p est dite unicolonne (ou uniligne) lorsque p = 1 (ou
n = 1).
5. Deux matrices A et B sont égales si elles sont de mm̂e format, et si aij = bij
pour tout i et pour tout j.
     
1 −7 5 1 7 5 5 0 0
√ 
Exemple 3.1.1 M =  −7 3 2 , A =  0 3 1 , B =  1 −13 0 ,
    
√
5 2 −1 0 0 −1 8 2 14
 √       
3 2 0 0 1 0 0 0 0 0 3i
C =  0 − 27 0 , I3 =  0 1 0 , H =  0 0 0 , D =  −9 ,
       
0 0 13 0 0 1 0 0 0 −27i

E = 4 16 64 .
3.2 Opérations
3.2.1 Addition
On additionne que des matrices de même nature i.e des matrices ayant même nombre
de lignes et même nombre de colonnes. Ainsi, ∀A, B ∈ Mnp (K), A+B = (Aij +Bij ).
Exemple
 3.2.1 Considérons
 les matrices
 de l’Exemple
 3.1.1 On a : M + A =
2 0 10 6 7 5
√ 
 −7 √6 1 + 2  et A + B =  1 −10 1 . On ne peut pas faire A + D ni
  
5 2 −2 8 2 13
D + E.
3.2.2 Multiplication par un nombre
Pour tout λ ∈ K et ∀A ∈ Mnp (K), on a : λA = (λAij ).

Exemple 3.2.2 Considéronsles matrices
 de l’exemple
 3.1.1  
−3 99 0 0 0 0 0
1
4E = 1 4 16 , iD =  −9i , 99I3 =  0 99 0 , 547H =  0 0 0 
     
27 0 0 99 0 0 0

Remarque 3.2.1 .
Pour ces deux lois, Mnp (K) est un espace vectoriel.
1. Pour i ∈ {1, . . . , n} et j ∈ {1, . . . , p} fixés, on note Eij la matrice dont le

coefficient situé sur la ligne i et la colonne j est égal à 1, et dont les autres
coefficients sont égaux à 0. (Eij )1≤i≤n;1≤j≤p est la base canonique de Mnp (K),
qui est donc de dimension np.
2. La bijection canonique ϕ de L(Kp , Kn ) dans Mnp (K) est un isomorphisme.
3.2.3 Transposée d’une matrice
La transposée de la matrice A ∈ Mnp (K), est une matrice de p lignes et n colonnes

notée tA ou parfois AT : ( tA := (Aji ) ∈ Mpn (K)).
Elle est donc obtenue à partir de A en échangeant les lignes et les colonnes.
Proposition 3.2.1
1. ∀A, B ∈ Mnp (K), t(A + B) = tA + tB.
2. A ∈ Mn (K) est symétrique si et seulement si tA = A.
3. A ∈ Mn (K) est antisymétrique si et seulement si tA = −A.
3.2.4 Produit de matrices
Soit A une matrice de Mmp (K) et B une matrice de Mpn (K). On peut effectuer
le produit d’une matrice à m lignes et p colonnes par une matrice à p lignes et n
colonnes. On appelle produit A × B la matrice de Mmn (K) obtenue en multipliant
chaque ligne de A par chaque colonne de B. Plus précisément, le coefficient de la
ième ligne et de la j ième colonne de A × B est obtenu en multipliant la ième ligne
de A par la j ième colonne de B.
p
X
A ∈ Mmp (K), B ∈ Mpn (K) =⇒ C = A × B ∈ Mmn (K). et cij = aik × bkj (3.1)
k=1
Remarque 3.2.2
1. Le produit de matrices n’est pas commutatif, c’est à dire que si A et B sont

deux matrices quelconques, en général A × B = B × A. En effet, le nombre
de lignes et de colonnes des matrices A et B peuvent permettre d’effectuer le
produit AB mais pas nécessairement le produit BA. De plus, même dans le cas
où les deux produits existent, généralement AB n’est pas égal à BA.

2. La matrice identité joue pour le produit matriciel une rôle similaire au nombre
1 pour le produit des nombres réels.
3. En supposant que les dimensions permettent le produit, on choisit de noter :

A × B par AB simplement.
Proposition 3.2.2
1. ∀A ∈ Mn (K), A × In = In × A.
2. Pour A, B, C ∈ Mnp (K), E, F , G ∈ Mpq (K) et H ∈ Mqm (K), on a :
(a) t(AE) = tE tA.

(b) A(F + G) = AF + AG et (B + C)E = BE + CE.
(c) A(EH) = (AE)H.
Définition 3.2.1 Soit A une matrice carrée d’ordre n. Soit p un entier naturel non
nul. On note Ap la matrice définie par :
Ap = A
| × A {z× ... × A} . (3.2)
p fois la matrice A
3.3 Trace d’une matrice carrée

Trace d’une matrice A = (aij ) carrée d’ordre n notée tr(A) est la somme des éléments
Pn
de la diagonale principale i.e. tr(A) = aii .
i=1
Proposition 3.3.1 Soient A et B deux matrices carrées d’ordre n et k ∈ K.
1. tr(A + B) = tr(A) + tr(B).
2. tr(kA) = ktr(A).
3.4 Inverse d’une matrice

Définition 3.4.1 Soit A une matrice carrée d’ordre n. On dit que la matrice A est
inversible s’il existe une matrice carrée B d’ordre n telle que : A × B = B × A = In .
Proposition 3.4.1 Soit A une matrice carrée d’ordre n. S’il existe une matrice
carrée B d’ordre n telle que A × B = In , alors B est unique. B est appelée l’inverse
de la matrice A et se note A−1 .

!
1 2
Exercice 3.4.1 On donne : A = .
1 −3
Calculer 2A + A2 . En déduire A−1 .
Remarque 3.4.1
1. Une matrice carrée non inversible est appelée matrice singulière.
2. Les éléments inversibles de Mn (K) forment un groupe GLn (K).
3. Si A est inversible, l’endomorphisme f de E, muni d’une base B, qui lui est

associé est inversible ; et A−1 est la matrice de f −1 .
Théorème 3.4.1 Soit A et B deux matrices carrées inversibles de même taille.

Alors le produit AB est inversible et son inverse est (AB)−1 = B −1 A−1 .
Proposition 3.4.2 Si A est une matrice carrée inversible alors sa transposé est
inversible et (tA)−1 = t(A−1 ).
3.4.1 Formule du binôme de Newton
Si A et B commutent (c’est-à-dire AB = BA), alors ∀m ∈ N :

m
X m
X
m k k m−k k m−k k
(A + B) = Cm A B = Cm A B
k=1 k=1
3.5 Déterminant d’une matrice

On ne s’intéresse ici qu’aux matrices carrées.
Définition 3.5.1 Soit A ∈ Mn (K) une matrice carrée. Le déterminant de A, noté

det(A), est l’élément de K défini par récurrence de la façon suivante :
1. si n = 1 alors A = (a11 ) et det(A) = a11 ;
2. si n ≥ 2, alors A = (aij )1≤i,j≤n et
det(A) = a11 ∆11 − a21 ∆21 + a31 ∆31 − ... + (−1)n−1 an1 ∆n1
où ∆i1 est le déterminant de la matrice de Mn−1 (K) obtenue en enlevant à A

la ligne numero i et la première colonne.

∆i1 est appelé mineur de la place (i, 1). De façon générale, on appelle mineur de
la place (i, j), noté ∆ij le déterminant de taille n − 1 obtenu en supprimant la ligne
i et la colonne j dans ce lui de A. Ainsi, on a :
a11 ... a1j ... a1p

. ... . ... .
. ... . ... .
. ... . ... .
det(A) = ai1 ... aij ... aip
. ... . ... .
. ... . ... .
. ... . ... .
an1 ... anj ... anp
n
X
= (−1)i+k aik ∆ik
k=1
( Développement suivant la ligne i)
Xn
= (−1)i+k akj ∆kj
k=1
(Développement suivant la colonne j).
Exercice 3.5.1
Déterminer
 le déterminant
  de chacunedes matrices suivantes :
4 1 3 2 −1 1
R =  2 0 1  ; S =  1 −2 −1  ; T = RS ; Q = tR et U = λR où λ un
   
3 5 4 3 1 2
nombre réel.
Proposition 3.5.1
1. Si une matrice carrée A possède une ligne (ou colonne) de 0, alors det(A) = 0.
2. Si une matrice carrée A possède deux lignes (colonnes) identiques, det(A) = 0.
3. Si une matrice carrée A est triangulaire, alors det(A) est égal au produit de ses
éléments diagonaux. En particulier, det(In ) = 1.
4. Si B est obtenue de A (matrice carrée de taille n) en multipliant une seule de

ses lignes (colonnes) par un scalaire λ, alors det(B) = λdet(A).
Ainsi, on a : det(λA) = λn det(A).

5. Si B est obtenue en permutant deux lignes (ou colonnes) de A , alors
det(B) = −det(A)
.
6. Si B est obtenue de A en additionnant le multiple d’une ligne (colonne) à une
autre, alors det(B) = det(A).
7. det(tA) = det(A).
8. Si B et A sont deux matrices carrées de même taille, alors det(AB) = det(A)det(B).
9. A est inversible si det(A) 6= 0. On dit aussi que la matrice est non singulière.
Définition 3.5.2 Soit A = (aij ) une matrice carrée de taille n.
1. On appelle cofacteur de la place (i, j) de A, le nombre (−1)i+j ∆ij = αij .
2. On appelle comatrice de A la matrice carrée, notée ComA, de taille n dont
les éléments sont les cofacteurs de A.
∀(i, j) ∈ {1, ..., n}2 , (ComA)ij = αij .
3. La matrice adjointe de A notée adj(A) est définie comme la transposée de la
matrice des cofacteurs de A i.e. adj(A) = tComA.
4. Si det(A) 6= 0, alors A est inversible et A−1 = 1
det(A) adj(A).
5. Une matrice carrée de taille n symétrique A est dite définie positive (resp.
définie négative) si pour tout vecteur X (matrice carrée de taille n × 1),
t
XAX > 0 (resp. tXAX < 0).
Exercice 3.5.2
Justifier que les matrices R et S ci-dessous sont inversibles et déterminer R−1 et
S −1 .    
4 1 3 2 −1 1
R =  2 0 1  ; S =  1 −2 −1 
   
3 5 4 3 1 2
Règles de Sarrus pour les déterminants de taille 3
− − −
a b c a b c a b
α β γ = α β γ α β
r s t r s t r s
+ + +
= +aβt + bγr + cαs − cβr − aγs − bαt.

3.6 Matrices et applications linéaires
3.6.1 Matrice d’une application linéaire de E dans F
Soit E et F des espaces vectoriels de dimensions p et n, munis de bases respectives

B = (e1 , . . . , ep ) et C = (f1 , . . . , fn ).
Soit f une application linéaire de E dans F . Elle est déterminée par la donnée
des vecteurs : n
X
f (ej ) = aij fij pour 1 ≤ j ≤ p
i=i
c’est-à-dire par la matrice A = (aij ) dont les vecteurs colonnes sont les composantes
de f (ej ) dans la base de F qui a été choisie.
On dit que A est la matrice de f dans les bases B et C. A dépend donc à la
fois de l’application linéaire qu’elle représente et des bases choisies dans les espaces
vectoriels de départ et d’arrivée.
Si E est de dimension n, dans toute base l’identité de E est représentée par la
matrice carrée In qui comporte des 1 sur sa diagonale principale et des 0 ailleurs.
3.6.2 Changement de bases

Matrice de y = f (x)
Soit E et F deux espaces vectoriels de dimensions finies munis de bases respectives

B et C, et f une application linéaire de E dans F . Soit x ∈ E et y ∈ F . Notons X
la matrice colonne des composantes de x dans la base B, Y la matrice colonne des
composantes de y dans la base C, M la matrice de f dans les bases B et C.
L’égalité vectorielle y = f (x) est équivalente à l’égalité matricielle : Y = M X.
Matrice de passage d’une base à une autre
Soit E un espace vectoriel de dimension finie n. On sait que toutes les bases de E
ont n éléments.
Définition 3.6.1
0
Soit B une base de E. Soit B une autre base de E.
0
On appelle matrice de passage de la base B vers la base B , et on note PB,B0 , la
matrice carrée de taille n dont la j−ème colonne est formée des coordonnées du
0
j−ème vecteur de la base B , par rapport à la base B.
La matrice de passage PB,B0 contient en colonnes les coordonnées des vecteurs de la

0
nouvelle base B exprimés dans l’ancienne base B.

Proposition 3.6.1
I n est une matrice carrée d’ordre n.

1. La matrice d’un endomorphisme de R
2. Un endomorphisme f est un automorphisme si et seulement si sa matrice Mf

est inversible. Dans ce cas, la matrice de la réciproque f −1 de l’automorphisme
f est obtenue en calculant l’inverse de Mf .
Exercice 3.6.1
Considérons l’endomorphisme f :
I 3 −→ R
f :R I3
(x, y, z) 7−→ (x + y + z, 2y − z, 2x − y)
I 3 ? Si oui, déterminer la matrice de f −1 .

f est-il un automorphisme de R
3.6.3 Matrice d’une famille finie de vecteurs
Définition 3.6.2
1. Soit E un espace vectoriel de dimension finie n, muni d’une base B et (x1 , . . . , xn )

une famille de vecteurs de E. À chaque vecteur xi , on associe la matrice colonne
Xi de ses composantes dans B.
À la famille (x1 , . . . , xn ), on associe la matrice de format (n, p) obtenue en
juxtaposant les colonnes X1 . . . Xp .
2. On définit le rang d’une matrice comme étant le rang de ses vecteurs colonnes.
Théorème 3.6.1
Une matrice carrée de taille n est inversible si et seulement si elle est de rang n.

Chapter Quatre
Systèmes linéaires
4.1 Systèmes d’équations linéaires

4.1.1 Interprétation matricielle d’un système d’équations linéaires
Un système (S) de n équations linéaires à p inconnues x1 , ... , xp est un ensemble

d’équations de la forme



 a11 x1 +a12 x2 +...+ a1p xp = b1
a21 x1 +a12 x2 +...+ a2p xp = b2





 .
(S) : (4.1)

 .

.





 a x +a x
n1 1 n2 2 +...+ anp xp = bn
avec aij et bi des coefficients

 de K pourtout i etj.   
a11 a12 ... a1p x1 b1
 a21 a22 ... a2p   x2   b2 
     
     
 . . ... .   .   . 
Si on note : A =   .
, X = 
 .  et B =  . , le système
  
 . ... . 
    
 . . ... .   .   . 
     
an1 an2 ... anp xp bn
(S) équivaut à l’égalité matricielle AX = B où X est le vecteur que l’on cherche à
déterminer.
La matrice A est appelée matrice du système (S).
La matrice colonne B s’appelle le second membre du système.
Si B = 0, on dit que le système est un système d’équations linéaires homogènes.
4.1.2 Rang d’une matrice, rang d’un système d’équations linéaires
Définition 4.1.1

1. On appelle rang d’une matrice A, la taille maximale de la matrice carrée extraite
de A, de déterminant non nul.
2. On appelle rang d’un système d’équations linéaires le rang de sa matrice.
4.2 Résolution par pivot de Gauss

Par des opérations élémentaires sur les lignes on transforme progressivement le
système initial de manière à obtenir un système dont la matrice est triangulaire
supérieure (ou inférieure) que l’on résoud en remontant à partir des équations les
plus simples.
Les transformations élémentaires sont :
1. On peut multiplier une équation par un nombre réel non nul.
Li ←− αLi si α 6= 0.
2. On peut échanger deux ou plusieurs équations.
Li ←→ Lj .
3. On peut ajouter à une équation n’importe quelle combinaison linéaire des

autres. X
Li ←− αj Lj.
j6=i
Exercice 4.2.1
Résoudre par pivot de Gauss les systèmes ci-dessous :

 2x −y +z = 0

(S1 ) : x −2y −z = 3

 3x +y +2z = 1
;

 4x +y +3z = 59

(S2 ) : 2x + z = 22

 3x +5y +4z = 78
.

4.3 Systèmes de Cramer
Définition 4.3.1 Un système de n équations à n inconnues est dit de Cramer
lorsque son rang est n.
Pour résoudre un tel système, on peut utiliser la méthode de pivot de Gauss. Il

existe d’autre méthodes :
4.3.1 Utilisation de matrice inverse
Proposition 4.3.1 Si A est une matrice carrée inversible, le système AX = B a

une solution unique. Cette solution est X = A−1 B.
Corollaire 4.3.1 Un systèeme linéaire ayant autant d’équations que d’inconnues a

une solution unique si et seulement si la matrice associée est de déterminant non
nul.
4.3.2 Utilisation de déterminants

b1 a12 ... a1n a11 a12 ... a1,n−1 b1
. . ... . . . ... . .
. . ... . . . ... . .
. . ... . . . ... . .
En posant : ∆1 = bi ai2 ... ain ; ∆n = ai1 ai2 ... ai,n−1 bi
. . ... . . . ... . .
. . ... . . . ... . .
. . ... . . . ... . .
bn an2 ... ann an1 an2 ... an,n−1 bn
a11 ... a1,j−1 b1 a1,j+1 ... a1n
. ... . . . ... .
. ... . .. . ... .
. ... . . . ... .
et pour tout j ∈ {2, ..., n − 1}, ∆j = ai1 ... ai,j−1 bi ai,n−1 ... ain ; la
. ... . . . ... .
. ... . . . ... .
. ... . . . ... .
an1 ... an,j−1 bn an,j+1 ... ann
∆i
solution du système (S) est le vecteur X tel que xi = det(A) .

4.4 Exercice de fin des chapitres
Exercice 4.4.1
1. Prouver que :
I 3 /x + y + z = 0} et F = {(x, y, z) ∈ R
G = {(x, y, z) ∈ R I 3 /x − y + 2z = 0}
I 3.
sont des sous-espaces vectoriels de R
I 2 /x + y = 2},
2. Justifie que les ensembles : F1 == {(x, y) ∈ R
I 2 /x = 0, ou y = 0} et F3 == {(x, y) ∈ R
F2 == {(x, y) ∈ R I 2 /x ≥ 0 et y ≥ 0}
I 2.
ne sont pas des sous-espaces vectoriels de R
Exercice 4.4.2
Soientt E et F deux ensembles définis par :
I 3 /x + 2y − z = 0} et F = {(x, y, z, t) ∈ R
E = {(x, y, z) ∈ R I 3 /x + y + z + t = 0}.
I −espaces vectoriels.
Démontrer que E et F sont des R
Exercice 4.4.3
I 2 avec
Prouver que F ⊕ G = R
I 2 /x ∈ R
E = {(x, 0) ∈ R I 2 /y ∈ R
I } et F = {(0, y) ∈ R I }.
Exercice 4.4.4
I 3 défini par
Soit H le sous-ensemble de R
I 3 /x + 3y + z = 0 et x − y + 2z = 0}.
H = {(x, y, z) ∈ R
I − espace vectoriel.
Prouver que H est un R
Exercice 4.4.5
Prouver que
I 3 /x − y − z = 0}
E = {(x, y, z) ∈ R
I 3.
est un sous-espace vectoriel de R
Exercice 4.4.6
Soient F et G deux sous-espaces vectoriels d’un R
Démontrer que F ∩ G est un sous-espace vectoriel de E.

Exercice 4.4.7
On considère l’ensemble :
I 3 /x − 2y − 5z = 0}.
E = {(x, y, z) ∈ R
I 3.
1. Justifier que E est un sous-espace vectoriel de R
2. Déterminer la dimension de E.
Exercice 4.4.8
I 3 définis par :
Soient F et G les sous-espaces vectoriels de R
I 3 /2x−3y+z = 0} et G = Vect(u, v) où u = (1; 1; 1) et v = (2; 1; 1).

F = {(x, y, z) ∈ R
Justifier si G = F
Exercice 4.4.9
I3
1. Soient F = Vect(u1 , v1 ) et G = Vect(u2 , v2 ) deux sous-espaces vectoriels de R
avec :
u1 = (1; 2; 3), v1 = (3; −1; 2), u2 = (−7; 7; 0), v2 = (6; 5; 11).
Prouver que F = G.
I 3 , on considère
2. Dans R
Ft = Vect ((1; t; −1), (t; 1; 1)) et G1 = Vect(1; 1; 1)
Calculer les dimensions de Ft , G1 , Ft ∩ G1 , Ft + G1 en fonction de t ∈ R

I.
Exercice 4.4.10
I4?
Quel est le rang de la famille {v1 , v2 , v3 } dans l’espace vectoriel R
Avec v1 = (1; 0; 1; 0), v2 = (0; 1; 1; 1) et v1 = (−1; 1; 0; 1).
Exercice 4.4.11
On considère la matrice A définies par :
 
1 0 0
A =  −3 2 0 
 
−1 2 3
Calculer la matrice : (A − I3 )(A − 2I3 )(A − 3I3 ).

Exercice 4.4.12
On considère les matrices A, B et C définies par :
     
1 2 2 −6 1 0 −1 1 3
A =  1 0 2  , B =  1 2 −3  et C =  4 0 −1 
     
3 1 −1 5 −1 6 1 2 0
puis le système (S) défini par :
1. Calculer D = 3A + 2B − 5C et E = A × C.
2. Justifier que la matrice C est inversible et calculer C −1 .
3. Déterminer alors la solution du système (S)
Exercice 4.4.13
On considère la matrice A définies par :
 
13 −8 −12
A =  12 −7 −12 
 
6 −4 −5
1. Prouver que A est inversible.
2. Calculer A−1 .
3. Déduire A2 , A3 et A4 .
Exercice 4.4.14
Calculer les déterminants suivants :
1 2 4 8
1 0 2 1 0 6 1 0 0
2 3 1 3 9 27
, 3 4 5 , 3 4 15 , 2 3 5 , ,
−1 4 1 4 16 64
5 6 7 5 6 21 4 1 3
1 5 25 125
−4 1 1 1 1
1 −4 1 1 1 1 a b+c
1 1 −4 1 1 et 1 b c+a
1 1 1 −4 1 1 c a+b
1 1 1 1 −4

Exercice 4.4.15 On considère la matrice suivante à coefficients dans Q et
 
1 t 2t2 4
 2 −2t 0 3
M (t) =  .
 
 3 3t 4t + 2 2 
4 1 3t + 2 1
Prouver que M (1) n’est pas inversible. Déterminer pour quelles valeurs de t la
matrice M (t) est inversible.
Exercice 4.4.16
On considère la matrice :
 
1 1 0 0
 2 −4 2 1 
B= ,
 
0 t 1 0 
0 0 2 −4
avec t ∈ R
I.
1. Pour quelles valeurs de t, la matrice B est inversible ?
2. Déterminer si possible l’inverse de B.
Exercice 4.4.17 Considérons l’application f définie par :
I 3 −→ R
f :R I3
(x, y, z) 7−→ (x + y + z, x + 3y + z, z)
I 3.
1. Prouver que f est un endomorphisme de R
I 3.
2. Déterminer la matrice A de f relativement à la base canonique de R
3. Calculer le déterminant de A.
I 3.
4. En déduire que f est un automorphisme de R
Exercice 4.4.18
Soit m un nombre réel. On considère la matrice
 
1 m m
Am =  −1 1 −1 
 
1 0 2
1. (a) Calculer detAm .

(b) Déterminer les valeurs de m pour lesquelles Am est une matrice inversible.
Pour la suite, on pose m = 1 et on note A la matrice obtenue en remplaçant
dans Am le réel m par 1. On a donc
 
1 1 1
A =  −1 1 −1 
 
1 0 2
2. Déterminer l’inverse A−1 de la matrice A.
3. On considère le système (S) suivant dans lequel x, y et z sont les inconnues.
(a) Donner une écriture matricielle du système (S).

(b) Résoudre le système (S) par la méthode matricielle.
4. On désigne par f l’endomorphisme de R I 3 dont la matrice relativement à la base

canonique de RI 3 est la matrice de A.
I 3.
(a) Prouver que f est un automorphisme de R
(b) Donner la matrice de la réciproque f −1 de f relativement à la base canonique
I 3.
de R
I 3 défini par :
Exercice 4.4.19 Soit f l’endomorphisme de R
I 3 −→ R
f :R I3
(x, y, z) 7−→ (2x + 2z, −x − z, 2x + y + 3z)
I 3.
1. (a) Déterminer la matrice A de f relativement à la base canonique B de R
(b) Déterminant Kerf .
(c) Déterminant Imf .
(d) L’application f est-elle injective? surjective ? bijective ?.
I 3.
2. Soient u = (0; 1; 0), v = (2; 0; 0) et w = (0; 0; 1) les vecteurs de R
0
I 3.
(a) Prouver que la famille B = {u, v, w} forme une base de R
(b) Déterminer les composantes des vecteurs f (u), f (v) et f (w) dans la base
canonique B de RI 3.
(c) Exprimer les vecteurs f (u), f (v) et f (w) en fonction des vecteurs u, v et
w.
0
(d) Donner la matrice C associée à f dans la base B = {u, v, w}.

3. On considère le système (S) suivant : Résoudre le système (S) par la méthode
matricielle.
Exercice 4.4.20 On considère la base canonique de R3 , B = (e1 , e2 , e3 ). On définit

l’application linéaire Φ par Φ(e1 ) = e3 , Φ(e2 ) = −e1 + e2 + e3 et Φ(e3 ) = e3 .
1. Ecrire la matrice A de Φ dans la base B. Déterminer Ker Φ
2. On pose f1 = e1 − e3 , f2 = e1 − e2 et f3 = −e1 + e2 + e3
(a) Justifier que la famille B 0 = (f1 , f2 , f3 ) forme une base de R3 .

(b) Déterminer la matrice de passage de la base B à la base B 0 .
(c) En déduire la matrice de Φ relativement à la base B 0 .
Exercice 4.4.21 Soit f l’endomorphisme de R3 dont la matrice par rapport à la

base canonique B = (e1 , e2 , e3 ) est donnée par :
 
15 −11 5
A =  20 −15 18 
 
8 −7 6
1. On pose e01 = 2e1 + 3e2 + e3 , e02 = 3e1 + 4e2 + e3 et e03 = e1 + 2e2 + 2e3 . Justifier
que la famille (e1 , e2 , e3 ) forme une base de R3 .
2. Déterminer la matrice de f dans cette base.
Exercice 4.4.22 Soit a et b deux nombre réels et A la matrice définie par

 
a 2 −1 b
A =  3 0 1 −4 
 
5 4 −1 2
1. Justifier que rg(A) ≥ 2.
2. Pour quelles valeurs de a et b a t-on rg(A) = 2.
Exercice
 4.4.23 On considère
 les matrices
 Aet B suivantes
2 2 −1 7 1 3 2
 4 3 −1 11  3 4 1
 
A=  et B = 
 
 0 −1 2 −4 

5 6 1
3 3 −2 11 7 8 1

1. Calculer rg(A) et rg(B).
2. Déterminer une base du noyau et une base de l’image pour chacune des applications
linéaires associées aux matrices A et B.
Exercice 4.4.24 Soit n ≥ 2 un entier naturel. On rappel que Rn [X] est l’ensemble
des polynomes de degré au plus n à coeffiecients réels. On considère l’application h
définie par :
h : R2 [X] −→ R2 [X]
P 7−→ P + (1 − X)P 0 .
1. Prouver que h est un endomorphisme de R2 [X].
2. Déterminer la matrice M associée à h dans la base canonique B = (1, X, X 2 ).
3. Déterminer une base de Imh.
4. Déterminer une base de Kerh.
5. Prouver que Imh et Kerh sont supplementaires dans R2 [X].
Exercice 4.4.25 Dans l’espac vectoriel E=M2 (R) de dimension 4, on considère les
matrices suivantes
! ! ! !
1 0 0 1 0 0 0 0
M1 = , M2 = , M3 = et M4 =
0 0 0 0 1 0 0 1
1. Prouver que B = (M1 , M2 , M3 , M4 ) est une base de E.

!
1 2
2. Soit la matrice A = , on définit l’application ϕ sur E par ϕ(M ) =
0 2
AM − M A.
(a) Justifier que ϕ est un endomorphisme sur E.

(b) Déterminer la matrice K de ϕ relativement à la base B.
3. Déterminer Ker ϕ et Imϕ.
4. ϕ est-elle injective? surjective? bijective? Justifier votre réponse.

Chapter Cinq
Réduction des endomorphismes
5.1 Valeurs propres, Vecteurs propres

Définition 5.1.1 Soit E un K I -espace vectoriel, f un endomorphisme de E et λ ∈ K
I.
Sâil existe x un vecteur non nul de E tel que f (x) = λx, on dit que :
1. λ est une valeur propre de f
2. x est un vecteur propre de f associé à la valeur propre λ.
Dans ce cas :
Eλ = Ker(f − λid) = {x ∈ E/f (x) = λx}, (5.1)
est appellé le sous-espace propre associé à λ.
Remarque 5.1.1 λ est une valeur propre de f ⇐⇒ Ker(f − λid) 6= {0E }. Ainsi
dimE 6= 0.
Exemple 5.1.1 1. Soit f : R I −→ R I telque f (x) = 2x. On a deux qui est une
valeur propre de f .
(
I2
R −→ R I2
2. Soit f :
(x, y) 7−→ (x, 2y)
On a f (1, 0) = (1, 0) et f (0, 1) = 2(0, 1). Donc 1 et 2 sont deux valeurs propres
de f et (1, 0) (resp. (0, 1)) est un vecteur propre associé à la valeur propre 1 (resp.
2).
Remarque 5.1.2 Soient λ1 , λ2 deux valeurs propres distinctes de f ∈ E. Alors

Eλ1 ∩ Eλ2 = 0.
Proposition 5.1.1 Soient E un K I -espace vectoriel et f un endomorphisme de E.

Si x1 , · · · , xp sont des vecteurs propres associés aux valeurs propres deux à deux
distinctes λ1 , · · · , λp alors la famille (x1 , · · · , xp ) est libre.

Preuve
Exercice
Corollaire 5.1.1 Soient E un K
I -espace vectoriel de dimension finie n et f un
endomorphisme de E.
1. Si λ1 , · · · , λp sont des valeurs propres de f deux à deux distinctes et Eλ1 · · · Eλp
sont les sous-espaces propres associés, alors la somme Eλ1 +· · ·+Eλp est directe
Xp
et dimEλi ≤ n
i=1
2. f ademet au plus n valeurs propres.
Proposition 5.1.2 Un scalaire λ ∈ K I est valeur propre de A, si, et seulement si,

det(A − λI) = 0 où I est la matrice carreé unité d’ordre n.
Théorème 5.1.1 (Définition) L’application λ 7−→ det(A − λI) est une fonction
polynôme, à cœfficients dans K
I de degré n. On la note PA et on l’appelle polynôme
caractéristique de A.
Définition 5.1.2 L’ équation PA (λ) = 0 s’appelle équation caractéristique associée

à la matrice A.
Remarque 5.1.3 1. Ainsi le polynôme caractéristique est invariant par changement

de base de l’espace vectoriel.
2. Sp (A) est alors l’ensemble des solutions de l’ équation caractéristique PA (λ) =

0.
Comme les vecteurs propres d’une matrice sont les racines de son polynôme caractéristique,
on conclut alors que les valeurs propres ne dépendent pas de la base choisie. On
définit alors le polynôme caractéristique d’un endomorphisme f d’un espace vectoriel
de dimension finie not Ì Pf par : P f (λ) = det(M atB (f ) − λI) pour toute base B de
E.
Définition 5.1.3 Soit f un endomorphisme d’un K I -espace vectoriel E de dimension

finie n. Si λ est une racine simple (resp. de multiplicité m) du polynôme caractéristique
de f , on dit que λ est valeur propre simple (resp. de multiplicité m) de f .
Proposition 5.1.3 Soit f un endomorphisme d’un K I -espace vectoriel E de dimension

n. Si λ0 ∈ KI est une valeur propre de f d’ordre de multiplicité k ∈ N I ∗ alors
1 ≤ dim(Eλ0 ) ≤ k. En particulier, si λ0 ∈ I est une valeur propre simple de f ,
alors dim(Eλ0 ) = 1.

5.2 Diagonalisation et trigonalisation
I ∗ et f un endomorphisme de E.
I -espace vectoriel de dimension n ∈ N
Soit E un K
5.2.1 Diagonalisation
Définition 5.2.1 1. f est dit diagonalisable sur K

I s’il existe une base de E formée
des vecteurs propres de f .
2. Diagonaliser f c’est donc trouver une telle base. Une matrice carrée A ∈
Mn (I
K) est dite diagonalisable sur KI lorsqu’il existe une matrice inversible
P d’ordre n et une matrice diagonale D, d’ordre n, telle que D = P −1 AP .
Diagonaliser A sur K
I c’est donc trouver D et P .
Proposition 5.2.1 (Caractérisation de la diagonalisation) 1. Si (λi )1≤i≤m est

la famille des valeurs propres distinctes deux à deux de f .
2. Si (Eλi )1≤i≤m est la famille des sous-espaces propres associés respectivement aux
valeurs propres (λi )1≤i≤m .
Les assertions ci-après sont équivalentes
• f est diagonalisable sur K I.
Xm
• dimEλi = dimE.
i=1
m
M
•E= Eλi .
i=1
Corollaire 5.2.1 Si f de E possède exactement n valeurs propres deux à deux

distinctes, alors f est diagonalisable.
Corollaire 5.2.2 Soient λ1 , · · · , λp sont des valeurs propres de f deux à deux distinctes
d’ordre de multiplicité r1 , r2 , · · · , rm et Eλ1 · · · Eλp sont les sous-espaces propres associés
Les propositions suivantes sont équivalentes :
1. f est diagonalisable sur K
I.
m
Y
2. ∀i, 1 ≤ i ≤ m, dimI
K(Eλi ) = ri et Pf (λ) = (λ − λi )ri .
i=1
Exemple 5.2.1 Soit la matrice

 
7 3 −9
A =  −2 −1 2 
 
2 −1 −4

I 3 dans la base canonique.
qui représente un endomorphisme f de R
1. Prouver que les valeurs propres de A sont λ1 = −2, λ2 = 1 et λ3 = 3. et déduire

que f est diagonalisable.
2. Déterminer une base B 0 = (v1 , v2 , v3 ) de vecteurs propres de f dans laquelle la

matrice de f est une matrice diagonale D.
3. Préciser la matrice de passage P de la base B à la base B’ et écrire la relation

entre A,P et D.
4. Justifier que An = P Dn P −1 pour tout entier naturel n. Calculer An .
5.2.2 Trigonalisation
Définition 5.2.2 1. f est dit trigonalisable sur K

I s’il existe une base de E formée
des vecteurs propres de f .
2. Trigonaliser f c’est donc trouver une telle base. Une matrice carrée A ∈ Mn (IK)
est dite trigonalisable sur K
I lorsqu’il existe une matrice inversible P d’ordre n
et une matrice triangulaire T , d’ordre n, telle que T = P −1 AP . Trigonaliser A
sur K
I c’est donc trouver T et P .
Proposition 5.2.2 Soit E un K I -espace vectoriel de dimension finie. Un endomorphisme

de E est dit trigonalisable si et seulement si son polynôme caractéristique est scindé
sur I (c’est-à-dire qu’il est factorisable en produit de facteurs du premier degré sur
K
I.
Corollaire 5.2.3 Toute matrice A ∈ Mn (IK) est trigonalisable sur C

I
Exemple 5.2.2 On considère la matrice

 
2 1 0
B =  0 1 −1 
 
0 2 4
La matrice B est-elle trigonalisable ? Si oui, trigonaliser la.
Remarque 5.2.1 Il existe des applications de diagonalisation et de trigonalisation

dans la résolution des systèmes d’équations et des suites récurrentes. Nous demandons
aux lecteurs de consulter les documents allant dans ce sens.

Part II
Analyse vectorielle

Chapter Six
Courbes paramétrées
6.1 Courbes Paramétrées

Définition 6.1.1 (Fonction vectorielle) On appelle fonction vectorielle du plan,
une fonction de RI dans RI 2 . Si le plan est raporté à un repère (O,~i, ~j), la donnée
d’une fonction vectorielle revient à la donnée d’une fonction f , telle que F (t) =
−−→
OM (t) ou de deux fonctions numériques t 7→ x(t) et t 7→ y(t) représentant les
coordonnées de F .
Nous pouvons noter simplement F (t) = M (t).

En interprétant le paramètre t comme le temps, une courbe paramétrée représente
le mouvement d’un point dans le plan.
L’ensemble des points du plan atteints par le mouvement est appelé support ou
trajectoire.
C = {M ∈ P, ∃t ∈ R I M = M (t)}.
6.1.1 Continuité et dérivabilité

→
−
Par définition, la fonction vectorielle F tend vers le vecteur l = (l1 , l2 ) lorsque les
→
−
fonctions coordonnées tendent vers les coordonnées de l . C’est-à-dire la fonction
x −→ l1 et la fonction y −→ l2 . Nous déduisons :
Une fonction vectorielle F est continue au point t = t0 si et seulement si ses

fonctions coordonnées le sont.
Une fonction vectorielle F est dérivable en t = t0 si le quotient

1 →
−
(F (t) − F (t0 ), défini pour t 6= t0 admet une limite l quand t tend vers
t − t0
t0 et cette valeur est appelée dérivée de f en t0 et notée F 0 (t0 ).
1
Dans l’interprétation cinématique, (F (t) − F (t0 )) représente le vecteur
t − t0
vitesse moyenne du mobile entre les instants t et t0 . La limite F 0 (t0 ) si elle

existe, est appelée vecteur vitesse à l’instant t0 . D’après tout ce qui précède, F
est dérivable au point t = t0 si et seulement si ses fonctions coordonnées le sont
et F 0 (t0 ) = (x0 (t0 ), y 0 (t0 )).
Plus généralement F est k fois dérivable sur un intervalle K si et seulement si

ses fonctions coordonnées le sont.
Si F est deux fois dérivable, F 00 (t0 ) est appelé vecteur acceérateur à l’instant
t0 .
On dit que F est de classe C k si elle est k fois dérivable et si sa dérivée d’ordre
k est continue.
Plus généralement F est de classe C k sur un intervalle K si et seulement si

ses fonctions coordonnées le sont. Par ailleurs, on peut étendre aux fonctions
vectorielles dérivables les opérations sur les dérivées en particulier:
Théorème 6.1.1 Soient F et G sont deux fonctions vectorielles dérivables sur

un intervalle K :
1. (F.G)0 = F 0 G + F G0
2. Det( F, G)’=Det( F 0 , G)+ Det( F, G0 )
Preuve 6.1.1 Choisissons un repère orthonormal direct et désignons par (x1 , y1 )

et (x2 , y2 ) les fonctions coordonnées respectives des fonctions (F et G)
1. (F.G) = x1 x2 + y1 y2
Faire le reste en exercice.
Définition 6.1.2 (Courbe paramétrée) On appelle courbe paramétrée le couple

(K, F ) où K est un intervalle non vide de R
I et F une fonction verctorielle de
composantes x et y.
Remarque 6.1.1 Dans la pratique, on étudiera le plus souvent des courbes paramétrées
de classe C k avec k ≥ 1.
6.1.2 Point régulier- Tangente
Soit (K, F ) une courbe paramétrée de classe C 1 .

Définition 6.1.3 Le point M (t0 ) est dit régulier si F 0 (t0 ) 6= 0. C’est-à-dire si le
vecteur vitese ne s’annule pas en t0 . La courbe paramétrée est dite regulière si tous
ses points sont reguliers. On rencontrera le plus souvent des des courbes paramétrée
régulières par arcs, c’est-à-dire régulières sur une réunion finie d’intervalles.
Soit M (t0 ) un point régulier et M (t) un point de la courbe paramétrée, distinct

de M (t0 ). La droite (M (t0 )M (t)) est dirigée par tout vecteur non nul colinéaire à
1
M (t0 )M (t), en particulier t−t 0
M (t0 )M (t) qui a pour limite le vecteur non nul F 0 (t0 )
La droite passant par M (t0 ) et dirigée par F 0 (t0 ) est la position limite de la sécante
(M (t0 )M (t)) quand t → t0 , elle est appelée tangente à la courbe au point M (t0 ).
6.1.3 Point stationnaire
Définition 6.1.4 Un point non régulier, c’est-à-dire en lequel F 0 (t0 ) = 0 (le vecteur
vitesse s’annule) est dit stationnaire, c’est un point d’arrêt sur la trajectoire.
En un point stationnaire, la courbe peut ou non posséder une tangente.
6.1.4 Etude d’un point stationnaire
Soit M (t0 ) un point stationnaire dâune courbe paramétrée (K, F ) oò F est donnée
par le couple de fonctions (x, y) définies sur K .
Proposition 6.1.1
y(t) − y(t0 )
Si lim = m et m ∈ R
I alors la courbe admet en M (t0 ) une tangente
t→t0 x(t) − x(t0 )
de coefficent directeur m.
y(t) − y(t0 )
Si lim = +∞ alors la courbe admet en M(t0 ) une tangente
t→t0 x(t) − x(t0 )
verticale.
Preuve
Facile
Remarque 6.1.2 Cette méthode n’est utilisable que si on sait déterminer la limite
y(t) − y(t0 )
du quotient ce qui n’est pas toujours simple à calculer.
x(t) − x(t0 )
On peut généraliser cette proposition avec la proposition suivante

Proposition 6.1.2 Si M (t0 ) est un point stationnaire d’une courbe paramétrée
(K,F) de classe C k et s’il existe p ≤ k tel que
F 0 (t0 ) = F 00 (t0 ) = · · · = F (p−1) (t0 ) = 0 et F (p) (t0 ) 6= 0,

alors la courbe paramétrée possède une tangente au point M (t0 ) dirigée par le
vecteur F (p) (t0 ).
Preuve
C’est une conséquence de la formule de Taylor-Young en t0 pour les fonctions
vectorielles (il suffit d’utiliser la formule de Taylor-Young pour les deux fonctions
coordonnées).
Le théorème suivant permet d’étudier localement l’allure d’une courbe au voisinage
d’un point stationnaire sous des hypothèses très générales.
6.1.5 Etude locale d’un point stationnaire
Théorème 6.1.2 (Etude locale d’un point stationnaire) Soit (K, F ) une courbe
paramétré de classe C k . On suppose qu’il existe deux entiers 1 ≤ p < q ≤ k tels que
F (p) est le premier vecteur non-nul parmi F 0 , F 00 , · · · , F (p) .
q est le premier entier parmi [|p+1, q|] tel que le système de vecteurs (F (p) (t0 ), F (q) (t0 ))
soit libre.
Alors
1. Le vecteur F (p) (t0 ) dirige la tangente à la courbe au point M (t0 ).
2. Pour t 6= t0 , dans le repère R = (M (t0 ), F (p) (t0 ), F (q) (t0 )) , le point M(t) a
p q
pour coordonnées M (t) = (X(t) = (t−tp!0 ) , Y (t) = (t−tq!0 ) )
3. La parité des entiers p et q donne localement le signe de X(t ) et Y(t ) au
voisinage de t0 lorsque t < t0 et t > t0 . On en déduit alors la position locale
de la courbe par rapport à sa tangente au voisinage de t0 .
Ainsi si
Si p est impair et q est pair alors c’est in point ordinaire
Si p est impair et q est impair alors c’est un point d’inflexion
Si p est pair et q est impair alors c’est un rebroussement de première espèce
Si p est pair et q est pair alors c’est un rebroussement de seconde espèce
Preuve
Admise

6.2 Etude générale d’une courbe paramétrée
6.2.1 Intervalle d’étude
Soit à étudier la courbe paramétrée du plan définie par les fonctions t 7→ x(t) et
t 7→ y(t). On cherche d’abord l’ensemble de définition Df , qui est l’intersection des
ensembles de définition des fonctions coordonnées x et y.
S’il existe une période commune T ∈ R I ∗+ telle que pour tout t ∈ Df :
t − T ∈ Df , t + T ∈ Df , x(t + T ) = x(t) et y(t + T ) = y(t)
alors la courbe est entièrement décrite sur un intervalle d’amplitude T. Il se peut
qu’un changement de paramètre t 7→ ϕ(t) induise une transformation géométrique
simple. Par exemple:
(
x(ϕ(t)) = x(t)
1.
y(ϕ(t)) = −y(t)

 x(ϕ(t)) = −x(t)

2. : symétrie par rapport à l’axe Oy

 y(ϕ(t)) = y(t)

 x(ϕ(t)) = −x(t)

3. : symétrie par rapport à l’origine

 y(ϕ(t)) = −y(t)

 x(ϕ(t)) = y(t)

4. : symétrie par rapport à la première bissectrice

 y(ϕ(t)) = x(t)

 x(ϕ(t)) = x(t) + α

5. : translation de vecteur (α, β)

 y(ϕ(t)) = y(t) + β
Dans ce cas on peut restreindre l’étude à un intervalle I qui complété par l’application
ϕ redonnera l’ensemble de définition entier: I ∪ϕ(I) = Df . Par exemple si ϕ(t) = −t,
I + ∩ Df .
il suffirait d’étudier la courbe sur R

6.2.2 Variations de x et y
Il convient ensuite d’étudier les variations des deux fonctions numériques t 7→ x(t)
et t 7→ y(t) (supposer dérivabes ) et de dresser un tableau de variation commun avec
des lignes successives pour :
les valeurs remarquables de t;
le signe de x0 (t);
le sens de variation de x(t) et ses limites;
le sens de variation de y(t) et ses limites;
le signe de y 0 (t);
y 0 (t)
éventuellement les valeurs de x0 (t) , qui représente le coefficient directeur de la
tangente à la courbe.
6.2.3 Branches infinies
La courbe présente une branche infinie en t0 ∈ R I , ou lorsque t tend vers +∞ ou

−−−→
−∞ , si limt→ ||M (t)|| = +∞, c’est - à - dire si l’une au moins des coordonnées tend
vers +∞ ou −∞ quand t tend vers t0 .
Si x tend vers +∞ ou −∞ et y tend vers y0 , alors il y a une asymptote horizontale
d’équation y = y0 .
Si y tend vers +∞ ou −∞ et x tend vers x0 , alors il y a une asymptote verticale
d’équation x = x0 .
y(t)
Si x et y tendent vers l’infini et si le quotient x(t) tend vers une limite a finie ou
infinie, alors on dit que la droite vectorielle d’équation y = ax ( axe Oy si a est +∞
ou −∞) est une direction asymptotique.
Dans ce cas, si a 6= 0 et si la différence y(t) − ax(t) tend vers une limite finie b alors
on dit que la droite d’équation y = ax + b est une asymptote.
Si cette différence tend vers +∞ ou −∞, alors on dit que la courbe présente une
branche parabolique de direction y = ax.
Exercices de fin du chapitre
Exercice 6.2.1 Soit la courbe paramétrée f définie par :

1 t3
x(t) = y(t) =
1 − t2 1 − t2
Etudions et représentons graphiquement la courbe de f .

I − {−1, 1}.
La courbe est définie sur R
∀t ∈ R
I − {−1, 1}, x(t) = x(−t) et y(−t) = −y(t) : la courbe est donc symétrique
I + − {1}.
par rapport à Ox; et il suffit de l’étudier sur R
Les fonctions t 7→ x(t) et t 7→ y(t) sont dérivables et :
0 2t 0 t3 (3 − t2 )
x (t) = y (t) =
(1 − t2 )2 (1 − t2 )2
Exercice 6.2.2 On considère la courbe (C) du plan (P) définie paramétriquement
par
 
2

 x(t) = t ln t  x(0) = 0

: Si t > 0 et
 y(t) = t(ln t)2
 
 y(0) = 0
1. Détermine l’ensemble de définition D de C
2. Rechercher les points stationnaires éventuels à C.
3. Rechercher les points multiples éventuels à C.
4. Etudier les branches infinies à C.
5. Etablir le tableau de variation des applications coordonnées et tracer C
Exercice 6.2.3 Déterminer les points doubles, lorsqu’ils existent, de la courbe paramétrée
par
2t
 x(t) =

t2 − t − 2
t+1
 y(t) =

t2 + 2
Etudier
( la nature des points M (t(0 ) dans les cas suivants
x(t) = t − 1 1 x(t) = t3 + 3t2 + 3t
t 0 = 4 , t0 =∈ {−1, 0}
t(t) = t2 + 1 t(t) = t2
Exercice 6.2.4 On considère la courbe paramétrée définie par :

 1
 x(t) =
1 − t2



t3


 t(t) =

1 − t2
I + − {1}
1. Prouver que l’on peut étudier cette courbe sur R
2. Etudier et tracer la courbe paramétrée

Exercice 6.2.5 Etudier et tracer la courbe paramétrée suivante :
(
x(t) = sin 2t
y(t) = cos 3t
Exercice 6.2.6 
 x(t) = t − tht
1
 y(t) =
cht
1. Déterminer le domaine de définition de x et de y
I ∗+
2. Prouver que l’on peut réduire l’ensemble d’étude de cette courbe à R
3. Achever l’étude de cette courbe et représenter sa courbe.

Chapter Sept
Fonctions de plusieurs variables
7.1 Généralités
Dans ce chapitre nous allons généraliser les notions de limites et continuité aux
I n dans R
fonctions de R I m où m et n sont des entiers naturels tels que m ≥ 1 et
n ≥ 2. Nous allons donner d’abord la définition aux fonctions de plusieurs variables.
Définition 7.1.1 (Fonction de R I n dans R I ) Soit D ⊂ R I n une partie de R I n . On

appelle fonction de plusieurs variables, l’application qui à tout point x = (x1 , x2 , · · · , xn )
associe le nombre réelle f (x).
Le domaine de défnition de f est l’ensemble D.
L’ensemble des points {(x, f (x)), x ∈ D} de R

I n+1 est appelé la surface représentative
de f . C’est l’analogue de la courbe représentive d’une fonction d’une variable
réelle.
Remarque 7.1.1 Généralement, si n = 2, on utilise la notation (x, y) et si n = 3

la notation (x, y, z).
Définition 7.1.2 (Fonction de R I n dans RI m ) Soit D ⊂ R I n une partie de RI n . On

appelle fonction de plusieurs variables de R I n dans RI m , l’application qui à tout point
x = (x1 , x2 , · · · , xn ) associe le vecteur
f (x) = (f1 (x1 , x2 , · · · , xn ), f2 (x1 , x2 , · · · , xn ), · · · , fm (x1 , x2 , · · · , xn ))
.
Les fonctions fi 1 ≤ i ≤ m sont appelées les fonctions composantes de la
fonction f.
Définition 7.1.3 Pour a = (a1 , · · · , an ) ∈ D est fixé, on définit la j-ième fonction

partielle de f en a en posant : f˜j,a (t) == f (a1 , · · · , aj−1 , t, aj+1 , · · · , an ). Ces fonctions
ont une seule variable, mais sont à valeurs dans R I ou R I m.

On notera que les fonctions coordonn ées ont elles-même des fonctions partielles. De
la même façon, les fonctions partielles ont leurs propres fonctions coordonnéees.
Exemple 7.1.1 I 2 dans R

1. Fonctions de R I . Le graphe de f est une surface de
I3.
R
2. Les fonctions de R
I dans R
I sont les fonctions d’une seule variable, à valeurs
réelles.
3. Fonctions de R I 2 . Une telle fonction est un appelé arc paramétré du

I dans R
plan.
4. Fonctions de R I 3 . Une telle fonction est un arc paramétré de l’espace.

I dans R
I 2 dans R
5. Fonctions de R I 3 . Une telle fonction est une surface paramétrée de
l’espace.
Exercice 7.1.1 Déterminer le domaine de définition de chacune des fonctions suivantes

x+y xy
1. f (x, y) = 2. f (x, y) = p
x−y 1 − (x2 + y 2 )
7.2 Limites et continuité des fonctions de plusieurs variables

La notion de limite pour une fonction de plusieurs variables généralise naturellement
la notion correspondante dans le cas des fonctions d’une seule variable. Pour cela
il faut d’abord introduire la notion de norme dans R I n qui généralise la notion de
distance dans RI , et ensuite la notion de boule ouverte dans RI n qui généralise celle
d’intervalle ouvert dans RI.
7.2.1 In
Normes dans R
I n est une application

Définition 7.2.1 Une norme sur R
I n −→ R
N: R I+
x 7−→ N (x)
vérifiant les conditions suivantes :
1. N (x) = 0 =⇒ x = 0R
I n.
2. Pour tout λ ∈ R I n , N (λx) = |λ|N (x).

I et x ∈ R
I n , N (x + y) ≤ N (x) + N (y)
3. Pour tout x et y dans R

Le couple (IRn , N ) est alors appelé espace vectoriel normé. La norme est souvent
notée k.k.
I n , on a
Proposition 7.2.1 Soit k.k une norme sur R
I n k = 0.
1. k0R
I n , on a kx − yk ≤ |kxk − kyk|.
2. Pour tout x, y ∈ R
Proposition 7.2.2 (Normes usuelles de R I n ) Pour tout x = (x1 , x2 , · · · , xn ) ∈

I n , on définit
R
kxk1 = |x1 | + |x2 | + · · · + |xn |
q
kxk2 = x21 + x22 + · · · + x2n
kxk∞ = {|x1 |, |x2 |, · · · , |xn |}

I n appelées
Les applications kxk1 , kxk2 et kxk∞ ainsi définies sont des normes sur R
I n.
normes usuelles de R
Définition 7.2.2 On dit que deux normes N1 et N2 sont équivalentes lorsqu’il existe
deux constantes positives C1 et C2 telles que
C 1 N1 ≤ N2 ≤ C 2 N2 .
Proposition 7.2.3 Sur R I n (ou tout autre espace vectoreil normé de dimension
finie), toutes les normes sont équivalentes.
7.2.2 In
Boules ouverte, fermée et sphère de R
Définition 7.2.3 On considère l’epace vectoriel normé (IRn , k.k), soit a ∈ R

I n et
r ∈RI ∗+ .
I n,
1. B(a, r) := {x ∈ R kx − ak < r} est la boule ouverte de centre a de rayon
r.
I n,
2. BF (a, r) := {x ∈ R kx − ak ≤ r} est la boule fermée de centre a de rayon
r.
I n,
3. S(a, r) := {x ∈ R kx − ak = r} est la sphère de centre a de rayon r.
Définition 7.2.4 Une partie U de l’espace vectoriel (IRn , k.k) est un ouvert lorsque
pour tout x ∈ U il existe r > 0 tel que , B(x, r) ⊂ U . Autrement dit, tout point de
U est le centre d’une boule ouverte de rayon non nul.

Définition 7.2.5 Une partie U de l’espace vectoriel (IRn , k.k) est un fermé lorsque
son complémentaire est un ouvert.
Proposition 7.2.4 On considère l’epace vectoriel normé (IRn , k.k).
1. Toute boule ouverte est un ouvert
2. Toute boule fermée est un fermé.
Proposition 7.2.5 1. Toute réunion quelconque d’ouvert est un ouvert.
2. Toute intersection finie d’ouvert est une ouvert.
3. Toute réunion finie de fermé est un fermé.
4. Toute intersection quelconque de fermé est un fermé.
I n est un fermé.
5. Un ensemble fini de point de R
I n est un voisinage d’un point x ∈ R

Définition 7.2.6 On dit qu’une partie V de R In
si V contient un ouvert contenant x.
Définition 7.2.7 Soit A une partie de l’espace vectoriel normé (IRn , k.k). On dit
que x ∈ R I n est un point intérieur à A si A est un voisinage de x. Autrement dit si
A contient une boule ouverte contenant x. L’ensemble des points intérieur à A est
noté Å ou int(A).
Proposition 7.2.6 L’intérieur de A est le plus grand ouvert contenu dans A.
Exemple 7.2.1 int([0, 1[) =]0, 1[.
Définition 7.2.8 Soit A une partie de l’espace vectoriel normé (IRn , k.k). On dit
que x ∈ RI n est un point adhérent à A si tout voisinage de x rencontre A. Autrement
dit toute boule ouverte contenant x contient au moins un élément de A. L’ensemble
des points adhérents à A est noté Ā ou adh(A).
Proposition 7.2.7 L’adhérence de A est le plus plus petit fermé contenant A.
Exemple 7.2.2 int([0, 1[) =]0, 1[.

7.3 In
Suites de R
I n toute application d’une partie
Définition 7.3.1 On appelle suite d’éléments de R
non vide I de N I n.
I à valeurs dans R
I ∗ . Nous
On se penchera surtout sur les suites où l’ensemble I est équipotent à N
nous intéresserons surtout au conportement de l’image xn pour les grandes valeurs
de n.
Exemple 7.3.1 1. xn = n1 , n+1 2n

I ∗ est une suite de R
I 2.

, n ∈N
2. xn = 1 + (−1)n , cos nπ, n2 + 1 est une suite de RI 3.

7.3.1 Suites convergentes
Définition 7.3.2 (Suite convergente) On dit qu’une suite ( xn ) d’éléments de

I n est convergente vers x ∈ R
R I n si pour tout > 0, il existe N ∈ N
I tel que pour tout
n > N , on a kxn − xk < .
Proposition 7.3.1 La limite d’une suite, lorsqu’elle existe est unique.
Proposition 7.3.2 L’ensemble des suites convergentes dans un espace vectoriel

normé est un espace vectoriel normé.
Proposition 7.3.3 Dans R I n , comme les normes sont équivalentes, toute suite convergente
pour une norme est aussi convergente pour l’autre norme.
I n.
Proposition 7.3.4 Soit A une partie de R
1. Si une suite d’éléments de A converge vers l alors l ∈ Ā.
2. A est fermé si et seulement si toute suite d’éléments de A convergente admet

sa limite dans A.
Définition 7.3.3 (Suite divergente) On dit qu’une suite ( xn ) est divergente lorsqu’elle
est non convergente.
7.4 In
Limites dans R
Définition 7.4.1 On dit qu’une fonction f :−→ R I est définie au voisinage d’un
I n ∪ {x0 }.
point x0 si x0 est un point intérieur à R

Définition 7.4.2 On dit qu’une fonction f : U −→ R I définie au voisinage d’un
point x0 admet une limite le nombre réel l lorsque x tend vers x0 si pour tout
positif il existe η() tel que pour tout x ∈ U ,
kx − x0 k < =⇒ |f (x) − l| < .
On écrit alors lim f (x) = l.

x→x0
Proposition 7.4.1 On dit qu’une fonction f : U −→ R I définie au voisinage d’un

point x0 admet une limite le nombre réel l lorsque x tend vers x0 si et seulement si
pour toute suite (xn ) d’éléments de U convergente vers x0 , la suite (f (xn )) converge
vers l.
Remarque 7.4.1 Toutes les propriétés de limites des fonctions d’une variable réelle
sont aussi valables pour les fonctions de plusieurs variables.
7.4.1 Quelques propriétés
Proposition 7.4.2 Si f a pour limite l en x0 , la restriction de f à toute courbe

continue (non seulement les droites !) passant par x0 admet la même limite.
Remarque 7.4.2 En pratique, pour prouver qu’une fonction de plusieurs variables

n’admet pas de limite en x0 , il suffit d’expliciter une restriction à une courbe continue
passant par x0 qui n’admet pas de limite, ou deux restrictions qui conduisent à des
limites différentes. Mais pour prouver l’existence d’une limite, il faut considérer le
cas général.
7.5 In
Continuité dans R
Définition 7.5.1 On dit qu’une fonction f : U −→ R I définie sur U contenant le
point x0 est continue en x0 lorsque la limite de f lorsque x tend vers x0 est f (x0 ).
C’est à dire si pour tout positif il existe η() tel que pour tout x ∈ U ,
kx − x0 k < =⇒ |f (x) − f (x0 )| < .
On écrit alors lim f (x) = f (x0 ).

x→x0
7.5.1 Quelques propriétés
Proposition 7.5.1 Les fonctions continues de plusieurs variables jouissent des mêmes
propriétés que les fonctions continues d’une seule variable. Les fonctions élémentaires

telles que les polynômes, les fonctions exponentielles, logarithmiques et trigonométriques
sont continues dans leurs domaines de définition respectifs. La continuité des autres
fonctions s’établit, le cas échéant, en tant que somme, produit, composée, le quotient
(lorsque le dénominateur ne s’annule pas) etc., de fonctions continues.
Remarque 7.5.1 En pratique, lorsque n = 2, il est souvent utile de passer aux
coordonnées polaires pour ramener le calcul de la limite d’une fonction de deux
variables à celui de la limite d’une fonction d’une seule variable. En effet, tout point
I 2 sauf (a, b) peut être représenté par ses coordonnées polaires centrées
(x, y) de R
autour du point (a, b) grâce aux relations : x = a + r cos(θ), y = b + r sin(θ) avec
r > 0 et θ ∈ [0; 2π[.
Proposition 7.5.2 S’il existe l ∈ R
I et une fonction s : r 7−→ s(r) telle que au
voisinage de (a, b) on a
|f (a + r cos(θ), b + r sin(θ)) − l| ≤ s(r) et lim s(r) = 0.
r→0
alors lim f (x) = l.
x→(a,b)
I 2 − (0, 0), on définit l’application f par

Exemple 7.5.1 Pour (x, y) ∈ R
xy
f (x, y) = p .
x2 + y 2
Pour trouver la valeur de la limite de f en (0, 0), si elle existe, il suffit de calculer
la limite d’une restriction à une courbe continue passant par (0, 0) : comme f (0, t
) = 0 pour tout t , si la limite existe en (0, 0) alors elle est nécessairement 0. Pour
vérifier que c’est bien la limite on passe en coordonnées polaires : on pose x = rcos(θ)
et y = rsin(θ) pour r > 0 et θ[0, 2π[ ; on obtient
r2 sin(θ) cos(θ)
f (x(r, θ), y(r, θ)) = p = r sin(θ) cos(θ)
r2 (cos2 θ + sin2 θ)
r
f (x(r, θ), y(r, θ)) = r sin(θ) cos(θ) = sin(2θ)
2
r r r
On a | sin(2θ)| ≤ et lim = 0. Alors lim f (x, y) = 0.
2 2 r→0 2 (x,y)→(0,0)
7.6 Différentiabilité
7.6.1 Dérivée partielle
Dérivée selon un vecteur
Définition 7.6.1 On dit qu’une application f : U −→ R I admet une dérivée en

x0 ∈ U selon un vecteur non nul v (ou dérivée directionnelle selon le vecteur v au

point x0 ) lorsque la fonction
I −→ R
ϕv : R I
est dérivable en 0.
t 7−→ f (tv + x0 )
f (tv + x0 ) − f (x0 )
Autrement dit lorsque lim existe et est finie.
t→t0 t
∂f
Lorsque cette limite existe, elle est notée Dv f (a) ou (x0 ) et est appellée dérivée
∂v
de f selon le vecteur v en x0 ou dérivée directionnelle de f selon le vecteur v au
point x0 .
Remarque 7.6.1 Si la fonction f est à valeur vectorielle f : U −→ R I m la définition

reste la même sauf que Dv f (a) = (Dv f1 (a), Dv f2 (a), · · · , Dv fm (a))
Dérivée partielle premi

’ ere
Définition 7.6.2 On dit que f : U −→ R I admet une dérivée partielle en x0 par

I n , lorsque
rapport à la j-ième composante de la base canonique (e1 , e2 , · · · , ep ) de R
l’application f admet une dérivée suivant le vecteur ej en x0 .
∂f
Dans ce cas Dej f (a) est notée Dj f (a) ou (x0 ) (se lit dérivée partielle de f
∂xj
en a par rapport à ej ) (ou par rapport à xj ) au point x0 .
Exemple 7.6.1 Pour n = 2, on dira que f : U ⊂ R I 2 −→ R

I admet des dérivées
partielles par rapport aux variables x et y au point (x0 , y0 ) ∈ U respectivement,
lorsque les limites suivantes existent et sont finies :
f (h + x0 , y) − f (x0 , y0 ) f (x, k + y0 ) − f (x0 , y0 )

lim et lim
h→0 h h→0 k
Proposition 7.6.1 Si f : U −→ R I n admet une dérivée partielle par rapport à la
j-ieme composante en tout point de U , on définit alors sur U la j-ieme fonction
Dj f : U −→ RI
dérivée partielle.
x 7−→ Dj f (x).
Proposition 7.6.2 L’existence des dérivées partielles des fonctions de plusieurs

variables jouissent des mêmes propriétés que les fonctions dérivables d’une seule
variable. Les fonctions élémentaires telles que les polynômes, les fonctions exponentielles,
logarithmiques et trigonométriques admettent des dérivées partielles en tout point de
leurs domaines de définition respectifs. L’existence des dérivées partielles des autres
fonctions s’établit, le cas échéant, en tant que somme, produit, composée, le quotient
(lorsque le dénominateur ne s’annule pas) etc., de fonctions dérivables.

Exemple 7.6.2 f (x, y) = xy 2 − 3xy + 4x. On a D1 f (x, y) = y 2 − 3y + 4 et
D2 f (x, y) = 2xy − 3x.
Remarque 7.6.2 Une fonction peut admettre des dérivées partielles en un point
sans être continue en ce point.
Proposition 7.6.3 Si les fonctions dérivées partielles ∂x f et ∂y f sont continues

sur U , on dit que f est de classe C 1 sur U et on note f ∈ C 1 (U ).
7.6.2 Différentiabilité
Nous donnons cette définition pour le cas n = 2. Elle peut être généralisée aux
autres cas.
Définition 7.6.3 oit f : U ⊂ R I 2 −→ RI . Soit (x0 , y0 ) ∈ D. On dit que f est

différentiable en (x0 , y0 ) s’il existe deux constantes réelles A et B telles que
f (x0 + h, y0 + k) − f (x0 , y0 ) = hA + kB + k(h, k)k(h, k)
avec lim I2.

(h, k) = 0 et k.k est une norme quelconque de R
(h,k)→(0,0)
Définition 7.6.4 Soit f une fonction à valeurs réelles définie sur une partie ouverte
U de RI 2 . Soit (x0 , y0 ) ∈ U . Si f est différentiable en (x0 , y0 ), alors f est continue
en (x0 , y0 ) et admet des dérivées partielles par rapport à x et y en (x0 , y0 ). Dans ce
cas on a A = D1 f (x0 , y0 ) et B = D2 f (x0 , y0 ) et on peut définir la fonction
I 2 −→
df(x0 ,y0 ) : R R
I
(h, k) 7−→ hD1 f (x0 , y0 ) + kD2 f (x0 , y0 ).
Proposition 7.6.4 Soit f une fonction à valeurs réelles définie sur une partie
ouverte U de R I 2 . Soit (x0 , y0 ) ∈ U . Si f est de classe C 1 au voisinage de (x0 , y0 ),
alors f est différentiable en (x0 , y0 ). La réciproque est fausse.
7.6.3 Matrice jacobienne
Définition 7.6.5 (Matrice jacobienne) Soient U un ouvert de Rn et f : U −→

Rp une application qui à tout (x1 , ..., xn ) ∈ U associe (f1 (x1 , ..., xn ), ..., fp (x1 , ..., xn )).
Si f est différentiable en un point x0 = (x1 , ..., xn ) ∈ U , alors la différentielle de f
au point a est l’application linéaire continue de Rn dans Rm ayant pour matrice

relativement aux bases canoniques de Rn et de Rm , la matrice:
 
∂1 f1 (x0 ) ∂2 f1 (x0 ) . . . ∂n f1 (x0 )
 ∂ f (x ) ∂2 f2 (x0 ) . . . ∂n f2 (x0 ) 
 1 2 0
M=

.. .. .. 
 . . . 
∂1 fm (x0 ) ∂2 fm (x0 ) . . . ∂n fm (x0 )
appelée matrice jacobienne de f au point x0 et notée Jf (x0 ).

Si de plus m = n, la matrice jacobienne de f en x0 est une matrice carrée d’ordre
n.
On appelle alors jacobien de f en x0 , le déterminant de la matrice Jf (x0 ).
Proposition 7.6.5 Soient U un ouvert de Rn et f : U −→ Rm une application de

fonctions composantes f1 , ..., fm .
Si f est différentiable au point x0 ∈ U , alors la matrice jacobienne de f au point
x0 , Jf (x0 ), existe, et df (x0 ) est définie par Jf (x0 ) ; c’est-à-dire que pour tout h =
(h1 , ..., hn ) ∈ Rn , on a:
 
∂1 f1 (x0 ) ∂2 f1 (x0 ) . . . ∂n f1 (x0 )  
 ∂ f (x ) ∂ f (x ) . . . ∂ f (x )  h1
t  1 2 0 2 2 0 n 2 0  . 
df (x0 )h = Jf (x0 ). h =  .
. .
. ..   ..  .
 . . . 
hn
∂1 fm (x0 ) ∂2 fm (x0 ) . . . ∂n fm (x0 )
Remarque 7.6.3 L’existence de la matrice jacobienne de f au point x0 ∈ U n’entraı̂ne

pas que f soit différentiable au point x0 .
Proposition 7.6.6 Soient f : U ⊂ Rn −→ Rm et g : V ⊂ Rm −→ Rp , où U et V

sont des ouverts de Rn et de Rm respectivement avec f (U ) ⊂ V .
Si f est différentiable en un point x0 ∈ U et g différentiable au point f (x0 ) ∈ V ,
alors l’application g ◦ f : U −→ Rp est différentiable au point a, et on a:
Jg◦f (x0 ) = Jg (f (x0 )) × Jf (x0 ) .
7.6.4 Dérivées des fonctions composées : règle de dérivation en chaı̂ne

(chain rule)
Définition 7.6.6
• Premier cas RI −→ R I 2 −→ R I
Soit f une fonction de deux variables admettant des dérivées partielles premières
et x et y deux fonctions dérivables de R
I dans R
I :

f: RI2 −→ RI x: RI −→ R I y: R I −→ R I
(x, y) 7−→ f (x, y) t 7−→ x(t) t 7−→ y(t)
La fonction g : t 7−→ g(t) = f (x(t), y(t)) est dérivable et on a
∂f ∂f
g 0 (t) = (x(t), y(t)).x0 (t) + (x(t), y(t)).y 0 (t)
∂x ∂y
• Deuxième cas R I −→ RI 2 −→ R I
Soit f une fonction de deux variables x et y elles même fonctions e deux variables
u et v admettant des dérivées partielles premières et x et y deux fonctions dérivables
de RI dans R I :
2
f: R I −→ R I x: R I2 −→ R
I y: R I2 −→ RI
(x, y) 7−→ f (x, y) (u, v) 7−→ x(u, v) (u, v) 7−→ y(u, v)
On peut définir la fonction composée g(u, v) = f (x(u, v), y(u, v)). Lorsque les
dérivées partielles premières qui interviennent sont définies, on a
∂g ∂f ∂x ∂f ∂y
= (x(u, v), y(u, v)) (v, u) + (x(u, v), y(u, v)) (v, u)
∂u ∂x ∂u ∂y ∂u
∂g ∂f ∂x ∂f ∂y
= (x(u, v), y(u, v)) (v, u) + (x(u, v), y(u, v)) (v, u)
∂v ∂x ∂v ∂y ∂v
7.6.5 Dérivées d’ordre supérieur
Définition 7.6.7 (dérivées partielles d’ordre k)

• L’application f est dite de classe C k sur U lorsqu’elle est de classe C k et ses
dérivés partielles sont de classe C k−1 sur U .
• L’application f est dite de classe C ∞ sur U lorsqu’elle est de classe C n sur U
pour tout entier naturel n. Pour une fonction f de classe C 2 sur U ,
∂ 2f

∂ ∂f
(x0 ) = (x0 ) = fxi xj
∂xi ∂xj ∂xi ∂xj
appelé dérivées partielles d’ordre 2. De manière analogue, si f est de classe C k sur

U, on définit les fonctions dérivées partielles d’ordre k.
Théorème 7.6.1 (De Schwarz) Soit f une fonction de classe C 2 sur U . Alors
pour tout x0 ∈ R
I,
∂ 2f ∂ 2f
(x0 ) = (x0 ).
∂xi ∂xj ∂xj ∂xi

7.6.6 Recherche d’extréma
Définition 7.6.8 (Extrema) Soit U une partie de E et

f : U −→ R une fonction sur U .
• On dit que f admet en un point a ∈ U un minimum relatif (respectivement un
minimum strict), égal à f (a) , s’il existe un voisinage V de a dans E tel que ∀ x ∈
V ∩ A, f (x) ≥ f (a) (respectivement ∀ x ∈ V ∩ U , x 6= x0 , f (x) > f (x0 )).
- On dira que f admet en un point a ∈ U un maximum relatif (respectivement un
maximum strict), égal à f (x0 ) , s’il existe un voisinage V de x0 dans E tel que
∀ x ∈ V ∩ U , f (x) ≤ f (x0 ) (respectivement ∀ x ∈ V ∩ U , x 6= x0 , f (x) < f (x0 )).
• On dit que f admet un extrémum relatif (respectivement strict) au point x0 ∈ U ,
si f admet au point x0 un minimum relatif (respectivement strict) ou un maximum
relatif (respectivement strict).
- Si f admet au point x0 ∈ U un extrémum absolu, alors f admet en x0 un extrémum
relatif.
Proposition 7.6.7 Si l’application f admet en un point x0 intérieur à U un extrémum

relatif et si f est différentiable au point x0 , alors la différentielle de f au point x0
est nulle; c’est-à-dire qu’on a df (x0 ) = 0.
Un point x0 tel que df (x0 ) = 0 est appelé un point critique de f sur A.
Application
Dans la protique on procède comme suit.
U ⊂ R2 et f : U −→ R une fonction sur U . Soit (a, b) un point intérieur à U .
(i) Supposons que f soit dérivable au point (a, b).
La différentielle de f en (a, b) est nulle, si et seulement si,
∂f ∂f
(a, b) = 0 et (a, b) = 0.
∂x ∂y
si f admet au point (a, b) un extrémum relatif, alors ses dérivées partielles première
en ce point sont toutes nulles.
(ii) - Supposons f deux fois dérivable au point (a, b).
00 00 00 00
Soient r fxx (a, b), s = fxy (a, b), s = fyx (a, b) et t = fyy (a, b) les dérivées partielles
secondes de f au point (a, b). On a:
• Si rt − s2 < 0 alors f ne présente aucun extremum local en (a, b). On dit que
(a, b) est point col (point critique qui n’est pas un extrémum).
• Si rt − s2 > 0 alors f présente un extremum local en (a, b). - Si de plus r < 0,
alors (a, b) est un maximum local.
- Si de plus r > 0, alors (a, b) est un minimum local.

(b) Soit (a, b) est un point critique de f tel que rt − s2 = 0. Alors on ne peut
pas conclure de l’existence d’un extrémum en (a, b).
Exercice 7.6.1 Etudier l’existence et la valeur éventuelle d’une limite en (0, 0) des
fonctions suivantes :
xy xy x2 y 2
1. f (x, y) = 2. f (x, y) = 2 3. f (x, y) = 2
x+y x + y2 x + y2
1 + x2 + y 2 x3 + y 3 x4 + y 4
4. f (x, y) = sin y 5. f (x, y) = 2 6. f (x, y) = 2 .
y x + y2 x + y2
I2:
Exercice 7.6.2La fonction suivante est-elle continue sur R
xy
 6 (0, 0)
si (x, y) =
f : (x, y) 7→ 2x2 + y 2 ?
0 sinon
Exercice 7.6.3 Soit f : I2

R −→ R
I .
(
0 si y = 0
(x, y) 7→ x
y 2 sin y si y 6= 0
1. Etudier la continuité de f .
2. Etudier l’existence et la valeur éventuelle de dérivées partielles d’ordre 1 et 2.

∂ 2f ∂ 2f
On montrera en particulier que et sont définies en (0, 0) mais n’ont
∂x∂y ∂y∂x
pas la même valeur.
Exercice 7.6.4 On définit la fonction f : [0, 1] × [0, 1] −→ R

I
(
x(1 − y) si x ≤ y
(x, y) 7→
y(1 − x) si y < x
1. Montrer que f est continue sur [0, 1] × [0, 1]
2. Montrer que f admet un maximum et un minimum sur [0, 1]×[0, 1], les déterminer.
Exercice 7.6.5Soit f la fonction définie sur R I 2 par

2
 xy
si (x, y) 6= (0, 0)
f : (x, y) 7→ x2 + y 2
0 sinon

Montrer que f est continue sur R I 2 . Est-elle de classe C 1 sur R
I2?
Exercice 7.6.6 Soit ψ : R I2 → R I 2 définie par ψ(x, y) = (x − y, x + y) et f ∈

I ). Déterminer ∂(f∂x◦ψ) et ∂(f∂y◦ψ) .
C 1 (IR2 , R

I2
Exercice 7.6.7 On note Ω = {(x, y) ∈ R | x < y}. Déterminer toutes les
fonctions f ∈ C 1 (Ω, R
I ) telles que
∂f ∂f
∀(x, y) ∈ Ω x (x, y) − y (x, y) = x2 − y 2
∂x ∂y
On utilisera le changement de variable u = x + y et v = xy.
I 2 et g : (x, y) 7→
Exercice 7.6.8 Soit f : (x, y) 7→ x4 + y 4 − 2(x − y)2 sur R
xy
R∗+ )2 .
sur (I
(1 + x)(1 + y)(x + y)
1. Montrer que f et g sont de classe C 2 sur leur ensemble de définition, puis étudier
leurs extrema locaux.
2. Ãtudier les extrema globaux de f sur D(0, 4) et de g sur K = [0, 1]2
I 2 \{(0, 0)} par

Exercice 7.6.9 Soit f la fonction définie sur R
f : (x, y) 7→ xy ln(x2 + y 2 )
Montrer que f est prolongeable par continuité en (0, 0). Tracer la surface (avec
python) et déterminer ses extrema.
Exercice 7.6.10 Trouver toutes les fonctions f ∈ C 2 (IR2 , R

I ) vérifiant
∂ 2f ∂ 2f ∂ 2f
−2 + =0
∂x2 ∂x∂y ∂y 2
On commencera par donner la structure de l’espace des solutions, et on utilisera le
changement de variable x = u − v et y = v.

Chapter Huit
Intégrale de Riemann dans R2 ou R3
8.1 Intégrale double

8.1.1 Définition de intégrale de Riemann d’une fonction bornée sur un
rectangle
La théorie de l’inintégrale de Riemann en dimension supérieure ou égale à 2 est une

extension naturelle de celle des fonctions d’une variable. Pour éviter des notations
trop lourdes, nous considérons ici le cas de deux variables, mais on pourra sans peine
étendre l’étude au cas général. Soit P = I × J un pavé de R2 . On définit la mesure
de P par la formule
λ(P ) = λ(I) × λ(J)
8.1.2 Subdivision d’un rectangle
Soit f une fonction de deux variables définie et bornée sur un rectangle R = [a, b] ×
[c, d] de R. Soient n et m deux entiers strictement positifs. On considère :
- une subdivision de l’intervalle [a, b] et n sous-intervalles de même longueur b−an on
écrit
b−a
xi = a + i i = 1, 2, , n Ii = [xi−1 , xi ].
n
- une subdivision de l’intervalle [c, d] et m sous-intervalles de même longueur d−cm on
ecrit :
d−c
yj = a + j j = 1, 2, , n Ii = [yj−1 , yj ].
n
On en déduit une subdivision du rectangle R = [a, b] × [c, d] en nm sous-rectangles
de même aire : Ri,j := Ii × Jj . On recherche sur le Ri,j borne supérieure Mi,j et la
borne inférieure mi,j de la fonction f . Pout tout couple (i, j), on considère les deux
parallélépipèdes rectangles de base Ri,j :
-Pi,j de hauteur Mi,j et
-Pi,j de hauteur mi,j .

8.1.3 Sommes de Darboux
c'est quoi ce shit??
On note
X b − ad − c X
I+n = +
vol(Pi,j )= (Mi,j )
i=1,···,nj=1,···,m
n m i=1,···,nj=1,···,m
et X
− b − ad − c X
I−n = vol(Pi,j ) = (mi,j )
i=1,···,nj=1,···,m
n m i=1,···,nj=1,···,m
Ces sommes sont appelées sommes de Darboux.
Définition 8.1.1 Soit f une fonction bornée sur le rectangle R = [a, b] × [c, d]. On
dit que f est intégrable (au sens de Riemann) sur R lorsque les suites I−n et I+n
convergent vers une même limite I. Ce nombre est appelé l’intégrale de la fonction
f sur le rectangle R. On le note:
Z Z
I= f (x, y) dx dy
R
Si de plus f est a valeurs positives, alors on a la propriété: ” le volume de V egale

l’intégrale de la fonction f sur R.”
8.1.4 Propriétés des fonctions intégrables sur un rectangle
linéarité
I , et f , g deux fonctions intégrales sur I1 × I2 , à
Soit I1 , I2 deux intervalles de R
valeurs dans R I . Alors pour tout (α, β) ∈ R I 2 , la fonction αf + βg est intégrale
sur I1 × I2 et on a
Z Z Z Z Z Z
(αf + βg) dxdy = α f dxdy + β g dxdy
I1 ×I2 I1 ×I2 I1 ×I2
Positivité
Si pour tout (x, y) ∈ I1 × I2 , f (x, y) ≥ g(x, y) alors
Z Z Z Z
f dxdy ≥ g dxdy
I1 ×I2 I1 ×I2
Proposition 8.1.1 (Fubini) Soient I1 ×I2 deux intervalles de R

I et f : I1 ×I2 −→ R
I
continue et intégrale sur I1 × I2 .
Si pour x ∈ I1 , la fonction sur R
I (y 7−→ f (x, y)) est intégrable sur I2 .
la fonction (g : x 7−→ f (x, y)dy) est continue par morceaux et intégrable sur I1 .

Si pour tout y ∈ I2 , la fonction (x 7−→ f (x, y)) est intégrable sur I1 ;
La fonction (h : y ∈ R
I −→ f (x, y)dx) est continue par morceaux et intégrable
sur I2 . Alors
Z Z Z Z Z Z
f dxdy = g dy = h dx = f dydx
I1 ×I2 I2 I1 I2 ×I1
Proposition 8.1.2 (Fubini suite) Soit x 7−→ ϕ et x 7−→ ψ deux fonctions continues
sur [a, b] avec ϕ ≤ ψ ; notons Ω l’ensemble des points (x, y) ∈ R2 tels que a ≤ x ≤ b
et ϕ(x) ≤ y ≤ ψ(x). Alors
Z Z Z b Z ψ(x)
f (x, y) dxdy = f (x, y) dxdy
Ω a ϕ(x)
Si le domaine le permet, on peut permuter les rôles de x et de y

Soit y 7−→ ϕ et y 7−→ ψ deux fonctions continues sur [a, b] avec ϕ ≤ ψ ; notons
Ω l’ensemble des points (x, y) ∈ R2 tels que a ≤ y ≤ b et ϕ(y) ≤ x ≤ ψ(y). Alors
Z Z Z b Z ψ(y)
f (x, y) dxdy = f (x, y) dxdy
Ω a ϕ(y)
Exemple 8.1.1 1. On considère le domaine {(x, y) ∈ RI 2 , 0 ≤ x ≤ 1et, 0 ≤ y ≤ 1}. On a

Z Z Z 1 Z 1
Z 1 Z 1
2 2 2 2 2 1 31 1 2
(x +y ) dxdy = (x + y )dy dx = [x y + y ]0 dx = (x2 + ) dx =
Ω 0 0 0 3 0 3 3
2. Soit
Z Z Ω le domaine définiZpar Ω := {(x, y) ∈R I 2 /0 ≤ x ≤ 2 et x2 ≤ y ≤ 2x}. On a
2 Z 2
(x2 + y 2 ) dxdy = x(x2 + y 2 )dy dx
Ω 2
Z0 2 X y=2x Z 2
2 1 3 14 3 4 1 6
= x y+ y = x −x + x
0 3 y=x2 0 3 3
1 7 2
7 4 1 5 205
= 6 x − 5 x + 21 x 0 = 35
√
3. Soit Ω le domaine défini par Ω := {(x, y) ∈ R I 2 /0 ≤ y ≤ 4 et y ≤ x ≤ y2 }. On a
Z Z
Calculer (x2 + y 2 ) dxdy
Ω
Remarque 8.1.1 Dans le cas où si Ω = [a, b] × [c, d] et si f (x, y) = h(x)g(y), alors
Z Z Z b Z d
f (x, y) dxdy = h(x) dx g(y) dy
Ω a c
.
Proposition 8.1.3 (Changement de variables) Soit f une fonction dépendante des variables x
et y, continue sur un domaine Ω fermé et borné de R I 2 , et soit ϕ et ψ deux bijections de classe C 1
sur D ⊂ RI 2 , telles ques pour tout (u, v) ∈ D, (u, v) 7−→ (x = ϕ(u, v), y = ψ(u, v)). Alors
Z Z Z Z
f (x, y) dxdy = f (x(u, v), y(u, v))J du dv.
Ω D

∂ϕ ∂ϕ
 
 ∂u ∂v 
où J est le déterminant de la matrice jacobienne définie par  .
 
 ∂ψ ∂ψ 
∂u ∂v
Cas des coordonnées polaires Le changement de variables en coordonnées polaires est donné
par l’application (r, θ) 7−→ (x = a + r cos(θ), y = b + r sin(θ)).  I ∗+ × [0, 2π[ sont les
où (r, θ) ∈ 
R
∂x ∂x
 ∂r ∂θ 
coordonnées du point (x, y) ∈ RI 2 \{(a, b)}. Son jacobien est donné   = . Le jacobien est
 
 ∂y ∂y 
∂r ∂θ
donné par J = r.
1
Exemple 8.1.2 On veut intégrer la fonction f (x, y) =
1 + x2 + y 2
I 2 /0 ≤ y ≤ 3x et 1 ≤ x2 + y 2 ≤ 4}.
sur l’ensemble Ω = {(x, y) ∈ R
En coordonnées polaires on a D = {(r, θ) ∈ R I ∗+ × [0,
! 2π[/, 0 ≤ θ ≤ π3 et 1 ≤ r ≤ 2}. On a
Z πZ 2 Z π Z 2 r=2
π ln(1 + r2 )
Z Z
1 3 r 3 r
2 2
dx dy = 2
dr dθ = dθ 2
dr = =
Ω 1+x +y 0 1 1+r 0 1 1+r 3 2 r=1
π ln(5/2)
.
6
8.2 Intégrales triples

f étant continue sur un domaine fermé et borné D de R I 3 , l’intégrale triple.
Z Z Z
f (x, y, z) dx dy dz.
Ω
se définit de fa on analogue aux intégrales doubles et se calcule par intégrations successives.
Proposition 8.2.1 (Changement de variables) Soit f une fonction continue dépendante des variables
x, y et z continue sur un domaine Ω fermé et borné de R I 3 , et soit ϕ, ψ et ζ trois bijections de classe
C 1 sur D ⊂ R I 2 , telles ques pour tout (u, v, w) ∈ D, (u, v, w) 7−→ (x = ϕ(u, v, w), y = ψ(u, v, w), z =
ζ(u, v, w)). Alors
Z Z Z Z
f (x, y, z) dxdydz = f (x(u, v, w), y(u, v, w), z(u, v, w))J du dv dw.
Ω D
 
∂ϕ ∂ϕ ∂ϕ
 ∂u ∂v ∂w 
 
 
 ∂ψ ∂ψ ∂ψ 
 
où J est le déterminant de la matrice jacobienne définie par  .
 ∂u ∂v ∂w 
 
 
 ∂ζ ∂ζ ∂ζ 
∂u ∂v ∂w
Cas des coordonnées cylindriques Un changement de variables en coordonnées cylindriques
est donné par l’application
(r, θ, z) 7−→ (x = a + r cos(θ), y = b + r sin(θ), z = z). où (r, θ, z) ∈ RI ∗+ × [0, 2π[×IR sont les
I 3 \{(0, 0, z)}. Le jacobien est donné par J = r. Ainsi
coordonnées du point (x, y, z) ∈ R

Z Z Z Z Z Z
f (x, y, z) dxdydz = f (a + r cos(θ), b + r sin(θ), z)J dr dθ dz.
Ω D
De la même manière on a
Z Z Z Z Z Z
f (x, y, z) dxdydz = f (x, a + r cos(θ), b + r sin(θ))J dx dr dθ.
Ω D
ou encore
Z Z Z Z Z Z
f (x, y, z) dxdydz = f (a + r cos(θ), y, b + r sin(θ))J dr dy dθ.
Ω D
Cas des coordonnées sphériques
Le changement de variables en coordonnées sphériques est donné par l’application
(r, θ, z) 7−→ (x = a + r cos(θ) cos(ϕ), y = b + r sin(θ) cos(ϕ), z = r sin(ϕ)). où (r, θ, ϕ) ∈ R I ∗+ ×
I 3 \{(0, 0, 0)}. Le jacobien est donné par
[0, 2π[×[ π2 , − π2 ] sont les coordonnées du point (x, y, z) ∈ R
J = r2 cos ϕ. Ainsi
Z Z Z Z Z Z
f (x, y, z) dxdydz = f (a+r cos(θ) cos(ϕ), b+r sin(θ) cos(ϕ), r sin(ϕ))r2 cos ϕ dr dθ dz.
Ω D
8.3 Applications des intégrales multiples

8.3.1 Calcul d’aire
Z Z
2
Proposition 8.3.1 Soit A une partie fermée bornée de R
I . L’intégrale double dx dy est l’aire
A
du domaine A.
Exemple 8.3.1 Calculons l’aire d’un disque DR de rayon R > 0 : on se place dans un système de
I 2 . Alors
coordonnées centré sur le centre du disque, qui a donc pour équation x2 + y 2 ≤ R
DR = {(x, y) ∈ R I ∗+ × [0, 2π[/r2 ≤ R2 }
I 2 /x2 + y 2 ≤ R2 } = {(r, θ) ∈ R
DR = {(r, θ)/0 ≤ θ ≤ 2π et 0 ≤ r ≤ R}
Ainsi Z Z Z Z 2π R
dx dy = r dr dθ = πR2
DR 0 0
Exercice 8.3.1 Calculer l’aire d’une ellipse E d’axes a et b : on se place dans un système de
2 2
coordonnées centré sur le centre de l’ellipse, qui a donc pour équation xa2 + yb2 ≤ 1.
8.3.2 Calcul de volume

Z Z Z
3
Proposition 8.3.2 Soit A une partie fermée bornée de R
I . L’intégrale double dx dy dz est
A
le volume du domaine A.
Exemple 8.3.2 Calculons le volume d’une boule B de rayon R. On a en coordonnées sphériques :

π
2π R
R3
Z Z Z Z Z Z
2
dx dy dz = r2 cos ϕdrdθdϕ = 4π .
B − π2 0 0 3
sérieusement je ne comprend pas

8.3.3 Calcul de masse
Z Z
Proposition 8.3.3 Si f (x, y) est la densité au point (x, y), l’intégrale double f (x, y)dxdy est
A
la masse de la partie A. Z Z Z
De la même manière, si f (x, y, z) est la densité au point (x, y, z), l’intégrale triple f (x, y, z)dxdydz
A
est la masse de la partie A.
Remarque 8.3.1 Si l’objet est homogène alors la denstité est une constante.
8.3.4 Centre de gravité

Proposition 8.3.4 Si f (x, y) est la densité au point (x, y), le centre de gravité de la partie A se
trouve au point G de coordonnées (xG , yG ) définis par
Z Z Z Z
xf (x, y)dxdy yf (x, y)dxdy
A A
xG = R R et yG = Z Z
f (x, y)dxdy
A f (x, y)dxdy
A
Physiquement cela signifie que la plaque A se comporte comme si toute sa masse était concentrée
en son centre d’inertie. Par exemple, elle est en équilibre horizontal lorsqu’elle repose sur son centre
d’inertie. De manière analogue, si f (x, y, z) est la densité au point (x, y, z), le centre de gravité de la
partie A se trouve au point G, (xG , yG , zG ) ainsi définis
Z Z Z Z Z Z Z Z Z
xf (x, y, z)dxdydz yf (x, y, z)dxdydz zf (x, y, z)dxdydz
A A A
xG = Z Z Z , yG = Z Z Z , zG = Z Z Z .
f (x, y, z)dxdydz f (x, y, z)dxdydz f (x, y, z)dxdydz
A A A
Exercice 8.3.2 Déterminer la masse d’une couronne limitée par deux cercles concentriques de rayons
respectifs R1 et R2 (avec R1 < R2 ) dont la densité est inversement proportionnelle à la distance au
centre.
Exercice 8.3.3 Déterminer la masse et le centre d’inertie d’une fine plaque de métal triangulaire
dont les sommets sont en (0, 0), (1, 0) et (0, 2), sachant que la fonction densité est f x, y) = 1+3x+y.
Exercice 8.3.4 Déterminer les coordonnées du centre d’inertie dâun cône de révolution homogène
de hauteur h donnée.

Maths II

Transféré par

Informations du document

Titre original

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

Maths II

Transféré par

Droits d'auteur :

Formats disponibles

UNSTIM (Cycle Préparatoire aux Ecoles d’Ingénieurs) :

NOTE DE COURS DE MATHSII

Enseignant : Dr. Jamal ADETOLA

May 11, 2020

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

5 Réduction des endomorphismes 39

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

7 Fonctions de plusieurs variables 52

8 Intégrale de Riemann dans R2 ou R3 66

9 Intergrale curviligne-Intégrale de surface 72

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

1. d’une loi de composition interne, c’est-à-dire d’une application de E × E dans

qui vérifient les propriétés suivantes :

3. il existe un élément neutre 0E ∈ E tel que u + 0E = u (pour tout u ∈ E)

6. λ · (µ · u) = (λµ) · u (pour tous λ, µ ∈ K

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

2. Définition de la loi externe (·)

2. Définition de la loi externe (·)

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

4. Le symétrique −u d’un vecteur u ∈ E s’appelle aussi l’opposé de u.

5. La loi de composition interne sur E (noée usuellement +) est appelée couramment

6. La loi de composition externe sur E est appelée couramment Multiplication par

Axiomes relatifs à la loi interne

Conséquence : On peut ”oublier” les parenthèses et noter sans ambiguı̈té

3. Il existe un élément neutre, c’est-à-dire qu’il existe un élément de E, noté 0E ,

4. Tout élément u de E admet un symétrique (ou opposé), c’est-à-dire qu’il existe

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

Axiomes relatifs à la loi externe

5. Soit 1 l’élément neutre de la multiplication de K

Axiomes liant les deux lois

7. Distributivité par rapport à l’addition des vecteurs :

8. Distributivité par rapport à l’addition des scalaires :

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

I 2 /x + y = 0} est un sous-espace vectoriel de R

1.3.2 Combinaisons linéaires

u = λ1 u1 +λ2 u2 +· · ·+λn un où λ1 , · · ·, λn sont des éléments de K

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

(3; 3; 1) = 2(1; 1; 0) + (1; 1; 1).

Théorème 1.3.2 (Caractérisation d’un sous-espace par la notion de combinaison

Autrement dit si et seulement si toute combinaison linéaire de deux éléments de F

1.3.3 Intersection de deux sous-espaces vectoriels

Proposition 1.3.1 (Intersection de deux sous-espaces)

1.3.4 Somme de deux sous-espaces vectoriels

1. F + G est un sous-espace vectoriel de E.

2. F + G est le plus petit espace vectoriel contenant à la fois F et G.

Définition 1.3.4 (Somme directe de deux sous-espaces)

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

1. On dit aussi que F est un sous-espace supplémentaire de G (ou que G est un

1.3.5 Sous-espace engendré

1. L’ensemble des combinaisons linéaires des vecteurs v1 , · · ·, vn est un sous-espace

2. C’est le plus petit sous-espace vectoriel de E (au sens de l’inclusion) contenant

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

On dit également que les vecteurs v1 , · · ·, vn sont linéairement indépendants.

On dit également que les vecteurs v1 , · · ·, vn sont linéairement dépendants.

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

Théorème 1.3.5 (Théorème d’existe d’une base)

Théorème 1.3.6 (Théorème de la base incomplète)

2. De toute famille génératrice G on peut extraire une base de E. C’est-à-dire qu’il

1.4 Dimension d’un espace vectoriel

Théorème 1.4.1 (Théorème de dimension)

Cycle Préparatoire aux Ecoles Ingénieurs © Dr. Jamal ADETOLA

1.4.2 Dimension d’un sous-espace vectoriel