Résumé du cours d’algèbre de Sup et Spé

1 Polynômes
1.1 Formule de Taylor pour les polynômes
Soit P un polynôme non nul de degré n ∈ N.
n n
X P(k) (a) X P(k) (0) k
∀a ∈ K, P = (X − a)k . P= X .
k! k!
k=0 k=0

P(k) (0)
Pour tout polynôme P et tout entier naturel k, le coefficient de Xk dans P est ak = .
k!

1.2 Racines d’un polynôme

Ordre de multiplicité d’une racine. Pour a ∈ K et k ∈ N, a est racine de P d’ordre k si et seulement si il existe un
polynôme Q tel que P = (X − a)k Q et Q(a) 6= 0 (⇔ P est divisible par (X − a)k et pas par (X − a)k+1 ). Une racine d’ordre
0 n’est pas racine.
a est racine de P d’ordre au moins k si et seulement si il existe un polynôme Q tel que P = (X − a)k Q (⇔ P est divisible
par (X − a)k ).
k−1
X P(i) (a)
Théorème. Le reste de la division euclidienne de P par (X − a)k est (X − a)i .
i!
i=0
Théorème (caractérisation de l’ordre de multiplicité).
a est racine de P d’ordre k ⇔ P(a) = P ′ (a) = . . . = P(k−1) (a) = 0 et P(k) (a) 6= 0.
a est racine de P d’ordre au moins k ⇔ P(a) = P ′ (a) = . . . = P(k−1) (a) = 0.
Théorème. Si a est racine d’ordre p de P 6= 0, alors pour tout k ∈ J0, pK, a est racine d’ordre p − k de P(k) .

1.3 Structure d’anneau de K[X]

Théorème. (K[X], +, ×) est un anneau commutatif et intègre.
Définition. Soit I ⊂ K[X]. I est un idéal I de l’anneau (K[X], +, ×) si et seulement si
1) (I, +) est un sous-groupe de (K[X], +) et 2) ∀P ∈ I, ∀Q ∈ K[X], PQ ∈ I.

Définition. Un idéal I de K[X] est principal ⇔ il ext engendré par l’un de ses éléments c’est-à-dire si et seulement si il
est de la forme I = PK[X] = {PQ, Q ∈ K[X]}.
Théorème. (K[X], +, ×) est un anneau principal, c’est-à-dire que tout idéal de cet anneau est principal.

1.4 PGCD, Bézout, Gauss

Théorème et définition. A et B sont deux polynômes
 non nuls. L’idéal engendré par A et B (c’est-à-dire le plus petit
idéal contenant A et B) est AK[X] + BK[X] = AQ1 + BQ2 , (Q1 , Q2 ) ∈ K[X]2 .
Le PGCD de A et B est l’unique polynôme unitaire D tel que AK[X] + BK[X] = DK[X]. C’est un diviseur commun à A et
B et tout diviseur commun à A et B divise D. Les diviseurs communs à A et B sont les diviseurs de leur PGCD.
Théorème de Bézout. Soient A et B deux polynômes non nuls. A et B sont premiers entre eux si et seulement si il
existe deux polynômes U et V tels que AU + BV = 1.
Théorème. Deux polynômes non nuls sont premiers entre eux si et seulement si ils sont sans racine commune dans C.
Théorème de Gauss. Soient A, B et C trois polynômes, A 6= 0, B 6= 0. Si A divise BC et si A est premier à B, alors A
divise C.

2 Algèbre linéaire
Voir les résumés de sup déjà fournis.

1
3 Réduction des endomorphismes et des matrices carrées
3.1 Valeurs propres, vecteurs propres, sous-espaces propres
Valeurs propres. E est un K-espace vectoriel de dimension quelconque. λ ∈ K.
λ est valeur propre de f ⇔ ∃x ∈ E \ {0}/ f(x) = λx
⇔ f − λIdE non injectif
⇔ Ker (f − λIdE ) 6= {0}.
Si de plus E est de dimension finie,
λ est valeur propre de f ⇔ f − λIdE ∈ / GL(E)
⇔ det (λIdE − f) = 0.
Soit A ∈ Mn (K).
λ est valeur propre de A ⇔ ∃X ∈ Mn,1 (K \ {0}/ AX = λX
⇔ Ker (A − λIn ) 6= {0}
⇔ A − λIn ∈/ GLn (K)
⇔ rg (A − λIn ) < n
⇔ det (λIn − A) = 0.
En particulier, A ∈ GLn (K) ⇔ 0 n’est pas valeur propre de A. Si dim(E) < +∞, f ∈ GL(E) ⇔ 0 n’est pas valeur propre
de f.
Si E est un C-espace de dimension finie non nulle, tout endomorphisme de E admet au moins une valeur propre. Toute
matrice carrée admet au moins une valeur propre dans C.
Vecteurs propres. E est un K-espace vectoriel de dimension quelconque. Soient f ∈ L (E) et x ∈ E.
x est un vecteur propre de f si et seulement si x 6= 0 et ∃λ ∈ K/ f(x) = λx.
Soit A ∈ Mn (K) et X ∈ Mn,1 (K).
X est un vecteur propre de A si et seulement si X 6= 0 et ∃λ ∈ K/ AX = λX.
Sous-espaces propres. Si λ est valeur propre de f, le sous-espace propre associé à λ est Eλ = Ker (f − λIdE ).
Ce sous-espace propre est constitué de 0 et des vecteurs propres associés à λ.
Si λ n’est pas valeur propre de f, alors Eλ = {0} et dans ce cas, Eλ n’est pas un sous-espace propre de f.
Définition analogue pour une matrice.
Théorème. Une famille de vecteurs propres associés à des valeurs propres deux à deux distinctes est libre.
Théorème. La somme d’un nombre fini de sous-espaces propres est directe.

3.2 Sous-espaces stables

Définition. Soient f ∈ L (E) et F sev de E. F est stable par f ⇔ ∀x ∈ F, f(x) ∈ F ⇔ f(F) ⊂ F.
Dans ce cas, la restriction de f à F induit un endomorphisme de F.
Les droites stables par f sont les droites engendrées par un vecteur propre.
Les sous-espaces propres de f sont stables par f. La restriction de f à Eλ « est » l’homothétie de rapport λ.
Théorème. Soient f et g deux endomorphismes de E tels que f ◦ g = g ◦ f. Alors, g laisse stable Im(f), Ker(f) et les
sous-espaces propres de f.

3.3 Polynôme caractéristique

Soient E un K-espace vectoriel de dimension finie non nulle et f ∈ L (E). Le polynôme caractéristique de f est χf =
det (XIdE − f).
Soit A ∈ Mn (K). Le polynôme caractéristique de A est χA = det (XIn − A).
Les valeurs propres sont les racines du polynôme caractéristique. L’ordre de multiplicité d’une valeur propre est son ordre
de multiplicité en tant que racine du polynôme caractéristique.
Le spectre de A (de f) peut désigner l’ensemble des valeurs propres, chaque valeur propre n’étant alors écrite qu’une
fois, ou la famille des valeurs propres, chaque valeur propre étant alors écrite un nombre de fois égal à son ordre de
multiplicité.
Degré, coefficient dominant. Si A est de format n (resp. E est de dimension n), χA (resp. χf ) est de degré n, unitaire.
Coefficients du polynôme caractéristique. Le coefficient de Xn−1 est −Tr(A) (resp. −Tr(f)) et le coefficient de X0
X
est (−1)n det(A) (resp. (−1)n det(f)). Le coefficient de Xk est (−1)n−k σn−k où σk = λi1 . . . λik .
16i1 <...<ik 6n
Soit (λ1 , . . . , λn ) est la famille des valeurs propres de A dans C, alors Tr(A) = λ1 + . . . + λn et det(A) = λ1 × . . . × λn .

2
Théorème. Si λ est valeur propre de A (de f) d’ordre o(λ), alors 1 6 dim (Eλ ) 6 o(λ) et aussi o(λ) > dim (Eλ ).
Si λ est valeur propre simple, dim (Eλ ) = 1. Le sous-espace propre associé à une valeur propre simple est une droite.
Théorème. A et t A ont même polynôme caractéristique et en particulier même trace et même déterminant.
Théorème. AB et BA (resp. f ◦ g et g ◦ f) ont même polynôme caractéristique et en particulier même trace et même
déterminant.
Théorème. Deux matrices semblables ont même polynôme caractéristique et en particulier même trace et même déter-
minant.
Réciproque fausse pour n > 2. Par exemple, In et In +E1,2 ont même polynôme caractéristique mais ne sont pas semblables.

3.4 Diagonalisation
Définition. Un endomorphisme de E (de dimension non nulle quelconque) est diagonalisable si et seulement si il existe
une base de E formée de vecteurs propres de f.
Si de plus, E est de dimension finie, f est diagonalisable si et seulement si il existe une base de E dans laquelle la matrice
de f est diagonale.
A ∈ Mn (K) est diagonalisable si et seulement si A est semblable à une matrice diagonale c’est-à-dire ∃P ∈ GLn (K,
∃D ∈ Dn (K)/ A = PDP−1 .
Théorème. E est un K-espace vectoriel de dimension finie non nulle n et f ∈ L (E). On note ni la dimension de Eλi (f).
f est diagonalisable ⇔ les sous-espaces propres de f sont supplémentaires
X
⇔n= ni

⇔ χf est scindé sur K et ∀λ ∈ Sp(f), dim (Eλ ) = o(λ).

Théorème. E est un K-espace vectoriel de dimension finie non nulle n et f ∈ L (E). Si χf est scindé sur K à racines simples
(ou encore si f admet n valeurs propres deux à deux distinctes), alors f est diagonalisable. Dans ce cas, les sous-espaces
propres sont des droites.
Réciproque fausse.

3.5 Trigonalisation
Définition. Un endomorphisme de E (de dimension finie non nulle) est trigonalisable si et seulement si il existe une base
de E dans laquelle la matrice de f est triangulaire.
Une matrice carrée est trigonalisable si et seulement si cette matrice est semblable à une matrice triangulaire.
Théorème. Si E est de dimension finie non nulle sur K, f est trigonalisable si et seulement si χf est scindé sur K.
Tout endomorphisme d’un C-espace de dimension finie non nulle est trigonalisable.
Toute matrice carrée est trigonalisable dans C.
Conséquences. Si Sp(f) = (λ1 , . . . , λn ), alors ∀k ∈ N∗ , Sp fk = λk1 , . . . , λ
kn et plus généralement,



pour tout polynôme
P, Sp(P(f)) = (P (λ1 ) , . . . , P (λn )). Si de plus f est inversible, ∀k ∈ Z, Sp fk = λk1 , . . . , λkn .

3.6 Polynômes d’endomrophismes

3.6.1 Commutant
Soit f ∈ L (E) (resp. A ∈ Mn (K)). Le commutant de f (resp. de A) est C(f) = {g ∈ L (E)/ g ◦ f = f ◦ g} (resp.
C(A) = {B ∈ Mn (K)/ AB = BA}.
Théorème. C(f) (resp. C(A)) est une sous-algèbre de (L (E), +, ., ◦) (resp. (Mn (K), +, ., ×).
Danger. Deux éléments g et h de C(f) commutent avec f mais ne commutent pas nécessairement entre eux.

3.6.2 K[f] ou K[A]

Soit f ∈ L (E) (resp. A ∈ Mn (K)). Φ : K[X] → L (E) (resp. ...) est un morphisme d’algèbres. L’image de ce
P 7→ P(f)
morphisme est K[f] resp. K[A]). K[f] est une sous-algèbre commutative (deux polynômes en f commutent) de (L (E), +, ., ◦).
En particulier, tout polynôme en f commute avec f et donc K[f] est une sous-algèbre commutative (C(f), +, ., ◦).

3.6.3 Polynômes annulateurs, polynôme minimal

Le noyau de Φ est l’ensemble des polynômes annotateurs de f (resp. de A). C’est un sous-espace vectoriel de l’espace
(K[X], +, .) et un idéal de l’anneau (K[X], +, ×). Si E est de dimension finie, Ker(Φ) n’est pas réduit à {0} grâce au :
Théorème de Cayley-Hamilton. χf (f) = 0.

3
Si E est de dimension finie, le générateur unitaire de Ker(Φ) est le polynôme minimal µf de f.
Par définition, Ker(Φ) = µf K[X] ou encore les polynômes annulateurs de f sont les multiples de µf . Le théorème de
Cayley-Hamilton se réénonce sous la forme :
Théorème. µf divise χf .
Théorème (polynômes annulateurs et valeurs propres). Si P(f) = 0 et si λ est valeur propre de f, alors P(λ) = 0.
Les valeurs propres d’un endomorphisme (ou d’une matrice) sont à choisir parmi les racines d’un polynôme annulateur.
Une racine d’un polynôme annulateur n’est pas nécessairement valeur propre mais toute valeur propre est racine d’un
polynôme annulateur.
k
Y α
Théorème. Toute valeur propre de f est racine de µf et toute racine de µf est valeur propre de f. Si χf = (X − λi ) i ,
i=1
k
Y
alors µf est de la forme (X − λi )βi où ∀i, 1 6 βi 6 αi .
i=1

Théorème de décomposition des noyaux. Soient f ∈ L (E) et P1 , . . . , Pk des polynômes deux à deux premiers entre
eux. Alors,

Ker ((P1 × . . . × Pk ) (f)) = Ker (P1 (f)) ⊕ . . . ⊕ Ker (Pk (f)) .

En particulier, si P = P1 × . . . × Pk est un polynôme annulateur de f, alors

E = Ker (P1 (f)) ⊕ . . . ⊕ Ker (Pk (f)) .

3.6.4 Décomposition de E en somme de sous-espaces stables supplémentaires

k
Y α
Si E est de dimension finie non nulle et χf = (f − λi ) i , alors
i=1
α1 αk
E = Ker (f − λ1 IdE ) ⊕ . . . ⊕ Ker (f − λk IdE ) .
• Les Ker (f − λi IdE )αi sont supplémentaires et stables par f. Donc, dans toute base adaptée à cette décomposition, la
matrice de f est diagonale par blocs.
α
• La restriction de f à Ker (f − λi IdE ) i induit un endomorphisme fi de ce sous-espace. fi admet une et une seule valeur
propre à savoir λi et fi − λi IdKer(f−λi IdE )αi est nilpotente d’indice inférieur ou égal à αi .

4 Espaces préhilbertiens
Produit scalaire. Soit E un R-espace vectoriel. Un produit scalaire sur E est une forme bilinéaire symétrique définie
positive, c’est-à-dire
• ∀(x, y) ∈ E2 , hx, yi = hy, xi (h , i est symétrique)
• ∀(x, y, z) ∈ E3 , ∀(λ, µ ∈ R2 , hλx + µy, zi = λhx, zi + µhy, zi (h , i est linéaire par rapport à sa première variable
et donc bilinéaire par symétrie)
• ∀x ∈ E, hx, xi > 0 (h , i est positive)
• ∀x ∈ E, hx, xi = 0 ⇒ x = 0 (h , i est définie).
p p
Inégalité de Cauchy-Schwarz. ∀(x, y) ∈ E2 , |hx, yi| 6 hx, xi hy, yi.
p
Norme hilbertienne. x 7→ hx, xi est une norme sur E.
Définition. Si E est de dimension finie, (E, h , i) est un espace euclidien.
Familles orthogonales, familles orthonormales. Soit (ei )i∈I une famille de vecteurs de E.
(ei )i∈I est orthogonale ⇔ ∀i 6= j, hei , ej i = 0.
(ei )i∈I est orthonormale ⇔ ∀(i, j) ∈ I2 , hei , ej i = δi,j .
Théorème. Une famille orthonormale de vecteurs tous non nuls est libre. Une famille orthonormale est libre.
Théorème (procédé d’orthonormalisation de Schmidt). Soit (un )n∈N une famille libre. Il existe une famille
orthonormale (en )n∈N et une seule vérifiant
• ∀n ∈ N, Vect (ek )06k6n = Vect (uk )06k6n .
• ∀n ∈ N, hun , en i > 0.

4
(en )n∈N est l’othonormalisée de la famille libre (un )n∈N . Elle s’obtient par le procédé d’orthonormalisation de Schmidt :
1
• e1 = u1 .
ku1 k
Xn
′ 1 ′
• ∀n ∈ N, en+1 = un+1 − hun+1 , ek iek puis en+1 = ′
en+1 .
k=0
en+1

Théorème. Si E est euclidien, il existe au moins une base orthonormée B = (ei )16i6n . Dans ce cas,
n
X
• ∀x = xi ei ∈ E, on a ∀i ∈ J1, nK, xi = hx, ei i.
i=1
n
X n
X n
X
• ∀x = xi ei ∈ E, ∀y = yi ei ∈ E, on a hx, yi = xi yi .
i=1 i=1 v i=1
n
X u n 2
uX
• ∀x = xi ei ∈ E, on a kxk = t xi .
i=1 i=1

Définition. Soit A une partie non vide de E. L’orthogonal de A, noté A⊥ , est l’ensemble des vecteurs de E orthogonaux
à tous les vecteurs de A : A⊥ = {y ∈ E/ ∀x ∈ A, hx, yi = 0}.
Convention. ∅⊥ = E, {x}⊥ = x⊥ .
Théorème.
• ∀A ∈ P(E), A⊥ est un sev de E.
• {0}⊥ = E et E⊥ = {0}.
• A ⊂ B ⇒ B⊥ ⊂ A⊥ .
⊥
• A⊥ = (Vext(A)) .
• Si F est un sev, on a toujours F ∩ F⊥ = {0} mais on n’a pas toujours F ⊕ F⊥ = E.
Théorème de la projection orthogonale.
Soit E un espace préhilbertien puis F un sous-espace vectoriel de E de dimension finie. Alors E = F ⊕ F⊥ .
Si x est un vecteur de E, on peut donc définir le projeté orthogonal pF (x) de x sur F. Si B = (ei )16i6n est une base
orthonormale de E, alors
n
X
pF (x) = hx, ei iei .
i=1

Inégalité de Bessel. Soit (en )n∈N une famille orthonormale. Alors,

n
X
∀x ∈ E, hx, ek i2 6 kxk2 .
k=0

Familles totales. Soit (en )n∈N une famille orthonormale.

+∞
X
(en )n∈N est une famille totale ⇔ Vect (en )n∈N = E ⇔ on a la formule de Parseval : ∀x ∈ E, hx, en i2 = kxk2 .
n=0

5 Espaces euclidiens
5.1 Automorphismes orthogonaux, matrices orthogonales
5.1.1 Matrices orthogonales
Soit A ∈ Mn (R). On note C1 , . . . , Cn les colonnes de A et L1 , . . . , Ln les lignes de A.

A est orthogonale ⇔ t AA = At A = In
⇔ A ∈ GLn (R) et A−1 = t A
⇔ (C1 , . . . , Cn ) est une B.O.N de Mn,1 (R) muni du produit scalaire canonique
⇔ (L1 , . . . , Ln ) est une B.O.N de M1,n (R) muni du produit scalaire canonique.

Théorème. A ∈ On (R) ⇔ t A ∈ On (R).

Théorème. On (R) est un sous-groupe de (GLn (R), ×).
Théorème. Soient E un espace euclidien de dimension n, B une B.O.N de E, B ′ une famille de n vecteurs de E,
A = MatB (B ′ ). Alors, B ′ est une B.O.N de E si et seulement si A ∈ On (R).

5
Théorème. A ∈ On (R) ⇒ det(A) ∈ {−1, 1}.
Théorème. O+
n (R) = SOn (R) est un sous-groupe de (On (R), ×) et aussi de (SLn (R), ×).
   
cos θ − sin θ cos θ sin θ
Théorème. O1 (R) = {±I1 }. O2 (R) = , θ∈R ∪ , θ∈R .
sin θ cos θ sin θ − cos θ

5.1.2 Automorphismes orthogonaux

Soit f ∈ L (E).
f est orthogonal ⇔ ∀(x, y) ∈ E2 , hf(x), f(y)i = hx, yi (f conserve le produit scalaire)
⇔ ∀x ∈ E, kf(x)k = kxk (f conserve la norme (euclidienne))

Théorème. Soient E un espace euclidien de dimension n, B une B.O.N de E, f ∈ L (E), A = MatB (f). Alors, f ∈ O(E)
si et seulement si A ∈ On (R).
Théorème. f ∈ O(E) ⇒ det(f) ∈ {−1, 1}.
Théorème. O+ (E) = SO(E) est un sous-groupe de (O(E), ◦) et aussi de (SL(E), ◦).
Théorème. O (E1 ) = {±IdE1 }. O (E2 ) = {rotations} ∪ {réflexions}.

5.1.3 Réduction des endomorphismes orthogonaux ou des matrices orthogonales

Théorème. Soit f ∈ O(E) (resp. A ∈ On (R)). Sp(f) ⊂ {−1, 1} (resp. SpR (A) ⊂ {−1, 1}).
Théorème. Soit f ∈ O(E). Si F est un sev de E stable par f, alors F⊥ est un sev de E stable par f. Plus précisément, si F
est stable par f, la restriction de f à F (resp. F⊥ ) induit un automorphisme orthogonal de F (resp. F⊥ ).
Théorème. f ∈ O(E) ⇔ il existe une B.O.N de E dans laquelle la matrice de f est une matrice diagonale par blocs du
type
 
R (θ1 )
 .. 

 . 


 R (θk ) 0 

 −1   
cos θi − sin θi
 
 . . 
où R (θ ) = (*).

 . 

i
sin θi cos θi

 −1 


 0 1 


 . ..


1
A ∈ On (R) ⇔ A est orthogonalement semblable à une matrice du type (∗).
 
cos θ − sin θ 0
Théorème. f ∈ O+ (E3 ) ⇔ il existe une B.O.N de E dans laquelle la matrice de f est  sin θ cos θ 0 .
0 0 1

5.2 Endomorphismes symétriques, matrices symétriques (réelles)

Soit f ∈ L (E). f est symétrique ⇔ ∀(x, y) ∈ E2 , hf(x), yi = hx, f(y)i.
Soit A = (ai,j )16i,j6n ∈ Mn (R). A ∈ Sn (R) ⇔ t A = A ⇔ ∀(i, j) ∈ J1, nK2 , aj,i = ai,j .
Théorème. Soient B une B.O.N de E, f ∈ L (E), A = MatB (f). f est symétrique ⇔ A est symétrique.
Théorème. Soit f ∈ S (E). Alors, χf est scindé sur R.
Soit A ∈ Sn (R) ⊂ Mn (C). Les valeurs propres de A dans C sont réelles.
Démonstration. Si X 6= 0 et AX = λX, alors

λt XX = t X(AX) = t Xt AX = t AX X = λt XX . . .

Théorème. Soit f ∈ S (E). Si F est un sev de E stable par f, alors F⊥ est un sev de E stable par f.
Théorème spectral.
Soit f ∈ L (E). f est symétrique ⇔ f est diagonalisable en base orthonormée.
Soit A ∈ Mn (R). A est symétrique ⇔ f est orthogonalement semblable à une matrice diagonale.

6
 Résumé du cours d’analyse de Sup et Spé

1 Topologie
1.1 Normes, normes équivalentes
Une norme sur le K-espace vectoriel E est une application N de E dans R vérifiant :

∀x ∈ E, N(x) > 0 (positivité)

∀x ∈ E, (N(x) = 0 ⇒ x = 0) (axiome de séparation)
∀x ∈ E, ∀λ ∈ K, N(λx) = |λ|N(x) (homogénéité)
∀(x, y) ∈ E2 , N(x + y) 6 N(x) + N(y) (inégalité triangulaire).

Normes équivalentes. Les normes N et N ′ sont équivalentes si et seulement si il existe deux réels strictement positifs
N′
α et β tel que ∀x ∈ E, αN(x) 6 N ′ (x) 6 βN(x). Il revient au même de dire que la fonction est bornée sur E \ {0}.
N
Théorème. Si E est de dimension finie sur K, toutes les normes sont équivalentes.

1.2 Voisinage
Soit x ∈ E. Un voisinage de x est une partie de l’espace vectoriel normé (E, N) qui contient une boule ouverte non vide de
centre x.
L’ensemble des voisinages de x se note V (x). Si V est une partie de E, (V ∈ V (X) ⇔ ∃r > 0/ Bo (x, r) ⊂ V).
Théorè[Link] réunion quelconque de voisinage de x est un voisinage de x. Une intersection finie de voisinage de x est
un voisinage de x.

1.3 Ouverts, intérieur.

Ouvert. Un ouvert de l’espace vectoriel normé (E, N) est soit ∅, soit une partie non vide de E voisinage de chacun de ses
points. Si O est une partie non vide de E, (O est ouvert⇔ ∀x ∈ O, ∃r > 0/ Bo (x, r) ⊂ O).
Théorème. Une réunion quelconque d’ouverts est un ouvert. Une intersection finie d’ouverts est un ouvert.
◦
Intérieur. Un élément x de A 6= ∅ est intérieur à A si et seulement si A est voisinage de x. (∀x ∈ E, (x ∈ A ⇔ A ∈ V (x)).
L’intérieur d’une partie non vide A est l’ensemble des points de A dont A est voisinage.
◦
Théorème. A est le plus grand ouvert contenu dans A.
◦
Théorème. A est ouvert si et seulement si A = A.

1.4 Fermés, adhérence

Fermé. A est fermé si et seulement si le complémentaire de A est ouvert.
Théorème. Une intersection quelconque de fermés est un fermé. Une réunion finie de fermés est un fermé.
Théorème (caractérisation séquentielle des fermés). Une partie non vide A est fermée si et seulement si toute suite
convergente d’éléments de A converge dans A.
Adhérence. Un élément x de E est adhérent à A si et seulement si tout voisinage de x rencontre A
∀x ∈ E, (x ∈ A ⇔ ∀V ∈ V(x), V ∩ A 6= ∅). L’adhérence de A est l’ensemble des points adhérents à A.
Théorème. A est le plus petit fermé contenant A.
Théorème. A est fermé si et seulement si A = A.
Théorème. x est adhérent à A 6= ∅ si et seulement si il existe une suite d’éléments de A convergente de limite x.
∅ et E sont des parties à la fois ouvertes et fermées.

1.5 Compacts
Une partie non vide K de E est compacte si et seulement si de toute suite d’éléments de K, on peut extraire une sous-suite
qui converge vers un élément de K. ∅ est compact par convention.
Théorème. Si K est compacte, K est fermée et bornée.

1
Théorème (de Borel-Lebesgue). Si (E, N) est un evn de dimension finie, les compacts sont les parties fermées et
bornées.
Théorème (de Bolzano-Weierstrass). Si (E, N) est un evn de dimension finie, de toute suite bornée, on peut
extraire une sous-suite convergente.

2 Fonctions
2.1 Connexité par arcs
Définition. Soit A une partie non vide de E. A est connexe par arcs si et seulement si, pour tout (x, y) ∈ A2 , il existe
γ : t 7→ γ(t) définir et continue sur [0, 1] à valeurs dans E telle que
• γ(0) = x et γ(1) = y ;
• ∀t ∈ [0, 1], γ(t) ∈ A.
Théorème. Un convexe non vide est connexe par arcs.

2.2 Continuité
Théorème des valeurs intermédiaires. Soit f une application d’un evn (E, N) dans un evn (E ′ , N ′ ). Si f est continue
sur E, l’image d’un connexe par arcs de E est un connexe par arcs de E ′ .
En particulier, si f va de R dans R et est continue sur R, l’image d’un intervalle de R par f est un intervalle de R.
Théorème (images réciproques d’ouverts ou de fermé). f va d’une partie D d’un evn (E, N) dans un evn (E ′ , N ′ ).
f est continue sur D si et seulement si l’image réciproque de tout ouvert de (E ′ , N ′ ) est un ouvert de D, c’est-à-dire
l’intersection d’un ouvert de E avec D.
f est continue sur D si et seulement si l’image réciproque de tout fermé de (E ′ , N ′ ) est un fermé de D, c’est-à-dire
l’intersection d’un fermé de E avec D.
Théorème (image continue d’un compact). f va d’une partie D d’un evn (E, N) dans un evn (E ′ , N ′ ). Si f est continue
sur D, l’image directe d’un compact de D est un compact de (E ′ , N ′ ).
En particulier, si f va de R dans R et est continue sur R, l’image d’un segment de R par f est un segment de R.
Théorème de Heine. Si f est continue sur un compact, alors f est uniformément continue sur ce compact.
Théorème (continuité de la norme). L’application N : (E, N) → (R, | |) est continue.
x 7→ N(x)
Théorème (continuité d’une application linéaire). f est une application linéaire de (E, k kE ) dans (F, k kF ).
f est continue sur E si et seulement si ∃k ∈ R+ / ∀x ∈ E, kf(x)kF 6 kkxkE .
Si E est de dimension finie, toute application linéaire, forme linéaire, application multilinéaire . . . est continue sur E.
Conséquence. Les sev d’un evn de dimension finie sont fermés.

2.3 Dérivation
Théorème de Rolle. f est une application définie sur un segment [a, b] de R à valeurs dans R. Si f est continue sur
[a, b], dérivable sur ]a, b[ et vérifie f(a) = f(b), alors il existe c ∈]a, b[ tel que f ′ (c) = 0.
Théorème des accroissements finis. f est une application définie sur un segment [a, b] de R à valeurs dans R. Si f est
f(b) − f(a)
continue sur [a, b], dérivable sur ]a, b[ alors il existe c ∈]a, b[ tel que = f ′ (c).
b−a
Le théorème de Rolle et le théorème des accroissements finis sont faux pour les applications de R dans C ou les applications
de R dans Rn , n > 2.
Théorème. f est une application définie sur un segment [a, b] de R à valeurs dans R ou C. Si f est continue sur [a, b], de
classe C1 sur ]a, b] et si f ′ a une limite réelle ou complexe en a, alors f est de classe C1 sur [a, b].
Formule de Taylor-Laplace. Soit f une application définie sur un intervalle I de R à valeurs dans R ou C de classe
Cn+1 sur I. Alors, pour tout (a, b) ∈ I2 ,
n Zb
X f(k) (a) k (b − t)n (n+1)
f(b) = (b − a) + f (t) dt.
k! a n!
k=0

Inégalité des accroissements finis. Soit f une application définie sur un intervalle I de R à valeurs dans R ou C,
dérivable sur I. On suppose que |f ′ | est majorée par le réel M sur I. Alors, pour tout (a, b) ∈ I2 , |f(b) − f(a)| 6 M|b − a|.

2
Inégalité de Taylor-Lagrange. Soit f une application définie sur un intervalle I de R à valeurs dans R ou C, n + 1
fois dérivable sur I. On suppose que |f(n+1) | est majorée par le réel Mn+1 sur I. Alors, pour tout (a, b) ∈ I2 ,
n
X f(k) (a) Mn+1 (b − a)(n+1)
f(b) − (b − a)k 6 .
k! (n + 1)!
k=0

2.4 Intégration
Soit f une
Z x fonction continue sur un intervalle I de R à valeurs dans R ou C. Alors, pour tout x0 de I, la fonction
F : x 7→ f(t) dt est de classe C1 sur I et ∀x ∈ I, F ′ (x) = f(x).
x0

3 Séries numériques
un+1
Règle de d’Alembert. (un ) est une suite complexe, ne s’annulant pas à partir d’un certain rang telle que a
un
une limite ℓ ∈ [0, +∞].
• Si 0 6 ℓ < 1, la série de terme général un converge absolument.
• Si ℓ > 1, la série de terme général un diverge grossièrement.
Produit de Cauchy de deux séries absolument convergentes. Si les séries de termes généraux un et vn sont absolu-!
+∞ +∞
n
! +∞
X X X X
ment convergentes, alors la série de terme général wn = uk vn−k converge et dans ce cas, wn = un vn .
k=0 n=0 n=0 n=0

Critère spécial aux séries alternées (ou théorème de Leibniz). Soit (un ) une suite réelle alternée en signe, dont
la valeur absolue tend vers 0 en décroissant. Alors, la série de terme général un converge.
De plus, S, Sn et Rn sont du signe de leur premier terme et leur valeur absolue est majorée par la valeur absolue de leur
premier terme.
Théorème (séries télescopiques). Soit (an ) une suite complexe. La suite (an ) et la série de terme général an+1 − an
sont de même nature.
Comparaison séries-intégrales. Si Zf est une fonction continue par morceaux sur [0, +∞[, à valeurs réelles positives
n
décroissante, la série de terme général f(t) dt − f(n) converge.
n−1
En particulier, la série de terme général f(n) converge si et seulement si f est intégrable sur [0, +∞[.
Théorème (sommation des relations de comparaison). Soient (an ) et (bn ) deux suites réelles strictement positives
telles que an ∼ bn .
n→+∞

Si la série de terme général an converge, alors la série de terme général bn converge et

+∞
X +∞
X
ak ∼ bk
n→+∞
k=n+1 k=n+1
(règle de l’équivalence des restes de séries à termes positifs convergentes).

Si la série de terme général an diverge, alors la série de terme général bn diverge et

n
X n
X
ak ∼ bk
n→+∞
k=0 k=0
(règle de l’équivalence des sommes partielles de séries à termes positifs divergentes).

Théorème de Fubini.  Soit (ui,j) une suite complexe double. Si Pour tout i, la série de terme
 généralui,j est absolument
+∞ +∞ +∞ +∞ +∞ X +∞
!
X X X X X
convergente et que  |ui,j | < +∞, alors la suite (ui,j ) est sommable et de plus,
  ui,j =
 ui,j .
i=0 j=0 i=0 j=0 j=0 i=0

3
4 Suites et séries de fonctions
4.1 Suites de fonctions
1) Convergence simple, uniforme
(fn ) converge simplement sur D vers f si et seulement si, pour chaque x de D, la suite (fn (x)) converge vers f(x).
(fn ) converge uniformément vers f sur D si et seulement si la suite (kf − fn k∞ ) est définie à partir d’un certain rang et
tend vers 0 quand n tend vers +∞.

2) Interversion des limites

Théorème d’interversion des limites. a est adhérent à D (a réel, infini...).
Si chaque fn a une limite ℓn (réelle, complexe) quand x tend vers a et si (fn ) converge uniformément vers f sur D, alors :
• f a une limite quand x tend vers a ;
• la suite (ℓn ) converge ;
• lim f(x) = lim ℓn (c’est-à-dire lim ( lim fn (x)) = lim ( lim fn (x)).)
x→a n→+∞ x→a n→+∞ n→+∞ x→a

Ce théorème marche aussi si les ℓn sont +∞ (−infty) à partir d’un certain rang.

3) Continuité.
Théorème. Si (fn ) converge uniformément vers f sur D et si chaque fn est continue sur D, alors f est continue sur D
(une limite uniforme de fonctions continues est continue)

4) Dérivation.
Théorème. Si
• (fn ) converge simplement vers f sur D ;
• chaque fn est dérivable sur D ;
• la suite des dérivées (fn′ ) converge uniformément sur D (vers sa limite).  
d d
Alors, f est dérivable sur D et f ′ = lim fn′ (c’est-à-dire ( lim fn ) = lim fn .)
n→+∞ dx n→+∞ n→+∞ dx

Théorème (généralisation). Si
• (fn ) converge simplement vers f sur D ;
• chaque fn est de classe Cp , 1 6 p 6 +∞ sur D ;
(k)
• les suites des dérivées (fn ), 1 6 k 6 p, convergent toutes uniformément sur D (vers leur limite).
Alors, f est de classe Cp sur D et ∀k ∈ J1, pK, f(k) = lim fn(k)
.
n→+∞

5) Intégration
Théorème (convergence uniforme sur un segment). Si chaque fn est continue par morceaux sur le segment [a, b]
et si la suite (fn ) converge uniformément vers f sur [a, b], alors :
• f est continue par morceaux sur D ;
Zb !
• la suite fn (x) dx converge ;
a
Zb Zb Zb Zb
• f(x) dx = lim fn (x) dx (c’est-à-dire lim fn (x) dx = lim fn (x) dx).
a n→+∞ a a n→+∞ n→+∞ a

Théorème de convergence dominée. (fn ) est une suite de fonctions continues par morceaux sur un intervalle quel-
conque I de R à valeurs dans R ou C.
Si la suite (fn ) converge simplement vers une fonction f continue par morceaux sur I et s’il existe une fonction ϕ continue
par morceaux,
Z positive et
Z intégrable sur I telle que ∀n ∈ N, |fn | 6 ϕ (hypothèse de domination), alors f est intégrable sur
I et f(x) dx = lim fn (x) dx.
I n→+∞ I

4.2 Séries de fonctions

1) Convergence simple, uniforme, absolue, normale
La série de fonctions de terme général fn converge simplement sur D vers S si et seulement si, pour chaque x de D, la
série numérique de terme général fn (x) converge vers S(x).
La série de fonctions de terme général fn converge uniformément sur D vers S si et seulement si la suite (kRn k∞ ) est
définie à partir d’un certain rang et tend vers 0 quand n tend vers +∞.
La série de fonctions de terme général fn converge absolument sur D si et seulement si, pour chaque x de D, la série
numérique de terme général fn (x) converge absolument.

4
La série de fonctions de terme général fn converge normalement sur D (vers S) si et seulement si la série numérique de
terme général kfn k∞ converge.

2) Interversion des limites

Théorème d’interversion des limites. a est adhérent à D (a réel, infini...).
Si chaque fn a une limite ℓn quand x tend vers a et si la série de fonction de terme général fn converge uniformément
vers S sur D, alors :
• S a une limite quand x tend vers a ;
• la série numérique de terme général ℓn converge ;
+∞
X
• lim S(x) = ℓn .
x→a
n=0

3) Continuité
Théorème. Si la série de fonctions de terme général fn converge uniformément vers S sur D et si chaque fn est continue
sur D, alors S est continue sur D.

4) Dérivation terme à terme

Théorème de dérivation terme à terme. Si
• la série de fonctions de terme général fn converge simplement vers S sur D,
• chaque fn est dérivable sur D,
• la série de fonctions de terme général fn′ converge uniformément sur D,
+∞
X
alors, S est dérivable sur D et S ′ = fn′
n=0

Théorème (généralisation). Si
• la série de fonctions de terme général fn converge simplement vers S sur D,
• chaque fn est de classe Cp , 1 6 p 6 +∞ sur D,
(k)
• les séries de termes généraux (fn ), 1 6 k 6 p, convergent toutes uniformément sur D,
+∞
X
alors, S est de classe Cp sur D et ∀k ∈ J1, pK, S(k) = f(k)
n .
n=0

Revoir l’étude de la fonction ζ de Riemann.

5) Intégration terme à terme

Théorème d’intégration terme à terme sur un segment). Si chaque fn est continue par morceaux sur le segment
[a, b] et si la série de terme général fn converge uniformément vers S sur [a, b], alors :
• S est continue par morceaux sur [a, b] ;!
Zb
• la série de terme général fn (x) dx converge ;
a
Zb +∞ Z b
X
• S(x) dx = fn (x) dx.
a n=0 a

Théorème d’intégration terme à terme. Si chaque fn est continue par morceaux et intégrable sur I, si la série de
+∞ Z
X
terme général fn converge simplement vers une fonction S continue par morceaux sur I et si |fn | < +∞, alors S est
n=0 I
Z +∞ Z
X
intégrable sur I et S(x) dx = fn .
I n=0 I

5 Séries entières
1) Rayon de convergence Ra = sup{r ∈ [0, +∞[/ (|an |rn ) bornée}.

2) Convergence normale
X
Théorème. an rn converge normalement sur tout [−r, r] (resp. tout disque fermé de rayon r) où r < Ra .

5
Théorème. La somme d’une série entière est de classe C∞ sur son intervalle ouvert de convergence et les dérivées
successives s’obtiennent par dérivation terme à terme. Idem pour primitive par intégration terme à terme.
Les différents rayons de convergence considérés sont égaux.
+∞
X f(n) (0)
Théorème. Si pour tout x ∈] − Ra , Ra [, f(x) = an xn , alors ∀n ∈ N, an = .
n!
n=0

6 Intégrales dépendant d’un paramètre

I est une partie de R et J est un intervalle quelconque de R.
f: I×J → K est une fonction de deux variables, définie sur I × J, à valeurs dans K = R ou K = C.
(x, t) 7→ f(x, t)
Z
Pour x ∈ I, on pose F(x) = f(x, t) dt.
J

Théorème de passage à la limite sous le signe somme. Soit a adhérent à D. Si

• pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J,
• pour tout t de J, la fonction x 7→ f(x, t) a une limite ℓ(t) quand t tend vers a, où ℓ est une fonction continue par
morceaux sur J,
• il existe une fonction ϕ continue par morceaux, positive et intégrable sur J telle que, pour tout (x, t) ∈ I × J,
|f(x, t)| 6 ϕ(t).
Alors,
• la fonction F a une limite quand x tend vers a,
• la fonction ℓZ est intégrable sur J, Z Z  
• lim F(x) = ℓ(t) dt (c’est-à-dire lim f(x, t) dt = lim f(x, t) dt.
x→a J x→a J J x→a

Théorème de continuité d’une intégrale à paramètres. Si

• pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J,
• pour tout t de J, la fonction x 7→ f(x, t) est continue sur I,
• il existe une fonction ϕ continue par morceaux, positive et intégrable sur J telle que,
pour tout (x, t) ∈ I × J, |f(x, t)| 6 ϕ(t).
Alors, la fonction F est définie et continue sur I.
Théorème de dérivation sous le signe somme (ou théorème de Leibniz)
Si pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J et intégrable sur I,
∂f
et si f admet une dérivée partielle vérifiant les hypothèses du théorème précédent, c’est-à-dire
∂x
∂f
• pour tout x de I, la fonction t 7→ (x, t) est continue par morceaux sur J,
∂x
∂f
• pour tout t de J, la fonction x 7→ f(x, t) est continue sur I,
∂x
• il existe une fonction ϕ continue par morceaux, positive et intégrable sur J telle que, pour tout (x, t) ∈ I × J,
∂f
(x, t) 6 ϕ(t).
∂x Z
∂f
Alors, la fonction F est de classe C1 sur I et ∀x ∈ I, F ′ (x) = (x, t) dt.
J ∂x
Théorème de dérivation sous le signe somme généralisé
Si pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J et intégrable sur I, et si f admet des dérivées
∂k f
partielle jusqu’à l’ordre p, 1 6 k 6 p 6 +∞, vérifiant les hypothèses du théorème précédent, c’est-à-dire
∂xk
∂k f
• ∀k ∈ J1, pK, ∀x ∈ I, la fonction t 7→ k (x, t) est continue par morceaux sur J,
∂x
∂k f
• ∀k ∈ J1, pK, ∀t ∈ J, la fonction x 7→ k f(x, t) est continue sur I,
∂x
• ∀k ∈ J1, pK, il existe une fonction ϕk continue par morceaux, positive et intégrable sur J telle que, pour tout
∂k f
(x, t) ∈ I × J, (x, t) 6 ϕk (t).
∂xk Z
∂f
Alors, la fonction F est de classe C1 sur I et ∀x ∈ I, F ′ (x) = (x, t) dt.
J ∂x
Revoir l’étude de la fonction Γ .

6
7 Equations différentielles
Théorème de Cauchy linéaire : cas des équations différentielles scalaires du premier ordre. Soient a et b
deux fonctions continues sur un intervalle I de R à valeurs dans K = R ou K = C. Alors, pour tout (x0 , y0 ) ∈ I × K, il
existe une et une seule solution f de l’équation différentielle y ′ + ay = b sur I vérifiant de plus f(x0 ) = y0 à savoir :
Zx Zx
∀x ∈ I, f(x) = y0 eA(x) + eA(x) e−A(t) b(t) dt où A(x) = a(t) dt.
x0 x0

Théorème de Cauchy linéaire : cas des systèmes du premier ordre à coefficients constants. Soit A ∈ Mn (K).
Soit B une fonction continue sur un intervalle I de R à valeurs dans Mn,1 (K). Alors, pour tout (t0 , X0 ) ∈ I × Mn,1 (K), il
existe une et une seule solution X de l’équation différentielle X ′ = AX + B sur I vérifiant de plus X(t0 ) = X0 à savoir
Zt
∀t ∈ I, X(t) = etA X0 + etA e−uA B(u) du.
t0

Théorème de Cauchy linéaire : cas général. Soient A et B deux fonctions continues sur un intervalle I de R à valeurs
respectivement dans Mn (K) et Mn,1 (K). Alors, pour tout (t0 , X0 ) ∈ I × Mn,1 (K), il existe une et une seule solution X
de l’équation différentielle X ′ = AX + B sur I vérifiant de plus X(t0 ) = X0 .
Théorème de Cauchy linéaire : cas des équations différentielles scalaires du second ordre. Soient a, b et c
trois fonctions continues sur un intervalle I de R à valeurs dans R ou C. Alors, pour tout (x0 , y0 , z0 ) ∈ I × K × K, il existe
une et une seule solution f de l’équation différentielle y ′′ + ay ′ + by = c sur I vérifiant de plus f(x0 ) = y0 et f ′ (x0 ) = z0 .

7
 Résumé de cours : Logique, ensembles, applications
I. Logique
1) Et, ou, non, implique.
(∧ =et ∨ =ou P = la négation de P).
Th : P ∧ Q ⇔ P ∨ Q P ∨ Q ⇔ P ∧ Q (lois de De Morgan).
Th : « et » est distributif sur « ou » (P ∧ (Q ∨ R) ⇔ (P ∧ Q) ∨ (P ∧ R))
« ou » est distributif sur « et » (P ∨ (Q ∧ R) ⇔ (P ∨ Q) ∧ (P ∨ R))
Def : La contraposée de P ⇒ Q est Q ⇒ P. La négation de P ⇒ Q est P ⇒ Q. La réciproque de P ⇒ Q est Q ⇒ P.
Th : Une implication est équivalente à sa contraposée : (P ⇒ Q) ⇔ (Q ⇒ P).
Th : La négation de P ⇒ Q est P ∧ Q.
Par exemple, f continue en x0 ⇔ ∀ε > 0, ∃α > 0/ ∀x ∈ I (|x − x0 | 6 α ⇒ |f(x) − f (x0 )| 6 ε) puis
f n’est pas continue en x0 ⇔ ∃ε > 0, ∀α > 0/ ∃x ∈ I (|x − x0 | 6 α et |f(x) − f (x0 )| > ε).
La réciproque d’une implication n’a aucun lien avec cette implication.
2) Quantificateurs.
Def : Soit P(x) une proposition dont les valeurs de vérité sont fonction d’un élément variable x de E.
Quand la proposition P(x) est vraie pour tous les éléments x de E, on écrit : ∀x ∈ E, P(x).
Quand la proposition P(x) est vraie pour au moins un élément x de E, on écrit : ∃x ∈ E, P(x).
Tout résultat contenant une variable doit être précédé du quantificateur adéquat. Ainsi, f(x) = 0 est une
phrase qui n’a aucun sens. Il faut préciser si l’égalité est vraie pour tout x de E (∀x ∈ E, f(x) = 0) ou pour au moins
un x de E (∃x ∈ E/ f(x) = 0 ou encore, l’équation f(x) = 0 a (au moins) une solution).
Xn X n
n(n + 1) n(n + 1)
k= est mauvais et ∀n ∈ N∗ , k= est bon.
2 2
k=1 k=1

X n X n
Ceci aussi est très mauvais : = 2n−1 alors que ceci est bon : ∀n ∈ N∗ , = 2n−1 et que
n
2k n
2k
06k6 2 06k6 2

X n
ceci est faux : ∀n ∈ N, = 2n−1
n
2k
06k6 2

Les phrases suivantes sont très mauvaises : f = 0 ⇔ f(x) = 0 ou aussi f = Id ⇔ f(x) = x. On doit écrire :
f = 0 ⇔ ∀x ∈ E, f(x) = 0 et f = Id ⇔ ∀x ∈ E, f(x) = x.
Méthode pour montrer : ∀x ∈ E, P(x) est vraie (toujours le même schéma) :
soit x ∈ E
. . . et donc P(x) est vraie.
On a montré que ∀x ∈ E, P(x) est vraie.
Méthode pour montrer : ∃x ∈ E/ P(x) est vraie (presque toujours le même schéma) :
soit x0 cet élément (on fournit explicitement un x)
. . . et x0 est tel que P (x0 ) est vraie.
On a montré que ∃x ∈ E/ P(x) est vraie.
Th : ∀x ∈ E, P(x) ⇔ ∃x ∈ E/ P(x) et ∃x ∈ E, P(x) ⇔ ∀x ∈ E/ P(x).
Quand il y a plusieurs quantificateurs :
- on peut permuter deux quantificateurs de même nature.
- on ne peut pas permuter ∀ et ∃. Dans la phrase « ∃x ∈ E/ ∀y ∈ E, . . . » le x fourni ne dépend pas de y ou
encore le x fourni marche pour tous les y. Dans la phrase « ∀y ∈ E, ∃x ∈ E/ . . . » le x fourni peut varier quand y
varie ou encore le x fourni dépend de y.
Par exemple,
- f est une homothétie de E ⇔ ∃λ ∈ K/ f = λIdE ⇔ ∃λ ∈ K/ ∀x ∈ E, f(x) = λx ce qui n’est pas du tout équivalent
à ∀x ∈ E, ∃λ ∈ K/ f(x) = λx.
- (un )n∈N est bornée ⇔ ∃M ∈ R/ ∀n ∈ N, |un | 6 M ce qui n’est pas du tout équivalent à
∀n ∈ N, ∃M ∈ R/ |un | 6 M.
3) Variables muettes.
Dans les expressions suivantes, certaines variables sont muettes :

c Jean-Louis Rouget, 2019. Tous droits réservés. 1 http ://[Link]

 n
X n
X n
X Xn
dans uk , la variable k est muette : uk = ui . uk est une fonction de n mais pas de k.
k=0
Zx k=0Zx i=0 Zx k=0 Zx
dans f(t) dt, la variable t est muette : f(t) dt = f(u) du. f(t) dt est une fonction de x mais pas de t.
0 0 0 0
dans lim un , la variable n est muette : lim un = lim up .
n→+∞ n→+∞ p→+∞
dans (ei )16i6n , la variable i est muette : (ei )16i6n = (ej )16j6n .
dans (un )n∈N , la variable n est muette : (un )n∈N = (up )p∈N .
Xn n
X
« ∀k ∈ N, uk = n » est mauvais et « ∀n ∈ N, uk = n » est bon.
k=0 k=0
« ∀n ∈ N, lim un = +∞ » est mauvais et « lim un = +∞ » est bon.
n→+∞ n→+∞
« ∀n ∈ N, (un )n∈N est bornée » est mauvais et « la suite (un )n∈N est bornée » est bon.
« ∀i ∈ J1, nK, (ei )16i6n est une base de E » est mauvais et « (ei )16i6n est une base de E » est bon.
« ∀n ∈ N, (un )n∈N est décroissante » est mauvais et « la suite (un )n∈N est décroissante » est bon.
ln(1 + x) x ln(1 + x) x
« ∀x ∈] − 1, 0[∪]0, +∞[, = 1 − + o(x) » est mauvais et « = 1 − + o(x) » est bon ...
x x→0 2 x x→0 2

II. Ensembles
Intersection et réunion. Soit (A, B) ∈ (P(E))2 . A ∩ B est l’ensemble des éléments x de E qui appartiennent à A et
à B et A ∪ B est l’ensemble des éléments x \ de E qui appartiennent à A ou à B. [
Si (Ai )i∈I est une famille de parties de E, Ai = {x ∈ E/ ∀i ∈ I, x ∈ Ai } et Ai = {x ∈ E/ ∃i ∈ I, x ∈ Ai }.
i∈I! i∈I !
\ [
Donc : ∀x ∈ E, x ∈ Ai ⇔ ∀i ∈ I, x ∈ Ai et ∀x ∈ E, x ∈ Ai ⇔ ∃i ∈ I/ x ∈ Ai .
i∈I i∈I

Th : A ∩ B = A ∪ B et A ∪ B = A ∩ B.
Th : L’intersection et la réunion sont commutatives et associatives dans P(E). L’élément neutre pour ∪ est ∅ et
l’élément neutre pour ∩ est E.
L’intersection est distributive sur la réunion et la réunion est distributive sur l’intersection.
Fonction caractéristique ou indicatrice.
Soit A ∈ P(E). La fonction caractéristique (ou indicatrice) de A est la fonction de E dans {0, 1}, notée χA (ou 1A )
1 si x ∈ A
définie par : ∀x ∈ E, χA (x) = .
0 si x ∈
/A
Th : χA = 1 − χA , χA∩B = χA × χB et χA∪B = χA + χB − χA χB .
Def : Soit (Ai )i∈I une famille de parties de E (I 6= ∅). (Ai )i∈I est une partition de E si et seulement si
- ∀i ∈ I, Ai 6= ∅,
- [6= j, Ai ∩ Aj = ∅,
∀i
- Ai = E.
i∈I

Dans ce cas, tout élément de E appartient à une et une seule partie Ai , i ∈ I.

III. Relations
1) Relations binaires.
Def : Une relation binaire R sur un ensemble E est :
réflexive ⇔ ∀x ∈ E, xRx.
symétrique ⇔ ∀(x, y) ∈ E2 , (xRy ⇒ yRx).
anti-symétrique ⇔ ∀(x, y) ∈ E2 , (xRy et yRx ⇒ x = y).
transitive ⇔ ∀(x, y, z) ∈ E3 , (xRy et yRz ⇒ xRz).
2) Relations d’équivalence.
Def : Une relation d’équivalence sur un ensemble E est une relation réflexive, symétrique et transitive.
Les relations suivantes sont des relations d’équivalence :
• l’égalité sur E ensemble quelconque
• la congruence modulo n sur Z (∀(a, b) ∈ Z2 , (a ≡ b [n] ⇔ ∃k ∈ Z/ b = a + kn).
• la relation de similitude sur Mn (K) (∀(A, B) ∈ (Mn (K))2 , A et B semblables ⇔ ∃P ∈ GLn (K)/ B = P−1 AP).
un
• la relation ∼ sur l’ensemble des suites ne s’annulant pas à partir d’un certain rang (un ∼ vn ⇔ → 1).
n→+∞ vn n→+∞
Def : Soit R une relation d’équivalence sur E. Soit x ∈ E. La classe d’équivalence de x est l’ensemble des éléments en
relation avec x : b
x = {y ∈ E, xRy}.

c Jean-Louis Rouget, 2019. Tous droits réservés. 2 http ://[Link]

-bx=y b ⇔ xRy.
- Tout élément d’une classe d’équivalence est un représentant de cette classe d’équivalence.
- Les classes d’équivalence forment une partition de E.
3) Relations d’ordre.
Def : Une relation d’ordre sur un ensemble E est une relation réflexive, anti-symétrique et transitive.
Def : La relation d’ordre R est une relation d’ordre total ⇔ deux éléments quelconques de E sont toujours comparables
(∀(x, y) ∈ E2 , (xRy ou yRx)).
La relation d’ordre R est une relation d’ordre partiel ⇔ il existe deux éléments de E qui ne sont pas comparables
(∃(x, y) ∈ E2 , (xnonRy et ynonRx)).
Les relations suivantes sont des relations d’ordre :
6 dans R (ordre total).
L’inclusion dans P(E) (relation d’ordre partiel dès que card(E) > 2).
2
La divisibilité dans N∗ (∀(a, b) ∈ (N∗ ) , b|a ⇔ ∃q ∈ N∗ / a = bq) (ordre partiel)

IV. Applications
1) Injections, surjections, bijections.
Def : Soit f une application de E vers F.
• f est injective ⇔ ∀ (x1 , x2 ) ∈ E2 , (x1 6= x2 ⇒ f (x1 ) 6= f (x2 ))
⇔ ∀ (x1 , x2 ) ∈ E2 , (f (x1 ) = f (x2 ) ⇒ x1 = x2 ) (le plus utilisé)
⇔ ∀y ∈ F, l’équation y = f(x), d’inconnue x ∈ E, a au plus une solution.
(Si f est une application linéaire d’un espace vectoriel E vers un espace vectoriel F et uniquement dans ce cas : f est
injective si et seulement si Ker(f) = {0}. Si f est une application d’un intervalle I de R dans R et uniquement dans ce
cas : si f est strictement monotone sur I, alors f est injective. Si de plus f est continue : f est injective si et seulement
si f est strictement monotone).
• f est surjective ⇔ ∀y ∈ F, ∃x ∈ E/ y = f(x).
⇔ ∀y ∈ F, l’équation y = f(x), d’inconnue x ∈ E, a au moins une solution.
• f est bijective ⇔ ∀y ∈ F, ∃!x ∈ E/ y = f(x).
⇔ ∀y ∈ F, l’équation y = f(x), d’inconnue x ∈ E, a exactement une solution.
Th : Soient f une application de E vers F et g une application de F vers G.
Si f et g injectives, alors g ◦ f injective. Si f et g surjectives, alors g ◦ f surjective. Si f et g bijectives, alors g ◦ f
bijective.
Th : Soient f une application de E vers F et g une application de F vers G.
Si g ◦ f injective, alors f injective. Si g ◦ f surjective, alors g surjective.
Def : Soit f une bijection de E sur F.
La réciproque de f est l’application de F vers E définie par : ∀(x, y) ∈ E × F, y = f(x) ⇔ x = f−1 (y).
Th : Si f est bijective, f−1 ◦ f = IdE et f ◦ f−1 = IdF .
Th : Soit f une application de E vers F. Si il existe une application g de F vers E telle que g ◦ f = IdE et f ◦ g = IdF ,
alors f est bijective et de plus g = f−1 . En général, une seule égalité ne suffit pas (penser à f : N → N et
n 7→ n + 1
g : N → N ).
n − 1 si n > 1
n 7→
0 si n = 0

−1
Th : Soit f une bijection de E sur F. Alors, f−1 est une bijection de F sur E et f−1 = f.
Th : Soient f une bijection de E sur F et g une bijection de F sur G. g ◦ f est bijective et de plus (g ◦ f)−1 = f−1 ◦ g−1 .
2) Image directes, images réciproques d’une partie par une application.
Soit f une application d’un ensemble E vers un ensemble F. Soient A une partie de E et B une partie de F.
L’image directe de la partie A par l’application f est : f(A) = {f(x), x ∈ A}. f(A) est donc l’ensemble des images des
éléments de A par f :

∀y ∈ F, (y ∈ f(A) ⇔ ∃x ∈ A/ f(x) = y) .

L’image réciproque de la partie B par l’application f est : f−1 (B) = {x ∈ E/ f(x) ∈ B} = {x ∈ E/ ∃y ∈ B/ y = f(x)}.
f−1 (B) est donc l’ensemble des antécédents des éléments de B par f :


∀x ∈ E, x ∈ f−1 (B) ⇔ f(x) ∈ B .

c Jean-Louis Rouget, 2019. Tous droits réservés. 3 http ://[Link]

f−1 (B) a toujours une signification même si f n’est pas bijective. Dans la notation f−1 (B), il ne faut pas lire ; l’image
de la partie B par la réciproque de f. Par contre, si f est bijective, f−1 (B) est l’ensemble des images des éléments de
B par la réciproque f−1 .
Th : Soit f : E → F une application.
2

1) ∀(A, B) ∈ (P(F)) , f−1 (A ∩ B) = f−1 (A) ∩ f−1 (B), f−1 (A ∪ B) = f−1 (A) ∪ f−1 (B) et f−1 (CF (A)) = CE f−1 (A)
(tout se passe bien avec l’image réciproque).
2
2) ∀(A, B) ∈ (P(E)) , f(A ∩ B) ⊂ f(A) ∩ f(B) (avec égalité pour tout (A, B) si et seulement si f est injective),
f(A ∪ B) = f(A) ∪ f(B) (ça se passe nettement moins bien avec l’image directe).


3) ∀A ∈ P(E), A ⊂ f−1 (f(A)) (avec égalité pour tout A si et seulement si f est injective) et ∀B ∈ P(F), f f−1 (B) ⊂ B
(avec égalité pour tout B si et seulement si f est surjective).

c Jean-Louis Rouget, 2019. Tous droits réservés. 4 http ://[Link]

 Résumé de cours d’algèbre linéaire de Math Sup
et compléments

I. Espaces vectoriels - Sous espaces vectoriels

1) Structure de K-espace vectoriel.
Soit K = R ou C. Soit E un ensemble non vide muni d’une l.d.c.i. notée + et d’une l.d.c.e. de domaine K notée.
(E, +, .) est un K-espace vectoriel ⇔ (E, +) est un groupe abélien (c’est-à-dire que + est commutative, associative,
possède un élément neutre noté 0 et tout x de E possède un symétrique pour + noté −x) et de plus, + et . vérifient
quatre axiomes :

∀(λ, µ) ∈ K2 , ∀(x, y) ∈ E2 , (1) λ(x + y) = λx + λy (2) (λ + µ)x = λx + µx (3) λ(µx) = (λµ)x (4) 1.x = x.

2) Structure de K-algèbre.
Soit (E, +, .) un K espace vectoriel muni d’une autre l.d.c.i. notée ×.
(E, +, ., ×) est une K algèbre ⇔ (E, +, ×) est un anneau (c’est-à-dire que × est associative, distributive sur + et possède
un élément neutre souvent noté 1 ou e ou In ou IdE ...) et de plus . et × vérifient l’axiome :

∀λ ∈ K, ∀(x, y) ∈ E2 , λ(x × y) = (λ.x) × y = x × (λ.y).

L’algèbre est dite commutative quand × est commutative. La dimension de l’algèbre est la dimension de l’espace
vectoriel (E, +, .).
3) Exemples de K-espaces vectoriels ou de K-algèbres supposés connus.
(Dans les exemples qui suivent les opérations ne sont pas citées et sont toujours les opérations usuelles dans les
ensembles considérés.)
a) K-espaces vectoriels
1. (C, +, .) est un R-espace de dimension 2 (les nombres ou scalaires sont les réels et les vecteurs sont les complexes).
(C, +, .) est un C-espace de dimension 1 (les nombres ou scalaires sont les complexes et les vecteurs sont
les complexes).
2. (Kn , +, .) sur K (modèle de l’espace de dimension n sur K, tout espace de dimension n sur K est isomorphe
à Kn ).

3. KN , +, . est un K-espace de dimension infinie (suites à coefficients dans K) (les vecteurs sont les suites).
4. (K[X], +, .) est un K-espace de dimension infinie (polynômes à coefficients dans K).
5. (K(X), +,
.) est un K-espace de dimension infinie (fractions rationnelles).
6. RR , +, . est un R-espace de dimension infinie (applications de R dans R) et plus généralement FA , +, . où A

est un ensemble quelconque et (F, +, .) est un R-espace vectoriel.

7. (L (E, F), +, .) et donc en particulier L (E) et L (E, K) = {formes linéaires sur E}.
8. (E1 × E2 × ... × En , +, .) quand les (Ei , +, .) sont des K-espaces vectoriels.
9. (Mn,p (K), +, .)
(les vecteurs sont les matrices).
10. Ck (I, K), +, . (les vecteurs sont les fonctions) et (C∞ (I, K), +, .).
b) K-algèbre
1. (C, +, ., ×) est une R-algèbre.
2. (L (E)+, ., ◦) (non commutative si dimE > 1).
3. (Mn (K), +,
., ×) (non commutative si n > 1)
4. IK , +, ., × ou Ck (I, K) ou C∞ (I, K)
5. (K[X], +, ., ×) et (K(X), +, ., ×)
(Kn [X], +., ×) n’est pas une K-algèbre car × n’est pas une loi interne dans Kn [X].
4) Sous espaces vectoriels
a) Définition et caractérisation

F sev de E ⇔ F ⊂ E et F stable pour + et . et F K-ev pour les lois induites

def
⇔ F ⊂ E et 0E ∈ F et F stable pour + et .
th
⇔ F ⊂ E et 0E ∈ F et ∀(x, y) ∈ F2 , x + y ∈ F et ∀λ ∈ K, λx ∈ F
th
⇔ F ⊂ E et 0E ∈ F et ∀(λ, µ) ∈ K2 , ∀(x, y) ∈ F2 , λx + µy ∈ F
th

c Jean-Louis Rouget, 2019. Tous droits réservés. 1 http ://[Link]

Un sous-espace vectoriel F est stable par combinaison linéaire : toute combinaison linéaire d’une famille de vecteurs
de F est un vecteur de F.
b) Intersection et somme
Si F et G sev de E alors F ∩ G et F + G sont des sev de E et plus généralement si F1 , F2 ,..., Fp sont des sev alors
F1 ∩ F2 ∩ ... ∩ Fp et F1 + F2 ... + Fp sont des sev.
Remarque. F ∪ G n’est pas un sev en général. Vect(F ∪ G) = F + G. F ∪ G sev ⇔ F ⊂ G ou G ⊂ F.
c) Sous-algèbres
Soit (E, +, ., ×) une K-algèbre.
A sous-algèbre de E ⇔ A ⊂ E, A 6= ∅, A est stable pour +, . et × et A munie des lois induites est une K-algèbre
def
⇔ A ⊂ E, 0 ∈ A et A est stable pour +, . et ×
th
⇔ A ⊂ E, 0 ∈ A et ∀(x, y) ∈ A2 , x + y ∈ A et ∀(x, λ) ∈ A × K, λx ∈ A et ∀(x, y) ∈ A2 , x × y ∈ A
th
⇔ A ⊂ E, 0 ∈ A et ∀(x, y) ∈ A2 , ∀(λ, µ) ∈ K2 , λx + µy ∈ A et ∀(x, y) ∈ A2 , x × y ∈ A
th

5) Sommes directes. Sous espaces vectoriels supplémentaires

a) Cas de deux sous espaces

Soient F et G deux sev de E.

La somme F + G est directe ⇔ tout x de F + G s’écrit de manière unique sous la forme x = x1 + x2 où x1 ∈ F et x2 ∈ G
def
⇔ l’application F × G → E est injective
def
(x, y) 7→ x + y
⇔ F ∩ G = {0}.
th
Dans ce cas, F + G se note F ⊕ G. F ⊕ G est isomorphe à F × G.
F et G sont supplémentaires ⇔ tout x de E s’écrit de manière unique sous la forme x = x1 + x2 où x1 ∈ F et x2 ∈ G
def
⇔ l’application F × G → E est bijective
def
(x, y) 7→ x + y
⇔ E = F + G et F ∩ G = {0}.
th

L’existence d’un supplémentaire est démontrée en dimension finie mais ne peut pas être utilisée en dimension infinie.
Un sous-espace admet le plus souvent une infinité de supplémentaires et on ne doit donc pas dire « le supplémentaire
... » mais on doit dire « un supplémentaire de F ».
Exemples. CR = P ⊕ I (décomposition d’une fonction f en somme d’une fonction paire et d’une fonction impaire :
1 1
pour tout x de R, f(x) = (f(x) + f(−x)) + (f(x) − f(−x)))).
2 2
Mn (K) = Sn ⊕ An (décomposition d’une matrice carrée M en somme d’une matrice symétrique et d’une matrice
1 1
anti-symétrique : M = (M + t M) + (M − t M)).
2 2
b) Cas général d’un nombre fini de sous espaces

La somme F1 + . . . Fp est directe ⇔ tout x de F1 + . . . + Fp s’écrit de manière unique x = x1 + . . . + xp

def
où ∀i ∈ J1, pK, xi ∈ Fi
⇔ l’application ϕ : F1 × . . . × Fp → E est injective
def
(x1 , . . . , xp ) 7→ x1 + . . . + xp
 
X
⇔ ∀i ∈ J1, pK, Fi ∩  Fj  = {0}
th
j6=i
 
Xi−1
⇔ ∀i ∈ J2, pK, Fi ∩  Fj  = {0}.
th
j=1

p
M
Dans ce cas, la somme F1 + . . . + Fp s’écrit F1 ⊕ . . . ⊕ Fp ou Fi . La somme directe F1 ⊕ ... ⊕ Fp est isomorphe à
i=1
F1 × ... × Fp . Un isomorphisme de F1 × ... × Fp sur F1 ⊕ ... ⊕ Fp est (x1 , . . . , xp ) 7→ x1 + . . . + xp .
X
Danger. Il est faux de croire que Fi est directe ⇔ ∀i 6= j, Fi ∩ Fj = {0} (⇒ vraie bien sûr).
Le cas de trois droites vectorielles de R2 deux à deux distinctes fournit un contre exemple usuel.

c Jean-Louis Rouget, 2019. Tous droits réservés. 2 http ://[Link]

Def : Les sous-espaces F1 , . . . , Fp , sont supplémentaires si et seulement si tout x de E s’écrit de manière unique sous
la forme x = x1 + . . . + xp où x1 ∈ F1 , . . . , xp ∈ Fp si et seulement si E = F1 + . . . + Fp et la somme F1 + . . . + Fp est
Mp
directe. Dans ce cas, on écrit E = F1 ⊕ . . . ⊕ Fp ou E = Fi .
i=1

6) Projections et symétries.
Soient F et G deux sev supplémentaires de E. Soient p la projection sur F parallèlement à G, q la projection sur G
parallèlement à F et s la symétrie par rapport à F parallèlement à G.
Soit x = x1 + x2 la décomposition d’un vecteur quelconque x de E associée à la décomposition E = F ⊕ G. Alors par
définition p(x) = x1 et s(x) = x1 − x2 .
a) • ∀x ∈ E, p(x) = x1 et q(x) = x2 .
• p ∈ L (E), p ◦ p = p, p ◦ q = q ◦ p = 0, p + q = IdE .
• F = Im(p) = Ker(q) = Ker(Id − p) = {invariants par p} et G = Ker(p) = Im(q) = Im(Id − p).
• p/Imp = Id/Imp et p/Kerp = 0/Kerp .
Th : Réciproquement, si p est un endomorphisme vérifiant p ◦ p = p alors Im(p) et Ker(p) sont supplémentaires puis
p est la projection sur Imp parallèlement à Kerp.
b) • ∀x ∈ E, s(x) = x1 − x2
• s ∈ GL(E), s ◦ s = Id
• F = Ker(s − Id) = {invariants par s} et G = Ker(s + Id) = {x/s(x) = −x}
1
• s = 2p − Id = Id − 2q et p = (Id + s)
2
Réciproquement si s est un endomorphisme de E vérifiant s◦s = Id alors Ker(s−Id) et Ker(s+id) sont supplémentaires
puis s est la symétrie par rapport à Ker(s − Id) parallèlement à Ker(s + Id).
7) Combinaisons linéaires et sous-espace engendré par une famille ou une partie de E
a) Combinaisons linéaires
Soit (λi )i∈I une famille non vide de scalaires. Cette famille est dite à support fini si et seulement si l’ensemble des
indices i tels que λi est non nul est fini (éventuellement vide).
Soient (xi )i∈I une famille de vecteurs de E et y un vecteur de E.
X
y est combinaison linéaires de la famille (xi )i∈I ⇔ ∃ (λi )i∈I ∈ KI à support fini telle que y = λi xi . Si I = J1, pK,
i∈I
une combinaison linéaire de la famille (xi )16i6n
Soient X une partie de E et y un vecteur de E. X
y est combinaison linéaire des vecteurs de X ⇔ ∃(λx )x∈X ∈ KX à support fini telle que y = λx x
X x∈X
(Convention : si X est vide, λx x = 0).
b) Sous espace engendré par une famille ou une partie
Approche externe. Soit X une famille (resp. une partie) (éventuellement vide) de vecteurs de E ([Link] E). Il existe
un et un seul plus petit sous-espace vectoriel de E (pour l’inclusion) contenant X. Il est noté Vect(X). C’est l’intersection
de tous les sous-espaces vectoriels de E contenant X (et donc Vect(∅) = {0}).
Approche interne. Vect(X) est l’ensemble
 des combinaisons linéaires d’éléments de X. En particulier, Vect(0) = {0},
Vect(u) = {λu, λ ∈ K}, Vect(u, v) = λu + µv, (λ, µ) ∈ K2 , ...
c) Propriétés.
X
• Vect(xi ) = {C.L. des xi } = λi xi , (λi ) à support fini = plus petit sev de E contenant (xi ).
• A ⊂ Vect(A).
• A = Vect(A) ⇔ A sev de E.
• A ⊂ B ⇒ Vect(A) ⊂ Vect(B) (réciproque fausse).
• Vect(Vect(A)) = Vect(A), Vect(A ∪ B) = Vect(A) + Vect(B), Vect(A + B) = Vect(A) + Vect(B),
Vect(A ∩ B) ⊂ Vect(A) ∩ Vect(B).

c Jean-Louis Rouget, 2019. Tous droits réservés. 3 http ://[Link]

 Résumé des différentes techniques de sup permettant de montrer qu’un sous-ensemble F de E est
un sev de E.
−
→
• Montrer que F contient le vecteur nul et est stable par combinaisons linéaires (0E ∈ F et
−
∀ → −
x ,→ −
y ∈ F2 , ∀(λ, µ) ∈ R2 , λ→

−
x + µ→
y ∈ F).

• Montrer que F est l’intersection ou la somme de deux ou plusieurs sev (F = G ∩ H ou F =

G1 ∩ . . . ∩ Gp ou F = G + H ou F = G1 + . . . + Gp ).

• Montrer que F est l’espace engendré par une certaine famille de vecteurs (F = Vect −
→
).
ui i∈I

• Montrer que F est le noyau d’une application linéaire.

• Montrer que F est l’orthogonal d’une partie A de E pour un certain produit scalaire (F = A⊥ ).

II. Familles libres. Familles génératrices. Bases

1) Familles libres
p
!
X
p
(xi )16i6p est libre ⇔ ∀(λi )16i6p ∈ K , λi xi = 0 ⇒ ∀i ∈ J1, pK, λi = 0 .
i=1 !
X
(xi )i∈I est libre ⇔ ∀(λi )i∈I ∈ KI à support fini, λi xi = 0 ⇒ ∀i ∈ I, λi = 0 .
i∈I X
(xi )i∈I est liée ⇔ ∃(λi )i∈I ∈ KI à support fini et les λi non tous nuls telle que λi xi = 0.
Une telle relation est alors une relation de dépendance linéaire.
Une famille infinie est libre si et seulement si toute sous famille finie est libre.
Une famille infinie est liée si et seulement si il existe une sous famille finie liée.
Soit L = (xi )i∈I une famille de vecteurs de E.
−
→
• Si L contient 0 ou 2 vecteurs égaux ou deux vecteurs colinéaires, L est liée (réciproque fausse).
• L est liée ⇔ ∃k ∈ I tel que xk est combinaison linéaire de la famille (xi )i∈I, i6=k .
• Toute sur famille d’une famille liée est liée. Toute sous famille d’une famille libre est libre
(Convention : ∅est libre)
X X 
• L est libre ⇔ λi x i = µi xi ⇔ ∀i, λi = µi (on peut identifier les coefficients quand L est libre
et uniquement quand L est libre)
• Soit L ′ = L ∪ {x}. (L libre et L ′ liée) ⇒ x est C.L. des vecteurs de L.
Erreur classique : si les vecteurs de la famille sont deux à deux non colinéaires, la famille n’est pas nécessairement
libre (penser à trois vecteurs deux à deux non colinéaires dans un même plan vectoriel). La phrase « les vecteurs sont
deux à deux non colinéaires et donc la famille est libre » est totalement fausse.
2) Familles génératrices
(xi )i∈I est génératrice de E ⇔ Vect(xi )i∈I = E ⇔ tout vecteur
X de E est combinaison linéaire des vecteurs de la famille
(xi )i∈I ⇔ ∀x ∈ E, ∃ (λi )i∈I à support fini telle que x = λi x i .
i∈I

Toute sur famille d’une famille génératrice est génératrice.

3) Bases
(xi )i∈I base de E ⇔ tout x de E s’écrit de manière unique Xcomme combinaison linéaire des xi ⇔ B est libre et
génératrice ⇔ ∀x ∈ E, ∃! (λi )i∈I à support fini telle que x = λi xi ..
i∈I
X
Si x = λi xi , les λi sont les coordonnées de x dans la base B.
Théorème. Les bases de E sont les parties génératrices minimales pour l’inclusion ou libres maximales.
Quasiment jamais utilisé sous cette forme, mais on utilise plutôt des conséquences du genre : si x ∈
/ B, B ∪ {x} n’est
plus libre et si x ∈ B, B \ {x} n’est plus génératrice.

c Jean-Louis Rouget, 2019. Tous droits réservés. 4 http ://[Link]

 Résumé des différentes techniques de sup permettant de montrer qu’une famille de vecteurs est
une base de E ou simplement une famille libre.

• En dimension quelconque, B est une base si B est libre et génératrice.

• En dimension finie n ∈ N∗ (la dimension est donc supposée connue), si une famille B est libre de
cardinal n, alors B est une base de E et si B est libre de cardinal n, alors B est une base.

• Si E est de dimension finie n ∈ N∗ , si B0 est une base connue de E et si B est une famille de n
vecteurs, alors B est une base de E si et seulement si detB0 (B) 6= 0 (souvent le plus efficace).

• Si F est une famille de p vecteurs, F est libre si et seulement si le rang r de F est égal au
cardinal p de la famille. Si de plus dim(E) = n, F est une base de E si et seulement si r = p = n.

• Si B est une famille d’un espace E ′ qui est l’image d’une base B0 de E par un isomorphisme, alors
B est une base de E ′ .

• Si E est muni d’un produit scalaire, une famille orthogonale de vecteurs tous non nuls est libre
et en particulier une famille orthonormale est libre.

III. Applications linéaires

1) Définition Soient E et F deux K-ev et f une application de E vers F.

f linéaire ⇔, ∀(x, y) ∈ E2 , f(x + y) = f(x) + f(y) et ∀λ ∈ K, ∀x ∈ E, f(λx) = λf(x)

⇔ ∀(λ, µ) ∈ K2 , ∀(x, y) ∈ E2 , f(λx + µy) = λf(x) + µf(y).

Si f est linéaire , on a toujours f(0E ) = 0F .

Vocabulaire usuel.
Endomorphisme de E = application linéaire de E vers E.
Isomorphisme de E sur F = application linéaire bijective de E sur F.
Automorphisme de E = application linéaire bijective de E sur E = isomorphisme de E sur E.
Forme linéaire sur E = application linéaire de E vers K.
2) Images directes et réciproques
Théorème. Soient E et F deux K-espaces vectoriels et f linéaire de E dans F.
L’image directe d’un sous espace de E par f est un sous espace de F.
L’image réciproque d’un sous espace de F par f est un sous espace de E.
En particulier : Ker(f) = {x ∈ E/ f(x) = 0F } = f−1 {0F } est un sous espace de E. Im(f) = {f(x), x ∈ E} = f(E) est un
sous espace de F.
Théorème. (f injective ⇔ Ker(f) = {0}) (f surjective ⇔ Im(f) = F) (f bijective ⇔ Ker(f) = {0} et Im(f) = F).
Théorème. Soit f linéaire de E vers F. Si X est génératrice de E, f(X) est génératrice de f(E) = Im(f) et en particulier
si f est surjective, f(X) est génératrice de F.
En particulier, si dim(E) = n puis (ei )16i6n est une base de E, alors (f (ei ))16i6n est une famille génératrice de Im(f).
Théorème. Soit f linéaire de E vers F. Si f est linéaire et X est liée alors f(X) est liée.
Si f est injective et X est libre dans E alors f(X) est libre dans F.
Théorème. Soit f linéaire de E vers F. f est un isomorphisme de E sur F si et seulement si l’image par f d’une base
donnée de E est une base de F.
Détermination. Soient (ei )i∈I une base de E et f ∈ L(E, F). f est entièrement déterminée par les f (ei ), i ∈ I, et en
particulier une application linéaire qui s’annule sur une base est nulle et deux applications linéaires qui coïncident sur
une base sont égales.
3) Ensembles d’applications linéaires
(L(E, F), +, .) est un K-espace vectoriel.
(L(E), +, ., ◦) est une K-algèbre (non commutative si dimE > 1. Elément unité : IdE )
(GL(E), ◦) est un groupe, non commutatif si dimE > 1.
GL(E) =groupe linéaire de E = {automorphismes de E} = {inversibles de L(E) pour ◦}.
Danger : si u et v sont dans GL(E), u + v ne l’est que très rarement.
(L (E, K), +, .) est un K-espace vectoriel. (L(E, K) = {formes linéaires sur E}.
Si dim(E) < +∞, (SL(E), ◦) est un groupe. (SL(E) = {endomorphismes de déterminant égal à 1}).
(O(E), ◦) est un groupe appelé le groupe orthogonal (notion euclidienne).

c Jean-Louis Rouget, 2019. Tous droits réservés. 5 http ://[Link]

IV. Dimension des espaces vectoriels
1) Dimension
E est dit de dimension finie sur K si et seulement si E admet une partie génératrice finie. E est dit de dimension infinie
sinon.
E est aussi dit de dimension infinie si et seulement si E contient une famille libre infinie.
Théorème de la dimension finie et définition. Si E de dimension finie, toutes les bases ont même cardinal (fini)
et dimK E est le cardinal d’une base quelconque.
(Convention : ∅ est une base de {0} et dim{0} = 0)
dimK Kn = n et si ei = (0, 0, ...0, 1, 0, ..., 0) alors B = (ei )16i6n est une base de Kn appelée base canonique de Kn .
Deux espaces vectoriels E et F de dimensions finies sont isomorphes si et seulement si ils ont même dimension. Si
dimE = n < +∞, E est isomorphe à Kn .
2) Familles libres et génératrices
Soit n = dimE < +∞.
Si L est libre alors card(L) 6 n et de plus (L base de E ⇔ card(L) = n)
Si G est génératrice de E alors card(G) > n et de plus (G base de E ⇔ card(G) = n)
Théorème. Si E est de dimension finie et si B est une famille de vecteurs de E, 2 des 3 propositions suivantes
entrainent la troisième :

(1) card(B) = n (2) B est libre (3) B est génératrice de E

Théorème de la base incomplète. Soit L libre dans E (dimE < +∞), L peut être complétée en une base de E.
Si dimE < +∞, E admet des bases. Si dimE < +∞, de toute partie ou famille génératrice de E on peut extraire une
base.
3) Sous espaces
Théorème. Soit n = dimE < +∞ et soit F sev de E alors (dimF 6 n et dimF = n ⇔ F = E) (faux en dimension
infinie).
Théorème. (Supplémentaires) Soit n = dimE < +∞ et F sev de E. F admet au moins un supplémentaire. Tout
supplémentaire a pour dimension : dimE − dimF.
Plus généralement, dim(F ⊕ G) = dimF + dimG.
Théorème. Soient F et G sev de E.
(E = F ⊕ G) ⇔ F ∩ G = {0} et dimF + dimG = dimE) ⇔ (F + G = E et dimF + dimG = dimE)
X
Théorème. F1 , . . . , Fp sev de E tels que la somme Fi est directe. dim(F1 ⊕ ... ⊕ Fp ) = dimF1 + ... + dimFp .
Théorème. F1 , . . . , Fp sev de E. dim (F1 + ... + Fp ) 6 dim (F1 ) + ... + dim (Fp ) avec égalité si et seulement si la somme
est directe. [ [
Si E = F1 ⊕ ... ⊕ Fp et si Bi est une base de Fi alors B = Bi est une base de E et réciproquement, si B = Bi est
i i
une base de E alors les Fi = Vect (Bi ) sont supplémentaires dans E.
4) Rang
a) d’une famille de vecteurs
Soit X = (xi )16i6p une famille de p vecteurs de E. rg (xi )16i6p = dimVect (xi )16i6p = maximum du cardinal d’une
sous-famille libre de (xi )16i6p .
Si X est une famille de vecteurs de E de rang r et si A est une sous-famille de S : si A est libre alors card(A) 6 r ou
encore si card(A) > r, A est liée.
Soient n = dim(E), r = rg (xi )16i6p (et p = card (xi )16i6p ).
• r 6 p et (r = p ⇔ (xi )16i6p est libre.
• r 6 n et (r = n ⇔ (xi )16i6p est génératrice de E.
• (xi )16i6p base de E ⇔ r = p = n.
b) d’une application linéaire
Soit f ∈ L (E, F). rg(f) = dim(Im(f)). Si dim(E) = n < +∞ et (ei )16i6n est une base quelconque de E, rg(f) =
 
rg (f (ei ))16i6n .

Théorème du rang. Soit f ∈ L(E, F) où E est de dimension finie.

La restriction de f à un supplémentaire S de Ker(f) dans E réalise un isomorphisme de S sur Im(f).
En particulier, dim(E) = rg(f) + dim(Ker(f)) ou aussi rg(f) = dim(E) − dim(Ker(f)).
Théorème. Si dimE = dimF < +∞ alors f ∈ L(E, F) est injective ⇔ f est surjective ⇔ f est bijective.
Théorème. Si n = dimE < +∞ et f ∈ L(E) les propriétés suivantes sont équivalentes :
1) f bijective

c Jean-Louis Rouget, 2019. Tous droits réservés. 6 http ://[Link]

 2) f injective
3) f surjective
4) Ker(f) = {0}
5) Im(f) = E
6) rg(f) = n
7) l’image d’une base de E par f est une base de E
8) det(f) 6= 0
9) la matrice de f dans une base donnée de E est inversible
10) f inversible à droite (pour ◦) ou f inversible à gauche ou f inversible
11) f simplifiable à gauche (pour ◦) ou f est simplifiable à droite ou f est simplifiable
c) Transformations d’une famille de vecteurs ne modifiant pas le rang (car ne modifiant pas le sous-espace
engendré).
Les transformations suivantes ne modifie pas le rang :
• permuter les vecteurs de X.
• remplacer un vecteur x de X par λx où λ est un nombre non nul.
• ajouter à un vecteur x de X un autre vecteur de X.
• ajouter à un vecteur x de X une combinaison linéaire des autres vecteurs de X.
• supprimer un vecteur nul ou plus généralement supprimer un vecteur combinaison linéaire des autres vecteurs
5) Dimensions usuelles
dim(E × F) = dimE + dimF et dim(E1 × ... × Ep ) = dimE1 + ... + dimEp .
dim(F ⊕ G) = dim(F) + dim(G) et dim (E1 ⊕ ... ⊕ Ep ) = dim (E1 ) + ... + dim (Ep ).
dim(L(E, F)) = dimE × dimF et en particulier dim(L(E)) = (dim(E))2 et dim(L (E, K )) = dim(E).
dim(F + G) = dim(F) + dim(G) − dim(F ∩ G).
6) Hyperplans
Si E est de dimension quelconque, un hyperplan de E est le noyau d’une forme linéaire non nulle. Si dim(E) = n > 2,
un hyperplan de E est un sev de E de dimension n − 1 d’après le théorème du rang.
Théorème. Soit E un K-espace vectoriel de dimension quelconque. Soit F un sev de E. F est un hyperplan de E si et
seulement si il existe D droite vectorielle telle que E = F ⊕ D.
Théorème. Soit Eun espace de dimension finie.
• Un sev de dimension p ∈ J1, n − 1K est l’intersection de n − p hyperplans.
• Inversement, une intersection de n − p hyperplans est un sev de dimension supérieure ou égale à n − p.

V. Sous-espaces affines
 − −
Soit E un K-espace vectoriel. Un sous-espace affine de E est un sous-ensemble de la forme F = A+F = A + →
u, →u ∈F
où A est un point de E (ou encore un élément de E) et F est un sev de E. Dans ce cas, F est uniquement défini (mais
pas A) et s’appelle la direction du sous-espace affine F .
La dimension du sous-espace affine F est la dimension de sa direction F.
Théorème. L’intersection de deux sous-espaces affines F et G , de directions respectives F et G, est soit vide, soit un
sous-espace affine de direction F ∩ G.
 
Si E est de dimension finie n et R = (O, B) = O, (ei )16i6n est un repère de E, un hyperplan affine a une
équation de la forme a1 x1 + . . . + an xn = b, (a1 , . . . , an ) 6= (0, . . . , 0), et réciproquement un sous-ensemble d’équation
a1 x1 + . . . + an xn = b, (a1 , . . . , an ) 6= (0, . . . , 0), est un hyperplan affine de direction l’hyperplan vectoriel d’équation
a1 x1 + . . . + an xn = 0 dans B.
Plus généralement, un sous-espace affine de dimension n − p admet un système d’équation de la forme

 a1,1 x1 + . . . + a1,n xn = b1
.

ap,1 x1 + . . . + ap,n xn = bp 
 a1,1 x1 + . . . + a1,n xn = b1
Inversement, l’ensemble des solutions d’un système de la forme est soit vide, soit un

ap,1 x1 + . . . + ap,n xn = bp
sous-espace affine de dimension n − r où r est le rang du système et en particulier de dimension supérieure ou égale à
n − p.

c Jean-Louis Rouget, 2019. Tous droits réservés. 7 http ://[Link]

 Calcul matriciel. Rappel et compléments
I. Opérations dans Mn,p (K)
1) Structure de K-espace vectoriel de Mn,p (K).
Une matrice à n lignes et p colonnes (n et p entiers naturels non nuls) est une application de J1, nK × J1, pK dans K qui
à un couple d’indices (i, j) associe un élément de K noté ai,j . Une matrice de format (n, p) est aussi plus simplement
un tableau à n lignes et p colonnes.
Addition. (ai,j )16i6n, 16j6p + (bi,j )16i6n, 16j6p = (ai,j + bi,j )16i6n, 16j6p .
Multiplication par un scalaire. λ (ai,j )16i6n, 16j6p = (λai,j )16i6n, 16j6p .
Muni de ces deux lois, Mn,p (K) est un K-espace vectoriel de dimension np et en particulier Mn (K) est un K-espace
vectoriel de dimension n2 .
La base canonique de Mn,p (K) est la famille des matrices élémentaires (Ei,j )16i6n, 16j6p où Ei,j est la matrice dont le
coefficient ligne k, colonne l vaut 1 si (k, l) = (i, j) et 0 sinon. Une écriture abrégée
X de son terme général est δk,i × δl,j .
La décomposition d’une matrice A = (ai,j )16i6n dans la base canonique est ai,j Ei,j .
16j6p 16i6n
16j6p

2) Produit de deux matrices.

Soient A = (ai,j )16i6n ∈ Mn,p (K) et B = (bi,j )16i6p ∈ Mp,q (K). Le produit AB est la matrice de format (n, q)
16j6p 16j6q
dont le terme général ligne i, colonne j (où i ∈ J1, nK et j ∈ J1, qK) est
p
X
ci,j = ai,k bk,j .
k=1

Dans le cas des matrices non carrées, ce produit n’est pas une loi interne.
Il est « associatif », non « commutatif » en général et « distributif sur l’addition ».
Théorème. (Mn (K), +, ×) est un anneau, non commutatif pour n > 2.
(Mn (K), +, ., ×) est une K-algèbre non commutative pour n > 2.
L’ensemble des matrices inversibles pour × est noté GLn (K) (GL=groupe linéaire). (GLn (K), ×) est un groupe, non
commutatif pour n > 2.
Dangers principaux.
• L’égalité AB = AC n’entraine pas en général B = C mais, si A est inversible, A est simplifiable.
• Pour des matrices carrées, l’identité (A + B)2 = A2 + 2AB + B2 , plus généralement la formule du binôme de
Xp  
p
Newton (A + B) = p
Ak Bp−k , et l’identité A2 − B2 = (A − B)(A + B) et plus généralement Ap − Bp =
k
k=0
p−1
X
(A − B) Ap−1−k Bk , sont vraies quand A et B commutent (et souvent fausses sinon).
k=0
• Si A et B commutent et sont carrées, (AB)p = Ap Bp (souvent faux sinon).
• L’égalité AB = 0 n’entraine pas en général A = 0 ou B = 0.
• Si les formats sont adaptés aux deux produits, AB = 0 6⇒ BA = 0 (alors que AB = In ⇒ BA = In ).
• La somme de 2 matrices inversibles n’est en général pas inversible ou encore GLn (K) n’est pas stable pour +.
Théorème. Soit A un élément de Mn (K). Les propriétés suivantes sont équivalentes :
1) A est inversible
2) A est inversible à droite
3) A est inversible à gauche
4) det(A) 6= 0
5) A est simplifiable à droite
6) A est simplifiable à gauche
7) A est simplifiable à gauche
8) rg(A) = n
9) KerA = {0} (KerA est l’ensemble des vecteurs colonnes X tels que AX = 0)
10) ImA = Mn,1 (K) (ImA est l’ensemble des vecteurs colonnes de la forme AX où X ∈ Mn,1 (K)).
11) Pour tout vecteur colonne B, le système AX = B, d’inconnue le vecteur colonne X, admet une unique solution.
(X est alors fourni par les formules de Cramer).
12) A est la matrice d’une base dans une base.
13) A est la matrice d’un automorphisme dans une base.

c Jean-Louis Rouget, 2019. Tous droits réservés. 1 http ://[Link]

Théorème (produit de deux matrices élémentaires).
Soient Ei,j une matrice élémentaire de format (n, p) et Ek,l une matrice élémentaire de format (p, q) alors

Ei,j × Ek,l = δj,k Ei,l .

p
X p
X
Démonstration. Le coefficient ligne u, colonne v, de ce produit vaut δu,i δw,j δw,k δv,l = δu,i δv,l δw,j δw,k =
w=1 w=1
δu,i δv,l δj,k (obtenu quand w = j) qui est le coefficient ligne u, colonne v de la matrice δj,k Ei,l .
3) Transposition.
Soit A = (ai,j ) une matrice de format (n, p). La transposée de A notée t A est la matrice de format (p, n) dont le
′
coefficient ligne i, colonne j, est ai,j = aj,i .
Théorème. t (t A) = A, t (A + B) = t A + t B, t (λA) = λt A et t (AB) = t Bt A.
La transposition est un isomorphisme de l’espace vectoriel (Mn,p (K), +, .) sur l’espace vectoriel (Mp,n (K), +, .).
Les matrices carrées A telles que t A = A sont les matrices
symétriques. Leur ensemble est noté Sn (K).
∀A ∈ Mn (K), A ∈ Sn (K) ⇔ ∀(i, j) ∈ J1, nK2 , aj,i = ai,j .
Les matrices A telles que t A = −A sont les matrices antisymétriques. Leur ensemble est noté An (K).
∀A ∈ Mn (K), A ∈ An (K) ⇔ ∀(i, j) ∈ J1, nK2 , aj,i = −ai,j .

Théorème. Sn (K) et An (K) sont des sous-espaces vectoriels de Mn (K). Mn (K) = Sn (K) ⊕ An (K).
n(n + 1) n(n − 1)
dim (Sn (K)) = et dim (An (K)) = .
2 2
Démonstration. Soit t l’endomorphisme de Mn (K) qui à une matrice associe

sa transposée. t−IdMn (K)
et t+IdMn (K)
sont des endomorphismes de Mn (K). Donc, Sn (K) = Ker t − IdMn (K) et An (K) = Ker t + IdMn (K) sont des sev
de Mn (K). t est un endomorphisme

involutif de
Mn (K) et donc t est une symétrie. On sait alors que
Mn (K) = Ker t − IdMn (K) ⊕ Ker t + IdMn (K) = Sn (K) ⊕ Sn (K).
1 1
(L’écriture d’une matrice carrée M associée à cette décomposition est alors : M = (M + t M) + (M − t M).)
2 2
II. Matrice d’une famille de vecteurs dans une base
Soient E un K-espace vectoriel de dimension n et B = (ei )16i6n une base donnée de E.
Soit (xj )16j6p une famille de p vecteurs de E.
La matrice de la famille (xj )16j6p dans la base B, notée MatB (xj )16j6p , est la matrice de format (n, p) dont le
coefficient ligne i, colonne j, vaut la i-ème coordonnée de xj dans B (la j-ème colonne « est » xj ).

III. Matrice d’une application linéaire

1) Définition
Soient E et F des espaces de dimensions respectives n et p et f un élément de L(E, F).
Soient B = (ej )16j6n une base de E et B ′ = (ei′ )16i6p . La matrice de f relativement aux bases B et B ′ , notée
MatB,B ′ f, est la matrice (de format (p, n)) de la famille (f (ej ))16j6n dans la base B ′ .
Le coefficient ligne i, colonne j, de cette matrice est la i-ème coordonnée de f(ej ) dans la base B ′ . Ainsi,

matB,B ′ (f) = matB ′ (f(B)).

Deux bases de E et F respectivement étant fixées, l’application qui à f un élément de L(E, F) associe sa matrice
relativement à ces bases est un isomorphisme d”espaces vectoriels de L(E, F) vers Mp,n (K) (une application linéaire
est entièrement déterminée par sa matrice car entièrement déterminée par l’image d’une base) et en particulier,
MatB,B ′ (f + g) = MatB,B ′ f + MatB,B ′ g et MatB,B ′ (λf) = λMatB,B ′ (f).
2) Ecriture matricielle d’une application linéaire
Avec les notations du 1), soit x un vecteur de E et y = f(x).
Soit X le vecteur colonne dont les composantes sont les coordonnées de x dans B.
Soit Y le vecteur colonne dont les composantes sont les coordonnées de y dans B ′ .
Soit A la matrice de f relativement aux base B et B ′ alors

Y = AX.
 
p p
n n
! n
X X X X X
Démonstration. f(x) = xj f(ej ) = xj ai,j ei′ =  ai,j xj  ei′ et donc, pour i ∈ J1, pK,
j=1 j=1 i=1 i=1 j=1
n
X
yi = ai,j xj qui est bien le coefficient ligne i de AX.
j=1

c Jean-Louis Rouget, 2019. Tous droits réservés. 2 http ://[Link]

Théorème. B est une base de E, B ′ est une base de E ′ , B ′′ est une base de E ′′ .
• ∀(f, g) ∈ L (E, E ′ ) × L (E ′ , E ′′ ), MatB,B ′′ (g ◦ f) = MatB ′ ,B ′ (g) × MatB,B ′ (f).
• ∀f ∈ L (E), ∀n ∈ N, MatB (fn ) = (MatB (f))n .
• f isomorphisme de E sur E ′ si et seulement si MatB,B ′ (f) ∈ GLn (K) et dans ce cas, MatB ′ ,B f−1 = (MatB,B ′ (f))−1 .


−1
En particulier, si f ∈ L (E), (f ∈ GL(E) ⇔ MatB (f) ∈ GLn (K)) et dans ce cas, MatB f−1 = (MatB (f)) .


n
• ∀f ∈ GL(E), ∀n ∈ Z, MatB (fn ) = (MatB (f)) .

IV. Changement de bases

1) Matrice de passage
Soient B et B ′ deux bases d’un espace vectoriel E de dimension n.
B′
La matrice de passage de B à B ′ , notée PB , est la matrice de B ′ dans B.
′
B
La j-ème colonne de PB « est » le j-ème vecteur de B ′ exprimé dans la base B.
′ ′′ ′′
B B B B
Théorème. PB = In , PB × PB ′ = PB .
 −1
B′ B
Toute matrice de passage est inversible et PB = PB ′ . Réciproquement, toute matrice inversible peut être

interprétée comme une matrice de passage .

2) Changements de base
Soient B et B ′ deux bases de E et soit P la matrice de passage de B à B ′ .
Soient x un vecteur de E puis X (resp. X ′ ) le vecteur colonne dont les composantes sont les coordonnées de x dans B
(resp. dans B ′ ). Alors

X = PX ′ .
(anciennes coordonnées en fonction des nouvelles.)
!  
n
X n
X n
X n
X n
X
Démonstration. x = xj′ ej′ = xj′ pi,j ei =  pi,j xj′  ei puis, pour i élément de J1, pK,
j=1 j=1 i=1 i=1 j=1
Xn
xi = pi,j xj′ ,
j=1
′
qui est bien le coefficient ligne i de PX .
3) Changements de base et applications linéaires
a) Cas général.
Données.
E un espace de dimension n muni de deux bases B et B ′ et P la matrice de passage de B à B ′ .
F un espace de dimension p muni de deux bases B1 et B1′ et Q la matrice de passage de B1 à B1′ .
f une application linéaire de E vers F.
A (resp. B) la matrice de f relativement aux bases B et B1 (resp. B ′ et B1′ ). Alors

B = Q−1 AP.

b) Cas particulier d’un endomorphisme .

Données.
E un espace de dimension n muni de deux bases B et B ′ et P la matrice de passage de B à B ′ .
f un endomorphisme de E.
A (resp. B) la matrice de f dans la base B (resp. B ′ ). Alors

B = P−1 AP.

4) Matrices équivalentes , matrices semblables.

Définition. Soient A et B deux matrices rectangulaires (éventuellement carrées) de mêmes formats (n, p).
A et B sont équivalentes si et seulement si il existe P matrice carrée inversible de format n et Q matrice carrée inversible
de format p telles que B = QAP.
Deux matrices A et B sont équivalentes si et seulement si elles sont les matrices d’une même application linéaire
relativement à deux couples de bases comme décrit en 3). Deux matrices équivalentes ont même rang.
Définition. Soient A et B deux matrices carrées de format n. A et B sont semblables si et seulement si il existe P
matrice carrée inversible de format n telle que B = P−1 AP.
Deux matrices A et B sont semblables si et seulement si elles sont les matrices d’un même endomorphisme relativement
à deux bases comme décrit en 3).

c Jean-Louis Rouget, 2019. Tous droits réservés. 3 http ://[Link]

Deux matrices semblables sont équivalentes mais la réciproque est fausse en général ne serait-ce que parce que deux
matrices équivalentes ne sont pas nécessairement carrées.
Deux matrices semblables ont même rang, même trace, même déterminant, mêmes propriétés de calculs ...

V. Rang d’une matrice

Soit A = (ai,j )16i6n, 16j6p une matrice de format (n, p).
Les lignes de A seront notées L1 , ... , Ln et les colonnes de A seront notées C1 , ... , Cp .
1) Définitions et premières propriétés.
Définition. Le rang de A est le rang de la famille de ses vecteurs colonnes c’est-à-dire la dimension de l’espace
engendré par la famille de ses vecteurs colonnes dans Mn,1 (K).
Exemple. (forme générale des matrices de rang 1)
Soit A une matrice de format (n, p) et de rang 1. Ses colonnes sont dans la droite engendrée par une certaine colonne
non nulle U = (ui )16i6n . Plus précisément, pour j élément de J1, pK, Cj s’écrit vj U où les vj sont des scalaires non
tous nuls.
Si on pose V = (vi )16i6p , alors A = Ut V = (ui vj )16i6n, 16j6p où U et V sont non nuls.
Réciproquement, une telle matrice est bien de rang 1.
Théorème. rgA 6 Min{n, p}.
Théorème. Soit F une famille de p vecteurs d’un espace E de dimension n telle que A soit la matrice de F dans
une certaine base de E. Alors, rg(A) = rg(F ).
Théorème. Soient E et F deux K-espaces vectoriels. Soit B une base de E et B ′ une base de F.
Soit f une application linéaire de E vers F de matrice A relativement aux bases B et B ′ . Alors rg(A) = rg(f).
Théorème. Une matrice carrée de format n est inversible si et seulement si son rang est n.
Théorème. rg(A + B) 6 rg(A) + rg(B) et rg(λA) 6 rg(A) et rg(AB) 6 Min{rg(A), rg(B)}.
Théorème. Soient A une matrice de format (n, p), P une matrice carrée inversible de format n et Q une matrice
carrée inversible de format p. Alors, rg(PA) = rg(A) et rg(AQ) = rg(A).
Démonstration. rg(PA) 6 rg(A) puis rg(A) = rg P−1 PA 6 rg(PA).

2) Opérations élémentaires.
Description des opérations élémentaires. On utilise les trois opérations élémentaires sur les colonnes ou sur les
lignes suivantes :
1. Echange de deux colonnes ([Link] deux lignes). Codage : Ci ↔ Cj (resp. Li ↔ Lj )
2. Multiplication d’une colonne (resp.d’une ligne ) par λ scalaire non nul. Codage : Cj ← λCj (resp. Li ← λLi ).
3. Ajout de la colonne ([Link]) j à la colonne ([Link]) i avec i 6= j. Codage : Ci ↔ Ci +Cj (resp. Li ← Li +Lj ).
En combinant ces transformations élémentaires, on obtient des transformations plus sophistiquées :
4. Permutation des colonnes (resp. des lignes) d’une matrice
5. ajout à une colonne (resp. ligne) d’une combinaison linéaire des autres colonnes (resp. lignes)
3) Opérations élémentaires et rang.
Théorème. Les opérations élémentaires ne modifient pas le rang.
4) Interprétation matricielle des opérations élémentaires.
a) Produit d’une matrice par une matrice élémentaire.
On considère A = (ai,j ) une matrice rectangulaire de format (n, p).
Calculons le produit de A par une matrice élémentaire Ei,j de format p à droite ou de format n à gauche.
Soient i et j deux éléments de J1, pK (non nécessairement distincts).

!
X X X
AEi,j = ak,l Ek,l Ei,j = ak,l Ek,l Ei,j = ak,l δi,l Ek,j
k,l k,l k,l
X
= ak,i Ek,j
k

c’est-à-dire

c Jean-Louis Rouget, 2019. Tous droits réservés. 4 http ://[Link]

 i ème colonne de A
en j ème colonne

 
0 ... 0 a1,i 0 ... 0
 0 ... 0 a2,i 0 ... 0 
.. .. .. .. .. 
 

 . . . . . 
.. .. .. .. .. 
 

AEi,j = . . . . . 
.. .. .. .. .. 
 


 . . . . . 
 .. .. .. .. .. 
 . . . . . 
0 ... 0 an,i 0 ... 0

De même ,

!
X X X
Ei,j A = Ei,j ak,l Ek,l = ak,l Ei,j Ek,l = ak,l δj,k Ei,l
k,l k,l k,l
X
= aj,l Ei,l
l

c’est-à-dire
 
0 0 ... ... ... ... 0
 .. .. 

 . . 

 0 0 ... ... ... ... 0 

Ei,j A = 
 j ème ligne de A
 aj,1 aj,2 . . . . . . . . . . . . aj,n 
en i ème ligne

 0 0 ... ... ... ... 0 
 
 . ..
 ..

. 
0 0 ... ... ... ... 0

b) Multiplication d’une colonne (ou d’une ligne) par un scalaire λ non nul : Ci ← λCi .
Soient i un élément de J1, pK (ou J1, nK) puis λ un scalaire non nul.
Soit Λi (λ) la matrice carrée de format p (resp. n) définie par :

Λi (λ) = Ip + (λ − 1)Ei,i .
D’après le calcul préliminaire , il est clair que AΛi (λ) se déduit de A par multiplication par λ de la colonne i et que
Λi (λ)A se déduit de A par multiplication de la ligne i par λ.
Théorème. Si λ 6= 0, Λi (λ) est inversible .
c) Ajout d’une colonne à une autre colonne (d’une ligne à une autre ligne) : Ci ← Ci + Cj
Soient i et j deux éléments de de J1, pK (ou J1, nK) distincts.
Soit Λi,j = Ip + Ej,i (resp. In + Ei,j ). D’après le calcul préliminaire , il est clair que AΛj,i se déduit de A en ajoutant
Ci à Cj et que Λi,j A se déduit de A en ajoutant Lj à Li .
Théorème. Λi,j est inversible .
5) Méthode du Pivot de Gauss
Lemme du Pivot de Gauss. Soit A une matrice de format (n, p) dont la première ligne est non nulle.
A peut être transformée par opérations élémentaires sur les colonnes en une matrice A1 de même format de la forme :
 
1 0 ... 0
 × 
A′ =  .
 
 ..

′
A1 
×
où rgA = rgA ′ = 1 + rg(A1′ ).
Le même travail est valable en ligne en supposant non nulle la première colonne.
Démonstration. Si a1,1 = 0, il existe j > 1 tel que a1,j soit non nul. On échange alors la colonne Cj et la colonne
C1 pour obtenir une matrice de même rang que A et dont le coefficient ligne 1, colonne 1, est non nul.

c Jean-Louis Rouget, 2019. Tous droits réservés. 5 http ://[Link]

Puis par division de la première colonne de cette matrice par ce coefficient non nul, on obtient une matrice de même
rang que A dont le coefficient ligne 1, colonne 1, est égal à 1.
′ ′
Il reste enfin à remplacer chaque colonne Cj d’indice j > 1 et de premier coefficient a1,j par Cj − a1,j C1 pour parvenir
à la forme voulue sans avoir modifié le rang de A.
Détermination du rang de A par la méthode du Pivot de Gauss. Si A est nulle , rgA = 0. Sinon, en
commençant
 par amener
 en première ligne, une ligne non nulle, A a même rang qu’une matrice de la forme A ′ =
1 0 ... 0
 × 
 ..  c’est à dire 1 + rgA1′ (car la première colonne de A ′ et les p − 1 dernières engendrent des sous
 
 . A′ 1

×
espaces supplémentaires)
En réitérant ces
 transformations en ligne et en colonnes, A a même rang qu’une matrice de la forme
1 0 ... ... 0
 × 1 0 0 
 .. . . .. 
 
. .. ..
 .
 . . . 
 .. . Le rang de A est le nombre de colonnes non nulles de cette dernière matrice .


 . 1 0 

 × 0 

 . .. .. 
 .. × . . 
× ... ... × 0 ... 0
6) Rang et matrices équivalentes
Théorème. Soit A une matrice de format (n, p) et de rang r non nul.
A est équivalente à la matrice Jr de format (n, p) définie par blocs :
 
Ir 0r,p−r
Jr =
0n−r,r 0n−r,p−r
où Ir est la matrice carrée unité de format r. Réciproquement, une matrice équivalente à Jr est de rang r.
Démonstration 1. Soit A une matrice de format (n, p) et de rang r non nul. On reprend le pivot de Gauss et en
l’interprétant en terme de produit matriciel : en multipliant A à droite par un certain nombre de matrices inversibles
dont le produit est noté V et à gauche par un certain nombre de matrices inversibles dont le produit est noté U, on
obtient UAV = Jr puis A = U−1 Jr V −1 .
Démonstration 2. Soit A une matrice de format (n, p) et de rang r non nul. Soit f l’application linéaire de Kp dans
Kn de matrice A relativement aux bases canoniques de Kp et Kn .
Soit B0 = (ei )r+16i6p une base de Kerf si r < p (dim(Kerf) = dim(Kp ) − rgf = p − r) ou B0 = ∅ si r = p. B0 est
une famille libre de Kp que l’on peut compléter en B = (ei )16i6p base de Kp . La restriction de f à Vect(ei )16i6r est
injective de sorte que si on pose pour 1 6 i 6 r, ei′ = f(ei ), la famille (ei′ )16i6r est une famille libre de Kn que l’on
peut compléter en une base B ′ = (ei′ )16i6n de Kn .
La matrice de f relativement aux bases B et B ′ est la matrice Jr ce qui montre que A est équivalente à Jr .
Réciproquement, rg (PJr Q) = rg (Jr ) = r.
Théorème. rg(A) = rg (t A).
7) Rang et matrices extraites
Théorème. rg(A) est le format maximal d’une matrice carrée inversible extraite de A.
Théorème. rg(A) > r ⇔ il existe une matrice carrée inversible de format r extraite de A.
Théorème. rgA = r ⇔ il existe une matrice carrée inversible de format r extraite de A et toute matrice carrée extraite
de A de format > r est non inversible
rgA = r ⇔ il existe une matrice carrée inversible de format r extraite de A et toute matrice carrée extraite de A de
format r + 1 est non inversible.

VI. Matrices de permutations

1) Définition.


Soit σ une permutation de J1, nK. La matrice Pσ = δi,σ(j) 16i,j6n est la matrice (de permutation) associée à σ. Le
coefficient ligne i, colonne j, de Pσ vaut 1 si i = σ(j) et 0 sinon.
 
  0 0 1 0
1 2 3 4  0 1 0 0 
Exemple. Si σ = alors Pσ =  .
4 2 1 3  0 0 0 1 
1 0 0 0

c Jean-Louis Rouget, 2019. Tous droits réservés. 6 http ://[Link]

2) Propriétés.
Théorème. Pσ × Pσ ′ = Pσ◦σ ′ .
Démonstration. Le coefficient ligne i, colonne j, de Pσ × Pσ ′ vaut
n
X
δi,σ(k) δk,σ ′ (j) = δi,σ(σ ′ (j))
k=1

qui est bien le coefficient ligne i, colonne j, de Pσ◦σ ′ .

−1
Théorème. ∀σ ∈ Sn , Pσ ∈ GLn (C) et (Pσ ) = Pσ−1 .
Théorème. Soit G = {Pσ , σ ∈ Sn }. (G, ×) est un sous-groupe de (GLn (C), ×) isomorphe à (Sn , ◦).
Théorème. ∀σ ∈ Sn , det(Pσ ) = ε(σ) (signature).
Démonstration.
X X
det(Pσ ) = ε(σ ′ )pσ ′ (1),1 ...pσ ′ (n),n = ε(σ ′ )δσ ′ (1),σ(1) ...δσ ′ (n),σ(n) = ε(σ)
σ ′ ∈Sn σ ′ ∈Sn

(car δσ ′ (1),σ(1) ...δσ ′ (n),σ(n) = 1 ⇔ ∀k ∈ J1, nK, σ(k) = σ (k) ⇔ σ = σ ′ et sinon δσ ′ (1),σ(1) ...δσ ′ (n),σ(n) = 0).
′

3) Produit d’une matrice par une matrice de permutation

Soit A = (ai,j ) une matrice de format (p, 
n) et Pσ la matrice
 associée à σ permutation donnée de J1, nK (resp. J1, nK).
Lσ−1 (1)


Alors APσ = Cσ(1) , ..., Cσ(n) et Pσ A =  ..
.
 
.
Lσ−1 (n)
Démonstration. Le coefficient ligne i, colonne j, de APσ vaut :
n
X
ai,k δk,σ(j) = ai,σ(j) ,
k=1

De même, le coefficient ligne i, colonne j, de Pσ A vaut :

n
X
δi,σ(k) ak,j = aσ−1 (i),j .
k=1

VII. Trace d’une matrice carrée et trace d’un endomorphisme

1) Définition.
n
X
Soit A = (ai,j )16i,j6n une matrice carrée. La trace de A est le nombre ai,i .
i=1

2) Propriétés.
Théorème. La trace est une forme linéaire sur Mn (K) :

∀(λ, µ) ∈ K2 , ∀(A, B) ∈ (Mn (K))2 , Tr(λA + µB) = λTrA + µTrB.

Théorème. ∀(A, B) ∈ (Mn (K))2 , Tr(AB) = Tr(BA).

  !
Xn Xn n
X n
X
Démonstration. Tr(AB) =  ai,j bj,i  = bj,i ai,j = Tr(BA).
i=1 j=1 j=1 i=1

Théorème. Deux matrices semblables ont même trace.

Démonstration. Tr P−1 AP = Tr APP−1 = TrA.

Danger. Tr(ABC) = Tr(CAB) = Tr(BCA) 6= Tr(ACB) en général.

3) Trace d’un endomorphisme.
La trace d’un endomorphisme f d’un espace E de dimension n est la trace de sa matrice dans une base donnée de E
(ne dépend pas du choix de la base puisque deux matrices semblables ont même trace).

c Jean-Louis Rouget, 2019. Tous droits réservés. 7 http ://[Link]

VIII. Calculs par blocs
1) Combinaisons linéaires.
On découpe une matrice A = (ai,j )16i6n, 16j6p de format (n, p) en blocs (ou cellules) Ai,j de format (ni , pj ) où
1 6 i 6 s, 1 6 j 6 t et n1 + ... + ns = n, p1 + ... + pt = p.
Avec des notations évidentes, si A = (Ai,j )16i6s, 16j6t et B = (Bi,j )16i6s, 16j6t alors λA+µB = (λAi,j +µBi,j )16i6s, 16j6t .
2) Multiplication.
Pour calculer par blocs le produit AB, le découpage de A en colonnes doit correspondre au découpage de B en lignes.
On découpe une matrice A = (ai,j )16i6n, 16j6p de format (n, p) en A = (Ai,j )16i6r, 16j6s où 1 6 i 6 r, 1 6 j 6 t et
n1 + ... + nr = n, p1 + ... + ps = p, et une matrice B = (bi,j )16i6p, 16j6q de format (p, q) en B = (Bi,j )16i6s, 16j6t
où 1 6 i 6 s, 1 6 j 6 t et p1 + ... + ps = p, q1 + ... + qt = q.
Xs
Si, pour 1 6 i 6 r et 1 6 j 6 t, on pose Ci,j = Ai,k Bk,j , alors AB = (Ci,j )16i6r, 16j6t .
k=1

L’étude de la comatrice sera rappelée dans le chapitre « déterminant » et les calculs de puissance de matrices ou
d’inverses de matrices seront étudiés dans le chapitre « réduction des endomorphismes ».

c Jean-Louis Rouget, 2019. Tous droits réservés. 8 http ://[Link]

 Déterminants. Rappels
I - Applications multilinéaires
1) Définition.
Soient E1 ,..., En , F n + 1 espaces vectoriels . Soit f une application de E1 × ... × En dans F.

f est n-linéaire ⇔ f est linéaire par rapport à chaque variable

⇔ ∀(ai )16i6n , ∀i ∈ J1, nK, l’application Ei → F est linéaire.
xi 7→ f(a1 , ..., ai−1 , xi , ai+1 , ..., an )

Exemple. Un produit scalaire est bilinéaire. Dans R3 euclidien orienté, f : R3 × R3 est bilinéaire.
(x, y) →
7 x∧y
Si E1 = ... = En = E et F = K, on obtient les formes n-linéaires sur E.
2/ Formes symétriques , antisymétriques , alternées.
Définition. Soit f une forme n-linéaire sur E.
1) f est symétrique ⇔ ∀(x1 , ..., xn ) ∈ En , ∀σ ∈ Sn , f(xσ(1) , ..., xσ(n) ) = f(x1 , ..., xn ).
2) f est antisymétrique ⇔ ∀(x1 , ..., xn ) ∈ En , ∀σ ∈ Sn , f(xσ(1) , ..., xσ(n) ) = ε(σ)f(x1 , ..., xn ).
3) f est alternée ⇔ ∀(x1 , ..., xn ) ∈ En , [(∃(i, j) ∈ J1, nK2 / i 6= j et xi = xj ) ⇒ f(x1 , ..., xn ) = 0].
Théorème. f est antisymétrique ⇔ ∀(x1 , ..., xn ) ∈ En , ∀τ transposition de J1, nK, f(xτ(1) , ..., xτ(n) ) = −f(x1 , ..., xn ).
Démonstration. Soit σ ∈ Sn , on écrit σ = τ1 ◦ ... ◦ τk où les τi sont des transpositions et on sait que ε(σ) = (−1)k .
Théorème. Soient E un K-espace vectoriel (K sous-corps de C) puis f une forme n-linéaire sur E.
f alternée ⇔ f antisymétrique.
Démonstration.
⇒ / Soit (x1 , ..., xn ) ∈ En . Soient i 6= j puis τ = τi,j .

0 = f(x1 , ..., xi + xj , ...xi + xj , ..., xn )

= f(x1 , ..., xi , ..., xi , ...xn ) + f(x1 , ..., xi , ..., xj , ...xn ) + f(x1 , ..., xj , ..., xi , ...xn ) + f(x1 , ..., xj , ..., xj , ...xn )
= f(x1 , ..., xi , ..., xj , ...xn ) + f(x1 , ..., xj , ..., xi , ...xn ).

Donc pour tout (x1 , ..., xn ) ∈ En , pour toute transposition τ, f(xτ(1) , ..., xτ(n) ) = −f(x1 , ..., xn ) et f est antisymétrique.
⇐ / Soit (x1 , ..., xn ) ∈ En tel qu’il existe i 6= j tel que xi = xj = x.
L’égalité f(x1 , ..., xi , ..., xj , ...xn ) = −f(x1 , ..., xj , ..., xi , ...xn ) s’écrit encore f(x1 , ..., x, ..., x, ...xn ) = −f(x1 , ..., x, ..., x, ...xn )
ou encore 2f(x1 , ..., x, .., x, ...xn ) = 0 ou enfin f(x1 , ..., x, .., x, ...xn ) = 0.

II- Définition de la forme déterminant dans une base.

1) Théorème fondamental. Soit E un espace vectoriel de dimension finie n > 1. On note Λ∗n (E) l’ensemble des
formes n-linéaires alternées sur E.
Théorème. 1) Λ∗n (E) est un K-espace vectoriel de dimension 1.
2) Si B = (ei )16i6n est une base donnée de E, il existe une et une seule forme f n-linéaire alternée sur E telle que
f(B) = 1.
Définition. L’unique forme f n-linéaire alternée sur E telle que f(B) = 1 s’appelle la forme déterminant dans la base
B et se note detB .
n
X
n
Démonstration. Soit (x1 , ..., xn ) ∈ E . Pour j ∈ J1, nK, posons xj = xi,j ei (où les xi,j sont dans K).
i=1
Soit f une forme n-linéaire alternée sur E. En développant
f(x1 , ..., xn ) par n-linéarité, on obtient une somme de nn
termes du type xχ(1),1 ...xχ(n),n f eχ(1) , ..., eχ(n) où χ est une application quelconque de J1, nK dans lui-même.
f est alternée et les termes correspondant aux applications χ telles que ∃i 6= j/ χ(i) = χ(j), sont nuls. Donc tous les
termes pour lesquels χ n’est pas injective disparaissent. Maintenant, J1, nK étant un ensemble fini, χ est injective si et
seulement si χ est une bijection de J1, nK sur lui-même ou encore une permuation de J1, nK.
Il ne reste donc que les termes du type xσ(1),1 ...xσ(n),n f(eσ(1) , ..., eσ(n) ) = ε(σ)xσ(1),1 ...xσ(n),n f(e1 , ..., en ) où σ est
une élément quelconque de Sn .
On a montré que nécessairement
X
∀(x1 , ..., xn ) ∈ En , f(x1 , ..., xn ) = f(e1 , ..., en ) ε(σ)xσ(1),1 ...xσ(n),n .
σ∈Sn

c Jean-Louis Rouget, 2019. Tous droits réservés. 1 http ://[Link]

 X
Pour (x1 , ..., xn ) ∈ En , posons ϕ(x1 , ..., xn ) = ε(σ)xσ(1),1 ...xσ(n),n .
σ∈Sn
• ϕ est une forme n-linéaire sur E carX linéaire par rapport à chaque variable.
• ϕ est non nulle car ϕ(e1 , ..., en ) = ε(σ)δσ(1),1 ...δσ(n),n = 1.
σ∈Sn
• ϕ est alternée. En effet, soit (x1 , ..., xn ) ∈ En tel que xi = xj pour un certain couple (i, j) tel que i 6= j.
Soit τ = τi,j . On sait que si An est l’ensemble des permutations paires, An τ est l’ensemble des permutations impaires.
Donc

X X
ϕ(x1 , ..., xi , ..., xj , ..., xn ) = xσ(1),1 ...xσ(n),n − xστ(1),1 ...xστ(n),n
σ∈An σ∈An
X X
= xσ(1),1 ...xσ(i),i . . . xσ(j),j . . . xσ(n),n − xσ(1),1 ...xσ(j),i . . . xσ(i),j . . . xσ(n),n
σ∈An σ∈An
X X
= xσ(1),1 ...xσ(i),i . . . xσ(j),j . . . xσ(n),n − xσ(1),1 ...xσ(j),j . . . xσ(i),i . . . xσ(n),n (car xi = xj )
σ∈An σ∈An

= 0.

Finalement, Λ∗n (E) = Vect(ϕ) avec ϕ 6= 0 et Λ∗n (E) est un K-espace vectoriel de dimension 1.
On a vu que ϕ(B) = 1 et que si f ∈ Λ∗n (E), f = f(B)ϕ. Par suite, f(B) = 1 ⇔ f = ϕ.
2) Propriétés.
Théorème.
1) detB (B) = 1.
2) detB ′ = detB ′ (B)detB .
3) detB (B ′ ) × detB ′ (B) = 1.
4) detB (B ′ ) × detB ′ (B ′′ ) = detB (B ′′ ).
Démonstration. On applique : ∀f ∈ Λ∗n (E), f = f(B)detB .
3) Applications.
a) Théorème. Soit B une base de E de dimension finie n > 1 et B ′ une famille de n vecteurs de E. B ′ est une base
de E si et seulement si detB (B ′ ) 6= 0.
Démonstration. Si B ′ est une base, detB (B ′ ) × detB ′ (B) = 1 et en particulier detB (B ′ ) 6= 0.
Si B ′ n’est pas une base, puisque card(B) = n, B ′ est liée. Par suite, l’un des vecteurs de B ′ est combinaison linéaire
des autres vecteurs de B ′ . Par n linéarité de detB et puisque detB est alternée, on a bien detB (B ′ ) = 0.
b) Orientation.
Soient B et B ′ deux bases de E 6= {0}. On définit la relation : « B ′ a même orientation que B ⇔ detB (B ′ ) > 0 ».
La relation précédente est une relation d’équivalence à deux classes. On appelle arbitrairement l’une des deux classes,
classe des bases directes et l’autre, classe des bases indirectes. L’espace E est alors orienté.

III - Déterminant d’une matrice carrée. Déterminant d’un endomorphisme.

1) Déterminant d’une matrice carrée.
a) Définition. X
Si A = (ai,j )16i,j6n ∈ Mn (K), le déterminant de A est le nombre det(A) = ε(σ)aσ(1),1 ...aσ(n),n .
σ∈Sn
Notation. det(A) = |ai,j |16i,j6n .
b) Propriétés.
Théorème. detA = det(t A). X
Démonstration. det(t A) = ε(σ)a1,σ(1) ...an,σ(n) .
σ∈Sn
Soit σ un élément donné de Sn . Si on pose i1 = σ(1), ... , in = σ(n), alors σ−1 (i1 ) = 1, ..., σ−1 (in ) = n.
Le monôme a1,σ(1) ...an,σ(n) s’écrit aσ−1 (i1 ),i1 ...aσ−1 (in ),in ou encore aσ−1 (1),1 . . . aσ−1 (n),n , après avoir remis dans
l’ordre les n facteurs. Donc,

X X
det(t A) = ε(σ)a1,σ(1) ...an,σ(n) = ε(σ)aσ−1 (1),1 . . . aσ−1 (n),n
σ∈Sn σ∈Sn
X X
= ε(σ−1 )aσ−1 (1),1 . . . aσ−1 (n),n = ε(σ ′ )aσ ′ (1),1 . . . aσ ′ (n),n
σ∈Sn σ ′ ∈Sn

= det(A)

car l’application σ 7→ σ−1 est une permutation de Sn (puisque application involutive de Sn dans lui-même).

c Jean-Louis Rouget, 2019. Tous droits réservés. 2 http ://[Link]

Théorème. 1) ∀(A, B) ∈ (Mn (K))2 , det(AB) = (detA)(detB).
2) det(In ) = 1.
3) ∀A ∈ Mn (K), [A ∈ GLn (K) ⇔ detA 6= 0] et dans ce cas det(A−1 ) = (detA)−1 .
L’ensemble des matrice carrées de déterminant 1 est un sous-groupe de (GLn (K), ×) noté SLn (K) (groupe spécial
linéaire).
Théorème. Deux matrices semblables ont même déterminant.
Théorème. ∀A ∈ Mn (K), ∀λ ∈ K, det(λA) = λn det(A).
Danger. En général, det(A + B) 6= det(A) + det(B).
c) Application aux calculs de rang.
Théorème. Le rang d’une matrice A est le format maximum d’un déterminant extrait de A et non nul.
2) Déterminant d’un endomorphisme.
a) Définition.
Définition. Soit f ∈ L (E). Le déterminant de f, noté det(f), est le déterminant de sa matrice dans une base donnée
(ne dépend pas du choix d’une base car deux matrices semblables ont même déterminant).
b) Propriétés.
Théorème. Soit f ∈ L (E).
1) Pour toute base B de E, pour tout (x1 , ..., xn ) ∈ En , detB (f (x1 ) , ..., u (xn )) = (det(f)) × detB (x1 , ..., xn ).
2) Pour toute base B de E, detB (f(B)) = det(f).
Théorème.
1) det (IdE ) = 1.
2) ∀(f, g) ∈ (L (E))2 , det(g ◦ f) = (det(f)) × (det(g)).
3) ∀f ∈ L (E), (f ∈ GL(E) ⇔ det(f) 6= 0) et dans ce cas, det f−1 = (det(f))−1 .

Théorème. ∀f ∈ L (E), ∀λ ∈ K, det(λf) = λn (det(f)).

Danger. En général, det(u + v) 6= detu + detv.

IV - Calculs de déterminants
1) Transposition. detA = det(t A) et donc toutes les règles portant sur les colonnes sont encore valables sur les
lignes.
2) Matrices triangulaires. Le déterminant d’une matrice triangulaire est égal au produit de ses coefficients diago-
naux. En particulier, le déterminant d’une matrice diagonale est le produit de ses coefficients diagonaux.
3) Opérations élémentaires.
a) ∀σ ∈ Sn , det(Cσ(1) , ..., Cσ(n) ) = ε(σ)det(C1 , ..., Cn ). Quand on permute des colonnes, le déterminant est multiplié
par la signature de la permutation. (et de même pour les lignes)
b) Si on ajoute à une colonne une combinaison linéaire des autres colonnes, le déterminant garde la même valeur. (et
de même pour les lignes)
c) det est n-linéaire et donc det(C1 , ..., Ci + Ci′ , ..., Cn ) = det(C1 , ..., Ci , ..., Cn ) + det(C1 , ..., Ci′ , ..., Cn ) et
det(C1 , ..., λCi , ..., Cn ) = λdet(C1 , ..., Cn ).
Danger. det(A + B) 6= detA + detB en général et det(λA) = det(λC1 , ..., λCi , ..., λCn ) = λn det(C1 , ..., Cn ) = λn detA.
4) Calculs par blocs.  
A1 × ... ×
. ..
. . . ..
 
 0 . 
Théorème. Si les Ai sont des matrices carrées, det  ..
 = det (A1 ) × det (A2 ) × ... × det (Ap ).
 .. .. 
 . . . × 
0 . . . 0 Ap
5) Développement suivant une ligne ou une colonne.
Théorème. Soient mi,j le mineur de ai,j et Ai,j = (−1)i+j mi,j = cofacteur de ai,j . Alors, ∀(i, j) ∈ J1, nK2 ,

n
X
det(A) = ai,k Ai,k (développement suivant la ligne i)
k=1
Xn
= ak,j Ak,j (développement suivant la colonne j)
k=1

Démonstration. Il suffit de démontrer la formule de développement suivant une colonne car detA = det(t A).

c Jean-Louis Rouget, 2019. Tous droits réservés. 3 http ://[Link]

Ensuite, il suffit de démontrer la formule de développement suivant la première colonne car alors, si on veut développer
suivant la colonne j, on effectue la permutation des colonnes Cj → C1 → C2 ... → Cj−1 dont la signature est (−1)j−1
(signature d’un cycle de longueur j), puis en développant suivant la première colonne, on obtient
n
X n
X
det(A) = (−1)j−1 ak,j (−1)k+1 mk,j = ak,j Ak,j .
k=1 k=1

Il reste à démontrer la formule de développement

  suivant la première colonne.
0
 .. 
 . 
 
 0  n
  X
C1 est somme de n colonnes du type  a
 i,1 
 et par n-linéarité du déterminant, detA = detAi où
 0  i=1
 
 . 
 .. 
0

0 a1,2 ... ... a1,n

.. .. ..
. . .
0 ai−1,2 ... . . . ai−1,n
det (Ai ) = ai,1 ai,2 ... ... ai,n .
0 ai+1,2 ... . . . ai+1,n
.. .. ..
. . .
0 an,2 ... ... an,n

Si i = 1, un calcul de déterminant par blocs fournit det (A1 ) = a1,1 A1,1 .

Si i > 2, on passe Li en L1 , L1 en L2 ,..., Li−1 en Li . On obtient

ai,1 ai,2 ... ... ai,n

0 a1,2 ... ... a1,n
.. .. ..
. . .
det (Ai ) = (−1)i−1 0 ai−1,2 ... . . . ai−1,n = Ai,1 (calcul par blocs)
0 ai+1,2 ... . . . ai+1,n
.. .. ..
. . .
0 an,2 ... ... an,n
n
X
et finalement detA = ai,1 Ai,1 .
i=1

V - Comatrice. Inverse d’une matrice .

La comatrice de la matrice carrée A de format n est la matrice, notée com(A), dont le coefficient ligne i, colonne j,
est le cofacteur de l’élément ai,j de A, c’est-à-dire si A = (ai,j )16i,j6n , alors com(A) = (Ai,j )16i,j6n . La transposée
de la comatrice de A est appelée matrice complémentaire de A et est notée Ã.
Théorème.
1) ∀A ∈ Mn (K), AÃ = ÃA = (detA)In ou encore At (com(A)) = t (com(A))A = (detA)In .
1 t
2) ∀A ∈ Mn (K), (A ∈ GLn (K) ⇔ det(A) 6= 0) et dans ce cas, A−1 = (com(A)).
detA
n
X
Démonstration. Le coefficient ligne i, colonne j de At (comA) vaut ai,k Aj,k .
k=1
• Si i = j, cette expression n’est autre que le développement de det(A) suivant sa i-ème ligne et vaut donc det(A).
Xn
• Si i 6= j, ai,k Aj,k est le développement suivant la ligne j du déterminant déduit de det(A) en remplaçant la
k=1
ligne j de det(A) par sa ligne i (et en ne modifiant pas sa ligne i). Cette expression est donc nulle puisque égale à un
déterminant ayant deux lignes identiques.
Ensuite , il est clair que com (t A) = t (com(A)) (à partir de la définition de com(A)) et donc ÃA = (t com(A)) A =
com (t A) t (t A) = t (t At (com (t A)) = t ((det (t A) In ) = (det(A))In .

c Jean-Louis Rouget, 2019. Tous droits réservés. 4 http ://[Link]

 Fraction rationnelles. Rappels
I- Décomposition d’un polynôme en produit de facteurs irréductibles
Définition. Un polynôme P non constant à coefficient dans K est dit irréductible sur K si et seulement s’il n’existe
pas deux polynômes P1 et P2 tels que P = P1 P2 et deg(P1 ) < deg(P) et deg(P2 ) < deg(P) (les constantes ne sont pas
des polynômes irréductibles de même que 1 n’est pas un nombre premier).
Théorème. (Décomposition en produit de facteurs irréductibles).
Pour tout élément P de K[X] non constant, il existe une unique constante non nulle C, une unique famille (P1 , P2 , ..., Pk )
de polynômes unitaires (unique à l’ordre près des facteurs), irréductibles sur K et deux à deux distincts et une unique
Y
k
suite d’exposants tous non nuls α1 , α2 , ... , αk tels que P = C Piαi .
i=1

Théorème de d’ALEMBERT-GAUSS. Les polynômes irréductibles sur C sont les polynômes de degré 1 exac-
tement ou aussi tout polynôme non constant de C[X] est scindé.
On en déduit les polynômes irréductibles sur R à l’aide du résultat :
Théorème. Soit P un polynôme non nul à coefficients réels. Soit z ∈ C. z est racine de P d’ordre α si et seulement si
z est racine de P d’ordre α.
Théorème. Les polynômes réels irréductibles sur R sont les polynômes de degré un et de degré deux à discriminant
strictement négatif. (tout autre type de polynôme non constant se factorise de manière non triviale même s’il n’a
pas de racine réelle. Par exemple, un polynôme de degré 4 se factorise nécessairement de manière non triviale :

2
X4 + X2 + 1 = X4 + 2X2 + 1 − X2 = X2 + 1 − X2 = X2 + X + 1 X2 − X + 1 ).

Pour factoriser sur R, on peut factoriser sur C puis regrouper les facteurs conjugués, ce qui impose de trouver
toutes les racines, mais ce n’est pas l’unique méthode.
Les exemples les plus fréquents :
(1) X2 − 1 = (X − 1)(X + 1) sur R ou C.
(2) X2 + 1 est irréductible sur R. X2 + 1 = (X − i)(X + i) sur C.
√ ! √ !
−1 + 5 −1 − 5
(3) X2 + X − 1 = X − X− .
2 2
(4) X3 − 1 = (X − 1) X2 + X
+ 1 sur R (à partir de a3 − b3 = (a − b) a2 + ab + b2 .

X3 − 1 = (X − 1)(X − j) X − j2 sur C . Les racines cubiques de 1 sont 1, j et j2 et donc X2 + X + 1 = (X − j) X − j2 .

Au passage, sur le nombre

√ j, on doit savoir : √
2iπ/3 1 3 2 1 −2iπ/3 1 3 3
j=e =− +i ,j = =j=e =− −i , j = 1.
2 2 j 2 2
2 2 2 2
1 + j + j = 0 et donc 1 + j = −j, 1 + j = −j et j + j = −1.
Pour n ∈ Z, j3n = 1, j3n+1 = j et j3n+2 = j2 .
(5) X3 + 1 = (X + 1) X2 − X +
1 sur R (en remplaçant X par −X ou en utilisant a3 + b3 = (a + b) a2 − ab + b2 )

X3 + 1 = (X + 1)(X + j) X + j2 sur C (les racines de ce polynôme sont bien sûr les opposées des racines précédentes
à savoir −1 = eiπ , −j = e−iπ/3 et −j2 = eiπ/3 ) et donc X2 − X + 1 = (X + j) X + j2 sur C.

(6) X4 − 1 = (X − 1)(X + 1) X2 + 1 sur R (à partir de X4 − 1 = X2 − 1 X2 + 1 )

X4 − 1 = (X − 1)(X + 1)(X + i)(X − i) sur C (les racines 4ème de 1 sont 1, i, −1 et −i)

(7) X4 + 1 = X − eiπ/4 X − e−iπ/4 X − e3iπ/4 X − e−3iπ/4 sur C (les racines 4ème de −1 peuvent être

obtenues ainsi : eiπ/4 est évidemment l’une d’entre elles et d’autre part, par parité et réalité du polynôme X4 + 1,
on a aussi son conjugué e−iπ/4 , son opposé −eiπ/4 = e−3iπ/4 et l’opposé de son conjugué −e−iπ/4 = e3iπ/4 ).
Sur R, il faut factoriser directement (et non pas passer par C) :
 √  √ 
X4 + 1 = X4 + 2X2 + 1 − 2X2 = (X2 + 1)2 − 2X2 = X2 + 2X + 1 X2 − 2X + 1 .

(8) X6 − 1 = (X − 1)(X + 1)(X − j)(X + j) X −
j2 )(X + j2 sur C.

Sur R, directement : X6 − 1 = X3 − 1 X3 + 1 = (X − 1) X2 + X + 1 (X + 1) X2 − X + 1 .

(9) X6 + 1 = X − eiπ/6 X − e−iπ/6 (X − i)(X + i) X − e5iπ/6 X − e−5iπ/6 sur C.

Sur R, directement :

3
X6 + 1 = X2 + 1 = X2 + 1 X4 − X2 + 1 = X2 + 1 X4 + 2X2 + 1 − 3X2






 √  √ 
= X2 + 1 X2 + 1 2 − 3X2 = X2 + 1 X2 + 3X + 1 X2 − 3X + 1 .

c Jean-Louis Rouget, 2019. Tous droits réservés. 1 http ://[Link]


2  √  √
Au passage X4 − X2 + 1 = X4 + 2X2 + 1 − 3X2 = X2 + 1 − 3X2 = X2 + X 3 + 1 (X2 − X 3 + 1).
Y
n−1 
(10) Sur C, Xn − 1 = X − e2ikπ/n .
k=0
Sur R, il faut regrouper les conjugués en discutant suivant la parité de n :
Y
p−1
kπ

2p 2
• Si n = 2p est pair, X − 1 = (X − 1)(X + 1) X − 2Xcos +1 .
p
k=1
Yp 
2kπ

2p+1 2
• Si n = 2p + 1 est impair, X − 1 = (X − 1) X − 2Xcos +1 .
2p + 1
k=1

II- Décomposition d’une fraction rationnelle non nulle en éléments simples

P
Soit F = , P et Q polynômes tous deux non nuls.
Q
1ère étape de la décomposition.
S’assurer que F est sous forme irréductible et pour cela déterminer d’abord la décomposition de Q en produit de
facteurs irréductibles. La fraction n’est pas irréductible quand une racine de Q est aussi racine P.
2ème étape de la décomposition. Ecrire l’allure générale de la décomposition en éléments simples de F.
Théorème (hors programme). (décomposition en éléments simples sur un corps quelconque (et par exemple sur
Q)).
Y
k
Si Q = Qα
i où les Qi sont unitaires, irréductibles et deux à deux distincts (et P et Q premiers entre eux) alors
i

i=1
Xk X
αi
Pi,j
F = E+ Pi où E est un polynôme appelé la partie entière de F et Pi = avec deg(Pi,j ) < degQi .
i=1 Qji
j=1
Pi est la partie polaire relative au facteur Qα
i . De plus la décomposition est unique.
i

X
n
λi
Théorème. (décomposition sur C). La partie polaire relative au facteur (X − a)n est de la forme (avec
(X − a)i
i=1
λn 6= 0) (éléments simples de 1ère espèce).
Théorème. (décomposition sur R).
X
n
λi
La partie polaire relative au facteur (X − a)n est de la forme (avec λn 6= 0) (et les λi réels) (éléments
(X − a)i
i=1
simples de 1ère espèce).
X
n
λi X + µi
La partie polaire relative au facteur (X2 +aX+b)n avec a2 −4b < 0 s’écrit : (avec (λn , µn ) 6= (0, 0))
(X2 + aX + b)i
i=1
(éléments simples de 2ème espèce).
Utilisation de la parité et de la réalité.
1 a b c d
Sur C, F = 4 = + + + .
X −1 X−1 X+1 X−i X+i
F est réelle donc F = F ce qui s’écrit

a b c d a b c d
+ + + = + + +
X−1 X+1 X−i X+i X−1 X+1 X+i X−i

(F est la fraction rationnelle dont les coefficients sont les conjugués des coefficients de F (on ne conjugue pas X)) et
par unicité de la décompostion en éléments simples : a = a (c’est-à-dire a est réel) b = b, d = c. En pratique, si F est
réelle, on ne détaille pas ce qui précède et on écrit directement un élément simple « non réel » suivi de son conjugué :
a b c c
F= + + + , a et b réels.
X−1 X+1 X−i X+i
F est paire donc F(X) = F(−X) ce qui s’écrit

a b c c a b c c
+ + + =− − − − .
X−1 X+1 X−i X+i X+1 X−1 X+i X−i
a a c c
Par unicité de la décompostion en éléments simples : b = −a et c = −c. Finalement, F = − + −
X−1 X+1 X−i X+i
avec a réel et c imaginaire pur. En pratique quand F est paire (resp. impaire), chaque fois qu’on écrit un élément simple,
on lui ajoute (retranche) l’élément simple obtenu en remplaçant X par −X :
a a a a
F= + ... = − ...
X − 1 −X − 1 X−1 X+1

c Jean-Louis Rouget, 2019. Tous droits réservés. 2 http ://[Link]

3ème étape de la décomposition. Déterminer la partie entière E. Son degré est degP − degQ si degP > degQ et
E = 0 sinon. E est le quotient de la division euclidienne de P par Q.
X7 − 1 b c d d
Par exemple, = a3 X3 + a2 X2 + a1 X + a0 + + + + .
(X2 − 1)(X2 + 1) X−1 X+1 X−i X+i

X7 −1 X4 − 1
− (X7 −X3 ) X3
X3 −1

et donc E = X3 ou bien directement « à la main »

X7 − 1 X7 − X3 + X3 − 1 X3 − 1
= = X3 + 4 .
(X2 2
− 1)(X + 1) 4
X −1 X −1

x7 − 1
On peut obtenir le terme de plus degré grâce à un équivalent : ∼ x3 et donc a3 = 1.
(x2 − 1)(x2 + 1) x→+∞

4ème étape de la décomposition. Déterminer chaque partie polaire.

a) Partie polaire relative à un pole simple. Si Q est factorisé , utiliser λ = lim (x − a)F(x) .
x→a

2X + 1 a b c1 c2 c3
Exemple. = + + + + .
X(X − 1)3 (X + 3) X X + 3 X − 1 (X − 1)2 (X − 1)3
2×0+1 1 5 3
a = lim xF(x) = = − , b = lim (x + 3)F(x) = − (et c3 = lim (x − 1)3 F(x) = )
x→0 (0 − 1)3 (0 + 3) 3 x→−3 192 x→1 4

P(a)
Si Q est développé, utiliser plutôt λ = .
Q ′ (a)
1 P
Exemple. Décomposer en éléments simples sur C la fraction F = = avec P = 1 et Q = Xn − 1.
−1 Xn Q
1 X λk
n−1
P(ωk ) 1 ωk 1 X ωk
n−1
2ikπ/n
= où ω k = e . λ k = = = et = .
Xn − 1 X − ωk
k=0
Q ′ (ωk ) nωkn−1 n Xn − 1 X − ωk
k=0

b) Partie polaire relative à un pôle multiple. La méthode générale (division suivant les puissances croissantes)
a été supprimée des programmes. Il ne reste donc que la « débrouille ».
2X + 1 1 5 c1 c2 c3
Exemple. 3
=− − + + 2
+ .
X(X − 1) (X + 3) 3X 192(X + 3) X − 1 (X − 1) (X − 1)3
2×1+1 3
• c3 = lim (x − 1)3 F(x) = = .
x→1 1 × (1 + 3) 4
1 5 69 23
• 0 = lim xF(x) = − − + c1 et donc c1 = = .
x→+∞ 3 192 192 64
1 1 1 69 3 7
• x = 2 fournit = − − + + c2 + et donc c2 = − .
2 6 192 192 4 16
2X + 1 3 4(2X + 1) − 3X(X + 3) −3X2 − X + 4 −3X − 4
ou bien 3
− 3
= 3
= 3
= puis
X(X − 1) (X + 3) 4(X − 1) 4X(X − 1) (X + 3) 4X(X − 1) (X + 3) 4X(X − 1)2 (X + 3)
  
3 2 7
c2 = lim F(x) − (x − 1) =−
x→1 4(x − 1)3 16

c) Elément simple de 2ème espèce sur R « à l’exposant 1 ».

On généralise l’idée pour un pôle simple :
X2 − 7X + 1 aX + b c d
Exemple 1. 2 2
= 2 + + avec a, b, c et d réels.
(X + 1)(X − 1) X +1 X − 1 (X − 1)2
i2 − 7i + 1 7 7
ai + b = lim (x2 + 1)F(x) = = et puisque (1, i) est une base du R-espace vectoriel C : b = et a = 0.
x→i (i − 1)2 2 2
X3 − X aX + b aX − b
Exemple 2. 4 = √ + √ (car la fraction est impaire).
X +1 X2 − 2X + 1 X2 + 2X + 1
√
1ère idée pour déterminer a et b. Soit ω = eiπ/4 (ω est l’une des deux racines de X2 − 2X + 1).
√ ω3 − ω ω3 − ω 1 1 1 √
aω + b = lim (x2 − 2x + 1)F(x) = √ = √ = √ (ω2 − 1) = ω − √ (car ω2 − 2ω + 1 = 0)
x→ω 2
ω + 2ω + 1 2 2ω 2 2 2 2
c Jean-Louis Rouget, 2019. Tous droits réservés. 3 http ://[Link]
 1 1
Puisque (1, ω) est une base du R-espace vectoriel C (car ω n’est pas réel), on obtient a = et b = − √ .
2 2
2ème idée pour déterminer a et b. On décompose sur C puis on réduit au même dénominateur les fractions
conjuguées.
X3 − X a a a a
4
= iπ/4
+ + iπ/4
+ .
X +1 X−e X−e −iπ/4 X+e X + e−iπ/4
3
ω −ω 1 1 √
a= 3
= (1 + ω2 ) = √ ω (car ω4 = −1 et ω − 2ω + 1 = 0).
4ω 4 2 2 √
a a 1 ω(X − ω) + ω(X − ω) 1 2X − 2
Ensuite, + = √ = √ √ .
X−ω X−ω 2 2 X2 − (ω + ω)X + ωω 2 2 X2 − 2X + 1

c Jean-Louis Rouget, 2019. Tous droits réservés. 4 http ://[Link]

 Polynômes. Rappels
I- L’aspect formel des polynômes
1) Définitions, opérations
Rappel de la construction. Dans un premier temps, un polynôme à coefficients dans K est une suite d’éléments
comportant un nombre fini (éventuellement nul) de termes non nuls. Dans un premier temps, un polynôme s’écrit donc
P = (a0 , a1 , . . .) où la suite (ak )k∈N est à support fini (le support de la suite (ak )k∈N étant l’ensemble des entiers k
tels que ak 6= 0).
On note alors X le polynôme (0, 1, 0, 0 . . .) et une fois définies les opérations usuelles sur les polynômes, on adopte une
+∞
X X n
k
nouvelle notation : P = ak X (la somme étant en fait finie) ou P = ak Xk (n ne désignant le degré de P que si
k=0 k=0
an 6= 0).
Les opérations dans K[X] sont définies par (les suites considérées ci-dessous étant à support fini) :
X+∞ +∞
X X+∞
n n
• Si A = an X et B = bn X , alors A + B = (an + bn ) Xn ,
n=0 n=0 n=0
+∞
X +∞
X
n n
• Si A = an X , alors λA = (λan ) X ,
n=0 n=0
+∞ +∞ +∞ n
!
X X X X
n n
• Si A = an X et B = bn X , alors A × B = ak bn−k Xn ,
n=0 n=0 n=0 k=0
+∞
X +∞
X +∞
X
• Si A = an Xn et B = bn Xn , alors B ◦ A = bn An .
n=0 n=0 n=0

Théorème.
• (K[X], +, .) est un K-espace vectoriel de dimension infinie. La base canonique de K[X] est (Xn )n∈N .
• (K[X], +, ×) est un anneau commutatif et intègre (dans K[X], un produit de facteurs est nul si et seulement si l’un de
ses facteurs est nul (se démontre grâce aux degrés des polynômes)). Les inversibles de cet anneau sont les constantes
non nulles.
• (K[X], +, ., ×) est une K-algèbre de dimension infinie.
2) Dérivation (formelle)
+∞
X +∞
X +∞
X
Définition. Si P = an Xn , alors P ′ = nan Xn−1 = (n + 1)an+1 Xn .
n=0 n=1 n=0
+∞
X +∞
X
Plus généralement, P(k) = n(n − 1) . . . (n − k + 1)ak Xn−k = (n + k)(n + k − 1) . . . (n + 1)an+k Xn =
n=k n=0
+∞
X (n + k)!
an+k Xn .
n!
n=0

Théorème. Cette dérivation formelle obéit  à toutes

 les formules usuelles connues en analyse.
k
X Y Xn  
′ ′ (n) n (k) (n−k)
En particulier, (P1 × . . . × Pk ) = Pi Pj et (P × Q)
 = P Q (Leibniz).
k
i=1 j6=i k=0

3) Degré, coefficient dominant

Définition. Si P est un polynôme non nul, deg(P) = Max {k ∈ N/ ak 6= 0}. D’autre part, par convention, deg(0) = −∞.
Si P n’est pas nul, dom(P) = an où n = deg(P). Un polynôme unitaire (ou normalisé) est un polynôme de coefficient
dominant égal à 1.
Théorème.
• deg(P × Q) = deg(P) + deg(Q).
• deg(P ◦ Q) = deg(P) × deg(Q).
deg(P) si λ 6= 0
• deg(λP) = . Dans tous les cas, deg(λP) 6 deg(P).
−∞ si λ = 0
• Si deg(P) 6= deg(Q) ou si deg(P) = deg(Q) 6= −∞ et dom(P) 6= −dom(Q), deg(P + Q) = Max {deg(P), deg(Q)}.
Dans tous les cas, deg(P + Q) 6 Max {deg(P), deg(Q)}.
deg(P) − 1 si deg(P) > 1 deg(P) − k si deg(P) > k
• deg(P ′ ) = . deg P(k) =


.
−∞ si deg(P) 6 0 −∞ si deg(P) < k
Théorème. Si Kn [X] est l’ensemble des polynômes de degré inférieur
ou égal à n, (Kn [X], +, .) est un K-espace
vectoriel de dimension n + 1. La base canonique de (Kn [X], +, .) est Xk 06k6n .

c Jean-Louis Rouget, 2019. Tous droits réservés. 1 http ://[Link]

Théorème. Une famille de polynômes non nuls de degré deux à deux distincts est libre.
Si (Pk )06k6n est une famille de n + 1 polynômes telle que pour tout k ∈ J0, nK, deg (Pk ) = k, alors (Pk )06k6n est une
base de Kn [X].

II- Arithmétique des polynômes

1) Division euclidienne
Théorème. Soient A et B deux éléments K[X] tels que B 6= 0. Il existe un couple (Q, R) élément de (K[X])2 et un seul
tel que :

A=B×Q+R et deg(R) < deg(B).

A
Q est le quotient de la division euclidienne de A et par B (ou aussi la partie entière de la fraction rationnelle) et R est
B
le reste de la division euclidienne de A et par B. Disposition pratique pour la division euclidienne de 2X −X +X3 +X+1
7 4

par X2 − 3X + 1 :

2X7 − X4 + X3 +X+1 X2 − 3X + 1
− 2X7 − 6X6 + 2X5


2X5 + 6X4 + 16X3 + 41X2 + 108X + 283
6X6 − 2X5 − X4 + X3 +X+1
− 6X6 − 18X5 + 6X4

16X5 − 7X4 + X3 +X+1

5 4 3


− 16X − 48X + 16X
41X4 − 15X3 +X+1
− 41X − 123X + 41X2
4 3

108X3 − 41X2 + X + 1


− 108X3 − 324X2 + 108X
283X2 − 107X + 1
− 283X2 − 849X + 283

742X − 282
ce qui fournit 2X7 − X4 + X3 + X + 1 = 2X5 + 6X4 + 16X3 + 41X2 + 108X + 283 X2 − 3X + 1 + 742X − 282 ou aussi

2X7 − X4 + X3 + X + 1 742X − 282

= 2X5 + 6X4 + 16X3 + 41X2 + 108X + 283 + 2 .
X2 − 3X + 1 X − 3X + 1
2) Divisibilité
Définition. Soient A et B deux polynômes, B 6= 0. B divise A si et seulement si ∃Q ∈ K[X]/ A = BQ ou encore B
divise A si et seulement si le reste de la division euclidienne de A par B est nul.
Théorème.
• La relation « A divise B » est réflexive et transitive.
• Si A et B sont deux polynômes non nuls, A|B et B|A si et seulement si ∃λ ∈ K∗ / B = λA.
• Si C divise A et B, alors C divise Q1 × A + Q2 × B pour tous polynômes Q1 et Q2 .
3) PGCD. PPCM
Théorème et définition. Soient A et B deux polynômes non nuls. Il existe un et un seul polynôme unitaire D tel
que
• D divise A et B,
• tout polynôme divisant A et B a un degré inférieur ou égal au degré de D.
D est le PGCD de A et B.
Théorème. Les diviseurs communs à deux polynômes non nuls A et B sont les diviseurs de leur PGCD.
Définition. Deux polynômes non nuls sont dits premiers entre eux si et seulement si leur PGCD est égal à 1 .
Théorème et définition. Soient A et B deux polynômes non nuls. Il existe un et un seul polynôme unitaire M tel
que
• M multiple de A et B,
• tout polynôme non nul multiple de A et B a un degré supérieur ou égal au degré de M.
M est le PPCM de A et B.
Théorème. Les multiples communs à deux polynômes non nuls A et B sont les multiples de leur PPCM.

c Jean-Louis Rouget, 2019. Tous droits réservés. 2 http ://[Link]

4) Bézout et Gauss
Théorème de Bézout. Soient A et B deux polynômes non nuls. A et B sont premiers entre eux si et seulement si
∃(U, V) ∈ K[X]/ AU + BV = 1.
Dans ce cas, une solution particulière (U0 , V0 ) de l’équation de Bézout AU+BV = 1 peut être obtenue par l’algorithme
d’Euclide.
Théorème de Gauss. Soient A, B et C trois polynômes, A 6= 0, B 6= 0. Si A divise BC et A est premier à B, alors
A divise C.
5) Polynômes irréductibles, théorème de d’Alembert. Un bref rappel est effectué dans le résumé sur les
fractions rationnelles.
III- L’aspect fonctionnel des polynômes
1) Formule de Taylor
+∞ (k)
X P (a)
Théorème. Pour tout polynôme P et tout nombre a, on a P = (X−a)k (la somme est finie). En particulier,
k!
k=0
+∞ (k) n
X P (0) k X P(k) (a)
P= X . Si P est non nul de degré n ∈ N ou si P est de degré inférieur ou égal à n, P = (X − a)k
k! k!
k=0 k=0
n
X P(k) (0) k
et en particulier, P = X .
k!
k=0
p−1
X P(k) (a)
Corollaire. Le reste de la division euclidienne de P par (X − a)p , p ∈ N∗ , est (X − a)k .
k!
k=0
X
k P(k) (0)
Corollaire. Si P = ak X , alors pour tout k, ak = et aussi P(k) (0) = k!ak .
k!
2) Racines d’un polynôme non nul
a) Définition. Soient P un polynôme et a un nombre. a est racine de P si et seulement si P(a) = 0.
Théorème. a est racine de P 6= 0 si et seulement si P est divisible par X − a.
Corollaire. Un polynôme non nul de degré n ∈ N a un nombre de racines au plus égal à n.
Corollaire. • Un polynôme de degré inférieur ou égal à n ∈ N qui admet au moins n+1 racines deux à deux distinctes
est nécessairement le polynôme nul.
• Un polynôme qui s’annule en une infinité de valeurs est nécessairement le polynôme nul.
• Deux polynômes qui coïncident en une infinité de valeurs sont égaux.
Théorème. Deux polynômes non nuls P et Q sont premiers entre eux si et seulement si P et Q n’ont pas de racine
commune dans C.
b) Ordre de multiplicité d’une racine d’un polynôme non nul.
Définition. Soient P ∈ K[X] \ {0}, a ∈ K et k ∈ N∗ . a est racine de P d’ordre k si et seulement si P est divisible par
(X − a)k et pas par (X − a)k+1 ou encore a est racine de P d’ordre k si et seulement si il existe un polynôme Q tel
que P = Q × (X − a)k et Q(a) 6= 0.
a est racine d’ordre 0 de P si et seulement si a n’est pas racine de P.
Théorème (caractérisation de l’ordre de multiplicité). a est racine d’ordre k > 1 si et seulement si P(a) =
P ′ (a) = . . . = P(k−1) (a) = 0 et P(k) (a) 6= 0.
a est racine d’ordre au moins k > 1 si et seulement si P(a) = P ′ (a) = . . . = P(k−1) (a) = 0.
Corollaire. • a est racine simple de P si et seulement si P(a) = 0 et P ′ (a) 6= 0.
• P est à racines simples si et seulement si P et P ′ n’ont pas de racine commune dans C si et seulement si P et P ′ sont
premiers entre eux.
Corollaire. Si a est racine d’ordre p > 1 de P, pour tout k ∈ J0, pK, a est racine d’ordre p − k de P(k)

IV- Relations entre coefficients et racines d’un polynôme scindé

n
X
Soit P = ak Xk = an (X − z1 ) . . . (X − an ) où n > 1, an 6= 0 (∗).
k=0
On pose σ1 = z1 + . . . + zn , σn = z1 × . . . × zn et plus généralement pour 1 6 k 6 n,

c Jean-Louis Rouget, 2019. Tous droits réservés. 3 http ://[Link]

 X
σk = zi1 × zi2 × . . . × zik
16i1 <i2 <...<ik 6n

= somme des produits k à k des n racines (pas nécessairement deux à deux distinctes) de P.

En développant l’expression factorisée de P et en identifiant, on obtient

an−1
σ1 = −
an
a0
σn = (−1)n
an
an−k
∀k ∈ J1, nK, σk = (−1)k .
an
b c
• Si P = aX2 + bX + c = a (X − z1 ) (X − z2 ), a 6= 0, alors z1 + z2 = − et z1 z2 = .
a a
b c
• Si P = aX3 + bX2 + cX + d = a (X − z1 ) (X − z2 ) (X − z3 ), a 6= 0, alors z1 + z2 + z3 = − et z1 z2 + z1 z3 + z2 z3 =
a a
d
et z1 z2 z3 = − .
a

c Jean-Louis Rouget, 2019. Tous droits réservés. 4 http ://[Link]

 Résumé ; développements limités, équivalents
I. o et O
1) Définitions, généralités.
un
un = o (vn ) (ou un ≪ vn ) ⇔ → 0 ⇔ ∀ε > 0, ∃n0 ∈ N/ (∀n ∈ N), (n > n0 ⇒ |un | 6 εvn ).
n→+∞ n→+∞ vn n→+∞
f(x)
f = o (g) (ou f ≪ g) ⇔ → 0 (a réel ou infini).
x→a x→a
  g(x) x→a
un
un = O (vn ) ⇔ bornée.
n→+∞ vn
f
f = O (g) ⇔ bornée au voisinage de a (a réel ou infini).
x→a g
2) Propriétés.
• un = o(1) ⇔ un → 0 et un = O(1) ⇔ (un ) bornée.
n→+∞ n→+∞ n→+∞
f(x) = o(1) ⇔ f(x) → 0 et f(x) = O(1) ⇔ f bornée au voisinage de a (a réel ou infini).
x→a x→a x→a

• o (o (un )) = o (un ) et O (O (un )) = O (un ).

n→+∞ n→+∞
o (o (f)) = o (f) et O (O (f)) = O (f).
x→a x→a

• o (un ) + o (un ) = o (un ) et O (un ) + O (un ) = O (un ).

n→+∞ n→+∞
o (f) + o (f) = o (f) et O (f) + O (f) = O (f).
x→a x→a

• ∀λ 6= 0, o (λun ) = o (un ) et O (λun ) = O (un ).

n→+∞ n→+∞
∀λ 6= 0, o (λf) = o (f) et O (λf) = O (f).
x→a x→a

• o (un + o (un )) = o (un ) et O (un + O (un )) = O (un ).

n→+∞ n→+∞
o (f + o(f)) = o (f) et O (f + O(f)) = O (f).
x→a x→a
2 2
= o 3n2 + o 2n2 o n2 + o n2 o n2 .








Par exemple, o 3n − n + 3 + o 2n + 1 = =
n→+∞ n→+∞ n→+∞

• ∀α > 0, un = o (vn ) ⇒ uα = o (vα

n n→+∞ n ).
n→+∞
∀α > 0, f(x) = o (g(x)) ⇒ f(x) = o (g(x)α ).
α
x→a x→a
II. Développements limités
1) Définition.
f admet un développement limité d’ordre n en 0 ⇔ il existe un polynôme P = a0 + a1 X + . . . + an Xn de degré inférieur
ou égal à n tel que

f(x) = P(x) + o (xn ) = a0 + a1 x + . . . + an xn + o (xn ).

x→0

Plus généralement, f admet un développement limité d’ordre n en le réel x0 ⇔ il existe un polynôme

P = a0 + a1 X + . . . + an Xn de degré inférieur ou égal à n tel que

f(x) = P (x − x0 ) + o (x − x0 )n = a0 + a1 (x − x0 ) + . . . + an (x − x0 )n + o (x − x0 )n .



x→0

On lit donc l’ordre du développement dans le o() et pas ailleurs.

x3 x3
+ o x3 est le développement limité de sin en 0 à l’ordre 3 et sin(x) = x − + o x4 est le



sin(x) = x −
x→0 6 x→0 6
développement limité de sin en 0 à l’ordre 4.
Un développement limité est unique en cas d’existence ou encore on peut identifier les coefficients de deux développements
limités égaux. P(x) (resp. P (x − x0 )) est la partie régulière du développement limité à l’ordre n du développement limité
de f à l’ordre n en 0 (resp. x0 ).
Théorème. Si f admet un DL d’orde n en 0 et est paire (resp. impaire), les coefficients a2k+1 (resp. a2k ) sont tous nuls.
Le premier terme non nul d’un développement limité fournit un équivalent simple.
x3 x5 x3
+ o x5 fournit en particulier sin x − x ∼ − .


Par exemple, sin x − x = − +
x→0 6 120 x→0 6

1
2) Formule de Taylor-Young.
Théorème. Si f est n fois dérivable en x0 , f admet en x0 un développement limité d’ordre n, son développement de
Taylor-Young :
f ′ (x0 ) f(n) (x0 ) n n

f(x) = f (x0 ) + (x − x0 ) + . . . + (x − x0 ) + o (x − x0 ) .
x→x0 1! n!
La réciproque est fausse pour n > 2 ou encore une fonction  peut admettre
  un développement limité d’ordre n > 2 en x0 et
 3 1
x sin si x 6= 0
n’être pas dérivable en x0 . Par exemple, la fonction x 7→ x admet un développement limité d’ordre

0 si x = 0
2 en 0 à savoir f(x) = = o x2 mais n’est pas deux fois dérivable en 0 (à refaire). Par contre


x→0

Théorème. f est dérivable en x0 si et seulement si f admet en x0 un développement limité d’ordre 1.

3) Techniques.
a) Troncature.
Si f admet un développement limité d’ordre n en x0 , alors pour tout p 6 n, f admet un développement limité d’ordre p
en x0 dont la partie régulière est la proie régulière du développement limité à l’ordre n, tronquée à l’ordre p.
Par exemple, si f(x) = 1 − x3 + x4 + o x4 , alors f admet en 0 un développement limité d’ordre 2 : f(x) = 1 + o x2



x→0 x→0

b) Développement limité d’une combinaison linéaire.

Pour obtenir le développement limité de λf + µg à l’ordre n, on écrit f et g à l’ordre n.
Par exemple, un développement limité à 
l’ordre
 4 en2 0 de 42 sin x + cos
 x est
x3 x2 x3 x4

x x
+ o x4 + 1 − + o x4 + o x4




2 sin x + cos x = 2 x − + = 1 + 2x − − +
x→0 6 2 24 2 3 24
et même mieux
x3 x2 x4 x2 x3 x4
   
+ o x4 = 1 + 2x − + o x4



2 sin x + cos x = 2 x − + 1− + − +
x→0 6 2 24 2 3 24
c) Développement limité d’un produit.
Pour obtenir le développement limité de f × g à l’ordre n, on écrit f et g à l’ordre n, on développe en ne gardant que les
termes de degré inférieur ou égaux à n (la partie régulière du développement limité à l’ordre n de f × g est le produit des
parties régulières des développements limités à l’ordre n de f et√g, tronqué à l’ordre n).
Par exemple, un développement limité à l’ordre 3 en 0 de ex × 1 + x est

√ x2 x3 x x2 x3
  
x 3 3



e × 1+x = 1+x+ + +o x 1+ − + +o x
x→0 2 6 2 8 16
     
1 2 1 1 1 3 1 1 1 1
+ o x3


= 1+x 1+ +x + − +x + − +
x→0 2 2 2 8 6 4 8 16
3x 7x2 17x3
+ o x3


= 1+ + +
x→0 2 8 48
Quand la valuation de la partie régulière d’une parenthèse est supérieure ou égale à 1, on peut abaisser l’ordre de l’autre
parenthèse. Par exemple, pour obtenir sin  x × ln(1 + x) àl’ordre 4 en 0, on écrit
2 2 3 x2 x4
+ o(x2 ) = x3 − + o x4



sin(x ) × ln(1 + x) = x + o(x ) x −
x→0 2 2
On veut obtenir le développement limité de sin3 x ln2 (1 + x) (1 − cos x) à l’ordre 8 en 0.
Pour obtenir l’ordre auquel effectuer sin, on écrit sin3 x ln2 (1 + x) (1 − cos x) = sin x × sin2 x ln2 (1 + x) (1 − cos x) avec
x6 x6
sin2 x ln2 (1 + x) (1 − cos x) ∼ − . On écrit donc sin x à l’ordre 2. De même, sin3 x ln(1 + x) (1 − cos x) ∼ − et on
x→0 2 x→0 2
3 2 5
écrit ln(1 + x) à l’ordre 2 puis sin x ln (1 + x) ∼ x et on écrit 1 − cos x à l’ordre 3 ce qui donne
x→0

x2
2 x2
   
3 2 2


3 2 3


sin x ln (1 + x) (1 − cos x) = x + o x x− +o x +o x
x→0 2 2
2  2 
x2

3 x
+ o x8


= (x) x −
x→0 2 2
x5 2 x7 x8
x − x3 + o x8 = + o x8 .




= −
x→0 2 x→0 2 2

2
Faire un développement limité de produit est plus difficile que faire un développement limité d’une combinaison linéaire.
Linéariser toujours au maximum un produit avant de se lancer. Moins il y a de produits, mieux c’est.
Exemple 1. On veut le développement à l’ordre 4 en 0 de cos x cos(3x). On écrit

1
cos x cos(3x) =(cos(2x) + cos(4x))
2
x2 x4 16x2 256x4
 
1 4


= 1− + +1− + +o x
x→0 2 2 24 2 24
17x2 257x4
+ o x4 .


= 1− +
x→0 4 48
 
2+x
Exemple 2. On veut le développement à l’ordre 3 en 0 de ln . On écrit
1−x
 
2+x  x
ln = ln(2 + x) − ln(1 − x) = ln 2 + ln 1 + − ln(1 − x)
1−x 2
x x2 x3 x2 x3
+ o x3


= ln 2 + − + +x+ +
x→0 2 8 24 2 3
3x 3x2 x3 3


= ln 2 + + + +o x .
x→0 2 8 8
2
Exemple 3. On veut le développement à l’ordre 2 en 0 de (ex ) . On écrit

2
(ex ) = e2x = 1 + 2x + 2x2 + o x2 .


x→0

d) Développement limité d’une composée.

Si f(x) tend vers 0 quand x tend vers 0 et a un développement limité d’ordre n en 0 : f(x) = P(x) + o (xn ) (le coefficient
x→0
constant de P est donc nul) et si g a un développement limité d’ordre n en 0 : g(y) = Q(y) + o (yn ), alors g ◦ f a un
y→0
développement limité d’ordre n en 0 dont la partie régulière est Q ◦ P tronquée à l’ordre n.
Par exemple, on veut ex/(1−x) à l’ordre 3 en 0.

2
+o(x2 )) 2
+x3 +o(x3 )
ex/(1−x) = ex(1+x+x = ex+x
x→0

1
2 1
= 1 + x + x2 + x3 + x + x2 + (x)3 + o x3 (car x + x2 + x3 → 0)


x→0 2 6 x→0
3x2 13x3
+ o x3 .


= 1+x+ +
x→0 2 6
e) Développement limité d’un quotient.
1
On se ramène aux deux paragraphes précédents à l’aide de = 1 + u + . . . + un + o (un ).
1 − u u→0
Par exemple, on veut tan x à l’ordre 5 en 0.

x3 x5
+ o x5


x− +
tan x =  6 2 120
x4

x→0 x
1− − + o (x4 )
2 24
  2 2 !
x3 x5
 2
x4
 
5

x x 4


= x− + +o x 1+ − + +o x
x→0 6 120 2 24 2
x3 x5 x2 5x4 x3 2x5
  
+ o x5 = x + + o x5 .



= x− + 1+ + +
x→0 6 120 2 24 x→0 3 15
f ) Intégration des développements limités.
n n

Soit f admettant un développement limité d’ordre n en x0 : f(x) = a0 + a1 (x − x0 ) + . . . + an (x − x0 ) + o (x − x0 ) .
x→x0
Si F est une primitive de f, F admet en x0 un développement limité d’ordre n + 1 obtenu « par intégration » sans oublier
la constante :

3
 2 n+1
(x − x0 ) (x − x0 ) 
n+1

F(x) = F (x0 ) + a0 (x − x0 ) + a1 + . . . + an + o (x − x0 ) .
x→x0 2 n+1
Exemple. Développement de Arcsin à l’ordre 2n + 1 en 0. On développe d’abord sa dérivée à l’ordre 2n en 0 :

1
− 1
√ = 1 − x2 2
1 − x2
n  1
X n
X  1
−2
k − 2 2k
−x2 + o x2n = 1 + (−1)k x + o x2n ,



=
x→0 k x→0 k
k=0 k=1
avec
    
1 1 1 1 3 2k − 1
 1 − − − 1 . . . − − (k − 1) × × ...×
− 2 2 2
(−1)k 2 = (−1)k = 2 2 2
k k! k!
1 × 3 × . . . × (2k − 1) 1 × 2 × 3 × 4 × . . . × (2k − 1) × (2k)
= =
2k k! 2k k!(2 × 4 × . . . × (2k))
(2k)!
= 2k 2 .
2 k!
Xn
1 (2k)! 2k
x + o x2n . Par intégration et en tenant compte de Arcsin (0) = 0


Donc, √ = 1+ 2k 2
2
1 − x x→0 2 k!
k=1
n
X (2k)! x2k+1
+ o x2n+1


Arcsin (x) = Arcsin (0) + x + 2k 2
x→0 2 k! 2k + 1
k=1
n
X (2k)! x2k+1
+ o x2n+1 .


=
x→0 22k k!2 2k + 1
k=0

Danger. En général, on ne dérive pas un développement limité. Si f est dérivable, il se peut que f ait un dévelop-
′
pement limité
 à uncertain ordre n et que f n’admette pas de développement limité d’ordre n − 1. Par exemple,
 3 1
x sin si x 6= 0
, alors f(x) = o x2 . D’autre part, f est dérivable sur R et pour tout réel x,


si f(x) = x2
 x→0
 0 si x= 0  
 1 1
3x2 sin − 2 cos si x 6= 0
f ′ (x) = x 2 x2 (à refaire). f ′ n’a pas de limite réelle en 0 et donc f ′ n’a même pas

0 si x = 0
un développement limité d’ordre 0 en 0.
Par contre, si f ′ admet en x0 un développement limité d’ordre n, alors f admet en x0 un développement limité d’ordre
n + 1, et le développement limité d’ordre n de f ′ en x0 s’obtient « en dérivant le développement limité » d’ordre n + 1 de
f en x0 .
g) Développement limité en un réel non nul.
On a deux techniques et souvent seule une des deux est utilisable.
Utilisation d’un changement de variables pour disposer du formulaire de développements limités en 0. Par exemple, on
1 π π π π
veut à l’ordre 2 en . On pose h = x − ou encore x = + h de sorte que x tend vers si et seulement si h tend
sin x 3 3 3 3
vers 0.

1 1 1
= π = √
sin x sin +h 1 3
3 sin h + cos h
2 2
1 2 1
= √ √ 2 = √
h→0 3 h 3h h→0 h
3 1 + √ − h2 + o (h2 )
+ − + o (h2 )
2 2 2 3
2 !
8h2
  
2 h 2 h 2 2 2h
+ √ + o h2



= √ 1− √ −h + √ +o h = √ −
h→0 3 3 3 h→0 3 3 3 3
 
2 2  π  8  π 2
 π 2

=π √ − x− + √ x− +o x− .
x→ 3 3 3 3 3 3 3 3

4
On peut aussi utiliser directement la formule de Taylor-Young. Par exemple, on veut f(x) = arctan(x) à l’ordre 2 en 1.
1 −2x
f ′ (x) = 2
et f ′′ (x) = 2
. On obtient
1+x (1 + x2 )
f ′′ (1)
(x − 1)2 + o (x − 1)2


Arctan (x) = f(1) + f ′ (1)(x − 1) +
x→1 2
π 1 1
+ (x − 1) − (x − 1)2 + o (x − 1)2 .


=
x→1 4 2 4
III. Equivalents
1) Définition.
un
un ∼ vn ⇔ → 1 ⇔ vn = un + o (un ).
n→+∞ vn n→+∞ n→+∞
f(x)
f ∼ g⇔ → 1 ⇔ g = f + o (f) (a réel ou infini).
x→a g(x) x→a x→a

2) Propriétés.
Théorème. La relation un ∼ vn est une relation d’équivalence.
n→+∞

Théorème. Si un a une limite non nulle ℓ, alors un ∼ ℓ.

n→+∞

Théorème. Les équivalents fonctionnent très bien avec produits, quotients, exposants fixes.
un vn
• Si un ∼ vn et wn ∼ tn , alors un wn ∼ vn tn et ∼ (on peut multiplier ou diviser membre
n→+∞ n→+∞ n→+∞ wn n→+∞ tn
à membre des équivalents).
• Si un ∼ vn , alors uα n ∼ vα n (on peut élever les deux membres d’un équivalent à un même exposant fixe
n→+∞ n→+∞
(ne variant pas quand n varie)).
3) Les dangers des équivalents.
① On n’écrit jamais un ∼ 0 ou f ∼ 0. Ca ne veut rien dire.
② Les sommes. En général, on n’additionne pas membre à membre des équivalents.
Par exemple, sin x ∼ x + x2 (car sin x ∼ x ∼ x + x2 ) et − ln(1 + x) ∼ −x + x5 (car − ln(1 + x) ∼ −x ∼ −x + x5 )
x→0 x→0 x→0 x→0 x→0 x→0
mais sin x − ln(1 + x) n’est pas du tout équivalent en 0 à x2 + x5 .
Pour obtenir, un équivalent de somme, on revient à = et o( ) (f ∼ g ⇔ g = f + o (f)). Par exemple,
x→a x→a
2
x2
 
2 x 2
+ o x2 ,





sin x − ln(1 + x) = x + o x − x− +o x =
x→0 2 x→0 2

x2
et donc sin x − ln(1 + x) ∼ .
x→0 2

Par contre, on peut additionner des équivalents dans le cas√ particulier où les équivalents principaux (les équivalents les
plus simples possibles) ne se simplifient pas. Par exemple, 4x2 − x + 1 + x ∼ −2x + x = −x.
x→−∞

③ On ne passe pas un terme de l’autre côté d’un équivalent (c’est une variante du danger précédent).
x3 x3 x3
L’écriture sin x ∼ x− ne signifie pas sin x − x ∼ − ou encore l’écriture sin x ∼ x − ne signifie pas
x→0 6 x→0 6 x→0 6
3 3
x x x3
+ o x3 . L’écriture sin x ∼ x − + o x3 .



sin x = x − a une signification bien moins forte que sin x = x −
x→0 6 x→0 6 x→0 6

On a par exemple, sin x ∼ x + x3 (car sin x ∼ x ∼ x + x3 ) et pourtant, on n’a pas sin x = x + x3 + o x3 .
x→0 x→0 x→0 x→0
Quand on n’écrit des équivalents, en général, on n’écrit un seul terme à savoir le terme prépondérant. Les autres termes
ne servent à rien.
④ Les logarithmes. Si un et vn (ou f et g) sont soit des infiniment grands équivalents, soit des infiniment petits
équivalents, alors ln (u et (vn ) (ou ln
n )  ◦fet ln ◦g) sont équivalents.
1 1
Par exemple, ln sin ∼ ln = − ln(n).
n n→+∞ n
Par contre, si un et vn (ou f et g) sont équivalents et tendent vers 1, on ne doit surtout pas passer aux logarithmes. Par
exemple, cos(x) ∼ 1 + x mais ln(cos x) n’est pas équivalent à ln(1 + x) car ln(1 + x) ∼ x et
x→0 x→0

x2
ln(cos x) ∼ cos x − 1 ∼ − .
x→0 x→0 2
5
⑤ Les exponentielles. On ne passe pas aux exponentielles dans des équivalents ou encore un n→+∞
∼ vn 6⇒ eu n
∼
n→+∞
evn .
Une variante est : on n’élève pas les
 deux membres
n d’un équivalent à un même exposant variable.
1 1
Par exemple, 1 + ∼ 1 mais 1 + 6 ∼ 1n = 1 car
n n→+∞ n n→+∞
 n
1
= en ln(1+ n ) = en( n +o( n )) = e1+o(1) ∼ e.
1 1 1
1+
n n→+∞ n→+∞ n→+∞

La bonne règle est

eun ∼ evn ⇔ vn − un → 0 ou encore eun +o(1) ∼ eun ,

n→+∞ n→+∞ n→+∞

et aussi

ef ∼ eg ⇔ g − f → 0 ou encore ef+o(1) ∼ ef .
x→a x→a x→a

1
Par exemple, pour trouver un équivalent simple de (1 + x) x2 en 0, on écrit
1
1 1
ln(1+x) 1 1 1 1 ex
(1 + x) x2 = e x2 = e x − 2 +o(1) ∼ e x − 2 = √ .
x→0 x→0 e
(On a écrit un développement de l’exposant jusqu’à o(1) puis on a effacé le o(1)).

6
 Résumé de sup : séries numériques
I. Généralités.
1) Définitions
n
X
Définition. Soit (un )n∈N une suite de nombres complexes. Pour n ∈ N, on pose Sn = uk . La série de terme général
k=0
un est la suite (Sn )n∈N . Pour n ∈ N, Sn est la somme partielle de rang n de la série de terme général un .
Théorème (liens entre la suite (un ) et la série de terme général un ).
Pour tout entier naturel n, Sn+1 = Sn + un+1 (définition de la suite (Sn ) par récurrence).
Pour tout entier naturel non nul n, un = Sn − Sn−1 (récupération du terme général).
Définition. La série de terme général un , n ∈ N, converge si et seulement si la suite des sommes partielles (Sn )n∈N
+∞
X
converge. Dans ce cas, la limite de la suite (Sn )n∈N se note uk et s’appelle la somme de la série de terme général un .
k=0
n
X
L’expression Sn = uk est une fonction de n mais pas de k (la variable k est muette). On peut écrire ∀n ∈ N,
k=0
n
X n
X +∞
X
uk = . . . mais on n’écrit surtout pas ∀k ∈ N, uk = . . . L’expression uk n’est pas une fonction de k et peut
k=0 k=0 k=0
+∞
X +∞
X
donc se noter un , up . . .
n=0 p=0

On ne modifie pas la nature d’une série en changeant la valeur d’un nombre fini de terme de la suite (mais on change
éventuellement sa somme éventuelle).
2) Séries grossièrement divergentes
Théorème. Si la série de terme général un converge, un tend vers 0 quand n tend vers +∞.
Si un ne tend pas vers 0, la série de terme général un diverge.
Démonstration. Si la série de terme général un converge vers S, alors la suite (un ) = (Sn − Sn−1 ) converge vers S−S = 0.
Définition. Une série est grossièrement divergente si et seulement si son terme général ne tend pas vers 0.
Par exemple, la série de terme général (−1)n est une série grossièrement divergente.
3) Reste à l’ordre n d’une série convergente.
Définition. On suppose que la série de terme général un converge. Le reste à l’ordre n est défini pour tout entier naturel
n par
+∞
X
Rn = S − Sn = uk .
k=n+1

Théorème. Rn tend vers 0 quand n tend vers +∞.

+∞
X +∞
X
1 1
Par exemple, l’expression tend vers 0 quand n tend vers +∞ alors que l’expression n’est pas définie.
k2 k
k=n+1 k=n+1

4) L’espace vectoriel des séries convergentes

Théorème. Si les séries de termes généraux respectifs un et vn convergent, la série de terme général λun + µvn converge
et de plus,
+∞
X +∞
X +∞
X
(λun + µvn ) = λ un + µ vn .
n=0 n=0 n=0

Dit autrement, l’ensemble E des suites à coefficients dans K qui sont des termes généraux de séries convergentes est un
+∞
X
sous-espace vectoriel de KN et l’application (un ) 7→ un est une forme linéaire sur E.
n=0

Danger. On peut décomposer en une combinaison linéaire

 quand toutes les séries considérées convergent et sinon, on ne
1 1 1
peut pas. Par exemple, la série de terme général − ln 1 + converge (car son terme général est équivalent à )
n n 2n2

1
 +∞ 
X   X +∞ +∞
X  
1 1 1 1
mais on ne peut pas écrire − ln 1 + = − ln 1 + .
n n n n
n=1 n=1 n=1
Par contre, on peut travailler sur des sommes finies :

N 
X  X N N N N
1 X
 X
1 X
 
1 1 1
− ln 1 + = − ln 1 + = − (ln(n + 1) − ln(n))
n n n n n
n=1 n=1 n=1 n=1 n=1
N
!
X 1
= − ln(N + 1) (somme télescopique).
n
n=1

5) Séries absolument convergentes

a) Suites réelles, suites complexes.
Si (un ) est une suite réelle, pour n ∈ N, on pose u+ −
n = Max {un , 0} et un = −Min {un , 0} = Max {−un , 0}. Pour tout entier
naturel n, on a
• un = u+ − +
n − un , |un | = un − un ,
−

|un | + un |un | − un
• u+
n = , u−
n = .
2 2
Théorème. Soit (un ) une suite réelle. Si les séries de termes généraux respectifs u+ −
n et un convergent, alors la série de
+∞
X +∞
X +∞
X
terme général un converge et dans ce cas, un = u+n − u−n.
n=0 n=0 n=0

Théorème. Soit (un ) une suite complexe. La série de terme général un converge si et seulement si les séries de termes
+∞
X +∞
X +∞
X
généraux respectifs Re (un ) et Im (un ) convergent et dans ce cas, un = Re (un ) + i Im (un ).
n=0 n=0 n=0

b) Définition. Soit (un ) une suite de nombres complexes. La série de terme général un est absolument convergente si et
seulement si la série de terme générale |un | est convergente.
Théorème. Si la série de terme général un est absolument convergente, alors la série de terme général un est convergente
(se démontre en passant par u+ −
n et un pour les suite réelles puis par Re(un ) et Im(un ) pour les suites complexes).

6) Lien suites-séries. Séries télescopiques

Théorème. La suite un et la série de terme général un+1 − un sont de mêmes natures. De plus, si la suite (un ) converge
+∞
X
vers ℓ, alors (un+1 − un ) = ℓ − u0 (série télescopique).
n=0
 n n √
Ce résultat est par exemple utilisé pour établir la formule de Stirling : n! ∼ 2πn. On étudie la convergence de
n→+∞ e  
n! un+1
la suite un =  n n √ en étudiant la convergence de la série de terme général wn = ln = ln (un+1 ) − ln (un ) =
n un
  e 
1 1
1− n+ ln 1 + .
2 n
II. Séries de référence.
On a deux types et (même trois) de séries de référence : les séries géométriques et les séries de Riemann.
Théorème. Pour tout nombre complexe q, la série géométrique de terme général qn converge si et seulement si |q| < 1
(alors que la suite géométrique (qn ) converge si et seulement si |q| < 1 ou q = 1). De plus
+∞
X 1
∀q ∈ C, |q| < 1 ⇒ qn = .
1−q
n=0

1
Théorème. Pour tout réel α, la série de terme général (ou encore la série de Riemann d’exposant α converge si et
nα
seulement si α > 1 (se démontre en comparant à des intégrales).
xn
On peut rajouter à cette liste la convergence de la série de terme général , (x réel donné). Cette série converge pour
n!
+∞ n
X x
tout réel x et = ex (se démontre à partir de la formule de Taylor-Laplace).
n!
n=0

2
III. Séries à termes réels positifs. Ce paragraphe concerne plus généralement les séries à termes réels
de signe constant à partir d’un certain rang.
1) Théorème fondamental
Soit (un ) une suite de réels positifs. La série de terme général un converge si et seulement si la suite (Sn ) des sommes
partielles est majorée (car, puisque la suite (un ) est positive, la suite (Sn ) est croissante).
X+∞
Dans le cas contraire, un = +∞.
n=0

2) Théorème de comparaison
Théorème. Soient (un ) et (vn ) deux suites réelles positives telles que pour tout n à partir d’un certain rang, un 6 vn .
Si la série de terme général vn converge, alors la série de terme général un converge.
Si la série de terme général un diverge, alors la série de terme général vn diverge.
Théorème. Soient (un ) et (vn ) deux suites réelles positives à partir d’un certain rang telles que un = o (vn ).
n→+∞
Si la série de terme général vn converge, alors la série de terme général un converge.
Si la série de terme général un diverge, alors la série de terme général vn diverge.
Ce résultat n’est pas vrai pour des séries à termes réels quelconques.
Théorème. Soient (un ) et (vn ) deux suites réelles positives à partir d’un certain rang telles que un = O (vn ).
n→+∞
Si la série de terme général vn converge, alors la série de terme général un converge.
Si la série de terme général un diverge, alors la série de terme général vn diverge.
Le « O » est très utilisé dans les études de nature de séries.
Théorème. Soient (un ) et (vn ) deux suites réelles positives à partir d’un certain rang telles que un = O (vn ).
n→+∞
Si la série de terme général vn converge, alors la série de terme général un converge.
Si la série de terme général un diverge, alors la série de terme général vn diverge.
Théorème. Soient (un ) et (vn ) deux suites réelles strictement positives à partir d’un certain rang telles que un ∼ vn .
n→+∞
Les séries de termes généraux respectifs un et vn sont de même nature.
Ce résultat n’est pas vrai pour des séries à termes réels ou complexes quelconques. Par exemple, la série de terme général
(−1)n (−1)n
un = , n > 1, converge et on peut que la série de terme général vn = diverge. Pourtant, un et vn sont
n n + (−1)n
équivalents en +∞.

3
 Résumé de sup : probabilités
I. Espaces probabilités finis
1) Univers, événements
L’ensemble des résultats possibles d’une expérience aléatoire est un ensemble Ω appelé univers. Ω est l’ensemble des cas
possibles ou des éventualités ou des issues. En sup, Ω est fini.
Si Ω est un univers fini. Une partie de Ω est un événement. L’ensemble des événements est donc P(Ω).
Ω est l’événement certain, ∅ est l’événement impossible, un singleton {ω} (où ω ∈ Ω) est un événement élémentaire.
2) Opérations sur les événements
Si A et B sont deux événements, CΩ A est l’événement contraire de A, A∪B est la réunion de A et B, A∩B est l’intersection
de A et B.
A et B sont incompatibles ssi A ∩ B = ∅. Si A ⊂ B, on dit que A implique B.
[
Un système complet d’événements est une famille (Ai )16i6n telle que ∀i 6= j, Ai ∩ Aj = ∅ et Ai = Ω.
16i6n

3) Probabilité
Soit Ω un univers fini. Une probabilité sur Ω est une application P de P(Ω) dans [0, 1] telle que
1) P(Ω) = 1
2) pour tous événements A et B tels que A ∩ B = ∅, P(A ∪ B) = P(A) + P(B).
Dans ce cas, (Ω, P) est un espace probabilisé.
4) Calculs de probabilités
Théorème.
• P(∅)
= 0.
• P A = 1 − P(A).
• Si A ⊂ B, P(A) 6 P(B) (croissance d’une probabilité). Dans ce cas, P(B \ A) = P(B) − P(A).
• P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
• Si A1 , . . . An sont deux à deux incompatibles, P (A1 ∪ . . . ∪ An ) = P (A1 ) + . . . + P (An )
Si de plus (Ai )16i6n est un système complet d’événements, alors P (A1 ) + . . . + P (An ) = 1 et pour tout événement B,
n
X
P(B) = P (B ∩ Ai ).
i=1

Théorème. Pour tout ω de Ω, on pose pω = P ({ω}).

X
• pω = 1
ω∈Ω
X
• ∀A ∈ P(Ω), P(A) = pω .
ω∈A

Théorème (cas de l’équiprobabilité des cas possibles).

1 card(A) nombre de cas favorables
Si ∀ω ∈ Ω, pω = , alors ∀A ∈ P(Ω), P(A) = = .
card(Ω) card(Ω) nombre de cas possibles
II. Probabilités conditionnelles
P(B ∩ A)
Soit A un événement tel que P(A) 6= 0. La probabilité de B sachant A est PA (B) = .
P(A)
Théorème. L’application PA : P(Ω) → R est une probabilité sur Ω.
B 7→ PA (B)
Théorème. Pour tous A et B, P(A ∩ B) = PA (B) × P(A) si P(A) 6= 0 .
= PB (A) × P(B) si P(B) 6= 0
Théorème (formule des probabilités totales). Soit (Ai )16i6n un système complet d’événements tels que ∀i ∈ J1, nK,
P (Ai ) 6= 0, alors
n
X
∀B ∈ P(Ω), P(B) = P (Ai ) × PAi (B).
i=1



En particulier, si P(A) 6= 0 et P A 6= 0, P(B) = P(A) × PA (B) + P A × PA (B).

1
Théorème (formule de Bayes (inversion d’une probabilité conditionnelle)). Soit (Ai )16i6n un système complet
d’événements tels que ∀i ∈ J1, nK, P (Ai ) 6= 0, alors pour tout B tel que P(B) 6= 0,

P (Ai ) × PAi (B)

∀i ∈ J1, nK, PB (Ai ) = n .
X
P (Ai ) × PAi (B)
i=1

P (A) × PA (B)
En particulier, PB (A) =
.
P(A) × PA (B) + P A × PA (B)

III. Indépendance
A et B sont indépendants si et seulement si P(A∩B) = P(A)× P(B). Si P(A) 6= 0, il revient au même de dire PA (B) = P(B).
Théorème. Si A et B sont indépendants, alors A et B, A et B, A et B sont indépendants.
Soient A1 , . . . , An , n événements.
A1 , . . . , An sont deux à deux indépendants ⇔ ∀i 6= j, !
P (Ai ∩ Aj ) = P (Ai ) × P (Aj ).
\ Y
A1 , . . . , An sont indépendants ⇔ ∀I ⊂ J1, nK, P Ai = P (Ai ).
i∈I i∈I

⇒
Théorème. indépendants deux à deux indépendants.
6 ⇐

IV. Variables aléatoires sur un univers fini

1) Variables aléatoires. Loi d’une variable aléatoire
Soit Ω un univers fini. Une variable aléatoire associée à cet univers est une application X de Ω dans un certain ensemble
E. Si E = R, X est une variable aléatoire réelle.
Variable indicatrice. Soit A un événement. La variable X : Ω R
→ est la variable indicatrice de
1 si ω ∈ A
ω 7→
0 si ω ∈/A
l’événement A. On peut la noter 1A . Elle est utilisée dans une démonstration de l’inégalité de Bienaymé-Tchebychev.
Quelques notations.
• Si X est une variable
√ aléatoire sur Ω et f une application définie sur X(Ω), on peut définir f ◦ X (souvent notée f(X)).
Par exemple, X2 , X, eX . . .
• Si A est une partie de E (E = R en général), l’événement {X ∈ A} est l’événement X−1 (A) = {ω ∈ Ω/ X(ω) ∈ A}.
Si x est un élément de E, l’événement {X = x} est l’événement X−1 ({x}) = {ω ∈ Ω/ X(ω) = x}.
Si X est une variable réelle, {X 6 x} = X−1 (] − ∞, x]) = {ω ∈ Ω/ X(ω) 6 x}.
Loi de probabilité d’une variable aléatoire. Soit X une variable aléatoire sur un espace probabilisé fini (Ω, P).
L’application X(Ω) → [0, 1] est une probabilité sur X(Ω) appelée loi de X. La loi de X peut aussi être l’application
x 7→ P(X = x)
plus générale P(X(Ω)) → [0, 1] . On note PX la loi de X.
A 7→ P(X ∈ A)
X X
Théorème. P(X = x) = 1. Pour toute partie A de X(Ω), P(X ∈ A) = P(X = x).
x∈X(Ω) x∈A

Théorème (loi de f(X)). La loi de f(X) est :

X
∀y ∈ f(X(Ω)), P(f(X) = y) = P(X = x).
x∈f−1 ({y})


Par exemple, si Y = X2 , P (Y = 1) = P X2 = 1 = P(X = 1) + P(X = −1).
2) Espérance, variance, écart-type
a) Espérance Si X prend les valeurs x1 , . . . , xn , l’espérance de X est
n
X X
E(X) = xk P (X = xk ) = xP(X = x).
k=1 x∈X(Ω)

2
L’espérance de la variable indicatrice 1A d’un événement A est P(A).
Théorème (linéarité). L’espérance est une forme linéaire c’est-à-dire E(X + Y) = E(X) + E(Y) et E(λX) = λE(X).
En particulier, E(aX + b) = aE(X) + b.
Si X est d’espérance nulle, X est centrée. Si X est une variable réelle quelconque, X − E(X) est la variable centrée associé
à X.
Théorème (positivité, croissance). Si X est une variable aléatoire réelle positive, alors E(X) > 0.
Si X est Y sont des variables aléatoires telles que X 6 Y, alors E(X) 6 E(Y).
Théorème (inégalité de Markov). Si X est une variable réelle positive,

E(X)
∀a > 0, P(X > a) 6 .
a
Démonstration. Soit a > 0. Soit A = {X > a}. Soit ω ∈ Ω.
X X(ω) a
• Si ω ∈ A, 1A (ω) = 1 et (ω) = > = 1 = 1A (ω).
a a a
X(ω)
• Si ω ∈
/ A, 1A (ω) = 0 6 .
a  
X X X E(X)
Donc, ∀ω ∈ Ω, 1A (ω) 6 (ω) ou encore 1A 6 . Par croissance de l’espérance, E (1A ) 6 E = avec
a a a a
E (1A ) = P(A) = E(X > a).
X
Théorème de transfert. L’espérance de f(X) est E(f(X)) = f(x)P(X = x).
x∈X(Ω)

b) Variance, écart-type.
X
Définition. Le moment d’ordre k de X est E Xk = xk P(X = x).

x∈X(Ω)
X
Définition. La variance de X est V(X) = E (X − E(X))2 = P(X = x) × (x − E(X))2 .

x∈X(Ω)

Théorème (formule de Koenig-Huygens). V(X) = E (X − E(X))2 = E X2 − (E(X))2 .

Théorème. V(aX + b) = a2 V(X).

p
Définition. L’écart-type de X est σ(X) = V(X). Une variable X telle que E(X) = 0 et σ(X) = 1 est dite centrée réduite.
X − E(X)
Si X est une variable d’écart-type non nul, est centrée réduite et est la variable centré réduite associée à X.
σ(X)
Théorème (inégalité de Bienaymé-Tchebychev).

V(X)
∀ε > 0, P(|X − E(X)| > ε) 6 .
ε2
 2
X − E(X)
Démonstration. On applique l’inégalité de Markov à la variable . L’événement {|X − E(X)| > ε} est
  ε
2  2
X − E(X) X − E(X)
l’événement > 1 . Puisque la variable est positive et que 1 > 0,
ε ε
 2 !
1 X − E(X) 1
V(X)
P{|X − E(X)| > ε} 6 E = 2 E (X − E(X))2 = 2 .
1 ε ε ε

V. Couples de variables aléatoires, n-uplets de variables aléatoires

1) Couples, n-uplets
Définition. Soient Ω un univers fini et X et Y deux variables aléatoires sur Ω à valeurs dans E et E ′ respectivement.
L’application (X, Y) : Ω → E × E′ est un couple de variables aléatoires sur Ω. Si E = E ′ = R, (X, Y) est
ω 7→ (X(ω), Y(ω))
une couple de variables aléatoires réelles sur Ω.
Plus généralement, un n-uplet de variables aléatoires réelles sur Ω est (X1 , . . . , Xn ) : Ω → Rn
ω 7 → (X1 (ω), . . . , Xn (ω))

3
Définition. Si X et Y sont deux variables aléatoires sur l’espace probabilisé fini (Ω, P), alors la loi conjointe de X et Y est
la loi du couple (X, Y). Donner la loi conjointe du couple (X, Y), c’est donner les P((X, Y) = (x, y)) = P({X = x} ∩ {Y = y}),
x ∈ X(Ω), y ∈ Y(Ω). Les lois marginales (car on les retrouve en marge) du couple (X, Y) sont les lois de X et de Y.
Théorème. La loi conjointe détermine les lois marginales :
X
∀x ∈ X(Ω), P(X = x) = P({X = x} ∩ {Y = y}).
y∈Y(Ω)
X
∀y ∈ Y(Ω), P(Y = y) = P({X = x} ∩ {Y = y}).
x∈X(Ω)

Par exemple, si la loi du couple (X, Y) est

Y c d
X
1 1
a 12 6
1 5
b 8 8

1 1 1
la première loi marginale du couple (X, Y) est P(X = a) = P((X = A) ∩ (Y = c)) + P(X = a) ∩ (Y = d)) = + = ,
12 6 4
1 5 3
P(X = b) = + = ...
8 8 4

Y c d loi de X
X
1 1 1
a 12 6 4
1 5 3
b 8 8 4
5 19
loi de Y 24 24 1

Définition (lois conditionnelles). Si pour tout y ∈ Y(Ω), P(Y = y) 6= 0, on peut définir la loi de X sachant que Y = y :
P((X = x) ∩ (Y = y)) P((X, Y) = (x, y))
∀x ∈ X(Ω), PY=y (X = x) = = .
p(Y = y) p(Y = y)
Si pour tout x ∈ X(Ω), P(X = x) 6= 0, on peut définir la loi de Y sachant que X = x : ∀y ∈ Y(Ω), PX=x (Y = y) =
P((X = x) ∩ (Y = y))
.
p(X = x)
Les lois conditionnelles sont déterminées par la loi conjointe et les lois marginale et donc par la loi conjointe uniquement.
2) Indépendance
a) de deux variables
Définition. X et Y sont indépendantes si et seulement si ∀(x, y) ∈ X(Ω) × Y(Ω), P((X = x) ∩ (Y = y)) = P(X = x) × P(Y =
y).
b) d’un n-uplet de variables
Définition. X1 , . . . ,Xn sont deux à deux indépendantes si et seulement si ∀i 6= j, Xi et Xj sont indépendantes. Ceci
équivaut à ∀i 6= j, ∀(xi , xj ) ∈ Xi (Ω) × Xj (Ω), P((Xi = xi ) ∩ (Xj = xj )) = P(Xi = xi ) × P(Xj = xj ).
Définition. X1 , . . . ,Xn sont indépendantes si et seulement si ∀(x1 , . . . , xn ) ∈ X1 (Ω) × Xn (Ω), les événements {X1 = x1 },
. . . {Xn = xn } sont indépendants.
Théorème. Si les variables X1 , . . . , Xn sont indépendantes, alors les variables X1 , . . . , Xn sont deux à deux indépendantes.
Réciproque fausse.
Théorème. Si les variables X1 , . . . , Xn sont indépendantes, alors pour toutes fonctions f1 , . . . , fn , les variables f1 (X1 ),
. . . , fn (Xn ) sont indépendantes.
3) Covariance
a) Cas général
Définition. La covariance du couple (X, Y) est cov(X, Y) = E((X − E(X))(Y − E(Y))).
X
Théorème. cov(X, Y) = E(XY) − E(X)E(Y) avec E(XY) = xy P((X = x) ∩ (Y = y)).
(x,y)∈X(Ω)×Y(Ω)

1
Théorème. V(X + Y) = V(X) + V(Y) + 2cov(X, Y) et donc aussi cov(X, Y) = (V(X + Y) − V(X) − V(Y)).
2
4
 n
X X
Plus généralement, V (X1 + . . . + Xn ) = V (Xi ) + 2 cov (Xi , Xj ).
i=1 16i<j6n

Théorème. |cov(X, Y)| 6 σ(X)σ(Y).

b) Cas de variables indépendantes
Théorème. Si X et Y sont indépendantes,
• E(XY) = E(X)E(Y) ;
• cov(X, Y) = 0 ;
• V(X + Y) = V(X) + V(Y).
Théorème. Si X1 , . . . ,Xn sont deux à deux indépendantes (et en particulier si X1 , . . . ,Xn sont indépendantes),

V (X1 + . . . + Xn ) = V (X1 ) + . . . + V (Xn ) .

Si X1 , . . . ,Xn sont indépendantes (et pas seulement deux à deux indépendantes),

E (X1 . . . Xn ) = E (X1 ) × . . . × E (Xn ) .

5
 Résumé de sup : Bernoulli
1) Loi de Bernoulli
Définition. Soit p ∈ [0, 1]. Une variable aléatoire X suit la loi de Bernoulli de paramètre p si et seulement si
X(Ω) = {0, 1} et P(X = 1) = p (et P(X = 0) = 1 − p). (Remarque. X2 = X.)
Théorème. Si X suit une loi de Bernoulli de paramètre p, E(X) = p et V(X) = p(1 − p).
Démonstration. E(X) = 0 × P(X = 0) + 1 × P(X = 1) = 0 × (1 − p) + 1 × p = p et V(X) = E X2 − (E(X))2 =

E(X) − (E(X))2 = p − p2 = p(1 − p).

2) Loi binomiale
Définition. Une variable aléatoire X suit la loi binomiale de paramètres n ∈ N∗ et p ∈ [0, 1], notée B(n, p), si et
seulement si X(Ω) = J0, nK et
 
n k
∀k ∈ J0, nK, P(X = k) = p (1 − p)n−k .
k

Théorème. Si X suit une loi binomiale de paramètres n et p, E(X) = np et V(X) = np(1 − p).
Démonstration directe.

Xn   Xn  
n k n−k n−1 k
E(X) = k p (1 − p) = n p (1 − p)n−k
k k−1
k=0 k=1
Xn   n−1
X n − 1
n − 1 k−1
= np p (1 − p)(n−1)−(k−1) = np n pl (1 − p)(n−1)−l
k−1 k−1
k=1 l=0
n−1
= np(p + (1 − p)) = np.

n n n

X X X
     
n k n k n k
E X2 = k2 p (1 − p)n−k = k(k − 1) p (1 − p)n−k + k p (1 − p)n−k
k k k
k=0 k=0 k=0
Xn   Xn  
n−2 k n − 2 k−2
= np + n(n − 1) p (1 − p) n−k
= np + n(n − 1)p 2
p (1 − p)(n−2)−(k−2)
k−2 k−2
k=2 k=2
= np + n(n − 1)p2 (p + (1 − p))n−2 = np + n(n − 1)p2
puis

V(X) = E X2 − (E(X))2 = np + n(n − 1)p2 − n2 p2 = np − np2 = np(1 − p).

3) La loi binomiale comme somme de n variables de Bernoulli indépendantes

Théorème. • Si X et Y sont deux variables indépendantes suivant des lois binomiales de paramètres respectifs (n, p) et
(m, p), alors X + Y suit une loi binomiale de paramètres (n + m, p).
• Si X1 , . . . , Xk sont des variables indépendantes suivant des lois binomiales de paramètres respectifs (ni , p), 1 6 i 6 k,
Xk
alors X1 + . . . + Xk suit une loi binomiale de paramètres (n, p) où n = ni .
i=1

• Si X1 , . . . , Xn sont des variables indépendantes suivant une loi de Bernoulli de paramètre p, alors X1 + . . . + Xn suit
une loi binomiale de paramètres n et p.
Démonstration.
• Soit Z = X + Y. Z(Ω) = J0, n + mK. Puisque X et Y sont indépendantes, pour tout k ∈ J0, n + mK,

X k
X
P(Z = k) = P(X + Y = k) = P((X = i) ∩ (Y = j)) = P(X = i)P(Y = k − i)
(i,j)J0,nK×J0,mK, i+j=k i=0
k  
X   k  
X 
n i m n m
= p (1 − p)n−i pk−i (1 − p)m−(k−i) = pk (1 − p)n+m−k .
i k−i i k−i
i=0 i=0

1
 k   n  
! m   
X n m
 X n i X m j 
Maintenant, est le coefficient de Xk dans le développement de (1+X)n ×(1+X)m = X X .
i k−i i j
i=0 i=0 j=0
 
n m n+m n+m
Puisque (1 + X) × (1 + X) = (1 + X) , ce coefficient est aussi . Donc,
k
Xk     
n m n+m
= (relation de Vandermonde).
i k−i k
i=0
 
n+m k
Mais alors, P(Z = k) = p (1 − p)n+m−k . Ceci montre que Z suit la loi B(n + m, p).
k
• Le deuxième résultat se montre par récurrence sur k et puisque X1 , . . . , Xk+1 indépendantes ⇒ Xk+1 et X1 + . . . + Xk
indépendantes.
n
X
• Le troisième résultat est le cas particulier ∀i, ni = 1. Dans ce cas, ni = n.
i=1

Théorème. Si X suit une loi binomiale de paramètres n et p, E(X) = np et V(X) = np(1 − p).
Démonstration. Soient X1 , . . . , Xn n variables indépendantes suivant la loi de Bernoulli B(1, p). D’après ce qui
précède, X1 + . . . + Xn = X.
Par linéarité de l’espérance, E(X) = E (X1 ) + . . . + E (Xn ) = p + . . . + p = np.
Puisque les variables X1 , . . . , Xn , sont indépendantes, les variables X1 , . . . , Xn , sont deux à deux indépendantes. On en
déduit que V (X) = V (X1 ) + . . . + V (Xn ) = p(1 − p) + . . . + p(1 − p) = np(1 − p).

2
 Résumé du cours d’algèbre de Sup et Spé

1 Polynômes
1.1 Formule de Taylor pour les polynômes
Soit P un polynôme non nul de degré n ∈ N.
n n
X P(k) (a) X P(k) (0)
∀a ∈ K, P = (X − a)k . P= .
k! k!
k=0 k=0

P(k) (0)
Pour tout polynôme P et tout entier naturel k, le coefficient de Xk dans P est ak = .
k!

1.2 Racines d’un polynôme

Ordre de multiplicité d’une racine. Pour a ∈ K et k ∈ N, a est racine de P d’ordre k si et seulement si il existe un
polynôme Q tel que P = (X − a)k Q et Q(a) 6= 0 (⇔ P est divisible par (X − a)k et pas par (X − a)k+1 ). Une racine d’ordre
0 n’est pas racine.
a est racine de P d’ordre au moins k si et seulement si il existe un polynôme Q tel que P = (X − a)k Q (⇔ P est divisible
par (X − a)k ).
k−1
X P(i) (a)
Théorème. Le reste de la division euclidienne de P par (X − a)k est (X − a)i .
i!
i=0
Théorème (caractérisation de l’ordre de multiplicité).
a est racine de P d’ordre k ⇔ P(a) = P ′ (a) = . . . = P(k−1) (a) = 0 et P(k) (a) 6= 0.
a est racine de P d’ordre au moins k ⇔ P(a) = P ′ (a) = . . . = P(k−1) (a) = 0.
Théorème. Si a est racine d’ordre p de P 6= 0, alors pour tout k ∈ J0, pK, a est racine d’ordre p − k de P(k) .

1.3 Structure d’anneau de K[X]

Théorème. (K[X], +, ×) est un anneau commutatif et intègre.
Définition. Soit I ⊂ K[X]. I est un idéal I de l’anneau (K[X], +, ×) si et seulement si
1) (I, +) est un sous-groupe de (K[X], +) et 2) ∀P ∈ I, ∀Q ∈ K[X], PQ ∈ I.

Définition. Un idéal I de K[X] est principal ⇔ il ext engendré par l’un de ses éléments c’est-à-dire si et seulement si il
est de la forme I = PK[X] = {PQ, Q ∈ K[X]}.
Théorème. (K[X], +, ×) est un anneau principal, c’est-à-dire que tout idéal de cet anneau est principal.

1.4 PGCD, Bézout, Gauss

Théorème et définition. A et B sont deux polynômes
 non nuls. L’idéal engendré par A et B (c’est-à-dire le plus petit
idéal contenant A et B) est AK[X] + BK[X] = AQ1 + BQ2 , (Q1 , Q2 ) ∈ K[X]2 .
Le PGCD de A et B est l’unique polynôme unitaire D tel que AK[X] + BK[X] = DK[X]. C’est un diviseur commun à A et
B et tout diviseur commun à A et B divise D. Les diviseurs communs à A et B sont les diviseurs de leur PGCD.
Théorème de Bézout. Soient A et B deux polynômes non nuls. A et B sont premiers entre eux si et seulement si il
existe deux polynômes U et V tels que AU + BV = 1.
Théorème. Deux polynômes non nuls sont premiers entre eux si et seulement si ils sont sans racine commune dans C.
Théorème de Gauss. Soient A, B et C trois polynômes, A 6= 0, B 6= 0. Si A divise BC et si A est premier à B, alors A
divise C.

2 Algèbre linéaire
Voir les résumés de sup déjà fournis.

1
3 Réduction des endomorphismes et des matrices carrées
3.1 Valeurs propres, vecteurs propres, sous-espaces propres
Valeurs propres. E est un K-espace vectoriel de dimension quelconque. λ ∈ K.
λ est valeur propre de f ⇔ ∃x ∈ E \ {0}/ f(x) = λx
⇔ f − λIdE non injectif
⇔ Ker (f − λIdE ) 6= {0}.
Si de plus E est de dimension finie,
λ est valeur propre de f ⇔ f − λIdE ∈ / GL(E)
⇔ det (λIdE − f) 6= 0.
Soit A ∈ Mn (K).
λ est valeur propre de A ⇔ ∃X ∈ Mn,1 (K \ {0}/ AX = λX
⇔ Ker (A − λIn ) 6= {0}
⇔ A − λIn ∈/ GLn (K)
⇔ rg (A − λIn ) < n
⇔ det (λIn − A) 6= 0.
En particulier, A ∈ GLn (K) ⇔ 0 n’est pas valeur propre de A. Si dim(E) < +∞, f ∈ GL(E) ⇔ 0 n’est pas valeur propre
de f.
Si E est un C-espace de dimension finie non nulle, tout endomorphisme de E admet au moins une valeur propre. Toute
matrice carrée admet au moins une valeur propre dans C.
Vecteurs propres. E est un K-espace vectoriel de dimension quelconque. Soient f ∈ L (E) et x ∈ E.
x est un vecteur propre de f si et seulement si x 6= 0 et ∃λ ∈ K/ f(x) = λx.
Soit A ∈ Mn (K) et X ∈ Mn,1 (K).
X est un vecteur propre de A si et seulement si X 6= 0 et ∃λ ∈ K/ AX = λX.
Sous-espaces propres. Si λ est valeur propre de f, le sous-espace propre associé à λ est Eλ = Ker (f − λIdE ).
Ce sous-espace propre est constitué de 0 et des vecteurs propres associés à λ.
Si λ n’est pas valeur propre de f, alors Eλ = {0} et dans ce cas, Eλ n’est pas un sous-espace propre de f.
Définition analogue pour une matrice.
Théorème. Une famille de vecteurs propres associés à des valeurs propres deux à deux distinctes est libre.
Théorème. La somme d’un nombre fini de sous-espaces propres est directe.

3.2 Sous-espaces stables

Définition. Soient f ∈ L (E) et F sev de E. F est stable par f ⇔ ∀x ∈ F, f(x) ∈ F ⇔ f(F) ⊂ F.
Dans ce cas, la restriction de f à F induit un endomorphisme de F.
Les droites stables par f sont les droites engendrées par un vecteur propre.
Les sous-espaces propres de f sont stables par f. La restriction de f à Eλ « est » l’homothétie de rapport λ.
Théorème. Soient f et g deux endomorphismes de E tels que f ◦ g = g ◦ f. Alors, g laisse stable Im(f), Ker(f) et les
sous-espaces propres de f.

3.3 Polynôme caractéristique

Soient E un K-espace vectoriel de dimension finie non nulle et f ∈ L (E). Le polynôme caractéristique de f est χf =
det (XIdE − f).
Soit A ∈ Mn (K). Le polynôme caractéristique de A est χA = det (XIn − A).
Les valeurs propres sont les racines du polynôme caractéristique. L’ordre de multiplicité d’une valeur propre est son ordre
de multiplicité en tant que racine du polynôme caractéristique.
Le spectre de A (de f) peut désigner l’ensemble des valeurs propres, chaque valeur propre n’étant alors écrite qu’une
fois, ou la famille des valeurs propres, chaque valeur propre étant alors écrite un nombre de fois égal à son ordre de
multiplicité.
Degré, coefficient dominant. Si A est de format n (resp. E est de dimension n), χA (resp. χf ) est de degré n, unitaire.
Coefficients du polynôme caractéristique. Le coefficient de Xn−1 est −Tr(A) (resp. −Tr(f)) et le coefficient de X0
X
est (−1)n det(A) (resp. (−1)n det(f)). Le coefficient de Xk et (−1)n−k σn−k où σk = λi1 . . . λik .
16i1 <...<ik 6n
Soi (λ1 , . . . , λn ) est la famille des valeurs propres de A dans C, alors Tr(A) = λ1 + . . . + λn et det(A) = λ1 × . . . × λn .

2
Théorème. Si λ est valeur propre de A (de f) d’ordre o(λ), alors 1 6 dim (Eλ ) 6 o(λ) et aussi o(λ) > dim (Eλ ).
Si λ est valeur propre simple, dim (Eλ ) = 1. Le sous-espace propre associé à une valeur propre simple est une droite.
Théorème. A et t A ont même polynôme caractéristique et en particulier même trace et même déterminant.
Théorème. AB et BA (resp. f ◦ g et g ◦ f) ont même polynôme caractéristique et en particulier même trace et même
déterminant.
Théorème. Deux matrices semblables ont même polynôme caractéristique et en particulier même trace et même déter-
minant.
Réciproque fausse pour n > 2. Par exemple, In et In +E1,2 ont même polynôme caractéristique mais ne sont pas semblables.

3.4 Diagonalisation
Définition. Un endomorphisme de E (de dimension non nulle quelconque) est diagonalisable si et seulement si il existe
une base de E formée de vecteurs propres de f.
Si de plus, E est de dimension finie, f est diagonalisable si et seulement si il existe une base de E dans laquelle la matrice
de f est diagonale.
A ∈ Mn (K) est diagonalisable si et seulement si A est semblable à une matrice diagonale c’est-à-dire ∃P ∈ GLn (K,
∃D ∈ Dn (K)/ A = PDP−1 .
Théorème. E est un K-espace vectoriel de dimension finie non nulle n et f ∈ L (E). On note ni la dimension de Eλi (f).
f est diagonalisable ⇔ les sous-espaces propres de f sont supplémentaires
X
⇔n= ni

⇔ χf est scindé sur K et ∀λ ∈ Sp(f), dim (Eλ ) = o(λ).

Théorème. E est un K-espace vectoriel de dimension finie non nulle n et f ∈ L (E). Si χf est scindé sur K à racines simples
(ou encore si f admet n valeurs propres deux à deux distinctes), alors f est diagonalisable. Dans ce cas, les sous-espaces
propres sont des droites.
Réciproque fausse.

3.5 Trigonalisation
Définition. Un endomorphisme de E (de dimension finie non nulle) est trigonalisable si et seulement si il existe une base
de E dans laquelle la matrice de f est triangulaire.
Une matrice carrée est trigonalisable si et seulement si cette matrice est semblable à une matrice triangulaire.
Théorème. Si E est de dimension finie non nulle sur K, f est trigonalisable si et seulement si χf est scindé sur K.
Tout endomorphisme d’un C-espace de dimension finie non nulle est trigonalisable.
Toute matrice carrée est trigonalisable dans C.
Conséquences. Si Sp(f) = (λ1 , . . . , λn ), alors ∀k ∈ N∗ , Sp fk = λk1 , . . . , λ
kn et plus généralement,



pour tout polynôme
P, Sp(P(f)) = (P (λ1 ) , . . . , P (λn )). Si de plus f est inversible, ∀k ∈ Z, Sp fk = λk1 , . . . , λkn .

3.6 Polynômes d’endomrophismes

3.6.1 Commutant
Soit f ∈ L (E) (resp. A ∈ Mn (K)). Le commutant de f (resp. de A) est C(f) = {g ∈ L (E)/ g ◦ f = f ◦ g} (resp.
C(A) = {B ∈ Mn (K)/ AB = BA}.
Théorème. C(f) (resp. C(A)) est une sous-algèbre de (L (E), +, ., ◦) (resp. (Mn (K), +, ., ×).
Danger. Deux éléments g et h de C(f) commutent avec f mais ne commutent pas nécessairement entre eux.

3.6.2 K[f] ou K[A]

Soit f ∈ L (E) (resp. A ∈ Mn (K)). Φ : K[X] → L (E) (resp. ...) est un morphisme d’algèbres. L’image de ce
P 7→ P(f)
morphisme est K[f] resp. K[A]). K[f] est une sous-algèbre commutative (deux polynômes en f commutent) de (L (E), +, ., ◦).
En particulier, tout polynôme en f commute avec f et donc K[f] est une sous-algèbre commutative (C(f), +, ., ◦).

3.6.3 Polynômes annulateurs, polynôme minimal

Le noyau de Φ est l’ensemble des polynômes annotateurs de f (resp. de A). C’est un sous-espace vectoriel de l’espace
(K[X], +, .) et un idéal de l’anneau (K[X], +, ×). Si E est de dimension finie, Ker(Φ) n’est pas réduit à {0} grâce au :
Théorème de Cayley-Hamilton. χf (f) = 0.

3
Si E est de dimension finie, le générateur unitaire de Ker(Φ) est le polynôme minimal µf de f.
Par définition, Ker(Φ) = µf K[X] ou encore les polynômes annulateurs de f sont les multiples de µf . Le théorème de
Cayley-Hamilton se réénonce sous la forme :
Théorème. µf divise χf .
Théorème (polynômes annulateurs et valeurs propres). Si P(f) = 0 et si λ est valeur propre de f, alors P(λ) = 0.
Les valeurs propres d’un endomorphisme (ou d’une matrice) sont à choisir parmi les racines d’un polynôme annulateur.
Une racine d’un polynôme annulateur n’est pas nécessairement valeur propre mais toute valeur propre est racine d’un
polynôme annulateur.
k
Y α
Théorème. Toute valeur propre de f est racine de µf et toute racine de µf est valeur propre de f. Si χf = (X − λi ) i ,
i=1
k
Y
alors µf est de la forme (X − λi )βi où ∀i, 1 6 βi 6 αi .
i=1

Théorème de décomposition des noyaux. Soient f ∈ L (E) et P1 , . . . , Pk des polynômes deux à deux premiers entre
eux. Alors,

Ker ((P1 × . . . × Pk ) (f)) = Ker (P1 (f)) ⊕ . . . ⊕ Ker (Pk (f)) .

En particulier, si P = P1 × . . . × Pk est un polynôme annulateur de f, alors

E = Ker (P1 (f)) ⊕ . . . ⊕ Ker (Pk (f)) .

3.6.4 Décomposition de E en somme de sous-espaces stables supplémentaires

k
Y α
Si E est de dimension finie non nulle et χf = (f − λi ) i , alors
i=1
α1 αk
E = Ker (f − λ1 IdE ) ⊕ . . . ⊕ Ker (f − λk IdE ) .
• Les Ker (f − λi IdE )αi sont supplémentaires et stables par f. Donc, dans toute base adaptée à cette décomposition, la
matrice de f est diagonale par blocs.
α
• La restriction de f à Ker (f − λi IdE ) i induit un endomorphisme fi de ce sous-espace. fi admet une et une seule valeur
propre à savoir λi et fi − λi IdKer(f−λi IdE )αi est nilpotente d’indice inférieur ou égal à αi .

4 Espaces préhilbertiens
Produit scalaire. Soit E un R-espace vectoriel. Un produit scalaire sur E est une forme bilinéaire symétrique définie
positive, c’est-à-dire
• ∀(x, y) ∈ E2 , hx, yi = hy, xi (h , i est symétrique)
• ∀(x, y, z) ∈ E3 , ∀(λ, µ ∈ R2 , hλx + µy, zi = λhx, zi + µhy, zi (h , i est linéaire par rapport à sa première variable
et donc bilinéaire par symétrie)
• ∀x ∈ E, hx, xi > 0 (h , i est positive)
• ∀x ∈ E, hx, xi = 0 ⇒ x = 0 (h , i est définie).
p p
Inégalité de Cauchy-Schwarz. ∀(x, y) ∈ E2 , |hx, yi| 6 hx, xi hy, yi.
p
Norme hilbertienne. x 7→ hx, xi est une norme sur E.
Définition. Si E est de dimension finie, (E, h , i) est un espace euclidien.
Familles orthogonales, familles orthonormales. Soit (ei )i∈I une famille de vecteurs de E.
(ei )i∈I est orthogonale ⇔ ∀i 6= j, hei , ej i = 0.
(ei )i∈I est orthonormale ⇔ ∀(i, j) ∈ I2 , hei , ej i = δi,j .
Théorème. Une famille orthonormale de vecteurs tous non nuls est libre. Une famille orthonormale est libre.
Théorème (procédé d’orthonormalisation de Schmidt). Soit (un )n∈N une famille libre. Il existe une famille
orthonormale (en )n∈N et une seule vérifiant
• ∀n ∈ N, Vect (ek )06k6n = Vect (uk )06k6n .
• ∀n ∈ N, hun , en i > 0.

4
(en )n∈N est l’othonormalisée de la famille libre (un )n∈N . Elle s’obtient par le procédé d’orthonormalisation de Schmidt :
1
• e1 = u1 .
ku1 k
Xn
′ 1 ′
• ∀n ∈ N, en+1 = un+1 − hun+1 , ek iek puis en+1 = ′
en+1 .
k=0
en+1

Théorème. Si E est euclidien, il existe au moins une base orthonormée B = (ei )16i6n . Dans ce cas,
n
X
• ∀x = xi ei ∈ E, on a ∀i ∈ J1, nK, xi = hx, ei i.
i=1
n
X n
X n
X
• ∀x = xi ei ∈ E, ∀y = yi ei ∈ E, on a hx, yi = xi yi .
i=1 i=1 v i=1
n
X u n 2
uX
• ∀x = xi ei ∈ E, on a kxk = t xi .
i=1 i=1

Définition. Soit A une partie non vide de E. L’orthogonal de A, noté A⊥ , est l’ensemble des vecteurs de E orthogonaux
à tous les vecteurs de A : A⊥ = {y ∈ E/ ∀x ∈ A, hx, yi = 0}.
Convention. ∅⊥ = E, {x}⊥ = x⊥ .
Théorème.
• ∀A ∈ P(E), A⊥ est un sev de E.
• {0}⊥ = E et E⊥ = {0}.
• A ⊂ B ⇒ B⊥ ⊂ A⊥ .
⊥
• A⊥ = (Vext(A)) .
• Si F est un sev, on a toujours F ∩ F⊥ = {0} mais on n’a pas toujours F ⊕ F⊥ = E.
Théorème de la projection orthogonale.
Soit E un espace préhilbertien puis F un sous-espace vectoriel de E de dimension finie. Alors E = F ⊕ F⊥ .
Si x est un vecteur de E, on peut donc définir le projeté orthogonal pF (x) de x sur F. Si B = (ei )16i6n est une base
orthonormale de E, alors
n
X
pF (x) = hx, ei iei .
i=1

Inégalité de Bessel. Soit (en )n∈N une famille orthonormale. Alors,

n
X
∀x ∈ E, hx, ek i2 6 kxk2 .
k=0

Familles totales. Soit (en )n∈N une famille orthonormale.

+∞
X
(en )n∈N est une famille totale ⇔ Vect (en )n∈N = E ⇔ on a la formule de Parseval : ∀x ∈ E, hx, en i2 = kxk2 .
n=0

5 Espaces euclidiens
5.1 Automorphismes orthogonaux, matrices orthogonales
5.1.1 Matrices orthogonales
Soit A ∈ Mn (R). On note C1 , . . . , Cn les colonnes de A et L1 , . . . , Ln les lignes de A.

A est orthogonale ⇔ t AA = At A = In
⇔ A ∈ GLn (R) et A−1 = t A
⇔ (C1 , . . . , Cn ) est une B.O.N de Mn,1 (R) muni du produit scalaire canonique
⇔ (L1 , . . . , Ln ) est une B.O.N de M1,n (R) muni du produit scalaire canonique.

Théorème. A ∈ On (R) ⇔ t A ∈ On (R).

Théorème. On (R) est un sous-groupe de (GLn (R), ×).
Théorème. Soient E un espace euclidien de dimension n, B une B.O.N de E, B ′ une famille de n vecteurs de E,
A = MatB (B ′ ). Alors, B ′ est une B.O.N de E si et seulement si A ∈ On (R).

5
Théorème. A ∈ On (R) ⇒ det(A) ∈ {−1, 1}.
Théorème. O+
n (R) = SOn (R) est un sous-groupe de (On (R), ×) et aussi de (SLn (R), ×).
   
cos θ − sin θ cos θ sin θ
Théorème. O1 (R) = {±I1 }. O2 (R) = , θ∈R ∪ , θ∈R .
sin θ cos θ sin θ − cos θ

5.1.2 Automorphismes orthogonaux

Soit f ∈ L (E).
f est orthogonal ⇔ ∀(x, y) ∈ E2 , hf(x), f(y)i = hx, yi (f conserve le produit scalaire)
⇔ ∀x ∈ E, kf(x)k = kxk (f conserve la norme (euclidienne))

Théorème. Soient E un espace euclidien de dimension n, B une B.O.N de E, f ∈ L (E), A = MatB (f). Alors, f ∈ O(E)
si et seulement si A ∈ On (R).
Théorème. f ∈ O(E) ⇒ det(f) ∈ {−1, 1}.
Théorème. O+ (E) = SO(E) est un sous-groupe de (O(E), ◦) et aussi de (SL(E), ◦).
Théorème. O (E1 ) = {±IdE1 }. O (E2 ) = {rotations} ∪ {réflexions}.

5.1.3 Réduction des endomorphismes orthogonaux ou des matrices orthogonales

Théorème. Soit f ∈ O(E) (resp. A ∈ On (R)). Sp(f) ⊂ {−1, 1} (resp. SpR (A) ⊂ {−1, 1}).
Théorème. Soit f ∈ O(E). Si F est un sev de E stable par f, alors F⊥ est un sev de E stable par f. Plus précisément, si F
est stable par f, la restriction de f à F (resp. F⊥ ) induit un automorphisme orthogonal de F (resp. F⊥ ).
Théorème. f ∈ O(E) ⇔ il existe une B.O.N de E dans laquelle la matrice de f est une matrice diagonale par blocs du
type
 
R (θ1 )
 .. 

 . 


 R (θ k ) 0 

 −1   
cos θi − sin θi
 
 . ..  où R (θi ) =

(*).
sin θi cos θi

 

 −1 


 0 1 

 .. 
 . 
1
A ∈ On (R) ⇔ A est orthogonalement semblable à une matrice du type (∗).
 
cos θ − sin θ 0
Théorème. f ∈ O+ (E3 ) ⇔ il existe une B.O.N de E dans laquelle la matrice de f est  sin θ cos θ 0 .
0 0 1

5.2 Endomorphismes symétriques, matrices symétriques (réelles)

Soit f ∈ L (E). f est symétrique ⇔ ∀(x, y) ∈ E2 , hf(x), yi = hx, f(y)i.
Soit A = (ai,j )16i,j6n ∈ Mn (R). A ∈ Sn (R) ⇔ t A = A ⇔ ∀(i, j) ∈ J1, nK2 , aj,i = ai,j .
Théorème. Soient B une B.O.N de E, f ∈ L (E), A = MatB (f). f est symétrique ⇔ A est symétrique.
Théorème. Soit f ∈ S (E). Alors, χf est scindé sur R.
Soit A ∈ Sn (R) ⊂ Mn (C). Les valeurs propres de A dans C sont réelles.
Démonstration. Si X 6= 0 et AX = λX, alors

λt XX = t X(AX) = t Xt AX = t AX = λt XX . . .

Théorème. Soit f ∈ S (E). Si F est un sev de E stable par f, alors F⊥ est un sev de E stable par f.
Théorème spectral.
Soit f ∈ L (E). f est symétrique ⇔ f est diagonalisable en base orthonormée.
Soit A ∈ Mn (R). A est symétrique ⇔ f est orthogonalement semblable à une matrice diagonale.

6
 Résumé du cours d’analyse de Sup et Spé

1 Topologie
1.1 Normes, normes équivalentes
Une norme sur le K-espace vectoriel E est une application N de E dans R vérifiant :

∀x ∈ E, N(x) > 0 (positivité)

∀x ∈ E, (N(x) = 0 ⇒ x = 0) (axiome de séparation)
∀x ∈ E, ∀λ ∈ K, N(λx) = |λ|N(x) (homogénéité)
∀(x, y) ∈ E2 , N(x + y) 6 N(x) + N(y) (inégalité triangulaire).

Normes équivalentes. Les normes N et N ′ sont équivalentes si et seulement si il existe deux réels strictement positifs
N′
α et β tel que ∀x ∈ E, αN(x) 6 N ′ (x) 6 βN(x). Il revient au même de dire que la fonction est bornée sur E \ {0}.
N
Théorème. Si E est de dimension finie sur K, toutes les normes sont équivalentes.

1.2 Voisinage
Soit x ∈ E. Un voisinage de x est une partie de l’espace vectoriel normé (E, N) qui contient une boule ouverte non vide de
centre x.
L’ensemble des voisinages de x se note V (x). Si V est une partie de E, (V ∈ V (X) ⇔ ∃r > 0/ Bo (x, r) ⊂ V).
Théorè[Link] réunion quelconque de voisinage de x est un voisinage de x. Une intersection finie de voisinage de x est
un voisinage de x.

1.3 Ouverts, intérieur.

Ouvert. Un ouvert de l’espace vectoriel normé (E, N) est soit ∅, soit une partie non vide de E voisinage de chacun de ses
points. Si O est une partie non vide de E, (O est ouvert⇔ ∀x ∈ O, ∃r > 0/ Bo (x, r) ⊂ O).
Théorème. Une réunion quelconque d’ouverts est un ouvert. Une intersection finie d’ouverts est un ouvert.
◦
Intérieur. Un élément x de A 6= ∅ est intérieur à A si et seulement si A est voisinage de x. (∀x ∈ E, (x ∈ A ⇔ A ∈ V (x)).
L’intérieur d’une partie non vide A est l’ensemble des points de A dont A est voisinage.
◦
Théorème. A est le plus grand ouvert contenu dans A.
◦
Théorème. A est ouvert si et seulement si A = A.

1.4 Fermés, adhérence

Fermé. A est fermé si et seulement si le complémentaire de A est ouvert.
Théorème. Une intersection quelconque de fermés est un fermé. Une réunion finie de fermés est un fermé.
Théorème (caractérisation séquentielle des fermés). Une partie non vide A est fermée si et seulement si toute suite
convergente d’éléments de A converge dans A.
Adhérence. Un élément x de E est adhérent à A si et seulement si tout voisinage de x rencontre A
∀x ∈ E, (x ∈ A ⇔ ∀V ∈ V(x), V ∩ A 6= ∅). L’adhérence de A est l’ensemble des points adhérents à A.
Théorème. A est le plus petit fermé contenant A.
Théorème. A est fermé si et seulement si A = A.
Théorème. x est adhérent à A 6= ∅ si et seulement si il existe une suite d’éléments de A convergente de limite x.
∅ et E sont des parties à la fois ouvertes et fermées.

1.5 Compacts
Une partie non vide K de E est compacte si et seulement si de toute suite d’éléments de K, on peut extraire une sous-suite
qui converge vers un élément de K. ∅ est compact par convention.
Théorème. Si K est compacte, K est fermée et bornée.

1
Théorème (de Borel-Lebesgue). Si (E, N) est un evn de dimension finie, les compacts sont les parties fermées et
bornées.
Théorème (de Bolzano-Weierstrass). Si (E, N) est un evn de dimension finie, de toute suite bornée, on peut
extraire une sous-suite convergente.

2 Fonctions
2.1 Connexité par arcs
Définition. Soit A une partie non vide de E. A est connexe par arcs si et seulement si, pour tout (x, y) ∈ A2 , il existe
γ : t 7→ γ(t) définir et continue sur [0, 1] à valeurs dans E telle que
• γ(0) = x et γ(1) = y ;
• ∀t ∈ [0, 1], γ(t) ∈ A.
Théorème. Un convexe non vide est connexe par arcs.

2.2 Continuité
Théorème des valeurs intermédiaires. Soit f une application d’un evn (E, N) dans un evn (E ′ , N ′ ). Si f est continue
sur E, l’image d’un connexe par arcs de E est un connexe par arcs de E ′ .
En particulier, si f va de R dans R et est continue sur R, l’image d’un intervalle de R par f est un intervalle de R.
Théorème (images réciproques d’ouverts ou de fermé). f va d’une partie D d’un evn (E, N) dans un evn (E ′ , N ′ ).
f est continue sur D si et seulement si l’image réciproque de tout ouvert de (E ′ , N ′ ) est un ouvert de D, c’est-à-dire
l’intersection d’un ouvert de E avec D.
f est continue sur D si et seulement si l’image réciproque de tout fermé de (E ′ , N ′ ) est un fermé de D, c’est-à-dire
l’intersection d’un fermé de E avec D.
Théorème (image continue d’un compact). f va d’une partie D d’un evn (E, N) dans un evn (E ′ , N ′ ). Si f est continue
sur D, l’image directe d’un compact de D est un compact de (E ′ , N ′ ).
En particulier, si f va de R dans R et est continue sur R, l’image d’un segment de R par f est un segment de R.
Théorème de Heine. Si f est continue sur un compact, alors f est uniformément continue sur ce compact.
Théorème (continuité de la norme). L’application N : (E, N) → (R, | |) est continue.
x 7→ N(x)
Théorème (continuité d’une application linéaire). f est une application linéaire de (E, k kE ) dans (F, k kF ).
f est continue sur E si et seulement si ∃k ∈ R+ / ∀x ∈ E, kf(x)kF 6 kkxkE .
Si E est de dimension finie, toute application linéaire, forme linéaire, application multilinéaire . . . est continue sur E.
Conséquence. Les sev d’un evn de dimension finie sont fermés.

2.3 Dérivation
Théorème de Rolle. f est une application définie sur un segment [a, b] de R à valeurs dans R. Si f est continue sur
[a, b], dérivable sur ]a, b[ et vérifie f(a) = f(b), alors il existe c ∈]a, b[ tel que f ′ (c) = 0.
Théorème des accroissements finis. f est une application définie sur un segment [a, b] de R à valeurs dans R. Si f est
f(b) − f(a)
continue sur [a, b], dérivable sur ]a, b[ alors il existe c ∈]a, b[ tel que = f ′ (c).
b−a
Le théorème de Rolle et le théorème des accroissements finis sont faux pour les applications de R dans C ou les applications
de R dans Rn , n > 2.
Théorème. f est une application définie sur un segment [a, b] de R à valeurs dans R ou C. Si f est continue sur [a, b], de
classe C1 sur ]a, b] et si f ′ a une limite réelle ou complexe en a, alors f est de classe C1 sur [a, b].
Formule de Taylor-Laplace. Soit f une application définie sur un intervalle I de R à valeurs dans R ou C de classe
Cn+1 sur I. Alors, pour tout (a, b) ∈ I2 ,
n Zb
X f(k) (a) k (b − t)n (n+1)
f(b) = (b − a) + f (t) dt.
k! a n!
k=0

Inégalité des accroissements finis. Soit f une application définie sur un intervalle I de R à valeurs dans R ou C,
dérivable sur I. On suppose que |f ′ | est majorée par le réel M sur I. Alors, pour tout (a, b) ∈ I2 , |f(b) − f(a)| 6 M|b − a|.

2
Inégalité de Taylor-Lagrange. Soit f une application définie sur un intervalle I de R à valeurs dans R ou C, n + 1
fois dérivable sur I. On suppose que |f(n+1) | est majorée par le réel Mn+1 sur I. Alors, pour tout (a, b) ∈ I2 ,
n
X f(k) (a) Mn+1 (b − a)(n+1)
f(b) − (b − a)k 6 .
k! (n + 1)!
k=0

2.4 Intégration
Soit f une
Z x fonction continue sur un intervalle I de R à valeurs dans R ou C. Alors, pour tout x0 de I, la fonction
F : x 7→ f(t) dt est de classe C1 sur I et ∀x ∈ I, F ′ (x) = f(x).
x0

3 Séries numériques
un+1
Règle de d’Alembert. (un ) est une suite complexe, ne s’annulant pas à partir d’un certain rang telle que a
un
une limite ℓ ∈ [0, +∞].
• Si 0 6 ℓ < 1, la série de terme général un converge absolument.
• Si ℓ > 1, la série de terme général un diverge grossièrement.
Produit de Cauchy de deux séries absolument convergentes. Si les séries de termes généraux un et vn sont absolu-!
+∞ +∞
n
! +∞
X X X X
ment convergentes, alors la série de terme général wn = uk vn−k converge et dans ce cas, wn = un vn .
k=0 n=0 n=0 n=0

Critère spécial aux séries alternées (ou théorème de Leibniz). Soit (un ) une suite réelle alternée en signe, dont
la valeur absolue tend vers 0 en décroissant. Alors, la série de terme général un converge.
De plus, S, Sn et Rn sont du signe de leur premier terme et leur valeur absolue est majorée par la valeur absolue de leur
premier terme.
Théorème (séries télescopiques). Soit (an ) une suite complexe. La suite (an ) et la série de terme général an+1 − an
sont de même nature.
Comparaison séries-intégrales. Si Zf est une fonction continue par morceaux sur [0, +∞[, à valeurs réelles positives
n
décroissante, la série de terme général f(t) dt − f(n) converge.
n−1
En particulier, la série de terme général f(n) converge si et seulement si f est intégrable sur [0, +∞[.
Théorème (sommation des relations de comparaison). Soient (an ) et (bn ) deux suites réelles strictement positives
telles que an ∼ bn .
n→+∞

Si la série de terme général an converge, alors la série de terme général bn converge et

+∞
X +∞
X
ak ∼ bk
n→+∞
k=n+1 k=n+1
(règle de l’équivalence des restes de séries à termes positifs convergentes).

Si la série de terme général an diverge, alors la série de terme général bn diverge et

n
X n
X
ak ∼ bk
n→+∞
k=0 k=0
(règle de l’équivalence des sommes partielles de séries à termes positifs divergentes).

Théorème de Fubini.  Soit (ui,j) une suite complexe double. Si Pour tout i, la série de terme
 généralui,j est absolument
+∞ +∞ +∞ +∞ +∞ X +∞
!
X X X X X
convergente et que  |ui,j | < +∞, alors la suite (ui,j ) est sommable et de plus,
  ui,j =
 ui,j .
i=0 j=0 i=0 j=0 j=0 i=0

3
4 Suites et séries de fonctions
4.1 Suites de fonctions
1) Convergence simple, uniforme
(fn ) converge simplement sur D vers f si et seulement si, pour chaque x de D, la suite (fn (x)) converge vers f(x).
(fn ) converge uniformément vers f sur D si et seulement si la suite (kf − fn k∞ ) est définie à partir d’un certain rang et
tend vers 0 quand n tend vers +∞.

2) Interversion des limites

Théorème d’interversion des limites. a est adhérent à D (a réel, infini...).
Si chaque fn a une limite ℓn (réelle, complexe) quand x tend vers a et si (fn ) converge uniformément vers f sur D, alors :
• f a une limite quand x tend vers a ;
• la suite (ℓn ) converge ;
• lim f(x) = lim ℓn (c’est-à-dire lim ( lim fn (x)) = lim ( lim fn (x)).)
x→a n→+∞ x→a n→+∞ n→+∞ x→a

Ce théorème marche aussi si les ℓn sont +∞ (−infty) à partir d’un certain rang.

3) Continuité.
Théorème. Si (fn ) converge uniformément vers f sur D et si chaque fn est continue sur D, alors f est continue sur D
(une limite uniforme de fonctions continues est continue)

4) Dérivation.
Théorème. Si
• (fn ) converge simplement vers f sur D ;
• chaque fn est dérivable sur D ;
• la suite des dérivées (fn′ ) converge uniformément sur D (vers sa limite).  
d d
Alors, f est dérivable sur D et f ′ = lim fn′ (c’est-à-dire ( lim fn ) = lim fn .)
n→+∞ dx n→+∞ n→+∞ dx

Théorème (généralisation). Si
• (fn ) converge simplement vers f sur D ;
• chaque fn est de classe Cp , 1 6 p 6 +∞ sur D ;
(k)
• les suites des dérivées (fn ), 1 6 k 6 p, convergent toutes uniformément sur D (vers leur limite).
Alors, f est de classe Cp sur D et ∀k ∈ J1, pK, f(k) = lim fn(k)
.
n→+∞

5) Intégration
Théorème (convergence uniforme sur un segment). Si chaque fn est continue par morceaux sur le segment [a, b]
et si la suite (fn ) converge uniformément vers f sur [a, b], alors :
• f est continue par morceaux sur D ;
Zb !
• la suite fn (x) dx converge ;
a
Zb Zb Zb Zb
• f(x) dx = lim fn (x) dx (c’est-à-dire lim fn (x) dx = lim fn (x) dx).
a n→+∞ a a n→+∞ n→+∞ a

Théorème de convergence dominée. (fn ) est une suite de fonctions continues par morceaux sur un intervalle quel-
conque I de R à valeurs dans R ou C.
Si la suite (fn ) converge simplement vers une fonction f continue par morceaux sur I et s’il existe une fonction ϕ continue
par morceaux,
Z positive et
Z intégrable sur I telle que ∀n ∈ N, |fn | 6 ϕ (hypothèse de domination), alors f est intégrable sur
I et f(x) dx = lim fn (x) dx.
I n→+∞ I

4.2 Séries de fonctions

1) Convergence simple, uniforme, absolue, normale
La série de fonctions de terme général fn converge simplement sur D vers S si et seulement si, pour chaque x de D, la
série numérique de terme général fn (x) converge vers S(x).
La série de fonctions de terme général fn converge uniformément sur D vers S si et seulement si la suite (kRn k∞ ) est
définie à partir d’un certain rang et tend vers 0 quand n tend vers +∞.
La série de fonctions de terme général fn converge absolument sur D si et seulement si, pour chaque x de D, la série
numérique de terme général fn (x) converge absolument.

4
La série de fonctions de terme général fn converge normalement sur D (vers S) si et seulement si la série numérique de
terme général kfn k∞ converge.

2) Interversion des limites

Théorème d’interversion des limites. a est adhérent à D (a réel, infini...).
Si chaque fn a une limite ℓn quand x tend vers a et si la série de fonction de terme général fn converge uniformément
vers S sur D, alors :
• S a une limite quand x tend vers a ;
• la série numérique de terme général ℓn converge ;
+∞
X
• lim S(x) = ℓn .
x→a
n=0

3) Continuité
Théorème. Si la série de fonctions de terme général fn converge uniformément vers S sur D et si chaque fn est continue
sur D, alors S est continue sur D.

4) Dérivation terme à terme

Théorème de dérivation terme à terme. Si
• la série de fonctions de terme général fn converge simplement vers S sur D,
• chaque fn est dérivable sur D,
• la série de fonctions de terme général fn′ converge uniformément sur D,
+∞
X
alors, S est dérivable sur D et S ′ = fn′
n=0

Théorème (généralisation). Si
• la série de fonctions de terme général fn converge simplement vers S sur D,
• chaque fn est de classe Cp , 1 6 p 6 +∞ sur D,
(k)
• les séries de termes généraux (fn ), 1 6 k 6 p, convergent toutes uniformément sur D,
+∞
X
alors, S est de classe Cp sur D et ∀k ∈ J1, pK, S(k) = f(k)
n .
n=0

Revoir l’étude de la fonction ζ de Riemann.

5) Intégration terme à terme

Théorème d’intégration terme à terme sur un segment). Si chaque fn est continue par morceaux sur le segment
[a, b] et si la série de terme général fn converge uniformément vers S sur [a, b], alors :
• S est continue par morceaux sur [a, b] ;!
Zb
• la série de terme général fn (x) dx converge ;
a
Zb +∞ Z b
X
• S(x) dx = fn (x) dx.
a n=0 a

Théorème d’intégration terme à terme. Si chaque fn est continue par morceaux et intégrable sur I, si la série de
+∞ Z
X
terme général fn converge simplement vers une fonction S continue par morceaux sur I et si |fn | < +∞, alors S est
n=0 I
Z +∞ Z
X
intégrable sur I et S(x) dx = fn .
I n=0 I

5 Séries entières
1) Rayon de convergence Ra = sup{r ∈ [0, +∞[/ (|an |rn ) bornée}.

2) Convergence normale
X
Théorème. an rn converge normalement sur tout [−r, r] (resp. tout disque fermé de rayon r) où r < Ra .

5
Théorème. La somme d’une série entière est de classe C∞ sur son intervalle ouvert de convergence et les dérivées
successives s’obtiennent par dérivation terme à terme. Idem pour primitive par intégration terme à terme.
Les différents rayons de convergence considérés sont égaux.
+∞
X f(n) (0)
Théorème. Si pour tout x ∈] − Ra , Ra [, f(x) = an xn , alors ∀n ∈ N, an = .
n!
n=0

6 Intégrales dépendant d’un paramètre

I est une partie de R et J est un intervalle quelconque de R.
f: I×J → K est une fonction de deux variables, définie sur I × J, à valeurs dans K = R ou K = C.
(x, t) 7→ f(x, t)
Z
Pour x ∈ I, on pose F(x) = f(x, t) dt.
J

Théorème de passage à la limite sous le signe somme. Soit a adhérent à D. Si

• pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J,
• pour tout t de J, la fonction x 7→ f(x, t) a une limite ℓ(t) quand t tend vers a, où ℓ est une fonction continue par
morceaux sur J,
• il existe une fonction ϕ continue par morceaux, positive et intégrable sur J telle que, pour tout (x, t) ∈ I × J,
|f(x, t)| 6 ϕ(t).
Alors,
• la fonction F a une limite quand x tend vers a,
• la fonction ℓZ est intégrable sur J, Z Z  
• lim F(x) = ℓ(t) dt (c’est-à-dire lim f(x, t) dt = lim f(x, t) dt.
x→a J x→a J J x→a

Théorème de continuité d’une intégrale à paramètres. Si

• pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J,
• pour tout t de J, la fonction x 7→ f(x, t) est continue sur I,
• il existe une fonction ϕ continue par morceaux, positive et intégrable sur J telle que,
pour tout (x, t) ∈ I × J, |f(x, t)| 6 ϕ(t).
Alors, la fonction F est définie et continue sur I.
Théorème de dérivation sous le signe somme (ou théorème de Leibniz)
Si pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J et intégrable sur I,
∂f
et si f admet une dérivée partielle vérifiant les hypothèses du théorème précédent, c’est-à-dire
∂x
∂f
• pour tout x de I, la fonction t 7→ (x, t) est continue par morceaux sur J,
∂x
∂f
• pour tout t de J, la fonction x 7→ f(x, t) est continue sur I,
∂x
• il existe une fonction ϕ continue par morceaux, positive et intégrable sur J telle que, pour tout (x, t) ∈ I × J,
∂f
(x, t) 6 ϕ(t).
∂x Z
∂f
Alors, la fonction F est de classe C1 sur I et ∀x ∈ I, F ′ (x) = (x, t) dt.
J ∂x
Théorème de dérivation sous le signe somme généralisé
Si pour tout x de I, la fonction t 7→ f(x, t) est continue par morceaux sur J et intégrable sur I, et si f admet des dérivées
∂k f
partielle jusqu’à l’ordre p, 1 6 k 6 p 6 +∞, vérifiant les hypothèses du théorème précédent, c’est-à-dire
∂xk
∂k f
• ∀k ∈ J1, pK, ∀x ∈ I, la fonction t 7→ k (x, t) est continue par morceaux sur J,
∂x
∂k f
• ∀k ∈ J1, pK, ∀t ∈ J, la fonction x 7→ k f(x, t) est continue sur I,
∂x
• ∀k ∈ J1, pK, il existe une fonction ϕk continue par morceaux, positive et intégrable sur J telle que, pour tout
∂k f
(x, t) ∈ I × J, (x, t) 6 ϕk (t).
∂xk Z
∂f
Alors, la fonction F est de classe C1 sur I et ∀x ∈ I, F ′ (x) = (x, t) dt.
J ∂x
Revoir l’étude de la fonction Γ .

6
7 Equations différentielles
Théorème de Cauchy linéaire : cas des équations différentielles scalaires du premier ordre. Soient a et b
deux fonctions continues sur un intervalle I de R à valeurs dans K = R ou K = C. Alors, pour tout (x0 , y0 ) ∈ I × K, il
existe une et une seule solution f de l’équation différentielle y ′ + ay = b sur I vérifiant de plus f(x0 ) = y0 à savoir :
Zx Zx
∀x ∈ I, f(x) = y0 eA(x) + eA(x) e−A(t) b(t) dt où A(x) = a(t) dt.
x0 x0

Théorème de Cauchy linéaire : cas des systèmes du premier ordre à coefficients constants. Soit A ∈ Mn (K).
Soit B une fonction continue sur un intervalle I de R à valeurs dans Mn,1 (K). Alors, pour tout (t0 , X0 ) ∈ I × Mn,1 (K), il
existe une et une seule solution X de l’équation différentielle X ′ = AX + B sur I vérifiant de plus X(t0 ) = X0 à savoir
Zt
∀t ∈ I, X(t) = etA X0 + etA e−uA B(u) du.
t0

Théorème de Cauchy linéaire : cas général. Soient A et B deux fonctions continues sur un intervalle I de R à valeurs
respectivement dans Mn (K) et Mn,1 (K). Alors, pour tout (t0 , X0 ) ∈ I × Mn,1 (K), il existe une et une seule solution X
de l’équation différentielle X ′ = AX + B sur I vérifiant de plus X(t0 ) = X0 .
Théorème de Cauchy linéaire : cas des équations différentielles scalaires du second ordre. Soient a, b et c
trois fonctions continues sur un intervalle I de R à valeurs dans R ou C. Alors, pour tout (x0 , y0 , z0 ) ∈ I × K × K, il existe
une et une seule solution f de l’équation différentielle y ′′ + ay ′ + by = c sur I vérifiant de plus f(x0 ) = y0 et f ′ (x0 ) = z0 .

7
 SESSION 1996

TPE

FILIERE M

COMPOSITION DE MATHEMATIQUES OPTION

PREMIERE PARTIE : matrice compagne d’un endomorphisme cyclique

I 1) • Si f est cyclique, il existe un vecteur x0 tel que la famille B = (x0 , f(x0 ), . . . , fn−1 (x0 )) soit une base de E.
Notons (−a0 , . . . , −an−1 ) les coordonnées du vecteur fn (x0 ) = f(fn−1 (x0 )) dans la base B. Dans cette base, la matrice
de f est la matrice C.
• Réciproquement, si B = (e1 , . . . , en ) est une base de E dans laquelle la matrice de f est C, posons x0 = e1 .
Pour i ∈ J2, nK, on a ei = f(ei−1 ) et donc, pour i ∈ J1, n − 1K, ei = fi−1 (e1 ) = fi−1 (x0 ). La famille (x0 , f(x0 ), ..., fn−1 (x0 ))
est donc une base de E et f est cyclique.

f est cyclique si et seulement si il B base de E telle que MatB (f) = C.

I 2) En développant det(C − XIn ) suivant sa dernière colonne, on obtient

n−2
X
PC = (−an−1 − X)(−X) n−1
+ (−1)n+k+1 (−ak )∆k ,
k=0

−X 0 ... 0 0 ... ... 0

. .. .. ..
× −X . . . . .
.. .. .. .. ..
. . . 0 . .
× . . . × −X 0 ... ... 0
où ∆k est le déterminant , (−X) étant écrit k fois. Un calcul par blocs fournit
× ... ... × 1 × ... ×
.. .. .. .. .
. . 0 . . ..
.. .. .. .. ..
. . . . . ×
× ... ... × 0 ... 0 1
∆k = (−X)k et donc,
n−2
X n−1
X
PC = (−1)n (Xn + an−1 Xn−1 + (−1)k ak (−1)k Xk ) = (−1)n (Xn + ak Xk ) = (−1)n Q.
k=0 k=0

PC = (−1)n Q.

Si f est cyclique, on peut lui associer comme en 1) une matrice compagne. D’après le calcul précédent, les coefficients de
la dernière colonne de cette matrice sont uniquement déterminés à partir des coefficients du polynôme caractéristique de
f. La matrice compagne associée à un endomorphisme cyclique est uniquement définie.
I 3) Soit λ une valeur propre complexe de la matrice C. La matrice constituée par les n − 1 premières colonnes et n − 1
dernières lignes de la matrice C − λIn est inversible car de déterminant 1. La matrice C − λIn est donc de rang n − 1 au
moins ou encore dim(Ker(C − λIn )) ≤ 1. Puisque λ est valeur propre, on a plus précisément dim(Ker(C − λIn )) = 1 et
donc

les sous-espaces propres de la matrice C sont donc des droites vectorielles.

Déterminons alors les sous-espaces propres de C.

http ://[Link] 1 c Jean-Louis Rouget, 2007. Tous droits réservés.

Soient λ une valeur propre complexe de la matrice C et X = (xi )1≤i≤n ∈ Mn,1 (C).

−a0 xn = λx1
AX = λX ⇔
∀i ∈ J2, nK, xi−1 − ai−1 xn = λxi


 xn−1 = (an−1 + λ)xn


 xn−2 = an−2 xn + λxn−1 = (an−2 + an−1
 λ + λ2 )xn
2 2 3
⇒ x n−3 = a x
n−3 n + λ(a n−2 + a n−1 λ + λ )x n = (an−3 + an−2 λ + an−1 λ + λ )xn
 .
 .

 .


x1 = (a1 + a2 λ + . . . + an−1 λn−2 + λn−1 )xn

ce qui montre que Ker(C − λIn ) est la droite vectorielle engendrée par le vecteur

(a1 + a2 λ + . . . + an−1 λn−2 + λn−1 , . . . , an−2 + an−1 λ + λ2 , an−1 + λ, 1).

DEUXIEME PARTIE : endomorphismes nilpotents

II 4) Soit x0 un vecteur tel que fn−1 (x0 ) 6= 0. Vérifions que la famille (x0 , f(x0 ), ..., fn−1 (x0 )) est une base de E. Puisque
card(fi (x0 ))0≤i≤n−1 = n = dim(E) < +∞, il suffit de vérifier que la famille (fi (x0 ))0≤i≤n−1 est libre.
n−1
X
Supposons par l’absurde qu’il existe (α0 , . . . , αn−1 ) 6= (0, 0, ..., 0) tel que αi fi (x0 ) = 0.
i=0
Soit k = Min{i ∈ J0, n − 1K/ αi 6= 0}. On a alors

n−1 n−1 n−1

! n−1
X X X X
i i n−1−k i
αi f (x0 ) = 0 ⇒ αi f (x0 ) = 0 ⇒ f αi f (x0 ) =0⇒ αi fn+i−k−1 (x0 ) = 0
i=0 i=k i=k i=k
n−1
⇒ αk f (x0 ) = 0 (car pour i ≥ k + 1, n + i − k − 1 ≥ n et donc fn+i−k−1 (x0 ) = 0)
⇒ αk = 0 (car fn−1 (x0 ) 6= 0).

Ceci contredit la définition de k. La famille (x0 , f(x0 ), ..., fn−1 (x0 )) est donc une base de E et f est cyclique.

Si f est nilpotent d’indice n, alors f est cyclique.

 
0 ... ... 0
 .. .. 

 1 . . 

Puisque f(f n−1
(x0 )) = 0, la matrice de f dans la base (x0 , f(x0 ), ..., fn−1
(x0 )) est 
 ..  qui est une

 0 . 
.. .. .. .. . 
. .. 

 . . .
0 ... 0 1 0
matrice compagne et donc la matrice compagne de f.
D’après la question 3), Kerf est de dimension au plus 1. Mais f étant nilpotent, f n ?est pas inversible et donc

dim(Kerf) = 1.

II 5) a) Soient x ∈ E et k ∈ J0, p − 1K.

x ∈ Nk ⇒ fk (x) = 0 ⇒ f(fk (x)) = 0 ⇒ fk+1 (x) = 0 ⇒ x ∈ Nk+1 .

Donc,

∀k ∈ J0, p − 1K, Nk ⊂ Nk+1 .

Soient k ∈ J0, p − 1K et y ∈ f(Nk+1 ). Il existe x ∈ Nk+1 tel que y = f(x). Mais alors fk (y) = fk (f(x)) = fk+1 (x) = 0 et
donc y ∈ Nk . Ainsi

∀k ∈ J0, p − 1K, f(Nk+1 ) ⊂ Nk .

http ://[Link] 2 c Jean-Louis Rouget, 2007. Tous droits réservés.

b) D’après la question a), ϕ est bien une application de Nk+1 dans Nk , linéaire car f l’est. Le théorème du rang permet
alors d’écrire

nk+1 = dim(Nk+1 ) = dim(Kerϕ) + dim(Imϕ)

= dim(Kerf ∩ Nk+1 ) + dim(f(Nk+1 )) = dim(Kerf) + dim(f(Nk+1 )) (car Kerf = N1 ⊂ Nk+1 )
≤ dim(Kerf) + dim(Nk )
= 1 + nk (d’après 4)).

∀k ∈ J0, p − 1K, nk+1 ≤ nk + 1.

c) • Si nk = nk+1 (< +∞) alors, puisque Nk ⊂ Nk+1 (d’après 5)a)), on a Nk = Nk+1 .

• Soit j ≥ k + 1. Supposons que Nj = Nk et montrons que Nj+1 = Nk . On a déjà Nk = Nj ⊂ Nj+1 . Mais pour x ∈ E,

x ∈ Nj+1 ⇒ fj+1 (x) = 0 ⇒ fj (f(x)) = 0 ⇒ f(x) ∈ Nj = Nk ⇒ fk (f(x)) = 0 ⇒ x ∈ Nk+1 = Nk .

et donc, Nj+1 = Nk .
On a montré par récurrence que ∀j ≥ k + 1, Nj = Nk .

Si nk = nk+1 alors ∀j ≥ k + 1, Nj = Nk .

On a np = dim(Kerfp ) = n et ∀k ∈ J0, p − 1K, nk ≤ nk+1 ≤ 1 + nk . Par suite, nk+1 = nk ou nk+1 = nk + 1. Maintenant,

puisque fp−1 6= 0 = fp , Np−1 6= Np et le début de la question montre que ∀k ∈ J0, p − 1K, nk+1 = nk + 1.
Par suite, ∀k ∈ J1, pK, nk = n1 + (k − 1) = k ce qui reste vrai pour k = 0. En particulier, p = np = n. On a montré que

p = n et ∀k ∈ J0, nK, nk = k.

TROISIEME PARTIE : une caractérisation des endomorphismes cycliques

III 6) f est cyclique donc il existe un vecteur x0 tel que la famille (x0 , f(x0 ), ..., fn−1 (x0 )) soit une base de E.
Soit (α0 , ..., αn−1 ) ∈ Cn .

α0 Id + α1 f + ... + αn−1 fn−1 = 0 ⇒ ∀x ∈ E, α0 x + α1 f(x) + ... + αn−1 fn−1 (x) = 0

⇒ α0 x0 + α1 f(x0 ) + ... + αn−1 fn−1 (x0 ) = 0
⇒ α0 = α1 = ... = αn−1 = 0 (car la famille (x0 , f(x0 ), ..., fn−1 (x0 )) est libre).

Donc,

si f est un endomorphisme cyclique, la famille (Id, f, ..., fn−1 ) est libre.

III 7) a) (f − λk I)mk est un polynôme en f et donc commute avec f. On sait alors que Ek = Ker(f − λk I)mk est stable
par f.
Les polynômes (X−λk )mk sont deux à deux premiers entre eux (les λk étant deux à deux distincts, ces polynômes pris deux
à deux n’ont pas de racines communes dans C). D’après le théorème de décomposition des noyaux, Ker(Pf (f)) = E1 ⊕...⊕Ep .
Mais d’après le théorème de Cayley-Hamilton, Pf (f) = 0 et donc Ker(Pf (f)) = E. Finalement,

∀k ∈ J1, pK, f(Ek ) ⊂ Ek et E = E1 ⊕ ... ⊕ Ep .

b) Puisque f laisse stable Ek , ϕk est bien un endomorphisme de Ek . Par définition de Ek , on a pour tout vecteur x élément
de Ek , (f − λk I)mk (x) = 0 ou encore ϕmk (x) = 0.
k

ϕm
k
k
= 0.

http ://[Link] 3 c Jean-Louis Rouget, 2007. Tous droits réservés.

Notons fk la restriction de f à Ek (on a donc fk = λk IdEk + ϕk ). Puisque le polynôme (X − λk )mk est annulateur de fk ,
λk est l’unique valeur propre de fk (fk admettant au moins une valeur propre puisque K = C et que Ek 6= {0}). Par suite,
le polynôme caractéristique de fk est (X − λk )dim(Ek ) . On sait alors que ce polynôme divise le polynôme caractéristique
de f ce qui montre que

dim(Ek ) ≤ mk .
p
X n
X
Maintenant, si pour un entier k ∈ J1, pK on a dim(Ek ) < mk , alors dim(Ej ) < mj = n, ce qui contredit le fait que
j=1 j=1
E = E1 ⊕ ... ⊕ Ep . Finalement,

∀k ∈ J1, pK, dim(Ek ) = mk .

Montrons que ϕmk −1 6= 0. Supposons par l’absurde que ϕmk −1 = 0 et considérons le polynôme
Y
Q = (X − λk )mk −1 (X − λj )mj si p ≥ 2 ou Q = (X − λk )mk −1 = (X − λ1 )n−1 si p = 1.
j6=k

Pour i ∈ J1, pK, on a Q(fi ) = 0(des polynômes

 en f commutent) et donc Q(f) = 0. Mais Q est un polynôme non nul
X Xp
de degré (mk − 1) + mj =  mj  − 1 = n − 1. L’égalité Q(f) = 0 fournit alors une combinaison linéaire nulle à
j6=k j=1
coefficients non tous nuls de la famille (Id, f, f2 , ..., fn−1 ) ce qui contredit la liberté de cette famille. Donc

ϕmk −1 6= 0.

c) ϕk est donc un endomorphisme nilpotent de Ek , d’indice mk = dimEk . D’après la question 4), il existe une base Bk
de Ek dans laquelle la matrice de ϕk est la matrice compagnon de format mk
 
0 ... ... 0
.. 
 1 ...

 . 

 0 ..
 . ,

 
 . .
 .. . . . . . . . . ... 


0 ... 0 1 0

ou encore dans laquelle la matrice de fk est

 
λk 0 ... ... 0
 .. .. 
 1 . . 
..
 
 .. .. .


 0 . . .
 .. .. .. .. 
 . . . . 0 
0 ... 0 1 λk

Soit B = B1 ∪ ... ∪ Bk . D’après la question 7)a), E = E1 ⊕ ... ⊕ Ep et donc B est une base de E et la matrice de f dans
cette base a la forme désirée.
d) Il s’agit de vérifier que la matrice précédente est semblable à une matrice compagne qui ne peut être, d’après la question
2), que la matrice compagne de Pf .
Soit donc C la matrice compagne de Pf et g l’endomorphisme de matrice C dans une base donnée de E. Le polynôme
Yp
caractéristique de g est celui de f à savoir (X − λk )mk et d’autre part, g est cyclique d’après la question 1).
k=1
D’après la question 6), la famille (Id, g, ..., gn−1 ) est libre et d ?après la question 7), il existe une base de E dans laquelle
la matrice de g est la matrice diagonale par blocs du 7). C est donc semblable à cette matrice ce qui montre que f est
cyclique.

si (Id, f, . . . , fn−1 ) est une famille libre, f est cyclique.

http ://[Link] 4 c Jean-Louis Rouget, 2007. Tous droits réservés.

III 8) a) det(Q1 + λQ2 ) est un polynôme en λ, non nul car det(Q1 + iQ2 ) = detQ 6= 0 et admet donc un nombre fini de
racines. R étant infini, il existe au moins un réel λ0 tel que det(Q1 + λ0 Q2 ) 6= 0 ou encore tel que la matrice P = Q1 + λ0 Q2
soit une matrice réelle inversible.

{λ ∈ R/ Q1 + λQ2 ∈ G L n (R)} 6= ∅.

Maintenant, en posant P = Q1 + λ0 Q2 ,

A = QBQ−1 ⇒ AQ = QB ⇒ AQ1 + iAQ2 = Q1 B + iQ2 B

⇒ AQ1 = Q1 B et AQ2 = Q2 B (en identifiant les parties réelles et imaginaires puisque A et B sont réelles)
⇒ A(Q1 + λ0 Q2 ) = (Q1 + λ0 Q2 )B
⇒ AP = PB ⇒ A = PBP−1 .

∀(A, B) ∈ (Mn (R))2 , (A et B semblables dans Mn (C) ⇒ A et B semblables dans Mn (R)).

b) Soit A la matrice de f dans une base donnée de E. D’après la question 7), A est semblable dans C à une matrice
compagne. Mais A est réelle, et donc cette matrice compagne est réelle. Ces deux matrices réelles sont semblables dans
Mn (C) et donc, d’après la question a), dans Mn (R). Par suite, il existe une base de E dans laquelle la matrice de f est
une matrice compagne. D’après la question 1), f est cyclique.

Si K = C ou K = R, f est cyclique si et seulement si la famille (Id, f, ..., fn−1 ) est libre.

QUATRIEME PARTIE : une autre caractérisation des endomorphismes cycliques

IV 9) a) Soit g ∈ C (f). Puisque la famille (x0 , f(x0 ), ..., fn−1 (x0 )) est une base de E, on peut poser
n−1
X
g(x0 ) = αk fk (x0 ).
k=0

n−1
X
Posons encore h = αk fk de sorte que l’on a déjà g(x0 ) = h(x0 ). Plus généralement, pour j ∈ J0, n − 1K,
k=0

g(fj (x0 )) = fj (g(x0 )) (puisque g est dans C (f))

= fj (h(x0 ))
= h(fj (x0 )) (puisque h est un polynôme en f et donc commute avec fj ).

Ainsi, les endomorphismes g et h coïncident sur une base de E et donc sont égaux. Par suite, g ∈ K[f]. En résumé,
C (f) ⊂ K[f]. Comme on a toujours K[f] ⊂ C (f), on a montré que

si f est cyclique, C (f) = K[f].

b) Soit g ∈ L (E). S’il existe R ∈ Kn−1 [X] tel que g = R(f) alors g est dans C (f).
Réciproquement, si g est dans C (f), d ?après la question a), il existe un polynôme P ∈ K[X] tel que g = P(f). La division
euclidienne de P par Pf fournit un polynôme Q et un polynôme R de degré au plus n − 1 tels que P = QPf + R. Par suite,

g = P(f) = Q(f)oPf (f) + R(f) = R(f) d’après le théorème de Cayley-Hamilton.

g est donc bien de la forme R(f) où R est un polynôme de degré au plus n − 1.

C (f) = Kn−1 [f].

IV 10) Supposons f non cyclique. D’après la question 7), la famille (Id, f, ..., fn−1 ) est liée et, en écrivant une relation de
dépendance, on voit qu’il existe un entier p ∈ J0, n − 1K tel que fp ∈ Vect(Id, f, ..., fp−1 ).

http ://[Link] 5 c Jean-Louis Rouget, 2007. Tous droits réservés.

Mais alors, par récurrence, pour k ≥ p, fk ∈ Vect(Id, f, ..., fp−1 ) (en effet, si pour k ≥ p, fk ∈ Vect(Id, f, ..., fp−1 ) alors
fk+1 ∈ Vect(f, ..., fp ) ⊂ Vect(Id, f, ..., fp−1 )).
Par suite, C (f) = K[f] = Vect(fk )k∈N = Vect(Id, f, ..., fp−1 ) et en particulier, dim(K[f]) ≤ p < n. Ceci contredit le
résultat admis dans le préambule de l’énoncé à savoir dim(C (f)) ≥ n. On a montré que si C (f) = K[f] alors f est cyclique.
Finalement

f est cyclique si et seulement si C (f) = K[f].

CINQUIEME PARTIE : cycles

V 11) a) Pour k ∈ J0, p − 1K, fp (fk (x0 )) = fk (fp (x0 )) = fk (x0 ) = I(fk (x0 )). Par suite, les endomorphismes fp et I
coïncident sur une famille génératrice de E et donc fp = I.

si f est un p-cycle, fp = I.

b) E est un sous-ensemble de N, non vide (car x0 est nécessairement non nul de sorte que k = 1 est dans E ) et majoré
par n (car le cardinal d’une famille libre de E est majoré par la dimension de E). E admet donc un plus grand élément
que l’on note m.
c) Par définition de m, la famille (x0 , f(x0 ), ..., fm−1 (x0 )) est libre et la famille (x0 , f(x0 ), ..., fm (x0 )) est liée. Par suite,
fm (x0 ) ∈ Vect(x0 , f(x0 ), ..., fm−1 (x0 )). De plus, si pour k ≥ m, fk (x0 ) ∈ Vect(x0 , f(x0 ), ..., fm−1 (x0 )) alors

fk+1 (x0 ) ∈ Vect(f(x0 ), ..., fm (x0 )) ⊂ Vect(x0 , f(x0 ), ..., fm−1 (x0 )).

On a montré par récurrence que

∀k ≥ m, fk (x0 ) ∈ Vect(x0 , f(x0 ), ..., fm−1 (x0 )).

La famille (x0 , f(x0 ), ..., fm−1 (x0 )) est déjà libre dans E. Vérifions que cette famille est génératrice de E.
On a déjà m ≤ n ≤ p (car la famille (x0 , f(x0 ), ..., fm−1 (x0 )) est libre dans E et la famille (x0 , f(x0 ), ..., fp−1 (x0 )) est
génératrice de E). De plus, pour k ≥ m, fk (x0 ) ∈ Vect(x0 , f(x0 ), ..., fm−1 (x0 )). Donc, E = Vect(x0 , f(x0 ), ..., fp−1 (x0 )) =
Vect(x0 , f(x0 ), ..., fm−1 (x0 )) et la famille Vect(x0 , f(x0 ), ..., fm−1 (x0 )) est une base de E. On en déduit que

m = n et que f est cyclique.

Le polynôme Xp − 1 est annulateur de f, non nul à racines simples dans C (car sans racine commune avec sa dérivée
pXp−1 ). Donc, f est diagonalisable. Par suite, l’ordre de multiplicité de chacune de ses valeurs propres est exactement la
dimension du sous-espace propre associé. Mais, f étant cyclique, les sous-espaces propres de f sont d’après la question 3)
de dimension 1. Finalement, f admet n valeurs propres simples ou encore n valeurs propres deux à deux distinctes. Notons
que ces valeurs propres sont à choisir parmi les racines du polynôme Xp − 1 et sont donc des racines p-ièmes de l ?unité.

f admet n valeurs propres deux à deux distinctes.

 
0 ... ... 0 1
 .. 
 1 . 0 
..
 
V 12) Si p = n, la matrice de f dans la base (x0 , f(x0 ), ..., fn−1 (x0 )) est 
 .. .. . C’est une matrice

 0 . . . 
 .. .. .. .. .. 
 . . . . . 
0 ... 0 1 0
compagne et donc la matrice compagne de f.
Soit alors k ∈ J1, nK.

ωnk ωk
   
 ωk   ω2k 

ω2k
 1  ω3k

CUk =  = k  = ωk Uk .
   
 ..  ω  .. 
 .   . 
ω(n−1)k ωnk

http ://[Link] 6 c Jean-Louis Rouget, 2007. Tous droits réservés.

V 13) Le coefficient ligne k, colonne l de la matrice MM vaut
n
X n
X n
X
ωkj ωjl = ω−kj ωjl = (ω(l−k) )j .
j=1 j=1 j=1

Maintenant, ωl−k = 1 ⇔ l − k ∈ nZ. Mais, puisque 1 ≤ k ≤ n et 1 ≤ l ≤ n, on a −(n − 1) ≤ l − k ≤ n − 1. Mais alors, le

seul multiple de n compris entre −(n − 1) et n − 1 étant 0, ωl−k = 1 ⇔ k = l. On a donc deux cas :
1er cas. Si k = l,
n
X n
X
ωkj ωjl = 1 = n.
j=1 j=1

2ème cas. Si k 6= l,
n
X 1 − (ωl−k )n 1−1
ωkj ωjl = ωl−k l−k
= ωl−k = 0.
1−ω 1 − ωl−k
j=1

Ainsi,
 le coefficient
 ligne k, colonne l de la matrice MM vaut nδk,l . On en déduit que MM = nIn ou encore que
1 1
M M = M M = In . Ainsi
n n

1
M ∈ GLn (C) et M−1 = M.
n

V 14)) On note que A = a0 In + a1 C + a2 C2 + ... + an−1 Cn−1 = Q(C) où Q = a0 + a1 X + ... + an−1 Xn−1 . D’après
les questions 11)c) et 12), f (ou C) a n valeurs propres deux à deux distinctes à savoir les ωk , 1 ≤ k ≤ n, une base de
vecteurs propres associée étant (U1 , ..., Un ) et est donc diagonalisable. La matrice dans la base canonique de Mn,1 (C) de
la famille (U1 , ..., Un ) étant M, on a plus précisément

C = MDM−1 où D = diag(ω, ω2 , ..., ωn ).

Mais alors,

A = Q(C) = MQ(D)M−1 = Mdiag(Q(ω), Q(ω2 ), ..., Q(ωn ))M−1 .

Ainsi,

A est diagonalisable, Sp(A) = (Q(ω), Q(ω2 ), ..., Q(ωn )) où Q = a0 + a1 X + ... + an−1 Xn−1
et une base de vecteurs propres de A est (U1 , ..., Un ).

http ://[Link] 7 c Jean-Louis Rouget, 2007. Tous droits réservés.

 Ministère de l’Équipement, du Logement, Concours Commun 1996
des Transports et du Tourisme ENTPE, ENSG, ENTM, ENSTIMD
Banque de notes pour le concours EIVP

COMPOSITION DE MATHEMATIQUES OPTION

Temps accordé : 4 heures
(4 pages)

NOTATIONS

Pour p et q entiers de N, avec p 6 q, [|p, q|] désigne l’ensemble des entiers compris au sens large entre p et q.
E désigne un espace vectoriel de dimension finie n, n > 2, sur le corps K, avec K = R ou K = C.
Dans tout le problème f désigne un endomorphisme de E ; on a f 2 = f ◦ f et de même f k+1 = f k ◦ f ; I
désigne l’identité et 0 désigne l’application nulle.
Par convention, f 0 = I.
Si R ∈ K[X], R(X) = a0 + a1 X + · · · + ap X p , on note R(f ) l’endomorphisme a0 I + a1 f + · · · + ap f p .
On note alors K[f ] l’algèbre des polynômes de f , c’est-à-dire K[f ] = {R(f ) | R ∈ K[X]}.
On note Pf (X) = det (f − XI) le polynôme caractéristique de f et on rappelle que Pf (f ) = 0.
Pour une matrice M ∈ Mn (K), on pourra également introduire le polynôme caractéristique de M défini par
PM (X) = det (M − XIn ) où In est la matrice unité de Mn (K).
On dit que f est cyclique si, et seulement si, il existe x0 dans E tel que x0 , f (x0 ), . . . , f n−1 (x0 ) soit une

base de E.
On appelle commutant de f l’ensemble C (f ) = {g ∈ L (E) | f ◦ g = g ◦ f }.
On admettra que C (f ) est une algèbre de dimension au moins n sur K.
G Ln (K) est l’ensemble des matriccs inversibles d’ordre n sur K.
PREMIERE PARTIE : Matrice compagne d’un endomorphisme cyclique.
I.1. Montrer que f est cyclique si et seulement si, il existe une base B de E dans laquelle f a pour
matrice  
0 . . . . . . . . . 0 −a0
1 0 . . . . . . 0 −a1 
 
0 1 . . .
 .. 
. −a2 
n
C = . . ..  avec (a0 , a1 , . . . , an−1 ) ∈ C .
 
 .. . . . . . . . . ... . 
 ..
 
.. 
. . 1 0 −an−2 
0 . . . . . . 0 1 −an−1
On dira que C est la matrice compagne de f .
On conserve les notations de I.1.
I.2. Soit Q(X) = X n + an−1 X n−1 + · · · + a0 . Déterminer en fonction de Q le polynôme PC ca-
ractéristique de C. On dira aussi que C est la matrice compagne de PC .
Si f est un endomorphisme cyclique, a-t-on unicité de la matrice compagne de f ?
I.3. Soit λ une valeur propre de C ; déterminer la dimension du sous-espace propre associé. Déterminer
une base de ce sous-espace propre.
DEUXIEME PARTIE : Endomorphismes nilpotents.
II.4. On suppose dans cette question f n−1 6= 0 et f n = 0.
Montrer que f est cyclique et déterminer sa matrice compagne.
Quelle est la dimension du noyau de f ?
II.5. On suppose maintenant f nilpotent ; c’est-à-dire qu’il existe un entier p supérieur ou égal à 2 tel
que f p−1 6= 0 et f p = 0.
On pose pour k ∈ [|0, p|], Nk = ker f k et nk = dim Nk .
On suppose également que n1 = 1.

1
 5.a) Montrer que ∀k ∈ [|0, p − 1|] , Nk ⊂ Nk+1 et f (Nk+1 ) ⊂ Nk .
Nk+1 → Nk
5.b) En considérant l’application ϕ :
x 7→ f (x)
montrer que : ∀k ∈ [|0, p − 1|] , nk+1 6 nk + 1.
5.c) Montrer par récurrence que : nk = nk+1 ⇒ ∀j > k, Nj = Nk .
En déduire que p = n et déterminer nk pour k ∈ [|0, n|].
TROISIEME PARTIE : Une caractérisation des endomorphismes cycliques.
III.6. Montrer que si f est cyclique, (I, f, f 2 , . . . , f n−1 ) est libre dans L (E). Ce résultat sera également
utilisé dans la quatrième partie.
On suppose, dans cette partie, que (I, f, f 2 , . . . , f n−1 ) est libre et on se propose de
montrer que f est cyclique.
III.7. Dans cette question K = C. On factorise le polynôme caractéristique Pf de f sous la forme :
p
(λk − X)mk ,
Q
Pf (X) =
k=1
où les λk sont les p valeurs propres distinctes de f , et les mk dans N∗ leur ordre respectif de
multiplicité.
Pour k ∈ [|1, p|], on pose Ek = ker ((f − λk I)mk ).
7.a) Montrer que les sous-espaces vectoriels Ek sont stables par f et que E = E1 ⊕ · · · ⊕ Ep .
Ek → Ek
7.b) Pour k ∈ [|1, p|], on note ϕk l’endomorphisme ϕk :
x 7→ f (x) − λk x
Déterminer ϕmk
k . Quelle est la dimension de Ek ?
k −1
Montrer que ϕm
k n’est pas l’endomorphisme nul.
7.c) En déduire l’existence d’une base B de E dans laquelle f aune matrice « diagonale par 
λk 0 ... ... ... 0
 .. .. 
1
 λk . . 
 .. .. 
0 1 λk . .
blocs », ces blocs appartenant à Mmk (C), et étant de la forme : 
 .. .. .. .. .. .. 

. . . . . .
 ..
 
.. ..
. . λk

. 0
0 ... ... 0 1 λk
(On pourra utiliser la partie II).
7.d) En utilisant la matrice compagne de Pf montrer que f est cyclique.
III.8. On suppose, dans cette question uniquement, que K = R.
8.a) Soient A et B deux matrices de Mn (R) semblables dans Mn (C) :
A = QBQ−1 avec Q ∈ G Ln (C).
On écrit Q = Q1 + iQ2 avec Q1 et Q2 dans Mn (R).
Montrer que {λ ∈ R | Q1 + λQ2 ∈ G Ln (R)} est non vide.
En déduire que A et B sont semblables dans Mn (R).
8.b) Montrer que f est cyclique.
Conclure.
QUATRIEME PARTIE : Une autre caractérisation des endomorphismes cycliques.
IV.9. On suppose f cyclique et on choisit x0 dans E tel que x0 , f (x0 ), . . . , f n−1 (x0 ) soit une base de

E.
n−1
9.a) Soit g ∈ C (f ). En écrivant g(x0 ) = αk f k (x0 ), montrer que g ∈ K[f ].
P
k=0

2
 9.b) Montrer que g ∈ C (f ) si, et seulement si, il existe un unique polynôme R ∈ Kn−1 [X] tel que
g = R(f ). (On rappelle que Kn−1 [X] est l’ensemble des polynômes sur K de degré 6 n − 1).
IV.10. On suppose que C (f ) = K[f ]. Montrer que f est cyclique.
Conclure.
CINQUIEME PARTIE : Cycles.
Dans cette partie K = C. On dit
que f est un « p-cycle » si, et seulement si, il existe x0 ∈ E tel que
la famille x0 , f (x0 ), . . . , f p−1 (x0 ) soit génératrice de E et f p (x0 ) = x0 .
V.11. Dans cette partie, f désigne un p-cycle.
11.a) Montrer que f p = I.
11.b) Soit E = k ∈ N∗ | x0 , f (x0 ), . . . , f k−1 (x0 ) est une famille libre .


Montrer que E admet un maximum noté m.

11.c) Montrer que : ∀k > m, f k (x0 ) ∈ Vect x0 , f (x0 ), . . . , f m−1 (x0 ) .

En déduire que f est cyclique.

Déterminer le nombre de valeurs propres distinctes de f .
V.12. Dans cette question, f désigne un n-cycle.
Déterminer C, matrice compagne de f .
 k
ω
2k 
ω 
2iπ

On pose ω = e n et, pour k ∈ Z, Uk =  . .
 .. 
ω nk
Pour k ∈ [|1, n|], calculer CUk .
V.13. Soit M ∈ Mn (C) définie par M = (mk,l )16k6n , avec mk,l = ω kl .
16l6n
Calculer M M ; en déduire que M ∈ G Ln (C) et calculer M −1 .
 
a0 an−1 . . . . . . a1
 a1 a0 . . . . . . a2 
 
n
 .
. .
. 
V.14. Soit (a0 , a1 , . . . , an−1 ) ∈ C et A = 
 . ... . 
.
 .. 
 . ... a0 an−1 
an−1 an−2 . . . a1 a0
Montrer que A est diagonalisable. Déterminer les valeurs propres et une base de vecteurs propres
de A.

FIN