Cours Algébre MIP S1 + Exercices

Algèbre I pour la Licence Scientifique
Filières SMP, SMC, MIPC et Prépa.
Professeur Mostafa ABOUNOUH

Université Cadi-Ayyad
2
Préface
Alors que la réforme de l’enseignement supérieur est en marche, nos étu-
diants ont besoin d’outils pédagogiques adaptés aux exigences du passage au
système L-M-D (Licence, Master, Doctorat).
Ce volume de la collection Réussir les Mathématiques en Licence et
Prépa. couvre le programme d’algèbre de la première année de la Licence
scientifique. Il a été conçu en respectant les fiches techniques des modules
d’algèbre des filières sciences de la matière physique (SMP), sciences de la
matière chimie (SMC) et la filière mathématique, informatique, physique
et chimie (MIPC). Ce volume est aussi utile pour les étudiants des classes
préparatoires aux écoles d’ingénieurs et les étudiants des filières sciences ma-
thématiques (SM) et sciences mathématiques et informatique (SMI).
Chaque chapitre de ce volume comporte :
• un rappel de cours copieusement illustré par des exemples. Nous avons
tenu à ce que chaque définition, chaque proposition et chaque théorème
soient suivis d’exemples détaillés pour les illustrer, les rendre moins
abstraits et préparer l’étudiant à aborder les exercices ;
• une collection d’exercices typiques recouvrant les différentes parties du
cours ainsi que leurs solutions détaillées. Ces solutions se réfèrent d’une
manière systématique et répétitive aux résultats du cours pour per-
mettre à l’étudiant une assimilation profonde de ces résultats.
Nous avons aussi inclus deux sujets d’examen avec leurs solutions pour per-
mettre aux étudiants de s’auto-tester.
Nous pensons que ce volume sera un outil de travail précieux pour les étu-
diants afin de les aider à préparer leurs examens et, surtout, à développer
leurs capacités d’auto-formation qualité indispensable pour la poursuite de
leurs études supérieures.
M. Boucetta
Professeur à l’Université Cadi-Ayyad
Directeur de la collection
Table des matières
1 Logique, raisonnement et langage mathématique 7

1.1 Eléments de logique . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Raisonnements mathématiques . . . . . . . . . . . . . . . . . . 11
1.3 Ensemble, éléments, appartenance, inclusion . . . . . . . . . . 12
1.4 Quantificateurs . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Relations binaires et applications . . . . . . . . . . . . . . . . 15
1.6 Lois de composition : groupes, anneaux et corps . . . . . . . . 20
1.7 Exercices corrigés . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Polynômes réels ou complexes 29

2.1 Définition de K[X] et propriétés générales . . . . . . . . . . . 29
2.2 Division euclidienne et propriétés
arithmétiques de K[X] . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Dérivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Racines des polynômes, théorème de d’Alembert et ses appli-
cations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Fractions rationnelles 55
3.1 Définitions et propriétés algébriques de K(X) . . . . . . . . . 55
3.2 Décomposition en éléments simples . . . . . . . . . . . . . . . 58
3.2.1 Division suivant les puissances croissantes . . . . . . . 58
3.2.2 Exemples de décomposition en éléments simples . . . . 61
4 Espaces vectoriels et applications linéaires 75

4.1 Structure d’espace vectoriel . . . . . . . . . . . . . . . . . . . 75
4.1.1 Exemples usuels d’espaces vectoriels . . . . . . . . . . . 76
3
4
4.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 77

4.2.1 Sous-espace vectoriel engendré par une partie . . . . . 78
4.2.2 Somme de deux sous-espaces vectoriels . . . . . . . . . 79
4.3 Famille libre, famille liée . . . . . . . . . . . . . . . . . . . . . 80
4.4 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . 80
4.5 Rang d’une famille de vecteurs . . . . . . . . . . . . . . . . . . 83
4.6 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 84
4.6.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . 84
4.6.2 Image et Noyau d’une application linéaire . . . . . . . 85
4.6.3 Opérations sur les applications linéaires . . . . . . . . . 87
4.6.4 Applications linéaires d’un K-espace vectoriel de di-
mension finie dans un K-espace vectoriel . . . . . . . . 88
5 Matrices réelles ou complexes 117

5.1 L’ensemble des matrices Mp,n (K) : définitions et premières
propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2 Matrice d’une application linéaire . . . . . . . . . . . . . . . . 120
5.3 Structure d’espace vectoriel de Mp,n (K) . . . . . . . . . . . . 122
5.4 Produit des matrices et ses applications . . . . . . . . . . . . . 123
5.5 Formules de changement de bases . . . . . . . . . . . . . . . . 127
5.6 Exercices corrigés . . . . . . . . . . . . . . . . . . . . . . . . 133
6 Déterminants 149
6.1 Déterminant d’une matrice carrée : définition . . . . . . . . . 149
6.2 Déterminant d’une matrice carrée : propriétés . . . . . . . . . 152
6.2.1 Déterminant d’un endomorphisme . . . . . . . . . . . . 155
6.3 Applications des déterminants . . . . . . . . . . . . . . . . . . 156
6.3.1 Indépendance linéaire de n vecteurs dans un e.v. de
dimension n . . . . . . . . . . . . . . . . . . . . . . . . 156
6.3.2 Calcul de l’inverse d’une matrice carrée inversible . . . 157
6.3.3 Calcul du rang d’une matrice . . . . . . . . . . . . . . 158
7 Systèmes linéaires 173

7.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.2 Résolution du système (7.1) . . . . . . . . . . . . . . . . . . . 174
7.3 Méthode de pivot de Gauss . . . . . . . . . . . . . . . . . . . 184
5
8 Diagonalisation des endomorphismes 197

8.1 Endomorphismes diagonalisables . . . . . . . . . . . . . . . . . 197
8.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . 197
8.1.2 Vecteurs propres, valeurs propres et sous-espaces propres198
8.1.3 Polynôme caractéristique . . . . . . . . . . . . . . . . . 200
8.1.4 Démarche à suivre pour vérifier si un endomorphisme
est diagonalisable . . . . . . . . . . . . . . . . . . . . . 203
8.1.5 Deux remarques pour conclure . . . . . . . . . . . . . . 203
8.3 Examen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
8.4 Examen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
8.5 Correction examen 1 . . . . . . . . . . . . . . . . . . . . . . . 228
8.6 Correction examen 2 . . . . . . . . . . . . . . . . . . . . . . . 232
6
Chapitre 1
Logique, raisonnement et langage

mathématique
1.1 Eléments de logique

Définition 1 Toute expression mathématique à laquelle on peut, sans am-
biguité, attribuer la "valeur" VRAI, ou la "valeur" FAUX est une proposition.
Exemples -
1. |5 est inférieur
{z à 3} est une proposition fausse.
√
2. 2 n’est pas un nombre rationnel est une proposition vraie.
| {z }
Définition 2 Etant donné un ensemble E, on appelle forme propositionnelle

à une variable, définie sur E, toute expression contenant une variable x et
qui devient une proposition pour toute valeur donnée à x dans E.
Si on note p(x) une forme propositionnelle à une variable x, si à x on donne
la valeur a on obtient la proposition particulière p(a) qui peut-être vraie ou
fausse. Les éléments pour lesquels p(x) est vraie sont dits vérifier p(x).
Exemple - Pour E = N, on considère la forme propositionnelle à une

variable :
p(x) : x est premier.
On a p(2) est une proposition vraie car 2 est un nombre premier. Par
contre, p(6) est une proposition fausse car 6 n’est pas un nombre premier.
7
8
A une proposition, notée p, correspond les deux valeurs de vérité :

• vrai notée v ou 1.
• faux notée f ou 0.
Ceci donne dans une table dite table de vérité
proposition p
vrai 1
faux 0
On peut étendre à plus d’une proposition cette table de vérité, par exemple,
pour deux propositions p et q :
p q
1 1
1 0
0 1
0 0
Deux propositions p et q sont dites logiquement équivalentes si elles ont
les mêmes valeurs de vérité. On note p ←→ q et on lit " p est équivalente à
q".
La négation est un opérateur qui à toute proposition p, associe la pro-
position négation de p, qui est vraie si p est fausse et qui est fausse si p est
vraie.
On note kp et on dit " non p" la négation de p dont la table de vérité est :
p kp
1 0
0 1
Exemple - Soit la proposition :
p : 17 est un multiple de 2.
La négation de p est :
kp : 17 n’est pas un multiple de 2.
On appellera connecteur logique toute opération sur deux propositions.

À partir de l’utilisation de connecteurs dans notre langage courant, nous
allons définir quatre connecteurs usuels :
9
1. La conjonction logique : le connecteur logique et,noté ∧, défini par

la proposition "p et q" (p ∧q) qui est vraie si p et q le sont, fausse sinon.
p q p∧q
1 1 1
1 0 0
0 1 0
0 0 0
Exemples -
(a) La proposition [(3 < 5) ∧ (4 6= 2 + 2)] est fausse.
(b) La proposition [(2 = 1 + 1) et (tout carré est un rectangle)]
est vraie.
2. La disjonction (inclusive) : le connecteur logique ou, noté ∨, défini
par la proposition "p ou q" (p ∨ q) qui est vraie si l’une au moins des
propositions p et q est vraie, fausse si p et q le sont.
p q p∨q
1 1 1
1 0 1
0 1 1
0 0 0
Exemples -
(a) La proposition (5 est premier) ou (4 est pair) est vraie.
(b) la proposition (5 est premier) ou (4 est impair) est vraie.
(c) la proposition (4 est premier) ou (5 est pair) est fausse.
3. L’implication (si ... alors) : le connecteur logique si ... alors, noté
=⇒, défini par la proposition "p implication q" (p =⇒ q) fausse dans
le cas où p est vraie et q est fausse, vraie dans les autres cas.
p q p =⇒ q
1 1 1
1 0 0
0 1 1
0 0 1
Exemples -
10
(a) La proposition (3 < 5) =⇒ (3 < 7) est vraie.

(b) La proposition (2 est premier) =⇒ (5 est pair) est fausse.
La proposition (p =⇒ q) est logiquement équivalente à la proposition

(kp ∨ q), soit
(p =⇒ q) ←→ (kp ∨ q).
En effet,
p q p =⇒ q kp kp ∨ q
1 1 1 0 1
1 0 0 0 0
0 1 1 1 1
0 0 1 1 1
On appelle réciproque de (p =⇒ q) la proposition (q =⇒ p). On ap-
pelle contraposée de (p =⇒ q) la proposition (kq =⇒ kp).
Les propositions (p =⇒ q) et (kq =⇒ kp) sont équivalentes :
p q p =⇒ q kq kp kq =⇒ kp
1 1 1 0 0 1
1 0 0 1 0 0
0 1 1 0 1 1
0 0 1 1 1 1
Donc
(p =⇒ q) ←→ (kq =⇒ kp).
4. La bi-implication (l’équivalence) : le connecteur logique bi-implication
associe à tout couple de propositions (p, q) la proposition "p bi-implication
q" (notée p ⇐⇒ q qu’on lit p est équivalent à q) vraie si p et q sont de
même valeur, fausse sinon.
p q p =⇒ q q =⇒ p p =⇒ q et q =⇒ p p ⇐⇒ q
1 1 1 1 1 1
1 0 0 1 0 0
0 1 1 0 0 0
0 0 1 1 1 1
Exemples -
11
(a) (5 est premier) ⇐⇒ (4 est pair) est une équivalence vraie.

(b) (5 est pair) ⇐⇒ (4 est premier) est une équivalence vraie.
(c) (5 est premier) ⇐⇒ (4 est impair) est une équivalence fausse.
1.2 Raisonnements mathématiques

Nous allons énumérer les différents types de raisonnements mathéma-
tiques.
1. Le raisonnement par déduction est basé sur la remarque suivante :
si p et q sont deux propositions et si p et (p =⇒ q) sont vraies alors on
peut affirmer, d’après le tableau de vérité de (p =⇒ q), que q est vraie.
On dira que p est l’hypothèse et q est la conclusion.
Exemple - Nous allons démontrer par déduction que si n est un

entier naturel multiple de 6 alors n est aussi multiple de 3.
p : n entier naturel multiple de 6.
q : n multiple de 3.
p =⇒ q : si n entier naturel multiple de 6 alors il existe k ∈ N tel
que n = 6 × k = 2 × 3 × k = 3 × (2k). Donc p =⇒ q est vraie. D’où n
est un multiple de 3.
2. L’emploi de l’implication contraposée Pour démontrer que (p =⇒
q) est vraie, il est quelque fois plus commode de démontrer que sa
contraposée [(kq) =⇒ (kp)] est vraie.
Exemple - Nous allons démontrer, pour tout (x, x0 ) ∈ R2 , l’implica-

tion :
(x 6= x0 ) =⇒ (5x + 7 6= 5x0 + 7). (1)
la contraposée de (1) est
5x + 7 = 5x0 + 7 =⇒ x = x0 . (2)
Or, si 5x + 7 = 5x0 + 7, on a en simplifiant : 5x = 5x0 et donc x = x0 .

D’où l’implication (2) est vraie, par suite (1) est vraie.
3. Le raisonnement par l’absurde. Nous voulons démontrer qu’une
proposition q est vraie. Pour cela, si (kq =⇒ p) est vraie et si p est
fausse alors, d’après le tableau de vérité de (kq =⇒ p), kq est fausse
12
et donc q est vraie.
Exemple - Nous allons démontrer par absurde la proposition sui-

vante : Si deux droites D et D0 sont perpendiculaires et si une
troisième droite D00 , non perpendiculaire à D, coupe D alors D00
coupe D0 .
Posons q : D00 coupe D0 .
la proposition non (D00 coupe D0 ) =⇒ D00 //D0 =⇒ D 00
| {z ⊥ D} est vraie
| {z } | {z }
q p r
Or la proposition r est fausse puisque D00 n’est pas perpendiculaire

à D.
Donc p =⇒ r est vraie et r est fausse implique la proposition p est
fausse.
D’autre part, la proposition (kq =⇒ p) est vraie et p est fausse,
donc (kq) est fausse. D’où la proposition q est vraie.
4. Le raisonnement par récurrence. Le raisonnement par récurrence
s’emploie pour établir qu’une forme propositionnelle p(n) est vraie pour
tout n ∈ N et n ≥ n0 . Pour cela il suffit de montrer que p(n0 ) est vraie
et que, pour tout n ≥ n0 , si p(n) est vraie alors p(n + 1) est vraie.
Exemple - Nous allons montrer par récurrence que, pour tout n ∈

N∗ ,
n(n + 1)
Sn = 1 + 2 + . . . + n = .
2
1.(1 + 1)
Pour n = 1, on a : S1 = 1 = .
2
n(n + 1)
Soit n ≥ 1, supposons que Sn = . On a
2
n(n + 1) (n + 1)(n + 2)
Sn+1 = 1+2+ ... +n+(n+1) = Sn +(n+1) = +(n+1) = .
2 2
D’où le résultat est vrai pour tout n ∈ N∗ .
1.3 Ensemble, éléments, appartenance, inclu-

sion
Un ensemble est une collection d’objets qu’on écrit entre deux accolades.
Ces objets sont appelés éléments de l’ensemble.
13
Exemple - {?, ◦, 4} est un ensemble qui contient une étoile, un cercle et

un triangle.
Si E est un ensemble et ♦ un objet, la phrase ♦ est un élément de E est

considérée comme une proposition :
- si la proposition est vraie, on écrit ♦ ∈ E qui se lit : ♦ élément de E ou ♦
appartient à E.
- si la proposition est fausse, on écrit ♦ ∈
/ E qui se lit : ♦ n’est pas élément
de E ou ♦ n’appartient pas à E.
Exemple - Dans l’exemple ci-dessus, si on pose E = {?, ◦, 4} alors, on a

? ∈ E mais × ∈
/ E.
Deux ensembles E et F sont égaux si, et seulement si, ils ont les mêmes
éléments : on note E = F .
Exemple - Si E = {a, b, 2}, F = {b, 2, a} et G = {a, b, 3} alors E = F et F 6= G.
L’inclusion entre deux ensembles est une relation importante. Un en-

semble A est inclus dans un ensemble E si tout élément de A est élément de
E. On note A ⊂ E et on lit A est inclus dans E, A est un sous ensemble de
E ou A est une partie de E.
L’égalité entre deux ensembles E et F est alors caractérisée par :
(E = F ) ⇐⇒ ((E ⊂ F ) ∧ (F ⊂ E)).
Exemple - Soient A = {◦, ?, 4}, B = {?, ◦, 4, } et C = {?, , 4, ◦}. On a
clairement A ⊂ B et A = C.
Nous définissons à l’aide des formes propositionnelles, les notions ensem-
blistes de base. Soit E un ensemble et A et B deux sous ensembles de E. La
forme propositionnelle p(x) dans le tableau se réfère aux éléments de E.
p(x) Ensemble vérifiant p(x) Notation
x∈/E Ensemble vide ∅
x∈/A Complémentaire de A dans E CE ou Ac
A
(x ∈ A) ∨ (x ∈ B) A union B A∪B
(x ∈ A) ∧ (x ∈ B) A inter B A∩B
Ensemble des parties d’un ensemble : Pour tout ensemble E, il existe
un nouvel ensemble appelé ensemble des parties de E et dont les éléments
14
sont tous les sous-ensembles de E. Cet ensemble est noté P(E).
Exemple - Soit E = {a, b}. On a
P(E) = {∅, {a}, {b}, {a, b}}.
Ainsi, on a a ∈ E, {a} ⊂ E et {a} ∈ P(E). Le même objet {a} est à la fois

considéré comme un sous-ensemble ({a} est un sous-ensemble de E) ou
un élément ({a} est un élément de P(E)).
On a les propriétés suivantes :

X)
1. Pour tout X ∈ P(E), on a C (C = X.
2. Pour tout X, Y ∈ P(E) si C X = C Y alors X = Y .
3. C E = ∅ et C ∅ = E.
4. Pour tous A, B ⊂ E, C (A∩B) = C A ∪ C B et C (A∪B) = C A ∩ C B .
5. Pour tous A, B, C de E, on a : A ∪ ∅ = A, A ∩ ∅ = ∅, A ∪ C A =
E , A∩E = A , A∪A = A , A∩A = A , A∪B = B ∪A , A∩B =
B ∩ A , (A ∪ B) ∪ C = A ∪ (B ∪ C) , (A ∩ B) ∩ C = A ∩ (B ∩ C).
6. Pour tous A, B, C de E, on a :
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) et A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).
1.4 Quantificateurs
Soient p(x) une forme propositionnelle définie sur E. On définit Ep =
{x ∈ E , p(x) vraie}. Il y a deux types de quantificateurs :
1. Quantificateur universel. Si E = Ep on écrit :
∀x ∈ E, p(x) est vraie,
qui se lit "pour tout x élément de E, p(x) vraie" ou "quelque soit x

élément de E, p(x) vraie".
Le symbole ∀ est appelé quantificateur universel.
2. Quantificateur existentiel. Si pour au moins un a ∈ E, p(a) est
vraie on écrit
∃x ∈ E, p(x) vraie,
15
qui se lit : "il existe au moins un élément x de E tel que p(x) vraie" .
Le symbole ∃ est le quantificateur existentiel.
Les quantificateurs ∀, ∃ seront désormais utilisés pour traduire les énon-
cés mathématiques. Ils permettent de transformer le langage usuel en
langage symbolique.
Exemple - La proposition p : (pour tout nombre réel x, il existe un

entier n tel que n est supérieur ou égal à x) s’écrit symboliquement
p : ∀x ∈ R, ∃n ∈ N, n ≥ x.
Remarques -
(a) L’ordre dans l’utilisation des quantificateurs ∀ et ∃ est très
important : quand on permute l’ordre le sens change. Par
exemple, la proposition
p : ∀x ∈ R, ∃n ∈ N, n ≥ x
est vraie alors que la proposition
q : ∃n ∈ N, ∀x ∈ R, n ≥ x
est fausse.
(b) Dans une proposition complexe, c’est à dire contenant plu-
sieurs quantificateurs, la négation s’obtient en remplaçant ∀
par ∃, ∃ par ∀ (en respectant l’ordre) et les formes proposi-
tionnelles par leur négation.
1.5 Relations binaires et applications

Couple : Soit E un ensemble, soient x, y deux éléments de E. L’élément
noté (x, y) est appelé le couple (x, y). Par définition
(x, y) = (x0 , y 0 ) ⇐⇒ x = x0 et y = y 0 .
Dans le couple (x, y), x est son premier élément, y son deuxième élément.
Exemple - Si E = R, l’ensemble des éléments (x, y) avec x ∈ R et y ∈ R est

le plan R2 .
16
Produit cartésien de deux ensembles : Soient E et F deux ensembles.

L’ensemble constitué de tous les couples (x, y) tels que x ∈ E et y ∈ F est
appelé produit cartésien de E par F et noté E × F et se lit E croix F .
E × F = {(x, y), x ∈ E, y ∈ F }.
Si E = F , on note E 2 le produit E × E. Cette notion de produit se généralise

à plus de deux ensembles.
Exemple - Pour E = R, R2 est le plan considéré dans l’exemple ci-dessus.
Une relation binaire d’un ensemble E vers un ensemble F est une forme
propositionnelle, notée R, à deux variables x ∈ E et y ∈ F . On note cette
forme propositionnelle R(x, y) ou xRy. Si E = F, R est appelée relation
binaire dans E.
Exemple - Pour E = F = R, l’égalité x = y et l’inégalité x ≤ y sont des

relations binaires dans R.
Une relation binaire R dans un ensemble E est dite :

1. Réflexive si ∀x ∈ E , xRx est vraie.
2. Symétrique si ∀(x, y) ∈ E 2 , ( xRy est vraie =⇒ yRx est vraie).
3. Transitive ∀(x, y, z) ∈ E 3 , , (xRy et yRz sont vraies =⇒ xRz est vraie).
4. Antisymétrique si ∀(x, y) ∈ E 2 , (xRy et yRx sont vraies =⇒ x = y).
Exemples - Dans E = R,
1. L’égalité = est une relation binaire. Elle est reflexive, symétrique,
transitive et antisymétrique.
2. L’inégalité ≤ est reflexive, antisymétrique et transitive. L’inégalité
n’est pas symétrique.
Relation d’équivalence : Une relation binaire définie dans un ensemble E,
non vide, est une relation d’équivalence, si elle est réflexive, symétrique et
transitive.
Dans ce cas xRy se note x ≡ y (mod R) et se lit "x est équivalent à y,
modulo R".
Classes d’q́uivalence : Soit a ∈ E, et R une relation d’équivalence sur E.
17
La classe de a, modulo R, est l’ensemble des éléments x de E équivalents à

a modulo R. On note cl(a) = ȧ la classe de a.
cl(a) = ȧ = {x ∈ E ; aRx}
Théorème 1 Les classes d’équivalence relatives à une relation d’équivalence
dans un ensemble, sont des sous ensembles non vides, deux à deux disjoints
et telle que la réunion de toutes ces parties soit égale à E lui même. On dit
qu’elles réalisent une partition de l’ensemble E.
L’ensemble des classes d’équivalence de E, modulo R, est appelé ensemble
quotient de E par R, on le note E/R et on lit E sur R.
Exemple - (Congruence modulo 2 dans l’ensemble Z des entiers relatifs)

Soient x et y deux éléments de Z. On dira que x est congrue à y modulo
2 et on notera x ≡ y (mod 2) si x − y est un multiple de 2, c’est-à-dire, il
existe k ∈ Z tel que x − y = 2k.
On définit alors la relation binaire R sur Z, appelée congruence mo-
dulo 2, par
∀(x, y) ∈ Z2 : xRy ←→ x ≡ y (mod 2).
Nous allons montrer que R est une relation d’équivalence. En effet, on
a:
1. Pour tout x ∈ Z, x − x = 0 donc xRx, ce qui montre que R est
reflexive.
2. Pour tout (x, y) ∈ Z2 , si xRy alors il existe k ∈ Z tel que x − y = 2k
ce qui entraîne y − x = 2(−k) et donc yRx, ce qui montre que R est
symétrique.
3. Pour tous x, y, z ∈ Z, si xRy et yRz alors ∃k, k 0 ∈ Z tels que x−y = 2k
et y −z = 2k 0 . En additionnant les deux égalités, on a x−z = 2(k +k 0 ).
Donc xRz, ceci montre que R est transitive.
Pour tout x ∈ Z, si x est paire alors xR0 et si x est impaire alors xR1.
Donc, l’ensemble quotient de la congruence modulo 2 contient deux
classes d’équivalence à savoir 0̇ et 1̇, c’est-à-dire,
E/R = {0̇, 1̇}.
Relation d’ordre : Une relation binaire définie dans un ensemble E, non

vide, est une relation d’ordre, si elle est réflexive, antisymétrique et transitive.
Exemple - Soit E un ensemble. L’inclusion (⊂) dans P(E) est une relation
d’ordre. En effet :
18
1. ∀A ∈ P(E) l’inclusion A ⊂ A est toujours vraie et donc ⊂ est re-

flexive.
2. ∀(A, B, C) ∈ (P(E))3 si les inclusions A ⊂ B et B ⊂ C sont vraies
alors A ⊂ C est vraie, donc ⊂ est transitive.
3. ∀(A, B) ∈ (P(E))2 si les inclusions A ⊂ B et B ⊂ A sont vraies alors
A = B, donc ⊂ est antisymétrique.
Les fonctions et applications sont des cas particuliers de relations binaires.
Une relation binaire d’un ensemble E vers un ensemble F , définie par une
forme propositionnelle xRy est une fonction de x si pour chaque valeur a
donnée à x il existe au plus un y vérifiant aRy.
Une telle relation est appelée fonction, notée f , définie dans E et à valeurs
dans F .
E est l’ensemble de départ et F est celui d’arrivée. Si l’élément unique y
associé à x existe, on l’appelle image de x, noté f (x), par la fonction. Le
sous-ensemble, noté Df ⊂ E, des éléments ayant effectivement une image,
est appelé ensemble de définition de la fonction.
On note généralement f la fonction :
xRy ⇐⇒ y = f (x)
et
f : E −→ F
x 7−→ y = f (x)
Exemple - Soient E = {a, b, c, d, e, k} , F = {1, 2, 3, 4} et f est définie par
f (a) = 3, f (b) = 2, f (c) = 3, f (d) = 1, f (k) = 4. On a Df = {a, b, c, d, k}
Egalité de deux fonctions : On dira que deux fonctions f et g sont égales

si f et g ont même ensemble de départ, même ensemble d’arrivé et pour tout
x ∈ E, f (x) = g(x).
On appelle graphe d’une fonction f : E −→ F le sous ensemble de E × F
défini par
Gf = {(x, y) ∈ E × F ; y = f (x)}.
Image, image réciproque d’une partie : L’image d’une partie A de E,

par une fonction f : E −→ F , est l’ensemble des f (x) quand x parcourt A.
On note f (A) ce sous-ensemble de F :
f (A) = {f (x), x ∈ A} = {y ∈ F/ ∃x ∈ A : y = f (x)}.

19
L’image réciproque d’une partie B de F est l’ensemble des éléments x de E

tels que f (x) ∈ B. On la note f −1 (B) et on lit "f moins un de B" :
f −1 (B) = {x ∈ E ; f (x) ∈ B}.
Exemple - Soient E = {a, b, c, d, e, k} , F = {1, 2, 3, 4} et f est définie par

f (a) = 3, f (b) = 2, f (c) = 3, f (d) = 1, f (k) = 4. On a
f ({c, d, e, k}) = {1, 3, 4} et f −1 ({1, 3}) = {c, d, a}.
Une fonction de E vers F , dont l’ensemble de définition est E, s’appelle

application de E vers F ou de E dans F .
L’application 1E : E −→ E qui à x 7→ x est appelée identité de E.
Exemple - Soient E = {a, b, c, d, k} dont les éléments sont deux à deux

différents, F = {1, 2, 3, 4} et f est définie par f (a) = 3, f (b) = 2, f (c) =
3, f (d) = 1, f (k) = 4. On a f est une application.
Composition des applications : Soient f : E −→ F et g : F −→ G deux

applications. La composée de f et g est l’application notée g ◦ f : E −→ G
et définie par
(∀x ∈ E) g ◦ f (x) = g[f (x)].
Si f : E −→ F , g : F −→ G et h : G −→ H sont des applications alors
h ◦ (g ◦ f ) = (h ◦ g) ◦ f.
Soit f : E −→ F une application.

1. On dira que f est surjective si :
(∀y ∈ F ) (∃x ∈ E) (f (x) = y).
ce qui est équivalent à f (E) = F .

2. On dira que f est injective si :
∀(x, x0 ) ∈ E × E [(f (x) = f (x0 )) =⇒ (x = x0 )].

20
3. On dira que f est bijective si elle est injective et surjective.
Exemple - Soient E = {a, b, c, d, k} dont les éléments sont deux à deux

différents, F = {1, 2, 3, 4} et f est définie par f (a) = 3, f (b) = 2, f (c) =
3, f (d) = 1, f (k) = 4. On a f est surjective car f (E) = F mais f n’est pas
injective car a 6= c et f (a) = f (c).
On a les propriétés suivantes :

1. La composée de deux injections est une injection.
2. La composée de deux surjections est une surjection.
3. La composée de deux bijections est une bijection.
Application réciproque d’une bijection : Si f : E −→ F est une bijec-

tion, alors, pour tout x ∈ F , il existe un unique élément noté f −1 (x) et tel
que f (f −1 (x)) = x. On définit ainsi une application bijective f −1 : F −→ E
appelée réciproque ou inverse de f . On a
f ◦ f −1 = 1F et f −1 ◦ f = 1E ,
et si g : F −→ G est une bijection (g ◦ f )−1 = f −1 ◦ g −1 .
1.6 Lois de composition : groupes, anneaux et

corps
Une loi de composition interne sur un ensemble E, notée ∗ , est une
application de E × E à valeurs dans E.
∗ : E × E −→ E
(x, y) 7−→ x ∗ y
Exemple - Dans l’ensemble E = N, l’addition et la multiplication sont

des lois de composition internes.
Une loi de composition externe à gauche sur un ensemble E, notée

⊥, ayant pour ensemble d’opérateurs un ensemble Ω, est une application de
21
Ω × E à valeurs dans E.
⊥ : Ω × E −→ E
(λ, x) 7−→ λ ⊥ x
Exemple - On considère Ω = R et E = { l’ensemble des vecteurs →

−
v du
plan }. L’application
Ω × E −→ E
(λ, →
−
v ) 7−→ λ.→
−
v
est une loi de composition externe.
Soit ∗ une loi de composition interne sur E.

1. On dit que ∗ est associative si
∀(x, y, z) ∈ E 3 , on a : (x ∗ y) ∗ z = x ∗ (y ∗ z) = x ∗ y ∗ z.
2. On dit que ∗ est commutative si
∀(x, y) ∈ E 2 , on a : x ∗ y = y ∗ x.
3. On dit que e ∈ E est un élément neutre de ∗ si
∀x ∈ E, x ∗ e = e ∗ x = x.
4. Si ∗ possède un élément neutre e, on dira que x ∈ E possède un élément

symétrique, s’il existe x0 ∈ E tel que
x ∗ x0 = x0 ∗ x = e.
5. Une loi de composition interne T sur E est dite distributive par rap-
port à ∗ si ∀x, y, z ∈ E, on a :
xT (y ∗ z) = (xT y) ∗ (xT z) et (x ∗ y)T z = (xT z) ∗ (yT z).
Un ensemble E muni d’une loi de composition interne, notée ∗, est un groupe

si la loi ∗ est associative, possède un élément neutre, noté e, et tout élément
x ∈ E admet un élément symétrique, noté x0 .
Si de plus la loi ∗ est commutative le groupe (E, ∗) est dit groupe abélien
22
(ou groupe commutatif).
Exemple - (Z , +), (Q , +), (Q∗ , ×) et (R, +) sont des groupes commu-

tatifs.
Un ensemble A muni de deux lois de composition internes, notées ∗ et T ,
est un anneau si (A, ∗) est un groupe abélien et la loi T est associative et
distributive par rapport à ∗.
Si de plus, la loi T est commutative l’anneau (A, ∗, T ) est dit anneau com-
mutatif.
Si de plus la loi T possède un élément neutre l’anneau (A, ∗, T ) est dit an-
neau unifère.
Exemple - (Z , + , ×), (Q , + , ×) et (R, + , ×) sont des anneaux

commutatifs unifères.
Un ensemble K muni de deux lois de composition internes, notées ∗ et T ,
est un corps si (K, ∗, T ) est un anneau et (K \ {e}, T ) est un groupe.
Si de plus, la loi T est commutative le corps (A, ∗, T ) est dit corps commu-
tatif.
Exemple - (Q , + , ×) et (R, + , ×) sont des corps commutatifs.

23
1.7 Exercices corrigés
Exercice 1 Démontrer à l’aide des tables de vérité les propositions sui-

vantes :
1. P1 : Pour toute proposition p on a :
(k(kp) ←→ p), (p ∧ (kp) ←→ F ) et (p ∨ (kp) ←→ V ),
où F est la proposition toujours fausse et V est la proposition toujours
vraie.
2. P2 : Pour toutes propositions p et q on a :
(k(p ∧ q) ←→ kp ∨ kq) et (k(p ∨ q) ←→ kp ∧ kq).
3. P3 : Pour toutes propositions p, q et r on a :

(p ∧ (q ∨ r) ←→ (p ∧ q) ∨ (p ∧ r)) et (p ∨ (q ∧ r) ←→ (p ∨ q) ∧ (p ∨ r)).
Solution -
1. Il vient de la table de vérité
p kp k(kp) p ∧ (kp) p ∨ (kp) F V
1 0 1 0 1 0 1
0 1 0 0 1 0 1
que les colonnes 1 et 3 sont identiques, de même pour les colonnes 4 et 6
et les colonnes 5 et 7. On déduit donc que p ←→ k(kp), p∧(kp) ←→ F
et p ∨ (kp) ←→ V . Il en résulte que P1 est vraie.
2. En utilisant la table de vérité
p q kp kq p∧q k(p ∧ q) p∨q k(p ∨ q) kp ∨ kq kp ∧ kq
1 1 0 0 1 0 1 0 0 0
1 0 0 1 0 1 1 0 1 0
0 1 1 0 0 1 1 0 1 0
0 0 1 1 0 1 0 1 1 1
on a les colonnes 6 et 9 sont identiques, de même pour les colonnes 8 et
10. On déduit donc que k(p ∧ q) ←→ kp ∨ kq et k(p ∨ q) ←→ kp ∧ kq.
D’où la proposition P2 est vraie.
24
3. De même, on déduit de la table ci-dessous

p q r p∧q p∧r q∧r p∨q p∨r q∨r
1 1 1 1 1 1 1 1 1
1 1 0 1 0 0 1 1 1
1 0 1 0 1 0 1 1 1
1 0 0 0 0 0 1 1 0
0 1 1 0 0 1 1 1 1
0 1 0 0 0 0 1 0 1
0 0 1 0 0 0 0 1 1
0 0 0 0 0 0 0 0 0
la table suivante
p ∧ (q ∨ r) (p ∧ q) ∨ (p ∧ r) p ∨ (q ∧ r) (p ∨ q) ∧ (p ∨ r)
1 1 1 1
1 1 1 1
1 1 1 1
0 0 1 1
0 0 1 1
0 0 0 0
0 0 0 0
0 0 0 0
on a les colonnes 1 et 2 de la dernière table sont identiques, de même
pour les colonnes 3 et 4. On déduit donc que p∧(q∨r) ←→ (p∧q)∨(p∧r)
et p ∨ (q ∧ r) ←→ (p ∨ q) ∧ (p ∨ r). D’où la proposition P3 est vraie.
Exercice 2 Soit f : R −→ R une application.

1. En utilisant l’écriture symbolique, donner la définition de la continuité
de la fonction f en un point x0 ∈ R.
2. Donner la négation de l’expression mathématique trouvée dans la ques-
tion précédente.
Solution -
1. La fonction f est continue en x0 ∈ R si, et seulement si,
P : ∀ > 0, ∃α > 0, tel que ∀x ∈ R, |x−x0 | < α =⇒ |f (x)−f (x0 )| < .
25
2. La négation de la proposition P est
kP : ∃ > 0, ∀α > 0, ∃x ∈ R tel que |x−x0 | < α et |f (x)−f (x0 )| ≥ .
Pour écrire la négation de p =⇒ q, on utilise le fait que p =⇒ q ←→

kp ∨ q. Donc k(p =⇒ q) ←→ p ∧ kq.
Exercice 3 Soit (A, B) ∈ P(E)2 et f une application de E dans F . Montrer

que :
f (A ∪ B) = f (A) ∪ f (B).
Solution - Pour tous sous ensembles X et Y d’un ensemble E, pour

montrer l’égalité X = Y on montre la double inclusion X ⊂ Y et Y ⊂ X.
Montrons d’abord l’inclusion f (A) ∪ f (B) ⊂ f (A ∪ B)
En utilisant l’implication X ⊂ Y =⇒ f (X) ⊂ f (Y ), on a A ⊂ A ∪ B et
B ⊂ A ∪ B. Donc f (A) ⊂ f (A ∪ B) et f (B) ⊂ f (A ∪ B). D’où f (A) ∪ f (B) ⊂
f (A ∪ B).
Montrons maintenant l’inclusion f (A ∪ B) ⊂ f (A) ∪ f (B).
Soit y ∈ f (A ∪ B), il existe x ∈ A ∪ B tel que y = f (x). On a alors
(y = f (x)) et ((x ∈ A) ou (x ∈ B)).
Ceci est équivalent, d’après la distributivité de la conjonction par rapport à

la disjonction à
(y = f (x) et x ∈ A) ou (y = f (x) et x ∈ B)
soit y ∈ f (A) ∪ f (B). D’où f (A ∪ B) ⊂ f (A) ∪ f (B).
Exercice 4 Soit (A, B) ∈ P(E)2 et f une application de E dans F . Montrer

que :
f (A ∩ B) ⊂ f (A) ∩ f (B).
Montrer ensuite que si f est injective, on a l’égalité.
26
Solution - En utilisant l’implication X ⊂ Y =⇒ f (X) ⊂ f (Y ), on a

A ∩ B ⊂ A et A ∩ B ⊂ B. Donc f (A ∩ B) ⊂ f (A) et f (A ∩ B) ⊂ f (B). D’où
f (A ∩ B) ⊂ f (A) ∩ f (B).
En général, on n’a pas l’inclusion f (A) ∩ f (B) ⊂ f (A ∩ B). En effet, soit la
fonction
f : R −→ R
x 7−→ x2
Prenons A = [0, +∞[ et B =] − ∞, 0], on a A ∩ B = {0}, f (A) = f (B) =
[0, +∞[ et f (A ∩ B) = {0}.
Dans cet exemple, on a f (A ∩ B) est contenu strictement dans f (A) ∩ f (B).
Si l’application f est injective alors f (A) ∩ f (B) ⊂ f (A ∩ B). En effet, soit
y ∈ f (A) ∩ f (B), ils existent x1 ∈ A, x2 ∈ B tels que y = f (x1 ) = f (x2 ).
Puisque f est injective, on a x1 = x2 ∈ A∩B. Donc y ∈ f (A∩B). L’inclusion
est alors démontrée.
Exercice 5 Pour E, F ⊂ R, on considère l’application f : E −→ F , x 7→

f (x) = x2 .
1. Dans chacun des cas suivants, f est-elle injective, surjective, bijective ?
(a) E = F = R.
(b) E = R+ et F = R.
(c) E = R et F = R+ .
(d) E = F = R+ .
2. Si E = F = R , déterminer :
f (R) , f (R+ ) , f ([1, 2]) , f −1 (R) , f −1 (R+ ) , f −1 ([1, 4]) , f −1 ({y}).
Solution -
1. (a) E = F = R. Dans ce cas f n’est ni injective ni surjective. En effet,
1 6= −1 et f (1) = f (−1) = 1 et -1 n’admet pas d’antécédent (tout
nombre réel strictement négatif ne possède pas d’antécédent). A
fortiori f n’est pas bijective.
(b) E = R+ et F = R. Dans ce cas, f est injective car pour tous
x, y ∈ R+ tels f (x) = f (y), on a x2 = y 2 . Donc |x| = |y|, c’est à
dire x = y. Par contre, f n’est pas surjective car -1 n’admet pas
d’antécédent et par conséquent f n’est pas bijective.
27
(c) Si E = R et F = R+ . Dans ce cas, f n’est pas injective car 1 6= −1

et f (1) = f (−1) = 1 alors que f est surjective. En effet, pour
√
tout y ∈ R+ l’équation y = x2 possède deux solutions x = y et
√
x = − y qui sont des éléments de E. f n’est pas bijective car elle
n’est pas injective.
(d) E = R+ et F = R+ . Dans ce cas, f est injective car pour tous
x, y ∈ R+ tels f (x) = f (y), on a x2 = y 2 . Donc |x| = |y|, c’est
à dire x = y. En plus, f est surjective car pour tout y ∈ R+
√
l’équation y = x2 possède une solution x = y qui est élément de
E. Finalement, f est bijective car elle est injective et surjective.
2. Si E = F = R alors
f (R) = R+ , f (R+ ) = R+ , f ([1, 2]) = [1, 4],
f −1 (R) = R, f −1 (R+ ) = R, f −1 ([1, 4]) = [−2, −1] ∪ [1, 2].
Si y ∈ R+ alors
√ √
f −1 ({y}) = {x ∈ R/y = f (x)} = {− y, y}.
Si y ∈ R− \{0} alors f −1 ({y}) = ∅.
Exercice 6 Pour tout (a, b) ∈ R2 \ {(−1, −1)}, on pose

a + b + 2ab
a∗b= .
(1 + a)(1 + b)
Montrer que ∗ est une loi de composition interne sur R \ {−1} et étudier ses
propriétés.
Solution - Puisque pour tout (a, b) ∈ R2 , a ∗ b ∈ R, on déduit que ∗ est

une loi de composition interne.
Il vient de la commutativité de la multiplication et l’addition dans R que,
pur tout (a, b) ∈ R2 ,
a + b + 2ab b + a + 2ba
a∗b= = = b ∗ a.
(1 + a)(1 + b) (1 + b)(1 + a)
Donc la loi ∗ est commutative.
1
La loi ∗ n’est pas associative car (1 ∗ 1) ∗ 0 = 1 ∗ 0 = 2
alors que 1 ∗ (1 ∗ 0) =
28
1 ∗ 12 = 65 . Donc (1 ∗ 1) ∗ 0 6= 1 ∗ (1 ∗ 0).
La loi ∗ ne possède pas d’élément neutre. En effet, on fait un raisonnement
par absurde et on suppose que la loi ∗ possède un élément neutre, noté e.
Puisque, pour tout x ∈ R,
x ∗ e = e ∗ x = x,
pour x = 0 on a
e
0∗e= =0
1+e
1
et donc e = 0. Or, pour x = 1, on a 1 ∗ 0 = 2
6= 1. En conclusion, la loi ∗ ne
possède pas d’élément neutre.
Chapitre 2
Polynômes réels ou complexes
Dans tout ce chapitre, K = R ou C.
2.1 Définition de K[X] et propriétés générales

Définition 3 On appelle polynôme P, à coefficients dans K, toute expression
de la forme :
n
X
P = ak X k = a0 + a1 X + . . . + an X n ,
k=0
où X est appelé l’indéterminée.

Si le coefficient an n’est pas nul, l’entier n s’appelle le degré de P et se note
deg(P ).
Si an = 1, on dira que P est un polynôme unitaire.
On désigne par K[X] l’ensemble des polynômes à une indéterminée à coeffi-
cients dans K.
Un polynôme est nul si tous ses coefficients sont nuls. Le polynôme nul
est noté par 0. Par convention le degré du polynôme nul est −∞.
Exemple - P = 5X 3 − X + 2 est un polynôme de degré 3 et Q = X 4 + 1 est

un polynôme unitaire de degré 4.
29
30
Opérations sur les polynômes :

n
X m
X
k
Soient P = ak X et Q = bl X l deux polynômes.
k=0 l=0
1. On suppose, sans perdre de généralité, que m = n + r. La somme de P
et Q est le polynôme P + Q défini par
n
X r
X
j
P +Q= (aj + bj )X + bn+i X n+i .
j=0 i=1
On a
deg(P + Q) ≤ max[deg(P ), deg(Q)]. (2.1)
Si deg(P ) 6= deg(Q), il y a égalité.
2. La multiplication d’un scalaire λ ∈ K par P est le polynôme λP défini
par :
Xn
λP = (λak )X k .
k=0
Si λ 6= 0, on a
deg(λP ) = deg(P ). (2.2)
3. Le produit de P et Q est le polynôme P Q défini par

m+n j
X X X
j
PQ = cj X où cj = ak b r = ak bj−k .
j=0 k+r=j k=0
On a
deg(P Q) = deg(P ) + deg(Q) (2.3)
4. La composé de P et Q est le polynôme P ◦ Q défini par

n
X
P ◦Q= ak Qk .
k=0
Si Q 6= 0, alors
deg(P ◦ Q) = deg(P ). deg(Q). (2.4)
Exemples -
31
1. Soient
P = 2X 4 − X 2 + 3X + 5, Q = X 3 + 7X 2 − X + 4, R = −2X 4 + 5X 3 + X + 1.
On a
P + Q = 2X 4 + X 3 + 6X 2 + 2X + 9 et P + R = 5X 3 − X 2 + 4X + 6.
On remarque que
deg(P + Q) = max(deg(P ), deg(Q))
et que
deg(P + R) < max(deg(P ), deg(R)).
2. Soient P = X 3 − X 2 + 3X + 7 et λ = π. On a
λP = πX 3 − πX 2 + 3πX + 7π.
3. Soient P = X 2 + X + 1, Q = X 3 + 1. On a
P Q = (X 2 + X + 1)(X 3 + 1) = X 5 + X 4 + X 3 + X 2 + X + 1,
P ◦ Q = (X 3 + 1)2 + X 3 + 1 + 1 = X 6 + 3X 3 + 3.
Soient P1 , P2 , Q ∈ K[X], on a
(P1 + P2 ) ◦ Q = P1 ◦ Q + P2 ◦ Q. (2.5)
mais en général
Q ◦ (P1 + P2 ) 6= Q ◦ P1 + Q ◦ P2 .
Exemple - Si Q(X) = X 2 , P1 (X) = 1 et P2 (X) = X alors
Q ◦ (P1 + P2 )(X) = (1 + X)2 et Q ◦ P1 (X) + Q ◦ P2 (X) = 1 + X 2 .
2.2 Division euclidienne et propriétés

arithmétiques de K[X]
La division euclidienne est l’une des opérations importantes sur les poly-
nômes.
32
Théorème 2 Soient A, B ∈ K[X] deux polynômes avec B 6= 0. Alors il

existe un couple unique (Q, R) d’éléments de K[X] tel que :
A = BQ + R avec deg(R) < deg(B).
Le polynôme Q est appelé le quotient de la division euclidienne de A

par B et R est appelé le reste de la division euclidienne de A par B.
Exemple - Effectuons la division euclidienne de A = X 7 + 2X 5 + 3X 3 +

4X 2 + 1 par B = X 4 + X 2 + 2. On a
X 7 + 2X 5 + 3X 3 + 4X 2 + 1 X4 + X2 + 2
X 7 + X 5 + 2X 3 X3 + X
X 5 + X 3 + 4X 2 + 1
X 5 + X 3 + 2X
4X 2 − 2X + 1
Donc
A = (X 3 + X)B + 4X 2 − 2X + 1.
Soit A = a0 + a1 X + . . . + ap X p un polynôme de K[X] de degré p. On

appellera polynôme normalisé de A le polynôme unitaire :
a0 a1 ap−1 p−1
AN = + X + ... + X + X p.
ap ap ap
Exemple - Soit P = 7X 6 − 3X 3 + 2X 2 − 5, on a :
3 2 5
PN = X 6 − X 3 + X 2 − .
7 7 7
Soient A, B ∈ K[X]. On dira que B divise A dans K[X] (ou B est un

diviseur de A) si le reste de la division euclidienne dans K[X] de A par B
est nul. On a l’équivalence
B divise A dans K[X] ⇐⇒ ∃Q ∈ K[X] tel que A = BQ.
Exemple - Soit P = X 3 − X, les polynômes X, X − 1 et X + 1 divisent le
polynôme P car P = X(X − 1)(X + 1).
Tout polynôme A, non nul, est divisible par A, αA et α avec α une

constante non nulle.
33
Définition 4 On dira qu’un polynôme A est irréductible dans K[X] (ou pre-
mier dans K[X]) si :
1. deg(A) ≥ 1,
2. les seuls diviseurs de A dans K[X] sont A, αA et α avec α une constante
non nulle.
Exemple - Le polynôme X 2 + 1 est irréductible dans R[X] mais il n’est
pas irréductible dans C[X]. En effet, dans C[X], on a X 2 +1 = (X −i)(X +i).
A la fin du chapitre, nous allons caractériser les polynômes irréductibles

de R[X] et de C[X].
Théorème 3 Soient A et B deux polynômes de K[X]. Il existe un unique

polynôme unitaire D ∈ K[X] tel que :
i) D divise A et D divise B,
ii) tout diviseur commun aux polynômes A et B divise D.
Définition 5 Le polynôme D défini dans le théorème ci-dessus est appelé

plus grand commun diviseur des polynômes A et B. En abrégé pgcd et sera
noté D = A ∧ B.
Exemple - Soient K = R, A = (3X − 2)(X 2 + X + 1) et B = (3X − 2)(2X + 3).

On a D = X − 32 .
Définition 6 On dit que les polynômes A et B sont premiers entre eux si

leur pgcd est égal à 1, autrement dit s’ils n’ont pas de diviseur commun de
degré > 0.
Exemple - Soient K = R, A = 3X + 5 et B = X 2 + X + 1. On a D = 1, donc

A et B sont premiers entre eux.
Théorème 4 (Bezout) Pour que les polynômes A et B soient premiers

entre eux, il faut et il suffit qu’il existe des polynômes U et V tels que
AU + BV = 1.
34
Exemple - On a, pour tout n ∈ N∗ ,
1 n 1
(X + 1) − (X n − 1) = 1
2 2
et donc, d’après le théorème de Bezout X n + 1 et X n − 1 sont premiers entre
eux.
L’algorithme d’Euclide, que nous allons décrire ci-dessous, permet de

calculer le diviseur commun de deux polynômes A et B ; et si A et B sont pre-
miers entre eux, il permet de calculer les polynômes U et V dans le théorème
de Bezout. Cet algorithme est basé sur le résultat suivant :
Proposition 1 Soient A et B deux polynômes non nuls dans K[X] tels que
deg(B) ≤ deg(A) et soit R le reste de la division euclidienne de A par B.
Alors
A ∧ B = B ∧ R.
Algorithme d’Euclide. Soient A et B deux polynômes non nuls de K[X]
tels que deg(B) ≤ deg(A). Soit R1 le reste de la division euclidienne de A
par B. D’après la proposition 1, on a

A ∧ B = B ∧ R1
deg(R1 ) < deg(B)
Si R1 6= 0, on recommence et on considère R2 le reste de la division eucli-

dienne de B par R1 . Toujours d’après la proposition 1, on a :

A ∧ B = B ∧ R1 = R1 ∧ R2
deg(R2 ) < deg(R1 ) < deg(B)
On construit ainsi une suite de polynômes (Rk )k≥0 vérifiant :



 R0 = B
 1 = reste de la division euclidienne de A par B
R



..
 .



 Rk = reste de la division euclidienne de Rk−2 par Rk−1
 (deg(R ))
k k≥0 est une suite strictement décroissante.
Deux situations peuvent alors se présenter :

35
1. Première situation. Il existe un entier m tel que Rm est une constante

non nulle. Dans ce cas, on a
A ∧ B = Rm−1 ∧ Rm = 1,
c’est-à-dire A et B sont premiers entre eux.
2. Deuxième situation. Il existe un entier p tel que Rp−1 6= 0 et Rp = 0.
Dans ce cas, on a
A ∧ B = Rp−1 ∧ Rp = (Rp−1 )N .
où (Rp−1 )N est le polynôme normalisé associé à Rp−1 .
Exemples -
1. A = X 2 + X − 2 , B = X 2 − X − 2.
On a
A = B + R1
B = 21 (X − 1)R1 + R2
avec R1 = 2X et R2 = −2. Donc A ∧ B = 1.
2. A = X 3 + 2X 2 − X − 2 , B = X 2 − X − 2.
On a
A = (X + 3)B + R1
B = 41 (X − 2)R1 + R2
avec R1 = 4X + 4 et R2 = 0. Donc A ∧ B = X + 1.
En plus des théorèmes de la division euclidienne et de Bezout, les théo-
rèmes ci-dessous sont très utiles pour l’arithmétique sur les polynômes.
Théorème 5 (Gauss) Si A, B, C sont trois polynômes. Si C est premier
avec B et divise AB alors C divise A.
Exemple - Soient A = X 2 − X, B = X + 1 et C = X − 1. On a C|AB car

AB = X 3 − X = (X − 1)(X 2 + X) = C(X 2 + X)
et on a C∧B = 1 car, d’après l’algorithme d’Euclide, le reste de la division
euclidienne de C par B est égal à -2. On a aussi
X 2 − X = X(X − 1)
et donc C|A.
36
Théorème 6 Soient A, B, C ∈ K[X] . Si A et B sont premiers entre eux

et divisent tous les deux C, alors C est un multiple de AB.
Exemple - Soient A = X − 2, B = X + 1 et C = X 3 − X 2 − 2X. On a A|C

car
C = (X − 2)(X 2 + X)
et B|C car
C = (X + 1)(X 2 − 2X).
De plus, A ∧ B = 1 car, d’après l’algorithme d’Euclide, le reste de la
division euclidienne de A par B est égal à -3. On a aussi AB|C car
X 3 − X 2 − 2X = X(X 2 − X − 2) = XAB.
Théorème 7 Soient A, B, C ∈ K[X]. Si A est premier avec B et premier

avec C alors il est premier avec le produit BC.
Exemple - Soient A = X + 1, B = X + 2 et C = X − 5. On a A ∧ B = 1
et A ∧ C = 1 car, d’après l’algorithme d’Euclide, le reste de la division
euclidienne de A par B est égal à -1 et celui de la division euclidienne
de A par C est égal à 6. En utilisant l’algorithme d’Euclide, on montre
que BC = X 2 − 3X − 10 est premier avec A.
2.3 Dérivation
n
X
Définition 7 Pour tout P = ak X k de K[X], on appelle polynôme dérivé
k=0
de P et on note P 0 , le polynôme défini par :
n
X n−1
X
0 k−1
P = kak X = (k + 1)ak+1 X k .
k=1 k=0
Exemple - Soit P = 2X 5 − X 4 + 3X 2 − 6X + 8, on a
P 0 = 10X 4 − 4X 3 + 6X − 6.
37
On note P (o) = P, P (1) = P 0 , P (2) = P 00 = (P 0 )0 et pour tout l ∈

N, P (l) = (P (l−1) )0 .
On a

0 deg(P ) − 1 si deg(P ) ≥ 1,
∀P ∈ K[X], deg(P ) =
−∞ si deg(P ) ≤ 0.
Pour tous P, Q ∈ K[X] et tout α ∈ K, on a
(P + αQ)0 = P 0 + αQ0 et (P Q)0 = P 0 Q + P Q0 .
Remarque - Il découle de la définition ci-dessus :
∀P ∈ K[X], ∀n ∈ N, deg(P ) ≤ n ⇐⇒ P (n+1) = 0.

n
X
Si P = bk X k et a ∈ K, on pose
k=1
n
X
P (a) = b k ak .
k=1
Théorème 8 Pour tout polynôme P ∈ K[X] de degré n ≥ 1, et pour tout

a ∈ K, on a la formule suivante dite formule de Taylor
P 0 (a) P (n) (a)

P (X) = P (a) + (X − a) + . . . + (X − a)n .
1! n!
2.4 Racines des polynômes, théorème de d’Alem-

bert et ses applications
Définition 8 Soit P ∈ K[X], a ∈ K. On dit que a est une racine ou zéro
de P si P (a) = 0.
Exemple - Soit P = X 3 + X 2 + X + 1. On a
P (−1) = (−1)3 + (−1)2 + (−1) + 1 = 0
et donc -1 est une racine de P .

38
Proposition 2 Soient P ∈ K[X], n ∈ N∗ , x1 , . . . , xn ∈ K deux à deux

distincts. Si x1 , . . . , xn sont des racines de P , alors
n
Y
(X − xi ) divise P.
i=1
Exemple - Soit P = X 4 − 1 considéré comme polynôme sur R. On a −1

et 1 sont des racines de P = X 4 − 1 et donc (X − 1)(X + 1) divise P . En
effet, on a P = (X + 1)(X − 1)(X 2 + 1).
Corollaire 1 Soient P ∈ K[X], n ∈ N∗ . Si deg(P ) < n et si P admet au

moins n racines deux à deux distincts alors P = 0.
Corollaire 2 Si un polynôme P de K[X] s’annule en une infinité d’éléments

de K, alors P = 0.
Définition 9 Soient P ∈ K[X], a ∈ K, α ∈ N∗ . On dit que a est une racine

d’ordre α de P si (X − a)α divise P et (X − a)α+1 ne divise pas P .
Le réel α est appelé ordre de multiplicité de la racine a de P . Si α = 1 on dit
que a est une racine simple, si α = 2 on dit que a est une racine double.
Exemple - Soit P = X 3 −2X 2 +X. On a P = X(X −1)2 , donc (X −1)2 divise

P mais (X − 1)3 ne divise pas P (le reste de la division euclidienne de P
par (X − 1)3 est X 2 − 2X + 1). En conclusion, 1 est une racine d’ordre 2
ou double de P .
Le théorème suivant est une conséquence de la formule de Taylor et donne

un critère simple pour calculer la multiplicité d’une racine.
Théorème 9 Soient P ∈ K[X], a ∈ K, α ∈ N∗ .

Pour que a soit une racine d’ordre α de P , il faut et il suffit que
∀0 ≤ k ≤ α − 1, P (k) (a) = 0 et P (α) (a) 6= 0.

39
Exemple - Dans l’exemple ci-dessus, on a P = X 3 − 2X 2 + X, donc P 0 =

3X 2 − 4X + 1 et P 00 = 6X − 4. On a
P (1) = P 0 (1) = 0 mais P 00 (1) = 2 6= 0.
Donc 1 est une racine double de P .
Définition 10 Un polynôme P ∈ K[X] est dit scindé sur K si il existe

n
Y
∗ ∗
λ ∈ K , n ∈ N et x1 , . . . , xn ∈ K tels que : P = λ (X − xi ).
i=1
Le théorème suivant est parmi les plus importants en mathématique. Il est
appelé théorème fondamental de l’algèbre. La preuve originale de ce théorème
est très difficile.
Théorème 10 (de d’Alembert) Tout polynôme non constant de C[X] admet

au moins une racine dans C.
Corollaire 3 Soit P ∈ C[X]. Alors P est scindé sur C et on a

r
Y
P = λ (X − ai )mi , (2.6)
i=1
où λ ∈ C, (a1 , . . . , ar ) sont les racines de P et (m1 , . . . , mr ) leurs multiplicités

respectives.
Corollaire 4 Les polynômes irréductibles de C[X] sont les polynômes de de-

gré 1.
Puisque R[X] ⊂ C[X] et si P ∈ R[X] et a ∈ C est une racine de P alors ā
est une racine de P , on déduit du corollaire 3, le résultat suivant.
Corollaire 5 Soit P ∈ R[X]. Alors on a

r q
Y Y
mi
P = λ (X − ai ) (X 2 + bj X + cj )nj , (2.7)
i=1 j=1
où λ ∈ R, (a1 , . . . , ar ) sont les racines réelles de P , (m1 , . . . , mr ) leurs mul-

tiplicités respectives et pour tout 1 ≤ j ≤ q, b2j − 4cj < 0.
40
Proposition 3 Les polynômes irréductibles de R[X] sont les polynômes de

degré 1 et les polynômes de degré 2 à discriminent < 0.
Si P ∈ K[X], les expressions (2.6) et (2.7) sont appelées décomposition

en facteurs irréductibles de P .
Dans (2.7), X 2 + bj X + cj est appelé facteur irréductible de deuxième
espèce et nj sa multiplicité.
Exemples -
1. La décomposition en facteurs irréductibles de P = X 4 − 1 dans C[X]
est
P = (X − 1)(X + 1)(X − ı)(X + ı).
2. La décomposition en facteurs irréductibles de P = X 4 − 1 dans R[X]
est
P = (X − 1)(X + 1)(X 2 + 1).
3. Plus généralement, pour tout n ∈ N∗ , comme les racines de X n − 1
2kπı
dans C sont {e n , k = 0, . . . , n − 1}, on a
n−1
Y 2kπı
n
X −1= (X − e n ). (2.8)
k=0
(2k+1)πı
De même, les racines X n + 1 sont {e n , k = 0, . . . , n − 1}, on a
n−1
Y (2k+1)πı
Xn + 1 = (X − e n ). (2.9)
k=0
La décomposition en facteurs irréductibles permet de calculer le pcgd de

deux polynômes d’une manière simple et, en particulier, de décider si deux
polynômes sont premiers entre eux.
Proposition 4 Soient P et Q deux polynômes de C[X] et soient a1 , . . . , ar
les racines communes de P et Q. Notons (n1 , . . . , nr ) leurs multiplicités en
tant que racines de P et (m1 , . . . , mr ) leurs multiplicités en tant que racines
de Q. Alors
P ∧ Q = (X − a1 )min(n1 ,m2 ) . . . (X − ar )min(nr ,mr ) .
En particulier, P est premier avec Q si et seulement si ils n’ont pas de racine

commune.
41
Proposition 5 Soient P et Q deux polynômes de R[X], a1 , . . . , ar les ra-

cines réelles communes de P et Q et P1 , . . . , Ps les facteurs irréductibles de
deuxième espèce communs à P et Q. Notons (n1 , . . . , nr ) les multiplicités des
ai en tant que racines de P et (m1 , . . . , mr ) leurs multiplicités en tant que
racines de Q. Notons (p1 , . . . , ps ) les multiplicités des Pi en tant que facteurs
de P et (q1 , . . . , qs ) leurs multiplicités en tant que facteurs de Q. Alors
min(p1 ,q1 )
P ∧ Q = (X − a1 )min(n1 ,m1 ) . . . (X − ar )min(nr ,mr ) P1 . . . Psmin(ps ,qs ) .
En particulier, P est premier avec Q si et seulement si ils n’ont ni racine

réelle commune ni facteur irréductible de deuxième espèce commun .
Corollaire 6 Deux polynômes de R[X] sont premiers entre eux dans R[X]
si et seulement si ils sont premiers entre eux dans C[X].
Exemple - Dans C[X], en utilisant la proposition 4, nous allons cal-

culer le pgcd de P = X 6 − 1 et Q = X 8 − 1.
2kπı
Les racines de P sont {e 6 , k = 0, . . . , 5} et les racines de Q sont
2kπı
{e 8 , k = 0, . . . , 7}. Cherchons les racines communes de P et Q. Le
réel a est une racine commune de P et Q s’il existe k1 = 0, . . . , 5 et
k2 = 0, . . . , 7 tels que
2k1 πı 2k2 πı
a=e 6 =e 8 .
Cette égalité est vérifiée si et seulement si il existe k ∈ Z tel que
2k1 π 2k2 π
− = 2kπ,
6 8
soit
4k1 − 3k2 = 24k.
Si k1 = 0 alors nécessairement k2 = 0. Si k1 6= 0, on a 3 divise 4k1 et
comme il est premier avec 4 il divise k1 . On a alors nécessairement
k1 = 3 et k2 = 4. Finalement, les racines communes de P et Q sont
1 et -1 et donc
P ∧ Q = (X − 1)(X + 1) = X 2 + 1.
42
Exercice 7 Trouver tous les réels α et β pour que le polynôme
A = X 4 + αX 3 + βX 2 + 12X + 4
soit le carré d’un polynôme de R[X].
Solution - Si A = B 2 avec B ∈ R[X] alors, en vertu de la formule (2.3),
4 = deg(A) = deg(B 2 ) = 2 deg(B)
et donc deg(B) = 2. Le polynôme B s’écrit alors B = aX 2 + bX + c. On a

alors
B 2 = a2 X 4 + 2abX 3 + (2ac + b2 )X 2 + 2bcX + c2 .
La relation A = B 2 est équivalente à
 2

 a = 1
 c2 = 4


2ab = α
2bc = 12




2ac + b2 = β

On distingue alors quatre cas :

1. (a, c) = (1, 2). Dans ce cas b = 3 et donc (α, β) = (6, 13).
2. (a, c) = (1, −2). Dans ce cas b = −3 et donc (α, β) = (−6, 5).
3. (a, c) = (−1, 2). Dans ce cas b = 3 et donc (α, β) = (−6, 5).
4. (a, c) = (−1, −2). Dans ce cas b = −3 et donc (α, β) = (6, 13).
Finalement, A est le carré d’un polynôme B ∈ R[X] si et seulement si :
A = X 4 + 6X 3 + 13X 2 + 12X + 4 ou A = X 4 − 6X 3 + 5X 2 + 12X + 4.
Exercice 8 Soient A, B, P ∈ K[X], K = R ou C, tel que deg(P ) ≥ 1.

43
1. Soient Q et R les quotients et reste de la division euclidienne de A par

B. Montrer que les quotients et reste de la division euclidienne de A◦P
par B ◦ P sont Q ◦ P et R ◦ P .
2. En déduire l’équivalence (B divise A ⇐⇒ B ◦ P divise A ◦ P ).
Solution -
1. D’après le théorème de la division euclidienne (cf. Théorème 2), on a
A = BQ + R avec deg(R) < deg(B).
En composant, à droite l’égalité ci-dessus avec le polynôme P et en

utilisant les opérations sur les polynômes, on obtient
A ◦ P = (BQ + R) ◦ P = (BQ) ◦ P + R ◦ P = (B ◦ P )(Q ◦ P ) + R ◦ P.
D’après (2.4),
deg(R ◦ P ) = deg(R). deg(P ) < deg(B). deg(P ) = deg(B ◦ P ).
D’autre part, puisque B 6= 0, B ◦ P 6= 0. On déduit alors que les

quotients et reste de la division euclidienne de A ◦ P par B ◦ P sont
Q ◦ P et R ◦ P .
2. Condition nécessaire : ( =⇒) Si B divise A alors, il existe un poly-
nôme Q ∈ K[X] tel que
A = BQ.
En composant cette dernière égalité, à droite, par le polynôme P , on
obtient
A ◦ P = (BQ) ◦ P = (B ◦ P )(Q ◦ P ),
et donc B ◦ P divise A ◦ P .
Condition suffisante : (⇐=) Effectuons la division euclidienne de A
par B. Il en résulte, d’après le théorème 2, qu’il existe Q ∈ K[X] et
R ∈ K[X] tels que A = BQ + R avec deg(R) < deg(B). Or, d’après
la question 1., R ◦ P est le reste de la division euclidienne de A ◦ P
par B ◦ P et donc R ◦ P = 0, puisque B ◦ P divise A ◦ P . Maintenant,
deg P ≥ 1 et la relation R ◦ P = 0 entraînent que R = 0 et donc B
divise A.
44
Exercice 9 Soit (Pn )n∈N la suite dans K[X], K = R ou C définie par :

P0 = 1 , P1 = X
∀n ∈ N , Pn+2 = XPn+1 − Pn
1. Donner P2 , P3 et P4 .
2
2. Montrer la relation de récurrence : ∀n ∈ N, Pn+1 − Pn Pn+2 = 1.
3. En déduire que, pour tout n ∈ N, Pn ∧ Pn+1 = 1.
Solution -
1. On a, d’après la relation de récurrence ci-dessus,
P0 = 1,
P1 = X
P2 = XP1 − P0 = X 2 − 1,
P3 = XP2 − P1 = X(X 2 − 1) − X = X 3 − 2X,
P4 = XP3 − P2 = X(X 3 − 2X) − (X 2 − 1) = X 4 − 3X 2 + 1.
2. Faisons un raisonnement par récurrence sur n ∈ N.

Le résultat est vrai pour n = 0 car
P12 − P0 P2 = X 2 − (X 2 − 1) = 1.
Supposons que
2
Pn+1 − Pn Pn+2 = 1
et montrons la relation au rang n + 1. En utilisant la relation de récur-
rence Pn+3 = XPn+2 − Pn+1 , on a
2 2
Pn+2 − Pn+1 Pn+3 = Pn+2 − Pn+1 (XPn+2 − Pn+1 )
2
= Pn+2 (Pn+2 − XPn+1 ) + Pn+1
2
= Pn+2 (−Pn ) + Pn+1
(a)2
= Pn+1 − Pn Pn+2 = 1.
Dans (a) nous avons utilisé l’hypothèse de récurrence. En conclusion,

2
∀n ∈ N, Pn+1 − Pn Pn+2 = 1.
45
3. On a montré dans la question 2. que

2
∀n ∈ N, Pn+1 − Pn Pn+2 = 1.
Prenons U = −Pn+2 et V = Pn+1 . On obtient alors que
U Pn + V Pn+1 = 1.
D’après le théorème de Bezout (cf. Théorème 4), les polynômes Pn et

Pn+1 sont premiers entre eux.
Exercice 10 Soit P = a0 + a1 X + a2 X 2 + a3 X 3 de degré 3 avec a0 , a1 , a2

et a3 ∈ Z. Soit pq ∈ Q avec p ∈ Z, q ∈ N∗ et p ∧ q = 1.
p
1. Montrer que si q
est une racine du polynôme P , alors p divise a0 et q
divise a3 .
2. Applications :
(a) Décomposer en facteurs irréductibles dans R[X] le polynôme
P (X) = X 3 − 5X 2 + 3X + 9.
(b) Décomposer en facteurs irréductibles dans C[X] le polynôme

1 1 3
Q(X) = X 3 − X 2 − X − .
2 2 2
(c) Décomposer en facteurs irréductibles dans R[X] le polynôme
R(X) = X 6 + 4X 4 + 6X 2 + 9.
Solution - Quand on a un polynôme P de degré 3 à coefficients entiers

et on veut le factoriser, il suffit de trouver une racine de P . Souvent, quand
l’étudiant cherche cette racine, il essaie au hasard certaines valeurs comme
0, ∓1, ∓2, etc... Des fois, par chance, l’étudiant trouve cette racine mais dans
la plupart des cas, il ne trouve rien. Le but de cet exercice est de trouver les
nombres rationnels pq ∈ Q avec p ∈ Z, q ∈ N∗ et p ∧ q = 1 candidats à être
une racine du polynôme P .
46
1. Soit P = a0 +a1 X +a2 X 2 +a3 X 3 un polynôme de degré 3 avec a0 , a1 , a2

et a3 ∈ Z. Si pq ∈ Q, avec p ∈ Z, q ∈ N∗ et p ∧ q = 1, est une racine de
P alors
2 3
p p p p
P = a0 + a1 + a2 + a3 = 0.
q q q q

On multiplie P pq par q 3 , on obtient
a0 q 3 + a1 pq 2 + a2 p2 q + a3 p3 = 0,
soit encore
p a1 q 2 + a2 pq + a3 p2 = −a0 q 3 .

De cette relation, on déduit que l’entier p divise a0 q 3 et puisque les

nombres p et q sont premiers entre eux, on a p et q 3 sont aussi premiers
entre eux. Donc p divise a0 .
De même, on a
a0 q 2 + a1 pq + a2 p2 q = −a3 p3

c’est à dire l’entier q divise a3 p3 et puisque les nombres p et q sont

premiers entre eux, on a q et p3 sont aussi premiers entre eux. Donc q
divise a3 .
Finalement, si pq est une racine du polynôme P , alors p divise a0 et q
divise a3 .
Ainsi il faut de tester les éléments de l’ensemble

p ∗
E= ∈ Q ; p ∈ Z, q ∈ N , p ∧ q = 1, p|a0 et q|a3 .
q
Quelquefois ce test ne donne rien mais parfois cette méthode marche
comme le montrent les exemples suivants.
2. Applications :
(a) P est un polynôme à coefficients entiers. Cherchons l’ensemble
des candidats de la forme pq ∈ Q (p ∈ Z, q ∈ N∗ et p ∧ q = 1)
susceptibles d’être racine de P .
Les conditions sur p et q sont : p divise 9 et q divise 1, donc
p
∈ {−1, 1, −3, 3, −9, 9}.
q
47
On a
P (−1) = (−1)3 − 5(−1)2 + 3(−1) + 9 = 0,

P (3) = (3)3 − 5(3)2 + 3(3) + 9 = 0.
D’après la proposition 2, (X + 1)(X − 3) divise P et donc
P = (X + 1)(X − 3)(aX + b).
En prenant X = 0, on obtient 9 = −3b et donc b = −3. Puisque

P est unitaire, on déduit que a = 1. Finalement, la décomposition
en facteurs irréductibles de P est donnée par
P (X) = (X + 1)(X − 3)2 .
(b) On écrit le polynôme Q sous la forme Q = 12 Q1 avec
Q1 (X) = 2X 3 − X 2 − X − 3.
On a Q1 est un polynôme à coefficients entiers qui a les mêmes

racines que Q. Cherchons l’ensemble des candidats de la forme
p
q
∈ Q (p ∈ Z, q ∈ N∗ et p ∧ q = 1) susceptibles d’être racine de
Q1 .
On doit avoir p divise 3 et q divise 2, donc
p 1 1 3 3
∈ {−1, 1, −3, 3, − , , − , }.
q 2 2 2 2
On vérifie que Q1 32 = 0. En effectuant la division euclidienne de

Q1 par X − 23 , on obtient

3
Q1 (X) = X − (2X 2 + 2X + 2).
2
Donc la décomposition en facteurs irréductibles de P est donné
par

3 2 3
Q(X) = X − (X + X + 1) = X − (X − j)(X − j),
2 2
2π
où j = ei 3 et j est nombre complexe conjugué de j.
48
(c) On a
R(X) = R1 (X 2 )
où
R1 (X) = X 3 + 4X 2 + 6X + 9.
Le polynôme R1 est un polynôme à coefficients entiers. Cherchons
l’ensemble des candidats de la forme pq ∈ Q (p ∈ Z, q ∈ N∗ et p∧q =
1) susceptibles d’être racine de R1 .
Les conditions sur p et q sont : p divise 9 et q divise 1, donc
p
q
∈ {−1, 1, −3, 3, −9, 9}.
On vérifie que R1 (−3) = 0 et on effectue la division euclidienne
de R1 par X + 3, on obtient
R1 (X) = (X + 3)(X 2 + X + 3).
Ainsi
R(X) = (X 2 + 3)(X 4 + X 2 + 3)
√ √
= (X 2 + 3)(X 4 + 2 3X 2 + 3 − (2 3 − 1)X 2 )
√ 2 √
q
2 2 2
= (X + 3) (X + 3) − ( 2 3 − 1X) ,
et finalement,
√ √ √ √
q q
2 2 2
R(X) = (X +3)(X − 2 3 − 1X+ 3)(X + 2 3 − 1X+ 3),
ce qui donne la décomposition en facteurs irréductibles de R(X)

dans R[X].
Exercice 11 On considère le polynôme
P (X) = X 5 − 7X 3 − 2X 2 + 12X + 8.
1. Montrer que -1 et 2 sont des racines doubles de P .

2. Donner la décomposition en facteurs irréductibles de P dans R[X].
Solution -
49
1. Nous allons utiliser le théorème 9. Les polynômes dérivées première et

seconde de P sont donnés par
P 0 (X) = 5X 4 − 21X 2 − 4X + 12 et P 00 (X) = 20X 3 − 42X − 4.
On a
P (−1) = −1 + 7 − 2 − 12 + 8 = 0,
P 0 (−1) = 5 − 21 + 4 + 12 = 0,
P 00 (−1) = −20 + 42 − 4 = 18,
P (2) = 32 − 56 − 8 + 24 + 8 = 0,
P 0 (2) = 80 − 84 − 8 + 12 = 0,
P 00 (2) = 160 − 84 − 4 = 72.
Il en résulte que -1 et 2 sont des racines doubles de P .

2. Puisque -1 et 2 sont deux racines doubles alors, d’après la proposition
2, (X + 1)2 (X − 2)2 divise P et donc
P = (X + 1)2 (X − 2)2 (aX + b).
Puisque P est unitaire a = 1 et en prenant X = 0, on obtient 8 = 4b

et donc b = 2. Finalement, la décomposition en facteurs irréductibles
de P est donnée par
P = (X + 1)2 (X − 2)2 (X + 2).
Exercice 12 Factoriser dans R[X] les polynômes suivants :

1. A = (X 2 − X + 2)2 + (X − 2)2 .
2. B = 6X 5 + 15X 4 + 20X 3 + 15X 2 + 6X + 1. (On pourra commencer par
comparer B à (X + 1)6 ).
3. C = X 5 + 1.
Solution -
50
1. Le polynôme A ne possède pas de racine réelle car A est égal à la

somme de deux quantités positives. D’après le théorème de d’Alembert
(cf. Théorème 10) le polynôme A possède au moins une racine dans
C. Pour chercher ces racines complexes, on effectue la transformation
algébrique
A = (X 2 − X + 2)2 + (X − 2)2
= (X 2 − X + 2)2 − (ıX − 2ı)2
= (X 2 − (1 + ı)X + 2(1 + ı))(X 2 − (1 − ı)X + 2(1 − ı)).
Remarquons que si a est une racine de X 2 − (1 + ı)X + 2(1 + ı) alors

ā est racine de X 2 − (1 − ı)X + 2(1 − ı). Il suffit donc de chercher les
racines complexes de l’équation
X 2 − (1 + i)X + 2(1 + i) = 0.
Le discriminant de cette équation est
∆ = (1 + ı)2 − 8(1 + ı) = −6ı − 8 = (3ı − 1)2
et donc ses racines sont 1 − i et 2i et celles de l’équation
X 2 − (1 − i)X + 2(1 − i) = 0
sont 1 + i et −2i. Finalement,
A = (X − (1 − i))(X − 2i)(X − (1 + i))(X + 2i)

= (X 2 − 2X + 2)(X 2 + 4),
ce qui donne la décomposition en facteurs irréductibles de A dans R[X].

2. D’après la formule du binôme de Newton, on a
(X + 1)6 = X 6 + 6X 5 + 15X 4 + 20X 3 + 15X 2 + 6X + 1.
Il en résulte que
B(X) = (X + 1)6 − X 6 .
51
On a alors
B = (X + 1)6 − X 6
2 2
= (X + 1)3 − X 3
= (X + 1)3 − X 3 (X + 1)3 − (−X)3

= ((X + 1) − X)((X + 1)2 + X(X + 1) + X 2 )

((X + 1) + X)((X + 1)2 − X(X + 1) + X 2 )
1 1
= 6(X 2 + X + )(X + )(X 2 + X + 1),
3 2
ce qui donne la décomposition en facteurs irréductibles de B dans R[X].
(2k+1)π
3. D’après (2.9), les racines de X 5 + 1 sont eı 5 , 0 ≤ k ≤ 4. Donc
π 3π 7π 9π
C = (X − eı 5 )(X − eı 5 )(X − eıπ )(X − eı 5 )(X − eı 5 )
π π 3π 3π
= (X + 1)(X − eı 5 )(X −e−ı 5 )(X − eı 5 )(X −e−ı 5 )
= (X + 1) X 2 + 2 cos π5 + 1 X 2 + 2 cos 3π 5
+1 .
Exercice 13 1. Soient A, B ∈ K[X] \ {0} premiers entre eux et non

tous deux constants. Montrer qu’il existe (U, V ) ∈ (K[X])2 uniques tel
que
AU + BV = 1, deg(U ) < deg(B) et deg(V ) < deg(A).
2. Calculer le plus grand commun diviseur (pgcd), noté D, des polynômes :
A = X 5 + X 4 + X 3 + X 2 + X + 1 et B = X 4 − 1.
3. Déterminer deux polynômes U et V de R[X] tels que :
U A + V B = D.
4. Factoriser A et B dans R[X].
Solution -
52
1. Existence de U et V : A, B ∈ K[X] \ {0} premiers entre eux. D’après

le théorème de Bezout, il existe U1 , V1 ∈ K[X] tels que
AU1 + BV1 = 1. (1)
Effectuons les divisions euclidiennes de U1 par B et de V1 par A. Il

existe Q1 et Q2 (les quotients dans K[X]) et U et V (les restes dans
K[X]) tels que :
U1 = BQ1 + U avec deg(U ) < deg(B), (2)
et
V1 = AQ2 + V avec deg(V ) < deg(A). (3)
Il vient de (1), (2) et (3) que
AU + BV = 1 − AB(Q1 + Q2 ). (4)
avec deg(U ) < deg(B) et deg(V ) < deg(A).

Montrons maintenant que Q1 + Q2 = 0. Supposons Q1 + Q2 6= 0, il
vient de (4) que
deg(1 − AB(Q1 + Q2 )) = deg(AU + BV ). (5)
Or
deg((1 − AB(Q1 + Q2 )) = deg(AB(Q1 + Q2 )) ≥ deg(AB),

deg(AU + BV ) ≤ max(deg(AU ), deg(BV )) < deg(AB),
car
deg(AU ) = deg(A) + deg(U ) < deg(A) + deg(B) = deg(AB),
et de même, deg(BV ) < deg(AB). Ceci est en contradiction avec (5).

Donc Q1 + Q2 = 0.
e , Ve ∈ K[X] tels que

Unicité de U et V : s’il existe U, V, U
AU + BV = 1 avec deg(U ) < deg(B) et deg(V ) < deg(A), (6)
et
AU
e + B Ve = 1 avec deg(U
e ) < deg(B) et deg(Ve ) < deg(A). (7)
53
alors (6)-(7) implique

A(U − U
e ) = B(Ve − V ), (8)
avec
max[deg(U ), deg(U
e )] < deg(B) et max[deg(V ), deg(Ve )] < deg(A). (9)
On déduit de (8) que A divise Ve − V et que B divise U − U

e et par (9)
on a U = U
e et V = Ve .
2. En appliquant l’algorithme d’Euclide, on obtient

A = (X + 1)B + R1 ,
B = (X − 1)R1 + R2 ,
R1 = −(X + 1)R2 + R3 ,
1
R2 = − (X + 1)R3 + 0,
3
où R1 = X 3 + X 2 + 2X + 2, R2 = −X 2 + 1 et R3 = 3X + 3. Donc
1
D = A ∧ B = R3 = X + 1.
3
3. Des relation ci-dessus, on déduit que
R1 = A − (X + 1)B,
R2 = X 2 B − (X − 1)A,
R3 = 3D = (2 − X 2 )A + (X + 1)(X 2 − 1)B.
Donc
1 1
D = (2 − X 2 )A + (X + 1)(X 2 − 1)B.
3 3
1 1
D’où U = 3 (2 − X ) et V = 3 (X + 1)(X 2 − 1).
2
4. On a
B = X 4 − 1 = (X − 1)(X 3 + X 2 + X + 1)
= (X − 1)(X + 1)(X 2 + 1).
A = X5 + X4 + X3 + X2 + X + 1
= (X + 1)(X 4 + X 2 + 1) = (X + 1)(X 2 + X + 1)(X 2 − X + 1).
54
Exercice 14 On considère le polynôme P (X) = X 8 + 2X 6 + 3X 4 + 2X 2 + 1.

2π
1. Calculer P () et P 0 () où  = eı 3 .
2. Décomposer en facteurs irréductibles P (X) dans C[X], puis dans R[X].
Solution -
1. Remarquons d’abord que  est solution des équations X 3 = 1 et X 2 +
X + 1 = 0 et donc
3 = 1 et 2 +  + 1 = 0.
On a alors
P () = 8 + 26 + 34 + 22 + 1

= 2 + 2 + 3 + 22 + 1 = 3(2 +  + 1) = 0,
P 0 () = 87 + 125 + 123 + 4
= 8 + 122 + 12 + 4 = 12(2 +  + 1) = 0.
2. Nous avons vu dans la question précédente que P () = P 0 () = 0 et

puisque P (−X) = P (X) et P 0 (−X) = −P 0 (X), on déduit que P (−) =
P 0 (−) = 0. D’un autre côté, puisque P et P 0 sont deux polynômes
réels, on déduit que P () = P 0 () = 0 et P (−) = P 0 (−) = 0. En
conclusion, , −,  et − sont des racines au moins doubles de P .
Donc, la décomposition en facteurs irréductibles de P dans C[X] est
donnée par
P (X) = (X − )2 (X + )2 (X − )2 (X + )2 .
De cette décomposition, on déduit que la décomposition en facteurs

irréductibles de P dans R[X] est donnée par
P (X) = (X 2 + X + 1)2 (X 2 − X + 1)2 .

Chapitre 3
Fractions rationnelles
Dans tout ce chapitre, on a K = R ou C.
3.1 Définitions et propriétés algébriques de K(X)

Définition 11 On appelle fraction rationnelle à une indéterminée sur K
A
une expression de la forme où A ∈ K[X] et B ∈ K[X]∗ .
B
On notera l’ensemble des fractions rationnelles, à une indéterminée, sur K
par K(X).
Exemple - Les quantités
X2 + 1 3X + 1
F = √ et G=
2X 3 − 3X 2 + 7X + 3 X9 + 4X 5 + 2π
sont des fractions rationnelles à une indéterminée, à coefficients

dans R.
A1 A2
Soient et deux fractions rationnelles. On pose par définition :
B1 B2
A1 A2
= ⇐⇒ A1 B2 = B1 A2 .
B1 B2
Soit F une fraction rationnelle. On appellera représentant de F tout couple
A
de polynômes (A, B) tel que F = . Il est clair qu’une fraction rationnelle
B
admet une infinité de représentants.
55
56
0 A
On notera 0 la fraction rationnelle et 1 la fraction rationnelle .
B A
A
Pour toute fraction rationnelle F = 6 0, on appellera inverse de F la
=
B
1 B
fraction rationnelle = .
F A
Proposition 6 Pour toute fraction rationnelle F ∈ K(X), il existe un repré-

P
sentant de F , tels que P et Q soient premiers entre eux. Ce représentant
Q
est appelé forme irréductible de F .
A
En pratique, si F = B
, on considère D le pgcd de (A, B) et on écrit
A = DA1 et B = DB1 .
A1
Ainsi F = B1
et on obtient ainsi un représentant irréductible de F .
Exemple - On considère la fraction rationnelle
X 3 − 2X 2 + X X 2 − 2X + 1
F = = .
X 2 + 3X X +3
2
−2X+1
Alors X X+3 est un représentant irréductible de F car les poly-
2
nômes X − 2X + 1 et X + 3 sont premiers entre eux.
Opérations sur les fractions rationnelles
A C
Soient F1 = , F2 = ∈ K(X).
B D
1. La somme de F1 et F2 est la fractionnelle rationnelle F1 + F2 définie
par
AD + BC
F1 + F2 = .
BD
2. Le produit de F1 et F2 est la fractionnelle rationnelle F1 F2 définie par
AC
F1 F2 = .
BD
57
3. La multiplication de F par un scalaire λ ∈ K est la fractionnelle ra-

tionnelle λF définie par
λA
λF = .
B
A
Définition 12 Soit F = ∈ K(X), le degré de F , noté deg(F ), est la
B
quantité deg(F ) = deg(A) − deg(B).
Le degré d’une fraction rationnelle est un élément de Z ∪ {−∞}.
Exemple - On considère les fractions rationnelles
X2 + 1 3X + 1
F = √ et G= .
2X 3 − 3X 2 + 7X + 3 X9 + 4X 5 + 2π
On a
deg(F ) = 2 − 3 = −1 et deg(G) = 1 − 9 = −8.
Proposition 7 : Soient F1 , F2 ∈ K(X) et soit λ ∈ K ∗ . Alors on a :
i) deg(λF1 ) = deg(F1 ).
ii) deg(F1 F2 ) = deg(F1 ) + deg(F2 ).
iii) deg(F1 + F2 ) ≤ max(deg(F1 ), deg(F2 )).
A
Définition 13 Soit F ∈ K(X) et soit un représentant irréductible
B
de F .
1. On dira que a ∈ K est une racine d’ordre n de F si a est une racine
d’ordre n de A.
2. On dira que b ∈ K est un pôle d’ordre n de F si b est une racine d’ordre
n de B.
Exemple - On considère la fraction rationnelle
X 2 − 2X + 1
F = .
X +3
Alors 1 est une racine double de F et -3 est un pôle simple de F .
Il est important de noter que pour calculer les racines et les pôles d’une
fraction rationnelle F , il est nécessaire d’avoir un représentant irréduc-
tible de F .
58
P
Soit F une fraction rationnelle et Q un représentant irréductible de F . On
note par PF l’ensemble des pôles de F . C’est un ensemble fini et son complé-
mentaire (K \ PF ) dans K est appelé ensemble de définition de F dans
K, noté DF,K .
L’application :
F : DF,K −→ K
P (x)
x 7−→ F (x) = Q(x)
est appelée fonction rationnelle associée à F . On notera aussi F cette appli-
cation.
3.2 Décomposition en éléments simples

3.2.1 Division suivant les puissances croissantes
Théorème 11 Soient A, B deux polynômes tels que B(0) 6= 0. Pour tout
entier n, il existe un couple unique de polynômes (Qn , Rn ) vérifiant :
A = BQn + X n+1 Rn , avec deg(Qn ) ≤ n.
Qn est appelé le quotient à l’ordre n, X n+1 Rn est le reste à l’ordre n.
Exemple - Effectuons la division suivant les puissances croissantes

de 3X 3 + 2X + 1 par 2X 2 + X + 1 à l’ordre 3. On a
1 + 2X + 3X 3 1 + X + 2X 2
1 + X + 2X 2 1 + X − 3X 2 + 4X 3
X − 2X 2 + 3X 3
X + X 2 + 2X 3
−3X 2 + X 3
−3X 2 − 3X 3 − 6X 4
4X 3 + 6X 4
4X 3 + 4X 4 + 8X 5
2X 4 − 8X 5
Donc
1 + 2X + 3X 3 = (1 + X + 2X 2 )(1 + X − 3X 2 + 4X 3 ) + 2X 4 (1 − 4X).
59
Donc
Q3 = 1 + X − 3X 2 + 2X 3 et R3 = 2 − 8X.
Nous allons maintenant décrire les étapes pour effectuer la décomposition

en éléments simples d’une fraction rationnelle.
P P
Soit F = une fraction rationnelle où est un représentant irré-
Q Q
ductible de F .
1. Première étape : Si deg(P ) < deg(Q) on passe à la deuxième étape.
Sinon, on effectue la division euclidienne de P par Q et on obtient
P = EQ + P1 et deg(P1 ) < deg(Q).
Il en résulte alors que
P1
F =E+ et deg(P1 ) < deg(Q) (E1 ).
Q
2. Deuxième étape : On décompose Q en facteurs irréductibles en uti-

lisant les formules (2.6) et (2.7). On obtient donc
(a) Si K = C,
r
Y
Q = λ (X − ai )mi , (3.1)
i=1
où λ ∈ C, (a1 , . . . , ar ) sont les racines de P et (m1 , . . . , mr ) leurs

multiplicités respectives.
(b) Si K = R,
r q
Y Y
mi
Q = λ (X − ai ) (X 2 + bj X + cj )nj , (3.2)
i=1 j=1
où λ ∈ R, (a1 , . . . , ar ) sont les racines réelles de Q, (m1 , . . . , mr )

leurs multiplicités respectives et pour tout 1 ≤ j ≤ q, b2j − 4cj < 0.
3. Troisième étape : On peut maintenant écrire la décomposition en
éléments simples de F . On a deux cas :
60
(a) Si K = C, alors la fraction F s’écrit, de manière unique, sous la

forme
r X mi
X Ai,j
F =E+ j
, (3.3)
i=1 j=1
(X − a i )
où les (Ai,j )1≤j≤m

1≤i≤r
i
sont des constantes.
(b) Si K = R, alors la fraction F s’écrit, de manière unique, sous la

forme
mi
r X q i n
X Ai,j XX Bi,j X + Ci,j
F =E+ j
+ (3.4)
i=1 j=1
(X − ai ) i=1 j=1
(X 2 + bi X + ci )j
où (Ai,j )1≤j≤m i 1≤j≤ni 1≤j≤ni

1≤i≤r , (Bi,j )1≤i≤q , (Ci,j )1≤i≤q sont des constantes.
Dans les formules (3.3) et (3.4), la fraction

mi
X Ai,j
Pi =
j=1
(X − ai )j
est appelée la partie pôlaire de F relative au pôle ai . Les éléments simples
Ai,j
(X − ai )j
sont dits de première espèce. Les éléments simples
Bi,j X + Ci,j
(X 2 + bi X + ci )j
sont dits de deuxième espèce.
Dans les exemples et les exercices, on verra plusieurs techniques de calcul

de la partie pôlaire d’une fraction rationnelle. Nous allons donner maintenant
un moyen efficace de calcul de la partie pôlaire.
Théorème 12 Soit
P
F =
(X − a)m Q1 (X)
61
une fraction irréductible où a est un pôle d’ordre m. Alors La partie pôlaire

de F relative au pôle a est donnée par
λ0 λ1 λm−1
m
+ m−1
+ ... + ,
(X − a) (X − a) X −a
où λ0 + λ1 Y + ... + λm−1 Y m−1 est le quotient de la division suivant les

puissances croissantes de P (a + Y ) par Q1 (a + Y ) à l’ordre m − 1.
α
Dans ce théorème, lorsque le pôle a est simple, la partie polaire X−a de
a est simplement obtenue par la formule
P (a)
α= . (3.5)
Q0 (a)
3.2.2 Exemples de décomposition en éléments simples

Dans cette section, nous allons donner quelques exemples.
1. Décomposons en éléments simples dans R(X) la fraction
1 − X + X3
F =
(X − 1)3 (2X − 1)
D’abord, on écrit F sous la forme :

1
2
− X + X 3)
(1
F =
(X − 1)3 (X − 12 )
La fraction est irréductible dans R(X). En effet, les racines de Q(X) =

(X − 1)3 (X − 21 ) sont 1 et 12 qui ne sont pas des racines de P (X) =
1
2
(1 − X + X 3 ) car P (1) = 12 et P ( 12 ) = 16
5
.
La décomposition de F est de la forme :
a b c d
F (X) = E + 1 + 3
+ 2
+ .
X− 2
(X − 1) (X − 1) X −1
La partie entière E est égale à 0 car deg(P ) = 3 < deg(Q) = 4.

Le pôle 12 est simple et donc, d’après (3.5)
P ( 12 ) −5
a= 1 = .
Q0 ( 2 ) 2
62
Pour calculer la partie pôlaire associée au pôle 1, nous allons utiliser le

théorème 12. Effectuons le changement Y = X − 1, F devient :
1
2
(1 + 2Y + 3Y 2 + Y 3 )
F = .
Y 3 (Y + 21 )
Effectuons la division suivant les puissances croissantes de 12 (1 + 2Y +
3Y 2 + Y 3 ) par 12 + Y à l’ordre 2, on a Q2 = 1 + 3Y 2 . Donc
−5 1 3
F (X) = + 3
+ .
2X − 1 (X − 1) X −1
2. Décomposons sur R[X] la fraction rationnelle
1
F = .
1 + X3
Or 1 + X 3 = (1 + X)(X 2 − X + 1) et donc
1 a bX + c
3
= + 2 .
1+X X +1 X −X +1
En multipliant par X + 1 et en prenant X = −1, on trouve a = 31 . En
prenant X = 0, on obtient c + a = 1 et donc c = 23 . En multipliant
par X et en faisant tendre X vers l’infini, on obtient 0 = a + b et donc
b = − 31 . Ainsi

1 1 1 X −2
= − .
1 + X3 3 X + 1 X2 − X + 1
3. Effectuons la décomposition en éléments simples de
1−X
.
(1 + X)(1 + X 2 )
Cette décomposition s’écrit
1−X a bX + c
2
= + 2 .
(1 + X)(1 + X ) 1+X X +1
En multipliant par X + 1 et en prenant X = −1, on trouve a = 1. En
prenant X = 0, on obtient c + a = 1 et donc c = 0. En multipliant
par X et en faisant tendre X vers l’infini, on obtient 0 = a + b et donc
b = −1. Ainsi
1−X 1 X
2
= − 2 .
(1 + X)(1 + X ) X +1 X +1
63
Exercice 15 Montrer qu’il n’existe pas de fraction rationnelle F de K(X)

telle que
X
F2 = 2 .
X +1
Solution - Faisons un raisonnement par absurde et supposons qu’il

existe une fraction rationnelle F telle que
X
F2 = .
X2 + 1
En évaluant les degrés et en utilisant la proposition 7, on obtient

2 X
deg(F ) = 2 deg(F ) = deg 2
= deg(X) − deg(X 2 + 1) = −1.
X +1
Donc deg(F ) = −1 2
, ce qui est impossible puisque deg(F ) ∈ Z ∪ {−∞}.
En conclusion, il n’existe pas de fraction rationnelle F de K(X) telle que
F 2 = XX
2 +1 .
Exercice 16 1. Décomposer en éléments simples dans R(X) la fraction

rationnelle
1
F = .
(X − 1)3 (X + 1)3
2. En déduire un couple (U, V ) de (R[X])2 tel que
(X + 1)3 U + (X − 1)3 V = 1.
Solution -
1. La fraction F est irréductible car le numérateur est une constante non
nulle et sa partie entière est nulle puisque le degré du numérateur est
strictement inférieur à celui du dénominateur.
64
Le dénominateur est décomposé en facteurs irréductibles et donc la

décomposition en éléments simples de F est de la forme
a1 a2 a3 b1 b2 b3
F = + 2
+ 3
+ + 2
+ ,
X − 1 (X − 1) (X − 1) X + 1 (X + 1) (X + 1)3
où a1 , a2 , a3 , b1 , b2 , b3 sont des réels à déterminer.
La fraction F est paire. En écrivant F (−X) = F (X) dans la formule
ci-dessus, il vient de l’unicité de la décomposition en éléments simples
que
a1 = −b1 , a2 = b2 et a3 = −b3 .
Il suffit donc de trouver la partie pôlaire associée au pôle 1. Pour cela,
en utilisant le théorème 12 et en posant Y = X − 1. On obtient
1
F = 3 .
Y (Y + 2)3
On effectue la division suivant les puissances croissantes de 1 par (Y +
2)3 jusqu’à l’ordre 2. Dans cette division, on est interessé seulement
par le quotient Q à l’ordre 2, donc tous les termes de degré strictement
supérieur à 2 n’interviennent pas dans le calcul de ce quotient. On ne
les gardera pas dans notre division, ce qui simplifiera les calculs. On
effectue alors la division suivant les puissances croissantes de 1 par
8 + 12Y + 6Y 2 jusqu’à l’ordre 2, on a :
1 3 3
Q = − Y + Y 2.
8 16 16
On déduit que a1 = −b1 = 16 3
, a2 = b2 = −316
et a3 = −b3 = 81 et
finalement
3 −3 1 −3 −3 −1
16 16 8 16 16 8
F = + + + + + .
X −1 (X − 1)2 (X − 1)3 X +1 (X + 1)2 (X + 1)3
2. En multipliant la dernière égalité par (X − 1)3 (X + 1)3 , on obtient
3 3
(X − 1) + 18 (X

1 = 16 (X − 1)2 − 16 + 1)3
3 3
(X + 1) − 18 (X − 1)3 .

+ − 16 (X + 1)2 − 16
Donc
3 3 1
U = (X − 1)2 − (X − 1) + et
16 16 8
3 3 1
V = − (X + 1)2 − (X + 1) − .
16 16 8
65

rationnelle
X
F = .
(X − 1)2 (X − 2)
2. Donner, pour n ∈ N∗ , la décomposition en éléments simples dans C(X)
de la fraction rationnelle
1
G= .
Xn −1
Solution -
1. Posons A = X et B = (X − 1)2 (X − 2).
La fraction F est irréductible car 0 est l’unique racine de A, mais 0
n’est pas racine de B (cf. Proposition 5). La partie entière de F est
nulle puisque le degré du polynôme A est strictement inférieur à celui
de B. Le polynôme B est factorisé en polynômes irréductibles. Donc la
décomposition en éléments simples de F est de la forme
a b c
F = + 2
+
X − 1 (X − 1) X −2
où a, b et c sont des réels à déterminer.
Le pôle 2 est simple et donc, d’après (3.5),
A(2)
c= = 2.
B 0 (2)
On a
x
b = lim (x − 1)2 F (x) = lim = −1.
x−→1 x−→1 x − 2
et
lim xF (x) = 0 = a + c.
x−→∞
Donc a = −2.
Finalement, on a :
2 1 2
F =− − 2
+ .
X − 1 (X − 1) X −2
66
2. Posons C = 1 et D = X n − 1, n ∈ N∗ .
La fraction G est irréductible car C est une constante non nulle. La
partie entière de G est nulle puisque le degré de C est strictement
inférieur à celui de D. Les racines de D sont les racines nime de l’unité
et sont données par
2kπ
ei n , avec k = 0, . . . , n − 1.
Donc
n−1
Y
i 2kπ
D= X −e n .
k=0
Ainsi la décomposition en éléments simples de G dans C(X) est de la

forme
n−1
X ak
G= .
i 2kπ
k=0 X − e
n
où a0 , . . . , an−1 sont des nombre complexes à déterminer.

2kπ
Pour k = 0, . . . , n − 1, le pôle ei n est simple et donc, d’après (3.5),
2kπ 2kπ
C(ei n ) 1 ei n
ak = 2kπ = 2kπ = .
D0 (ei n ) nei(n−1) n n
Finalement,
n−1 2kπ
1 X ei n
G= .
n k=0 X − ei 2kπ
n
Exercice 18 Décomposer en éléments simples dans R(X) les fractions ra-

tionnelles
X5 + 1 1
F = 3 et G = .
X (X − 2) (X − 1) (X + 2)3
4
Solution -
1. Posons A = X 5 + 1 et B = X 3 (X − 2).
Les racines de B sont 0 et 2, elles ne sont pas racines de A et donc la
fraction F est irréductible (cf. Proposition 5).
67
La partie entière de F s’obtient en effectuant la division euclidienne de

X 5 + 1 par X 4 − 2X 3 . On obtient alors
A = (X + 2)B + 4X 3 + 1,
et donc
4X 3 + 1
F =X +2+ .
X 3 (X − 2)
Le polynôme B est factorisé en polynômes irréductibles. Ainsi la dé-
composition en éléments simples de F dans R(X) est de la forme
a b c d
F =X +2+ + 2+ 3+
X X X X −2
où a, b, c et d sont des réels à déterminer.
Le pôle 2 est simple et donc, d’après (3.5)
A(2) 33
d= 0
= .
B (2) 8
Cherchons maintenant la partie pôlaire associée au pôle 0. Nous allons
utiliser le théorème 12. Effectuons la division suivant les puissances
croissantes de 4X 3 + 1 par X − 2 jusqu’à l’ordre 2. On obtient que le
quotient est égal à − 12 − 41 X − 18 X 2 et donc
1 1 1
a=− , b=− et c = − .
8 4 2
Finalement,
1 1 1 33
8 4 2 8
F =X +2− − − + .
X X2 X3 X −2
2. Posons C = 1 et D = (X − 1)4 (X + 2)3 .
La fraction G est irréductible car C est une constante non nulle et la
partie entière de G est nulle car le degré de C est strictement inférieur
à celui de D.
Le polynôme D est factorisé en polynômes irréductibles. Ainsi la dé-
composition en éléments simples de G dans R(X) est de la forme
a1 a2 a3 a4 b1 b2 b3
G= + + + + + + ,
X − 1 (X − 1) (X − 1) (X − 1) X + 2 (X + 2) (X + 2)3
2 3 4 2
68
où ak , 1 ≤ k ≤ 4, et bk , 1 ≤ k ≤ 3, sont des nombre réels à déterminer.

Cherchons la partie pôlaire associée au pôle 1 en utilisant le théorème
12. On effectue le changement d’indéterminée Y = X − 1 et on effectue
la division suivant les puissances croissantes de 1 par (Y + 3)3 jusqu’à
1 1 2 10
l’ordre 3, on obtient le quotient Q = 27 − 27 Y + 81 Y 2 − 729 Y 3 . Donc
10 2 1 1
a1 = − , a2 = , a3 = − , a4 = .
729 81 27 27
Cherchons la partie pôlaire associée au pôle -2. On effectue le change-
ment d’indéterminée Y = X + 2 et on effectue la division suivant les
puissances croissantes de 1 par (Y − 3)4 jusqu’à l’ordre 2 (on ne garde
alors dans (Y − 3)4 que les termes de degré ≤ 2), on obtient le quotient
1 4 10
Q = 81 + 243 Y + 729 Y 2 . Donc
10 4 1
b1 = , b2 = , b3 = .
729 243 81
Finalement,
10 1 2 1 1 1
G = − 729 X−1
+ 81 (X−1)2
− 27 (X−1)3
1 1 10 1 4 1 1 1
+ 27 (X−1)4
+ 729 X+2
+ 243 (X+2)2
+ 81 (X+2)3
.
Exercice 19 Décomposer en éléments simples dans R(X) la fraction ration-

nelle
X
F = .
(X − 1) (X 2 + 1)2
2
Solution - Posons A = X et B = (X − 1)2 (X 2 + 1)2 .

La seule racine de A est 0, elle n’est pas racine de B et donc F est irréductible
(cf. Proposition 5). La partie entière de F est nulle puisque le degré de A est
strictement inférieur à celui de B. Le polynôme B est factorisé en polynômes
irréductibles. Ainsi la décomposition en éléments simples de F dans R[X] est
de la forme
a b cX + d eX + f
F = + 2
+ 2 +
X − 1 (X − 1) X + 1 (X 2 + 1)2
69
où a, b, c, d, e et f sont des réels à déterminer.

Cherchons la partie pôlaire associée au pôle 1 en utilisant le théorème 12. On
effectue le changement d’indéterminée Y = X − 1 et on effectue la division
suivant les puissances croissantes de Y + 1 par (Y 2 + 2Y + 2)2 jusqu’à l’ordre
1 (on ne garde alors dans (Y 2 + 2Y + 2)2 que les termes de degré ≤ 1), on
obtient le quotient Q = 14 − 41 Y . Donc
1 1
a=− et b = .
4 4
D’un autre côté, on a
x 1
eı + f = lim (x2 + 1)2 F (x) = lim 2
=− ,
x−→ı x−→i (x − 1) 2
ce qui donne e = 0 et f = − 12 . On a aussi
a + c = lim xF (x) = 0
x−→∞
et donc c = −a = 41 .
Pour calculer d, on a
F (0) = 0 = −a + b + d + f
ce qui donne d = 0.
Finalement,
1 1 1 1 1 X 1 1
F =− + 2
+ − .
4 X − 1 4 (X − 1) 4 X + 1 2 (X + 1)2
2 2
Exercice 20 Décomposer en éléments simples dans R(X) la fraction ration-

nelle
X8 − X4 + 2
F = .
(X 2 + X + 1)3
Solution - Posons A = X 8 − X 4 + 2 et B = (X 2 + X + 1)3 .

2π
Les racines de B sont  et  avec  = ei 3 , elles ne sont pas racines de A (car
70
A() =  −  + 2 6= 0 et A() =  −  + 2 6= 0). Donc F est irréductible (cf.

Proposition 5). La partie entière de F est un polynôme de degré 2 et donc
de la forme
E = αX 2 + βX + γ.
Le polynôme B est factorisé en polynômes irréductibles. Ainsi la décompo-
sition en éléments simples de F dans R[X] est de la forme
a1 X + b 1 a2 X + b 2 a3 X + b 3
F = αX 2 + βX + γ + 2
+ 2 2
+
X + X + 1 (X + X + 1) (X 2 + X + 1)3
où ak , bk , 1 ≤ k ≤ 3, α, β et γ sont des réels à déterminer.
Pour chercher les coefficients ci-dessus, on effectue une suite de divisions
euclidiennes par le polynôme X 2 + X + 1.
D’abord, la division euclidienne de X 8 − X 4 + 2 par X 2 + X + 1 donne
X 8 − X 4 + 2 = (X 2 + X + 1)(X 6 − X 5 + X 3 − 2X 2 + X + 1) + (−2X + 1)
et donc
X 6 − X 5 + X 3 − 2X 2 + X + 1 −2X + 1
F = + . (1)
(X 2 + X + 1)2 (X 2 + X + 1)3
Ensuite, la division euclidienne de X 6 −X 5 +X 3 −2X 2 +X +1 par X 2 +X +1

donne
X 6 −X 5 +X 3 −2X 2 +X +1 = (X 2 +X +1)(X 4 −2X 3 +X 2 +2X −5)+(4X +6)
et donc
X 6 − X 5 + X 3 − 2X 2 + X + 1 X 4 − 2X 3 + X 2 + 2X − 5 4X + 6
2 2
= 2
+ 2 .
(X + X + 1) (X + X + 1) (X + X + 1)2
(2)
4 3 2 2
Enfin, la division euclidienne de X − 2X + X + 2X − 5 par X + X + 1,
soit
X 4 − 2X 3 + X 2 + 2X − 5 = (X 2 + X + 1)(X 2 − 3X + 3) + (2X − 8)
et donc
X 4 − 2X 3 + X 2 + 2X − 5 2X − 8
2
= X 2 − 3X + 3 + 2
. (3)
(X + X + 1) (X + X + 1)
71
Finalement, en combinant (1), (2) et (3) on obtient
2X − 8 4X + 6 −2X + 1
F = X 2 − 3X + 3 + + + .
X2 2
+ X + 1 (X + X + 1) 2 (X 2 + X + 1)3

rationnelle
1
F = .
X(X + 1)(X + 2)
2. En déduire la somme
n
X 2
, n ∈ N∗ .
k=1
k(k + 1)(k + 2)
Solution -
1. La fraction rationnelle F est irréductible dans R(X) (le numérateur est

une constante). Ainsi la décomposition en éléments simples de F est
de la forme
a b c
F (X) = + + .
X X +1 X +2
Les pôles 0, -1 et -2 sont simples et donc, d’après (3.5),
P (0) 1 P (−1) P (−2) 1

a= = , b = = −1 et c = = .
Q0 (0) 2 Q0 (−1) Q0 (−2) 2
Donc
1 1 1 1 1
F (X) = − + .
2X X +1 2X +2
72
2. On a
n n n n
X 2 X 1 X 1 X 1
= −2 +
k=1
k(k + 1)(k + 2) k=1
k k=1
k + 1 k=1 k + 2
n n+1 n+2
X 1 X 1 X 1
= −2 +
k=1
k k k
k=2 k=3
1 1 1
= 1+ −2 +
2 2 n+1

1 1
+ +
n+1 n+2
1 1
= − .
2 (n + 1)(n + 2)
Exercice 22 Soient n ∈ N∗ , a ∈ C \ {−1, 0, 1}. Donner une expression

simple de
n−1
X ak (X + ak+1 )
Sn = k )(X − ak+1 )(X − ak+2 )
.
k=0
(X − a
Solution - Pour k = 0, . . . , n − 1 posons
Ak = ak (X + ak+1 ), Bk = (X − ak )(X − ak+1 )(X − ak+2 )
Ak
et Fk = . Nous allons décomposer en éléments simples sur C(X) la fraction
Bk
rationnelle Fk .
Les racines de Bk sont ak , ak+1 et ak+2 . Montrons, par absurde, qu’elles ne
sont pas racines de A. Si ak est racine de Ak alors
a2k (1 + a) = 0
et donc a = −1 ou a = 0, impossible car a ∈ C \ {−1, 0, 1}. De la même

manière, on montre que ak+1 et ak+2 ne sont pas racines de Ak . Donc les
racines de Bk ne sont pas racines de Ak et par suite Fk est irréductible (cf.
73
Proposition 5). La partie entière de Fk est égale à 0 car deg(Ak ) < deg(Bk ).
D’un autre côté, si
ak = ak+1 , ou ak = ak+2 , ou ak+1 = ak+2
alors a ∈ {−1, 0, 1}. Ceci montre que les pôles ak , ak+1 , ak+2 sont simples.
Ainsi la décomposition en éléments simples de Fk dans C(X) est de la forme
α β γ
F = k
+ k+1
+ ,
X −a X −a X − ak+2
où α, β, γ sont des constantes dans C. On a
1
α = lim (x − ak )Fk (x) = ,
x−→ak (1 − a)2
2
β = lim (x − ak+1 )Fk (x) = − ,
x−→ak+1 (1 − a)2
1
γ = lim (x − ak+2 )Fk (x) = .
x−→ak+2 (1 − a)2
Donc
1 1 2 1 1 1
Fk = 2 k
− 2 k+1
+ .
(1 − a) X − a (1 − a) X − a (1 − a) X − ak+2
2
Finalement,
( n−1 n−1 n−1
)
1 X 1 X 1 X 1
Sn = − 2 +
(1 − a)2 k=0
X − ak k=0
X − ak+1 k=0 X − ak+2
( n−1 n n+1
)
1 X 1 X 1 X 1
= −2 +
(1 − a)2 k=0 X − ak k=1
X − a k
k=2
X − ak

1 1 1 1 1
= − − + .
(1 − a)2 X − 1 X − a X − an X − an+1
Exercice 23 Calculer, pour tout n ∈ N \ {0, 1},

n
X 3k 2 − 1
Sn = .
k=2
(k − 1)2 k 2 (k + 1)2
74
Solution - Posons
A = 3X 2 − 1, B = (X − 1)2 X 2 (X + 1)2
A
et F = . Nous allons décomposer F en éléments simples sur R[X]
B
Les racines de B sont −1, 0 et 1. Or A(−1) = A(1) = 2 et A(0) = −1, donc
−1, 0 et 1 ne sont pas racines de A et par conséquent F est irréductible (cf.
Proposition 5). La partie entière de F est égale à 0 car deg(A) < deg(B).
Ainsi la décomposition en éléments simples de F sur R[X] est de la forme
a1 a2 b1 b2 c1 c2
F = + 2
+ + 2+ + .
X − 1 (X − 1) X X X + 1 (X + 1)2
La fraction rationnelle F est paire et donc
a1 = −c1 , a2 = c2 et b1 = 0.
D’un autre côté,
b2 = lim x2 F (x) = −1,
x−→0
1
a2 = lim (x − 1)2 F (x) = ,
x−→1 2
b 2 c1 c2 2 11 11
a1 + a2 + + + = a1 + = lim F (x) = .
4 3 9 3 36 x−→2 36
Ceci implique a1 = −c1 = 0.
Finalement,
1 1 1 1 1
F = 2
− 2+ .
2 (X − 1) X 2 (X + 1)2
Maintenant
n n n
1X 1 X 1 1X 1
Sn = 2
− 2
+
2 k=2 (k − 1) k=2
k 2 k=2 (k + 1)2
n−1 n n+1
1X 1 X 1 1X 1
= − +
2 k=1 k 2 k=2 k 2 2 k=3 k 2
3 1 1
= − 2+ .
8 2n 2(n + 1)2
Chapitre 4
Espaces vectoriels et applications

linéaires
4.1 Structure d’espace vectoriel

Définition 14 On appelle espace vectoriel sur K (ou un K-espace vectoriel),
en abrégé K − e.v., un ensemble non vide E muni de deux lois :
• une loi de composition interne, appelée addition, notée +, tel que E
muni de cette loi a la structure d’un groupe commutatif, c’est-à-dire,
1. La loi + est associative :
∀→
−
u, →
−
v, →
−
w ∈ E : (→
−
u +→
−
v)+→
−
w =→
−
u + (→
−
v +→
−
w ).
2. La loi + possède un élément neutre, noté 0E , appelé vecteur nul de E,

vérifiant :
∀→
−u ∈E :→ −u + 0E = 0E + → −u =→ −
u.
3. Tout élément →
−
u de E possède un élément symétrique unique, noté −→
−
u
vérifiant :
→
−
u + (−→−
u ) = (−→−
u)+→ −
u = 0E .
4. La loi + est commutative :
∀→
−
u, →
−
v ∈E : →
−
u +→
−
v =→
−
v +→
−
u.
75
76
• une loi de composition externe (de K × E −→ E), appelée multipli-

cation externe, notée . et vérifiant les propriétés :
5. ∀λ ∈ K, ∀→ −
u ∈ E, , ∀→ −v ∈ E, λ.(→ −u +→ −v ) = λ.→
−
u + λ.→
−
v;
6. ∀λ ∈ K, ∀ν ∈ K, ∀→
−
u ∈ E, (λ + ν).→
−
u = λ.→
−
u + ν.→
−
u;
7. ∀λ ∈ K, ∀ν ∈ K, ∀→
−
u ∈ E, λ.(ν.→
−
u ) = (λν).→
−
u;
8. ∀→
−
u ∈ E, 1.→
−
u =→
−
u, 1 est l’élément neutre de la multiplication dans
K.
Les éléments de E sont appelés vecteurs et les éléments de K sont ap-
pelés scalaires.
Les propriétés suivantes qui constituent les règles de calcul dans un K −

e.v. sont une conséquence immédiate des axiomes 1. à 8. de la définition
ci-dessus :
1. Pour λ ∈ K, → −u ∈ E et →
−v ∈ E, λ.(→−u −→ −v ) = λ.→
−u − λ.→−v.
2. Pour λ ∈ K, ν ∈ K et →
−
u ∈ E, (λ − ν).→
−
u = λ.→
−u − ν.→
−
u.
3. Pour λ ∈ K et →
−u ∈ E, λ.(−→
−
u ) = (−λ).→
−u = −λ.→
−u.
→
−
4. Pour λ ∈ K et u ∈ E. On a
λ.→
−
u = 0E ⇐⇒ λ = 0K ou →
−
u = 0E .
4.1.1 Exemples usuels d’espaces vectoriels

1. (R, +, .) est un R-espace vectoriel, (C, +, .) est un C-espace vectoriel.
2. Soit n ∈ N∗ et soit E = K n . On définit sur E une addition + et une
multiplication externe . par
(a) Si x = (x1 , . . . , xn ) ∈ E, y = (y1 , . . . , yn ) ∈ E, on pose
x + y = (x1 + y1 , . . . , xn + yn ).
(b) Si x = (x1 , . . . , xn ) ∈ E et λ ∈ K, on pose
λ.(x1 , . . . , xn ) = (λx1 , . . . , λxn ).

77
Alors K n muni de ces deux lois est un K-espace vectoriel.

3. Soit I un ensemble non vide quelconque. Soit E = F(I, R) l’ensemble
des applications de I dans R. Si f, g ∈ E et λ ∈ K, on définit f + g et
λ.f par :
(f + g)(x) = f (x) + g(x) et (λ.f )(x) = λ.f (x)
Alors F(I, R) muni de ces deux lois est un K-espace vectoriel.

Pour I = N, E est l’ensemble des suites à valeurs dans R qui est donc
un R-espace vectoriel.
4. L’ensemble des polynômes K[X], à coefficients dans K, muni de l’ad-
dition et de la multiplication externe est un K-espace vectoriel.
4.2 Sous-espace vectoriel

Définition 15 On appelle sous-espace vectoriel de E, toute partie F de E
vérifiant les conditions suivantes :
1. 0E ∈ F ,
2. F est stable par l’addition, c’est-à-dire, pour tout →
−
u ∈ F et tout →
−
v ∈
→
− →
−
F, u + v ∈ F ,
3. F est stable par la multiplication externe, c’est-à-dire, pour tout λ ∈ K
et pour tout →
−u ∈ F, λ.→−u ∈ F.
D’une manière plus simple F est un sous-espace vectoriel de E si et seule-
ment si :
1. 0E ∈ F ,
2. pour tous →
−
u, →
−
v ∈ F et tout λ ∈ K, →
−
u + λ→
−
v ∈ F.
Exemples -
1. Dans un K-espace vectoriel E quelconque, {0E } et E sont
des sous-espaces vectoriels, appelés sous-espaces vectoriels tri-
viaux de E.
2. Soit n ∈ N. Alors l’ensemble
Kn [X] = {P ∈ K[X]/P = 0 ou deg(P ) ≤ n}
est un sous-espace vectoriel de K[X].

78
3. Soit I un intervalle de R. L’ensemble C 0 (I, R) des fonctions

continues de I dans R est un sous-espace vectoriel de F(I, R).
Proposition 8 Soit E un K-espace vectoriel et soit (Fi )i∈I une famille de

sous-espaces vectoriels de E. Alors
\
F = Fi
i∈I
est un sous-espace vectoriel de E.
4.2.1 Sous-espace vectoriel engendré par une partie

Définition 16 Soit E un K-espace vectoriel, et soient → −u 1, . . . , →
−
u n des vec-
→
− →
−
teurs de E. On appelle combinaison linéaire de u 1 , . . . , u n tout vecteur de
la forme
n
→
− →
− λi .→
−
X
λ1 . u 1 + ... + λn . u n = u i,
i=1
où les (λ1 , . . . , λn ) ∈ K n et sont appelés les coefficients de la combinaison

n
λi .→−
X
linéaire u i.
i=1
Proposition 9 Soit E un K-espace vectoriel, et soient → −

u 1, . . . , →
−
u n des vec-
teurs de E. L’ensemble des combinaisons linéaires de u 1 , . . . , →
→
− −
u n est un
sous-espace vectoriel de E contenant les vecteurs →
−
u 1 , ... , →
−
u n.
Ce sous-espace vectoriel sera noté
V ect(→
−
u 1 , ... , →
−
u n)
et sera appelé sous -espace vectoriel engendré par les vecteurs →

−
u 1 , ... , →
−
u n.
Exemple - Dans R3 si →
−
u 1 = (1, 0, 0) et →
−
u 2 = (0, 1, 0) alors
V ect(→
−
u 1, →
−
u 2 ) = {→
−
u = α→
−
u 1 + β→
−
u 2 , α, β ∈ R} = R2 × {0},
c’est le plan Oxy de l’espace R3 .

79
4.2.2 Somme de deux sous-espaces vectoriels

Proposition 10 Soient E un K-espace vectoriel et F et G deux sous-espaces
vectoriels de E. Alors
{→
−
x +→
−
y ,→
−
x ∈ F et →−
y ∈ G}
est un sous-espace vectoriel, c’est le plus petit sous-espace vectoriel contenant
F ∪ G. On l’appelle somme de F et G et on le note F + G.
Proposition 11 Soient E un K-espace vectoriel et F et G deux sous-espaces
vectoriels de E. Alors les deux propriétés suivantes sont équivalentes :
(a) tout vecteur →−
x de E s’écrit de manière unique
→
−x =→ −
y +→ −z
avec →
−
y ∈ F, →
−
z ∈ G.
(b) E = F + G et F ∩ G = {0E }.
Définition 17 Soient E un K-espace vectoriel et F et G deux sous-espaces
vectoriels de E. Si F et G vérifient l’une des conditions équivalentes (a) et
(b) de la proposition 11, on dira que F et G sont supplémentaires dans E et
que E est somme directe de F et G et on écrit E = F ⊕ G.
Exemple - On considère le R-espace vectoriel F(R, R). On a
F(R, R) = F0 (R, R) ⊕ F1 (R, R),
où F0 (R, R)et F1 (R, R) sont, respectivement, le sous-espace vectoriel
des fonctions paires et le sous-espace vectoriel des fonction im-
paires. En effet, si f ∈ F0 (R, R) ∩ F1 (R, R), alors pour tout x ∈ R, on
a
f (x) = f (−x) = −f (x)
et donc f est identiquement nulle. Ainsi
F0 (R, R) ∩ F1 (R, R) = {0}.
Pour tout f ∈ F(R, R), posons, pour tout x ∈ R,
1 1
f0 (x) = (f (x) + f (−x)) et f1 (x) = (f (x) − f (−x)).
2 2
Il est claire de que f0 est paire et que f1 est impaire et que
f = f1 + f2 .
Ainsi F(R, R) = F0 (R, R) + F1 (R, R) et on peut alors conclure.
80
4.3 Famille libre, famille liée

Définition 18 Soit E un K-espace vectoriel, et soient → −
u 1, . . . , →
−
u n des vec-
teurs de E.
1. On dit que la famille {→ −
u 1, . . . , →
−
u n } est libre, ou encore que les vecteurs
→
− →
−
u 1 , . . . , u n sont linéairement indépendants, si pour tout (λ1 , . . . , λn ) ∈
Kn
(λ1 .→
−
u 1 + . . . + λn .→ −u n = 0E ) =⇒ (λ1 = ... = λn = 0).
2. Si la famille {→ −u 1, . . . , →
−
u n } n’est pas libre, on dira qu’elle est liée ou que
→
− →
−
les vecteurs u , . . . , u sont linéairement dépendants. Dans ce cas, il
1 n
existe (λ1 , . . . , λn ) 6= (0, . . . , 0) tels que
λ1 .→
−u 1 + . . . + λn .→−
u n = 0E .
Exemples -
1. La famille F = {(1, 1), (2, 3), (4, 5)} de R2 est une famille liée
car
2.(1, 1) + (2, 3) − (4, 5) = (0, 0)
2. Dans R2 , la famille G = {(1, 1), (2, 3)} est libre. En effet, soient
α, β ∈ R tels que
α.(1, 1) + β.(2, 3) = (0, 0).
On obtient alors le système

α + 2β = 0 (1)
α + 3β = 0 (2)
qui possède une unique solution α = β = 0. En effet, si on fait
(2) -(1) on obtient β = 0 et donc α = 0.
4.4 Dimension d’un espace vectoriel

Définition 19 Soit E un K-espace vectoriel.
1. On dit que la famille {→ −e 1, . . . , →
−
e n } de vecteurs de E est une famille
génératrice de E si le sous-espace vectoriel engendré par les vecteurs
→
−e 1 , ... , →
−
e n est égal à E :
V ect(→ −e ,...,→
1
−
e ) = E.
n
81
2. On dira que E est de dimension finie si E possèdes une famille gé-

nératrice finie. Dans le cas contraire, on dira que E est de dimension
infinie.
3. On dit que la famille {→−e 1, . . . , →
−
e n } est une base de E si elle est libre
et génératrice de E.
Proposition 12 Soit E un K-espace vectoriel. La famille {→ −e 1, . . . , →

−
e n } de
vecteurs de E est une base de E si et seulement si tout vecteur →
−x de E s’écrit
de manière unique
→
−x = α .→−
e + α .→ −
e + ... + α .→−e , (4.1)
1 1 2 2 n n
avec (α1 , . . . , αn ) ∈ K n .
Théorème 13 Soit E un K-espace vectoriel de dimension finie. Alors toutes
les bases de E contiennent le même nombre de vecteurs, appelé dimension
de E sur K, et sera noté dimK E ou dim E lorsqu’il n’y a pas de risque de
confusion.
Soient E un K-espace vectoriel de dimension n, B = (e1 , . . . , en ) une base
de E et →−
x ∈ E. D’après la proposition 12, il existe (α1 , . . . , αn ) ∈ Kn uniques
tels que
→
−x = α1 .→−
e 1 + α2 .→
−
e 2 + ... + αn .→
−
e n.
Les scalaires (α , . . . , α ) sont appelés coordonnées de →
1 n
−
x dans la base B.
Exemples -
1. E = {0E } est de dimension 0.
2. Soit n ∈ N∗ alors
dimK K n = n
et les vecteurs
→
−
e 1 = (1, 0, ..., 0), →
−
e 2 = (0, 1, 0, ..., 0), . . . , →
−
e n = (0, ..., 0, 1)
forment une base de K n dite base canonique de K n .
3. Soit n ∈ N et soit Kn [X] le K-espace vectoriel :
Kn [X] = {P ∈ K[X]/P = 0 ou deg(P ) ≤ n}.
La famille {1, X, ..., X n } est une base de Kn [X] appelée la base
canonique de En . Ainsi
dimK Kn [X] = n + 1.
82
Dans le cas de la dimension finie, on a la caractérisation suivante de la

somme directe de deux sous-espaces vectoriels.
Proposition 13 Soient E un K-espace vectoriel de dimension finie et F

et G deux sous-espaces vectoriels de E. Alors les deux propriétés suivantes
sont équivalentes :
(a) E = F ⊕ G.
(b) F ∩ G = {0} et dim E = dim F + dim G.
Exemples -
1. On a
R2 = (R × {0}) ⊕ ({0} × R).
En effet, on a clairement (R × {0}) ∩ ({0} × R) = {(0, 0)} et
dim R2 = 2 = dim (R × {0}) + dim ({0} × R) = 1 + 1.
2. Nous allons montrer que R2 = F ⊕G avec F = {(x, y) ∈ E / x = y}

et G = {(x, y) ∈ E / x = −y}.
En effet, F et G sont des sous-espaces vectoriels de E car
F = V ect(1, 1) et G = V ect(1, −1). En plus, dim F = dim G = 1
et F ∩ G = {0E } car si (x, y) ∈ F ∩ G alors x = y = −y, donc
x = y = 0.
Proposition 14 Soient E un K-espace vectoriel de dimension finie et F

et G deux sous-espaces vectoriels de E. Alors F + G est de dimension finie
et
dim(F + G) = dim F + dim G − dim(F ∩ G).
Théorème 14 Soient E un K-espace vectoriel de dimension finie n et soit

{e1 , . . . , en } une famille contenant n vecteurs. Alors les propriétés suivantes
sont équivalentes :
1. {e1 , . . . , en } est une base de E.
2. {e1 , . . . , en } est une famille libre de E.
3. {e1 , . . . , en } est une famille génératrice de E.
83
Théorème 15 (Théorème de la base incomplète) Soient E un K-espace

vectoriel de dimension finie n ≥ 2 et G = {g1 , ..., gm } une famille géné-
ratrice de E. Alors, pour tout 1 ≤ p ≤ n et toute famille libre (u1 , . . . , up )
de vecteurs de E, il existe n − p = q vecteurs gi1 , ..., giq de la famille G tels
que la famille
u1 , ..., up , gi1 , ..., giq
soit une base de E.
Exemple - Dans R3 , la famille {(1, 1, 0), (1, 1, 1)} est libre car
α.(1, 1, 0) + β.(1, 1, 1) = (0, 0, 0)
implique α = β = 0. On va compléter cette famille pour obtenir

une base de R3 . Comme dim R3 = 3, On doit trouver un vecteur → −
u3
→
−
de R tel que la famille {(1, 1, 0), (1, 1, 1), u 3 } soit une base de R3 .
3
On choisit ce vecteur dans la base canonique de R3 . Par exemple,

prenons →
−
u 3 = (1, 0, 0). Pour α, β, γ ∈ R, la relation
α.(1, 1, 0) + β.(1, 1, 1) + γ.(1, 0, 0) = (0, 0, 0)
est équivalente à 
 α + β + γ = 0,
α+β = 0,
β = 0.

Ceci donne α = β = γ = 0. Donc la famille {(1, 1, 0), (1, 1, 1), (1, 0, 0)}
est libre, elle contient 3 vecteurs et dim(R3 ) = 3 et donc, en vertu
du théorème 14, c’est une base de R3 .
4.5 Rang d’une famille de vecteurs

Définition 20 Soient E un K-espace vectoriel et {x1 , . . . , xp } une famille
de vecteurs de E. On appelle rang de {x1 , . . . , xp } et on note rg{x1 , . . . , xp }
la dimension de V ect(x1 , . . . , xp ).
On peut voir facilement que le rang d’une famille de vecteurs est le plus grand
nombre de vecteurs linéairement indépendants extraits de cette famille.
Exemple - On considère dans R4 la famille {u1 , u2 , u3 , u4 } avec
u1 = (1, 1, 1, 0), u2 = (2, 1, 1, 0), u3 = (3, 2, 1, 0), u4 = (1, 3, 1, 1).

84
Déterminons le rang de cette famille, c’est-à-dire, extraire de cette

famille le maximum de vecteurs linéairement indépendants.
On considère le vecteur u1 seul, il est non nul, donc il est libre.
On considère ensuite la famille {u1 , u2 }. Cette famille est libre car
αu1 + βu2 = (0, 0, 0, 0) est équivalent à

α + 2β = 0 (1)
α + β = 0 (2)
La différence (1)-(2) implique que β = 0, donc α = 0.
On considère maintenant la famille {u1 , u2 , u3 }. Cette famille est
libre car αu1 + βu2 + γu3 = (0, 0, 0, 0) est équivalent à

 α + 2β + 3γ = 0 (1)
α + β + 2γ = 0 (2)
α+β+γ = 0 (3)

La différence (2)-(3) implique que γ = 0 et (1)-(2) implique β = 0,

on en déduit donc α = 0.
On considère enfin la famille {u1 , u2 , u3 , u4 }. Cette famille est libre
car αu1 + βu2 + γu3 + δu4 = (0, 0, 0, 0)est équivalent à


 α + 2β + 3γ + δ = 0 (1)
α + β + 2γ + 3δ = 0 (2)


 α+β+γ+δ = 0 (3)
δ = 0 (4)

L’équation (4) implique δ = 0. La différence (2)-(3) implique que

γ = 0 et (1)-(2) implique β = 0, on en déduit donc α = 0. En
conclusion,
rg{u1 , u2 , u3 , u4 } = 4.
4.6 Applications linéaires

4.6.1 Généralités
Définition 21 Soient E et F deux K-espaces vectoriels et soit f une appli-
cation de E dans F . On dit que f est une application linéaire de E dans F ,
si elle vérifie les deux conditions :
85
1. pour tout →
−
u ∈ E, pour tout →
−v ∈ E, f (→
−
u +→ −v ) = f (→
−
u ) + f (→
−
v );
2. pour tout λ ∈ K, pour tout →
−
u ∈ E, f (λ→
−u ) = λf (→
−
u ).
Les conditions 1. et 2. de la définition ci-dessus sont équivalentes à la

condition : pour tout λ ∈ K et pour tous →−
u ,→
−v ∈ E,
f (λ→
−
u +→
−
v ) = λf (→
−
u ) + f (→
−
v ).
Une application linéaire de E dans E s’appelle endomorphisme de E.

Une application linéaire de E dans K s’appelle forme linéaire sur E.
Une application linéaire bijective de E sur F s’appelle isomorphisme de E
sur F .
Un isomorphisme de E sur E s’appelle aussi automorphisme.
Soit f : E −→ F une application linéaire. Les propriétés suivantes sont

immédiates :
1. f (0 ) = 0 et pour tout →
E F
−
u ∈ E, f (−→ −
u ) = −f (→
−
u ).
2. Si f est un isomorphisme alors l’application réciproque f −1 est un iso-
morphisme de F sur E, appelé isomorphisme réciproque.
Exemples -
1. Si E et F sont deux K-espaces vectoriels alors l’application
nulle de E dans F qui à tout →
−
u ∈ E associe 0F est linéaire.
2. Soit E un K-espace vectoriel. L’application identité de E, IE :
E −→ E, →−
u 7→ →
−
u est un automorphisme de E.
3. La dérivation K[X] −→ K[X], P 7→ P 0 est un endomorphisme
de K[X].
4. Soient a, b ∈ R avec a < b. L’application I : C 0 ([a, b], R) −→ R,
Rb
f 7→ a f (x)dx est une forme linéaire sur C 0 ([a, b], R).
4.6.2 Image et Noyau d’une application linéaire

Théorème 16 Soient E et F deux K-espaces vectoriels et soit f : E −→ F
une application linéaire. Alors :
1. L’image par f de tout sous-espace vectoriel de E est un sous-espace
vectoriel de F .
86
2. L’image réciproque par f de tout sous-espace vectoriel de F est un sous-

espace vectoriel de E.
Définition 22 Soient E et F deux K-espaces vectoriels et f : E −→ F une

application linéaire.
1. Le sous-espace vectoriel f (E) est appelé image de f et est noté Imf .
2. Le sous-espace vectoriel f −1 ({0 }) = {→
F
−x ∈ E/f (→
−x ) = 0 } est appelé
F
noyau de f et est noté ker f .
Il est claire qu’une application linéaire f : E −→ F est surjective si et
seulement si Imf = F . Le noyau d’une application linéaire permet de tester
si celle-ci est injective ou non.
Proposition 15 Soit f : E −→ F une application linéaire. Alors f est

injective si et seulement si ker f = {0E }.
Les applications linéaires surjectives envoient familles génératrices sur fa-

milles génératrices.
Proposition 16 Soit f : E −→ F une application linéaire et soit {e1 , . . . , en }

une famille génératrice de E. Alors {f (e1 ), . . . , f (en )} est une famille géné-
ratrice de Imf . En particulier, si f est surjective alors {f (e1 ), . . . , f (en )} est
une famille génératrice de F .
Les applications linéaires injectives envoient familles libres sur familles

libres.
Proposition 17 Soit f : E −→ F une application linéaire injective et soit

{e1 , . . . , en } une famille libre de E. Alors {f (e1 ), . . . , f (en )} est une famille
libre de F .
En combinant ces deux propositions, on obtient :
Proposition 18 Soit f : E −→ F isomorphisme et soit {e1 , . . . , en } une

base de E. Alors {f (e1 ), . . . , f (en )} est une base de F .
Exemple - Soit f : R2 −→ R2 définie par
f (x, y) = (x − y, x + y).
87
Nous allons montrer que f est un automorphisme de R2 . L’applica-

tion f est linéaire car, pour tous (x, y), (x0 , y 0 ) ∈ R2 et tout α ∈ R, on
a
f (α.(x, y) + (x0 , y 0 )) = f (αx + x0 , αy + y 0 )
= (αx + x0 − αy − y 0 , αx + x0 + αy + y 0 )
= α.(x − y, x + y) + (x0 − y 0 , x0 + y 0 )
= α.f (x, y) + f (x0 , y 0 ).
Calculons ker f et Imf . On a
ker f = {(x, y) ∈ E/f (x, y) = (0, 0)}
= {(x, y) ∈ E/x − y = 0 et x + y = 0}
= {(0, 0)},
et donc, d’après la proposition 15, f est injective.
D’un autre côté, puisque {(1, 0), (0, 1)} est une base de R2 on a,
d’après la proposition 16,
Imf = V ect(f (1, 0), f (0, 1)) = V ect((1, 1), (−1, 1)).
La famille {(1, 1), (−1, 1)} est libre car, pour touts α, β ∈ R, la
relation
α.(1, 1) + β.(−1, 1) = (0, 0)
est équivalente à
α−β =0 et α+β =0
soit α = β = 0. Donc {(1, 1), (−1, 1)} est une base de Imf . Puisque
Imf ⊂ R2 et dim Imf = dim R2 = 2, on a Imf = R2 et donc f est
surjective. En conclusion, f est un automorphisme de R2 .
4.6.3 Opérations sur les applications linéaires

Soit E et F deux K-espaces vectoriels. L’ensemble des applications li-
néaires de E dans F est noté LK (E, F ) ou L(E, F ). Lorsque E = F , on note
L(E) au lieu de L(E, E).
Pour tous f, g ∈ L(E, F ), tout λ ∈ K et tout →
−
x ∈ E, on pose
(f + g)(→
−
x ) = f (→
−
x ) + g(→
−
x ) et (λ.f )(→
−
x ) = λ.f (→
−
x ).
88
Ceci définit sur L(E, F ) une structure de K-espace vectoriel.

D’un autre côté, si G est un autre K-espace vectoriel, on a
f ∈ L(E, F ) et g ∈ L(F, G) =⇒ g ◦ f ∈ L(E, G).
On a aussi pour tous (f, f1 , f2 ) ∈ (L(E, F ))3 , (g, g1 , g2 ) ∈ (L(F, G))3 , et

λ ∈ K,
g ◦ (f1 + f2 ) = g ◦ f1 + g ◦ f2 ,
(g1 + g2 ) ◦ f = g1 ◦ f + g2 ◦ f,
λ(g ◦ f ) = (λg) ◦ f = g ◦ (λf ).
4.6.4 Applications linéaires d’un K-espace vectoriel de

dimension finie dans un K-espace vectoriel
Nous avons vu dans les propositions 16, 17 et 18 que les applications
linéaires surjectives préservent les familles génératrices, celles injectives pré-
servent les familles libres et les isomorphismes préservent les bases. Le résultat
suivant précise davantage ces propositions.
Théorème 17 Soit f ∈ L(E, F ) avec dim E = n. Soit {e1 , . . . , en } une base

de E. Alors on a les équivalences suivantes :
1. f est injective ⇐⇒ (f (e1 ), . . . , f (en )) est une famille libre de F ,
2. f est surjective ⇐⇒ (f (e1 ), . . . , f (en )) est une famille génératrice de
F,
3. f est un isomorphisme de E sur F ⇐⇒ (f (e1 ), . . . , f (en )) est une base
de F .
Le théorème suivant est considéré comme le théorème fondamental de
l’algèbre linéaire.
Théorème 18 (Théorème noyau-image) Soit f ∈ L(E, F ) avec dimen-

sion de E finie. Alors Imf est un sous-espace vectoriel de F de dimension
finie de F et l’on a
dim ker f + dim Imf = dim E.

89
Théorème 19 Soit f ∈ L(E, F ) avec E et F de dimension finie et dim E =

dim F . Alors les propriétés suivantes sont équivalentes :
1. f est un isomorphisme de E sur F .
2. f est injective.
3. f est surjective.
Définition 23 Soit f ∈ L(E, F ), la dimension de Imf est appelée rang de

f et on le note rg(f ).
Exemple - Soit f : R3 −→ R2 l’application linéaire définie par
f (x, y, z) = (2x − y + z, y + z).
Nous allons déterminer ker f , Imf et rgf .

Commençons par déterminer le noyau de f . On a (x, y, z) ∈ ker f si
et seulement si
2x − y + z = 0
y+z = 0
soit
(x, y, z) = (−z, −z, z) = z(−1, −1, 1).
Donc ker f est la droite vectorielle engendrée par (−1, −1, 1). D’après
le théorème noyau-image, on a
dim ker f + dim Imf = 3,
on déduit que dim Imf = 2 et puisque Imf ⊂ R2 , on déduit que

Imf = R2 . On a
rgf = dim Imf = 2.
90
Exercice 24 Quels sont, parmi les sous-ensembles suivants, ceux qui sont
des sous-espaces vectoriels de F(R, R) :
1. A = {f ∈ F(R, R) / f (1) = 2f (0)},
2. B = {f ∈ F(R, R) / f (1) − f (0) = 1},
3. C = {f ∈ F(R, R) / f (x) = f (x − a) pour tout x ∈ R} (a ∈ R fixé) ?
Solution - Nous avons vu dans la section 4.1.1 que F(R, R) est un R-

→
−
espace vectoriel. Notons 0 : R −→ R l’application nulle.
1. A est un sous-espace vectoriel de F(R, R). En effet :
→
−
– 0 ∈ A car
→
− →
−
0 (1) = 2 0 (0) = 0.
– A est stable par l’addition.
Soient f, g ∈ A, on a f (1) = 2f (0) et g(1) = 2g(0) et donc
(f + g)(1) = 2(f + g)(0).
Ainsi f + g ∈ A.
– A est stable par la multiplication externe.
Soit λ ∈ R et soit f ∈ A, on a
(λ.f )(1) = λf (1) = λ(2f (0)) = 2λf (0) = 2(λ.f )(0).
Ainsi λ.f ∈ A.
→
−
2. B n’est pas un sous-espace vectoriel de F(R, R). En effet, 0 ∈
/ B car
→
− →
−
0 (1) − 0 (0) = 0 6= 1.
3. C est un sous-espace vectoriel de F(R, R). En effet :
→
− →
− →
−
– Pour tout x ∈ R, 0 (x) = 0 (x − a) = 0 et donc 0 ∈ C.
– C est stable par l’addition.
Pour tous f, g ∈ C, on a, pour tout x ∈ R,
f (x) = f (x − a) et g(x) = g(x − a),
et donc
(f + g)(x) = (f + g)(x − a).
Ainsi f + g ∈ C.
91
– C est stable par la multiplication externe.

Soit λ ∈ R et soit f ∈ C. On a, pour tout x ∈ R,
(λ.f )(x) = λf (x) = λ(f (x − a)) = λf (x − a) = (λ.f )(x − a),
et donc λ.f ∈ C.
Exercice 25 Soient {P1 , . . . , Pn } une famille de polynômes dans K[X] (K =

R ou C) telle que
0 ≤ deg(P1 ) < deg(P2 ) < . . . < deg(Pn ).
Montrer que {P1 , . . . , Pn } est une famille libre de K[X].
Solution -
Soient (α1 , . . . , αn ) ∈ K n tel que
α1 P1 + . . . + αn Pn = 0. (1)
Si αn 6= 0 alors, d’après (1),
deg(αn Pn ) = deg(Pn ) = deg(α1 P1 + . . . + αn−1 Pn−1 )

≤ max(deg(α1 P1 ), . . . , deg(αn−1 Pn−1 )) < deg(Pn ),
ce qui est impossible et donc αn = 0. La relation (1) s’écrit alors
α1 P1 + . . . + αn−1 Pn−1 = 0.
En réitérant le raisonnement ci-dessus, on montre de proche en proche que

α1 = . . . = αn−1 = 0. Finalement, {P1 , . . . , Pn } une famille libre.
Exercice 26 Montrer que
E = {P ∈ R[X], degP ≤ 5, P (−1) = 0 = P 0 (−1) = P 00 (−1) = 0}
est un sous-espace vectoriel de R[X] et déterminer une base de E.
Solution -
92
En effet, le polynôme nul est dans E et, pour tous P, Q ∈ E et tout α ∈ R,

on a
(P + αQ)(−1) = P (−1) + αQ(−1) = 0 + α0 = 0,
(P + αQ)0 (−1) = P 0 (−1) + αQ0 (−1) = 0 + α0 = 0,
(P + αQ)00 (−1) = P 00 (−1) + αQ00 (−1) = 0 + α0 = 0
et donc P + αQ ∈ E, ce qui montre que E est un sous-espace vectoriel de
R[X] et donc c’est un espace vectoriel. Soit P ∈ E, d’après la formule de
Taylor (cf. Théorème 8), on a
P (2) (−1) P (3) (−1)
P (X) = P (−1) + P 0 (−1)(X + 1) + (X + 1)2 + (X + 1)3
2! 3!
P (4) (−1) P (5) (−1)
+ (X + 1)4 + (X + 1)5
4! 5!
P (3) (−1) P (4) (−1) P (5) (−1)
= (X + 1)3 + (X + 1)4 + (X + 1)5 .
3! 4! 5!
De cette formule, on déduit que {(X + 1)3 , (X + 1)4 , (X + 1)5 } est une famille
génératrice de E. Or elle est libre, d’après l’exercice 25. Finalement, {(X +
1)3 , (X + 1)4 , (X + 1)5 } est une base de E et donc E est un sous-espace
vectoriel de R[X] de dimension 3.
Exercice 27 On considère
F = {(x, y) ∈ R2 /x + y = 0} et G = {(x, y) ∈ R2 /x − y = 0}.
Montrer que F et G sont deux sous-espaces vectoriels de R2 .
Solution -
1. F est un sous-espace vectoriel de R2 . En effet :
– (0, 0) ∈ F car 0 + 0 = 0.
– F est stable par l’addition.
Soient (x, y), (x0 , y 0 ) ∈ F . On a x + y = x0 + y 0 = 0. Or
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 )
et
(x + x0 ) + (y + y 0 ) = (x + y) + (x0 + y 0 ) = 0 + 0 = 0.
Donc (x, y) + (x0 , y 0 ) ∈ F .
93
– F est stable par la multiplication externe.

Soient λ ∈ R et (x, y) ∈ F . On a x + y = 0. Or
λ.(x, y) = (λx, λy)
et
λx + λy = λ(x + y) = λ.0 = 0.
Donc λ.(x, y) ∈ F .
2. G est un sous-espace vectoriel de R2 . En effet :
– (0, 0) ∈ G car 0 − 0 = 0.
– G est stable par l’addition.
Soient (x, y), (x0 , y 0 ) ∈ G. On a x − y = x0 − y 0 = 0 Or
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 )
et
(x + x0 ) − (y + y 0 ) = (x − y) + (x0 − y 0 ) = 0 + 0 = 0.
Donc (x, y) + (x0 , y 0 ) ∈ G.
– G est stable par la multiplication externe.
Soient λ ∈ R et (x, y) ∈ G. On a x − y = 0. Or
λ.(x, y) = (λx, λy)
et
λx − λy = λ(x − y) = λ.0 = 0.
Donc λ.(x, y) ∈ G.
Exercice 28 Soit A ∈ C[X] un polynôme fixé tel que deg(A) ≥ 1. On consi-

dère les ensembles :
F = {P ∈ E/A divise P }, G = {P ∈ E/ deg(P ) < deg(A)},

H = {P ∈ E/ deg(P ) ≤ deg(A)}.
1. Montrer que F , G et H sont deux sous-espaces vectoriel de C[X].

2. Montrer que C[X] = F + G.
3. Déterminer F + H , F ∩ G et F ∩ H.
94
Solution -
On notera 0C le polynôme nul.
1. • F est un sous-espace vectoriel. En effet :
– 0C ∈ F car le polynôme A divise le polynôme nul.
– F est stable par l’addition.
Soient P1 , P2 ∈ F . On a A divise P1 et A divise P2 , donc il existe
Q1 , Q2 ∈ C[X] tels que P1 = AQ1 et P2 = AQ2 . En additionnant,
on obtient P1 + P2 = A(Q1 + Q2 ), c’est-à-dire, A divise P1 + P2 .
Donc P1 + P2 ∈ F .
– F est stable par la multiplication externe.
Soient λ ∈ C et P ∈ F . On a A divise P et donc il existe Q ∈ C[X]
tel que P = AQ. En multipliant par λ, on obtient
λP = λ(AQ) = A(λQ).
Donc A divise λ.P et par conséquent λP ∈ F .

• G est un sous-espace vectoriel. En effet :
– Par définition, le polynôme nul appartient à G.
– G est stable par l’addition.
Soient P1 , P2 ∈ G. D’après les propriétés du degré d’un polynôme,
on a
deg(P1 + P2 ) ≤ max(deg(P1 ), deg(P2 )) < deg(A).
Donc le polynôme P1 + P2 ∈ G.
– G est stable par la multiplication externe.
Soient λ ∈ C et P ∈ G. Si λ = 0, on a λP = 0 ∈ G. Sinon λ 6= 0
implique deg(λP ) = deg(P ) < deg(A). Donc λP ∈ G.
• Un raisonnement identique à celui utilisé pour G montre que H est
un sous-espace vectoriel de C[X].
2. On a montré ci-dessus que F et G sont des sous-espaces vectoriel de
C[X] et donc F + G est un sous-espace vectoriel de C[X]. Montrons
maintenant que C[X] ⊂ F + G. Soit P ∈ C[X]. Effectuons la division
euclidienne de P par A. D’après le théorème 2, il existe un couple
unique (Q, R) ∈ C[X]2 tel que
P = AQ + R
95
avec deg(R) < deg(A). Or le polynôme AQ est multiple de A, donc

appartient à F et puisque deg(R) < deg(A), on a R ∈ G. Donc P ∈
F + G et par conséquent
C[X] = F + G.
3. On a G ⊂ H, donc F + G ⊂ F + H et par conséquent
C[X] = F + G ⊂ F + H.
L’autre inclusion F + H ⊂ C[X] est due au fait que F et H sont des

sous-espaces vectoriels de C[X]. En conclusion
C[X] = F + H.
Déterminons F ∩ G. Soit P ∈ F ∩ G. On a A divise P et deg(P ) <

deg(A). Puisque A divise P , on a P = 0 ou deg(A) ≤ deg(P ). La
deuxième proposition étant impossible, il en résulte que nécessairement
P = 0C . Finalement,
F ∩ G = {0C }.
Déterminons maintenant F ∩ H. Soit P ∈ F ∩ H. On a A divise P et
deg(P ) ≤ deg(A). Or, puisque A divise P alors P = 0 ou deg(A) ≤
deg(P ). On déduit alors que P = αA. Ainsi
F ∩ H = V ect(A).
Exercice 29 Soit u : E −→ E une application. Dans chacun des cas sui-

vants, dire si u est une application linéaire, et si oui, déterminer ker u et Imu
et dire est ce que u est injective, surjective, bijective :
1. E = R2
(a) u(x, y) = (2x + 3y, x) ;
(b) u(x, y) = (y, x + y + 1) ;

x y
(c) u(x, y) = , .
x2 + y 2 + 1 x2 + y 2 + 1
2. E = F(R, R)
96
(a) Pour tout f ∈ E, u(f ) est définie par : u(f )(x) = (x2 + 1)f (x),
pour tout x ∈ R ;
(b) Pour tout f ∈ E ? u(f ) = |f |.
Solution -
1. (a) L’application u est linéaire. En effet, pour tous (x, y), (x0 , y 0 ) ∈ R2
et pour tout α ∈ R, on a
u(α(x, y) + (x0 , y 0 )) = u(αx + x0 , αy + y 0 )

= (2(αx + x0 ) + 3(αy + y 0 ), αx + x0 )
= α(2x + 3y, x) + (2x0 + 3y 0 , x0 )
= αu(x, y) + u(x0 , y 0 )
On a ker u = {(x, y) ∈ R2 / u(x, y) = (0, 0)}. L’équation
u(x, y) = (0, 0)
est équivalente au système

2x + 3y = 0
x = 0
dont l’ensemble des solutions est clairement {(0, 0)}. Donc ker u =
{(0, 0)}.
Puisque {(1, 0), (0, 1)} est une base de R2 , d’après la proposition
16,
Imu = V ect(u(1, 0), u(0, 1)) = V ect((2, 1), (3, 0)).
Or la famille {(2, 1), (3, 0)} est libre car la relation
α(2, 1) + β(3, 0) = (0, 0)
implique α = β = 0. Ainsi {(2, 1), (3, 0)} est une base de Imu et
par suite
dim(Imu) = dim(R2 ) = 2
et, puisque Imu ⊂ R2 , il en résulte que Imu = R2 .
97
On peut arriver à ce résultat d’une autre manière. En effet, puisque

ker u = {(0, 0)}, u est injective en vertu de la proposition 15. Or
la dimension de l’ensemble de départ est égale à la dimension
de l’ensemble d’arrivé et donc, d’après lt théorème 19, u est un
isomorphisme et donc Imu = R2 .
(b) L’application u n’est pas linéaire car u(0, 0) = (0, 1) 6= (0, 0).
(c) L’application u n’est pas linéaire car

2 2 1 1 2 2
u(2, 2) = , 6= 2u(1, 1) = 2 , = , .
9 9 3 3 3 3
2. (a) L’application u est linéaire. En effet, pour tous f, g ∈ F(R, R) et

tout α ∈ R, on a pour tout x ∈ R :
u(αf + g)(x) = (x2 + 1)(αf (x) + g(x))

= α(x2 + 1)f (x) + (x2 + 1)g(x)
= αu(f )(x) + u(g)(x).
Donc
u(αf + g) = αu(f ) + u(g).
On a ker u = {f ∈ F(R, R) / u(f ) = 0}. On résoud l’équation
u(f )(x) = 0, ∀x ∈ R, on obtient f (x) = 0, ∀x ∈ R, c’est-à-dire
f = 0. Donc ker u = {0}.
On a Imu = {g ∈ F(R, R) / ∃f ∈ E : g = u(f )}. Pour
g ∈ F(R, R) donné, on résoud l’équation g(x) = (x2 + 1)f (x),
on obtient l’application f définie par f (x) = x21+1 g(x). Donc
Imu = F(R, R).
Nous avons vu que ker u = {0} et donc, d’après la proposition 15,
u est injective. On a aussi Imu = F(R, R) et donc u est surjective.
En conclusion, u est un isomorphisme de F(R, R) sur F(R, R).
(b) L’application u n’est pas linéaire. En effet, pour f et g constantes
avec f = 1 et g = −1, on a
u(f + g) = u(0) = 0,
mais
u(f ) + u(g) = 1 + 1 = 2.
Donc u(f + g) 6= u(f ) + u(g).
98
Exercice 30 On considère l’application f : C3 −→ C2 [X] définie, pour tout

(a, b, c) ∈ C3 , par
f (a, b, c) = a − b + (b − c)X + (c − a)X 2 .
Vérifier que f est linéaire. Déterminer ker f et Imf . f est-elle injective,

surjective, bijective ?
Solution - Pour tous (x, y, z), (x0 , y 0 , z 0 ) ∈ C3 et pour tout α ∈ C, on a :
f [α(x, y, z) + (x0 , y 0 , z 0 )] = f (αx + x0 , αy + y 0 , αz + z 0 )

= (αx + x0 ) − (αy + y 0 ) + [(αy + y 0 ) − (αz + z 0 )]X
+[(αz + z 0 ) − (αx + x0 )]X 2
= α[x − y + (y − z)X + (z − x)X 2 ] +
[x0 − y 0 + (y 0 − z 0 )X + (z 0 − x0 )X 2 ]
= αf (x, y, z) + f (x0 , y 0 , z 0 )
ce qui montre que f est linéaire.

On a ker f = {(a, b, c) ∈ C3 / f (a, b, c) = 0}. L’équation f (a, b, c) = 0 est
équivalente à
a−b=b−c=c−a=0
soit a = b = c. Ainsi
ker f = V ect((1, 1, 1)).
Puisque le noyau de f n’est pas réduit à zéro, on déduit en vertu de la
proposition 15 que f n’est pas injective.
Puisque {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est une base de C3 , d’après la proposition
16,
Imf = V ect(f (1, 0, 0), f (0, 1, 0), f (0, 0, 1)) = V ect(1−X 2 , −1+X, −X +X 2 ).
Or la relation
α(1 − X 2 ) + β(−1 + X) + γ(−X + X 2 ) = 0
est équivalente à α = β = γ. On déduit que
(−X + X 2 ) = −(−1 + X) − (1 − X 2 ).
99
Cette relation implique que {1 − X 2 , −1 + X, −X + X 2 } est une famille liée

et que
Imf = V ect(1 − X 2 , −1 + X).
Or la famille {1 − X 2 , −1 + X} est libre. En effet, la relation
α(1 − X 2 ) + β(−1 + X) = 0
implique α = β = 0. Finalement, {1 − X 2 , −1 + X} est une base de Imf .

Puisque dim Imf < dim C2 [X] = 3, on déduit que f n’est pas surjective.
Exercice 31 Soit n ∈ N∗ et soit f : Rn [X] −→ Rn [X] définie, pour tout

P ∈ Rn [X], par
f (P ) = P − XP 0 .
Vérifier que f est linéaire. Déterminer ker f et Imf . L’application f est-elle
injective, surjective, bijective ?
On rappelle que Rn [X] est l’espace vectoriel des polynômes de degré inférieur
ou égal à n.
Solution - Vérifions d’abord que f est bien définie. En effet, si P ∈

on a deg(P ) ≤ n. Or
Rn [X],
deg(f (P )) = deg(P − XP 0 ) ≤ max(P, XP 0 ) = deg(P ) ≤ n,
et donc f (P ) ∈ Rn [X].
Pour tous P, Q ∈ Rn [X] et pour tout α ∈ R, on a :
f (αP + Q) = (αP + Q) − X(αP + Q)0

= (αP + Q) − X(αP 0 + Q0 )
= α(P − XP 0 ) + (Q − XQ0 )
= αf (P ) + f (Q),
ce qui montre que f est linéaire.

Soit
n
X
P = ak X k .
k=0
100
P ∈ ker f si et seulement si
n
X
(1 − k)ak X k = 0.
k=0
Ceci est équivalent à
(1 − k)ak = 0, k = 0, . . . , n.
soit
a0 = a2 = . . . = an = 0.
D’où P = a1 X. Ainsi
ker f = V ect(X).
Il en résulte, en vertu de la proposition 15, que f n’est pas injective. Or,
puisque la dimension de l’espace de départ est égale à la dimension de l’espace
d’arrivé, on déduit, d’après le théorème 19, que f n’est pas surjective et donc
pas bijective.
Puisque {1, X, . . . , X n } est une base de Rn [X], d’après la proposition 16,
Imf = V ect(f (1), f (X), . . . , f (Xn ))

= V ect(1, −X 2 , . . . , (1 − n)X n ) = V ect(1, X 2 , . . . , X n ).
Exercice 32 On considère les éléments de C3 donnés par
U = (1, −2ı, 3ı) , V = (2ı, 1, −1) , W = (1, ı, −2ı).
1. Dans C3 considéré comme C-espace vectoriel la famille (U, V, W ) est-

elle libre ?
2. Dans C3 considéré comme R-espace vectoriel, la famille (U, V, W ) est-
elle libre ?
Solution -
1. Soit α, β, γ ∈ C. La combinaison linéaire
α.U + β.V + γ.W = (0, 0, 0)

101


 α + 2ıβ + γ = 0 (1)
−2ıα + β + ıγ = 0 (2)
3ıα − β − 2ıγ = 0 (3)

Si on fait (2) + (3), on obtient α = γ. En remplaçant dans (1), on

obtient β = ıα. Le système possède au moins une solution non nulle,
par exemple α = γ = 1 et β = ı. Ainsi
U = −ıV − W,
et donc la famille {U, V, W } est liée dans C3 considéré comme C-espace

vectoriel.
2. Soit α, β, γ ∈ R. La combinaison linéaire
α.U + β.V + γ.W = (0, 0, 0)


 α + 2ıβ + γ = 0 (1)
−2ıα + β + ıγ = 0 (2)
3ıα − β − 2ıγ = 0 (3)

Si on fait (2)+(3), on obtient α = γ. En remplaçant dans (1) on obtient

β = α = γ = 0. En conclusion, la famille {U, V, W } est libre dans C3
considéré comme R-espace vectoriel.
Exercice 33 On considère les vecteurs de R3 donnés par
a = (1, −1, 0), b = (1, 0, 1) et c = (1, −1, 1).
1. Montrer que B = {a, b, c} est une base de R3 .

2. Calculer les coordonnées du vecteur x = (x1 , x2 , x3 ) dans la base B.
Solution -
102
1. On sait que dim(R3 ) = 3 et que B contient 3 vecteurs et donc, d’après

le théorème 14, pour montrer que B est une base, il suffit de montrer
qu’elle est libre. Soient α, β, γ ∈ R tels que
α.a + β.b + γ.c = (0, 0, 0).
Cette relation est équivalente au système


 α + β + γ = 0 (1)
−α − γ = 0 (2)
β+γ = 0 (3)

Si on fait (1) + (2), on obtient β = 0 et (1) − (3) entraîne que α = 0.

Finalement, α = β = γ = 0 et donc B est libre et par suite c’est une
base de R3 .
2. Pour chercher les coordonnées d’un vecteur x = (x1 , x2 , x3 ) dans la base
(a, b, c), on résoud le système

 α + β + γ = x1 (1)
−α − γ = x2 (2)
β+γ = x3 (3)

Si on fait (1) + (2), on obtient β = x1 + x2 et (1) − (3) entraîne α =

x1 − x3 . Finalement, d’après (3), γ = x3 − x1 − x2 . Ainsi
(x1 , x2 , x3 ) = (x1 − x3 )a + (x1 + x2 )b + (x3 − x1 − x2 )c,
et donc les coordonnées de x dans la base B sont
(x1 − x3 , x1 + x2 , x3 − x1 − x2 ).
Exercice 34 On considère les vecteurs de R4 donnés par
a = (0, 1, 1, 1), b = (1, 0, 1, 1), c = (1, 1, 0, 1) et d = (1, 1, 1, 0).
1. Montrer que B = {a, b, c, d} est une base de R4 .

2. Calculer les coordonnées du vecteur x = (x1 , x2 , x3 , x4 ) dans la base B.
103
Solution -
qu’elle est libre. Soient α, β, γ, δ ∈ R. La relation
α.a + β.b + γ.c + δd = (0, 0, 0)



 β+γ+δ = 0 (1)
α+γ+δ = 0 (2)


 α+β+δ = 0 (3)
α+β+γ = 0 (4)

Si on retranche de 31 [(1) + (2) + (3) + (4)] séparemment les équations

(1), (2), (3) et (4), on obtient α = β = γ = δ = 0. Donc B est libre et
par suite c’est une base de R4 .
2. Pour chercher les coordonnées d’un vecteur x = (x1 , x2 , x3 , x4 ) dans la
base B, on résoud le système


 β+γ+δ = x1 (1)
α+γ+δ = x2 (2)


 α+β+δ = x3 (3)
α+β+γ = x4 (4)

Si on retranche de 31 [(1) + (2) + (3) + (4)] séparemment les équations

(1), (2), (3) et (4), on obtient
1 1
α = (−2x1 + x2 + x3 + x4 ), β = (x1 − 2x2 + x3 + x4 ),
3 3
1 1
γ = (x1 + x2 − 2x3 + x4 ), δ = (x1 + x2 + x3 − 2x4 ).
3 3
Ceci donne les coordonnées de x dans la base B.
Par exemple, le vecteur (1, 1, 1, 1) s’écrit dans la base B
1
(1, 1, 1, 1) = (a + b + c + d).
3
104
Exercice 35 On considère le C-espace vectoriel
C2 [X] = {P ∈ C[X]/P = 0 ou deg(P ) ≤ 2}
et soient a, b, c trois nombres complexes distincts.

1. Montrer que
B = ((X − b)(X − c), (X − c)(X − a), (X − a)(X − b))
est une base de C2 [X].

2. Calculer les coordonnées de P ∈ C2 [X] dans B.
Solution -
1. On sait que dim(C2 [X]) = 3 et que B contient 3 vecteurs et donc,
d’après le théorème 14, pour montrer que B est une base, il suffit de
montrer qu’elle est libre. En effet, pour α, β, γ ∈ C, la combinaison
linéaire
α.(X − b)(X − c) + β.(X − c)(X − a) + γ.(X − a)(X − b) = 0
implique, en donnant à x les valeurs particulières x = a, x = b et x = c,
α(a − b)(a − c) = 0, β(b − c)(b − a) = 0 et γ(c − a)(c − b) = 0.
Finalement, en utilisant le fait que les scalaires a, b et c sont distincts,

on obtient α = β = γ = 0, donc B est libre et par suite c’est une base
de C2 [X].
Tout polynôme P ∈ C2 [X] est combinaison linéaire des vecteurs de
la base canonique {1, X, X 2 } et donc pour calculer les coordonnées de
P dans la base B, nous allons d’abord calculer les coordonnées des
vecteurs 1, X et X 2 dans la base B.
2. • Chercher les coordonnées α, β et γ du polynôme constant 1 dans la
base B revient à résoudre l’équation :
α(X − b)(X − c) + β(X − c)(X − a) + γ(X − a)(X − b) = 1.

105
En donnant à X, respectivement, les valeurs particulières a, b et c,

on obtient
1 1 1
α= , β= et γ = .
(a − b)(a − c) (b − c)(b − a) (c − a)(c − b)
(1)
• Chercher les coordonnées α, β et γ du polynôme X dans la base B
revient à résoudre l’équation :
α(X − b)(X − c) + β(X − c)(X − a) + γ(X − a)(X − b) = X.

on obtient
a b c
α= , β= et γ = .
(a − b)(a − c) (b − c)(b − a) (c − a)(c − b)
(2)
• Chercher les coordonnées α, β et γ du polynôme X 2 dans la base B
revient à résoudre l’équation :
α(X − b)(X − c) + β(X − c)(x − a) + γ(X − a)(X − b) = X 2 .

on obtient
a2 b2 c2
α= , β= et γ = .
(a − b)(a − c) (b − c)(b − a) (c − a)(c − b)
(3)
Finalement, si
P = a0 + a1 X + a2 X 2 ,
en utilisant (1), (2) et (3) on obtient que les coordonnées de P dans la
base B sont

P (a) P (b) P (c)
, , .
(a − b)(a − c) (b − a)(b − c) (c − a)(c − b)
Exercice 36 Soit f : R4 −→ R[X], définie, pour tout (a, b, c, d) ∈ R4 , par
f (a, b, c, d) = a + b + (b − c)X + (c + a)X 2 .

106
1. Vérifier que f est linéaire.

2. Déterminer une base de ker f et une base de Imf .
3. On considère E = {(a, b, c, d) ∈ R4 /a + b = c − d = 0}. Vérifier que E
est un sous-espace de R4 et déterminer f (E). Comparer dim f (E) et
dim E.
Solution -
1. L’application f est linéaire. En effet, soient V = (a, b, c, d), V 0 =
(a0 , b0 , c0 , d0 ) ∈ R4 et α ∈ R, on a
f (αV + V 0 ) = f (αa + a0 , αb + b0 , αc + c0 , αd + d0 )
= [(αa + a0 ) + (αb + b0 )] + [(αb + b0 ) − (αc + c0 )]X
+[(αc + c0 ) + (αa + a0 )]X 2
= α.[a + b + (b − c)X + (c + a)X 2 ] +
[a0 + b0 + (b0 − c0 )X + (c0 + a0 )X 2 ]
= α.f (V ) + f (V 0 ).
2. Le vecteur V = (a, b, c, d) ∈ ker f si et seulement si
f (V ) = a + b + (b − c)X + (c + a)X 2 = 0.
Cette relation est équivalente à
a + b = 0, b − c = 0 et c + a = 0
soit a = −b et b = c. Donc V = (a, −a, −a, d), a, d ∈ R. D’où
ker f = V ect((1, −1, −1, 0), (0, 0, 0, 1)).
La famille {(1, −1, −1, 0), (0, 0, 0, 1)} est libre et donc c’est une base de
ker f .
Puisque {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)} est une base de R4 ,
d’après la proposition 16,
Imf = V ect(f (1, 0, 0, 0), f (0, 1, 0, 0), f (0, 0, 1, 0), f (0, 0, 0, 1))
= V ect(1 + X 2 , 1 + X, −X + X 2 , 0)
= V ect(1 + X 2 , 1 + X, −X + X 2 ).
107
On remarque que
−X + X 2 = (1 + X 2 ) − (1 + X)
et que {1 + X 2 , 1 + X} est libre car les polynômes 1 + X 2 et 1 + X sont
de degrés distincts. Donc
Imf = V ect(1 + X 2 , 1 + X)
et {1 + X 2 , 1 + X} est une base de Imf .
3. On a
E = {(a, −a, c, c) ∈ R4 / a, c ∈ R} = V ect((1, −1, 0, 0), (0, 0, 1, 1)).
Donc E est un sous-espace vectoriel de R4 de dimension 2 et
f (E) = V ect(f (1, −1, 0, 0), f (0, 0, 1, 1))
= V ect(−X + X 2 , −X + X 2 ) = V ect(−X + X 2 ).
Ainsi dim(f (E)) = 1 < dim(E) = 2.
Exercice 37 Pour tout n ∈ N∗ , on note

Cn [X] = {P ∈ C[X]/P = 0 ou deg(P ) ≤ n}.
Soit f : C3 [X] −→ C[X] définie, pour tout P ∈ Cn [X], par
f (P ) = (2X + 1)P − (X 2 − 1)P 0 .
1. Vérifier que f est linéaire. f est-elle injective ? Donner une base de
Imf .
2. Déterminer f (C2 [X]).
Solution -
1. L’application f est linéaire. En effet, pour tous polynômes P et Q dans
C3 [X] et pour tout α ∈ C, on a
f (α.P + Q) = (2X + 1)(α.P + Q) − (X 2 − 1)(α.P + Q)0

= α.[(2X + 1)P − (X 2 − 1)P 0 ]
+[(2X + 1)Q − (X 2 − 1)Q0 ]
= α.f (P ) + f (Q).
108
Pour voir si f est injective, nous allons calculer ker f (cf. Proposition
15). On a P ∈ ker f si et seulement si
(2X + 1)P − (X 2 − 1)P 0 = 0. (1)
De l’égalité
(2X + 1)P = (X 2 − 1)P 0
et le fait que
(2X + 1) ∧ (X 2 − 1) = 1,
on déduit, en vertu du théorème de Gauss (cf. Théorème 5), que le
polynôme X 2 − 1 divise P et donc
P = (αX + β)(X 2 − 1) et P 0 = α(X 2 − 1) + 2X(αX + β).
En injectant ces deux expressions dans (1), on obtient
αX + β = α(X 2 − 1)
soit α = β = 0. Ainsi ker f = {0} et donc f est injective.

Puisque {1, X, X 2 , X 3 } est une base de C3 [X], d’après la proposition
16,
Imf = V ect(f (1), f (X), f (X 2 ), f (X 3 ))

= V ect(2X + 1, X 2 + X + 1, X 2 + 2X, −X 4 + X 3 + 3X 2 ).
D’après le théorème Noyau-Image (cf. Théorème 18), on a
dim(Imf ) = dim(C3 [X]) − dim(ker f ) = 4.
La famille
{2X + 1, X 2 + X + 1, X 2 + 2X, −X 4 + X 3 + 3X 2 }
étant une famille génératrice de Imf et contient le même nombre de

vecteurs que dim(Imf ) donc c’est une base de Imf en vertu du théorème
14.
109
2. On a
f (C2 [X]) = V ect(f (1), f (X), f (X 2 ))

= (2X + 1, X 2 + X + 1, X 2 + 2X).
La famille {2X + 1, X 2 + X + 1, X 2 + 2X} est libre car c’est une

sous-famille de la famille libre
{2X + 1, X 2 + X + 1, X 2 + 2X, −X 4 + X 3 + 3X 2 }.
C’est alors une base de f (C2 [X]). De plus, f (C2 [X]) ⊂ C2 [X] et
dim(f (C2 [X])) = dim(C2 [X]) = 3,
donc f (C2 [X]) = C2 [X].
Exercice 38 Soit E un C-espace vectoriel de dimension 4 et (e1 , e2 , e3 , e4 )

une base de E. On considère l’endomorphisme f de E défini par :
f (e1 ) = e2 −e3 , f (e2 ) = −2e2 +2e3 , f (e3 ) = e1 +e4 , f (e4 ) = e1 +e2 −e3 +e4 .
1. Trouver une base de Imf et une base de ker f .

2. Trouver une base de Imf ∩ ker f et une base de Imf + ker f .
Solution -
1. On remarque que f (e2 ) = −2f (e1 ) et f (e4 ) = f (e1 ) + f (e3 ). Donc
Imf = V ect(f (e1 ), f (e2 ), f (e3 ), f (e4 ))

= V ect(f (e1 ), f (e3 )) = V ect(e2 − e3 , e1 + e4 ).
La famille {e2 − e3 , e1 + e4 } est libre car la combinaison linéaire
α(e2 − e3 ) + β(e1 + e4 ) = 0E
est équivalente à
βe1 + αe2 − αe3 + βe4 = 0E
110
soit α = β = 0. Ainsi {e2 − e3 , e1 + e4 } est une base de Imf .

Pour déterminer ker f , remarquons que
f (e2 ) = −2f (e1 ) et f (e4 ) = f (e1 ) + f (e3 )
et puisque f est linéaire on déduit que
f (e2 + 2e1 ) = f (e1 + e3 − e4 ) = 0E .
Ainsi {e2 + 2e1 , e1 + e3 − e4 } ⊂ ker f et donc
V ect(e2 + 2e1 , e1 + e3 − e4 ) ⊂ ker f.
La famille {e2 + 2e1 , e1 + e3 − e4 } est libre car la combinaison linéaire
α(e2 + 2e1 ) + β(e1 + e3 − e4 ) = 0E
est équivalente à
(β + 2α)e1 + αe2 + βe3 − βe4 = 0E
soit α = β = 0.
En utilisant le théorème Noyau-Image (cf. Théorème 18), on a
dim(ker f ) = dim(E) − dim(Imf ) = 4 − 2 = 2
et puisque
V ect((e2 + 2e1 , e1 + e3 − e4 ) ⊂ ker f
et
dim(V ect(e2 + 2e1 , e1 + e3 − e4 )) = dim(ker f )
on en déduit que
ker f = V ect(e2 + 2e1 , e1 + e3 − e4 ).
2. Nous avons vu que
Imf = V ect(e2 − e3 , e1 + e4 ) et ker f = V ect(e2 + 2e1 , e1 + e3 − e4 ).
Donc si V ∈ Imf ∩ ker f alors il existe des scalaires α, β, γ et δ tels

que
V = α(e2 − e3 ) + β(e1 + e4 ) = γ(e2 + 2e1 ) + δ(e1 + e3 − e4 ).

111
Ceci est équivalent à
(β − 2γ − δ)e1 + (α − γ)e2 − (α + δ)e3 + (β + δ)e4 = 0E .
Puisque (e1 , e2 , e3 , e4 ) est une base de E, on obtient γ = −δ = β = α.

Donc V = α(e1 + e2 − e3 + e4 ) avec α ∈ C et par conséquent
Imf ∩ ker f = V ect(e1 + e2 − e3 + e4 ).
Imf + ker f = V ect(e2 − e3 , e1 + e4 , e2 + 2e1 , e1 + e3 − e4 ),
et d’après la proposition 14,
dim(Imf +ker f ) = dim(Imf )+dim(ker f )−dim(Imf ∩ker f ) = 4−1 = 3.
En remarquant que
e1 + e3 − e4 = (e2 + 2e1 ) − (e2 − e3 ) − (e1 + e4 )
on déduit finalement que
Imf + ker f = V ect(e2 − e3 , e1 + e4 , e2 + 2e1 ).
Exercice 39 Soit E un R-espace vectoriel de dimension 4, (e1 , e2 , e3 , e4 ) une

base de E et α ∈ R un paramètre. On considère l’application linéaire fα :
E −→ E définie par
fα (e1 ) = e2 − e3 − αe4 ,
fα (e2 ) = e1 + e4 ,
fα (e3 ) = αe1 + e2 − e3
fα (e4 ) = (α − 1)e1 − αe2 + αe3 + αe4 .
1. Trouver une base de Imfα et une base de ker fα .

2. Trouver une base de ker fα ∩ Imfα .
112
(Discuter suivant la valeur de α).
Solution - Remarquons d’abord que, d’après le théorème Noyau-Image

(cf. Théorème 18), on a
dim(ker fα ) + dim(Imfα ) = dim E = 4. (1)
1. Commençons par déterminer une base de ker fα . Un vecteur u = xe1 +

ye2 + ze3 + te4 ∈ ker fα si et seulement si
0 = fα (xe1 + ye2 + ze3 + te4 )

= xfα (e1 ) + yfα (e2 ) + zfα (e3 ) + tfα (e4 )
= x(e2 − e3 − αe4 ) + y(e1 + e4 ) + z(αe1 + e2 − e3 )
+t((α − 1)e1 − αe2 + αe3 + αe4 )
= (y + αz + (α − 1)t)e1 + (x + z − αt)e2 + (−x − z + αt)e3
+(−αx + y + αt)e4 .
Puisque {e1 , e2 , e3 , e4 } est une base, elle est en particulier libre, et donc
la relations ci-dessus est équivalente à

 y + αz + (α − 1)t = 0 (E1 )
x + z − αt = 0 (E2 )
−αx + y + αt = 0 (E3 )

Ce système est équivalent à


 y = −αz − (α − 1)t (E1 )
x = −z + αt (E2 )
−α(−z + αt) − αz − (α − 1)t + αt = 0 (E3 )

soit

 y = −αz − (α − 1)t (E1 )
(S) x = −z + αt (E2 )
(1 − α2 )t = 0 (E3 )

On a trois cas :
(a) α2 6= 1, dans ce cas, de (S) on déduit que
ker fα = {−ze1 − αze2 + ze3 , z ∈ R} = V ect{−e1 − αe2 + e3 },

113
et donc ker fα est un sous-espace vectoriel de dimension 1. De la

relation (1), on déduit que dim Imfα = 3 et donc pour déterminer
une base de Imfα , il suffit d’exhiber trois vecteurs linéairement in-
dépendants dans Imfα . Or fα (e1 ), fα (e2 ) et fα (e4 ) sont dans Imfα ,
vérifions qu’ils sont linéairement indépendants. Soient a, b, c ∈ R
tels que
afα (e1 ) + bfα (e2 ) + cfα (e4 ) = 0,
soit
(b + (α − 1)c)e1 + (a − αc)e2 + (−a + αc)e3 + (−αa + b + αc)e4 = 0.
Cette relation est équivalente à


 b = (1 − α)c (E1 )
a = αc (E2 )
2
−α c + (1 − α)c + αc = 0 (E3 )

soit 
 b = (1 − α)c (E1 )
a = αc (E2 )
2
(1 − α )c = 0 (E3 )

et puisque α2 6= 1, on déduit que a = b = c = 0. Ainsi
{e2 − e3 − αe4 , e1 + e4 , (α − 1)e1 − αe2 + αe3 + αe4 }
est une base de Imfα .

(b) α = 1. Dans ce cas, de (S) on déduit que
ker fα = {(t − z)e1 − ze2 + ze3 + te4 , z, t ∈ R}

= V ect{−e1 − e2 + e3 , e1 + e4 },

une base de Imfα , il suffit d’exhiber deux vecteurs linéairement
indépendants dans Imfα . Or fα (e1 ) et fα (e3 ) sont dans Imfα , vé-
rifions qu’ils sont linéairement indépendants. Soient a, b ∈ R tels
que
afα (e1 ) + bfα (e3 ) = 0,
114
soit
be1 + (a + b)e2 − (a + b)e3 − ae4 = 0
De cette relation, on déduit que a = b = 0. Finalement
{e2 − e3 − e4 , e1 + e2 − e3 }

(c) α = −1. Dans ce cas, de (S) on déduit que
ker fα = {(−t − z)e1 + (z + 2t)e2 + ze3 + te4 z, t ∈ R}

= V ect{−e1 + e2 + e3 , −e1 + 2e2 + e4 },

une base de Imfα , il suffit d’exhiber deux vecteurs linéairement
indépendants dans Imfα . Or fα (e1 ) et fα (e3 ) sont dans Imfα , vé-
rifions qu’ils sont linéairement indépendants. Soient a, b ∈ R tels
que
afα (e1 ) + bfα (e3 ) = 0,
soit
−be1 + (a + b)e2 − (a + b)e3 + ae4 = 0
De cette relation, on déduit que a = b = 0. Finalement
{e2 − e3 + e4 , −e1 + e2 − e3 }

2. On va discuter suivant les cas.
(a) α2 6= 1. Soit u ∈ ker fα ∩ Imfα . D’après la question précédente,
puisque
{e2 − e3 − αe4 , e1 + e4 , (α − 1)e1 − αe2 + αe3 + αe4 }
est une base de Imfα , il existe a, b, c ∈ R,
u = a(e2 − e3 − αe4 ) + b(e1 + e4 )

+c((α − 1)e1 − αe2 + αe3 + αe4 )
= (b + (α − 1)c)e1 + (a − αc)e2 + (−a + αc)e3
+(−αa + b + αc)e4 .
115

0 = fα (u)
= (b + (α − 1)c)fα (e1 ) + (a − αc)fα (e2 ) + (−a + αc)fα (e3 )
+(−αa + b + αc)fα (e4 )
= (b + (α − 1)c)(e2 − e3 − αe4 ) + (a − αc)(e1 + e4 )
+(−a + αc)(αe1 + e2 − e3 )
+(−αa + b + αc)((α − 1)e1 − αe2 + αe3 + αe4 )
= (1 − α)[((1 + α)a − b − 2αc)e1
+((1 + α)a − b − (α − 1)c)(e3 − e2 ) + (1 + α)ae4 ].
Puisque {e1 , e2 , e3 , e4 } est une base, elle est en particulier libre,

et donc la relations ci-dessus est équivalente à, puisque α − 1 6= 0,

 (1 + α)a − b − 2αc = 0 (E1 )
(1 + α)a − b − (α − 1)c = 0 (E2 )
(1 + α)a = 0 (E3 )

Puisque α 6= −1, de (E3 ), on déduit que a = 0. En remplaçant

dans (E1 ) et (E2 ), on déduit que b = −2αc = (1 − α)c et donc
b = c = 0. Ainsi
ker fα ∩ Imfα = {0}.
Puisque dim ker fα + dim Imfα = dim E, on déduit que
E = ker fα ⊕ Imfα .
(b) α = 1. Soit u ∈ ker fα ∩ Imfα . D’après la question précédente,

puisque
{e2 − e3 − e4 , e1 + e2 − e3 }
est une base de Imfα , il existe a, b ∈ R,
u = a(e2 −e3 −e4 )+b(e1 +e2 −e3 ) = be1 +(a+b)e2 −(a+b)e3 −ae4 .
0 = fα (u) = bfα (e1 ) + (a + b)fα (e2 ) − (a + b)fα (e3 ) − afα (e4 )
= b(e2 − e3 − e4 ) + (a + b)(e1 + e4 ) − (a + b)(e1 + e2 − e3 )
−a(−e2 + e3 + e4 )
= 0.
116
Donc
ker fα = Imfα
et
ker fα + Imfα = ker fα = Imfα .
(c) α = −1. Soit u ∈ ker fα ∩ Imfα . D’après la question précédente,
puisque
{e2 − e3 + e4 , −e1 + e2 − e3 }
est une base de Imfα , il existe a, b ∈ R,
u = a(e2 −e3 +e4 )+b(−e1 +e2 −e3 ) = −be1 +(a+b)e2 −(a+b)e3 +ae4 .
0 = fα (u) = −bfα (e1 ) + (a + b)fα (e2 ) − (a + b)fα (e3 ) + afα (e4 )

= −b(e2 − e3 + e4 ) + (a + b)(e1 + e4 ) − (a + b)(−e1 + e2 − e3 )
+a(−2e1 + e2 − e3 − e4 )
= 2be1 − 2be2 + 2be3 .
soit b = 0. Donc
ker fα ∩ Imfα = V ect{e2 − e3 + e4 }.

Chapitre 5
Matrices réelles ou complexes
5.1 L’ensemble des matrices Mp,n(K) : défini-

tions et premières propriétés
Soit (p, n) ∈ N2 avec p ≥ 1, n ≥ 1. On appelle matrice de type (p, n) ou
(p, n)-matrice à coefficients dans K un tableau rectangulaire A à p lignes et
n colonnes d’éléments de K, c’est-à-dire,
 
a11 a12 ... a1n
 a21 a22 ... a2n 
A =  .. ..  .
 
..
 . . . 
ap1 ap2 ... apn
Les éléments aij de K, 1 ≤ i ≤ p et 1 ≤ j ≤ n, sont appelés coefficients de

la matrice A.
On note aussi la matrice A par (aij ) 1≤i≤p ou plus simplement (aij ) lorsqu’il
1≤j≤n
n’y a pas de confusion.
Une matrice est dite nulle si tous ses coefficients sont égaux à zéro.
L’ensemble des (p, n)-matrices à coefficients dans K est noté Mp,n (K).
On appelle ième vecteur ligne de la matrice A = (aij ) ∈ Mp,n (K) le vecteur
de K n défini par
(ai1 , ai2 , . . . , ain ).
117
118
On appelle j ème vecteur colonne de la matrice A = (aij ) ∈ Mp,n (K) le

vecteur de K p défini par  
a1j
 a2j 
 ..  .
 
 . 
apj
Le coefficient aij est situé à l’intersection de la ième ligne et de la j ème
colonne.
Pour p = 1, la matrice

a11 a12 . . . a1n ∈ M1,n (K)
est appelée matrice ligne.
Pour n = 1, la matrice  
a11

 a21 

 .. 
 . 
ap1
est appelée matrice colonne.
Si p = n, la (n, n)-matrice A = (aij ) ∈ Mn,n (K) est appelée matrice carrée
d’ordre n. On note Mn (K) au lieu de Mn,n (K).
Soit A ∈ Mn (K),  
a11 a12 ... a1n
 a21 a22 ... a2n 
A =  ..
 
.. . . .. 
 . . . . 
an1 an2 ... ann
Les coefficients aii , 1 ≤ i ≤ n, sont appelés coefficients diagonaux de la
matrice carrée A. Ils constituent la diagonale principale de A.
Une matrice carrée est dite triangulaire supérieure si tous les coefficients
situés au dessous de la diagonale principale sont nuls. Une matrice triangu-
laire supérieure s’écrit :
 
a11 a12 . . . a1n−1 a1n
 0 a22 a2n−1 a2n 
 . .. 
 . ... ...
A= . . .

 . .. .. .. 
 .. . . . 
0 ... ... 0 ann
119
Une matrice carrée est dite triangulaire inférieure si tous les coefficients
situés au dessus de la diagonale principale sont nuls. Une matrice triangulaire
inférieure s’écrit :
 
a11 0 . . . . . . 0
. .. 
 a21 a22 . . . 

 . . . .. 
A=  .
. . . . . .
. 
 . ...
 ..

0 
an1 . . . . . . . . . ann
Une matrice carrée est dite diagonale si tous ses coefficients autres que les
coefficients diagonaux sont nuls, c’est une matrice de la forme :
 
a11 0 ... 0
. . 
 0 a22 . . .. 

A= . . .
 .. .. ... 0 
0 ... 0 ann
La matrice identité d’ordre n, notée In , est une matrice diagonale définie
par  
1 0 ... 0
. . .. 
 0 1
 . . 
In =  . . . .
 .. . . . . 0 
0 ... 0 1
Exemples -
1. La matrice √
2π 2 1
1
2
5 0.5
est une matrice de type (2,3) à coefficients dans R.
2. La matrice  
2+ı 0 0
 −1 5ı 0 
−3 π 1
est une matrice carrée d’ordre 3 à coefficients complexes.
Cette matrice est triangulaire inférieure, (2 + ı, 5ı, 1) est sa dia-
gonale principale et (−1, 5ı, 0) est le 2ème vecteur ligne.
120
Egalité de deux matrices : Soit A = (aij ) ∈ Mp,n (K). B = (bij ) ∈

Mp0 ,n0 (K). On pose, par définition
A = B ⇐⇒ p = p0 , n = n0 et aij = bij , ∀1 ≤ i ≤ p, 1 ≤ j ≤ n.
Soit A = (aij ) ∈ Mp,n (K). On appelle transposée de A, et on note At
la matrice (bij ) ∈ Mn,p (K) définie par bij = aji pour 1 ≤ i ≤ n et 1 ≤ j ≤ p.
Dans la pratique, At est déduite de A en échangeant les lignes et les colonnes.
On a
(At )t = A.
Une matrice carrée A = (aij ) ∈ Mn (K) est dite symétrique si
At = A,
autrement dit si aij = aji pour tous 1 ≤ i, j ≤ n.
Une matrice carrée A = (aij ) ∈ Mn (K) est dite anti-symétrique si
At = −A,
autrement dit si aij = −aji pour tous 1 ≤ i, j ≤ n. Dans ce cas, la diagonale
principale est nulle, c’est-à-dire, pour tout i = 1, . . . , n, aii = 0.
Exemples -
 
2 −1
2 0 0
1. Si A = , on a At =  0 5  .
−1 5 1
0 1
 
2 −1 −3
2. La matrice  −1 5 π  est une matrice d’ordre 3 symé-
−3 π 1
trique.
 
0 1 3
3. La matrice  −1 0 −π  est une matrice d’ordre 3 anti-
−3 π 0
symétrique.
5.2 Matrice d’une application linéaire

Soit E et F deux K − e.v. non nuls de dimensions respectives n et p.
Soient B = (e1 , . . . , en ) une base de E, B 0 = (f1 , . . . , fp ) une base de F et
121
n
X
ϕ : E −→ F une application linéaire. Pour tout x = xi ei dans E, on a
i=1
ϕ(x) = ϕ(x1 e1 + . . . + xn en ) = x1 ϕ(e1 ) + . . . + xn ϕ(en ).
Ainsi ϕ est entièrement déterminée par les images des vecteurs de la base B.
Posons, pour tout 1 ≤ j ≤ n,
p
X
ϕ(ej ) = aij fi .
i=1
On appelle matrice de ϕ dans les bases B et B 0 la (p, n)-matrice notée

M (ϕ, B, B 0 ) dont la j ème colonne
 
a1j
 a2j 
 
 .. 
 . 
apj
est constituée par les coordonnées du vecteur ϕ(ej ) dans la base B 0 . Ainsi
ϕ(e1 ) ϕ(e2 ) ... ϕ(e

n )
a11 a12 ... a1n f1
0  a21 a22 ... a2n  f2
M (ϕ, B, B ) =  
 .. .. ..  ..
 . . .  .
ap1 ap2 ... apn fp
L’application linéaire ϕ : E −→ F est entièrement déterminée par sa ma-

trice M (ϕ, B, B 0 ) dans les bases B et B 0 .
Lorsque E = F et B = B 0 , M (ϕ, B, B 0 ) est appelée matrice de ϕ dans la base
B et sera notée M (ϕ, B).
Exemple - Pour tout n ∈ N, on considère le C-espace vectoriel
Cn [X] = {P ∈ C[X]/P = 0 ou deg(P ) ≤ n}.
1. Soit ϕ1 ∈ L(C3 [X], C2 [X]) définie, pour tout P ∈ C3 [X], par
ϕ1 (P ) = P 0 .
122
Calculons la matrice de ϕ1 dans les bases B = {1, X, X 2 , X 3 } et

B 0 = {1, X, X 2 }. On a
ϕ1 (1) = 0, ϕ1 (X) = 1, ϕ1 (X 2 ) = 2X et ϕ1 (X 3 ) = 3X 2 .
Alors la matrice de ϕ1 dans les bases B et B 0 est donnée par

 
0 1 0 0
0
M (ϕ1 , B, B ) =  0 0 2 0 .
0 0 0 3
2. Soit ϕ2 ∈ L(C3 [X], C3 [X]) définie, pour tout P ∈ C3 [X], par
ϕ2 (P ) = XP 0 .
Calculons la matrice de ϕ2 dans la base B = {1, X, X 2 , X 3 }. On

a
ϕ2 (1) = 0, ϕ2 (X) = X, ϕ2 (X 2 ) = 2X 2 et ϕ2 (X 3 ) = 3X 3 .
Alors la matrice de ϕ2 dans la base B est donnée par

 
0 0 0 0
 0 1 0 0 
M (ϕ2 , B) = 
 0 0
.
2 0 
0 0 0 3
5.3 Structure d’espace vectoriel de Mp,n(K)

Soient A = (aij ) et B = (bij ) deux matrices de Mp,n (K) et λ ∈ K.
1. La somme de A et B est la matrice A + B définie par
A + B = (aij + bij ) .
2. La multiplication de A par λ est la matrice λA définie par
λA = (λaij ) .
123
   
π −1 √4 3 0 4
Exemples - Si A =  0 2 2  et B =  1 1 3  alors
1 3 1 −1 2 0
   
(π + 3) −1 √ 8 2π −2 √8
A+B = 1 3 ( 2 + 3)  et 2A =  0 4 2 2 .
0 5 1 2 6 2
Proposition 19 L’ensemble Mp,n (K) muni de l’addition et de la multipli-

cation externe est un K-espace vectoriel.
Proposition 20 Soient E et F deux K-espace vectoriels de dimension finie

et soient B et B 0 , respectivement, une base de E et une base de F . Alors
l’application
U : L(E, F ) −→ Mp,n (K)
ϕ 7−→ M (ϕ, B, B 0 )
est un isomorphisme d’espaces vectoriels.
5.4 Produit des matrices et ses applications

Nous allons maintenant définir le produit des matrices qui est une opéra-
tion importante.
Définition 24 Soient A = (aik ) ∈ Mp,n (K) et B = (bkj ) ∈ Mn,q (K). Le

produit de A par B est la matrice AB = (cij ) ∈ Mp,q (K) définie, pour tout
1 ≤ i ≤ p et tout 1 ≤ j ≤ q, par
n
X
cij = aik bkj .
k=1
Le coefficient cij est obtenu en multipliant la ième ligne de A par la j ème

colonne de B.
Il est important de noter que le produit AB n’est défini que si le nombre
des vecteurs colonnes de A est égal au nombre des vecteurs lignes de B.
Exemples -
124
 
  1 0
1 3 2 0  −2 −1 
1. Si A =  0 −1 −3 −1  et B = 0
 alors
2 
−2 0 1 2
1 3
 
−5 1
AB =  1 −8  .
0 8

2
2. Si A = 1 −1 0 et B =  −1  alors
0
 
2 −2 0
AB = (3) et BA =  −1 1 0  .
0 0 0

0 1 1 0
3. Si A = ,B= alors
0 0 0 0

0 0 0 1
AB = et BA = .
0 0 0 0
On remarque que AB 6= BA.
4. La relation AB = 0 n’implique pas A = 0 ou B = 0. Par
exemple,

0 1 1 0 0 0
A= , B= et AB =
0 0 0 0 0 0
Proposition 21 1. Soient A, B ∈ Mp,n (K), C, D ∈ Mn,q (K). Alors
(A+B)C = AC +BC et A(C +D) = AC +AD. (Distributivité)
2. Soient A ∈ Mp,n (K), B ∈ Mn,q (K) et B ∈ Mq,m (K). Alors
(AB)C = A(BC). (Associativité)
3. Soient A ∈ Mp,n (K) et B ∈ Mn,q (K). Alors
(AB)t = B t At .
125
Définition 25 Une matrice A ∈ Mn (K) est dite inversible s’il existe B ∈

Mn (K) telle que
AB = BA = In .
Une telle matrice B si elle existe est unique, elle est alors appelée l’inverse
de A et notée A−1 .
1 1 1 −1
Exemple - Soient A = et B = . Alors
0 1 0 1

1 0
AB = BA =
0 1
et donc A est inversible et B est son inverse.
Si A et B sont deux matrices inversibles alors leur produit AB est inver-

sible et on a
(AB)−1 = B −1 A−1 . (5.1)
Nous allons maintenant donner des applications importantes du produit
des matrices.
Proposition 22 Soient E et F deux espaces vectoriel de dimensions res-

pectives p et n, B et B 0 , respectivement, une base de E et une base de F et
ϕ ∈ L(E, F ). Si (x1 , . . . , xp ) sont les coordonnées d’un vecteur x ∈ E dans la
base B alors les coordonnées (y1 , . . . , yn ) de ϕ(x) dans la base B 0 sont données
par    
y1 x1
 ..  0  . 
 .  = M (ϕ, B, B )  ..  .
yn xp
Exemple - On considère l’application linéaire ϕ : R3 −→ R3 définie

par
ϕ(x, y, z) = (x − y, x + y + z, x − y − z).
La matrice de ϕ dans la base canonique B0 est donnée par
 
1 −1 0
M (ϕ, B0 ) =  1 1 1 .
1 −1 −1
126
Ainsi les coordonnées (x, y, z) de ϕ(1, 1, 1) sont données par

      
x 1 −1 0 1 0
 y = 1 1 1  1  =  3 .
z 1 −1 −1 1 −1
Remarquons que si E est un espace vectoriel de dimension finie n et si B

est une base de E alors la matrice de l’identité de E dans B est la matrice
identité d’ordre n, c’est-à-dire,
M (IE , B) = In . (5.2)
Théorème 20 Soient E, F et G trois K-espaces vectoriels de dimension

finie. Soient B, B 0 et B 00 , respectivement, une base de E, une base de F et
une base de G. Soient ϕ1 ∈ L(E, F ) et ϕ2 ∈ L(F, G). Alors
M (ϕ2 ◦ ϕ1 , B, B 00 ) = M (ϕ2 , B 0 , B 00 )M (ϕ1 , B, B 0 ).
Le corollaire suivant est une conséquence de (5.2) et du théorème 20.
Corollaire 7 Soient E et F deux espaces vectoriels de dimension finie, B et

B 0 , respectivement, une base de E et une base de F et ϕ ∈ L(E, F ). Si ϕ est
bijective alors M (ϕ, B, B 0 ) est inversible et on a
(M (ϕ, B, B 0 ))−1 = M (ϕ−1 , B 0 , B).
Ce corollaire permet de donner une caractérisation simple des matrices

carrées inversibles. En effet, soit A une matrice carrée d’ordre n et soit ϕ l’en-
domorphisme de K n dont la matrice dans la base canonique B0 = {e1 , . . . , en }
est A. Donc A est inversible si et seulement si ϕ est bijective. Or, d’après les
théorèmes 17 et 19, ϕ est bijective si et seulement si {ϕ(e1 ), . . . , ϕ(en )} est
libre. Or, {ϕ(e1 ), . . . , ϕ(en )} sont les vecteurs colonnes de A. On a ainsi
Théorème 21 Une matrice carrée A est inversible si et seulement si ses

vecteurs colonnes sont linéairement indépendants et pour calculer A−1 on
résoud le système
AX = Y.
127
 
1 −1 1
Exemple - Soit A =  0 1 1  . Les vecteurs colonnes de A sont
1 0 0
{(1, 0, 1), (−1, 1, 0), (1, 1, 0)}. La relation
α(1, 0, 1) + β(−1, 1, 0) + γ(1, 1, 0) = (0, 0, 0)
est équivalente à
α−β+γ =β+γ =α=0
soit α = β = γ = 0 et donc {(1, 0, 1), (−1, 1, 0), (1, 1, 0)} est libre et par
suite A est inversible. La relation
    
1 −1 1 x1 y1
 0 1 1   x2  =  y 2 
1 0 0 x3 y3
est équivalente à

 x1 − x2 + x3 = y 1 (1)
x2 + x3 = y2 (2)
x1 = y 3 (3).

En faisant (2) − (1), on obtient 2x2 = x1 + y2 − y1 . Donc
1 1
x1 = y3 , x2 = (−y1 + y2 + y3 ) et x3 = (y1 + y2 − y3 ).
2 2
Il en résulte que  
0 0 2
1
A−1 =  −1 1 1 .
2
1 1 −1
5.5 Formules de changement de bases

Définition 26 Soient E un K-espace vectoriel de dimension n et B1 =
(e1 , . . . , en ) et B2 = (f1 , . . . , fn ) deux bases de E. On appelle matrice de
128
passage de B1 à B2 la matrice carrée d’ordre n, notée P (B1 , B2 ) ou parfois

P , et définie par
 
p11 p12 ... p1i ... p1n
 p21 p22 ... p2i ... p2n 
 
 ... ... ... ... ... ... 
P (B1 , B2 ) = 
 pj1 pj2 ... pji

 ... pjn 
 ... ... ... ... ... ... 
pn1 pn2 ... pni ... pnn
où
f1 = p11 e1 + p21 e2 + ... + pn1 en ,
f2 = p12 e1 + p22 e2 + ... + pn2 en ,
.. ..
. .
fn = p1n e1 + p2n e2 + ... + pnn en .
Pour i = 1, . . . , n, la ième colonne de P est formée par les coordonnées du

vecteur fi dans la base B1 .
Exemple - La famille B = {(1, 1, 1), (0, −1, 1), (2, 0, 0)} est une base de
R3 et la matrice de passage de la base canonique B0 à B est donnée
par  
1 0 2
P (B0 , B) =  1 −1 0  .
1 1 0
Proposition 23 Soient E un K-espace vectoriel de dimension n et B1 et B2

deux bases de E. Alors P (B1 , B2 ) est inversible et on a
(P (B1 , B2 ))−1 = P (B2 , B1 ).
Exemple - Soit E un K-espace vectoriel de dimension 2 et soit B0 =

{e1 , e2 } une base de E. La famille B = {f1 , f2 } définie par
f1 = e1 + e2 et f2 = e1 − e2
est une base de E et on a

1 1
P (B0 , B) = .
1 −1
129
Comme
1 1
e1 = (f1 + f2 ) et e2 = (f1 − f2 )
2 2
on déduit que

−1 1 1 1
(P (B0 , B)) = P (B, B0 ) = .
2 1 −1
Nous allons maintenant donner les formules explicitant l’effet des chan-
gements de bases sur les coordonnées d’un vecteur et sur la matrice d’une
application linéaire.
Proposition 24 Soient E un K-espace vectoriel de dimension n et B1 et B2

deux bases de E et soit x ∈ E. Si (x1 , . . . , xn ) sont les coordonnées de x dans
B1 et (y1 , . . . , yn ) les coordonnées de x dans B2 alors on a
     
y1 x1 x1
 ..  −1  .   . 
 .  = (P (B1 , B2 ))  ..  = P (B2 , B1 )  ..  .
yn xn xn
Théorème 22 Soient E et F deux K-espaces vectoriels de dimension finie,

B0 et B00 , respectivement, une base de E et une base de F et ϕ ∈ L(E, F ).
Si B et B 0 sont, respectivement, une autre base de E et une autre base de F ,
alors
M (ϕ, B, B 0 ) = (P (B00 , B 0 ))−1 M (ϕ, B0 , B00 )P (B0 , B)

= (P (B 0 , B00 ))M (ϕ, B0 , B00 )P (B0 , B).
La cas particulier suivant mérite d’être précisé.

Corollaire 8 Soient E un K-espace vectoriel de dimension finie, B0 et B1
deux bases de E et ϕ un ensomorphisme de E. Notons P la matrice de passage
de B0 à B1 . Alors
M (ϕ, B1 ) = P −1 M (ϕ, B0 )P.
Définition 27 Deux matrices carrées A et B d’ordre n sont dites semblables

s’il existe une matrice carrée inversible P ∈ Mn (K) telle que B = P −1 AP .
D’après le corollaire 8, les matrices d’un endomorphisme dans deux bases
différentes sont semblables.
130
Si A et B sont semblables avec A = P −1 BP alors pour tout n ∈ N∗ An et

semblable à B n et on a
An = P −1 B n P. (5.3)
En plus, A est inversible si seulement si B est inversible et, dans ce cas,
A−1 = P −1 B −1 P. (5.4)
et plus généralement, pour tout n ∈ Z,
An = P −1 B n P. (5.5)
Exemple - On considère l’endomorphisme f de R3 dont la matrice

dans la base canonique B0 est
 
3 −1 2
A =  0 2 2 .
1 −1 4
La famille B = {(1, 1, 0), (1, 2, 1), (1, 1, 1)} est libre car la relation
α(1, 1, 0) + β(1, 2, 1) + γ(1, 1, 1) = (0, 0, 0)
est équivalente à
α + β + γ = α + 2β + γ = β + γ = 0.
En remplaçant la relation β + γ = 0 dans la première équation,

on obtient α = 0 et on déduit alors que β = γ = 0. On sait que
dim(R3 ) = 3 et que B est une famille libre qui contient 3 vecteurs
et donc, d’après le théorème 14, c’est une base de R3 . D’un autre
côté, on a
    
3 −1 2 1 1
 0 2 2  1 = 2 1 ,
1 −1 4 0 0
    
3 −1 2 1 1
 0 2 2  2 = 3 2 ,
1 −1 4 1 1
    
3 −1 2 1 1
 0 2 2  1 = 4 1 .
1 −1 4 1 1
131
On déduit alors que
f (1, 1, 0) = 2(1, 1, 0), f (1, 2, 1) = 3(1, 2, 1) et f (1, 1, 1) = 4(1, 1, 1).
Ainis la matrice de f dans la base B est donnée par

 
2 0 0
B =  0 3 0 .
0 0 4
La matrice de passage de B0 à B est

 
1 1 1
P =  1 2 1 .
0 1 1
D’après le corollaire 8, les matrices A et B sont semblables et on a
B = P −1 AP.
Calculons P −1 et pour cela résolvons le système

   
x a
P y = b .
  
z c


 x+y+z =a
x + 2y + z = b
y + z = c.

En remplaçant la troisième relation dans la première, on obtient

x = a − c. En retranchant la troisième équation de la deuxième, on
obtient y = b − a et finalement z = c − b + a. Ainsi
 
1 0 −1
P −1 =  −1 1 0 .
1 −1 1
132
Donc A = P BP −1 et pour tout n ∈ N∗ , on a :

  n  
1 1 1 2 0 0 1 0 −1
An =  1 2 1   0 3n 0   −1 1 0 
 0 n1 1 n 0 0 4n 1 −1 1

n
(2 − 3 + 4 ) (3 − 4 ) (4n − 2n )
n n
=  (2 − 2.3 + 4 ) (2.3n − 4n ) (4n − 2n )

n n n .
(4n − 3n ) (3n − 4n ) 4n
La matrice B est inversible et

 −1 
2 0 0
B −1 =  0 3−1 0  .
0 0 4−1
Donc la matrice A = P BP −1 l’est aussi et

 
5 1 −3
1 
A−1 = P B −1 P −1 = 1 5 −3  .
12
−1 1 3
Pour tout n ∈ Z, on a
 
(2n − 3n + 4n ) (3n − 4n ) (4n − 2n )
An =  (2n − 2.3n + 4n ) (2.3n − 4n ) (4n − 2n )  .
(4n − 3n ) (3n − 4n ) 4n
133
Exercice 40 1. On considère les matrices à coefficients complexes données

par    
1 −ı −ı 1 1 −ı 3 ı
A =  ı 1 1 ı  et B =  ı 1 3ı −1  .
1 ı 3ı 3 0 1 ı 2
1. Ecrire les matrices transposées de A et B.
2. Calculer les produits AB t et BAt .
Solution -
1. La transposée d’une matrice est obtenue en échangeant les lignes en
colonnes. On a alors
   
1 ı 1 1 ı 0
 −ı 1 ı   −ı 1 1 
At = 
 −ı
 et B t =  .
1 3ı   3 3ı ı 
1 ı 3 ı −1 2
2. La matrice A est de type (3, 4) et B t est de type (4, 3) donc AB t est

définie et c’est une matrice carrée d’ordre 3. En multipliant les lignes
de A par les colonnes de B t , on obtient
 
  1 ı 0
1 −ı −ı 1 
t −ı 1 1 
AB =  ı 1 1 ı   3 3ı ı 

1 ı 3ı 3
ı −1 2
 
−2ı 2 3−ı
=  2 2ı 1 + 3ı  .
2 + 12ı −12 + 2ı 3 + ı
D’un autre côté, d’après la proposition 21, on a

 
−2ı 2 2 + 12ı
BAt = (AB t )t =  2 2ı −12 + 2ı  .
3 − ı 1 + 3ı 3+ı
134
Exercice 41 Pour n ∈ N, on considère le C-espace vectoriel
Cn [X] = {P ∈ C[X]/ P = 0 ou deg(P ) ≤ n}.
Soit f : C3 [X] −→ C2 [X] définie, pour tout P ∈ C3 [X], par
f (P ) = P 0 − P 00 .
1. Vérifier que f est linéaire et calculer la matrice A de f dans les bases

B0 = {1, X, X 2 , X 3 } et B00 = {1, X, X 2 }.
2. Soit S ∈ C[X] tel que deg(S) = 3. Démontrer que B = {S, S 0 , S 00 , S (3) }
est une base de C3 [X] et que B 0 = {S 0 , S 00 , S (3) } une base de C2 [X].
Ecrire la matrice de f dans ces deux bases.
Solution -
1. Pour tous P, Q ∈ C3 [X] et tout a ∈ C, on a
f (aP + Q) = (aP + Q)0 − (aP + Q)00

= a(P 0 − P 00 ) + Q0 − Q00 = af (P ) + f (Q),
et donc f est linéaire.

On a
f (1) = 0, f (X) = 1, f (X 2 ) = 2X − 2 et f (X 3 ) = 3X 2 − 6X.
Ainsi  
0 1 −2 0
A =  0 0 2 −6  .
0 0 0 3
2. On sait que dim(C3 [X]) = 4 et que B contient 4 vecteurs et donc,
d’après le théorème 14, pour montrer que B est une base, il suffit de
montrer qu’elle est libre. Or, d’après l’exercice 25 B est libre et donc
c’est une base de C3 [X]. De même B 0 est libre et donc c’est une base
de C2 [X].
On a
f (S) = S 0 − S 00 , f (S 0 ) = S 00 − S (3) , f (S 00 ) = S (3) et f (S (3) ) = 0.

135
Ainsi la matrice de f dans les bases B et B 0 est donnée par

 
1 0 0 0
0
M (f, B, B ) =  −1 1 0 0 .
0 −1 1 0
Exercice 42 Soit E et F deux R-espaces vectoriels de dimensions respectives

4 et 3. Soient B = {e1 , e2 , e3 , e4 } une base de E, B 0 = {f1 , f2 , f3 } une base
de F et ϕ ∈ L(E, F ) dont la matrice dans les bases B et B 0 est donnée par
 
1 −2 −1 7
A =  2 −4 3 −1  .
−1 2 2 −10
Déterminer une base de Imϕ et une base de ker ϕ.
Solution - Il est toujours judicieux de commencer par déterminer le

noyau et utiliser le théorème Image-Noyau pour déterminer la dimension de
l’image et ensuite déterminer l’image.
Un vecteur x = x1 e1 + x2 e2 + x3 e3 + x4 e4 est dans ker ϕ si et seulement si
ϕ(x) = 0, ce qui est équivalent, d’après la proposition 22, à
 
  x1  
1 −2 −1 7  x2  0
 2 −4 3 −1    =  0 .
 x3 
−1 2 2 −10 0
x4
Cette équation est équivalente à


 x1 − 2x2 − x3 + 7x4 = 0 (1)
2x1 − 4x2 + 3x3 − x4 = 0 (2)
−x1 + 2x2 + 2x3 − 10x4 = 0 (3)

En faisant (2) − (1) et (1) + (3), on obtient que le système est équivalent à

x1 = 2x2 − 4x3 + 8x4
x3 = 3x4
136
Ainsi
x = (2x2 − 4x4 )e1 + x2 e2 + 3x4 e3 + x4 e4 = x2 (2e1 + e2 ) + x4 (3e3 + e4 − 4e1 ).
Donc ker ϕ = V ect(2e1 +e2 , 3e3 +e4 −4e1 ). La famille {2e1 +e2 , 3e3 +e4 −4e1 }
est libre. En effet, la relation
α(2e1 + e2 ) + β(3e3 + e4 − 4e1 ) = 0E
est équivalente à
(2α − 4β)e1 + αe2 + 3βe3 + βe4 = 0.
Puisque {e1 , e2 , e3 , e4 } est libre, on déduit que α = β = 0. Ainsi
{2e1 + e2 , 3e3 + e4 − 4e1 }
est une base de ker ϕ et donc dim ker ϕ = 2.

Maintenant, d’après le théorème Noyau-Image (cf. Théorème 18), on a
dim(Imϕ) = dim(E) − dim ker ϕ = 4 − 2 = 2
et donc pour trouver une base de Imϕ, il suffit de trouver deux vecteurs
linéairement indépendants dans Imϕ. Or, d’après la matrice de ϕ, on a
ϕ(e1 ) = f1 + 2f2 − f3 et ϕ(e3 ) = −f1 + 3f2 + 2f3 .
Ces deux vecteurs sont dans Imϕ et sont linéairement indépendants. En effet,
la relation
α(f1 + 2f2 − f3 ) + β(−f1 + 3f2 + 2f3 ) = 0F
est équivalente à
(α − β)f1 + (3β + 2α)f2 + (2β − α)f3 = 0F .
Puisque {f1 , f2 , f3 } est libre, cette relation est équivalente à
(α − β) = (3β + 2α) = (2β − α) = 0
ce qui est équivalent à α = β = 0. Finalement, {f1 +2f2 −f3 , −f1 +3f2 +2f3 }
est une base de Imϕ.
137
Exercice 43 On considère les deux matrices

 
  1 1 0 0
1 2 1  0 0 1 1 
P =  −1 −1 0  et Q =  .
 0 0 1 −1 
2 3 −1
1 −1 0 0
Montrer que P et Q sont inversibles et calculer leurs inverses..
Solution -
Nous allons utiliser le théorème 21.
1. Les vecteurs colonnes de P sont linéairement indépendants. En effet,
la relation
α(1, −1, 2) + β(2, −1, 3) + γ(1, 0, −1) = (0, 0, 0)
est équivalente à

 α + 2β + γ = 0 (1)
−α − β = 0 (2)
2α + 3β − γ = 0 (3)

De (2), on déduit que β = −α. On remplace dans (1), on obtient

γ = α et finalement, en remplaçant dans (3), on obtient α = 0 et
donc β = γ = 0. Ceci montre que les vecteurs colonnes de P sont
linéairement indépendants et donc P inversible.
Pour calculer P −1 , nous allons résoudre le système linéaire
   
x X
P  y  =  Y .
z Z
Ce système s’écrit 
 x + 2y + z = X
−x − y = Y
2x + 3y − z = Z

En ajoutant la troisième équation à la première, le système devient


 3x + 5y = X +Z
−x − y = Y
2x + 3y − z = Z

138
La résolution des deux premières équations par les formules de Cramer

nous donne

X +Z 5

Y −1 1
x = = − (X + 5Y + Z),
2 2
3 X +Z

−1 Y 1
y = = (X + 3Y + Z).
2 2
De la dernière équation, on déduit que
1
z = 2x + 3y − Z = (X − Y − Z).
2
On obtient alors que
 
−1 −5 −1
1
P −1 =  1 3 1 
2
1 −1 −1
2. Les vecteurs colonnes de Q sont linéairement indépendants. En effet,

la relation
a(1, 0, 0, 1) + b(1, 0, 0, −1) + c(0, 1, 1, 0) + d(0, 1, −1, 0) = (0, 0, 0, 0)
est équivalente à 

 a+b=0
c+d=0


 c−d=0 (3)
a − b = 0.

Ce qui donne clairement a = b = c = d = 0. Ceci montre que les

vecteurs colonnes de Q sont linéairement indépendants et donc Q in-
versible.
Pour calculer Q−1 , nous allons résoudre le système
   0 
a a
 b   b0 
Q c  =  c0  .
  
d d0
139



 a+b = a0
c+d = b0


 c−d = c0
a−b = d0

La résolution de ce système est aisée et donne

1 1 1 1
a = (a0 + d0 ), b = (a0 − d0 ), c = (b0 + c0 ) et d = (b0 − c0 ).
2 2 2 2
 
1 0 0 1
 1 0 0 −1 
Soit Q−1 = 21 
 0
.
1 1 0 
0 1 −1 0
Exercice 44 Soit u un endomorphisme de R3 dont la matrice dans la base

canonique B0 = {e1 , e2 , e3 } est
 
2 1 −1
A=  0 1 0 .
1 1 0
1. Montrer que B = {(1, 0, 1), (−1, 1, 0), (1, 1, 0)} est une base R3 .
2. Calculer la matrice B de u dans B.
3. Calculer An , pour tout n ∈ Z.
Solution -
On notera v1 = (1, 0, 1), v2 = (−1, 1, 0) et v3 = (1, 1, 0).
qu’elle est libre. Or, la relation
α(1, 0, 1) + β(−1, 1, 0) + γ(1, 1, 0) = (0, 0, 0)
est équivalente à
α−β+γ =β+γ =α=0
soit α = β = γ = 0. Donc B est une base de R3 .
140
2. On a
    
2 1 −1 1 1
 0 1 0   0  =  0 ,
1 1 0 1 1
    
2 1 −1 −1 −1
 0 1 0   1  =  1 ,
1 1 0 0 0
        
2 1 −1 1 3 1 1
 0 1 0   1  =  1  =  1  + 2 0 .

1 1 0 0 2 0 1
Ces relations montrent que
u(v1 ) = v1 , u(v2 ) = v2 et u(v3 ) = v3 + 2v1 . (5.6)
La matrice B de u dans la base B est donnée par

 
1 0 2
B =  0 1 0 .
0 0 1
Comme les matrices A et B sont semblables, il existe une matrice in-

versible P , telle que
B = P −1 AP. (5.7)
La matrice P n’est rien d’autre que la matrice de passage de la base B0

dans la base B :  
1 −1 1
P = 0 1 1 .
1 0 0
Pour utiliser la relation (5.7), on aura besoin de calculer la matrice P −1

qui n’est rien d’autre que la matrice de passage de la base B dans la
base B0 (cf. Proposition 23). Un moyen de faire ce calcul est d’écrire le
sytème 
 v1 = e1 + e3 ,
v2 = −e1 + e2 ,
v3 = e1 + e2 .

141
La résolution de ce système donne


 e1 = 12 (v3 − v2 ),
e2 = 21 (v2 + v3 ),
e3 = 21 (2v1 + v2 − v3 ).

Ainsi  
0 0 2
1
P −1 =  −1 1 1 .
2
1 1 −1
3. D’après (5.7), A = P BP −1 . On remarque d’abord que, en vertu du

théorème 21, B est inversible car ses vecteurs colonnes sont linéairement
indépendants. En effet, la relation
α(1, 0, 0) + β(0, 1, 0) + γ(2, 0, 1) = (0, 0, 0)
est équivalente à α = β = γ = 0. Puisque A et B sont semblables, on

déduit que A est inversible et donc An existe pour tout n ∈ Z et on a,
en vertu de (5.3),
An = P B n P −1 .
Pour calculer B n , on peut remarquer que B n est la matrice de un dans
la base B. On déduit de (5.6) que pour tout n ∈ Z :
un (v1 ) = v1 , un (v2 ) = v2 et un (v3 ) = v3 + 2nv1 , (5.8)
ce qui donne
 
1 0 2n
Bn =  0 1 0  , n ∈ Z. (5.9)
0 0 1
On obtient finalement, pour tout n ∈ Z,
   
1 −1 1 1 0 2n 0 0 2
1
An = 0 1 1   0 1 0   −1 1 1 .
2
1 0 0 0 0 1 1 1 −1
En définitive,
142
 
n + 1 n −n
An =  0 1 0 .
n n 1−n
 
0 0 1
Exercice 45 On considère la matrice A =  1 0 3  .
0 1 0
1. Calculer A2 et A3 et trouver (a, b, c) ∈ R3 tel que
A3 + aA2 + bA + cI3 = 0.
2. En déduire que A est inversible et calculer A−1 .
Solution -
1. On a
     
0 0 1 0 1 0 1 0 3
A =  1 0 3  , A2 =  0 3 1  , A3 =  3 1 9  .
0 1 0 1 0 3 0 3 1
Donc la relation A3 + aA2 + bA + cI3 = 0 s’écrit

   
1+c a 3+b 0 0 0
 3 + b 1 + 3a + c 9 + a + 3b  =  0 0 0  .
a 3+b 1 + 3a + c 0 0 0
En identifiant, on obtient a = 0, c = −1 et b = −3.
2. De la relation ci-dessus, on déduit que
A(A2 − 3I3 ) = (A2 − 3I3 )A = I3 .
Ceci montre que A est inversible et que

 
−3 1 0
A−1 = A2 − 3I3 =  0 0 1  .
1 0 0
143
Exercice 46 On considère
R3 [X] = {P ∈ R[X]/ P = 0 ou deg(P ) ≤ 3}
et soit ϕ ∈ L(R3 , R3 [X]) dont la matrice dans les bases
B0 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} et B00 = {1, X, X 2 , X 3 }
est donnée par  
2 −4 0
 6 −10 2 
A=
 5 −10 2  .

1 −3 1
1. Montrer que
B = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} et B 0 = {1, 1+X, (1+X)2 , (1+X)3 }
sont deux bases respectives de R3 et R3 [X].
2. Calculer la matrice de ϕ dans les bases B et B 0 .
Solution -
1. Puisque B et B 0 contiennent le même nombre de vecteurs, respective-
ment, que dim R3 et dim(R3 [X]), pour montrer que ce sont des bases il
suffit, en vertu du théorème 14, de montrer qu’elles sont libres. Or, en
vertu de l’exercice 25, B 0 est libre et donc c’est une base. D’un autre
côté, la relation
α(1, 0, 0) + β(1, 1, 0) + γ(1, 1, 1) = (0, 0, 0)
est équivalente à
α+β+γ =β+γ =γ =0
soit α = β = γ = 0. Donc B est libre et donc c’est une base.
2. Nous allons utiliser la formule du théorème 22. Calculons les matrices
de passage de B0 à B et B00 à B 0 noté respectivement P et Q. On a
 
  1 1 1 1
1 1 1  0 1 2 3 
P =  0 1 1  et Q =   0 0 1 3 .

0 0 1
0 0 0 1
144
Pour calculer l’inverse de la matrice Q, on résoud le système

    
1 1 1 1 x1 y1
 0 1 2 3 
  x2  =  y 2  .
   

 0 0 1 3   x3   y 3 
0 0 0 1 x4 y4
Ce système est équivalent au système triangulaire


 x1 + x2 + x3 + x4 = y1
x2 + 2x3 + 3x4 = y2


 x 3 + 3x 4 = y3
x4 = y4

soit 

 x1 = y1 − y2 + y3 − y4
x2 = y2 − 2y3 + 3y4


 x3 = y3 − 3y4
x4 = y4

Donc  
1 −1 1 −1
 0 1 −2 3 
Q−1 = .
 0 0 1 −3 
0 0 0 1
et par conséquent, en vertu du théorème 22,
M (ϕ, B, B 0 ) = Q−1 AP
  
1 −1 1 −1 2 −4 0  
 0 1 −2 3   1 1 1
6 −10 2  

=   0 1 1 
 0 0 1 −3   5 −10 2 
0 0 1
0 0 0 1 1 −3 1
  
1 −1 1 −1 2 −2 2
 0 1 −2 3   6 −4 −2 
=   
 0 0 1 −3   5 −5 −3 
0 0 0 1 1 −2 −1
 
0 −1 −2
 −1 0 1 
= 
 2
.
1 0 
1 −2 −1
145
Exercice 47 Soit f l’endomorphisme de R3 dont la matrice dans la base

canonique B0 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est donnée par
 
0 1 1
A =  1 0 1 .
1 1 0
1. Montrer que B = {(1, 1, 1), (−1, 1, 0), (−1, 0, 1)} est une base de R3 .
2. Donner la matrice de passage P de B0 à B et calculer P −1 .
3. Calculer la matrice B de f dans la base B.
4. Montrer que A et B sont inversibles et calculer B n et An , pour tout
n ∈ Z.
Solution -
On notera v1 = (1, 1, 1), v2 = (−1, 1, 0) et v3 = (−1, 0, 1) et e1 , e2 , e3 les
vecteurs de B0 .
qu’elle est libre. Or, la relation
α(1, 1, 1) + β(−1, 1, 0) + γ(−1, 0, 1) = (0, 0, 0)
est équivalente à
α − β − γ = α + β = α + γ = 0.
Des deux dernières équations, on déduit que γ = −α et β = −α. En

remplaçant dans la première, on obtient s α = β = γ = 0. Donc B est
une base de R3 .
2. On a  
1 −1 −1
P = 1 1 0 .
1 0 1
146
La matrice P −1 n’est rien d’autre que la matrice de passage de la base

B dans la base B0 (cf. Proposition 23). Un moyen de calculer P −1 est
d’écrire le système

 v1 = e1 + e2 + e3 , (1)
v2 = −e1 + e2 , (2)
v3 = −e1 + e3 . (3)

En faisant (1) − (2) − (3) et en remplaçant ensuite dans (3) et (2), on

obtient
1 1 1
e1 = (v1 − v2 − v3 ), e2 = (v1 + 2v2 − v3 ) et e3 = (v1 − v2 + 2v3 ).
3 3 3
Ainsi  
1 1 1
1
P −1 =  −1 2 −1  .
3
−1 −1 2
3. On a
   

0 1 1 1 1
 1 0 1  1  = 2 1 ,
1 1 0 1 1
    
0 1 1 −1 1
 1 0 1  1  =  −1  ,
1 1 0 0 0
    
0 1 1 −1 1
 1 0 1  0  =  0 .
1 1 0 1 −1
Ces relations montrent que
f (v1 ) = 2v1 , f (v2 ) = −v2 et f (v3 ) = −v3 . (5.10)
Il en résulte que la matrice B de f dans la base B est donnée par

 
2 0 0
B =  0 −1 0  .
0 0 −1
147
4. D’après le corollaire 8, les matrices A et B sont semblables et on a
B = P −1 AP et A = P BP −1 . (5.11)
En vertu du théorème 21, B est inversible car ses vecteurs colonnes
sont linéairement indépendants. En effet, la relation
α(2, 0, 0) + β(0, −1, 0) + γ(, 0, −1) = (0, 0, 0)
est équivalente à α = β = γ = 0. Puisque A et B sont semblables, on

déduit que A est inversible et donc An existe pour tout n ∈ Z et on a,
en vertu de (5.3),
An = P B n P −1 .
Pour calculer B n , on peut remarquer, d’après le théorème 20, que B n
est la matrice de f n dans la base B 1 . On déduit par récurrence de (5.10)
que pour tout n ∈ Z :
f n (v1 ) = (2)n v1 , f n (v2 ) = (−1)n v2 et un (v3 ) = (−1)n v3 , (5.12)
ce qui donne
 
2n 0 0
B n =  0 (−1)n 0 , n ∈ Z. (5.13)
0 0 (−1)n
On obtient finalement, pour tout n ∈ Z,
  n  
1 −1 −1 2 0 0 1 1 1
An = 13  1 1 0   0 (−1)n 0   −1 2 −1 
 1n 0 1 0 0 (−1)n −1 −1 2

n n n n n
2 + 2(−1) 2 − (−1) 2 − (−1)
= 13  2n − (−1)n 2n + 2(−1)n 2n − (−1)n 
2n − (−1)n 2n − (−1)n 2n + 2(−1)n
1. Ici f n est la composée de f n-fois si n ∈ N et f n = (f −1 )n si n ∈ Z− .

148
Chapitre 6
Déterminants
6.1 Déterminant d’une matrice carrée : défini-

tion
L’introduction du déterminant d’une matrice carrée est délicate alors que
son calcul dans la pratique est simple. Nous allons le définir simplement par
récurrence et donner ses propriétés utiles dans la pratique.
Soit A une matrice carrée d’ordre n. Pour tout 1 ≤ i, j ≤ n, on notera

Aij la matrice carrée d’ordre n − 1 extraite de A en enlevant la iieme ligne et
la j ieme colonne de A.
a a0 a00

Exemple - Soit A =  b b0 b00 . Alors

c c0 c00
0 00 0 00
b b a a
A11 = 0 00 et A21 = 0 00 .
c c c c
Soit A = (aij )1≤i,j≤n une matrice carrée d’ordre n à coefficients dans

K. Le déterminant de A est le scalaire noté det A défini par la récurrence
suivante :
1. Pour n = 1, on a
det A = a11 , (6.1)
149
150
2. Pour n = 2, on a
detA = a11 a22 − a12 a21 , (6.2)
3. Pour n ≥ 3 et pour 1 ≤ i, j ≤ n, on a l’une des formules équivalentes

suivantes :
(a) Développement suivant la iieme ligne :
n
X
detA = (−1)i+k aik detAik
k=1
= (−1)i+1 ai1 detAi1 + . . . + (−1)i+n ain detAin ,
(b) Développement suivant la j ieme colonne :

n
X
detA = (−1)k+j akj detAkj
k=1
= (−1)1+j a1j detA1j + . . . + (−1)n+j anj detAnj .
On note aussi le déterminant de A = (aij ) ∈ Mn (K) par

a11 a12 ... a1n
a21 a22 ... a2n
detA = .. ou encore detA = |aij |.

.. ..

. . .
an1 an2 ... ann
Exemples -
a a0 a00
 
1. Soit A =  b b0 b00  . En développant suivant la première

c c0 c00
ligne, on obtient
0 00
00
0

b b 0 b b
00 b b

detA = a 0 00 − a
+a .
c c c c00 c c0
Ainsi :
detA = a(b0 c00 − c0 b00 ) − a0 (bc00 − cb00 ) + a00 (bc0 − cb0 ).

151
2. Calculons le déterminant d’ordre 4 suivant :

1 0 3 2

−1 3 0 1
∆ = .
0 4 −2 3

2 2 2 0
On développe suivant la première ligne et on obtient

3 0 1 −1 3 1 −1 3 0

∆ = 4 −2 3 + 3 0 4 3 − 2 0 4 −2
2 2 0 2 2 0 2 2 2

−2 3 4 −2 4 3 3 1
= 3 2 0 + 3 × 2 4 3
+ + 3(−1)
2 0 2 2

4 −2 0 −2
−2(−1) − 2 × (−3)
2 2 2 2
= −18 + 12 + 18 + 30 + 24 + 24 = 90.
La proposition suivante est une conséquence immédiate des formules dé-

finissant le déterminant.
Proposition 25 1. Pour toute matrice A ∈ Mn (K), on a
det At = det A.
2. Si A ∈ Mn (K) est triangulaire (supérieure ou inférieure) 1 , alors le
déterminant de A est égal au produit des éléments de la diagonale.
3. En particulier, le déterminant de la matrice identité est égal à 1, c’est-
à-dire,
det In = 1.
Exemple - On a

1 2 4 π

0 4 5ı + 2 0
= 8ıe3 .
0
0 e3 9
0 0 0 2ı
1. Rappelons qu’une matrice est triangulaire supérieure si tous les termes qui se
trouvent au dessous de la diagonale sont nuls ; une matrice est triangulaire inférieure
si tous les termes qui se trouvent au dessus de la diagonale sont nuls.
152
Naturellement, si une matrice carrée est diagonale, alors son déterminant

est aussi le produit des éléments de la diagonale.
6.2 Déterminant d’une matrice carrée : pro-

priétés
Le résultat suivant est parmi les propriétés les plus importantes du dé-
terminant.
Théorème 23 Soient A, B ∈ Mn (K). Alors
det(AB) = det A det B.
En particulier, si A est inversible alors
1
det(A−1 ) = .
det A
La proposition suivante est une conséquence immédiate de ce théorème.
Proposition 26 Si A et B sont deux matrices semblables, C’est-à-dire, s’il

existe une matrice inversible P telle que B = P −1 AP , alors
detA = detB.
Soit E un K-espace vectoriel de dimension n et B = {e1 , . . . , en } une base

de E. On appelle déterminant des n vecteurs v1 , ..., vn dans la base B et
on note
detB (v1 , v2 , ..., vn )
ou encore
|v1 , v2 , ..., vn |B
le déterminant de la matrice
V = (v1 , v2 , ..., vn ),
153
c’est-à-dire le déterminant de la matrice

 
v11 v12 ... v1i ... v1n
 v21 v22 ... v2i ... v2n 
 
 ... ... ... ... ... ... 
V =  vj1 vj2 ...
,
 vji ... vjn 
 ... ... ... ... ... ... 
vn1 vn2 ... vni ... vnn
où, pour i = 1, . . . , n,
vi = v1i e1 + . . . + vni en .
En particulier, si A = (c1 , . . . , cn ) est une matrice carrée d’ordre A où
c1 , ..., ck , ..., cn sont ses n vecteurs colonnes. Alors det A est le déterminant de
(c1 , . . . , cn ) considérés comme vecteurs de K n dans la base canonique de K n .
Théorème 24 Avec les notations ci-dessus, on a
1. pour tout λ ∈ K,
det(c1 , ..., λck , ..., cn ) = λdet(c1 , ..., ck , ..., cn ).
En particulier, pour tout µ ∈ K,
det(µc1 , ..., µck , ..., µcn ) = µn det(c1 , ..., ck , ..., cn ).
2. Si l’une des colonnes ck est la somme de deux colonnes ak + bk , alors
det(c1 , ..., ak + bk , ..., cn ) = det(c1 , ..., ak , ..., cn ) + det(c1 , ..., bk , ..., cn ).
3. Si l’on échange deux colonnes de la matrice A, alors le déterminant de

A change de signe, c’est-à-dire,
det(c1 , ..., ci , . . . , cj , ..., cn ) = −det(c1 , ..., cj , . . . , ci , ..., cn ).
En particulier, si ci = cj , on a
det(c1 , ..., ci , . . . , ci , ..., cn ) = 0.
Ces propriétés indiquent que le déterminant est une forme multilinéaire

alternée. Elles constituent des règles de calcul pratiques et impliquent :
Proposition 27 Soit A ∈ Mn (K). Alors :
154
1. Si deux colonnes de la matrice A sont égales,
detA = 0.
2. Si l’une des colonnes de A est nulle, alors
detA = 0.
3. Plus généralement, si l’une des colonnes de la matrice A est combinai-

son linéaire des autres, alors
detA = 0.
4. On ne modifie pas la valeur de det A en ajoutant à une colonne une

combinaison linéaire des autres colonnes.
Puisque le déterminant d’une matrice est égale à celui de sa transposée,
le théorème 24 et la proposition 27 restent valable si on change les colonnes
par les lignes.
Exemples -
1.
−1 −1 −1 1 L2 +L1 −1 −1 −1 1
L +L
−1 −1 1 −1 L43−L11 −2 −2 0 0
∆ = =
−1 1 −1 −1
−2 0 −2 0

1 −1 −1 −1 2 0 0 −2

−1 −1 −1 1

1 1 0 0
= 8 (On développe suivant C4 )
1 0 1 0
1 0 0 −1
 
1 1 0 −1 −1 −1

= 8 − 1 0 1 − 1 1 0 
1 0 0 1 0 1

(∗) 1 1 1 1 −1 −1
=8 + −
1 0 1 0 1 1
= 8(−1 − 1 + 0) = −16.
Dans (∗), nous avons développé les deux déterminants suivant la der-
nière colonne.
155
2.

1 − ı −ı ı 1 L1 +(ı−1)L4 0 1 −1 2ı + 1
L −ıL
ı 1 − ı −1 ı L32+ıL44 0 −ı 0 −1
∆ = =
−ı −1 1 − ı −ı 0 0 −ı 1

1 −ı ı 1−ı 1 −ı ı 1−ı

1 −1 2ı + 1
(a) (b) 0 −1 −1 2ı + 1
= − −ı 0
−1 = −

+ ı −ı

0 −ı −ı 1 1
1
= 1 + 4ı.
Dans (a) et (b) nous avons développé suivant la première colonne.
6.2.1 Déterminant d’un endomorphisme

La formule du déterminant d’un produit de matrices a une conséquence
intéressante. Si f est un endomorphisme d’un K-espace vectoriel de dimen-
sion n, on pose
detf = det(M (f, B)),

où B est une base quelconque de E.
Cette définition a bien un sens, puisqu’elle est indépendante de la base
choisie pour définir la matrice de f . En effet, deux matrices représentant le
même endomorphisme sont semblables. Il suffit alors d’appliquer la proposi-
tion 26 ou la formule :
det(P −1 AP ) = detP −1 detA detP = (detP )−1 det AdetP = detA.
Finalement,
detP −1 AP = detA. (6.3)
Cette propriété est intéressante à plusieurs titres. D’abord parce qu’elle montre
que le déterminant est une notion qui se place dans le cadre des endomorphismes
d’un espace vectoriel. Ensuite parce qu’il devient possible de calculer le déterminant
d’un endomorphisme même lorsque celui ci n’est pas donné sous forme matricielle.
Exemple - Soit f : R2 [X] −→ R2 [X] définie, pour tout P ∈ R2 [X], par
f (P ) = XP 0 + 2P.
156
Nous allons calculer le déterminant de f . On a
f (1) = 2, f (X) = 3X, f (X 2 ) = 4X 2 .
Donc la matrice de f dans la base {1, X, X 2 } est donnée par

 
2 0 0
M = 0 3 0 .
0 0 4
Cette matrice est diagonale et on a
det f = det M = 24.
6.3 Applications des déterminants

6.3.1 Indépendance linéaire de n vecteurs dans un e.v.
de dimension n
Théorème 25 Soit E un espace vectoriel de dimension n sur K, muni d’une base
(e1 , ..., en ). Alors n vecteurs {v1 , v2 , ..., vn } forment une base de E si et seulement
si
det(ei ) (v1 , v2 , ..., vn ) 6= 0.
Exemple - On considère les vecteurs v1 = (1, 0, 1), v2 = (−1, 1, 0) et v3 =

(1, 1, 0). La famille {v1 , v2 , v3 } est une base de R3 si et seulement si

1 −1 1

detB0 (v1 , v2 , v3 ) = 0 1 1 6= 0,
1 0 0
où B0 est la base canonique de R3 . En développant suivant la dernière

ligne, on obtient
1 −1 1
−1 1
0 1 1 = = −2.
1 1
1 0 0
Donc {v1 , v2 , v3 } est une base de R3 .

157
6.3.2 Calcul de l’inverse d’une matrice carrée inversible

Si aij est un coefficient d’une matrice A ∈ Mn (K), on appelle cofacteur de
aij le nombre réel cof (aij ) défini par
cof (aij ) = (−1)i+j detAij , (6.4)
où Aij la matrice carrée d’ordre n − 1 extraite de A en enlevant la iieme ligne et

la j ieme colonne de A. La comatrice de A, est la matrice com (A) obtenue en
remplaçant chaque terme aij de la matrice A par son cofacteur cof aij , défini en
(6.4).
Théorème 26 Soit A une matrice carrée d’ordre n ≥ 1.

1. On a :
A (com(A))t = (detA)In .
2. En particulier, A est inversible si et seulement si det A 6= 0 et dans ce cas

1
A−1 = (com (A))t .
detA
La formule de l’inverse ci-dessus bien que jolie, elle n’est pas pratique et la
méthode du calcul de l’inverse exposée dans le théorème 21 reste meilleure.
Corollaire 9 Soit f un endomorphisme d’un K-espace vectoriel de dimension finie

E. Alors f est un automorphisme si et seulement si det f 6= 0.
Exemples - Nous allons utiliser la formule ci-dessus pour calculer l’in-

verse des matrices
 
1 1 2
2 1
A= et B =  2 0 1  .
4 1
3 1 1
1. On a det A = −2 et

1 −4
com(A) = .
−1 2
Ainsi A et inversible et
− 12 1

−1 2
A = .
2 −1
158
2. On développe suivant la deuxième ligne et on obtient

1 2 1 1
det B = −2
− = 4.
1 1 3 1


2 1 2 0 

0 1
−
 1 1 3 1 3 1 
 
 1 2 1 2 1 1
− 1
com(B) =  −

 1 3 1 3 1 

 1 2 1 2 1 1 

0 −
1 2 1 2 0
 
−1 1 2
=  1 −5 2  .
1 3 −2
Ainsi B et inversible et
 
−1 1 1
1
B −1 =  1 −5 3  .
4
2 2 −2
6.3.3 Calcul du rang d’une matrice

Le rang d’une matrice A ∈ Mp,n (K) noté rgA est la dimension du sous-
espace vectoriel de Kp engendré par les vecteurs colonnes {c1 , . . . , cn } de A.
Définition 28 Soit une matrice A ∈ Mp,n (K) et soit k un entier tel que 1 ≤ k ≤
min(p, n). On appelle déterminant d’ordre k extrait de A, le déterminant de toute
matrice carrée obtenue en supprimant dans A, p − k lignes et n − k colonnes.
Exemple - Considérons par exemple, la matrice
 
2 1 4 3
1 2 1 3
A= 1 1 2 3 .

0 1 2 1
Les déterminants
2 1 3
1 3
1 2 3 et
2 3
1 1 3
sont deux déterminants d’ordre respectifs 3 et 2 extraits de A.
159
Théorème 27 Soit A ∈ Mp,n (K) et soit ρ le plus grand entier k ≤ min(p, n) tel
qu’il existe un déterminant non nul, d’ordre k, extrait de A. Alors
rg(A) = ρ.
Exemple - Etudions , suivant les valeurs de a, b et c ∈ R, le rang de la

matrice  
0 −a −b
A =  a 0 −c 
b c 0
On a det A = 0 et donc 0 ≤ rg(A) < 3.
Si a = b = c = 0 alors A = 0 et donc rg(A) = 0.
Si a 6= 0, on extrait de la matrice A le déterminant d’ordre 2 suivant (on
supprime la ligne 3 et la colonne 3) :

0 −a 2
a 0 =a

qui est différent de 0. Donc rg(A) = 2.

Si b 6= 0, on extrait de la matrice A le déterminant d’ordre 2 suivant (on

0 −b 2
b 0 =b


Si c 6= 0, on extrait de la matrice A le déterminant d’ordre 2 suivant (on

0 −c 2
c 0 =c


160

Exercice 48 Soit (a, b, c, d) ∈ R4 . Calculer le déterminant

1 1 2 4

a b a + b 2a + 2b
∆ = .
a b c a+b+c

a b c d
Solution - On notera Ci les colonnes des déterminants apparaissant dans ce

calcul. Nous allons utiliser les propriétés du déterminant exposées dans le théorème
24 et la proposition 27 pour former une colonne préviligiée, c’est-à-dire, contenant
un maximum de zéros. On a
C1 C2 C3 C4 C1 C2 C3 C4 − C1 − C2 − C3

1 1 2 4

1
1 2 0

∆ = a b a + b 2a + 2b = a
b a + b 0

a b c a+b+c

a
b c 0

a b c d a b c d−a−b−c
La colonne 4 est intéressante car elle contient trois zéros, donc on développe suivant
cette colonne, on obtient
C1 C2 C3
1 1 2
∆ = (d − a − b − c)
a b a + b
a b c
C1 C2 C3 − C1 − C2
1 1 0
= (d − a − b − c)
a b 0

a b c−a−b
Ici aussi, la troisième colonne contient des zéros, on développe suivant cette colonne,
on obtient :
1 1
∆ = (d − a − b − c)(c − a − b)
a b
= (d − a − b − c)(c − a − b)(b − a).
161
Exercice 49 Calculer les déterminants suivants :

2−ı 0 1+ı 0
1 ı 1 + ı

0 −ı 0 1+ı
∆1 = 2 ı + 1 4 , ∆2 = ,
1 − ı 0 −ı 0
ı 3 −1
0 1−ı 0 2−ı

1
ı −ı 1
ı 1 1 −ı
∆3 = .
−ı 1 1 ı
1 −ı ı 1
Solution - On notera Li et Ci , respectivement, les lignes et les colonnes des

déterminants apparaissant dans les calculs ci-dessous. Nous allons utiliser les pro-
priétés du déterminant exposées dans le théorème 24 et la proposition 27 ainsi que
les formules du développement suivant les lignes et les colonnes.
1. On a

L2 −2L1 1 ı 1 + ı
L3 −ıL1
0 −ı + 1 2 − 2ı = −9 + 7ı.
∆1 =
0 4 −ı
2. On a

2−ı 0 1+ı 0

0 −ı 0 1 + ı
∆2 =
1−ı (On développe suivant C1 )
0 −ı 0
0 1−ı 0 2−ı

−ı 0 1 + ı 0 1+ı 0

= (2 − ı) 0 −ı 0 + (1 − ı) −ı 0 1+ı

1−ı 0 2−ı 1−ı 0 2−ı
(a)
= (ı − 2)ı [ı(ı − 2)
−(1 − ı)(1 + ı)] − (1 − ı)(1 + ı)(ı(ı − 2) − (1 − ı)(1 + ı))
= (−1 − 2ı)(−2ı − 3) − 2(−2ı − 3) = (3 + 2ı)2 .
Noter que dans (a), nous avons développé les deux déterminants suivant la
deuxième colonne.
162
3. On a

1 ı −ı 1 L1 −L4 0 2ı −2ı 0
L2 −ıL4
ı 1 1 −ı L3 +ıL4 0 0 2 −2ı
∆3 = =

−ı 1 1 ı 0 2 0 2ı
1 −ı ı 1 1 −ı ı 1

−ı ı 0 −ı 0 0
(a) C2 +C1
= 2 0 2 −2ı = 2 0
2 −2ı
2 0 2ı 2 2 2ı
= 16.
Exercice 50 Soit a ∈ R. Calculer le déterminant

sin(a) sin(2a) sin(3a)

∆ = sin(2a) sin(3a) sin(4a) .

sin(3a) sin(4a) sin(5a)
Solution -
Notons C1 , C2 et C3 les colonnes de ce déterminant. Nous allons utiliser les
règles de calcul exposées dans le théorème 24 et la proposition 27. Ainsi le détermi-
nant ne change pas si on ajoute C1 à C3 . Donc
C1 C2 C3 + C1
sin(a) sin(2a) sin(3a) + sin(a)
∆ =
sin(2a) sin(3a) sin(4a) + sin(2a)

sin(3a) sin(4a) sin(5a) + sin(3a)
En utilisant la relation trigonométrique :

sin(α + β) + sin(α − β) = 2 sin α cos β,
on obtient
sin(a) sin(2a) 2sin(2a)cos(a)

∆ = sin(2a) sin(3a) 2sin(3a)cos(a)

sin(3a) sin(4a) 2sin(4a)cos(a)

sin(a) sin(2a) sin(2a)

= 2cos(a) sin(2a) sin(3a) sin(3a)

sin(3a) sin(4a) sin(4a)
= 0
car les colonnes 2 et 3 sont égales.
163
Exercice 51 Soit (a, b, c) ∈ R3 , calculer le déterminant

1 1 1

∆ = a b c .

b+c c+a a+b
Solution -
Notons L1 , L2 et L3 les ligne de ∆. Nous allons utiliser les règles de calcul
exposées dans le théorème 24 et la proposition 27. Le déterminant ne change pas si
on ajoute L2 à L3 , ainsi

1 1 1
L1
∆=
a b c
L2
a+b+c a+b+c a+b+c L3 + L2
En factorisant par (a + b + c), on obtient

1 1 1

∆ = (a + b + c) a b c =0

1 1 1
car les lignes 1 et 3 sont égales.
Exercice 52 On considère le déterminant

−2 X 1 3
X −2 1 3
∆ = .
1 −2 3 X
1 −2 X 3
Montrer que ∆ est un polynôme de R[X] et décomposer le en facteurs irréductibles.
Solution - On note par L1 , L2 , L3 et L4 les lignes de ∆. Nous allons utiliser

les propriétés du déterminant exposées dans le théorème 24 et la proposition 27 pour
164
former une ligne préviligiée, c’est-à-dire, contenant un maximum de zéros. Ainsi

−2 X 1 3 L1

X −2 1 3 L2
∆ =
1 −2 3 X L3

1 −2 X 3 L4

−(2 + X) 2 + X 0 0 L1 − L2

X −2 1 3 L2
=
1 −2 3 X
L3
0 0 X − 3 −(X − 3) L4 − L3
En factorisant par (2 + X)(X − 3) et en notant par C1 , C2 , C3 et C4 les colonnes

du tableau ci-dessus, on obtient
C1 C2 C3 C4
−1 1 0 0

∆ = (2 + X)(X − 3) X −2 1 3

1 −2 3 X

0 0 1 −1
C1 C2 + C1 C3 + C4 C4
−1 0 0 0

= (2 + X)(X − 3) X X − 2
4 3
1
−1 3 + X X
0 0 0 −1
En développant suivant la première ligne, on obtient

X −2 4 3

∆ = −(2 + X)(X − 3) −1 3+X X .

0 0 −1
On développe, à nouveau, suivant la troisième ligne et on obtient

X −2 4
∆ = (2 + X)(X − 3)
−1 3+X
= (2 + X)(X − 3)(X 2 + X − 2)
= (2 + X)2 (X − 3)(X − 1).
165
Exercice 53 1. Soient a, b, c, des nombres complexes. Montrer que le dé-

terminant suivant est un polynôme de C[X] et décomposer le en facteurs
irréductibles.

X a b c

a X c b
∆ = .
b c X a

c b a X
2. Pour tout n ∈ N∗ , on considère le déterminant d’ordre n :

X 1 ... 1

1 X ... 1

Pn = . 1 .

. . .

1 1 ... X
Autrement, Pn = |ai,j |, où ai,i = X pour 1 ≤ i ≤ n et ai,j = 1 si i 6= j.

Montrer que Pn est un polynôme est décomposer le en facteurs irréductibles
dans R[X].
Solution -
1. On note Li et Cj , respectivement, les lignes et les colonnes des déterminants

apparaissant dans les calculs ci-dessus. Nous allons utiliser les propriétés du
déterminant exposées dans le théorème 24 et la proposition 27 pour former
une ligne préviligiée, c’est-à-dire, contenant un maximum de zéros. Ainsi

X a b c
L1
a X c b L2
∆ =
b c X a
L3
c b a X L4

1 1 1 1 L1 + L2 + L3 + L4

a X c b L2
= (X + a + b + c)
b c X a
L3
c b a X L4
166
On continue
C1 C2 C3 C4
1 1 1 1

∆ = (X + a + b + c) a X c b
b c X a

c b a X
C1 C2 − C1 C3 − C1 C4 − C1
1 0 0 0

= (X + a + b + c) a X −a c−a b − a
b
c−b X −b a − b
c b−c a−c X −c
On développe par rapport à la première ligne, on a :

X −a c−a b−a L1

∆ = (X + a + b + c) c − b X − b
a−b L2

b−c a−c X −c L3
On effectue les opérations suivantes :

X −a−b+c X −a−b+c 0 L1 + L2

∆ = (X+a+b+c) c−b X −b a−b
L2
0 X −b−c+a X −b−c+a L3 + L2
En factorisant par X − a − b + c et X − b − c + a, on a :

1 1 0

∆ = (X + a + b + c)(X − a − b + c)(X − b − c + a) c − b X −b a−b

0 1 1
Or

1 1 0 1 0 0
X − c a − b
c−b X −b a−b = c−b X −c a−b =
1 1
0 1 1 0 1 1
= X − c − a + b.
Finalement,
∆ = (X + a + b + c)(X − a − b + c)(X − b − c + a)(X − c − a + b).

167
2. On ajoute à la première colonne la somme des autres colonnes et on obtient

X +n−1 1 ... 1

. X ... 1

Pn =
. 1 . .

. . .

X +n−1 1 ... X
On factorise par X + n − 1 puis on retranche la ligne 1 des autres lignes, on

obtient

1 1 ... 1

0 X −1 . . . 0

Pn = (X + n − 1) . 0 .

. . 0

0 0 ... X −1
= (X + n − 1)(X − 1)n−1 .
Exercice 54 Calculer, à l’aide des déterminants, les inverses des matrices sui-
vantes :    
−1 1 0 3 1 −1
M =  3 −1 1  , N =  1 5 2 
0 2 2 −1 3 6
Solution - Nous allons utiliser la formule du théorème 26
1
A−1 = (cof (A))t ,
detA
valable pour toute matrice inversible A.
1. On développe suivant la dernière colonne et on obtient

−1 1 0
−1 1 −1 1
det M = 3 −1 1 = −
+ 2
= −2.
0 0 2 3 −1
2 2
Puisque det M 6= 0, M est inversible en vertu du théorème 26. La comatrice

168
de la matrice M est donnée par


−1 1
3 −1 
− 3 1

 2 2
0 2
0 2 
 
 1 0 −1 0 −1 1 
com(M ) =   − 2 2 −

0 2 0 2 
 
− −1
 1 0 0 −1 1 

−1 1 3 1 3 −1
 
−4 −6 6
=  −2 −2 2 .
1 1 −2
Donc t 
1 − 12
 
−4 −6 6 2
1
M −1 = −  −2 −2 2  =  3 1 − 12  .
2
1 1 −2 −3 −1 1
2. On développe suivant la première colonne et on obtient

3 1 −1
5 2 1 −1 1 −1
det N = 1 5 2 = 3 − −
−1 3 6 3 6 3 6 5 2
= 72 − 9 − 7 = 56.
Puisque det N 6= 0, N est inversible en vertu du théorème 26. La comatrice

de la matrice N est donnée par

1 2 1 5 

5 2
−
−1 6
 3 6 −1 3 
 
 1 −1 3 −1 3 1 
com(N ) =  −

−1 6 − −1 3 

 3 6 
 1 −1
− 3 −1
3 1 

5 2 1 2 1 5
 
24 −8 8
=  −9 17 −10  .
7 −7 14
Donc
 t  
24 −8 8 24 −9 7
1  1 
N −1 = −9 17 −10  = −8 17 −7  .
56 56
7 −7 14 8 −10 14
169
Exercice 55 On considère le déterminant d’ordre n :

2 −1 0 . . . 0

. . . . . . .
.
−1
. . . .
∆n = 0 . . . . . . . . . 0

.. . . . . . .

. . . . −1

0 . . . 0 −1 2
1. Calculer ∆2 et ∆3 .
2. Montrer que, pour tout n ≥ 2, ∆n+2 = 2∆n+1 − ∆n .
3. En déduire la valeur de ∆n , pour tout n ≥ 2.
Solution -
1. On a

2 −1
∆2 = = 3,
−1 2

2 −1 0
2 −1 −1 0

∆3 = −1 2 −1 = 2 + = 6 − 2 = 4.
−1 2 −1 2
0 −1 2
2. Soit n ≥ 2, en développant ∆n+2 suivant la première colonne, on obtient

−1 0 0 . . . 0

−1 2 −1 . . . ...

∆n+2 = 2∆n+1 + 0 −1 2 . . . 0

.. . . . . . .

. . . . −1

0 . . . 0 −1 2
On développe le dernier déterminant suivant la première ligne, on a
∆n+2 = 2∆n+1 − ∆n .
3. On remarque que ∆n+2 − ∆n+1 = ∆n+1 − ∆n , donc
∆n+2 − ∆n+1 = ∆n+1 − ∆n = ... = ∆3 − ∆2 = 1.

170
D’où, ∆n+2 = ∆n+1 + 1, ∀n ≥ 1, et par conséquent, on a :
∆n+2 = ∆n+1 + 1 = ∆n + 2 = ... = ∆2 + n = 3 + n.
On a montré alors que, pour tout n ≥ 2,
∆n = n + 1.
Exercice 56 Soit a un paramètre réel. On pose :
X1 = (1, 1, 1, 1) , X2 = (−a, 2, 3, a) , X3 = (a2 , 4, 9, a2 ).
Calculer le rang de (X1 , X2 , X3 ) en fonction de la valeur de a.
Solution - Le rang de (X1 , X2 , X3 ) est le rang de la matrice
a2
 
1 −a
 1 2 4 
A=  1 3
.
9 
1 a a2
Nous allons utiliser le théorème 27 pour déterminer le rang de A. Le déterminant,

d’ordre 2, extrait de la matrice A en éliminant les lignes 1 et 4 et la colonne 3 est
différent de 0. En effet, on a :

1 2
1 3 = 3 − 2 = 1 6= 0.

Donc 2 ≤ rg(X1 , X2 , X3 ) ≤ 3.
On considère le déterminant, d’ordre 3, extrait de la matrice A en éliminant la
ligne 4, on a
1 −a a2 L2 −L1 1 −a a2

L3 −L1 2

1 2
4 = 0 2 + a
4 − a
1 3 9 0 3 + a 9 − a2
= (2 + a)(9 − a2 ) − (3 + a)(4 − a2 ) = (a + 2)(a + 3).
On distingue trois cas :

1. Si a 6= −2 et a 6= −3, alors (a + 2)(a + 3) 6= 0 et donc rg(X1 , X2 , X3 ) = 3.
171
 
1 2 4
 1 2 4 
2. Si a = −2 alors A =   1
. Le déterminant extrait de A, en
3 9 
1 −2 4
éliminant la première ligne est différent de 0. En effet, on a :

1 2 4 L2 −L1 1 2 4
L3 −L1
0 1 5 = 20 6= 0
1 3 9 =

1 −2 4 0 −4 0
et donc rg(X1 , X2 , X3 ) = 3.
 
1 3 9
 1 2 4 
3. Si a = −3 alors A =   1 3 9 . Le déterminant extrait de A, en

1 −3 9
éliminant la troisième ligne est différent de 0. En effet, on a :

1 3 9 L2 −L1 1 3 9
L3 −L1
1 2 4 = 0 −1 −5 = −30 6= 0.

1 −3 9 0 −6 0
Donc rg(X1 , X2 , X3 ) = 3.
172
Chapitre 7
Systèmes linéaires
Dans ce chapitre K = R ou C.
7.1 Définitions
Un système linéaire est une suite d’équations du type :


a11 x1 + a12 x2 + ... + ...a1n xn = b1

a21 x1 + a22 x2 + ... + ...a2n xn

= b2
.. .. (7.1)


 . .

ap1 x1 + ap2 x2 + ... + ...apn xn = bp

où les coefficients aij , bk sont des éléments de K. On dit que (7.1) est un système
linéaire à p équations et n inconnues x1 , . . . , xn .
Résoudre un tel système signifie déterminer tous les n-uplets (x1 , . . . , xn )

vérifiant simultanément toutes les équations (7.1).
Expression matricielle d’un système linéaire -
– On note A = (aij )1≤i≤p,1≤j≤n la matrice des coefficients du système. On

appelle rang dusystème
 (7.1) le rang de la matrice A.
x1
 x2 
– On note X =  .  le vecteur de K n dont les composantes (dans la base
 
 .. 
xn
173
174
canonique)
  sont les inconnues x1 , ..., xn du système,
b1
b2 
– et B =  .  le vecteur de K p , dont les composantes (dans la base canonique)
 
 .. 
bp
sont les coefficients qui apparaissent dans le terme de droite de (7.1).
Le système (7.1) s’écrit alors :
AX = B.
Etant donnés la matrice A et le vecteur B ∈ K p , résoudre le système (7.1) revient

donc à déterminer tous les vecteurs X ∈ K n tels que
AX = B.
Exemple - Considérons le système :

(
2x1 + 4x2 + 2x3 =6
(7.2)
x1 + 2x2 + x3 =3
On associe à (7.2) la matrice

2 4 2
A= (7.3)
1 2 1
 
x1
6
et les deux vecteurs B = et X = x2  .
3
x3
Le système (7.2) est donc équivalent à l’équation matricielle
AX = B.
7.2 Résolution du système (7.1)

Nous avons vu que (7.1) est équivalent à
AX = B. (7.4)
Avant de donner la méthode générale pour résoudre (7.1), faisons quelques re-
marques importantes.
175
1. Si (7.1) admet une solution alors B ∈ ImA. Ainsi si B ∈

/ ImA alors (7.1)
n’admet pas de solution.
2. Si X1 et X2 sont deux solutions de (7.1) alors
A(X1 − X2 ) = 0
et donc X1 − X2 ∈ ker A.
En vertu de ces deux remarques, on a :
Proposition 28 1. Si B ∈
/ ImA alors (7.1) n’admet pas de solution.
2. Si B ∈ ImA et si X0 est une solution particulière de (7.1) alors l’ensemble
des solutions S de (7.1) est donné par
S = {X0 + X, X ∈ ker A}.
En particulier, si B = 0 alors
S = ker A.
Cette proposition décrit l’ensemble des solutions mais ne permet pas en pratique
de les déterminer. Nous allons maintenant donner une méthode plus précise de
résolution de (7.1). Nous allons distinguer trois cas :
1. La formule de Cramer.
Dans ce cas n = p et A est une matrice inversible. Alors (7.1) a une solution
unique. En effet,
AX = B ⇐⇒ X = A−1 B.
Cette solution est donnée par les formules de Cramer :
Théorème 28 - la formule de Cramer - Si n = p et la matrice A est
inversible, le système (7.1) admet pour unique solution le n-uplet (x1 , ..., xn ),
où pour tout i ∈ {1, ..., n},
det|c1 , ..., ci−1 , bi , ci+1 , ..., cn |
xi = ,
detA
où c1 , . . . , cn sont les vecteurs colonnes de A.
Exemple - Nous allons résoudre dans R le système linéaire suivant :

 −2x − y + 2z = 1
−2x + 2z = −2
x − y − 3z = 0

176
Le système peut s’écrire sous forme matricielle

   
x 1
A y  =  −2  , (7.5)
z 0
 
−2 −1 2
où A =  −2 0 2 .
1 −1 −3
Calculons le déterminant de A. On a

−2 −1 2
L2 −L1 −2 −1 2

−2 2
−2 0 2
= 0 1 0 = = 4.
1 −3
1 −1 −3 1 −1 −3
Le déterminant de A étant non nul, le système est un système de

Cramer et les solutions sont données par la formule de Cramer,
c’est-à-dire,

1 −1 2 −2 1 2 −2 −1 1

−2 0 2 −2 −2 2 −2 0 −2

0 −1 −3 1 0 −3 1 −1 0
x= , y= et z = .
4 4 4
On obtient donc

1 0 2 −1 2
x = + 2 =3
4 −1 −3 −1 −3

1 1 2 −2 1
y = − 3 = −3
4 −2 2 −2 −2

1 −1 1 −2 1
z = + = 2.
4 0 −2 −2 −2
On vérifie que (3, −3, 2) est bien solution du sytème.

2. Systèmes homogènes.
Le système (7.1) est dit homogène si B = 0. Dans ce cas ; l’ensemble S des

solutions est donc le noyau de A. C’est donc un sous-espace vectoriel de K n .
En particulier, S n’est pas vide puisqu’il contient au moins la solution nulle.
D’un autre côté, comme dim ImA = rgA, d’après le théorème Noyau-Image,
on a
dim ker A = n − rgA.
177
Théorème 29 Si (7.1) est homogène, on détermine comme suit ses solu-

tions : on calcule le rang du système, soit r ce rang, (un determinant extrait
d’ordre r est alors non nul). Alors
– les solutions du système (7.1) forment un sous-espace vectoriel de dimen-
sion n − r.
– Si c’est par exemple le mineur

a11 a12 ... a1r

a21 a22 ... a2r
(7.6)

.. ..
. .

ar1 ar2 ... arr
qui n’est pas nul, alors le système (7.1) est equivalent au système


 a11 x1 + a12 x2 + ... + a1r xr = −a1(r+1) xr+1 − ... − a1n xn

a21 x1 + a22 x2 + ... + a2r xr = −a2(r+1) xr+1 − ... − a2n xn

.. .. (7.7)


 . .

ar1 x1 + ar2 x2 + ... + arr xr = −ar(r+1) xr+1 − ... − arn xn

– On peut alors résoudre (7.7) en considérant qu’il s’agit d’un système de

Cramer, les solutions dépendant alors des paramètres xr+1 , ..., xn interve-
nant dans les termes de droite des signes "=".
Exemples -
(a) Nous allons résoudre dans C le système suivant :

 −y + ız = 0
−x + ıy + 2z = 0
ıx − y = 0


   
x 0
A y  =  0  (7.8)
z 0
 
0 −1 ı
où A =  −1 ı 2  .
ı −1 0

0 −1 ı
−1 ı 2 = −1 ı + ı −1 ı = 0.

−1 0 ı 2
ı −1 0
178
Le système
(7.8) est un système homogène. Puisque le déter-
0 −1
minant est non nul, la matrice A est de rang 2. Les
−1 ı
solutions de (7.8) sont donc les solutions du système

−y + ız = 0
(7.9)
−x + ıy + 2z = 0
L’ensemble des solutions de (7.9), est la droite vectorielle
S = {(z, ız, z), z ∈ C}.
(b) Considérons le système linéaire


 −23x + 3y + z + 2t = 0
x − 4y + z + t = 0


 x − y + z − 2t = 0
3x + y − 2t = 0


  
x 0
 y   0 
B
 z = 0
  
 (7.10)
t 0
où
 
−23 3 1 2
 1 −4 1 1 
B= .
 1 −1 1 −2 
3 1 0 −2
Le système (7.10) est un système homogène. Déterminons le

179
rang de la matrice B. On a

−23 3 1 2

1 −4 1 1
det B =

1 −1 1 −2

3 1 0 −2

−23 3 1 2
L2 −L1
L3 −L1 24 −7 0 −1
=

24 −4 0 −4

3 1 0 −2

24 −7 −1 24
−7 −1
=
24 −4 −4 = −4 −6 1 1
3 1 −2 3 1 −2

8 −7 −1 L2 +L1 8 −7 −1
L −2L
= −12 −2 1 1 3 = 1 −12 6 −6 0
1 1 −2 −15 15 0

6 −6
= 12
= 0.
−15 15
Calculons le mineur d’ordre 3 de B obtenu en enlevant la

dernière ligne et la dernière colonne à la matrice B, c’est à
dire

−23 3 1

1
−4 1 .
1 −1 1
On a

−23 3 1 L2 −L1 −23 3 1
L3 −L1
1
−4 1
= 24 −7 0

= 72.

1 −1 1 24 −4 0
Comme ce déterminant n’est pas nul, le rang de B est égal à

3 et le système (7.10) est équivalent au système

 −23x + 3y + z = −2t
x − 4y + z = −t ,
x − y + z = 2t

180
dont les solutions sont données par la formule de Cramer

−2t 3 1 −2 3 1
1 t
x = −t −4 1 = −1 −4 1
72 72
2t −1 1 2 −1 1

L2 −L1 −2 3 1
L3 −L1 t t
= 1 −7 0 = .
72 3
4 −4 0

−23 −2t 1 −23 −2 1
1 t
y = 1 −t 1 = 1 −1 1
72 72
1 2t 1 1 2 1

L2 −L1 −23 −2 1
L3 −L1 t
= 24 1 0 = t.
72
24 4 0

−23 3 −2t −23 3 −2
1 t
z = 1 −4 −t = 1 −4 −1
72 72
1 −1 2t 1 −1 2

−23 3 −2
L3 −L2 t 8
= 1 −4 −1 = t.
72 3
0 3 3
L’ensemble des solutions de (7.10) est donc la droite vectorielle

t 8
( , t, t), t ∈ R .
3 3
3. Le cas général
Le théorème suivant décrit les solutions de (7.1) dans le cas général.
Théorème 30 de Rouché et Fontené - On détermine comme suit les
solutions du système (7.1) :
(a) Si le rang du système est r, (un déterminant extrait d’ordre r est donc
non nul), l’ensemble des solutions du système 7.1 est
– soit vide,
– soit un sous-espace affine 1 de dimension (n − r). En particulier, si
r < n, le système admet dans ce cas une infinité de solutions.
(b) Si c’est par exemple le déterminant extrait
1. Par définition, un sous-espace affine de dimension (n − r) de K n est obtenu en

translatant un sous-espace vectoriel de dimension (n − r) de K n
181

a11 a12 ... a1r

a21 a22 ... a2r
(7.11)

.. ..
. .

ar1 ar2 ... arr
qui n’est pas nul, alors le système (7.1) admet des solutions si et seule-
ment si tous les mineurs d’ordre r + 1 du type

a11 a12 ... a1r b1

a21 a22 ... a2r b2

.. ..
, (7.12)

.
. ...
ar1 ar2 ... arr br

as1 as2 ... asr bs
(où r < s ≤ p) sont nuls 2 .

(c) Dans ce cas, le système (7.1) est équivalent au système de Cramer


a11 x1 + a12 x2 + ... + a1r xr = b1 − a1(r+1) xr+1 − ... − a1n xn

a21 x1 + a22 x2 + ... + a2r xr = b2 − a2(r+1) xr+1 − ... − a2n xn

.. ..


 . .

ar1 x1 + ar2 x2 + ... + arr xr = br − ar(r+1) xr+1 − ... − arn xn

(7.13)
L’ensemble des solutions du système (7.1) est alors obtenu en considé-
rant comme arbitraires les inconnues xi se trouvant à droite du signe
” = ” de (7.13), et en résolvant le système de Cramer ainsi défini.
Exemples -
(a) Considérons le système linéaire

 x − 6y + 2z = 4
−2x + 6y + 2z = −2
x − y − 3z = −1


   
x 4
A  y  =  −2  (7.14)
z 1
2. Pour être plus précis, on appelle déterminant caractéristique associé au mineur

d’ordre r de type (7.11) tout déterminant du type (7.12).
182
où
 
1 −6 2
A =  −2 6 2 .
1 −1 −3

1 −6 2 L2 +2L1 1 −6 2
L3 −L1
−2 6 2 = 0 −6 6 = 0.

1 −1 −3 0 5 −5
Le rang de A est donc inférieur

ou égal à 2 et puisque le
1 −6
déterminant extrait est non nul, le rang de A et
−2 6
égal à 2. D’après le théorème de Rouche-Fontené, le système
(7.14)
admet des solutions si et seulement si le déterminant
1 −6 4

−2 6 −2 est nul. Or

1 −1 1

1 −6 4 L2 +2L1 1 −6 4
L3 −L1
−2 6 −2 = 0 −6 6 = −12 6= 0.

1 −1 1 0 5 −3
Ainsi (7.14) n’admet pas de solution.

(b) Considérons le système

 −y + 4z + 2t = 5

−3x + y + z = −1


 6x − y − 2t = 3
3x + y − 4t = 0


   
x 5
 y   −1 
B
 z = 3
  
 (7.15)
t 0
où  
0 −1 4 2
 −3 1 1 0 
B=
 6 −1 0 −2  .

3 1 0 −4
183
Calculons le déterminant de B. On a

0 −1 4 2 L2 +L1 0 −1 4 2
L3 −L1
−3 1 1 0 L4 +L1 −3 0 5 2

6 −1 =
0 −2 6
0 −4 −4
3 1 0 −4 3 0 4 −2

−3 5 2 L2 +2L1 −3 5 2
L +L
= 6
−4 −4 3= 1 0 6 0

= 0.

3 4 −2 0 9 0
Ainsi le rang de B est inférieur

ou égal à 3. Calculons le dé-
0 −1 4

terminant extrait d’ordre 3, −3 1 1 . On a

6 −1 0

0 −1 4 0 −1 4
−3 1 1 L3 +2L −3 1 1 = 3 −1 4
2

= −18.
= 1 2
6 −1 0 0 1 2
Ce déterminant étant non nul, le rang de B est égal à 3 et,

d’après le théorème de Rouché-Fontené, le système (S2 ) admet
0 −1 4 5

−3 1 1 −1
des solutions si et seulement si le déterminant
6 −1 0 3

3 1 0 0
est nul. Calculons ce déterminant. On a

0 −1 4 5 L2 +L1 0 −1 4 5
L3 −L1
−3 1 1 −1 L4 +L1 −3 0 5 4

6 −1 0 3
=

6
0 −4 −2
3 1 0 0 3 0 4 5

−3 5 4 L2 +2L1 −3 5 4
6 −4 −2 L3=
+L1
= 0 6 6 = 0.

3 4 5 0 9 9
Ainsi (7.15) admet des solutions et il est équivalent à


 −y + 4z = 5 − 2t
−3x + y + z = −1 ,
6x − y = 3 + 2t

184

5 − 2t −1 4 5 − 2t −1 4

−1 1 1 4 − 2t 0 5
3 + 2t −1 0 LL2−L
+L1
−2 + 4t 0 −4
3 1
x = − = −
18 18
4 − 2t 5

−2 + 4t −4 1
= − = (2t + 1).
18 3
0 5 − 2t 4

−3 −1 1

6 3 + 2t 0
y = −
18
0 5 − 2t 4

−3 −1 1

L3 +2L2
0 1 + 2t 2
= −
18
1 5 − 2t 4
= − = 2t − 1.
6 1 + 2t 2

0 −1 5 − 2t

−3 1 −1

6 −1 3 + 2t
z = −
18
0 −1 5 − 2t

−3 1 −1

L3 +2L2
0 1 1 + 2t
= −
18
1 −1 5 − 2t
= − = 1.
6 1 1 + 2t
L’ensemble des solutions de (7.15) est donné par

1
S = ( (2t + 1), 2t − 1, 1), t ∈ R .
3
7.3 Méthode de pivot de Gauss

La méthode de pivot de Gauss permet de transformer un système linéaire en
un système linéaire dit échelonné ou triangulaire pour lequel les conditions du
théorème de Rouche-Fontené sont très simple à vérifier.
185
Le système (7.1) est dit échelonné ou en échelon si A est de la forme

 
a11 ∗ ... ∗

 0 a22 

 .. .. .. .. .. 

 . . . . . 
A=
 0 . . . 0 aqq ∗ . . . ∗  , (7.16)

 0 ... ... ... ... 0  
 .. .. 
 . . 
0 ... ... ... ... 0
où chaque étoile étant un coefficient quelconque. Le théorème suivant est une re-
formulation du théorème de Rouche-Fontené.
Théorème 31 Si (7.1) est échelonné, c’est-à-dire A de la forme (7.16) alors on a

rgA = q et le système admet des solutions si, seulement si,
bq+1 = . . . = bp = 0.
Dans ce cas, on dira que le système est compatible et alors les solutions de (7.1)
sont les vecteurs (x1 , . . . , xq , xq+1 , . . . , xn ) où xq+1 , ..., xn sont des éléments
quelconques de K et (x1 , . . . , xq ) est la solution du système de Cramer triangulaire :
q
X n
X
aij xj = bi − aij xj , 1 ≤ i ≤ q. (7.17)
j=1 j=q+1
On appelle opération élémentaire sur (7.1) chacune des opérations sui-

vantes :
1. permuter deux équations de (S).
2. ajouter membre à membre à une équation, une combinaison linéaire des
autres équations.
3. multiplier les deux membres d’une équation par un même scalaire non nul.
Proposition 29 Toute opération élémentaire sur (7.1) le transforme en un sys-

tème linéaire équivalent, c’est-à-dire, ayant le même ensemble de solutions.
Le théorème suivant est à la base de l’algorithme de Gauss.
Théorème 32 Si A 6= 0, il existe une suite finie d’opérations élémentaires qui

transforment (7.1) en un système échelonné.
186
Exemples - Une piscine est alimentée par trois vannes :

Si les vannes 1 et 2 coulent ensemble, la piscine est remplie en 40 heures.
Si chaque vanne coule toute seule, combien de temps mettrait-elle pour
remplir la piscine ?
Notons par V le volume de la piscine, par d1 , d2 et d3 les débits par heure
des vannes 1, 2 et 3 et par x, y et z le temps nécessaire pour chaque
vanne, coulant toute seule, pour remplir le volume V , on a :
40(d1 + d2 ) = 30(d2 + d3 ) = 60(d1 + d3 ).
et
V V V
x= , y= , z= .
d1 d2 d3
Donc, on doit résoudre :
 1 1 1
 x + y = 40
1 1 1
y + z = 30
 1 1 1
x + z = 60
En posant X = x1 , Y = 1
y et Z = z1 , on résoud le système :
1

 X +Y = 40
1
Y +Z = 30
1
X +Z =

60
On extrait la matrice associée à notre système augmentée de la colonne

second membre. On écrit au dessus des colonnes 1, 2 et 3 de la matrice
augmentée les inconnues du système, comme ça, si on permute deux
colonnes, on n’oublie pas de permuter l’ordre des inconnues.
 x y z 
.
 1 1 0 .. 1
40 
.
1 1 .. 1
 
 0 
 30 
.
1 0 1 .. 1
60
1ère étape : on choisit le pivot égal à 1, il n’y a aucune permmutation à

187
faire, on a :
 x y z 
.
 1 1 0 .. 1  
40   L1 
.
1 1 .. 1 L2
 
 0 
30
L3
   
.
1 0 1 .. 1
60
On effectue les opérations suivantes, de façon à avoir des zéros au dessous

du pivot, on a :
 x y z 
.
 1 1 0 .. 1  
40   L1 
.
1 1 .. 1 L2
 
 0 
30
L3 − L1
   
.
0 −1 1 .. −1
120
2ème étape : on se restreint au bloc de la matrice, obtenu en supprimant

la ligne 1 et la colonne 1, on choisit le pivot égal à 1, il n’y a aucune
permmutation à faire, on a :
 x y z 
.
 1 1 0 .. 1  
40   L1 
.
1 1 .. 1 L2
 
 0 
30   0 
L3

.
0 −1 1 .. −1
120
On effectue les opérations nécessaires pour avoir des zéros au dessous

du pivot, on a :
 x y z 
.
 1 1 0 .. 1  
40   L1 
.
1 .. 1 L2
 
 0 1 
30   0
L3 + L2
 
.
0 0 2 .. 1
40
Le système équivalent échelonné est :

1

 X +Y = 40
1
Y +Z = 30
1
2Z =

40
188
c’est un système de Cramer triangulaire, on le résoud en commençant

par la dernière équation et on remonte, on a :
1 1 1
Z= , Y = , .
80 48 240
Donc, il faut 240 heures, soit 10 jours, pour remplir la piscine si on utilise
uniquement la vanne 1. Il faut 48 heures, soit 2 jours, pour remplir la
piscine si on utilise uniquement la vanne 2 et il faut 80 heures, soit 3
jours et 8 heures, pour remplir la piscine si on utilise uniquement la
vanne 3.
189

Exercice 57 Résoudre par la méthode de Cramer le système :

 x − 2y + 2z = 1
2x − y + 2z = −1
2x − 2y + z = 1

Solution - Nous allons utiliser le théorème 28. Le déterminant de la matrice

associée au système est différent de 0. En effet,

1 −2 2 L2 −2L1 1 −2 2
L3 −2L1
2 −1 2 = 0 3 −2 = −5 6= 0.

2 −2 1 0 2 −3
Donc, notre système est un système de Cramer, il admet une solution unique donnée
par :

1 −2 2 1 1 2 1 −2 1
1 1 1
x = − −1 −1 2 , y = − 2 −1 2 , et z = − 2 −1 −1 .
5 5 5
1 −2 1 2 1 1 2 −2 1
On a

1 −2 2 L2 +L1 1 −2 2

−1 −1 2
L3 −L1

= 0
−3 4 = 3,
1 −2 1 0 0 −1

1 1 2 L2 −2L1 1 1 2

2 −1 2
L3 −2L1

= 0
−3 −2 = 7,
2 1 1 0 −1 −3

1 −2 1 L2 −2L1 1 −2 1

2 −1 −1
L3 −2L1

= 0
3 −3 = 3.
2 −2 1 0 2 −1
− 53 , − 75 , − 35

L’ensemble des solutions est S = .
Exercice 58 Résoudre dans R le système suivant :



 x + z + 2t = −1
x−y+z =2


 x − y − 2t = 3
x + y − t = −3

190
Solution -
  
x −1
 y   2 
B
 z = 3
  ,
 (7.18)
t −3
 
1 0 1 2
 1 −1 1 0 
où B = 
 1 −1 0 −2  . Calculons le déterminant de B. On a

1 1 0 −1

1 0 1 2 L2 −L1 1 0 1 2
L3 −L1
1 −1 1 0 L4 −L1 0 −1 0 −2
=

1 −1 0 −2

0 −1 −1 −4
1 1 0 −1 0 1 −1 −3

−1 0 −2 L2 −L1 −1 0 −2
L +L
=
−1 −1 −4 3= 1 0 −1 −2

1 −1 −3 0 −1 −5

−1 −2
= −
= −3.
−1 −5
Le déterminant de B étant non nul, le système est un système de Cramer et donc,

d’après le théorème 28, les solutions sont données par la formule de Cramer, c’est-
à-dire,

−1 0 1 2

1
−1 1 2
1 2 −1 1 0 1 1 2 1 0
x = − , y=−
3 3 −1 0 −2
3 1 3 0 −2
−3 1 0 −1 1 −3 0 −1

1 0 −1 2

1
0 1 −1
1 1 −1 2 0 1 1 −1 1 2
z = − , t=− .
3 1 −1 3 −2
3 1 −1 0 3
1 1 −3 −1 1 1 0 −3
191
On a

−1 0 1 2 L2 +2L1 −1 0 1 2
L3 +3L1
2 −1 1 0 L4 −3L1 0 −1 3 4 L2 =L3
= = 0.

3 −1 0 −2
0 −1 3 4
−3 1 0 −1 0 1 −3 −7

1 −1 1 2 L2 −L1 1 −1 1 2
L3 −L1
1 2 1 0 L4 −L1 0 3 0 −2
=
1
3 0 −2
0 4 −1 −4
1 −3 0 −1 0 −2 −1 −3

−1 −4 4 −1
= 3
− 2
= 9.
−1 −3 −2 −1
Un calcul analogue à celui de x et y donne les valeurs de z et de t. On obtient

finalement (x, y, z, t) = (0, −3, −1, 0) qui est bien solution de (7.18).
En résumé (0, −3, −1, 0) est l’unique solution de 7.18.
Exercice 59 Résoudre dans R les systèmes suivants et où a, b sont deux paramètres

réels 
 (a + b)x − by + (2a + b)z = b
(1 + a − b)x + by + (2 + 2a − b)z = 2b .
(1 − a − b)x + by + (2 − 2a − b))z = 3b

Solution - Le système peut s’écrire sous forme matricielle

   
x b
A  y  =  2b  (7.19)
z 3b
 
a+b −b 2a + b
où A =  1 + a − b b 2 + 2a − b  . Calculons le déterminant de A. On
1 − a − b b 2 − 2a − b
a

a+b −b 2a + b L2 +L1 a+b −b 2a + b

1 + a − b b 2 + 2a − b
L3 +L1
1 + 2a

= 0 2 + 4a
1 − a − b b 2 − 2a − b 1 0 2

1 + 2a 2 + 4a
= b = 0.
1 2
192
Le rang de A est alors inférieur ou égal à 2. Considèrons le mineur d’ordre 2 donné

par
a+b −b
1 + a − b b = b(1 + 2a).

Discutons suivant que ce mineur est nul ou non.

1. b 6= 0 et a 6= − 12 . Dans ce cas le rang de A est égal à 2 et, d’après le théorème
de Rouché-Fontené, le système (7.19) admet des solutions si et seulement si
a+b
−b b
le déterminant 1 + a − b b 2b est nul. Or

1 − a − b b 3b

a+b −b b L2 +L1 a+b −b b

1 + a − b b 2b L3 +L1
1 + 2a
= 0 3b
1 − a − b b 3b 1 0 4b

1 + 2a 3b
= b = b2 (8a + 1).
1 4b
(a) b 6= 0, a 6= − 21 et a 6= − 18 . Le système (7.19) n’admet pas de solution.

(b) b 6= 0, a = − 81 . Le système (7.19) est équivalent à
(b − 18 )x − by = b − (b − 14 )z

,
( 78 − b)x + by = 2b − ( 74 − b)z
b − (b − 14 )z −b

4
x = = 4b − 2z
3b 2b − ( 74 − b)z b
b − 81 b − (b − 14 )z

4 3
y = 7 7 = 4b − z − .
3b 8 − b 2b − ( 4 − b)z 2

2. b = 0. Le système s’écrit alors


 ax + 2az = 0
(1 + a)x + (2 + 2a)z = 0
(1 − a)x + (2 − 2a))z = 0

ce qui est équivalent à

x + 2z = 0,
puisque a, 1 + a et 1 − a ne peuvent pas s’annuler simultanément.
193
3. a = − 12 . Le système (S) s’écrit alors
 (b − 12 )x − by + (b − 1)z = b

( 1 − b)x + by + (1 − b)z = 2b .
 23
( 2 − b)x + by + (3 − b))z = 3b
En faisant L1 + L2 , on obtient 3b = 0 et donc b = 0. Donc ce système admet

des solutions si et seulement si b = 0 et dans ce cas (S) est équivalent à
x + 2z = 0.
Le tableau suivant résume ce qui précède. On désigne par S l’ensemble des solutions
de (7.19).
Conditions sur a et b Solutions de (7.19)
b 6= 0, a 6= − 21 et a 6= − 18 S=∅
b 6= 0 et a = − 81 S = (4b − z, 4b − z − 32 , z), z ∈ R

b 6= 0 et a = − 21 S=∅
S = (x, y, z) ∈ R3 ; x + 2z = 0

b=0
Exercice 60 Résoudre le système linéaire à coefficients réels :



 2x + 2y − z − t = 1
 3x + 3y + z + 2t = 2


x − y + 2z + t = −1
4x − 2y + 3z − t = −3




x − 3y + 7z + 6t = −2

Solution - On extrait la matrice associée à notre système augmentée de la

colonne second membre. On écrit au dessus des colonnes 1, 2, 3 et 4 de la matrice
augmentée les inconnues du système, comme ça, si on permute deux colonnes, on
n’oublie pas de permuter l’ordre des inconnues.
194
x y z t
 . 
2 −1 −1 .. −1
2
 . 
 3 3 1 2 .. 2
 

 . 
 1 −1 2 1 .. −1
 

 4 −2 3 −1 ... −3
 

 
.
1 −3 7 6 .. −2
1ère étape : on choisit le pivot égal à 1, pour cela on permmute les lignes 1 et 3,
on a :
x y z t
 .. 
1 −1 . −1
2  1

 ..   L1 
 3 3 1 2 . 2  
   
 L2 
 

 .. 
L
 2 2 −1 −1 . 1   3 
 
.  L4 
   
−2 3 −1 .. −3 
 4  
   L5 
.
1 −3 7 6 .. −2
Remarque : On peut choisir une autre valeur, non nulle, de la matrice

comme pivot. L’avantage du choix de la valeur 1 comme pivot est d’avoir
à faire des calculs moins compliqués : si on choisit une autre valeur, on
sera amené à manipuler des fractions et des calculs un peu compliqués.
On effectue les opérations nécessaires pour avoir des zéros au dessous du pivot, on
a:
x y z t
 .. 
1 −1 2 . −1 1 
 ..   L1 
 0 6 −5 −1 . 5  
   
L − 3L


 2 1 

 .. 
L − 2L
 0 4 −5 −3 . 3   3 1
 
.. L4 − 4L1 
   
 
 0
 2 −5 −5 . 1   

L5 − L1


..
0 −2 5 5 . −1
2ère étape : on se restreint au bloc obtenu en supprimant la première ligne et la

premième colonne. On choisit le pivot égal à 2, pour cela on permmute les lignes 2
195
et 4, on a :
x y z t
 .. 
1 −1 2 . −1 1
 
 ..   L1 
 0 2 −5 −5 . 1  
   0 
 L2 
 

 .. 
L 0
 0 4 −5 −3 . 3   3 
 
0 
.  L4 
  
−5 −1 .. 5 
 0 
 6   L0 

. 5
0 −2 5 5 .. −1
On effectue les opérations nécessaires pour avoir des zéros au dessous du pivot, on
a:
x y z t
 . 
1 −1 2 1 .. −1  
 ..   L1 
 0 2 −5 −5 . 1   L02
  
 

 

 .. 
L03 − 2L02
0 0 5 7 . 1
 
 
.. L0 − 3L02
  
 

 40
 0 0  
 10 14 . 2 


L5 + L02


..
0 0 0 0 . 0
3ère étape : on se restreint au bloc obtenu en supprimant les lignes 1 et 2 et les
colonnes 1 et 2. On choisit le pivot égal à 5, il n’y a pas de permmutation à faire.
x y z t
 .. 
1 −1 2 . −1
1  
 ..   L1 
 0 2 −5 −5 . 1  
   0 
  L200 
 

 ..
 0 0 5 7 . 1   L3 
 
00 
.  L4 
  
10 14 .. 2 
 0 
 0   L00 

. 5
0 0 0 0 .. 0
On effectue une seule opération, on a :
x y z t
 .. 
1 −1 2 . −1
1  
 ..   L1 
 0 2 −5 −5 . 1  
   0 
  L200
 


 ..
 0 0 5 7 . 1   L3
 
00 00
.  L4 − 2L3
   

0 .. 0 
 0  
 0 0   L00


. 5
0 0 0 0 .. 0
196
Notre système est équivalent au système échelonné :


 x − y + 2z + t = −1
2y − 5z − 5t = 1
5z + 7t = 1

Le système est compatible, c’est un système de 3 équations et 4 inconnues, il y a

donc une inconnue non principale et 3 inconnues principales. Ici, on prend t comme
inconnue non principale et calcule les inconnues x, y et z en fonction de t, on a :
2 4 1 7
x = − + t , y = 1 − t , z = − t.
5 5 5 5
Donc l’ensemble des solutions est :
8 4 1 7
S = {( + t, 1 − t, − t, t) ∈ R4 / t ∈ R}.
5 5 5 5
Chapitre 8
Diagonalisation des
endomorphismes
Dans ce chapitre K = R ou C.
8.1 Endomorphismes diagonalisables

8.1.1 Définition
Soit E un K-espace vectoriel de dimension n et f un endomorphisme de E. On
dit que f est diagonalisable s’il existe une base B de E dans laquelle la matrice
M (f, B) de f est diagonale, c’est-à-dire,
 
λ1 0 ... 0 ... 0
 0 λ2 ... 0 ... 0 
 
 .. .. .. .. .. .. 
. . . . . . 
M (f, B) = 
 
0 0 ... λi ... 0 

 .. .. .. .. .. .. 
. . . . . . 
0 0 ... 0 ... λn
On dit qu’une matrice carrée M ∈ Mn (K) est diagonalisable si elle est

semblable à une matrice diagonale, c’est-à-dire, s’il existe une matrice diagonale
D ∈ Mn (K) et une matrice inversible P ∈ Mn (K) telle que
M = P DP −1 .
197
198
Si f est l’endomorphisme de K n dont la matrice dans la base canonique est

M , alors f est diagonalisable si et seulement si M est diagonalisable. En effet,
si f est diagonalisable, il existe une base B de K n dans laquelle la matrice D de
f est diagonale. Donc D et M représentent le même endomorphisme dans deux
bases différentes et, par suite, ces deux matrices sont semblables, ce qui signifie
qu’il existe une matrice inversible P ∈ Mn (K) telle que
M = P DP −1 .
La réciproque est immédiate.
8.1.2 Vecteurs propres, valeurs propres et sous-espaces

propres
Soit E un K-espace vectoriel et f : E −→ E un endomorphisme de E.
Définition 29 Soit v un vecteur de E. On dit que v est un vecteur propre de
f si
– v n’est pas nul ;
– les vecteurs v et f (v) sont proportionnels, c’est-à-dire s’il existe λ ∈ K tel
que
f (v) = λv.
L’élément λ de K s’appelle la valeur propre associée à v.
Le spectre Spec(f ) est l’ensemble des valeurs propres de f .
Exemples -
1. Soit n ∈ N et soit f : Rn [X] −→ Rn [X] l’endomorphisme défini, pour
tout P ∈ Rn [X], par
f (P ) = XP 0 .
Pour tout 0 ≤ k ≤ n, on a
f (X k ) = kX k
et donc X k est un vecteur propre de f associé à la valeur propre k.

2. Soit F : C ∞ (R, R) −→ C ∞ (R, R) l’endomorphisme défini, pour toute
fonction f : R −→ R de classe C ∞ , par
F (f ) = f 00 .
Si f0 (x) = cos x, g0 (x) = sin x et h0 (x) = ex , on a
F (f0 ) = −f0 , F (g0 ) = −g0 et F (h0 ) = h0 .

199
Ainsi ces trois fonctions sont des vecteurs propre de F associés aux
valeurs propres -1 et 1.
Définition 30 Soit λ une valeur propre de f . Le sous-espace vectoriel
Eλ = {v ∈ E : f (v) = λv}
s’appelle le sous-espace propre associé à λ.
Remarquons que le sous-espace Eλ est composé des vecteurs propres associés à λ,

auxquels on a ajouté 0. Remarquons aussi que E0 = ker f et donc, en vertu du
théorème 19, f est un isomorphisme si et seulement si 0 n’est pas valeur propre de
f.
Proposition 30 Soit f un endomorphisme de E. Alors f est diagonalisable si et

seulement s’il existe une base de E composée de vecteurs propres.
Exemples - Reprenons l’exemple f : Rn [X] −→ Rn [X] l’endomorphisme

défini, pour tout P ∈ Rn [X], par
f (P ) = XP 0 .
Comme {1, X, . . . , X n } est une base de Rn [X] formé de vecteurs propres

de f , on déduit que f est diagonalisable.
Si λ1 , ..., λp sont des valeurs propres distinctes de f , alors on montre que les
sous-espaces propres
Eλ1 , ..., Eλp
sont en somme directe. On en déduit immédiatement le théorème suivant.
Théorème 33 Soit f : E → E un endomorphisme d’un K-espace vectoriel E de

dimension n. Soient λ1 , ..., λp les valeurs propres de f . Alors f est diagonalisable
si et seulement si
E = Eλ1 ⊕ ... ⊕ Eλp .
Le corollaire suivant est immédiat.
Corollaire 10 Sous les hypothèses du théorème 33, f est diagonalisable si et seule-

ment si
dim Eλ1 + ... + dim Eλp = n.
Le théorème 33 et son corollaire ne sont utiles que si on connaît un moyen

simple de déterminer les valeurs propres de f et les sous-espaces propres associés.
Nous allons maintenant donner ce moyen.
200
8.1.3 Polynôme caractéristique

Soit E un K-espace vectoriel de dimension n.
Définition 31 1. Soit f un endomorphisme de E. Le polynôme caractéris-
tique de f est le polynôme Pf (X) de degré n défini par
Pf (X) = det(f − XIE ).
2. Soit M ∈ Mn (K). Le polynôme caractéristique de M est le polynôme
PM (X) de degré n défini par
PM (X) = det(M − XIn ).
La proposition suivante est importante. Elle indique le fait que pour calculer
le polynôme caractéristique d’un endomorphisme, il suffit de calculer celui de sa
matrice dans une base quelconque.
Proposition 31 Soit f une endomorphisme de E et M sa matrice dans une base
quelconque. Alors
Pf (X) = PM (X).
Exemple - On considère l’endomorphisme f de R3 dont la matrice dans
la base canonique est
 
3 1 1
A =  −2 0 −2  .
3 3 5
Le polynôme caractéristique Pf (X) de f est donné par

3−X 1 1

Pf (X) = det(f − XIdR3 ) = −2
−X −2
3 3 5−X

3−X 1 0 3−X 1 0
C3 −C2
= −2 −X X − 2 = (X − 2) −2
−X 1

3 3 2−X 3 3 −1

3−X 1 0

L3 +L2
= (X − 2) −2 −X 1
1 3−X 0
−(X − 2) (X − 3)2 − 1 = −(X − 2)2 (X − 4).

=
La proposition suivante donne un moyen de calculer les valeurs propres d’un

endomorphisme.
201
Proposition 32 Soit f un endomorphisme de E. Alors les valeurs propres de f

sont les racines du polynôme caractéristique Pf . En plus, si λ est une racine de Pf
de multiplicité α alors
1 ≤ dim Eλ ≤ α. (8.1)
Nous arrivons maintenant au théorème fondamental de ce chapitre.
Théorème 34 Soit f un endomorphisme de E. Alors f est diagonalisable si et

seulement si
– son polynôme caractéristique Pf est scindé :
P (X) = (−1)n (X − λ1 )α1 ...(X − λk )αk ...(X − λp )αp ,
– pour chaque valeur propre λi , (1 ≤ i ≤ p),
dim Eλi = αi .
Voici aussi un résultat général très utile :
Corollaire 11 Soit f un endomorphisme d’un K-espace vectoriel E de dimension

n. Si f admet n valeurs propres deux à deux distinctes, alors f est diagonalisable.
Exemples - Reprenons l’exemple de l’endomorphisme f de R3 dont la

matrice dans la base canonique est
 
3 1 1
A =  −2 0 −2  .
3 3 5
Nous avons vu que le polynôme caractéristique Pf (X) de f est donné

par
Pf (X) = −(X − 2)2 (X − 4).
Explicitons maintenant les sous-espaces propres E2 et E4 .
– Le vecteur V = (x, y, z) appartient à E2 si et seulement si AV = 2V ,

c’est à dire :
(A − 2I3 )V = 0.
Donc,
  
1 1 1 x
V = (x, y, z) ∈ E2 ⇔  −2 −2 −2   y  = 0.
3 3 3 z
202
Ainsi
V = (x, y, z) ∈ E2 ⇔ x + y + z = 0.
E2 est un sous-espace vectoriel de R3 de dimension 2 dont une base

est donnée par {(1, 0, −1), (0, 1, −1)}.
– De la même façon, un vecteur W = (x, y, z) appartient à E4 si et
seulement si AW = 4W , c’est à dire
A − 4I3 = 0.
Donc,
  
−1 1 1 x
W = (x, y, z) ∈ E4 ⇔  −2 −4 −2   y  = 0.
3 3 1 z
Ainsi

 −x + y + z = 0 (L1)
W = (x, y, z) ∈ E4 ⇔ −2x − 4y − 2z = 0 (L2)
3x + 3y + z = 0 (L3)

En remarquant que (L3) = −(L1) − (L2), on obtient

−x + y + z = 0 (1)
(x, y, z) ∈ E4 ⇔
−2x − 4y − 2z = 0 (2)

−1 1
Le déterminant extrait = 6 est non nul. Par suite, le rang
−2 −4
de ce système homogène est 2, l’espace des solutions est un sous-
espace vectoriel de R3 de dimension 3 − 2 = 1. Ainsi E4 est un
sous-espace vectoriel de R3 de dimension 1 dont le vecteur de co-
ordonnées (1, −2, 3) est une base.
Donc, B = {(1, 0, −1), (0, 1, −1), (1, −2, 3)} est une base de R3 formée de
vecteurs propres de f . Le Théorème 34 implique que l’endomorphisme
f est diagonalisable. Sa matrice dans la base B est la matrice
 
2 0 0
D =  0 2 0 .
0 0 4
203
8.1.4 Démarche à suivre pour vérifier si un endomor-

phisme est diagonalisable
Nous allons résumer les étapes pour vérifier si un endomorphisme f : E −→ E
est diagonalisable (Pour vérifier si une matrice est diagonalisable, on la regarde
comme la matrice d’un endomorphisme de K n ).
1. On choisit une base de E et on calcule la matrice A de f dans cette base,
2. On calcule le polynôme caractéristique de f par la formule
Pf (X) = det(A − XIn ).
3. On calcule les racines de Pf (X) dans K ainsi que leurs multiplicités. A ce

stade, on distingue deux cas :
(a) Si Pf (X) n’est pas scindé dans K alors f n’est pas diagonalisable.
(b) Si Pf (X) est scindé sur K, c’est-à-dire,
P (X) = (−1)n (X − λ1 )α1 ...(X − λk )αk ...(X − λp )αp ,
pour chaque valeur propre λi , (1 ≤ i ≤ p), on calcule le sous-espace

propre Eλi en résolvant le système
AX = λi X.
Deux situations peuvent se présenter :

– Il existe 1 ≤ j ≤ p tel que dim Eλj < αj et dans ce cas f n’est pas
diagonalisable.
– Pour tout 1 ≤ j ≤ p, dim Eλj = αj et dans ce cas f est diagonali-
sable. On détermine alors une base de vecteurs propres et on écrit la
matrice de f dans cette base.
8.1.5 Deux remarques pour conclure

1. Attention ! lorsqu’on cherche à savoir si une matrice est diagonalisable, il est
important de préciser si l’on travaille dans Mn (R) ou Mn (C).
Voici un exemple éclairant. Considérons l’endomorphisme f de R2

dont la matrice dans la base canonique s’écrit

0 1
M (f ) = .
−1 0
204
Son polynôme caractéristique est
Pf (X) = X 2 + 1,
qui n’a pas de racine réelles. Donc M (f ) n’est pas diagonalisable

dans Mn (R).
Cependant, considérons maintenant l’endomorphisme g de C2 dont
la matrice dans la base canonique s’écrit encore dans la base cano-
nique
0 1
M (g) = .
−1 0
Son polynôme caractéristique est encore
Pf (X) = X 2 + 1.
Il admet 2 racines distinctes dans C, qui sont i et −i. Donc g est

diagonalisable et dans une base de vecteurs propres, la matrice de
g s’écrit :
i 0
.
0 −i
2. Il faut également se garder de croire que tout endomorphisme de Cn est dia-
gonalisable.
Considérons par exemple l’endomorphisme h de C2 dont la matrice

dans la base canonique s’écrit :

1 1
M (h) = .
0 1
On a
Ph (X) = (X − 1)2 .
La seule valeur propre est donc 1 et un calcul direct montre que
le sous-espace propre V1 est engendré par le vecteur (1, 0). Il n’est
donc pas de dimension 2, et h n’est donc pas diagonalisable.
205
Exercice 61 Les matrices suivantes sont-elles diagonalisables sur R ? sur C ?

     
2 5 4 2 0 1 m 1 1
A1 =  0 2 5  ; A2 =  0 2 0  ; A3 =  1 m 1  (m ∈ R) ;
0 0 1 0 0 1 1 1 m
   
0 1 0 0 0 1 3 7
 0 0 1 0 
  0 0 5 2 
A4 = 
 0 ; A5 =  
0 0 1   0 0 0 15 
1 0 0 0 0 0 0 0
Solution - Nous allons vérifier si les deux conditions du théorème 34 sont

satisfaites.
1. Le polynôme caractéristique de A1 est donné par

2−X 5 4
= (2 − X)2 (1 − X).

PA1 (X) = 0 2−X 5
0 0 1−X
Ainsi les valeurs propres de A1 sont 1 qui est simple et 2 qui est double. Donc
la première condition du théorème 34 est vérifiée. D’un autre côté, d’après le
théorème Noyau-Image (cf. Théorème 18), on a
dim(E2 ) = 3 − rg(A1 − 2I3 ).
Or  
0 5 4
A1 − 2I3 =  0 0 5  .
0 0 −1

5 4
Cette matrice est clairement de rang 2, puisque le déterminant extrait
=
0 5
25 6= 0 (cf. Théorème 27). Ainsi dim(E2 ) = 3 − 2 = 1 qui est strictement
inférieur à la multiplicité de la valeur propre 2. La deuxième condition du
théorème 34 n’est donc pas vérifiée. En conclusion, la matrice A1 n’est pas
diagonalisable ni sur R ni sur C.
206

2−X 0 1
= (2 − X)2 (1 − X).

PA2 (X) =
0 2−X 0
0 0 1−X
Les valeurs propres de A2 sont 1 qui est simple et 2 qui est double. Donc, la
première condition du théorème 34 est vérifiée.
Puisque 1 est une valeur propre simple, on déduit de (8.1) que dim(E1 ) = 1.
Cherchons dim E2 . D’après le théorème Noyau-Image (cf. Théorème 18), on
a
dim(E2 ) = 3 − rg(A2 − 2I3 ).
Or  
0 0 1
A2 − 2I3 =  0 0 0  .
0 0 −1
Le rang de cette matrice est clairement égal à 1 et donc
dim(E2 ) = 3 − 1 = 1
qui est égal à la multiplicité de la valeur propre 2. La deuxième condition du

théorème 34 est alors vérifiée. En conclusion, la matrice A2 est diagonalisable
sur R et sur C.

m−X 1 1

PA3 (X) =
1 m − X 1

1 1 m−X

L2 −L3 m−X −1 0 1−m+X
L1 −L3
= 0 m − X − 1 1 −m+X

1 1 m−X

−1 0 1
2

= (X − m + 1) 0 −1 1

1 1 m−X

2
−1 1 0 1
= (X − m + 1) − +
1 m − X −1 1
= (X − m + 1)2 (2 + m − X).
Les valeurs propres de A3 sont m + 2 qui est simple et m − 1 qui est double.
Donc, la première condition du théorème 34 est vérifiée.
207
Puisque m+2 est une valeur propre simple, on déduit de (8.1) que dim(Em+2 ) =
1. Cherchons dim Em−1 . D’après le théorème Noyau-Image (cf. Théorème
18), on a
dim(Em−1 ) = 3 − rg(A3 − (m − 1)I3 ).
Or  
1 1 1
A3 − (m − 1)I3 =  1 1 1  .
1 1 1
Comme les trois vecteurs colonne de cette matrices sont égaux et non nuls
on déduit que rg(A3 − (m − 1)I3 ) = 1 et donc
dim(Em−1 ) = 3 − 1 = 2
qui est égale à la multiplicité de la valeur propre m−1. La deuxième condition
de la proposition est alors vérifiée.La deuxième condition du théorème 34 est
alors vérifiée. En conclusion, la matrice A3 est diagonalisable sur R et sur
C.
4. On développe suivant la première colonne et on obtient que le polynôme ca-
ractéristique de A4 est donné par

−X 1 0 0

0 −X 1 0
PA4 (X) =
0 0 −X 1
1 0 0 −X

−X 0 0 1 0 0

= −X 0 −X 1 − −X 1 0
0 0 −X 0 −X 1
= X 4 − 1 = (X − 1)(X + 1)(X 2 + 1).
Le polynôme PA4 n’est pas scindé dans R[X] et donc la première condition
du théorème 34 n’est pas vérifiée. En conclusion, La matrice A4 n’est pas
diagonalisable sur R.
Dans C, la première condition est toujours vérifiée. Dans ce cas, PA4 (X) =
(X − 1)(X + 1)(X + i)(X − i). Donc la matrice A4 possède 4 valeurs propres
distinctes, et en vertu du corollaire 11, la matrice A4 est diagonalisable sur
C.

−X 1 3 7

0 −X 5 2 4
PA5 (X) = =X .
0 0 −X 15
0 0 0 −X
208
La matrice A5 possède une seule valeur propre 0 d’ordre 4. Cette matrice

ne peux pas être diagonalisable car si dim E0 = ker A5 = 4, cela entraîne
que A5 est nulle, ce qui est absurde. En conclusion, la matrice A5 n’est pas
diagonalisable ni sur R ni sur C.
Exercice 62 Pour quelles valeurs de a la matrice suivante est-elle diagonalisable

sur R ?  
1 2 a−1
A= 0 a−1 1 
0 2a − 5 5 − a
Solution - Nous allons vérifier à pour quelles valeurs de a les deux conditions
du théorème 34 sont satisfaites.
En développant suivant la première colonne, on obtient que le polynôme caractéris-
tique de A est donné par

1−X 2 a − 1

PA (X) =
0 a−1−X 1

0 2a − 5 5−a−X

a−1−X 1
= (1 − X)
2a − 5 5−a−X

C1 +C2 a−X 1
= (1 − X)
a−X 5−a−X

1 1
= (1 − X)(a − X)
1 5−a−X
= (1 − X)(a − X)(4 − a − X).
Les valeurs propres de A sont {1, a, 4 − a}. On distingue quatre cas.

1. a ∈
/ {1, 2, 3}. Dans ce cas, A possède 3 valeurs propres distinctes et donc, en
vertu du corollaire 11, dans ce cas, A est diagonalisable sur R.
2. a = 1. Dans ce cas, A admet deux valeurs propres, 1 qui est double et 3 qui
est simple. Donc, la première condition du théorème 34 est vérifiée.
Puisque 3 est une valeur propre simple, on déduit de (8.1) que dim(E3 ) =
1. Cherchons la dimension de E1 . D’après le théorème Noyau-Image (cf.
Théorème 18), on a
dim(E1 ) = 3 − rg(A − I3 ).
209
Or  
0 2 0
A − I3 =  0 −1 1  .
0 −3 3
Le rang de cette matrice est clairement égal à 2 car le déterminant d’ordre
2 0
2 extrait de la matrice A est non nul (cf. Théorème 27). Donc
−1 1
dim(E1 ) = 3 − 2 = 1 différent de la multiplicité de la valeur propre 1 et la
deuxième condition du théorème 34 n’est pas vérifiée. En conclusion, dans ce
cas, la matrice A n’est pas diagonalisable sur R.
3. a = 2. Dans ce cas, les valeurs propres de A sont 1 qui est simple et 2 qui
est double. La première condition du théorème 34 est alors vérifiée.
dim(E2 ) = 3 − rg(A − 2I3 ).
Or  
−1 2 1
A − 2I3 =  0 −1 1 
0 −1 1
Le rang de cette matrice est 2 car le déterminant, d’ordre 2

2 1

−1 1
extrait de la matrice A est non nul (cf. Théorème 27).

Donc dim(E2 ) = 3 − 2 = 1 différent de la multiplicité de la valeur propre
2 et la deuxième condition du théorème 34 n’est pas vérifiée. En conclusion,
dans ce cas, la matrice A n’est pas diagonalisable sur R.
4. a = 3. Dans ce cas, les valeurs propres de A sont 1 qui est double et 3 qui
est simple. La première condition du théorème 34 est alors vérifiée.
dim(E1 ) = 3 − rg(A − I3 ).
Or  
0 2 2
A − I3 =  0 1 1  .
0 1 1
210
Le rang de cette matrice est clairement égal à 1. Donc dim(E1 ) = 3−1 = 2 =

qui est égal à la multiplicité de la valeur propre 1 et la deuxième condition
du théorème 34 est vérifiée. Dans ce cas, la matrice A est diagonalisable sur
R.
Exercice 63 Soit E le R-espace vectoriel des matrices carrées symétriques réelles

d’ordre 2, c’est-à-dire,
a b
E= , a, b, c ∈ R .
b c

α 1
Soit B = un élément de E. Soit φ : E −→ E l’application définie par
1 0
φ(M ) = BM + M B, pour tout M ∈ E.
1. Montrer que φ est un endomorphisme de E.

2. Calculer la matrice A de φ dans la base

1 0 0 1 0 0
B= , , .
0 0 1 0 0 1
3. Calculer le polynôme caractéristique Pφ de φ.

4. Montrer que φ est diagonalisable.
5. Pour quelles valeurs de α l’endomorphisme φ est-il bijectif ?
Solution -
1. – La somme de deux matrices symétrique est symétrique. Mais le produit de
deux matrices symétriques n’est pas toujours symétriques. Or, comme B
est symétrique, pour toute matrice symétrique M , d’après la proposition
21,
φ(M )t = (BM + M B)t = M t B t + B t M t = M B + BM = φ(M )
et donc φ(M ) est une matrice symétrique. Par conséquent, φ est bien une
application à valeur dans E.
– Vérifions que φ est linéaire :
Soient M et N deux éléments de E. On a :
φ(M + N ) = B(M + N ) + (M + N )B
= BM + BN + M B + N B
= φ(M ) + φ(N ).
211
De même, si α est un nombre réel quelconque,
φ(αM ) = B(αM ) + (αM )B

= αBM + αM B = α(BM + M B).
En définitive, φ est linéaire.

2. On a

1 0 α 1 1 0 1 0 α 1
φ = +
0 0 1 0 0 0 0 0 1 0

α 0 α 1 2α 1
= + = ,
1 0 0 0 1 0

0 1 α 1 0 1 0 1 α 1
φ = +
1 0 1 0 1 0 1 0 1 0

1 α 1 0 2 α
= + = ,
0 1 α 1 α 2

0 0 α 1 0 0 0 0 α 1
φ = +
0 1 1 0 0 1 0 1 1 0

0 1 0 0 0 1
= + = .
0 0 1 0 1 0
Posons

1 0 0 1 0 0
1 = , 2 = , 3 = .
0 0 1 0 0 1
Les relations précédentes s’écrivent :
φ(1 ) = 2α1 + 2 ,
φ(2 ) = 21 + α2 +23
φ(3 ) = 2 .
Ainsi
 
2α 2 0
A =  1 α 1 .
0 2 0
212
3. Le polynôme caractéristique Pφ est donné par
Pφ (X) = det(φ − XIdE )

2α − X 2 0

= 1 α−X 1
0 2 −X

2α − X 2 2α − X 2
= − − X
0 2 1 α−X
= −X 3 + 3αX 2 + (4 − 2α2 )X − 4α
= −X 3 + αX 2 + 2αX 2 − 2α2 X + 4X − 4α
= (X − α)(−X 2 + 2αX + 4).
4. Le polynôme caractéristique de φ admet les trois racines réelles
p p
α, α + α2 + 4, α − α2 + 4.
Pour toute valeur de α, on vérifie sans peine que ces trois racines sont dis-
tinctes (et simples). Par conséquent, φ est diagonalisable, (en vertu du co-
rollaire 11).
5. φ est bijective si et seulement si 0 n’est pas valeur propre de φ. Or 0 est valeur

propre de φ si et seulement si α = 0. Donc φ est bijective si et seulement si
α 6= 0.
Exercice 64 Soit la matrice :
 
3 −1 2
A =  0 2 2 .
1 −1 4
Calculer les valeurs propres de A. Démontrer que A est diagonalisable sur R. Dia-
gonaliser A sur R.
213
Solution - Le polynôme caractéristique de A est donné par

3−X −1 2

PA (X) =
0 2−X 2

1 −1 4−X

2−X −1 2
C1 +C2
2−X

= 2−X 2

0 −1 4−X

1 −1 2

= (2 − X) 1 2−X 2

0 −1 4−X

1 −1 2
L2 −L1
= (2 − X) 0 3 − X 0

0 −1 4−X
= (2 − X)(3 − X)(4 − X).
Les valeurs propres de A sont {2, 3, 4}. Elles sont toutes simples.
D’après le corollaire 11, la matrice A est diagonalisable sur R.
Déterminons maintenant les sous-espaces propres de A.
On a
E2 = ker(A − 2I3 ).
On résoud le système
AX = 2X,
où X = (x, y, z) ∈ R3 . Ce système est équivalent à

x − y + 2z = 0
2z = 0
Donc x = y et z = 0. D’où E2 = V ect((1, 1, 0)).

On a
E3 = ker(A − 3I3 ).
AX = 3X,

− y + 2z = 0
x − y + z = 0
214
Donc x = z et y = 2z. D’où E3 = V ect((1, 2, 1)).

On a
E4 = ker(A − 4I3 ).
on résoud le système
AX = 4X,

−x − y + 2z = 0
y − z = 0
Donc x = y = z et E4 = V ect((1, 1, 1)).
Ainsi B = {(1, 1, 0), (1, 2, 1), (1, 1, 1)} est une base de R3 formée de vecteurs propres
de A. Soit P la matrice de passage de la base canonique de R3 à la base B. On a
 
1 1 1
P =  1 2 1 .
0 1 1
Elle est inversible et son inverse est obtenu en résolvant le système :
 x + y + z = x0 (1)

x + 2y + z = y 0 (2)
y + z = z 0 (3)

La relation (2) − (1) entraîne y = y 0 − x0 , l’équation (3) entraîne z = z 0 − y 0 + x0

et (1) donne x = x0 − z 0 . Donc
 
1 0 −1
P −1 =  −1 1 0 .
1 −1 1
et  
2 0 0
D = P −1 AP =  0 3 0  .
0 0 4
Exercice 65 Résoudre dans M2 (C) l’équation

2 0 −1
Z = . (8.2)
1 0

0 −1
On pourra commencer par diagonaliser la matrice .
1 0
215
Solution -
1. Pourrésoudre cette
équation, commençons par diagonaliser dans C la matrice
0 −1
A= . Le polynôme caractéristique de A est
1 0
PA (X) = X 2 + 1 = (X − ı)(X + ı).
Puisque A a deux racines simples ı et −ı, A est diagonalisable, (en vertu du

corollaire 11). Chaque sous-espace propre est une droite vectorielle.
– Pour déterminer un vecteur propre associé à la valeur propre ı, nous devons
résoudre le système
AV = ıV. (8.3)
Le vecteur Vı = (1, −ı) est solution de (8.3). C’est donc un vecteur propre
associé à la valeur propre ı.
– De la même façon, pour déterminer un vecteur propre associé à la valeur
propre −ı, nous devons résoudre le système
AV = −ıV. (8.4)
Le vecteur V−ı = (1, ı) est solution de (8.4). C’est donc un vecteur propre
associé à la valeur propre −ı.
– La matrice de passage P de la base canonique dans la base (Vı , V−ı ) s’écrit
donc :

1 1
P = .
−ı ı
Remarquons qu’un calcul direct, utilisant par exemple le théorème 26),
donne
1 1 ı
P −1 = .
2 1 −ı
– Finalement, la matrice A est semblable à la matrice

ı 0
B= .
0 −ı
On a donc
B = P AP −1 . (8.5)
216
2. Soit Z ∈ M2 (C). Posons
Y = P −1 ZP. (8.6)
On déduit de (8.5) et (8.6) :
Z 2 = A ⇔ Y 2 = P −1 ZP P −1 ZP = P −1 Z 2 P = P −1 AP = B.
Donc
Z 2 = A ⇔ Y 2 = B. (8.7)
Résolvons maintenant l’équation
Y 2 = B. (8.8)
Cette équation est plus facile à résoudre que (8.2) puisque la matrice consi-
dérée est maintenant diagonale. Posons

a b
Y = .
c d
La matrice Y est solution de (8.7) si et seulement si (a, b, c, d) vérifient le

système suivant :

b(a + d) = 0 (L1)



c(a + d) = 0 (L2)


 a2 + bc = ı (L3)
d2 + bc = −ı (L4)

De (L3) et (L4) on déduit que
a + d 6= 0,
puis en utilisant (L1) et (L2),
b = c = 0.
Par suite
1 2
a = √ (1 + i), d = √ (1 − i),
2 2
où 1 , 2 ∈ {1, −1}. Ainsi les solutions de 8.7 sont les quatre matrices
1
!
√
2
(1 + i) 0
2 , 1 , 2 ∈ {1, −1}.
0 √
2
(1 − i)
217
Comme Z est solution (8.2) si et seulement si Y = P −1 ZP est solution de

(8.8), on déduit que (8.2) admet les quatre solutions de Z = P Y P −1 où Y
parcourt l’ensemble des solutions de (8.8). Un calcul immédiat implique que
(8.2) admet les quatre solutions

1 1 −1 1 ı ı
±√ , ±√ .
2 1 1 2 −ı ı
Exercice 66 Soit  
2 0 4
A =  3 −4 12  .
1 −2 5
1. Calculer le polynôme caractéristique PA de A et les valeurs propres de A ?
2. Trouver une base B de R3 formée de vecteurs propres de A.
3. Ecrire la matrice de passage P de la base canonique de R3 à B et calculer
P −1 .
4. En déduire An , n ∈ N.
5. Calculer PA (A).
Solution -
1. Le polynôme caractéristique de A est donné par

2−X 0 4

PA (X) =
3 −4 − X 12
1 −2 5−X

2 − X 2(2 − X) 4
C2 +2C1

= 3 2−X 12
1 0 5−X

2−X 2 4

= (2 − X) 3 1 12
1 0 5−X

−4 − X 0 −20
L1 −2L2
= (2 − X) 3 1 12 on développe suivant C2
1 0 5−X

−4 − X −20
= (2 − X)
1 5−X
= (2 − X)[(X + 4)(X − 5) + 20] = X(X − 1)(2 − X).
218
La matrice A possède trois valeurs propres distinctes 0, 1 et 2. D’après le

corollaire 11 , la matrice A est diagonalisable sur R.
2. Déterminons les sous-espaces propres de A.

On a
E0 = ker(A).
AX = 0,

 x + 2z = 0
3x − 4y + 12z = 0
x − 2y + 5z = 0

Donc x = −2z et y = 32 z. D’où E0 = V ect((−4, 3, 2)).

On a
E1 = ker(A − I3 ).
AX = X,

 x + 4z = 0
3x − 5y + 12z = 0
x − 2y + 4z = 0

Donc x = −4z et y = 0. D’où E1 = V ect((−4, 0, 1)).

On a
E2 = ker(A − 2I3 ).
AX = 2X,

z = 0
x − 2y + 3z = 0
Donc z = 0 et x = 2y. D’où E2 = V ect((2, 1, 0)).

Ainsi
B = {(−4, 3, 2), (−4, 0, 1), (2, 1, 0)}
est une base de R3 formé de vecteurs propres de A.
219
3. La matrice de passage P de la base canonique de R3 à la base B est :

 
−4 −4 2
P = 3 0 1 .
2 1 0
Elle est inversible et pour calculer son inverse, nous allons utilisé la comatrice
de P (cf. Théorème 26). On développe suivant la deuxième colonne et on
obtient
3 1 −4 2
det P = 4
− = 2.
2 0 3 1
 
0 1
3 1 3 0
 1 0 −
2 0 2 1 

 
 −4 2 −4 2 −4 −4
com(P ) = −
 − 
 1 0
2 0 2 1 


 −4 2 −4 2 −4 −4 

0 1
−
3 1 3 0
 
−1 2 3
=  2 −4 −4  .
−4 10 12
Ainsi
− 12
 
1 −2
P −1 = 1 −2 5  .
3
2 −2 6
 
0 0 0
Finalement, A est semblable à la matrice diagonale D = 0 1 0 et on a
0 0 2
D = P −1 AP. (1)
4. On a D = P −1 AP et donc A = P DP −1 . Donc, d’après (5.3), An =

P Dn P −1 . En effectuant ces produits, on obtient
(3.2n − 4) (8 − 2n+2 ) (3.2n+2 − 20)

 
An =  3.2n−1 −2n+1 3.2n+1 .

1 −2 5
220
5. Nous avons vu que PA (X) = −X(X − 1)(X − 2), il en résulte que
PA (A) = −A(A − I3 )(A − 2I3 )

   
2 0 4 1 0 4 0 0 4
=  3 −4 12   3 −5 12   3 −6 12 
1 −2 5 1 −2 4 1 −2 3
  
6 −8 24 0 0 4
= 3 −4 12   3 −6 12 
0 0 0 1 −2 3
 
0 0 0
=  0 0 0 .
0 0 0
1
Exercice 67 On considère la matrice

1 3
A= .
3 1
1. Montrer que A est diagonalisable et expliciter une matrice D diagonale sem-

blable à A.
2. Calculer An pour tout n ∈ N.
3. Application : expliciter en fonction de n les suites(un ) et (vn ) définies par :

un+1 = un + 3vn
vn+1 = 3un + vn
avec u0 = 2 et v0 = 3.
Solution -
1. Le polynôme caractéristique de A est donné par

1−X 3 = (1 − X)2 − 32 = (X + 2)(X − 4).

PA (X) =
3 1−X
La matrice A possède deux valeurs propres distinctes −2 et 4. D’après le

corollaire 11, la matrice A est diagonalisable sur R.
1. Ce résultat (PA (A) = 0) n’est pas un hasard. En effet, le théorème de Cayley-
Hamilton affirme que pour toute matrice carrée A, PA (A) = 0.
221
2. On a
E−2 = ker(A + 2I2 ).
AX = −2X,
où X = (x, y) ∈ R2 . Ce système est équivalent à l’équation : x + y = 0.

Donc E−2 = V ect((1, −1)).
On a
E4 = ker(A − 4I2 ).
AX = 4X,
où X = (x, y) ∈ R2 . Ce système est équivalent à x − y = 0.

Donc E4 = V ect((1, 1)).
Finalement, B = {(1, −1), (1, 1)} est une base de R2 formée de vecteurs
propres de A. La matrice de passage P de la base canonique de R2 à B
est
1 1
P = .
−1 1
Elle est inversible et son inverse est égal à :

−1 1 1 −1
P = .
2 1 1

−2 0
La matrice A est donc semblable à la matrice diagonale D = et on
0 4
a
D = P −1 AP.
3. On a D = P −1 AP et donc A = P DP −1 . Donc, d’après (5.3), An =

P Dn P −1 . En effectuant ces produits, on a :
4n + (−2)n 4n − (−2)n

n 1
A = .
2 4n − (−2)n 4n + (−2)n
4. L’écriture matricielle associée au système est :

un+1 un
=A .
vn+1 vn
222
Donc

un u0
= An
vn v0
(4n + (−2)n )u0 + (4n − (−2)n )v0

1
= 2 (4n − (−2)n )u0 + (4n + (−2)n )v0
5.22n−1 + (−2)n−1

=
5.22n−1 − (−2)n−1
223
8.3 Examen 1
Examen 1
Questions de cours :
1. Donner les tables de vérité des propositions (p =⇒ q) =⇒ r et p =⇒ (q =⇒

r).
2. Donner la définition d’un sous espace vectoriel F d’un R-espace vectoriel E.
3. Donner la forme de la décomposition en éléments simples dans R(X) de la
fraction rationnelle F = 1 avec
Q(X)
r
Y t
Y
Q(X) = (X − ai )αi (X 2 + pj X + qj )βi
i=1 j=1
où αi ≥ 1, ai racine de Q de multiplicité αi , 1 ≤ i ≤ r et X 2 + pj X + qj est

tel que p2j − 4qj < 0, 1 ≤ j ≤ t.
Exercice 1 :
Soit P ∈ R[X] un polynôme de degré égal à 7 tel que P (X) + 1 est divisible
par (X − 1)4 et P (X) − 1 est divisible par (X + 1)4 .
1. Montrer que P 0 (X) est divisible par (X − 1)3 et par (X + 1)3 .
2. En déduire que P 0 (X) est divisible par (X 2 − 1)3 .
3. Trouver P (X).
Exercice 2 :
5 4 2
1. Effectuer la division
√ √ de P (X) = X − 4X + 3X − 17 par
euclidienne
(X − 2 − 5)(X − 2 + 5).
√ √
2. En déduire le calcul de P (2 + 5) et P (2 − 5).
Exercice 3 :
On considère le polynôme P (X) = X 8 + 2X 6 + 3X 4 + 2X 2 + 1.

2π
1. Calculer P (j) et P 0 (j) où j = ei 3 .
224
2. Factoriser P (X) dans C[X], puis dans R[X].
3. Décomposer la fraction F (X) = 1 dans R[X].

P (X)
Exercice 4 :
1. Dans E = R3 montrer que
F = {(x, y, z) / x + 2y + z = 0}
est un R-espace vectoriel.

2. Donner une base de F . Quelle est la dimension de F ?
Exercice 5 :
Dans l’espace vectoriel E = R4 , on donne les vecteurs
a = (0, 1, 1, 1), b = (1, 0, 1, 1), c = (1, 1, 0, 1), d = (1, 1, 1, 0).
1. Démontrer que (a, b, c, d) est une base de E.
2. Quelles sont, dans cette base, les coordonnées du vecteur (1, 2, 3, 4) ?
Exercice 6 :
1. Vérifier que le système de vecteurs de R4 , {V1 , V2 }, où
V1 = (2, 3, 1, 0), V2 = (1, 0, −1, 3)
, est libre.
2. Compléter {V1 , V2 } pour former une base de R4 .
225
8.4 Examen 2
Exercice 1 :
1. Donner la définition du rang d’une matrice A ∈ Mp,n (R).
2. Calculer la forme réduite échelonnée de la matrice suivante :

 
1 2 3 2
A =  3 6 8 5 
6 12 13 7
Expliquer toutes vos étapes.

3. Quel est le rang de A.
Exercice 2 :
1. Pour a ∈ R, calculer la forme réduite échelonnée de la matrice

 
1 1 3 (1 − 4a)
 1 2 4 (2 − 6a) 
3 2 8 (1 − 7a)
Expliquer toutes vos étapes.

2. En déduire la résolution du système linéaire

 x + y + 3z = 1 − 4a
(S) x + 2y + 4z = 2 − 6a
3x + 2y + 8z = 1 − 7a

suivant les valeurs de a.
Exercice 3 :
Considérons la matrice
 
0 0 1
A =  −1 −1 −1 
−2 −1 −2
226
1. Calculer les valeurs propres de A.

2. Pour chaque valeur propre de A, déterminer l’espace propre associé.
3. La matrice A est-elle diagonalisable ? justifier votre réponse.
Exercice 4 :
Soit E2 = {P ∈ R[X] / P = 0 ou dP ≤ 2}. Soit
f : E2 −→ E2
P (X) 7−→ 4XP (0) + 2P (X) + P 0 (X)
où P 0 (X) désigne la dérivée de P (X).

1. Montrer que f est une application linéaire.
2. Soit B = (1, X, X 2 ) la base canonique de E2 . Donner la matrice de f par
rapport à la base B.
3. Déterminer le noyau de f et l’image de f .
4. L’application f est-elle injective ? Est-elle surjective ?
5. Montrer que la suite C = (X + 1, X 2 + X, X 2 ) est une base de E2 .
6. Donner la matrice de f par rapport à la base C.
Exercice 5 :
1. Donner la définition de la comatrice d’une matrice A ∈ Mn (R).

2. Soit  
1 0 −1
B =  3 1 −3 
1 2 −2
(a) Calculer le déterminant de la matrice B.
(b) En utilisant la méthode des déterminants, trouver l’inverse de B.
Exercice 6 :
   
0 1 0 0 0 1
1. Diagonaliser S =  1 0 1  et T =  0 1 0  avec la même
0 1 0 1 0 0
matrice de passage P .
227
2. En déduire la diagonalisation de la matrice

 
a b c
M =  b a+c b 
c b a
où a, b et c ∈ R. Indication : écrire la matrice M comme combinaison

linéaire des matrices I3 , S et T , où I3 est la matrice unité d’ordre 3.
3. Calculer M n , n ∈ N∗ .
228
8.5 Correction examen 1

Questions de cours :
voir le cours.
Exercice 1 :
1. P (X) + 1 divisible par (X − 1)4 implique que 1 est une racine, d’ordre au
moins égal à 4, de P (X) + 1. Donc 1 est une racine d’ordre au moins égal à
3 de P 0 (X). D’où P 0 (X) est divisible par (X − 1)3 .
De même, P (X) − 1 divisible par (X + 1)4 implique que -1 est une racine,
d’ordre au moins égal à 4, de P (X) − 1. Donc -1 est une racine, d’ordre au
moins égal à 3, de P 0 (X). D’où P 0 (X) est divisible par (X + 1)3 .
2. Puisque (X − 1)3 ∧ (X + 1)3 = 1, on a P 0 (X) est divisible par

(X − 1)3 (X + 1)3 = (X 2 − 1)3
.
Or deg(P 0 ) = 6 car deg(P ) = 7. Donc P 0 (X) = α(X 2 − 1)3 où α ∈ R.
3. On a P 0 (X) = α(X 6 − 3X 4 + 3X 2 − 1), donc

1 7 3 5 3
P (X) = α X − X + X − X + β , β ∈ R.
7 5
35
En utilisant le fait que P (1) = −1 et P (−1) = 1, on a β = 0 et α = 16 .
D’où :
35 1 7 3 5 3
P (X) = X − X +X −X .
16 7 5
Exercice 2 :
1. La division euclidienne de
P (X) = X 5 − 4X 4 + 3X 2 − 17
par √ √
(X − 2 − 5)(X − 2 + 5)
implique
√ √
P (X) = (X − 2 − 5)(X − 2 + 5)(X 3 + X + 7) + 29X − 10.
229
2. Il découle de l’égalité ci-dessus que

√ √ √ √
P (2 + 5) = 48 + 29 5 et P (2 − 5) = 48 − 29 5.
Exercice 3 :
1. On a
P (j) = j 8 + 2j 6 + 3j 4 + 2j 2 + 1
= 3(j 2 + j + 1)
= 0 (car j 3 = 1 et j 2 + j + 1 = 0)
de même, on montre que P 0 (j) = 0.
2. Comme P (X) est un polynôme pair, on a P 0 (X) est impair et P (−j) =
P 0 (−j) = 0.
Puisque P est un polynôme à coefficients réels, on aussi P (j) = 0 , P 0 (j) =
0 , P (−j) = 0 et P 0 (−j) = 0.
Il vient de tout ce qui précède que j, −j, j et −j sont des racines doubles de
P (X). Donc
P (X) = (X − j)2 (X + j)2 (X − j)2 (X + j)2 dans C[X].
et
P (X) = (X 2 + X + 1)2 (X 2 − X + 1)2 dans R[X].
A
3. Posons F = B = (X−j)2 (X+j)21(X−j)2 (X+j)2 .
La fraction F est irréductible car le numérateur est une constante non nulle.
La partie entière est nulle puisque le degré du polynôme A est strictement
inférieur à celui de B.
Le polynôme B est factorisé en polynômes irréductibles.
La forme de la décomposition en éléments simples de F est :
a1 X + b1 a2 X + b2 c1 X + d1 c2 X + d2
F = 2
+ 2 2
+ 2 + ,
X + X + 1 (X + X + 1) X − X + 1 (X 2 − X + 1)2
où ai , bi , ci , di , 1 ≤ i ≤ 2, sont des nombres réels à déterminer.

La fraction F est paire. Il vient de l’unicité de la décomposition en éléments
simples que a1 = −c1 , a2 = −c2 , b1 = d1 et b2 = d2 .
En multipliant l’expression ci-dessus par (X 2 + X + 1)2 et en donnant à X
i2π
la valeur j = e 3 , on a :
j
a2 j + b2 =
4
230
donc a2 = 14 et b2 = 0.
En donnant à X les valeurs particulières X = 1 et X = 2 par exemple, on
a:
1 X 1 X 1 X +1 1 1−X
F =− 2
+ 2 2
+ + .
4 X − X + 1 4 (X + X + 1) 2 X + X + 1 2 (X − X + 1)2
2 2
Exercice 4 :
1. F = {(x, y, z) / x + 2y + z = 0} = V ect((1, 0, −1), (0, 1, −2)). Donc F est un

sous espace vectoriel de R3 , c’est un R-espace vectoriel.
2. La suite ((1, 0, −1), (0, 1, −2)) est génératrice de F . Elle est libre car
α(1, 0, −1) + β(0, 1, −2) = 0R3 implique α = β = 0. Donc la famille
((1, 0, −1), (0, 1, −2))
est une base de F et par conséquent dim F = 2.
Exercice 5 :
Soit E = R4 et soient les vecteurs a = (0, 1, 1, 1), b = (1, 0, 1, 1), c = (1, 1, 0, 1)

et d = (1, 1, 1, 0) de E.
1. On sait que dim(R4 ) = card(a, b, c, d) = 4. Pour démontrer que la suite
(a, b, c, d) est une base de E, il suffit de montrer qu’elle est libre. Soient
α, β, γ, δ ∈ R tels que α.a + β.b + γ.c + δd = (0, 0, 0). On obtient le système


 β + γ + δ = 0 (1)
α + γ + δ = 0 (2)


 α + β + δ = 0 (3)
α + β + γ = 0 (4)

Si on retranche de 13 [(1)+(2)+(3)+(4)] séparemment les équations (1), (2), (3)

et (4), on obtient α = β = γ = δ = 0. Donc (0, 0, 0, 0) est l’unique solution
du système.
2. Pour chercher les coordonnées d’un vecteur x = (x1 , x2 , x3 , x4 ) dans la
base (a, b, c, d), on résoud le système


 β + γ + δ = x1 (1)
α + γ + δ = x2 (2)


 α + β + δ = x3 (3)
α + β + γ = x4 (4)

231
Si on retranche de 13 [(1)+(2)+(3)+(4)] séparemment les équations (1), (2), (3)

et (4), on obtient α = 31 (−2x1 +x2 +x3 +x4 ), β = 13 (x1 −2x2 +x3 +x4 ), γ =
1 1
3 (x1 + x2 − 2x3 + x4 ) et δ = 3 (x1 + x2 + x3 − 2x4 ).
par exemple, le vecteur (1, 2, 3, 4) s’écrit dans la base (a, b, c, d) : (1, 2, 3, 4) =
7 4 1 2
3 a + 3 b + 3 c − 3 d).
Exercice 6 :
1. Le système {V1 , V2 } est libre. En effet αV1 + βV2 = 0R4 implique 2α + β =

3α = α − β = 3β = 0. Donc α = β = 0.
2. On complète la suite {V1 , V2 } par 2 vecteurs de la base canonique de R4 . Par

exemple, on prend V3 = (1, 0, 0, 0) et V4 = (0, 1, 0, 0). La suite (V1 , V2 , V3 , V4 )
est une base de R4 car elle est libre. En effet, αV1 + βV2 + γV3 + δV4 = 0R4
implique 2α + β + γ = 3α + δ = α − β = 3β = 0. Donc α = β = γ = δ = 0.
232
8.6 Correction examen 2

Exercice 1 :
1. Voir le cours.
2. Notons par L1 , L2 , L3 les lignes et C1 , C2 , C3 les colonnes des tableaux
ci-dessous :
Etape 1 : on choisit le pivot égal à 1
     
1 2 3 2 L1 1 2 3 2 L1
 3 6 8 5   L2  −→  0 0 −1 −1   L2 − 3L1 
6 12 13 7 L3 0 0 −5 −5 L3 − 6L1
Etape 2 : on choisit le pivot égal à -1, pour cela on permute les colonnes C2
et C3 , on a
     
1 3 2 2 L1 1 3 2 2 L1
 0 −1 0 −1   L2  −→  0 −1 0 −1   L2 
0 −5 0 −5 L3 0 0 0 0 L3 − 5L2
3. Il découle de la question 2. que le rang de la matrice A est égal à 2.
Exercice 2 :
1. Notons par L1 , L2 , L3 les lignes des tableaux ci-dessous :

Etape 1 : on choisit le pivot égal à 1
     
1 1 3 (1 − 4a) L1 1 1 3 (1 − 4a) L1
 1 2 4 (2 − 6a)   L2  −→  0 1 1 (1 − 2a)   L2 − L1 
3 2 8 (1 − 7a) L3 0 −1 −1 (−2 + 5a) L3 − 3L1
Etape 2 : on choisit le pivot égal à 1, on a

     
1 1 3 (1 − 4a) L1 1 1 3 (1 − 4a) L1
 0 1 1 (1 − 2a)   L2  −→  0 1 1 (1 − 2a)   L2 
0 −1 −1 (−2 + 5a) L3 0 0 0 (−1 + 3a) L3 + L2
2. Le système linéaire (S) est équivalent au système


 x + y + 3z = 1 − 4a
y + z = 1 − 2a
0 = −1 + 3a

233
1
Si a 6= 3 alors l’ensemble des solutions S est vide : S = ∅.
1
Si a = 3 alors
2 1
S= − − 2z, − z, z / z ∈ R .
3 3
Exercice 3 :
1. Le polynôme caractéristique associé à la matrice A est donné par :

−X 0 1

PA (X) =
−1 −1 − X −1

−2 −1 −2 − X
on remplace la ligne 1 par ligne 1 + ligne
2
−(1 + X) −(1 + X) 0

=
−1 −(1 + X) −1

−2 −1 −(2 + X)
1 1 0

= −(1 + X) −1 −(1 + X) −1

−2 −1 −(2 + X)
on remplace la colonne
2 par colonne 2 - colonne
1
1 0 0

= −(1 + X) −1 −X −1

−2 1 −(2 + X)
on développe par
rapport à la ligne
1
−X −1
= −(1 + X)
1 −(2 + X)
= −(1 + X)3
La matrice A possède une seule valeur propre triple : λ = −1.
2. Pour déterminer le sous-espace propre E−1 = ker(A + I3 ), on résoud le

système AX = −X, où X = (x, y, z) ∈ R3 . Ce système est équivalent à

x + z = 0
2x + y + z = 0
Donc −x = y et z = −x. D’où E−1 = V ect(1, −1, −1).
3. La matrice A n’est pas diagonalisable car dim E−1 = 1 < 3 = multiplicité de

la valeur propre λ = −1.
234
Exercice 4 :
Soient E2 = {P ∈ R[X] / P = 0 ou dP ≤ 2}, B la base canonique de E2 et

f : E2 −→ E2
P (X) 7−→ 4XP (0) + 2P (X) + P 0 (X)
où P 0 (X) désigne la dérivée de P (X).
1. f est une application linéaire. En effet, pour tous P, Q ∈ E2 et pour tout
α ∈ R, on a :
f (αP + Q) = 4X(αP + Q)(0) + 2(αP + Q)(X) + (αP + Q)0 (X)
= α(4XP (0) + 2P (X) + P 0 (X)) + 4XQ(0) + 2Q(X) + Q0 (X)
= αf (P ) + f (Q).
2. On a f (1) = 4X + 2 , f (X) = 2X + 1 , f (X 2 ) = 2X 2 + 2X.

Donc  
2 1 0
A = M (f, B) =  4 2 2 
0 0 2
3. Pour déterminer ker f , on résoud l’équation AX = 0E2 , X = (x1 , x2 , x3 ), on
a 
 2x1 + x2 = 0 (1)
x2 = −2x1
2x1 + x2 + x3 = 0 (2) =⇒
x3 = 0
x3 = 0 (3)

Donc ker f = {α(1 − 2X) / α ∈ R}.
Imf = V ect(f (1), f (X), f (X 2 ))

= V ect(4X + 2, 2X + 1, 2X 2 + 2X)
les polynm̂es 4X + 2 et 2X + 1 sont liés
= V ect(2X + 1, 2X 2 + 2X)
les polynm̂es 2X + 1 et 2X 2 + 2X sont libres car de degrés 6=
4. L’application f n’est pas injective car ker f 6= {0E2 }. Elle n’est pas surjec-
tive car sinon Imf = V ect(2X + 1, 2X 2 + 2X) = E2 mais dim Imf = 2 <
dim E2 = 3.
5. Il suffit de montrer que la suite C = (X + 1, X 2 + X, X 2 ) est libre

car elle contient 3 vecteurs et dim E2 = 3. Soient α, β, γ ∈ R tels que
α(X + 1) + β(X 2 + X) + γX 2 = 0E2 . Ceci implique α = α + β = β + γ = 0,
donc α = β = γ = 0.
235
6. La matrice de f par rapport à la base C est obtenue de la façon suivante :

Soi P la matrice de passage de la base B à la base C, on a
 
1 0 0
P = 1 1 0 
0 1 1
Elle est inversible et son inverse P −1 est obtenu, par la résolution du système
P X = Y , X = (x, y, z) et Y = (x0 , y 0 , z 0 ). On a
 
1 0 0
P −1 =  −1 1 0 
1 −1 1
Finalement,
   
1 0 0 2 1 0 1 0 0
A = M (f, C) = P −1 AP =  −1 1 0   4 2 2  1 1 0 
1 −1 1 0 0 2 0 1 1
 
3 1 0
−1
A = M (f, C) = P AP =  3 3 2 .
−3 −1 0
Exercice 5 :
1. Voir le cours.
2. Soit  
1 0 −1
B =  3 1 −3 
1 2 −2
(a) On ajoutant la colonne C1 à la colonne C3 , on a :

1
0 −1 1 0 0

det(B) = 3 1 −3 = 3 1 0 = −1

1 2 −2 1 2 −1
(b) La comatrice de la matrice B est :


−3 −3 3 1

1
3
−
 2
 −2 1 −2 1 2 

 0 −1 1 −1 1 0 
com(B) =   − 2 −

 −2 1
−2 1 2


 0 −1 1 −1 1 0 
−
1 −3 3 −3 3 1
236
 
4 3 5
com(B) =  −2 −1 −2  .
1 0 1
Donc  
−4 2 −1
B −1 =  −3 1 0  .
−5 2 −1
Exercice 6 :
1. Le polynôme caractéristique, associé à la matrice S est :

−X 1 0

PS (X) = 1
−X 1
0 1 −X
on remplace la ligne 1 par ligne
1 - ligne 3
−X 0 X

=
1 −X 1

0
1 −X
1
0 −1
= −X 1 −X
1
0 1 −X
on remplace la colonne
3 par colonne 3 + colonne 1
1 0 0

= −X 1 −X 2
0 1 −X
on développe par rapport à la ligne 1
−X 2
= −X
1 −X√ √
= 2
−X(X − 2) = −X(X − 2)(X + 2)
√ √
La matrice S possède les v.p. simples : λ = 0, λ = 2 et λ = − 2. La
matrice S est alors diagonalisable sur R.
Pour déterminer le sous-espace propre E0 = ker(D), on résoud le système
SX = 0, où X = (x, y, z) ∈ R3 .

y = 0
x+z = 0
237
Donc x = −z et y = 0. D’où E0 = V ect((1, 0, −1)).

Pour déterminer le sous-espace propre E√2 , on résoud le système SX =
√
2X, où X = (x, y, z) ∈ R3 . Ce système est équivalent à
 √
 − √ 2x + y = 0
x − 2y√ +z = 0
y − 2z = 0

√ √
Donc x = z et y = 2x. D’où E√2 = V ect((1, 2, 1)).
Pour déterminer le sous-espace propre E−√2 , on résoud le système SX =
√
− 2X, où X = (x, y, z) ∈ R3 . Ce système est équivalent à
 √
 2x
√ +y = 0
x + 2y√ + z = 0
y + 2z = 0

√ √
Donc x = z et y = − 2x. D’où E−√2 = V ect((1, − 2, 1)).
Le polynôme caractéristique, associé à la matrice T est :

−X 0 1

PT (X) = 0
1−X 0
1 0 −X
on remplace
la ligne 1 par ligne 1 + ligne 3
1−X 0 1 − X

=
0 1−X 0

1 0 −X
1 0 1
2

= (1 − X) 0 1
0
1 0 −X
on développe par rapport à la ligne 2
= −(X − 1)2 (X + 1).
La matrice T possède les v.p. λ = 1 double et λ = −1 simple. La matrice T

est diagonalisable sur R car dim E−1 = 1 et dim E1 = 2. En effet,
Pour déterminer le sous-espace propre E1 , on résoud le système T X = X,

x−z = 0
Donc x = z et y ∈ R. D’où E1 = V ect((1, 0, 1), (0, 1, 0)).

Pour déterminer le sous-espace propre E−1 , on résoud le système T X = −X,
238

x+z = 0
y = 0
Donc x = −z et y = 0. D’où E−1√= V ect((1, 0, −1)).

√
Puisque les vecteurs propres (1, 2, 1) et (1, − 2, 1) de la matrice S sont
aussi des vecteurs propres de la matrice T pour la valeur propre 1, on consi-
dère la matrice P telle que :
 
1 √1 1
√
P =  0 2 − 2 
−1 1 1
Elle est inversible et son inverse P −1 est obtenu, par la résolution du système
P X = Y , X = (x, y, z) et Y = (x0 , y 0 , z 0 ). On a
 
2 √0 −2
1
P −1 =  1 √2 1 
4
1 − 2 1
On a  
0 √0 0
P −1 SP = D1 =  0 2 0 
√
0 0 − 2
et  
−1 0 0
P −1 T P = D2 =  0 1 0 
0 0 1
2. On sait que S = P D1 P −1 et T = P D2 P −1 et M = aI3 + bS + cT , donc
M = aI3 + bS + cT = P (aI3 + bD1 + cD2 )P −1 .
et la matrice aI3 + bD1 + cD2 = D est diagonale.
3. On a M n = P Dn P −1 avec
(a − c)n
 
√ 0 0
Dn =  0 (a + 2b + c)n √0
.
0 0 (a − 2b + c)n
Index
d’Alembert, théorème de, 39 racine d’un polynôme, 37

rang d’un système linéaire, 173
algorithme d’Euclide, 34 rang d’une matrice, 158
algorithme de Gauss, 185 relation binaire, 16
anneau, 22
sous-espace propre, 199
Bezout, 33 spectre, 198
système homogène, 176
cofacteur, 157 système linéaire, 173
comatrice, 157 système linéaire échelonné, 184
connecteur logique, 8
corps, 22 table de vérité, 7
théorème de Rouché et Fontené, 180
diagonalisation, 197
division euclidienne, 31 valeur propre, 198
décomposition en facteurs irréductibles, vecteur propre, 198
40
formule de Taylor, 37
Formules de Cramer, 175
Gauss, 35
groupe, 21
irréductible, polynôme, 33
matrice diagonale, 197
partie pôlaire, 60
pivot de Gauss, 184
plus grand diviseur commun, 33
polynôme caractéristique, 200
polynôme normalisé, 32
pôle, 60
239

Cours Algébre MIP S1 + Exercices

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cours Algébre MIP S1 + Exercices

Încărcat de

Drepturi de autor:

Formate disponibile

Algèbre I pour la Licence Scientifique

Filières SMP, SMC, MIPC et Prépa.

Professeur Mostafa ABOUNOUH

Professeur à l’Université Cadi-Ayyad

1 Logique, raisonnement et langage mathématique 7

2 Polynômes réels ou complexes 29

4 Espaces vectoriels et applications linéaires 75

4.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 77

5 Matrices réelles ou complexes 117

7 Systèmes linéaires 173

7.4 Exercices corrigés . . . . . . . . . . . . . . . . . . . . . . . . . 189

8 Diagonalisation des endomorphismes 197

Logique, raisonnement et langage

1.1 Eléments de logique

Définition 2 Etant donné un ensemble E, on appelle forme propositionnelle

Exemple - Pour E = N, on considère la forme propositionnelle à une

A une proposition, notée p, correspond les deux valeurs de vérité :

kp : 17 n’est pas un multiple de 2.

On appellera connecteur logique toute opération sur deux propositions.

1. La conjonction logique : le connecteur logique et,noté ∧, défini par

(a) La proposition (3 < 5) =⇒ (3 < 7) est vraie.

La proposition (p =⇒ q) est logiquement équivalente à la proposition

(a) (5 est premier) ⇐⇒ (4 est pair) est une équivalence vraie.

1.2 Raisonnements mathématiques

Exemple - Nous allons démontrer par déduction que si n est un

Exemple - Nous allons démontrer, pour tout (x, x0 ) ∈ R2 , l’implica-

Or, si 5x + 7 = 5x0 + 7, on a en simplifiant : 5x = 5x0 et donc x = x0 .

et donc q est vraie.

Exemple - Nous allons démontrer par absurde la proposition sui-

Or la proposition r est fausse puisque D00 n’est pas perpendiculaire

Exemple - Nous allons montrer par récurrence que, pour tout n ∈

1.3 Ensemble, éléments, appartenance, inclu-

Exemple - {?, ◦, 4} est un ensemble qui contient une étoile, un cercle et

Si E est un ensemble et ♦ un objet, la phrase ♦ est un élément de E est

Exemple - Dans l’exemple ci-dessus, si on pose E = {?, ◦, 4} alors, on a

L’inclusion entre deux ensembles est une relation importante. Un en-

sont tous les sous-ensembles de E. Cet ensemble est noté P(E).

Exemple - Soit E = {a, b}. On a

P(E) = {∅, {a}, {b}, {a, b}}.

Ainsi, on a a ∈ E, {a} ⊂ E et {a} ∈ P(E). Le même objet {a} est à la fois

On a les propriétés suivantes :

∀x ∈ E, p(x) est vraie,

qui se lit "pour tout x élément de E, p(x) vraie" ou "quelque soit x

Exemple - La proposition p : (pour tout nombre réel x, il existe un

est vraie alors que la proposition

1.5 Relations binaires et applications

Exemple - Si E = R, l’ensemble des éléments (x, y) avec x ∈ R et y ∈ R est

Produit cartésien de deux ensembles : Soient E et F deux ensembles.

Si E = F , on note E 2 le produit E × E. Cette notion de produit se généralise

Exemple - Pour E = R, R2 est le plan considéré dans l’exemple ci-dessus.

Exemple - Pour E = F = R, l’égalité x = y et l’inégalité x ≤ y sont des

Une relation binaire R dans un ensemble E est dite :

La classe de a, modulo R, est l’ensemble des éléments x de E équivalents à

Exemple - (Congruence modulo 2 dans l’ensemble Z des entiers relatifs)

Relation d’ordre : Une relation binaire définie dans un ensemble E, non

1. ∀A ∈ P(E) l’inclusion A ⊂ A est toujours vraie et donc ⊂ est re-

Egalité de deux fonctions : On dira que deux fonctions f et g sont égales

Image, image réciproque d’une partie : L’image d’une partie A de E,

f (A) = {f (x), x ∈ A} = {y ∈ F/ ∃x ∈ A : y = f (x)}.

L’image réciproque d’une partie B de F est l’ensemble des éléments x de E

f −1 (B) = {x ∈ E ; f (x) ∈ B}.

Exemple - Soient E = {a, b, c, d, e, k} , F = {1, 2, 3, 4} et f est définie par

f ({c, d, e, k}) = {1, 3, 4} et f −1 ({1, 3}) = {c, d, a}.

Une fonction de E vers F , dont l’ensemble de définition est E, s’appelle

kP : ∃ > 0, ∀α > 0, ∃x ∈ R tel que |x−x0 | < α et |f (x)−f (x0 )| ≥ .