ALGEBRE LINEAIRE

Cours & Exercices avec Solutions

M. KACHKACHI
Universit Hassan 1er
Facult des Sciences & Techniques de Settat
Dpartement de Mathmatiques & Informatique

INTRODUCTION
Lalgbre est lune des branches principales des mathmatiques. Cest une
discipline systmatisant les mthodes de rsolution de problmes mathmatiques. Son domaine dapplication stend des problmes arithmtiques qui
traitent de nombres, ceux dorigine gomtrique.
Cet ouvrage sadresse aux tudiants de premire anne de lenseignement
suprieur scientique. Il est conforme dans lensemble au programe dalgbre.
Il intressera les tudiants travaillant seuls et ceux qui sont suivis par des
eneignants.
Ce cours dalgbre linaire se compose de 10 chapitres. Dans le premier
chapitre on rappelle les dnitions sur les ensembles, les applications entre ensembles, les groupes, les anneaux et les corps. Dans le chapitre 2 on donne les
dnitions et les dnitions de base des espaces vectoriels ainsi que des exemples
dapplications.
Le chapitre 3 introduit lalgbre matriciel ainsi que le calcul du dterminant
et la mthode de rsolution des systmes direntiel laide de pivot en se
basant sur des exemples dapplication. Dans le chapitre 4 on prsente les applications des espaces vectoriels et le calcul matriciel la gomtrie pour dnir
les angles entre les vecteurs, leurs produits scalaires et leurs produits vectoriels.
Le chapitre 5 est bas sur les chapitres prcdents et dans lequel on dveloppe
les applications linaires en commenant par les dnitions classiques jusqu
leurs applications en gomtrie comme les rotations els dirents symtries dans
le plan. Cest la base du chapitre 6 dans lequel on prsente la diagonalisation
des endomorphismes et leurs matrices associes. On souligne aussi lutilit et
limportance de la diagonalisation dans des problmes physiques et le rle que
joue le passage dune base quelconque une base diagonale l o la rsolution
dun problme physique devient mtrisable. On termine ce chapitre introduire
la trigonalisation quand la dimension de lespace vectoriel varie lors de passage
dune base une autre.
le chapitre 7est consacr lalgbre des polynmes pour lapplication aux
fractions rationnelles dans le chapitre 8.
Le chapitre 9 est consacr aux problmes avec solutions et aux problmes
proposs couvrant lensemble des chapitre de cet ouvrage.
On termine par donner quelques rfrences quon a utilis pour dvelopper
cet ouvrage
Je me suis attach donner la solution dtaille et parfois, que cela est
possible, indiquer plusieurs mthodes de rsolution.
Les exercices proposs sont de dirents niveaux; du facile aux di cile et
mme des exercices et problmes donns lexamen sont considrs..
Les problmes proposs compltent la comprhension et lapplication du
cours.

Comme tout travail scientique, lutilisation dun pareil recueil dexercices

ncessite la plus grande honntet intellectuelle, ainsi, il ne doit tre fait usage
des solutions quaprs une recherche approfondie des problmes, suivie dune
rdaction minutieuse, an de comparer les rsultats dmonts aux solutions
proposes. La plus grande rigueur doit accompagner cette comparaison.
La rsolution des problmes de synthse contenue dans le chapitre 9, ncessite
une connaissance pralable de lensemble du programme.
Dans la plus part de louvrage, la notation indicielle de lanalyse tensorielle
comme la sommation dEinstein, la contraction indicielle est utilise du moment
quelle rduise normment lcriture des equations sous forme des galits
tensorielles.

Chapitre I: Groupe & Anneaux

Chapitre II: Espace Vectoriel
Chapitre III: Matrices & Dterminants
Chapitre IV: Applications la Gomtrie
Chapitre V: Applications Linaires
Chapitre VI: Diagonalisation
Chapitre VII: Anneaux de polynmes
Chapitre VIII: Fractions Rationnelles & Applications
Chapitre IX: Exercices corrigs & Problmes proposs
Chapitre X: Rfrences

Chapitre I
GROUPES & ANNEAUX
I.1. LOI DE COMPOSITION INTERNE (LCI)
I.1.1. Dnition
Une loi de composition interne f dans un ensemble E est une application
linaire dnie par:
f : E E!E
(x; y) 7!
xf y
tel que x f y existe et appartient E:
I.1.2. Exemples
- laddition (+) est une loi de composition interne sur N; Z; Q; R; C
- la multipication ( ) est une loi de composition interne sur N; Z; Q; R; C
- la soustraction ( ) est une loi de composition interne sur Z; Q; R; C
mais pas sur N
I.1.3. Proprits dune LCI
Soit une loi de composition interne sur un ensemble E:
1 = La loi est associative si on a:
8 x; y; z 2 E; (x y) z = x (y z)

= La loi

est commutative si
8 x; y 2 E; x y = y x

= e est lment neutre de la loi

si on a:

e 2 E et 8 x 2 E; x e = e x = x
I.1.4. Exercice dapplication
Vrier que les lois (+) et ( ) sont associatives et commutatives sur N; Z; Q; R; C
dlment e neutre 0 et 1 respectivement
I.1.5. Proposition
Llment neutre sil existe est unique
0

En eet, soient e, e 2 E deux lments neutres associs loi :

Ainsi,
8
pour
8
pour

x 2 E; x
0
0
x = e :e
x 2 E; x
x = e: e

e=e x=x
0
0
e=e e =e
0
0
e =e x=x
0
0
e =e e=e

En comparant les deux quations on trouve

0

e=e

I.2. ELEMENT REGULIER & ELEMENT SYMETRISABLES

I.2.1. Dnitions
- Un lment a 2 E est dit rgulier pour la loi de composition interne sil
est rgulier
gauche:
8 x; y 2 E; (a y = a y) ) (x = y)
et droite:
8 x; y 2 E; (x a = y a) ) (x = y)
- Un lment a 2 E est dit symtrisable pour la loi
b2 E tel que:
a b=b a=e

sil existe un lment

I.2.2. Proposition
Si la loi est associative, alors il y a unicit de llment symtrique
Dmonstration
Supposons que b et b0 soient deux lments symtrisables pour la loi
dlment neutre e. Alors on a:
a b
a b0

= b a=e
= b0 a = e

Ainsi
(a b0 ) b = (b0 a) b = e
cest--dire
b

= b0 (a b)
= b0 e
= b0
6

I. 3. GROUPE
I.3.1. Dnition
Un ensemble G muni dune loi de composition interne est un groupe sil
vrie les proprits suivantes:
1 = est une LCI sur G
2 = est associative sur G
3 = Il existe un lment neutre e 2 E pour
4 = Tout lment de G est symtrisable pour la loi dans G
De plus, si la loi est commutative, le groupe (G; ) est dit ablien ou
commutatif
I.3.2. Exemples
(Z; +) ; (Q; +) ; (C; +) ; (Q ;
abliens

) ; (R ;

) ; (C ;

) sont des groupes

I. 4. SOUS-GROUPE
1.4.1. Dnition
Soit (G; ) un groupe et soit e llment neutre pour la loi .
Soit x 1 2 G llment symtrique dun lement x 2 G:
Soit H une partie du groupe G : H G:
Alors, (H; ) est un sous-groupe de (G; ) sil vrie les trois proprits
suivantes:
1 = H 6= ? ( H est non vide)
2 = est une LCI sur H

= 8 x 2 H; x

2 H:

I.4.2. Exemples
(Z; +) ; (Q; +) ; (2Z; +) (2Z= lensemble des entiers pairs) sont des sousgroupes du groupe (R; +) :
I.4.3. Proposition
Si (H; ) est un sous-groupe du groupe (G; ), alors (H; ) est un groupe
I.4.4. Remarque
En pratique, pour montrer quun ensemble est un groupe, il su t de prouver
que cest un sous-groupe dun groupe connu pour cette LCI.
I. 5. MORPHISME DE GROUPES
I.5.1. Dnition
Soient (G; ) un groupe de neutre e et (H; o) un groupe de neutre f .
On appelle morphisme de groupes de G vers H; toute application
':G!H
vriant la proprit suivante:
8 a; b 2 G; ' (a b) = ' (a) o' (b)

I.5.2. Exemples
- La fonction exponentielle
exp : (R; +) ! (R ;

est un morphismes du groupe (R; +) vers le groupe (R ;

a; b
exp (a + b)

2 R
= exp a

):

exp b 2 R

- Lopration de conjugaison:
(C; +) ! (C; +)
z 7! z
est un morphismes du groupe (C; +) vers le groupe (C; +) :
z1 ; z2
z1 + z2

2 C
= z1 + z2

I.5.3. Proprits
Soit (G; ) un groupe de neutre e pour la loi et soit (H; o) un groupe de
neutre f pour la loi o
Si ' : G ! H est un morphisme de groupes, alors on a:
' (e)
x

= f;
2

G; ' x

= [' (x)]

I.5.4. Dnitions
Soit ' : G ! H un morphisme de groupes (avec (H; o) un groupe de neutre
f pour la loi o ) et (G; ) un groupe de neutre e pour la loi
- On appelle noyau de ' et on note ker ' :
ker ' = fx 2 G = ' (x) = f g = n '

(ff g) o

- On appelle image de ' et on note im' :

im' = fy 2 H = 9 x 2 G; y = ' (x)g = n ' (G) o
I.5.5. Caractrisation
(x 2 ker ') , (x 2 G et ' (x) = f )
(y 2 im') , (y 2 H et 9 x 2 G; y = ' (x))
Si ' : G ! H est un morphisme de groupes, alors:
' est surjective , (im' = H)
' est injective , (ker ' = feg)
Si lapplication ' est la fois injective et surjective, elle est bijective
I.5.6. Dnitions
- Un morphisme de groupe ' du groupe G vers
isomorphisme si lapplication ' est bijective
- Lapplication
' : (G; ) ! (G; )
est endomorphisme du groupe (G; )
- Lapplication
' : (G; ) ! (G; )

le groupe H

est un

I. 6. ANNEAUX
I. 6. 1. Structure danneaux
Soit A un ensemble muni de deux LCI + et .
(A; +; ) est un anneau sil vrie les proprits suivantes:
- (A; +) est un groupe ablien de neutre 0 not 0A
- la loi ( ) est associative et possde un lment neutre 1 dans A not 1A
- la loi ( ) est distributive sur la loi +, cest--dire
8 a; b 2 A
a (b + c) = (a b) + (a c)
et (b + c) a = b a + c a
Lanneau est commutatif si en plus la loi ( ) est commutative.
I. 6. 2. Exemples
Z; Q; R; C sont des anneaux commutatifs pour les lois usuelles (+) et ( ) :
RN = l0 ensemble des suites a valeurs reelles est un anneau commutatif
pour les lois (+) et ( ), de neutre la suite constante nulle pour la loi (+) et de
neutre la suite constante 1 pour la loi ( ) :
I. 6. 3. Dnition
Un anneau A est dit intgre sil est commutatif et sil vrie:
8 a; b 2 A; (a

b = 0A ) ) a = 0A ou b = 0A

I.6.4 Exemple
les ensembles Z; Q; R; C munis des lois usuelles sont des anneaux intgres.
I. 6.5. SOUS-ANNEAUX
Soit (A; +; ) un anneau et soit B A:
B est sous-anneaux de (A; +; ) si + et sont des LCI sur B et si 1A et
1A appartiennent B:Dans ce cas B est lui-mme un anneaux.
I.6.6 Exemple
(Z; +; ) est sous-anneaux de (Q; +;

I. 7. STRUCTURE DE CORPS
(IK; +; ) est un corps si (IK; +; ) est un anneau commutatif dans
lequel tout lement sauf 0IK , est inversible de sorte que (IK ; +) avec IK =
IK f0g, est un groupe commutatif
I.7.1 .Exemples
(Q; +; ) ; (R; +;

) ; (C; +;

) sont des corps.

I.7.2. Dnition
Soit L IK avec (IK; +; ) un corps.
L est un sous-corps de IK si (L; +; ) est un sous-anneaux de lanneaux
(IK; +; ) et si (L; +; ) est lui-mme un corps.

10

Chapitre II
ESPACE VECTORIEL
II.1. STRUCTURE DESPACE VECTORIEL
On dsignera par la suite par IK un corps commutatif quelconque.
II.1.1.Dnition
Un espace vectoriel E sur IK ( et on crit que E est un IK ev) est un
groupe additif muni dun produit externe
Les lments de E sont appels vecteurs ( nots !
x ) et ceux de IK sont
appels scalaires ( nots :
IK E ! E
!
( ; !
x ) 7!
x
tel que lon a:
8 ;
2 IK et 8 !
x; !
y 2E
!
!
( x ) = ( ) x associativite
!
( + )!
x =
x + !
x
!
!
!
!
(x + y) =
x + y distributivite a gauche et a droite

II. 1. 2. Scalaires
Les scalaires sont des rels ou complexes. Ce sont des lments du corps R
ou C:
Les oprations sur les scalaires sont la somme et le produit qui vrient les
proprits suivantes:
+( + )
+0
+
( )
1
( + )
0
De plus, tout scalaire

= ( + )+
=
=
+
= ( )
=
=
=
+
= 0

possde un oppos
+(

)=0
11

, tel que

et tout scalaire

6= 0 a un inverse

tel que
1

=1

et on a aussi
(

II.1.3. Vecteurs
Les vecteurs sont des lments de Rn : En particulier, ce sont des lments
de R2 (plan) ou ceux de R3 (espace de la mcanique classique).
Les oprations sur les vecteurs sont la somme et le produit externe (par un
scalaire). Ainsi, pour R2 , on pose:
(x; y) + (x0 ; y 0 )
(x; y)

=
=

(x + x0 ; y + y 0 )
( x; y)

!
Le vecteur nul (0; 0) est not 0
II.2. BASE DUN ESPACE VECTORIEL
II.2.1. Famille libre, famille lie
Dans la suite, E dsigne un R espace vectoriel
II.2.1.1. Dnitions
Dnition 1:
une famille (!
e 1; !
e 2 ; :::; !
e n ) de vecteurs de E est libre si:
8(

1;

2 ; :::;

n)

2 Rn ;

n
X
i=1

!
ei=0)

= ::: =

=0

On dit aussi que les n vecteurs (!

e i )i=1;:::;n sont linairement indpendants.
Dnition 2:
Une famille qui nest pas libre est dite lie. On dit aussi que les n vecteurs
sont linairement dpendants.

12

Exemple 1:
On considre dans R3 les deux vecteurs !
e 1 = (1; 3; 5) et !
e 2 = (6; 4; 0)
2
Soit ( 1 ; 2 ) 2 R , tel que
1

!
e1+

!
!
e2= 0

Cette quation vectorielle est quivalente aux systme dquations suivant:

+6
3
5 1+4
1

= 0
= 0
= 0

2
1
2

dont lunique solution est la solution triviale

1

=0

Ainsi, la famille (!
e 1 = (1; 3; 5) ; !
e 2 = (6; 4; 0)) est libre.
Exemple 2:
On considre dans R2 la famille (!
e 1 = (1; 2) ; !
e 2 = (3; 4) ; !
e 3 = (5; 6) )
3
Soit ( 1 ; 2 ; 3 ) 2 R ; tel que
1

!
e1+

!
e2+

!
!
e3= 0

Le systme direntiel quivalent scrit:

1

+3
+4

2
2

+5
+6

3
3

=0
=0

= 3
= 2 3

1
2

Ce systme admet au moins une solution non triviale, ce qui donne:

3

!
e1

!
e2+

!
e3

!
!
0 , 3 (!
e 1 2!
e2+!
e 3) = 0
!
, (!
e 1 2!
e2+!
e 3 ) = 0 avec 3 6= 0
=

Cette drnire est une relation de dpendance linaire et par consquent la

famille (!
e 1; !
e 2; !
e 3 ) est lie.
II.2.1.2. Proprits
) Toute famille contenant le vecteur nul est lie
) La famille (!
e 1; !
e 2 ; :::; !
e n ) est lie si et seulement si lun des vecteurs
est combinaison linaire des autres
) Toute famille contenant une famille lie est lie
) Toute sous-famille dune famille libre est libre.

13

II.2.2. Famille gnratrice, base dun espace vectoriel

II.2.2.1. Famille gnratrice
Soient !
e 1; !
e 2 ; :::; !
e n des vecteurs dun espace vectoriel E. Alors lensemble
F des combinaisons linaires de ces vecteurs est engendr par ces vecteurs et on
le note
F = vect (!
e 1; !
e 2 ; :::; !
e n)

Dnition 3
La famille (!
e 1; !
e 2 ; :::; !
e n ) est une famille gnratrice de lespace vectoriel
!
E si E = vect ( e 1 ; !
e 2 ; :::; !
e n ).
Cela signie que tout vecteur de E peut scrire comme combinaison linaire
des vecteurs !
e 1; !
e 2 ; :::; !
e n:
!
Ainsi, si v 2 E, alors
9 (

1;

2 ; :::;

!
n
n) 2 R = v =

n
X

!
ei

i=1

Cette criture est une dcomposition du vecteur !

v dans la famille (!
e 1; !
e 2 ; :::; !
e n)
Exemple 3
On considre dans R2 les vecteurs suivants:
!
u = (1; 1) ; !
v = (1; 0) ; !
w = (0; 1)
Vrions que la famille (!
u = (1; 1) ; !
v = (1; 0) ; !
w = (0; 1)) engendre R2 :
!
Soit le vecteur X = (x; y) 2 R2 , on cherche sil existe ( 1 ; 2 ; 3 ) 2 R3 tel
que
!
X = 1!
u + 2!
v + 3!
w
Cette galit vectorielle implique, en termes de composantes, les relations suivantes:
2
3

= x
1
=
y+

On obtient donc
!
X =

!
u + (x

1)

!
v +( y+

1)

!
w;

Ainsi, la famille (!
u;!
v; !
w ) est bien gnratrice de R2

14

2R

II.2.2.2. Base dun espace vectoriel

Dnition 4
Une base dun espace vectoriel E est une famille libre et gnratrice de E:
Exemple 4
Reprenons lexemple prcdent.
Soient
!
u = (1; 1) ; !
v = (1; 0) ; !
w = (0; 1)
!
!
!
On a vu que la famille ( u ; v ; w ) est gnratrice de R2 mais on constate que
!
u +!
w =!
v
!
Donc la famille est lie et par consquent ( u ; !
v; !
w ) nest pas une base de R2 :
Exemple 5
Soit F le sous-ensemble de R3 dni par:
F = (x; y; z) 2 R3 =x =

2y + z

( 2y + z; y; z) ; (y; z) 2 R2

=
y ( 2; 1; 0) + z (1; 0; 1) ; (y; z) 2 R2
= vect (( 2; 1; 0) ; (1; 0; 1))
Lensemble F est le sous-espace vectoriel de R3 engendr par les vecteurs
!
u = ( 2; 1; 0) et !
v = (1; 0; 1).
De plus, ces vecteurs forment une famille libre. Donc (!
u; !
v ) est une base
de F .
II. 2.3. Base canonique
La base canonique de R2 est dnie par:
!
e 1 = (1; 0) ; !
e 2 = (0; 1)
Ainsi, tout vecteur !
u =(x; y) 2 R2 peut scrire sous la forme
!
u = x!
e 1 + y!
e2
u dans cette base.
Les scalaires x; y sont les composantes du vecteur !
Idem pour R3 qui a pour base canonique:
!
e 1 = (1; 0; 0) ; !
e 2 = (0; 1; 0) ; !
e 3 = (0; 0; 1)

15

Exercice
En utilisant ce qui prcde, montrer que si

!
!
6= 0 et !
u = 0 alors !
u = 0:

II. 2. 4. Combinaisons linaires

On dit quun vecteur !
v est combinaison linaire des vecteurs !
u 1; !
u 2 ; :::!
un
sil existe des scalaires 1 ; 2 , ..., n tels que
!
v =

n
X

i!

ui

i=1

II. 2.4. 1. Exemple

Le vecteur

!
w = a!
e 1 + b!
e 2 + c!
e3

est combinaison linaire des vecteurs

!
u =!
e1+!
e2+!
e3
et

!
v = 2!
e 1 + 3!
e 2 + 4!
e3

sil existe deux scalaires

et

tel que
!
w = !
u + !
v

cest--dire, le systme linaire suivant a

8
< +2
+3
:
+4
la solution est donne par:

au moins une solution:

9
=a =
=b
;
=c

= b a
= c b
= 2a c
Cest la cas pour le vecteur
!
w = 2!
e1+!
e 2 + 0!
e 3 = (2; 1; 0)
mais pas pour

!
w = (1; 0; 0) :

16

II. 4. 2. 2. Remarques
!
Le vecteur nul 0 est toujours combinaison linaire des vecteurs !
u 1 ; :::; !
u n:
1
n
Il su t de poser
= ::: = 0:
On dit que le systme de vecteurs !
u 1 ; :::; !
u n est li, ou que les vecteurs
sont linairement dpendants, sil existe une relation linaire non triviale entre
les vecteurs cest--dire, sil existe des scalaires 1 ; :::; n non tous nuls tels que
lon a:
!
1!
u 1 + ::: n !
un = 0
Dans le cas contraire, on dit que le systme est libre ou que les vecteurs (!
u)

i i=1; :::; n

sont linairements indpendants.

II.4.2.3. Thorme
Un systme de k + 1 vecteurs de Rk est toujours li.
II. 5. Sous-espace vectoriel
II.5.1. Dnition
Un sous -espace vectoriel E de Rk est un sous-ensemble de Rk qui contient
le vecteur nul et qui est clos par les oprations sur les vecteurs.
Autrement dit, si !
u; !
v 2 E; alors !
u +!
v 2 E et si
!
u 2 E alors !
u 2 E pour tout

Si !
u 1 ; :::; !
u n sont des vecteurs de Rk , lensemble
E=

1!

u 1 + :::

n!

un =

; :::;

2 R:

2R

est un sous-espace vectoriel de Rk : Cest le sous-espace vectoriel engendr par

!
u 1 ; :::; !
u n:
II.5.2.1. Exemple
Si !
u et !
v sont deux vecteurs non colinaires, lensemble
R!
u + R!
v =f !
u + !
v = ;

2 Rg

est le plan vectoriel engendr par !

u et !
v .
En gnral, si un espace vectoriel V est engendr par le systme libre !
u 1 ; :::; !
u n;
on dit que ce systme forme une base de V:
II.5.2.2. Exemple
On peut vrier que le systme (1; 1) ; (1;
forme une base de lespace vectoriel R2 :

1) est libre dans le plan R2 et

II. 6. Thorme (Unicit de la dcomposition)

Si les vecteurs !
u 1 ; :::; !
u n forment une base dun espace vectoriel E alors
!
tout vecteur v 2 E scrit de faon unique sous la forme:
!
v =

n
X
i=1

17

i!

ui

II.6.1. Exercice
Montrer que toute droite vectoriel de R2 est engendre par un vecteur de la
forme: !
e 1 + a!
e 2 ou bien !
e 2 avec (!
e 1; !
e 2 ) est la base canonique de R2 :
II. 7. Orthogonalit
Si U = f!
u g est un ensemble de vecteurs de Rk , alors lensemble
!
?
u ?!
v est un sous-espace vectoriel de Rk appel orthogonal de U :
U = v 2 Rk = !
II.7.1. Exemples
- Si U = (a; b) 6= (0; 0), alors
U ? = (x; y) 2 R2 = ax + by = 0
est une droite de R2 :
- Si
U = (a; b; c) 6= (0; 0; 0)
alors,
U ? = (x; y; z) 2 R3 = ax + by + cz = 0

est un plan vectoriel de R3 :

Autrement dit:
- Dans R2 ; une quation linaire homogne non nulle dnit une droite vectorielle
- Dans R3 , une quation linaire homogne non nulle dnit un plan vectoriel.:
8
9
< (x; y; z) 2 R3 = x + 2y + 3z = 0 =
?
2y z; y; z = y; z 2 R
f(1; 2; 3)g =
: =
;
= R!
u + R!
v
avec
!
u = ( 2; 1; 0)
et

!
v = ( 3; 0; 1)

18

II.7.2. Proprits
1. Si E est sous-espace vectoriel de Rk alors, son orthogonal lui est complmentaire:
E E ? = Rk
et
dim E + dim E ? = k
2. Formule des quatre dimensions:
Soit E un espace vectoriel de dimension nie et soient F et G deux sousespace vectoriels de E. Alors dimensions satisfont la formule des quatre dimensions:
dim (F + G) = dim (F ) + dim (G) dim (F \ G)

19

Chapitre III
MATRICES & DETERMINANTS

III.1. Matrices
Dans ce chapitre, on dnit les matrices et les direntes rgles de calcul qui
les accompagnent.
III.1.1. Gnralits
III.1.1.1. Dnitions
On appelle matrice coe cients rels, tout tableau ayant n lignes et m
colonnes de la forme
0
1
a11 a12 ::: a1n
B a21 a22 ::: a2n C
C ; aij 2 R
M =B
@ :::
::: ::: ::: A
am1 am2 ::: amn

Une telle matrice est dite matrice de m 1 lignes et de n 1 colonnes.

Lensemble des matrices de m lignes et n colonnes de scalaires de R se note
M m;n (R) :
III.1.1.2. Exemples
A = (a) 2 M 1;1 (R) ;
0

C=

1
2
B = @ 0 A 2 M 3;1 (R) ;
1
0

1 2 6
0
8 2
D=@ 5 0
7 4

2 M 1;4 (R)
1
1
1 A
1

III.1.1.3. Matrice nulle

La matrice de M m;n (R) dont tous les lments sont nuls est appele matrice
nulle de m lignes et n colonnes:
0
1
0 0 ::: 0
B 0 0 ::: 0 C
C
N =B
@ ::: ::: ::: ::: A
0 0 ::: 0
20

III.1.1.4. Matrice colonne

Cest une matrice qui une seule colonne et m lignes:
0
1
a1
B a2 C
C
C=B
@ ::: A 2 M m;1 (R)
am
III.1.1.5. Matrice ligne
Une matrice dune seule ligne et de n colonnes est dite matrice ligne et est
de la forme
a1 a2 ::: an 2 M 1;n (R)
III.1.1.6. Matrice carre
Une matrice M est carre si le nombre de
colonnes; m = n:
0
a11 a12 :::
B a21 a22 :::
M =B
@ :::
::: :::
an1 an2 :::
Exemple
La matrice identit

1
B 1
B
@ 0
4

2
2
6
5

lignes est gal aux nombre de

1
a1n
a2n C
C
::: A
ann

1
5 0
3 0 C
C
1 7 A
0 1

III.1.1.7. Matrice diagonale

La diagonale dune matrice carre est constitue des termes de la forme:
aii ; 1 i n
Une matrice diagonale est une matrice carre dont les lments en dehors de
la diagonale sont nuls:

21

Exemples
- La matrice identit
0

1
1 0 ::: 0
B 0 1 ::: ::: C
C
= B
@ ::: 0 ::: 0 A 2 M n;n (R)
0 ::: 0 1

In

Ii;j

ij

i si i = j
0 si i 6= j

I2 =

1
0

0
0

III.1.1.8. Matrice triangulaire

Une matrice est dite triangulaire suprieure si tous ses termes en dessous de
sa diagonale sont nuls.
Une matrice est dite triangulaire infrieure si tous ses termes en dessus de
sa diagonale sont nuls.
Exemple
0

3
@ 0
0
0
5
@ 1
4

1
4
0
0
4
3

1
2
2 A
6
1
0
0 A
2

III.1.9. Matrice transpose

On appelle matrice transpose dune matrice A ayant m lignes et n colonnes
une matrice note AT ayant n lignes et m colonnes.
A 2 M m;n ; A = (aij ) ; 1
AT 2 M n;m ; AT = (aji )

m; 1

Exemple
0

1
B 0
A=B
@ 4
1

1
2
1 C
C;
5 A
9

AT =

22

1
2

0
1

4 1
5 9

III.1.10. MATRICE SYMETRIQUE

III.1.10.1. Dnition
Une matrice carre A est dite symtrique si elle est gale sa transpose:
A = AT

III.1.10.2. Exemple
0

5
A=@ 3
2

3
3
0

1
2
0 A
1

III.1.10.3. Trace dune matrice

La trace dune matrice carre A quon note T r (A) de dimension n est la
somme des lments de sa diagonale:
T r (A) =

n
X

aii

i=1

Proposition
Soient A et B deux matrices carres de dimension n et c 2 R: On a:
T r (cA + B) = cT r (A) + T r (B)
T r (AB) = T r (BA)

III. 2. Oprations sur les matrices

On peut dnir sur les matrices trois oprations:
- La somme de deux matrices de mme type,
- Le produit extrieur dune matrice par un scalaire
- Le produit de deux matrices dont le nombre de lignes de la premire est
gal au nombre de colonnes de la deuxime
III. 2.1. Somme de deux matrices
III.2.1.1. Dnition
Deux matrice de mme type lorsquelles ont le mme de lignes et le mme
nombre de colonnes.
Soient A; B 2 M m;n (R). Alors leur somme est une matrice C = A + B
dont les lments de matrices sont donns par:
Cij = (A + B)ij = Aij + Bij ;
1
i m; 1 j n
23

III. 2.1.2. Exemple

1 1
20 5

2
2

4
1

6
0

6
7

5
21

7
5

4
5

III. 2.1.3. Proposition

1. Associativit
Laddition est associative dans M m;n (R):
8 A; B; C 2 M m;n (R) ; (A + B) + C = A + (B + C)
2. Commutativit
8 A; B; 2 M m;n (R) ; A + B = B + A
3. Elment nul
Soit la matrice 0 2 M m;n (R) dont tous les lments sont nuls, alors
8A 2 M m;n (R) ; A + 0 = 0 + A
4. Oppos
Tout lment (toute matrice) de M m;n (R) admet un oppos:
8A 2 M m;n (R) , A 2 M m;n (R)
tel que A + ( A) = 0;
A = (aij ) , A = ( aij )

III. 2.2. Multiplication externe

Soit 2 R un scalaire et soit A 2 M m;n (R) :
Par dnition, la matrice :A note aussi A est une matrice dont les lments sont eux de A pultiplis par :
( A)ij = aij
III.2.2.1.Exemple
2

1
20

1
5

2
2

24

2
40

2
10

4
4

III.2.2.2. Proposition
1. Llment unit de R, not 1R , laisse invariantes les matrices:
8A 2 M m;n (R) ; 1R :A = A
(1R :A)ij = (A)ij
2. Llment nul de R est un lment absorbant:

8A 2 M m;n (R) ; 0R :A = 0
(0R :A)ij = 0
3. La multiplication externe est distributive par rapport laddition sur R
et sur M m;n (R) :
2

8 ( ; ) ; 8 (A; B) 2 M m;n (R) ;

( + )A =
A+ A
(A + B) =
A+ B
( A) =
A
Ainsi, lensemble M m;n (R) muni de laddition interne (+) et de la multiplication externe (:) est un espace vectoriel sur R:
III.2.3. Produit de matrices
On ne peut dnir le produit de matrices que lorsquelles sont conformes.
Deux matrices A et B sont conformes si le nombre de colonnes de A est gal au
nombre de lignes de B:
Les lments de M m;n (R) et M n;k (R) sont conformes.
III.2.3.1. Dnition
On dnit le produit dune matrice ligne X de n colonnes par une matrice
colonne de n lignes comme:
0
1
y1
B y2 C
C
x1 x2 ::: xn ; Y B
X =
@ ::: A ;
yn
XY = x1 y1 + x2 y2 + ::: + xn yn

III.2.3.2. Exemple

1
0
@ 4 A = (1
3

0) + ( 2

25

4) + (4

3) = 4

III.2.3.2. Dntion
Le produit dune matrice A 2 M m;n (R) de m lignes et de n colonnes par
une matrice B 2 M n;k (R) de n lignes et de k colonnes est une matrice C 2
M m;k (R) de m lignes et de k colonnes:
C = AB; cij = (AB)ij

III.2.3.3. Exemple
0

1
@ 1
0

2
2
4

1
0
1 A
5

2
@ 3
1

1 0
0
8
2 A=@ 9
3
7

1
9
7 A
7

III.2.3.4. Remarques
1. Le produit de matrices est associatif:
A(m;n)

B(n;k)

C(k;p) = A(m;n)

B(n;k)

C(k;p)

2. Une matrice nulle est absorbante, cest--dire, que si O 2 M m;n (R) est
une matrice nulle, alors pour toute matrice A 2 M m;n (R) qui lui est conforme
on a:
O A=O
III.2.3.4. Exercices
1. Soit la matrice carre dordre deux
M=

1
2

1
2

a) Calculer M 2 et vrier que M 2 = M avec une constante dterminer

b) Calculer M 3 et M 4 en fonction de M et
c) Soit n un entier quelconque. Dduire de b) lexpression de M n en
fonction de M; et n:
d) Dmontrer par rcurrence la relation tablie sous c)
2. Soit la matrice
1 2
M=
3 5
Dterminer la famille des matrices X telles que le produit M X soit une
matrice diagonale.

26

III.3. Dterminant dune matrice

Le concept de dterminant dune matrice est un outil qui sert essentiellement tudier lindpendance linaire dun ensemble de vecteurs et calculer
pratiquement linverse dune matrice
III.3.1. Dterminant dordre 2
III.3.1.1. Dnition
Soit une matrice carre dordre 2 de la forme
a11
a21

A=

a12
a22

Cest une fonction des lments de cette matrice. Il peut aussi tre considr
comme une fonction de ses vecteurs colonnes
Le dreminant de A est un nombre et est not
det (A)

a11 a12
a21 a22
= a11 a22 a12 a21
=

III.3.1.2. Exemple
det

3
4

1
5

=3

1 = 11

III.3.2. Dterminant dordre 3

III. 3.2.1 Mineur
Soit la matrice

2
A=@ 5
8

1
4
3 A
3

1
2
7

Le mineur M12 de la matrice A est le dterminant de la matrice obtenue en

liminant la 1re ligne et la 2me colonne de A:
M12 =

5
8

3
3

= 5:3

3:8 =

Le mineur M22 est le dterminant de la matrice obtenue en liminant la

2me ligne et la 2 me colonne de A :
2
8

4
3

= 2:3

27

4:8 =

26

III.3.2.2. Cofacteur
Le cofacteur dune matrice A est dni par la relation
i+j

Cij = ( 1)

Mij

Considrons nouveau la matrice A.

Le cofacteur correspondant au mineur M12 =
1+2

C12 = ( 1)

M12 = 9

le cofacteur correspondant au mineur M22 =

2+2

C22 = ( 1)

9 est

M22 =

26 est
26

III. 3.2.3. Expansion par cofacteur-mthode de calcul du dterminant

Soit A une matrice carre et Cij ses cofacteurs. Le dterminant est obtenu
en suivant une expansion par cofacteurs comme suit:
- choisir une ligne ou une colonne de A (sil est possible la ligne ou la colonne
contenant le plus grand nombre de zros)
- multiplier chacun des lments aij de la ligne ou (de la colonne) choisie par
son cofacteur, Cij , correspondant
- faire la somme de ces rsultats
III.3.2.4. Calcul du dterminant dune matrice 3x3
Pour une matrice 3 3, le calcul de son dterminant en utilisant une expansion le long de la 1re ligne serait
det A = a11 C11 + a12 C12 + a13 C13
Si lon choisit de faire une expansion le long de la 2me colonne, alors le
dterminant est donn par:
det A = a12 C12 + a22 C22 + a32 C32
Quoique le choix de ligne ou de colonne puisse direr, le rsultat du dterminant sera le mme quel que soit ce choix.

28

III. 3..2.5. Exemple

Calculons le dterminant de la matrice
0
2 1
A=@ 1 0
2 0

1
3
2 A
2

Utilisons le processus de lexpansion par cofacteurs:

- Choisissons la premire ligne
- multiplier chacun des lments de cette ligne par leurs cofacteurs correspondants: les lments de la premire ligne sont a11 = 2; a12 = 1 et a13 = 3
que lon multiplie par les cofacteurs correspondants qui sont
0 2
0
2

1+1

M11 = 1

1+2

M12 = ( 1)

1+3

M13 = 1

C11

( 1)

C12

( 1)

C13

( 1)

1
0

= 0;
2
2

= 6;

1 0
=0
2 0

Finalement, on a:
det A = a12 C12 + a22 C22 + a32 C32
= 0+6+0=6

III.3.2.6. Exercice
Calculer le dterminant des matrices
a)
0
1 3
@ 4 1
2 2

b)

1
@ 1
0

0
3
6

III.3.3. Dterminant dordre n

suivantes:
1
2
3 A
0

1
2
4 A
0

III.3.3.1. Dnition
Le mineur jAij j de llment aij de la matrice A est le dterminant de la
matrice Aij , obtenue en supprimant la ime ligne et la jme colonne de A:
i+j
Le cofacteur Aij de llment aij de la matrice A est gal ( 1)
fois le
mineur de aij :
i+j
Aij = ( 1) jAij j
29

III.3.3.2. Exemple
a11
a21

jA23 j = det

a12
a22

On obtient:
2+3

A23 = ( 1)

jA23 j =

a11
a21

det

a12
a22

III.3.3.3. dnition
Le dveloppement par rapport la ime ligne du dterminant de la matrice
A est donn par la formule:
det (A) =

n
X

i+j

( 1)

j=1

aij jAij j ; i tant f ixe

III.3.4. Proprits du dterminant

1) Si un ligne ( ou une colonne) dune matrice est multiplie par une constante c, le dterminant est galement multipli par c:
2) La permutation de deux lignes ou de deux colonnes change uniquement
le signe du dterminant:
1
2
5
3) Une matrice qui
nant nul
0
4
det @ 1
1

3
4
0

7
8
6

1
5
2

3
0
4

7
6
8

32

a deux lignes ou deux colonnes identiques a un dtermi2

2
2

1
1
2
1 A =4
2
1

1
1

3
4

6
8

2
2

1
2
+
1
2

1
=0
1

4) Le dterminant dune matrice est nul si et seulement si les vecteurs

colonnes (respectivement les vecteurs lignes) sont lis:
det

=0

En eet, la deuxime colonne est le double de la premire colonne.

5) Si lon ajoute une colonne (respectivement une ligne) un multiple
scalaire dune autre colonne (respectivement dune autre ligne) on ne change
pas le dterminant.
6) Si A est une matrice carre alors,
det (A) = det AT
7) Soient A et B deux matrices dordre n alors,
det (AB) = det (A) det (B)
30

8) Le dterminant dune matrice diagonale dordre n est gal au produit des

lments de la diagonale:
D

= diag (
n
Y
det (D) =
j

1;

2;

:::;

n)

j=1

9) Le dterminant dune matrice triangulaire dordre n est gal au produit

des lments de sa diagonale.
III. 4. Le pivot de Gauss
III. 4.1. Principe gnral
Le pivot de Gauss est une mthode qui peut sappliquer sur des matrices ou
sur des systmes dquations.
Le but de cette mthode est de transformer une matrice ou un systme de
dpart en une matrice ou un systme qui soit triangulaire
La matrice ou le systme obtenus sont dit "quivalent" la matrice ou le
systme de dpart.
III. 4.2. Oprations sur les lignes
- On change la ligne dindice i avec la ligne dindice j: Li ! Lj
- On multiplie la ligne dindice i par une constante a 6= 0 : Li ! aLi
- On remplace la ligne dindice i par la somme de la ligne dindice i multiplie
par a 6= 0 et de la ligne dindice j multiplie par b

31

III. 4.3. Application aux matrices

III. 4.3. 1. Dterminer si une matrice est inversible
Principe
La matrice quivalente obtenue aprs les oprations du pivot de Gauss possde les mmes proprits dinversibilit que la matrice de dpart.
Mthode
Pour rpondre la question "la matrice A est-elle inversible?" on commence
par appliquer les oprations du pivot de Gauss la matrice A pour la transformer
en une matrice triangulaire B: sil ny a pas de 0 sur la diagonale de B alors B
est inversible et donc A est inversible. Sil y a un ou plusieurs alors B nest pas
inversible et donc A nest pas inversible.
Exemple 1
Cherchons si la matrice
0

2
A=@ 3
1

est inversible.
0
0

2
@ 0
0

2
@ 3
1
7
3
3

7
9
5

1
3
4 A
3

1
7 3
L ! 3L1 2L2
9 4 A 2
L3 ! 2L3 L1
5 3
!
1
0
1
2 7 3
3
1 A L3 ! L3 L2 @ 0 3 1 A
!
0 0 2
3

La matrice A est quivalente une matrice triangulaire sans 0 sur la diagonale donc A est inversible
Remarques
- Si on trouve une matrice B qui vrie
A

B=I

alors on peut immdiatement dire que A est inversible et que

A

=B

- Si les lignes de A sont lies ou si une ligne ne contient que des zros, alors
A nest pas inversible. Cest possible aussi avec les colonnes.
- Les valeurs de la constante pour lesquelles la matrice A
I nest pas
inversible sont les valeurs pour lesquelles lun des termes de la diagonale de la
drnire matrice du pivot de Gauss sannule

32

Exemple 2
Soit la matrice

dterminer les valeurs de

2
@ 2
1

pour lesquelles la matrice A

= @
L1

L2

L3

1
1
2 A
2

2
1
2

2
2
1

! L3 @
!
0

! 2L1 + L2 @
!

2
1
2

2
1

1
0

2
3

1
! L3 + (2 + ) L1 @ 0
!
0
0
1
L3 ! L3 2L2 @ 0
!
0

1
2

2
3
6 2
2
3
0

I nest pas inversible:

2
2
1

2
6 2
1

1
A

1
A

1
2
A
6 2
2
(2 + ) + 1
1
2
2 (3 + ) A
2
+9

Plusieurs cas se prsentent:

- si 3
= 0 ,
= 3 alors A
I est quivalente une matrice
triangulaire possdant un zro sur sa diagonale donc A
I nest pas inversible.
2
- Si
+ 9 = 0 , = 3 ou = 3 alors A
I est quivalente une
matrice triangulaire possdant un zro sur sa diagonale donc A
I nest pas
inversible.
- Sinon A
I est quivalente une matrice triangulaire sans zro sur sa
diagonale donc A
I est inversible.

33

III. 4.3.2. Calcul de linverse dune matrice

Principe
Lorsquune matrice est inversible, grce aux oprations de pivot de Gauss
on peut la transformer en la matrice identit. Si on applique exactement les
mmes oprations la matrice identit, on obtient la matrice A 1 :
Mthode
On commence par crire cte cte la matrice A et la matrice identit.
A laide des oprations sur les lignes il faut transformer la matrice A en la
matrice identit. A chaque tape de la transformation de A il faudra eectuer
les oprations sur les lignes aussi sur la matrice identit quon a crit ct. A
la n, la matrice quon aura ct de la matrice identit est la matrice A 1 :
Exemple
Soit la matrice
0

2
A=@ 3
1

1
3
4 A
3

7
9
5

1
@ 3
2

6
@ 0
0

6
@ 0
0

5
9
7
#

0
6
0

1
I=@ 0
0
L1

1
3
4 A
3

0
1
0

3L1

L2

L3

2L1

1
7
5 A
1

5
1
1

L1 + 7L3

L2
L2 5L3
1 0
0
14 12
0 A @ 10
6
1
2
1
1
L1
6
1
L2
6

L2
34

1
0
0 A
1

1
1
0 A
0

L3

0
@ 0
2

# L1

0
1
0

! L3

0
@ 0
1

L2

# L1
0
6
0

1
9
3 A
1

1
2
2 A
1

0
On a donc

1
@ 0
0

1
0
0 A
1

0
1
0

= @

0
@

7
3
5
3

2
1
1

2
1
1

1
3
1
3

7
3
5
3

cest--dire, on peut vrier que

A:A

1
3
1
3

1
1

1
A

=I

III. 4. 4. Application aux systmes direntiel

III. 4.4. 1. Systmes direntiel sans paramtre
Pour rsoudre un systmedquations sans paramtre il existe deux grandes
mthodes: la mthode par substitution et le pivot de Gauss. Voici un exemple
de rsolution par le pivot de Gauss
Exemple
Rsolvons le systme suivant:
8
9
< 4x + 2y z = 5 =
2x + y + 2z = 5
:
;
x + 2y + 4z = 0
L1

L3

8
<

9
x + 2y + 4z = 0 =
2x + y + 2z = 5
:
;
4x + 2y z = 5

8
<
:

8
<
:

L2

2L1 + L2

L3

L3 + 4L1

9
x + 2y + 4z = 0
=
5y + 10z = 5
;
10y + 15z = 5
1
L2
5

L2

L3

2L2

L3

9
x + 2y + 4z = 0 =
y + 2z = 1
;
5z = 15
35

8
9
< x= 2 =
y=5
,
:
;
z= 3

III. 4.4.2. Systmes direntiel paramtre

Pour tudier proprement un systme paramtre il est trs fortement conseill dutiliser le pivot de Gauss qui aide viter de faire des oprations du
type division par 0
Exemple
Etudions le nombre de solutions du systme suivant en fonctions des valeurs
du paramtre :
8
9
< (2 + ) x + 2y z = 0 =
2x + (
1) y + 2z = 0
(S)
:
;
x + 2y + (2 + ) z = 0

Premire tape
Il fau mettre le systme sous forme triangulaire en sassurant bien de ne pas
faire des oprations interdites. Par exemple il est interdit dans la premire tape
deectuer lopration L2
(2 + ) L2 2L1 car on ne peut pas remplacer
L2 par une combinaison linaire o nous ne sommes pas sr que le coe cient
devant L2 est non nul.

9
8
< (2 + ) x + 2y z = 0 =
2x + (
1) y + 2z = 0
L
; 1
:
x + 2y + (2 + ) z = 0
L2
L3
8
<

8
<

9
x + 2y + (2 + ) z = 0 =
2x + (
1) y + 2z = 0
! L3
! :
;
(2 + ) x + 2y z = 0

9
x + 2y + (2 + ) z = 0
=
2L1 + L2
( + 3) y + 2 ( + 3) z = 0
L3 + (2 + ) L1 :
;
2 ( + 3) y + 2 + 4 + 3 z = 0
!
8
<

9
x + 2y + (2 + ) z = 0
=
( + 3) y + 2 ( + 3) z = 0
L
:
; 3
2 ( + 3) y + 2 + 4 + 3 z = 0

36

L3

8
<

9
x + 2y + (2 + ) z = 0 =
( + 3) y + 2 ( + 3) z = 0
2L2
!:
;
2
9 z=0

Deuxme tape
On rsout le systme en faisant bien attention aux dirents cas:
- Si 2 9 6= 0 ( 6= 3 et 6= 3 ) alors on a:
8
9
< x + 2y = 0 =
( + 3) y = 0
(S)
:
;
z=0
,x=y=z=0

(S) ()

8
<
:

9
x + 2y + 5z = 0 =
6y + 12z = 0
;
0=0

Donc lensemble des solutions du systme est S = f(0; 0; 0)g

- Si = 3; alors on a

(S) ()

8
<
:

9
x + 2y + 5z = 0 =
6y + 12z = 0
,
;
0=0

x=z
y = 2z

Donc lensemble des solutions du systme est S = f(z; 2z; z) = z 2 Rg

-Si = 3; alors on a

(S) ()

8
<
:

9
x + 2y z = 0 =
0=0
, fz =
;
0=0

x + 2yg

Donc lensemble des solutions est S = (x; y; x + 2y) = (x; y) 2 R2

37

Chapitre IV
APPLICATION A LA GEOMETRIE
IV. 1. Produit scalaire
IV.1.1. Dnition
Soient !
u 1 = (x; y), !
u 2 = (x0 ; y 0 ) deux vecteurs de R2 :
Le produit scalaire de !
u 1 avec !
u 2 = (x0 ; y 0 ) est donn par:
!
u1 !
u 2 = xx0 + yy 0
Cest un scalaire qui vrie les proprits suivantes:
8!
u; !
v;
(!
u +!
v)
!
0
!
( u)
!
u

!
w 2
!
w =
!
u =
!
v =
!
v =

R2 ; 2 R
!
u !
w +!
v !
w
0
(!
u !
v)
!
!
v u

De mme pour les vecteurs !

u = (x; y; z) et !
w = (x0 ; y 0 ; z 0 ) de R3 :
!
u !
w = xx0 + yy 0 + zz 0
Dans la base canonique (!
e 1; !
e 2 ) les vecteurs
!
u1
!
et u 2

(x; y)

(x0 ; y 0 )

x1 ; x2 = x1 !
e 1 + x2 !
e2
10
20
10 !
x ; x = x e + x20 !
e
1

Ainsi, leur produit scalaire se rcrit:

!
u1 !
u2

= x1 x10 + x2 x20
= x1 !
e + x2 !
e
1

0
x1 !
e 1 + x20 !
e2

Alors on en dduit les proprits dorthonormalit de la base canonique:

!
ei !
ej

ij

= 1 si i = j
= 0 si i =
6 j

38

IV.1.2. Exemple
Le produit scalaire de !
u = (1; 2)= !
e1 2!
e 2 et !
v = (0; 3) = 3!
e2
est donn par:
!
u !
v = 6
!
!
On dit que les vecteurs u et v sont orthogonaux et on crit:
!
u ?!
v
si

!
u !
v =0

IV.1.3. Remarque
!
e1?!
e2
et

!
8!
u 2 Rn ; 0 ? !
u

IV.1.4. Exercice
Etant donn

!
!
u 1 = x1 ; x2 6= 0
!
construire le vecteur !
v 6= 0 tel que !
u ?!
v:
IV. 2. Dterminant dans R2

IV.2.1. dnition
0
Soient deux vecteurs !
u 1 = x1 !
e 1 + x2 !
e 2 et !
u 2 = x1 !
e 1 + x20 !
e 2 de R2 :
!
!
Le dterminant de u 1 et u 2 est dni par:
det (!
u 1; !
u 2) =

x1 x10
x2 x20

= x1 x20

x2 x10

Le dterminant vrie les identits suivantes:

det (!
u +!
v; !
w ) = det (!
u; !
w ) + (!
v; !
w)
det

! !
0; u =0

det ( !
u; !
v )=

det (!
u; !
v)

det (!
u; !
u)= 0

39

det (!
u; !
v )=

det (!
v; !
u)

IV.2.2. Remarque
Cette drnire relation montre que le dterminant est antisymtrique
IV. 3. Produit vectoriel
IV.3.1. dnition
Soient deux vecteurs de R3 donns par !
u = xi !
e i et !
u 0 = xi0 !
e i.
Leur produit vectoriel est dnie par:
!
ek
u ^!
u 0 =2ijk xi xj0 !
avec
2
2
2

ijk
ijk
ijk

= 0 si i = j ou j = k
= 1 si i j k
= 1 pour une permutation de deux indices

IV.3.2. Exemple
On peut montrer que pour les vecteurs:
0
!
u 1 = x1 !
e 1 + x2 !
e 2 et !
u 2 = x1 !
e 1 + x20 !
e 2 de R2 on a la relation
!
u1^!
u 2 = det (!
u 1; !
u 2) !
e1^!
e2
qui relie le produit vectoriel et le dterminant et qui montre aussi que le
produit vectoriel est antisymtrique.
IV.3.3. dnition
Deux vecteurs !
u et !
v de R2 sont colinaires sil existe un scalaire
que lon a:
!
u = !
v

2 R tel

IV.3.4. Remarque
Pour dterminer si un systme est li, on peut utiliser les critres suivants:
-!
u et !
v de R2 sont colinaires si det (!
u; !
v)=0
!
!
!
!
!
3
- u et v de R sont colinaires si u ^ v = 0
!
!
!
!
!
- u , v ; w de R3 sont coplanaires si det ( u ; v ; !
w) = 0
- Pour les vecteurs !
u = (x; y; z) et !
u 0 = (x0 ; y 0 ; z 0 )
le critre de colinarit scrit:
x
y

x0
y0

x x0
z z0
40

y
z

y0
z0

=0

IV. 4. Norme & Distance

Daprs la dnition du produit scalaire, on peut vrier que le produit
scalaire du vecteur !
u = (x; y) de R2 avec lui-mme scrit !
u !
u = x2 + y 2 0
IV. 4. 1. Dnitions
- La norme du vecteur !
u 2 R2 est dnie par:
p
p
k!
uk= !
u !
u = x2 + y 2

- Un vecteur !
u est appel vecteur unitaire sil satisfait la relation
k!
u k = 1:

- De faon gnrale, si !
u = x1 ; x2 ; :::xn 2 Rn sa norme est donne par:
v
u n
uX i
!
x
kuk=t

i=1

IV. 4. 2. Remarque
Les vecteurs (!
e i )i=1; :::;

de la base canonique de Rn sont unitaires:

k!
e i k = 1; i = 1; :::; n
IV. 4. 3. Propris de la norme
La norme de tout vecteur !
u 2 Rn satisfait les proprits suivantes:
k !
u k = j j k!
uk
jk!
uk

k!
v kj

k!
u +!
vk

k!
u k + k!
vk

!
k!
u k = 0 ssi !
u = 0

41

IV. 5. Distance entre deux vecteurs

La distance entre !
u et !
v est dnie par:
d (!
u; !
v ) = k!
v

!
uk

Des proprits de la norme on en dduit celle de la distance:

jd (!
u; !
v)

d( !
v; !
w )j

d (!
u; !
v ) + d( !
v; !
w)

d (!
u; !
v ) = 0 ssi !
u =!
v

IV. 6. Projection orthogonale

Soit !
v est vecteur non nul.
Tout vecteur !
u se dcompose de faon unique selon !
v de la manire suivante:
!
u = !
u0+ !
u"
avec
?
!
0
u
2 R!
v et !
u " = f!
vg
Il su t de poser

!
u !
v
!
u0 = ! 2
kvk

et

!
u"=!
u !
u0
u sur
Le vecteur !
u 0 (respectivement) !
u " est la projection orthogonale de !
?
!
!
R v (respectivement) sur f v g :
?
La distance entre le vecteur !
u et la droite (ou le plan) f!
v g est donne
par:

?
det !
u ; f!
vg
= k!
u 0k

De mme, la distance entre le vecteur !

u et la droite R!
v est
det (!
u ; R!
v ) = k!
u "k
On a donc dans R2 :
?
det !
u ; f!
vg

det (!
u ; R!
v)

=
=

42

j!
u !
vj
!
kvk
jdet (!
u; !
v )j
!
kvk

Dans R3 :

k!
u ^!
vk
det (!
u ; R!
v)=
!
kvk

IV. 7. Angle entre deux vecteurs

IV. 7. 1. Dnition
Soient !
u et !
v de R2 non nuls.
!
!
Langle ( u ; v ) entre !
u et !
v est lunique

2]

[ tel que

j!
u !
vj
cos = ! !
kukk v k
sin =

jdet (!
u; !
v )j
!
k u k k!
vk

si !
u et !
v sont deux vecteurs de R3 , langle (!
u; !
v ) entre !
u et !
v est
lunique 2 [0; ] tel que
j!
u !
vj
cos = ! !
kukk v k
k!
u ^!
vk
sin = ! !
kukk v k
IV. 7. 2. Remarque
On prend 2 [0; ] car, dans R3 il ny a pas de faon unique pour distinguer
les angles et ( ) alors que, dans R2 lorientation permet de les distinguer.
IV. 8. Aire & Volume
On note A (!
u; !
v ) laire du paralllogramme dni par les vecteurs !
u et !
v
2
de R non nuls:
A (!
u; !
v ) = jdet (!
u; !
v )j
3
u et !
v est donn par
Dans R laire paralllogramme dni par les vecteurs !
A (!
u; !
v ) = k!
u ^!
vk
Le volume du paralllpipde form par les trois vecteurs
!
u, !
v; !
w de R3 est dni par
V (!
u; !
v; !
w ) = jdet (!
u; !
v; !
w )j

43

Chapitre V
APPLICATIONS LINEAIRES
V. 1. Applications linaires
On dsignera par la suite E; F; G des IK espaces vectoriels
V.1.1. Dnition
Soit f une application de E dans F ; on dit que f est IK linaire (ou que
cest un morphisme de IK espaces vectoriels) si f est un morphisme pour les
deux lois dnies sur E etF , cest--dire si
1:8 !
x;
2: 8

!
y 2 E; f (!
x +!
y ) = f (!
x ) + f (!
y)
!
!
!
x 2 E 8 2 IK; f ( x ) = f ( x )

Vocabulaire
- Une application linaire de E dans lui-mme est appele un endomorphisme de E
- Une application linaire bijective est appele un isomorphisme despaces
vectoriels
- Un endomorphisme de E bijectif est appel automorphisme de E
V.1.2. Remarques
1. On peut regrouper les deux conditions en une seule:
3: :8 !
x; !
y 2 E; 8

2 IK; f (!
x + !
y ) = f (!
x ) + f (!
y)

2. La condition 1: signie que f est un morphisme du groupe (E; +) vers

le groupe (F; +): mais ceci ne sue pas pour que f soit linaire. Par exemple
C
z

! C
7
!
z

est un morphisme additif, mais elle nest pas C-linaire ( par contre, elle est
R-linaire).
V.1.3. Proprits
si lapplication f est linaire:
!
!
0E
= 0F
!
n
n
X
X
i!
xi
=
f

i=1

i=1

V.1.4. Exemples
44

f (!
x i)

a) Homothties vectorielles
Lapplication
ha
!
x

: E ! E; 8 a 2 IK
7! ha (!
x ) = a!
x

est appele lhomothtie vectorielle de rapport a:

Les homothties sont linaires et vrient les proprits suivantes:
h1 = idE ; ha = a:idE
ha hb = hab = hb ha
1
ha est bijective ssi a 6= 0 et (ha ) = h a1
Si E est une droite (donc par exemple si E = IK) les homothties sont les
seules applications linaires de E dans E:
b) Projections vectorielles
Les projections sont linaires et vrient les proprits suivantes:
si E = F G, soient p (respectivement q) la projection de base F (respectivement G) et de direction G (respectivement F ) alors:
8
9
!0
<
=
!0
!0
x 2F
:8 !
x ; x 2 E; x = p (!
x),
!
: x0 !
x 2G ;
p p
si f
si g

= p; p q = h0 ; p + q = h1 = idE
= E; p = h1 = idE
= E; p = h0

V. 2. Espaces vectoriel dpplications linaires

Lensemble des applications linaires de E dans F :
L (E; F ) = f 2 F E = f est lineaire
est un espace vectoriel.
Par exemple, si comme ci-dessus p et q sont les deux projections associes
la dcomposition E = F G; alors
8 ;

2 IK;

p + q est linaire

Lapplication s = p q est appele la symtrie vectorielle de base F et de

direction G (ou symtrie par rapport F et paralllement G). Elle vrient

45

les proprits suivantes:

!0
8!
x; x

8
<
!0
E; x = s (!
x),
:

9
!0
=
!
x + x 2F
!0
!
x
x 2G ;

s = 2p idE ; s s = h1 = idE (on dit que s est involutive

si F = E; s = h1 = idE
si G = E; s = h 1 = idE
Plus gnralement, lapplication fa = p + aq est appele la dilatation (ou
a nit) vectorielle de base F; de direction G et de rapport a:
V. 3. Composition des applications linaires
La compose de deux applications linaires est linaire; plus prcisment;
si f 2 L (E; F ) et g 2 L (F; G) alors g f 2 L (E; G)
La composition des applications dnit donc une loi de composition interne
dans L (E). Ainsi, (L (E) ; +; ) est un anneau non commutatif et non intgre
ds que dim E 2:
V.3.1. Exemple
Avec la notation des a nits ci-dessus, la composition de deux homothties
est une homothtie:
fa fb = fab

V. 4. Noyau et Image dune application linaire

V.4.1. Noyau dune application linaire
V.4.1.1. Dnition
Le noyau dune application linaire est lensemble des vecteurs de lensemble
de dpart qui ont pour image le vecteur nul de lespace darrive:
n
! o
!
Si f 2 L (E; F ) ; ker f = !
x 2 E = f (!
x) = 0F =f 1 0F
V.4.1.2. Proposition
On peut montrer que le noyau dune application linaire est un sous-espace
vectoriel de lespace de dpart.
Cette proposition est souvent utilise pour dmontrer quune partie dun
espace vectoriel est en fait un espace vectoriel.
V.4.1.3. Noyau & injectivit
Lemme:

46

si f 2 L (E; F ) et !
y 2 F; alors la dirence de deux solutions de lquation
dinconnue !
x 2E:
(E) : f (!
x) = !
y
est un lment du noyau de f:
! est une solution particulire de lquation (E), alors les
autrement, si x
0
! un lment de ker f ; sous forme
autres solutions sont obtenues en ajoutant x
0
symbolique:
! + ker f
f 1 (!
y)=x
0

Corrolaire:
Si f 2 L (E; F ) et !
y 2 F , alors f
a ne de E de direction le noyau de F

(!
y ) est soit vide soit un sous-espace

Proposition
une application linaire est injective si et seulement si son noyau est rduit
zro:
n! o
f est injective , ker f = 0 E
V.4.2. Image dune application linaire
V.4.2.1. Dnition
Limage dune application linaire est lensemble des images des vecteurs de
lespace de dpart:
Im (f ) = f!
y 2F =9!
x 2 E = f (!
x) = !
y g = f (E)
V.4.2.2. Proposition
Limage dune application linaire est un sous-espace vectoriel de lespace
darrive.
V.4.2.3. Dnition
Une application linaire est surjective si et seulement si son image est gale
son espace darrive:
f est surjective , Im (f ) = F
V.4.2.4. Proposition
si B est une base de E alors, Im (f ) = V ect (f (B))
A retenir:
Le noyau dune projection est sa direction et son image est sa base.
47

V.4.3. Isomorphismes
V.4.3. 1. Isomorphismes & espaces isomorphes
Rappelons quun isomorphisme despaces vectoriels est une application linaire
bijective.
Notons ISOM (E; F ) lensemble des isomorphismes de E sur F:
Proposition
La compose de deux isomorphismes est un isomorphisme, et la rciproque
dun isomorphisme est un isomorphisme:
f
f

2 ISOM (E; F ) ; g 2 ISOM (F; G) =) g f 2 ISOM (E; G)

2 ISOM (E; F ) =) f 1 2 ISOM (F; E)

Dnition
Deux espaces vectoriels E et F sont dits isomorphes (notation E
existe un isomorphe de E vers F , autrement dit::
E
Proposition
La relation disomorphie
toriels.

F ) sil

F , ISOM (E; F ) 6= ;
est une relation dquivalence entre espaces vec-

Exemple
si E = F

G; alors E

V.4.3. 2. Isomorphismes & dimension

Lemme
Soit f 2 L (E; F ), B = (!
e 1 ; :::; !
e n ) une base de E, alors:
f est injective (1) () limage (f (!
e 1 ) ; :::; f (!
e n )) de B par lapplication
f est une famille libre (2)
f est injective (3) () limage (f (!
e 1 ) ; :::; f (!
e n )) de B par lapplication
f est une famille gnratrice de F (4)
f est bijective (donc est un isomorphisme) () limage (f (!
e 1 ) ; :::; f (!
e n )) de
B par lapplication f est une base de F .
Thorme
Deux espaces vectoriels de dimension nie sont isomorphes si et seulement
sils ont la mme dimension.
V. 5. Thorme du rang
V. 5. 1. Thorme de la restriction
48

La restriction dune application linaire un supplmentaire de son noyau

dnit un isomorphisme de ce supplmentaire sur son image, autrement dit
f 2 L (E; F ) ; E = ker f

G et

G ! Im (f )
x 7! f (x)

alors f1 est bijective, donc cest un isomorphisme.

Remarque
On peut aussi dire de faon quivalente que la restriction
f0 :

G!F
x 7! f (x)

est injective et que Im f0 = Im f

Corollaires
1. Un supplmentaire du noyau dune application linaire est toujours isomorphe limage de cette application linaire
2. Deux supplmentaires dun mme sous-espace vectoriel sont toujours
isomorphes
V. 5. 2. Codimension, hyperplans
Thorme
Daprs le corollaire 2) ci-dessus, si un sous-espace vectoriel F de E possde
un supplmentaire de dimension nie, tous les autres supplmentaires ont la
mme dimension; cette dimension est par dnition la codimension de F:
Remarque
Si lespace vectoriel E est de dimension nie, alors:
codimF = dim E

dim F

Dnition
Un hyperplan de E est un sous-espace vectoriel de codimension 1 (autrement
dit, un sous-espace vectoriel dont un supplmentaire est une droite)
V. 5. 3. Thorme du rang
Thorme (application directe du corollaire 1) ci-dessus)
La somme des dimensions du noyau et de limage dune application linaire
(dont lespace de dpart est de dimension nie) est gale la dimension de
lespace de dpart:
dim ker f + dim Im f = dim E; si dim E
Corollaire 3

49

+1

La dimension de limage dune application linaire est infrieure ou gale

la dimension de lespace de dpart
V. 5. 4. Rang dune application linaire
Dnition
Le rang dune application linaire est la dimension de son image:
si f 2 L (E; F ) ; rg (f ) = dim (Im f )
Remarque
Le thorme du rang sappelle ainsi car il peut senoncer sous la forme:
rg (f ) = codim (ker f )
Proprits du rang
Si dim E = n; dim F = p; alors
1:rg (f )

min (n; p)

2:rg (f ) = n , f est injective

3: rg (f ) = p , f est surjective
4: rg (f ) = n = p , f est bijective
V. 6. Automorphismes, Groupe linaire
Rappelons quun automorphisme (despaces vectoriels) est un endomorphisme
bijectif.
Lensemble des automorphismes de lespace vectoriel E est GL(E); ou parfois
AU T (E):
Proposition ( diverses caractrisations des automorphismes parmi les endomorphismes):
Soit f 2 L(E); alors les 10 conditions suivantes sont des conditions ncessaires et su santes pour que f 2 GL(E) :
1: f est bijective ( 8 !
y 2 E 9! !
x 2E = !
y =f(!
x)
2: 9 g 2 L(E) = g f = f

g = idE

3: f est un element inversible de l0 anneau (L(E); +; )

Les 7 conditions suivantes ne sont valables que si E est de dimension nie.
50

4: l0 image de toute base de E est une base de E

5: L0 image d0 une base donnee de E est une f amille libre
6: f est injective
n! o
7: ker f = 0 E

8: f est surjective
9: une matrice de f est inversible
10: det f 6= 0
Propositions
- Lensemble des automorphismes dun espace vectoriel est un groupe pour
la loi de composition des applications linaires :
- Cest un sous-groupe des applications bijectives de E dans lui mme qui
est not (BIJ(E); ).
- Ce groupe des automorphismes est appel le groupe lineaire de E (do
la notation GL(E)):
V. 7. Applications linaires & Matrices carres
V.7.1. Dnition
- Toute application linaire est dnie par:
f : R2 ! R2
(x; y) 7! f (x; y) = (ax + by; cx + dy)
- Tout vecteur de R2

!
u = x!
e 1 + y!
e2

est reprsent par sa matrice colonne

x
y

!
u =

En particulier, les vecteurs de base canonique sont reprsents par les matrices unicolonnes suivantes:
!
e1

1
0

!
e2

0
1

- Lapplication linaire f est reprsente par sa matrice carre dordre 2 (2

2 lignes, 2 colonnes:
51

2):

A=

a b
c d

- Lapplication identique sexprime par la matrice identit

1!
u = !
u
1

1
0

0
1

- Lapplication nulle est reprsente par la matrice nulle

!
0!
u = 0
0

0
0

0
0

Une application f : Rk ! Rk est linaire si elle vrie les proprits suivantes:

!
u; !
v 2
f :
1
2
k
x ; x ; :::; x
7
!
!
!
f(u + v) =
f( !
u) =

Rk ;
R k ! Rk
f x1 ; x2 ; :::; xk
f (!
u ) + f (!
v)
!
f(u)

V.7.2. Remarque
On peut vrier que les images par lapplication linaire f des vecteurs de
la base canonique sont donnes par:
f (!
e 1 ) = f (1; 0) = (a; c)
f (!
e 1 ) = f (1; 0) = (b; d)

V.7.3. Proposition
Lensemble des matrices carres (2

2) est un espace vectoriel de dimension

4
V.7.4. Exercice
Vrier que les quatre matrices formant la base de cet espace vectoriel. sont:
1
0

0
0

0
0

1
0

0
1

De mme, toute application linaire sur R3

f : R3 ! R3
52

0
0

0
0

0
1

est reprsente par une matrice carre dordre 3: (3; 3) :

0

a b
A=@ d e
g h

53

1
c
f A
i

V. 8. Exemples dans R2
V. 8.1. Homothtie de rapport a 2 R
Elle est dnie par la relation:
f
f x1 ; x2

: R2 ! R2
= ax1 ; ax2

Cas particuliers
1 =
a =
f x ; x
=
1

1
x1 ; x2

Cette application peut se rcrire sous la forme vectorielle suivante:

A!
u =I !
u
Le vecteur image est parallle au vecteur dorigine et de mme sens que lui.
Cest la reprsentation matricielle de lapplication linaire avec la matrice
identit (2 2) donne par:
1 0
I=
0 1
Cest une matrice carre qui a deux lignes et deux colonnes.
2 =

ou bien

a =
f x1 ; x2
=

A!
u =

1!
u

x1 ; x2

Le vecteur image est parallle au vecteur dorigine mais de sens contraire.

3 =:
a = 0
!
!
Au = 0
Dans ce cas, lapplication linaire est reprsente par la matrice nulle (2
0=

0
0

54

0
0

2)

V. 8. 2. a nit orthogonale daxe !

e 2 et de rapport a 2 R
Cas particuliers
1 =
a =
f x ; x
=
1

1
x1 ; x2

Cest la symtrie orthogonale daxe !

e 2 . Sa reprsentation matricielle scrit:
1
0
Soit

0
1

x1
x2

x1
x2

!
u = x1 !
e 1 + x2 !
e2

Alors,

A!
u =

x1 !
e 1 + x2 !
e2
2 = La projection orthogonale sur laxe !
e 2 est dnie par
f x1 ; x2 = 0; x2
cest--dire
0
0

0
1

x1
x2

0
x2

3 = La projection orthogonale sur laxe !

e 1 est dnie par:
f x1 ; x2 = x1 ; 0
10
00

x1
x2

x1
0

V. 8. 3. Symtrie orthogonale sur laxe !

e1+!
e2
Elle est dnie par
f x1 ; x2 = x2 ; x1
01
10

x1
x2

55

x2
x1

V. 8. 4. Rotation dangle
Elle est dnie par:
f x1 ; x2 = x1 cos

x2 sin ; x1 sin + x2 cos

qui peut scrire sous forme matricielle comme:

R( )!
u =!
v
avec
x1
x2

!
u =
R( )

cos
sin

sin
cos

x1 cos
x2 sin
1
x sin + x2 cos

!
v =
En particulier

1
0

R ( = 0) == I =

0
1

est la matrice identit

R

0
1

1
0

et
0

R( = ) =

1
0

V. 8. 4. 1. Groupe des rotations dangle

Lensemble des rotations dangle : R ( ) forment un groupe:
- La loi du groupe sexprime par:
R(

2)

= R ( 1) R ( 2)

- Llment neutre est la rotation dangle

=0:

R ( = 0) == I
- Llement symtrique est la rotation - :
R( )

= R(

tel que
R( )R( )

56

)
=1

V. 8. 4. 2. Remarque
Le groupe des rotations R ( ) est un groupe ablien puisque laddition est
une loi de composition interne commutative dans R:
R ( 1) R ( 2) = R ( 2) R ( 1)
En eet, deux dimensions on a:
cos (
sin (

R ( 1) R ( 2) =

+
+
1

2)

2)

sin ( 1 + 2 )
cos ( 1 + 2 )

V. 9. Oprations sur les matrices

La somme et le produit externe sont dnis de faon vidente sur les matrices
colonnes et les matrices carres.
V. 9. 1. Cas des matrices carres dodre 2
a b
c d

a0
c0

b0
d0

a b
c d

a + a0
c + c0
a
c

Distributivit par rapport laddition:

A + (B + C) = (A + B) + C
A+0 = A
A+B = B+A
(

)A =

( A)

1A = A
( + )A = A + A
0A = 0
(A + B) = A + B
0=0

57

b + b0
d + d0
b
d

V. 9. 2. Remarques
- La multiplication de deux matrices nest pas commutative:
a0
c0

a b
c d

b0
d0

aa0 + bc0
ca0 + dc0

ab0 + bd0
cb0 + dd0

- Si A est la matrice de lapplication linaire f : Rk ! Rk et B est la matrice

de lapplication linaire g : Rk ! Rk alors, A + B est la matrice de lapplication
f + g et AB est la matrice de lapplication f g:
V. 10. Dterminant & inverse
V. 10. 1. Dnition
Le dterminant dune application linaire f : R2 ! R2 de matrice
A=

a b
c d

est dni par:

det f

=
=

det A
det (f (!
e 1 ) ; f (!
e 2 ))
a b
=
c d
= ad bc

Si !
u, !
v 2 R2 on a

det (f (!
u ) ; f (!
v )) = det f: det (!
u; !
v)

Autrement dit, le dterminant det f est le facteur de changement daire de

f:
De mme, le dterminant dune application linaire f : R3 ! R3 est le
facteur de changement de volume de f
V. 10. 2. Proprits du dterminant dune matrice carre dorde k
det (AB)

= det (A) det (B)

= det (BA)
det I = 1

det ( A) =

det (A)

On dit quune matrice A est inversible sil existe une matrice A0 telle que
AA0

= I
= A0 A
58

Cette inverse est unique et se note A

AA

: On a donc

= I
= A
1

=A

V. 10. 3. Thorme
Pour une matrice carre dordre k, les proprits suivantes sont quivalentes:
1. La matrice A est inversible
2. Les colonnes de A sont linairement indpendantes
3. Les lignes de A sont linairement indpendantes
4. Le dterminant de A est non nul
Pour la matrice
a b
A=
c d
avec
det A = ad bc 6= 0
la matrice inverse
A

1
det A

d
c

b
a

V. 10. 4. Exemple
A=
A

1
3

1
2

2
4
4
3

2
1

V. 10. 5. Remarque
Si A est la matrice de f , alors A est inversible lorsque f est bijective. Dans
ce cas, A 1 est la matrice de bijection f 1
V. 11. Matrices & Systmes linaires
Si
a b
A=
c d

alors lquation vectorielle

!
u =

x
y

!
v =

x0
y0

A!
u =!
v
59

correspond au systme linaire

ax + by = x0
cx + dy = y 0
Si la matrice A est inversible, cette quation est quivalente lquation
vectorielle
!
v
u = A 1!
Autrement dit, on rsout le systme ci-dessus en inversant la matrice. Cela
donne une mthode pour inverser les matrices.
V. 11. 1. Exemple
Pour inverser la matrice
1
3

A=

2
4

on rsout le systme
= x0
= y0

x + 2y
3x + 4y

Par substitution on obtient la solution

x
y

2x0 + y 0
1 0
2y

3 0
2x

3
2

x0
y0

1
1
2

Ainsi, on obtient
A

2
3
2

1
1
2

V. 11. 2. Remarque
Si la matrice A nest pas inversible, les quations du systme linaire ne sont
pas indpendantes.
On peut toujours rsoudre le systme mais on ne pas exprimer les composantes x et y du vecteur !
u en fonction de x0 et y 0 celles du vecteur image
!
v

60

V. 12. Matrices & Changement de base

Si les vecteurs

!
e 01 = a!
e 1 + c!
e2

et

!
e 02 = b!
e 1 + d!
e2

forment une base de R2 , cest--dire sils sont linairement indpendants

alors tout vecteur
!
u = x!
e 1 + y!
e2
scrit de faon unique
!
e 01 + y 0 !
e 02
u = x0 !
Le passage dune dcomposition une autre se fait en utilisant la matrice de passage
P de la base (!
e 1; !
e 2 ) la base (!
e 01 ; !
e 02 ) et son inverse:
x
y
et

x0
y0

=P

x0
y0

=P

x
y

avec
a b
c d

P =

V. 12. 1. Exemple
Pour

!
e 01 = !
e1+!
e2

et

!
e 02 =

!
e1+!
e2

la matrice de passage et son inverse sont donnes par:

1
1

P =

1
2

1
1
1 1
1 1

Si f est lapplication linaire de matrice A, on peut calculer la matrice

e 02 ) partir de la matrice colonne
colonne !
v 0 de f (!
u ) dans la base (!
e 01 ; !
!
!
0
u de u dans cette mme base:
!
v 0 = A0 !
u0

61

o
u
A0 = P

AP

est la matrice de lapplication linaire f dans la base (!

e 01 ; !
e 02 ) :
0
Les colonnes de la matrice A sont les matrices colonnes de f (!
e 1 ) et f (!
e 2)
!
0 !0
dans la base ( e 1 ; e 2 ) :
V. 12. 2. Remarque
En particulier, A est la matrice de lapplication f dans la base canonique
(!
e 1; !
e 2) :
Ainsi, les matrices A et A0 = P 1 AP reprsentent la mme application
linaire f dans deux bases direntes (!
e 1; !
e 2 ) et (!
e 01 ; !
e 02 ) :
V. 12. 3. Dnition
On dit que les matrices A et A0 = P 1 AP sont semblables.
V. 12. 4. exemple
Pour les vecteurs images
!
e 01 = !
e1+!
e2
!
e 02 =

!
e1+!
e2

et la matrice
01
10

A=
sa matrice semblable est donne par:
A0 =

1
0

62

0
1

Chapitre VI
DIAGONALISATION
VI. 1. Exemples de problmes
Considrons les problmes suivants:
1 = Calculer M n , o M est une matrice carre, par exemple:
0
1
8 0
9
1
3 A
M =@ 3
6 0
7
2 = Trouver les suites vriant les relations suivantes
xk+1
yk+1
zk+1

=
=
=

8xk + 9zk
3xk yk 3zk
6xk 7zk

pour tout k et avec x0 ; y0 ; z0 sont donns.

3 = Trouver les fonctions vriant le systme direntiel suivant.
dx (t)
dt
dy (t)
dt
dz (t)
dt

8x (t) + 9z (t)

3x (t)

y (t)

6x (t)

7z (t)

3z (t)

pour tout rel t et avec x (0) ; y (0) ; z (0) donns.

Les problmes 1 = et 2 = sont quivalents. En eet, pour le problme 2 =
on peut posr
0
1
xk
!
V k = @ yk A 2 R3
zk
On a alors la relation de rcurrence suivante:
!
!
V k+1 = M V k
M tant la matrice du problme 1 = : Ainsi, il est den dduire par rcurrence
la relation suivante:
!
!
V k = Mk V 0
La di cult de ces problmes tient au fait que la matrice utilise nestpas
diagonale.
63

Comparons en eet les trois problmes prcdents aux trois problmes suivants:
1 bis = Calculer Dk o D est une matrice diagonale, par exemple:
0
1
1 0 0
1 0 A
D=@ 0
0 0
2
2 bis = Trouver les suites vriant les relations suivantes
xk+1
yk+1
zk+1

=
=
=

xk
yk
2zk

pour tout k 2 N et avec x0 ; y0 ; z0 donns.

3 bis = Trouver les fonctions vriant le systme direntiel suivant:
dxk (t)
dt
dyk (t)
dt
dzk (t)
dt

xk

yk

zk

pour tout rel t 2 R et x0 ; y0 ; z0 donns.

La rsolution est immdiate; on a respectivement
0
1
k
( 1) 0 0
Dk = @ 0 ( 1)k 0 A
0
0
2k
8
9
k
< xk = ( 1) x0 =
k
y = ( 1) y0
: k
;
zk = 2k z 0

Le principe de la diagonalisation consiste passer dune matrice quelconque

(et dun problme gnral ) une matrice diagonale (et un problme simple).

64

VI.2. Vecteurs propres, valeurs propres & sous-espaces propres

Dnitions
- Un endomorphisme u dun espace vectoriel E est dit diagonalisable sil
existe une base de E dans laquelle la matrice de u est diagonale.
- Une matrice carre M est dite diagonalisable si elle est semblable une
matrice diagonale D.
- M est semblable D sil existe une matrice P inversible telle que
1

M = P DP

- M et D reprsente le mme endomorphisme dans des bases direntes.

- P est la matrice de passage dune base une autre.
e 1; !
e 2 ; :::; !
e n ) est la base dans laquelle la matrice de lendomorphisme
Si (!
u est diagonale:
1
0
1 0 0 :::
D = @ 0 2 0 ::: A
: : n
on a
u (!
e i) = i!
ei
On est donc amen sintresser aux vecteurs transforms par lendomorphisme
u qui sont des multiples deux-mmes
- Soit u un endomorphisme dun espace vectoriel E:
!
On appelle vecteur propre V de u tout vecteur non nul de E pour lequel il
existe un scalaire tel que
!
!
u V = V
!
- Le scalaire sappelle valeur propre relative au vecteur propre V :
- On appelle sous-espace propre associ la valeur propre le sous-espace
E =
!
Si V est vecteur propre,
En eet, si
et
alors,

n!
!
!o
V 2E =u V = V
est unique.
!
!
u V = V
!
u V =
!
V =

0!

0!

ce qui implique que

=
!
puisque le vecteur V est non nul.
65

- Lensemble des valeurs propres dun endomorphisme u sappelle le spectre de u et

est not Sp (u) :
Dnition
det (u

XId) = uu (X)

sappelle polynme caractristique de lendomorphisme u. Ses racines sont

les valeurs propres de u.
Lordre de multiplicit de cette valeur propre en tant que racine de ce
polynme sappelle ordre de multiplicit dune valeur propre.
VI. 3. Mthode pratique
Pour diagonaliser une matrice dun endomorphisme, on procde comme suit:
VI. 3. 1. Recherche des valeurs propres
On calcule
P ( ) = det (M
Id)
puis on cherche les racines de ce polynme. Ce sont les valeurs propres.
Exemple
1
9
3 A
7

8 0
1
M =@ 3
6 0
8
det (M

Id)

0 9

1
6 0

3
7
2

2) ( + 1)

Les valeurs propres sont donc

1

1 valeur propre double

= 2 valeur propre simple

et

66

VI. 3. 2. Recherche des sous-espaces propres

Pour chaque valeur propre trouve, on rsout le systme
! !
I) V = 0

(M

!
Lensemble des vecteurs V solutions de ce systme constitut le sous-espace
propre E associ la valeur propre en question.
- le sous-espace propre associ la valeur propre 1 = 1 est solution de
lquation vectorielle
! !
(M + I) V = 0
ce qui est quivalent
9x + 9z
3x 3z
6x 6z

=
=
=

0
0
0

dont la solution est donne par:

z=

Ainsi le vecteur propre associ 1 = 1 scrit:

1
1 0
0
x
x
!
V = @ y A=@ y A
x
z
1
0 1
0
0
1
= x@ 0 A + y@ 1 A
0
1

Cest le plan vectoriel engendr par les deux vecteurs

0
1
0 1
1
0
!
v 1 = @ 0 A et !
v2=@ 1 A
1
0

- le sous-espace propre associ

(M

= 2 est solution de lquation

! !
2I) V = 0

ce qui donne le systme

3x

6x + 9z
3y 3z
6x 9z

67

= 0
= 0
= 0

qui a pour solution

y

1
x
3
2
x
3

et donc
1
0
1 0
x
x
!
V = @ y A = @ 13 x A
2
z
x
0
1 3
3
x@
1 A
=
3
2

Il sagit de la droite vectorielle engendre par le vecteur

1
0
3
!
v3=@ 1 A
2
VI. 3. 3. Recherche dune base de vecteurs propres
Dans chaque sous-espace propre E , on choisit une base. La runion des
vecteurs ainsi obtenus forme un systme libre. Cest--dire les sous-espaces
propres sont en somme directe:
X
dim (E) =
dim (E i )
i

Dans lexemple prcdents, les trois vecteurs propres forment une base.
Donc, la matrice M est diagonalisable et elle est semblable une matrice diagonale:
1
0
1 0 0
1 0 A
D=@ 0
0
0 2
La matrice de passage de la base canonique (!
e ; !
e ; !
e ) o la matrice
1

de lendomorphisme u est la matrice M la base des vecteurs propres o la

matrice de cet endomorphisme est D qui est diagonale est:
0
1
1 0 3
1 A
P =@ 0 1
1 0
2

68

Remarque
Les colonnes de la matrice P sont formes des composantes des vecteurs
propres dans la base canonique. On a donc
M = P DP
avec
1

P
Ainsi,

2
=@ 1
1

1
3
1 A
1

0
1
1

M k = P Dk P

Finalement, les solutions des problmes prcdents sont:

- pour le problme 1 = on a:
10
10
0
k
( 1)
0
0
2 0
1 0 3
k
A
@
1
1
1 A@
Mk = @ 0 1
0
( 1)
0
k
1
1
1 0
2
0
0
2
0
1
k+1
k+1
2 ( 1)
+ 3:2k
0
3: ( 1)
+ 3: 2k
B
C
k
k
k
= @
( 1)
2k
( 1)
( 1)
2k
A
k
k
( 1)
2k
0
3 ( 1)
2k+1
On vrie bien que pour

0; M k=0 = I
1; M k=1 = M

k
k

=
=

k+1

+ 3:2k

- pour 2 = on a:
xk

2 ( 1)

yk

( 1)

zk

2 ( 1)

2k
k

k+1

+ 3: ( 1)
k

+ 3: 2k z0
k

x0 + ( 1) y0 + ( 1)

2k+1

x0 + 3 ( 1)

2k+1

!
- pour 3 = Soit le vecteur V (t) donn par:
0
1
x (t)
!
V (t) = @ y (t) A
z (t)
alors,

!
d V (t)
dt

()

!
M: V (t)
0
1
B
@

dx(t)
dt
dy(t)
dt
dz(t)
dt

69

1
x (t)
C
A = M @ y (t) A
z (t)
0

2k z0
z0

1
3
1 A
1

!
d V (t)
dt

1!

V (t)

Posons

(t)
= DP
dt
!
DP 1 V (t)

, P
d
P
dt

P DP

!
W (t) = P

1 dV

1!

V (t)

1!

V (t)

on obtient lquation vectorielle suivante:

!
!
dW (t)
= DW (t)
dt
qui est facile rsoudre. En eet, avec
0
1
X (t)
!
W (t) = @ Y (t) A
Z (t)

on obtient

0
B
@

dX(t)
dt
dY (t)
dt
dZ(t)
dt

0
1
C @
0
A=
0

0
1
0

10
1
0
X (t)
0 A @ Y (t) A
2
Z (t)

do le systme dquation direntielles suivantes:

dX (t)
dt
dY (t)
dt
dZ (t)
dt

X (t)

Y (t)

2Z (t)

qui a pour solution

avec

0
1 0
1
X (t)
e t X0
!
W (t) = @ Y (t) A = @ e t Y0 A
Z (t)
e2t Z0
X0
Y0
Z0

=
2:x (0) 3:z (0)
= x (0) + y (0) + z (0)
= x (0) + z (0)
70

!
Finalement, le vecteur V (t) est donn par:
!
!
V (t) = P:W (t)
cest--dire,
0
1 0
x (t)
!
V (t) = @ y (t) A = @
z (t)

1
+ 3:e2t :x (0) + 3:e t + 3:e2t :z (0)
e t e2t :x (0) + e t :y (0) + e t 2:e2t :z (0) A
2:e t 2:e2t :x (0) + 3:e t 2:e2t :z (0)
2:e

VI. 4. Condition de diagonalisation

Soit u un endomorphisme sur lespace vectoriel E: Alors il y a quivalence
entre:
i= u est diagonalisable
ii= lespace vectoriel E est la somme des sous-espaces vectoriels propres
iii= Le polynme caractristique est scind (gal au produit des polynmes
de degr 1)et lordre de multiplicit de chaque valeur propre est gale la
dimension du sous-espace propre correspondant
iv= Il existe un polynme annulateur ( P (u) = 0 ) de lendomorphisme u
scind racines simples
v= le polynme (X
I) ; qui dcrit le spectre de u; est un polynme
annulateur de lendomorphisme u:

71

VI. 5. Trigonalisation
Soit E un espace vectoriel sur le corps IK, de dimension n. Soit u un
endomorphisme de E:
Lendomorphisme u est triangonalisable sil existe une base dans laquelle la
matrice de lendomorphisme u est triangulaire.
Trigonaliser une matrice consite rduire celle-ci sous la forme dune matrice triangulaire
suprieure ou infrieure.
Une matrice triangulaire suprieure est une matrice dont tous les coe cients
situs strictement en dessous de la diagonale sont nuls:
0
1
a1;1 ::: a1;n
::: a2;n A
T =@ 0
0
::: an;n
De la mme manire, une matrice triangulaire infrieure est une matrice dont
tous les coe cients situs strictement au-dessus de la diagonale
sont nuls.

VI. 5. 1. Endomorphismes & matrices trigonalisables

Soit M 2 Mn (IK) (lensemble des matrices n lignes et n colonnes
coe cients dans le corps commutatif ).
On dit que la matrice M est triangulasable silexiste une matrice inversible
P et une matrice T triangulaire suprieure telles que:
M = PTP

Thorme de trigonalisation de Schur

Toute matrice carre complexe est trigonalisable dans une base orthonormale.
Condition de trigonalisation
- une matrice est trigonalisable si et seulement si son polynme caractristique est scind
En particulier, si IK est algbriquement clos, toute matrice de Mn (IK) est
trigonalisable.
En particulier, si IK = C, toute matrice de Mn (C) est trigonalisable car C
est algbriquement clos
VI. 5. 2. exemples de trigonalisation
- Matrice carre dordre 2
Soit la matrice
1
3
M=
3
2
4
Son polynme caractristique est
PM (X) =
72

X+

1
2

qui a comme unique racine

1
2
qui est donc lunique valeur propre de la matrice M:
Lespace propre associ est donn par:
X=

1
2

x
y

x
y

2 R2 = M:

2x
x

1
2

x
y

=x2R

Cest donc un sous-espace vectoriel de dimension 1 qui a pour base le vecteur

2
1

!
e 01 =

On peut alors complter le vecteur !

e 01 par le vecteur
0
1

!
e 02 =
de manire ce que

B 0 = (!
e 01 ; !
e 02 )

forme une base de lespace R2 tout entier.

On sait dj que
1 !0
e
M:!
e 01 =
2 1
et on a facilement
3
2

M:!
e 02 =

3 !0
:e
2 1

1 !0
:e
2 2

Ainsi, la matrice M scrit dans la base B 0 = (!

e 01 ; !
e 02 ) comme
T =

1
2

3
2
1
2

La matrice P telle que

M = PTP

est la matrice de passage de la base canonique B = (!

e 1; !
e 2 ) la base
!
0 !0
B = ( e 1; e 2) :
Les colonnes de la matrice P sont constitues des composantes des vecteurs
de la base B 0 = (!
e 01 ; !
e 02 ) dans la base B = (!
e 1; !
e 2) :
0

2
1
73

0
1

Pour avoir la matrice P

la base B 0 .
On a facilement:

il su t dexprimer les vecteurs de la base B dans

1 0
1 !0
e1+ !
e
2
2 2
= !
e 02

!
e1
!
e

- Matrice carre dordre 3

Soit la matrice
0

i
N =@ 0
0

1
1
0 A 2 M3 (C)
2

2
i
1

Son polynme caractristique est

PN (X) = (i

X) (2

X)

Comme dans lexemple prcdent on a aprs calculs:

0 1
1
!
e 01 = @ 0 A 2 Ei
0
0
1
1
!
e 02 = @ 0 A 2 E2
i 2
et

1
0
!
e 03 = @ 1 A
0
0

pour complter une base

B 0 = (!
e 01 ; !
e 02 ; !
e 03 ) de C3
On remarque que
8
N:!
e 03 =

i!
2+i !
:e1+
:e2
5
5

La matrice M dans la base B 0 est donc

0
i 0 85 i
T = @ 0 2 2+i
5
0 0
i
et lon a

N = PTP
74

1
A

i:!
e3

avec P la matrice de passage de la base canonique B = (!

e 1; !
e 2; !
e 3 ) la
0
0
base B est constitue des vecteurs de B exprims dans la base B :
0
1
1
1
0
0
1 A
P =@ 0
0 i 2 0
et

1
=@ 0
0

75

0
0
1

2+i
5
2 i
5

1
A

Chapitre VII
ANNEAUX DE POLYNOMES
Les polynmes et les fractions rationnelles sont trs utiliss en Gnie Electrique, puisque les fonctions de transfert servant ltude des systmes linaires
sont des fractions rationnelles.
VII. 1. Anneaux
- On appelle anneau un ensemble A muni de deux lois de composition internes
notes + et telles que (A; +) est un groupe commutatif, dlment neutre 0
et tel que la multiplication est associative:
8 a; b; c 2 A; (ab) c = a (bc)
La multiplication est distributive par rapport la loi + :
8 a; b; c 2 A; (a + b) c = ac + bc;
c (a + b) = ca + cb
La multiplication possde un lment neutre not 1A ou 1 :
8 a 2 A; a

1=1

a=a

Si de plus la multiplication est commutative, on dit que A est anneau commutatif

VII. 2. Polynmes
VII. 2.1. Dnition
On appelle polynme tout fonction dnie par
P (X) = an X n + an

1X

n 1

+ ::: + a1 X + a0

Les nombres an ; an 1 ; :::; a0 sont les coe cients du Polynme. Ils peuvent
tre rels ou complexes.
Si an 6= 0, lentier n est appel degr du Polynme et on note
deg (P ) = n
On note IK [X] lanneau des polynmes coe cients dans le corps IK = R
ou C:
VII. 2.2.Exemples
3
X
11

P1 (X)

3X 5 + 2X 2

P2 (X)

3X 5 + (1 + 2i) X 2
76

10

3
X
11

10

VII. 3. Divisibilit
VII..3.1. Dnitions
- Soient A; B 2 IK [X] : On dit que B divise A ou que B est un diviseur
de A ou que A est un multiple de B sil existe un polynme Q 2 IK [X] tel que
A = BQ
et on crit:
BnA
- Si A 2 IK [X], on note AIK [X] lensemble des multiples de A:

77

VII. 3. 2. Thome ( Division euclidienne )

Soient A; B 2 IK [X] avec B 6= 0: Il existe un unique couple (Q; R) de
polynmes de IK [X] tel que:
A = BQ + R avec deg (R)

deg (B)

On dit que Q est le quotient et R le reste de la division euclidienne de A par

B:
Remarque
Si R = 0 on a par convention deg (R) =
Lemme
Soit A 2 IK [X] et soit x0 2 IK on a:
A (x0 ) = 0 , (X

1:

x0 ) divise A

Demonstration
Ecrivons la division euclidienne de A par (X
A (X) = (X

x0 ),

x0 ) Q + R

avec
deg (R)

deg (X

x0 ) = 1

Donc R est un polynme constant R = r:

Remplaons X par x0 dans lquation prcdente:
A (x0 ) = (x0
A (x0 ) = r

x0 ) Q + R !

Si A (x0 ) = 0 on a r = 0 et donc
A (X) = (X
Reciproquement, si (X

x0 ) Q

x0 ) divis A alors il existe Q tel que

A (X) = (X

x0 ) Q

et donc
A (x0 ) = (x0

x0 ) Q (x0 ) = 0

VII. 3.3. Dnitions

m
Soit a 2 IK: Soit P un polynme. lensemble fm 2 N; tel que (X a) n P g
admet un plus grand lment, not m (a) et appel multiplicit de la racine a de P .

78

VII. 4. Idal
VII. 4.1. Dnition
- Soit (A; +; ) un anneau. Soit I une partie de A: On dit que I est un
idal de A si et seulement si:
(I; +) est un sous-groupe du groupe (A; +) pour tout i2 I; et pour tout
a 2 A on a: a:i 2 A et i:a 2 A
VII. 4.2. Exemples
- nZ est un idal de Z pour tout n
- AIK [X] est un idal de IK [X] :
- Plus gnralement si A est un anneau commutatif et si a 2 A; alors aA:
lensemble des multiples de a est un idal de A
VII. 4.3. Proposition
Soit (A; +; ) un anneau commutatif. Soient I et J deux idaux de A:
I \ J est un ideal de A
I + J est un ideal de A

VII. 4.4. Dnition

- Un idal I dun un anneau commutatif A, est idal principal sil est form
des multiples dun lment a 2 A; cest--dire si
I = aA
- Un anneau A est dit principal si tous ses idaux sont principaux.

79

VII. 4.5. Exemple

Z est un idal principal. En eet, si I est un idal de Z cest un sous-groupe
de (Z; +) donc on a
I = n:Z

VII. 4.6. Dnition

On dit quun polynme est unitaire sil est non nul et si son coe cient de
plus haut degr est gal 1:
VII. 4.7. Proposition
Lanneau IK [X] est un anneau principal
VII. 5. PGCD de deux polynmes
VII. 5.1.Dnition
Soient A et B deux polynmes de IK [X] : AIK [X] + BIK [X] est un idal
de IK [X] :
Donc il existe un D 2 IK [X] unitaire tel que
AIK [X] + BIK [X] = DIK [X]
:
On appelle D le plus grand diviseur commun de A et B et on note
D

pgcd (A; B)
ou D = A ^ B

VII. 5.2. Proposition

Soient A et B deux polynmes de IK [X] non tous nuls, alors D = pgcd (A; B)
si et seulement si:
- le polynme D divise A et B
- si D0 est un diviseur de A et de B alors D0 divise D
VII. 5.3. Exemples
pgcd 2X + 2; X 2 + 2X + 1 = X + 1
- Si A 2 IK , pour tout polynme B on a
pgcd (A; B) = 1
pgcd (X: (X

1) ; (X

1)) : (X + 2) = X

pgcd (X p ; X q ) = X min(p;
80

q)

VII. 5.3. Proposition

Soient A, B 2 IK [X] : On a les proprits suivantes:
pgcd (A; B) = pgcd (B; A)
- si A 6= 0;

pgcd (A; A) =

1
A
a

o dsigne le coe cient dominant de A

- pour tout a; b 2 IK
pgcd (aA; b B) = pgcd (A; B)
- pour tout polynme unitaire C 2 IK [X] ; on a:
pgcd (CA; C B) = C:pgcd (A; B)

VII. 6. Algorithme dEuclide

VII. 6.1. Proposition
Soient A et B deux polynmes non nuls. On construit par rcurrence une
suite de polynmes (Rn )n2N de faon suivante: R0 = A; R1 = B R2 est le
reste de la division euclidienne de R0 par R1 , et de proche en proche tant que
Rn 6= 0: Rn+1 est gal au reste de la division de Rn 1 par Rn :
Alors il existe un entier N tel que RN 6= 0 et RN +1 = 0: De plus,
pgcd (A; B) =

1
RN
cN

o cN dsigne le coe cient dominant de RN :

VII. 6.2. Exemple
Soient A, B 2 IK [X] donns par:
A = X5 + X3 + X2 + 1
et
B = X 4 + X 3 + 2X 2 + X + 1
on a
X 5 + X 3 + X 2 + 1 = (X

1) X 4 + X 3 + 2X 2 + X + 1 + 2X 2 + 2

X 4 + X 3 + 2X 2 + X + 1 =

1 2 1
1
X + X+
2
2
2
81

2X 2 + 2 + 0

Le dernier reste non nul tant 2X 2 + 2, on obtient alors que

pgcd (A; B) = X 2 + 1

VII. 6.3. Relation de Bzout

Soient A et B deux polynmes de IK [X] : Alors il existe des polynmes U
et V tels que
pgcd (A; B) = A:U + B:V

VII. 7. Polynmes premiers entre eux

1:

VII. 7.1., Dnition

Soient A, B 2 IK [X] : On dit que A et B sont premier entre eux si pgcd (A; B) =
VII. 7.2. Exemples
- Les polynmes 2 et 2X + 4 dans R [X] sont premiers entre eux.
- Les polynmes X 2 + X + 1 et X 3 1 ne sont pas premiers entre eux car
X3

1 = (X

1) X 2 + X + 1

VII. 7.3. Thorme de Bzout

Deux polynmes A et B de IK [X] sont premiers entre eux si et seulement
sil existe deux polynmes U; V 2 IK [X] tel que
A:U + B:V = 1

VII. 8. PPCM de deux polynmes

VII. 8.1. Dnition
Soient A, B 2 IK [X] ; il existe M 2 IK [X] unitaire tel que
AIK [X] \ BIK [X] = M IK [X]
M est appel le plus petit multiple commun de A; B;
ppcm (A; B) = A _ B
VII. 8.2. Propositions
Soient A et B deux polynmes sur IK. Soit M 2 IK [X] : Alors M =
ppcm (A; B) si et seulement si:
- M est un multiple de A et B
- Si P est un multiple de A et de B alors M divise P

82

VII. 8.3. Exemples

ppcm 2X 2 + 2; X 2 + X + 1 = X 2 + X + 1
ppcm (X: (X

1) ; (X

1) : (X + 2)) = X: (X

1) : (X + 2)

ppcm (X p ; X q ) = X max(p;

q)

VII. 9. Polynmes scinds

Propositions
1 = Soit A 2 IK [X] non nul. Soient 1 ; 2 ; :::; n 2 IK distincts deux
deux. Soient m1 ; m2 ; :::; mn 2 N:
- pour tout k 2 f1; :::; ng ; k est racine de A avec la multiplicit mk .
- il existe Q 2 IK [X] tel que
A = Q
et Q ( k ) 6= 0

n
k=1

mk
k)

(X

; 8 k 2 f1; :::; ng

2 = Soit A 2 IK [X] ; deg (A) = n

1: Soient 1 ; 2 ; :::; n 2 IK ses
racines distinctes dans IK.
Soient m1 ; m2 ; :::; mn 2 N leurs multiplicits respectives (mk 1) : On
n
X
suppose que
mk = 1:Autrement dit, on suppose que A admet n racines dans
k=1

IK, chacune tant compte autant de fois que sa mmultiplicit. Alors

A=

n
k=1

(X

mk
k)

o est le coe cient dominant de A. On dit que le polynme A est scind dans
IK.
VII. 10. Polynmes irrductibles

si:

VII. 10.1. Dnition

Un polynme P 2 IK [X] est irrductible sur IK sil nest pas constant et
8 Q; R
P

2 IK [X] ;
= QR ) deg (Q) = 0 ou deg (R) = 0

cest- - dire que lon peut pas crire P comme le produit de deux polynmes
no-constants.

83

VII. 10.2. Exemples

- tout polynme de degr est irrductible
- le polynme P = X 2 + X + 1 est irrductible sur R
- le polynme P = X 2 + X + 1 nest pas irrductible sur C
- les seuls polynmes irrductibles de C sont de degr 1
VII. 11. Relations entre coe cients et racines dun polynme
VII. 11.1. Dnition
Soit un polynme
P (X) = X n + an

1X

n 1

+ ::: + a0

et soient x1 ; x2 ; :::; xn ses n racines (complexes), chacune delle tant crite

autant de fois que son ordre de multiplicit.
On a donc:
P (X) = X n + an

1X

n 1

+ ::: + a0 = (X

x1 ) (X

x2 ) ::: (X

xn )

En dveloppant et en identiant les coe cients on trouve:

1

n
X

xi =

n
X

xi xj = an

an

i=1

i j

n
X

xi xj xk =

an

i j k

:::
n

= x1 x2 :::xn = ( 1) a0

do lgalit
P (X) = X n +an

1X

n 1

+:::+a0 = (X

x1 ) (X

x2 ) ::: (X

xn ) = X n

1X

n 1

Rciproquement, si les nombres x1 ; x2 ; :::; xn vrient les relations prcdentes alors ils sont racines du polynme P (X) = X n + an 1 X n 1 + ::: + a0 :
( i )i=1;:::; n sont appeles fonctions symtriques des racines du polynme P:

84

2X

n 1

+:::+( 1)

VII. 11.2. Exemples & applications

1. Ecrire les relations prcdentes dans le cas o
P (x) = ax2 + bx + c
rsoudre sans calcul lquation
2x2

2. soient a; b et c les racines x3 + px + q: Calculer en fonction de p et q :

a2 + b2 + c2
1 1 1
+ +
a b
c
1
1
1
2 +
2 +
2
(a3 1)
(b3 1)
(c3 1)
a3 + b3 + c3
Soit lquation
X3

2X 2 + X + 1 = 0

et x1 ; x2 ; x3 des racines (relles ou complexes); former une quation du

troisime degr ayant pour racines x21 ; x22 ; x23 : Mme question avec x11 ; x12 ; x13 :
3. rsoudre le systme dans C3 :
8
9
< x+y+z =1 =
x2 + y 2 + z 2 = 9
: 1 +1+1 =1 ;
x
y
z
prendre comme inconnues

1
2
3

= x+y+z
= xy + xz + yz
= xyz

85

Chapitre VIII
FRACTIONS RATIONNELLES
VIII.1. 1. Dnition
Une fraction rationnelle sur IK estun couple de polynmes (A; B) 2 IK [X]
IK [X] avec B 6= 0; not sous forme de fraction:
A
B
Le polynme A se nomme le numrateur et B le dnominateur.
A
C
et G = D
sont dites quivalentes sil existe un
Deux fractions F = B
polynme non nul P 2 IK [X] tel que
F =

C
PA
=
D
PB
On dit alors que F =

A
B

et G =

C
D

reprsentent la mme fraction rationnelle.

VIII.1. 1. Exemple
Les deux fractions suivantes
F =

X5
X3

et
G=

3X 4 + 3X 2
6X 2 + 11X 6
X4

X2

X2
3X + 2

sont quivalentes car

X5
X3

(X 3) : X 4 X 2
3X 4 + 3X 2
=
6X 2 + 11X 6
(X 3) : (X 2 3X + 2)

VIII. 2. Forme irrductible

VIII.2.1. Dnition
On appelle forme irrductible dune fraction rationnelle F non nulle tout
(A; B) 2 IK [X] IK [X] avec A 6= 0; B 6= 0; tel que A et B ne possde pas
de diviseurs communs.

86

VIII. 2. 2. Exemple
La fraction rationnelle

X4

X2
3X + 2

X2
nest pas irrductible car
X4
X2

X2
X 2 (X 1) (X + 1)
=
3X + 2
(X 1) (X 2)

Sa forme irrductible est

X 2 : (X + 1)
(X 2)

VIII. 2.3. Convention & notation

On convient de reprsenter une fraction rationnelle par sa forme irrductible
et on dsigne pa IK (X) lensemble des fractions rationnelles sur IK
VIII. 2. 4. Immersion de IK [X] dans IK (X)
On identie tout polynme P 2 IK [X] la fraction
P
2 IK (X)
IIK[X]
et on note

P
IIK[X]

=P

On dit que lon immerge lensemble des polinmes dans celui des fractions.
VIII. 2. 5. Structure de corps commutatif sur IK (X)
On munit IK (X) de deux oprations ( notes + et
) dnies pour tous
A1 A2
,
appartenant

IK
(X)
par:
B 1 B2
A1
A2
A1
+
=
B1
B2
Ainsi, (IK (X) ; +;
2 IK (X) ,

Alors, (IK (X) ; +;

B2 + B1
B1 B2

A2

) est un anneau commutatif. De plus, pour tout

A
B

1IK[X]
B
=
= 1IK[X]
A
1IK[X]

) est un corps commutatif.

87

A
B

VIII. 3. Zros & ples dune fraction rationnelle

VIII. 3. 1. Dnitions
Soit (A; B) 2 IK (X) une fraction rationnelle irrductible non nulle
- On appelle zro de la fraction (A; B) toute racine du polynme A dans
IK [X] :
A
- On appelle alors de multiplicit du zro
de la fraction B
lordre de
multiplicit de en tant que racine de A 2 IK [X]
A
sil est une racine du
- Llment 2 IK est appel ple de la fraction B
polynme B 2 IK [X]
A
- On appelle alors ordre de multiplicit du ple de la fraction B
lordre
de multiplicit de en tant que racine de B 2 IK [X]
VIII. 3. 2. Exemple
- Considrons dans R (X) la fraction rationnelle suivante:
X 2 : (X + 1)
(X 2)
* Elle admet pour zro X = 1 ( zro simple ) et X = 0 (zro double )
* Elle admet pour ple X = 2 ( ple )
- Considrons dans R (X) la fraction rationnelle suivante:
3

(X 4)
X2 + X + 1
* Elle admet pour zro X = 4 (zro triple )
* Elle nadmet aucun ple dans R
* Cependant, elle admet deux ples simples dans C qui sont les nombres
2i
complexes X1 = j = e 3 et X2 = j
VIII. 4. Partie entire dune fraction rationnelle
Soit (A; B) 2 IK (X) une fraction rationnelle irrductible. La division
euclidienne de A par B implique quil existe (Q; R) 2 IK [X] IK [X] tel que
et

A = BQ + R
deg (R)
deg (B) :

On obtient alors dans IK (X) lgalit suivante:

A
R
=Q+
B
B
Le polynme Q se nomme partie entire de

88

A
B:

Il est nul si deg (A)

deg (B)

VIII. 4. 1. Exemple
La partie entire de la fraction rationnelle
X4
(X 4

1)

nest pas nulle.

La division euclidienne de X 4 par X 4
X4
(X 4

1)

1 donne:Q = 1 et R = 1 cest--dire,

X4 1 + 1
1
=1+
(X 4 1)
(X 4 1)

VIII. 5. Premire dcomposition

VIII. 5. 1. Lemme
R
Sot B
2 IK (X) une fraction rationnelle irrductible telle que deg (R)
deg (B) et telle que le dnominateur B admet la dcomposition en facteurs
premiers dans IK [X] de la forme:
B = P1n1

P2n2

nm
Pm

:::

avec (Pi )i=1; :::; m sont des polynmes irrductibles. Alors il existe m polynmes
L1 ; :::; Lm 2 IK [X] tels que:
R
L1
Lm
=
+ ::: + nm
B
P1n1
Pm
avec deg (Lk )
unique.

deg (Pknk ) pour tout k 2 f1; :::; mg : Cette dcomposition est

VIII. 5. 2. Exemple
On considre la fraction rationnelle:
A
=
B
(X

4X
2

1) (X 2 + 1)

2 R (X)

On a la factorisation irreductible suivante:

B = P12

P22

avec
P1
P2
Ainsi (Q = 0 car deg (A)

= X 1
= X2 + 1

deg (B)) :

A
L1
L2
2
=Q+ 2 + 2 =
B
P1
P2
(X
89

X
2

1)

X3 + X

2
2

(X 2 + 1)

VIII. 6. Deuxime dcomposition

VIII. 6. 1. Lemme
Soit PLn 2 IK (X) une fraction rationnelle irrductible telle que deg (L)
deg (P n ). Alors il existe n polynmes S1 ; :::; Sn 2 IK [X] tels que:
S1
Sn
L
S2
=
+ 2 + ::: + n
n
P
P
P
P
avec deg (S1 )
unique.

deg (P ) ; :::; deg (Sn )

deg (P ) : Cette dcomposition est

VIII. 6. 2. Exemple
Appliquons le lemme prcdent la fraction
2

(X

1)

=
=

1
1

2 X
,
(X 1)2

on obtient:

(X

1)
1

(X

1)

puis appliquons lela fraction:

X3 + X
(X 2

X3 + X

2
2

(X 2

+ 1)

2
2

+ 1)

X+
X+
+
2
X2 + 1
(X 2 + 1)
X
2
+
X 2 + 1 (X 2 + 1)2

=
=

Bilan: on a obtenu la dcomposition sur R :

4X
(X

1)

(X 2

+ 1)

1
X

1
(X

90

1)

X
2
+
2
+ 1 (X + 1)2

X2

VIII. 7. Dcomposition en lments simples (DES)

Thorme
R
Sot B
2 IK (X) une fraction rationnelle irrductible telle que B admet une
factorisation irrductible dans IK [X] de la forme:
B = B = P1n1
Alors

R
B

P2n2

:::

nm
Pm

se dcompose de manire unique comme suit:

m

X
R
=Q+
B

k=1

Sk;n
Sk;2
Sk;1
+ 2 + ::: + nkk
Pk
Pk
Pk

o Q 2 IK [X] est la partie entire et, pour tout k 2 f1; :::; mg : Sk;1 ; Sk;2 ; :::; Sk;nk
2 IK [X] et vrient:
deg (Sk;1 )

deg (Pk ) ; :::; deg (Sk;nk )

deg (Pk )

VIII. 7. 1. Dcomposition sur C

- Les seuls polynmes irrductibles de C [X] sont les polynmes de degr 1:
R
Sot B
2 C (X) une fraction rationnelle irrductible avec
B = bn X n + ::: + b1 X + b0 ; (bn 6= 0)
Le polynme B est ncessairement scind sur le corps C :
m
k=1

B = bn
avec

1;

:::;

hk
k)

(X

dans C; tous distincts, et

m
n et
h1 + h2 + ::: + hm = n

- Sur C, la dcomposition en lments simples de

R
=Q+
B
X
o

1;1

+ ::: +
1

1;h1

(X

h1

1)

+ ::: +

R
B

m;1

est:
+ ::: +

1;h1 6= 0; :::;
m;hm 6= 0:
- Tout lment simple de C (X) est ncessairement du type:

(X
avec ( ;

) 2 C2 et k 2 N :
91

m;hm

(X

hm
m)

VIII. 7. 2. Exemple
on considre sur C (X) la fraction rationnelle:
4
2

(X 2 + 1)

- La partie entire de la dcomposition en lment simples est nulle puisque

deg(4) = 0 deg((X 2 + 1)) = 4:
- Le dnominateur se factorise comme suit:
X2 + 1

= (X + i) (X

i) ;

= i;

La dcomposition en lments simples sur C scrit:

i
X

1
2

(X

i)

i
1
+
X + i (X + i)2

VIII. 7. 3. Dcomposition sur R

- Le corps R nest pas algbriquement clos.
- Les polynmes irrductibles de R [X] sont:
* les polynmes de degr 1
* les polynmes de degr 2 nayant aucune racine relle.
R
- Sot B
2 R (X), irrductible. On suppose que le polynme B se factorise
sur R comme suit:
m
k=1

B = bn

m0
k=1

hk
k)

(X

ak X 2 + bk X + ck

sk

avec
h1 + ::: + hm + 2 (S1 +) ::: + sm0
8k

= n
2 f1; :::; mg b2k

On trouvera ainsi deux sommes partielles.

R
2 R (X) admet un ple
- Dans le cas o B
trouve:
R
=
B
X

+ ::: +

4ak ck

2 R de multiplicit h; on
h

(X

avec 1 ; :::; h 2 R:
- Dans le cas o la factorisation irrductible de B fait apparatre le polynme
aX 2 + bX + c
on trouve:
B=
avec

1;

1;

:::;

1X
2
aX +

; (a; b; c) 2 R3 ; a 6= 0;

+ 1
SX + S
+
2
bX + c (aX + bX + c)s

2 R:
92

VIII. 7. 3.1. Exemple

Soit sur R (X) la fraction rationnelle: (X 1)24X
(X 2 +1)2
- La partie entire de la DES sur R est nulle.
- La dcomposition en lments simples sur R scrit ainsi:
4X
(X

1)

(X 2

+ 1)

(X

1)

(X

1)

X+
X+
+
(X 2 + 1) (X 2 + 1)2

VIII. 7. 3. 2. Cas dun ple simple

R
Soit B
2 R (X), irrductible, possdant un ple simple
- Le polynme B scrit ainsi sous la forme:

B = (X

2 IK:

) C o C 2 IK [X] et C ( ) 6= 0:

On en dduit:
A
(X

)C

- En multipliant par (X

(X

T
o T 2 IK [X] :
C

) ; on a:

A
=
C
- En valuant en , on obtient:

(X

)T
C

A( )
:
C( )

VIII. 7. 3. 3 Exemple
Considrons sur R la DES formelle suivante:
(X

X
1) (X

2)

Dterminons les deux rels 1 et 2 :

- En multipliant par (X 1) et en valuant en 1, on a:
- En multipliant par (X 2) et en valuant en 2, on a:
Finalement, on obtient:
(X

X
1) (X

2)

93

1
X

2
X

1
2

= 1
=2

VIII. 7. 3. 4. Cas dun pe multiple

Soit

A1
B1

2 IK (X) ; irrductible, possdant un ple

2 IK dordre h

- On a ainsi: B1 = (X
) C1 avec C1 ( ) 6= 0:
- Dans la DES sur IK, la partie relative au ple
1

(X
- Le calcul de
on a:

A1
(X

) C1

(X

2:

scrit:
h

+ ::: +

(X

seectue indpendament des autres coe cients. En eet,

(X

o T 2 IK [X] :
En multipliant par (X

(X

+ ::: +

h
h

(X

T
C1

) et en valuant en ; on a:
h

A1 ( )
C1 ( )

Procdons prsent au calcul des coe cients

1;

2;

::: ;

- tape 1
On eectue un chagement dindtermine:
Y =X
On obtient ainsi A2 2 IK [Y ] et C2 2 IK [Y ] :
A1
(X

) C1

A2
Y h :C2

- tape 2
On eectue ensuite une division selon les puissances croissantes lordre A2
par C2 :
A2 = C2 q0 + q1 Y + ::: + qh
o q0 ; q1 ; :::; qh

1Y

h 1

+ Y h R2

qh
Y

2 IK et R2 2 IK [Y ] :

- tape 3
Retour la fraction. On obtient:
A2
q0
q1
= h+ h
h
Y :C2
Y
Y

94

+ ::: +

R2
C2

tape 4
Il reste enn revenir lindtermine X
A1
(X

) C1

q0

(X

q1
h 1

(X

+ ::: +

qh
(X

R1
C1

On a ainsi obtenu:
h

= q0 ;

= q1 ; :::;

h 1

= qh

Exemple
Dterminons la somme partielle relative au ple
4X
(X

1)

(X 2

+ 1)

- tape 1
changement dindtermine: Y = X
A1
2

(X

1) C1

= 1 de

A1

(X

1) C1

1:
=

A2
Y 2 C2

o les deux polynmes A2 et C2 scrivent:

A2 = 4Y + 4
et
C2 = 4 + 8Y + 8Y 2 + 4Y 3 + Y 4

- tape 2
La division selon les puissances croissantes lordre 1 de A2 par C2
donne:
A2 = C2 (1 y) + Y 2 4Y + 3Y 2 + Y 3

- tape 3
On a ainsi
A2
1
= 2
Y 2 C2
Y

1
4Y + 3Y 2 + Y 3
+
Y
C2

95

tape 4
changement inverse Y = X

4X
2

(X

1)

(X 2

+ 1)

1
2

(X

1)

X3 + X

2
2

(X 2

+ 1)

Remarque
La partie relative au polynme X 2 + 1 peut tre obtenue
1
partir de la fraction rationnelle R
C1 : En eet,
X3 + X
(X 2

2
2

+ 1)

X X2 + 1
(X 2

2
2

+ 1)

X
2
+
X 2 + 1 (X 2 + 1)2

VIII. 8. Rduction du nombre des coe cients

R
Sot B
2 IK (X) (avec IK = R ou C) une fraction rationnelle irrductible.
- Supposons que cette fraction possde (au moins) un ple 2 IK dordre
h 1:
- La partie relative au ple scrit alors
1

(X
avec

1;

:::;

2
2

(X

+ ::: +

h
h

(X

2 IK:

VIII. 8. 1. Utilisation de la parit

Supposons que la fraction rationnelle F est paire
- Alors
est aussi un ple de F , de mme multiplicit que :
- La partie relative au ple
scrit:
0
1

(X + )
avec

0
1;

:::;

0
h

0
2
2

(X + )

+ ::: +

0
h
h

(X + )

2 IK:

On a alors les rsultats suivants:

- Si F est paire alors
8 k 2 f1; 2; :::; hg ;

0
k

- Si F est impaire alors 8 k 2 f1; 2; :::; hg ;

96

= ( 1)
0
k

k
k 1

= ( 1)

VIII. 8. 2. Utilisation de la conjugaison

A
Supposons B
coe cients rels et 2 C n R:
- Alors est un ple de F , de mme multiplicit que :
- La partie relative au ple scrit:
1

(X

(X

+ ::: +

(X

avec 1 ; :::; h 2 C
Puisque F est coe cients rels, on a
8 k 2 f1; 2; :::; hg ;

Exemple
X2 + 1
2

(X 2 + X + 1)

X
(

j
1;

+
2

(X
2 C)

97

2
2

j)

Chapitre IX
EXERCICES AVEC SOLUTIONS
PROBLEMES PROPOSES

IX. 1.

Espaces vectoriels

XI. 1.1.

Enoncs des exercices

Exercice 1
Parmi les ensembles suivant, lesquels sont, ou ne sont pas, des sous-espaces
vectoriels?
a/
E1 = (x; y) 2 R2 = xy = 0
b/ E2 , lensemble des solutions de lquation direntielle
0

y + a (x) y = 0
avec a (x) une fonction drivable.
Exercice 2
Trouver un systme gnrateur des sous-espaces vectoriels de R3 suivants:
1.
F = (x; y; z) 2 R3 = x + 2y z = 0
2.
G = (x; y; z) 2 R3 = x

y + z = 0 et 2x

z=0

Exercice 3
Soient E un espace vectoriel de dimension nie, et F et G deux sous-espaces
vectoriels de E.
Montrer que deux quelconques des trois proprits suivantes entranent la
troisime:
1.
F \ G = f0g
2.
F +G=E
3.
dim (F ) + dim (G) = dim (E)

98

Exercice 4
On considre les vecteurs !
u = ( 1; 1; 1) ; !
v = (1; 1; 1) ; et !
w = (1; 1; 1)
4
de R :
a. Exprimer les composantes x0 ; y 0 ; z 0 du vecteur x!
u +y !
v +z !
w en fonction
0
des scalaires x; y; z puis calculer x; y; z en fonction de x ; y 0 ; z 0
b. En dduire que les vecteurs !
u; !
v et !
w sont linairement indpendants
c. Quel est le sous-espace vectoriel de R3 engendr par ces trois vecteurs?

!
v

Exercice 5
On pose !
u = (1; 2; 1) ; !
v = ( 1; 1; 2) ; et !
w 0 = (2; 1; 2)
!
!
1/ calculer langle ( u ; v )
2/ Construire un vecteur non nul !
w orthogonal !
u et !
v
3/ Donner une quation cartsienne du plan vectoriel P engendr par !
u et
4/ Calculer la distance entre le point w0 et le plan P:
5/ Donner une quation cartesienne de la sphre de centre w0 et de rayon r
Exercice 6
Soit f : R2 ! R2 lapplication linaire de matrice
A=

2 2
2 2

dans la base canonique (!

e 1; !
e 2 ).
!
!
!
0
a. Trouver un vecteur e 1 6= 0 tel que f (!
e 01 ) = 0
!
b. Trouver un vecteur !
e 02 6= 0 et un scalaire 6= 0 tels que f (!
e 02 ) = !
e 02
!
0
0 !0
c. Calculer la matrice A de f dans la base ( e 1 ; e 2 )
d. Lapplication f est-elle injective? surjective? bijective?

99

XI. 1.2.

Solutions des exercices

Exercice 1
a/ E1 nest pas un sous-espace vectoriel de R2 car il nest pas stable par
addition.
En eet, X = (1; 0) et Y = (0; 1) sont tous les deux lments de E1 mais
X + Y = (1; 1) nest pas lment de E1 :
b/ remarquons dabord que E2 est une partie de lensemble des fonctions
drivables. soient y1 et y2 deux solutions et 2 R:
Posons
y = y1 + y 2 :
alors
y 0 + a (x) y = (y10 + a (x) y1 ) + (y20 + a (x) y2 ) = 0
ce qui prouve que y 2 E2 : ainsi, E2 est un sous-espace vectoriel de lespace
vectoriel des fonctions drivables sur R:
Exercice 2
1. On a
(x; y; z) 2 F , x =

2y + z

Donc
1
0
1
2y + z
x
A
@ y A = @
y
z
z
0
1
0 1
2
1
= y@ 1 A+z@ 0 A
0
1
0

Donc ,0le systme

1 gnrateur
0 de
1F est form par les deux vecteurs
2
1
!
u 1 = @ 1 A et !
u 2 = @ 0 A et on crit:
0
1
F = vect (!
u 1; !
u 2)

2. On a
(x; y; z)

Ainsi,

x y+z =0
G,
2x y z = 0
0 1
0
1
2
x
1
, @ y A = x@ 3 A
2
1
z
2

1
2
G = V ect (!
u ) ; avec !
u =@ 3 A
1
100

Exercice 3
Tout repose sur la formule des quatre dimensions:
dim (F + G) = dim (F ) + dim (G)

dim (F \ G)

et sur la proprit:
si H est sev de E tel que dim (H) = dim (E) ; alors H = E
- si 1. et 2. sont vraies, alors
dim (F + G)

= dim (F ) + dim (G)

= dim (F ) + dim (G)

dim (F \ G)

tandis que
E =F +G
implique
dim (E) = dim (F ) + dim (G)
3. est donc vrie
- Si 1. et 3. sont vraies, alors
dim (F + G)

= dim (F ) + dim (G) dim (F \ G)

= dim (E) 0 = dim (E)

Ainsi, F + G est un sev de E de mme dimension que E :

F +G=E
- Si 2. et 3. sont vraies, alors
dim (E)

= dim (F + G) = dim (F ) + dim (G)

= dim (E) dim (F \ G)

dim (F \ G)

On en dduit que
et donc

dim (F \ G) = 0
F \ G = f0g

Exercice 4
a. On a
8 0
9
8
< x = x+y+z =
<
y0 = x y + z
,
: 0
;
:
z =x+y z
8
>
<
,
>
:
101

9
x y + z = x0 =
2z = x0 + y 0
;
2y = x0 + z 0
9
0
0
>
x = y +z
=
2
0
0
y = x +z
2 0 >
0
;
z = x +y
2

b. Daprs a., lquation vectorielle

!
x!
u + y!
v + z!
w = 0
admet comme unique solution
(x; y; z) = (0; 0; 0)
autrement dit, les vecteurs !
u; !
v; !
w sont linairement indpendants.
De faon alternative ( sans utiliser a. ): les trois vecteurs sont linairement
indpendants car:
det (!
u; !
v; !
w)

=
=

1 1 1
1
1 1
1 1
1
4 6= 0

c. Comme !
u; !
v; !
w sont linairement indpendants, le sous-espace vectoriel
3
de R engendr par ces trois vecteurs est lespace R3 lui-mme.
Exercice 5
1/ Soit
!
[
=!
u
v = (!
u; !
v)
On est dans lespace tridimensionnel, donc
2

[0; ] et
!
u :!
v
=
!
k u k k!
vk
3
1
= p p =
2
6 6

cos

d0 ou

2/
!
u ^!
v =

2 1
1 2

1
1

1
;
2

1
2

1
1

= (3;

3; 3 )

est orthogonal !
u et !
v : On peut poser !
w = (1; 1; 1) :
3/ P est lorthogonal du vecteur !
w (ou de la droite R!
w ). On obtient
lquation cartsienne
x y+z =0
!
4/ La distance entre w 0 et le plan P est donne par:
!
p
w 0 :!
w
3
=p = 3
!
kwk
3
102

5/ La sphre de centre w0 et de rayon r est lensemble des points !

s =
(x; y; z) tels que
2
k!
s !
w 0 k = r2 :
On obtient l0 quation cartsienne
(x

2) + (y

2) = r2

1) + (z

cest--dire,
x2 + y 2 + z 2

4x

4z + 9 = r2

2y

Exercice 6
u = (x; y), on a
a. tant donn !
!
f (!
u ) = 0 si

2x + 2y = 0
2x + 2y = 0

cest--dire si
x+y =0
Par exemple, si on pose
!
e 01 = (1;
on a

1) = !
e1

!
e 2;

!
f (!
e 01 ) = 0

b. tant donn !
u = (x; y), on a
2x + 2y = x
2x + 2y = y

f (!
u)= !
u si
cest--dire si

(2
) x + 2y = 0
2x + (2
)y = 0
Ce systme a des solutions non triviales lorsque le dterminant
2
2 2

est nul. Il su t donc de poser

=4
et

!
e 02 = (1; 1) = !
e1+!
e2
!
c. Comme f (!
e 01 ) = 0 et f (!
e 02 ) = 4!
e 02 ; la matrice de f dans la base
!
0 !0
( e 1 ; e 2 ) est
0 0
A0 =
0 4
103

On peut aussi utiliser la formule de changement de base

A0 = P

AP

avec
P =

1 1
1 1

!
d. Lapplication f nest pas injective car f (!
e 01 ) = 0 = f 0 : elle nest
pas surjective car f R2 est la droite R!
e0:
2

Elle n0 est pas bijective car elle nest pas injective (ou car elle nest pas surjective ).

104

XI. 2.

Applications linaires

XI. 2.1.

Enoncs des exercices

Exercice 1
1/ Dterminer la forme linaire f dnie sur R3 telle que
f (1; 1; 1) = 0;

f (2; 0; 1) = 1;

f (1; 2; 3) = 4

2/ Donner une base du noyau de ker (f )

Exercice 2
Soient f1 et f2 les deux lments de L R2 ; R dnis par
f1 (x; y) = x + y
et
f2 (x; y) = x

1/ Montrer que (f1 ; f2 ) forme une base de R2

2/ Exprimer dans la base (f1 ; f2 ) les formes linaires suivantes:
g (x; y)
h (x; y)

= x
= 2x

6y

Exercice 3
Soit (!
e 1; !
e 2; !
e 3 ) la base canonique de R3 et f : R3 ! R3
lapplication linaire dnie par:
f (x; y; z) = (3x + 2y + z; x + z; 2x + 3z)
a. Exprimer f (!
e 1 ) ; f (!
e 2 ) ; f (!
e 3 ) en fonction des vecteurs !
e 1; !
e 2; !
e 3:
b. Quelle est la matrice de f et quel est son dterminant?
c. Quelle est la matrice de lapplication linaire rciproque f 1 ?
Exercice 4
Soit f : R2 ! R2 lapplication linaire dnie par
f (!
e 1) = !
e 1 + a!
e 2;
et

a2R

f (!
e 2 ) = a!
e1+!
e2

Soit g : R2 ! R2 laplication linaire dnie par:

g (!
e 1) = !
e 01
et

g (!
e 2) = !
e 02
105

avec

et

1
!
e 01 = p (!
e1+!
e 2)
2
1
!
e 02 = p ( !
e1+!
e 2)
2

1/ Quelle est la matrice A de f dans la base canonique (!

e 1; !
e 2 ) et quel est
son dterminant?
2/ Quelle est la matrice B de g dans la base canonique (!
e 1; !
e 2 ) et quel est
son dterminant?
3/ Calculer les matrices AB et B 1
4/ Quelle est linterprtation gomtrique de g?
e 01 ) et f (!
e 02 ) en fonction des vecteurs !
e 01 et !
e 02
5/ Exprimer f (!
!
0
0 !0
6/ Quelle est la matrice A de f dans la base ( e 1 ; e 2 ) et quel est son
dterminant?
7/ Exprimer A0 en fonction des matrices A et B, puis A en fonction des
matrices A0 et B
Exercice 5
On considre lendomorphisme f de R3
ique est la matrice
0
0 1
A=@ 1 0
1 1

dont la matrice dans la base canon1

1
1 A
0

1/ Montrer que f est diagonalisable, trouver une base de R3 forme de

vecteurs propres de f et la matrice A0 de f dans cette base
2/ Dterminer, pour tout entier n 2 N la matrice An :
Exercice 6
Soit f lendomorphisme de R2 de matrice dans la base canonique est dnie
par:
2
2
3
C=
5
2
2

1/ Montrer que les vecteurs !

u 1 = ( 2; 3) et !
u 2 = ( 2; 5) forment une base
2
de R
2/ Dterminer la matrice B de f dans cette base
3/ Calculer C n pour tout n 2 N
4/ dterminer lensemble des suites relles qui vrient:
8n

yn+1

2
xn+1 = 2xn + yn
3
5
2
xn
yn
2
3

N;

106

Exercice 7
Soit f lendomorphisme de R3 dont la matrice dans la base canonique est
donne par
0
1
1
0 1
A=@ 1 2 1 A
1
1 1

1/ Montrer que f est trigonalisable

2/ Montrer que lespace propre associ la valeur propre
= 1 est de
dimension 1:
Montrer que !
u = (1; 1; 0) est un vecteur non nul de cet espace propre
3/ Montrer que !
v = (0; 0; 1) est tel que
(f

IdR3 ) (!
v)=!
u

4/ Chercher un vecteur propre !

w associ la valeur propre
Montrer que (!
u; !
v; !
w ) est une base de R3 .
Calculer la matrice T de f dans la base (!
u; !
v; !
w )
k !
5/ Calculer f ( v ) pour tout k 2 N:En dduire T k
6/ Calculer Ak pour tout k 2 N:

107

= 2:

XI. 2.2.

Solutions des exercices

Exercice 1
1/ La forme linaire f est donne par:
f (x; y; z) = x + y + z
En calculant
f (1; 1; 1)
f (2; 0; 1)
f (1; 2; 3)
on obtient le systme suivant:
8
<
:

=
=
=

0
1
4

9
+ + =0 =
2 + =1
;
+2 +3 =4

On rsout ce systme et on trouve:

=
=
=

1
2
3

Ainsi, on a:
f (x; y; z) =

2y + 3z

2/ On en dduit
f (x; y; z) = 0 ,

8
< x=
:

9
2y + 3z =
y=y
;
z=z

Une base de ker (f ) est donne par la famille des deux vecteurs ( 2; 1; 0) et
(3; 0; 1)
Exercice 2
1/ Puisque R2 est de dimension 2, il su t de montrer que la famille
(f1 ; f2 ) est libre. Supposons quon a la relation
f1 + f2 = 0
On la teste pour des valeurs de (x; y) particulires: pour (x; y) = (1; 0) puis
pour (x; y) = (0; 1) ; on trouve successivement:
f1 (1; 0) + f2 (1; 0) = 0
f1 (0; 1) + f2 (0; 1) = 0
108

=0
=0

On prouve facilement que ceci implique

=

=0

et donc que la famille (f1 ; f2 ) est libre, fortuori une base de R2 :

2/ Il est facile de voir que
(f1 + f2 ) (x; y) = 2x
et donc
g=
Pour h il faut trouver

et

2x

6y

1
(f1 + f2 )
2

tels que, pour tout (x; y) 2 R2 ; on a:

=
=

(x + y) + (x
( + )x + (

y)
)y

Par identication, on doit rsoudre le systme

+

=2
= 6

= 2
=4

Autrement dit, on a
h=

2f1 + 4f2

Exercice 3
a. On se rappelle que la base canonique scrit:
!
e 1 = (1; 0; 0) ; !
e 2 = (0; 1; 0) ; !
e 3 = (0; 0; 1)
On trouve

f (!
e 1 ) = f (1; 0; 0) = (3; 1; 2)
f (!
e 2 ) = f (0; 1; 0) = (2; 0; 0)
f (!
e 3 ) = f (0; 0; 1) = (1; 1; 3)

b. En mettant ces vecteurs images sous forme de matrices colonnes la matrice

A de f est
0
1
3 2 1
A=@ 1 0 1 A
2 0 3
et

det f = det A =

2
0
0

3
1
2
109

1
1 =
3

1
2

1
3

c. Comme det f 6= 0; f 1 existe et sa matrice dans la base canonique est

donne par A 1 : Celle-ci se calcule en inversant le systme
8
9
< 3x + +2y + z = x0 =
x + z = y0
:
;
2x + 3z = z 0
On obtient:

do on lit

8
<

9
x = 3y 0 z 0
=
y = 21 x0 27 y 0 + z 0
:
;
z = 2y 0 + z 0
1

=@

1
1
1 A
1

1
2

7
2

Exercice 4
1/ Par dnition,
A=

1 a
a 1

et
a2

det A = 1
2/
p1
2
p1
2

B=

p1
2
p1
2

et
det B = 1
3/
AB =
et
B

1+a
p
2
1+a
p
2

ap 1
2
1p a
2

p1
2
p1
2

p1
2
p1
2

4/ La matrice B de lapplication linaire g est celle dune rotation dangle

:
En
eet, la matrice dune rotation dangle est donne par:
4
R( ) =

cos
sin

110

sin
cos

Exercice 5
1/ Pour dterminer les valeurs propres de f on calcule le polynme caractristique de f :
Pcar;f (X) = det (A

X
1
1

XI3 ) =

1
X
1

1
1
X

En ajoutant la ligne 1 la somme des deux autres lignes on fait

apparatre une factorisation par 2-X:
2
Pcar;f (X)

X
1
1

(2

X)

X
X
1

X
1
X

1 1 1
1
X 1
1 1
X

Ensuite, on retanche la ligne 1 de la lgne 3 on obtient:

Pcar;f (X)

=
=

(2
(2

1
X) 1
0

1
X
0

1
1
1

X) (X + 1)

Le polynme caractristique de f est scind dans R:

Lendomorphisme f de R3 a deux valeurs propres distinctes: 1 = 1 une
valeur propre double, 2 = 2 est une valeur propre simple.
Lendomorphisme f est diagonalisable si et seulement si, pour chaque valeur
propre la dimension du sous-espace propre associ est gale son ordre de
multiplicit en tant que racine du polynme caractristique.
La dimension du sous-espace propre associ une valeur propre simple est
gale 1.
Donc f est diagonalisable si et seulement si ladimension du sous-espace propre associ la valeur propre double est gale 2.
Soit E 1 le sous-espace propre associ la valeur propre double 1 = 1 et
soit !
u = (x; y; z) un vecteur de R3 :

!
u

2
,

E
8
<
:

1 0 1
x
0
!
!
@
A
@
y
0 A
,
f
(
u
)
=
u
,
(A
+
I
)
=
3
1
z
0
9
x+y+z =0 =
x+y+z =0
;
x+y+z =0

E 1 est un plan vectoriel de R3 : Lendomorphisme f est donc diagonalisable.

111

On dtermine maintenant une base de R3 forme de vecteurs propres de f:

Les vecteurs !
u 1 = (1; 0; 1) et !
u 2 = (0; 1; 1) sont deux vecteurs non
colinaires de E 1 , ils forment donc une base de E 1 :
Soit E 2 le sous-espace propre associ la valeur propre 2 = 2 et soit
!
u = (x; y; z) un vecteur de R3 :

!
u

2
,

1 0 1
x
0
2I3 ) @ y A = @ 0 A
z
0

, f (!
u ) = 2!
u , (A

8
<

9
2x + y + z = 0 =
x 2y + z = 0
:
;
x + y 2z = 0

Les oprations suivantes L2

L2
systme en un systme quivalent:
!
u

L3 + 2L1 transforment le

2x + y + z = 0
3x 3y
=0
3x + 3y
=0

y=x
z=x

,
!
u 2E

L1 ; L3

, 9 x 2 R; !
u = x (1; 1; 1)
!
E 2 est la droite vectorielle de base u 3 = (1; 1; 1) :
(!
u 1; !
u 2 ) est une base de E 1 ; !
u 3 est une base E 2 donc la famille (!
u 1; !
u 2; !
u 3)
!
!
!
3
est libre et les vecteurs u ; u ; u forment une base deR :
2

Soit

B 0 = (!
u 1; !
u 2; !
u 3)
!
!
!
!
Comme f ( u 1 ) = u 1 ; f ( u 2 ) = u 2 , f (!
u 3 ) = 2!
u 3 la matrice A0 de f
0
dans la base B est donne par:
0
1
1 0 0
1 0 A
A0 = @ 0
0 0
2

La matrice de passage de la base canonique B la base des vecteurs prores

B 0 est donne par:
0
1
1
0 1
1 1 A
P =@ 0
1
1 1
et on a:

A = P A0 P

2/
A = P A0 P

, An = P A0n P
112

8n2N

A0n

( 1)
0
=@
0

0
n
( 1)
0

1
0
0 A
2n

La matrice P 1 est la matrice de passage de la base B 0 = (!

u 1; !
u 2; !
u 3)
!
!
!
la base canonique ( e 1 ; e 2 ; e 3 ) :
!
u1
!
u2
!
u
3

= !
e 1 + 0!
e2 !
e3
!
!
= 0e1+ e2 !
e3
= !
e1+!
e2+!
e3

do

Ainsi,

et nalement,
An = P A0n P

!
e1

!
e2

!
e1

1 !
(2 u 1 !
u2+!
u 3)
3
1 !
( u 1 + 2!
u2+!
u 3)
3
1 !
( u1 !
u2+!
u 3)
3

0
2
1
1
1
1
P 1= @ 1 2
3
1
1
1
0
n
( 1)
0
n+1
0
( 1)
P A0n = @
n+1
n+1
( 1)
( 1)
0

2n + 2 ( 1)
1@ n
n+1
=
2 + ( 1)
3
n+1
2n + ( 1)

1
A

1
2n
2n A
2n

n+1

2n + ( 1)
n
2n + 2 ( 1)
n+1
2n + ( 1)

n+1 1
2n + ( 1)
n+1 A
2n + ( 1)
n
2n + 2 ( 1)

Exercice 6
1/ Les vecteurs !
u 1 = ( 2; 3) et !
u 2 = ( 2; 5) forment une base de R2 sils
sont linairement indpendants et sils forment un systme gnrateur de R2 :
Les deux vecteurs sont linairement indpendants si 9 ; 2 R tel que
!
!
u1+ !
u2 = 0 ,

= 0:

En eet,
!
!
u1+ !
u2 = 0 ,

113

2
2 =0
3 +5 =0

La premire quation implque que

=
et en linsrant dans la deuxime quation donne:
2 = 0 ()

= 0 et donc

=0

Ainsi, les deux vecteurs sont linairement indpendants.

Ces deux vecteurs forment un systme gnrateur de R2 si pour tout vecteur
!
u = (x; y) 2 R2 9 un couple de scalaires ; 2 R; tel que :
!
u = !
u1+ !
u2

En eet, cette quation implique que

x =
y =

3 +5

Il su t de prendre
=
=

5
1
x
y
4
2
3
1y
x+
4
2

Donc, les deux vecteurs forment une base de R2 :

2/
f (!
u 1)

cest--dire,

= f ( 2!
e 1 + 3!
e 2)
!
=
2f ( e 1 ) + 3f (!
e 2)
=
2!
e 1 + 3!
e2
f (!
u 1) = !
u1

et
f (!
u 2)

= f ( 2!
e 1 + 5!
e 2)
!
=
2f ( e 1 ) + 5f (!
e 2)
2!
5!
e1+ e2
=
3
3
1!
=
u2
3
Ainsi, les vecteurs !
u 1 et !
u 2 sont des vecteurs propre de lendomorphisme
f associs aux valeurs propres respectives 1 = 1 et 2 = 13 et donc la matrice
de lapplication linaire f dans la base (!
u 1; !
u 2 ) est une matrice diagonale:
B=

1 0
0 31
114

3/
det C

2
3

5
2

2
3

4 5
1
+ =
3 3
3

Alors la matrice C est diagonalisable.

Les valeurs prores de C sont solutions de lquation
det (C

I2 ) =

2
3

5
2

2
3

=0

cest--dire
(2

2
3

5
3
4
1
+
3
3
+

= 1 et

1
3

Ainsi la matrice B est la matrice diagonale associe la matrice C: Donc, on a:

C = P BP

, C n = P BnP

avec P est la matrice de passage de la base canonique (!

e 1; !
e 2 ) la base des
!
!
vecteurs propres ( u 1 ; u 2 ).
Les colonnes de la matrice P sont formes des composantes des vecteurs
propres dans la base canonique:
2
3

P =

2
5

Pour dterminer la matrice inverse de la matrice P , on exprime les veceurs

!
e 1; !
e 2 en termes des vecteurs !
u 1; !
u 2 . On trouve
!
e1

!
e2

Alors on en dduit
P
Alors
Cn =

1
4

1
( 5!
u 1 + 3!
u 2)
4
1 !
(u2 !
u 1)
2
1
4

10 2:3
15 + 5:3

5
3

2
2

n+1

n+1

115

4:3 n
6 + 10:3

4/
8n

xn+1

yn+1

N;
2
2xn + yn
3
5
2
xn
yn
2
3

En posant
xn
yn

Xn =
Le systme prcdent se rcrit:
Xn+1

= CXn
, Xn = C n X0

avec
x0
y0

X0 =
Ainsi
Xn

xn
yn

=
1
4

1
4

10 2:3
15 + 5:3

10 2:3
15 + 5:3

n+1
n+1

n+1

n+1

4:3 n
6 + 10:3

x0
y0

x0 + (4 4:3 n ) y0
x0 + ( 6 + 10:3 n ) y0

Finalement les suites sont dtermines par:

xn

yn

1
4
1
4

10

2:3

n+1

15 + 5:3

x0 + 4

n+1

x0 +

4:3

6 + 10:3

Autre mthode
Reconsidrons le systmes des suites
8n
yn+1

2
N; xn+1 = 2xn + yn
3
5
2
=
xn
yn
2
3
2

De la premire quation on en dduit

2
xn+2 = 2xn+1 + yn+1
3
Or de la deuxime quation on a:
3
yn = + xn+1
2
116

3xn

y0 ;
n

y0

En substituant dans xn+2 on obtient:

4
1
xn+1 + xn = 0
3
3

xn+2
En rsolvant sous la forme:

xn = rn
on obtient lquation caractristique
1
4
r+ =0
3
3

r2

qui est exactement le polynme caractristique de la matrice C dont les racines

sont les valeurs propres de cette matrice.Ainsi, on a:
1
3

xn = 1n +

avec la condition initiale

x0 =

Ensuite on en dduit yn de lquation

3
yn = + xn+1
2
on obtient:
yn =

3xn

1
3 + 5 :3
2

et avec la condition initiale

y0 =

1
(3 + 5 )
2

Ainsi, on obtient les expressions nales:

xn =

yn =

1
4

1
4

2:3

n+1

x0 + 4

15 + 5:3

n+1

x0 +

10

117

4:3

6 + 10:3

y0 ;
n

y0

Exercice 7
1/ On calcule le polynme caractristique de f . On trouve
Pf (X) = (1

X) (2

X)

Puisquil a toutes ses racines dans R, lendomorphisme f est trigonalisable.

2/ Posons !
u = (x; y; z), on a:
8
9
8
9
z=0
<
=
< x=x =
x+y+z =0
y=x
f (!
u)=!
u ,
,
:
;
:
;
x y=0
z=0
Une base de ker (f
3/ On a

do

I) est donc donne par le vecteur (1; 1; 0)

f (!
v ) = (1; 1; 1)
f (!
v)

!
v =!
u

4/ On cherche lespace propre associ la valeur propre = 2:On a pour

!
w = (x; y; z),
9
9
8
8
x+z =0 =
< x=x =
<
y=0
x+z =0
,
f (!
w) = !
w ,
;
;
:
:
z=x
x y z=0

Le vecteur !
w = (1; 0; 1) est donc un vecteur propre de f associ la valeur
propre = 2:
On vrie facilement que la famille (!
u;!
v ;!
w ) est une famille libre de R3 ,
donc une base.
La matrice de f dans cette base est donne par
1
0
1 1 0
T =@ 0 1 0 A
0 0 2
5/ On montre par rcurrence sur k que f k (!
v)=!
v + k!
u:
En eet, cest vrai pour k = 1 et si cest vrai au rang k, alors
f k+1 (!
v)

=
=
=
=

f (!
v + k!
u)
!
f ( v ) + kf (!
u)
!
!
!
u + v +ku
!
v + (k + 1) !
u

Puisque
f k (!
u) = !
u;
k
f (w) = 2k !
w;
118

on en dduit

1 k
Tk = @ 0 1
0 0

1
0
0 A
2k

6/ Soit Q la matrice de passage de la base canonique de R3 la base

!
(u;!
v ;!
w ) : Q est donne par:
0
1
1 0 1
Q=@ 1 0 0 A
0 0 1

et on a la relation

A = QT Q

Par rcurrence, on montre que

Ak = QT k Q
Il reste calculer Q
trouve

et utiliser le rsultat de la question prcdente. On

1
0
0
1 0
Q 1=@ 1 1 1 A
1
1 0

119

XI.3. Oprations sur les polynmes

XI.3.1.Enoncs des exercices
Exercice I
Soit P un polynme donn par:
P (X) = X 4 + 2a:X 3 + b:X 2 + 2:X + 1; a; b 2 R
Pour quelles valeurs de a; b le polynme P est-il carr dun polyme de
R [X]?
Exercice II
Rsoudre les quations suivantes, o linconnue est un polynme P de R [X] :
1/
P X 2 = X 2 + 1 :P (X)
2/
2

P 0 = 4P

Exercice III
Calculer le quotient et le reste de la division euclidienne de
1/
X 4 + 5X 3 + 12X 2 + 19X 7 par X 2 + 3X 1
2/
X5

X2 + 2

par X 2 + 1

Exercice IV
On considre les deux polynmes suivants:
P (X) = X 3

9X 2 + 26X

Q (X) = X 3

7X 2 + 7X + 15

24

et
Dcomposer ces deux polynmes en produits irrductibles de R [X] sachant
quils ont une racine commune.

120

Exercice V: Calcul du pgcd

Dterminer le pgcd des polynmes suivants
P (X) = X 4

3X 3 + X 2 + 4

Q (X) = X 3

3X 2 + 3X

et
2

Exercice VI: Equation de Bzout

Trouver deux polynmes U et V de R [X] tels que
AU + BV = 1
avec
A (X) = X 7

et
B (X) = X 5

Exercice VII
Dcomposer en produits irrductibles de R [X] les polynomes suivants:
1/
P (X) = X 4 + 1
2/
Q (X) = X 8

Exercice VIII
Soit le polynme
P (X) = X 3

8X 2 + 23X

28

Dterminer les racines de P sachant que la somme de deux des racines est
gale la troisime

121

XI.3.2.

Solutions des exercices

Exercice I
Si P = Q2 est le carr dun polynme, alors Q est ncessairement de degr
2, et son coe cient dominant est gal 1. On peut crire
Q (X) = X 2 + cX + d
On a alors
Q2 (X) = X 4 + cX 3 + d + c2 X 2 + dcX + d2
Par identication, on doit avoir
2c = 2a; 2d + c2 = b; 2cd = 2 et d2 = 1
On trouve donc
c = a et d =

Si
d = 1; alors c = 1; et donc a = 1 et b = 3
Si
d=

1; alors c =

1; a =

1 et b =

Les deux solutions sont donc

P1 (X)

= X 4 + 2X 3 + 3X 2 + 2X + 1 = X 2 + x + 1

P2 (X)

= X4

2X 3

X 2 + 2X + 1 = X 2

Exercice II
1/ Le polynme nul est videmment solution. Sinon, si P est solution alors
on a
2 deg (P ) = deg (P ) + 2
ce qui prouve que deg (P ) doit tre gal 2
Maintenant, si
P (X) = aX 2 + bX + c
alors
P X 2 = aX 4 + bX 2 + c
X 2 + 1 P (X) = aX 4 + bX 3 + (a + c) X 2 + bX + c
On en dduit que
b = 0 puisque a + c = 0

122

Les solutions sont donc les polynmes qui scrivent

P (X) = a X 2

1 ; a2R

2/ L encore, le polynme nul est aussi solution, et cest la seule solution

constante.
Par ailleurs, si P est une solution non constante, alors son degr vrie
lquation
2 (deg (P ) 1) = deg (P )
ce qui entrane que
deg (P ) = 2
Maintenant, si
P (X) = aX 2 + bX + c;
alors
P 02
4P

= (2aX + b) = 4a2 X 2 + 4abX + b2

= 4aX 2 + 4bX + 4C

ceci entrane
a2 = a;

donc a = 1
2

le polynme est de degr 2, a 6= 0, puis c = b4 :

Les polynmes solutions sont donc le polynme nul et les polynmes
P (X) = X 2 + bX +

b2
; b2R
4

Exercice III
1/ Le quotient est X 2 + 2X + 7; le reste est nul
2/ Le quotient est X 3 X 1; le reste est X + 3
Exercice IV
Si a est une racine commune de P et Q, alors X

a divise le pgcd de P et

Q:
On commence donc par chercher ce pgcd, par exemple en appliquant lalgorithme
dEuclide. Ici, on a:
X3

X3

9X 2 + 26X

24 = X 3

7X 2 + 7X + 15 =

2X 2 + 19X

7X 2 + 7X + 15 +

2X 2 + 19X

39 =

45X
4
123

39
135
4

X
2

2X 2 + 19X

5
4

8X
52
+
4
4

45X
4

39

135
4

Le pgcd de P et Q est donc le polynme

45X
4
ou encore X

135
4

3:On divise alors P et Q par X

3; et on trouve:

3) X 2 6X + 8
3) (X 2) (X 4)

P (X)

= (X
= (X

Q (X)

= (X 3) X 2 4X 5
= (X + 1) (X 3) (X 5)

et

Exercice V
On applique lalgorithme dEuclide. Le dernier reste non-nul donne un pgcd
des deux polynmes. On a successivement:
X4

3X 3 + X 2 + 4 = X 3

X3

3X 2 + 3X

3X 2 + 3X

2X 2 + 2X + 4 = (3X
6) ou (X

2X 2 + 2X + 4

X
+ 1 + 3X
2

2X 2 + 2X + 4

2=

Un pgcd est donc (3X

2 X+

2X
3

6)

2
3

2)

Exercice VI: Equation de Bzout

On utilise lalgorithme dEuclide. On a
X7
X5

1 = X5

1 = X2
X2

1 X2 + X2

X 3 + X 2 + 2X + 3 + 5X + 2
X
5

1 = (5X + 2)

7
25

11
25

On remonte ensuite les calculs. On va partir de

11 =

25 X 2

1 + (5X

7) (5X + 2)

On trouve alors successivement:

11

=
=
=

25 X 2

5X 4 + 2X 3
4

5X + 2X
5X

1 + (5X

7)

X5

3X 2

X2

1 + (5X

1 +

3X
4

X
X
3

X
2

2X + 3X + X + 4X + 5X
124

X2

X5

1 X 3 + X 2 + 2X + 3
7) X 5

Il su t de diviser par 11 pour obtenir les polynmes U et V:

Exercice VII
1/ Soit
P (X) = X 4 + 1
On peut remarquer que
X2 + 1

= X 4 + 2X 2 + 1

Donc
X4 + 1

X2 + 1

X2 + 1

cest --dire
P (X) = X 2 + 1 +

2X 2
p
2X
X2 + 1

2X

2X

2/
X8

X4

X4 + 1

X2

X2 + 1

(X + 1) (X

p
X2 + 1
2X
p
p
X 2 + 1 + 2X X 2 + 1
2X

X2 + 1 +

1) X 2 + 1

2X

Exercice VIII
on crit
X3

8X 2 + 23X

28 = (X + a) (X + b) (X + c)

sachant que
a+b=c
ensuite on dveloppe
(X + a) (X + b) (X + c) = X 3 + (a + b + c) X 2 + (ab + ac + bc) X + abc
puis on identie les coe cients on obtient
a+b+c=

ce qui donne
c=

ensuite, on fait la division euclidienne de X 3 8X 2 + 23X 28 par X

on trouve
X 3 8X 2 + 23X 28 = (X 4) X 2 4X + 7
et donc
X3

8X 2 + 23X

28 = (X

4) X

125

p
2+i 3

p
i 3

4 et

XI. 4.

Fractions rationnelles

XI. 4.1.

Enoncs des exercices

Exercice I
Dcomposer en lments simples les fractions rationnelles suivantes:
1.
1
3
X
X
2.
X 2 + 2X + 5
X 2 3X + 2

Exercice II
Dcomposer en lments simples la fraction rationnelle:
F (X) =

X4 X + 2
(X 1) (X 2 1)

Exercice III
Dcomposer en lments simples dans C (X),
F (X) =

Xn 1
Xn 1

Exercice IV
a) Dcomposer dans R (X) la fraction
1
X (X + 1)
b) En dduire la dcomposition dans R (X) de
X3

1
(X 3 + 1)

Exercice V
On considre une fraction rationnelle avec un ple double:
F (X) =

U
(X

a) V1 (X)
126

V1 (a) 6= 0

La dcomposition en lments simples scrit

F =

(X

a)

U1
V1

En dnissant la fraction
2

G = (X
exprimer les coe cients

et

a) F =

U
;
V1

laide de G: Gnraliser un ple multiple

Exercice VI
On considre un polynme P 2 C [X] ayant n racines distinctes notes
x1 ; x2 ; :::; xn :
Soit un complexe a 2 C tel que P (a) 6= 0: exprimer les sommes
S1 =

n
X

k=1

S2 =

n
X

k=1

en fonction de P; P 0 et a:

1
a

xk
1

(a

Exercice VII
1. Soit
F =

xk )

P
Q

Si 2 C est une racine simple de Q, montrer que le coe cient de llment

simple X 1 est QP0(( ))
2. Dcomposer dans C (X) la fraction
F =

X
Xn 1

127

XI. 4.2.

Solutions des exercices

Exercice I
1. La partie entire est nulle, le dnominateur se factorise en X (X 1) (X + 1) :
Multipliant par X et faisant X = 0, on trouve la partie polaire relativement
X 0 et ainsi de suite... On trouve nalement
1
X3

1
1
1
+ 2 + 2
X
X 1 X +1

2. Il y a cette fois une partie entire, car le numrateur et le dnominateur

ont mme degr.
Cette partie entire obtenue en faisant la division euclidienne vaut 1 et on
a:
X 2 + 2X + 5
5X + 3
=1+ 2
X 2 3X + 2
X
3X + 2
Le dnominateur se factorise en (X 1) (X 2) et on trouve nalement
utilisant les techniques dcrites dans la question prcdente
X 2 + 2X + 5
=1
X 2 3X + 2

8
X

13
X 2

Exercice II
Le degr du numrateur est suprieur celui du dnominateur. Il faut diviser
X 4 X + 2 par (X 1) X 2 1 = X 3 X 2 X + 1
On trouve
F (x) =

X4 X + 2
2X 2 X + 1
=
X
+
1
+
(X 1) (X 2 1)
(X 1) (X 2 1)

On pose
G (X)

=
=

2X 2 X + 1
2X 2 X + 1
=
2
2
(X 1) (X
1)
(X 1) (X + 1)
a
b
c
+
2 + (X
1)
X
+1
(X 1)
2

On multiplie par (X 1) et on pose X = 1 on trouve a = 1

Ensuite on multiplie par X + 1 puis X = 1; on trouvec = 1
Enn,on multiplie par X et en tend X ! 1 on a:
2=b+c)b=1
alors
F (X) = X + 1 +

1
(X

1)

128

1
(X

1)

1
X +1

Exercice III
La dcomposition scrit
n
X1

F (X) =

k=0

On utilise la formule

!k = e

! kn
P (! k )
=
Q0 (! k )
n! kn

!k

et donc
F (X) =

1
n

i2k
n

n 1
1X
1
n
X !k
k=0

Exercice IV
a) Puisque
1
1
=
X (X + 1)
X

1
;
X +1

il vient que
1
X3

1
X3 + 1

et il ne reste qu dcomposer
1
X3 + 1

=
=

1
(X + 1) (X 2
1
3

1
X 2
3 X2 X + 1

X +1

Exercice V
En multipliant la dcomposition par (X
G=

(X

X + 1)

a) ; on obtient

a) + (X

a)

U1
V1

On trouve
= G (a)
puis en drivant on trouve
= G0 (a)
La gnralisation est immdiate. Si la fraction F possde un ple dordre k;
F =

U
(X

a) V1

(X

129

a)

+ ::: +

(X

a)

U1
V1

en multipliant par (X
G

(X

a) ; on trouve
k

a) F =
+

k 1

U
V1

(X

a) + ::: +

(X

a) + (X

a) :

U1
V1

do lon tire en drivant k fois, que

k
k 1
k 2

= G (a)
= G0 (a)
G00 (a)
=
2
:::
G(k) (a)
=
k!

Exercice VI
Regarder pour un polynme de degr 2; puis utiliser formellement la drive
logarithmique.
Enn dcomposer la fraction
P 0 (X)
P (X)
On trouve
S1 =

P 0 (a)
P (a)

puis en drivant,
S2 =

(P P 0 ) 2P 02
(a)
P2

Exercice VII
1. est une racine simple de Q donc il existe Q1 tel que
Q = (X

F =
En multipliant par X

) Q1 avec Q1 ( ) 6= 0

P
P
a
=
=
Q
(X
) Q1
X

+ :::

, puis en faisant X = , on trouve

a=

P( )
Q0 ( )

130

2.
Xn

1=

n
Y1

2ik
n

k=0

Donc il existe a0 ; a1 ; :::; an

tels que:

F =

n
X1
k=0

ak
X

2ik
n

En appliquant le rsultat de 1., avec

etQ0 = nX n

P =X
e

ak =

n e
Donc
F =

2ik
n

n 1

2ik
n

n
X1
k=0

1 4ik
e n
n

1 4ik
n
ne

2ik
n

Exercice VII
Dcomposer en lments simples dans R les fractions rationnelles suivantes:
1

F1 =

(X 4

1)

X2 + 1

F2 =

(X

1) (X 3 + 1)

F3 =

1
X6 1

F4 =

X5

3X 3 + X 2
3

(X 2 + 2X + 2)

Solution 1

F1

=
=
=

1
(X 4

1)

1
(X 2
(X

1) (X 2 + 1)
1
2

1) (X + 1) (X 2 + 1)

131

On pose alors
F1 =

a
X

d
eX + f
b
c
+
+
+
2
2
2
X + 1 (X 1)
(X + 1)
(X 2 + 1)

De plus, la fraction F1 est paire:

F1 (X) = F1 ( X)
avec
F1 ( X) =

a
b
c
d
eX + f
+
+
+
2 +
2
X + 1 X 1 (X + 1)2
(X 1)
(X 2 + 1)

Ceci donne comme quations:

a =
b
c = d
e = 0
Alors F1 se rduit lexpression suivante:
F1 (X) =

a
X

a
c
c
f
+
+
+
2
2
2
2
X + 1 (X 1)
(X + 1)
(X + 1)

132

Problmes Proposs
Applications linaires & Applications
Problme 1
Soit R2 lespace vectoriel muni de la base canonique (!
e 1; !
e 2) :
Soit la base polaire dnie par les vecteurs:
!
e r ( ) = cos :!
e 1 + sin :!
e2
!
!
e
= er
+
2
Soit f lendomorphisme de R2 dni par:
f (!
e 1) = !
er( )
!
!
f ( e 2) = e
1 = Dterminer la matrice R( ) associe lendomorphisme f dans la base
canonique
2 = Montrer que lensemble des matrices R( ) forme un groupe
3 = Calculer la matrice de lendomorphisme f 2 dans la base canonique
4 = En dduire que la matrice de lendomorphisme f n avec n 2 N; est R(n )
5 = En dduire la matrice de lendomorphisme f 1
6 = Montrer que lendomorphisme f est diagonalisable
!
7 = Dterminer tous les vecteurs V qui satisfont
!
!
f V = V;

2C

(1)

8 = Dterminer la matrice de lendomorphisme f dans la base des vecteurs

qui satisfont la relation (1)
9 = Dterminer la matrice de passage P de la base canonique la base
des vecteurs qui satisfont la relation (1)
10 = Montrer que
8 !
u
!
!
u f(u)

2 R2 avec k!
u k = 1,
= cos

133

Exercice 1
Soit la suite numrique (Un ( )) dnie par
U1 ( )
8n

= 2 cos ; U2 ( ) = 4 cos2
1;
2 N; n 2; Un ( ) = 2 cos :Un

2 ] ; [
Un 2 ( )
1( )

En posant
Xn ( ) =
1 = Trouver la matrice

Un ( )
Un 1 ( )

( ) satisfaisant la relation
Xn ( ) =

( ) :Xn

( )

2 = Montrer que
8n

2; Xn ( ) =

n 2

( ) :X2 ( )

3 = A laide des rsultats du problme, montrer que le terme gnral de la

suite (Un ( )) scrit:
sin [(n + 1) ]
sin

Exercice 2
Soit (!
e 1; !
e 2; !
e 3 ) une base de R3 : On pose
!
f1=!
e 1 + 2!
e2+!
e3
!
f 2 = 3!
e1 !
e 2 + 4!
e3
!
!
!
f 1 = 7 e 1 + 27 e 2 + 5!
e3
! !
!
1 ) Montrer que f 1 ; f 2 ; f 3 une base de R3
! !
!
2 ) Ecrire la matrice de passage de la base (!
e 1; !
e 2; !
e 3 ) la base f 1 ; f 2 ; f 3 :
Calculer linverse de cette matrice.
! !
!
3 ) Calculer les coordonnes du vecteur !
e 1 +!
e 2 +!
e 3 dans la bse f 1 ; f 2 ; f 3 :

134

Exercice 3
Considrons les vecteurs

!
u 1 = (1; 2; 0)
!
u 2 = (1; 1; 1)

!
u 3 = ( 1; 0; 3)
!
!
1 ) Montrer que ( u 1 ; u 2 ; !
u 3 ) est une base de R3 :
!
2 ) Soit x le vecteur de matrice
0 1
1
@ 2 A
3

dans la base (!
u 1; !
u 2; !
u 3 ) : Donner la matrice de !
x dans la base canonique.
!
3 ) Soit y le vecteur de matrice
0 1
1
@ 2 A
3

dans la base canonique. Expliciter la matrice de !

y dans la base (!
u 1; !
u 2; !
u 3) :
Problme 2
Soit u lapplication de R4 vers R4 dnie pour tout vecteur (x; y; z; t) par la
formule:
u (x; y; z; t) = (2x + y

3z

2t; 2x + y

3z

4t; 2x + y

3z

3t; 0)

On pose
!
!
a = (1; 1; 1; 0) ; b = (2; 4; 3; 0) ; !
c = (3; 0; 2; 0)
1 ) Montrer que u est endomorphisme de R4 :
2 ) Ecrire la matrice de u dans la base canonique (!
e 1; !
e 2; !
e 3; !
e 4 ) de R4 :
!
!
3 ) Montrer que !
a et b sont des lments de Im (u), puis que !
a; b
constitue une base de Im (u) :
Lapplication u est-elle bijective? Prciser la dimension du noyau Ker (u) :
4 ) Montrer que que !
a et !
c sont des lments de Ker (u), puis que (!
a ;!
c)
constitue une base de Ker (u) :
5 ) dterminer la dimension de Ker (u) \ Im (u) et fournir une base de ce
sous-espace
6 ) On pose
0
! !
!
e1= b
e1 !
e3
0
!
e2=!
a

135

0
!
!
e3= b
0
!
e4=!
e4
0
0
0
0
0
0
0
0
Montrer que !
e 1; !
e 2; !
e 3; !
e 4 est une base de R4 : exprimer u !
e1 ; u !
e2 ; u !
e3 ; u !
e4
0
0
0
0
dans la base !
e 1; !
e 2; !
e 3; !
e 4 : en dduire la matrice de u dans cette base.

Exercice 4
Soit
R2 ! R3
une application linaire. On note = (!
e 1; !
e 2 ) la base canonique de R2 et
! !
!
= f 1 ; f 2 ; f 3 celle de R3 : Lapplication u est dnie par:
!
!
!
u (!
e1+!
e 2) = f 1 + 2 f 2 + f 3
!
!
u (!
e1 !
e 2) = f 2 + f 3
1 ) Exprimer u (!
e 1 ) et u (!
e 2 ) dans la base ; en dduire la matrice de u
par rapport aux bases canoniques et :
2 ) Dterminer Ker (u) : Calculer une base de Im (u) :
3 ) Lapplication u est-elle injective ? bijective? Justier.
4 ) soit
v
!
v(a)

: R2 ! Im (u)
= u (!
a ); !
a 2 R2

Montrer que lapplication v est bijective

Exercice 5
Soit T une application linaire de R3 vers R3 : Soient r1 et r2 des rels avec
r1 6= r2 :
1 ) Montrer que deux vecteurs non nuls !
v 1 et !
v 2 qui vrient
!
!
!
T(v )=r v ; T(v )=r !
v
1

forment une famille libre.

2 ) On suppose que la matrice de
0
5
@ 1
3

T dans la base canonique de R3 est

1
6
6
4
2 A
6
4

a) Calculer T (x; y; z)
b) trouver une base de chacun des sous-espaces suivants (on admettra que
ce sont eectivement des sous-ev):
V = !
u 2 R3 j T (!
u)=!
u
1

c) Montrer que

V2 = !
u 2 R3 j T (!
u ) = 2!
u
R3 = V 1
136

V2

Polynmes
Exercice 1
1 ) Eectuer la division euclidienne de A (x) = x2 +2x 7 par B (x) = x 1
2 ) Donner 2 faons direntes de caractriser la racine dun polynme P
3 ) Soit
1
5 2 1
x
x+
P (x) = x3
2
2
2
Verer que

1
2

est une racine de P et trouver toutes les racines de P:

Exercice 2
Soit
P (x) = 2x3

x2

4x + 3

1 ) Montrer que 1 est racine de P:

2 ) Dterminer son ordre de multiplicit, puis trouver les autres racines de
P:
Exercice 3
On donne un polynme P et une racine complexe de P:
Factoriser P dans R puis donner toutes ses racines dans C
a)
P (x) = x3 6x2 + 13x 10; P (2 j) = 0
b)
P (x) = 2x3

3x2 + 2x

3; P (j) = 0

Exercice 4
Factoriser dans R les polynmes suivants:
P1 (x) = 3x2

4x +

4
3

P2 (x) = x3 + x2 + x + 1
P3 (x) = x3 + x2

Exercice 5
Montrer que le polynme
P (x) = 4x4

12x3 + 9x2 + 2x

admet le nombre 1 comme racine double. En dduire les deux autres racines.

137

Exercice 6
Rsoudre dans C les quations suivantes:
(Eq1 ) 3x4

4x2 + 1 = 0

(Eq2 ) x4 + x2 + 1 = 0
(Eq3 ) x3 + x2 + x + 1 = 0

Fractions rationnelles
Exercice 1
1 ) Quest-ce quune fraction irrductible?
2 ) Prciser si les fractions
F1 (x) =

x2

x2

x 2
1
F2 (x) = 4
5x
7x3 + 5x2 2
3
x
2x + 11
F1 (x) =
x4
sont irrductibles ou non et si elles sont non irrductibles les simplier
Exercice 2
1 ) Dnir la partie entire dune fraction rationnelle
F (x) =

P (x)
Q (x)

Dans quel cas est-elle non nulle?

2 ) Ramener la fraction
D (x) =

x4
1) ( x2 + 1)

(x

la somme dun polynme et dune fraction rationnelle dont le degr du numrateur est strictement infrieur celui du dnominateur.
Exercice 3: Ples multiples
Dcomposer en lments simples dans R les fractions rationnelles suivantes:
G1 (x) =
G2 (x) =
G3 (x) =

x+1
x (x
x2
x (x

3)
1

2)

1
x2 (x 1)

138

Exercice 4: Elments simples de seconde espce

Dcomposer en lments simples dans R les fractions rationnelles suivantes:
E1 (x) =

x
(x + 3) (x2 + x + 1)

E1 (x) =
E3 (x) =

1
1) (x2 + 1)

(x

(x

x2 + 1
2) (x2 + x + 1)

Exercice 5: Dcomosition dans C

Dcomposer en lments simples dans C les fractions rationnelles suivantes:
H1 (x) =
H2 (x) =

x
x3

4x2
+1

x4

139

Rfrences
1. Cours danalyse Tome 4 complments: Analyse vectorielle-calcul matriciel par Jean Massart, Collection DUNOD
2. Exercices dalgbre, 1er cycle scientique par B. Calvo, J. Doyen, A.
Calvo, F. Boschet, Armand Colin_Collection U
3. Algbre linaire, cours et problmes par L. Seymour, Srie Schaum
4. Cours de mathmatiques du premier cycle par Jacques Dixmier, collection
gauthier-villars
5. Algbre linaire, DEUG scientiques: 1re et 2 me annes, Volumes 1
et 2, par H. Sureau et Y. Sureau, Editions Armand Colin
6. Algbre linaire. Tome 1: Exercices avec solutions, par J. Rivaud, Editions Vuibert
7. Chemins vers llagbre. Tome 2: Exercices avec solutions et rappels de
cours, par F. Pcastaings, Editions Vuibert
8. Complments dalgbre linaire, maths spciales: 1re et 2me annes,
par L. Lesieur, R. Temam et J. Levre, Editions Armand Colin, Collection U
9. Prcis de mathmatiques: Algbre 2, par F. Aubonnet, D. Guinin et B.
Joppin, 2me dition, Editions Bral
10. Mathmatiques pour le DEUG, Algbre et gomtrie, 2me anne, Cours
et exercices avec solutions, par F. Liret et D. Martinais, Editions Dunod Paris
11. Cours de mathmatiques spciales Tpme 2: Algbre et applications
la gomtrie, par C. Deschamps, E. Ramis et J. Odoux

140