Livre Math Algebre Prof. Foade

Manuel de Mathématique Algèbre pour économiste
CHAPITRE 1 : ENSEMBLES-RELATIONS, LOIS DE COMPOSITION, NOMBRES

COMPLEXES, POLYNOMES ET FRACTIONS RATIONNELLES
1-1 ENSEMBLES-RELATIONS
1- Définitions
On appelle ensemble une collection bien définie d’objets. Ces objets s’appellent
les éléments ou les points de l’ensemble.
Exemple : Q : Ensemble des nombres rationnels.
Un nombre α est un point de Q s’il existe un entier relatif P et un entier relatif non
𝑃
nul q tels que α = .
𝑞
L’ensemble E est inclus ou contenu dans l’ensemble F  tout élément de E est
aussi élément de F.
On note :
Si E ⊂ F et F ⊃ E, on dit que E est égal à F
On note que E = F.
2- Opérations sur les parties d’un ensemble

A ⊂ E, on dit que A est une partie ou un sous ensemble E
Soient E = {a, b, c} et P 𝜖 l’ensemble des parties de E.
On a: P (E); {a} 𝜖 P (E); {ø, {a}} ⊂ P (E)
Pour toutes les parties A, B et C d’un ensemble E, on définit:

 La réunion de A et B
A∪B = {x 𝜖 E/ x ϵ A ou x ϵ B}
 L’intersection de A et B
A ∩ B = {x 𝜖 E/ x ϵ A et x ϵ B}
 La différence A – B = {x 𝜖 E/ x ϵ A et x ∉ B}
 Le complémentaire de C dans E : 𝐶𝐸𝐶 = {x 𝜖 E/ x ∉ C}
1 Cours et Exercices corrigés FOADE T. Joel Denis

Propriété
A∪B = B ∪ A ;
A ∩ B = B ∩ A;
A ∪ (B ∪ C) = (A ∪ B) ∪ C = A ∪ B ∪ C
A ∩ B = B ∩ A;
A ∩ (B ∩ C) = (A ∩ B) ∩ C = A ∩ B ∩ C
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
𝐶𝐸𝐴∪𝐵 = 𝐶𝐸𝐴 ∩ 𝐶𝐸𝐵 , 𝐶𝐸𝐴∩𝐵 = 𝐶𝐸𝐴 ∪ 𝐶𝐸𝐵
A – B = A ∩ 𝐶𝐸𝐵 , 𝐶𝐸𝐵 = Ø ; 𝐶𝐸ø = E
3- Produit cartésien de deux ensembles

Relation d’un ensemble E dans un ensemble F :
Soient deux ensembles E et F.
Le produit cartésien de E par F, noté E x F est l’ensemble des couples ordonnés
(x,y) formés d’un élément x de E et d’un élément y de F.
E x F = {(x, y) / x ϵ E et y ϵ F}
Si E = F, on note E2 = E x E.
Soit R une relation d’un ensemble E vers un ensemble F
L’ensemble des couples (x, y) de E x F pour lesquels xRy est appelé le groupe G
de la relation GR.
GR = {(x, y) / x ϵ E x F/ xRy}
4- Relations binaires (ou relations d’un ensemble dans lui-même)
1- Relations d’équivalence
Une relation R est une relation d’équivalence sur E si elle vérifie les axiomes
suivants :
xRx, ∀ x ϵ E (Réflexivité)
∀ x ϵ E ; ∀y ϵ E ; xRy => yRx (Symétrie)
∀ (x, y, z) ϵ E3 ; xRy et yRz => xRz (transitivité)
Soit un ensemble E muni d’une relation d’équivalence R.
La classe d’équivalence d’un élément x de E est l’ensemble des éléments de E qui
sont en relation avec x. on la note Cl (x) ou x ou cx.
x = Cl (x) = { y ϵ E/ yRx}

Propriétés
 α ϵ E ; ∀ α ϵ Cl (α)
 ∀ (𝒶,b) ϵ E x E, aRb => Cl (𝒶) = Cl(b)
 Cl (𝒶) ∩ Cl (b) ≠ Ø => Cl (𝒶) = Cl(b)
Preuve:
Les deux premières propriétés sont évidentes
Si Cl (𝒶) ∩ Cl (b) ≠ Ø => ℈ 𝛼 Cl (𝒶) = Cl(b)
 𝛼R𝒶 et 𝛼Rb
 𝒶R𝛼 et 𝛼Rb => 𝒶Rb
 (𝒶Rb => Cl(𝒶)) = Cl(b)
2- Relation d’ordre
Une relation d’ordre R sur un ensemble E est une relation d’ordre si elle satisfait
aux axiomes suivants :
xRx, ∀ x ϵ E (Réflexivité)
∀ x ϵ E ; ∀ y ϵ E ; xRy et yRx => x = y (Antisymétrie)
∀ (x, y, z) ϵ E3 ; xRy et yRz => xRz (transitivité)
Remarque :
Le plus souvent une relation d’ordre sera noté ≤
Un ordre sera dit total lorsque ∀ (x, y) ϵ E2, on a un ensemble muni d’un ordre
total est dit totalement ordonné.
5- Fonction et applications
Soient deux ensembles E et F.
1- Définition
Une relation R et E vers F est définie sur E ou est une application de E dans F,
lorsque pour chaque élément x de E, il existe un élément y et un seul de F en
relation avec x
R est une application  ∀ x ϵ E, il existe un seul y ϵ F / xRy de E dans F
f : E ––> F
x ––> y ; y est l’image de x par f, on écrit y = f (x)
Une relation qui est définie seulement sur une partie E1 de E est appelée fonction.
E1 est le domaine de définition de la fonction f.
2- Produit de composition

Soient trois ensembles E, F et G et deux applications :

f : E ––> F et g : F ––> G
Si x ϵ E : f(x) ϵ F : g [f(x)] ϵ G
L’application 𝛹 de E dans G qui à x de E associe g [f(x)] de G est appelée
composée de f par g.
𝛹(x) = g [f(x)]. On note alors que 𝛹 = gof et (gof)(x) = g [f(x)].
3- Applications injectives, surjectives et bijectives

Soit une application f : E ––>F
 f est injective lorsque :

∀ (x, x’) ϵ E2, x ≠ x’ => f(x) ≠ f(x’). En notant « x = x » : P et "f(x) ≠ f(x’)" : Q
On peut écrire que : [P => Q]  [non Q => non P]

Autrement dit, f est bijective lorsque : ∀ (x, x’) ϵ E2, f(x) = f(x’) => x = x’
f est surjective lorsque : ∀ y ϵ F ; ∃ x ϵ E/y = f(x).
 f est bijective lorsqu’elle est injective et bijective.

Si f est une application bijective de E sur F qui a x de E associe y de F, la relation
de F vers E qui à y de F associe x de E est aussi une application bijective appelée
bijection réciproque de f et notée f – 1.
Si on a f : E ––> F alors f – 1 : F ––> E et on en déduit que f – 1o f = idE et

f o f – 1 = idF, idE est l’application identique de E et idF celle de F.
Autrement dit : idE (x) = x, ∀ x ϵ E et idF (y) = y ∀ y ϵ F.
Théorème :
Soient deux applications f : E ––> F et g : F ––> G
i. Si g o f est injective, alors f est injective
ii. Si g o f est surjective, alors g est surjective
iii. Si g o f est bijective, alors g et f sont bijectives et on a (g o f)-1 = f – 1og – 1.
4- Image directe et image réciproque

Soit une fonction f : E ––> F ; A ⊂ E ; B ⊂ F
L’image directe de A par f est telle que :
f(A) = {y ϵ F / ∃ x ϵ A et y = f(x)}

L’image réciproque de B est telle que :

f – 1 (B) = {x ϵ E/ f(x) ϵ B}
Propriété :
Pour toute partie A1 et A2 de E et toutes parties B1 et B2 de F on a :
f (A1 ∪ A2) = f(A1) ∪ f(A2)
f (A1 ∩ A2) ⊂ f(A1) ∩ f(A2) (égalité si f est injective)
f – 1 (B1 ∪ B2) = f – 1 (B1) ∪ f – 1 (B2)
f – 1 (B1 ∩ B2) = f – 1 (B1) ∩ f – 1 (B2)
f – 1 [f (A)] ⊃ A et f [f – 1 (B)] ⊂ B
f – 1 [𝐶𝐹𝐵 ] = 𝐶𝐸 f – 1 (B)
Exemple pour illustrer f – 1 [f (A)] ⊃ A
f : E = {0, 1, 2, 3, 4, 5} ––> IR
𝑥
x –> f(x) =
3
A = {3, 4, 5} : A ⊂ E
f(A) = {1}, f – 1 [f (A)] = f – 1 [{1}] ⊂ E et E ⊃ A
donc f – 1 [f (A)] ⊃ A
1-2 Lois de composition

Définition :
Soit un ensemble E, on appelle loi de composition interne (LCI) dans E, une
application de E x E dans E.
Exemple : L’addition et la multiplication sont des LCI dans IR
IR x IR ––> IR
(x,y) ––> x + y
(x,y) ––> x x y
Partie stable : Soit une partie A et E muni d’une LCI notée *. On dit que A est
stable par la loi *, si ∀ x ϵ A et ∀ y ϵ A on a : x x y ϵ A.
Exemple 1 : Soit l’ensemble des nombres impairs. Cet ensemble n’est pas stable
par l’addition dans IR (3 + 5 = 8)
Cet ensemble est stable par la multiplication dans IR :
a impair => ∃p ϵ N/a = 2p + 1
b impair => ∃q ϵ N/b = 2q + 1
a x b = (2p + 1) (2q + 1) = 2(2pq + p + q) + 1 = 2k + 1
avec k = 2pq + p + q. On en déduit que a b impair.
Exemple 2 : Soient P[X], l’ensemble des polynômes à une indétermination ;

T[X], l’ensemble des trinômes ; T[X] ⊂ P[X]

T[X] est-il stable par la multiplication définie sur P[X] ?
2-2 Propriété des lois de composition interne

Soit un ensemble E muni d’une loi de composition interne *
Associativité
La loi est * associative dans E si :
∀ (x, y, z) ϵ E3 ; (x*y)*z = x*(y*z)
Commutativité
La loi est * commutative dans E si :
∀ (x,y) ϵ E2 ; x*y = y*x
Elément neutre
La loi est * admet un élément neutre e dans E si : ∀ x ϵ E ; x*e = x et e*x = x
Symétrie ou inverse
Un élément x ϵ E admet pour symétrie ou inverse un élément x0 ϵ E si :
x * x’ = e ou x’* x = e.
Théorème 1 :
Si l’élément neutre existe pour la loi *. Il est unique
Preuve
Supposons que e et e’ soient deux éléments neutres pour la loi*. On a e*e’ = e et
e’* e = e => e = e’.
Théorème 2 :
Soit un ensemble E muni de la LCI* associative et admettant un élément neutre
e. si x a pour symétrique x’ et y a pour symétrique y alors x*y a pour symétrique
y’* x’.
Preuve : Montrons que (x * y) * (y’ * x’) = e
(x * y) * (y’*x’) = x * (y * y’)x’
= x * e * x’ = (x * y’)x’
= x * x’ = e
Distributivité

Soit un ensemble E muni de deux lois internes ⊥ et *

La loi * est distributive à gauche par rapport à la loi ⊥ si :
∀ (x,y,z) ϵ E3 ; x* (y ⊥ z) = (x*y ) ⊥ (x*z)
La loi * est distributive à droite par rapport à la loi ⊥ si :
∀ (x,y,z) ϵ E3 ; (y ⊥ z)*x = (y*x ) ⊥ (z*x)
Remarque : la loi * est distributive par rapport à ⊥ si elle est distributive à gauche
et à droite. Lorsque la loi * est commutative, elle est distributive à gauche et à
droite par rapport à ⊥.
2-3 Groupes
Un ensemble G muni d’une loi ⊥ est groupe si :
i. La loi est interne
ii. La loi ⊥ est associative
iii. La loi ⊥ possède un élément neutre
iv. Toute élément de G possède un symétrique par la loi ⊥.
Si de plus la loi ⊥ est commutative, on dit que (G,⊥) est un groupe commutatif ou
abélien.
Exemple 1 : (IR, +) est un groupe abélien. L’élément neutre est 0 et le symétrique
est appelé opposé.
Exemple 2 : (IR* = IR – {0}, X) est un groupe abélien. L’élément neutre est 1 et
le symétrique est appelé inverse.
4- Anneaux
(A, ⊥,*), où ⊥ et * sont des lois de composition internes, est un anneau si :
i. (A, ⊥,*) est un groupe commutatif
ii. La deuxième loi * est associative
iii. La deuxième loi * est distributive par rapport à la première loi ⊥.
Remarque : Un anneau est commutatif lorsque la deuxième loi * est

commutative.
Un anneau est unitaire lorsque la deuxième loi admet un élément neutre.
Exemple : (IR, +, X) est un anneau car :

i. (IR+) est un groupe abélien
ii. La loi * est associative
iii. La loi * est distributive par rapport à la loi ⊥.
5- Corps

Soit un ensemble K muni de deux lois internes ⊥ et *.

(K, ⊥,*) est un corps si :
i. (K, ⊥,*) est un anneau commutatif unitaire
ii. Tout élément de K différent de l’élément neutre pour la première loi admet un
symétrique pour la deuxième loi.
Exemple : (IR, +, X) est un corps car :

i. (IR, + X) est un anneau commutatif unitaire
ii. ∀ x ≠ 0 x admet un inverse x-1 pour la loi*.
6- Idéal
Une partie d’un anneau (A, ⊥,*) est un idéal si :
i. ∀’ (x,y) ϵ I2 x ⊥ y ϵ I (stabilité de la loi ⊥)
ii. ∀ x ϵ 1, « symétrique x » ϵ I (pour la loi ⊥)
iii. ∀ x ϵ I a*x ϵ I, a ϵ A
Exemple : (Z, + X) est un anneau commutatif

3Z = {x ϵ Z/p ϵ Z et x = 3p} ; 3Z ⊂ Z
Montrons que 3Z est un idéal de Z :
i. x ϵ 3Z => 3p ϵ Z/x = 3p
y ϵ 3Z => ∃q ϵ Z/y = 3q
x + y = 3p + 3q = 3(p +q) = 3r avec r = p + q ϵ Z d’où x + y ϵ 3Z
ii. x ϵ 3Z ; x = 3p Sym(x) = Opp(x) = - x = -3p
= 3(-p) = 3q
Avec q = -p
 Sym(x) ϵ 3Z
iii. x ϵ 3Z et a ϵ Z. montrons que ax ϵ 3Z
x = 3p ; ax = 3p.a = 3(ap) = 3q avec q = ap
7- Homomorphisme d’anneaux
Soient deux anneaux (E, ⊥, *) et (F, T, O)
Une application de E dans F est un homomorphisme d’anneaux si :
∀(x,y) ϵ E2 ; f(x ⊥ y) = f(x) T f(y) et f(x*y) = f(x) o f(y)
Un homomorphisme bijectif est appelé isomorphisme. Dans ce cas on dit que E
et F sont isomorphes
1-1 Corps des nombres complexes

1- Naissance d’un corps

 L’équation x + 3 = 1 n’a pas de solution dans N. On a construit alors
l’anneau Z contenant N et contenant la solution de cette équation.
 L’équation ax = b (a ϵ Z*, b ϵ Z) n’a pas de solution dans Z. On a alors
construit le corps Q des rationnels contenant Z et contenant la solution
 L’équation x2 = 3 n’a pas de solution dans Q. On a construit alors le corps
R des réels contenant Q et contenant la solution.
 L’équation x2 = -1 n’a pas de solution dans IR. Nous allons construit un
corps contenant IR et contenant la solution de cette équation.
En résumé, nous avons N ⊂ Z ⊂ Q ⊂ R.

Soit R2 muni de l’addition + et de la multiplication * définies de la manière
suivante :
(a,b) ϵ IR2 et (a’, b’) ϵ IR2
(a,b) + (a’, b’) = (a + a’, b + b’)
(a,b) X (a’, b’) : (aa’-bb’, ab’+ a’b)
Les lois + et X sont des lois de composition internes dans IR 2 :
(IR2, +, X) est un groupe abélien. L’élément neutre est (0,0) et le symétrique de
(a,b) est (-a, -b)
(IR2, + X) est un anneau commutatif unitaire car c’est déjà un groupe abélien. De
plus la loi X est associative, distributive par rapport à +. Elle admet un élément
neutre et est commutative.
Recherche de l’élément neutre pour la X dans IR2 cherchons donc (x,y)
appartenant IR2 tel que ∀ (a, b) ϵ IR2. On a
(a, b) * (x,y) = (a,b) => ax –by = a (1) et ay – bx = b (2)
En multipliant (1) par a et (2) par b, on obtient que a 2 x – ay ϵ a2 et aby + b2 y =
b2 => x = 1 et y = 0. L’élément neutre est donc (1,0)
Montrons que (R2, +, X) est un corps commutatif
Soit (a,b) ≠ (0,0) dans IR2 on note que (0,0) et l’élément neutre pour la première
loi +.
Cherchons (x,y) appartenant à IR2 tel que ∀ (a,b) ϵ IR2, on a :
(a,b) X (x,y) = (1,0)
𝑎 −𝑏
 (ax – by, ay + bx) = (1,0) => x = y=
𝑎2 +𝑏2 𝑎2 +𝑏2
𝑎 −𝑏
Le symétrique de (a,b) est ( , )
𝑎2 +𝑏2 𝑎2 +𝑏2

Conclusion : (IR2, +, X) est un corps appelé le corps des complexes. Un couple

(a,b) ϵ IR2 est un nombre complexe. L’ensemble des nombres complexes est notée
C.
L’application 𝜑 : IR ––> IR X {0}
X ––> (x, 0) est un isomorphisme
En effet :
𝜑 (x + y) = (x + y + 0) = (x + 0) + (y, 0) = 𝜑 (x) + 𝜑 (y)
𝜑 (x x y) = (x x y, 0) = (x + 0) x (y, 0) = 𝜑 (x) x 𝜑 (y)
𝜑 est évidemment bijectif.
L’ensemble IR des réels est donc isomorphe au sous ensemble IR X {0} de
l’ensemble IR2 des nombres complexes. Ainsi, tout nombre réel X est identifié au
nombre complexe (X, 0). On pose que X = (X, 0).
Théorème :
Tout nombre complexe Z = (a, b) se met sous la forme Z = a + bi
avec i2 = -1
Preuve : Z = (a,b) = (a,0) + (b,0)

= a (1,0) + b(0,1) = a x 1 = b x i avec i2 = (0, 1)
i2 = (0,1)2 = (0,1)* (0,1) = (-0, 1) = -1
Remarque: i est donc solution x2 = -1

Si Z = a+ib ; a est la partie réelle avec a = Re (Z) et b est la partie imaginaire avec
b = Im(Z)
2- Propriété des nombres complexes
a- Opérations sur les nombres complexes

Soit z = a + ib et z’ = a’ + ib’
z + z’ = a + a’ + i(b + b’) ; z – z’ = a – a’ + i(b – b’);
z x z’ = (aa’ - bb’) + i(ab’ + ab);
(a – ib) est le conjugué de z = a + ib et est noté 𝑧̅
b- Conjugué
Soit z = a + ib le nombre complexe a – ib est appelé le conjugué de :
z = a + ib et est noté 𝑧̅
𝑧̅̅̅̅̅̅̅ ̅ ; 𝑧𝑧′
+ 𝑧′ = 𝑧̅ + 𝑧′ ̅̅̅̅ ; ̅̅̅̅̅
̅̅̅̅ = 𝑧𝑧′ 𝑧 𝑧̅ ̅̅̅̅̅
1
( )= ̅ ;( )=̅
1
𝑧′ 𝑧′ 𝑧′ 𝑧′

c- Représentation dans le plan complexe, module et argument

Dans un plan rapporté à un repère orthonormé, tout complexe z = a + ib
peut-être représenté par un point M de coordonnées (a,b). Ce plan est appelé
le plan complexe. On a l’application suivante :
f : C ⇾ IR2
x ↦M (a,b)
f est une bijection de C sur IR2. M est l’image de z et l’affixe de M
y
bk M
𝛳
O H X
M = (a,b) = Z r = √𝑎2 + 𝑏2 = ‖𝑍‖

̅̅̅̅
𝑂𝐻 = a = r cos 𝛳
̅̅̅̅
𝑂𝐾 = b = r sin 𝛳
Z= a + ib = r (cos 𝛳 + isin𝛳)
On appelle module du complexe z = a + ib le réel positif r = √𝑎2 + 𝑏 2. On le note

‖𝑍‖ et on écrit que ‖𝑍‖ = √𝑎2 + 𝑏 2
L’angle (𝑜𝑥 𝑜𝑦) = 𝛳 + 2kπ (k ϵ Z) est appelé argument de Z. on note A r g (z) =
̅̅̅, ̅̅̅
𝛳 + 2kπ (k ϵ Z) est appelé argument de Z. on note A r g (z) = 𝛳 + 2kπ (k ϵ Z)
Propriétés du module et de l’argument

a) |𝑍 + 𝑍′| ≤ |𝑍| + |𝑍′| ; |𝑍𝑍′| = |𝑍||𝑍′| ; |𝑍𝑛 | = |𝑍|𝑛 ;
𝑍 |𝑍| 1 1
| |= ; 𝑍𝑍̅ = |𝑍|2 ; | | =
|𝑍′| |𝑍|
𝑍′ 𝑍
b) A r g (ZZ’) = A r g (Z) + A r g (Z’) + 2kπ, k ϵ 𝕫

𝑍
Arg ( ) = Arg (Z) – Arg (Z’) + 2kπ, k ϵ 𝕫
𝑍′
1
Arg ( ) = - Arg (Z) + 2kπ, k ϵ 𝕫
𝑍
Arg (𝑍̅) = - Arg (Z) + 2kπ, k ϵ 𝕫
Arg (𝑍𝑛 ) = n Arg (Z) + 2kπ

3- Formule de Moivre
Z = cos 𝛳 + isin 𝛳 est un complexe de module |𝑍| = 1. |𝑍𝑛 | = |𝑍|𝑛 = 1 et A r g
(Zn) = nArg(z) + 2kπ = n𝛳 + 2kπ (k ϵ Z)
D’où zn = cos n𝛳 + isin n𝛳 et
(cos𝛳+isin𝛳)n = cos n𝛳 + isin n𝛳 formule de Moivre
i
si ei𝛳 = cos𝛳+isin𝛳 𝛳 est un nombre réel, on définit e 𝛳 par
ei𝛳. ei𝛳’ = ei(𝛳+𝛳’) ; (ei𝛳)n = ein𝛳
en particulier, eiπ = -1 car cos π = -1 et sin π = 0
ei2kπ = 1 car cos 2kπ = 1 et sin 2kπ = 0
Tout nombre complexe z = r(cos𝛳 + isin𝛳) s’écrit ainsi sous la forme
Z = rei𝛳 (forme exponentielle de Z)
Plus généralement, pour tout nombre complexe z = x + iy,
on a eZ = ex+iy = ex eiy= ex (cosy + isin y)
ei𝛳= cos𝛳 + isin𝛳 ; e-i𝛳= cos𝛳 – isin𝛳
𝑒 𝑖𝛳 + 𝑒 −𝑖𝛳 𝑒 𝑖𝛳 − 𝑒 −𝑖𝛳
 cos 𝛳 = et sin 𝛳 =
2 2𝑖
ce sont les formules d’Euler.

Exercices : Exprimer cos 3𝛳 en fonction de cos 𝛳
(cos𝛳 + i sin𝛳)3 = cos3𝛳 + isin3𝛳 et (cos𝛳 + isin𝛳)3
= cos3𝛳 + 3i cos2𝛳sin𝛳 - 3cos𝛳 sin2𝛳 – i sin3𝛳
Par identification on a : cos 3𝛳 = cos3𝛳 – 3cos 𝛳sin2𝛳
cos 3𝛳 = 4 cos3𝛳 – 3cos𝛳
Nous allons résoudre l’équation Zn = 𝛼0 où 𝛼0 = r(cos𝛳 + isin𝛳) un complexe
donné et z = R(cos𝜑 + isin𝜑), un complexe inconnu.
Zn = Rn (cos𝜑 + isin𝜑)n = r (cos 𝛳+sin𝛳)
= Rn (cos n𝜑 + isin n𝜑)  Rn = r et
𝛳 2kπ
n𝜑 = 𝛳 + 2kπ  R = 𝑛√𝑟 et 𝜑 = + ( k ϵ Z)
𝑛 𝑛
pour k ϵ Z, on obtient ainsi un nombre complexe zk tel
𝛳+2𝑘𝜋 𝛳+2𝑘𝜋
que Zk = 𝑛√𝑟 (𝑐𝑜𝑠 + 𝑖𝑠𝑖𝑛 ), solution de l’équation Zn = 𝛼 où zk est une
𝑛 𝑛
racine nième de 𝛼.
On fait varier k = 0 à k = n -1, on a n racines.
Pour k ≥ n, il existe p et s tels que k = np + s avec 0 < s < n. On a encore
k = np + s, avec 0 ≤ s ≤ n – 1.

Zk = 𝑛√𝑟 (𝑐𝑜𝑠 + 𝑖𝑠𝑖𝑛 )
𝑛 𝑛
𝛳+2𝑠𝜋 𝛳+2𝑠𝜋
= 𝑛√𝑟 (𝑐𝑜𝑠 ( + 2𝑝𝜋) + 𝑖𝑠𝑖𝑛 ( + 2𝑝𝜋))
𝑛 𝑛
= 𝑛√𝑟 (𝑐𝑜𝑠 + 𝑖𝑠𝑖𝑛 )=Z
𝑛 𝑛
Donc k ≥ n ; Zk = Zs ; S = 0, 1, 2,……, n-1. D’où
𝑛 𝛳+2𝑘𝜋 𝛳+2𝑘𝜋
Zn = 𝛼  Zk = √𝑟 (𝑐𝑜𝑠 + 𝑖𝑠𝑖𝑛 )
𝑛 𝑛
0≤ k ≤ n –1
Remarque:
Lorsque 𝛼 = 1, on obtient les racines nième de l’unité qui sont :
2𝑘𝜋
2𝑘𝜋 2𝑘𝜋
Zk = cos + 𝑖𝑠𝑖𝑛 = 𝑒𝑖 𝑛 ,0 ≤ k ≤ n –1
𝑛 𝑛
Exemple : n = 3 ; l’équation Z3 = 1 a pour racines Z0 = 1

2𝜋 2𝜋 1 √3
Z1 = cos + 𝑖𝑠𝑖𝑛 =− +𝑖 =𝑗
3 3 2 2
4𝜋 4𝜋 1 √3
Z2 = cos + 𝑖𝑠𝑖𝑛 =− − 𝑖 = 𝑗̅ = 𝑗 2
3 3 2 2
On vérifie que 1 + j + j2 = 0 et j3 = 1
Soit P(Z) un polynôme de degré n défini sur C
P(z) = 𝛼n Zn + 𝛼n-1 Zn-1 +…+ 𝛼1 z + 𝛼0 où les 𝛼i sont des constantes réelles ou
complexes.
Théorème 1 :
P(Z) admet n racines Z1, Z2,…., Zn réelles ou complexes, distinctes ou
confondues, se décompose comme suit :
P(Z) = an(Z - Z1)( Z – Z2) …(Z – Zn).
On a alors les relations suivantes :
𝑎𝑛−1 1
∑𝑛𝑖=1 𝑍𝑖 = ; ∏𝑛𝑖=1 𝑍𝑖 = 𝑍1 𝑍2 … 𝑍𝑛 = (−1)𝑛
𝑎𝑛 𝑎

Théorème 2 :
Si le polynôme P(Z) est à coefficients réels et que 𝛼 est une racine ou un zéro de
P(Z) alors 𝛼̅ est aussi racine ou zéro de P(Z). on note que 𝛼̅ est le conjugué de 𝛼.
Preuve
P(Z) = anZn + an-1Zn-1 +…+ a1 Z + a0 ; ai ϵ IR. Si 𝛼 est une racine de P(Z) alors
P(𝛼) = 0 c’est-à-dire :
an𝛼n + an-1𝛼n-1 +…+ a1𝛼 + a0 = 0 
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑎𝑛 𝛼 𝑛 + 𝑎𝑛−1𝛼 𝑛−1 + ⋯ + 𝑎1𝛼 + 𝑎0 = 0̅ 
̅̅̅̅̅̅̅
𝑎𝑛 𝛼 𝑛 + 𝑎̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑛−1 𝛼
𝑛−1 + ⋯ + ̅̅̅̅̅ 𝑎0 0̅ 
𝑎1 𝛼 + ̅̅̅=
𝑎𝑛 (𝛼̅ )𝑛 + 𝑎𝑛−1(𝛼̅ )𝑛−1 + ⋯ + 𝑎1 𝛼̅ + 𝑎0 = 0
Ceci signifie que P(𝛼̅ ) = 0 => 𝛼̅ est racine de P(Z)
Exemple : P(Z) = Z3 – 1 est un polynôme à coefficients réels
P(Z) = 0  Z3 = 1  Z ϵ {1, j, 𝑗̅}
L’existence des trois racines confirme le théorème 1.
L’existence de la racine 𝑗̅ , conjugué de j, confirme le théorème 2.
𝟑
Exemple Calculer √𝒊
Solution
𝜋
Posons Z3 = Z = i ; écrivions Z3 sous la forme exponentielle : Z3 = i = 𝑒 𝑖 2
𝜋 2𝑘𝜋
)
En utilisant la formule (3,2), on obtient : Zk= 𝑒 𝑖( 6 + 3 ; k = 0, 1, 2
𝜋
𝜋 𝜋 √3+𝑖
D’où : Z0 = 𝑒 𝑖 6 = cos + isin =
6 6 2
5𝜋
𝑖 5𝜋 5𝜋 −√3+𝑖
: Z1 = 𝑒 6 = cos + isin =
6 6 2
3𝜋
𝑖6 3𝜋 3𝜋
: Z1 = 𝑒 = cos + isin =-i
2 2

1.4- POLYNÔMES – FRACTIONS RATIONNELLES POLYNÔMES
1- Définitions - Généralités
Soit K le corps, C des nombres complexes ou R. On appelle polynôme f, toute

application définie par:
f: K → K
x → f (x) = an + xn + an -1xn-l +…………..+alx+ao, (1)
ai € K, donnés.
an , an-1 ………..,a1 a0, sont appelés les coefficients de f.
On dit également le polynôme f (x).
Si n € IN, tel que an ≠0, alors n est le degré de f. On note : do f = n.

K[X] est l’ensemble des polynômes à coefficients dans K.
2- Division euclidienne
Théorème
Quels que soient f (x) et φ(x), éléments de K[X] tels que :
𝑓 (𝑥 ) = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1𝑥 𝑛−1 + ⋯ … … … … … + 𝑎1 𝑥 + 𝑎0
𝜑 (𝑥 ) = 𝑏𝑥 𝑛 + 𝑏𝑛−1𝑥 𝑛−1 + ⋯ … … … … … + 𝑏1 𝑥 + 𝑏0 , ou φ(x)≠0,
Il existe un couple de polynômes q(x) et r(x) éléments de K[x] vérifiant les

conditions suivantes :
1. do r(x) < m ou r(x) = 0,
(2)
2. f(x) = q(x) φ(x) + r(x).
Les polynômes q(x) et f(x) sont appelés respectivement quotient et reste.
a. Division euclidienne suivant les puissances décroissantes de x

Définition
Diviser un polynôme f(x) par un polynôme φ(x) éléments de ·K[X] suivant les
puissances décroissantes de x, c'est trouver deux polynômes q(x) et r(x) de K[X]
vérifiant:
f(x) = φ(x)q(x) + r(x) avec do r < d°φ. (3)

Exercice
Trouver le reste R(x) de la division euclidienne du polynôme f(x) par le polynôme
φ(x) définis par: f(x) = x3 +ix +i-1 et φ(x)=x2+ix-1.
b. Division suivant les puissances croissantes de x

Soient f(x) et φ(x) deux polynômes tels que φ(x) ≠ O. On ordonne f(x) et φ(x)
suivant les puissances croissantes de x et on se donne un entier k.
Définition
Effectuer la division suivant les puissances croissantes de x à l'ordre k de f(x) par
φ(x), c'est trouver deux polynômes q(x) et r(x) tels que:
f(x) = φ(x)q(x) + xn+1 r(x) avec do q ≤ k ou do q = O. (4)
Exemple
Soient f(x) = 3x4 + x3 - x+ 2 et φ(x) = x2 - 3x+ 1.
Déterminer le reste de la division euclidienne de f(x) par φ(x) suivant les
puissances croissantes de x à l'ordre 2.
Solution
2 - x + x2 + 3x2 +3x4 1 ∓ 3x + x2
- 2 + 6x - 2 x2 ––––––––––––––––––––
–––––––––––––––– 2 ∓ 5x + 13x2
5x - 2x2 + x3 +3x4
- 5x + 15x2 - 5x3
––––––––––––––––
13x2 + 4x3 + 3x4
- 13x2 + 39x3 - 13x4
––––––––––––––––
35x3 - 10x4
Alors on a : 2- x + x3 +3x4 = (1 - 3x + x2)(2+5.x+13x2)+ x3 (35 - 10x), d'où le

reste r(x) = 35 - 10x.
Exercice
Calculer le reste de la division euclidienne d'un polynôme f(x) de degré 2 par
(x - a) (x - b) suivant les puissances décroissantes de x.

3- Décomposition d'un polynôme en facteurs

a- Divisibilité par (x - a) .
Théorème 1 (Théorème de Bézout (l))
Le reste de la division du polynôme f(x) = anxn + …….. + a1x + ao par le

binôme (x - a) est égal à la valeur de f(x) pour x = a.
Preuve
On a : f(x) = (x-a) q(x)+r(x); dOr < l.
Pour x = a, on a: f(a) = (0) q(a) + r(a) = r(a) = r.
Proposition
Pour que f(x) soit divisible par (x - a), il faut et il suffit que
f(a) = r(a) == 0. Alors f(x) = (x - a) f1 (x), où ~(x) est un polynôme.
Théorème 2
f(x) est divisible par (x-a) si et seulement si a est racine de l'équation f(x) = O.
Proposition
Si f(x) est divisible par (x-a) et (x-o), alors f(x) est divisible par le produit
(x -a)(x - b)
Preuve
f(x) est divisible par (x-a) => f(x) (x - a) q(x);
f(x) est divisible par (x-b) => f(b) = 0; or f(b) = (b -a)q(b); donc si b ≠ a, alors
f(b)=0 => q(b) = 0 => q(x) est divisible par (x -b).
Donc q(x) = (x-b) q1(x) => f(x) = (x-a)(x-b) q1 (x), c'est-à-dire f(x) est divisible
par (x – a) (x-b).
Définition
Soit une équation à une inconnue x. On appelle racine d’une équation tout
nombre réel ou complexe qui, substitué à x dans l’équation, la transforme en
identité.
On appelle équation algébrique de degré n les équations de la forme
P(x) = 0, où P(x) est un polynôme de degré n.

Théorème 3
(Théorème fondamental de l’Algèbre ou théorème de d'Alembert(1))
Toute fonction rationnelle entière f(x) a au moins une racine réelle ou complexe.
Théorème 4
Tout polynôme de degré n se décompose en n facteurs linéaires de forme (x -a)
et un facteur égal au coefficient de xn.
Preuve
. Soit f(x) un polynôme de degré n:
f(x) = anxn + an-1xn-1+ + a1x + a0·
D'après le théorème 4, f(x) admet au moins une racine xI. Donc d'après la
proposition du théorème de Bézout, on a: f(x) = (x – x1) f(x), où f1(x) est un
polynôme de degré (n - 1).
D'après le théorème 4, f1(x) a aussi au moins une racine qu'on note x2.
Alors f1(x) = (x – x2) f2(x), où f2(x) est un polynôme de degré (n - 2).
En procédant ainsi le nombre de fois nécessaire, on arrive à la relation où fn(x) est
un polynôme de degré zéro, c'est-à-dire une constante.
Cette constante est égale au coefficient de xn, c'est-à-dire fn(x) = an. Donc on peut
écrire en vertu des égalités obtenues :
f(x) = an(x – x1)(x - x2)··················(x – xn)·
De cette égalité, il est évident que x1, x2 , ............., xn sont les racines du polynôme
f(x).
Proposition
Tout polynôme de degré n ne peut avoir plus de n racines différentes.
Théorème 5
Si les valeurs de deux polynômes f1(x) et f2(x) de degré n, coïncident pour (n+l)
valeurs différentes xO, x1,………..xn de la variable x alors ces deux polynômes
sont identiques.
Théorème 6
Si le polynôme f(x) = anxn +……..+ a1x +a0 est identiquement nul, alors tous ses
coefficients sont nuls.

Théorème 7
Les coefficients respectifs de deux polynômes identiquement égaux sont
égaux.
4- Racines multiples du polynôme
Soit f(x)= an(x - xI)(x - x2) ……………… (x - xn), un polynôme de gré n.

On peut rencontrer des cas où certains facteurs de f(x) se répètent, et on essaiera
de les regrouper pour obtenir une nouvelle forme de f(x):
f(x) = an (x.- x1)α1 (x - x2) α1 ……………………….(x – xn )αn , où α1 + a2 +…...+
an = n ; cela veut dire que les racines x1, x2,…………..xn se répètent respectivement
α1 + a2 +……....+ an fois.
On dira que x1 est une racine multiple d'ordre α1 (ou tout simplement x1 est une
racine d'ordre α1) ; de même on dira que x2 ·est une racine d'ordre a2, etc. α1 + a2
+…....+ an sont appelés respectivement ordre de multiplicité de x1, x2,...., xn
De cette explication, on peut donner la définition suivante:
a- Définition
On dit que a C est une racine d'ordre a € IN du polynôme f(x) si f(x) est
divisible par (x-a)α mais n'est plus divisible par (x-a)a+1.
Conséquence
a est une racine d'ordre a de f(x) <=> q(x) C[X] tel que f(x) = (x-a)a q(x)
et q(a) ≠ 0.
Théorème 1
Tout polynôme f(x) C [X] de degré n > 0 peut se mettre d'une manière
unique sous la forme :
f(x) = an(x – x1)a1 (x - x2)α1 …………..(x – xn)αn où an ∊ C, les xi sont deux à deux
distincts et al +a2 +……… +an = n.
Preuve
Soit f(x) un polynôme de degré n > 0. D'après d'Alembert f(x) a au moins une
racine x1 ∊ C, c'est-à-dire f(x) est divisible par (x – x1) ; alors f(x) = (x - x,)q1(x)
et d0 ql = n-1.
 Si n = 1 => d0 ql = 0 => ql ∊ C ;
 Si n > 0 => n – 1 > 0, donc d' après d’Alembert ql admet au moins une

Racine x2 ∊ C, c'est-à-dire ql(x) = (x - x2) q2 (x).avec d''q2 = n-2 et ainsi de suite

de façon récurrente. Donc il existe x1, x2...... xn distincts deux à deux
éléments de C tels que an ∊ C et
f(x) = an(x – x1)a1 (x - x2)α1 ………..(x – xn)αn, où al +a2 +……+an = n.
Proposition
Tout polynôme de degré n a exactement n racines (réelles ou complexes) à
condition de compter chaque racine avec son ordre de multiplicité.
b. PGCD et PPCM de deux polynômes
Soient f(x) et g(x) deux polynômes écrits sous la forme décomposée.
Définition
Le Plus grand Commun Diviseur (PGCD) de f(x) et g(x) est le produit des facteurs
premiers communs affectés du plus petit des exposants figurant dans les
décompositions.
Le Plus petit Commun Multiple (PPCM) de f(x) et g(x) est le produit de tous les
facteurs premiers dans les décompositions de f(x) et de g(x) et chacun est affecté
du plus grand exposant.
Exercice
Trouver le PGCD et le PPCM de f(x) et g(x) si f(x) = x3 + 3x4 + 3x3 + x2 et
g(x) = x6 +x5 - x4 - x3.
c. Polynômes premiers entre eux

Définition
Deux polynômes f(x) et g(x) sont premiers entre eux ou sont étrangers s'il n'existe
aucun polynôme autre que les constantes qui soient diviseurs communs à f(x) et
g(x).
Théorème 2 (Théorème de Bézout)

Pour que deux polynômes f(x) et g(x) soient premiers entre eux, il faut et il suffit
qu'il existe deux polynômes U(x) et V(x) tels que :
f(x)U(x) + g(x)V(x) = 1.

Formule de Taylor(l)
Soit f(x) ∊ C[X] tel que f(x) soit n fois dérivable au point a ∊ C. Alors, on a:
𝑓′ (𝑎) 𝑓′′ (𝑎) 𝑓′′′ (𝑎)
𝑓 (𝑥 ) = 𝑓 (𝑎) + (𝑥 − 𝑎) + (𝑥 − 𝑎)2 + (𝑥 − 𝑎)3 + ⋯ +
1! 2! 3!
𝑓(𝑛) (𝑎)
(𝑥 − 𝑎)𝑛
𝑛!
Cette dernière écriture est appe1ée formule de Taylor au point a.
Théorème 2
Pour que a ∊ C soit racine d'ordre m de f(x) il faut et il suffit que :
𝑓 (𝑎) = 𝑓 ′ (𝑎) = 𝑓 ′′ (𝑎) = . . . … = 𝑓 (𝑚−1) (𝑎) = 0 (5)
Preuve
Condition nécessaire
Soit un entier m ≤ n tel que a ∊ C soit racine d'ordre m de f(x), on a:
(6)
or a ∊ C est une racine d'ordre m de f(x), c'est-à-dire
f(x) = (x - a)m q(x), où q(a) ≠ 0; (7)
En identifiant (6) et (7) quel que soit x, on a :
f(a) = f'(a) = f"(a) = f"'(0) = …………….= f(m-1) (a) = 0
Condition suffisante (évidente).
Théorème 3
Si z est une racine complexe du polynôme f(x) à coefficients réels (f(x) ∊ R
[X]), alors ce polynôme a également pour racine le nombre complexe

Preuve
Si z est une racine complexe du polynôme f(x). alors on a:
, où a1 ∊ IR
donc est la racine du polynôme f(x)
Par conséquent les racines complexes entrent dans la décomposition du

polynôme f(x)
f( f(x) = an(x – x1) (x - x2) …………..(x – xn) par paires conjuguées.
En multipliant entre eux les facteurs linéaires correspondant au couple de
racines complexes conjuguées, on obtient un trinôme du second degré à
coefficients réels.
, où et
éléments de k.
Si le nombre complexe est une racine d’ordre k de f(x), alors aussi est racine
d'ordre k de f(x), de telle manière que dans la composition de f(x) en facteurs
entrent autant de facteurs linéaires (x - z) que de facteurs (x- ); d'où le théorème
suivant:
Théorème 4
Tout polynôme à coefficients réels peut être coefficients réels décomposé en
facteurs à degré de multiplicité du premier et du second correspondante, c'est-
à-dire:
où
al +a2 +………..+ ar + 2kl + 2k2 +……..+ 2ks = n (8)
Comme on vient de montrer, si un nombre complexe z est racine d'un
polynôme, automatiquement un conjugué est également, alors on peut énoncer
le théorème suivant:
Théorème 5
Tout polynôme f(x) à coefficients réels de degré n impair a au moins une
racine réelle.
6) Formules de Viète(1) (Relations entre racines et coefficients d'un polynôme)
Soit f(x) = , où a1 ∊ C

Considérons 1’équation f(x) = 0 et notons les racines de

cette équation. Alors on a :
(9)
Après le développement du second membre de J'équation (3.32)t on obtient:
où S1 désigne la somme de tous les produits possible des membres

x1 (i = 1,2….,n) de k facteur chacun
En identifiant les coefficients de même puissance de x, on obtient:
an-1 = -an S1 ;
an-2 = -an S2 ;
an-3 = (-1)k an Sk ;
a0 = (-1)n an Sn ; (10)
ou sous sa forme développée:

an-1 = -an(x1, x2, x3………….+ xn)
an-2 = an (x1 x2, + x1 x3+……….+ x1 xn+ x2 x3 + x2 x4+…..+ x2 xn +…..+ xn-1 xn)
an-3 = an (x1 x2 x3 + x1 x2 x4+…….+ x1 x2 xn + x1 x3 x4+…..+ x2 x4 x5 +…..+ x1 x3
xn+….+ xn-2 xn-1 xn)
a0 = (-1)k an x1 x2 x3……..xn (10)
Remarque
𝑛!
Le nombre N de termes dans la somme Sk est : 𝑁 = 𝐶𝑛𝑘 = (𝑛−𝑘)!𝑘!
Exercice
Déterminer les relations qui existent entre les coefficients du polynôme suivant et
ses racines x1, x2, x3 et x4:
P(x) = x4 + ax3 +bx2 + cx + d
1-5) FRACTIONS RATIONNELLES

1) On appelle fraction rationnelle ou/fonction rationnelle f(x) le quotient
f(x) = (11)
de deux polynômes sans diviseurs communs (irréductibles).
Une fraction rationnelle f(x) est dite propre si m < n et impropre si m ≥ n.
Si une fraction rationnelle est impropre, elle peut être mise sous la forme:

f(x)= (12)
où Em-–n, qui est appelé partie entière, R(x) sont des polynômes et est fraction
propre.
Exemple
Soit la fraction rationnelle définie par:
f(x)=
• f(x) est une fraction rationnelle impropre;
• La division euclidienne nous donne
2- Décomposition d'une fraction rationnelle en éléments simples

Définition
On appelle éléments simples ou encore fractions simples les fractions
rationnelles.de la forme :
, , , (13)
où A, M. N. a. p. q sont des nombres réels, a, k, des entiers naturels supérieurs
ou égaux à 2 et x2 +px + q un trinôme ne possédant pas de racines réelles, c'est-à-
dire son discriminant p2 - 4q < O.
a. Décomposition dans IR
Théorème 1
Toute fraction rationnelle propre (m < n) à coefficients réels dont le
dénominateur Qn(x) est de la forme:
Qn(x) = (x - a)α (x – b)β ……. (x2 + px + q)k …….(x2 + lx + t)r, peut se
mettre d'une façon unique sous la forme d'une somme d' éléments simples:
(14)
Dans cette décomposition, A1, A2, …., Aα, B1, B2 ….Bβ,….M1, N1, M2, N2,
Mk1, Nk1, Q1, T1, Q2, T2, ….. Qr, Tr sont des constantes réelles qu’il faut
déterminer (une partie parmi elles peut être éventuellement nulle).

.
Exemple
Décomposer en éléments simples la fraction rationnelle Suivante :
𝑥+1
𝑓 (𝑥 ) = 4
(𝑥 − 1) (𝑥 − 2)2 (𝑥 2 − 𝑥 + 1)2
3
Solution
Il faudra d'abord décomposer le dénominateur.
(x4 - 1)3 (x - 2)2 (x2 - x + l)2 = (x - l)3 (x + l)3 (x - 2)2 (x2 +1)3(x2 – x + l)2;
donc la décomposition en éléments simples dans IR de f(x) est de la forme:
où les 18 constantes doivent être déterminées 1 !! (ne Vous affolez pas, c'est
tout juste un exemple!!!)
b. Décomposition dans C
Théorème 2
Toute fraction rationnelle propre , (m < n). à coefficients réels dont le.
dénominateur Qn(x) est de la forme: Qn(x) = (x - a)α(x - b)β …… ,

peut se meure d'une façon unique sous la forme d'une somme d'éléments
simples:
+ …………………………………………….+

(15)
c. Méthode de détermination des coefficients
c. Méthode de coefficients indéterminés

Pour déterminer ces coefficients, on réduit le second membre de (14) ou
(15) (selon l'ensemble dans lequel la décomposition se fait), au même
dénominateur et on identifie les coefficients des mêmes puissances de x dans les
numérateurs des deux membres on obtient ainsi un système d'équations 1inéaires
dont la résolution nous donne des constantes cherchées. Cette méthode s'appelle
méthode des coefficients indéterminés.
Exemple
Décomposer en éléments simples la fraction rationnelle suivante:
Solution
En vertu de la formule (14), on obtient:
Mettons les fractions au dénominateur commun et égalisons les numérateurs, on

obtient :
x2 -1 = A(x-1)2( x-2) +A2 (x - l)(x - 2) + A3(x--·2) + B(x +1)3
où
x2 + 2 = (Al + B)x3 + (A2+ 3B)x2 + (A3 - 3Al + 3B)x + (-2A3 – 2A2 - 2AI + B) .
En égalant les coefficients de x3, x2, xl, xo, nous trouvons un système d'équations
pour déterminer les coefficients:
En résolvant ce système, on trouve:

Donc
ii) Méthode des limites
Dans certains cas, il est aisé de déterminer les coefficients en faisant ce qui suit:
(au lieu d'écrire Pm(x) et Qn(x), on écrira tout simplement P(x) et Q(x)
Soit Q(x) = (x – x1)nr(x), où r(x1) ≠ 0 alors on a:
, (16)
où les coefficients An , An-1, ……… A1 seront trouvés de la manière suivante:

multiplions (16) par (x – x1)n on obtient:
(17)
Dans (17), posons x = xl, on a:
Ensuite, dérivons (17) par rapport à x on a:
(17)
où

(18)
En posant x =.x; dans (18), on obtient:
En continuant le processus, on obtient.
En procédant de la même manière pour les autres racines de Q(x), on trouve

tous les coefficients de la décomposition (16).
Attention !!!
En calculant ces coefficients, n'oubliez pas de diviser par le factoriel du
nombre de fois a été dérivé !!!
Exemple (Prenons l’exemple précédent)
Décomposer en éléments simples la fraction rationnelle suivante.
Solution
En vertu de la formule (14), on obtient:
Dans ce cas:
P(x) = x2 + 2, Q(x) = (x + 1)3 (x - 2);
Les racines de Q(x) sont -1 et 2.
Pour la racine -1, r(x) = x – 2, et pour 2, r(x) = (x + 1)3.
D'après (18), on a:

Remarque
Il est conseillé d'étudier la parité de la fraction rationnelle. Au cas où, elle
paire ou impaire, on peut trouver rapidement des coefficients qui s'annulent
ou des relations qui lient certains.

CHAPITRE 2
ESPACES VECTORIELS
2-1 – STRUCTURE D’ESPACES VECTORIEL
2-1-1- Définition
Soit E un ensemble quelconque et K un corps commutatif. Munissons E du loi de

composition interne, notée additivement :
E x E ––––––––––––> E
(a,b) ––––––––––––> a + b
et de loi de composition externe
K x E ––––––––––––> E
(α,a) ––––––––––––> αa
On a alors la définition suivante :
Définition 1
On dit que E est un espace vectoriel sur K si
(i) : (E, +) est un groupe commutatif
(ii) : La loi externe K x E ––––––––––––> E possède les propriétés suivantes :
∀(𝛼, 𝛽 ) ∈ 𝑘 2 , ∀(𝛼, 𝛽 ) ∈ 𝐾 2
a) 𝛼 (𝑎 + 𝑏) =∝ 𝑎 + ∝ 𝑏
b) (∝ +𝛽 )𝑎 = 𝛼𝑎 + 𝛽𝑎
c) ∝ (𝛽𝑎) = (𝛼𝛽 )𝑎
d) 1.a = a
1 étant l’unité du corps K.

Les éléments de E sont nommés vecteurs et ceux de k scalaires. On dit que E est
un K espace vectoriel ou tout simplement K espace.
Exemple 1
Soit K est un corps commutatif quelconque et considérons l’ensemble E = Kn des

n-uplets
(α1, α2, ………………….αo) + (β1, β2, ………………….βo)
= (α1+ β1, α2 + β2,……………… + αn+βn)
Ensuite la multiplication
K x Kn ––––––––––––––––> Kn ;
λ (α1, α2, ……………, αo) ––––––––––––> (λα1, λ α2, ………………., λn)
La première loi définit sur Kn est une structure de groupe commutatif.

L’associativité et la commutativité résultent de l’associativité et de la
commutativité de l’addition dans K. L’élément neutre, noté 0 est
0 = (0, 0, …………………., 0)
Le symétrique de (α1, α2, ……………, αo) est (- α1, - α2, ……………, - αo)
La seconde loi vérifie les axiomes :
i) λ (α1+ β1, ……………., αo+βo)
= (λα1+ λβ1, ………………., λαo+ λβo)
= (λα1, …………………., λαn) + (λβ1, ………………., λβo)
= λ(α1, …………………., λαn) + λ(β1, ………………., λβo)
ii) (λ + μ) (α1 …………………. αo) = ((λ + μ ) α1 ,………………., (λ + μ) αo)
= (λα1 + μα1,………………., λα1 + μα1)
= (λα1 …………….λαn) + (μα1,………………., μα1)
= (λ(α1 …………….αn) + μ(α1,………………, αn)
iii) λ[μ(α1,………………….,αn)] = λ( μα1,………,μαn) = (λμα1,…… λμαn)
= λμ(α1,………………….,αo)

iv) 1(α1,………………….,αn) = (1α1,……………,1αn) = (α1,………, αn)
par conséquent, Kn est un espace vectoriel sur K.
2.1.2. Propriétés
Propriété 1 : Soit E un K-espace
∀∝∈ 𝐾 , ∀𝑎∈𝐸
1- α0 = 0 et 0a = 0
2- αa = 0 => (α = 0 ou a = 0)
3- (-α)a = α(-a) = -αa
2-3-1- Sous espace vectoriel
Définition 2
Soit E un K-espace et F une partie non vide de E. on dit que F est un sous-espace
vectoriel de E si la restriction à F2 de l’addition de E et la restriction à
KX F de la loi externe confèrent à F la structure d’espace vectoriel.
En d’autres termes, une partie non vide d’un K-espace E est dite sous espace de
E si les deux (2) conditions suivantes sont vérifiées :
i) (F+) est un sous groupe de (E, +)
ii) La restriction à K X F de la loi externe définie sur K X E est une appartenance

dans F :
(α ϵ K et x ϵ F) => αx ϵ F
Propriété 2 : Pour qu’une partie non vide F d’un K-espace E soit sous-espace
vectoriel de E, il faut, et il suffit, que pour tous scalaires α et β de K.
(x ϵ F et y ϵ F) => αx + βy ϵ F.

2.1.4 Structure d’Algèbre sur un corps K
Définition 3
Soit E un ensemble et K un corps commutatif. On dit que E est une algèbre sur K
(ou K-algèbre) si :
i) E est un K-espace vectoriel ;
ii) Il existe une multiplication interne dans E, qui, avec l’addition des vecteurs de
E, confère à E, la structure d’anneau (cette multiplication est notée (x,y) –
> xy) ;
iii) Pour tous vecteurs x et y de E et tout scalaire α de K :
(αx)y = x(αy) = α(xy)
* Si l’anneau est commutatif l’Algèbre est commutative
* Si l’anneau est unitaire l’Algèbre est unitaire.
2.1.5 Sous algèbre
Définition 4
Soit E un K-algèbre et F une partie de E. On sait que F est un sous-algèbre de E

si F est à la fois un sous-espace vectoriel de E et un sous-anneau de E.
En d’autres termes, F est sous-algèbre de K-algèbre, ssi
i) F ≠ ∅
ii) ∀(𝑥, 𝑦) ∈ 𝐹1 , ∀(∝, 𝛽) ∈ 𝐾 2, αx + y ϵ F et
iii) ∀(𝑥, 𝑦) ∈ 𝐹2 , x y ϵ F
2-2- COMBINAISONS LINEAIRES FINIES
2.2.1. Combinaison linéaire d’une famille finie
Une partie finie de E se nomme famille finie de vecteurs

Définition 5
Pour toute famille finie (x1, x1……….., xp) de P vecteurs de E, on appelle

combinaison linéaire de ces vecteurs, tout vecteur x de E possédant la propriété
suivante : il existe de scalaires a1, a1……….., xp)
Tel que : x = a1x1 + a2x2 + …………………… + apxp = ∑𝑛𝑖=1 𝑎𝑖 𝑥𝑖
Les scalaires ai sont nommés coefficients de la combinaison linéaire x.
Exemple 2
Dans l’espace vectoriel K3 sur le corps K.
Soit e1 = (1, 0,0) e2 = (0, 1,0) e3 = (0,0,1)
Tout vecteur (a,b,c) de K3 est combinaison linéaire de la famille {𝑒1, 𝑒2, 𝑒3}
(a,b,c) = (a,0,0) + (0,b,0) + (0,0,c) = ae1 + be2 + ce3.
2.2.2 Sous-espace engendré par une famille finie.
Théorème 1
Soit {x1, x2, ……….., xp} une famille finie de P vecteurs de E.L’ensemble F des
combinaisons linéaires de cette famille est un sous-espace de E ; c’est le plus petit
sous-espace contenant la famille donnée.
2.2.3 Famille libre finie
Définition 6
On dit qu’une famille {x1, x2, ……….., xp} de vecteurs d’un espace vectoriel E
est libre (ou que les vecteurs xi sont linéairement indépendants) si la relation
a1x1 + a2x2 + …………………… + apxp = 0
entraîne
a1 = a2 = …………………… = ap = 0
Exemple 3
Dans l’espace vectoriel K4, les trois vecteurs :
x1 = (1,0,0,0), x2 = (1,0,0,0), x3 = (1,0,0,0), constituent une famille libre.

En effet,
a1x1 + a2x2 + a3x3 = (a1, a2,a3, 0)
et (a1, a2,a3, 0) = 0 => a 1 = a2 = a3 = 0
Exemple 4
Dans K4, les trois vecteurs :
x1 = (1,0,0,0), x2 = (1,0,0,0), x3 = (1,0,0,0)
ne sont pas linéairement indépendants. En effet,
a1x1 + a2x2 + a3x3 = (a1+ a2 + a3, 0, 0, 0) il existe des scalaires non tous
nuls tels que cette combinaison linéaire soit nulle. Il suffit de prendre
a1 = a2 = a3 ≠ 0
2.2.4. Famille liée finie
Si la famille {x1, ….……….., xp} n’est pas libre, on dit qu’elle est liée (ou que
les vecteurs xi ne sont linéairement indépendants). Il existe alors des scalaires a i
non tous nuls tels que
a1x1 + a2x2 + …………………… + apxp = 0
Remarques
1- Si dans la famille {x1, x2, ….……….., xp} il ∃ un rang k (1 ≤ k ≤ p ) tel que
Xi = 0, alors cette famille est liée. En effet, on satisfait
a1x1 + a2x2 + …………………… + apxp = 0
En prenant tous les ai nuls sauf a2. Par conséquent une famille liée dès qu’elle
contient le vecteur nul.
2- Si à une famille liée, on ajoute des vecteurs quelconques, on obtient encore

une famille liée.

2.3 BASES EN DIMENSION FINIE
2.3.1 Définitions
Définition 1
On dit qu’un espace vectoriel E est de dimension finie s’il existe une famille finie
de générateurs de E.
Définition 2
On appel base d’un espace vectoriel E toute famille libre de générateurs de E.
Exemple
Soit K [x] l’espace vectoriel des polynômes à une indéterminée x sur le corps
commutatif K. Donnons-nous un nombre naturel n et considérons la partie de
K[x], constituée des polynômes de degrés au plus égaux à n.
Kn [X] = {p ϵ K[X] / d° (p) ≤ n}
Kn [X] sous-espace vectoriel Kn [X]
∀𝛼,β ϵ K[X], ∀𝑝, q ϵ K n [X]
d° (αp + βq) ≤ Max {d°(p), d°(q)}
par suite,
d° (p) ≤ n et d°(p) ≤ n) d°(αq + βq) ≤ n
donc Kn [X] est un sous-espace vectoriel de K[x].
2- Montrons que la famille B est une base de Kn[X]
Soit B = {1, x, x2……….xn} des puissances successives 0, 1, 2,………..n de x.
i) B est une famille finie de générateurs de Kn[X].
∀𝑝 ϵ Kn [X], ∃ a0, a1, …………….a0 ϵ Kn[X] / p = a0 + a1x + ……… + anxn
Donc tout polynôme p de Kn [X] est une combinaison linéaire des « vecteurs » B
qui est, par conséquent, une famille de générateurs de Kn[X]. Donc Kn[X] est de
dimension finie.
ii) B est une famille libre

la relation a0 + a1x + ……… + anxn = 0 implique :
a0 = a1 = a2 ……… + an = 0 (polynôme identiquement nul)
Par conséquent, B est bien une famille libre, donc une base de Kn[X].
Les coefficients a0, a1, ………….……… an du polynôme p sont les coordonnées

de p dans la base B.
2-3-2 Existence de bases en dimension finie
Dans tout espace vectoriel E ≠ {0}, il existe des familles libres et finies.
Théorème 2
Pour toute famille libre et finie L d’un espace vectoriel E ≠ {0} de dimension
finie, il existe une base B finie de E telle que B ⊃ L ou L ⊂ B. Ce système exprime
deux propriétés importantes :
i) Existence de base
Dans tout espace vectoriel de dimension finie, il existe des bases
ii) Complétion d’une famille libre pour obtenir une base. D’où le corollaire
suivant :
Corollaire
Soit E un K-espace de dimension finie. Pour toute famille finie G de générateurs

de E et toute famille libre L dans E, on peut compléter L par des vecteurs de G
pour obtenir une base de E.
2.3.3 Dimension
Théorème 3
Si dans un espace vectoriel E une base B possède n éléments, alors toute famille
L libre dans E vérifie Card L ≤ N.
Théorème 4
Dans un espace vectoriel de dimension finie, les bases ont le même cardinal.

Preuve
Soient B et B’ deux bases de E. En appliquant le théorème précédent à la base B

et à la famille libre B’, on obtient :
Card B’ ≤ Card B.

CHAPITRE 3
APPLICATIONS LINEAIRES
3.1 DEFINITIONS
3.1.1 Morphisme d’espace vectoriel
Définitions
Soit E et F deux K-espaces vectoriels. Une application f : E ––> F est dit linéaire
si les deux conditions suivantes sont remplies :
(i) (∀𝑥 ϵ E, ∀𝑦 ϵ E), f(x,y) = f(x) + f(y)
(ii) (∀𝑥 ϵ E, ∀𝑦 ϵ E), f(α,x,y) = α f(x)
La condition (i) exprime que F est une morphisme de groupes additifs. La

condition (ii) exprime que ce morphisme est compatible avec la loi externe.
Donc l’application linéaire f : E –––> F est un morphisme d’espaces vectoriels
Remarque :
i) lorsque f est bijective, on dit que f est un isomorphisme d’espaces vectoriels.
ii) lorsque E = F, on dit que f est un endomorphisme d’espaces E.
iii) lorsque E=F et f est bijective, on dit que f est un automorphisme d’espaces E.
Exemples
1- Homothéties
Soit E un K-espace vectoriel. Si on fixe α ϵ K, et on définit hα : E –––> E
(∀𝑥 Є E), hα (x) = αx
En échangeant B et B’, on obtient :
Card B’ ≤ Card B.
Par conséquent, Card B’ = Card B.

Définition 3
Soit E un espace vectoriel de dimension finie sur un corps K. on appelle dimension

de E le cardinal d’une base de E.
Notation : dim E
2.3.4 Rang d’une famille finie de vecteurs
Soit E un K-espace vectoriel et considérons une famille finie {x1, x2,……., xn} de
vecteurs de E.
Définition 4
On appelle rang de la famille de vecteurs {x1, x2, …………, xn} la dimension de

sous-espace engendré par cette famille.
(∀𝑥 ϵ E, ∀𝑦 ϵ E,), hα (x+y) = α(x+y) = αx+ αy = hα (x) + hα (y)
D’autre part, ∀𝛽 ϵ K
hα (βx) = α (βx) = β (αx) = βhα (x)
donc ∀𝛼 Є E, hα est un endomorphisme de E.
si α = 0, hα est l’application nulle ;
si α ≠ 0, hα est bijective puisque hα (x) = y et x = α1 y avec α ≠ 0
par conséquent, pour tout α ≠ 0, hα est automorphisme de E.
2- Dérivation dans K[x]
A tout polynôme p(a0, a1,……….,a1) ––> de K[x], la dérivation fait correspondre

le polynôme p’ = (a1, 2a2,……….,ia1) ––> de K[x],
C’est-à-dire K[x],–––––––––––––––––––> K[x]
P –––––––––––––––––––––> f(p) = p’ = (a1, 2a2,…….,ia1……..)
La dérivation est donc une application linéaire puisque les deux conditions
suivantes sont vérifiées :
(i) f(p+q) = f(p) + f(q)
(ii) f(ap) = af(p) , ∀𝑎 ϵ K
La dérivation f est un endomorphisme du K-espace K[X].

3-1-2 Caractéristique des applications linéaires
Propriété 1 : pour que f soit une application linéaire de E dans F, il faut, et il suffit
que :
(∀𝑎, 𝑏 ϵ K et ∀𝑥, 𝑦 ϵ E), f (ax + by) = f (ax + by) = af(x) + bf(y).
Preuve
i) Supposons f linéaire, alors
f(ax) = af(x), f(by) = bf(y) et f(ax + by) = f(ax) + f(by)
(par définition)
Ce qui entraîne,
f(ax + by) = af(x) + bf(y)
ii) Réciproquement, si la relation f(ax + by) = af(x) + f(y) est vraie pour tous
scalaires a et b et tous vecteurs x et y, en prenant a = b = 1, la relation s’écrit :
f(x + y) = f(x) + f(y); en prenant b = 0, on a f(ax) = af(x). On retrouve bien les

deux conditions précédentes.
3.2 IMAGE ET NOYAU D’UNE APPLICATION LINEAIRE
3.2.1 Image d’une application linéaire
Soit une application linéaire de E dans F. L’image par f d’un sous-espace de E est
un sous-espace de F.
Preuve
Soit E’ un sous-espace de E. Prouvons que f(E’) est un sous-espace de F, c’est-à-

dire :
(a, a’ ϵ K et y, y’ ϵ f(E’)) => ay et a’y’ ϵ f(E’)
(stable par combinaison linéaire)
En effet, si y, y’ ϵ f(E’)
Comme E’ est sous-espace de E, alors quels que soient les scalaires a et a’

(x ϵ E’ et x’ ϵ E’) => ax + a’ x’ ϵ E’ => f(ax + a’ x’) ϵ f(E’)
Comme f est linéaire
f(ax + a’x’) = af(x) + a’f(x’),
Par conséquent,
Ay + a’y’ ϵ f(E’)
Le théorème est démontré.
Définition 2
Le sous-espace vectoriel lm (f) est défini par,
lm (f) = (y ϵ F / ∃ x ϵ E ; f(x) = y)
3.2.2. Niveau d’une application linéaire
Définition 3
Soit f est une application linéaire de E dans F. l’ensemble des vecteurs de E qui
ont pour image le vecteur 0 de F se nomme noyau de f et se note Ker(f).
Par définition, Ker(f) = (x ϵ E / f(x) = 0). Cet ensemble n’est jamais vide, puisque
quelle que soit l’application linéaire f, f(0) = 0, donc 0 Є Ker(f).
3.2.3 Sous-espace Ker(f)
Théorème 2
Pour toute application linéaire f de E dans F, Ker(f) est un sous-espace vectoriel

de E.
Preuve
Partons de x ϵ Ker(f) et x’ ϵ Ker(f). Puisque x et x’ appartiennent au noyau de f,

ce qui équivaut à :
f(x) = 0 et f(x’) = 0
D’autre part comme f est linéaire, alors, quels que soient les scalaires a et a’.
f(ax + a’x’) = af(x) + a’f(x’) = 0
Par conséquent

ax + a’x’ ϵ Ker(f).
Le théorème est démontré
3.2.4 Caractérisation des applications linéaires injectives
Théorème 3
Pour qu’une application linéaire f de E dans F soit injective, il faut, et il suffit que
Ker(f) = {0}
Preuve
i) Supposons f injective, Alors,
x Є Ker(f) => f(x) = 0 => f(x) = f(0)
Comme f est une injective, on en déduit x = 0 ; par conséquent, Ker(f) = {0}
ii) Réciproquement, supposons Ker(f) = 0,
∀x, x’ Є E, alors par définition de l’injectivité,
f(x) = f(x’) => f(x) + f(x’) = 0 => f(x + x’) = 0
x - x’ Є Ker(f) => x - x’ = 0 => x = x’.
Par conséquent, f est injective, et le théorème est démontré.
3.2.5 Détermination des applications linéaires
Théorème 4
Soit B = {e1, e2,…………., en} une base d’un espace vectoriel de E de dimension
n sur K et C = {c1, c2,…………, cn} une famille de n vecteur ; d’un espace
vectoriel F sur K. Il existe une application linéaire f, et une seule, de E dans F,
telle que :
f(e1) = c1, f(e2) = c2,………….. ; f(en) = cn
De plus, si la famille C est libre, alors f est injective.
Preuve : Laissée aux étudiants

3.2.6 Morphismes injectifs et bases
Corollaire 1
Pour qu’une application linéaire f de E dans F soit injective, il faut, et il suffit que
l’image d’une de E soit une base de f(E).
3.3. APPLICATION LINEAIRE ET DIMENSIONS
3.3.1 Base canonique de Kn
K étant un corps commutatif, Kn est l’ensemble des n uplets (a1, a2,……….., an)
constitués chacun de n éléments ai de K.
La base canonique de Kn est la suivante :
u1 = (1, 0, ………., 0)
u2 = (0, 1, ………., 0)
un = (0, 0, ………., 1)
Lorsque Kn est rapporté à sa base canonique on obtient :
(a1, a2, ……….., an) = a1 U1 + a2 U2 + ……………., an Un.
3.3.2 Isomorphisme fondamental
Théorème 5
Pour qu’un espace vectoriel E soit de dimension n sur un corps K, il faut, il suffit
qu’il soit isomorphe à Kn. L’isomorphisme est déterminé de façon unique dès que
l’on fixe une base de E comme image de la base canonique de Kn.
3.3.3 Relation entre les dimensions du noyau et de l’image
Théorème 6
Soit E et F deux K-espaces vectoriels, E étant de dimension finie. Pour toute

application linéaire f de E dans F, on a :
Dim Ker(f) + dim lm(f) = dim E

3.3.4 Cas ou Dim E = Dim F
Corollaire 2
Soit E et F deux espaces vectoriels de même dimension finie sur le même corps
K et f une application linéaire E dans F. alors les propriétés suivantes sont
équivalentes :
i) f est bijective,
ii) f est surjective,
iii) f est injective,
iv) Ker(f) = {0}.
Preuve
On sait d’après le théorème 3 que pour qu’une application linéaire f de E dans F

soit bijective, il faut et il suffit que Ker(f) = {0}. Donc les propriétés (iii) et (iv)
sont équivalentes.
D’autre part, la bijection (i) résulte de la conjonction de (ii) et (iii).
Pour déterminer donc le corollaire, il suffit d’établir l’équivalence de (ii) et (iv)
Or d’après le théorème 6, on a :
Ker(f) = {0}  dim lm(f) = dim E.
Comme par hypothèse, dim E = dim F, alors
Ker(f) = {0}  dim lm(f) = dim F  lm(f) = F.
Par conséquent, (ii) et (iv) sont équivalents
Le corollaire est prouvé.
3.3.5 Dimension de la somme de sous-espaces
Soit E un K-espace et A et B deux sous-ensembles de E, de dimension finie.
On considère l’application f : A x B ––> E : f(x,y) = x + y
On a évidemment lm(f) = A + B

Caractérisation de Ker(f)
Soit (x,y) Є Ker(f) ⊂ A x B Alors x + y = 0, d’où y = - x Є A ⋂ B
Réciproquement, tout couple (x, -x), x ϵ A ⋂ B appartient à Ker(f). donc Ker(f)

est l’ensemble de (x, -x) quand x parcourt A ⋂ B.
Soit l’application g : A ⋂ B ––> Ker(f)
g(x) = (x, -x)
L’application est linéaire et surjective.
Elle est aussi injective (g(x) = (0, 0) => x = 0)
C’est donc un isomorphisme et par suite :
dim (Ker(f) = dim (A ⋂ B) on obtient donc en vertu du théorème 6
dim (A + B) + dim ((A ⋂ B)) = dim A + dim B
Lorsque la somme A + B est directe, A ⋂ B = {0},
D’où dim A ⊕ B = dim A + dim B
Cette relation se généralise facilement. En effet, si A1, A2……………., Ar sont

des sous-espaces E de dimension finie, linéairement indépendants, une récurrence
facile donne
dim (A1 ⊕ A2 ⊕ ……… ⊕ Ar) = dim A1 + dim A2 + ………+ dim Ar
3.3.6 Rang d’une application linéaire
Définition 4
Soit E et F deux K-espaces, E étant de dimension finie. Pour toute f Є Lk (E, F),
on nomme rang de f (et l’on note rg(f) la dimension du sous-espace f(E) et F.
Rg(f) = dim lm(f)
Corollaire 3
Soit E et F deux K-espaces, E étant de dimension finie. Pour toute f Є L (E, F)
i) f est injective, ssi rg(f) = dim E
ii) f est un isomorphisme, ssi rg(f) = dim E = dim F

3.4 Espace vectoriel des morphismes de E dans F
Montrons que L(E, F) possède une structure d’espace vectoriel sur le corps K.
3.4.1 Somme de deux (2) applications linéaires
Propriété 2 : Soit f et g deux application de L(E, F). Alors l’application h de E

étant dans F, définie par : (∀x ϵ E) , h(x) = f(x) + g(x) est linéaire
Preuve : ∀x, y ϵ E et ∀a, b ϵ K
h(ax + by) = f(ax + by) + g(ax + by)
Comme f et g sont linéaires et l’addition commutative, on a:
h(ax + by) = a f(x) + a g(x) + b f(y) + b g(y)
= a h(x) + b h(y)
Propriété 2 est démontrée
Définition 5
A tout couple ordonné (f, g) de deux éléments de L (E,F), associons un élément

de L(E,F) nommé somme de f et g, noté f + g et défini par :
(∀x ϵ E) , (f + g)(x) = f(x) + g(x)
L’addition est une loi de composition interne dans L(E,F). Et l’ensemble L(E,F)
muni de l’addition possède une structure de groupe commutatif.
3.4.2 Produit d’une application linéaire par un scalaire
Propriété 3 : Soit f une application de L(E,F) et a un scalaire. Alors l’application

de E dans F, définie par : (∀x ϵ E), h(x) = af(x) est linéaire
Preuve
∀x, y ϵ E et ∀b, c ϵ K
h(bx + cy) = a f(bx + cy) = ab f(x) + ac f(y)
puisque K est commutatif, on obtient:
h(bx + cy) = ba f(x) + ca f(y)
= b h(x) + c h(y) Propriété 3 est prouvée

Définition 6
A tout scalaire a de K et à toute application f de L(E,F) associons l’application

L(E,F) nommé produit de a par f, notée af, et défini par :
(∀x Є E) , (af)(x) = a f(x)
L’opération est externe puisque :
K x L (E,F) –––––––> L (E,F)
(a,f) ––––––––––––> af
D’autre part, il est facile de montrer les propriétés suivantes :
i) (a + b)f = af + bf
ii) a (f + g) = af + ag
iii) a (bf) = (ab) f
iv) 1.f = f
Théorème 7
Lk (E,F) est un espace vectoriel sur le corps K.
3.4.3 Dual d’un espace vectoriel
3.5 Algèbre des endomorphismes de E
3.6 Groupe linéaire
3.7 Projecteurs

CHAPITRE 4
MATRICES
4.1 MATRICE D’UNE APPLICATION LINEAIRE
4.1.1 Cas particulier
On considère ici deux espaces vectoriels E et F définis sur le même corps K. Ces
deux espaces vectoriels sont de dimension 2 et 3 respectivement.
Soit :
B = (e1, e2) une base de E
C = (u1, u2, U3) une base de F.
Considérons une application linéaire f Є L (E, F). f est déterminée, de manière

unique, dès qu’on fixe les images. Celles-ci sont données par leurs coordonnées
dans la base C :
f(e1) = a11 u1 + a21 u1 + a31 u3
f(e2) = a12 u1 + a22 u2 + a32 u3
Pour tout x Є E, considérons ses coordonnées dans B :
x = x1 e1 + x2 e2
L’image de x par f est un vecteur y de F dont nous considérons les coordonnées

dans la base C :
y = y1 u1 + y2 u2 + y3 u3
or, puisque f est linéaire, on a :
y = f(x) = x1 f(e1) + x2 f(e2) = f( x1 e1 + x2 e2)
comme on connaît f(e1) et f(e2), on obtient :
y = x1 (a11 u1 + a21 u1 + a31 u3) + x2 (a12 u1 + a22 u2 + a32 u3)
ce qui donne les coordonnée de y dans la base C :

𝑦1 = 𝑎11 𝑥1 + 𝑎12 𝑥2
(1) { 𝑦2 = 𝑎21 𝑥1 + 𝑎22 𝑥2
𝑦3 = 𝑎31 𝑥1 + 𝑎32 𝑥2
Ces relations se nomment équation de f par rapport à la base B de E et à la base C

de F.
Ces équations sont caractérisées par les coefficients a ij rangés en tableau.

𝑎11 𝑎12
(𝑎21 𝑎22 )
𝑎31 𝑎32
Un tel tableau se nomme matrice à deux (2) colonnes et trois (3) lignes. Les
éléments aij se nomment les termes de la matrice
On dit aussi que la matrice est associée à f par rapport à la base B de E et à la base
C de F.
4.1.2 Cas général
Essayons à présent de généraliser la procédure précédente à deux K-espaces

vectoriels E et F de dimensions finies.
Soit dim E = n et dim F = p
Comme tout à l’heure, considérons deux bases de E et F respectivement.
B = {e1, e2,………………., en} une base B de E
C = {u1, u2,………………., up} une base C de F
Considérons une application linéaire f ϵ L (E,F). f est déterminée, et de façon

unique, dès qu’on fixe les images f(e1), f(e2), …….., f(en) des vecteurs de la base
B de E. ces images ont pour coordonnées dans la base C de F :
(2) f(ej) = a1iu1 + a2i u2 +……………+ api up (1 ≤ j ≤ n)

𝑝
Où f(ej) = ∑𝑖=1 𝑎𝑖𝑗 𝑢𝑖 (1 ≤ j ≤ n)
Pour tout vecteur x ϵ E, considérons ses coordonnées dans la base B :
(3) x = x1 e1 + x2 e2 + ……………….+ xn en = ∑𝑛𝑗=1 𝑥𝑗 𝑒𝑗
L’image de x par f est un vecteur y de F dont les coordonnées dans la base C sont :

𝑝
(4) y = y1 u1 + y2 u2 + ……………….+ xp up = ∑𝑗=1 𝑦𝑖 𝑢𝑖
Or puisque f est linéaire, on a :
y = f(x) = x1 f(ei) + x2 f(e2) +………………+ xn f(en)
y = f(x) = x1 (a11 u1 + a21 u1 +………………+ ap up)
+ x2 (a12 u1 + a22 u2 + ………….+ ap2 up)
+ xn (a1n u1 + a2n u2 + ………….+ apn up)
(5) ou de façon plus condensée

𝑝
y = f(x) = ∑𝑛𝑗=1 𝑥𝑗 (∑𝑖=1 𝑎𝑖𝑗 𝑢𝑖 )
en utilisant les propriétés d’associativité et de commutativité de l’addition

vectorielle, et celles de la multiplication externe, on arrive à :
𝑝
(6) y = ∑𝑖=1 𝑥𝑗 (∑𝑛𝑗=1 𝑎𝑖𝑗 𝑥𝑗 )𝑢𝑖
Et les coordonnées (y1,……………, yn) de f(x) dans la base C de F sont :
(7) yi = ∑𝑛𝑗=1 𝑎𝑖𝑗 −𝑥𝑗 avec (1 ≤ i ≤ p)
En détaillant les formules (7), on obtient:

𝑦1 = 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛
{ 𝑦2 = 𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛
𝑦𝑝 = 𝑎𝑝1 𝑥1 + 𝑎𝑝2 𝑥2 + ⋯ + 𝑎𝑝𝑛 𝑥𝑛
Ces équations à n variables x1,………., xn se nomment équations de f par rapport

aux bases B de E et C de F. ces équations sont caractérisées par le tableau :
𝑎11 𝑎12 … … 𝑎𝑛
[𝑎21 𝑎22 … … 𝑎2𝑛 ]
𝑎31 𝑎𝑝2 … … 𝑎𝑝𝑛
que l’on nomme la matrice à n colonnes et p lignes. On dit aussi que la matrice
est associée à f par rapport à la base B de E et à la base C de F, et on la note M(f).
Les n, scalaires an sont nommés les termes ou coefficients de la matrice.

4.1.3 Exemples
3 1 0 3 2
1 2
1- A= ( ) B= (2 1 3) C = (1 1)
1 0
1 0 0 5 6
2- On sait que le plan encludien IR2 est isomorphe au plan complexe C. A tout
nombre complexe μ ϵ C, μ = cos α + i sin α (module |𝑢| = 1), est associé à une
rotation r du plan P par r(z) = μz, ∀z ϵ P. si l’on pose z = x1 + ix2, alors
r(z) = (x1 + ix2) (cos α + i sin α) et par suite, si r(z) = y1 + iy2
y1 = cos α x1 + i sin α x2
y2 = sin α x1 + cos α x2
Toute rotation est un automorphisme linéaire du IR-espace IR2 : r ϵ G L (IR2).

Dans la base canonique (e1, e2) de IR2, la matrice de rotation (de centre o et d’angle
α) est :
𝑐𝑜𝑠𝛼 −𝑠𝑖𝑛𝛼
M (f) = ( )
𝑠𝑖𝑛𝛼 𝑐𝑜𝑠𝛼
4.1.4 Matrice ligne – matrice colonne
Soit E un espace vectoriel dimension n sur un corps K. on sait que le corps K lui-
même est un espace vectoriel de dimension 1 sur le corps K. (La base canonique
de K est constituée de l’unique "vecteur" 1). Toute application linéaire de E dans
K est une forme linéaire
Si l’on rapporte E à une base B = {e1,………., en} et K à sa base canonique C {1},

il suffit pour caractériser f, de préciser les n scalaires
a1 = f(e1) ; …………… ; an = f(en),
qui se nomment coefficient de la forme relativement à la base B. la matrice M(f),

associée à la forme linéaire f, dans les bases B et C choisies, est à 1 ligne et n
colonnes.
M(f) = (a1, a2,………..,an) ; On la nomme matrice ligne.

Exemple 2
A = (1, 2, 3, 4, 0, 8) B = (5, 7, 8, 9, 0, 1)
C = (0, 1) D = (2, 1)
Soit E dans un espace vectoriel de dimension n sur un corps K et f une application

linéaire de K dans E : f ϵ L (E, F). rapportons K à la base canonique C = {1} et E
à une base B = {e1,………., en}. pour caractériser, il suffit de préciser l’image f(1)
par ses coordonnées dans B.
f(1) = a1 e1 + a2 e2 + ……………… + an en
La matrice associée à une telle application est à n lignes et 1 colonne. On la

nomme matrice colonne.
Exemple
7
5
1 0
8
A = (2) B= 1 C= 1
3 0
10 1
4
(0) (2)
4.1.5. Représentation matérielle canonique
Théorème
Soit E et deux K-espaces de dimension finie et f ϵ L (E,F) une application linéaire

de rang (f) = r. Il existe une base B de E et une base C de F par rapport auxquelles
la matrice (a0) de f a tous ses termes nuls, sauf a11, a22, ………, an qui sont égaux
à 1.
Par rapport aux bases B et C, la matrice de f est du type :
f(e1), f(e2),……, f(er), f(er+1),……., f(en).

4.2. ESPACE VECTORIEL Mp, n (K)
4.2.1. Addition des matrices
Dans l’ensemble Mp, n (K) des matrices à n colonnes et p lignes sur le corps K,
on peut définir une addition de telle sorte que la bijection f ––> M(f) de L (E, F)
sur Mp, n (K)n soit un isomorphisme.
Soit f et g deux applications linéaires de E dans F, rapportées aux bases B et C

choisies respectivement dans E et F, et
M(f) = (aij)
M(g) = (bij), les matrices de Mp, n (K) associées.
Pour j ϵ (i), …….., n) on a donc :

𝑝
f(ej) = ∑𝑖=1 𝑎𝑖𝑗 𝑢𝑖
𝑝
g(ej) = ∑𝑖=1 𝑏𝑖𝑗 𝑢𝑖
La somme de f + g est :
𝑝 𝑝 𝑝
f(ei) = ∑𝑖=1 𝑎𝑖𝑗 𝑢𝑖 + ∑𝑖=1 𝑏𝑖𝑗 𝑢𝑖 = ∑𝑖=1(𝑎𝑖𝑗 + 𝑏𝑖𝑗 )𝑢𝑖 = (𝑓 + 𝑔)(𝑒1)
et la matrice associée à f + g est :
M(f + g) = (aij + bij) = (aij) + (bij) = M(f) + M(g)
Définition 1
A tout couple [(aij), ( bij)], on a :
(aij) + (bij) = (aij + bij)
Par définition on a alors :
M(f) + M(g) = M(f+g)
La bijection f ––> M(f) de L (E,F) sur Mp, n (K) est un isomorphisme pour
l’addition. Par conséquent, est un M p x n, (K) groupe additif commutatif.
4.2.2 Multiplication par un scalaire
Soit f ϵ L(E,F) et C ϵ K. par addition de l’application linéaire, on a :

𝑝 𝑝
f(ej) = ∑𝑖=1 𝑎𝑖𝑗 𝑢𝑖 => (cf) (ej) = ∑𝑖=1(𝑐 𝑎𝑖𝑗 )𝑢𝑖
par conséquent, la matrice associée à (cf) est (c aij)
Définition 2
A toute matrice (aij) de Mp x n (K) et à tout scalaire c de K, on associe une matrice

de Mp x n (K), nommée produit de c par (aij), notée c (aij) et définie par :
c(aij) = (c aij)
D’où M(cf) = cM(f)
Théorème 2
La bijection f ––> M(f) de L (E, F) sur Mp x n (K) est un isomorphisme d’espace

vectoriel sur le même corps K.
4.2.3 Dimension L2 (E,F) et Mp , n (K)
Dimk Mp, n (K) = dimk Lk (E,F) = np
Où (dim E = n et dim F = p)
4.3 MULTIPLICATION DES MATRICES
4.3.1 Définition
Soit E, F, G trois espaces vectoriels sur le même corps K, de dimension

respectives n, p, q. on sait que :
(f ϵ L(E,F) et g ϵ L(F,G)) => g o f L(E,G)
Soit B = {e1, e2,……………, en} une base dans E
C = {u1, u2,……………, up} une base dans F
D = {v1, v2,……………, vq} une base dans G
Relativement à ces bases, soit
M(f) = (aij), 1 ≤ j ≤ n et 1≤i≤p

M(g) = (bij), 1≤i≤p et 1≤j≤q
Les matrices associées à f et g. on a évidemment
M(f) ϵ Mp x n (K) et M(g) ϵ Mqp (K).
D’autre part
𝑝 𝑞
f(ej) = ∑𝑖=1 𝑎𝑖𝑗 𝑢𝑖 , g(ui) = ∑𝑖=1 𝑏𝑖𝑗 𝑣𝑘
par conséquent,
𝑞 𝑝
g o f(ej) = ∑𝑘=1(∑𝑖=1 𝑏𝑖𝑗 𝑎𝑖𝑗 ) 𝑣𝑘 , 1 ≤ 𝑖 ≤ 𝑛
de sorte que si l’on pose :

𝑝
ckj = ∑𝑘=1 𝑏𝑘𝑗 𝑎𝑖𝑗 = 𝑏𝑘𝑗 𝑎𝑖𝑗 + 𝑏𝑘2 𝑎2𝑗 +. . . . . +𝑏𝑘𝑝 𝑎𝑝𝑗
on obtient :
𝑞
g o f(ej) = ∑𝑘=1 𝑐𝑘𝑗 𝑣𝑘
Définition 3
A une matrice (aij) de Mp x n (K) et une matrice (bkj) (aij) et définie par :
𝑝
(bki)(aij) = (∑𝑘=1 𝑏𝑖𝑗 𝑎𝑝𝑗 )
Exemple 4
𝑎 𝑏 2 3 2𝑎 + 5𝑏, 3𝑎 + 7𝑏
( )x( )=( )
𝑐 𝑑 5 7 2𝑐 + 5𝑑 3𝑐 + 7𝑑
3 5 1 3 2 11 10
(6 0 5) x (0 0) = (28 32)
7 2 1 2 4 23 18
4.3.2 Propriété
i)- Par définition de la multiplication matricielle, on a :
M(g) M(f) = M(g o f)
ii)- Compte tenu de l’associativité de la loi de composition des fonctions, on en

déduit que la multiplication des matrices est associative.
∀𝑀1𝜖 𝑀𝑝,𝑛 (𝐾 ); ∀𝑀2 𝜖 𝑀𝑞,𝑝 (𝐾 ); ∀𝑀3 𝜖 𝑀𝑟,𝑞 (𝐾 );

𝑀𝑗 . (𝑀2 𝑀1 ) = (𝑀3 𝑀2 ). 𝑀1
iii)- Distributivité à gauche et à droite de la multiplication des matrices par rapport

à l’addition des matrices
∀𝑀1, 𝑀2 𝜖 𝑀𝑝,𝑛 (𝐾 ) et ∀𝑀3 𝜖 𝑀𝑞,𝑝 (𝐾 );
𝑀1 . (𝑀2 +𝑀1 ) = 𝑀3 𝑀2 + 𝑀3 𝑀1
∀𝑀1𝜖 𝑀𝑝,𝑛 (𝐾 ) et ∀𝑀2 , 𝑀3 𝜖 𝑀𝑛,𝑝 (𝐾 )
(𝑀3 +𝑀2)𝑀1 = 𝑀3 𝑀1 + 𝑀2𝑀1
4.3.3 Ecriture matricielle des applications linéaires
La formule (7) en 4.1.2. s’écrivait :
𝑦𝑖 = ∑𝑛𝑗=1 𝑎𝑖𝑗 𝑥𝑗 (1≤ i ≤ p)
Il s’agit des équations d’une application f ϵ L(E,F) par rapport à des bases B de E
et C de F, Si on détaille (7), on obtient :
𝑦1 𝑥1
𝑎11 𝑎12 𝑎1𝑛 𝑥2
𝑦2
• = (𝑎21 𝑎22 𝑎2𝑛 ) •
• • • •
• •
𝑎𝑝1 𝑎𝑝2 𝑎𝑝𝑛
𝑦𝑝
( ) (𝑥𝑝 )
Si on pose :
𝑦1 𝑥1
𝑦2 𝑥2
• •
Y= • ; M = (aij) ; X = •
• •
(𝑦𝑝 ) (𝑥𝑝 )
On obtient alors
Y = MX qui est la traduction matricielle de la relation y = f(x).

4.4 ALGEBRE DES MATRICES CARREES D’ORDRE n
4.4.1 Matrices carrées
On appelle matrice carrée toute matrice dont le nombre de lignes est égal à celui
des colonnes ; ce nombre se nomme ordre de matrice carrée. L’ensemble des
matrices carrées d’ordre n sur le corps K se notera M n(K).
Une matrice carrée d’ordre n est associée à une application f ϵ L(E,F) quand
dim E = dim F = n
C’est en particulier le cas où E = F et dim E = n si, dans ce dernier cas, on choisit

une base B de E, l’application f ––> M(f) est une bijection de L(E) sur M n(K).
cette bijection est un isomorphisme de K-espaces.
M(f + g) = M(f) + M(g)
(α ϵ K) M(α,f) = α M(f)
et c’est un isomorphisme pour la multiplication
M(g o f) = M(g).M(f)
La multiplication (comme l’addition) sont ici des lois de composition internes,

partout définies.
Théorème 3
L’ensemble Mn(K) des matrices carrées d’ordre n sur K est une K-algèbre
uniforme isomorphe à la K-algèbre L(E).
Cet ensemble n’est pas commutatif pour n ≥ 2. L’élément unité, notée I n ou

simplement In lorsqu’aucune ambigüité n’est possible, est l’image de la
coïncidence e.
1 0 0 0 0
0 1 0 0 0
In = M(e) = 0 0 1 0 0
0 0 0 1 0
(0 0 0 0 1)
En passant par les symboles de Kronecker, on peut écrire
In = (δij) avec

i ≠ j => δij = 0
i = j => δij = 1
I et j parcourent {1, 2, ………., n}.
Pour une matrice carrée (aij) d’ordre n, l’ensemble des éléments aij, quand i
parcourt {1, 2, ………., n} se nomme diagonale principale de la matrice carrée.
4.4.2 Matrice scalaire
Soit E un espace vectoriel de dimension n sur un corps K. soit f l’homothétie x –

–> ax, de rapport a ϵ K, de E dans E. choisissons une base de E,
B = {e1, ………………, en}
On a, pour tout i de 1 à n.
f(e1) = ae1
La matrice associée à f (en introduisant les symboles Kronecker) s’écrit :
M(f) = (a δij) = a In
Et en détaillant
1 0 0
𝑎 0 •. • • 0 1
0 • 0 0
𝑎 0 • 0 •
• • • •
M(f) = = a • • •
• • . • • • •
• • 𝑎 . •
0 • • •
(0 0 𝑎) (0 0 1)
M(f) se nomme matrice scalaire
On a M(f) ϵ Mn (K)
4.4.3 Matrice diagonale
On appelle matrice diagonale toute matrice carrée dont tous les termes sont nuls
en dehors de la diagonale principale. Si l’on se donne n éléments de K : a1,
a2…… ; an dont certains peuvent, éventuellement, être nuls, la matrice diagonale
s’écrit :

𝑎1 0 • • • 0
.
0 𝑎2 0
• 0 •
(aδij) =
•
• • .. . ••
•
(0 0 𝑎𝑛 )
Les matrices scalaires sont des matrices diagonales particulières avec a i = a pour
tout indice i ϵ {1,………., n}
4.4.4 Sous algèbre des matrices diagonales
Propriété 1 : L’ensemble des matrices diagonales d’ordre n est une sous-algèbre

commutative e Mn(K). Cet ensemble est à la fois un sous-espace vectoriel de
Mn(K) et un sous-anneau ; cet ensemble ≠ Ø et
i) ∀𝛼, 𝛽 𝜖 𝐾, α (a1 δij) + β (b1 δij) = ((α a1 + β b1)δij)
L’ensemble des matrices diagonales est donc un sous-ensemble vectoriel de

Mn(K).
ii) Le produit de deux matrices diagonales est une matrice diagonale. Par
définition du produit, on a : (b1 δij) (a1 δij) = ∑𝑛𝑗=1(𝑏𝑘 𝑎1 𝛿𝑘𝑗 𝛿𝑗𝑖 )
1er cas :
(j ≠ i ou j ≠ k) => δkj δij = 0
2e cas : négation du 1er
(j = i ou j = k) => δkj δij = 1
On a donc par suite :
k ≠ i => ∑𝑛𝑗=𝑖 𝑏𝑘 𝑎1𝛿𝑖𝑗 𝛿𝑗𝑖 = 0
k = i => ∑𝑛𝑗=𝑖 𝑏𝑘 𝑎1 𝛿𝑖𝑗 𝛿𝑗𝑖 = biai
Par conséquent (bk δij) (ai δij) = (bkaiδkj) et le produit est bien une matrice
diagonale. De plus, la commutativité est évidente, puisque :
bkaiδkj = aibkδkj
La propriété 1 est démontrée.

4.4.5 Sous-algèbre des matrices diagonales
Propriété 2 :
L’ensemble des matrices diagonales d’ordre n sur K est un corps isomorphe à K,

et sous-algèbre de l’algèbre commutative des matrices diagonales.
Soit In l’élément unité de Mn(K). L’application f : a ––> In, Mn(K) de K dans

Mn(K)est évidemment injective ; c’est une bijection de K sur l’ensemble f(K) des
matrices scalaires. On a évidemment:
f(a) + f(b) = aIn + bIn = (a+b) In = f(a + b)
f(a) f(b) = (aIn) (bIn) = (ab) In = f(ab)
*Par conséquent, f est un isomorphisme de corps.
La propriété 2 est établie.
4.4.6 Matrices triangulaires
On appelle matrice triangulaire supérieure toute matrice carrée telle que tout terme
situé au-dessous de la diagonale principale soit nul :
𝑎11 𝑎12 𝑎13 • • • 𝑎1𝑛
0 𝑎22 𝑎23 • • • 𝑎2𝑛
0 0 𝑎33 • • • 𝑎3𝑛
• • • • • • •
• • • • • • •
• • • • • • •
( • • • • • • • )
Une matrice (aij) ϵ Mn(K) est triangulaire si, et seulement si,
I > j => aij = 0
De même on appelle matrice triangulaire inférieure toute matrice carrée telle que
tout terme situé au-dessus de la diagonale principale soit nul :
𝑎11 0 0 • • • 𝑎1𝑛
𝑎21 𝑎22 0 • • • 0
𝑎31 𝑎32 𝑎33 • • • 0
• • • • • • •
• • • • • • •
• • • • • • •
(𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 • • • 𝑎𝑛𝑛 )

Si l’on désigne Tn(K) l’ensemble des matrices triangulaires supérieures d’ordre n

sur le corps K, on a la propriété suivante :
Propriété 3 : Tn(K) est une sous-algèbre de Mn(K)
∀ 𝛼, 𝛽 𝜖 𝐾 :
i) ((aij) ϵ Tn(K) et (bij) Tn(K)) => α(aij) + β(bij) ϵ Tn(K)
car α(aij) + β(bij) = (αaij + βbij)
et par hypothèse,
I > j => (aij = 0 et bij = 0 => αaij + βbij = 0)
Par conséquent, α(aij) + β(bij) ϵ Tn(K)
Tn(K) est un sous-espace vectoriel de Mn(K)
ii) (aij) ϵ Tn(K) et (bij) ϵ Tn(K) => (bij) (aij) ϵ Tn(K)
en effet, par définition du produit matriciel :
(bij) (aij) = (∑𝑛𝑖=𝑗 𝑏𝑘𝑗 𝑎𝑖𝑗 )
Examinons les éléments de ce produit situés au-dessous de la diagonale

principale, c’est-à-dire plaçons nous dans le cas où j < k, alors,
(k > j et j ≥ i) => (bkj) = 0
I > j => aij = 0
Tous les indices possibles i étant examinés, on peut donc dire :
J < k => (∑𝑛𝑖=𝑗 𝑏𝑘𝑗 𝑎𝑖𝑗 ) = 0 et la matrice produit est bien triangulaire
La propriété 3 est donc prouvée
L’algèbre des matrices diagonales est une sous-algèbre de Tn(K).

4.5 MATRICES INVERSIBLES, CHANGEMENT DE BASES
4.5.1 Matrices inversibles
Définition 4
On dit qu’une matrice M ϵ Mn(K) est inversible ou régulière s’il existe une matrice
de Mn(K), notée M-1 telle MM-1 = M-1M = In
Théorème 4
L’ensemble des matrices inversibles de M n(K) est un groupe multiplicatif,

isomorphe ou groupe GL(E) des automorphismes de E.
4.5.2 Changement de bases
Considérons, dans un espace vectoriel E de dimension n sur un corps K, deux

bases distinctes :
B = {e1, e2, ……….., en}
C = {u1, u2, ……….., un}
Problème
Connaissant les coordonnées {x1, x2, ……….., xn} du vecteur x de E dans la base
B, déterminer les coordonnées {x’ 1, x’2, ……….., x’n} de ce même vecteur dans
la base C. il existe un endomorphisme f de E, et un seul, qui envoie la base B sur
la base C, c’est-à-dire tel que :
f(e1) = u1,…………… ; f(en) = un , de plus, cet endomorphisme est bijectif : c’est

un automorphisme de E. il en résulte que la matrice de f dans toute base de E est
inversible.
(i) f(e1) = ∑𝑛𝑖=1 𝑎𝑖𝑗 𝑒1
La matrice (aij) se somme matrice de passage de la base B à la base C. On la

notera :
P = (aij) ϵ GL(n,K) (groupe linéaire à n variable sur le corps K). on sait que dans
l’ancienne base B, x se décomposait de la façon suivante :
(2) x = x1e1 + ……………….. + xnen = ∑𝑛𝑖=1 𝑥1𝑒1

Dans la nouvelle base C, on obtient :
(3) x = x’1u1 + …………+ x’nun = ∑𝑛𝑖=1 𝑥′1 𝑢𝑗
Or, on sait que : uj = f(ej), d’où
(3’) x = ∑𝑛𝑖=1 𝑥′𝑗 (∑𝑛𝑖=1 𝑎𝑖𝑗 𝑒1)
= ∑𝑛𝑖=1(∑𝑛𝑖=1 𝑎𝑖𝑗 𝑥′𝑗 )𝑒𝑖
En comparant (2) et (3’) on obtient :
X1 = ∑𝑛𝑗=1 𝑎𝑖𝑗 𝑥′𝑗 (1 ≤ 𝑖 ≤ 𝑛)
Ces n relations exprimant les coordonnées de x dans l’ancienne base B en fonction

des coordonnées de x dans la nouvelle base C.
𝑥1 𝑥′1
𝑥2 𝑥′2
•
Posons : X= X’ = •
• •
• •
(𝑥𝑛 ) (𝑥′𝑛 )
La relation (4) peut alors s’exprimer sous forme matricielle, ce qui donne :
X = PX’
Les nouvelles coordonnées en fonction des anciennes sont données par :
X’ = P-1X
4.6 TRANSPOSEE D’UNE MATRICE
4.6.1. Définition
On appelle transposée d’une matrice M ϵ Mp,n (K), la matrice, notée M,

appartenant à Mn,p (K), obtenue à partir de M en échangeant les lignes et les
colonnes.
M = (aij) (1 ≤ i ≤ p, 1 ≤ j ≤ n)
M’ = (aij)

4.6.2 Opération sur les transposées
i) transposée d’une somme :

1 2 2 0 1 0
M = (0 1 6) N = (2 1 5)
2 1 8 7 0 4
Soit α, β ϵ IR
Calculer : αM, βN, ; αM + βN, ; (α M + β N)
αM’, βN’, αM’ + βN’.
Comparer : (αM + βN)’ et αM’ + βN’.
𝛼 2𝑎 3𝑎 0 𝛽 0
αM = ( 0 𝛼 6𝑎) βN = (2𝛽 𝛽 5𝛽 )
2𝑎 𝑎 8𝑎 7𝛽 0 4𝛽
𝛼 2𝑎 + 𝛽 3𝑎
αM+ βN= ( 2𝛽 𝛼+𝛽 6𝑎 + 5𝛽 )
2𝑎 + 7𝛽 𝑎 8𝑎 + 4𝛽
𝛼 2𝑎 2𝑎
(α M + β N)’ = (2𝑎 + 𝛽 𝛼+𝛽 𝑎 )
3𝑎 6𝑎 + 5𝑎 8𝑎 + 4𝛽
1 0 2 𝑎 0 2𝑎
αM’ = 𝑎 (2 1 1) = (2𝑎 𝑎 𝑎)
2 6 8 2𝑎 6𝑎 8𝑎
0 2 7 0 2𝛽 7𝛽
βN’ = 𝛽 (1 1 0) = (𝛽 𝛽 0)
0 5 4 0 5𝛽 4𝛽
𝛼 2𝛽 2𝑎 + 7𝛽
αM’ + βN’ = (2𝑎 + 𝛽 𝛼+𝛽 𝑎 )
2𝑎 6𝑎 + 5𝛽 8𝑎 + 4𝛽
(αM + βN)’ = αM’ + βN’aa

ii) Transposée d’un produit :

0 1 2 1 2 3 4 3 22
NM = (2 1 5) x (0 1 6) = (12 10 52)
7 0 4 2 1 8 15 18 53
4 3 22
= (12 10 52)
15 18 53
4 12 15
(NM)’ = ( 3 10 18)
22 52 53
1 0 2 0 2 7
M’ = (2 1 1) N’ (1 1 0)
3 6 8 2 5 4
1 0 2 0 2 7
M’N’ = (2 1 1) (1 1 0)
3 6 8 2 5 4
4 12 15
=(3 10 18)
22 52 53
t
(NM) = tM tNa
4.6.3 Transposée d’une matrice inversible
Pour qu’une matrice carrée M soit inversible, il faut et il suffit que tM le soit.
1 2 2
M = (0 1 6)
2 1 8

Calculer t
M, (‘M)-i M-1, (M-1)
(‘M) ? ‘(M-1)
1 0 2 1 0 2 1 0 0
1 −3
t
M = (2 1 1) = N ; |𝑡𝑀| = |2 1 1| = |2 1 −3| = | |
6 4
2 6 8 2 6 8 2 6 4
Calcul du déterminant
Det (N) = |𝑡𝑀| = 4 + 18 = 22 ≠ 0

𝑁∗
N-1 = où N* est la comatrice de N
det(𝑁)
1 0 2
N = (2 1 1)
3 6 8
bij = (-1)i+j det (Nij)
̃ = matrice des cofacteurs
𝑁
2 −14 10
̃ = ( 12
𝑁 4 −6)
−2 3 1
2 12 −2
̃’ = (−14
comatrice de N noté N* = 𝑁 4 3)
10 −6 1
2 12 −2
1
N = (M’) = (−14
-1 -1
4 3)
22
10 −6 1
1/11 6/11 −1/11
N = (M’) = (−7/11
-1 -1
2/11 +3/22)
5/11 −3/11 1/22
1 2 2
1 6 1 6
|𝑀′| = |0 1 6| = | |=| | = 4 + 18 = 22
−3 4 −3 4
2 1 8
=> det (M) = det (M’) = 22
1
M-1 = | . M* , M* = comatrice de M.
𝑀|

N = (bij) , bij = (-1)i+j |𝑀𝑖𝑗 | , Mij = sous-matrice de M obtenue en supprimant la

ième ligne et la jème colonne.
2 12 −2 2 −14 10
N = (−14 4 3 ) , M* = N’ = ( 12 4 −6)
10 −6 1 −2 3 1
2 −14 10
-1 1
M = ( 12 4 −6)
22
−2 3 1
1/11 −7/11 5/11
M = ( 6/11
-1 2/11 −3/11)
−1/11 3/22 1/22
−1
=> M-1 = (M′ )′ ou (M’)-1 = (M-1)’

CHAPITRE 5
DETERMINANTS
5.1. APPLICATIONS BILINAIRES
Définition 1
Soit E, F, G trois espaces vectoriels sur le même corps K. Une application
f de E x F dans G est dite bilinéaire si,∀𝑥, 𝑥 ′ 𝜖𝐸, ∀𝑦, 𝑦 ′ 𝜖 𝐹 et ∀ 𝑎 𝜖 𝐾
f(xa,y) = f(x,ay) = a f(x,y)
f(x + x’, y) = f(x,y) + f(x’,y)
f(x,y + y’) = f(x,y) + f(x,y’)
en d’autres termes, l’application (x,y) ––> f(x,y) est pour y fixé, linéaire selon la
variable x et pour x fixé, linéaire selon la variable y ; donc f est bilinéaire.
5.1.2. Formes bilinéaires
Lorsque G = K, f est alors nommée forme bilinéaire
5.1.3 Application bilinéaire alternée
Supposons maintenant que E = F,
Définition 2
Une application bilinéaire de E x E dans G est dite alternée si, ∀𝑥 𝜖 𝐸, 𝑓 (𝑥, 𝑥 ) =

0
Propriété 1
Soit E et G deux K-espaces et f : E2 ––> G une application bilinéaire :
1) Si f est alternée, alors ∀𝑥, 𝑦 𝜖 𝐸, on a :
f(y,x) = -f(x,y)
2) Réciproquement, si cette relation a lieu ∀𝑥, 𝑦 𝜖 𝐸 et si le corps K n’est pas de

caractéristique 2, alors f est alternée. Admis sans démonstration.

5.1.4 Cas où Dim E = 2
Etudions à présent les applications bilinéaires alternées dans le cas où dim E = 2

sur le corps K, G étant quelconque. Introduisons les déterminants du second ordre.
Théorème 1
Soit E et G deux espaces vectoriels sur le corps K et dim E = 2. Pour toute base
{e1, e2} de E et tout vecteur k de G, il existe une application bilinéaire alternée, et
une seule, f de E2 dans G telle que f(e1, e2) = k.
Preuve
∀𝑥, 𝑦 𝜖 𝐸 rapporté à la base choisie :
x = x1 e1 + x2 e2
y = y1 e1 + y2 e2
i) Unicité
Soit une application bilinéaire alternée f de E2 dans G. alors,
f(e1, e1) = f(e2, e2) = 0
f(e1, e2) = f(e2, e1)
comme f est bilinéaire,
f(x, y) = x1 y1 f((e1, e1) + x1 y2 f(e1, e2) + x2 y1 f(e2, e1) + x2 y2 f(e2, e2).
Par conséquent, f(x, y) = {x1 y2 - x2 y1} f(e1, e2)
Ce qui prouve que, si l’application bilinéaire alternée f de l’énoncé existe, elle

coïncide avec (i) f(x, y) = (x1 y2 - x2 y1) k
ii) Existence
Prouvons que l’application f de E2 dans G définie par (1) est bien bilinéaire
alternée. Pour y fixé dans E, on a en effet, ∀𝑥, 𝑥 ′ 𝐸 et ∀ 𝑎, 𝑎′ 𝜖 𝐾
f(ax + a’ x’, y) = [(ax1 + a’x’1)y2 – (ax2 + a’x’2)y1] k
= a(x1 y2 – x2 y1] k + a’(x’1 y2 – x’2 y1] k
= a f(x, y) + a’f(x’, y1)

Par conséquent, f(x,y) est linéaire en x. De la même façon, on peut prouver que
f(.) est linéaire en y, x étant fixé. Enfin f est alternée, car :
∀𝑥 𝜖 𝐸 ), f(x,x) = (x1 x2 – x2 x1) k = 0 et le théorème est établi.
5.1.5. Déterminant d’ordre 2
Considérons la théorème 1 et supposons que G = K. Choisissons pour vecteur k

le "vecteur" 1 de l’espace vectoriel K. Il existe une forme bilinéaire alternée, et
une seule, telle que f(e1, e2) = 1. Pour une telle forme, f(x, y) se nomme
déterminant des vecteurs x et y par rapport à la base {e1, e2}. On note :
𝑥1 𝑦1
D(x, y) = x1 y2 – x2 y1 = |𝑥 𝑦2 |
2
Exemple 1
𝑎 𝑐 𝑎 𝑏 𝑎 𝑏
M=( ) => M’ = ( ) => |𝑀′| = | | = ad - cb
𝑏 𝑑 𝑐 𝑑 𝑐 𝑑
𝑎 𝑐
Det (M) = | | = ad – bc = ad – cb = |𝑀′|
𝑏 𝑑
De cette définition, on voit immédiatement que:
Det (M’) = det (M).
5.2. APPLICATIONS TRILINEAIRES ALTERNEES
5.2.1 Applications trilinéaires
Définition 3
Une application (x, y, z) ––> f(x, y, z) de E3 dans G est dite trilinéaire si
i) elle est linéaire en chacun des vecteurs x, y, z.
ii) f(x, y, z) = 0 dès que deux des trois vecteurs coïncidente.
En d’autres termes, si l’on fixe l’un quelconque des trois vecteurs, l’application f
est bilinéaire alternée en les deux autres.

5.2.2 Cas où dim E = 3
Nous allons étudier les déterminants d’ordre 3 lorsque dim E = 3 sur le corps K,
l’espace vectoriel G étant quelconque sur K.
Théorème 2
Soit E et G deux espaces vectoriels sur K, et dim E = 3. Pour toute base {e 1, e2,
e3} de E et tout vecteur k de G, il existe une application trilinéaire alternée, et une
seule, f de E dans G telle que {e1, e2, e3} = k.
Preuve
i) Unicité
soit f une application trilinéaire alternée de E3 dans G. dans la base {e1, e2, e3}
désignons par (x1, x2, x3), (y1, y2, y3), (z1, z2, z3) des coordonnées de trois vecteurs
x, y, z :
x = x1 e1 + x2 e2 + x3 e3 = ∑3𝑖=1 𝑥1 𝑒1
y = y1 e1 + y2 e2 + y3 e3 = ∑3𝑗=1 𝑦𝑗 𝑒𝑗
z = z1 e1 + z2 e2 + z3 e3 = ∑3𝑘=1 𝑥𝑘 𝑒𝑘
puisque f est trilinéaire
f(x, y, z) = f(∑ xi ei, ∑ yj ej, ∑ zk ek)
= (∑ xi yj zk f(ei, ej, ek).
La somme étant étendue à tous les indices i, j, k pris arbitrairement dans {1,2,3}.
Il y a donc 33 = 27 termes dans cette somme. On sait que f(e1, e2, e3) = 0 dès que
deux indices sont égaux. Il ne reste à considérer que les termes de la sommation
où les trois indices i, j, k sont distincts, c’est-à-dire {i, j, k} est l’image de {1, 2,
3} par une permutation.
Il y a 3 ! = 6 termes de la sorte, (les 27-6 autres sont certainement nuls). Prouvons

que les f(e1, e2, e3) correspondants s’expriment tous en fonction de :
K = f(e1, e2, e3)
Puisque f est alternée, on a en effet :
f(e2, e1, e3) = f(e1, e3, e2) = f(e3, e2, e1) = k

f(e2, e3, e1) = - f(e2, e1, e3) = - k
f(e3, e1, e2) = - f(e1, e3, e2) = - k
On remarque que f(ei, ej, ek) vaut k ou – k selon que la permutation (1, 2, 3) =>
(i, j, k) en paire ou impaire. On obtient donc :
(2) f(x, y, z) = (x1y2z3 + x2y3 z1 + x3y1z2 - x2y1z3 - x1y3z2 - x3y2z1) k
Donc f est une application trilinéaire alternée
ii) Existence
Soit f l’application de E3 dans G définie par (2). Prouvons que f est bien bilinéaire
alternée.
Linéarité de f en x, lorsque y et z sont fixés. Comme les coordonnées de x

interviennent une fois, et une seulement, dans chacun des termes de la somme (2)
et que les coordonnées de ax sont ax1, ax2, ax3 alors en remplaçant dans (2), on
obtient :
f(ax, y, z) = a f(x, y, z)
Comme les coordonnées de x + x’ sont x1 + x’1, x2 + x’2, x3 + x’3 alors en

remplaçant dans (2), on obtient :
f(x + x’, y, z) = f(x, y, z) + (x’, y, z)
de la même façon, on peut prouver la linéarité en y ou z. enfin, si deux des trois

vecteurs x, y, z sont égaux, alors la relation (2) montre immédiatement que
f(x, y, z) = 0 le théorème 2 est établi
5.2.3 Déterminant d’ordre 3
Plaçons-nous dans les hypothèses théorème 2 avec :
G=K
Choisissons pour vecteur k l’élément 1 du corps K. il existe alors une forme

trilinéaire alternée f, et une seule, telle f(e 2, e1, e3) = 1. Pour une telle forme, f(x,
y, z) se nomme déterminant des vecteurs x, y, z par rapport à la base f(e2, e1, e3)
et se note :
𝑥1 𝑦1 𝑧1
D(x, y, z) = |𝑥2 𝑦2 𝑧2| = x1y2z3 + x2y3z1 + x3y1z2 – x3y2z1 – x2y1z3 – x1y3z2
𝑥3 𝑦2 𝑧3

On dit que l’on a développé le déterminant selon la règle de Sarrus :
Exemple
i) Calculer les déterminants suivants :
𝑑𝑎 𝑎′ 𝑎′′ 𝑎 𝑎′ 𝑎′′
|𝑏𝑑 𝑏′ 𝑏′′| = d |𝑏 𝑏′ 𝑏′′|
𝑑𝑐 𝑐′ 𝑐′′ 𝑐 𝑐′ 𝑐′′
Puis comparer
On peut factoriser dans un déterminant un facteur commun aux éléments d’une

rangée.
ii) Calculer les déterminants suivants :
𝑎1 + 𝑎2 𝑎′ 𝑎′′ 𝑎1 𝑎′ 𝑎′′ 𝑎2 𝑎′ 𝑎′′

|𝑏1 + 𝑏2 𝑏′ 𝑏′′| ; |𝑏1 𝑏′ 𝑏′′| ; |𝑏2 𝑏′ 𝑏′′|
𝑐1 + 𝑐2 𝑐′ 𝑐′′ 𝑐1 𝑐′ 𝑐′′ 𝑐2 𝑐′ 𝑐′′
Puis comparer
Si les éléments d’une rangée sont des sommes, on peut mettre le déterminant sous
la forme d’une somme de déterminants
iii) Calculer les déterminants suivants :
𝑎 𝑎′ 𝑎′′ 𝑎 𝑎′ 𝑎′′
|𝑏 𝑏′ 𝑏′′| ; - |𝑏 𝑏′ 𝑏′′ |
𝑐 𝑐′ 𝑐′′ 𝑐 𝑐′ 𝑐′′
Puis comparer
Quand on échange deux lignes (ou colonnes), le déterminant change de signe
iv)- Calculer le déterminant suivant :
𝑎 𝑎′ 𝑚𝑎 + 𝑛𝑎′
|𝑏 𝑏′ 𝑚𝑏 + 𝑛𝑏′ | = 0
𝑐 𝑐′ 𝑚𝑐 + 𝑛𝑐′
Si une ligne (ou une colonne) est combinaison linéaire des autres, le déterminant
est nul

5.2.4 Développement selon les éléments d’une rangée
𝑎 𝑎′ 𝑎′′
|𝑏 𝑏′ 𝑏′′| = a’ (b’’c - bc’’) + b’ (ac’’- a’’c) + c’ (a’’b - ab’’).
𝑐 𝑐′ 𝑐′′
On peut écrire :
𝑎 𝑎′ 𝑎′′
𝑏 𝑏′′| + b’ |𝑎 𝑎′′| - c’ |𝑎 𝑎′′|
|𝑏 𝑏′ 𝑏′′| = - a’ |
𝑐 𝑐′′ 𝑏 𝑏′′ 𝑏 𝑏′′
𝑐 𝑐′ 𝑐′′
On dit qu’on a développé le déterminant selon les termes de la seconde colonne.
Les coefficients de a’, b’, c’ sont nommés les co-facteurs de ces éléments.
5.3 APPLICATION MULTILINEAIRE
5.3.1 Définition 4
Soit E deux espaces vectoriels sur le même corps K et p un nombre naturel
(p ≥ 2).
Une application de Ep dans F.
(x1, x2, ……………, xp) ––> f(x1, x2, ……………, xp)
est dite n linéaire si elle est linéaire en chacun des p vecteurs x2, ………, xp. En
d’autres termes, pour tout indice i ϵ {1,………., p} et pour tout choix des
x1, ………, xi-1, xi-1,…………, xp.
l’application partielle x1––> f(x1, ………, xi …………, xp) est linéaire en xi.
5.3.2 Définition 5
Une application p-linéaire f de Ep dans F est dite alternée si :
xi = xj avec i ≠ j) => f(x1, x2 …………, xp) = 0

5.3.3 Cas où dim E = p
Théorème 3 (fondamental)
Soit E et f deux espaces vectoriels sur le corps K et dim E = p. Pour toute base
(e1, e2 …………, ep) de E et tout vecteur k de E, il existe une application p-linéaire
alternée, et une seule, f, de Ep dans F telle que :
f(e1, e2 …………, ep) = k
5.3.4 Déterminant d’une matrice de M p(K)
Soit une matrice carrée d’ordre p, à coefficients dans K.

𝑎11 𝑎12 … 𝑎1𝑝
𝑎 𝑎22 … 𝑎2𝑝
M = ( 21
: : … : )
𝑎𝑝1 𝑎𝑝2 … 𝑎
𝑝𝑝
𝑎11 𝑎12 … 𝑎1𝑝

𝑎21 𝑎22 … 𝑎2𝑝
Det (M) = | : : … : |
𝑎𝑝1 𝑎𝑝2 … 𝑎
𝑝𝑝
Det (M) = ∑𝜑𝜖𝜎 𝜎 (𝜑)𝑎𝑖𝑝(1) … … . . 𝑎𝑝𝑝(𝑝)
Où :
- Σ (𝜑) est la signature de la permutation 𝜑

- 𝜑𝑝 est le groupe symétrique des permutations de l’ensemble {1, 2,…, p}.
5.4 DETERMINANT DU PRODUIT DE DEUX MATRICES DE Mp(K)
5.4.1 Déterminant du produit de deux matrices
Théorème 4
Quelles que soient les matrices carrées A et B de même ordre,
det(BA) = det(B)det(A).

5.5. DEVELOPPEMENT D’UN DETERMINANT SELON ELEMENTS

D’UNE RANGEE
Théorème 5
Soit M = (aij) une matrice de Mp(K). si l’on désigne par M ij la matrice de Mp,i(K)
déduite de M par suppression de la ligne i et de la colonne j, on a :
𝑝
det(M) = ∑𝑗=1(−1)𝑖𝑗 𝑎𝑖𝑗 det(𝑀𝑖𝑗 )
5.5.1 Exemples
1-
𝑎 𝑏 𝑐 𝑑
𝑏 𝑐 𝑑 𝑎 𝑐 𝑑
𝑎′ 𝑏′ 𝑐′ 𝑑′
| |= - a’’’| 𝑏′ 𝑐′ 𝑑′ | + b’’’| 𝑎′ 𝑐′ 𝑑′ |
𝑎′′ 𝑏′′ 𝑐′′ 𝑑′′
𝑎′′′ 𝑐′′′ 𝑏′′ 𝑐′′ 𝑑′′ 𝑎′′ 𝑐′′ 𝑑′′
𝑏′′′
𝑎 𝑏 𝑑 𝑎 𝑏 𝑐
- c’’’| 𝑎′ 𝑏′ 𝑑′ | + d’’’| 𝑎′ 𝑏′ 𝑐′ |
𝑎′′ 𝑏′′ 𝑑′′ 𝑎′′ 𝑏′′ 𝑐′′
2- Déterminant d’une matrice triangulaire
𝑎11 𝑎12 𝑎13 𝑎1𝑝

•
0 𝑎22 𝑎23 𝑎2𝑝
•
Det(T) = 0 0 𝑎33 • 𝑎3𝑝
• • • • •
•
( 0 0 0 𝑎𝑝𝑝 )
Det(T) = 𝑎11 𝑎22 …………..𝑎𝑝𝑝
Le déterminant d’une matrice triangulaire est égal au produit des éléments de sa

diagonale principale.
5.6 COMATRICE
5.6.1 Définition
Soit M = (aij) une matrice de Mp(K). définissons d’abord la matrice N = (bij) de

Mp(K) par bij = (-1)i+j det(Mij)

Mij étant la matrice déduite de M par suppression de la ligne de rang i et de la

colonne de rang j. Alors, on appelle comatrice de M*, et l’on note M, la matrice
transposée de N : M* = N’.
Exemple 2
1 0 2
M = (0 −2 1)
0 3 0
−2 1 0 1
b11 = | | = -3 ; b12 = - | |=0
3 0 0 0
0 −2 0 2
b13 = | |=0 ; b21 = - | | = +6
0 3 3 0
1 2 1 0
b22 = | |=0 ; b23 = - | | = -3
0 0 0 3
0 2 1 2
b31 = | |=4 ; b32 = - | | = -1
−2 1 0 1
1 0
b33 = | | = -2 ;
0 −2
Par conséquent,
−3 0 0
N=( 6 0 −3)
4 −1 −2
La comatrice de M est, par définition
−3 6 4
M* = N’ = ( 0 0 −1)
0 −3 −2
Théorème 6
Quelle que soit la matrice M de M p(K), M* M = MM* = (det M) I,
Preuve
Soit M = (aij). Posons :
bij = (-1)i+j det(Mij)
et b’ji = bij

On a alors M* = (b’ij)
Par définition du produit de deux matrices, on a :

𝑝
M* M = (ckj) avec ckj = ∑𝑗=𝑖 𝑏𝑗𝑖 𝑎𝑗𝑖
On a, par conséquent,
𝑝 𝑝
ckj = ∑𝑗=𝑖 𝑎𝑖𝑗 𝑏𝑖𝑘 = ∑𝑗=𝑖(−1)𝑗+𝑘 𝑎𝑖𝑗 det(Mjk)
Appelons M’ la matrice déduite de M remplaçant les éléments aik …….., apk de la

colonne k par les éléments aij, a2j, ……….., apj de la colonne j (que nous notons
a’1k, a’2k, ……….., a’pk). D’après le théorème 5, on reconnaît le développement
de det(M’) selon les éléments de la colonne k :
𝑝
ckj = ∑𝑗=𝑖(−1)𝑘+1𝑎′𝑖𝑘 det(M’jk) = det(M’).
or, si j ≠ k, la matrice M’a deux colonnes identiques (celles de rang j et k) et par

suite det(M’) = 0
j ≠ k => ckj = 0
Si j = k, alors évidemment M’ = M et, par suite,
j = k => ckj = det(M).
En résumé, δik étant le symbole de Kronecher, on a ckj = δkj det(M) et, par
conséquent, M*M = det(M) Ip.
5.6.2 Matrices inversibles
Théorème 7
Pour qu’une matrice M de Mp,i(K) soit inversible, il faut, et il suffit, que

𝑀∗
det(M) ≠ 0. On a alors M-1 =
det(𝑀)
Preuve
Supposons M ensemble. Il existe alors M telle que MM -1 = Ip.
Appliquons le théorème 4 :
det(MM-1) = det(M) det(M-1)

Comme det(Ip) = I, on obtient :
det(M) det(M-1) = I
Par conséquent, dans le corps K.
Det(M) ≠ 0
De plus det(M-1) = [det(M)]-1
2) Suffisance
D’après le théorème 6, on a :
M*M = det(M)Ip
Supposons det(M) ≠ 0. Alors,

𝑀∗
M-1 =
det(𝑀)
Le théorème est démontré
Exemple 3
1 0 2
La matrice : M = (0 −2 1)
0 3 0
est inversible puisque det(M) = -3 ≠ 0. Son inverse est :
−3 6 4
-1 𝑀∗ −1
M = = (0 0 −1)
det(𝑀) 3
0 −3 −2
Exemple 4
Décomposer en un produit de facteurs les déterminants suivants :

1 𝑐𝑜𝑠 𝑎 𝑐𝑜𝑠 2𝑎
|1 𝑐𝑜𝑠 𝑏 𝑐𝑜𝑠 2𝑏|
1 𝑐𝑜𝑠 𝑐 𝑐𝑜𝑠 2𝑐
1 𝑐𝑜𝑠 𝑎 𝑠𝑖𝑛 2𝑎
|1 𝑐𝑜𝑠 𝑏 𝑠𝑖𝑛 2𝑏|
1 𝑐𝑜𝑠 𝑐 𝑠𝑖𝑛 2𝑐

1 𝑐𝑜𝑠 𝑐 𝑐𝑜𝑠 𝑏
| 𝑐𝑜𝑠 𝑐 1 𝑐𝑜𝑠 𝑎 |
𝑐𝑜𝑠 𝑏 𝑐𝑜𝑠 𝑎 1
Exemple 5
Prouver l’égalité
(𝑏 + 𝑐)2 𝑏2 𝑐2
| 𝑎2 (𝑐 + 𝑎)2 𝑐 2 | = 2a bc (a + b + c)3
𝑎2 𝑏2 (𝑎 + 𝑏)2
Exemple 6
Démontrer la relation :
−𝑎 𝑏 𝑐 𝑑
|𝑏
𝑐
−𝑎 𝑑 𝑐
−𝑎 𝑏 | = - (a + b + c - d) (b + c + d - a)
𝑑
𝑑 𝑐 𝑏 −𝑎
= (c + d + a - b) (d + a + b - c)
Exemple 7 : Déterminant de Vander Monde
1) Etablir la relation
1 𝑎 𝑎2 𝑎3
|1 𝑏 𝑏2 𝑏3 | = (d - a) (d - b) (d - c) (c - a) (c - b) (b - a)
1 𝑐 𝑐2 𝑐3
1 𝑑 𝑑2 𝑑3
On pourra remarquer que le déterminant est un polynôme en d degré 3 dont a, b,
c sont des racines. Il existe alors un scalaire k tel que le déterminant soit égal à
k(d - a) (d - b) (d - c). On prouvera que k est le déterminant obtenu à partir du
précédent en supprimant la dernière ligne et la dernière colonne (ce nouveau
déterminant étant encore de Vander Monde).
2) Généralisation. Etablir la relation
1 𝑥1 𝑥12 … . . 𝑥1𝑛−1
||1 𝑥2 𝑥22 … . . 𝑥2𝑛−1|
= ∏(𝑥1 − 𝑥1) i<j
1 𝑥3 𝑥32 … . . 𝑥3𝑛−1|
1 𝑥𝑛 𝑥𝑛2 … . . 𝑥𝑛𝑛−1

CHAPITRE 6
THEORIE DU RANG – EQUATIONS LINEAIRES
6.1. THEORIE DU RANG
6.1.1 Rang d’une famille de vecteurs
Définition 1
Dans un espace vectoriel E sur un corps K, on appelle rang de la famille {x1,...,xn}

⊂ E, la dimension du sous-espace E’ de E engendré par cette famille. Le rang
famille {x1,......,xn} est donc égal au cardinal de la base du sous-espace engendré
par E’, que l’on peut extraire de la famille.
6.1.2. Rang de la famille d’une supplication linéaire
Définition 2
Soit E et F deux espaces vectoriel de dimension finie sur le même corps K et f une
application linéaire de E dans F. On appelle rang de f, et l’on note rg(f) la
dimension du sous-espace f(E), image de E par f dans F.
6.1.3 Rang d’une matrice
Définition 3
Considérons une matrice M ϵ Mp,n(K), à p lignes et n colonnes.

𝑎11 • • 𝑎1𝑛
•
M=( • )
𝑎𝑝𝑖 • • 𝑎𝑝𝑛
On appelle rang de la matrice M, et l’on note rg(M), le rang de la famille des n

vecteurs-colonnes dans l’espace vectoriel Kp.

6.1.4 Calcul du rang d’une application linéaire
Théorème 1
Soit E et F deux espaces vectoriels de dimension respectives n et p sur le même

corps K, rapporté à des bases respectives B et C. Si relativement à ces bases, un
morphisme g ϵ L (E, F) est représenté par la matrice M ϵ Mp,n(K), alors
rg(M) = rg(g). (admis sans démonstration).
Corollaire 1
Deux matrices semblables ont même rang.
6.1.5 Calcul du rang d’une famille de vecteurs
Théorème 2
Le rang d’une famille de vecteurs d’un espace vectoriel E de dimension finie est
égal au rang de la matrice des coordonnées de ces vecteurs dans une base
quelconque de E.
6.2- CRITERE D’INDEPENDANCE LINEAIRE
Théorème 3
Dans un espace vectoriel de dimension n sur un corps K, les trois propositions

suivantes sont équivalentes :
i) la famille {x1, x2 …………, xn} est dans E ;
ii) la matrice M est coordonnée des vecteurs x1, x2 …………, xn dans une base de
E est inversible.
iii) le rang de M est rg(M) = n.
Preuve
Soit un espace vectoriel E sur un corps K tel que dim E = n.
Corollaire
Toute matrice M ≠ 0 a un même rang que sa transposée rg(‘M) = rg(M)

6.3.1 Critère général de l’indépendance linéaire
Théorème 4
Dans un espace vectoriel F de dimension p, pour qu’une famille de n vectoriel soit

libre, il faut et il suffit que l’on puisse extraire, de la matrice de ces vecteurs dans
une base quelconque de F, une matrice d’ordre n inversible.
6.3.2 Exemple
Dans l’espace IR4, considérons les trois vecteurs :
x1 = (1, 0, 0, 1) ; x2 = (0, 1, 1, 0) ; x3 =(-1, 0, 1, 3) ;
La matrice M de ces vecteurs dans la base canonique de IR 4 est :

1 0 −1
M = (0 1 0)
0 1 1
1 0 3
Désignons par M1 la matrice formée des trois premières lignes de M.
1 1 0
On trouve det(M1) = |0 1 1| = 1 ≠ 0
0 0 3
Par conséquent, rg(M) = 3 et la famille { x1, x2, x3 } est libre
0 1 0
det(M2) = |0 1 1| = (0 + 0 + 1) – (0 + 0 + 0) = 1 ≠ 0
1 0 3
Soit B = { e1, e2, ……….., en} une base quelconque de E. Considérons une famille
n vecteurs { x1, x2,………….. xn} dont la matrice dans la base B est
M = (aij) ϵ Mn(K). soit f ϵ L(E) l’endomorphisme de E associé à M dans B :
f(e1) = x1 ;…………….. ; f(en) = xn
Pour que {x1, …………, xn} soit libre, il faut, et il suffit que f soit injective, ce
qui équivaut à f ϵ GL(E). Or f ϵ GL(E) équivaut à M inversible. Par conséquent,
les propositions i) et (ii) sont équivalentes. {x1, …………, xn} est une famille libre
si, et seulement si, l’espace engendré par cette famille est l’espace E tout entier
(puisque dim E = n) et, par conséquent, le rang de cette famille vaut n.

D’après le théorème 2, ceci équivaut à rg(M) = n. par conséquent, les propositions

i) et (ii) sont équivalentes. Le théorème est démontré.
6.3. CALCUL DU RANG D’UNE MATRICE
6.3.1 Matrices extraites d’une matrice
Soit M = (aij) (1 ≤ i ≤ p, 1 ≤ j ≤ n) une matrice de Mp,n(K). On appelle matrice

extraire de M toute matrice déduite de M par suppression de lignes ou de colonnes.
Nous nous intéresserons ici aux matrices carrées extraites de M.
6.3.2 Calcul du rang d’une matrice
Théorème 4
Pour toute matrice M ≠ 0, le rang de M est le plus grand entier r tel qu’il existe
une matrice carrée inversible d’ordre r extraite de M.
𝑎11 𝑎1𝑟
(𝑎 𝑎1𝑟 ) 𝑎1𝑛
𝑟𝑡
M=( 𝑎𝑛1 )
𝑎𝑝1 𝑎𝑝𝑛
6.4. EQUATIONS LINEAIRES
6.4.1 Définitions
Soit K un corps commutatif
On appelle système de p équations linéaires à n inconnues, à coefficients dans K,

un système tel que :
𝑎11 𝑥1 + 𝑎12 𝑥2 … +𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎 𝑥 +𝑎 𝑥 … +𝑎2𝑛 𝑥𝑛 = 𝑏2
(1) { 21 1 − 22 2 −
−
𝑎𝑝1 𝑥1 + 𝑎𝑝2 𝑥2 … 𝑎𝑝𝑛 𝑥𝑛 = 𝑏𝑝
Les éléments aij de K sont nommés coefficients. Les éléments b1 de K nommés

seconds membres. Coefficients et seconds membres sont des éléments donnés
dans K.

Les éléments xj de K sont nommés inconnues. On appelle solution du système tout

n-uplets (x1, x2,…………, xn) ϵ Kn constitués de n éléments x1, x2,………, xn de K
qui vérifient les p équations du système.
Résoudre le système, c’est déterminer l’ensemble des solutions (ensemble qui

peut éventuellement être vide).
6.4.2 Interprétation matricielle du système
Posons :
𝑎11 … 𝑎1𝑛 𝑏1 𝑥1
𝑏 𝑥
M = (𝑎21 … 𝑎2𝑛 ) ; B = ( :2 ) ; x = ( :2 )
𝑎𝑝1 … 𝑎𝑝𝑛
𝑏𝑝 𝑥𝑛
D’après la définition du produit matriciel, le système donné équivaut à:
(2) MX = B
Résoudre le système, c’est résoudre cette équation matricielle avec M ϵ Mpa(K),

et B ϵ Mpa(K), il s’agit de déterminer X ϵ Mn,1(K)
6.4.3 Interprétation vectorielle du système
Soit E et F deux espaces vectoriels, de dimensions respectives n et p sur un même

corps K et B = (e1,……., en), C = (u1,……., up) des bases respectives de E et F.
Soit, relativement à ces bases, f le morphisme de E dans F qui a pour matrice M.

Si l’on désigne par x le vecteur de E qui a pour coordonnées dans B les inconnues
x1,………., xn et par b, le vecteur de F qui a pour coordonnées donc C les seconds
membres b1,……., bn le système (1) équivaut alors a :
(3) f(x) = b
Résoudre le système, c’est déterminer l’ensemble S des vecteurs x de E qui ont

pour image le vecteur donné b de F.
Résumé :
i) b ∉ Im (f) => S = 0
ii) b ϵ Im (f). Le système a au moins une solution x0 et l’ensemble des solutions

est : S = x0 + Ker(f)

6.4.4 Remarques
* i) Si f est surjective (p ≤ n) alors Im (f) = F
Tout vecteur b de F appartient à Im (f). Le système admet toujours des solutions

S ≠ 0.
* ii) Si f est injective alors dim Im (f) = dim E = n, par conséquent n ≤ p
Si b ϵ à Im (f), alors le système admet une solution unique puisque Ker (f) = (0).
* iii) Si f est bijective (n = p) alors le système admet une solution puisque

surjective, et une seule puisque f est injective. On dit alors qu’on se trouve dans
le cas de Cramer.
6.5 SYSTEME DE CRAMER
6.5.1 Définition
Le système (1) est dit Cramer si les deux conditions suivantes sont réalisées :
i) n = p
ii) M est inversible
6.5.2 Résolution d’un système Cramer
Considérons l’équation matricielle
(2) MX = M
(4) X = M-1B constitue la solution unique de (2)
6.5.3 Calcul explicite
On sait que :
𝑀∗
M-1 =
det(𝑀)
M* étant la comatrice de M
(4) s’écrit par conséquent :
(4.a) det(M) X = M*B

or comme la comatrice a pour terme général :
cij = (-1)i+j det(Mji)
Le produit matriciel M*B est une matrice colonne dont le terme de la ligne de
rang I est ∑𝑛𝑗=1 𝑐𝑖𝑗 𝑏𝑗 (1 ≤ i ≤ n)
en identifiant terme à terme les deux matrices de Mn(K) qui interviennent dans
(4.a), on obtient :
det (M) x1 = ∑𝑛𝑗=1(−1)1+𝑗 𝑏𝑗 det (Mn) (1 ≤ i ≤ n)
et les formules de Cramer donnant la solution du système sont :

𝑎1𝑖 … 𝑎1𝑗+1 … 𝑎1,𝑛
− − − − −
| |
𝑎𝑛1 … 𝑎𝑛,𝑗𝑖 𝑏𝑛 𝑎𝑚
x1 = 𝑎 … 𝑎 ; (1 ≤ i ≤ n)
|𝑎 1𝑗 … 𝑎1𝑛 |
𝑛1 𝑚
6.5.4 Exemple
Résoudre le système
3𝑥 + 2𝑦 − 𝑥 = 0
{ 𝑥−𝑦+𝑥 =0
𝑥 + 𝑦 − 2𝑥 = −1
Solution
3 2 −1
n = p = 3 ; M = (1 −1 1 )
1 1 −2
Det (M) = 7 ≠ 0
1 2 −1 3 1 −2 3 2 1
|0 −1 1 | |1 0 1| |1 −1 0 |
1 1 −2 1 −1 2 1 1 −1
x= 3 1 −1 ; y= 3 2 −1 ; z= 3 2 −1
|1 −1 1 | |1 −1 1 | |1 −1 1 |
1 1 −2 1 1 −2 1 1 −2
la solution du système est donc x = 0, y = 1, z = 1
SIR = {(0, 1, 1)}

6.6 SYSTEME GENERAL
Considérons le système plus général suivant :
𝑎𝑗1 𝑥1 + ⋯ + 𝑎1𝑟 𝑥𝑟 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

……………. ……………. ……………
(1) 𝑎𝑟1 𝑥1 + ⋯ + 𝑎𝑛 𝑥𝑟 + ⋯ + 𝑎𝑛𝑟 𝑥𝑛 = 𝑏𝑟
…………….. …………….. …………….
{𝑎𝑝1 𝑥1 + ⋯ + 𝑎𝑝𝑟 𝑥𝑟 + ⋯ + 𝑎𝑝𝑛 𝑥𝑛 += 𝑏𝑝
et essayons de le résoudre
« En général, on commence par déterminer le rang du système
6.6.1 Théorème de Fontené – Rouché
Soit un système de p équations à n inconnues, de rang r.
i) Si r = p, le système a des solutions obtenues en attribuant des valeurs arbitraires

aux n – r inconnues non principales et en résolvant le système de Cramer aux r
inconnues principales.
ii) Si r < p et si l’un des déterminants caractéristiques sont nuls, le système se

réduit aux r équations principales. On le résoud comme au i).
6.6.2 Exemples
i) démontrer que si a, b, c sont des nombres réels.

1 1 1 1
D = |1 1
𝑐𝑜𝑠 𝑐
𝑐𝑜𝑠 𝑐 𝑐𝑜𝑠 𝑏|
𝑐𝑜𝑠 𝑎
1 1
1 𝑐𝑜𝑠 𝑏 𝑐𝑜𝑠 𝑎 1
𝑎 𝑏 𝑐
= - 16 sin2 sin2 sin2
2 2 2
1 0 0 0
D = |1 1 𝑐𝑜𝑠 𝑐 − 1 𝑐𝑜𝑠 𝑏 − 1|
1 𝑐𝑜𝑠 𝑐 − 1 0 𝑐𝑜𝑠 𝑎 − 1
1 𝑐𝑜𝑠 𝑏 − 1 𝑐𝑜𝑠 𝑎 − 1 0
0 𝑐𝑜𝑠 𝑐 − 1 𝑐𝑜𝑠 𝑏 − 1
D = |cos 𝑐 − 1 0 𝑐𝑜𝑠 𝑎 − 1|
cos 𝑏 − 1 cos 𝑎 − 1 0
Utilisons la règle Sarrus

D = 2 (cos a – 1) (cos b – 1) (cos c – 1)

Or on sait que:
𝑝+𝑞 𝑝−𝑞
Cos p – cos q = -2 sin x sin
2 2
q = 0, il vient donc
𝑝 𝑝
Cos p – 1 = -2 sin x sin
2 2
Donc:
𝑎 𝑎
Cos a - 1 = -2 sin sin
2 2
𝑏 𝑏
Cos b - 1 = -2 sin sin
2 2
𝑐 𝑐
Cos c - 1 = -2 sin sin
2 2
D’où :
𝑎 𝑏 𝑐
D = -16 sin2 ( ) . sin2 ( ) . sin2 ( )
2 2 2
2- Résoudre dans le corps IR, et discuter suivant les valeurs des parameters réels
𝑥+𝑦+𝑦 =1
a, b, c, d le système suivant{ 𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 = 1 :
𝑎2 𝑥 2 + 𝑏 2 𝑦 + 𝑐 2 𝑧 = 𝑑 2
Calculons le déterminant du système :

1 1 0 1 0 0
𝑏−𝑎 𝑐−𝑎
D=|𝑎 𝑏 𝑐| =|𝑎 𝑏−𝑎 𝑐−𝑎 | =| 2 |
𝑏 − 𝑎2 𝑐 2 𝑎2
𝑎2 𝑏2 𝑐2 𝑎2 𝑏 2 − 𝑎2 𝑐 2 − 𝑎2
D = (b - a) (c2 - a2) - (c - a) (b2 – a2)
D = (b - a) (c - a) (c – b)
1er cas
(a ≠ b et c ≠ a et c ≠ b). le système de Cramer admet une solution unique.

1 1 1
|𝑑 𝑏 𝑐|
𝑑 2 𝑏2 𝑐 2 ((𝑐−𝑑)(𝑑−𝑏))
x= (𝑏−𝑐)(𝑐−𝑎)(𝑐−𝑏)
= (𝑐−𝑎)(𝑎−𝑑)
1 1 1
|𝑎 𝑑 𝑐|
𝑑 2 𝑎 2 𝑐2 ((𝑑−𝑐)(𝑎−𝑑))
y= (𝑏−𝑎)(𝑐−𝑎)(𝑐−𝑏)
= (𝑏−𝑎)(𝑎−𝑏)

1 1 1
|𝑎 𝑏 𝑐|
𝑎2 𝑏2 𝑑 2 ((𝑏−𝑑)(𝑑−𝑎))
x= (𝑏−𝑎)(𝑐−𝑎)(𝑐−𝑏)
= (𝑏−𝑐)(𝑐−𝑎)
2ème cas : a = b
Le système s’écrit :
𝑥+𝑦+𝑦 = 1 𝑡+𝑧=1
{ 𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 = 1 Posons x + y = t { 𝑎𝑡 + 𝑐𝑧 = 𝑑
𝑎2 𝑥 + 𝑏 2 𝑦 + 𝑐 2 𝑧 = 𝑑 2 𝑎2 𝑡 + 𝑐 2 𝑧 = 𝑑 2
𝑎 𝑐
( ) = ac2 – a2c = ac (c2 - a)
𝑎2 𝑐
(2.1). Si a ≠ c le système est de rang 2 et admet une solution unique ssi son
déterminant caractéristique est nul soit:
1 1 1
|𝑎 𝑏 𝑐 | = (c - a) (d - a) (d – c) = 0
𝑎2 𝑐2 𝑑2
Comme par hypothèse c ≠ a, il y a une solution ssi d = a ou d = c.
Si d = a (2.1.1) le système devient :

𝑡+𝑧 = 1
{ 𝑎𝑡 + 𝑐𝑧 = 𝑎
𝑎2 𝑡 + 𝑐 2 𝑧 = 𝑎2
D’où l’on obtient :
𝑎 𝑎
| | 𝑎𝑐 2 −𝑎2 𝑐
𝑎2 𝑎2
z= =0 , t=
𝑎𝑐 2 −𝑎2 𝑐 𝑎𝑐(𝑐−𝑎)
Si d = c (2.1.2) le système devient :

𝑡+𝑧 = 1
{ 𝑎𝑡 + 𝑐𝑧 = 𝑑
𝑎2 𝑡 + 𝑐 2 𝑧 = 𝑑 2
D’où l’on obtient :
𝑑3 −𝑑3 𝑎𝑑2 −𝑑𝑎2
t= =0 , z=
𝑎𝑑2 −𝑎2 𝑑 𝑎𝑑(𝑑−𝑎)

(2.2). Si a = c, le système devient :
𝑡+𝑧 = 1 𝑡+𝑧=1
{ 𝑎𝑡 + 𝑐𝑧 = 𝑑  { 𝑎(𝑡 + 𝑧) = 𝑑
𝑎2 𝑡 + 𝑐 2 𝑧 = 𝑑 2 𝑎2 (𝑡 + 𝑧) = 𝑑 2
(2.2.1) .Si a = d, le système admet une solution
z=1-t=1-x-y
Si a ≠ d, le système est impossible
Résumé : 2e cas a = b
d ≠ a et d ≠ c Système impossible
c≠ a d=a Système indéterminé (x = 0, x = 1 - y)
d ≠ a et d = c Système indéterminé (z = 1, x = y)
a=b
a≠ d Système impossible
a=d Système indéterminé (z = 1 - x – y)
c≠ a
3e cas : c = a 4e cas : c = b
Se traitent comme précédemment
6.6.3 Système homogène
Un système d’équations linéaires est dit homogène si tous les seconds membres
sont nuls. Ainsi le système (1) est homogène, si
bi = 0 ( 1 ≤ i ≤ p)
Un système homogène admet toujours au moins une solution : (0, 0, …., 0) ∊ Kn

que l’on nomme solution banale.
La résolution d’un système homogène se ramène toujours à celle du système des

équations principales ; en effet, les déterminants caractéristiques sont tous nuls
Soit r le rang du système et n le nombre d’inconnues.
i) Si r = n, le système n’admet que la solution banale

ii) Si r < n, le système admet une famille de solutions en attribuant aux n – r

inconnues non principales des valeurs arbitraires.

CHAPITRE 7
REDUCTION D’ENDOMORPHISME
7.1 VALEURS PROPRES ET VECTEURS PROPRES
7.1.1 Définitions
Soit E un K espace. Pour tout endomorphisme, f ϵ LK (E), nous allons définir les
éléments propres de f.
Définitions 1
On appelle vecteur propre d’un endomorphisme f ϵ LK (E) tout vecteur x non nul
de E tel que f(x) est colinéaire à x.
En d’autres termes, un vecteur x ≠ 0 dans E est un vecteur propre de f s’il existe

un scalaire λ ϵ K tel que :
f(x) = λx
Ce scalaire est unique car λx = λ’x => λ = λ’
Ce scalaire λ se nomme valeur propre correspondant vecteur propre x.
Ce scalaire λ peut-être nul. Puisque x ≠ 0, la droite vectorielle Dx existe si x est

vecteur propre de f et l’on a :
f(Dx) ⊂ Dx
En effet, pour tout y ϵ f(Dx), il existe un scalaire α ϵ K tel que
y = f(αx), d’où y = αf(x) = α(λx) ϵ Dx.
Il est facile de voir que l’on a f(Dx) = Dx si, et seulement si, λ ≠ 0
Définitions 2
On appelle valeur propre d’un endomorphisme f ϵ LK(E) tout scalaire λ ϵ K ayant

la propriété suivante : il existe dans E un vecteur non nul x tel que :
f(x) = λx

Ce vecteur x ≠ 0 se nomme vecteur propre correspondant à la valeur propre λ.
Ce vecteur n’est pas unique, car pour tout scalaire α ≠ 0 de K, le vecteur αx à la

même propriété que x.
7.1.2 Caractérisation des valeurs propres
Soit e la coïncidence sur E, élément neutre de l’algèbre L(E). Si λ est une valeur
propre de f et x un vecteur propre correspondant,
f(x) = λx => (f - λe) (x) = 0
par conséquent, x appartient au noyau de l’endomorphisme
f – λe ϵ L(E)
x ϵ Ker (f - λe)
et comme x ≠ 0, le noyau ne se réduit pas à {0}.
On peut donc affirmer que l’endomorphisme (f – λe) n’est pas injectif, son noyau
est distinct de {0} ; il existe au moins un x ≠ 0 tel que :
(f – λe) (x) = 0 => f(x) = λx
Par conséquent, λ est valeur propre de f et x un vecteur propre correspondant.
Théorème 1
Soit E un K-espace et f ϵ L(E). Alors λ est valeur propre de f si, et seulement si,
l’endomorphisme f – λe n’est pas injectif.
Définition 3
Pour toute valeur propre λ de f, le noyau ker (f – λe) se nomme sous-espace propre
correspondant à λ.
Pour tout x ϵ ker (f – λe), on a f(x) = λx. Par conséquent, la restriction de f à ker
(f – λe) est une homothétie de rapport λ (le rapport peut-être nul).
Si F = ker (f – λe) est le sous-espace propre correspondant à la valeur propre λ, on

a évidemment f(F) ⊂ F.

Définition 4
Soit E un K-espace et f un endomorphisme de E. on dit qu’un sous-espace F de E

est stable par f si f(F) ⊂ F.
Donnons des précisions sur la stabilité de sous-espace propre.
F = ker (f - λe)
i) Si λ ≠ 0, alors x ϵ F => f(x) = λx => x = f(λ-1x) => x ϵ f(F)
et, par conséquent, on a, dans ce cas, l’égalité f(F) = F
ii) Si λ = 0, alors F = ker(f) et f(F) = {0} ⊂ F.
L’inclusion est stricte
Supposons maintenant E de dimension finie. Alors pour que l’endomorphisme (f
– λe) ne soit pas injectif, il faut, et il suffit que :
det(f - λe) = 0
Théorème 2
Soit E un K espace de dimension finie et f ϵ L(E). Pour que le scalaire λ soit valeur
propre de f, il faut, et il suffit que :
det(f - λe) = 0
7.2 POLYNOME CARACTERISTIQUE
7.2.1 Définition
Soit E un K espace de dimension finie et B = {e 1, e2….., en} une base de E.

Considérons un endomorphisme f ϵ L(E), et sa matrice dans la base B.
M = (aij) , (1 ≤ i, j ≤ n),
Si In est la matrice unité d’ordre n, alors la matrice dans la base B de

l’endomorphisme (f – λe) est (M – λIn) et
𝑎11 − 𝜆 𝑎12 𝑎1𝑛
det(M – λIn) = | 𝑎21 𝑎22 − 𝜆 𝑎2𝑛 |
𝑎𝑛1 𝑎2𝑛 𝑎𝑛𝑛 − 𝜆
Ce déterminant est un polynôme P(λ), à coefficients dans K, de degré n (la

variable λ parcourut k d’une manière quelconque).
Définition
P(λ) = det(M - λIn) se nomme polynôme caractéristique de la matrice M ϵ Mn(K)
7.2.2 Invariance du polynôme caractéristique
Soit C une autre base de E et P la matrice de passage de B à C.
(P ϵ GL(n, K))
Alors, l’endomorphisme f est représenté dans C par la matrice M’ donnée par :
M’ = P-1 MP
Or, cette relation entraîne dans l’algèbre M n(K), comme il est facile de la vérifié
M’ - λIn = P-1 (M - λIn)P
Et, par suite,
det(M’ - λIn) = det(P-1) det(M - λIn) det(P)
= det(M - λIn)
Car det(P-1) = [det(P)] -1 par conséquent, le polynôme caractéristique de la matrice

M’ de f dans la base C est identique au polynôme caractéristique de la matrice D
de f dans la base B.
Propriété 1
Le polynôme caractéristique de la matrice d’un endomorphisme f d’un K-espace

de dimension finie est invariant dans un changement de base dans E
Cette propriété justifie la définition suivante :
Définition
On appelle polynôme caractéristique d’un endomorphisme f ϵ LK(E), le polynôme

caractéristique de la matrice de f dans une base quelconque de E.
7.2.3 Calcul des valeurs propres
Pour que λ0 soit une valeur propre de f, il faut, et il suffit que
P(λ0) = det(M - λ0In) = 0
C’est-à-dire que λ0 soit une racine du polynôme caractéristique de f.

La détermination des valeurs propres d’un endomorphisme f d’un K-espace de

dimension n équivaut donc à la recherche des zéros du polynôme caractéristique
p de degré n de K[x].
On sait que, si un polynôme p ϵ K[x] a un zéro pour λ1 , de multiplicité h, il existe

q ϵ K[x] tel que :
P(x) = (x - λ1)h q(x) avec q( λ1) ≠ b0 si λ1, λ2,……, λr sont r zéros de multiplicités
respectives h1, h2, …, hr il existe un polynôme q ∊ K[x] tel que : p(x) = (x - λ1)h1
(x – λ2)h2,….., (x – λr)hr q(x) avec q(λi) ≠ 0 où (1 ≤ i ≤ r), on a alors :
h1 + h2 + …………..+ hr ≤ d0(p)
il se peut que l’on ait h1+h2 ….+ hr = d0(p)
alors q = α ϵ K* est une constante et
P(x) = α(x - λ1)h1(x – λ2)h2……. (x – λn)hr, (h1 + h2 + …………..+ hr= d°(p))
On dit alors que le polynôme P ϵ K[x] est scindé sur K.
Définition
Soit K un corps commutatif. Un polynôme P ϵ K[x] est dit scindé sur K s’il se
décompose en un produit de facteurs du premier degré (distincts ou non) dans
K[x]. Il existe des corps K tels que tout polynôme de K[x] soit scindé sur K.
On dit alors que K est un corps algébriquement clos.
Par exemple, C est un corps algébriquement clos. Mais IR n’en est pas un.
Soit f ϵ LK(E). si λ0 ϵ K est une racine simple du polynôme caractéristique de f, ou

dira que λ0 est valeur propre simple de f si λ0 est racine de multiplicité h du
polynôme caractéristique, de f, on dira que λ0 est valeur propre multiple d’ordre h
de f.
7.2.4 Trace d’une matrice
Soit E un K espace de dimension n, f ϵ LK(E) un endomorphisme de E et M = (aij)

la matrice de f dans une base de E. Le polynôme caractéristique de f est :
P(λ) = det(M – λIK)
Développons le déterminant de M - λIK selon les éléments de la première ligne,

i.e.,

𝑎11 − 𝜆 𝑎12 𝑎1𝑛

det(M – λIK) = | 𝑎21 𝑎22 − 𝜆 𝑎2𝑛 |
𝑎𝑛1 𝑎𝑛2 𝑎𝑛 − 𝜆
les cofacteurs de a12, a13,…., a1n sont des déterminants d’ordre n-1 qui contiennent
chacun n-2 termes du type an – λ de P(λ) proviennent du produit des termes de la
diagonale principale
(a11 - λ) (a22 - λ)… (an - λ), donc P(λ) = (1)nλn + (-1)n-1(a11+ a22 +…+ an) λn-1 + …
Définition
Pour toute matrice M ϵ Mn(K), on appelle trace de M, et l’on note tr(M), la somme
des éléments de sa diagonale principale.
Si M = (aij), on a : tr(M) = a11 + a22 +…+ an
Remarquons maintenant que, si P est le polynôme caractéristique de M, on a P(0)

= det (M) et, par conséquent,
P(λ) = (-1)n λn + (-1)n-1 λn-1 tr(M) + …+ det(M)
Nous savons que le polynôme caractéristique P reste invariant dans un

changement de base. Par conséquent,
Propriété 2
Pour toutes matrices semblables M et M’ de M n(K),
tr(M’) = tr(M)
Définition
On appelle trace d’un endomorphisme f ϵ L(E) la trace de la matrice de f dans une

base quelconque de E, on la note tr(f)
Supposons maintenant que le polynôme caractéristique P de f est scindé sur K.

alors p a n zéros λ1….. λn distincts ou non. On voit immédiatement que la somme
de ces zéros est :
λ1 + λ2 ….. λn = tr(M), et que leur produit est : λ1,λ2 ….. λn = det(M)
Exemple 1 : Calculer les sous-espaces propres de la matrice de M 3(IR) suivante :

4 6 0
M = (−3 −5 0)
−3 −6 −5
1) Calcul des valeurs propres
Le polynôme caractéristique est

4−𝜆 6 0
P(λ) = det(M – λI) = | −3 −5 − 𝜆 0 |
−3 −6 −5 − 𝜆
En développant le déterminant selon les éléments de la dernière colonne, on
trouve :
P(λ) = - (λ - 5) [(λ + 5)(λ - 4) +18] = - (λ + 5)(λ + 2)(λ -1)
Les valeurs propres sont par conséquent λ1 = - 5 ; λ2 = - 2 ; λ3 = 1
Le polynôme P ϵ R(x) est scindé sur IR et a toutes ses racines simples. Le théorème
3 s’applique donc. La matrice diagonale est :
−5 0 0
M=( 0 −2 0)
0 0 1
2) Vecteurs propres
𝑥
Soit un vecteur propre représenté matriciellement par X = (𝑦). Si λ est la valeur
𝑧
propre correspondante, on a : (M – λI)X = 0
(4 − 𝜆)𝑥 + 6𝑦 = 0
Soit { −3𝑥 − (5 + 𝜆)𝑦 = 0
−3𝑥 − 6𝑦 − (5 + 𝜆)𝑧 = 0
a) sous-espace propre correspondant à λ1 = -5
le système (1) s’écrit :

9𝑥 + 6𝑦 = 0
{ −3𝑥 = 0
−3 − 6𝑦 = 0

Les solutions sont x = y = 0 et z arbitraire. Le sous-espace propre est donc la droite

0
vectorielle engendrée par X1 = (0)
1
b) sous-espace propre correspondant à λ2 = -2
Le système (1) s’écrit :

6𝑥 + 6𝑦 = 0
{ −3𝑥 − 3𝑦 = 0
−3𝑥 − 6𝑦 − 3𝑧 = 0
Les solutions sont x = - y = z. le sous-espace propre est donc la droite vectorielle

1
engendrée par x1 = (−1)
1
c) Sous-espace propre correspondant à λ 3 = 1
Le système (1) s’écrit :

3𝑥 + 6𝑦 = 0
{ −3𝑥 − 6𝑦 = 0
−3𝑥 − 6𝑦 + 6𝑧 = 0
Les solutions sont x = - 2 et z = 0. Le sous-espace propre est donc la droite

2
vectorielle engendrée par X1 = (−1)
0
Exemple 2: Calculer les sous-espaces propres de la matrice de M 3(IR) suivante :
3 2 0
M = (−1 0 0)
0 0 1
1) Valeurs propres
Le polynôme caractéristique est :

3−𝜆 2 0
| −1 −𝜆 0 | = - (1 - λ)2 (λ -2)
0 0 1−𝜆
Ce polynôme est scindé sur IR. Il a une valeur propre double 1 et une valeur propre
simple 2.

2) Vecteurs propres
a) Pour la valeur propre 1, il faut résoudre :
2x + 2y = 0
-x - y=0
0z = 0
Les solutions sont (x, -x, z) et dépendent de deux scalaires arbitraires x et z. Le
sous-espace propre est alors de dimension 2 ; on peut prendre pour base de ce
sous-espace.
u1 = (0, 0, 1), u2 = (1, -1, 0)
b) Pour la valeur propre 2 , il faut résoudre
x + 2y = 0
- x - 2y = 0
-z = 0
Les solutions sont (-2y, y, 0). Le sous-espace propre correspondant est de
dimension 1 ; on peut prendre pour base de ce sous-espace.
U3 = (-2, 1, 0).

EXERCICES PROPOSES

FICHE 1
I- MATRICES, DETERMINANTS, APPLICATION LINEAIRE ET

SYSTEMES D’EQUATIONS
1 1 1
I-1- Soit A = (0 1 1) la matrice carrée d’ordre 3.
0 0 1
1.1.1 Calculer A2 et A3. En déduire, par récurrence la matrice An avec n ϵ K*.
1.1.2 Dans R22, on considère le sous-ensemble Mαβ des matrices de la forme

𝛼 −𝛽
( ) avec α, β ϵ R.
𝛽 𝛼
a- Etablir que Mαβ a une structure d’espace vectoriel sur R. en donner une base
b- Etablir que (Mαβ, +, x) est un corps commutatif. Montrer que ce corps est
isomorphe au corps C des nombres complexes. Quel est dans M αβ l’élément qui
correspond à i de C.
1.2 Calculer les déterminants des matrices suivantes :

3 0 −2 0 1 3 4 1 𝑎 𝑎2
A = (5 7 −1 3) ;
6 −2 0 5
B = (5 7 2) C= (1 𝑏 𝑏2 )
3 0 2 1
2 6 8 1 𝑏 𝑐2
1 −1 2
6 6 6 0 1 1 1
E = (1 2 0 0)
1 1 2
D= − −
6 6 3 1 0 2 0
2 2 1
− − 1 0 0 2
( 3 3 3)
1.3- Soit P3 l’espace vectoriel des polynômes à coefficient dans B et de degré ≤ 3

et B = {1, x, x2, x3}, la base canonique de P3. Soit l’application linéaire f =
dérivation.
1.3.1 Quelle est la matrice A de f relativement à B ?
1.3.2. Quel est le noyau de f, l’image de P3 par f ?
1.3.3. Calculer A4, expliquer le résultat.

1.3.4. Soit B = {1, x, x(x-1), x(x-1)(x-2}. Montrer que B1 est une nouvelle base
de P3.
1.3.5 Quelle est la matrice A1 de f relativement à B1 ?
1.3.6 On appelle P la matrice de passage de B à B1, calculer P-1 AP. Conclusion ?

1 1
1.4. Soit la matrice A = ( )
0 1
1.4.1 Calculer A2 et A3. En déduire, par récurrence, An (avec n ϵ N*)
1.4.2 Vérifier la relation A2 - 2A + 1 = 0 (0 est une matrice nulle). En déduire la

matrice inverse de A.
1 1 1
1.5. Soit la matrice A = (0 1 1) Calculer A2 et A3. En déduire par récurrence
0 0 1
la matrice A (avec n ϵ N*)
n
2 −5
1.6 Soit la matrice M = ( )
−1 3
1.6.1 Calculer son déterminant, la comatrice M*, l’inverse de M si elle existe
1.6.2 Résoudre, à l’aide du calcul matriciel, le système

2𝑥 − 5𝑦 = 3
{
−𝑥 + 3𝑦 = 7
2 −5
1.6.3 Quel est le rang de la matrice A = ( ) et le rang de la matrice
−1 3
2 −5 3
B =( )
−1 3 7
1.7 Résoudre le système
𝑥 + 3𝑦 + 𝑧 = 7
{ 2𝑥 + 𝑦 − 𝑧 = 4
−3𝑥 + 2𝑦 + 2𝑧 = 0
1.8 Résoudre le système suivant :

𝑥 − 2𝑦 + 𝑧 = 1
{ 2𝑥 + 3𝑦 − 𝑧 = 2
3𝑥 + 2𝑦 + 2𝑧 = 0

1.9 Résoudre le système ci-dessous :

𝑥 − 𝑦 − 𝑧 = −𝑥
{−𝑥 + 𝑦 − 𝑧 = −𝑦
−𝑥 − 𝑦 + 𝑧 = −𝑧
II- SUITES NUMERIQUES, SUITES RECURRENTES
2.2 Soit la suite définie par la relation de récurrence :
Un+2 = 3U n+1 -2Un = 0, U2 = 2
2.1.1 Calculer Un en fonction de n
2.1.2 La suite (Un) est-elle convergente ?

𝑛
2.3 Démontrer que la suite (Un) de terme général Un = est croissante et
2𝑛+1
majorée. Démontrer en utilisant la définition que lim 𝑉𝑛 = 0
𝑎→∞
2.5 Problème :
On se propose d’étudier l’évolution de l’ananas produit par la Côte d’Ivoire.

L’ananas est un produit supposé périssable et non stockable. On admet qu’une
période de 6 mois sépare deux recettes consécutives et on s’intéresse à des
périodes de 6 mois, la première étant notée 0.
Des enquêtes ont permis d’établir les lois de l’offre et de la demande pour
l’ananas. Les lois sont données par des fonctions notées respectivement f et g. on
a ainsi :
qo = f(p) et qd = g(p)
où qo, qd et p sont respectivement les quantités offertes, demandées et le prix

appliqué sur le marché de l’ananas. Pour leur production, les producteurs adaptent
la stratégie suivante : à la fin de la période n, ils ont vendu qn au prix de pn et à la
fin de la période suivante (n+1) produisent qn+1 estimé au prix pn.
ainsi : qn = g(pn) et qn+1 = f(pn)
on donne : g(p) = - 10 (p-11/30) (1)
f(p) = p – 2/3 (2)

q0 = 10 tonnes (productions initiales)
2.5.1 Exprimer :
a. qn en fonction de pn
b. qn+1 en fonction de qn
c. qn+1 en fonction de pn+1
2.5.2 a) Montrons que qn et pn définissent des suites récurrentes de la forme :
aqn+1 + bqn = c (3)
apn+1 + bpn = c (4)
où a, b, c, a’, b’, c’ sont des coefficients réels à déterminer.
b) Résoudre les équations sans second membre associées aux équations (3) et (4).
aqn+1 + bqn = 0 (5)
apn+1 + bpn = 0 (6)
c) Déterminer des constantes k, k’ telles que les suites qn = k et pn = k’ , ∀n ∊ IN

soient des solutions particulièrement de (3) et (4) respectivement.
2.5.3 a) Déduire de la question 2, les solutions des équations (3) et (4)
b) Exprimer qn et pn en fonction de n.
c) Etudier l’évolution de pn et de qn en de r (n ⟶∞)

FICHE 2
I- OPTIMISATION
1.1- Soit la fonction f(x, y, z) = x2 + y2 - 2xz + 6z2 – 10z. Recherchez si cette

fonction admet un extremum.
1.2. Soit un triangle ABC. Trouver un point M du plan du triangle dont la somme
des carrés des distances aux 3 sommes A, B, C est minimale (c’est le point de
gravité du triangle).
1.3. Rechercher si les fonctions suivantes admettent des extremums libres :
f(x, y, z) = x2 + xz - y + y2 + yz + 3z2
g(x, y, z) = e2x – 2ex + y2 + z2 – 2y + 1
h(x, y, z) = e2x + e-y + exx2 - (2x + 2ex - y)
v(x, y, z) = x4 – 2x2 + y2 + 2yz + z
1.4 Optimiser la fonction d’objectif suivante :
f(x, y, z) = 8x3 + y3 – 12xyz + 10z2 – 6x
1.5. Optimiser f(x, y, z) = x2 + y2 + z2 - x + 2y + 1 sous la contrainte
g(x, y, z) = x + y + z – 2 = 0
1.6. Optimiser f(x, y, z) = x2 + y2 + z2 sous les contraintes
g1(x, y, z) = x + y + z = 0 et g2(x, y, z) = x + 2y + z = 0

2- DERIVATION, SUITES, DEVELOPPEMENTS LIMITES, ETUDE DES

FONCTIONS ET EQUATIONS
𝜑 𝑓
2.1 Soient les applications 𝜑 et f définies par IR2 → IR2 → IR avec x = u + v et
y=u–v.
𝜕g 𝜕g
On considère g = f o 𝜑. Exprimer , .
𝜕𝑢 𝜕𝑣
2.2. La fonction g définie par les relations suivantes :
g(x) = e2x pour x ≤ 0

{
g(x) = e−2 pour x ≥ 0
2.2.1 tracer la courbe de g(x)
2.2.2 donner la définition de la dérivée de g(x) et calculer la valeur de cette dérivée

à droite et à gauche en x = 0.
2.2.3 Déterminer l’équation de la tangente à la courbe en x = 0.
2.3 Etude des fonctions suivantes :

𝐿𝑜𝑔(1−𝑥)2
a) y = . Tracer le graphe
𝑥
√𝑥 2 −1
b) f(x) =
𝑥+2
c) g(x) = x2
𝑥+1
d) h(x) =
𝑥−1
e) w = (hog)(x)
2.4. Quel est le développement en série des fonctions suivantes:
a) sin ax
b) wx, w ϵ IR* et w ≠ 1
1
c)
1+𝑥+𝑥 2

𝐴𝑥+𝐵 𝛼 𝛽
2.5. Montrer que toute fraction (𝑥−𝑎)(𝑥−𝑏) peut s’écrire sous la forme +
𝑥−𝑎 𝑥−𝑏
en déduire la décomposition des fractions suivantes sous forme de somme de deux
fractions simples :
1
a)
𝑥 2 −3𝑥+2
4𝑥−1
b)
𝑥 2 +3𝑥−4
2.6 L’analyse de phénomène de répartition s’effectue souvent en termes de conflit

entre classes partielles. On oppose ainsi les capitalistes et les prolétaires ou
comme l’ont montré certains évènements de notre époque, les cadres et les
paysans ou d’une manière générale des catégories aux intérêts antagonistes. Dans
ce problème, on se propose d’étudier la situation la plus simple à savoir la
répartition du grain réalisé par deux partenaires sociaux appelés C et F. Cette étude
est affectée dans une première partie en présence de toute intervention de l’Etat
puis dans une seconde partie dans l’hypothèse où une politique de redistribution
de l’un des deux partenaires sociaux vers l’autre est décidée par le gouvernement
à la suite d’un évènement exogène frappant inégalement les deux catégories.
Soit E l’ensemble constitué par les 2 partenaires sociaux : E = {C,P}. Une

coalition est donc un élément de P(E), l’ensemble des parties de E. les gains de
chacun des coalitions possibles est décrit par l’application :
f : P(E) ––> R.
telle que : f(Ø) = 0 ; f({C}) = 2 ; f({P}) = 1 et f(E) = 6. B étant une coalition

f(B) désigne le gain de la coalition B. Les coalitions se forment à l’issue de
négociation qui définissent également les modalités de répartition du gain d’une
coalition donnée entre les membres de la coalition. Si x et y représentent les
sommes respectivement attribuées à C et à P, à l’issue de la négociation, on
appelle allocation tout élément de (x,y) ϵ R x R tel que :
i) x ≥ f ({C})
ii) y ≥ f ({P})
iii) x + y ≤ f ({C, P})
On note A l’ensemble de toutes les allocations.
2.6.1 Donner la signification des conditions i), ii), iii).

2.6.2 Représenter graphiquement l’ensemble A dans le plan rapporté à un système

d’axes orthonormés.
2.6.3 Une allocation (x, y) ayant été choisie par les deux partenaires sociaux, un
évènement imprévisible S (une catastrophe naturelle par exemple) parvient créant
un préjudice important à la catégorie sociale P. L’Etat intervient et décide
d’indemniser l’agent économique P et de créer un fonds spécial pour remédier aux
dégâts causés aux biens communs par la réalisation des évènements S. Pour
financer ces dépenses l’Etat effectue un prélèvement exceptionnel qui provoque
une redistribution de l’allocation (x,y) entre C et P et l’Etat. Cette redistribution
vérifie les règles suivantes :
R1 : C perçoit 20% de son gain. Sur les 80% restant, C paie en impôt proportionnel
à sa part de gain dans l’allocation (x,y). Soit n, la somme reçue C.
R2 : P, après avoir payé à l’Etat un impôt égal à 10% de son gain reçoit une
indemnisation qui est égale à une part de l’impôt acquitté par C, proportionnelle
à sa propre part de gain dans l’allocation (x,y). Soit v la somme reçue par P.
R3 : l’Etat conserve pour le fond spécial la somme w non répartie entre les deux
joueurs. Les règles de distribution peuvent donc être décrites par la fonction g
suivante :
g : R2 ––> R3 pour tout (x,y) ϵ R2 on fait correspondre une image g(x,y) = (u, v,
w) où u, v et w sont décrites en R1, R2 et R3.
2.6.4 Déterminer u, v, w en fonction de x et de y.
2.6.5. Montrer que g est dérivable en 1 point de Ω = R2 – {0, 0}. Ecrire la matrice
de l’application dérivée de g en un point (x0, y0) de A.
2.7 Résoudre dans R l’équation : |𝑥 2 + 1| = |2𝑥 2 + 3𝑥 + 1|

1
2.8 Résoudre dans R l’inéquation : ≤ √𝑥 2 + 2√3𝑥 + 3
𝑥−1

FICHE 3
I- INTEGRALES
1.1 Calculer les intégrales suivantes :

𝜋
7 𝑑𝑥 𝑠𝑖𝑛3 𝑥𝑑𝑥 3𝑥+1 𝑑𝑥
I1 = ∫4 (𝑥−4)2 +9 ; I2 = ∫0 1 ; I3 = ∫ 𝑑𝑥 ; I4 = ∫ ;
1+𝑐𝑜𝑠𝑥 3𝑥−1 𝑥𝐿𝑜𝑔𝑥
𝑑𝑥 𝑑𝑥 √2 𝑑𝑥
I5 = ∫ ; I6 = ∫ ; I7 = ∫0 ;
𝑥 2 +2𝑥+5 sin 𝑥 √4−𝑥2
𝑑𝑥
I8 = ∫
𝑥 2 +4𝑥+3
1.2 Calculer les intégrales suivantes :
I9 = ∫(3𝑥 2 + 1)𝑐𝑜𝑠2 𝑥𝑑𝑥 ; I10 = ∫(7𝑥 − 3)𝑑𝑥 ; I11 = ∫ 𝐿𝑜𝑔𝑥𝑑𝑥 ;

𝑑𝑥 4𝑥+5
I12 = ∫ 𝑥 11 𝐿𝑜𝑔𝑥𝑑𝑥 ; I13 = ∫ ; I14 = ∫ 𝑑𝑥 ;
𝑥 2 −𝑥+2 2𝑥 2 +5𝑥+3
6𝑥 2 +8𝑥+2 5𝑥+2 5𝑥+2

I15 = ∫ 𝑑𝑥 ; I16 = ∫ 𝑑𝑥 ; I17 = ∫ 𝑑𝑥 ;
2𝑥 3 + 4𝑥 2 +2𝑥+6 𝑥 2 −4𝑥+3 𝑥 2 −4𝑥+5
1.3 Calculer :
+∞ 𝑑𝑥 +∞ −1𝑥 +∞ 𝑑𝑥
I18 = ∫1 ; I19 = ∫0 𝑒 𝑑𝑥 ; aϵR; I20 = ∫0
𝑥𝑝 𝑒𝑥
II- APPLICATIONS ECONOMIQUES

𝜕𝐶(𝑄)
2.1 Le coût marginal d’une firme ivoirienne est de la forme = 2e0,2Q.
𝜕𝑄
Déterminer l’expression du coût total CT(Q) de cette firme quand CT(0) = 90
pour Q = 0.
2.2 Si la propension marginale à épargner est la fonction suivante dépendant du

𝜕𝑆(𝑌)
revenu = 0,3 - 0,1 Y-0,5 et si l’épargne globale est nulle quand le revenu est
𝜕𝑌
égal à 81, trouver l’expression de la fonction de l’épargne globale.

𝑑𝐾
2.3 Le stock de capital est une fonction dépendant du temps K(t) et est égal à
𝑑𝑡
𝑑𝐾
l’investissement dépendant du temps. Autrement dit : ∀𝑡, = I(t) et K(t) =
𝑑𝑡
∫ 𝐼 (𝑡)𝑑𝑡
Déterminer l’expression K(t) si I(t) = 3t 0,5 et K(t) = K(0) pour t = 0.
2.4 La fonction d’offre d’un producteur est donnée par S(p) = 3p 1/2-1. En
supposant que l’on est en concurrence pure et parfaite et que le prix du marché est
p = 9, déterminer par le calcul le profit de l’entrepreneur.
2.5 Un consommateur est prêt à payer 10 pour avoir un kilogramme d’un bien, 8
pour avoir un deuxième kilogramme, 6 pour un troisième, 4 pour un quatrième, 2
pour un cinquième. Si le prix du bien est de 4, quelle sera sa demande du bien ?
Déterminer le surplus de ce consommateur.

CORRECTION : FICHE 1
1 1 1 1 1 1 1 2 3
2
1.1.1 A = A x A = (0 1 1) x (0 1 1) = (0 1 2)
0 0 1 0 1 1 0 0 1
1 3 6
A2 = (0 1 3)
0 0 1
Supposons la relation vraie pour (n-1) :
(𝑛−1)𝑛
1 𝑛−1
n-1 2
A = (0 1 𝑛 − 1)
0 0 1
Vérifions cette relation à l’ordre n :
(𝑛−1)𝑛 𝑛(𝑛+1)
1 𝑛−1 1 1 1 1 𝑛
2 2
An = An-1 A =(0 1 𝑛 − 1 ) x (0 1 1) = (0 1 𝑛 )
0 0 1 0 0 1 0 0 1
1.1.2 – a) Etablir que Mαβ a une structure d’espace vectoriel sur R. en donner une
base
Nous remarquons que (R22, +, x) est un espace vectoriel de R et M αβ ⊂ R22

0 0
i) M( ) ϵ Mαβ et Mαβ = Ø
0 0
ii) Stabilité de + dans Mαβ
∀ M1, M2 ϵ Mαβ, M1 + M2 ϵ Mαβ

𝛼1 −𝛽1 𝛼 −𝛽2 𝑎 + 𝛼2 −𝛽2
( )+( 2 )=( 1 ) ϵ Mαβ
𝛽1 𝛼1 𝛽2 𝛼2 𝛽1 + 𝛽2 𝛼1 + 𝛼2
𝜆𝛼 −𝜆𝛽
iii) Stabilité de x ; ∀λ ϵ R, λ Mαβ = ( ) ϵ Mαβ
𝜆𝛽 𝜆𝛼
{Mαβ, +, x} est un sous-espace vectoriel

𝛼 −𝛽 1 0 0 −1
∀Mαβ ( ) = α( )+𝛽( )
𝛽 𝛼 0 1 1 0

1 0 0 −1
Les matrices I = ( ) et 𝑖 = ( ) forment une base de {Mαβ, +, x}
0 1 1 0
(det(I) ≠ 0 ; det(i) ≠ 0)
b)- *(Mαβ, +, x) est un anneau de (R22, +, x). C’est un anneau unitaire (I ϵ Mαβ)
−𝑏 𝑎
Toute matrice de (Mαβ) est inversible ; soit ( ) cette matrice inversible. Elle
𝑎 𝑏
𝛼 −𝛽 𝑎 −𝑏 1 0 𝛼𝑎 − 𝛽𝑏 = 1
est définie telle que : ( )( )=( ) => {
𝛽 𝛼 𝑏 𝑎 0 1 𝛽𝑎 + 𝑎𝑏 = 0
𝛼 1
𝛼 −𝛽 𝐷𝑎 |1 −𝛽| 𝛼 𝐷𝑏 | |
0 𝛼 𝛽 0
D =| | = α2 + β2 ≠ 0 ; a= = = ; b= = =
𝛽 𝛼 𝐷 𝛼2 +𝛽2 𝛼2 +𝛽2 𝐷 𝛼2 +𝛽2
−𝛽
𝛼2 +𝛽2
a et b existent si α2 + 𝛽 2 ≠ 0 (α ≠ 0 et 𝛽 ≠ 0).
(Mαβ, +, x) a une structure de corps commutatif (la commutativité se vérifie

facilement).
(Mαβ, +, x) est isomorphe à (C, +, x) ;

1 0 0 −1
α( ) +𝛽( )  αl + iβ = αl + iβ = α + iβ
0 1 1 0
0 −1
( ) est le correspondant de i dans cette bijection.
1 0
1.2. Calcul des déterminants
3 0 −2 0 3 0 −2 0
3 0 −2
Det(A) = |5 7 −1 3| = |−4 7 −7 3| = |
−4 7 −7 |
6 −2 0 5 −9 −2 −10 5
−9 −2 −10
3 0 2 1 0 0 0 1
3 0 0
= |−4 7 −29|
−9 −2 −48
7 29
Det(A) = |𝐴| = 3| | = 3(-7 x 8 + 2 x 29) = - 834
−2 −48
1 3 4 1 3 4
Det(B) = |5 7 2| = |0 −8 −18| = 0
2 6 6 0 0 0

1 𝑎 𝑎2
Det(C) = |𝐶| = |1 𝑏 𝑏2 | = ab (b - a)
1 𝑏 𝑐2
1 −1 2
6 6 6
| −1 1 −2|
Det(D) = |𝐷| = | =0
6 6 3|
2 −2 −1
3 3 3
0 1 1 1
Det(E) = |𝐸| = |1 2 0 0| = - 12
1 0 2 0
1 0 0 2
1.3- (1, x, x2, x3) = B, f = derivation; f : P3(x) ––> P3(x)
1.3.1- Matrice A de f relativement à B
f(1) = 0 ; f(x) = 1 ; f(x2) = 2x ; f(x3) = 3x2.

0 1 0 0
A = |0 0 2 0|
0 0 0 3
0 0 0 0
1.3.2- Noyau de f = Ker(f) = {𝑃𝜖 𝑃3 /𝑓(𝑝) = 0}. Le noyau de f est R (Il s’agit de
la dérivation d’une constante = P0).
Image de P : f(P3) = P2 => dimP2 + dimP0 = dimP3
Dim (Imf + dim ker f) = dimP3
1.3.3 Calcul de A4
0 0 0 0
A4 = fofofof = (0 0 0 0) cette application est identiquement nulle
0 0 0 0
0 0 0 0
1.3.4
B1 = {1, x,x(x-1),x(x-1)(x-2)} Montrons que B1 est une nouvelle base de P3.
∀ λ1, λ2, λ3, λ4 ϵ R, λ1.1 + λ2x + λ3x(x-1)+ λ4x(x-1)(x-2) = 0
 λ1 = λ2 = λ3 = λ4 = 0

donc λ1 + (λ2 - λ3 + 2λ4)x + (λ3 - 3λ4)x2 + λ4x3 = 0
 λ1 = λ2 = λ3 = λ4 = 0 => B1 est une nouvelle base
1.3.5 Matrice A1 de f, relativement à B1
f(1) = 0.1 + 0x + 0x(x-1) + 0x(x-1)(x-2)
f(x) = 1.1 + 0x + 0x(x-1) + 0x(x-1)(x-2)
f(x2-x) = -1 + 2x = -11 + 2x + 0x(x-1) + 0x(x-1)(x-2)
f[x(x-1)(x-2)] = f(2-6x + 3x2) = 2.1 - 3x(x-1) + 3x(x-1) + 0 x(x-1)(x-2)

0 1 −1 2
 A1 = (0 0 2 −3)
0 0 0 3
0 0 0 0
1.3.6 Soit P, la matrice de passage de la base B à la base B1
1 0 0 0 1 0 0 0
P = (0 1 −1 2 ) P-1 = (0 1 1 1)
0 0 1 −3 0 0 1 3
0 0 0 1 0 0 0 1
Calcul de P-1 AP :
1 0 0 0 0 1 0 0 1 0 0 0
P-1 AP = (0 1 1 1) (0 0 2 0 ) (0 1 −1 2 )
0 0 1 3 0 0 0 3 0 0 1 −3
0 0 0 1 0 0 0 0 0 0 0 1
0 1 −1 2
=(0 0 2 −3) = A
1
0 0 0 3
0 0 0 0
A et A1 représentent la même application f (dérivation) dans les bases B et B 1.
1 1
1.4 A=( )
0 1
1 2 1 3
1.4.1 A2 = ( ); A3 = ( )
0 1 0 1
1 𝑛−1
Supposons la relation vraie à l’ordre n-1 : An-1 = ( )
0 1

1 𝑛−1 1 1 1 𝑛
Vérifions à l’ordre n : An = An-1 A = ( ) ( )( )
0 1 0 1 0 1
1.4.2- Vérifier la relation A2 – 2A + I = 0, 0 = matrice nulle
1 2 1 1 1 0 0 0
( ) -2( )+( )=( )
0 1 0 1 0 1 0 0
1 −1
A2 – 2A = - I  A(2I – A) = I => A-1 = 2I – A = ( )
0 1
1.5- déjà corrigé
1.6. Résoudre le système

𝑥 + 3𝑦 + 𝑧 = 7
{ 2𝑥 + 𝑦 − 𝑧 = 4
−3𝑥 + 2𝑦 + 𝑧 = 1
SR = {(1, 2, -10/13)}
2- Suites Numériques, suites récurrentes

1!+2!+⋯+𝑛!
2.1 Un = (𝑛+1)!
2
Montrons que Un ≤
𝑛+2
1!+2!+⋯+𝑛! 1
Un ≤ (𝑛+1)!
+ (𝑛+1)!
1 1! 2! 𝑛! 1
Un ≤ [( + + ⋯+ ) + ]
𝑛+1 𝑛! 𝑛! 𝑛! 𝑛!
1 1 2! (𝑛−1)! 1 𝑛!
Un ≤ [( + + ⋯+ + )+ ]
𝑛+1 𝑛! 𝑛! 𝑛! 𝑛! 𝑛!
Chaque terme de la parenthèse étant inférieur à 1/n, on obtient :

1 1 2
Un ≤ [(𝑛 x ) + 1] =
𝑛+1 n 𝑛+1
2
lim 𝑈𝑛 = lim ( )=0
𝑛→∞ 𝑛→∞ 𝑛+1

2.2. Suite récurrente
2.2.1- Un+2 – 3Un+1 + 2Un = 0, avec U1 = 0, U2 = 2
Il s’agit d’une équation récurrente d’ordre 2 sans second membre. L’équation

caractéristique r2 – 3r + 2 = 0 donne les racines suivantes : r1 = 1 et r2 = 2. La
solution générale est :
∀λ1, λ2 ϵ R, Un = λ1 + λ22n
𝑈1 = 𝜆1 + 2𝜆2 = 0
{
𝑈2 = 𝜆2 + 4𝜆2 = 2
La résolution de ce système donne λ1 = -2 et λ2 = 1  Un = 2n - 2
2.2.1 La suite Un diverge car elle tend vers l’infini lorsque n tend vers l’infini
( lim 𝑈𝑛 = lim (2𝑛 − 2) = ∞).
𝑛→∞ 𝑛→∞
2.5 Problème
11
2.5.1- a) qn = g(Pn) = - 10pn +
3
2
b) qn+1 = f(Pn) = pn -
3
1 3
En combinant a) et b) on a : qn+1 = - 𝑞𝑛 −  10qn+1 + qn = -3
10 10
11
c) qn = g(Pn) => qn+1 = g(pn+1) => - 10pn+1 +
3
2.5.2- Les qn et pn définissent les suites récurrentes d’ordre 1 avec second

membre :
10𝑞𝑛 + 𝑞𝑛 = −3 ⇒ 𝑎 = 10, 𝑏 = 1, 𝑐 = −3
(1) { 13 13
10𝑝𝑛+1 + 𝑝𝑛 = ⇒ 𝑎′ = 10, 𝑏′ = 1, 𝑐 ′ =
3 3
b) Résolution du système (1) sans second membre :

1 1 𝑛
10𝑞𝑛+1 + 𝑞𝑛 = 0 ⇒ 𝑞𝑛+1 = − 𝑞𝑛 ⇒ 𝑞𝑛 = (− ) 𝑞0 , 𝑠𝑢𝑖𝑡𝑒 𝑔é𝑜𝑚é𝑡𝑟𝑖𝑞𝑢𝑒 (𝑞0 = 10)
10 10
1 1 𝑛 19
{10𝑝𝑛+1 + 𝑝𝑛 = 0 ⇒ 𝑝𝑛+1 = − 𝑝𝑛 ⇒ 𝑝𝑛 = (− ) 𝑝0 , 𝑠𝑢𝑖𝑡𝑒 𝑔é𝑜𝑚é𝑡𝑟𝑖𝑞𝑢𝑒 (𝑝0 = )
10 10 30
b) Détermination des constantes k et k’ telles que les suites q n = k et pn = k’

−3
10𝑞𝑛+1 + 𝑞𝑛 = −3 = 11𝑘 ⇒ 𝑘
11
Le système (1) permet d’obtenir { 13 13
′ ′
10𝑝𝑛+1 + 𝑝𝑛 = = 11𝑘 ⇒ 𝑘 =
3 33
2.5.3 a) et b) la solution générale du système (1) :
1 ′′ 3
𝑞𝑛 = (− ) 10 − , ∀ 𝑛 𝜖 𝑁
10 11
′′
1 19 13
𝑝
{ 𝑛 = (− ) ( ) + , ∀ 𝑛𝜖𝑁
10 30 33
c) – Evolution de qn et de pn lorsque n tend vers l’infini :
3 |−1|
lim 𝑞𝑛 = − , 𝑐𝑎𝑟 <1
𝑛→∞ 11 |10|
13 |1|
lim 𝑝𝑛 = − , 𝑐𝑎𝑟 <1
{ 𝑛→∞ 33 |10|

1- Optimisation
1.1 f(𝑥, 𝑦, 𝑧) = 𝑥 2 + 𝑦 2 − 2𝑥𝑧 + 6𝑥 2 − 10𝑥 Il y a un seul point extremum
M(x = 1, y = 0, z = 1) en résolvant l’équation grad f = 0
1.2 Soit M (x, y) le centre de gravité du triangle ABC. Soient A(a 1, a2), B(b1, b2),
C(c1, c2).
Déterminons les coordonnées de M pour que la somme des carrées des distances
aux trois sommets A, B, C soit minimale. Soit f(x, y) cette somme.
f(x, y) = AM2 + BM2 + CM2
f(x, y) = (x - a1)2 + (y - a2)2 + (x - b1)2 + (y – b1)2 + (x – c1)2 + (y – c2)2

𝜕𝑓 𝑎 +𝑏 +𝑐
𝜕𝑐
𝑥= 1 2 2
= 6𝑥 − 2(𝑎1 + 𝑏1 + 𝑐1 ) = 0
3
CN : {𝜕𝑓 ⇒{ 𝑎2 +𝑏2 +𝑐2
= 6𝑦 − 2(𝑎2 + 𝑏2 + 𝑐2) = 0 𝑦=
𝜕𝑦 3
1.3- f(x, y, z) = x2 + xz – y + y2 + yz +3z2 ⇒ un seul point extremum A (-1/24 ;

11/24 ; 1/12)
g(x, y, z) = e2x - 2ex + y2 +z2 - 2y + 1 ⇒ un seul point extremum B (0, 0, 0).
h(x, y, z) = e2x + e-y + ex2 – (2x + 2ex – y) ⇒ deux points extremums A (0, 0, 0) et
B(0, 0, 1).
v(x, y, z) = x4 + -2x2 + y2 + 2yz + z ⇒ un seul point extremum A (0, -1/2, 1/2)
1.4, 1.5 et 1.6 : exercice déjà corrigés au cours
2- Dérivation, suites, développements limités, étude des fonctions et équations

𝑒 𝑓
2.1 R2 → R2 → R
(u, v) → 𝜑 (𝑢, 𝑣 ) = (𝑥, 𝑦) → 𝑓(𝑥, 𝑦) = 𝑔(𝑢, 𝑣)
g = fo𝜑, 𝑥 = 𝑢 + 𝑣, y=u–v
Jg = Jf.Jp

𝜕𝑐 𝜕𝑐
𝜕𝑡 𝜕𝑣 1 1
Jp = (𝜕𝑦 𝜕𝑦
) =( )
1 −1
𝜕𝑢 𝜕𝑣
1 1 g 𝑢 = 𝑓𝑥 + 𝑓𝑦
(gu, gv) = (fu, fy)( ) ⇒{
1 −1 g 𝑣 = 𝑓𝑥 − 𝑓𝑦
g(𝑥 ) = 𝑒 2𝑥 𝑝𝑜𝑢𝑟 𝑥 ≤ 0
2.2 {
g(𝑥 ) = 𝑒 −𝑥 𝑝𝑜𝑢𝑟 𝑥 ≥ 0
2.2.1 Graphique de g(x)
2𝑒 2𝑥 ≥ 0, 𝑝𝑜𝑢𝑟 𝑥 ≤ 0
La fonction g(x) est définie, g’(x) = {
−𝑒 −𝑥 ≤ 0, 𝑝𝑜𝑢𝑟 𝑥 ≥ 0
La fonction g(x) est croissante dans ] -∞, 0] car g(x)’ ≥ 0 ; elle est décroissante
dans l’intervalle [0, +∞[ car g(x)’ ≤ 0.
x -2 -1 0 1 2
g(x) 0,018 0,135 1 0,367 0,135
Tableau de variation
-∞ +∞
g(x)’ + -
1
g(x) 0 0
2.2.2- Définition de la dérivée de g(x)

g(𝑥2 )−g(𝑥2 )
g(x) = lim
𝑥1 →𝑥2 𝑥2 −𝑥1
La dérivée à droite au point x = 0. Posons h = x2 – x1 avec x2= x et x1= 0 ⇒ h= x

g(ℎ)−g(0) 𝑒 −ℎ −1
La dérivée à droite notée gd(0) = lim = lim
ℎ→0 ℎ ℎ→0 ℎ
ℎ>0 ℎ>0
ℎ2 ℎ3
g(h) = e-h = i – h + − ..., g(o) = e0 = 1 et
2! 3!

𝑒 −ℎ −1 ℎ ℎ2
gd(o) = lim = lim (−1 + − + ⋯ ) = −1
ℎ→0 ℎ ℎ→0 2 6
ℎ>0
La dérivé à gauche au point x = 0 est :

ℎ2 8ℎ3
𝑔(ℎ)−𝑔(0) 22ℎ 2ℎ+4 +
2 6
Gg(o) = lim = lim = =2
ℎ→0 ℎ ℎ→0 ℎ ℎ
ℎ<0
2.2.3- Equation de la tangente à la courbe au point d’abscisse x = 0
a) Dans ]-∞,0], soit A(0,1) et M(x,y), A est le point de tangente à la courbe g(x)
= e2x et M le point courant de la droite tangente en ce point à cette courbe.
L’équation de cette tangente est définie telle que :
𝑦−1
= gx(0) = 2 ⇒ y = 2x + 1
𝑥−0
b) Dans l’intervalle [0,+∞[, considérons A(0,1) le point de tangence et M(x, y) un

point courant de la droite tangente à la courbe g(x) = e-x. l’équation de cette droite
𝑦−1
est définie telle que = gd(x) = -1 ⇒ y = -x + 1.
𝑥−0
2.3. Etude des fonctions

ln(1−𝑥)2
a- y =
𝑥
i) Domaine de définition : Df = R – {0}
ii) Asymptotes ou branches paraboliques :
Lorsque x tend vers plus infini, y tend vers zéro ⇒ l’axe des x est une asymptote
horizontale (y = 0). x = 0 est une asymptote verticale
iii) Points de rencontre avec les axes
* Avec Ox : y = 0 ⇒ (1 - x)2 ⇒ x = 2 ⇒ E(2.0)

0
* Avec Oy : x = 0, y se présente sous la forme indéterminée et le rapport des
0
2
dérivées − → −2 lorsque x tend vers zéro ⇒ B(0, -2), x = 1 est une asymptote
1−𝑥
verticale
2 −𝑥
iv) Dérivée y = [ + ln(1 − 𝑥] et y = 0 pour x = 4,61 et y = 0,55. Le point C
𝑥2 1−𝑥
(4, 61, 0, 55) est un point maximum. Cette dérivée est négative quand x varie de

-∞ à 0, la courbe part de (-∞,0) tangentiellement à l’asymptote y = 0 pour aboutir

au point B(0, -2). Quand x varie de 0 à 1, y est négatif et la courbe part du point
B sur Oy pour arriver en (1, -∞) tangentiellement à l’asymptote x = 1. Quand x
varie de 1 à 2, y est négatif et la courbe part de (1, -∞) pour aboutir au point E(2,0)
sur Ox. Quand x varie de 2 à +∞, y’ > 0 et y est positif et la courbe admet un
maximum au point C (4, 61, 0, 55) et tend asymptotiquement vers l’axe des x.
v) Point courants et tangentes
Pour x = 2, y’ = 1 ; la tangente en E(2, 0) est parallèle à la première bissectrice.

𝑦+2 −2
La tangente en B(0, -2) est définie telle que = lim ( ) = −2 ⇒ 𝑦 =
𝑥−0 𝑥→0 1−𝑥
−2𝑥 − 2.
vi) Courbe
2.4 Développement limité

1 4 1 4 1
= 2 = avec X = x + ½
1+𝑥+𝑥 2 3 (𝑥+1) +1 3 𝑋 2 +1
2
Quand X tend vers zéro, x tend vers -1/2

1 4
2
= [1 − 𝑋2 + 𝑋4 + ⋯ (−1)𝑋2𝑛 + 𝑋2𝑛 𝜀(𝑋)]
1+𝑥+𝑥 3
1 4 1 2 1 4 1 2𝑛
2
= [1 − (𝑥 + ) + (𝑥 + ) + ⋯ + (−1)𝑛 (𝑥 + ) +⋯;]
1+𝑥+𝑥 3 2 2 2
1 1 𝑎 𝑏
2.5- a) = (𝑥−1)(𝑥−2) = +
𝑥 2 −3𝑥+2 𝑥−1 𝑥−2

1 1
Déterminons a et b : a = lim = −1 et b = lim =1
𝑥→1 𝑥−2 𝑥→2 𝑥−1
4𝑥−1 4 3 4 3 3
b) = + (𝑥−1)(𝑥+4) = + −
𝑥 2 +3𝑥−4 𝑥+4 𝑥+4 5(𝑥−1) 5(𝑥+4)
2.6
f : P(E) → R, avec f(𝜑) = 0, f({C, P}) = 2, f({P}) = 1, f(E) = 6 E = {C, P}
B étant une coalition, f(B) est le gain de la coalition B. x désigne la somme

attribuée à C et y la somme attribuée à P.
2.6.1 La signification des conditions i, ii, iii.
Les conditions i et ii expriment la rationalité individuelle (i : x ≥ 2 ; ii : y ≥ 1. La

condition iii indique la contrainte liée à la combinaison de x et de y. cette condition
est la rationalité collective des partenaires sociaux "le gain de la coalition ne peut
être inférieur à la somme des gains de chacun des membres de la coalition".
2.6.1 Représentation graphique A = ensemble de toutes les coalitions.
A = {(x,y) ϵ R2/ x ≥ 2, y ≥ 1, x + y ≤ 6}
2.6.3- Détermination de u, v et de ww en fonction de x et de y

𝑥
Le capitaliste C perçoit 20% de son gain x et paie un impôt de 0,8𝑥 sur 80%
𝑥+𝑦
de x(x/(x + y) = part de gain de x dans l’allocation x + y. La somme perçue par C
est :
𝑥 𝑥
𝑢 = 0,2𝑥 + 0,8𝑥 − 0,8𝑥 = 𝑥 [1 − 0,8 ]
𝑥+𝑦 𝑥+𝑦
De même, on a :

𝑥 𝑦 0,8𝑥 2
𝑣 = 0,9𝑦 + 0,8𝑥 x = 𝑦 [0,9 + ] avec 0,9y le gain de P restant après
𝑥+𝑦 𝑥+𝑦 (𝑥+𝑦)2
𝑥2 𝑦
paiement de l’impôt et 0,8 x = le montant de l’indemnisation (P) qu’il
1+𝑥 𝑥+𝑦
perçoit.
𝑥2 𝑥2𝑦 0,8𝑥 2
𝑤 = 𝑥 + 𝑦 − (𝑢 + 𝑣 ) = 𝑥 + 𝑦 − 𝑥 + 0,8 − 0,9𝑦 − 0,8 2
= 0,1 𝑦 +
𝑥+𝑦 (𝑥+𝑦) (𝑥+𝑦)2
2.6.4. Montrons que g est dérivable en tout point de Ω = R 2 - {0, 0}.
∀(x, y) ϵ Ω = R2 - {0, 0}, A ⊂ Ω avec A = {(x,y) ϵ R2/x ≥ 2, y ≥ 1 et x + y ≤ 6}
or g : R2 → R2 et g(x,y) = (u,v,w).
Les applications dérivées partielles de g sont données par :

𝜕𝑟(𝑥0 ,𝑦0 ) 𝑥0 (𝑥0 +2𝑦0 )
= 1 − 0,8
𝜕𝑥 (𝑥0 +𝑦0 )2
𝜕𝑢(𝑥0 ,𝑦0 ) 𝑥02

= 0,8
𝜕𝑦 (𝑥0 +𝑦0 )2
𝜕𝑣(𝑥0 ,𝑦0 ) 𝑥0 𝑦02

= 1,6
𝜕𝑥 (𝑥0 +𝑦0 )2
𝜕𝑣(𝑥0 ,𝑦0 ) (𝑥0 −𝑦0 )

= 0,9 + 0,8𝑥02
𝜕𝑦 (𝑥0 +𝑦0 )2
𝜕𝑤(𝑥0 ,𝑦0 ) (𝑥0 +3𝑦0 )

= 0,8𝑥02
𝜕𝑥 (𝑥0 +𝑦0 )2
𝜕𝑤(𝑥0 ,𝑦0 ) 1
= 0,1 − 1,6𝑥02
𝜕𝑦 (𝑥0 +𝑦0 )2
Ces applications étant définies, continues sur Ω, alors g possède une application
dérivée g’(x0, y0) en tout point (x0, y0) ϵ Ω. C’est une application linéaire de R2
dont la matrice est :
𝑢𝑥′ (. ) 𝑢𝑦′ (. )
M(g’(x0, y0)) = ( 𝑣𝑥′ (. ) 𝑣𝑦′ (. ) )
𝑤𝑥′ (. ) 𝑤𝑦′ (. )
1- Intégrales
1 𝑑𝑥
1.1 – I1 = ∫4
(𝑥−4)2 +9

Posons x – 4 = t ⇒ dx = dt ;
x=4⇒t=0
x=7⇒t=3
3 𝑑𝑡 3 𝑑𝑡
I1 = ∫0 = ∫0 𝑡 2
𝑡 2 +9 9[( ) +1]
3
Posons t = 3u ⇒ dt = 3du
t=0⇒u=0
t=3⇒u=1
1 1 𝑑𝑢 1 1 ∏
I1 = ∫0 = [𝐴𝑟𝑐𝑖𝑔𝑢 ]10 = (𝐴𝑟𝑐𝑡𝑔(1) − 𝐴𝑟𝑐𝑡𝑔(0)) =
3 1+𝑢2 3 3 12
𝜋 𝜋 𝜋
𝑠𝑖𝑛2 𝑥𝑑𝑥 𝑠𝑖𝑛𝑥(1−𝑐𝑜𝑠 2 𝑥)𝑑𝑥
I2 = ∫0 2 = ∫0 2 = ∫0 𝑠𝑖𝑛𝑥 (1 − 𝑐𝑜𝑠𝑥 )𝑑𝑥
2
1+𝑐𝑜𝑠𝑥 1+𝑐𝑜𝑠𝑥
𝜋
Si cos x = u ⇒ du = - sin xdx. Pour x = 0, u = 1 et x = ⇒u=0
2
Par conséquent :
0
0 0 𝑢2 1
I2 = - ∫1 (1 − 𝑢)𝑑𝑢 = ∫1 (𝑢 − 1)𝑑𝑢 = [
2
− 𝑢] =
2
1
3𝑥+1 2
I3 = ∫ 𝑑𝑥 = 𝑥 + 𝐿𝑜𝑔|3𝑥 − 1| + 𝐶
3𝑥−1 3
𝑑𝑥
I4 = ∫ = 𝐿𝑜𝑔|𝐿𝑜𝑔𝑥| + 𝐶
𝑥𝐿𝑜𝑔𝑥
𝑑𝑥 𝑑𝑥 1 𝑥+1
I5 = ∫ = ∫ (𝑥−1)2 = 𝐴𝑟𝑐𝑡𝑔 ( )+𝐶
𝑥 2 +2𝑥+5 +4 2 2
𝑑𝑥 𝑥
I6 = ∫ , posons t = tg(x/2) ⇒  = Arctgt est sin x s’exprime en fonction de
𝑠𝑖𝑛𝑥 2
2𝑡 𝑑𝑡
t par : 𝑠𝑖𝑛𝑥 = ⇒ 𝑑𝑥 =
1+𝑡 2 1+𝑡
2𝑑𝑡
1+𝑡2 𝑑𝑡 𝑥
⇒ I6 = ∫ 2𝑡 =∫ = 𝐿𝑜𝑔|𝑟| + 𝐶 = 𝐿𝑜𝑔 |𝑡𝑔 | + 𝐶
𝑡 2
1+𝑡2
√2 𝑑𝑥
I7 = ∫0 , Posons x = 21 ⇒ dx = 2dt
√4−𝑥 2
√2 √2
√2 𝑑𝑡 √ 2 𝜋
Si 𝑥 = √2 ⇒ 𝑡 = et I7 = ∫0 2
2
= [𝐴𝑟𝑐 sin 𝑡]02 = 𝐴𝑟𝑐 sin =
2 √1−𝑡 2 4
𝑑𝑥 𝑑𝑥 1 𝑑𝑥 𝑑𝑥 1 1+𝑥
I8 = ∫ = ∫ (𝑥+1)(𝑥+3) = (∫ −∫ ) = 𝐿𝑜𝑔 | |+𝐶
𝑥 2 +4𝑥+3 2 𝑥+1 𝑥+3 2 3+𝑥
I9 = ∫(3𝑥 2 + 1)𝑐𝑜𝑠2 𝑥𝑑𝑥. I9 est de la forme ∫ 𝑢𝑑𝑣 = 𝑢𝑣 − ∫ 𝑣𝑑𝑢

Posons : u = 3x2 + 1 ⇒ du = 6 xdx

1
dv = cos2 xdx ⇒ v = sin 2𝑥
2
1 6 1
I9=(3𝑥 2 + 1) ( 𝑠𝑖𝑛2𝑥) − ∫(sin 2𝑥 )𝑥𝑑𝑥 = (3𝑥 2 + 1)𝑠𝑖𝑛2𝑥 − 3 ∫ 𝑥 sin 2 𝑥𝑑𝑥
2 2 2
Posons : u = x ⇒ dx =du ; dv = sin 2 xdx ⇒ v = -(1/2) cos 2x

1 3 3
I9= (3𝑥 2 + 1) sin 2𝑥 + 𝑥 cos 2𝑥 − sin 2x + C
2 2 4
1 sin 2x 3
I9= (3𝑥 2 − ) + 𝑥 cos 2𝑥 + 𝐶
2 2 2
I10= ∫ 𝐿𝑜𝑔 𝑥𝑑𝑥 = 𝑥(𝐿𝑜𝑔 𝑥 − 1) + 𝐶

𝑥 𝑛+1 1
I11= ∫ 𝑥 𝑛 𝐿𝑜𝑔 𝑥𝑑𝑥 = [𝐿𝑜𝑔 𝑥 − ]+𝐶
𝑛+1 𝑛+1
5𝑥+2 5
I12= ∫ 𝑑𝑥 = 𝐿𝑜𝑔|𝑥 2 − 4𝑥 + 5| + 12 𝐴𝑟𝑐𝑡𝑔(𝑥 − 2) + 𝐶
𝑥 2 +𝑥+5 2
+∞ 𝑑𝑥 𝑡 𝑑𝑥
I12= ∫1 = lim ∫1 𝑝
𝑥𝑝 𝑡→+∞𝑥
+∞ 𝑡 𝑥 3−𝑝 1
a) Pour p#1⇒I12= ∫1 𝑥 −𝑝 𝑑𝑥 = lim ∫1 𝑥 −𝑝 𝑑𝑥 = lim [ 1−𝑝 ] = 1−𝑝 lim [𝑡1−𝑝 − 1]
𝑡→+∞ 𝑡→+∞ 𝑡→+∞
soit y = t1-p ⇒ lny = (1 – p) ln t ; quand t tend vers plus infini, (1 – t) ln t tend vers
plus infini. Pour t < 1 ⇒ t1-p → +∞ et lim (𝑡 1−𝑝 − 1) = +∞
𝑡→+∞
Si P > 1, (1 – p) Log t → - ∞ et t1-p → 0, lim (𝑡 1−𝑡 − 1) = −1

𝑡→+∞
Conclusion :
+∞ 𝑑𝑥
1°) ∫1 = +∞ pour p < 1 et T18 diverge
𝑥𝑝
+∞ 𝑑𝑥 1 1
2°) ∫1 = = et T18 converge
𝑥𝑝 1−𝑝 𝑝−1
+∞ 𝑑𝑥 𝑡 𝑑𝑥
b) pour p = 1, I18 = ∫1 = lim ∫1 = lim (𝐿𝑜𝑔𝑡) = +∞ et I18 diverge
𝑥 𝑡→+∞ 𝑥 𝑡→+∞
−∞
I19 = ∫0 𝑒 −𝑟𝑥 𝑑𝑥, 𝑎 𝜖𝑅
𝑡 −1 𝑡 1
∫0 𝑒 −𝑟𝑥 𝑑𝑥 = 𝑟
∫0 𝑒 −𝑟𝑥 𝑑 (−𝑟𝑥 ) = − 𝑟 [𝑒 −𝑟𝑥 ]𝑡0
+∞ −𝑟𝑥 𝑡 1
D’où : I19 =∫0 𝑒 𝑑𝑥 = lim ∫0 𝑒 −𝑟𝑥 𝑑𝑥 = − lim {𝑒 −𝑟𝑥 −𝑒 −𝑟𝑥 ]
𝑡→+∞ 𝑟 𝑡→+∞
1
Pour r ≤ 0 : I19 = − lim [𝑒 −𝑟𝑥 − 𝑒 −𝑟𝑥 ] = +∞ ⇒ 𝐼19 diverge
𝑟 𝑟→+∞
1 𝑒 −𝑟𝑥
Pour r > r : I19 = − lim [𝑒 −𝑟𝑥 − 𝑒 −𝑟𝑥 ] = ⇒ 𝐼19 converge
𝑟 𝑟→+∞ 𝑟
+∞ 𝑑𝑥
I20 = ∫0 = [−𝑒 −𝑥 ]+∞
0 = (0 + 1) = 1
𝑒𝑥

2- Applications économiques
2.1 Le coût total CT(q) = 2 ∫ 𝑒 0,24 𝑑𝑞 = 10𝑒 0,24 + 𝐶
Si q = 0 ⇒ CT(0) = 10 + c = 90 ⇒ c = 80 ⇒ CT(q) = 10 (e0,24+8)
𝜕𝑆(𝑌)
2.2. = 0,3 − 0,1𝑌 −0,5 comme S(81) = 0, l’épargne globale est :
𝜕𝑌
1
S(Y) = ∫(0,3 − 0,1𝑌 −0,5 )𝑑𝑌 = 0,3𝑌 − 𝑌 0,5 + 𝐾
5
1
0 = 0,3 x 81 - x 810,5 + K ⇒ K = -22,5
5
1 1
S(Y) = 0,3𝑌 − 𝑌 2 − 22,5
5
1
𝜕𝐾
2.3- = 𝐼 (𝑡) ⇒ 𝑑𝐾 = 𝐼 (𝑡)𝑑𝑡 ⇒ 𝐾(𝑡) = ∫ 𝐼 (𝑡)𝑑𝑡 = 3 ∫ 𝑡 2 𝑑𝑡
𝑑𝑡
3 3
𝐾(𝑡) = 2𝑡 2 + 𝑐, si t = 0, c = K0 ⇒ K(t) = 2𝑡 2 + 𝐾0
1
2.4- Le prix du marché P = 9, la production q du producteur est q = S(q)= 3𝑃 2 -1.
En concurrence pure et parfaite, le producteur détermine sa production q de façon
1
que le coût marginal Cm(q) soit égal au prix p : p = Cm(q). Comme q = S(p) 3𝑃 2
1
2
-1 ⇒ q + 1 = 𝑃2 ⇒ (𝑞 + 1)2 = 𝑝 = 𝐶𝑚 (𝑞)
9
1
Ainsi pour produire une unité, il en coûte Cm(0) = et par conséquent le profit fait
9
1
sur cette première unité est de (9 − ). De même, le coût de la 2ème unité es de
9
4 4
Cm(q) = d’où le profit (9 − ) ;pour le troisième unité, 9 - Cm(2) = 9 – 1 = 8, etc.
9 9
Le producteur arrête sa production lorsque le coût marginal est égal au prix de
profit supplémentaire, soit q0 tel que Cm(q0) = p = 9, q0 = 8.
1 3 0
9
Le profit ∏ = ∫ (3𝑝 − 1) 𝑑𝑝 = [2𝑝 − 𝑝]1 = 45,1
1 2 2
9 9

2.5 Le consommateur fixera sa demande de façon que son évaluation marginale

soit égale au prix du marché. Donc sa demande unitaire sera égale à 4.
Selon les données de l’exercice, on peut déterminer l’équation de la demande du

consommateur.
∆𝑝 𝑃−8 10−8
et lim = 𝑃4 = = = −2 ⇒ 𝑝 − 8 = −2𝑞 + 4
∆𝑞→0 ∆𝑞 𝑞−2 1−2
𝑝 = 𝑆(𝑞 ) = 12 − 2𝑞
Le surplus du consommateur est donc :

4
Sp = ∫0 (12 − 2𝑞)𝑑𝑞 − 4𝑥4 = [12𝑞 − 𝑞2 ]40 – 4 x 4 = 48 - 16 - 16 = 16

FICHE 4
Exercice 1 : Soit R une relation binaire sur un ensemble R. montrer que :

1.1 (R est une relation d’équivalence) ⇒ (xRy et yRz ⇒ zRx).
1.2 (xRy et yRz ⇒ zRx et R reflesive) ⇒ (R est une relation d’équivalence)
Exercice 2 :
A et B étant deux sous-ensembles d’un ensemble E et 𝐴̅ le complément de A dans
E, démontrer l’équivalence :
A ⊂ B  𝐴̅ ∪ B = E
Exercice 3 : Nombre complexe
1+𝑖√3
3.1 Calculer le module et l’argument du nombre complexe z =
√3+𝑖
3.2 Calculer z3
3.3 Linéariser Cos5 θ.
5 𝐶𝑜𝑠 15′+𝑖 sin 15′
3.4 Ecrire sous forme trigonométrique les nombres - 𝑖 ;
2 𝐶𝑜𝑠 45′+𝑖 sin 45′
3.5 Représenter dans le plan complexe les points z vérifiant : |2𝑥 + 𝑖| = 6

𝑥+𝑦
Exercice 4 : On considère la loi * définie sur ]-1, 1[ par x*y = . Montrer qu’il
1+𝑥𝑦
s’agit d’une loi de groupe abélien.
Exercice 5 : Dans l’ensemble E = {0, 1, 2}, on considère la loi * définie par
∀(𝑥, 𝑦)𝜖 𝐸 2 , 𝑥 ∗ 𝑦 = 𝑥 + 𝑦 − 𝑥𝑦.
5.1 Dresser la table
5.2 (E,*) est-il un groupe abélien ?

FICHE 5
Exercice 1 : Soit (G, *) un groupe non nominatif d’élément neutre e, dans lequel
on notera x’ le symétrique de x. Soit a 𝜖 G fixé. On définit une loi T par :
xTy = x*a*y.
1.1 Montrer que (G,T) est un groupe
1.2 Soit l’application fa : G → G définie par fa = a*x. Montrer que fa est bijective
Déterminer𝑓0−1.
1.3 Montrer que f permet de réaliser un isomorphisme de (G,T) dans (G,*).
1.4 Soit F = {f0lα ϵ G}. Montrer que la loi α est interne dans F, et que 𝜑. f0 → α
réalise un isomorphisme de (F, o) dans (G, *). Déduire la structure de (F, o).
Exercice 2 : On considère A = {x ϵ R ; ∃(m,n) ϵ Z2/x = m + n√3}
2.1 Montrer que A est stable pour l’addition et la multiplication dans R.
2.2 Montrer que {A,+} est un groupe commutatif
2.3 Montrer que la multiplication dans A est associative et distributive par rapport
à l’addition. Conclure.
2.4 On considère maintenant R muni de la loi suivante : x*y = (x3 + y3)1/3. Quelle
est la structure de {R,*} ?
Exercice 3 : E = R2. On donne la relation R dans E :
(x,y) R (x,y)  (x ≤ x et y ≤ y). Montrer que R est une relation d’ordre. Est-elle
totale ?
Exercice 4 : Soit E l’ensemble des applications de R* dans R*. On définit les

quatre éléments suivants e : x → x ; f : x→ -x ; g : x→ 1/x et h : x→ -1/x.
4.1 Dresser la table de Pythagore de l’ensemble {e, f, g, h} muni de la loi

Exercice 5 : E = R ; F = R. On définit la fonction f par :

2𝑥
𝑓 (𝑥 ) =
1+𝑥 2
5.1 Est-ce une application ? Est-elle injective ? Est-elle surjective ?
5.2 Peut-on déterminer l’application réciproque ?
5.3 Peut-on modifier E et F pour que f soit bijective ?

FICHE 6
Exercice 1 : Soit R une relation binaire sur un ensemble E. Montrer que :
1.1 (R est une relation d’équivalence) => (xRy et yRz => zRx)
1.2 (xRy et yRz => zRx et R reflexive) => (R est une relation d’équivalence)
Exercice 2 : A et B étant deux sous-ensembles d’un ensemble E et 𝐴̅ complément

de A dans E :
2.1 Démontrer l’équivalence : A⊂B  𝐴̅∪B = E
2.2 CE (A∩B) = CEA∪CEB
2.3 CE (A∪B) = CEA∩CEB
Exercice 3 : Montrer que
3.1 [(p =>q) et (q => r)] => (p => r)
3.2 [(p =>q) et (q => r)] => (p => r)
3.3 Donner la négation des propositions suivantes :
a) ∀ xϵE, f(x) = g(x) b) ∃xϵE, p(x) c) ∀ xϵE, p(x)
Exercice 4 : Application
4.1 Définir ce qu’on entend par une application f de E dans F.
4.2 Soit f une application de E dans F. Montrer que f est bijective s’il existe une
application g de F dans E telle que : gof = Ig et fog = IF
4.3 Soit E = R et F = R. On définit la fonction f par :

2𝑥
𝑓 (𝑥 ) =
1+𝑥 2
a- Est-ce une application ? Est-elle injective ? Est-elle surjective ?
b- Peut-on déterminer l’application réciproque ?
c- Peut-on modifier E et F pour que f soit bijective ?

FICHE 7
Exercice 1 : On donne trois vecteurs : x = (1,2) ; y = (0, -1) et z = (2,1)

1.1 Vérifier que ces vecteurs sont deux à deux linéairement indépendants.
1.2 Déterminer α, β de façon que z = αx + βy
1.3 Déterminer a, b de façon que ax + by = (1,0)
1.4 Calculer les produits scalaires xy, xz et yz.
Exercice 2 : Etant données les matrices
1 3 −1 −3
𝐴 = (0 2 0 −2)
3 4 1 2
et
1 1
𝐵= [2 3]
−1 4
0 3
Calculer AB et B’A’ et comparer ces deux matrices.
1 −1
Exercice 3 : Soit la matrice carrée d’ordre 2 𝑀 = ( )
−2 2
3-1 Calculer M2. Vérifier que M2 est de la forme M2 = λM. Déterminer λ.
3.2 Calculer M3 et M4 en fonction de M et de λ.
3.3 Déduire de 15.2 l’expression de Mn en fonction de M, λ et n.
Exercice 4 : Calculer les inverses des matrices suivantes :
2 −1 3 2 6 −4
𝐴 = (−1 3 1) 𝐵 = (4 2 3)
3 1 5 3 −1 1

FICHE 8
Exercice 1 : Nombre complexe

1+𝑖√3
1.1 Calculer le module et l’argument du nombre complexe 𝑧 =
√3+𝑖
1.2 Calculer z3
1.3 Linéariser Cos5θ

5 𝑐𝑜𝑠15∗ +𝑖𝑠𝑖𝑛15∗
1.4 Ecrire sous forme trigonométrique les nombres − 𝑖 ;
2 𝑐𝑜𝑠45∗ +𝑖𝑠𝑖𝑛45∗
1.5 Représenter dans le plan complexe les points z vérifient : |2𝑥 + 𝑖| = 6

𝑥+𝑦
Exercice 2 : On considère la loi *définie sur ]-1, 1[ par x*y = Montrer qu’il
1+𝑥𝑦
s’agit d’une loi de groupe abélien.
Exercice 3 : Dans l’ensemble E = {0, 1, 2}, on considère la loi * définie par ∀(x,y)
ϵ E2, x*y = x + y –xy.
3.1 Dresser la table
3.2 (E,*) est-il un groupe abélien ?
Exercice 4 : Soit (G,*), un groupe commutatif d’élément neutre e, dans lequel on

notera x’ le symétrie de x. Soit s ϵ G fini. On définit une loi T par :
xTy = x*g*y.
4.1 Montrer que (G,T) est un groupe
4.2 Soit l’application fn : G → G définie par fn = n*x. Montrer que fn est bijective.
Déterminer
4.3 Montrer que f permet de réaliser un isomorphisme de (G,T) dans (G,*)
4.4 Soit F = {fol α ϵ G}. Montrer que la loi o est interne dans F, et que 𝛷.fn → α
réalise un isomorphisme de (F,o) dans (G,*). Déduire la structure de (F,o).

Exercice 5 : Dans l’ensemble z des entiers relatifs, on définit la relation binaire R

par : ∀x,y ϵ Z ; xRy  (∃ nϵZ/x-y=2n).
5.1 Montrer que R est une relation d’équivalence
5.2 Déterminer l’ensemble quotient Z/R. Nous notons à la classe d’équivalence

de n.
5.3 ∀xϵa, ∀yϵb, Montrer que x + y = a + b. Posons a + b = a + b. Vérifier que

(Z/R, +) est un groupe abélien.
5.4 ∀xϵa, ∀yϵb, Montrer que xy = ab. Posons a x b = a.b. Vérifier que (Z/R, +, x)
est un corps commutatif.
5.5 Montrer que Z/R = Z/2Z.

FICHE 9
Exercice 1 : Soit l’application f : R2 → R définie par :

F(x,y) = 3x + 2y
1.1Démontrer par la propriété caractéristique que f est linéaire, et rechercher ker
(f).
1.2 On considère l’espace vectoriel E4 des polynômes de degré au plus 3, c’est-à-
dire des polynômes p de la forme :
x → P(x) = a + bx + cx2 + dx3
1.3 Montrer que {1, x, x2, x3} est une base de E4.
1.4 Soit l’application f : E4 → E4 qui atout polynôme p, fait correspondre le
polynôme Q défini par : Q(x) = P(x + 1) – P(x)
Montrer que f est un endomorphisme de E.
1.5 Donner les images par f des vecteurs de base et en déduire la matrice de f.
Exercice 2 : Soit dans le vectoriel V3 rapporté à la base B = (e1, e2, e3)
l’endomorphisme f : V3 → V3 tel que f(x) = x2.
Posons : e1 = e2 + e3 e2 = e1 + e3 e3 = e1 + e2
2.1 Déterminer la matrice associée à f et montrer que f est bijective
2.2 Rechercher la matrice associée à f1 ?
Exercice 3 : Soit E l’ensemble des applications de R* dans R*. On définit les
quatre éléments suivants e : x → x ; f : → -x ; g : x → 1/x et h : x → -1/x
3.1 Dresser la table de Pythagore de l’ensemble {e, f, g, h} souci de la loi ∅.
3.2 Quels renseignement peut-on tirer de la lecture de cette table ?
Exercice 4 : R3 est muni de sa base canonique B = (e 1, e2, e3). On définit
l’application g : R3 → R2 par g(x,y,z) = (-y+z, x+y, -x-z)
4.1 Montrer que g est une application linéaire et déterminer sa matrice dans B ;
4.2 Déterminer Ker g et lng. Donner une équation de ln g. en déduire une base de
lng
4.3 Montrer que F = {(1, 0, 1) ; (0, 2, 0) ; (2, 1, 1)} est une base de R3. Ecrire la
matrice de g dans F.

FICHE 10
Exercice 1 : Soit la suite définie par la relation de récurrence :

Un+2 = 3Un+1 – 2Un, avec U1 = 0 ; U2 = 2.
1.1 Calculer Un en fonction de n.
1.2 La suite (Un) est-elle convergente ?
Exercice 2 : Soit a un nombre réel donné. Soit (Un) la suite de nombre réels
définie par ses deux premiers termes : U0 = 0 ; U1 = 1 et par la relation.
∀nϵN, (n ≥ 1), Un+1 = aUn + (1 - a)Un-1 ; soit (Vn) la suite définie par :
2.1 Montrer que (Vn) est une suite géométrique. Calculer Vn en fonction de a et
de n.
2.2 En déduire Un en fonction de a et de n.
2.3 Comment choisir a pour que la suite (Un) soit convergente et quelle est alors
sa limite ?
Exercice 3 : Dérivabilité et continuité
3.1 Etudier la continuité et dérivabilité sur R de la fonction f définie par : f(x) =
1
𝑠𝑖𝑛 𝑠𝑖 𝑥 ≠ 0
{ 𝑥
0 𝑠𝑖 𝑥 = 0
3.2 Soit la fonction g définie par g(x) = x f (x), ∀nϵN. Déterminer les valeurs de n
pour lesquelles g est continue et dérivable sur R ?
Exercice 4 : Calculer les dérivées logarithmiques des fonctions suivantes et en
déduire leur élasticité :
(𝑥 2 +1)2
f1(x) = (x +1) (2x +1) (3x +1) f2(x) = Ce1x f3(x) =
√𝑥−1
Exercice 5 : Représenter graphiquement la fonction Y = Logx. Quelle est

l’équation de la tangente au point A d’abscisse 1 ? Soit M un point sur la courbe
d’abscisse 1 + 1/n (n entier). Exprimer en fonction de n la pente de AM. Quelle
est la limite de cette pente quand n → ∞ ?
𝐿𝑜𝑔(1+𝑥)
En déduire que lim(1+1/n)n = e et la limite de quand x → ∞.
𝑥

FICHE 11
Exercice 1 :
1.1 Optimiser f(x,y,z) = x2, y2,z2 – x + 2y + 1 sous la contrainte g(x,y,z) = x + y +

z-2=0
1.2 La fonction f(x,y) = x3+y3- 3x - 12y + 5 admet-t-elle des points stationnaires ?
1 0 1
1.3 Soit f l’application linéaire définie par la matrice M = (−2 1 −1) et g
1 −1 0
l’application linéaire définie par g(x,y,z) = (2x + z, x+y-z) de matrice associée N.
1.3.1 Calculer la matrice P associée à la composée h des applications précédentes.
1.3.2 Soit T la matrice d’un changement de base dans l’espace de départ de
l’application f, … quelle est alors la représentation matricielle P de h en fonction
de P et de T.
𝐴𝑟𝑐𝑡𝑔𝑥−𝑥
1.4 Calculer lim
𝑥→0 sin 𝑥−𝑥
Exercice 2 :
2.1 Développement limité au voisinage de zéro à l’ordre 5 de f(x) = e3x sin 2x
2.2 Calculer le déterminant de chacune des matrices suivantes :
3 2 −4 𝑡 + 3 −1 1
A=( 1 0 −2) B=( 5 𝑡−3 1 )
−2 3 3 6 −6 𝑡+4
2.3 Soit l’application linéaire de R3 → R3 définie par :
f(e1) = (1, 1, 0) ; f(e2) = (1, 0, 1) ; f(e3) = (0, 1, 1)
2.3.1 Déterminer la matrice A associée à l’application linéaire f.
2.3.2 Déterminer la matrice A associée à f-1, notée A-1.
2.3.3 Soit P(λ) un polynôme défini par l’expression P(λ) = det(A - λI)= /A - λI/
avec λ un scalaire, I = la matrice unitaire d’ordre 3. Résoudre l’équation P(λ) =0.
FICHE 12

ALGEBRE
2
Exercice 1 : On considère une fonction f définie sur R par : f(x) = x + λx2 +
𝑥
1) Déterminer le domaine de définition Dr de f.

2) Soient deux matrices A et B définies par :
1 2 −1 −4 3 3
A = |−1 0 1| B=| 0 −1 3|
1 1 0 0 6 2
a) Déterminer l’image de A par la fonction f, (c’est-à-dire f(A) ; on pourra
remarquer que f(x) = x + λx2 + 2x-1).
b) Déterminer λ pour que f(A) = B
Exercice 2 :
Dans un plan vectoriel euclidien E rapporté à la base (e1, e2), on considère la
famille Φ, des applications linéaire fn de E qui sont définies par :
fm(e1) = me1 + e1 ; fm(e2) = e1 + me2 avec m ϵ R.
1) Déterminer la matrice A associée à fm.
2) Déterminer l’ensemble S des valeurs de m pour lesquelles fm est un
automorphisme de E
3) Déterminer suivant les valeurs de m, le noyau Kerf, de E.
Exercice 3 :
Résoudre le système d’équation suivant :
−7𝑥 + 12𝑦 + 4𝑧 = 8
{ −2𝑥 + 4𝑦 + 𝑧 = 3
12𝑥 + 18𝑦 + 7𝑧 = 1

ANALYSE
Exercice 1 :
Calculer la différentielle de la fonction suivante : y = xlog(x) –x (on pourra

remarquer que la différentielle dy = yz dx).
Exercice 2 :
Déterminer l’ensemble de continuité de la fonction suivante :

2𝑥 2 +𝑥−1
f(x) =
√𝑥+1
Préciser la nature des points de discontinuité éventuels.
Exercice 3 :
On considère la fonction f définie dans R suivante :

2
f(x) = ln(x-1) + ln( )
𝑥−1
1) Déterminer le domaine de définition Df la fonction f.
2) Montrer que f(x) = ln[g(x)] où g(x) est une fonction que l’on précisera. Cette
nouvelle expression de f(x) amène-t-elle à modifier son domaine de définition ?
3) Pour quelles valeurs de a et b, l’expression ln(ab) a-t-elle un sens ?
La relation ln(ab) = ln(a) + ln(b) est-elle vraie ∀aϵR et ∀bϵR ? Sinon, quelle doit
être l’écriture correcte ?
Exercice 4 :
Des études économiques ont montré que la fonction de demande d’attiéké est :
P(x) = 2e-2x, où P est le prix unitaire (prix d’un kilogramme d’attiéké), et x la
quantité échangée.
1) Déterminer la recette F(x) provenant de la vente de ce produit attiéké en

fonction de la quantité vendue ?
2) Calculer la recette marginale f(x) correspondante.
3) Calculer la fonction d’élasticité ℇF/x de la recette F par rapport à la quantité x.

𝑥
(on rappelle que l’élasticité ℇF/x(x) = Fx’ ).
𝐹(𝑥)

4) Etudier les variations de la fonction définie par la recette marginale f(x) et tracer
sa courbe représentative.
5) Dans quels intervalles la fonction recette F(x) est-elle concave ?
6) Calculer l’aire de la surface délimitée par les deux axes des coordonnées et la
courbe représentative de la recette marginale f(x).

FICHE 13
Exercice 1 :
Soit a un nombre réel donné, soit (Un) la suite de nombres réels définie par ses
deux premiers termes :
U0 = 0 ; U1 = 1 et par la relation.
∀nϵN, (n ≥ 1) Un+1 = aUn + (1-a)Un+1
Soit (Vn) la suite définie par : Vn = Un+1 - Un+1 (n ≥ 0)
1.1 Montrer que (Vn) est une suite géométrique ; Calculer Vn en fonction de a et
de n
1.2 En déduire Un en fonction de a et de n.
1.3 Comment choisir a pour que la suite (Un) soit convergente et quelle est alors
sa limite.
Exercice 2 :
2.1 Une matrice A d’ordre 2 est dite inversible s’il existe une matrice B telle que :
AB = AB = I, I = matrice identité d’ordre 2.
2 5 3 −5
Montrer que les matrices ( ) et ( ) sont inversibles.
1 3 1 2
2 −5 1 1 −2 −3 0 1 −2
2.2 Soient A= ( ) B=( ) C= ( )
1 −1 −1 0 −1 5 1 −1 −1
Trouvez la somme 3A + 4B -2C.
Exercice 3
(𝑒 𝑥 −1)𝑠𝑖𝑛 𝑥
3.1 Calculer lim
𝑥→0 1−cos 𝑥
3.2 Dérivabilité et continuité
a) Etudier la continuité et la dérivabilité sur R de la fonction f définie par :
1
𝑠𝑖𝑛 𝑠𝑖 𝑥 ≠ 0
f(x) = { 𝑥
𝑜 𝑠𝑖 𝑥 = 0
b) Soit la fonction g définie par : g(x) = xn f(x), ∀nϵN.
Déterminer les valeurs de n pour lesquelles g est continue et dérivable sur R ?

FICHE 14
Exercice 1 :
Représenter graphiquement la fonction Y = Logx. Quelle est l’équation de la

tangente au point A d’abscisse 1 ? Soit M un point sur la courbe d’abscisse 1+1/n
(n entier). Exprimer en fonction de n la pente de AM. Quelle est la limite de cette
pente quand n → ∞ ?
𝐿𝑜𝑔 (1+𝑥)
En déduire que lim(1+1/n)n = e et la limite de quand x → ∞.
𝑥
Exercice 2 :
Soit λ un nombre réel donné. Soit (Un) la suite de nombres réels définie par ses
deux premiers termes Uo = 0, U1 = 1 et par la relation :
Un +1 = λUn + (1-λ) Un-1, ∀nϵN, n ≥ 1. Soit (Vn) la suite définie par :
Vn = Un+1 – Un, n ≥ 0.
1) Montrer que (Vn) est une suite géométrique. Calculer Vn en fonction de n et

de λ.
2) en déduire Un en fonction de λ et de n.
3) comment choisir λ pour que la suite (Un) soit convergente et quelle est alors sa
limite ?

FICHE 15
Exercice 1 :
1.1 E = R3 est rapporté à une base B = {e1,e2,e3}, f un endomorphisme de R3. Les

images des éléments de la base sont données par f :
𝑓 (𝑒1 ) = 𝑒1 = 2𝑒1 − 𝑒2
{𝑓 (𝑒2 ) = 𝑒2 = 3𝑒1 + 6𝑒2 }
𝑓(𝑒1) = 𝑒3 = 𝑒1
Déterminer la matrice A associée à l’endomorphisme f.
1.2 Calculer le déterminant (|𝐴|) de la matrice A.
1.3 Soit λ ϵ R et un polynôme P(λ) défini par P(λ) = |𝐴 − 𝜆𝐼𝑛 |. Déterminer

l’expression de P(λ).
1.4 Résoudre l’équation P(λ) = 0. La résolution de cette équation permet de

trouver les valeurs propres de A.
Exercice 2
2.1 R3 est muni d’une base orthonormée E = {e1,e2,e3}. Soit f l’application linéaire
de R3 définie par : f : R3 → R3
𝑥 𝑥′ 𝑥 ′ = 2𝑥 + 𝑦 − 𝑧
X → f(X) = X avec X = (𝑦) et X’ = (𝑦′) = {𝑦 ′ = −𝑥 + 2𝑦 + 𝑧
𝑧 𝑧′ 𝑧 ′ = 𝑥 + 3𝑦
Déterminer le noyau de f et en donner une base. Montrer que Ker (f) est un sous-
espace vectoriel de R3.
2.2 Donner la dimension de l’image de f et en déterminer une base.
Exercice 3 :
𝑥 − 3𝑦 + 𝑧 = 7
3.1 Résoudre le système { 2𝑥 + 𝑦 − 𝑧 = 4
−3𝑥 + 2𝑦 + 𝑧 = 1

3.2 Soit la suite définie par la relation de récurrence :
2Un+2 – 6Un+1 + 4Un = 0 avec U1 = 0, U2 = 2
3.2.1 Calculer Un en fonction de n
3.2.2 La suite (Un) est-elle convergente ?
Exercice 4 :
4.1 Le coût marginal d’une firme ivoirienne est de la fome cm(x) = 3e0,04x.
déterminer l’expression du coût total Cr(x) de cette firme quand Cr(0) = 900 pour
x=0
𝑑𝑥
4.2 Calculer l’intégrale f = ∫
𝑥 2 +4𝑥+3
4.3 Rechercher les extremums de la fonction à deux variables f(x,y) = e-(x+y) liée
par la contrainte g(x,y) = x2 + y2 – 1 = 0. Déterminer la nature de ces extremums.

FICHE 16
ALGEBRE
EXERCICE N°1
2
On considère une fonction f définie sur R par: f(x) = x + λx2 +
𝑥
l) Déterminer le domaine de définition Df de f.

2) Soient deux matrices A et B définies par :
1 2 −1 −4 3 3
𝐴 = [−1 0 1] 𝐵 = [ 0 −1 3]
1 1 0 0 0 2
a) Déterminer l'image de A par la fonction f, (c'est-à-dire f(A) ; on pourra

remarquer que f(x) = x + λx2 + 2x-1).
b) Déterminer λ pour que f (A) = B.
EXERCICE N°2
Dans un plan vectoriel euclidien E rapporté à la base (e 1, e2), on considère la

famille Φ, des applications linéaires fm de E qui sont définies par :
fm(e1) = mel + e2; fm(e2) = el + me2 , avec m ∊ R.
1) Déterminer la matrice A associée à fm.
2) Déterminer l'ensemble S des valeurs de m pour lesquelles fm est un
automorphisme de E.
3) Déterminer, suivant les valeurs de m, le noyau Kerf, de E.
EXERCICE N°3
Résoudre le système d'équations suivant:

−7𝑥 + 12𝑦 + 4𝑧 = 8
{ −2𝑥 + 4𝑦 + 𝑧 = 3
12𝑥 + 18𝑦 + 7𝑧 = 11

ANALYSE
EXERCICE N°1
Calculer la différentielle de la fonction suivante: y = x log(x) - x.

(On pourra remarquer que la différentielle dy = yx dx).
EXERCICE N°2
Déterminer l'ensemble de continuité de la fonction suivante:

2𝑥 2 +𝑥−1
f(x) =
√𝑥+1
Préciser la nature des points de discontinuité éventuels.
EXERCICE N°3
On considère la fonction f définie dans R suivante :

2
f(x) = In(x - 1) + ln ( ).
𝑥−1
1- Déterminer le domaine de définition Df la fonction f.

2- Montrer que f(x) = In[g(x)) où g(x) est une fonction que l'on précisera. Cette
nouvelle expression de f(x) amène-t-elle à modifier son domaine de définition?
3- Pour quelles valeurs de a et b, l'expression In(ab) a-t-elle un sens?

La relation In(ab) = In(a) + In(b) est-elle vraie ∀aER et ∀bER ? Sinon, quelle doit
être l'écriture correcte?
EXERCICE N°4
Des études économiques ont montré que la fonction de demande d'attiéké est:
P(x) = 2 e-2x, où P est le prix unitaire (prix d'un kilogramme d'attiéké), et x la
quantité échangée.
1- Déterminer la recette F(x) provenant de la vente de ce produit attiéké en
fonction de la quantité vendue ?

2- Calculer la recette marginale f(x) correspondante.

3- Calculer la fonction d'élasticité ε.F/x de la recette F par rapport à la quantité x.
𝑥
(On rappelle que l'élasticité ε.F/x (x) = Fx' ).
𝐹(𝑥)
Etudier les variations de la fonction définie par la recette marginale f(x) et tracer
sa courbe représentative.
Dans quels intervalles la fonction recette F(x) est-elle concave?
Calculer l'aire de la surface délimitée par les deux axes des coordonnées et la
courbe représentative de la recette marginale f(x).

FICHE 17
Exercice 1 : On donne trois vecteurs : x1 = (1,2) ; y = (0,-1) et z = (2,1).
1.1 Vérifier que ces vecteurs sont deux à deux linéairement indépendants.
1.2 Déterminer α β de façon que z = αx + βy.
1.3. Déterminer a et b de façon que ax + by = (1,0)
1.4. Calculer les produits scalaires xy’, xz’ et yz’.
Exercice 2: Etant données les matrices
1 3 −1 −3
𝐴 = (0 2 0 −2)
3 4 1 2
Et
1 1
𝐵= [2 3]
−1 4
0 3
Calculer AB et B'A' et comparer ces deux matrices.

1 −1
Exercice 3 : Soit la matrice carrée d'ordre 2 M=( ).
−2 2
16.1 - Calculer M2. Vérifier que M2 est de la forme M2 = λM Déterminer λ.

16.2 - Calculer M3 er M4 en fonction de M et de λ.
16.3 - Déduire de 15.2 l'expression de Mn en fonction de M, λ, et n.
Exercice 4: Calculer les inverses des matrices suivantes :
2 −1 3 2 6 −4
𝐴 = (−1 3 1) 𝐵 = (4 2 3)
3 1 5 3 −1 1

FICHE 18
1 - Algèbre
1.1 - Soit f: R2 ––> R2, un endomorphisme défini sous sa forme analytique par :
V(x, y) € R2, f(x, y) = (λx + λy; x + (λ -1) y) dans la base B = {e1, e2}.
Déterminer la matrice Aλ relative à la base canonique B
Pour quelles valeurs de λ, la matrice Aλ est-elle inversible?
1.2 - Résoudre le système suivant dans lequel m désigne un paramètre réel
𝑥 −3𝑦 +𝑧 = 1
{𝑚𝑥 +2𝑦 +𝑧 = 0
4𝑥 −𝑦 +2𝑧 = 2
2 - Analyse
1
2.1 – Soit la fonction définie par f(x) = 2x ( − ln(1 − 𝑥 2)- Déterminer
√1−𝑥
l’ensemble de définition de f
2.2 - Soit la fonction [(x, y) = 2xy qu'on cherche à optimiser sous la contrainte
g(x, y) = 2x - y - 1 = 0 :
a) Etudier les conditions nécessaire (CN) et suffisante (CS) de ce problème

d'optimisation.
b) On transforme le problème donné en un problème d'optimisation à une variable
x notée h(x) que l'on précisera.
c) Résoudre alors ce problème.

FICHE 19
ALGEBRE
1.1 Soit un espace vectoriel IR3 doté d'une base B = {e1, e2, e3}.
Une application f: IR3 ~ IR3 définie telle que ∀X = (x, y, z) ∊ IR3,
f(X) = (x', y', z'). Les images par f des éléments de la base B sont définies comme
suit:
f (el) = e2 + e3 ; f (e2) = el + e3 ; f(e3) = el + e2 .
( a) Déterminer la matrice A associée à f.
(b) Déterminer le déterminant de A.
(c) L'application est-elle bijective?
(d) Soit N, la matrice des cofacteurs de A Déterminer N.
(e) Montrer que N est symétrique.
(f) Déterminer l'inverse de la matrice A.
(g) Vérifier A2 = A + 21. En déduire une relation entre A2, A-1 et 1.
1.2 Soit fλ : IR2 ––> IR2, un endomorphisme de matrice associée Aλ, est défini
sous sa forme analytique: ∀X = (x, y) ∊ IR2, f(x, y) = (2λx + λy, x +(λ.- l)y) dans
la base B = {e1, e2}
(a) Déterminer la matrice A. relative à la canonique B = {e 1, e2.}
(b) Pour quelles valeurs de λ. , la matrice Aλ, est-elle inversible ?
1.3 Résoudre le système d'équations suivant:

x+ y+z=4
2x + 5y - 2z = 3
x + 7y - 7z = 5
2. ANALYSE
2.1 - Une étude économétrique montre que la consommation des étudiants de

DEUG I de l'UFR-SEG des biens x, y et z est exprimée par la fonction f(x, y, z)
= x2 + y2 + z2 + xy +xz
(a) Quelle est la consommation optimale des biens X, y et z des étudiants de
DEUG 1 de cette UFR-SEG?
(b) Vérifier si cette fonction atteint un minimum ou un maximum au point
extrêmum trouvé.
2.2 - Développement limité au voisinage de 0 à l'ordre 4 de eXsinx.

FICHE 20
ALGEBRE
1.1.- Soit un espace vectoriel R2 doté d'une base B = {el, e2, e3}. Une application
f: R2 ––> R2 définie telle que : (x, y z) E R2, f(X) = (2x + 2y, x + 2y + z, 2y + 2z).
(a) Déterminer la matrice associée à l'application linéaire f;
(b) Le polynôme caractéristique est P(λ) = |𝐴 − 𝜆𝐼 | = - λ( 4 - λ)(2 - λ) avec λ un
paramètre réel. Déterminer les valeurs de λ telles que P(λ) = o.
(c) Déterminer pour chacune des valeurs de λ, le noyau de f noté
Nλ = {X ∊ R3 / |𝐴 − 𝜆𝐼| = 0 } et les bases Uλ correspondantes. Déterminer la
matrice P formée par les bases Uλ La matrice P est-elle inversible ?
1.2 Résoudre le système d'équations suivant où m est un paramètre réel:
x - 3y + Z = 2
mx + 2y + z = 6
4x -, y + 2z = 5
2 – ANALYSE.
2.1 Une étude économétrique montre que la consommation des étudiants de
DEUG 1 de l'UFR-SEG des biens x, y, z est exprimée par la fonction
f(x, y, z) = x2 + y3 + z2 + xy + xz.
(a) Quelle est la consommation optimale des biens x, y et z des étudiants de DEUG
1 de cette UFR-SEG?
(b) Vérifier si cette fonction atteint un maximum ou un minimum au point
extrêmum trouvé.
2.2 Développement limité au voisinage de 0 à l'ordre 3 de f(x) = eXsin2x.
1+𝑈𝑛
2.3 On considère la suite (Un) définie par: ∀n ∊ N, U0 = 1 et Un+1 = Un
1+2𝑈𝑛
(a) Montrer que la suite (Un) est une suite décroissante et minorée;
(b) Déterminer sa limite.

EXERCICE N°1
1.1 Résoudre le système d’équations suivant:

x + y+ z = 4
2x + 5y- 2z = 3
x + 7y - 7z = 5
1.2 Le nombre de personnes atteintes du SIDA dans le monde de 1983 à 1986
suivait une croissance exponentielle modélisée par la fonction (𝑥 ) = 𝑒 0,8𝑥+6 , où x
est le nombre d'années écoulées depuis 1983.
a) Résoudre l'inéquation f(x) ≥ 106. En déduire l'année où, pour la première fois,
le nombre de cas dépassera le million, si ce modèle reste valable.
b) Déterminer le nombre moyen de personnes atteintes de 1984 à 1987.
c) Selon ce modèle, quel1aurait été le nombre de cas à l'an 2000?
EXERCICE .N°2
Soit A un nombre réel donné. On considère les suites (Un) et (Vn) définies
respectivement
Ua = 3, ul = 5 et V n ∊ lN, u1+2 = 8 un+1 - 7 un+1 ,
V n ∊ lN, vn = un+1 - Un •
Démontrer que (vn) est une suite géométrique dont on précisera la
raison. Exprimer le terme général Vn en fonction de n.
Pour tout entier naturel n supérieur ou égal à l, exprimer en fonction de n, la
somme Sn, où Sn = v0 + v1,+…..+ vn - ]
Exprimer Un en fonction de Sn .En déduire que la suite (Un) est divergente.
EXERCICE .N°3
Considérons l'espace vectoriel IR3 muni de la base canonique β = (e1, e2,, e3). Soit
F une famille des applications linéaires fλ de IR3 définies par:
fλ(e1) = (-1 - λ)e1 +2e2 +e3
fλ(e2) = e1 + 2-λ)e2 - e3
fλ(e3) = - 2e1 - 6e2 - λe3
1) Déterminer la matrice A associée à fA.;

2) Pour quelles valeurs de Â, fA. est bijectif?
3) Déterminer le noyau Kerfλ et l'image lm fA. de IR3 respectivement pour
λ = -2 et λ = 4.

REFERENCE BIBLIOGRAPHIQUE
1) Alain Planche (1992), Mathématiques pour les économistes, Algèbre, DUNOD, Paris.
2) Alpha C. CHIANG (1974), Fundamental methods of mathematical economics,
second édition, US A
3) Archinard G et Querrien B. (1992), Principes mathématiques pour économistes,
Economies, Paris.
4) Arnaudiès J.M etFRAYSSE H. (1987), Algèbre, Dunod, Paris.
5) BOURSIN J.L(1990), Elément de mathématique, Montchréstien, Paris
6) Dieudonné J. (1986), Abrégé d'histoire des mathématiques Hermann,
Paris.
7) Edmond BERREBI (1974), Mathématique, exercices corrigé avec
rappels de cours,Dunod, tome 2.
8) GodementR (1986), Cours d'Algèbre, Hermann, Paris.
9) GUERRIEW B. (1991), Algèbre linéaire pour économistes, Economica, Paris.
10) M.Queysamwa (1964).Algèbre, 1er cycle scientifique, préparation sur grandes écoles,
AnnandCollin, Collection U.
11) Michel P. (1984), Cours de mathématiques pour économistes Economica, Paris.
12) Pupion G et POULALION G. (1984) Mathématiques générales appliquées à
l'économie et à la gestion, Armand Colins, Paris.
13) SCHWARTZ L (198l), cours d'analyse, Hermann, Paris.

TABLE DES MATIERES
CHAPITRE 1 : ENSEMBLES-RELATIONS, LOIS DE COMPOSITION,

NOMBRES COMPLEXES, POLYNOMES ET FRACTIONS
RATIONNELLES ............................................................... 1
1-1 ENSEMBLES-RELATIONS .......................................................................... 1

1- Définitions ........................................................................................................ 1
2- Opérations sur les parties d’un ensemble .......................................................... 1
3- Produit cartésien de deux ensembles ................................................................. 2
4- Relations binaires (ou relations d’un ensemble dans lui-même) ........................ 2
5- Fonction et applications .................................................................................... 3
4- Anneaux ........................................................................................................... 7
5- Corps ................................................................................................................ 8
6- Idéal.................................................................................................................. 8
7- Homomorphisme d’anneaux ............................................................................. 8
1.4- POLYNÔMES – FRACTIONS RATIONNELLES POLYNÔMES ............... 15

1- Définitions - Généralités .................................................................................. 15
2- Division euclidienne ........................................................................................ 15
3- Décomposition d'un polynôme en facteurs ................................................... 17
4- Racines multiples du polynôme ....................................................................... 19
1-5) FRACTIONS RATIONNELLES ....................................................... 23

2- Décomposition d'une fraction rationnelle en éléments simples ......................... 24
CHAPITRE 2 ESPACES VECTORIELS ......................................................... 30
2-1 – STRUCTURE D’ESPACES VECTORIEL .................................................. 30

2-1-1- Définition ................................................................................................... 30
2.1.2. Propriétés .................................................................................................... 32
2-3-1- Sous espace vectoriel.................................................................................. 32
2.1.4 Structure d’Algèbre sur un corps K .............................................................. 33
2.1.5 Sous algèbre ................................................................................................. 33
2-2- COMBINAISONS LINEAIRES FINIES ....................................................... 33
2.2.1. Combinaison linéaire d’une famille finie ..................................................... 33
2.2.2 Sous-espace engendré par une famille finie. ................................................. 34
2.2.3 Famille libre finie ......................................................................................... 34
2.2.4. Famille liée finie ......................................................................................... 35
2.3 BASES EN DIMENSION FINIE .................................................................... 36
2.3.1 Définitions ................................................................................................... 36
2- Montrons que la famille B est une base de Kn[X] .............................................. 36
2-3-2 Existence de bases en dimension finie ......................................................... 37
2.3.3 Dimension .................................................................................................... 37

CHAPITRE 3 APPLICATIONS LINEAIRES .................................................. 39
3.1 DEFINITIONS................................................................................................ 39
3.1.1 Morphisme d’espace vectoriel ...................................................................... 39
1- Homothéties...................................................................................................... 39
2.3.4 Rang d’une famille finie de vecteurs ............................................................ 40
2- Dérivation dans K[x] ......................................................................................... 40
3-1-2 Caractéristique des applications linéaires ..................................................... 41
3.2 IMAGE ET NOYAU D’UNE APPLICATION LINEAIRE ............................ 41
3.2.1 Image d’une application linéaire ................................................................... 41
3.2.2. Niveau d’une application linéaire ................................................................ 42
3.2.3 Sous-espace Ker(f) ....................................................................................... 42
3.2.4 Caractérisation des applications linéaires injectives ...................................... 43
3.2.5 Détermination des applications linéaires....................................................... 43
3.2.6 Morphismes injectifs et bases ....................................................................... 44
3.3. APPLICATION LINEAIRE ET DIMENSIONS ............................................ 44
3.3.1 Base canonique de Kn .................................................................................. 44
3.3.2 Isomorphisme fondamental .......................................................................... 44
3.3.3 Relation entre les dimensions du noyau et de l’image ................................... 44
3.3.4 Cas ou Dim E = Dim F ................................................................................. 45
3.3.5 Dimension de la somme de sous-espaces ...................................................... 45
3.3.6 Rang d’une application linéaire .................................................................... 46
3.4 Espace vectoriel des morphismes de E dans F ................................................. 47
3.4.1 Somme de deux (2) applications linéaires ..................................................... 47
3.4.2 Produit d’une application linéaire par un scalaire ......................................... 47
3.4.3 Dual d’un espace vectoriel ........................................................................... 48
3.5 Algèbre des endomorphismes de E .................................................................. 48
3.6 Groupe linéaire ............................................................................................... 48
3.7 Projecteurs ...................................................................................................... 48
CHAPITRE 4 MATRICES ................................................................................ 49
4.1 MATRICE D’UNE APPLICATION LINEAIRE ............................................ 49

4.1.1 Cas particulier .............................................................................................. 49
4.1.2 Cas général................................................................................................... 50
4.1.3 Exemples...................................................................................................... 52
4.1.4 Matrice ligne – matrice colonne ................................................................... 52
4.1.5. Représentation matérielle canonique ........................................................... 53
4.2. ESPACE VECTORIEL Mp, n (K) ................................................................. 54
4.2.1. Addition des matrices .................................................................................. 54
4.2.2 Multiplication par un scalaire ....................................................................... 54
4.2.3 Dimension L2 (E,F) et Mp , n (K) .................................................................. 55
4.3 MULTIPLICATION DES MATRICES .......................................................... 55
4.3.1 Définition ..................................................................................................... 55
4.3.2 Propriété....................................................................................................... 56
4.3.3 Ecriture matricielle des applications linéaires ............................................... 57

4.4 ALGEBRE DES MATRICES CARREES D’ORDRE n .................................. 58

4.4.1 Matrices carrées ........................................................................................... 58
4.4.2 Matrice scalaire ............................................................................................ 59
4.4.3 Matrice diagonale ......................................................................................... 59
4.4.4 Sous algèbre des matrices diagonales ........................................................... 60
4.4.5 Sous-algèbre des matrices diagonales ........................................................... 61
4.4.6 Matrices triangulaires ................................................................................... 61
4.5 MATRICES INVERSIBLES, CHANGEMENT DE BASES .......................... 63
4.5.1 Matrices inversibles ..................................................................................... 63
4.5.2 Changement de bases ................................................................................... 63
4.6 TRANSPOSEE D’UNE MATRICE ................................................................ 64
4.6.1. Définition .................................................................................................... 64
4.6.2 Opération sur les transposées........................................................................ 65
4.6.3 Transposée d’une matrice inversible ............................................................. 66
CHAPITRE 5 DETERMINANTS ...................................................................... 69
5.1. APPLICATIONS BILINAIRES ..................................................................... 69

5.1.2. Formes bilinéaires ....................................................................................... 69
5.1.3 Application bilinéaire alternée ...................................................................... 69
5.1.4 Cas où Dim E = 2 ......................................................................................... 70
5.1.5. Déterminant d’ordre 2 ................................................................................. 71
5.2. APPLICATIONS TRILINEAIRES ALTERNEES ......................................... 71
5.2.1 Applications trilinéaires ............................................................................... 71
5.2.2 Cas où dim E = 3 .......................................................................................... 72
5.2.3 Déterminant d’ordre 3 .................................................................................. 73
5.2.4 Développement selon les éléments d’une rangée .......................................... 75
5.3 APPLICATION MULTILINEAIRE ............................................................... 75
5.3.1 Définition 4 .................................................................................................. 75
5.3.2 Définition 5 .................................................................................................. 75
5.3.3 Cas où dim E = p .......................................................................................... 76
5.3.4 Déterminant d’une matrice de Mp(K) ........................................................... 76
5.4 DETERMINANT DU PRODUIT DE DEUX MATRICES DE Mp(K) ........... 76
5.4.1 Déterminant du produit de deux matrices ..................................................... 76
5.5. DEVELOPPEMENT D’UN DETERMINANT SELON ELEMENTS D’UNE
RANGEE ..................................................................................................... 77
5.6 COMATRICE ................................................................................................. 77
CHAPITRE 6 THEORIE DU RANG – EQUATIONS LINEAIRES ............... 82
6.1. THEORIE DU RANG .................................................................................... 82

6.1.1 Rang d’une famille de vecteurs .................................................................... 82
6.1.2. Rang de la famille d’une supplication linéaire ............................................. 82
6.1.3 Rang d’une matrice ...................................................................................... 82
6.1.4 Calcul du rang d’une application linéaire ..................................................... 83
6.1.5 Calcul du rang d’une famille de vecteurs ...................................................... 83

6.2- CRITERE D’INDEPENDANCE LINEAIRE................................................. 83

6.3.1 Critère général de l’indépendance linéaire .................................................... 84
6.3.2 Exemple ....................................................................................................... 84
6.3. CALCUL DU RANG D’UNE MATRICE ..................................................... 85
6.3.1 Matrices extraites d’une matrice ................................................................... 85
6.3.2 Calcul du rang d’une matrice ........................................................................ 85
6.4. EQUATIONS LINEAIRES ............................................................................ 85
6.4.1 Définitions ................................................................................................... 85
6.4.2 Interprétation matricielle du système ............................................................ 85
6.4.3 Interprétation vectorielle du système ............................................................ 86
6.4.4 Remarques ................................................................................................... 87
6.5 SYSTEME DE CRAMER ............................................................................... 87
6.5.1 Définition ..................................................................................................... 87
6.5.2 Résolution d’un système Cramer .................................................................. 87
6.5.3 Calcul explicite ............................................................................................ 87
6.5.4 Exemple ....................................................................................................... 88
6.6 SYSTEME GENERAL ................................................................................... 89
6.6.1. Théorème de Fontené – Rouché .................................................................. 89
6.6.2 Exemples...................................................................................................... 89
6.6.3 Système homogène....................................................................................... 92
CHAPITRE 7 REDUCTION D’ENDOMORPHISME ..................................... 94

7.1 VALEURS PROPRES ET VECTEURS PROPRES ........................................ 94
7.1.1 Définitions ................................................................................................... 94
7.1.2 Caractérisation des valeurs propres............................................................... 95
7.2 POLYNOME CARACTERISTIQUE.............................................................. 96
7.2.1 Définition ..................................................................................................... 96
7.2.2 Invariance du polynôme caractéristique ........................................................ 97
7.2.3 Calcul des valeurs propres ............................................................................ 97
7.2.4 Trace d’une matrice ...................................................................................... 98
EXERCICES PROPOSES.................................................................................. 103
REFERENCES BIBLIOGRAPHIQUES ............................................................... 156

Livre Math Algebre Prof. Foade

Transféré par

Droits d'auteur :

Formats disponibles

Livre Math Algebre Prof. Foade

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Livre Math Algebre Prof. Foade

Transféré par

Droits d'auteur :

Formats disponibles

Manuel de Mathématique Algèbre pour économiste

CHAPITRE 1 : ENSEMBLES-RELATIONS, LOIS DE COMPOSITION, NOMBRES

2- Opérations sur les parties d’un ensemble

Pour toutes les parties A, B et C d’un ensemble E, on définit:

 Le complémentaire de C dans E : 𝐶𝐸𝐶 = {x 𝜖 E/ x ∉ C}

1 Cours et Exercices corrigés FOADE T. Joel Denis

3- Produit cartésien de deux ensembles

4- Relations binaires (ou relations d’un ensemble dans lui-même)

2 Cours et Exercices corrigés FOADE T. Joel Denis

3 Cours et Exercices corrigés FOADE T. Joel Denis

Soient trois ensembles E, F et G et deux applications :

3- Applications injectives, surjectives et bijectives

 f est injective lorsque :

On peut écrire que : [P => Q]  [non Q => non P]

 f est bijective lorsqu’elle est injective et bijective.

Si on a f : E ––> F alors f – 1 : F ––> E et on en déduit que f – 1o f = idE et

Autrement dit : idE (x) = x, ∀ x ϵ E et idF (y) = y ∀ y ϵ F.

4- Image directe et image réciproque

4 Cours et Exercices corrigés FOADE T. Joel Denis

L’image réciproque de B est telle que :

1-2 Lois de composition

5 Cours et Exercices corrigés FOADE T. Joel Denis

T[X], l’ensemble des trinômes ; T[X] ⊂ P[X]

2-2 Propriété des lois de composition interne

6 Cours et Exercices corrigés FOADE T. Joel Denis

Soit un ensemble E muni de deux lois internes ⊥ et *

Remarque : Un anneau est commutatif lorsque la deuxième loi * est

Exemple : (IR, +, X) est un anneau car :

7 Cours et Exercices corrigés FOADE T. Joel Denis

Soit un ensemble K muni de deux lois internes ⊥ et *.

Exemple : (IR, +, X) est un corps car :

Exemple : (Z, + X) est un anneau commutatif

1-1 Corps des nombres complexes

8 Cours et Exercices corrigés FOADE T. Joel Denis

1- Naissance d’un corps

En résumé, nous avons N ⊂ Z ⊂ Q ⊂ R.

9 Cours et Exercices corrigés FOADE T. Joel Denis

Conclusion : (IR2, +, X) est un corps appelé le corps des complexes. Un couple

Preuve : Z = (a,b) = (a,0) + (b,0)

Remarque: i est donc solution x2 = -1

2- Propriété des nombres complexes

a- Opérations sur les nombres complexes

10 Cours et Exercices corrigés FOADE T. Joel Denis

c- Représentation dans le plan complexe, module et argument

M = (a,b) = Z r = √𝑎2 + 𝑏2 = ‖𝑍‖

On appelle module du complexe z = a + ib le réel positif r = √𝑎2 + 𝑏 2. On le note

Propriétés du module et de l’argument

b) A r g (ZZ’) = A r g (Z) + A r g (Z’) + 2kπ, k ϵ 𝕫

11 Cours et Exercices corrigés FOADE T. Joel Denis

(cos𝛳+isin𝛳)n = cos n𝛳 + isin n𝛳 formule de Moivre

ce sont les formules d’Euler.

12 Cours et Exercices corrigés FOADE T. Joel Denis

Exemple : n = 3 ; l’équation Z3 = 1 a pour racines Z0 = 1

13 Cours et Exercices corrigés FOADE T. Joel Denis

14 Cours et Exercices corrigés FOADE T. Joel Denis

1.4- POLYNÔMES – FRACTIONS RATIONNELLES POLYNÔMES

Soit K le corps, C des nombres complexes ou R. On appelle polynôme f, toute

Si n € IN, tel que an ≠0, alors n est le degré de f. On note : do f = n.

Il existe un couple de polynômes q(x) et r(x) éléments de K[x] vérifiant les

Les polynômes q(x) et f(x) sont appelés respectivement quotient et reste.