HK B/L Lycée Henri-IV

Cours de mathématiques

Année scolaire 2021-2022

2
 3

朱评漫学屠龙于支离益，单千金之
家。三年技成，而无所用其巧。

——《庄子》
4
Table des matières

1 Fondements 9
1.1 Éléments de logique et vocabulaire mathématique . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1 Ensemble des parties d’un ensemble E . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Produit cartésien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Entiers naturels, calculs de sommes et de produits . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Principe de récurrence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.2 Calcul de sommes et de produits . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Nombres réels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Opérations dans R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.2 Résoudre des équations et des inéquations . . . . . . . . . . . . . . . . . . . . . . . 23
1.5.3 Borne supérieure et inférieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5.4 Valeur absolue et partie entière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 Suites réelles 27
2.1 Suites convergentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Limites infinies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Exemples de suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.1 Suite arithmético-géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.2 Suite récurrente linéaire d’ordre 2. Hors-programme ! . . . . . . . . . . . . . . . . . 33

3 Dénombrement 35
3.1 Applications et parties finies de N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Cardinal d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Coefficients binômiaux et formule du binôme de Newton . . . . . . . . . . . . . . . . . . . 40

4 Fonction de la variable réelle 43

4.1 Fonctions usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.1 Fonction exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.1.2 Fonction logarithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.1.3 Fonctions puissances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1.4 Fonctions trigonométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2 Limite et continuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3 Étude globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Dérivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.5 Dérivées successives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.6 Primitives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.7 Intégration sur un segment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.8 Méthodes de calcul d’intégrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.8.1 Méthode directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.8.2 Intégration par parties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.8.3 Changement de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

5
6 TABLE DES MATIÈRES

4.9 Sommes de Riemann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.10 Construction de la fonction exponentielle et de la fonction logarithme . . . . . . . . . . . 71

5 Matrices et systèmes linéaires 73

5.1 Ensemble de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2 Opérations dans Mn,p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.3 Matrices inversibles, G`n (K) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.4 Matrices symétriques et antisymétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.5 Système linéaire de n équations à p inconnues . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.6 Écriture matricielle et structure de l’ensemble solution . . . . . . . . . . . . . . . . . . . . 82
5.6.1 Écriture matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.6.2 Structure de l’ensemble solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.7 Système de Cramer et méthode du pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . 82
5.7.1 Système de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.7.2 Opérations élémentaires et méthode du pivot de Gauss . . . . . . . . . . . . . . . . 83

6 Équivalence et négligeabilité 87
6.1 Comparaison de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.1.1 Négligeabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.1.2 Équivalence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.2 Étude asymtotique de suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.2.1 Négligeabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.2.2 Équivalence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

7 Séries 93
7.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.2 Critère de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.3 Séries de références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

8 Probabilités discrètes 101

8.1 Observation d’une expérience aléatoire - Événements . . . . . . . . . . . . . . . . . . . . . 101
8.2 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
8.3 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.4 Événements indépendants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.5 Variable aléatoire discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
8.6 Loi d’une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
8.6.1 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.7 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
8.7.1 Variables aléatoires finies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
8.7.2 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.8 Inégalités et loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
8.8.1 Loi faible des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.8.2 Intervalle de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.8.3 Inégalité de Chernoff (HP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.9 Séries doubles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.10 Couples de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
8.10.1 Lois conjointes, lois marginales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
8.10.2 Somme de variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.10.3 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
TABLE DES MATIÈRES 7

9 Algèbre linéaire 125

9.1 Calculs dans Rn et généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.2 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9.2.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9.2.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.2.3 Sous-espace engendré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
9.2.4 Famille libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
9.2.5 Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
9.2.6 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
9.2.7 Sommes de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
9.3 Théorie de la dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
9.3.1 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
9.3.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
9.3.3 Rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
9.3.4 Sommes de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
9.4 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
9.4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
9.5 Noyau et image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
9.5.1 Dimension finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
9.5.2 Projecteur et symétrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
9.5.3 Endomorphisme induit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
9.6 Matrices, le retour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
9.6.1 Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
9.6.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
9.6.3 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8 TABLE DES MATIÈRES
Chapitre 1

Fondements

1.1 Éléments de logique et vocabulaire mathématique

Définition 1

On appelle proposition toute phrase P dont on peut dire si elle est vraie ou fausse. Lorsque
l’énoncé d’une proposition porte sur une variable x, on peut écrire P(x) que l’on appelle prédicat
(mais nous n’utiliserons jamais ce terme).

Exemple 1.1.
ˆ Pour tout réel x, “x2 + 1 > 0” est vraie.
ˆ P(x) := “(x − 3)(x − 2) ≥ 000 est vraie si x ≤ 2 ou si x ≥ 3 mais est fausse sinon.

Définition 2 (Quantificateurs)

ˆ ∀ se lit “pour tout” ou “quelque soit”

ˆ ∃ se lit “il existe”
ˆ ∃! se lit “il existe un unique”
ˆ ∈ se lit “appartient”

Exemple 1.2. On essaiera désormais de privilégier les quantificateurs afin d’être plus concis
ˆ ∀x ∈ R, x2 + 1 > 0
ˆ ∃!x ∈ [0, +∞[ tel que x2 + x = 12
ˆ ∀x ∈ R, ∃n ∈ N tel que n ≥ x

Pour s’entraı̂ner. Exercices 1 et 2

Remarque. L’ordre des quantificateurs est important. “∃n ∈ N, ∀x ∈ R, n ≥ x00 est fausse !
On peut échanger des quantificateurs identiques mais pas des quantificateurs différents.
On n’utilise pas les quantificateurs au milieu d’une phrase en français !

Remarque. Pour montrer une proposition de la forme : ∀x ∈ E, P(x), on commencera systématiquement

par : Soit x ∈ E.
Pour montrer une proposition de la forme : ∃x ∈ E, P(x), l’objectif est soit de donner explicitement une
valeur de x qui convient, soit utiliser un théorème qui nous assure l’existence d’un tel x (par exemple le
théorème des valeurs intermédiaires que l’on reverra plus tard).

9
10 CHAPITRE 1. FONDEMENTS

Définition 3

Étant données deux propositions P et Q, on construit les nouvelles propositions suivantes :

ˆ non P qui est la négation de P
ˆ P et Q qui est la conjonction de P et Q
ˆ P ou Q qui est la disjonction de P et Q
ˆ P ou bien Q qui est la disjonction exclusive de P et Q
ˆ P =⇒ Q qui est l’implication de Q par P
ˆ P ⇔ Q qui est l’équivalence entre P et Q
On peut construire les tables de vérité de ces propositions :
P Q P et Q P ou Q P ou bien Q P =⇒ Q P⇔Q
V V V V F V V
F V F V V V F
V F F V V F F
F F F F F V V

Exemple 1.3.
ˆ ∀x ∈ R, x3 = ex =⇒ x ≥ 0
ˆ ∀x, y ≥ 0, 1+x
1 1
≤ 1+y ⇔x≥y
Remarque. On appelle réciproque de P =⇒ Q l’implication Q =⇒ P.
Si P =⇒ Q est vraie, alors on dit que P est une condition suffisante pour Q et on dit que Q est une
condition nécessaire pour P.
Si P ⇔ Q est vraie, alors on dit que P est une condition nécessaire et suffisante pour Q, on dit que P et
Q sont équivalentes.
Deux propositions sont équivalentes si elles ont même table de vérité.

Proposition 1 (Négation de proposition)

La négation de ∀x, P(x) est ∃x, non P(x)

La négation de ∃x, P(x) est ∀x, non P(x)

Exemple 1.4.
ˆ non [∀n ∈ N, un+1 ≥ un ] ⇔ ∃n ∈ N, un+1 < un
ˆ non [∃x ∈ R, f (x) = 0] ⇔ ∀x ∈ R, f (x) 6= 0
ˆ non [∀M ∈ R+ , ∃N ∈ N, ∀n ≥ N, un ≥ M ] ⇔ ∃M ∈ R+ , ∀N ∈ N, ∃n ≥ N, un < M

Pour s’entraı̂ner. Exercices 3,4 et 5

Remarque. On rappelle que l’on peut intervertir des quantificateurs identiques mais pas des quantificateurs
différents.

Théorème 1 (Contraposition)

Soit P et Q deux propositions, alors

(P ⇒ Q) ⇔ (non Q ⇒ non P)
1.1. ÉLÉMENTS DE LOGIQUE ET VOCABULAIRE MATHÉMATIQUE 11

Démonstration. Vérifier que les tables de vérité sont les mêmes.

Exemple 1.5. Soit A, B ∈ R, montrer que (∀ε > 0, A < B + ε) ⇒ (A ≤ B).

La contraposée s’écrit (A > B) ⇒ (∃ε > 0, A ≥ B + ε). On prend ε = A − B > 0 alors A ≥ B + ε = A

Théorème 2 (Démonstration par l’absurde)

Soit P et Q deux propositions, alors

(P ⇒ Q) ⇔ non (P et non Q)

Démonstration. Vérifier que les tables de vérité sont les mêmes.

Exemple 1.6.
ˆ Soit a, b ≥ 0, montrer que 1+b a
= 1+ab
⇒ a = b.
a b
On suppose que a 6= b et 1+b = 1+a . Donc a + a2 = b + b2 et a2 − b2 = −(a − b). Comme a − b 6= 0,
√ par a − b et on obtient a + b = −1 ce qui est impossible car a et b sont positifs.
on peut factoriser
ˆ Montrer que 2 ∈ /√Q. √
On suppose que 2 ∈ Q, donc ∃p ∈ Z, q ∈ N∗ , p et q premiers entre eux, tels que 2 = pq . Ainsi
2q 2 = p2 . Donc 2|p2 , comme 2 est premier, 2|p et ∃m ∈ N, p = 2m. On obtient alors 2q 2 = 4m2 , donc
q 2 = 2m2 et avec le même raisonnement que précédemment, on obtient 2|q ce qui est absurde car p
et q sont censés être premiers entre eux.

Pour s’entraı̂ner. Exercice 6

Méthode (Raisonnement par analyse-synthèse)

Le raisonnement par analyse-synthèse permet de déterminer les solutions d’une équation,

démontrer une existence, démontrer existence et unicité. Son principe est le suivant : on com-
mence par l’analyse, on suppose l’existence d’une solution du problème, il faut ensuite, par
déductions successives, limiter le plus possible l’ensemble d’appartenance des solutions. Si on
trouve un seul élément possible, alors on a prouvé l’unicité en cas d’existence. Ensuite, on fait
la synthèse, on vérifie si les solutions possibles trouvées lors de l’analyse sont bien solutions.

Exemple 1.7. Montrer que pour toute fonction f de R dans R, il existe un unique couple de fonctions
(g, h) tel que g est paire, h impaire et f = g + h.
Analyse : Soit f une fonction de R dans R, g paire, h impaire telles que f = g + h. On a ainsi pour tout
x ∈ R, f (x) = g(x) + h(x) et f (−x) = g(−x) + h(−x) = g(x) − h(x). En sommant ces deux égalités, on
obtient g(x) = f (x)+f
2
(−x)
et h(x) = f (x)−f
2
(−x)
. Ce qui prouve l’unicité en cas d’existence.
Synthèse : Soit f une fonction de R dans R, on pose g : x 7→ f (x)+f 2
(−x)
et h : x 7→ f (x)−f
2
(−x)
. On a ainsi,
f (−x)+f (x) f (−x)−f (x)
pour tout x ∈ R, g(x) + h(x) = f (x). De plus, g(−x) = 2 = g(x) et h(−x) = 2 = −h(x)
donc g est paire et h impaire, d’où l’existence.
√
Exemple 1.8. Résolution de l’équation x + 2 = x pour x ≥ 2.
Analyse : Soit x ≥ 2, on suppose que x est solution de l’équation. En élevant au carré, on obtient x+2 = x2 ,
on obtient ainsi x ∈ {−1, 2}. √
Synthèse : On vérifie si les candidats√trouvés lors de l’analyse sont solutions de l’équation : −1 + 2 =
1 6= −1 donc −1 n’est pas solution ; 2 + 2 = 2 donc 2 est solution.
L’unique solution de l’équation est 2.
12 CHAPITRE 1. FONDEMENTS

1.2 Ensembles
Définition 4

On considère A et B deux ensembles.

x ∈ A signifie que l’élément x appartient à l’ensemble A.
A ⊂ B signifie que A est inclus dans B i.e. tout élément de A est un élément de B, ∀x ∈ A, x ∈ A.
A = B signifie que A est égal à B, et c’est équivalent à A ⊂ B et B ⊂ A.
Il existe un unique ensemble n’ayant aucun élément. Cet ensemble est appelé l’ensemble vide
et est noté ∅. L’ensemble vide est inclus dans tout ensemble E.
Un ensemble constitué d’un seul élément est appelé singleton. Un ensemble constitué de deux
éléments est appelé une paire.

Proposition 2 (Double inclusion)

Soit A et B deux ensembles, on a

A = B ⇔ (A ⊂ B et B ⊂ A)

Démonstration. On suppose que A = B, on a ainsi pour tout x ∈ A, x ∈ B et de même pour tout

x ∈ B, x ∈ A donc A ⊂ B et B ⊂ A.
On suppose que A ⊂ B et B ⊂ A. Si x ∈ A alors x ∈ B et de même si x ∈ B alors x ∈ A, donc
x ∈ A ⇔ x ∈ B, ce qui signifie A = B.

Remarque. Pour montrer l’égalité entre deux ensembles, on procédera très souvent par double inclusion.

1.2.1 Ensemble des parties d’un ensemble E

Définition 5 (Partie de E)

Soit E un ensemble. On appelle partie de E tout ensemble A inclus dans E. On note P(E)
l’ensemble des parties de E. Ainsi A ∈ P(E) ⇔ A ⊂ E.

Exemple 1.9. Si E = {1, 2, 3, 4}, alors

n
P(E) = ∅, {1}, {2}, {3}, {4}, {1, 2}, {1, 3}, {1, 4}, {2, 3}, {2, 4}, {3, 4},
o
{1, 2, 3}, {1, 2, 4}, {1, 3, 4}, {2, 3, 4}, {1, 2, 3, 4}

Pour s’entraı̂ner. Exercice 8

Définition 6

Étant donné A et B deux parties de E, on construit les nouvelles parties de E suivantes :

A ∩ B = {x ∈ E, x ∈ A et x ∈ B}, intersection de A et B
A ∪ B = {x ∈ E, x ∈ A ou x ∈ B}, union de A et B
A \ B = {x ∈ E, x ∈ A et x ∈/ B}, différence de A et B
A = {x ∈ E, x ∈/ A}, complémentaire de A dans E.
A∆B = (A ∪ B) \ (A ∩ B), différence symétrique de A et B.
1.2. ENSEMBLES 13

Pour s’entraı̂ner. Exercices 7 et 9

Remarque. On peut faire un lien entre les connecteurs logiques et ces opérations ensemblistes : Soit A et
B deux ensembles, on a alors :
ˆ (x ∈ A ou x ∈ B) ⇔ x ∈ A ∪ B
ˆ (x ∈ A et x ∈ B) ⇔ x ∈ A ∩ B
ˆ (x ∈ A =⇒ x ∈ B) ⇔ A ⊂ B

Proposition 3 (Distributivité, lois de Morgan)

Soit A, B et C des parties de E

1. A ∩ B = B ∩ A, A∪B =B∪A
2. A ∩ (B ∩ C) = (A ∩ B) ∩ C
A ∪ (B ∪ C) = (A ∪ B) ∪ C
3. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) Distributivité
4. (A ∩ B) = A ∪ B
(A ∪ B) = A ∩ B Lois de Morgan

Pour s’entraı̂ner. Exercices 10, 11 et 12

Définition 7 (Parties disjointes)

On dit que deux parties A et B de E sont disjointes si et seulement si A ∩ B = ∅

Exemple 1.10. A et Ā sont disjointes

A ∪ B = (A \ B) ∪ (A ∩ B) ∪ (B \ A), décomposition de A ∪ B en trois parties deux à deux disjointes.

1.2.2 Produit cartésien

Définition 8 (Produit cartésien)

On considère deux ensembles E et F . Le produit cartésien de E par F est par définition

l’ensemble de tous les couples (x, y) avec x ∈ E et y ∈ F . On le note E × F . On a ainsi
E × F = {(x, y), x ∈ E, y ∈ F }.

Exemple 1.11. Si E = {a, b} et F = {1, 2, 3}, alors

E × F = {(a, 1), (a, 2), (a, 3), (b, 1), (b, 2), (b, 3)}

Plus généralement, on pose E1 × E2 × . . . × Ep = {(x1 , x2 , . . . , xp ), x1 ∈ E1 , x2 ∈ E2 , . . . , xp ∈ Ep }. On

dit que E1 × E2 × . . . × Ep est l’ensemble des p-uplets (x1 , x2 , . . . , xp ) avec x1 décrivant E1 , x2 décrivant
E2 , . . . , xp décrivant Ep .

Notation. E × E est noté E 2 et E × E × . . . × E (p fois ) est noté E p .

Par exemple, on notera R2 , N2 , . . ..
14 CHAPITRE 1. FONDEMENTS

1.3 Applications
Définition 9

Soit E et F deux ensembles, f : E → F est une application de l’ensemble de départ E vers

l’ensemble d’arrivée F . À chaque élément x ∈ E est associé un unique élément de F noté
f (x) = y appelé image de x par f . On dit que x est un antécédent de y par f .
Deux applications f et g sont égales si et seulement si elles ont même ensemble de départ E,
même ensemble d’arrivée F et pour tout élément x de E, f (x) = g(x).
L’ensemble des applications de E dans F est noté F E .
4
! Un élément de F peut avoir plusieurs antécédents, ou bien aucun antécédent.

Remarque. ∀x ∈ E, ∃!y ∈ F, P(x, y), définit une application.

Exemple 1.12.
f : R −→ R
ˆ n’est pas une application car 1 n’a pas d’image.
2x+1
x 7−→ x−1

g : R \ {1} −→ R
Par contre est une application.
2x+1
x 7−→ x−1

u : N −→ R
ˆ est une application.
n 7−→ un
ˆ On peut définir une application f telle que pour tout réel a, f (a) est la plus petite solution de
l’équation x2 + ax − 1 = 0.
Remarque. On appelle application identité de E l’application de E dans E qui à tout x ∈ E associe x.
On la note idE .
Soit E un ensemble et A une partie de E, on appelle fonction indicatrice de A((ou fonction caractéristique),
1 si x ∈ A
l’application 1A : E → {0, 1} telle que pour tout élément x de E, 1A (x) = .
0 sinon

Pour s’entraı̂ner. Exercice 30

Définition 10 (Image et image réciproque)

Soit f une application de E dans F . Pour toute partie A ∈ P(E), on pose f (A) = {f (x), x ∈ A}
l’image de A, et pour toute partie B ∈ P(F ), on pose f −1 (B) = {x ∈ E, f (x) ∈ B} l’image
réciproque de B.

Pour s’entraı̂ner. Exercices 24, 25, 26 et 28

Définition 11 (Restriction)

Soit f une application de E dans F . Pour toute partie A ∈ P(E), on pose l’application f|A , la
restriction de f à A, telle que f|A : A → E et pour tout x ∈ A, f|A (x) = f (x).
1.3. APPLICATIONS 15

Définition 12 (Composition)

Soit f : E → F et g : F → G des applications. On appelle composée de f par g l’application

de E dans G notée g ◦ f et définie par ∀x ∈ E, g ◦ f (x) = g(f (x)).

4
! Bien vérifier les ensembles de départ et d’arrivée avant d’effectuer une composition.

Définition 13 (Injectivité, surjectivite, bijectivité)

Soit f : E → F .
ˆ f est injective si tout élément de F a au plus un antécédent dans E, i.e. ∀(x, y) ∈ E 2 , f (x) =
f (y) =⇒ x = y
ˆ f est surjective si tout élément de F a au moins un antécédent dans E, i.e. ∀y ∈ F, ∃x ∈
E, f (x) = y
ˆ f est bijective si tout élément de F a un unique antécédent dans E, i.e. ∀y ∈ F, ∃!x ∈
E, f (x) = y c’est-à-dire f est injective et surjective.

Exemple 1.13. Discuter de l’injectivité, surjectivité et bijectivité des applications suivantes :

f : R −→ R f : R+ −→ R f : R −→ R+ f : R+ −→ R+
, , ,
x 7−→ x2 x 7−→ x2 x 7−→ x2 x 7−→ x2

Pour s’entraı̂ner. Exercices 13, 14, 15, 16, 17, 19, 20, 21, 22, 23, 25, 26, 27, 28 et 29

Théorème 3

Soit f : E → F une application.

1. f est bijective si et seulement s’il existe une application g : F → E telle que g ◦ f = idE
et f ◦ g = idF .
2. Cette application g est unique et est appelée réciproque de f et est notée f −1 .

Démonstration. f est bijective, donc ∀y ∈ F, ∃!x ∈ E, y = f (x). On pose donc g l’application qui à y ∈ F
associe ce x ∈ E (qui est l’antécédent de y par f ), ainsi g(y) est l’antécédent de y par f donc f ◦ g(y) = y
et f ◦ g = idF .
Soit x ∈ E, on pose y = f (x). On obtient alors que g(y) = g ◦ f (x), or d’après notre définition de g,
g(y) = x, donc g ◦ f = idE .
g est bien unique : en effet, si on a h qui vérifie aussi h ◦ f = idE , alors comme pour tout y ∈ F , il existe
un unique x ∈ E tel que y = f (x), on a h(y) = h ◦ f (x) = x = g ◦ f (x) = g(y) donc les applications g et
h sont égales.

Pour s’entraı̂ner. Exercices 18 et 31

Proposition 4

Soit f : E → F et g : F → G des applications.

−1
1. Si f est bijective alors f −1 est bijective et f −1 =f
2. Si f et g sont bijectives alors g ◦ f est bijective et (g ◦ f )−1 = f −1 ◦ g −1 .
16 CHAPITRE 1. FONDEMENTS

Démonstration. 1. Comme f ◦ f −1 = idE et f −1 ◦ f = idE , f −1 est bijective de réciproque f d’après

le théorème précédent.
2. On pose h = f −1 ◦ g −1 . On a g ◦ f ◦ h = g ◦ f ◦ f −1 ◦ g −1 = g ◦ idF ◦ g −1 = idG .
De plus, h ◦ g ◦ f = f −1 ◦ g −1 ◦ g ◦ f = f −1 ◦ idF ◦ f = idE . Donc g ◦ f est bijective de réciproque
f −1 ◦ g −1 .

2x+1
Exemple 1.14. Soit f : x 7→ x−1 une application de R \ {1} dans R. Montrer qu’elle est injective. Est-elle
g : R \ {1} −→ R \ {2}
surjective ? Déterminer la réciproque de
2x+1
x 7−→ x−1

1.4 Entiers naturels, calculs de sommes et de produits

Définition 14 (Entiers naturels)

On désigne par N l’ensemble des entiers naturels, N∗ l’ensemble des entiers naturels non nuls.
Pour tout (k, n) ∈ N2 , k < n, on notera Jk, nK l’ensemble {k, k + 1, . . . , n}.

1.4.1 Principe de récurrence

Théorème 4

Admis
Toute partie non vide de N admet un plus petit élément.

Exemple 1.15. On souhaite montrer la proposition suivante :

∀n ∈ N, ∀(a0 , a1 , . . . , an ) ∈ Rn+1 ,

(∀x ∈ R, a0 sin(x) + a1 sin(2x) + . . . + an sin(2n x) = 0) =⇒ a0 = a1 = . . . = an = 0

Soit n ∈ N,(a0 , a1 , . . . , an ) ∈ Rn+1 et on suppose que l’égalité de droite est vraie pour tout réel x. On
pose A = {k ∈ J0, nK, ak 6= 0}. On raisonne par l’absurde en supposant A non vide. Soit k son plus petit
élément. On a ainsi, pour tout réel x, ak sin(2k x) + . . . + an sin(2n x) = 0. On évalue cette relation en
π
x = 2k+1 et on obtient ak = 0 ce qui est absurde.

Théorème 5 (Raisonnement par récurrence)

Pour un entier n, considérons une proposition P(n). Soit n0 ∈ N, si P(n0 ) est vraie et pour
tout entier n fixé supérieur ou égal à n0 , la proposition P(n) implique la proposition P(n + 1)
alors P(k) est vraie pour tout entier k supérieur ou égal à n0 .

Remarque. Si ∃n0 ∈ N tel que P(n0 ) est vraie et ∀n ≥ n0 , P(n) =⇒ P(n + 1) alors ∀n ≥ n0 , P(n) est
vraie.

Démonstration. Raisonnons par l’absurde et supposons que l’ensemble A, des entiers n supérieurs ou
égaux à n0 pour lesquels P(n) est non vraie, soit non vide. D’après le théorème précédent, A possède
un plus petit élément m ; puisque P(n0 ) est vraie, on a m ≥ n0 + 1 ; de plus, par définition de mn on a
m−1∈ / A, donc P(m − 1) est vraie. Puisque P(m − 1) =⇒ P(m) est vraie, on en déduit que P(m) est
vraie, ce qui est absurde.
1.4. ENTIERS NATURELS, CALCULS DE SOMMES ET DE PRODUITS 17

Exemple 1.16. Soit (un )n∈N une suite définie par : u0 = 0 et ∀n ∈ N, un+1 = un + n + 1. Montrons que :
∀n ∈ N, un = n(n+1)
2 .
00
Pour tout n ∈ N, on note P(n) := “un = n(n+1) 2 .
0×1
Initialisation : u0 = 0 = 2 donc P(0) est vraie.
Hérédité : soit n ∈ N, on suppose que P(n) est vraie, montrons que P(n + 1) est vraie aussi.

n(n + 1)
un+1 = un + n + 1 = +n+1
2
n  (n + 1)(n + 2)
= (n + 1) +1 =
2 2
donc P(n + 1) est vraie.
n(n+1)
Donc, par récurrence, pour tout entier n on a un = 2 .

Pour s’entraı̂ner. Exercices 32, 33, 34, 35, 36, 37, 38, 39 et 41

Théorème 6 (Récurrence double)

Pour un entier n, on considère une proposition P(n). Soit n0 ∈ N. Si P(n0 ) et P(n0 + 1) sont
vraies et si pour tout n ≥ n0 , la conjonction “P(n) et P(n + 1)” implique P(n + 2), alors P(n)
est vraie pour tout n ≥ n0 .

Démonstration. Pour n ≥ n0 , on pose Q(n) la proposition ”P(n) et P(n + 1)”. On peut alors montrer
par récurrence que Q(n) est vraie pour tout n ≥ n0 et donc que P(n) est vraie pour tout n ≥ n0 .

Exemple 1.17. Soit (un )n∈N une suite définie par u0 = 2, u1 = 5 et ∀n ∈ N, un+2 = 5un+1 − 6un . Montrons
que ∀n ∈ N, un = 2n + 3n .
Pour tout n ∈ N, on note P(n) := “un = 2n + 3n 00 .
Initialisation : 20 + 30 = 2 = u0 et 21 + 31 = 5 = u1 donc P(0) et P(1) sont vraies.
Hérédité : soit n ∈ N, on suppose que P(n) et P(n + 1) sont vraies, montrons que P(n + 2) est vraie.

un+2 = 5un+1 − 6un = 5 × 3n+1 + 5 × 2n+1 − 6 × 3n − 6 × 2n

= (15 − 6) × 3n + (10 − 6) × 2n
= 3n+2 + 2n+2

donc P(n + 2) est vraie.

Par récurrence double, pour tout n ∈ N, un = 3n + 2n .

Pour s’entraı̂ner. Exercices : 39 et 40

Théorème 7 (Récurrence forte)

Pour un entier n, on considère une proposition P(n). Soit n0 ∈ N. Si P(n0 ) est vraie et pour
tout n ≥ n0 , “∀k ∈ {n0 , . . . , n}, P(k)00 implique P(n + 1) alors P(n) est vraie pour tout n ≥ n0 .

Démonstration. Pour n ≥ n0 , on pose la proposition Q(n) égale à : ”∀k ∈ Jn0 , nK, P(k)”. On montre alors
par récurrence que Q(n) est vraie pour tout n ≥ n0 et ainsi P(n) est vraie pour tout n ≥ n0 .

Exemple 1.18. Montrons que ∀n ≥ 1, ∃p, q ∈ N tel que n = 2p (2q + 1).

Pour tout n ≥ 1, on note P(n) := “∃p, q ∈ N tel que n = 2p (2q + 1)”.
Initialisation : pour n = 1, p = 0 et q = 0 conviennent donc P(1) est vraie.
Hérédité : Soit n ≥ 1, on suppose que pour tout k ∈ {1, . . . , n}, P(k) est vraie.
18 CHAPITRE 1. FONDEMENTS

Si n + 1 est impair, alors n + 1 = 2q + 1 et P(n + 1) est vraie.

Si n + 1 est pair, alors n + 1 = 2k et comme P(k) est vraie, k = 2p (2q + 1) donc n + 1 = 2p+1 (2q + 1)
donc P(n + 1) est vraie.
Par récurrence forte, ∀n ≥ 1, ∃p, q ∈ N tel que n = 2p (2q + 1).

Pour s’entraı̂ner. Exercices 42 et 43

1.4.2 Calcul de sommes et de produits

Calcul de sommes

Définition 15 (Symbole Σ)

n
P
Soit p, n ∈ N, p ≤ n, up , up+1 , . . . , un ∈ R. La somme up + up+1 + . . . + un s’écrit uk
k=p

13
X
Exemple 1.19. La somme 1 + 3 + 32 + 33 + ... + 314 peut s’écrire 3k
k=0

Pour s’entraı̂ner. Exercice 44

Remarque. L’indice k est une variable muette, il n’a aucun sens en dehors de la somme ! À la place de k
on peut très bien mettre j, ` ou bob.

Proposition 5 (Propriétés élémentaires des sommes)

n
ˆ Par convention, si p > n, alors
P
uk = 0
k=p
n
ˆ Si p ≤ n,
P
uk contient n − p + 1 termes (ne pas oublier le +1 ! ! !, penser au cas p = n
k=p
pour s’en rappeler)
n n
ˆ ∀a ∈ R,
P P
a = a 1 = (n − p + 1)a
k=p k=p
n m n
ˆ Soit m tel que p ≤ m < n,
P P P
uk = uk + uk
k=p k=p k=m+1
n n
ˆ Soit a ∈ R,
P P
auk = a uk
k=p k=p
n n n
ˆ
P P P
uk + vk = uk + vk
k=p k=p k=p

Remarque. Ne pas hésiter à se ramener à l’écriture up + up+1 + . . . + un dans un premier temps afin d’être
plus familier avec ces propriétés de la somme.
n
X
Exemple 1.20. Il faut faire attention et vérifier d’abord quel est l’indice de sommation. Ainsi : x=
k=0
x(n + 1).
L’antépunltième propriété est importante, elle signifie simplement que up + up+1 + . . . + um + um+1 + . . . +
un = (up + . . . + um ) + (um+1 + . . . + un )
1.4. ENTIERS NATURELS, CALCULS DE SOMMES ET DE PRODUITS 19

Proposition 6 (Changement d’indice)

Soit p ≤ n et m ∈ Z.
n
X n+m
X
uk+m = ui i=k+m
k=p i=p+m

n
X m−k
X
um−k = ui i=m−k
k=p i=m−n

n
P n
P n
P
Exemple 1.21. On souhaite calculer Sn = k. On remarque que 2Sn = k+ k, on fait le changement
k=0 k=0 k=0
n
P n
P n
P
d’indice j = n − k dans la deuxième somme. Donc 2Sn = k+ n−j = n = n(n + 1)
k=0 j=0 k=0
n(n+1)
Donc Sn = 2 .

Proposition 7 (Télescopage)

n
P
uk+1 − uk = un+1 − u0 .
k=0

n
P n
P n+1
P n
P
Démonstration. uk+1 − uk = uk − uk = un+1 − u0
k=0 k=0 k=1 k=0

n
P
Exemple 1.22. On souhaite calculer pour tout entier n, Sn = k. On remarque dans un premier temps que
k=0
n n
pour tout entier n, (n+1)2 −n2 = 2n+1. Donc (k +1)2 −k 2 = (n+1)2 −0 =
P P
(2k +1) = 2Sn +(n+1).
k=0 k=0
n(n+1)
Donc Sn = 2 .

Proposition 8 (Somme des termes d’une suite géométrique)

n
1−an+1
ak , alors Tn =
P
Soit a ∈ R \ {1}, on pose Tn = 1−a .
k=0
Plus généralement, on a :
n
X 1 − an−m+1
∀a ∈ R \ {1}, ∀m, n ∈ N, m ≤ n, ak = am
1−a
k=m

n
X
Démonstration. Traitons le cas général. Soit m, n ∈ N, m ≤ n. On pose Tn = ak . On a
k=m

n
X
(1 − a)Tn = Tn − aTn = ak − ak+1
k=m
m n+1
=a −a par télescopage

am −an+1 n−m+1
Ainsi, comme 1 − a 6= 0, Tn = 1−a = am 1−a1−a .
20 CHAPITRE 1. FONDEMENTS

Pour s’entraı̂ner. Exercices 45, 46, 47, 48 et 49

Remarque. Soit (un )n∈N une suite définie par u0 = a ∈ R et pour tout entier n, un+1 = un + vn . Alors par
n−1
X
télescopage, on obtient : pour tout entier n, un = a + vk .
k=0

Définition 16 (Sommes doubles)

P nm nombres ui,j où i parcours l’ensemble {1, . . . , n} et j l’ensemble {1, . . . , m}

La somme des
s’écrit ui,j
1≤i≤n, 1≤j≤m

P
Remarque. Si n = m, alors on note ui,j .
1≤i,j≤n

Proposition 9 (Inversion)

X n X
X m m X
X n
ui,j = ui,j = ui,j
1≤i≤n, 1≤j≤m i=1 j=1 j=1 i=1

X n X
X n j
n X
X
ui,j = ui,j = ui,j
1≤i≤j≤n i=1 j=i j=1 i=1

X n−1
X n
X X j−1
n X
ui,j = ui,j = ui,j
1≤i<j≤n i=1 j=i+1 j=2 i=1

n P
n j
n P n  
P i P i P j+1 1 n(n+1)
Exemple 1.23. j = j = 2 = 2 2 +n
i=1j=i j=1i=1 j=1

Pour s’entraı̂ner. Exercice 52

Calcul de produits

Définition 17 (Produit, symbole Π)

n
Q
Soit p, n ∈ N, pp ≤ n, up , up+1 , . . . , un ∈ R. Le produit up × up+1 × . . . × un s’écrit uk
k=p
1.4. ENTIERS NATURELS, CALCULS DE SOMMES ET DE PRODUITS 21

Proposition 10 (Propriétés élémentaires des produits)

n
ˆ Par convention, si p > n, alors
Q
uk = 1
k=p
n
ˆ Si p ≤ n,
Q
uk contient n − p + 1 termes (ne pas oublier le +1 ! ! !, penser au cas p = n
k=p
pour s’en rappeler)
n
ˆ ∀a ∈ R, a = an−p+1
Q
k=p
n m n
ˆ Soit m tel que p ≤ m < n,
Q Q Q
uk = uk × uk
k=p k=p k=m+1
n n n
ˆ
Q Q Q
uk vk = uk × vk
k=p k=p k=p
n
Q
n uk
uk
ˆ Si aucun des vk n’est nul,
Q k=p
vk = n
Q
k=p vk
k=p

Proposition 11 (Télescopage)

n
Q uk+1 un+1
uk = u0 à condition que u0 , . . . , un soient non nuls.
k=0

Exemple 1.24.
n n
ˆ 1 + k1 = k+1
Q
Q
k =n+1
k=1 k=0
n
 n   n 
2n
ˆ 2k
Q Q Q k
k+1 = 2 × k+1 = n+1
k=0 k=0 k=0

Pour s’entraı̂ner. Exercice 50

un
Remarque. Soit (un )n∈N une suite définie par u0 = a ∈ R et pour tout entier n, un+1 = vn où (vn )n∈N est
n−1
Y
une suite de réels non nuls. Alors par télescopage, on obtient : pour tout entier n, un = a vk .
k=0

Définition 18 (Factorielle)

n
Y
Soit n ∈ N, on appelle factorielle n et on note n! l’entier n! = k
k=1
22 CHAPITRE 1. FONDEMENTS

Proposition 12

Soit n ∈ N∗ .
n+1
Y
k
(n+1)!
ˆ n! = k=1
n =n+1
Y
k
k=1
n
Y
ˆ (2k) = 2n n!
k=1
n
Y n
Y
n
(2k + 1) × (2k)
Y k=1 k=1 (2n + 1)!
ˆ (2k + 1) = n =
Y 2n n!
k=1 (2k)
k=1

1.5 Nombres réels

1.5.1 Opérations dans R
L’ensemble R est muni de deux opérations + et ×, c’est-à-dire de deux applications de R × R dans R
(x, y) 7→ x + y et (x, y) 7→ xy.

Proposition 13 (Propriétés de l’addition)

Pour tout (a, b, c) ∈ R3 , on a

• a + b = b + a (commutativité) ;
• (a + b) + c = a + (b + c) (associativité) ;
• a + 0 = 0 + a = a (0 est élément neutre) ;
• il existe un unique a0 ∈ R tel que a + a0 = a0 + a = 0 Cet élément a0 est noté −a (opposé
de a) et cela permet de définir l’opération de soustraction.

Proposition 14 (Propriétés de la multiplication)

Pour tout (a, b, c) ∈ R3 , on a

• ab = ba (commutativité) ;
• (ab)c = a(bc) (associativité) ;
• a × 1 = 1 × a = a (1 est élément neutre) ;
• si a 6= 0, alors il existe un unique a00 ∈ R tel que aa00 = a00 a = 1. Cet élément a00 est noté
1
et cela permet de définir l’opération de division.
a

Remarque. 4
! Il faut acquérir le réflexe : étudier la non nullité de ce par quoi on divise.
Remarque. De plus R est muni d’une relation ≤, relation d’ordre compatible avec + et ×, ce qui signifie
 
 a ≤ b  a ≥ 0
∀(a, b, c, d) ∈ R4 =⇒ a + c ≤ b + d et ∀(a, b) ∈ R2 =⇒ ab ≥ 0.
 c ≤ d  b ≥ 0
1.5. NOMBRES RÉELS 23

1.5.2 Résoudre des équations et des inéquations

Remarque. Je ne vous fais pas l’offense de vous rappeler comment résoudre des équations ou inéquations
du premier degré. Afin de développer vos capacités de calcul, je vous encourage fortement à en résoudre
un certain nombre de tête.

Proposition 15 (Équations du second degré)

Soit a, b, c trois réels avec a non nul. On considère l’équation

ax2 + bx + c = 0 (E)

et l’inéquation
ax2 + bx + c ≥ 0 (I)
On appelle discriminant le réel ∆ = b2 − 4ac.

1. Si ∆ < 0, alors (E) n’admet pas de solution réelle SE = ∅, et si a > 0, I a comme ensemble
solution R, SI = R et si a < 0 l’ensemble vide, SI = ∅.
n √ √ o
2. Si ∆ > 0, alors E admet deux solutions réelles, SE = −b− 2a
∆ −b+ ∆
, 2a et si a > 0 alors
i √ h i √ h i √ √ h
SI = −∞, −b− 2a
∆
∪ −b+ ∆
2a , +∞ , et si a < 0 alors S I = −b− ∆ −b+ ∆
2a , 2a .
 −b
3. Si ∆ = 0, alors E admet une unique solution réelle SE = 2a et si a > 0, SI = R, si
a < 0, SI = ∅.
c −b
À noter que dans le cas ∆ > 0, les deux solutions de E x1 et x2 vérifient x1 x2 = a et x1 +x2 = a .

Démonstration.
 La preuve
 repose sur la factorisation canonique : pour tout réel x, ax2 + bx + c =
b 2 2 −4ac
− b 4a ; et l’identité remarquable z 2 − y 2 = (z + y)(z − y).


a x + 2a 2

Pour s’entraı̂ner. Exercices 53, 54, 55, 56, 57 et 58

1.5.3 Borne supérieure et inférieure

Définition 19 (Minimum, maximum)

Soit A une partie non vide de R et a ∈ A.

• On dit que a est le plus grand élément de A si

∀x ∈ A x ≤ a.

Quand il existe, le plus grand élément de A se note max A.

• On dit que a est le plus petit élément de A si

∀x ∈ A a ≤ x.

Quand il existe, le plus petit élément de A se note min A.

Pour s’entraı̂ner. Exercice 59

24 CHAPITRE 1. FONDEMENTS

Définition 20

Soit A une partie non vide de R on dit que A est

ˆ majorée s’il existe un réel M tel que ∀x ∈ A, x ≤ M . Le réel M est appelé majorant de A.
ˆ minorée s’il existe un réel m tel que ∀x ∈ A, x ≥ m. Le réel m est appelé minorant de A.
ˆ bornée si elle est majorée et minorée.

Théorème 8 (Borne supérieure, borne inférieure)

Admis.
Soit A une partie non vide de R.
Si A est majorée, alors il existe un réel noté sup A, appelé borne supérieure de A qui est le plus
petit des majorants de A.
Si A est minorée, alors il existe un réel noté inf A, appelé borne inférieure de A qui est le plus
grand des minorants de A.

Remarque. 4
! La borne supérieure de A lorsqu’elle existe, n’appartient pas nécesserairement à A.
Exemple 1.25. Soit A = [0, 1[. Alors sup A = 1.

Pour s’entraı̂ner. Exercices 65, 66, 67 et 68

1.5.4 Valeur absolue et partie entière

Définition 21 (Valeur absolue)

Soit x un réel, on désigne par valeur absolue de x le réel positif |x| = max(x, −x).

Proposition 16 (Propriétés élémentaires de la valeur absolue)

∀x ∈ R,
ˆ |x| = x ⇔ x ≥ 0
ˆ |x| = −x ⇔ x ≤ 0
ˆ |x| = 0 ⇔ x = 0
∀x, y ∈ R
ˆ |xy| = |x| × |y|
ˆ ||x| − |y|| ≤ |x + y| ≤ |x| + |y| Inégalité triangulaire
ˆ ||x| − |y|| ≤ |x − y| ≤ |x| + |y|
si a > 0, |x| ≤ a ⇔ −a ≤ x ≤ a.

Démonstration. Pour l’inégalité triangulaire, il suffit de partir de −2|x||y| ≤ 2xy ≤ 2|x||y| et d’ajouter
x2 + y 2 aux trois membres puis de passer È la racine.
Il est très important de se souvenir que x2 = |x|.

Exemple 1.26. Méthode pratique pour résoudre une équation ou inéquation avec une valeur absolue : le
plus simple consiste à évaluer quand est ce que ce qui est à l’intérieur de la valeur absolue est positif ou
négatif et ensuite faire une disjonction de cas pour résoudre sans les valeurs absolues.
Soit l’équation |x + 1| + |x + 2| = 7
1.5. NOMBRES RÉELS 25

On a 3 cas : si x ≤ −2, si −2 < x < −1 et si x ≥ −1.

Si x ≤ −2, alors l’équation devient −x − 1 − x − 2 = 7 et donc x = −5 qui appartient bien à l’intervalle
] − ∞, −2]
Si −2 < x < −1, alors l’équation devient −x − 1 + x + 2 = 7 qui n’a pas de solution.
Si x ≥ −1, alors l’équation devient x + 1 + x + 2 = 7 et donc x = 2 qui appartient bien à [−1, +∞[.
L’ensemble solution est donc S = {−5, 2}

Pour s’entraı̂ner. Exercice 53

Définition 22 (Partie entière)

La partie entière d’un réel x est le plus grand élément de Z inférieur ou égal à x. On le note
bxc.

Proposition 17 (Propriétés élémentaires de la partie entière)

∀x ∈ R,
ˆ bxc ≤ x < bxc + 1
ˆ x − 1 < bxc ≤ x
En fait, chacune de ces deux propriétés caractérisent la partie entière. C’est-à-dire, soit m ∈ Z
tel que m ≤ x < m + 1 alors m = bxc. Et si x − 1 < m ≤ x alors de même m = bxc.

Exemple 1.27. Méthode pratique pour résoudre une équation ou inéquation avec une partie entière : on
utilise l’une des propriétés ci-dessus.
Par exemple, soit l’équation b−4x + 1c = 2. On obtient les deux inéquations
 1: 2 ≤ −4x + 1 et −4x + 1 < 3.
1 1 1
On en déduit que x ≤ − 4 et x > − 2 . Donc l’ensemble solution est S = − 2 , − 4 .

Pour s’entraı̂ner. Exercices 53, 60, 61, 62, 63 et 64

26 CHAPITRE 1. FONDEMENTS
Chapitre 2

Suites réelles

2.1 Suites convergentes

Définition 1

On appelle suite réelle une application de N (ou N∗ ) dans R. Au lieu de u(n), on utilisera la
notation un .
4
! (u ) n n∈N désigne la suite, alors que un désigne un réel.

Définition 2

Soit (un )n∈N une suite réelle, on dit que

ˆ (un )n∈N est croissante si ∀n ∈ N, un ≤ un+1
ˆ (un )n∈N est décroissante si ∀n ∈ N, un ≥ un+1
ˆ (un )n∈N est majorée si ∃M ∈ R, ∀n ∈ N, un ≤ M
ˆ (un )n∈N est minorée si ∃M ∈ R, ∀n ∈ N, un ≥ M
ˆ (un )n∈N est bornée si ∃M ∈ R, ∀n ∈ N, |un | ≤ M

Définition 3 (Suite convergente)

On dit que (un )n∈N converge vers ` ∈ R si tout intervalle ouvert contenant ` contient tous
les termes de la suite (un )n∈N à partir d’un certain rang. C’est-à-dire ∀ε > 0, ∃n0 ∈ N, ∀n ≥
n0 , |un − `| < ε
On dit alors que (un )n∈N est convergente. Sinon, on dit qu’elle est divergente.

(−1)n
Exemple 2.1. Soit (un )n∈N une suite définie par ∀n ∈ N, un = n+1 , montrer que lim un = 0
n→+∞
Soit ε > 0, on prend n0 ∈ N, tel que n0 > 1ε . Dès lors, ∀n ≥ n0 , |un | = 1
n+1 ≤ 1
n0 < ε.

Théorème 1 (Unicité de la limite)

Si une suite converge, alors sa limite est unique.

|`−`0 |
Démonstration. On suppose que (un )n∈N converge vers ` et `0 ∈ R. Soit ε = 4 .
∃n0 ∈ N, ∀n ≥ n0 , |un − `| < ε

27
28 CHAPITRE 2. SUITES RÉELLES

∃n1 ∈ N, ∀n ≥ n1 , |un − `0 | < ε

|`−`0 |
Soit N = max(n0 , n1 ) et n ≥ N , alors |` − `0 | = |` − un + un − `0 | ≤ |` − un | + |`0 − un | ≤ ε + ε = 2 .
Donc ` = `0 .

Proposition 1

Toute suite convergente est bornée.

Démonstration. Soit ` ∈ R la limite de (un )n∈N . On pose ε = 1 donc ∃n0 ∈ N, ∀n ≥ n0 , |un − `| < 1.
Donc ∀n ≥ n0 , −1 < un − ` < 1 et on obtient ` − 1 < un < 1 + `. On pose alors M = max(|` − 1|, |` +
1|, |u0 |, |u1 |, . . . , |un0 −1 |).

4
Remarque. ! Une suite bornée n’est pas forcément convergente. Par exemple un = (−1)n qui est
bornée par 1 mais divergente.

Proposition 2

Si une suite (un )n∈N converge vers ` 6= 0 alors à partir d’un certain rang, (un )n∈N est non nulle
et du signe de `.

Démonstration. Soit ε = |`| 2 , ∃n0 ∈ N, ∀n ≥ n0 , |un − `| <

|`|
2. Ainsi on a − |`|
2 < un − ` <
|`|
2, puis
|`| |`|
` − 2 < un < ` + 2 .
Si ` > 0, alors 0 < 2` < un < 3` 2
Si ` < 0, alors 3`
2 < u n < `
2 < 0

Théorème 2

(un )n∈N converge vers ` si et seulement si (u2n )n∈N et (u2n+1 )n∈N convergent vers `.

Démonstration. Le sens direct est évident.

Pour la réciproque, soit ε > 0, ∃n0 ∈ N, ∀n ≥ n0 , |u2n − `| < ε et ∃n1 ∈ N, ∀n ≥ n1 , |u2n+1 − `| < ε
Soit N = max(2n0 , 2n1 + 1), on a alors ∀n ≥ N, |un − `| < ε donc (un )n∈N converge vers `.

Pour s’entraı̂ner. Exercice 8

Définition 4 (Opérations sur les suites convergentes)

Soit (un )n∈N et (vn )n∈N deux suites. On définit les opérations suivantes :
ˆ Somme de suites : (un )n∈N + (vn )n∈N = (un + vn )n∈N
ˆ Produit par une constante : λ(un )n∈N = (λun )n∈N
ˆ Produit de suites : (un )n∈N × (vn )n∈N = (un vn )n∈N
2.1. SUITES CONVERGENTES 29

Théorème 3

Soit (un )n∈N une suite qui converge vers `, (vn )n∈N qui converge vers `0 et λ ∈ R.
1. Alors (un + vn )n∈N converge vers ` + `0
2. Alors (λun )n∈N converge vers λ`
3. Alors (un vn )n∈N converge vers ``0 .
4. Si ` 6= 0 alors la suite ( u1n )n≥n0 converge vers 1` .

Démonstration. 1. Soit ε > 0, ∃n0 ∈ N, ∀n ≥ n0 , |un − `| < 2ε et ∃n1 ∈ N, ∀n ≥ n1 , |vn − `0 | < 2ε .

On pose N = max(n0 , n1 ). Alors ∀n ≥ N, |un + vn − ` − `0 | ≤ |un − `| + |vn − `0 | < ε
2. Si λ = 0, alors (λun )n∈N est la suite nulle donc converge vers 0. Si λ 6= 0, alors soit ε > 0, ∃n0 ∈
ε
N, ∀n ≥ n0 , |un − `| < |λ . On multiplie par |λ| et on obtient |λun − λ`| < ε
3. On remarque d’abord que un vn − ``0 = (un − `)vn + (vn − `0 )`.
Soit ε > 0, (vn − `0 )n∈N converge vers 0, donc ((vn − `0 )`)n∈N converge vers 0. Donc ∃n0 ∈ N, ∀n ≥
n0 , (vn − `0 )` < 2ε .
Comme (vn )n∈N est converge, elle est bornée et donc soit M ∈ R∗+ , n1 ∈ N tels que ∀n ≥ n1 , |vn | ≤ M .
ε
(un − `)n∈N tend vers 0, donc ∃n2 ∈ N, ∀n ≥ n2 , −`| < 2M . Soit N1 = max(n1 , n2 ), ∀n ≥ N1 , |(un −
ε
`)vn | ≤ |un − `||vn | < 2 .
Soit N2 = max(n0 , N1 ), on a ainsi ∀n ≥ N2 , |un vn − ``0 | < 2ε + 2ε = ε.
1 1 `−un
4. On remarque d’abord que un − ` = un ` . Comme ` 6= 0, ∃A > 0, n0 ∈ N, ∀n ≥ n0 , |un | ≥ A. Donc
1 A
∀n ≥ n0 , un ` ≤ |`|
|`|ε
Soit ε > 0, comme (` − un )n∈N converge vers 0, ∃n1 ∈ N, ∀n ≥ n1 , |` − un | < A .
1 1 |`−un |
Ainsi ∀n ≥ max(n0 , n1 ), un − ` = |un `| < ε.

Pour s’entraı̂ner. Exercice 3

Théorème 4 (Compatibilité du passage à la limite avec la relation d’ordre)

Soit (un )n∈N et (vn )n∈N convergentes vers ` et `0 respectivement. Si à partir d’un certain rang
on un ≤ vn alors on a ` ≤ `0 .

Démonstration. On sait que (un − vn )n∈N converge vers ` − `0 . Si ` > `0 , alors on sait que un − vn > 0 à
partir d’un certain rang ce qui est absurde.

4
Remarque. ! Si ∀n ∈ N, un < vn et (un )n∈N et (vn )n∈N convergentes vers ` et `0 , alors ` ≤ `0 .
En passant à la limite, les inégalités strictes deviennent des inégalités larges. Par exemple
1 2
∀n ∈ N, n+1 < n+1 mais ces deux suites convergent vers la même limite.

Pour s’entraı̂ner. Exercice 5

Théorème 5 (Théorème d’encadrement ou des gendarmes)

Soit (un )n∈N , (vn )n∈N et (wn )n∈N des suites telles qu’à partir d’un certain rang, un ≤ vn ≤ wn .
Si (un )n∈N et (wn )n∈N convergent vers la même limite `, alors (vn )n∈N converge aussi vers `.
30 CHAPITRE 2. SUITES RÉELLES

Démonstration. Soit ε > 0, ∃n0 ∈ N, ∀n ≥ n0 , |un − `| < ε

∃n1 ∈ N, ∀n ≥ n1 , |wn − `| < ε.
Soit N = max(n0 , n1 ), ∀n ≥ N, ` − ε < un ≤ vn ≤ wn < ` + ε, donc ∀n ≥ N, |vn − `| < ε.

Pour s’entraı̂ner. Exercices 1, 4, 12

Théorème 6 (Théorème de la limite monotone)

Toute suite majorée croissante est convergente.

Toute suite minorée décroissante est convergente.

Démonstration. Soit (un )n∈N une suite croissante majorée par M ∈ R.

Soit A = {un , n ∈ N} une partie de R, A est majorée par M , donc ` = sup A existe. Ainsi, ∀n ∈ N, un ≤
sup A = `.
Soit ε > 0, comme ` − ε < `, ∃x ∈ A, x > ` − ε, donc ∃n0 ∈ N tel que un0 > ` − ε. Or (un )n∈N est
croissante, donc ∀n ≥ n0 , ` − ε ≤ un ≤ ` donc (un )n∈N converge vers `.

Pour s’entraı̂ner. Exercices 2, 7, 12, 13, 15

Définition 5 (Suites adjacentes)

Soit (un )n∈N et (vn )n∈N deux suites. On dit qu’elles sont adjacentes si l’une est croissante,
l’autre décroissante et (un − vn )n∈N converge vers 0.

1 1
Exemple 2.2. Les suites définies par ∀n ∈ N, un = 1 − n+1 et vn = 1 + n+1 sont adjacentes.

Théorème 7

Deux suites adjacentes convergent vers la même limite.

Démonstration. On suppose que (un )n∈N est croissante et (vn )n∈N décroissante. Montrons que (un )n∈N
est majorée par v0 . En effet, si ce n’est pas le cas, alors ∃n0 ∈ N tel que un0 > v0 et par croissance,
∀n ≥ n0 , un ≥ un0 ≥ v0 ≥ vn , donc ∀n ≥ n0 , |un − vn | ≥ |un0 − v0 | ce qui contredit (un − vn )n∈N converge
vers 0.
Donc (un )n∈N est majorée, comme elle est croissante elle converge. De même (vn )n∈N est minorée et
décroissante donc converge et comme (un − vn )n∈N converge vers 0, (un )n∈N et (vn )n∈N ont la même
limite.

Pour s’entraı̂ner. Exercices 6, 9

2.2 Limites infinies

Définition 6 (Suite divergente)

Une suite non convergente est dite divergente

2.2. LIMITES INFINIES 31

Définition 7

On dit que (un )n∈N tend vers +∞ si : ∀M ∈ R, ∃n0 ∈ N, ∀n ≥ n0 , un > M On dit que (un )n∈N
tend vers −∞ si : ∀M ∈ R, ∃n0 ∈ N, ∀n ≥ n0 , un < M

Exemple 2.3. Montrer que lim ln n = +∞. Soit M ∈ R+ , on cherche n0 de sorte que ln n0 > M , donc
n→+∞
n0 > eM . On pose n0 = beM c + 1 et ainsi, ∀n ≥ n0 , ln n > M

Théorème 8 (Limite par comparaison)

Soit (un )n∈N et (vn )n∈N deux suites. Si à partir d’un certain rang n0 ∈ N, ∀n ≥ n0 on a un ≥ vn
et si lim vn = +∞ alors lim un = +∞.
n→+∞ n→+∞

Démonstration. Soit M ∈ R, ∃n1 ∈ N, ∀n ≥ n1 , vn > M . Ainsi, ∀n ≥ N = max(n0 , n1 ), on a un ≥ vn >

M.

Théorème 9 (Opérations sur les limites infinies)

1. Si lim un = +∞ et (vn )n∈N est minorée, alors lim un + vn = +∞

n→+∞ n→+∞
2. Si lim un = +∞ et (vn )n∈N est minorée par un réel strictement positif, alors
n→+∞
lim un vn = +∞
n→+∞
1
3. Si lim un = +∞ alors lim =0
n→+∞ n→+∞ un
1
4. Si lim = 0 et (un )n∈N est strictement positive alors lim un = +∞
n→+∞ un n→+∞

Démonstration. 1. Soit M ∈ R, ∃m ∈ R, ∀n ∈ N, vn ≥ m.
Aussi, ∃n0 ∈ N, ∀n ≥ n0 , un > M + m et donc ∀n ≥ n0 , un + vn > M .

2. Soit M ∈ R+ , ∃m ∈ R+ , ∃n0 ∈ N, ∀n ≥ n0 , vn ≥ m.
Aussi, ∃n1 ∈ N, ∀n ≥ n1 , un > M
m et donc ∀n ≥ max(n0 , n1 ), un vn > M .

3. Soit ε > 0, ∃n0 ∈ N, ∀n ≥ n0 , un > 1ε . Donc ∀n ≥ n0 , u1n < ε

1
4. Soit M ∈ R+ , ∃n0 ∈ N, ∀n ≥ n0 , un < M, donc ∀n ≥ n0 , u1n > M .
32 CHAPITRE 2. SUITES RÉELLES

lim un = ` 6= 0 lim un = 0 lim un = +∞ lim un = −∞

n→+∞ n→+∞ n→+∞ n→+∞

un + vn ` + `0 `0 +∞ −∞
lim vn = `0 6= 0 un × vn ``0 0 signe(`0 )∞ −signe(`0 )∞
n→+∞
un
vn
`
`0 0 signe(`0 )∞ −signe(`0 )∞
un + vn ` 0 +∞ −∞
lim vn = 0 un × vn 0 0 F.I F.I
n→+∞
un
vn F.I F.I F.I F.I
un + vn +∞ +∞ +∞ F.I
lim vn = +∞ un × vn signe(`)∞ F.I +∞ −∞
n→+∞
un
vn 0 0 F.I F.I
un + vn −∞ −∞ F.I −∞
lim vn = −∞ un × vn −signe(`)∞ F.I −∞ +∞
n→+∞
un
vn 0 0 F.I F.I

Théorème 10 (Théorème de la limite monotone)

Si (un )n∈N est une suite croissante non majorée, alors lim un = +∞.
n→+∞
Si (un )n∈N est une suite décroissante non minorée, alors lim un = −∞.
n→+∞

Démonstration. On suppose que (un )n∈N est une suite croissante non majorée. Soit M ∈ R, on a ainsi
l’existence d’un entier N tel que uN ≥ M car (un )n∈N non majorée. Puis par croissance de (un )n∈N , on a
pour tout n ≥ N, un ≥ M , ce qui signifie un → +∞.
Le cas décroissant non minoré est similaire (considérer −un ).

Théorème 11 (Croissances comparées)

On pose ∀n ∈ N∗ , un = n!, vn = na , wn = q n et xn = (ln n)b .

un un
1. ∀a ∈ R, ∀q ∈ R+ , ∀b ∈ R, lim = lim w = lim uxnn = +∞
n→+∞ vn n→+∞ n n→+∞
2. Si q > 1, ∀a, b ∈ R, lim wvnn = lim wxnn = +∞
n→+∞ n→+∞
3. Si q < 1, ∀a, b ∈ R, lim vn = lim wxnn = 0
wn
n→+∞ n→+∞
vn
4. ∀a > 0, ∀b ∈ R, lim xn = +∞
n→+∞

On peut résumer ainsi : pour q > 1, a > 0 : n! >> q n >> na >> (ln n)b
pour q < 1, a > 0 : n! >> na >> (ln n)b >> q n

un n!
Démonstration. 1. On suppose que a > 0 (sinon c’est évident). Soit n ≥ bac + 1. On a alors vn = na ≥
n! n−1 n−bac
nbac+1
=1× n × ... × n × (n − bac − 1)! qui tend bien vers +∞.
wn
2. On pose = n ln q − a ln n. Donc lim lnnzn = ln q > 0. Donc à partir d’un certain
zn = vn . On a ln zn
 n ln q  n→+∞
n ln q
n ln q
rang, ln zn ≥ 2 , donc zn ≥ e 2 or e 2 tend vers +∞ donc (zn )n∈N aussi.
n∈N
2.3. EXEMPLES DE SUITES 33

3. Idem
na a ln n−b ln ln n na
4. (ln n)b
= exp(a ln n − b ln ln n), or ln n → a > 0, donc (ln n)b
→ +∞.

2.3 Exemples de suites

2.3.1 Suite arithmético-géométrique

Définition 8 (Suite arithmético-géométrique)

Soit (un )n∈N on dit que c’est une suite arithmético-géométrique s’il existe a, b ∈ R tels que

∀n ∈ N, un+1 = aun + b

Méthode (Déterminer le terme général d’une suite arithmético-géométrique)

On suppose que a 6= 1 et b 6= 0.
b
On pose ` = 1−a et vn = un − `.
On a ainsi
b
vn+1 = aun + b − ` = aun + b −
1−a
b
= aun − a
1−a
= avn

Donc (vn )n∈N est une suite géométrique de raison a.

Comme ∀n ∈ N, vn = v0 an , on obtient un = v0 an + ` = (u0 − `)an + `.
b
Donc (un )n∈N converge si et seulement si |a| < 1 et sa limite est ` = 1−a .

Pour s’entraı̂ner. Exercices 10, 11

Exemple 2.4. Soit (un )n∈N définie par ∀n ∈ N, un+1 = u2n + 3 et u0 = 1. On pose ` = 6 et ∀n ∈ N, vn =
n
un − 6. On a alors ∀n ∈ N, vn = 12 v0 = −5 −5 1


2n . Ainsi, ∀n ∈ N, un = 2n + 6. Comme a = 2 < 1, la suite
(un )n∈N converge vers 6.

2.3.2 Suite récurrente linéaire d’ordre 2. Hors-programme !

Définition 9 (Suite récurrente linéaire d’ordre deux)

On dit que (un )n∈N est une suite récurrente linéaire d’ordre deux s’il existe a, b ∈ R tels que
pour tout n ∈ N, un+2 = aun+1 + bun .
34 CHAPITRE 2. SUITES RÉELLES

Méthode (Déterminer le terme général d’une suite récurrente linéaire d’ordre deux)

On suppose que b 6= 0 (sinon la suite est géométrique).

On pose l’équation caractéristique X 2 − aX − b = 0 (E).
On pose ∆ = a2 + 4b.
ˆ Si ∆ > 0 alors (E) a deux solutions r1 et r2 et (un )n∈N est de la forme ∀n ∈ N, un =
αr1n + βr2n avec α et β déterminés par u0 et u1 .
ˆ Si ∆ = 0, alors (E) a une unique solution r et (un )n∈N est de la forme un = αrn + βnrn
avec α et β déterminés par u0 et u1 .

Pour s’entraı̂ner. Exercice 14

Exemple 2.5.
ˆ un+2 = un+1 + un avec u0 = 0 et u1 = 1 appelée
√
suite de √Fibonacci. L’équation caractéristique est
2 1+ 5 1− 5
X − X − 1 = 0 ses solutions sont r1 = 2 et r2 = 2 . Donc il existe deux réels α et β tels
que pour tout entier n, un = αr1n + βr2n . Comme u0 = 0, on a α + β = 0. Comme u1 = 1, on a
−1 rn rn
αr1 + βr2 = 1. On trouve β = −α et donc α = √15 et β = √ 5
. Donc ∀n ∈ N, un = √15 − √25 .
ˆ un+2 = 4(un+1 − un ) et u0 = 1 et u1 = 12.
L’équation caractéristique est X 2 − 4X − 4 = (X − 2)2 = 0. Donc il existe deux réels α et β tels que
(un )n∈N est de la forme ∀n ∈ N, un = α2n + βn2n . Comme u0 = 1, on a α = 1. Comme u1 = 12, on
a 2α + 2β = 12 et donc β = 5. Donc ∀n ∈ N, un = 2n + 5n2n .
Chapitre 3

Dénombrement

Remarque. Toutes les démonstrations de ce chapitre, à part celle de la formule du binôme de Newton, ne
sont pas exigibles. Vous pouvez donc les passer sans état d’âme.

3.1 Applications et parties finies de N

Cette partie n’est pas présentée en cours, elle introduit juste certains résultats permettant la démonstration
de l’ensemble des propositions et théorèmes de ce chapitre.
Théorème 1

Soit a, b deux entiers non nuls. S’il existe une injection de A = J1, aK dans B = J1, bK, alors
a ≤ b.

Démonstration. On procède par récurrence sur a.

Initialisation : pour a = 1, comme b ≥ 1, on a bien a ≤ b.
Hérédité : soit a ∈ N∗ , on suppose le théorème vrai pour a. Soit b ≥ a + 1. On suppose l’existence d’une
injection f de A0 = J1, a + 1K vers B = J1, bK. On pose c = f (a + 1) et C = B \ {c}.
Soit g l’application de A = J1, aK vers c telle que pour tout x ∈ A, g(x) = f (x), g est encore une injection.
Si c = b alors C = J1, b − 1K et comme g est une injection, par hypothèse de récurrence, on a a ≤ b − 1 et
donc a + 1 ≤ b.
Si c 6= b, on considère φ application de C sur J1, b − 1K par :
(
x si x < c
∀x ∈ C, φ(x) =
x − 1 si x > c
L’application φ est une bijection de C sur J1, b − 1K, ainsi φ ◦ g est une injection de A dans J1, b − 1K.
Ainsi, par hypothèse de récurrence, a ≤ b − 1 et donc a + 1 ≤ b, d’où le résultat.
Corollaire 1

Soit a et b deux entiers non nuls. S’il existe une bijection de J1, aK dans J1, bK alors a = b.

Démonstration. En effet, si φ est une bijection de A = J1, aK dans B = J1, bK, alors φ est une injection de
A dans B et φ−1 est une injection de B dans A. D’après le théorème précédent, on a donc a ≤ b et b ≤ a
donc a = b.
Théorème 2

Soit a un entier non nul. Toute injection de A = J1, aK dans A est une bijection.

35
36 CHAPITRE 3. DÉNOMBREMENT

Démonstration. On procède par récurrence. Le résultat est vrai pour a = 1.

Hérédité : soit a ≥ 2, on suppose le théorème vrai pour a − 1. Soit f une injection de A = J1, aK dans A.
On pose c = f (a), C = A \ {c} et g l’application de J1, a − 1K dans C telle que pour tout x ∈ J1, a − 1K,
g(x) = f (x). L’application g est ainsi une injection.
Si c = a, alors C = J1, a − 1K et par hypothèse de récurrence g est une bijection et f aussi.
Si c 6= a, on considère comme dans le démonstration du théorème 1 (en faisant b = a) la bijection φ de C
sur J1, a− 1K, φ ◦ g est alors une injection de J1, a− 1K dans J1, a− 1K donc une bijection d’après l’hypothèse
de récurrence ; il en est de même pour g et donc de f .

3.2 Cardinal d’un ensemble

Définition 1

Un ensemble E est fini et de cardinal n s’il existe une bijection entre E et J1, nK = {1, . . . , n}.
On note card E = n ou bien ]E = n.

Remarque. E contient alors n éléments distincts.

Convention. n = 0 est le cardinal de l’ensemble vide ∅.

Proposition 1

A et B deux parties de E un ensemble fini.

ˆ A ⊂ B =⇒ card A ≤ card B
ˆ (A ⊂ B et card A = card B) =⇒ A = B

Démonstration. Si B = ∅ alors A = ∅ et la proposition est vraie. De même si A = ∅.

Supposons A et B non vides. Soit g une bijection de B sur J1, bK (où b = card B). Soit f une bijection de
A sur J1, aK et φ l’application de A dans B telle que pour tout x ∈ A, φ(x) = x, qui est une injection. On
pose h = g ◦ φ ◦ f −1 qui est une injection de J1, aK dans J1, bK donc a ≤ b d’après le théorème 1.
Si a = b, alors h est une bijection, il en est de même de φ = g −1 ◦ h ◦ f , φ est ainsi surjective donc :
∀x ∈ B, ∃y ∈ A, x = φ(y) = y ∈ A, ainsi B ⊂ A et A = B.

Corollaire 2

Si f est une application de E fini dans un ensemble quelconque F , alors f (E) est fini et

card (f (E)) ≤ card E

De plus, on a card (f (E)) = card (E) si et seulement si f est injective.

Démonstration. Pour tout y appartenant à f (E), on choisit un unique x tel que f (x) = y. Soit A la partie
de E décrite par ces éléments x. On considère l’application g de A dans f (E) définie par : pour tout
x ∈ A, g(x) = f (x). Par construction, g est bijective, donc

card (f (E)) = card A ≤ card E

car A ⊂ E. D’autre part, d’après la proposition, si card (f (E)) = card (A) = card (E) alors A = E et
donc f est injective.
3.2. CARDINAL D’UN ENSEMBLE 37

Corollaire 3

Si f est une application surjective de E fini vers F alors F est fini et

card (F ) ≤ card E

De plus, card F = card E si et seulement si f est bijective.

Démonstration. Il suffit d’appliquer le corollaire précédent à F = f (E).

Corollaire 4

Soit E et F deux ensembles finis de même cardinal et soit f une application de E dans F . On
a
f injective ⇔ f surjective ⇔ f bijective

Proposition 2

Soit A et B deux parties de E un ensemble fini.

Si A ∩ B = ∅ alors
card (A ∪ B) = card A + card B

Démonstration. On pose a = card A et b = card B. Soit f une bijection de A dans J1, aK et g une bijection
de B dans J1, bK. (
f (x) si x ∈ A
On pose h application de A ∪ B dans J1, a + bK définie par : ∀x ∈ A ∪ B, h(x) = .
g(x) + a si x ∈ B
L’application h est bijective, donc card (A ∪ B) = card A + card B.

Corollaire 5

Soit n un entier tel que n ≥ 2, A1 , . . . , An des parties de E un ensemble fini qui sont deux à
deux disjointes (c’est-à-dire i 6= j =⇒ Ai ∩ Aj = ∅).
On a alors
n n
!
[ X
card Ai = card Ai
i=1 i=1

S 
n−1
Démonstration. La preuve se fait par récurrence, il suffit de remarquer que An ∩ i=1 Ai = ∅.

Corollaire 6

Soit A et B deux parties de E un ensemble fini.

card (A ∪ B) = card A + card B − card (A ∩ B)

Démonstration. On considère A0 = A \ (A ∩ B) et B 0 = B \ (A ∩ B). On a ainsi : A ∪ B = A0 ∪ B 0 ∪ (A ∩ B),

unions deux à deux disjointes, donc card (A ∪ B) = card (A0 ) + card (B 0 ) + card (A ∩ B).
38 CHAPITRE 3. DÉNOMBREMENT

Or A = A0 ∪ (A ∩ B), union disjointe, donc card A = card (A0 ) + card (A ∩ B). De même card B =
card (B 0 ) + card (A ∩ B).
On en déduit que card (A ∪ B) = card (A) + card (B) − card (A ∩ B).

Théorème 3

Formule du crible (ou de Poincaré). Hors-programme !

Soit A, B, C ∈ P(E), on a

card (A∪B∪C) = card A+card B+card C−card (A∩B)−card (A∩C)−card (B∩C)+card (A∩B∩C)

Plus généralement, si A1 , . . . An ∈ P(E), on a

  n
n X X
card ∪ Ai = (−1)j+1 card ∩ Ai
i=1 i∈J
j=1 J⊂J1,nK,card J=j

Démonstration. La preuve se fait par récurrence.

Définition 2

S I un ensemble fini de N. (Ai )i∈I est une partition de E si i 6= j =⇒ Ai ∩ Aj = ∅ et

Soit
Ai = E.
i∈I

Proposition 3
P
Si E est fini et (Ai )i∈I est une partition de E alors card E = card Ai .
i∈I

Démonstration. C’est une conséquence directe du corollaire 5.

Proposition 4 (Principe des bergers)

Soit f une surjection de E sur F fini de cardinal n, telle que quelque soit y ∈ F ,
card f −1 ({y}) = p, alors

card (E) = np

X
Démonstration. f −1 ({y}) y∈E forme une partition de E donc card (E) = card f −1 ({y}) = np.

y∈F

Remarque. Pour compter le nombre de pattes d’un troupeau, il suffit de faire le produit du nombre de
moutons par 4.

Proposition 5

On rappelle le produit cartésien de A et B : A × B = {(x, y), x ∈ A, y ∈ B}. Si A et B sont

finis, alors A × B est fini et card (A × B) = card A × card B.
3.2. CARDINAL D’UN ENSEMBLE 39

Démonstration. Soit f une bijection de A dans J1, aK et g bijection de B dans J1, bK, avec a = card A et
b = card B.
On pose h définie par
∀(x, y) ∈ A × B, h(x, y) = f (x) + a(g(y) − 1)

Montrons que h est injective. Soit (c, d), (x, y) ∈ A × B tels que h(c, d) = h(x, y). On a ainsi f (c) − f (x) =
a(g(y) − g(d)). Or f (c) − f (x) est un entier compris entre 1 − a et a − 1, comme il doit être divisible par a
d’après l’égalité précédente, il est nécessairement nul. Donc f (c) = f (x), puis g(y) = g(d) car a 6= 0. On
sait que f et g sont des bijections donc x = c et y = d donc h est injective.
Montrons que h est surjective. Soit k ∈ J1, abK, on écrit la division euclidienne de k − 1 par a : il existe
r ∈ J0, a − 1K et q entier tel que k − 1 = aq + r. On remarque que q ∈ J0, b − 1K. On a ainsi, k = (r + 1) + aq.
Soit x ∈ A tel que f (x) = r + 1 et y ∈ B tel que g(y) = q + 1, c’est possible car f et g sont bijectives donc
surjectives. On a alors h(x, y) = k d’où la surjectivité de h.
Ainsi h est une bijection de A × B dans J1, abK, donc card (A × B) = card (A) × card (B).

Proposition 6

Soit E et F deux ensembles finis, on a card F E = (card F )card E , où on rappelle que F E désigne
l’ensemble des applications de E dans F .

Démonstration. On procède par récurrence sur card E.

0
Pour l’hérédité, on pose E 0 = E ∪ {x} avec x ∈ / E. On construit une bijection de F E dans F E × F {x} .
En effet, l’application φ qui à f , application de E 0 dans F , associe (g, h) où g est la restrictionde f sur
0
E et h la restriction de f sur {x} est bijective. Ainsi, d’après la proposition précédente, card F E =
0
card F E × card F {x} = card (F )card (E)+1 = card (F )card (E ) .

Proposition 7

Il y a n(n − 1) . . . (n − p + 1) = n!
(n−p)! = Apn applications injectives de E dans F si card E = p
et card F = n.

Démonstration. On compte le nombre d’applications injectives. Pour l’élément p de {1, . . . , p}, on peut
lui choisir n images possibles, puis pour les p − 1 autres éléments, il nous reste Ap−1
n−1 choix. On a donc la
p p−1 1 n!
relation An = nAn−1 = n(n − 1) . . . (n − p + 2)An−p+1 = n(n − 1) . . . (n − p + 1) = (n−p)! .

Définition 3

Une permutation de n éléments est une bijection de {1, . . . , n} dans E. (il faut que card E = n).

Proposition 8

Il y a n! permutation. (en effet c’est Ann ).

Démonstration. C’est une conséquence du théorème 2.

40 CHAPITRE 3. DÉNOMBREMENT

3.3 Coefficients binômiaux et formule du binôme de Newton

Définition 4

Une combinaison sans répétition de n éléments pris p à p est une partie de p éléments d’un
ensemble à n éléments.

4
Remarque. ! Pour les applications injectives, il y a un ordre (l’image de 1, l’image de 2, etc). Pour les
combinaisons, l’ordre n’importe plus :{Atchoum, Joyeux, Prof} et {Prof, Atchoum, Joyeux} représentent
la même combinaison à 3 éléments de l’ensemble des 7 nains.

Proposition 9

Soit n, p ∈ N, p ≤ n. Il y a np = p!(n−p)!
n!


combinaisons de n éléments pris p à p.
n


L’entier p est appelé coefficient binomial.
Par convention, on pose np = 0 si p > n ou si p < 0.

Démonstration. On prend d’abord une application injective puis on ”tue” l’ordre en divisant par le nombre
de bijections sur un ensemble à p éléments.
Voici une preuve plus formelle. On pose F le nombre de combinaisons de n éléments pris p à p, E l’ensemble
des injections de J1, nK dans J1, pK. On considère l’application φ qui à f ∈ E associe f (J1, nK). On a ainsi
φ surjective et pour tout élément y de F , φ−1 ({y}) est de cardinal p!. On applique ensuite le principe des
bergers.

Pour s’entraı̂ner. Exercices 4, 5

Proposition 10 (Propriétés élémentaires des coefficients binomiaux)

∀n, p ∈
N, p ≤ n

ˆ np = n−p n

ˆ n0
= nn =




1
ˆ n1 = n−1 n
=n
n n

n(n−1)
ˆ 2 = n−2 = 2

ˆ si p ≥ 1, np = np n−1



p−1
ˆ si p ≥ 1, np = n−1 n−1




p + p−1 .

Pour s’entraı̂ner. Exercices 6, 7

Remarque. Grâce à la convention de la proposition précédente, cette dernière formule reste vraie pour
tout n, p.

n


Démonstration. Il s’agit juste d’appliquer la définition de p .

Cette dernière formule appelée formule de Pascal permet de retrouver rapidement les coefficients
binomiaux à l’aide du triangle de Pascal.
3.3. COEFFICIENTS BINÔMIAUX ET FORMULE DU BINÔME DE NEWTON 41

1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1

Théorème 4 (Formule du binôme de Newton)

n
n
Soit a, b ∈ R, n ∈ N, (a + b)n = ak bn−k
P

k .
k=0

Démonstration. : Nous allons procéder par récurrence. Pour tout entier n, on pose P(n) :“(a + b)n =
n
ak bn−k nk ”
P

k=0
0
0
Initilisation : (a + b)0 = 1 = ak b0−k
P

k , donc P(0) est vraie.
k=0
Hérédité : Soit n ∈ N, on suppose que P(n) est vraie. Montrons P(n + 1).
n  
k n−k n
X
n+1 n
(a + b) = (a + b)(a + b) = (a + b) a b on a utilisé l’hypothèse de récurrence
k
k=0
n   X n  
k+1 n−k n k n−k+1 n
X
= a b + a b on a développé le (a + b)
k k
k=0 k=0
n−1   n  
k+1 n−k n k n−k+1 n
X X
n+1 n+1
=a + a b +b + a b
k k
k=0 k=1
on a séparé le terme en k = n de la 1ère somme et le terme en k = 0 de la 2ème
n   n  
X n X n
= an+1 + a` bn−`+1 + bn+1 + ak bn−k+1
`−1 k
`=1 k=1
on a fait le changement d’indice ` = k + 1 dans la 1ère somme
n    
n+1 n+1
X
k n−k+1 n n
=a +b + a b + on a regroupé les deux sommes
k−1 k
k=1
n  
k n−k+1 n + 1
X
n+1 n+1
=a +b + a b on a utilisé la formule de Pascal
k
k=1
n+1  
k n−k+1 n + 1
X
= a b
k
k=0
on a réinjecté les deux termes dans la somme car ils correspondent à k = 0 et k = n + 1

Donc P(n + 1) est vraie.

n
n
Conclusion, ∀n ∈ N, (a + b)n = ak bn−k
P

k .
k=0
n  
X n
Exemple 3.1. Pour tout a ∈ R, ak = (1 + a)n .
k
k=0
42 CHAPITRE 3. DÉNOMBREMENT

n  
X n
En particulier, = 2n .
k
k=0

Pour s’entraı̂ner. Exercices 1, 2, 8

Proposition 11

Soit E un ensemble fini, alors card P(E) = 2card E .

Démonstration. On peut compter les parties de E selon leur nombre d’éléments : comme il y a card E


k
parties de E de k éléments, en sommant on trouve le résultat demandé.
On aurait aussi pu remarquer que P(E) et {0, 1}E sont en bijection (à toute partie de E on associe sa
fonction indicatrice), d’où le résultat.
Chapitre 4

Fonction de la variable réelle

4.1 Fonctions usuelles

4.1.1 Fonction exponentielle

Théorème 1 (Fonction exponentielle)

Il existe une unique fonction f définie et dérivable sur R telle que : ∀x ∈ R, f 0 (x) = f (x) et
f (0) = 1. On appelle cette fonction “fonction exponentielle” et on la note soit x 7→ ex , soit
x 7→ exp(x).

Démonstration. La preuve de ce théorème est renvoyée à la fin de ce chapitre.

43
44 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Proposition 1

La fonction exponentielle a les propriétés suivantes :

ˆ ∀x, y ∈ R, exp(x + y) = exp(x) × exp(y)
ˆ ∀x ∈ R, exp(x) ≥ 0
ˆ ∀x ∈ R, exp(−x) = exp(x)1
et ainsi exp(x) > 0.
ˆ ∀x ∈ R, ∀n ∈ Z, (exp x)n = exp(nx)
ˆ elle est croissante : ∀x, y ∈ R, x ≤ y =⇒ exp(x) ≤ exp(y)
ˆ lim exp(x) = 0
x→−∞
ˆ lim exp(x) = +∞
x→+∞

Démonstration. ˆ Soit y ∈ R, on pose f : x 7→ exp(x) exp(y − x). La fonction f est dérivable et on a

f 0 (x) = exp(x) exp(y − x) − exp(x) exp(y − x) = 0. Ainsi la fonction f est constante égale à f (0).
Or f (0) = exp(y). On a donc, pour tout x, y ∈ R, exp(x) exp(y − x) = exp(y). En posant a = x et
b = y − x, on a exp(a) exp(b) = exp(a + b).
ˆ D’après la propriété précédente, on a pour tout x ∈ R, exp(x) = exp(x/2) exp(x/2) ≥ 0.
ˆ D’après la première propriété, on a ∀x ∈ R, exp(x) exp(−x) = 1, donc exp(−x) = exp 1
x.
ˆ Par récurrence on a pour tout x ∈ R, pour tout n ∈ N, exp(nx) = (exp x)n . On obtient le résultat
pour tout n ∈ Z en utilisant la propriété précédente.
ˆ La fonction exp est dérivable de dérivée strictement positive donc est strictement croissante.
ˆ D’après le théorème de la limite monotone (énoncé dans ce chapitre), la fonction exponentielle étant
minorée par 0 et croissante, admet une limite finie en −∞. Soit y < 0, comme exp est strictement
croissante, exp(y) < exp(0) = 1. Ainsi, lim exp(x) = lim exp(ny) = lim (exp y)n = 0.
x→+∞ n→+∞ n→+∞
ˆ On procède de même en prenant y > 0, ainsi exp(y) > exp(0) = 1.

4.1.2 Fonction logarithme

Théorème 2 (Fonction logarithme)

Il existe une unique fonction f définie sur R∗+ telle que ∀x ∈ R, f (exp(x)) = x. On appelle cette
fonction “fonction logarithme” et on la note x 7→ ln(x).

Démonstration. La preuve de ce théorème est renvoyée à la fin de ce chapitre.

4.1. FONCTIONS USUELLES 45

Proposition 2

La fonction logarithme a les propriétés suivantes :

ˆ ln(1) = 0
ˆ ∀x, y ∈ R∗+ , ln(xy)

= ln(x) + ln(y)
ˆ ∀x ∈ R+ , ln x = − ln(x)
∗ 1

ˆ ∀x ∈ R∗+ , ∀n ∈ Z, ln(xn ) = n ln(x)

ˆ elle est croissante : ∀x, y ∈ R∗+ , x ≤ y =⇒ ln(x) ≤ ln(y)
ˆ lim ln(x) = −∞
x→0
ˆ lim ln(x) = +∞
x→+∞
ˆ elle est dérivable sur R∗+ et ∀x ∈ R∗+ , (ln(x))0 = 1
x

Démonstration. ˆ 0 = ln(exp(0)) = ln(1).

ˆ Soit x, y ∈ R∗+ , il existe a, b ∈ R tels que x = exp(a) et y = exp(b). Ainsi, ln(xy) = ln(exp(a) exp(b)) =
ln(exp(a + b)) = a + b = ln(x) + ln(y).
ˆ Soit x ∈ R∗+ , on pose a = ln(x). On a 1/x = exp(−a), donc ln(1/x) = −a = − ln(x).
ˆ On procède par récurrence pour avoir le résultat pour n ∈ N et on utilise la propriété précédente
pour avoir le résultat pour n ∈ Z.
ˆ Comme exp est croissante, ln est de même monotonie.
ˆ Conséquence de la limite en −∞ de exp.
ˆ Conséquence de la limite en +∞ de exp.
ˆ Comme exp est dérivable et sa dérivée ne s’annule pas, ln est aussi dérivable. On a ainsi, d’après
la formule de la dérivée de la réciproque présente plus tard dans ce chapitre, ∀x ∈ R∗+ , (ln x)0 =
1 1
exp(ln x) = x .
46 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

4.1.3 Fonctions puissances

Définition 1

On rappelle pour quelles valeurs de x et de y l’expression xy a un sens :

ˆ si y est un entier naturel, alors pour tout réel x, xy existe et vaut x × x × . . . × x, y fois.
Par convention , 0y = 0 si y est non nul, 00 = 1.
−y
ˆ si y est un entier négatif, alors pour tout réel non nul x, xy existe et on a xy = x1 .
ˆ si y est un réel non entier, alors pour tout réel strictement positif x, on définit x par
y

xy = exp(y ln(x)).

Remarque. On obtient ainsi la formule générale : ∀x > 0, ln(xy ) = y ln(x)

Remarque. Lorsque l’on manipulera des puissances, il faudra ne pas oublier cette écriture exponentielle :
xy = exp(y ln(x)) qui peut être très pratique.

4.1.4 Fonctions trigonométriques

On renvoie le lecteur au formulaire de trigonométrie distribué en cours et présent à la fin de ce chapitre

pour se familiariser avec les fonctions cosinus, sinus et tangente.
4.2. LIMITE ET CONTINUITÉ 47

4.2 Limite et continuité

Soit I un intervalle, x0 ∈ I et f une fonction définie sur I ou I \ {x0 }.
48 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Définition 2 (Limite en un point)

Soit ` ∈ R, on dit que ` est limite de f en x0 , si

∀ε > 0, ∃η > 0, ∀x ∈ I, |x − x0 | < η =⇒ |f (x) − `| < ε

et on note lim f (x) = `.

x→x0

Remarque. Si f est définie en x0 et admet une limite en x0 alors sa limite est f (x0 ).

Théorème 3 (Unicité de la limite)

Si la limite de f en x0 existe, elle est unique.

Démonstration. Soit ` et `0 limites de f en x0 . Soit ε > 0, ∃η > 0, ∀x ∈ I, |x − x0 | < η =⇒ |f (x) − `| < ε

2
et ∃η 0 > 0, ∀x ∈ I, |x − x0 | < η 0 =⇒ |f (x) − `0 | < 2ε .
Or, ∀x ∈ I, |` − `0 | = |` − f (x) + f (x) − `0 | ≤ |f (x) − `| + |f (x) − `0 |.
Ainsi, ∀x ∈ I, |x − x0 | < min(η, η 0 ) =⇒ |` − `0 | et donc ` = `0 .

Proposition 3

Si f admet une limite ` en x0 , alors f est bornée sur un intervalle ouvert contenant x0 .
De plus, si ` 6= 0, alors f est du signe de ` sur un intervalle ouvert contenant x0 .

Démonstration. Soit ε = 1, ∃η > 0, ∀x ∈ I, |x − x0 | < η =⇒ |f (x) − `| < 1

et donc ∀x ∈]x0 − η, x0 + η[∩I, ` − 1 < f (x) < ` + 1.
Si ` > 0, on prend ε = 2` ,
∃η > 0, ∀x ∈ I, |x − x0 | < η =⇒ |f (x) − `| < 2`
et donc, 2` < f (x) < 3`
2.
Si ` < 0, on prend ε = − 2` et on applique le même raisonnement.

Définition 3 (Limites à droite et à gauche)

On dit que ` est la limite à droite de f si

∀ε > 0, ∃η > 0, ∀x ∈ I, x ∈]x0 , x0 + η[ =⇒ |f (x0 ) − `| < ε

On note lim f (x) = `.

x→x+
0
On dit que ` est la limite à gauche de f si

∀ε > 0, ∃η > 0, ∀x ∈ I, x ∈]x0 − η, x0 [ =⇒ |f (x0 ) − `| < ε

On note lim f (x) = `.

x→x−
0

Remarque. Si f a pour limite ` en x0 et f est définie en x0 alors f (x0 ) = `.

Si f a pour limite à droite (ou à gauche) ` en x0 et f est définie en x0 alors on peut avoir f (x0 ) 6= `.
4.2. LIMITE ET CONTINUITÉ 49

Exemple 4.1. f définie par ∀x ∈ R, f (x) = bxc. On a lim f (x) = 0 et pourtant f (1) = 1.
x→1−

Proposition 4

ˆ Si f est définie en x0 

 lim f (x) = `
+
x→x0


lim f (x) = ` ⇔ lim f (x) = `
x→x0 x→x −

 0

f (x ) = `
0

ˆ Si f n’est pas définie en x0


 lim+ f (x) = `

x→x0
lim f (x) = ` ⇔
x→x0  lim− f (x) = `

x→x0

Démonstration. On fait le cas f non définie en x0 , l’autre est similaire.

Le sens direct est immédiat.
On suppose que f admet la même limite à gauche et à droite en x0 . Soit ε > 0, il existe η1 > 0 tel que
pour tout x > x0 , |x − x0 | < η1 implique |f (x) − `| < ε, de même il existe η2 > 0 tel que pour tout x < x0 ,
|x − x0 | < η2 implique |f (x) − `| < ε.
On pose η = min(η1 , η2 ). On a ainsi, pour tout x tel que |x − x0 | < η alors |f (x) − `| < ε d’où le
résultat.

Définition 4 (Continuité en un point)

Soit f définie en x0 .
ˆ f est continue en x0 si f a une limite en x0 (i.e. si lim f (x) = f (x0 )).
x→x0
ˆ f est continue à droite en x0 si f a une limite à droite en x0 égale à f (x0 ) (i.e. si
lim f (x) = f (x0 )).
x→x+
0
ˆ f est continue à gauche en x0 si f a une limite à gauche en x0 égale à f (x0 ) (i.e. si
lim f (x) = f (x0 )).
x→x−
0

Définition 5 (Limite finie en +∞)

Un réel ` est limite de f en +∞ si :

∀ε > 0, ∃A > 0, ∀x ∈ I, x > A =⇒ |f (x) − `| < ε

et on note lim f (x) = `.

x→+∞
50 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Définition 6 (Limite finie en −∞)

Un réel ` est limite de f en −∞ si :

∀ε > 0, ∃A < 0, ∀x ∈ I, x < A =⇒ |f (x) − `| < ε

et on note lim f (x) = `.

x→−∞

Définition 7 (Limites infinies)

ˆ f a pour limite +∞ en x0 si

∀A > 0, ∃η > 0, ∀x ∈ I, |x − x0 | < η =⇒ f (x) > A

ˆ f a pour limite +∞ en +∞ si

∀A > 0, ∃B > 0, ∀x ∈ I, x > B =⇒ f (x) > A

ˆ f a pour limite +∞ en −∞ si

∀A > 0, ∃B < 0, ∀x ∈ I, x < B =⇒ f (x) > A

Théorème 4 (Opérations algébriques sur les limites finies)

Soit x0 ∈ R (cela signifie que soit x0 ∈ R, soit x0 = −∞ soit x0 = +∞).

Si lim f (x) = ` et lim g(x) = `0 alors
x→x0 x→x0

lim (f (x) + g(x)) = ` + `0

x→x0

et
lim f (x)g(x) = ``0
x→x0

De plus, si `0 6= 0, alors
1 1
lim = 0
x→x0 g(x) `
et
f (x) `
lim =
x→x0 g(x) `0

Démonstration. La preuve est analogue à celle pour les opérations sur les suites convergentes ou qui
tendent vers ±∞.
4.2. LIMITE ET CONTINUITÉ 51

Théorème 5 (Opérations algébriques sur les limites infinies)

Soit x0 ∈ R. Si lim f (x) = +∞ et g est minorée sur un intervalle ouvert contenant x0 alors
x→x0
lim f (x) + g(x) = +∞.
x→x0
Si lim f (x) = +∞ et g est minorée sur un intervalle ouvert contenant x0 par une constante
x→x0
strictement positive alors lim f (x)g(x) = +∞.
x→x0
1
Si lim f (x) = +∞, alors lim = 0.
x→x0 x→x0 f (x)
Si lim f (x) = 0, alors lim 1 = +∞.
x→x0 x→x0 |f (x)|

Démonstration. La preuve est analogue au résultat similaire sur les suites. Rédigeons néanmoins le premier
point dans le cas où x0 ∈ R.
Soit a > 0, m ∈ R tel que g est minorée par m sur [x0 − a, x0 + a]. Soit M ∈ R. Comme lim f (x) = +∞,
x→x0
il existe α > 0 tel que pour tout x tel que |x − x0 | < α, f (x) ≥ M − m. On pose η = min(a, α) et on a
pour tout x tel que |x − x0 | < η, f (x) + g(x) ≥ M d’où le résultat.

Théorème 6 (Compatibilité de la limite avec la relation d’ordre pour les limites finies)

Si lim f (x) = ` et lim g(x) = `0 et si sur un intervalle ouvert contenant x0 , on a f (x) ≤ g(x),
x→x0 x→x0
alors ` ≤ `0 .

0
Démonstration. On procède par l’absurde, on suppose que `0 < `. On pose ε = `−` 4 . Il existe η1 tel que
pour tout x ∈ [x0 − η1 , x0 + η1 ], |f (x) − `| ≤ ε et il existe η2 tel que pour tout x ∈ [x0 − η2 , x0 + η2 ],
|g(x) − `0 | ≤ ε. On pose η = min(η1 , η2 ), ainsi pour tout x ∈ [x − η, x + η], g(x) ≤ `0 + ε < ` − ε ≤ f (x) ce
qui est absurde.

Remarque. Si f (x) < g(x), alors on a encore ` ≤ `0 (les inégalités strictes deviennent larges en passant à
la limite).

Théorème 7 (Caractérisation séquentielle de la continuité)

Si lim f (x) = ` et (un )n∈N telle que lim un = x0 , alors lim f (un ) = `.
x→x0 n→∞ n→+∞

Démonstration. On ne fait ici que le cas où ` = +∞, x0 ∈ R.

∀A > 0, ∃η > 0, ∀x ∈ I, |x − x0 | < η =⇒ f (x) > A, et, en prenant ε = η dans la définition de
la convergence de (un )n∈N , on a ∃N, ∀n ≥ N, |un − x0 | < η. On en conclut donc que ∀A > 0, ∀n ≥
N, f (un ) > A.
Les autres cas, similaires, sont laissés en exercice.

Exemple 4.2. Montrons que la fonction cosinus n’a pas de limite en +∞. On pose, ∀n ∈ N, un = 2nπ
et vn = (2n + 1)π. On a lim un = lim vn = +∞, mais ∀n ∈ N, f (un ) = 1 et f (vn ) = −1 et donc
n→+∞ n→+∞
lim f (un ) = 1 6= lim f (vn ), ce qui signifie que la fonction cosinus n’a pas de limite en +∞.
n→+∞ n→+∞
52 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Théorème 8 (Limite d’une fonction composée)

Soit a, b, c ∈ R si lim f (x) = b et lim g(x) = c alors

x→a x→b

lim g ◦ f (x) = c
x→a

Démonstration. Soit ε > 0. On sait qu’il existe η > 0 tel que pour tout x tel que |x − b| < η, |g(x) − c| < ε.
Soit α > 0 tel que pour tout x tel que |x − a| < α, |f (x) − b| < η. Ainsi, pour tout x tel que |x − a| < α,
on a |g ◦ f (x) − c| < ε d’où le résultat.

Théorème 9 (Théorème d’encadrement ou des gendarmes)

On suppose que sur un intervalle ouvert contenant x0 , on a g(x) ≤ f (x) ≤ h(x) et de plus que
lim g(x) = lim h(x) = `.
x→x0 x→x0
Dès lors,
lim f (x) = `
x→x0

Démonstration. La preuve est analogue au théorème d’encadrement pour les suites.

Théorème 10 (Existence d’une limite infinie par encadrement)

On suppose que sur un intervalle ouvert contenant x0 , on a f (x) ≤ g(x). Alors

lim f (x) = +∞ =⇒ lim g(x) = +∞

x→x0 x→x0

lim g(x) = −∞ =⇒ lim f (x) = −∞

x→x0 x→x0

Démonstration. La preuve est analogue au résultat similaire pour les suites.

Définition 8 (Prolongement par continuité)

Si f est définie sur I \ {x0 } et lim f (x) = ` ∈ R, alors on dit que f est prolongeable par
x→x0
continuité. La fonction f˜ définie par
(
f (x) si x ∈ I \ {x0 }
f˜ : x 7→
` si x = x0

est ainsi continue sur I.

−1
Exemple 4.3. On définit sur R \ {0} la fonction f telle que ∀x ∈ R \ {0}, f (x) = e x2 . On prolonge f en 0
en posant f˜(0) = 0 et dès lors, f˜ est continue sur R.
4.3. ÉTUDE GLOBALE 53

4.3 Étude globale

Définition 9 (Fonctions paires et impaires)

Une fonction f est paire si I est centré en 0 et ∀x ∈ I, f (−x) = f (x).

Une fonction f est impaire si I est centré en 0 et ∀x ∈ I, f (−x) = −f (x).

Proposition 5

Toute fonction de I (centré en 0) dans R s’écrit de manière unique comme la somme d’une
fonction paire et d’une fonction impaire.

Démonstration. Soit f une fonction de I dans R. On pose g : x 7→ f (x)+f 2

(−x)
et h : x 7→ f (x)−f
2
(−x)
. On a g
paire, h impaire et g+h = f . Pour l’unicité, si g1 , g2 paires et h1 , h2 impaires telles que g1 +h1 = g2 +h2 = f ,
alors pour tout x ∈ I, on a g1 (x)+h1 (x) = g2 (x)+h2 (x) et g1 (−x)+h1 (−x) = g1 (x)−h1 (x) = g2 (x)−h2 (x).
En sommant les deux égalités on a g1 (x) = g2 (x) et ainsi h1 (x) = h2 (x), ceci étant vrai pour tout x ∈ I,
on a bien l’unicité.

Méthode (Raisonnement par analyse synthèse)

Le raisonnement par analyse synthèse permet de montrer des résultats d’existence et unicité.
L’idée est de commencer par l’analyse où on suppose l’existence pour montrer l’unicité et aussi
déterminer une expression de la quantité désirée.
Reprenons la preuve du théorème précédent.
Analyse : on suppose l’existence de g paire et h impaire telles que g + h = f . Soit x ∈ I, on a
g(x) + h(x) = f (x) et en évaluant en −x, on obtient, g(x) − h(x) = f (−x). Ainsi, en sommant
ces deux égalités on obtient g(x) = 12 (f (x) + f (−x)) et h(x) = 21 (f (x) − f (−x)).
Synthèse : on pose g : x 7→ 21 (f (x) + f (−x)) et h : x 7→ 12 (f (x) − f (−x)). On vérifie d’une part
que g est impaire car pour tout x ∈ I, g(−x) = g(x), puis d’autre par que h est impaire, car
pour tout x ∈ I, h(−x) = −h(x) et enfin que g + h = f .

Définition 10

f est majorée s’il existe M ∈ R, ∀x ∈ I, f (x) ≤ M .

f est minorée s’il existe m ∈ R, ∀x ∈ I, f (x) ≥ m.
f est bornée s’il existe M ∈ R, ∀x ∈ I, |f (x)| ≤ M .

Remarque. Si f (I) est une partie non vide majorée, alors on l’existence de sa borne supérieure que l’on
note supf .
I

Définition 11 (Fonction périodique)

f est périodique de période T si I est stable par la translation x 7→ x+T et ∀x ∈ I, f (x+T ) =

f (x).

Exemple 4.4. Les fonctions cos, sin, tan sont 2π-périodiques. La fonction x 7→ x − bxc est 1-périodique.
54 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Définition 12 (Fonction monotone)

f est croissante sur I si ∀x, y ∈ I, x ≤ y =⇒ f (x) ≤ f (y).

f est strictement croissante sur I si ∀x, y ∈ I, x < y =⇒ f (x) < f (y).
f est décroissante sur I si ∀x, y ∈ I, x ≤ y =⇒ f (x) ≥ f (y).
f est strictement décroissante sur I si ∀x, y ∈ I, x < y =⇒ f (x) > f (y).
f est monotone si elle est croissante ou décroissante.

Remarque. Les réciproques des “si” de la définition précédente sont vraies en rendant strictes les inégalités
larges et larges les inégalités strictes, car cela correspond à la contraposée en échangeant les rôles de x et
y.

Proposition 6 (Monotonie et composition)

Soit f monotone sur I, g monotone sur J tel que f (I) ⊂ J. Alors g ◦ f est monotone sur I, en
particulier
ˆ g ◦ f est croissante si f et g sont de même monotonie.
ˆ g ◦ f est décroissante si f et g sont de monotonies contraires.

Démonstration. ˆ Si f et g sont croissantes, on a pour tout x, y ∈ I, x ≤ y =⇒ f (x) ≤ f (y) =⇒

g ◦ f (x) ≤ g ◦ f (y). Si f et g sont décroissantes, on a pour tout x, y ∈ I, x ≤ y =⇒ f (x) ≥ f (y) =⇒
g ◦ f (x) ≤ g ◦ f (y).
ˆ Si f est croissante et g décroissante, on a pour tout x, y ∈ I, x ≤ y =⇒ f (x) ≤ f (y) =⇒ g ◦ f (x) ≥
g ◦ f (y). L’autre cas est similaire.

Théorème 11 (Théorème de la limite monotone)

Si I =]a, b[ et f monotone sur I alors f admet une limite à droite et à gauche en tout point de
I. De plus
ˆ si f est croissante sur I et non majorée, alors lim f (x) = +∞ et si f est majorée alors
x→b−
lim f (x) = supf .
x→b− I
ˆ si f est croissante sur I et non minorée, alors lim f (x) = −∞ et si f est minorée alors
x→a+
lim f (x) = inf f .
x→a+ I
On a les résultats analogues pour f décroissante.

Démonstration. On suppose f croissante sur I. Soit x0 ∈ I, montrons que f a une limite à gauche en x0 .
On pose A = {f (x), x < x0 }, on sait que A 6= ∅ et A est majorée par f (x) donc sup A existe.
Soit ε > 0, on sait qu’il existe x1 ∈ I, tel que x1 < x0 et sup A − ε < f (x1 ) ≤ sup A. Et donc ∀x ∈]x1 , x0 [,
sup A − ε < f (x1 ) ≤ f (x) ≤ sup A < sup A + ε.
On pose η = x0 − x1 et on a bien x ∈]x0 − η, x0 [ =⇒ |f (x) − sup A| < ε.
Comportement en b : le cas f majorée est analogue à ce qui précède. Faisons le cas où f n’est pas majorée.
Soit A > 0, ∃x1 ∈ I tel que f (x1 ) > A et par croissance, ∀x ∈]x1 , b[, f (x) > A. En posant η = b − x1 , on
obtient ∀x ∈]b − η, b[, f (x) > A.
Les autres cas sont laissés en exercice au lecteur.
4.3. ÉTUDE GLOBALE 55

Définition 13 (Fonction continue)

On dit que f est continue sur I si elle est continue en chaque point de I.

Proposition 7 (Opérations algébriques)

La somme et le produit de deux fonctions continues est une fonction continue.

L’inverse d’une fonction continue ne s’annulant pas est une fonction continue.
La composée d’une fonction f continue sur I par une fonction g continue sur J telle que f (I) ⊂ J
est continue sur I (i.e. g ◦ f est continue).

Démonstration. C’est une conséquence directe des opérations sur les limites.

Théorème 12 (Théorème des valeurs intermédiaires (TVI))

Si f est continue sur I et a, b ∈ I, a < b alors pour tout r compris entre f (a) et f (b), il existe
c ∈ [a, b] tel que f (c) = r.

Démonstration. Par dichotomie. On suppose que f (a) ≤ r ≤ f (b). On construit deux suites (an )n∈N et
(bn )n∈N par
récurrence telles que a0 = a et b0 = b. Soit n ∈ N, on suppose a
n et bn construits.
Si f an +b
2
n
< r alors on pose an+1 = an +b
2
n
et bn+1 = bn . Sinon, si f an +b
2
n
≥ r alors on pose an+1 = an
an +bn
et bn+1 = 2 .
La suite (an )n∈N est croissante, (bn )n∈N décroissante et la suite (bn − an )n∈N est géométrique de raison 12
donc converge vers 0 et donc les suites (an )n∈N et (bn )n∈N sont adjacentes et convergent vers une même
limite que nous appelons c. Comme par construction, ∀n ∈ N, f (an ) ≤ r ≤ f (bn ) et donc, en passant à la
limite, on obtient f (c) ≤ r ≤ f (c) et donc f (c) = r.

Exemple 4.5. Soit f une fonction définie sur [a, b]. Si f (a)f (b) ≤ 0, alors il existe c ∈ [a, b] tel que f (c) = 0.
Exemple 4.6. Soit P un polynôme réel de degré impair. Alors P admet au moins une racine réelle.

Corollaire 1

L’image d’un intervalle I par une fonction continue f est un intervalle.

Démonstration. Montrons que pour tout y1 , y2 ∈ f (I), y1 ≤ y2 =⇒ [y1 , y2 ] ⊂ f (I).

Soit y1 , y2 ∈ I tels que y1 ≤ y2 et soit y ∈ [y1 , y2 ]. Comme y1 , y2 ∈ I, il existe x1 , x2 ∈ I tels que f (x1 = y1
et f (x2 ) = y2 . D’après le théorème des valeurs intermédiaires, il existe x ∈ [x1 , x2 ] (ou [x2 , x1 ] si x2 ≤ x1 ),
tel que f (x) = y et donc y ∈ f (I).

Théorème 13

Soit I = [a, b] et f une fonction continue sur I. Alors f est bornée et atteint ses bornes
(supf = maxf et inf f = minf )
I I I I
56 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Démonstration. On sait que f (I) est un intervalle. On suppose que f n’est pas bornée sur I. On va
construire par récurrence deux suites (an )n∈N et (bn )n∈N à valeurs dans I telles que ∀n ∈ N, an ≤ bn et
f n’est pas bornée sur [an , bn ]. On pose a0 = a et b0 = b. Soit n ∈ N, on suppose an et bn construits.
On pose cn = an +b 2 . Ainsi f n’est pas bornée sur [an , cn ] ou sur [cn , bn ]. Dans le premier cas, on pose
n

an+1 = an et bn+1 = bn , dans le second cas, an+1 = cn et bn+1 = bn . On voit que les suites (an )n∈N
et (bn )n∈N sont adjacentes et convergent vers une même limite c. Or f est continue en c, donc il existe
η > 0, |x − c| < η =⇒ |f (x) − f (x)| < 1. Mais il existe un certain N tel que pour tout n ≥ N , |an − c| < η
et |bn − c| < η et donc f est bornée sur [an , bn ] ce qui est absurde. Donc f est bornée.
Montrons que M = supf est atteint. On suppose qu’il n’est pas atteint. Dès lors, g définie par g(x) =
I
1
M −f (x)est bien définie, continue et donc bornée. Ainsi ∃α > 0, ∀x ∈ I, 0 < g(x) ≤ α et donc f (x) ≤ M − α1
ceci pour tout x ∈ I, ce qui contredit la définition de M .

Corollaire 2

Si f est continue sur I = [a, b] alors f (I) = [minf, maxf ].

I I

Théorème 14 (Théorème de la bijection)

Si f est strictement monotone et continue sur I, alors f est une bijection continue de I vers
f (I) = J. De plus, f −1 est une bijection continue de J vers I de même monotonie que f .

Démonstration. On suppose f strictement croissante et continue sur I.

L’injectivité et la surjectivité sont immédiates.
Montrons que f −1 est strictement croissante. Soit y1 , y2 ∈ J, y1 < y2 , il existe x1 , x2 ∈ I tels que f (x1 ) = y1
et f (x2 ) = y2 et x1 < y2 . Or x1 = f −1 (y1 ) et f −1 (y2 ) et donc f −1 est strictement croissante.
Montrons que f −1 est continue. Soit y0 un point intérieur de J (qui n’est pas sur le bord de l’intervalle J).
On sait qu’il existe x0 ∈ I tel que f (x0 ) = y0 et x0 est intérieur à I. Soit ε > 0 tel que [x0 − ε, x0 + ε] ⊂ I.
On pose y1 = f (x0 − ε) et y2 = f (x0 + ε). Comme x0 − ε < x0 < x0 + ε, on a y1 < y0 < y2 . On pose
η = min(y0 − y1 , y2 − y0 ) et on obtient

|y − y0 | < η =⇒ |f −1 (y) − f −1 (y0 )| < ε

Donc f −1 est continue.

Exemple 4.7. La fonction tangente est strictement croissante et continue sur −π π

 
2 2 donc il existe une fonc-
,
tion que l’on nomme arctangente, qui est strictement croissante et continue telle que ∀x ∈ R, tan arctan x =
x et ∀x ∈ −π π
 
,
2 2 , arctan tan x = x.
4.4. DÉRIVATION 57

Remarque. Pour tracer la courbe de la fonction réciproque de f , on fait la symétrie du graphe de f par
rapport à la droite y = x.

Définition 14 (Continuité par morceaux)

Une fonction est dite continue par morceaux sur le segment [a, b] s’il existe une subdivision
a0 = a < a1 < . . . < an = b telle que les restrictions de f à chaque intervalle ouvert ]ai , ai+1 [
admettent un prolongement continu à l’intervalle fermé [ai , ai+1 ].

Exemple 4.8. Soit I = [a, b] un intervalle de R et f la fonction définie sur I par : ∀x ∈ I, f (x) = bxc. La
fonction f est continue par morceaux.

4.4 Dérivation
Soit f une fonction définie sur I, un intervalle non réduit à un point.

Définition 15 (Taux de variation)

On appelle taux de variation de f le réel

f (b) − f (a)
τ (a, b) = , ∀a, b ∈ I.
b−a

Définition 16 (Dérivabilité en un point)

On dit que f est dérivable en x0 , point intérieur de I, si

f (x) − f (x0 )
τ (x, x0 ) =
x − x0
admet une limite finie lorsque x tend vers x0 . Cette limite est appelée dérivée de f en x0 et est
notée f 0 (x0 ).
58 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Définition 17 (Dérivabilité à droite, à gauche)

On dit que f est dérivable à droite en x0 si

f (x) − f (x0 )
τ (x, x0 ) =
x − x0
admet une limite à droite finie en x0 .
Par analogie, on définit la notion de dérivabilité à gauche.

Remarque. Une fonction est dérivable en x0 si elle est dérivable à droite et à gauche en x0 et que les
dérivées à droite et à gauche sont égales.

Proposition 8

Si f est dérivable en x0 alors elle y est continue.

Démonstration. On remarque que ∀x ∈ I, x 6= x0 , f (x)−f (x0 ) = (x−x0 )τ (x0 , x). Or lim τ (x0 , x) = f 0 (x0 )
x→x0
et lim x − x0 = 0, donc lim f (x) − f (x0 ) = 0 donc f est continue en x0 .
x→x0 x→x0

Remarque. ATTENTION : la réciproque est fausse. Par exemple si on prend f définie sur R par ∀x ∈
R, f (x) = |x|, f est bien continue en 0 par contre f n’est pas dérivable en 0 car la dérivée de f en 0 à
gauche vaut −1 et celle à droite 1.

Définition 18

On dit que f est dérivable sur I si elle est dérivable en tout point intérieur de I. On note f 0 la
fonction dérivée de f .

Proposition 9 (Opérations algébriques sur les fonctions dérivables)

Soit f et g deux fonctions dérivables sur I.

ˆ f + g est dérivable et (f + g)0 = f 0 + g 0
ˆ f g est dérivable et (f g)0 = f 0 g + f g 0
 0 0
ˆ si f ne s’annule pas sur I, alors 1
f est dérivable et 1
f = −f
f2
 0
f f f 0 g−f g 0
ˆ si g ne s’annule pas sur I alors alors g est dérivable et g = g2

Démonstration. Pour la somme, c’est évident. Pour le produit, on remarque que f (x)(g(x) − g(x0 )) +
g(x0 )(f (x)−f (x0 )) = f (x)g(x)−f (x0 )g(x0 ). On divise par x−x0 et le premier terme tend vers f (x0 )g 0 (x0 )
et le second vers g(x0)f 0 (x0 ) lorsque
  x tend
 vers x0 . 0 (x )
1 1
Pour l’inverse de f , f (x) − f (x0 ) 1
x−x0 = f (xx−x
0 )−f (x)
0
× f (x)f1 (x0 ) qui tend bien vers −f 0
f (x0 )2
lorsque x
tend vers x0 .
Il suffit de faire le produit de f et g1 .
4.4. DÉRIVATION 59

Théorème 15 (Dérivée d’une composée)

Soit f dérivable sur I et g dérivable sur J = f (I). La fonction g ◦ f est dérivable sur I et pour
tout x ∈ I, (g ◦ f )0 (x) = f 0 (x) × g 0 (f (x)).

Démonstration. Si f est constante sur un voisinage de x0 , alors f 0 (x0 ) = 0 et trivialement g ◦ f (x0 ) = 0.

Sinon, on remarque que g◦f (x)−g◦f
x−x0
(x0 )
= f (x)−f
x−x0
(x0 )
× g◦ff (x)−f
(x)−g◦f (x0 )
(x0 ) , d’où le résultat.

Proposition 10 (Dérivées usuelles)

f (x) Domaine de définition de f 0 f 0 (x)

xn avec n ∈ N∗ R nxn−1
xα avec α ∈ R \ N∗ R∗+ αxα−1
exp(x) R exp(x)
ln(x) R∗+ 1
x

cos x R − sin x
sin x R cos x
π 1
tan x R\ 2 + kπ, k ∈ Z 1 + tan2 (x) = cos2 (x)

Soit u une fonction dérivable. On suppose que les compositions du tableau ci-dessous ont un
sens.

f (u(x)) (f (u))0
u(x)α αu0 (x)u(x)α−1
exp(u(x)) u0 (x) exp(u(x))
u0 (x)
ln(u(x)) u(x)

cos u(x) −u0 (x) sin u(x)

sin u(x) u0 (x) cos u(x)
u0 (x)
tan u(x) u0 (x)(1 + tan2 (u(x))) = cos2 (u(x))

Théorème 16 (Dérivée d’une fonction réciproque)

Soit f une fonction continue et strictement monotone sur I. Si f est dérivable en x0 ∈ I et

f 0 (x0 ) 6= 0, alors f −1 est dérivable en f (x0 ) et

0 1
f −1 (f (x0 )) =
f 0 (x0 )

Si f est dérivable sur I et f 0 ne s’annule pas sur I, alors f −1 est dérivable sur J et ∀x ∈ J

0 1
f −1 (x) =
f0 ◦ f −1 (x)
60 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

f −1 (x)−f −1 (y)
Démonstration. Soit x, y ∈ f (I) avec x 6= y. On pose u = f −1 (x) et v = f −1 (y). On a x−y =
u−v f −1 (x)−f −1 (y)
Or lorsque x → y, on a u → v. Ainsi,
f (u)−f (v) . x−y admet une limite lorsque x tend vers y si et
seulement si f (f (y)) 6= 0. Autrement dit, f est dérivable en f (v) si et seulement si f 0 (v) 6= 0.
0 −1 0

Pour le calcul de la dérivée de f −1 , il suffit de dériver id = f ◦ f −1 .

Exemple 4.9. La fonction tan est dérivable sur −π

 π
  −π π  0 2
2 , 2 et ∀x ∈ 2 , 2 , tan (x) = 1 + tan (x) ≥ 1. Donc
arctan est dérivable sur R et ∀x ∈ R
1 1
arctan0 (x) = 2
=
1 + (tan(arctan(x))) 1 + x2

Théorème 17 (Théorème de Rolle)

Soit a, b ∈ I, a < b

f est continue sur [a, b]

f est dérivable sur ]a, b[ =⇒ ∃c ∈]a, b[, f 0 (c) = 0

f (a) = f (b)


Démonstration. f est continue sur [a, b] donc y est bornée et atteint ses bornes maxf et minf . Si f est
[a,b] [a,b]
constante, alors ∀c ∈]a, b[, f 0 (c) = 0. Si f n’est pas constante, alors maxf et minf sont distincts et donc il
[a,b] [a,b]
existe c ∈]a, b[ tel que f (c) = maxf ou f (c) = minf . Sans perte de généralité, on suppose que f (c) = maxf .
[a,b] [a,b] [a,b]
Dès lors, il existe η1 > 0 tel que ∀x ∈]c − η1 , c[, τ (c, x) ≥ 0 et η2 > 0 tel que ∀x ∈]c, c + η2 [, τ (c, x) ≤ 0
donc f 0 (c) = 0.

Exemple 4.10. Soit P ∈ R[X]. Si P a n racines réelles distinctes, alors P 0 a au moins n − 1 racines réelles
distinctes.

Théorème 18 (Théorème des accroissements finis (TAF))

Soit a, b ∈ I, a < b. Si f est continue sur [a, b] et dérivable sur ]a, b[ alors il existe c ∈]a, b[ tel
que
f (b) − f (a)
τ (a, b) = = f 0 (c)
b−a

Démonstration. Si f (a) = f (b), alors c’est le théorème de Rolle. Sinon, on définit la fonction g sur I par
∀x ∈ I, g(x) = f (x) − f (b)−f b−a
(a)
(x − a). On a g(a) = g(b), donc d’après le théorème de Rolle, il existe
c ∈]a, b[ tel que g 0 (c) = 0 et donc f 0 (c) = τ (a, b).

Théorème 19 (Inégalité des accroissements finis (IAF))

Soit a, b ∈ I, a < b. Soit f continue sur [a, b] et dérivable sur ]a, b[.

∀x ∈ I, m ≤ f 0 (x) ≤ M =⇒ m ≤ τ (a, b) ≤ M

∀x ∈ I, |f 0 (x)| ≤ M =⇒ |τ (a, b)| ≤ M

Démonstration. C’est une application directe du théorème des accroissements finis.

4.5. DÉRIVÉES SUCCESSIVES 61

Théorème 20 (Caractérisation des fonctions monotones dérivables)

Soit f une fonction dérivable sur I.

f est croissante sur I ⇔ ∀x ∈ I, f 0 (x) ≥ 0.
f est décroissante sur I ⇔ ∀x ∈ I, f 0 (x) ≤ 0.

Démonstration. Sens direct : si f est croissante, alors ∀x ≤ y ∈ I, τ (x, y) ≥ 0 et par passage à la limite
on a bien f 0 ≥ 0 sur I.
Réciproque : On suppose que f 0 ≥ 0 sur I. Soit x, y ∈ I, tels que x < y. On applique le théorème
des accroissements finis : ∃c ∈]x, y[ tel que τ (x, y) = f (y)−f
y−x
(x)
= f 0 (c) ≥ 0 donc f (y) ≥ f (x) et f est
croissante.

Corollaire 3 (Caractérisation des fonctions constantes dérivables)

Soit f dérivable sur I. f est constante sur I ⇔ ∀x ∈ I, f 0 (x) = 0.

Démonstration. f est constante si et seulement si elle est croissante et décroissante d’où le résultat.

Théorème 21

Soit f une fonction dérivable sur I.

Si f 0 ≥ 0 sur I et f 0 ne s’annule qu’en un nombre fini de points alors f est strictement croissante
sur I.

Démonstration. Si f 0 > 0 alors il suffit de reprendre la démonstration du théorème précédent. Sinon, soit
x1 < x2 < . . . < xn les points où f 0 s’annule. On pose x0 = a et xn+1 = b et ∀k ∈ J0, nK, f 0 > 0 sur
]xk , xk+1 [ donc f y est strictement croissante, et f est donc strictement croissante sur I.

4.5 Dérivées successives

Définition 19

Soit f définie sur I. Pour n ∈ N, on dit que f
est n fois dérivable sur I si ∀k ≤ n − 1, f (k) est
0
dérivable sur I où ∀k ≤ n − 1, f (k+1) = f (k) .

Définition 20

Soit n ∈ N, on dit que f est de classe C n sur I si f est n fois dérivable sur I et si f (n) est
continue sur I.
On dit que f est de classe C ∞ si f est indéfiniment dérivable sur I, ce qui revient à dire que f
est de classe C k pour tout entier k.

Remarque. f est de classe C 0 sur I si f est continue sur I, f est de classe C 1 sur I si f est dérivable et f 0
est continue sur I, f est de classe C 2 sur I si f est deux fois dérivable et f 00 est continue sur I
Remarque. Toutes les fonctions usuelles (exp, ln, sin, cos, . . .) sont de classe C ∞ sur leur ensemble de
√
définition, SAUF |.| et . qui sont de classe C ∞ sur leur ensemble de dérivation.
62 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Définition 21

On dit que f est une fonction polynomiale de degré au plus n ∈ N s’il existe des réels
n
X
a0 , a1 , . . . , an tels que f : x 7→ ak xk .
k=0

Proposition 11

f est une fonction polynomiale de degré au plus n si et seulement si f (n+1) est la fonction nulle.

Démonstration. Le sens direct est immédiat.

On procède par récurrence, le résultat est vrai pour n = 0. Soit n ∈ N, on suppose la proposition vraie. Soit
f telle que f (n+2) est la fonction nulle, comme f (n+2) = (f 0 )(n+1) , par hypothèse de récurrence f 0 est un
n n
X X ak k+1
polynôme de degré au plus n. Soit a0 , . . . , an tels que f 0 : x 7→ ak xk . On pose g : x 7→ a . On
k+1
k=0 k=0
remarque que g 0 − f 0 est la fonction nulle, donc g − f est constante et ainsi f est une fonction polynomiale
de degré au plus n (car g en est une).

Proposition 12 (Opérations algébriques)

Soit n ∈ N, f et g deux fonctions de classe C n et λ ∈ R, alors λf ∈ C n et f + g ∈ C n et

(λf )(n) = λf (n) et (f + g)(n) = f (n) + g (n)

Démonstration. C’est une conséquence immédiate des opérations sur les dérivées.

Théorème 22 (Formule de Leibniz)

Soit f et g deux fonctions n fois dérivables sur I (respectivement de classe C n , C ∞ ), alors f × g

est n fois dérivable sur I (respectivement de classe C n , C ∞ ) et
n  
(n)
X n (k)
∀x ∈ I, (f × g) (x) = f (x) × g (n−k) (x)
k
k=0

Démonstration. La preuve se fait par récurrence. On pose P(n), la propriété : “∀x ∈ I, (f × g)(n) (x) =
n  
X n (k)
f (x) × g (n−k) (x)”.
k
k=0
L’initialisation est immédiate.
4.6. PRIMITIVES 63

Soit n ∈ N, on suppose P(n) vraie. Soit x ∈ I,

n  
(n+1)
X n 
(f × g) (x) = f (k+1) (x) × g (n−k) (x) + f (k) (x) × g (n−k+1) (x)
k
k=0
n   n  
X n (k+1) (n−k)
X n (k)
= f (x) × g (x) + f (x) × g (n−k+1) (x)
k k
k=0 k=0
n+1   n  
X n (j) (n+1−j)
X n (k)
= f (x) × g (x) + f (x) × g (n−k+1) (x)
j−1 k
j=1 k=0
n   n  
X n (j) (n+1−j)
X n 
= f (x) × g (x) + f (k) (x) × g (n−k+1) (x) + f (n+1) (x) + g (n+1) (x)
j−1 k
j=1 k=1
n     
X n (k) (n+1−k) n (k) (n−k+1)
= f (x) × g (x) + f (x) × g (x) + f (n+1) (x) + g (n+1) (x)
k−1 k
k=1
n   
X n + 1 (k)
= f (x) × g (n+1−k) (x) + f (n+1) (x) + g (n+1) (x)
k
k=1
n+1
X n + 1 
(k) (n+1−k)
= f (x) × g (x)
k
k=0

Remarque. Ce théorème est pratique si d’une part on sait aisément calculer la dérivée n-ème pour tout n
de f et d’autre part g est une fonction polynomiale (ainsi un grand nombre de termes de la somme seront
nuls).

Proposition 13

Soit f et g deux fonctions n fois dérivables sur I (respectivement de classe C n , C ∞ ), si g ne

s’annule pas sur I alors fg est n fois dérivable sur I (respectivement de classe C n , C ∞ )

Démonstration. C’est une conséquence du résultat sur la dérivée d’un quotient.

Proposition 14

Soit f une fonction n fois dérivable sur I (respectivement de classe C n , C ∞ ) et g une fonction
n fois dérivable sur J contenant f (I) (respectivement de classe C n , C ∞ ) alors g ◦ f est n fois
dérivable sur I (respectivement de classe C n , C ∞ ).

Démonstration. C’est une conséquence du résultat sur la dérivée d’une composée.

4.6 Primitives
À partir de maintenant, I désignera le segment [a, b] avec a < b ∈ R.
Définition 22

On dit que la fonction F est une primitive de la fonction f sur l’intervalle I si F est dérivable
sur I et si ∀x ∈ I, F 0 (x) = f (x).
64 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Exemple 4.11. a) F : x 7→ x3 + 1 est une primitive de f : x 7→ 3x2

1
b) F : x 7→ arctan x est une primitive de f : x 7→ 1+x2

Théorème 23 (Théorème fondamental de l’analyse)

Toute fonction continue sur I admet au moins une primitive sur I.

Démonstration. Admis.

4
Remarque. ! Ne pas confondre existence et expression explicite. Par exemple la fonction t 7→ e−t
2

est continue donc admet une primitive sur tout intervalle I. Néanmoins, il a été démontré que cette
primitive n’est pas exprimable à l’aide des fonctions usuelles (puissances, exponentielle, logarithme, tri-
gonométriques, ...).

Théorème 24

Soit F une primitive de f sur I.

L’ensemble des primitives de f est l’ensemble des fonctions de la forme x 7→ F (x) + c où c ∈ R.

Démonstration. Soit c ∈ R et G : x 7→ F (x) + c, alors G0 (x) = F 0 (x) = f (x).

Réciproquement, soit G une primitive de f sur I. Alors F − G est dérivable sur I et (F − G)0 (x) =
f (x) − f (x) = 0, donc F − G est une fonction constante.

Théorème 25

Soit f continue sur I et x0 ∈ I.

Pour tout y0 ∈ R, il existe une unique primitive F de f telle que F (x0 ) = y0 .

Démonstration. Soit G une primitive de f , on pose F : x 7→ G(x) + y0 − G(x0 ). Ainsi F est une primitive
de f telle que F (x0 ) = y0 .
Pour l’unicité, soit F et G des primitives de f telle que G(x0 ) = F (x0 ) = y0 . On a (F − G)0 = 0 donc
F − G est constante, en évaluant en x0 on a F − G nulle d’où l’unicité.

Exemple 4.12. Quelle est la primitive de x 7→ 2x + 1 qui s’annule en 1. On sait que F (x) = x2 + x + c,
avec c ∈ R. F (1) = 1 + 1 + c, donc c = −2.
4.7. INTÉGRATION SUR UN SEGMENT 65

Proposition 15 (Primitives usuelles)

f (x) F (x) I
x+1
xn (n ∈ Z \ {−1}) n+1 +c R si n ≥ 0, R∗+ ou R∗− si n < 0
xα+1
xα , α ∈ R \ {−1} α+1 +c R∗+
1
x ln |x| R∗+ ou R∗−
ex ex + c R
cos x sin x + c R
sin x − cos x + c R
1
1+x2
arctan x + c R

Soit u une fonction définie sur I.

f (x) F (x) I
(u(x))n+1
u0 (x)(u(x))n , n ∈ Z \ {−1} n+1 +c I et si n < 0, I \ {x ∈ I, u(x) = 0}
(u(x))α+1
u0 (x)(u(x))α ,α ∈ R \ {−1} α+1 +c {x ∈ I, u(x) > 0}
u0 (x)
u(x) ln |u| + c I \ {x ∈ I, u(x) = 0}
u0 (x)eu(x) eu(x) I
u0 (x) cos(u(x)) sin u(x) + c I
u0 (x) sin(u(x)) − cos u(x) + c I
u0 (x)
1+(u(x))2
arctan u(x) + c I

Proposition 16 (Opérations sur les primitives)

Soit F et G deux fonctions qui sont des primitives de respectivement f et g et soit λ ∈ R.

a) F + G est une primitive de f + g
b) λF est une primitive de λf

Démonstration. Cela se vérifie aisément avec les opérations sur les dérivées.

4.7 Intégration sur un segment

Définition 23

Soit f une fonction continue sur I. Pour tout c, d ∈ I, on appelle intégrale de c à d de la fonction
Z d
f le nombre réel F (d) − F (c) où F est une primitive de f et on le note f (t)dt.
c
Par convention, on note [F (t)]dc = F (d) − F (c).

Z 4
Exemple 4.13. Calcul de −2t + 3dt = [−t2 + 3t]40 = −4
0
66 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Z b
Remarque. Si a < b, alors f (t)dt représente l’aire signée du domaine délimité par la courbe représentative
a
de f , l’axe des abscisses et les droites d’équation x = a et x = b.

Théorème 26
Z x
Soit f une fonction continue sur I et x0 ∈ I, alors F : x 7→ f (t)dt est l’unique primitive de
x0
f s’annulant en x0 .

Démonstration. Soit G une primitive de f . On a pour tout x ∈ I, F (x) = G(x) − G(x0 ), ainsi F est bien
une primitive de f et F (x0 ) = 0.

Proposition 17

Soit f une fonction continue sur I, u et v deux fonctions dérivables à valeurs dans I et ayant
Z v(x)
le même ensemble de définition J. On pose G : x 7→ f (t)dt. Alors G est dérivable et
u(x)
G0 (x) = v 0 (x)f (v(x)) − u0 (x)f (u(x)).

Démonstration. Soit F une primitive de f . On a G(x) = F (v(x)) − F (u(x)) d’où le résultat par dérivée
de composées de fonctions.

Proposition 18 (Propritétés élémentaires)

Soit f une fonction continue sur I. Z a

f (t)dt = 0
a
Z b Z a
f (t)dt = − f (t)dt
a b
Relation de Chasles : pour tout c ∈ I,
Z b Z c Z b
f (t)dt = f (t)dt + f (t)dt
a a c

Z a Z b
Démonstration. Soit F une primitive de f . On a f (t)dt = F (a)−F (a) = 0, f (t)dt = F (b)−F (a) =
Z a a a

−(F (a) − F (b)) = − f (t)dt.

Z b b Z c Z b
De plus f (t)dt = F (b) − F (a) = F (b) − F (c) + F (c) − F (a) = f (t)dt + f (t)dt.
a a c

Z 1
Exemple 4.14. Calcul de |2t − 1|dt. On remarque que si 0 ≤ t ≤ 21 , |2t − 1| = 1 − 2t et si t ≥ 1
2,
Z 1 0 Z 1 Z 1
2 1 1 1
|2t − 1| = 2t−. Donc |2t − 1|dt = 1 − 2tdt + 2t − 1dt = + =
0 0 1 4 4 2
2
4.7. INTÉGRATION SUR UN SEGMENT 67

Proposition 19 (Linéarité de l’intégrale)

Soit f et g deux fonctions continues sur I et λ ∈ R :

Z b Z b Z b Z b Z b
(f (t) + g(t))dt = f (t)dt + g(t)dt et λf (t)dt = λ f (t)dt
a a a a a

Démonstration. C’est une conséquence directe des opérations sur les primitives.

Proposition 20 (Inégalités)

Soit f et g deux fonctions continues sur I = [a, b] (ainsi a < b) :

Z b
1. Positivité : si ∀t ∈ I, f (t) ≥ 0, alors f (t)dt ≥ 0
a
Z b Z b
2. Croissance : si ∀t ∈ I, f (t) ≥ g(t), alors f (t)dt ≥ g(t)dt
a a
Z b Z b
3. Inégalité triangulaire : f (t)dt ≤ |f (t)|dt avec égalité si et seulement si f est de
a a
signe constant sur [a, b].

Démonstration. 1. Si f est positive, toute primitive de F est croissante (caractérisation des fonctions
croissantes dérivables). D’où le résultat.
2. On applique la positivité à l’intégrale de g − f .
( (
f (t) si f (t) ≥ 0 f (t) si f (t) ≤ 0
3. On pose g : t 7→ et h : t 7→ . Ainsi, pour tout t ∈ [a, b],
0 si f (t) < 0 0 si f (t) > 0
f (t) = g(t) + h(t) et |f (t)| = g(t) − h(t).
Ainsi,
Z b Z b Z b
f (t)dt = g(t)dt + h(t)dt
a a a
Z b Z b
≤ g(t)dt + h(t)dt d’après l’inégalité triangulaire
a a
Z b Z b
≤ g(t)dt − h(t)dt
a a
Z b
≤ |f (t)|dt
a
Z b Z b
On a égalité si et seulement si g(t)dt et h(t)dt sont de même signe, si et seulement si l’un des
a a
deux est nul, c’est-à-dire f est de signe constant.

4
Remarque. ! la réciproque de la positivité est fausse ! Aussi, bien faire attention à ce que les bornes
de l’intégrale soient dans le bon ordre pour appliquer la positivité et la croissance.
Remarque. On peut donc intégrer des inégalités (attention, on ne peut pas dériver une inégalité !). Par
exemple, montrez que Z 1
0≤ tet dt ≤ e
0
68 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

Proposition 21

Soit f une fonction continue et de signe constant.

Z b
Si f (t)dt = 0 alors ∀t ∈ I, f (t) = 0.
a Z b
S’il existe x0 ∈ I tel que f (x0 ) 6= 0, alors f (t)dt 6= 0 et est du signe de f (x0 ).
a

Démonstration. Sans perte de généralité, on suppose f positive sur I. On démontre la contraposée : on

suppose qu’il existe x0 ∈ I tel que f (x0 ) 6= 0. Ainsi, f étant continue sur I, f atteint son maximum
M ≥ f (x0 ) > 0. Comme f est continue, il existe J = [c, d] intervalle inclus dans I tel que pour tout x ∈ J,
f (x) ≥ M/2. Ainsi,
Z b Z c Z d Z b
f (t)dt = f (t)dt + f (t)dt + f (t)dt
a a c d
≥ 0 + (d − c)M/2 + 0
>0

D’où le résultat.

4.8 Méthodes de calcul d’intégrales

Voici différentes méthodes pour calculer des intégrales ou des primitives. Entraı̂nez vous avec la feuille
de calcul d’intégrales !

4.8.1 Méthode directe

Si on connaı̂t une primitive de la fonction à intégrer, on calcule directement l’intégrale.
Exemple 4.15. Z 3
tdt hp i3 √
√ = t2 + 1 = 10 − 1
0 t2 + 1 0

4.8.2 Intégration par parties

Théorème 27 (Intégration par parties)

Soit u et v deux fonctions dérivables et dont la dérivée est continue sur I, alors
Z b Z b
0
u (t)v(t)dt = [u(t)v(t)]ba − u(t)v 0 (t)dt
a a

La preuve vient de la dérivée d’un produit.

Z x
Exemple 4.16. a) Calcul d’une primitive de ln sur R∗+ . On souhaite calculer ln tdt pour x ∈ R∗+ . On
1
procède par intégration par parties en posant u0 (t) = 1 et v(t) = ln t. On en déduit que
Z x Z x
x
ln tdt = [t ln t]1 − 1dt = x ln x − x + 1
1 1

On en déduit que les primitives de ln sur R∗+ sont de la forme x 7→ x ln x − x + c avec c ∈ R.

4.8. MÉTHODES DE CALCUL D’INTÉGRALES 69

b) Calcul d’une primitive de arctan. On pose u(t) = 1 et v(t) = arctan t, on obtient

Z x Z x
t
arctan tdt = [t arctan t]x0 − 2
dt
0 0 1+t
1 x
= x arctan x − ln(1 + t2 ) 0
2
ln(1 + x2 )
= x arctan x −
2

4.8.3 Changement de variable

Théorème 28 (Changement de variable)

Soit f une fonction continue sur I et u une fonction dérivable et de dérivée continue (on dit
que u est de classe C 1 ) sur [α, β] telle que u([α, β]) ⊂ [a, b]. Alors
Z β Z u(β)
f (u(t))u0 (t)dt = f (s)ds
α u(α)

Remarque. Comme pour les changement d’indices dans les sommes, pensez à changer les bornes !
Il faut toujours penser à vérifier que le changement de variable u est C 1 .
Il n’est pas nécessaire que u soit monotone !

Démonstration. Soit F une primitive de f et on pose G = F ◦ u. On remarque que G0 (t) = f (t)u0 (t). D’où
Z β Z u(β)
f (u(t))u0 (t)dt = G(β) − G(α) = F (u(β)) − F (u(α)) = f (s)ds.
α u(α

Z π
2
Exemple 4.17. a) Calcul de J = (sin t)5 (cos t)3 dt en posant u = sin t.
Z 1 0
1 1 1
On obtient J = u5 (1 − u2 )du = − = .
0 6 8 24

1
et
Z
b) Calcul de K = 2t
dt en posant u = et .
0Z 1 + e
e
du π
On obtient K = 2
= arctan(e) − arctan(1) = arctan(e) − .
1 1+u 4
70 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

4.9 Sommes de Riemann

Cette partie est hors-programme. Elle propose de faire explicitement le lien entre intégrale et aire sous

la courbe.

Définition 24

Soit f une fonction continue sur I et n ≥ 1, on appelle sommes de Riemann de f sur I les
expressions
n−1   n  
b−aX b−a b−aX b−a
Sn (f ) = f a+k et S̃n (f ) = f a+k
n n n n
k=0 k=1

Théorème 29

Soit f une fonction continue sur I, les suites (Sn )n∈N∗ et (S̃n )n∈N∗ convergent vers la même
Z b
limite f (t)dt.
a

Remarque. En particulier, si a = 0 et b = 1 alors

n−1   Z 1
1X k
lim f = f (t)dt
n→+∞ n n 0
k=0

et
n   Z 1
1X k
lim f = f (t)dt
n→+∞ n n 0
k=1

Démonstration. On va faire la preuve dans le cas où f est une fonction de classe C 1 .
Comme f 0 est continue sur I, elle est bornée sur I et il existe M = maxf 0 .
I
D’après l’inégalité des accroissements finis :

∀x, y ∈ I, |f (x) − f (y)| ≤ M |x − y|

4.10. CONSTRUCTION DE LA FONCTION EXPONENTIELLE ET DE LA FONCTION LOGARITHME71

n−1
Pour i ∈ J0, n − 1K, on pose xi = a + i b−a b−a P
n et donc Sn (f ) = n f (xk ).
k=0
On a d’une part
xk+1
b−a
Z
f (xk ) = f (xk )dt
n xk

et d’autre part
Z b n−1
X Z xk+1
f (t)dt = f (t)dt
a k=0 xk

d’après la relation de Chasles.

En regroupant, on obtient
Z b n−1
X Z xk+1
f (t)dt − Sn (f ) = (f (t) − f (xk )) dt
a k=0 xk

On applique l’inégalité triangulaire

Z b n−1
X Z xk+1 n−1
X Z xk+1
f (t)dt − Sn (f ) ≤ |f (t) − f (xk )| dt ≤ M |t − xk |dt
a k=0 xk k=0 xk

Or, xk+1
xk+1
(t − xk )2 (b − a)2
Z 
|t − xk |dt = =
xk 2 xk 2n2
Et donc
b
(b − a)2
Z
f (t)dt − Sn (f ) ≤ M
a 2n
Comme le terme de droite tend vers 0, on a le résultat souhaité.
n−1 n−1
P 1 1 P 1
Exemple 4.18. On pose, pour tout n ≥ 1, un = k+n . On remarque d’abord que un = n k
1+ n
et donc
k=0 k=0
Z 1
dt
lim un = = ln 2
n→+∞ 0 1+t

4.10 Construction de la fonction exponentielle et de la fonction loga-

rithme
On énonce dans un premier temps un lemme utile, une application de l’inégalité des accroissements
finis.

Lemme 1

Soit I un intervalle, f une fonction deux fois dérivable de I vers R telle qu’il existe M ∈ R tel
que pour tout y ∈ I, |f 00 (y)| ≤ M . On a alors, pour tout x, z ∈ I,

M (z − x)2
|f (z) − f (x) − (z − x)f 0 (x)| ≤
2

Démonstration. On fixe x ∈ I. On pose g : y 7→ f (y) − f (x) − (y − x)f 0 (x), g est deux fois dérivable.
On a g(x) = g 0 (x) = 0 et pour tout y ∈ I, −M ≤ g 00 (y) ≤ M . D’après l’inégalité des accroissements
finis, appliquée à g 0 , pour tout z1 > x on a −M (z1 − x) ≤ g 0 (z1 ) ≤ M (z1 − x) et pour tout z2 < x, on a
72 CHAPITRE 4. FONCTION DE LA VARIABLE RÉELLE

M (z2 − x) ≤ g 0 (z2 ) ≤ −M (z2 − x). En intégrant ces inégalités entre z et x (la première pour z ≥ x, la
seconde pour z ≤ x), on obtient pour tout z ∈ I,
M (z − x)2 M (z − x)2
− ≤ g(z) ≤
2 2
d’où le résultat.

On rappelle le premier théorème de ce chapitre.

Théorème 30 (Fonction exponentielle)

Il existe une unique fonction f définie et dérivable sur R telle que : ∀x ∈ R, f 0 (x) = f (x) et
f (0) = 1. On appelle cette fonction “fonction exponentielle” et on la note soit x 7→ ex , soit
x 7→ exp(x).

n
X xk xn
Démonstration. Pour tout entier n, on pose la fonction Pn : x 7→ et Qn : x 7→ Pn (x) + n! .
k!
k=0
Soit x ≥ 0,on a pour
 tout entier n, Pn (x) ≤ Pn+1 (x). De plus, pour n ≥ 2x − 1, on a Qn+1 (x) −
xn 2x
Qn (x) = n! n+1 − 1 ≤ 0, donc la suite (Qn (x))n∈N est décroissante à partir d’un certain rang. Comme
xn
Qn (x) − Pn (x) = →
n! n→+∞ 0, les deux suites (Qn (x)) et (Pn (x)) sont adjacentes et convergent vers une
même limite que l’on note exp(x).
Pour x < 0, n ∈ N tel que n ≥ |x[−12 , on a P2n+1 (x) ≤ P2n+3 (x) ≤ P2n+2 (x) ≤ P2n (x) et 0 ≤ P2n (x) −
|x|2n+1
P2n+1 (x) ≤ →
(2n+1)! n→+∞ 0. Donc les deux suites (P2n (x)) et (P2n+1 (x)) sont adjacentes et convergent
vers une même limite que l’on note exp(x).
Ainsi, pour tout réel x, exp(x) est la limite lorsque n tend vers +∞ de Pn (x).
Soit A > 0, pour tout x ∈ [−A, A], on a d’après l’inégalité triangulaire et la croissance de Pn sur R+ ,
|Pn (x)| ≤ Pn (|x|) ≤ Pn (A). Or la suite (Pn (A)) est convergente donc bornée. Ainsi il existe B > 0 tel que
pour tout A > 0 et pour tout n ∈ N, |Pn (x)| ≤ Pn (|x|) ≤ Pn (A) ≤ B.
En appliquant le lemme à Pn+2 sur [−A, A] (car Pn+2 00 = Pn ), on obtient, pour tout x, y ∈[ −A, A],

B(y − x)2
|Pn+2 (y) − Pn+2 (x) − (y − x)Pn+1 (x)| ≤
2
On passe à la limite lorsque n tend vers +∞, pour obtenir
B(y − x)2
| exp(y) − exp(x) − (y − x) exp(x)| ≤
2
et ainsi
exp(y) − exp(x) B|y − x|
− exp(x) ≤
y−x 2
On en déduit alors la dérivabilité de exp pour tout t ∈ R et exp0 (t) = exp(t).
Comme pour tout n ∈ N, Pn (0) = 1, on a exp(0) = 1. Ce qui démontre le théorème.

Théorème 31 (Fonction logarithme)

Il existe une unique fonction f définie sur R∗+ telle que ∀x ∈ R, f (exp(x)) = x. On appelle cette
fonction “fonction logarithme” et on la note x 7→ ln(x).

Démonstration. On a vu que la fonction exponentielle était une fonction continue strictement croissante,
d’après le théorème de la bijection, c’est une bijection de R sur R∗+ .
Chapitre 5

Matrices et systèmes linéaires

Lignes, colonnes

5.1 Ensemble de matrices

Définition 1

Soit n, p ∈ N∗ , on appelle matrice à n lignes et p colonnes toute application

A : J1, nK × J1, pK −→ R
(i, j) 7−→ ai,j

On la note A = (ai,j )1≤i≤n,1≤j≤p et on dit que ai,j est le terme d’indice (i, j) de A.
 
a1,1 a1,2 . . . a1,p
 
 a2,1 a2,2 . . . a2,p 
 
On la représente par un tableau rectangulaire A =  .

.. .. .. .

 .. . . . 
 
an,1 an,2 . . . an,n
L’ensemble des matrices à n lignes et p colonnes est noté Mn,p (R).

73
74 CHAPITRE 5. MATRICES ET SYSTÈMES LINÉAIRES

Définition 2 (Matrices particulières)

ˆ si p = 1, Mn,1 (R) est l’ensemble des matrices colonnes (on dit aussi vecteur colonne),
 
a1,1
 
 a2,1 
 
C= . 

 .. 

 
an,1
ˆ si
 n = 1, M1,p (R) est  l’ensemble des matrices lignes (on dit aussi vecteur ligne), L =
a1,1 a1,2 . . . a1,p
ˆ si n = p, Mn,n (R) est l’ensemble des matrices carrées noté aussi Mn (R).
ˆ Une matrice carrée D = (di,j )1≤i,j≤n est dite diagonale si di,j = 0 dès que i 6= j.
 
d1 0 . . . 0
.. .
 
 0 d2 . .. 

D=  .. . . . .


. . . 0
 
0 . . . 0 dn
La matrice ne contenant que des 1 sur la diagonale et des 0 ailleurs est appelée matrice
 
1 0 ... 0
.. .. 
 
0 1 . .

identité et est notée In = 
 .. . . . .


. . . 0
 
0 ... 0 1
ˆ Une matrice carrée T = (ti,j )1≤i,j≤n est dite triangulaire supérieure lorsque ti,j = 0 dès
que i > j.
 
t1,1 t1,2 . . . t1,n
.. 
 
 0 t2,2 . 

T =  .. .. ..


 . . . tn−1,n 
 
0 ... 0 tn,n
ˆ Une matrice carrée T = (ti,j )1≤i,j≤n est dite triangulaire inférieure lorsque ti,j = 0 dès que
i < j.
 
t1,1 0 ... 0
.. .. 
 
 t2,1 t2,2 . . 

T =  .. ..


 . . 0 
 
tn,1 ... tn,n−1 tn,n
5.2. OPÉRATIONS DANS MN,P 75

Définition 3 (Matrices transposées)

Si A = (ai,j )1≤i≤n,1≤j≤p ∈ Mn,p (R), on appelle matrice transposée de A la matrice notée tA ou

AT de Mp,n (R) dont le terme d’indice (k, l) est al,k .
   
a1,1 a1,2 . . . a1,p a1,1 a2,1 . . . an,1
   
 a2,1 a2,2 . . . a2,p  a a . . . a
   
t
 1,2 2,2 n,2 
A= .
. .
 et A =  .
. .

 . . .
. .
. 

 . . .
. .
. 

   
an,1 an,2 . . . an,p a1,p a2,p . . . an,p
La i-ème ligne de A est en fait la i-ème colonne de tA.

Exemple 5.1.
ˆ tI n = In
ˆ Si T est triangulaire supérieure, alors tT est triangulaire inférieure.
ˆ t( tA) = A

5.2 Opérations dans Mn,p

Addition. Soit A = (ai,j )1≤i≤n,1≤j≤p et B = (bi,j )1≤i≤n,1≤j≤p deux matrices de Mn,p (R). On définit la
somme A + B par la matrice dont les coefficients d’indice (i, j) sont les ai,j + bi,j .

4
! A + B n’a de sens que si A et B ont le même nombre de lignes et le même nombre de colonnes.
Multiplication par un scalaire. Soit A = (ai,j )1≤i≤n,1≤j≤p ∈ Mn,p (R) et λ ∈ R. On définit la matrice
λA comme étant celle dont les coefficients d’indice (i, j) sont λai,j .
       
1 1 2 −3 2−6 2+9 −4 11
Exemple 5.2. 2   − 3 = = 
2 −1 −2 3 4+6 2−9 10 −7

Définition 4

Matrices élémentaires : ∀(i, j) ∈ J1, nK×J1, pK, on pose Ei,j la matrice dont le coefficient d’indice
(i, j) vaut autres 0. Parexemple,dans M2,3
1 et les  (R), on a6 matrices élémentaires
  :
1 0 0 0 1 0 0 0 1 0 0 0
E1,1 =  , E1,2 =  ,E1,3 =  , E2,1 =  , E2,2 =
0 0 0 0 0 0 0 0 0 1 0 0
   
0 0 0 0 0 0
 , E2,3 =  
0 1 0 0 0 1

Remarque. Toute matrice A  = (ai,j )1≤i≤n,1≤j≤p

 ∈ Mn,p (R) se décompose de la façon suivante : A =
n X p
X 1 0 −1
ai,j Ei,j . Par exemple,   = E1,0 + 0E1,2 − E1,3 + 12E2,1 − 3E2,2 + 0E2,3 .
i=1 j=1 12 −3 0

Produit de deux matrices. Soit A = (ai,j )1≤i≤n,1≤j≤p ∈ Mn,p (R) et B = (bi,j )1≤i≤p,1≤j≤q ∈ Mp,q (R),
p
X
on définit le produit AB comme la matrice dont le coefficient d’indice (i, j) est ci,j = ai,k bk,j et
k=1
AB ∈ Mn,q (R).
76 CHAPITRE 5. MATRICES ET SYSTÈMES LINÉAIRES

4 Le produit AB n’est possible que si le nombre de lignes de B est égal au nombre de

Remarque. !
colonnes de A.

Remarque. 4
! Le produit matriciel n’est pas commutatif, c’est-à-dire AB n’est pas forcément égal à
BA (et même il se peut qu’un seul de ces deux termes ait un sens).
Exemple 5.3. Calculer AB et BA si c’est possible.
   
1 1 1 −1
1. A =   et B =  
0 0 −2 2
 
1 1  
  2 −3
2. A = 0 0  et B = 
  
  −2 3
2 −1
 
1 −1 0
   
1 2 −1 0 −1 0 1
 
3. A =   et B =  
2 0 0 −3 0 −3
 
0
 
1 −5 1
   
1 1 2 −3
4. A =   et B =  
0 0 −2 3

Proposition 1

1. ∀A ∈ Mn,p (R), B ∈ Mn,p (R), C ∈ Mp,q (R), (A + B)C = AC + BC

2. ∀A ∈ Mn,p (R), B ∈ Mp,q (R), C ∈ Mp,q (R), A(B + C) = AB + AC
3. ∀A ∈ Mn,p (R), B ∈ Mp,q (R), λ ∈ R, λ(AB) = (λA)B = A(λB), promenade du scalaire.
4. ∀A ∈ Mn,p (R), B ∈ Mp,q (R), C ∈ Mq,r (R), A(BC) = (AB)C = ABC
5. ∀A ∈ Mn,p (R), AIp = In A = A

Démonstration. La preuve est fastidieuse mais ne comporte aucune difficulté majeure.

Le premier et le deuxième point viennent de la distributivité de la somme et du produit des réels.
Le troisième point découle de la factorisation par λ dans les sommes où il apparaı̂t.
Le quatrième point découle de l’échange de symboles sommes dont les indices sont ( indépendants.
1 si i = j
Le cinquième point est un calcul direct, on pose Ip = (bi,j )1≤i,j≤p avec bi,j = . On a pour
0 sinon
p
X
tout i, j tels que 1 ≤ i ≤ n, 1 ≤ j ≤ p, (AIp )i,j = ai,k bk,j = ai,j car le seul terme non est lorsque k = j.
k=1
D’où le résultat. L’autre produit est similaire.

Produit de deux matrices diagonales ou triangulaires. Soit α ∈ R, D1 , D2 deux matrices diago-

   
λ1 0 . . . 0 µ1 0 . . . 0
.. ..  .. .. 
   
 0 λ2 . .   0 µ2 . . 
 
nales, D1 = 
 .. . . . .
, D2 = 
  .. . . . .
, alors αD1 , D1 + D2 et

. . . 0 . . . 0
   
0 ... 0 λn 0 ... 0 µn
5.3. MATRICES INVERSIBLES, G`N (K) 77

 
λ 1 µ1 0 ... 0
. .. 
 
 0 λ 2 µ2 . . . 

D1 D2 = 
 .. .. ..
 sont des matrices diagonales.

 . . . 0 
 
0 ... 0 λ n µn
On dit que l’ensemble des matrices diagonales Dn est stable par produit.
Soit T1 , T2 deux matrices triangulaires supérieures et α ∈ R, alors αT1 , T1 + T2 et T1 T2 sont des matrices
triangulaires supérieures. L’ensemble des matrices triangulaires supérieures Tn+ est stable par produit, de
même pour Tn− l’ensemble des matrices triangulaires inférieures.

Définition 5

Soit A, B ∈ Mn (R). On dit que A et B commutent si AB = BA.

Proposition 2

Si A et B commutent, alors pour tout k, j ∈ N, Ak et B j commutent, avec la convention A0 = In

Démonstration. On montre par récurrence que si A et B commutent alors pour tout k ∈ N, Ak et B

commutent. En effet si Ak et B commutent alors Ak+1 B = AAk B = ABAk = BAk+1 . On applique alors
ce résultat à B et Ak et on obtient que B j et Ak commutent pour tous k, j ∈ N.

Théorème 1 (Formule du binôme de Newton)

Soit A, B ∈ Mn (R) telles que AB = BA. On a pour tout entier p ∈ N :

p  
X p
(A + B)p = Ak B p−k
k
k=0

Démonstration. La preuve est identique à celle du binôme de Newton du chapitre 3. Il s’agit d’une
récurrence, découper la somme en 2, faire un changement d’indice, regrouper les deux sommes et utiliser
la formule de Pascal.

5.3 Matrices inversibles, G`n (K)

Définition 6

Une matrice carrée A ∈ Mn (R) est dite inversible lorsqu’il existe une matrice carrée B ∈ Mn (R)
telle que AB = BA = In . Dans ce cas, B est unique et on note B = A−1 , on dit que B est la
matrice inverse de A. L’ensemble des matrices inversibles est notée G`n (K).

Proposition 3

Soit A, B ∈ G`n (K), alors A−1 ∈ G`n (K), (A−1 )−1 = A et (AB)−1 = B −1 A−1 .
78 CHAPITRE 5. MATRICES ET SYSTÈMES LINÉAIRES

−1
Démonstration. Si A ∈ G`n (K), alors AA−1 = A−1 A = In et donc A−1 ∈ G`n (K) et A−1 = A.
De plus, pour A, B ∈ G`n (K), on remarque que ABB −1 A−1 = AIn A−1 = AA−1 = In et de même
B −1 A−1 AB = In donc (AB)−1 = B −1 A−1 .

Théorème 2 (Caractérisation d’une matrice inversible)

Soit A ∈ Mn (R) et X ∈ Mn,1 (R). A est inversible si et seulement si l’équation en X, AX = 0

 
0
.
 
admet X =  ..  pour unique solution.
 
0

Démonstration. Admis pour le moment, il sera démontré au chapitre 9.

 
1 1 3
 
Exemple 5.4. A = 0 1 2 ∈ G`3 (R) ?
 
 
1 0 1
 
x
 1
Soit X = x2 .
 
 
x3

a1 + x2 + 3x3 = 0
 (
x2 + 2x3 = 0
AX = 0 ⇔ x2 + 2x3 = 0 ⇔
 x1 + x3 = 0
x1 + x3 = 0

Or x1 = 1, x2 = 2 et x3 = −1 est une solution du système (qui admet donc une autre solution que
x1 = x2 = x3 = 0), donc A ∈
/ G`3 (R).

Proposition 4 (Inversibilité des matrices diagonales et triangulaires)

Une matrice diagonale est inversible si et seulement si aucun de ses coefficients diagonaux n’est
nul. On a le même résultat pour une matrice triangulaire.
   
1
d1 0 . . . 0 d 0 . . . 0
 1
.. ..  .. .. 
  
 0 d2 . 1 .
.  0 d2 . 
 
De plus si D =  , avec di 6= 0, ∀i ∈ J1, nK, alors D−1 = 
 .. . . . .  .. . . . .

 
. . . 0 . . 0
.
 
  
1
0 ... 0 dn 0 ... 0 dn

 
x1
 . 
 
Démonstration. On applique le théorème précédent, on pour X =  .. , DX = 0Mn,1 (R) si et seulement
 
xn
si pour tout i ∈ J1, nK, di xi = 0. Ceci implique que X = 0Mn,1 (R) si et seulement tous les di sont non nuls.
On vérifie la matrice inverse par produit matriciel.
5.3. MATRICES INVERSIBLES, G`N (K) 79

Pour une matrice triangulaire supérieure T , on a T X = 0Mn (R) si et seulement si

 n
X



 t1,j xj = 0

 j=1


X
 n
t2,j xj = 0

 j=2
..






 .

t x = 0
n,n n

Si tous les ti,i sont non nuls, alors de la dernière ligne on en déduit que xn = 0, puis en injectant ce
résultat à la ligne précédente, on en déduit que xn−1 = 0 et en itérant on obtient que tous les xi sont nuls.
S’il existe un ` tel que t`,`  = 0, alors
 on pose k le plus petit indice tel que tk,k = 0. On peut alors vérifier
 x1 
 .. 
 . 
 
 
xk−1 
 
 
qu’on peut trouver X =  1 
 tel que T X = 0Mn (R) , ce qui prouve la non inversibilité de T . En
 
 0 
 
 . 
 . 
 . 
 
0
effet, on pose A ∈ Mk−1,k−1 (R) telle que : ∀i, j ∈ J1, k − 1K, ai,j = ti,j , A est une matrice inversible car
   
x1 t1,k
 .   . 
   
triangulaire sans zéro sur sa diagonale. On pose alors  ..  = −A−1  .. . On peut vérifier que
   
xk−1 tk−1,k
T X = 0Mn (R) .

Proposition 5 (Méthode de calcul pratique d’inverse d’une matrice)

Si AB = In alors A et B sont inversibles et inverses l’une de l’autre.

Remarque. Cette proposition établit qu’il suffit de vérifier que A est un inverse à gauche de B pour montrer
que c’est l’inverse de B.

Démonstration. Théorème admis. Il sera prouvé lors du chapitre 9.

Exemple 5.5. Très important ! ! !

Soit A ∈ Mn (R) telle que A3 + 2A2 − 3A + 5In = 0. Alors on a A(A2 + 2A − 3In ) = −5In et donc
A−1 = −1 2
5 (A + 2A − 3In ).

4
! Quand on factorise par A un terme de la forme λA, on obtient A(λI ). n
80 CHAPITRE 5. MATRICES ET SYSTÈMES LINÉAIRES

Proposition 6 (Cas des matrices 2 × 2)

 
a b
A =   est inversible si et seulement si ad − bc 6= 0 et dans ce cas on a A−1 =
c d
 
1
d −b
 
ad−bc
−c a

 
a b
Démonstration. On pose A =  . Si b = 0 alors A est triangulaire inférieure et est inversible si et
c d
seulement si a 6= 0 et  d 6=0 ce qui est équivalent à ad − bc 6= 0.
( (
x   ax + by = 0 ax + by = 0
Si b 6= 0, alors on a A   = 0 si et seulement si si et seulement si .
y cx + dy = 0 bcx + bdy = 0
Ceci est équivalent à bcx + bdy − d(ax + by) = −(ad − bc)x = 0 et ax + by = 0. Or (ad − bc)x = 0 implique
x = 0 si et seulement si ad − bc 6= 0 d’où le résultat.
On vérifie la formule de la matrice inverse par produit matriciel.
 
cos θ − sin θ
Exemple 5.6. Soit θ ∈ R et Aθ =  . Est-ce-que Aθ est inversible ? Si oui déterminer A−1 .
θ
sin θ cos θ

Proposition 7 (Inverse et transposée)

On a ∀A ∈ G`n (K), t(A) ∈ G et ( tA)−1 = t(A−1 )

Démonstration. Comme A ∈ G`n (K), on peut considérer A−1 . Or tA t(A−1 ) = t(A−1 A) = tI n = In d’où
le résultat.

5.4 Matrices symétriques et antisymétriques

Proposition 8 (Transposée d’une somme)

Soit A, B ∈ Mn,p (R), λ ∈ R. On a

t
(A + λB) = tA + λ tB

Démonstration. C’est immédiat, il suffit d’appliquer les définitions.

Proposition 9 (Transposée d’un produit)

∀A ∈ Mn,p (R), B ∈ Mp,q (R), t(AB) = tB tA.

Démonstration. C’est une application directe de la formule du produit matriciel.

5.5. SYSTÈME LINÉAIRE DE N ÉQUATIONS À P INCONNUES 81

Définition 7 (Matrices symétriques et antisymétriques)

Soit A ∈ Mn (R), si tA = A alors on dit que A est symétrique et on note Sn (R) l’ensemble des
matrices symétriques de Mn (R). Si tA = −A alors on dit que A est antisymétrique et on note
An (R) l’ensemble des matrices antisymétriques de Mn (R).
On a A ∈ Sn (R) ⇔ ∀i, j ∈ J1, nK, ai,j = aj,i
On a A ∈ An (R) ⇔ ∀i, j ∈ J1, nK, ai,j = −aj,i

Proposition 10

ˆ Sn (R) ∩ An (R) = 0Mn (R)

ˆ ∀A, B ∈ Sn (R), ∀λ ∈ R, λA + B ∈ Sn (R)
ˆ ∀A, B ∈ An (R), ∀λ ∈ R, λA + B ∈ An (R)

Démonstration. ˆ Soit A ∈ Sn (R) ∩ An (R). On a tA = A et tA = −A donc A = −A, 2A = 0Mn (R) donc

A = 0Mn (R) .
ˆ t(λA + B) = λ tA + tB = λA + B ∈ Sn (R).
ˆ t(λA + B) = λ tA + tB = −(λA + B) ∈ An (R).

Théorème 3

Toute matrice carrée s’écrit comme la somme d’une matrice symétrique et d’une matrice anti-
symétrique.

Démonstration. Soit A ∈ Mn (R), on vérifie que 12 (A + tA) ∈ Sn et 21 (A − tA) ∈ An et que leur somme
fait A. Ces matrices ont été trouvées par un raisonnement par analyse synthèse.

5.5 Système linéaire de n équations à p inconnues

Soit n, p ∈ N∗ , (ai,j )(i,j)∈J1,nK×J1,pK ∈ Rn×p et (yi )i∈J1,nK ∈ Rn . On considère le système linéaire (L) de
n équations à p inconnues x1 , . . . , xp défini par



 a1,1 x1 + . . . + a1,p xp = y1

a x + . . . + a x = y
2,1 1 2,p p 2
(L) :


 ... ... ... ...

a x + . . . + a x = y
n,1 1 n,p p n

On désigne par (H) le système linéaire homogène associé :


a1,1 x1 + . . . + a1,p xp = 0



a x + . . . + a x = 0
2,1 1 2,p p
(H) :


 . . . . . . ... ...

a x + . . . + a x = 0
n,1 1 n,p p

On appelle solution de (L) (respectivement de (H)) tout p-uplet (x1 , . . . , xp ) ∈ Rp qui vérifie (L) (res-
pectivement (H)). On note S(L) (respectivement S(H) ) l’ensemble des solutions de (L) (respectivement de
(H)).
82 CHAPITRE 5. MATRICES ET SYSTÈMES LINÉAIRES

Résoudre un système linéaire consiste à trouver l’ensemble solution S(L) . Si S(L) = ∅, alors on dit que (L)
est impossible. Si S(L) 6= ∅ et n’est pas un singleton (on a alors plusieurs solutions), on dit que (L) est
indéterminé.
Soit (L) et (L0 ) deux systèmes linéaires. Si S(L) = S(L0 ) , on dit que (L) et (L0 ) sont équivalents.

5.6 Écriture matricielle et structure de l’ensemble solution

5.6.1 Écriture matricielle
On considère le système (L) :



a1,1 x1 + . . . + a1,p xp = y1

a x + . . . + a x = y
2,1 1 2,p p 2
(L) :


 ... ... ... ...

a x + . . . + a x = y
n,1 1 n,p p n

   
y1 x
 1
. .
 
On pose A = (ai,j )(i,j)∈J1,nK×J1,pK ∈ Mn,p (R), Y =  ..  et X =  .. .
 
   
yn xp
On peut désormais écire (L) sous la forme AX = Y . A s’appelle la matrice du système (L). Résoudre (L)
consiste donc à trouver l’ensemble des X ∈ Mp,1 (R) tels que AX = Y .

5.6.2 Structure de l’ensemble solution

On note f l’application de Rp dans Rn , qui à un vecteur X associe f (X) = AX.
1. X est solution de (L) si et seulement si f (X) = Y si et seulement si Y admet au moins un antécédent
par f (on dit que Y appartient à l’ensemble image de f ).
2. si X est solution de (H), on dit que X appartient au noyau de f et on note X ∈ Kerf .
3. si X1 est solution de (L) alors X2 est solution de (L) si et seulement si X1 − X2 est solution de (H).
On a donc S(L) = {X1 + Z, Z ∈ S(H) }.

5.7 Système de Cramer et méthode du pivot de Gauss

5.7.1 Système de Cramer
Définition 8

On appelle système de Cramer tout système (L) de n équations à n inconnues dont la matrice
est inversible.

Proposition 11

Un système de Cramer possède une solution unique.

Démonstration. On prend X = A−1 Y qui est bien une solution de (L) donc on a l’existence. Soit X une
solution de (L), on a AX = Y , on multiplie par A−1 et on obtient X = A−1 Y , donc X est unique.
5.7. SYSTÈME DE CRAMER ET MÉTHODE DU PIVOT DE GAUSS 83

Exemple 5.7. Le système (

ax + by = α
cx + dy = β
est un système de Cramer si et seulement si ad − bc 6= 0.

5.7.2 Opérations élémentaires et méthode du pivot de Gauss

Définition 9

On appelle opération élémentaire sur les lignes d’un système toute opération de l’un des
types suivants :
ˆ Li ↔ Lj , i 6= j : échange des lignes i et j.
ˆ Li ← αLi , α 6= 0 : multiplication de la ligne i par le scalaire α 6= 0.
ˆ Li ← Li + λLj , i 6= j : addition d’un multiple de la ligne j à la ligne i.

Remarque. Dans le cas où on a n inconnues et n équations, pour i, j ∈ J1, nK, i 6= j, λ ∈ R, on pose
Ti,j = In + λEi,j et Di (λ) = In + (λ − 1)Ei,i . On dit que Ti,j (λ) est une matrice de transvection et Di (λ)
une matrice de dilatation. Faire l’opération élémentaire Li ← Li + λLj revient à multiplier la matrice
du système à gauche par Ti,j (λ) (en multipliant à droite on aurait eu la transformation similaire sur les
colonnes). Faire l’opération élémentaire Li ← αLi revient à multiplier la matrice du système à gauche par
Di (α) (en multipliant à droite on aurait eu la transformation similaire sur les colonnes).
Les matrices de transvection et de dilatation étant inversibles, un système de Cramer reste de Cramer
après les opérations élémentaires.

Proposition 12

On obtient un système équivalent à (L) en effectuant l’une des opérations suivantes :

ˆ Li ↔ Lj , i 6= j.
ˆ Li ← αLi , α 6= 0.
ˆ Li ← Li + λLj , i 6= j.
ˆ Li ← αLi +PβLj , α 6= 0
ˆ Li ← Li + λj Lj
j6=i

Méthode du pivot de Gauss : un exemple vaut mieux qu’un long discours :

Exemple 5.8. On souhaite résoudre dans R5 le système



 x + 2y − 3z + t + 2u = −2

2x + 3y − 6z + 5t − 3u = 1
x + 5y − 3z − 3t + 9u = −4



x + 3y − 3z + t + 3u = 2

Le but est que x n’apparaisse que dans la 1ère équation, y que dans la 1ère et 2ème, z dans les 3 premières,
etc. On fait d’abord les opérations suivantes : L2 ← L2 −2L1 , L3 ← L3 −L1 , L4 ← L4 −L1 et L5 ← L5 −L1 .
On obtient le système équivalent



 x + 2y − 3z + t + 2u = −2

−y + 3t − 7u = 5


 3y − 4t + 7u = −2

y + u = 4
84 CHAPITRE 5. MATRICES ET SYSTÈMES LINÉAIRES

On va maintenant enlever y dans les lignes 3 et 4 en effectuant les opérations L3 ← L3 + 3L2 et L4 ←

L4 + L2 , on obtient le système équivalent

x + 2y − 3z + t + 2u = −2



−y + 3t − 7u = 5


 5t − 14u = 13

3t − 6u = 9

On élimine maintenant t dans la dernière ligne en effectuant L4 ← 5L4 − 3L3 , on obtient le système
équivalent 


 x + 2y − 3z + t + 2u = −2

−y + 3t − 7u = 5


 5t − 14u = 13

12u = 6

On conclut alors que u = 12 , t = 4, y = 7

2 et z = x+14
3 (infinité de solutions).
Exemple 5.9. On souhaite résoudre dans R3 le système

x + 2y + z = 3

x − 2y + 3z = −5

2x + y + 5z = −3


On élimine les x : L2 ← L2 − L1 et L3 ← L3 − 2L1 , on obtient le système équivalent


x + 2y + z = 3

−4y + 2z = −8

−3y + 3z = −9


On élimine y : L3 ← 4L3 − 3L2 , on obtient le système équivalent


x + 2y + z = 3

−4y + 2z = −8

6z = −12


On en déduit que z = −2, y = 1 et x = 3 (la solution est unique).

Entraı̂nez vous à résoudre les systèmes de la feuille d’exercices !

Théorème 4

Toute matrice inversible peut se transformer en la matrice identité à l’aide d’opérations

élémentaires sur les lignes de cette matrice et son inverse s’obtient en effectuant, dans le même
ordre, les mêmes opérations élémentaires sur les lignes de la matrice identité.

 
2 1 1
 
Exemple 5.10. Montrez que A = 1 2 1 est inversible et donnez son inverse.
 
 
1 1 2
On fait d’abord apparaı̂tre des 0 sur la 1ère colonne (sauf sur la 1ère ligne) : L2 ← 2L2 − L1 et L2 ←
5.7. SYSTÈME DE CRAMER ET MÉTHODE DU PIVOT DE GAUSS 85

2L2 − L1 , on effectue ces mêmes opérations sur la matrice identité, on obtient

   
2 1 1 1 0 0
   
1 , −1 2 0
   
0 3
   
0 1 3 −1 0 2

On élimine maintenant le terme de la 3ème ligne, 2ème colonne : L3 ← 3L3 − L2

   
2 1 1 1 0 0
   
1 , −1 2
   
0 3 0
   
0 0 8 −2 −2 6

On élimine maintenant les termes non diagonaux : L1 ← 3L1 − L2 , L2 ← 8L2 − L3

   
6 0 2 4 −2 0
   
, −6 18 −6
   
0 24 0  
   
0 0 8 −2 −2 6

puis L1 ← 4L1 − L3    
24 0 0 18 −6 −6
   
 0 24 0 , −6 18 −6
   
   
0 0 8 −2 −2 6
1 1
On fait maintenant apparaı̂tre des 1 sur la diagonale : L1 ← 24 L1 , L2 ← 24 L2 et L3 ← 18 L3
   
3 −1 −1
1 0 0 4 4 4 
  
 −1 3 −1 
0 1 0 ,
 
 4 4 4 

  
−1 −1 3
0 0 1 4 4 4
 
3 −1 −1
 
Donc A−1 = 1
−1 3 −1.
 
4  
−1 −1 3
86 CHAPITRE 5. MATRICES ET SYSTÈMES LINÉAIRES
Chapitre 6

Équivalence et négligeabilité

6.1 Comparaison de fonctions

6.1.1 Négligeabilité
Définition 1

Soit f et g deux fonctions définies sur un voisinage de a. On dit que f est négligeable devant g
au voisinage de a lorsqu’il existe une fonction ε définie au voisinage de a, de limite égale à 0 en
a et telle que f (x) = ε(x)g(x) au voisinage de a.
On note f (x) = o(g(x)) ou bien f (x) = o(g(x)), voire f = o(g), et on dit que f est un “petit
x→a a
o” de g au voisinage de a.

Remarque. Si f (x) = o(1) alors lim f (x) = 0.

a x→a

Théorème 1

Si g ne s’annule pas au voisinage de a, alors

f (x)
f (x) = o(g(x)) ⇔ lim =0
a x→a g(x)

Exemple 6.1. On peut comparer des fonctions en +∞ ou −∞. Par exemple, x3 = o(x5 )
+∞
Plus généralement, soit P, Q ∈ R[X], si deg P < deg Q alors P (x) = o(Q(x))
+∞
ln x = o(x)
+∞
∀a ∈ R+ , xα = o (ex )
+∞

Proposition 1

Soit f, g, h des fonctions définies au voisinage de a.

ˆ Si f (x) = o(h(x)) et g(x) = o(h(x)) alors ∀α, β ∈ R, αf (x) + βg(x) = o(h(x))
a a a
ˆ Si f (x) = o(g(x)) et g(x) = o(h(x)) alors f (x) = o(h(x))
a a a
ˆ Si f (x) = o(g(x)) alors f (x)h(x) = o(g(x)h(x))
a a
ˆ Si f (x) = o(g(x)), alors o(f (x) + g(x)) = o(g(x)) et o(f (x)) + o(g(x)) = o(g(x))
a a a

Remarque. En particulier o(f (x))+o(f (x)) = o(f (x)) et même, pour tout α, β ∈ R, αo(f (x))+βo(f (x)) =
o(f (x)).

87
88 CHAPITRE 6. ÉQUIVALENCE ET NÉGLIGEABILITÉ

6.1.2 Équivalence
Définition 2

Soit f et g deux fonctions définies sur un voisinage de a. On dit que f et g sont équivalentes
au voisinage de a lorsqu’il existe une fonction ε définie au voisinage de a, de limite égale à 0 en
a et telle que f (x) = (1 + ε(x))g(x) au voisinage de a.
On note f (x) ∼ g(x) ou bien f (x) ∼ g(x), voire f ∼ g, et on dit que f est équivalente à g au
x→a a
voisinage de a.

Théorème 2

f (x) ∼ g(x) ⇔ f (x) = g(x) + o(g(x))

a a

Théorème 3

Si g ne s’annule pas au voisinage de a (sauf en a) alors

f (x)
f (x) ∼ g(x) ⇔ lim =1
a x→a g(x)

Proposition 2

Soit f, g et h des fonctions définies au voisinage de a et ne s’annulant pas au voisinage de a

(sauf en a)
ˆ Si f (x) ∼ g(x) alors f (x)h(x) ∼ g(x)h(x)
a a
ˆ Si f (x) ∼ g(x) alors |f (x)| ∼ |g(x)|
a a
ˆ Si f (x) ∼ g(x), alors pour tout entier naturel n, f (x)n ∼ g(x)n
a a
ˆ Si f (x) ∼ g(x), alors 1
f (x) ∼
1
a a g(x)
ˆ Si f (x) ∼ g(x) et f et g sont strictement positives au voisinage de a, alors ∀α ∈ R,
a
f (x)α ∼ g(x)α
a

4
Remarque. ! On peut multiplier et diviser les équivalents mais on ne peut ni les additionner, ni les
composer (sauf pour quelques cas particuliers).

4
! 4
! Ne jamais, jamais écrire d’équivalent à 0 ! ! !
Exemple 6.2. x + x2 ∼ x car x2 = o(x).
0 0
x + 2 ∼ x néanmoins ex+2  ex , on ne compose pas des équivalents par la fonction exponentielle !
+∞

Proposition 3

Si f (x) ∼ g(x) et g(x) ∼ h(x) alors f (x) ∼ h(x)

a a a
6.2. ÉTUDE ASYMTOTIQUE DE SUITES 89

Théorème 4

Équivalents classiques.
ˆ Un polynôme non nul est équivalent au voisinage de 0 à son monôme de plus bas degré.
ˆ Un polynôme non nul est équivalent au voisinage de ±∞ à son monôme de plus haut degré.
x2
ˆ ex − 1 ∼ x, ln(1 + x) ∼ x, (1 + x)α − 1 ∼ αx, sin x ∼ x, 1 − cos x ∼ , tan x ∼ x
0 0 0 0 0 2 0

Démonstration. Sauf pour le cosinus, ces équivalents viennent de la définition du nombre dérivée en 0. En
ex − 1
effet lim = 1 d’où l’équivalence, de même pour les autres.
x→0 x
Pour le cosinus, on rappelle la formule de trigonométrie cos2 x = 1+cos
2
2x
, ainsi, 2 cos2 (x/2) = 1 + cos(x).
2 2 2 2
On a alors 1 − cos x = 2(1 − cos (x/2)) = 2 sin (x/2) ∼ 2(x/2) = x /2 d’après l’équivalent du sinus en 0
et la proposition 6.2.

Théorème 5

Si f (x) ∼ g(x) et lim f (x) = ` alors lim g(x) = `.

a x→a x→a

r
1
1+ e x2 −1
Exemple 6.3. Un exemple pratique. Trouvez la limite en +∞ de  x  .
ln 1+ 12
q x
1 1 1
1 + exx2 − 1 ∼ 2x
ex ex
∼ 2x12 ln 1 + x12 ∼ x12


2 2x2
r r
1 1
1+ e x2 −1 1 1+ e x2 −1
On conclut donc que  x  ∼ 2 et donc lim  x  = 12 .
ln 1+ 12 x→+∞ ln 1+ 12
x x

6.2 Étude asymtotique de suites

6.2.1 Négligeabilité

Définition 3

Soit (un )n∈N et (vn )n∈N deux suites. On dit que (un )n∈N est négligeable devant (vn )n∈N au
voisinage de +∞ lorsqu’il existe une suite (εn )n∈N qui converge vers 0 telle que un = εn vn à
partir d’un certain rang.
On note un = o(vn ) ou bien un = o(vn ), et on dit que un est un “petit o” de vn .
+∞

Théorème 6

Si vn 6= 0 à partir d’un certain rang, alors

un
un = o(vn ) ⇔ lim =0
n→+∞ vn
90 CHAPITRE 6. ÉQUIVALENCE ET NÉGLIGEABILITÉ

Proposition 4

Soit trois suites (un )n∈N , (vn )n∈N et (wn )n∈N .

ˆ Si un = o(vn ) et vn = o(wn ) alors un = o(wn ).
ˆ Si un = o(wn ) et vn = o(wn ) alors pour tout α, β ∈ R, αun + βvn = o(wn ).

Théorème 7
1
Pour tout réel a > 0 et pour tout réel q ∈] − 1, 1[, on a q n =


na .

6.2.2 Équivalence
Définition 4

Soit (un )n∈N et (vn )n∈N deux suites. On dit que (un )n∈N et (vn )n∈N sont équivalentes au voisi-
nage de +∞ lorsqu’il existe une suite (an )n∈N qui converge vers 1 en +∞ et telle que un = an vn
au voisinage de +∞.
On note un ∼ vn ou bien un ∼ vn et on dit que (un )n∈N est équivalente à (vn )n∈N au
n→+∞
voisinage de +∞.

Théorème 8

un ∼ vn ⇔ un = vn + o(vn )

Théorème 9

Si vn 6= 0 à partir d’un certain rang, alors

un
un ∼ vn ⇔ lim =1
n→+∞ vn

Proposition 5

Soit (un )n∈N , (vn )n∈N et (wn )n∈N des suites non nulles à partir d’un certain rang
ˆ Si un ∼ vn alors un wn ∼ vn wn
ˆ Si un ∼ vn alors |un | ∼ |vn |
ˆ Si un ∼ vn , alors u1n ∼ v1n
ˆ Si un ∼ vn et un > 0 et vn > 0 à partir d’un certain rang, alors ∀α ∈ R, uα α
n ∼ vn

Proposition 6

Si un ∼ vn et vn ∼ wn alors un ∼ wn
6.2. ÉTUDE ASYMTOTIQUE DE SUITES 91

Théorème 10

Si un ∼ vn et la suite (vn )n∈N converge vers `, alors (un )n∈N converge vers ` et un ∼ `.

Théorème 11

Si lim un = 0 alors
n→+∞

ln(1 + un ) ∼ un eun − 1 ∼ un (1 + un )α − 1 ∼ αun

u2n
sin un ∼ un 1 − cos un ∼ tan un ∼ un
2
92 CHAPITRE 6. ÉQUIVALENCE ET NÉGLIGEABILITÉ
Chapitre 7

Séries

7.1 Définition
Définition 1

Soit (un )n∈N une suite. On appelle série de terme général un la suite (Sn )n∈N définie par Sn =
Xn
uk .
k=0 X
Sn est appelée somme partielle d’indice n et on note la série uk .
k≥0

Définition 2
X
On dit que la série uk converge si la suite (Sn )n∈N converge.
k≥0
∞
X
La limite est appelée somme de la série et est notée uk , on a donc
k=0

∞
X n
X
uk = lim Sn = lim uk
n→∞ n→∞
k=0 k=0

n n+1
3 n

X 1−( 34 )
Exemple 7.1. a) un = 4 , on pose Sn = uk , on a Sn = 1− 34
, donc la série converge vers 4.
k=0
n
1
X 1
b) un = n,
on pose Sn = . On a vu dans un chapitre précédent que Sn ∼ ln n et donc la série est
k
k=1
divergente.

Définition 3
X
Soit uk une série convergente. On appelle reste d’indice n de la série le réel Rn = S − Sn où
k≥0
X∞
S= uk . On ne peut parler de reste que si la série est convergente.
k=0

93
94 CHAPITRE 7. SÉRIES

Proposition 1

∞
X
Soit Rn le reste d’une série convergente. On a d’une part Rn = uk et d’autre part
k=n+1
lim Rn = 0.
n→∞

Démonstration. En effet, on a lim Sn = S et donc lim Rn = 0.

n→∞ n→∞

Pour s’entraı̂ner. Exercice 8

Proposition 2 (Série télescopique)

X
Soit (un )n∈N une suite. La série uk+1 − uk converge si et seulement si la suite (un )n∈N
k≥0
converge. La somme de la série vaut ` − u0 où ` = lim un .
n→∞

n
X
Démonstration. Soit n ∈ N, on a uk+1 − uk = un+1 − u0 par télescopage. On a donc convergence de
k=0
la somme partielle si et seulement si (un )n∈N converge.

Pour s’entraı̂ner. Exercices 1, 7

1 1 1
Exemple 7.2. Soit (vn )n∈N∗ définie ∀n ≥ 1 par vn = n(n+1) . On remarque que vn = n − n+1 et donc la
X
série vk converge vers 1.
k≥1

Théorème 1
X
Si la série uk converge alors lim un = 0
n→∞
k≥0

X
Remarque. On utilisera plutôt la contraposée de ce théorème : si lim un 6= 0 alors la série uk diverge.
n→∞
k≥0

Remarque. 4
! La réciproque est fausse ! On a déjà vu (et on reverra dans ce chapitre) que la série X 1
n
n≥1
1
diverge alors que lim = 0.
n→+∞ n

n
X
Démonstration. On pose ∀n ∈ N, Sn = uk . Or (Sn ) converge et comme ∀n ∈ N, un+1 = Sn+1 − Sn ,
k=0
(un ) converge vers 0.

Pour s’entraı̂ner. Exercice 4

√ X
Exemple 7.3. un = (−1)n esin( n) , la série uk diverge car ∀t ∈ R, −1 ≤ sin t ≤ 1 donc (un )n∈N ne
k≥0
converge pas vers 0.
7.2. CRITÈRE DE CONVERGENCE 95

Théorème 2
X X
Pour tout réel λ 6= 0, les séries uk et λuk sont de même nature et en cas de convergence
k≥0 k≥0
∞
X ∞
X
λuk = λ uk .
k=0 k=0 X X X
Si les deux séries uk et vk sont convergentes, alors la série uk + vk est convergente et
k≥0 k≥0 k≥0
∞
X ∞
X ∞
X
uk + vk = uk + vk (∗)
k=0 k=0 k=0

Remarque. a) Ce théorème a déjà été démontré dans le cadre plus général des suites.

b) 4
! on ne peut écrire la relation (∗) que si les deux séries sont convergentes. Par exemple pour u
∞ ∞ ∞
n =1
X X X
1
et vn = 2n − 1, uk + vk a un sens mais uk + vk n’en a pas !
k=0 k=0 k=0

7.2 Critère de convergence

Remarque. La notion de convergence est une notion locale (au voisinage de l’infini). Changer un nombre
fini de termes d’une suite ne va pas changer la nature de la série associée. Chacune des hypothèses peut
donc n’être vérifiée qu’à partir d’un certain rang.

Théorème 3

X n
X
Soit uk une série à termes positifs et on pose Sn = uk .
k≥0 k=0
X
La série uk converge si et seulement si la suite (Sn )n∈N est majorée.
k≥0
Sinon, la série diverge et lim Sn = +∞.
n→∞

Démonstration. (Sn )n∈N est une suite croissante, elle converge si et seulement si elle est majorée.

Théorème 4 (Théorème de comparaison)

X X
Soit uk et vk deux séries à termes positifs.
k≥0 k≥0
X X
a) Si à partir d’un certain rang, un ≤ vn alors vk converge ⇒ uk converge.
k≥0 k≥0
X X
b) Si un ∼ vn alors les séries uk et vk sont de même nature.
k≥0 k≥0

Remarque. 4
! Il faut être vigilant avec les hypothèses ! Le suites (u ) n n∈N et (vn )n∈N doivent être
positives.
96 CHAPITRE 7. SÉRIES

Démonstration. a) Quitte à changer les premiers

X termes de la série (ce qui ne change pas sa nature), on
peut suppose que ∀n ∈ N, un ≤ vn . Si vk converge, alors on en déduit que
k≥0
n
X n
X ∞
X n
X X
∀n ∈ N, uk ≤ vk ≤ vk < ∞, donc uk est majorée et la série uk converge.
k=0 k=0 k=0 k=0 k≥0

b) Si un ∼ vn alors il existe une suite (εn )n∈N qui converge vers 0 et telle que ∀n ∈ N, un = vn (1 + εn ).
Or, à partir d’un certain rang, 12 ≤ 1 + εn ≤ 32 et donc u2n ≤ vn ≤ 3u2n .
X X 3uk X
Si uk converge, alors aussi et d’après a), vk converge.
2
k≥0 k≥0 k≥0
X X uk X
Si uk diverge alors aussi et tend vers +∞ et donc vk diverge.
2
k≥0 k≥0 k≥0

Pour s’entraı̂ner. Exercice 2

X 1 1 1
X 1
Exemple 7.4. 1. On a vu que converge. Or (k+1)2
≤ k(k+1) donc la série converge.
k(k + 1) k2
k≥1 k≥1
X
1 1


2. Pour un = sin n2
, on a bien un ≥ 0 à partir d’un certain rang et un ∼ n2
donc uk converge.
k≥0

Théorème 5
X X
Soit uk et vk deux séries à termes positifs.
k≥0 k≥0
X X
Si un = o(vn ) alors vk converge ⇒ uk converge.
k≥0 k≥0

Démonstration. On a un = o(vn ) donc il existe une suite (εn )n∈N telle queX un = εn vn . À partirX
d’un
certain rang, on a donc un ≤ vn et ainsi d’après le théorème précédent, si vk converge alors uk
k≥0 k≥0
converge.

1
Remarque. On utilisera presque exclusivement ce critère en choisissant vn de la forme nα , on verra plus
tard la nature des séries de termes général n1α en fonction de α.
Remarque. Tous ces critères permettent de déterminer la nature de la série mais pas de calculer la somme
de la série.
En remarquant que si ∀n ∈ N, un ≤ 0 alors ∀n ∈ N, −un ≥ 0 et les séries X de termes généraux un et (−un )
étant de même nature, on peut appliquer les résultats précédents sur (−uk ) pour déterminer la nature
k≥0
X
de uk .
k≥0

Définition 4 (Convergence absolue)

X X
On dit que la série uk est absolument convergente si la série |uk | est convergente.
k≥0 k≥0
7.3. SÉRIES DE RÉFÉRENCES 97

Proposition 3

Une série absolument convergente est convergente.

X
Démonstration. Soit n ∈ N, un = un + |un | − |un |. Or ∀n ∈ N, 0 ≤ un + |un | ≤ 2|un |, donc si |uk |
k≥0
X X
converge alors uk + |uk | converge puis uk converge.
k≥0 k≥0

Remarque. 4
! La réciproque est fausse. On verra en exercice que X (−1)
k
k
converge mais
X1
k
diverge.
k≥1 k≥1

7.3 Séries de références

Proposition 4 (Série géométrique)

X ∞
X
k
La série géométrique x est convergente si et seulement si |x| < 1 et dans ce cas xk =
k≥0 k=0
∞
1 X xp
. De plus, xk = .
1−x 1−x
k=p

n
X 1 − xn+1
Démonstration. Soit x ∈ R \ {1}, n ∈ N, on a xk = , qui converge si et seulement si |x| < 1,
1−x
k=0
1
avec pour limite 1−x .

Pour s’entraı̂ner. Exercice 6

Corollaire 1 (Critère de d’Alembert)

Soit (un )n∈N une suite strictement

X positive.
un
ˆ Si lim < 1, alors un diverge.
n→+∞ un+1
n∈N
un X
ˆ Si lim > 1, alors un converge.
n→+∞ un+1
n∈N

un
Démonstration. Soit λ = lim et α = 1+λ
2
un+1
n→+∞
ˆ Si λ < 1, alors λ < α < 1. D’après la définition de limite, et par positivité de (un )n∈N , on a,
à partir d’un certain rang N , uαn ≤ un+1 et ainsi par récurrence immédiate, pour tout n ≥ N ,

n−N
un ≥ α1 uN . Le terme de droite est le terme général d’une série divergente, car α1 > 1, donc par
X
théorème de comparaison la série un diverge.
n≥0
ˆ De la même manière, on a l’existence d’un N tel que pour tout n ≥ N , un ≤ αn−N uN . Le terme de
droiteXest le terme général d’une série convergente, car α < 1, donc par théorème de comparaison la
série un converge.
n≥0
98 CHAPITRE 7. SÉRIES

Pour s’entraı̂ner. Exercice 10

Remarque. Ce théorème est peu utile, dans la plupart des cas on est dans la situation indéterminée λ = 1.
Il ne s’applique que lors de convergence ou divergence grossières.
un
Remarque. On peut être plus précis, le quotient un+1 n’admettant pas nécessairement une limite. On peut
uk
alors plutôt comparer lim sup avec 1.
n→+∞ k≥n uk+1

Proposition 5 (Séries géométriques dérivées)

∞
X
k−1
X 1
a) La série kx converge si et seulement si |x| < 1 et dans ce cas kxk−1 = .
(1 − x)2
k≥1 k=1
X ∞
X
b) La série k(k −1)xk−2 converge si et seulement si |x| < 1 et dans ce cas k(k −1)xk−2 =
k≥1 k=1
2
.
(1 − x)3

n
X 1 − xn+1
Démonstration. Soit x ∈ R, on sait que xk = . On dérive cette égalité et on obtient
1−x
k=0
n
X 1 − (n + 1)xn + nxn+1
kxk−1 =
(1 − x)2
k=1
1
Le terme de droite admet une limite si et seulement si |x| < 1 et cette limite vaut alors (1−x)2
.
Le b) se démontre de même en dérivant une fois de plus.

Pour s’entraı̂ner. Exercice 6

Remarque.
0 Pour se rappeler de ces deux égalités, pensez à ladérivation termes à termes : (xk )0 = kxk−1
 00
1 1 k 00 k−2 et 1 2
et 1−x = (1−x)2 . De même, (x ) = k(k − 1)x 1−x = (1−x)3.

Attention néanmoins, on ne peut faire de la dérivation termes à termes que dans un cadre précis (hors
programme en BL).

Proposition 6 (Série exponentielle)

X xk ∞
X xk
Pour tout réel x, la série exponentielle est convergente et = ex
k! k!
k≥0 k=0

Démonstration. La preuve est présente à la fin du chapitre 4.

On peut icin prouver la convergence rapidement avec le critère de d’Alembert : on pose pour tout entier
n, un = |x| un n
n! , on a un+1 = |x| → +∞ d’où la convergence absolue de la série donc sa convergence.

Pour s’entraı̂ner. Exercice 6

Proposition 7 (Séries de Riemann)
X 1
La série converge si et seulement si α > 1.
kα
k≥1
7.3. SÉRIES DE RÉFÉRENCES 99

Démonstration. Cette preuve est importante, la technique est à connaı̂tre (comparaison série-intégrale).

X 1
ˆ Si α 6= 0, 1


diverge car nα ne converge pas vers 0.
kα
k≥1
ˆ Si α > 0, on pose f : x 7→ 1
xα pour x > 0. f est décroissante sur ]0, +∞[ donc pour tout k ≥ 1,

1 1 1
∀x ∈ [k, k + 1], ≤ α ≤ α
(k + 1)α x k

et intégrant sur [k, k + 1] :

Z k+1
1 1 1
≤ dx ≤ α
(k + 1)α k x α k

puis, pour k ≥ 2

Z k+1 Z k
1 1 1
dx ≤ α ≤ dx
k xα k k−1 xα

n
X 1
On pose Sn = , on a
kα
k=2

Z n+1 Z n
1 1
dx ≤ sn ≤ dx
2 xα 1 xα

(n+1)1−α −21−α
Si α < 1, sn ≥ 14−α → +∞, donc lim sn = +∞.
n→∞
Si α = 1, sn ≥ ln(n + 1) − ln(2) et donc lim sn = +∞.
n→∞
X 1
Donc si α ≤ 1, diverge.
kα
k≥1
1−α
X 1
Si α < 1, sn ≤ 1−n 1
α−1 ≤ α−1 donc si α > 1, converge.
kα
k≥1

Remarque. On utilisera principalement les séries de

X Riemann
√ pour déterminer
√
la nature d’une série en la
− k − n = o n12 .


comparant à une série de Riemann. Par exemple, e converge car e
k≥1
100 CHAPITRE 7. SÉRIES

Méthode (Comparaison série/intégrale)

Soit f une fonction décroissante, positive, sur [a, +∞[ avec a > 0 et on pose n0 = bac + 1 le
plus petit entier supérieur à a. Z A
X
On va montrer que f (n) converge si et seulement si lim f (t)dt est finie. En cas de
A→+∞ a
n≥n0
N
X Z N
divergence, on a même dans certains cas ∼ f (t)dt.
n=n0 a
L’intérêt de cette méthode est qu’on a beaucoup plus d’outils pour calculer des intégrales que
des sommes de séries.
Comme f est décroissante, on a pour tout n ≥ n0 , pour tout t ∈ [n, n + 1],

f (n + 1) ≤ f (t) ≤ f (n)

On intègre cette inégalité entre n et n + 1 pour obtenir

Z n+1
f (n + 1) ≤ f (t)dt ≤ f (n)
n

On somme maintenant cette inégalité pour n allant de n0 à un certain N , on obtient

N
X Z N +1 N
X
f (n + 1) ≤ f (t)dt ≤ f (n)
n=n0 n0 n=n0
X
On obtient ainsi notre premier résultat : si la série f (n) converge alors la suite croissante
n≥n0
Z N
f (t)dt est majorée donc converge. Si la limite de cette intégrale converge, alors en ajoutant
a
f (n0 ) à l’inégalité de gauche on obtient le convergence de la série (série à termes positifs majorée
donc convergente).
Si on avait sommé jusqu’à N − 1 et ajouté f (n0 ) à chacun des termes, on aurait ainsi obtenu
l’encadrement
Z N +1 XN Z N
f (t)dt ≤ f (n) ≤ f (n0 ) + f (t)dt
n0 n=n0 n0

Ce qui permet d’obtenir un équivalent de la somme partielle si les deux termes de l’encadrement
sont équivalents.

Pour s’entraı̂ner. Exercices 5, 8, 9

Chapitre 8

Probabilités discrètes

Andreı̈ Kolmogorov (1903-1987), fondateur des probabilités modernes

8.1 Observation d’une expérience aléatoire - Événements

On appelle expérience aléatoire une expérience dont le résultat n’est pas connu a priori, c’est-à-dire
qu’il ne dépend que du hasard. L’ensemble des résultats possibles d’une expérience aléatoire est appelé
univers. On le note usuellement Ω et ses éléments sont notés ω. Lors de chaque expérience, une seule issue
ω de Ω est réalisée.
Dans ce chapitre, on traitera les cas où Ω est un ensemble fini ou dénombrable, c’est-à-dire en bijection
avec N.
Exemple 8.1. 1. On lance un dé à six faces numérotées de 1 à 6, on a Ω = {1, 2, 3, 4, 5, 6}
2. On lance une pièce, on a Ω = {Pile, Face}.
3. On lance 3 fois une pièce, on a Ω = {P P P, P P F, P F P, P F F, F P P, F P F, F F P, F F F }
4. On lance un dé jusqu’à faire 6, on a Ω = {1, 2, 3, 4, 5, 6}N l’ensemble des suites à valeurs dans
{1, 2, 3, 4, 5, 6}.

101
102 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Définition 1 (Év’enement)

On appele événement une partie de Ω.

Exemple 8.2. Pour le lancer d’un dé, l’événement “le nombre obtenu est pair” est {2, 4, 6}.

Définition 2

L’événement ∅ est appelé l’événement impossible, Ω l’événement certain. Les événements {w}
(les singletons) sont appelés événements élémentaires.

Opérations sur les événements : un événement étant une partie de Ω, on peut faire les différentes opérations
sur les parties d’un ensemble sur les évènements.

Définition 3 (Opérations sur les événements)

Soit A et B deux événements.

1. Ā (le complémentaire de A dans Ω) est appelé événement contraire de A.
2. l’événement A ∩ B est réalisé si les événements A et B sont réalisés.
3. l’événement A ∪ B est réalisé si au moins un des deux événements A ou B est réalisé.
4. A ⊂ B signifie que l’événement A implique l’événement B.
5. Si A ∩ B = ∅, alors on dit que A et B sont incompatibles.

Proposition 1 (Traduction quantificateurs/ langage ensembliste)

Soit (An )n∈N une suite d’événements. On a les égalités d’événements suivantes :
ˆ “il existe k ∈ N tel que Ak ”= ∪ Ak
k∈N
ˆ “pour tout k ∈ N, on a Ak ”= ∩ Ak
k∈N
ˆ “Ak est réalisé pour une infinité de valeurs k“=“pour tout n0 ∈ N, il existe n ≥ n0 tel que
An ”= ∩ ∪ An
n0 ∈N n≥n0
Un conseil : écrire dans un premier temps en français, puis avec des quantificateurs puis faire
la traduction en langage ensembliste : les ∀ deviennent des ∩ et les ∃ des ∪.

Définition 4 (Système complet d’événements)

Soit (Ai )i∈I une famille d’événements (où I est un ensemble fini ou dénombrable). On dit que
cette famille forme un système complet d’événements de Ω si
1. ∀(i, j) ∈ I 2 , Ai ∩ Aj = ∅
S
2. Ai = Ω.
i∈I

Exemple 8.3. 1. pour tout événement A, (A, Ā) est un système complet d’événements.
8.2. PROBABILITÉ 103

2. dans le cas d’un lancer de deux dés, si on note A l’événement “La somme des deux dés est supérieure
ou égale à 8”, B “Un des deux dés a fait 1” et C = {(2, 2), (2, 3), (2, 4), (2, 5), (3, 3), (3, 4)}, alors
(A, B, C) est un système complet d’événements.
3. On lance une infinité de fois un dé. On introduit les événements : P∞ “obtenir une infinité de 6”, et
∀i ∈ N, Pi “obtenir exactement i 6”. Alors (P∞ , P0 , P1 , . . .) est un système complet d’événements.

8.2 Probabilité
Définition 5 (Probabilité)

Une probabilité sur P(Ω) est une application P : P(Ω) → [0, 1] vérifiant :
1. P(Ω) = 1
2. si Ω est fini : ∀A, B ∈ P(Ω) tels que A ∩ B = ∅, P(A ∪ B) = P(A) + P (B)
3. si Ω est infini : P est σ-additive : pour toute
 famille
 (A n )n∈I d’événements 2 à 2 incom-
X X
patibles, la série P(An ) converge et P ∪ An = P(An )
n∈I
n∈I n∈I
Le triplet (Ω, P(Ω), P) est appelé espace probabilisé et ∀A ∈ P(Ω), P(A) est la probabilité de
A. Un événement A ∈ P(Ω) est dit négligeable si P(A) = 0 et presque-sûr si P(A) = 1.

4
Remarque. ! Ne pas confondre événement négligeable et événement impossible (de même qu’événement
presque-sûr et événement certain). Par exemple dans le cas d’une infinité de lancers d’un dé équilibré,
l’événement “Ne jamais obtenir de 6” est un événement négligeable (preuve ci-dessous) mais pas impos-
sible.
Lorsque Ω est fini ces deux notions coı̈ncident.

Proposition 2

Soit P une probabilité sur Ω et A et B deux événements de Ω.

1. P(Ā) = 1 − P(A)
2. Si A ⊂ B alors P(A) ≤ P(B)

Démonstration. 1. On a A ∪ Ā = Ω et A ∩ Ā = ∅ donc 1 = P(Ω) = P(A ∪ Ā) = P(A) + P(Ā) d’où le

résultat.
2. On a B = A ∪ (Ā ∩ B) et A ∩ (Ā ∩ B) = ∅ donc P(B) = P(A) + P(Ā ∩ B) ≥ P(A) car une probabilité
est positive.

Exemple 8.4. Équiprobabilité On dit que l’on est en situation d’équiprobabilité si les événements
1
élémentaires ont tous la même probabilité, qui alors est card Ω lorsque Ω est fini.
C’est le cas pour le lancer d’une pièce équilibrée, ou d’un dé équilibré.
Conséquence, pour tout A ∈ Ω, P(A) = card A
card Ω .

4
! Il n’y a pas d’équiprobabilité si Ω est infini !
104 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Théorème 1 (Formule du crible (ou de Poincaré)

Soit A, B et C trois événements.

P(A ∪ B) = P(A) + P (B) − P(A ∩ B)

et

P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C)

Démonstration. On a A ∪ B = A ∪ (B ∩ Ā) et A ∩ (B ∩ Ā) = ∅ donc P(A ∪ B) = P(A) + P(B ∩ Ā). Or

(B ∩ Ā) ∪ (A ∩ B) = B donc P(B) = P(B ∩ Ā) + P(B ∩ Ā) d’où le résultat.
Avec trois événements, on applique la formule avec deux événenements avec A et B ∪ C.

Exemple 8.5. Une urne contient trois boules (une rouge, une verte et un jaune). On fait r tirages avec
remise, (r ≥ 3), on veut connaı̂tre la probabilité que chacune des boules a été tirée au moins une fois. On
note A1 l’événement “la boule rouge n’a pas été tirée”, A2 pour la boule verte et A3 pour la boule jaune.
On cherche donc à calculer P(Ā1 ∩ Ā2 ∩ Ā3 ) = 1 − P(A1 ∪ A2 ∪ A3 ). D’après la formule du crible

P(A1 ∪ A2 ∪ A3 ) = P(A1 ) + P(A2 ) + P(A3 ) − P(A1 ∩ A2 ) − P(A1 ∩ A3 ) − P(A2 ∩ A3 ) + P(A1 ∩ A2 ∩ A3 )

 r  r  r  r  r  r
2 2 2 1 1 1
= + + − − − +0
3 3 3 3 3 3
2r − 1
=3 r
3
2r −1
Donc le résultat est 1 − 3r−1
.

Théorème 2 (Limite monotone)

1. Si (An )n≥n0 est une suite croissante d’événements, c’est-à-dire ∀n ≥ n0 , An ⊂ An+1 , alors
la suite (P(An ))n≥n0 est convergente et
∞
P( ∪ An ) = lim P(An )
n=n0 n→∞

2. Si (An )n≥n0 est une suite décroissante d’événements, c’est-à-dire ∀n ≥ n0 , An+1 ⊂ An ,

alors la suite (P(An ))n≥n0 est convergente et
∞
P( ∩ An ) = lim P(An )
n=n0 n→∞

Démonstration. Si la suite d’événements est croissante, alors (P(An ))n≥n0 est une suite croissante, majorée
∞
par 1 donc converge. On pose A = ∪ An et pour tout entier n ≥ n0 , Bn+1 = An+1 \ An = An+1 ∩ An et
n=n0
∞
Bn0 = An0 . On a ainsi A = ∪ Bn et ∀i, j ≥ n0 , i 6= j =⇒ Bi ∩ Bj = ∅. On a donc (par σ-additivité),
n=n0
+∞
X
P(A) = P(Bn ), or An = (An \ An−1 ) ∪ An−1 , c’est une union d’incompatibles. Donc pour n > n0 ,
n=n0
P(Bn ) = P(An ) − P(An−1 ) et P(Bn0 ) = P(An0 ). Par télescopage, on obtient ainsi lim P(An ) = P(A).
n→+∞
d’où le résultat.
Si la suite d’événements est décroissante, on peut passer au complémentaire et utiliser le résultat pour
une suite croissante d’événements.
8.3. PROBABILITÉ CONDITIONNELLE 105

Exemple 8.6. On cherche à calculer la probabilité de ne jamais obtenir de 6 dans le cas d’une infinité de
lancers de dés.
On pose pour tout entier An l’événements “ne pas obtenir de 6 sur les n premiers lancers”

n et B “ne jamais
obtenir de 6”. La suite d’événements (An )n∈N est décroissante et ∀n ∈ N, P(An ) = 56 . Donc d’après le
théorème de la limite monotone P(B) = lim P(An ) = 0.
n→∞

Corollaire 1

Soit (An )n≥n0 une suite d’événements, alors

+∞ n
ˆ P( ∪ An ) = lim P( ∪ Ak )
n=n0 n→+∞ k=n0
+∞ n
ˆ P( ∩ An ) = lim P( ∩ Ak )
n=n0 n→+∞ k=n0

n
Démonstration. Pour le premier point, ( ∪ Ak )n≥n0 est une suite croissante d’événements. Pour le
k=n0
n
deuxième point, ( ∩ Ak )n≥n0 est une suite décroissante d’événements.
k=n0

Définition 6 (Système quasi-complet d’événements)

On dit que (An )n∈N est un système quasi-complet d’événements si :

ˆ ∀i, j ∈ N, i 6= j =⇒ Ai ∩ Aj = ∅
+∞
X
ˆ P(Ai ) = 1
i=0
En particulier, un système complet d’événements est un système quasi-complet d’événements.

8.3 Probabilité conditionnelle

Définition et théorème 1 (Probabilité conditionnelle)

Soit (Ω, P(Ω), P) un espace probabilisé et A un événement de probabilité non nulle. Alors
l’application PA définie sur P(Ω) par

P(B ∩ A)
PA (B) =
P(A)

est une probabilité appelée probabilité conditionnelle relative à A ou probabilité sachant A.

Démonstration. PA est bien à valeurs dans [0, 1] car B ∩ A ⊂ A.

PA (Ω) = 1
Soit B et C tels que B ∩ C = ∅.

P((B ∪ C) ∩ A) P((B ∩ A) ∪ (C ∩ A))

PA (B ∪ C) = =
P(A) P(A)
P(B ∩ A) + P(C ∩ A)
= = PA (B) + PA (C)
P(A)

car B ∩ A et C ∩ A sont incompatibles.

106 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Théorème 3 (Formule des probabilités composées)

Si P(A) 6= 0, alors P(A ∩ B) = P(A)PA (B).

Si P(A1 ∩ A2 ∩ . . . ∩ An ) 6= 0 alors
n
P( ∩ Ai ) = P(A1 )PA1 (A2 ) . . . PA1 ∩A2 ∩...An−1 (An )
i=1

Démonstration. La formule se prouve par récurrence.

Remarque. Cas typique d’utilisation de ce théorème : dans le cas des tirages sans remise, tirage dans des
urnes à contenu évolutif.

Théorème 4 (Formule des probabilités totales)

Soit (Ai )i∈I (avec I fini ou dénombrable) un système quasi-complet d’événements tel que ∀i ∈ I,
P(Ai ) 6= 0. Alors pour tout événement B, on a
X X
P(B) = P(B ∩ Ai ) = P(Ai )PAi (B)
i∈I i∈I

S S
Démonstration. On a Ω =
S i∈I A i ∪D où D = Ω\( i∈I Ai ). C’est une union d’événements incompatibles.
On a ainsi B = B ∩ Ω = i∈I (B ∩ Ai ) ∪ (B ∩ D). On remarque ensuite que B ∩ D ⊂ D or P(D) = 0 donc
P(B ∩ D) = 0.

Remarque. On utilise ce théorème quand on manque d’information, selon l’information manquante, on

sait quel système complet ou quasi-complet choisir.

Théorème 5 (Formule de Bayes)

1. Soit A et B deux événements de probabilité non nulle, alors

P(A)
PB (A) = PA (B)
P(B)

2. Soit (Ai )i∈I (avec I fini ou dénombrable) un système quasi-complet d’événements tel que
∀i ∈ I, P(Ai ) 6= 0 et B un événement, alors ∀i ∈ I

P(Ai )PAi (B)

PB (Ai ) = X
P(Aj )PAj (B)
j∈I

Démonstration. Immédiate. On utilise la formule des probabilités totales pour le deuxième point.

Remarque. On utilise ce théorème pour échanger le conditionnement, souvent pour inverser cause et effet
ou remonter le temps.
8.4. ÉVÉNEMENTS INDÉPENDANTS 107

8.4 Événements indépendants

Définition 7

Soit (Ω, P(Ω), P) un espace probabilisé.

On dit que deux événements A et B sont indépendants pour la probabilité P si P(A ∩ B) =
P(A) × P(B).
Si P(A) 6= 0, cela revient à dire que PA (B) = P(B).

Proposition 3

Si A et B sont indépendants, pour la probabilité P, alors A et B̄ (respectivement Ā et B, et Ā

et B̄) sont indépendants.

Démonstration. On a A = (A ∩ B) ∪ (A ∩ B̄), réunion de deux événements incompatibles, donc P(A) =

P(A ∩ B) + P(A ∩ B̄) = P(A)P(B) + P(A ∩ B̄), par indépendance. Et donc, P(A ∩ B̄) = P(A)(1 − P(B)) =
P(A)P(B̄).

Remarque. La notion d’indépendance dépend de la probabilité. Exemple : on dispose d’un dé équilibré,
d’une pièce équilibrée et d’une pièce truquée (deux piles). On lance le dé, si on obtient 1, on lance deux
fois la pièce équilibrée et sinon, on lance deux fois la pièce truquée. Soit A1 (respectivement A2 ) “obtenir
pile au premier (respectivement deuxième) lancer”, C “le lancer du dé donne 1”. Alors A1 et A2 sont
indépendants pour la probabilité sachant C, mais A1 et A2 ne sont pas indépendants. En effet

P(A1 ∩ A2 ) = P(C)PC (A1 ∩ A2 ) + P(C̄)PC̄ (A1 ∩ A2 )

1 1 5 21
= × + =
6 4 6 24

1 1 5 2 11 2



tandis que P(A1 )P(A2 ) = 6 × 2 + 6 = 12 .

Définition 8

On dit que A1 , . . . , An sont mutuellement indépendants pour la probabilité P si pour tout

ensemble d’indice I ⊂ J1, nK, !
\ Y
P Ai = P(Ai )
i∈I i∈I

Exemple 8.7. On lance deux fois un dé équilibré. Soit les événements : A1 :“le premier nombre obtenu est
pair” et A2 : “le deuxième nombre obtenu est impair”. A1 et A2 sont indépendants.
Soit l’événement, A3 : “la somme des deux nombres obtenus est paire”. On vérifie que P(A1 ∩ A3 ) =
P(A1 )P(A3 ) et P(A2 ∩ A3 ) = P(A2 )P(A3 ). Par contre P(A1 ∩ A2 ∩ A3 ) = 0 6= P(A1 )P(A2 )P(A3 ), donc les
Ai sont indépendants deux à deux mais pas mutuellement indépendants.
Remarque. Si on répète une même expérience sans modification (par exemple tirage avec remise), alors
on obtient des événements indépendants. Par contre, le tirage sans remise est un exemple de non-
indépendance.
108 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Proposition 4

Soit A1 , . . . , An des événements mutuellement indépendants pour la probabilité P. Si on pose

Bi = Ai ou bien Āi , alors les événements Bi sont mutuellement indépendants.

Démonstration. Si A et B sont indépendants A = (A ∩ B) ∪ (A ∩ B̄) et donc P(A) = P(A)P(B) + P(A ∩ B̄)

et donc P(A ∩ B̄) = P(A)(1 − P(B)) = P(A)P(B̄) donc A et B̄ sont indépendants. On peut déduire le
reste de ce résultat.

La notion d’indépendance mutuelle se généralise aussi, il faut bien noter que l’indépendance mutuelle
pour un nombre infini d’événements correspond à l’indépendance mutuelle de toute sous-famille finie de
ces événements.

Définition 9

On dit que A1 , . . . , An sont mutuellement indépendants pour la probabilité P si pour tout

ensemble d’indice fini I ⊂ N,   Y
P ∩ Ai = P(Ai )
i∈I
i∈I

8.5 Variable aléatoire discrète

On considère un espace probabilisé (Ω, P(Ω), P). On rappelle que Ω est fini ou dénombrable.

Définition 10

On appelle variable aléatoire réelle sur (Ω, P(Ω)) une application de Ω dans R.
Si on note X cette variable aléatoire, alors on note X(Ω) l’ensemble des valeurs prises par X.
Comme Ω est fini ou dénombrable, X(Ω) est fini ou dénombrable et on dit que X est une
variable aléatoire discrète.

Exemple 8.8. 1. Si X désigne la somme de deux dés, alors Ω = J1, 6K2 et X(Ω) = J2, 12K.
2. Si on note Xn le nombre de faces au bout de n lancers de pièces alors X(Ω) = J0, nK.
3. Si X désigne le rang du premier pile dans une suite de lancers consécutifs de dé alors X(Ω) = N∗ .

Notation. Voici comment on notera les différents événements liés à la variable aléatoire X : pour x ∈ R
et A une partie de R
a) [X = k] := {ω ∈ Ω, , X(ω) = k}
b) [X ∈ A] := {ω ∈ Ω, , X(ω) ∈ A}
c) [X ≤ k] := {ω ∈ Ω, , X(ω) ≤ k}
d) [X ≥ k] := {ω ∈ Ω, , X(ω) ≥ k}

Théorème 6

Soit X une variable aléatoire réelle sur (Ω, P(Ω)), la famille d’événements {[X = k], k ∈ X(Ω)}
est un système complet d’événements.
8.6. LOI D’UNE VARIABLE ALÉATOIRE 109

8.6 Loi d’une variable aléatoire

Définition 11

Soit X une variable aléatoire, on appelle loi de probabilité de X l’ensemble des couples (x, P(X =
x), x ∈ X(Ω)).

Remarque. Deux variables aléatoires peuvent avoir la même loi mais ne pas être égales ! Par exemple, on
lance deux dés, on note X le résultat du premier dé et Y le résultat du deuxième. X et Y ont même loi
mais ne sont pas égales !
Proposition 5

Soit X une variable aléatoire.

a) Pour tout x ∈ X(Ω), P(X = x) ∈ [0, 1].
P
b) P(X = k) = 1
k∈X(Ω)

Démonstration. C’est évident.

Théorème 7

Un ensemble {(xk , pk ), k ∈ I} avec I un ensemble fini ou dénombrable définit une loi de proba-
bilité si
a) ∀k ∈ I, pk ≥ 0
P
b) pk = 1
k∈I
Autrement dit, si ces deux conditions sont vérifiées, alors il existe un espace probabilisé
(Ω, P(Ω), P) et une variable aléatoire X définie sur Ω telle que X(Ω) = {xk , k ∈ I} et
∀k ∈ I, P(X = xk ) = pk .

Démonstration. On peut prendre Ω = I et X : ω 7→ ω.

Proposition 6

Soit f une fonction de R dans R et X une variable aléatoire définie sur Ω. Alors Y = f (X) est
une variable aléatoire définie sur Ω et
a) Y (Ω) = {f (x), x ∈ X(Ω)}
P
b) ∀y ∈ Y (Ω), P(Y = y) = P(X = x)
x∈X(Ω),f (x)=y

πX
Exemple 8.9. Soit X le résultat d’un lancer de dé. Déterminer la loi de 2X − 3, X 2 , sin


2 .

Proposition 7

Si X(Ω) ⊂ N, alors ∀k ∈ N∗

P(X = k) = P(X ≤ k) − P(X ≤ k − 1) = P(X ≥ k) − P(X ≥ k + 1)

110 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Remarque. Cette proposition est très importante, elle permet de déterminer la loi de X s’il est plus simple
de calculer des probabilités de la forme P(X ≤ k) ou P(X ≥ k).
Définition 12

Soit X1 , . . . , Xn des variables aléatoires discrètes définies sur un même espace probabilisé.
On dit que les variables X1 , . . . , Xn sont indépendantes si pour tout (x1 , . . . , xn ) ∈ Rn , les
événements ({Xi = xi })i∈J1,nK sont indépendants. Ce qui est aussi équivalent à l’indépendance
des événements ({Xi ≤ xi })i∈J1,nK .
La notion d’indépendance intervient en particulier lorsqu’il n’y a aucune causalité entre des
événements (par exemple les résultats de plusieurs lancers d’un même dé).

Notation. Pour des variables indépendantes et de même loi, on dira qu’elles sont i.i.d. (indépendantes
et identiquement distribuées).
Proposition 8

Soit X1 , . . . Xn des variables aléatoires discrètes i.i.d à valeurs dans N. On pose Yn =

max(X1 , . . . , Xn ) et Zn = min(X1 , . . . , Xn ).
On a : pour tout k ∈ N,

P(Yn ≤ k) = P(X1 ≤ k)n et P(Zn ≥ k) = P(X1 ≥ k)n

À l’aide de la proposition précédente, on peut ainsi calculer la loi de Yn et de Zn .

8.6.1 Lois usuelles

Définition 13

On appelle variable aléatoire certaine, une variable aléatoire X telle qu’il existe x ∈ R tel que
P(X = x) = 1.

Définition 14

Soit p ∈ [0, 1], on dit que la variable aléatoire X suit la loi de Bernoulli de paramètre p (et on
note X ∼ B(p)) si P(X = 0) = 1 − p et P(X = 1) = p.

Exemple 8.10. 1. On lance une pièce et note la variable aléatoire X qui vaut 1 si le résultat est pile et
0 si c’est face. Alors X suit une loi de Bernoulli.
2. Soit A un événement de Ω, on note 1A l’application telle que 1A (ω) = 1 si ω ∈ A et 0 sinon. Alors
1A est une variable aléatoire de Bernoulli.
3. Si X ∼ B(p), alors X 2 ∼ B(p) et 2X − 1 ∼ B(p)
4. Si X ∼ B(p), alors Y = 2X −1 est une variable aléatoire telle que P(Y = −1) = 1−p et P(Y = 1) = p
Définition 15

Soit A un événement. On appelle variable indicatrice de A, la variable aléatoire notée 1A , qui

vaut 1 si A est réalisé, 0 sinon.
1A suit donc une loi de Bernoulli de paramètre P(A).
8.6. LOI D’UNE VARIABLE ALÉATOIRE 111

Remarque. Nous en croiserons peu mais c’est un outil fondamental en probabilités !

Définition 16

Soit p ∈ [0, 1] et n ∈ N∗ , on dit que la variable aléatoire X suit une loi binomiale de paramètres
k n−k n


n et p (et on note X ∼ B(n, p)) si ∀k ∈ [[0, n]], P(X = k) = p (1 − p) k .

Exemple 8.11. On lance n fois une pièce et on note X le nombre de piles. Alors X suit une loi binomiale
de paramètres n, p où p désigne la probabilité de faire un pile en un lancer.

Proposition 9

n
X
Soit X1 , . . . Xn des variables i.i.d suivant une loi de Bernoulli de paramètre p. Alors Sn = Xi
k=1
suit une loi binomiale de paramètres n, p.

Définition 17

Soit n ∈ N∗ , on dit que X suit la loi uniforme (et on note X ∼ U([[1, nK)) si ∀k ∈ [[1, n]],
P(X = k) = n1 .

Exemple 8.12. a) Si on note X le résultat d’un lancer de dé, alors X ∼ U([[1, 6]]).
b) Soit a, b ∈ Z, a < b, on dit que X suit une loi uniforme sur [[a, b]] (et on note X ∼ U([[a, b]])) si
1
∀k ∈ [[a, b]], P(X = k) = b−a+1

Définition 18

Soit p ∈ [0, 1], on dit que la variable aléatoire X suit une loi géométrique de paramètre p (et
on note X ∼ G(p)) si ∀k ∈ N∗ , P(X = k) = (1 − p)k−1 p

Exemple 8.13. Une loi géométrique représente le rang du premier succès lors de la répétition d’une épreuve
de Bernoulli de probabilité de succès p et d’échec 1 − p.

Proposition 10

Soit X une variable aléatoire telle que X(Ω) = N∗ .

X suit une loi géométrique si et seulement si ∀i, j ∈ N∗ , PX>j (X > j + k) = P(X > k).
On dit que la loi géométrique est sans mémoire.

Proposition 11

Si X et Y sont deux variables aléatoires indépendantes et suivant une même loi géométrique
de paramètre p, alors min(X, Y ) suit une loi géométrique de paramètre 1 − (1 − p)2
112 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Définition 19

Soit λ ∈ R∗+ , on dit que la variable aléatoire X suit une loi de Poisson de paramètre λ et on
k e−λ
note X ∼ P(λ)) si ∀k ∈ N, P(X = k) = λ k! .

Proposition 12

Soit (pn )n∈N une suite de réels entre 0 et 1 telle que lim npn = λ ∈ R∗+ . On considère (Xn )
n→+∞
une suite de variables aléatoires telle que pour tout entier n, Xn suit une loi binomiale de
λk −λ
paramètre n, pn . Pour tout k ∈ N, lim P(Xn = k) = e
n→+∞ k!
On dit que (Xn ) converge en loi vers une loi de Poisson de paramètre λ.

Remarque. Cette proposition permet de préciser des situations où on peut modéliser un phénomène
aléatoire par une loi de Poisson : cela correspond au cas de binomiales avec n grand et le paramètre
p très petit. Un exemple historique : le nombre de soldats tués par leur propre cheval dans une bataille...

8.7 Moments
Nous ferons la distinction entre les variables aléatoires à support fini et celles à support dénombrable.

8.7.1 Variables aléatoires finies

Soit X une variable aléatoire finie.

Définition 20
P
On appelle espérance de X le réel noté E(X) défini par E(X) = xP(X = x).
x∈X(Ω)

Proposition 13

a) Si X(Ω) ⊂ [a, b] alors E(X) ∈ [a, b]

b) Soit a, b ∈ R, E(aX + b) = aE(X) + b
c) Soit X et Y deux variables aléatoires définies sur Ω, alors E(X + Y ) = E(X) + E(Y )
d) Si X ≤ Y presque-sûrement, alors E(X) ≤ E(Y ).

Théorème 8

1. Soit X une variable aléatoire certaine, valant x, alors E(X) = x

2. Soit X ∼ B(p), alors E(X) = p
3. Soit X ∼ B(n, p), alors E(X) = np
n+1
4. Soit X ∼ U([[1, n]]), alors E(X) = 2
8.7. MOMENTS 113

Théorème 9

Théorème de transfert P
Soit f une fonction définie sur R et X une variable aléatoire, alors E(f (X)) = f (x)P(X =
x∈X(Ω)
x).

Remarque. 4
! E(X ) = 2
P
x∈X(Ω)
x2 P(X = x) 6= E(X)2

Définition 21

On dit X est centrée si E(X) = 0

Exemple 8.14. X − E(X) est une variable centrée.

Définition 22

Soit X une variable aléatoire, on appelle variance le réel positif défini par V(X) = E((X −
E(X))2 ). p
On appelle écart-type le réel positif σ(X) = V(X).

Proposition 14

a) Si V(X) = 0 alors X est une variable aléatoire certaine.

b) Soit a, b ∈ R, V(aX + b) = a2 V(X).
c) V(X) = E(X 2 ) − E(X)2 (Formule de Koenig-Huygens)

Définition 23

On dit que X est réduite si V(X) = 1.

X
Exemple 8.15. Si X n’est pas certaine, alors σ(X) est réduite

Définition 24

X−E(X)
On dit que X est centrée réduite si elle est centrée et réduite. Par exemple, σ(X) est centrée
réduite et on note cette variable aléatoire X ∗ .
114 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Théorème 10

a) Si X est certaine, alors V(X) = 0

b) Si X ∼ B(p), alors V(X) = p(1 − p)
c) Si X ∼ B(n, p), alors V(X) = np(1 − p)
n2 −1
d) Si X ∼ U([[1, n]]), alors V(X) = 12

8.7.2 Variables aléatoires discrètes

Soit X une variable aléatoire discrète.
Définition 25
X
On dit que X admet une espérance si la série kP(X = k) converge. Dans ce cas on appelle
k≥1
∞
X
espérance de X sa somme : E(X) = kP(X = k).
k=1

4
Remarque. ! Contrairement aux variables aléatoires finies, une variable aléatoire discrète n’admet pas
forcément d’espérance.
1
Exemple 8.16. Vérifier que (n, n(n+1) )n∈N∗ est une loi de probabilité et que si X suit cette loi alors X
n’admet pas d’espérance.

Proposition 15

a) Soit a, b ∈ R, E(aX + b) = aE(X) + b

b) Soit X et Y deux variables aléatoires définies sur Ω admettant une espérance, alors X + Y
admet une espérance et E(X + Y ) = E(X) + E(Y )7
c) Si 0 ≤ X ≤ Y presque-sûrement et Y admet une espérance, alors X admet une espérance
et 0 ≤ E(X) ≤ E(Y ).

Théorème 11

1
1. Soit X ∼ G(p), alors E(X) = p
2. Soit X ∼ P(λ), alors E(X) = λ

Théorème 12

Théorème de transfert X
Soit f une fonction définie sur R et X une variable aléatoire, si la série f (k)P(X = k)
k≥0
X∞
converge alors la variable aléatoire f (X) admet une espérance et E(f (X)) = f (k)P(X = k).
k=0
8.8. INÉGALITÉS ET LOI FAIBLE DES GRANDS NOMBRES 115

Définition 26
X
Soit X une variable aléatoire, on dit que X admet une variance si la série k 2 P(X = k)
k≥1
converge et dans ce cas on appelle variance le réel positif V(X) = E((X − E(X))2 ).
E(X 2 ) est appelé moment d’ordre 2 de X. p
On appelle écart-type le réel positif σ(X) = V(X).

Proposition 16

a) Si V(X) = 0 alors X est une variable aléatoire certaine.

b) Soit a, b ∈ R, V(aX + b) = a2 V(X).
c) V(X) = E(X)2 − E(X)2 (Formule de Koenig-Huygens)

Théorème 13

1−p
a) Si X ∼ G(p), alors V(X) = p2
b) Si X ∼ P(λ), alors V(X) = λ

Proposition 17

Si X ∼ XG(p) et Y ∼ P(λ)X alors X et Y admettent des moments de tout ordre, c’est-à-dire

∀r ∈ N, k r P(X = k) et k r P(Y = k) convergent.
k≥0 k≥0

8.8 Inégalités et loi faible des grands nombres

Pafnouti Tchebychev (1821-1894)

116 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Théorème 14

Inégalité de Markov
Soit X une variable aléatoire, positive, admettant une espérance. On a pour tout t > 0 :

E(X)
P(X ≥ t) ≤
t

Démonstration. avec une variable indicatrice

Théorème 15

Inégalité de Bienaymé-Tchebychev
Soit X une variable aléatoire admettant une variance. On a pour tout t > 0 :

V(X)
P(|X − E(X)| ≥ t) ≤
t2

Démonstration. On applique l’inégalité de Markov à la variable aléatoire (X − E(X))2 .

8.8.1 Loi faible des grands nombres

Théorème 16

Loi faible des grands nombres

Soit n ∈ N∗ et X1 , . . . Xn des variables aléatoires indépendantes, de même loi admettant une
Xn
1
espérance et une variance. On note X̄n = n Xi .
i=1

∀ε > 0, lim P(|X̄n − E(X1 )| ≥ ε) = 0

n→+∞

Remarque. On dit que X̄n converge en loi vers E(X).

Ce théorème permet de faire le lien entre espérance et moyenne (et entre probabilité et fréquence).

Démonstration. Avec l’inégalité de Bienaymé-Tchebychev

8.8.2 Intervalle de confiance

Théorème 17

Intervalle de confiance de niveau 1 − a

Soit n ∈ N∗ et X1 , . . . Xn des variables aléatoires indépendantes, de même loi admettant une
Xn
1
espérance et une variance. On note X̄n = n Xi .
i=1
" r r #!
V(X1 ) V(X1 )
∀a ∈]0, 1[, P E(X1 ) ∈ X̄n − , X̄n + ≥1−a
na na
8.9. SÉRIES DOUBLES 117

Remarque. Ce théorème est souvent utilisé alors que la variance de X1 est inconnue. On peut alors la
majorer : par 14 si les Xi suivent la loi de Bernoulli ; par M 2 si |X| ≤ M presque-sûrement.

Exercice 8.1. Démontrer ces deux bornes pour la variance.

8.8.3 Inégalité de Chernoff (HP)

Définition 27

Soit X une variable aléatoire. On note MX la fonction génératrice des moments de X définie
par :
MX : t 7→ E etX

aux points t où cette espérance est bien définie.

Exercice 8.2. Calculer la fonction génératrice des moments des lois suivantes :

1. X ∼ B(p) 3. X ∼ G(p)
2. X ∼ B(n, p) 4. X ∼ P(λ)

Théorème 18

Inégalité de Chernoff
Soit X une variable aléatoire telle que sa fonction génératrice des moments est bien définie sur
un intervalle I ⊂ R+ . On a alors

∀t ∈ I, ∀a ∈ R, P(X ≥ a) ≤ MX (t)e−ta

Exercice 8.3. Démontrer l’inégalité de Chernoff

Remarque. Le but de l’inégalité de Chernoff est ensuite de trouver le réel t qui minimise le majorant.
Cette inégalité est déjà apparue plusieurs fois dans les sujets d’ENS : 2019, 2015, 2004

8.9 Séries doubles

Définition 28

On note (ui,j )i,j∈N une application de N2 dans R. Cette application correspond à une suite avec
deux indices, on pourra l’appeler suite double.
118 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Théorème 19

Théorème de Fubini
Soit (ui,j )i,j∈N une suite double positive. On suppose que
 X

 ∀i ∈ N, ui,j converge

 j∈N 


X +∞
X
ui,j  converge

 



i∈N j=0

On a alors  X


∀j ∈ N, ui,j converge


 i∈N
+∞

 !

X X
ui,j converge

 j∈N i=0


X+∞ X+∞ +∞ X
X +∞
ui,j = ui,j





i=0 j=0 j=0 i=0

Remarque. Ce théorème signifie que l’on peut échanger deux limites, ce qui n’est pas possible en règle
générale.

1 si i = j

Exemple 8.17. Un contre exemple : on pose pour tout i, j ∈ N, ai,j = −1 si j = i + 1 .

0 sinon


8.10 Couples de variables aléatoires

8.10.1 Lois conjointes, lois marginales
Dans tout ce qui suit, on considère un espace probabilisé (Ω, P(Ω), P). Toutes les variables aléatoires
présentes sont définies sur cet espace probabilisé.

Définition 29

Soit X et Y deux variables aléatoires discrètes. On appelle l’application ω 7→ (X(ω), Y (ω)) le

couple de variables aléatoires discrètes (X, Y ).

Remarque. On fera attention au support de (X, Y ). Il est inclus dans X(Ω)×Y (Ω) mais n’est pas forcément
égal. Par exemple, si X ∼ B(p), on pose Y = 1 − X. Ainsi X(Ω) × Y (Ω) = {0, 1}2 mais (X, Y )(Ω) =
{(0, 1), (1, 0)}.

Proposition 18

Soit (X, Y ) un couple de variables aléatoires discrètes. Alors la famille d’événements

((X = x) ∩ (Y = y))(x,y)∈(X,Y )(Ω) est un système complet d’événements.

Remarque. Il en est de même pour ((X = x) ∩ (Y = y))(x,y)∈(X(Ω)×Y (Ω) , (X, Y )(Ω) n’étant pas toujours
facile à déterminer.
8.10. COUPLES DE VARIABLES ALÉATOIRES 119

Définition 30

Soit (X, Y ) un couple de variables aléatoires discrètes. On appelle loi conjointe de X et Y

l’ensemble ((x, y), P(X = x ∩ Y = y))(x,y)∈(X,Y )(Ω) .
Les lois de X et de Y sont appelées lois marginales du couple.

Remarque. Comme d’habitude, (X, Y )(Ω) n’étant pas forcément facile à déterminer, on peut considérer
((x, y), P(X = x ∩ Y = y))(x,y)∈X(Omega×Y (Ω)

Théorème 20

Soit (X, Y ) un couple de variables aléatoires discrètes. On peut déterminer les lois marginales
à partir de la loi conjointe :
X
∀x ∈ X(Ω), P(X = x) = P(X = x ∩ Y = y)
y∈Y (Ω)

et de même X
∀y ∈ Y (Ω), P(Y = y) = P(X = x ∩ Y = y)
x∈X(Ω)

4
Remarque. ! On ne peut pas déduire la loi conjointe à partir des lois marginales ! Sauf dans le cas très
particulier où X et Y sont indépendantes car P(X = x ∩ Y = y) = P(X = x) × P(Y = y).

Astuce. Parfois, on arrive directement à factoriser la loi conjointe : P(X = x ∩ Y = y) = f (x)g(y) où
(x, f (x))x∈X(Ω) et (y, g(y))y∈Y (Ω) sont des lois de probabilité. On obtient ainsi les lois marginales et même
l’indépendance de X et de Y .

Définition 31

Soit (X, Y ) un couple de variables aléatoires discrètes. Pour tout y ∈ Y (Ω) tel que P(Y = y) 6= 0,
on désigne par loi conditionnelle de X sachant Y = y par la loi (x, PY =y (X = x))x∈X(Ω) .

Proposition 19

Si on connaı̂t une loi marginale et la probabilité conditionnelle de l’autre variable par rapport
à la première, alors on peut retrouver la loi conjointe. Plus précisément, pour tout x, y ∈
(X, Y )(Ω), si P(Y = y) 6= 0, P(X = x ∩ Y = y) = PY =y (X = x)P(Y = y). Et on retrouve ainsi
la loi marginale de X.

Remarque. Si X et Y sont indépendantes, alors la loi de X sachant Y = y est la loi de X. De même pour
la loi de Y sachant X = x.
120 CHAPITRE 8. PROBABILITÉS DISCRÈTES

8.10.2 Somme de variables aléatoires

Théorème 21

Soit (X, Y ) un couple de variables aléatoires discrètes à valeurs dans N. On a alors

n
X
∀n ∈ N, P(X + Y = n) = P(X = k ∩ Y = n − k)
k=0

Cas particulier à connaı̂tre : si de plus X et Y sont indépendantes, alors

n
X
∀n ∈ N, P(X + Y = n) = P(X = k)P(Y = n − k)
k=0

Théorème 22

Soit p ∈]0, 1[, n, m ∈ N∗ . Soit X, Y deux variables aléatoires indépendantes telles que X ∼
B(n, p) et Y ∼ B(m, p). On a alors X + Y ∼ B(n + m, p).
Plus généralement, si X1 , . . . , Xn sont mutuellement indépendantes et pour tout k ∈
n
X Xn
J1, nK, Xk ∼ B(mk , p) alors Xk ∼ B( mk , p).
k=1 k=1

Remarque. En particulier, B(1, p) est en fait une loi de Bernoulli de paramètre p. Ainsi la somme de n
variables aléatoires mutuellement indépendantes suivant une loi de Bernoulli de paramètre p suit une loi
binomiale de paramètre (n, p).

Théorème 23

Soit λ, µ ∈ R∗+ . Soit X, Y deux variables aléatoires indépendantes telles que X ∼ P(λ) et
Y ∼ P(µ). On a alors X + Y ∼ P(λ + µ).
Plus généralement, si X1 , . . . , Xn sont mutuellement indépendantes et pour tout k ∈
n
X Xn
J1, nK, Xk ∼ P(λk ) alors Xk ∼ P( λk ).
k=1 k=1

Remarque. On dit que la loi binomiale et la loi de Poisson sont des lois stables.

8.10.3 Covariance

Proposition 20

Si X et Y , deux variables aléatoires discrètes, admettent un moment d’ordre deux alors leur
produit XY admet une espérance. De plus, X + Y admet aussi un moment d’ordre deux.
8.10. COUPLES DE VARIABLES ALÉATOIRES 121

Proposition 21

Soit X et Y deux variables aléatoires discrètes admettant un moment d’ordre deux. On a :

X
E(XY ) = xyP(X = x ∩ Y = y)
(x,y)∈X(Ω)×Y (Ω)

Théorème 24

Si X et Y admettent une espérance et sont indépendantes, alors XY admet une espérance et

E(XY ) = E(X)E(Y ).
Si X1 , . . .!
Xn sont mutuellement indépendantes et admettent chacune une espérance alors
n
Y Yn
E Xi = E(Xi ).
i=1 i=1

Définition 32

Soit X et Y deux variables aléatoires discrètes admettant une espérance. Si (X − E(X))(Y −

E(Y )) admet une espérance, on appelle covariance de (X, Y ) (ou de X et Y ) cette espérance :

Cov(X, Y ) = E((X − E(X))(Y − E(Y )))

Théorème 25

Soit X, Y deux variables aléatoires discrètes. Si X, Y et XY admettent une espérance alors

(X, Y ) admet une covariance et

Cov(X, Y ) = E(XY ) − E(X)E(Y )

Corollaire 2

Si X et Y sont deux variables aléatoires discrètes, indépendantes et admettant une espérance,

alors (X, Y ) admet une covariance et Cov(X, Y ) = 0

Remarque. 4
! La réciproque est fausse !

Proposition 22

Soit X, Y, Z des variables aléatoires discrètes admettant des moments d’ordre 2 et λ ∈ R :

ˆ Cov(X, X) = V(X)
ˆ Cov(X, Y ) = Cov(Y, X)
ˆ Cov(X + Y, Z) = Cov(X, Z) + Cov(Y, Z)
ˆ Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z)
ˆ Cov(λX, Y ) = Cov(X, λY ) = λCov(X, Y )
122 CHAPITRE 8. PROBABILITÉS DISCRÈTES

Théorème 26

Soit X et Y deux variables aléatoires discrètes admettant un moment d’ordre 2. On a

V(X + Y ) = V(X) + V(Y ) + 2Cov(X, Y )

Plus généralement, si X1 , . . . , Xn sont des variables aléatoires discrètes admettant un moment

d’ordre 2, on a :
n n
!
X X X
V Xi = V(Xi ) + 2 Cov(Xi , Xj )
i=1 i=1 1≤i<j≤n

Proposition 23

Si on connaı̂t la variance de X, Y et de X + Y alors on peut retrouver la covariance de X, Y :

V(X + Y ) − V(X) − V(Y )

Cov(X, Y ) =
2

Définition 33

Soit X, Y deux variables aléatoires discrètes non certaines admettant un moment d’ordre 2, le
réel
Cov(X, Y )
ρ(X, Y ) = p
V(X)V(Y )
est appelé coefficient de corrélation linéaire de X et Y .

Remarque. On rappelle la propriété : V(X) = 0 si et seulement si X suit une loi certaine.

Théorème 27

Pour tout couple (X, Y ) admettant un coefficient de corrélation linéaire on a

−1 ≤ ρ(X, Y ) ≤ 1

On a égalité si et seulement si il existe a, b ∈ R tels que Y = aX + b presque-sûrement avec

ρ(X, Y ) = −1 pour a < 0 et ρ(X, Y ) = 1 si a > 0.

Démonstration. à venir

Remarque. Interprétation : si ρ(X, Y ) alors on dit que X et Y sont corrélées de manière positive : X et
Y ont les mêmes tendances, par exemple si X correspond à votre notre en mathématiques au CB2 de KH
et Y votre note en mathématiques à l’écrit de l’ENS, la corrélation est a priori positive. Au contraire si
on prend X votre note en mathématiques à l’écrit de l’ENS et Y votre rang à l’ENSAE, la corrélation est
négative (les tendances sont contraires : si X est grand alors Y est petit et inversement).
8.10. COUPLES DE VARIABLES ALÉATOIRES 123

Proposition 24

Si X et Y sont deux variables aléatoires non certaines admettant un moment d’ordre 2 alors
pour tout a, b, c, d ∈ R avec a > 0 et c > 0, on a

ρ(aX + b, cY + d) = ρ(X, Y )
124 CHAPITRE 8. PROBABILITÉS DISCRÈTES
Chapitre 9

Algèbre linéaire

Hermann Grassmann (1809-1877), créateur malheureux des espaces vectoriels

9.1 Calculs dans Rn et généralités

Dans cette partie, n désigne un entier non nul.

Définition 1

On rappelle que Rn est le produit cartésien R × R × . . . × R. Les éléments de Rn sont appelés

vecteurs. Si x ∈ Rn alors il existe x1 , x2 , . . . xn ∈ R tels que x = (x1 , x2 , . . . , xn ). On dit que les
xi sont les coordonnées de x, chaque xi étant la i-ème coordonnée de x.

Définition 2

Règle de calculs dans Rn . Soit x = (x1 , x2 , . . . , xn ) ∈ Rn et y = (y1 , y2 , . . . , yn ) ∈ Rn et λ ∈ R.

ˆ x + y = (x1 + y1 , x2 + y2 , . . . , xn + yn )
ˆ λx = (λx1 , λx2 , . . . , λxn ).

Remarque. Il n’y a pas de produit dans Rn ! ! Si x ∈ Rn et y ∈ Rn alors xy n’a aucun sens !

125
126 CHAPITRE 9. ALGÈBRE LINÉAIRE

Définition 3

Soit I un ensemble fini ou dénombrable. Pour tout i ∈ I, xi ∈ Rn . On dit que (xi )i∈I est une
famille d’éléments de Rn .
Par exemple ((1, 2, 3), (3, 2, 1), (4, 2, 2), (1, 2, 3), (1, 2, 3)) est une famille de R3 , cette famille a 5
éléments.

Remarque. Il faut être bien vigilant à ne pas confondre les objets. Si x = (x1 , . . . xn ) ∈ Rn alors les xi sont
des réels. Si on considère la famille de Rn , (x1 , x2 , . . . xk ) alors les xi sont des éléments de Rn .

Définition 4

Soit (x1 , . . . xk ) une famille de Rn et (y1 , . . . yp ) une famille de Rn . On appelle concaténation de

ces deux familles la famille (x1 , x2 , . . . xk , y1 , y2 , . . . , yp ).
Par exemple la concaténation de ((1, 2, 3), (3, 2, 1)) et de ((1, 2, 3), (1, 1, 1), (1, 2, 3)) est
((1, 2, 3), (3, 2, 1), (1, 2, 3), (1, 1, 1), (1, 2, 3)).

Définition 5

Soit E un ensemble, pour tout x ∈ E, on note P(x) une proposition. On peut ainsi décrire un
sous-ensemble F de E par F = {x ∈ E, P(x)}, c’est-à-dire l’ensemble des x de E tels que P(x)
est vraie.

Exemple 9.1. F = {x = (x1 , x2 , x3 ) ∈ Rn , x1 + x2 + x3 = 0} est un sous-ensemble de Rn . On peut montrer

que F = {x ∈ Rn , ∃s, t ∈ R, x = s(1, 0, −1) + t(0, 1, −1)}

9.2 Espaces vectoriels

9.2.1 Espace vectoriel
Définition 6

Soit E un ensemble auquel on associe

ˆ une application notée + : E × E → E appelée loi de composition interne
ˆ une application notée . : R × E → E appelée loi de composition externe
(E,+, .) est un R-espace vectoriel lorsque les propriétés suivantes sont vérifiées :


 ∀(x, y) ∈ E 2 , x + y = y + x la loi + est commutative
∀(x, y, z) ∈ E 3 , (x + y) + z = x + (y + z)

la loi + est associative
(1)


 Il existe un unique élément de E noté 0E et appelé vecteur nul, tel que ∀x ∈ E, x + 0E = 0E + x = x

Pour tout x ∈ E, il existe un unique élément de E noté (−x) tel que x + (−x) = 0
E



 ∀x ∈ E, 1.x = x
∀λ ∈ R, ∀(x, y) ∈ E 2 , λ.(x + y) = λ.x + λ.y

(2)


 ∀(λ, µ) ∈ R2 , ∀x ∈ E, (λ + µ).x = λ.x + µ.x
∀(λ, µ) ∈ R2 , ∀x ∈ E, λ.(µ.x) = (λµ).x

Les éléments de E sont appelés vecteurs, ceux de R scalaires.

Exemple 9.2. Nous avons déjà croisé un certain nombre d’espaces vectoriels depuis le début de l’année :
9.2. ESPACES VECTORIELS 127

ˆ (Rn , +, .) est un R-espace vectoriel

ˆ (Mn (R), +, .) est un R-espace vectoriel
ˆ l’ensemble des fonctions de R dans R, l’ensemble des fonctions continues, dérivables, paires, impaires,
T -périodiques, ...
ˆ l’ensemble des suites réelles, convergentes, k-périodiques, constantes à partir d’un certain rang, ...

9.2.2 Sous-espace vectoriel

Définition 7

Soit E un espace vectoriel et F une partie non vide de E. On dit que F est un sous-espace
vectoriel de E si la restriction des lois + et . de E à F fait de F un espace vectoriel.

Proposition 1

Soit E un R-espace vectoriel et F un ensemble. F est un sous-espace vectoriel de E si et

seulement si
ˆ F ⊂E
ˆ F 6= ∅
ˆ ∀(x, y) ∈ F 2 , x + y ∈ F
ˆ ∀x ∈ F, ∀λ ∈ R, λ.x ∈ F
En pratique, on utilisera plutôt les conditions suivantes
ˆ F ⊂E
ˆ F 6= ∅
ˆ ∀(x, y) ∈ F 2 , ∀λ ∈ R, λ.x + y ∈ F On dit que F est stable par combinaison linéaire.

Remarque. Généralement, pour montrer qu’un ensemble est un espace vectoriel, on montrera que c’est un
sous-espace vectoriel.

Exemple 9.3. Les ensembles F suivants sont des sous-espaces vectoriels E donnés :
ˆ F estl’ensemble
 des
fonctions dérivables
 de R dans R, E l’ensemble des fonctions de R dans R
 t s 
ˆ F =   , t, s ∈ R , E = M2 (R)
 t+s t−s 

Méthode

Pour montrer que F un sous-espace vectoriel de E, on procède ainsi :

ˆ On vérifie que F ⊂ E
ˆ On vérifie que F 6= ∅, le plus simple étant de vérifier que 0E ∈ F
ˆ On vérifie que ∀x, y ∈ F, ∀λ ∈ R, λx + y ∈ F .
128 CHAPITRE 9. ALGÈBRE LINÉAIRE

9.2.3 Sous-espace engendré

Définition 8

Soit E un R-espace vectoriel et (xi )1≤i≤n une famille de vecteurs de E.

Soit y ∈ E, y est une combinaison linéaire de (xi ) s’il existe des réels λ1 , . . . , λn ∈ R telle que
n
X
y= λi xi
i=1

Exemple 9.4. (1, 2, 3, 4) est une combinaison linéaire de ((1, 1, 1, 1), (0, −1, −1, 0), (0, 0, 1, 1), (0, 0, 0, e12 ),
en effet (1, 1, 1, 1) − (0, −1, −1, 0) + (0, 0, 1, 1) + 2e−12 (0, 0, 0, e12 )

Définition 9

Soit (xi )1≤i≤n une famille d’un ev E. Le sous-espace vectoriel engendré par (xi )1≤i≤n est le plus
petit (au sens de l’inclusion) sous-espace vectoriel contenant (xi )1≤i≤n , c’est en fait l’ensemble
de toutes les combinaisons linéaires de (xi )1≤i≤n .
On le note Vect((xi )1≤i≤n )

Démonstration. Montrons que l’ensemble des combinaisons linéaires de (xi )1≤i≤n est un sous-espace vec-
toriel. 0E appartient à cet ensemble (il suffit de prendre les λi égaux à 0), la stabilité par combinaison
linéaire est immédiate.

Méthode

Écrire sous forme de Vect.

Quelques exemples
 :        
 a a+b   1 1 0 1 
ˆ F =   , a, b ∈ R = a  + b  , a, b ∈ R =
 b−a b   −1 0 1 1 
   
1 1 0 1
Vect  , 
−1 0 1 1
F = {(x, y, z), x, y, z ∈ R, x + 2y + z = 0} = {(x, y, z), x, y, z ∈ R, z = −x − 2y}
ˆ = {(x, y, −x − 2y), x, y ∈ R} = {x(1, 0, −1) + y(0, 1, −2), x, y ∈ R}
= Vect((1, 0, −1), (0, 1, −2))

Remarque. Comme son nom l’indique, un sous-espace vectoriel engendré est un sous-espace vectoriel !
Ainsi pour toute famille de vecteurs (xi )i∈I , Vect((xi )i∈I ) est un sous-espace vectoriel.
9.2. ESPACES VECTORIELS 129

9.2.4 Famille libre

Définition 10

Soit (xi )1≤i≤n une famille de E. On dit que cette famille est libre si et seulement si
n
X
λi xi = 0E =⇒ ∀i ∈ J1, nKλi = 0
i=1

Si une famille n’est pas libre, on dit qu’elle est liée. Ainsi, une famille (xi )1≤i≤n est liée si et
n
seulement si il existe (λi )1≤i≤n ∈ Rn non tous nuls tels que
P
λi xi = 0E
i=1

Exemple 9.5. Dans R3 , ((1, 2, 0), (1, −1, 0), (1, 0, 3)) est libre, pour le montrer il faut résoudre un système.
Remarque.
ˆ Si 0 ∈ (xi )1≤i≤n , alors (xi )1≤i≤n est liée.
ˆ Toute sous-famille d’une famille libre est libre.

Proposition 2

Une famille est liée si et seulement si au moins un des vecteurs est combinaison linéaire des
autres.

n
Démonstration. Si (xi )1≤i≤n est liée, alors il existe (λi )1≤i≤n ∈ Rn non tous nuls tels que
P
λ i xi = 0 E .
i=1
n n
P P λi
Soit j tel que λj 6= 0. On a λj xj + λi xi = 0E et donc xj = − λj x i
i=1,i6=j i=1,i6=j
n
P n
P
Si xj est combinaison linéaire des autres, alors xj = λi xi et donc xj − λi xi = 0E , donc la
i=1,i6=j i=1,i6=j
famille est liée.

9.2.5 Famille génératrice

Définition 11

Soit (xi )1≤i≤n une famille de E. On dit que cette famille est génératrice si et seulement si
Vect((xi )1≤i≤n ) = E.
En pratique, on montrera que ∀x ∈ E, x est une combinaison linéaire de (xi )1≤i≤n .

Exemple 9.6. ((1, 1, 0), (0, 1, 1), (1, 0, 1)) est une famille génératrice de R3 . En effet pour tout (x, y, z) ∈ R3 ,
(x, y, z) = x+y−z
2 (1, 1, 0) + −x+y+z
2 (0, 1, 1) + x−y+z
2 (1, 0, 1).

Proposition 3

Soit (xi )1≤i≤n une famille génératrice telle que xj est combinaison linéaire de (xi )1≤i≤n,i6=j .
Alors (xi )1≤i≤n,i6=j est une famille génératrice.

n
P n
P n
P
Démonstration. On sait que xj = λi xi . Soit x ∈ E, x = µ i xi = (µi + µj λi )xi .
i=1,i6=j i=1 i=1,i6=j
130 CHAPITRE 9. ALGÈBRE LINÉAIRE

9.2.6 Base
Définition 12

Soit (xi )1≤i≤n une famille d’un espace vectoriel E. On dit que (xi )1≤i≤n est une base si c’est
une famille libre et génératrice.

Exemple 9.7. ((1, 0, 0), (0, 1, 0), (0, 0, 1)) est une base de R3 .
Théorème 1

(xi )1≤i≤n est une base de E si et seulement si ∀x ∈ E, x s’écrit de manière unique comme
combinaison linéaire de (xi )1≤i≤n .

Démonstration. Si (xi )1≤i≤n est une base, alors tout x de E s’écrit comme combinaison linéaire de
n
P n
P n
P
(xi )1≤i≤n , montrons que cette écriture est unique. Si x = λ i xi = µi xi alors (λi − µi )xi = 0E
i=1 i=1 i=1
et par liberté de (xi )1≤i≤n , λi = µi pour tout i.
Si tout x de E est combinaison linéaire de (xi )1≤i≤n de manière unique, alors (xi )1≤i≤n est une famille
n
génératrice. Supposons qu’elle soit liée, alors il existe (λi )1≤i≤n ∈ Rn tel que
P
λi xi = 0E et comme
i=1
n
P
0 × xi = 0E , par unicité de l’écriture les λi valent 0 et donc (xi )1≤i≤n est libre.
i=1

Définition 13
n
P
Soit (ei )1≤i≤n une base de E. Tout x de E s’écrit de manière unique sous la forme x = xi e i ,
i=1
les xi sont appelés coordonnées de x dans la base (ei )1≤i≤n .

Définition 14

Base canonique de Rn . C’est la base des (ei )1≤i≤n où ei = (0, . . . , 0, 1, 0, . . . , 0) où le 1 est à la
i-ème position.

Démonstration. Laissée en exercice

Définition 15

Base canonique de Mn,p (R). C’est la base des (Ei,j )1≤i≤n,1≤j≤p où Ei,j désigne la matrice
élémentaire avec des zéros partout sauf un 1 à la i-ème ligne, j-ème colonne.

9.2.7 Sommes de sous-espaces vectoriels

Définition 16

Soit F et G deux sous-espaces vectoriels de E. On appelle somme de F et G l’ensemble

F + G = {x + y, x ∈ F, y ∈ G} = {z ∈ E, tels que ∃x ∈ F, y ∈ G, z = x + y}
9.2. ESPACES VECTORIELS 131

Proposition 4

Soit F et G deux sous-espaces vectoriels de E, F + G est un sous-espace vectoriel de E.

C’est même le plus petit espace vectoriel contenant F et G.

Démonstration. F + G ⊂ E et 0E ∈ F + G.
Soit λ ∈ R et x, y ∈ F + G, alors x = x1 + x2 et y = y1 + y2 avec x1 et y1 ∈ F et x2 et y2 ∈ G. Ainsi,
λx + y = (λx1 + y1 ) + (λx2 + y2 ) ∈ F + G donc F + G est un espace vectoriel.

Théorème 2

Soit F et G deux sous-espaces vectoriels de E et A une famille génératrice de F et B une famille

génératrice de G (et donc F = Vect(A) et G = Vect(B)).
Alors F + G = Vect(A, B).

Démonstration. Comme les éléments de A appartiennent à F et les éléments de B appartiennent à G on

a que Vect(A, B) ⊂ F + G.
Soit x ∈ F + G, x = y + z avec y ∈ F et z ∈ G. Or y ∈ Vect(A) et z ∈ Vect(B) car A et B sont
génératrices, donc x ∈ Vect(A, B) et F + G ⊂ Vect(A, B) donc F + G = Vect(A, B).

Définition 17

Soit F et G deux sous-espaces vectoriels de E, on dit que la somme F + G est directe et on

note F ⊕ G, si tout vecteur z de F + G s’écrit de manière unique sous la forme z = x + y avec
x ∈ F et y ∈ G.

Exemple 9.8. Mn (R) = Sn (R) ⊕ An (R)

la somme des fonctions paires et des fonctions impaires est directe.

Proposition 5

Soit F et G deux sous-espaces vectoriels de E. La somme F + G est directe si et seulement si

F ∩ G = {0}.

Démonstration. On suppose que la somme F + G est directe. Alors, on sait déjà que {0} ⊂ F ∩ G. Soit
x ∈ F ∩ G, alors x = x + 0 = 0 + x, on a deux écritures de x sous la forme y + z avec y ∈ F et z ∈ G si
x 6= 0. Donc nécessairement x = 0 et F ∩ G = {0}.
On suppose que F ∩ G = {0}. Soit x ∈ F + G, soit x1 , x2 ∈ F et y1 , y2 ∈ G tels que x = x1 + y1 = x2 + y2 .
Alors on a x1 − x2 = y2 − y1 , donc x1 − x2 ∈ F ∩ G donc x1 = x2 , de même y1 = y2 donc la somme F + G
est directe.

Définition 18

Soit F et G deux sous-espaces vectoriels de E. On dit que F et G sont supplémentaires si

E = F ⊕ G.
132 CHAPITRE 9. ALGÈBRE LINÉAIRE

Théorème 3

Soit F et G deux sous-espaces vectoriels de E,

(
F +G=E
E =F ⊕G⇔
F ∩ G = {0}

Définition 19

Soit p ∈ N∗ , F1 , F2 , . . . , Fp des sous-espaces vectoriels de E. On appelle somme des Fi l’ensemble

F1 + F2 + . . . + Fp = {x1 + x2 + . . . + xp , x1 ∈ F1 , x2 ∈ F2 , . . . , xp ∈ Fp }

C’est un espace vectoriel.

Cette somme est dite directe et on note F1 ⊕ F2 ⊕ . . . ⊕ Fp , si tout vecteur x ∈ F1 + F2 + . . . + Fp
s’écrit de manière unique comme somme x = x1 +x2 +. . .+xp avec x1 ∈ F1 , x2 ∈ F2 , . . . xp ∈ Fp .

9.3 Théorie de la dimension

9.3.1 Dimension
Définition 20

On dit que E est de dimension finie lorsqu’il admet une famille génératrice ayant un nombre
fini d’éléments.

Exemple 9.9. Les espaces vectoriels suivants sont de dimension finie :

ˆ Rn
ˆ Mn (R)
ˆ {(un )n∈N , ∀n ∈ N, un+2 = 5un+1 − 6un }

Théorème 4

Si E admet une famille génératrice finie (x1 , . . . , xn ), alors il existe une base de E constituée
de vecteurs de (x1 , . . . , xn ).

Démonstration. Si (x1 , . . . , xn ) est libre alors (x1 , . . . , xn ) est une base. Sinon, alors un vecteur de (x1 , . . . , xn ),
disons xn par exemple est une combinaison linéaire des autres et donc (x1 , . . . , xn−1 ) est une famille
génératrice. On itère ce processus jusqu’à avoir une famille libre (comme (x1 ) est une famille libre, le
processus s’arrête).

Proposition 6 (Lemme d’échange)

Si L est une famille libre de E et G une famille génératrice de E, alors le nombre d’éléments
de L est inférieur ou égal au nombre d’éléments de G.
9.3. THÉORIE DE LA DIMENSION 133

Démonstration. Reformulons ce résultat : Soit (x1 , x2 , . . . , xn ) une famille génératrice de E, alors tout
famille ayant au moins n + 1 éléments est liée.
Soit (y1 , y2 , . . . , yp ) une famille de E avec p > n. Si un des yi est nul, alors la famille (y1 , . . . , yp ) est liée.
On suppose donc dorénavant que pour tout i ∈ J1, pK, yi 6= 0E . Comme (x1 , . . . , xn ) est génératrice, il
Xn
existe λ1 , . . . , λn tels que y1 = λk xk et y1 étant non nul, nécessairement un des λk est non nul. Quitte
k=1
à renuméroter les xk , on suppose que λ1 6= 0. Ainsi, x1 peut s’écrire comme combinaison linéaire de la
famille (y1 , x2 , . . . , xn ). Comme la famille (x1 , . . . , xn , y1 ) est une famille génératrice, on en déduit que la
famille (y1 , x2 , . . . , xn ) est génératrice.
Xn
On a donc l’existence de µ1 , µ2 , . . . , µn tels que y2 = µ1 y1 + µk xk avec au moins un des µk non nul.
k=2
Si seul µ1 est non nul, alors (y1 , y2 ) est liée et on a le résultat voulu. Sinon, quitte à renuméroter les
xk , on peut supposer que µ2 6= 0 et de même que précédemment, on montre que (y1 , y2 , x3 , . . . , xn ) est
génératrice.
En itérant, on obtient que (y1 , y2 , . . . , yn ) est génératrice et comme p > n, yp s’écrit comme combinaison
linéaire de (y1 , . . . , yn ) donc la famille (y1 , . . . , yp ) est liée.

Théorème 5

Théorème de la dimension.
Toutes les bases d’un espace vectoriel de dimension finie ont le même nombre d’éléments.

Démonstration. C’est une conséquence immédiate de la proposition précédente.

Définition 21

Le nombre d’éléments de toutes les bases de E est appelé dimension de E et est noté dim E.
Par convention, dim {0} = 0.
Un espace vectoriel de dimension 1 est appelé droite vectorielle.
Un espace vectoriel de dimension 2 est appelé plan vectoriel.

Exemple 9.10.
ˆ dim Rn = n
ˆ dim Mn (R) = n2
ˆ dim {(un )n∈N , ∀n ∈ N, un+2 = 5un+1 − 6un } = 2

Proposition 7

Dans un espace vectoriel de dimension n,

ˆ toute famille libre a au plus n éléments
ˆ toute famille génératrice a au moins n éléments

Théorème 6

Soit E un espace vectoriel de dimension n

ˆ Toute famille libre de n éléments est une base de E
ˆ Toute famille génératrice de n éléments est une base de E.
134 CHAPITRE 9. ALGÈBRE LINÉAIRE

Démonstration. Soit (x1 , . . . , xn ) une famille libre de E. Supposons que (x1 , . . . , xn ) n’est pas génératrice.
Alors il existe y ∈ E tel que y ∈ / Vect(x1 , . . . , xn ). La famille (x1 , . . . , xn , y) est libre ce qui est une contra-
diction.
Soit (x1 , . . . , xn ) une famille génératrice de E. Supposons que (x1 , . . . , xn ) n’est pas libre. Alors un xi est
combinaison linéaire des autres et donc (x1 , . . . , xi−1 , xi+1 , . . . , xn ) est génératrice ce qui est une contra-
diction.

Théorème 7

de la base incomplète
Soit E un espace vectoriel de dimension n et (x1 , . . . , xp ) une famille libre de p vecteurs de E
avec p < n.
On peut compléter la famille (x1 , . . . , xp ) par n − p vecteurs de E pour former une base de E.

Démonstration. (x1 , . . . , xp ) n’est pas génératrice, donc il existe y ∈ E, y ∈

/ Vect(x1 , . . . , xp ) tel que
(x1 , . . . , xp , y) est libre. On itère ce processus jusqu’à avoir n vecteurs.

9.3.2 Sous-espace vectoriel

Théorème 8

Soit E un espace vectoriel de dimension finie.

Tout sous-espace vectoriel F de E est de dimension finie et dim F ≤ dim E.

Démonstration. Soit x1 ∈ F non nul. Comme dans le théorème de la base incomplète, on complète la
famille libre (x1 ) jusqu’à obtenir une famille libre et génératrice de F . Ce processus s’arrête forcément car
les éléments de F sont des éléments de E et toute famille de E ayant strictement plus de dim E éléments
est une famille liée.

Proposition 8

Si F et G sont deux sous-espaces vectoriels de dimension finie de l’espace vectoriel E tel que
(
F ⊂G
alors F = G
dim F = dim G

Remarque. Cette proposition est fondamentale ! Nous l’utiliserons très souvent pour montrer l’égalité entre
deux espaces vectoriels.

9.3.3 Rang
Définition 22

Soit E un espace vectoriel et L une famille finie de vecteurs de E.

On appelle rang de L la dimension de l’espace vectoriel engendré par L. On le note rg(L). On
a donc rg(L) = dim Vect(L).
9.3. THÉORIE DE LA DIMENSION 135

Théorème 9

Soit E un espace vectoriel de dimension n et L une famille de p vecteurs de E.

ˆ rg(L) = p ⇔ L est une famille libre
ˆ rg(L) = n ⇔ L est une famille génératrice
ˆ n = p et rg(L) = n ⇔ L est une base de E

Remarque. Pour calculer le rang d’une famille (x1 , . . . , xp ), on regarde d’abord si cette famille est libre, si
ce n’est pas le cas alors un des vecteurs de cette famille s’écrit comme combinaison linéaire des autres, par
exemple x1 . Ainsi, rg(x1 , . . . , xp ) = rg(x2 , . . . , xp ) et on poursuit ce processus jusqu’à obtenir une famille
libre.

9.3.4 Sommes de sous-espaces vectoriels

Théorème 10

Soit F un sous-espace vectoriel de E un espace vectoriel de dimension finie.

F admet un supplémentaire.

Démonstration. Soit (x1 , . . . , xp ) une base de F . On complète cette base par (yp+1 , . . . , yn ) pour former
une base de E. Alors G = Vect(yp+1 , . . . , yn ) est un supplémentaire de F .

Théorème 11

Soit F et G deux sous-espaces vectoriels de E un espace vectoriel de dimension finie.

dim (F + G) = dim F + dim G − dim (F ∩ G)

dim (F ⊕ G) = dim F + dim G

Démonstration. Soit (x1 , . . . , xp ) une base de F ∩ G. On la complète par (yp+1 , . . . , yr ) de sorte que
(x1 , . . . , xp , yp+1 , . . . , yr ) est une base de F et par (zp+1 , . . . , zs ) de sorte que (x1 , . . . , xp , zp+1 , . . . , zs ) est
une base de G.
Ainsi, (x1 , . . . , xp , yp+1 , . . . , yr , zp+1 , . . . , zs ) est une famille génératrice de F + G.
Soit λ1 , . . . , λp , µp+1 , . . . , µr , γp+1 , . . . , γs tels que

X X X
λ i xi + µi yi + γ i zi = 0

P P P P
On a alors γi zi = − λi xi − P µi yi ∈ F , donc nécessairement
P γi zi = 0 et comme la famille (zi )
est libre, les γi valent 0. De même µi yi ∈ G donc µi yi = 0 et les µi valent 0 et ainsi les λi aussi.
Donc la famille (x1 , . . . , xp , yp+1 , . . . , yr , zp+1 , . . . , zs ) est libre, c’est une base de F + G, son cardinal est
dim F + dim G − dim (F ∩ G).
136 CHAPITRE 9. ALGÈBRE LINÉAIRE

Théorème 12

Soit F et G deux sous-espaces vectoriels de E un espace vectoriel de dimension finie. Les

assertions suivantes sont équivalentes.
1. E = F ⊕ G
2. ∀z ∈ E, ∃!(x, y) ∈ F × G, z = x + y
3. E = F + G et F ∩ G = {0}
4. E = F + G et dim (F + G) = dim F + dim G
5. F ∩ G = {0} et dim (E) = dim F + dim G
6. Une base de F concaténée à une base de G donne une base de E (cette base est dite
adaptée à la somme directe).

Théorème 13

Soit p ∈ N∗ et F1 , F2 , . . . Fp des sous-espaces vectoriels de E un espace vectoriel de dimension

finie. Alors
dim (F1 ⊕ F2 ⊕ . . . Fp ) = dim F1 + dim F2 + . . . + dim Fp
De plus, les assertions suivantes sont équivalentes
1. E = F1 ⊕ F2 ⊕ . . . ⊕ Fp
2. E = F1 + F2 + . . . + Fp et dim E = dim F1 + dim F2 + . . . + dim Fp
3. Une base de F1 concaténée à une base de F2 , . . ., concaténée à une base de Fp donne une
base de E (cette base est dite adaptée à la somme directe).

9.4 Applications linéaires

Dans cette partie E,F et G désignent des R-espaces vectoriels.

9.4.1 Généralités
Définition 23

Soit f une application de E dans F . On dit que f est une application linéaire si
ˆ ∀x, y ∈ E, f (x + y) = f (x) + f (y)
ˆ ∀λ ∈ R, ∀x ∈ E, f (λx) = λf (x)
On notera f ∈ L(E, F ).
Si f ∈ L(E, E) alors on dit que f est un endomorphisme et on note f ∈ L(E).
Si f ∈ L(E, F ) est bijective alors on dit que f est un isomorphisme.
Si f est un endomorphisme bijectif alors on dit que f est un automorphisme.

Proposition 9

Pour montrer que f ∈ L(E, F ), il suffit de montrer que ∀x, y ∈ E, ∀λ ∈ R, f (λx + y) =

λf (x) + f (y).
9.4. APPLICATIONS LINÉAIRES 137

Proposition 10

Soit f, g ∈ L(E, F ) alors f + g ∈ L(E, F ) et ∀λ ∈ R, λf ∈ L(E, F ). Autrement dit, L(E, F ) est

un espace vectoriel.

Démonstration. Soit f, g ∈ L(E, F ), λ ∈ R, x, y ∈ E, µ ∈ R.

(λf + g)(µx + y) = λf (µx + y) + g(µx + y)

= λµf (x) + λf (y) + µg(x) + g(y)
= µ(λf + g)(x) + (λf + g)(y)

Donc λf + g ∈ L(E, F ).

Proposition 11

Soit f ∈ L(E, F ), g ∈ L(F, G) alors g ◦ f ∈ L(E, G).

Si de plus f et g sont des isomorphismes, alors g ◦ f est un isomorphisme.

Démonstration. Soit x, y ∈ E, λ ∈ R.

g ◦ f (λx + y) = g(λf (x) + f (y))

= λg(f (x)) + g(f (y)) = λg ◦ f (x) + g ◦ f (y)

Donc g ◦ f ∈ L(E, F ).

Définition 24

Soit f ∈ L(E), on pose f 0 = idE et ∀n ∈ N, f n+1 = f ◦ f n ∈ L(E).

On rappelle que f n ◦ f p = f n+p et on n’a pas nécessairement g ◦ f = f ◦ g.

Définition 25

On dit que f ∈ L(E) et g ∈ L(E) commutent si f ◦ g = g ◦ f .

Théorème 14

Soit f, g ∈ L(E) qui commutent. Pour tout entier n ∈ N, on a

n  
n
X n k
(f + g) = f ◦ g n−k
k
k=0
138 CHAPITRE 9. ALGÈBRE LINÉAIRE

9.5 Noyau et image

Définition 26

Soit f ∈ L(E, F ), on pose

Ker f = {x ∈ E, f (x) = 0F }
Im f = {y ∈ F, ∃x ∈ Ef (x) = y}
Ker f est appelé le noyau de f , Im f l’image de f .

Remarque. Pour déterminer le noyau d’une application linéaire f , il faut déterminer les solutions de
l’équation f (x) = 0.
Pour l’image, c’est un peu plus compliqué... on verra une manière plus simple lorsque l’on est en dimension
finie.

Proposition 12

Ker f et Im f sont des sous-espaces vectoriels.

Démonstration. On a Ker f ⊂ E, f (0E ) = 0F car f (0E ) = f (0E + 0E ) = 2f (0E ), donc 0E ∈ Ker f et

Ker f 6= ∅.
Soit x, y ∈ Ker f , λ ∈ R. On a f (λx + y) = λf (x) + f (y) = 0F + 0F = 0F donc Ker f est un sous-espace
vectoriel de E.
On a Im f ⊂ F , 0F = f (0E ) donc 0F ∈ Im f et Im f 6= ∅.
Soit x, y ∈ Im f , λ ∈ R. Il existe u, v ∈ E tels que f (u) = x et f (v) = y. Et donc f (λu+v) = λx+y ∈ Im f ,
Im f est un sous-espace vectoriel de F .

Théorème 15

Soit f ∈ L(E, F )
1. f est injective si et seulement si Ker f = {0E }
2. f est surjective si et seulement si Im f = F

Démonstration.

f est injective ⇔ ∀x, y ∈ E, f (x) = f (y) =⇒ x = y

⇔ ∀x, y ∈ E, f (x − y) = 0F =⇒ x = y
⇔ ∀x, y ∈ E, x − y ∈ Ker f =⇒ x = y

On a ainsi x ∈ Ker f =⇒ x = 0E et donc Ker f = {0E }

Réciproquement, si Ker f = {0E } alors on a bien x − y ∈ Ker f =⇒ x = y.

f est surjective ⇔ ∀y ∈ F, ∃x ∈ E, f (x) = y

⇔ ∀y ∈ F, y ∈ Im f
9.5. NOYAU ET IMAGE 139

9.5.1 Dimension finie

Dans cette partie, on suppose que E est de dimension finie et on considère (e1 , . . . , en ) une base de E.

Théorème 16

Soit f1 , . . . , fn des vecteurs quelconques de F . Il existe une unique application linéaire f ∈

L(E, F ) telle que ∀i ∈ J1, nKf (ei ) = fi .

Démonstration. Existence : soit x ∈ E, comme (e1 , . . . , en ) est une base de E, il existe λ1 , . . . , λn tels que
Xn
x= λk ek . On prend alors f telle que
k=1

n n n
!
X X X
f (x) = f λk ek = λk f (ek ) = λk fk
k=1 k=1 k=1

On peut alors vérifier que f est bien linéaire.

Unicité : On peut vérifier aisément que si pour tout k ∈ J1, nK, f (ek ) = g(ek ) alors pour tout x ∈ E,
f (x) = g(x).

Remarque. Pour définir une application linéaire, il suffit de donner l’image des vecteurs d’une base.

Proposition 13

Soit f ∈ L(E, F ). On a Im f = Vect (f (e1 ), . . . , f (en )).

Démonstration. Comme Im f est un espace vectoriel et comme pour tout k ∈ J1, nK, f (ek ) ∈ Im f , on a
l’inclusion Vect (f (e1 ), . . . , f (en )) ⊂ Im f .
n
X
Soit y ∈ Im f , il existe x ∈ E tel que f (x) = y. Or il existe λ1 , . . . , λn tels que x = λk ek , ainsi y =
k=1
n
X
λk f (ek ) ∈ Vect (f (e1 ), . . . , f (en )). Donc Im f ⊂ Vect (f (e1 ), . . . , f (en )) et Im f = Vect (f (e1 ), . . . , f (en )).
k=1

Théorème 17

Soit f ∈ L(E, F ).
1. f est injective si et seulement si (f (e1 ), . . . , f (en )) est une famille libre de F
2. f est surjective si et seulement si (f (e1 ), . . . , f (en )) est une famille génératrice de F .
3. f est un isomorphisme si et seulement si (f (e1 ), . . . , f (en )) est une base de F .
140 CHAPITRE 9. ALGÈBRE LINÉAIRE

Démonstration. 1.

f est injective ⇔ Ker f = {0E }

⇔ ∀x ∈ E, f (x) = 0 =⇒ x = 0
Xn
⇔ ∀λ1 , . . . λn ∈ R, f ( λk ek ) = 0 =⇒ λ1 = . . . = λn = 0
k=1
n
X
⇔ ∀λ1 , . . . λn ∈ R, λk f (ek ) = 0 =⇒ λ1 = . . . = λn = 0
k=1
⇔ (f (e1 ), . . . , f (en )) est libre.

2. f est surjective si seulement si Im f = F si et seulement si (f (e1 ), . . . , f (en )) est une famille

génératrice de F .
3. C’est immédiat avec 1. et 2.

Corollaire 1

S’il existe un isomorphisme de E vers F alors dim E = dim F .

Un espace vectoriel est de dimension n si et seulement si il est isomorphe à Rn .

Démonstration. S’il existe un isomorphisme de E vers F alors (f (e1 ), . . . , f (en )) est une base de F donc
F et E ont même dimension.

Définition 27

Soit f ∈ L(E, F ), on appelle rang de f et on note rg f la dimension de l’image de f : rg f =

dim Im f

Théorème 18

Formule du rang.
Soit f ∈ L(E, F ). Alors
dim (Ker f ) + rg f = dim E

Démonstration. Soit f ∈ L(E, F ). Soit G un supplémentaire de Ker f dans E. Soit (e1 , . . . , eK ) une base
de Ker f et (gK+1 , . . . , gn ) une base de G et ainsi (e1 , . . . , eK , gK+1 , . . . , gn ) est une base de E. On pose
l’application h ∈ L(G, F ) telle que ∀x ∈ G, h(x) = f (x).
Plan de la preuve : 1)h est injective, 2)Im h = Im f , 3)dim Im h = dim G, 4) Conclusion
1. L’application h est injective, en effet x ∈ Ker h ⇔ x ∈ G ∩ Ker f = {0E }.
2. Par définition de h on a déjà Im h ⊂ Im f . Soit y ∈ Im f , ∃x ∈ E tel que f (x) = y. Or on peut écrire
XK Xn Xn Xn
x= λj ej + λj gj , ainsi y = f (x) = λj f (gj ) = λj h(gj ), car les ej sont dans le
j=1 j=K+1 k=K+1 k=K+1
noyau de f , et les gj appartiennent à G donc f (gj ) = h(gj ). Ainsi y ∈ Im f et Im f = Im h.
3. Comme h est injective, (h(gK+1 ), . . . , h(gn )) est une famille libre, c’est aussi une famille génératrice
de Im h, donc c’est une base de Im h et ainsi dim Im h = dim G.
4. En conclusion on a dim Im f = dim G or comme G et Ker f sont supplémentaires, on a dim Ker f +
dim G = dim E d’où le résultat.
9.5. NOYAU ET IMAGE 141

Théorème 19

On suppose que F est aussi un espace vectoriel de dimension finie. Soit f ∈ L(E, F ).
1. f est injective si et seulement si rg f = dim E.
2. f est surjective si et seulement si rg f = dim F .

Démonstration. C’est une conséquence immédiate du théorème du rang.

Théorème 20

Soit E et F deux espaces vectoriels de même dimension finie et f ∈ L(E, F ). Alors f est un
isomorphisme si et seulement si f est injective si et seulement si f est surjective.
En particulier, pour montrer qu’un endomorphisme f de E est un automorphisme, il suffit de
montrer que Ker f = {0E }.

Démonstration. C’est une conséquence immédiate du théorème du rang.

Théorème 21

Soit f ∈ L(E).
f est un automorphisme si et seulement il existe g ∈ L(E) tel que g ◦ f = idE si et seulement
si il existe h ∈ L(E) tel que f ◦ h = idE .
Dans ce cas, g = h.

Définition 28

Soit H un sous-espace vectoriel de E. On dit que H est un hyperplan si dim H = n − 1.

Théorème 22

H est un hyperplan de E si et seulement si H = Ker f où f est une forme linéaire non nulle.

Démonstration. La réciproque est une conséquence immédiate du théorème du rang.

Définition 29

Soit f ∈ L(E). On dit que f est une homothétie s’il existe λ ∈ R tel que ∀x ∈ E, f (x) = λx.
142 CHAPITRE 9. ALGÈBRE LINÉAIRE

9.5.2 Projecteur et symétrie

Définition 30

Soit E1 et E2 deux sous-espaces vectoriels supplémentaires de E (E = E1 ⊕ E2 ). Ainsi, ∀x ∈

E, ∃!(x1 , x2 ) ∈ E1 × E2 tels que x = x1 + x2 . On appelle projecteur sur E1 parallèlement à E2
l’application linéaire p telle que p(x) = x1 . De même on appelle projection sur E2 parallèlement
à E1 l’application q telle que q(x) = x2 .
p et q sont appelés projecteurs associés à la somme directe E = E1 ⊕ E2 .

Proposition 14

Soit p le projecteur sur E1 parallèlement à E2 . Alors Im p = E1 et Ker p = E2 .

En particulier E = Ker p ⊕ Im p.

Démonstration. C’est immédiat.

Proposition 15

Soit p le projecteur sur E1 parallèlement à E2 et q le projecteur sur E2 parallèlement à E1 .

Alors
ˆ p + q = idE
ˆ p ◦ q = q ◦ p = 0L(E)
ˆ Im p = Ker (p − idE )

Démonstration. Soit x ∈ E, x = x1 + x2 où x1 ∈ E1 et x2 ∈ E2 .

1. (p + q)(x) = p(x) + q(x) = x1 + x2 = x
2. p ◦ q(x) = p(x2 ) = 0E et q ◦ p(x) = q(x1 ) = 0E .
3. Im p = Ker q = Ker (idE − p) = Ker (p − idE )

Théorème 23

Les projecteurs définis précédemment vérifient p ◦ p = p et q ◦ q = q.

Démonstration. Soit x ∈ E, x = x1 + x2 où x1 ∈ E1 et x2 ∈ E2 .

p ◦ p(x) = p(x1 ) = x1 = p(x).

Théorème 24

Réciproquement, soit f ∈ L(E) tel que f ◦f = f alors f est un projecteur sur Im f parallèlement
à Ker f . De plus on a E = Ker f ⊕ Im f .

Démonstration. Soit f ∈ L(E) telle que f ◦ f = f . Montrons que f est un projecteur.

Plan de la preuve : 1) E = Ker f ⊕ Im f , 2)f (x) = x2 où x ∈ E, x = x1 + x2 avec x1 ∈ Ker f et x2 ∈ Im f .
9.5. NOYAU ET IMAGE 143

1. Soit x ∈ Ker f ∩ Im f , il existe y ∈ E, f (y) = x. Or f (x) = 0E et f (x) = f (f (y)) = f (y) = x car

f ◦ f = f . Donc x = 0E . De plus, d’après le théorème du rang, dim Ker f + dim Im f = dim E.
Donc Ker f ⊕ Im f = E.
2. Soit x ∈ E, ∃x1 ∈ Ker f, x2 ∈ Im f tels que x = x1 + x2 . Ainsi, ∃y ∈ E, f (y) = x2 .
f (x) = f (x1 + x2 ) = f (x2 ) = f (f (y)) = f (y) = x2 .
Donc f est bien un projecteur sur Im f parallèlement à Ker f .

Définition 31

Soit E1 et E2 tels que E = E1 ⊕ E2 . On appelle symètrie par rapport à E1 parallèlement à E2

l’endomorphisme s vérifiant s(x) = x1 − x2 .
On a donc s = p − q = 2p − idE = idE − 2q.

Proposition 16

On a s ◦ s = idE et E1 = Ker (s − idE ) et E2 = Ker (s + idE ).

Sur le dessin ci-dessous est représenté un plan F et une droite G et pour un vecteur u, p(u) la pro-
jection de ce vecteur sur F parallèlement à G et s(u) la symétrie par rapport à F parallèlement à G.

9.5.3 Endomorphisme induit

Définition 32

Soit f ∈ L(E), F un sous-espace vectoriel de E.

On dit que F est stable par f si ∀x ∈ F, f (x) ∈ F . On note parfois f (F ) = {f (x), x ∈ F }.
144 CHAPITRE 9. ALGÈBRE LINÉAIRE

Définition 33

Soit u ∈ L(E), F est sous-espace vectoriel de E stable par u.

On appelle u|F ∈ L(F ) endomorphisme induit par u sur F . Il vérifie : ∀x ∈ F, u|F (x) = u(x).

Exemple 9.11. Soit f ∈ L(E), Ker f est stable par f , Im f aussi.

u|Im u est un automorphisme si et seulement si Im u ∩ Ker u = {0E } si et seulement si Ker u = Ker u2 .

Proposition 17

Soit u, v ∈ L(E) tels que u ◦ v = v ◦ u. On a : Im u et Ker u sont stables par v.

Démonstration. Soit x ∈ Ker u. On a u ◦ v(x) = v ◦ u(x) = 0 donc v(x) ∈ Ker u donc Ker u est stable par
v.
Soit x ∈ Im u, il existe y ∈ E tel que x = u(y). On a v(x) = v ◦ u(y) = u ◦ v(y) ∈ Im u donc Im u est stable
par v.

9.6 Matrices, le retour

Keanu Reeves, grand spécialiste des matrices

Dans cette partie E et F désignent des R-espaces vectoriels de dimension finie. BE = (e1 , . . . , ep ) désigne
une base de E et BF = (b1 , . . . , bn ) une base de F .

9.6.1 Matrices et applications linéaires

Définition 34

Soit f ∈ L(E, F ) on appelle matrice de f dans les bases BE et BF la matrice de Mn,p (R) notée
n
X
MatBF ,BE définie par (MatBF ,BE )i,j = ai,j où ∀i ∈ J1, pK, f (ei ) = ai,j bj
j=1

Remarque. Pour un endomorphisme, on peut considérer MatBE (f ) qui est une matrice carrée.
Pour une forme linéaire φ, une matrice de φ sera une matrice ligne.
9.6. MATRICES, LE RETOUR 145

Remarque. ATTENTION ! ! La notation MatBF ,BE n’est pas standard. La notation majoritaire est MatBE ,BF
(la base de l’espace de départ à gauche, celle d’arrivée à droite). Notre notation a néanmoins plusieurs
avantages : on lit directement la taille de la matrice MatBF ,BE ∈ Mdim F,dim E ; la matrice d’une composée
sera aussi plus naturelle avec cette notation.
Exemple 9.12. a) La matrice de f ∈ L(R3 ) telle que f (x, y, z) = (2x + 3z, x + y − z, 4z) dans la base
canonique est  
2 0 3
 
1 1 −1
 
 
0 0 4

b) la matrice de idE dans n’importe quelle base, avec E de dimension n, est In

Définition 35

Soit A ∈ Mn,p (R). On appelle application canoniquement associée à A l’application linéaire de

Rp dans Rn définie par A dans les bases canoniques.

Exemple 9.13. Déterminez les applications canoniquement associées aux matrices suivantes
 
1 2 3
 
a) 4 5 6
 
 
7 8 9
 
b) 1 1 1 1
 
1 0 0
 
c) 0 2 0
 
 
0 0 3

Proposition 18

Deux applications linéaires de E dans F sont égales si et seulement si elles ont même matrice
dans les bases BE et BF .

Corollaire 2

Les ensembles L(E, F ) et Mn,p (R) sont isomorphes, on en déduit donc que dim L(E, F ) = np.

p
X
Remarque. Il faut identifier Mp,1 et Rp : soit x ∈ E, dans la base BE , x = xi ei et donc la matrice
  i=1

x1
 
 x2 
 
correspondante au vecteur x est MatBE (x) = 
 .

. . . 
 
xp
146 CHAPITRE 9. ALGÈBRE LINÉAIRE

9.6.2 Opérations
Théorème 25

Soit E, F et G trois R-ev de dimension finie munis respectivement des bases BE ,BF et BG .
Soit f ∈ L(E, F ) et g ∈ L(F, G), alors

MatBG ,BE (g ◦ f ) = MatBG ,BF (g) × MatBF ,BE (f )

Proposition 19

Soit f ∈ L(E, F ) avec E et F de même dimension.

Alors f est un isomorphisme de E sur F si et seulement si sa matrice M = MatBF ,BE (f ) est in-
versible. Le cas échéant, la matrice de f −1 : F → E est M −1 : MatBE ,BF (f −1 ) = (MatBF ,BE )−1 .

Définition 36

Soit M ∈ Mn,p (R) et c1 , . . . , cp les vecteurs de Rn définies par les colonnes de M dans la base
canonique. On appelle rang de M le rang de la famille (c1 , . . . , cp ).

 
 
1 1 1 1 1 1
   
Exemple 9.14. Déterminer le rang de 1 0 −1 et le rang de 1 1 1
   
   
2 0 1 1 1 1

Proposition 20

Soit f ∈ L(E, F ), et A sa matrice associée dans des bases fixées de E et F . Alors rg(f ) = rg(A)
A ∈ Gln (R) ⇔ rg(A) = n

Théorème 26

Soit A ∈ Mn,p (R). rg(A) = rg(t A)

9.6.3 Compléments
Définition 37

Soit B1 = (e1 , . . . , en ) et B2 = (a1 , . . . , an ) deux bases de E.

n
X
∃!(pi,j )1≤i,j≤n tel que ∀j ∈ J1, nK, aj = pi,j ei
i=1

La matrice PB1 ,B2 = (pi,j )1≤i,j≤n est appelée matrice de passage de B2 à B1 .

9.6. MATRICES, LE RETOUR 147

Remarque. PB1 ,B2 est la matrice des coordonnées de la nouvelle base B2 dans la base B1 .
Exemple 9.15. Soit B1 = (e1 , e2 , e3 ) la base canonique de R3 . On pose B2 = (2e1 + e3 , e1 + e2 + e3 , e2 + e3 ).
Dès lors,  
2 0 1
 
PB1 ,B2 = 1 1 1 
 
 
0 1 1

Proposition 21

Soit B1 et B2 deux bases de E, alors PB1 ,B2 = MatB1 ,B2 (id) et PB−1
1 ,B2
= PB2 ,B1

Proposition 22

Soit B1 et B2 deux bases de E. Soit x ∈ E, alors

xB1 = PB1 ,B2 xB2

Théorème 27

Soit f ∈ L(E) et B1 et B2 deux bases de E,

MatB2 (f ) = PB2 ,B1 MatB1 (f )PB1 ,B2

= PB−1
1 ,B2
MatB1 (f )PB1 ,B2
148 CHAPITRE 9. ALGÈBRE LINÉAIRE