Académique Documents
Professionnel Documents
Culture Documents
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
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
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
Algèbre linéaire
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
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
1. u + v = v + u (pour tous u, v ∈ E)
2. u + (v + w) = (u + v) + w (pour tous u, v, w ∈ E)
5. 1 · u = u (pour tout u ∈ E)
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 ).
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
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.
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.
(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.
6.
∀λ, µ ∈ K
I et ∀u ∈ E, λ · (µ · u) = (λµ) · 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.
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
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
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 :
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 .
λu + βv ∈ F, ∀u, v ∈ F et ∀λ, β ∈ K
I.
Définition 1.3.3
I −espace vectoriel E.
Soient F , G deux sous-espaces vectoriels d’un K
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
I −espace vectoriel E.
Soient F , G deux sous-espaces vectoriels d’un K
1. F ∩ G = {0E } ;
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
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 )}.
Théorème 1.3.3
Soit {v1 , · · · , vn } un ensemble fini de vecteurs d’un K
I −espace vectoriel E. Alors
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
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
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
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
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.
Définition 1.4.1
Un K I −espace vectoriel E admettant une base ayant un nombre fini d’éléments
est dit de dimension finie.
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.
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.
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 :
Proposition 1.4.3
I −espace vectoriel et (v1 , · · · , vp ) une famille de p vecteurs de E.
Soient E un K
Alors :
Remarque 1.4.1
1. Le rang d’une famille vaut 0 si et seulement si tous les vecteurs sont nuls.
Application linéaire
I − espace vectoriel : K
Dans ce chapitre, on désigne par K I −e.v.
2.1 Rappels
1. ∀u ∈ E, ∀λ ∈ K
I , f (λu) = λf (u).
Exemple 2.2.1
f : E −→ F
u 7−→ 0F .
f : E −→ E
u 7−→ u.
I 3 −→ R
f :R I2
(x, y, z) 7−→ (−2x, y + 3z).
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).
∀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.
Soient E et F deux K
Théorème 2.3.1
I −e.v et f est une application linéaire de E dans F .
Soient E et F deux K
1. Im(f ) est un sous-espace vectoriel de F .
Exemple 2.3.1
Soit f l’application définie par :
I 3 −→ R
f :R I2
(x, y, z) 7−→ (−2x, y + 3z).
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
Soient E et F deux K
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
Soit f l’application définie par :
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
Soit f l’application définie par :
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 .
Calcul matriciel
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
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.
Proposition 3.2.1
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
Proposition 3.2.2
1. ∀A ∈ Mn (K), A × In = In × A.
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
2. tr(kA) = ktr(A).
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 .
Remarque 3.4.1
Proposition 3.4.2 Si A est une matrice carrée inversible alors sa transposé est
inversible et (tA)−1 = t(A−1 ).
det(A) = a11 ∆11 − a21 ∆21 + a31 ∆31 − ... + (−1)n−1 an1 ∆n1
Exercice 3.5.1
Déterminer
le déterminant
de chacunedes 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.
3. Si une matrice carrée A est triangulaire, alors det(A) est égal au produit de ses
éléments diagonaux. En particulier, det(In ) = 1.
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.
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.
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)
Définition 3.6.2
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.
Systèmes linéaires
Définition 4.1.1
Li ←− αLi si α 6= 0.
Li ←→ Lj .
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
.
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
I −espace vectoriel E.
Soient F et G deux sous-espaces vectoriels d’un R
Démontrer que F ∩ G est un sous-espace vectoriel de E.
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
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 :
Prouver que F = G.
I 3 , on considère
2. Dans R
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
1. Calculer D = 3A + 2B − 5C et E = A × C.
Exercice 4.4.13
On considère la matrice A définies par :
13 −8 −12
A = 12 −7 −12
6 −4 −5
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
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.
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
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}.
2. On pose f1 = e1 − e3 , f2 = e1 − e2 et f3 = −e1 + e2 + e3
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 .
Exercice
4.4.23 On considère
les matrices
Aet 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
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].
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
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).
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.
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.
5.2.1 Diagonalisation
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 .
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 5.2.2 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
5.2.2 Trigonalisation
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 .
Analyse vectorielle
Courbes paramétrées
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.
1. (F.G)0 = F 0 G + F G0
2. Det( F, G)’=Det( F 0 , G)+ Det( F, G0 )
1. (F.G) = x1 x2 + y1 y2
Remarque 6.1.1 Dans la pratique, on étudiera le plus souvent des courbes paramétrées
de classe C k avec k ≥ 1.
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.
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
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
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
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 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.
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
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
t3
t(t) =
1 − t2
I + − {1}
1. Prouver que l’on peut étudier cette courbe sur R
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
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.
.
Les fonctions fi 1 ≤ i ≤ m sont appelées les fonctions composantes de la
fonction f.
2. Les fonctions de R
I dans R
I sont les fonctions d’une seule variable, à valeurs
réelles.
I 2 dans R
5. Fonctions de R I 3 . Une telle fonction est une surface paramétrée de
l’espace.
7.2.1 In
Normes dans R
I n −→ R
N: R I+
x 7−→ N (x)
1. N (x) = 0 =⇒ x = 0R
I n.
I n , N (x + y) ≤ N (x) + N (y)
3. Pour tout x et y dans R
I n k = 0.
1. k0R
I n , on a kx − yk ≤ |kxk − kyk|.
2. Pour tout x, y ∈ 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
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.
I n est un fermé.
5. Un ensemble fini de point de R
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).
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).
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.
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
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
Remarque 7.4.1 Toutes les propriétés de limites des fonctions d’une variable réelle
sont aussi valables pour les fonctions de plusieurs variables.
7.5 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 ,
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
7.6 Différentiabilité
7.6.1 Dérivée partielle
Dérivée selon un vecteur
Remarque 7.6.2 Une fonction peut admettre des dérivées partielles en un point
sans être continue en ce point.
7.6.2 Différentiabilité
Nous donnons cette définition pour le cas n = 2. Elle peut être généralisée aux
autres cas.
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.
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 fonc- tions dérivables de R
I dans R
I :
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
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.
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 7.6.2La fonction suivante est-elle continue sur R
xy
6 (0, 0)
si (x, y) =
f : (x, y) 7→ 2x2 + y 2 ?
0 sinon
1. Etudier la continuité de f .
2. Montrer que f admet un maximum et un minimum sur [0, 1]×[0, 1], les déterminer.
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.
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.
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 .
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
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
la fonction (g : x 7−→ f (x, y)dy) est continue par morceaux et 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)
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
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) cos(ϕ), b+r sin(θ) cos(ϕ), r sin(ϕ))r2 cos ϕ dr dθ dz.
Ω D
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.
Remarque 8.3.1 Si l’objet est homogène alors la denstité est une constante.
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.