Université Mohammed Premier

Ecole Supérieure de l’Education et de la Formation

d’Oujda

Algèbre 2
Polynômes, fractions et espaces vectiriels

Licence d’éducation : Filiére informatique

École Supérieure d’Éducation et de Formation - Oujda
Année universitaire : 2025/2026
Pr. Boughadi Zouhair

1
 Contents

1 Polynômes à une indéterminée 3

1.1 Polynômes à une indéterminée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Opérations sur les polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Arithmétique sur les polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Division euclidienne pour les polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Racines d’un polynôme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Polynômes dérivés et racines d’un polynôme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.4 Plus Grand Commun Diviseur (PGCD) et Plus Petit Commun Multiple (PPCM) . . . . . . . . . 10
1.3 Racines d’un polynôme et factorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Factorisation dans K[X], K = R ou C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Fractions rationnelles 15
2.1 Fractions rationnelles - Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Degré d’une fraction rationnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 Zéros et pôles d’une fraction rationnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Décomposition en éléments simples dans C(X) et R(X) . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Méthodes de décomposition en éléments simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1 Identification des coefficients . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.2 Évaluation et limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.3 Multiplication et substitution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Espaces vectoriels 21
3.1 Espaces vectoriels : définition et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.1 Définition d’espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.2 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Définition et caractérisation des sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Sous-espace vectoriel engendré par une partie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Familles : génératrices - libres - bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1 Familles génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.2 Familles libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.3 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.4 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.1 Définition et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.2 Noyau et image d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5 Espaces vectoriels de dimension finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.5.1 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.5.2 Applications linéaires en dimensions finies et matrices . . . . . . . . . . . . . . . . . . . . . . . . 30

2
Chapitre 1

Polynômes à une indéterminée

Dans tout ce chapitre, K désigne le corps R ou le corps C.

1.1 Polynômes à une indéterminée

1.1.1 Définitions
Definition 1.1.1
Un polynôme à une indéterminée et à coefficients dans K est une expression de la forme :
Xn
P (X) = ak X k = a0 + a1 X + · · · + an X n = an X n + an−1 X n−1 + · · · + a1 X + a0 ,
k=0
où n ∈ N et (a0 , a1 , . . . , an ) ∈ Kn+1 . La lettre X est appelée l’indéterminée et les éléments ak ∈ K, pour k =
0, 1, . . . , n, sont appelés les coefficients du polynôme P (X).

Notation : L’ensemble des polynômes à une indéterminée et à coefficients dans K est noté K[X].
Un polynôme peut être noté indifféremment P (X) ou P .

Definition 1.1.2. Degré d’un polynôme

Pn
Soit P = k=0 ak X k un polynôme, avec an ̸= 0. L’entier n ∈ N est appelé le degré de P . On le note deg(P ) ou
d◦ (P ).

Remark. Un polynôme est nul si tous ses coefficients sont nuls. On le note 0 et on convient de poser :
deg(0) = −∞.
Vocabulaires :
1. Un monôme est un polynôme qui s’écrit sous la forme P = aX k avec a ∈ K et k ∈ N.
2. Un binôme est un polynôme de degré 1, il s’écrit donc sous la forme aX + b, avec (a, b) ∈ K2 et a ̸= 0.
3. Un trinôme est un polynôme de degré 2, il s’écrit donc sous la forme aX 2 + bX + c, avec (a, b, c) ∈ K3 .
4. Un polynôme constant est un polynôme qui s’écrit sous la forme P = a, avec a ∈ K. Si a ̸= 0, alors le polynôme
constant P = a est de degré 0.
5. Soit P = a0 + a1 X + · · · + an X n un polynôme de degré n, avec an ̸= 0. Le coefficient an est appelé le coefficient
dominant de P .
6. Un polynôme non nul est dit unitaire ou normalisé si son coefficient dominant vaut 1.

Examples. 1. Soit A(X) = 2X 2 − 3X + 14 X 5 + 6X 2 − 5 − 41 X 5 + 2X 3 . On remarque l’existence de termes de même

degré. On doit réécrire A(X) sous une forme simplifiée en regroupant les monômes de même degré. On obtient
donc :
A(X) = 2X 3 + 8X 2 − 3X − 5, A(X) ∈ R[X] ⊂ C[X].
Par suite, deg(A(X)) = 3 et le coefficient dominant de A(X) est 2, donc A(X) n’est pas un polynôme unitaire.
2. Soit B(X) = X 5 − (1 + i)X 4 − 2X + 1 ∈ C[X]. Le coefficient dominant de B(X) est 1. Par conséquent, B(X)
est un polynôme normalisé, ou un polynôme unitaire.
Fonction polynôme
Pn associée à un polynôme
Soit P (X) = k=0 ak X k ∈ K[X]. La fonction polynôme associée à P (X) est la fonction P̃ définie comme suit :
Xn
P̃ : K −→ K, P̃ (x) = ak xk .
k=0

3
Exemple : Si P (X) = 1 − 2X + iX 2 ∈ C[X], alors
P̃ (z) = 1 − 2z + iz 2 , pour tout z ∈ C.

Remark. Dans le cas où K = R ou K = C, nous pouvons, sans risque de confusion, identifier P et P̃ .

1.1.2 Opérations sur les polynômes

Sur K[X], on définit la somme et le produit de deux polynômes de la manière suivante : Pour tous P, Q ∈ K[X], tels
que :

P (X) = a0 + a1 X + · · · + an X n , Q(X) = b0 + b1 X + · · · + bm X m ,
on pose :
max(n,m)
X
(P + Q)(X) = P (X) + Q(X) = (ak + bk )X k ,
k=0
n+m
X k
X
(P × Q)(X) = P (X) × Q(X) = ck X k , avec ck = ai bk−i ,
k=0 i=0
avec la convention que ak = 0 pour tout k ⩾ n + 1 et bk = 0 pour tout k ⩾ m + 1.
En particulier, pour tout α ∈ K, on a :
Xn
(αP )(X) = αP (X) = (αak )X k .
k=0

Example. Soient P (X) = 1 + X + X 2 et Q(X) = 2 − X deux polynômes dans R[X]. On a :

(P + Q)(X) = 3 + X 2 , et (P · Q)(X) = −X 3 + X 2 + X + 2.
(3P )(X) = 3P (X) = 3 + 3X + 3X 2 .

Proposition 1.1.3
Soient P (X) et Q(X) deux polynômes dans K[X]. On a les propriétés suivantes :
1) deg(P + Q) ≤ max(deg(P ), deg(Q)).
2) deg(P · Q) = deg(P ) + deg(Q).

Démonstration. La preuve est laissée en exercice.

Examples. 1. Dans l’exemple ci-dessus, on a :

deg(P + Q) = 2 ≤ max(deg(P ), deg(Q)) = max(2, 1) = 2,

et
deg(P · Q) = 3 = deg(P ) + deg(Q).
2. Si A(X) = X 2 − 1 et B(X) = −X 2 + X, alors :
(A + B)(X) = X − 1,
et
deg(A + B) = 1 < max(deg(A), deg(B)).
Pn Pm
Remark. Soient P = k=0 ak X k et Q = k=0 bk X k . On a :
Pmax(n,m)
1. (P − Q)(X) = P (X) − Q(X) = k=0 (ak − bk )X k .
2. P = Q ⇐⇒ n = m et ak = bk pour tout k = 0, 1, . . . , n.

Definition 1.1.4. Composition de polynômes

Soient P et Q deux polynômes dans K[X], avec :
n
X
n
P (X) = a0 + a1 X + · · · + an X = ak X k .
k=0
Le polynôme composé de P et Q, noté P ◦ Q, est défini par :
n
X
P ◦ Q = a0 + a1 Q + · · · + an Qn = ak Qk .
k=0

Example. Soient P (X) = X 2 + 1 et Q(X) = 2X + 3. Alors :

P ◦ Q = (2X + 3)2 + 1 = 4X 2 + 12X + 10,

4
 et
Q ◦ P = 2(X 2 + 1) + 3 = 2X 2 + 5.

Proposition 1.1.5
Soient P et Q deux polynômes non nuls. Alors,
deg(P ◦ Q) = deg(P ) × deg(Q).
Pn
Démonstration. Posons P (X) = k=0 ak X k avec an ̸= 0. On a :
X n
P ◦Q= ak Qk .
k=0
Le terme dominant de P ◦ Q est an Qn . Par conséquent :
deg(P ◦ Q) = deg(an Qn ) = deg(Qn ) = n × deg(Q) = deg(P ) × deg(Q).

1.2 Arithmétique sur les polynômes

1.2.1 Division euclidienne pour les polynômes
Definition 1.2.1. Divisibilité
Soient A et B deux polynômes dans K[X]. On dit que B divise A, ou que B est un diviseur de A et on note B | A,
s’il existe un polynôme Q dans K[X] tel que A = BQ. On dit aussi que A est un multiple de B.

Autrement dit :
B | A ⇐⇒ ∃ Q ∈ K[X], A = BQ.
Examples. 1) Tout polynôme divise 0, mais 0 ne divise que 0.
2) Tout polynôme constant non nul divise tous les polynômes. En particulier, le polynôme constant 1 divise tous
les polynômes.
3) X − 2 divise X 2 − 4, car X 2 − 4 = (X − 2)(X + 2).
4) X + i divise X 2 + 1 dans C[X], car X 2 + 1 = (X − i)(X + i).

Proposition 1.2.2
Soient A, B ∈ K[X]. Si A ̸= 0 et si B | A, alors deg(B) ≤ deg(A).

Démonstration. On a B | A, donc il existe Q ∈ K[X] tel que A = BQ. Par suite, deg(A) = deg(B) + deg(Q). Comme
A ̸= 0 alors Q ̸= 0, il en résulte que deg(B) ≤ deg(A).

Proposition 1.2.3
(1) Pour tout A ∈ K[X], on a A | A (la relation "divise" est réflexive).
(2) Pour tous A, B ∈ K[X], si B | A et A | B, alors il existe λ ∈ K∗ tel que A = λB.
(3) Pour tous A, B, C ∈ K[X], si A | B et B | C, alors A | C (la relation "divise" est transitive).

Démonstration.
(1) On a A = 1 · A, donc A | A.
(2) On a B | A et A | B, donc il existe Q1 , Q2 ∈ K[X] tels que A = BQ1 et B = Q2 A. Par suite, A = Q1 Q2 A.
Si A = 0, alors B = 0 et A = λB est vérifié pour λ ∈ K∗ . Si A ̸= 0, alors A = Q1 Q2 A est équivalent à
A(1 − Q1 Q2 ) = 0, ce qui implique que Q1 Q2 = 1 car K[X] est intègre et A ̸= 0. Ainsi, Q1 est inversible dans
K[X], c’est-à-dire que Q1 = λ ∈ K∗ (car U(K[X]) = K∗ ).
(3) On a A | B et B | C, donc il existe Q1 , Q2 ∈ K[X] tels que B = AQ1 et C = BQ2 . Par conséquent, C = AQ1 Q2 ,
ce qui montre que A | C.

Proposition 1.2.4
Pour tous A, B, C ∈ K[X], si A | B et A | C, alors A | BU + CV pour tous U, V ∈ K[X]. En particulier, A | B + C et
A | B − C.

Démonstration. (Laissée en exercice.)

5
 Definition 1.2.5. Polynômes associés
Deux polynômes P, Q ∈ K[X] sont dits associés s’il existe λ ∈ K∗ tel que P = λQ.

Example. Les polynômes 12 X 2 + 31 X − 16 et 3X 2 + 2X − 1 sont associés. En effet, 3X 2 + 2X − 1 = 6 1 2

+ 31 X − 1


2X 6 .

Definition 1.2.6. Polynômes irréductibles

Un polynôme non constant est dit irréductible dans K[X] si ses seuls diviseurs sont les constantes non nulles et ses
associés.

Exercise. Montrer que tout polynôme de degré 1 est irréductible dans K[X].
Solution Soit P un polynôme de degré 1, P est donc non constant. Si Q ∈ K[X] est un diviseur de P , alors il existe
L ∈ K[X] tel que P = Q · L. Par conséquent, deg(P ) = 1 = deg(Q) + deg(L).
Deux cas se présentent :
— Si deg(Q) = 1, alors deg(L) = 0, donc Q est un polynôme associé à P (car deg(L) = 0 ⇒ L = c avec c ̸= 0 et
Q = 1c · P ).
— Si deg(L) = 1, alors Q est une constante non nulle.
Dans les deux cas, P est irréductible.
Remark. 1) Les polynômes constants ne sont pas des polynômes irréductibles dans K[X].
2) Soit A un polynôme non constant. Si A n’est pas irréductible, alors A admet un diviseur D tel que 1 ⩽ deg(D) <
deg(A).

Theorem 1.2.7
Pour tous polynômes A et B de K[X], avec B ̸= 0, il exsiste un unique couple (Q, R) de polynômes de K[X] vérifiant :

A = BQ + R,
deg(R) < deg(B).

Le polynôme Q (resp. R) est appelé le quotient (resp. le reste) de la division euclidienne de A par B.

Démonstration. Unicité. Si A = BQ + R et A = BQ′ + R′ , alors B(Q − Q′ ) = R′ − R. Or deg(R′ − R) < deg B.

Donc Q′ − Q = 0. Ainsi Q = Q′ , d’où aussi R = R′ .
Existence. On montre l’existence par récurrence sur le degré de A.
— Si deg A = 0 et deg B > 0, alors A est une constante, on pose Q = 0 et R = A.
— Si deg A = 0 et deg B = 0, on pose Q = A/B et R = 0.
On suppose l’existence vraie lorsque deg A ≤ n − 1. Soit A = an X n + · · · + a0 , un polynôme de degré n (an ̸= 0). Soit
B = bm X m + · · · + b0 avec bm ̸= 0. Si n < m, on pose Q = 0 et R = A. Si n ≥ m, on écrit A = B · bamn X n−m + A1
avec deg A1 ≤ n − 1. On applique l’hypothèse de récurrence à A1 : il existe Q1 , R1 ∈ K[X] tels que A1 = BQ1 + R1
et deg R1 < deg B. Il vient :  
an n−m
A=B X + Q1 + R1 .
bm
Donc Q = bamn X n−m + Q1 et R = R1 conviennent.

Remark. Soient A, B ∈ K[X], avec B ̸= 0. Le polynôme B divise le polynôme A si et seulement si le reste de la

division euclidienne de A par B est nul.
Example. Déterminons le quotient et le reste de la division de A par B :
(1) A = X 3 + 3X 2 + 2X + 1 et B = X 2 + 1. La division se fait comme suit :

X 3 + 3X 2 + 2X + 1 X 2 + 1
− X3 −X X +3
3X 2 + X + 1
− 3X 2 −3
X −2

On obtient donc :

A = (X 2 + 1)(X + 3) + (X − 2)
Le quotient est X + 3 et le reste est X − 2.

(2) A = X 3 + X + 1 et B = X + 1. La division se fait comme suit :

6
 X3 +X +1 X +1
− X3 − X2 X2 − X + 2
− X2 + X
X2 + X
2X + 1
− 2X − 2
−1

On obtient donc :t
A = (X + 1)(X 2 − X + 2) − 1
Le quotient est X 2 − X + 2 et le reste est −1.

1.2.2 Racines d’un polynôme

Definition 1.2.8. Racine d’un polynôme
Soit P ∈ K[X]. On dit qu’un élément α de K est une racine (ou un zéro) de P si et seulement si P (α) = 0.

Example. Soit P (X) = X 2 + 1.

— Le polynôme P n’admet pas de racines dans R.
— Le polynôme P admet deux racines i et −i dans C, car P (i) = 0 et P (−i) = 0.

Theorem 1.2.9
Soit P un polynôme dans K[X]. Un élément α ∈ K est une racine de P si et seulement si le polynôme P est divisible
par X − α.

Démonstration. Supposons que α est une racine de P . Par la division euclidienne, il existe Q, R ∈ K[X] tels que :

P (X) = (X − α)Q(X) + R(X),
deg(R(X)) < deg(X − α) = 1.
Donc, deg(R(X)) = 0 ou deg(R(X)) = −∞. Si deg(R(X)) = 0, alors R(X) est un polynôme constant non nul,
c’est-à-dire qu’il existe a ∈ K∗ tel que R(X) = a.
Comme P (X) = (X − α)Q(X) + R(X) et que P (α) = 0, on a R(α) = 0, donc a = 0, ce qui est impossible. Par
conséquent, deg(R(X)) = −∞, alors R(X) = 0, donc P (X) = (X − α)Q(X), ce qui signifie que (X − α) | P (X).
Réciproquement, si (X − α) | P (X), alors il existe Q ∈ K[X] tel que P (X) = (X − α)Q(X). Par conséquent,
P (α) = 0.

Corollary 1.2.10. Si α1 , α2 , . . . , αn sont des racines deux à deux distinctes d’un polynôme P ∈ K[X], alors le polynôme
Yn
(X − αi ) = (X − α1 )(X − α2 ) · · · (X − αn )
i=1
divise le polynôme P , c’est-à-dire qu’il existe Q ∈ K[X] tel que :
P (X) = (X − α1 )(X − α2 ) · · · (X − αn ) · Q(X).

Démonstration. (Exercice laissé au lecteur).

Theorem 1.2.11
Un polynôme non nul de degré n, avec n ∈ N, admet au plus n racines distinctes.

Démonstration. Soit P un polynôme non nul dans K[X]. Supposons que P admette au moins n + 1 racines distinctes
α1 , α2 , . . . , αn+1 . D’après le corollaire précédent, il existe Q ∈ K[X] tel que :
P (X) = (X − α1 )(X − α2 ) · · · (X − αn+1 ) · Q(X).
Ainsi, on a :
deg(P ) = n + 1 + deg(Q(X)),
ce qui est impossible puisque deg(P ) = n. Cela contredit notre hypothèse initiale. Par conséquent, P ne peut pas
avoir plus de n racines distinctes.
Remark. 1. Soit P un polynôme non nul dans K[X] tel que deg(P ) = n. Si P admet n + 1 racines distinctes (ou
plus), alors P = 0.
2. Le seul polynôme qui admet une infinité de racines est le polynôme nul.
3. Soient P ∈ R[X] et z ∈ C. Si z est un zéro de P , alors z̄, le conjugué de z, est également un zéro de P . En effet,

7
 Pn
en posant P (X) = i=0 ai X i avec ai ∈ R pour tout i ∈ {0, . . . , n}, on a :
n
X n
X
P (z̄) = ai z̄ i = ai z i = P (z) = 0,
i=0 i=0

car P (z) = 0 implique que P (z) = 0.

Definition 1.2.12. Racines multiples

Soient P ∈ K[X], α ∈ K et m ∈ N∗ . On dit que α est une racine d’ordre m (ou une racine de multiplicité m) du
polynôme P si (X − α)m divise P et (X − α)m+1 ne divise pas P .

Example. Soit f (X) = X 4 − 2X 3 + 2X − 1 ∈ R[X]. On montre que 1 est une racine d’ordre 3 de f (X). En effet, par
la division euclidienne de f (X) par (X − 1)3 = X 3 − 3X 2 + 3X − 1, on a :
f (X) = (X − 1)3 (X + 1),
ce qui montre que (X − 1)3 divise f (X), mais (X − 1)4 ne divise pas f (X). En effet, si l’on essaye de diviser f (X)
par (X − 1)4 , on obtient :
f (X) = (X − 1)4 × 1 + (2X 3 − 6X 2 + 6X − 2).
4
Cela montre que (X − 1) ne divise pas f (X).
Vocabulaire :
1. Une racine d’ordre 1 de P est dite une racine simple de P .
2. Une racine d’ordre 2 est dite une racine double de P .
3. Une racine d’ordre 3 est dite une racine triple de P .

Theorem 1.2.13. Caractérisation

Soient P ∈ K[X], α ∈ K et m ∈ N∗ . Alors, α est une racine d’ordre m de P si et seulement s’il existe Q ∈ K[X] tel
que P = (X − α)m Q(X) et Q(α) ̸= 0.

Démonstration. (Facile).

Example. Considérons le polynôme P (X) = X 3 − X 2 + X − 1.

— Dans R[X], on a :
P (X) = X 2 (X − 1) + (X − 1) = (X − 1)(X 2 + 1).
2
En posant Q(X) = X + 1, on a P (X) = (X − 1)Q(X) et Q(1) = 2 ̸= 0, donc 1 est une racine simple de P dans
R[X].
— Dans C[X], on a :
P (X) = (X − 1)(X − i)(X + i).
En posant Q(X) = (X − i)(X + i), on a P (X) = (X − 1)Q(X) et Q(1) ̸= 0, donc 1 est une racine simple de
P (X) dans C[X].
En posant P (X) = (X − i)Q(X), avec Q(X) = (X − 1)(X + i), on a Q(i) = 2i(i − 1) ̸= 0, donc i est une racine
simple de P dans C[X].
De même, −i est une racine simple de P dans C[X].

1.2.3 Polynômes dérivés et racines d’un polynôme

Definition 1.2.14
Soit P = a0 + a1 X + a2 X 2 + · · · + an X n un polynôme de K[X] (avec n ∈ N∗ ).
Le polynôme dérivé de P , noté P ′ , est défini par :
P ′ = a1 + 2a2 X + · · · + nan X n−1 .
Le polynôme dérivé d’un polynôme constant est le polynôme nul.

Remark. 1. La définition de la dérivée d’un polynôme coïncide avec celle de la dérivée de la fonction polynôme qui
lui est associée.
2. Les propriétés de la dérivation des polynômes sont similaires à celles de la dérivation des fonctions polynômes.
En particulier, on a :
(P + Q)′ = P ′ + Q′ , (P Q)′ = P ′ Q + P Q′ , et (αP )′ = αP ′ , pour tout α ∈ K.
3. Les dérivées d’ordre supérieur d’un polynôme sont similaires à celles des dérivées d’ordre supérieur des fonctions
polynômes.

8
 √
Example. Soit P (X) = 2 + (1 − i)X + 32 X 2 − 2X 4 ∈ C[X]. On a :
√
P ′ (X) = (1 − i) + 3X − 4 2X 3 ,
√
P ′′ (X) = 3 − 12 2X 2 ,
√
P (3) (X) = −24 2X.

Exercise. Soient k ∈ N∗ et P ∈ K[X]. Montrer que si un élément α est une racine d’ordre k du polynôme P , alors α est
une racine d’ordre k − 1 de P ′ .

Solution Par hypothèse, il existe Q ∈ K[X] tel que

P = (X − α)k Q et Q(α) ̸= 0.
On a alors :
P ′ (X) = k(X − α)k−1 Q(X) + (X − α)k Q′ (X).
′
Ainsi, P (X) s’écrit :
P ′ (X) = (X − α)k−1 B(X), avec B(X) = kQ(X) + (X − α)Q′ (X).
Comme B(α) = kQ(α) ̸= 0 (car k = ̸ 0 et Q(α) ̸= 0), on en conclut que α est une racine d’ordre k − 1 de P ′ .
Nous verrons que la dérivée nous permettra de déterminer la multiplicité d’une racine d’un polynôme. Pour cela nous
avons besoin du théorème suivant :

Theorem 1.2.15. Formule de Taylor

Soit P ∈ K[x] un polynôme de degré n ∈ N et a ∈ K. Alors P s’écrit de manière unique en fonction des puissances de
(x − a) comme suit :
n
X P (k) (a)
P (x) = (x − a)k .
k!
k=0
En particulier, si
Xn
P (x) = ak (x − a)k ,
k=0
alors
(k)
P (a)
ak = , pour tout k ∈ N.
k!

Theorem 1.2.16. Caractérisation des racines multiples

Soit P un polynôme dans K[X] et k ∈ N∗ . Un élément α ∈ K est une racine d’ordre k du polynôme P si et seulement
si :
P (α) = P ′ (α) = · · · = P (k−1) (α) = 0 et P (k) (α) ̸= 0.

Démonstration. ⇒ Supposons que a ∈ K soit une racine de multiplicité m de P . Alors il existe un polynôme Q tel
que
P (x) = Q(x) (x − a)m .
D’après la formule de Leibniz pour la dérivée d’ordre ℓ d’un produit, on obtient
ℓ  

(ℓ) X n
(k) (ℓ−k)
P (ℓ) (x) = (x − a)m Q(x) = (x − a)m Q (x).
k
k=0
Cela donne le résultat.

⇐ Premièrement, on remarque que m ≤ deg(P ), car P (m) (a) ̸= 0. Maintenant, pour obtenir le résultat, il suffit
d’écrire la formule de Taylor de P en a et d’appliquer l’hypothèse. Plus précisément, on a
n n d−m
X P (k) (a) X P (k) (a) X P (k+m) (a)
P (x) = (x − a)k = (x − a)k = (x − a)m (x − a)k .
k! k! (k + m)!
k=0 k=m k=0
D’où le résultat.

Exercise. On considère le polynôme P (X) = −6X 3 + 4X 2 + X 4 + X 3 + 3X + 9. Montrer que 3 est une racine double
de P .
′′
Solution On montre que P (3) = P ′ (3) = 0, mais P (3) ̸= 0.

9
1.2.4 Plus Grand Commun Diviseur (PGCD) et Plus Petit Commun Multiple
(PPCM)
Definition 1.2.17
Soient A et B deux polynômes non tous deux nuls dans K[X]. Il existe un polynôme D tel que :
1. Le polynôme D est unitaire.
2. Le polynôme D divise les polynômes A et B.
3. Tout polynôme divisant A et B divise le polynôme D.
Ce polynôme est appelé le plus grand commun diviseur (en abrégé, pgcd). On écrit, D = pgcd(A, B) ou D = A∧B.

Remark. 1. La définition est équivalente à ce que D est un polynôme de plus grand degré de l’ensemble des diviseurs
communs à A et B.
2. De la même manière, on peut définir le pgcd de n polynômes, avec n ≥ 2 un entier.

Proposition 1.2.18
Soient A et B deux polynômes non nuls dans K[X]. Alors :
1. Si A = BQ + R, alors pgcd(A, B) = pgcd(B, R).
2. Si D = pgcd(A, B), alors il existe deux polynômes U et V dans K[X] tels que D = AU + BV .
3. Si C est un polynôme unitaire, alors AC ∧ BC = C(A ∧ B).

Démonstration.
1) Soient D = pgcd(A, B) et ∆ = pgcd(B, R). Par définition de ∆, on a ∆ | B et ∆ | R. Comme A = BQ + R,
il en résulte que ∆ | A et ∆ | B, donc ∆ | pgcd(A, B) = D. D’autre part, comme D | A et D | B, on a D | R.
Donc, D | pgcd(B, R) = ∆. Par conséquent, D et ∆ divisent chacun l’autre, donc ils sont associés, c’est-à-dire
qu’il existe λ ∈ K∗ tel que D = λ∆. Puisque D et ∆ sont unitaires, λ = 1, d’où D = ∆.
2) (Laissé à titre d’exercice)
3) Soit D = A ∧ B. Par le deuxième point, il existe u, v ∈ K[X] tels que D = Au + Bv. Comme C | A et C | B, il
en résulte que C | D. Cela prouve que C | A ∧ B.
4) Soient D = AC ∧ BC et D′ = A ∧ B. On a D′ | A et D′ | B, donc CD′ | AC et CD′ | BC, d’où CD′ |
AC ∧ BC = D. Inversement, on sait que D′ = A ∧ B, donc il existe U, V ∈ K[X] tels que D′ = AU + BV . Par
conséquent,
CD′ = (AC)U + (BC)V
Cela montre que D = pgcd(AC, BC) divise CD′ . En résumé, on a D | CD′ et CD′ | D, donc D et CD′
sont associés. Comme D et CD′ sont des polynômes unitaires, on conclut que D = CD′ , c’est-à-dire que
AC ∧ BC = C(A ∧ B).

Remark. 1. L’assertion (1) de la proposition précédente fournit un algorithme, appelé algorithme d’Euclide, qui
permet de déterminer le pgcd de deux polynômes : c’est le dernier reste non nul normalisé.
2. Dans la preuve de l’assertion (4) de la proposition précédente, on a utilisé la propriété suivante, facile à prouver :
Si D′ = AU + BV et D = pgcd(A, B), alors D | D′ .
3. Soit A ̸= 0 un polynôme de coefficient dominant a, alors pgcd(A, 0) = a1 A, et si A divise un polynôme B alors
pgcd(A, B) = a1 A.

Example. Déterminons le pgcd de A et B, avec :

A = X 5 − 2X 3 − 2X 2 − 3X − 2, B = X 5 − 3X 4 + 2X 3 − 3X 2 + X.

Solution Étape 1 : Division de A par B :

X5 − 2X 3 − 2X 2 − 3X − 2 X 5 − 3X 4 + 2X 3 − 3X 2 + X
− X + 3X − 2X 3 + 3X 2 − X
5 4
1
3X 4 − 4X 3 + X 2 − 4X − 2
Le reste obtenu est :
R1 = 3X 4 − 4X 3 + X 2 − 4X − 2.
Étape 2 : Division de B par R1 :
X 5 − 3X 4 + 2X 3 − 3X 2 + X 3X 4 − 4X 3 + X 2 − 4X − 2
1 5
− X 5 + 43 X 4 − 13 X 3 + 43 X 2 + 23 X 3X − 9
− 53 X 4 + 53 X 3 − 53 X 2 + 53 X
5 4 20 3
3X − 9 X + 59 X 2 − 20
9 X −
10
9
5 3 10 2 5 10
− 9X − 9 X − 9X − 9

10
 Le reste obtenu est :
5 10 5 10
R2 = − X 3 − X 2 − X − .
9 9 9 9
Étape 3 : Division de R1 par R2 :

3X 4 − 4X 3 + X 2 − 4X − 2 − 59 X 3 − 10 2 5
9 X − 9X −
10
9
4 3 2 27
− 3X − 6X − 3X − 6X − 5 X + 18
− 10X 3 − 2X 2 − 10X − 2
10X 3 + 20X 2 + 10X + 20
18X 2 + 18

Le reste obtenu est :

R3 = 18X 2 + 18.
Étape 4 : Division de R2 par R3 :

− 59 X 3 − 10 2
9 X − 95 X − 10
9 18X 2 + 18
5 3 5 5
9X + 59 X − 162 X− 81
10 2 10
− 9 X − 9
10 2 10
9 X + 9
0

Le dernier reste non nul, R4 = 18(X 2 + 1). Donc le pgcd de A et B est :

pgcd(A, B) = X 2 + 1.

Definition 1.2.19. Polynômes premiers entre eux

Deux polynômes non tous nuls sont dits premiers entre eux si leur pgcd est égal à 1.

Remark. 1. Si deux polynômes sont premiers entre eux, on dit aussi qu’ils sont premier l’un par rapport à l’autre.
2. De la même manière, on dit que les polynômes P1 , P2 , . . . , Pn sont premiers entre eux si pgcd(P1 , . . . , Pn ) = 1.

Example. Dans R[X], les polynômes A(X) = X 2 +X +1 et B(X) = X +1 sont premiers entre eux (utilisez l’algorithme
d’Euclide pour déterminer le pgcd(A, B)).

Proposition 1.2.20
Soient A et B deux polynômes non nuls dans K[X]. Si D = pgcd(A, B), alors il existe A′ , B ′ ∈ K[X] tels que A = DA′ ,
B = DB ′ et pgcd(A′ , B ′ ) = 1.

Démonstration. On a D = pgcd(A, B), donc D | A et D | B. Par suite, il existe A′ , B ′ ∈ K[X] tels que A = DA′ et
B = DB ′ . De plus, comme D = pgcd(A, B), il en résulte que :
D = pgcd(DA′ , DB ′ ) = D × pgcd(A′ , B ′ ),
ce qui implique que pgcd(A′ , B ′ ) = 1, puisque D est unitaire et K[X] est un anneau intègre.

Proposition 1.2.21
Soient A, B, et C des polynômes dans K[X].
1. Identité de Bézout : Les polynômes A et B sont premiers entre eux si et seulement s’il existe U, V ∈ K[X]
tels que :
AU + BV = 1.
2. Lemme de Gauss : Si le polynôme A divise le produit BC et que pgcd(A, B) = 1, alors A divise C.
3. Si A | C et B | C, et que pgcd(A, B) = 1, alors AB | C.
4. Si pgcd(A, B) = 1 et pgcd(A, C) = 1, alors pgcd(A, BC) = 1.

Démonstration. 1) Si pgcd(A, B) = 1, alors il existe U, V ∈ K[X] tels que AU + BV = 1 (d’après l’assertion 2 de la

proposition 3.6).
Réciproquement, supposons que AU + BV = 1 avec U, V ∈ K[X]. Soit D = pgcd(A, B), alors D | A et D | B. Par
suite, D | (AU + BV ), c’est-à-dire D | 1. Comme D est unitaire, on en déduit que D = 1.
2) Supposons que A | BC et que pgcd(A, B) = 1. D’après l’identité de Bézout, il existe U, V ∈ K[X] tels que
AU + BV = 1. En multipliant cette identité par C, on obtient :
AU C + BV C = C.
Comme A | AU C et A | BV C, on en déduit que A | C.
3) On a A | C et B | C, donc il existe A′ , B ′ ∈ K[X] tels que C = AA′ et C = BB ′ . Par suite, AA′ = BB ′ , ce qui
implique que B | AA′ . Comme pgcd(A, B) = 1, d’après le lemme de Gauss, B | A′ . Il vient que A′ = B ′ A′′ , avec

11
 A′′ ∈ K[X]. Ainsi, C = AA′ = (AB)A′′ , d’où AB | C.
4) On a pgcd(A, B) = 1 et pgcd(A, C) = 1, donc il existe U, V, P, Q ∈ K[X] tels que AU + BV = 1 et AP + CQ = 1.
En multipliant ces deux équations, on obtient :
(AU + BV )(AP + CQ) = 1.
Cela se développe en :
A(AP U + CQU + P BV ) + (BC)QV = 1,
c’est-à-dire :
AA′ + BCB ′ = 1,
′ ′
où A = AP U + CQU + P BV ∈ K[X] et B = QV ∈ K[X]. Par l’identité de Bézout, on en déduit que pgcd(A, BC) =
1.
Remark. 1. Si pgcd(A, Bi ) = 1 pour tout i = 1, . . . , n, alors pgcd(A, B1 B2 . . . Bn ) = 1.
2. Si pgcd(A, B) = 1, alors pgcd(A, B n ) = 1 pour tout n ∈ N∗ .
3. Si pgcd(A, B) = 1, alors pgcd(An , B m ) = 1 pour tout n, m ∈ N∗ .
Exercise. 1. Déterminer les conditions nécessaires et suffisantes que doivent vérifier deux polynômes A et B pour
qu’il existe un polynôme C tel que A | C et B | C − 1.
2. Ces conditions sont-elles vérifiées dans les cas suivants ?
(a) A = x5 + x3 + x2 + 1 et B = x4 + x3 + 2x2 + x + 1.
(b) A = x4 + x2 + 2x + 4 et B = x2 + x + 1.
Exercise. Soient A, B, et C des polynômes dans K[X] tels que pgcd(A, B) = 1. Montrer que pgcd(A, BC) = pgcd(A, C).

Definition 1.2.22
Soient A et B deux polynômes non nuls dans K[X]. Il existe un unique polynôme unitaire M de plus petit degré
tel que A | M et B | M . Le polynôme M est appelé le ppcm (Plus Petit Commun Multiple) de A et B. On le note :

M = ppcm(A, B) ou M = A ∨ B.

Démonstration. (À titre d’exercice).

Proposition 1.2.23. S
ient A et B deux polynômes non nuls dans K[X]. On a :
1
(A ∧ B)(A ∨ B) = AB, avec λ ∈ K∗ .
λ
(λ étant le coefficient dominant de AB).

Démonstration. (À titre d’exercice).

Cette proposition fournit une méthode pour calculer le ppcm de deux polynômes connaissant leur pgcd.

Example. Considérons A = X 2 − 1 et B = X 2 + 3X + 2 dans R[X]. On a :

pgcd(A, B) = pgcd((X − 1)(X + 1), (X + 1)(X + 2)) = (X + 1)pgcd(X − 1, X + 2) = X + 1.

(pgcd(X − 1, X + 2) = 1, car (X + 2) − (X − 1) = 3 est une constante non nulle). Maintenant,

(A ∧ B)(A ∨ B) = AB.
Entraîne

(X + 1)(A ∨ B) = (X + 1)(X − 1)(X 2 + 3X + 2).

2
D’où, (A ∨ B) = (X − 1)(X + 3X + 2) (car K[X] est intègre).
Remark. M = ppcm(A, B) si et seulement si :

(i) A | M et B | M ;
(ii) si A | M ′ et B | M ′ , alors M | M ′ .

1.3 Racines d’un polynôme et factorisation

1.3.1 Factorisation dans K[X], K = R ou C.
Le théorème fondamental de l’arithmétique montre que tout entier peut être écrit comme un produit de nombres
premiers d’une unique façon, à l’ordre près des facteurs. Ce résultat est d’une grande utilité théorique et pratique. Dans
cette partie nous présentons “le théorème fondamental de l’algèbre”, le résultat annalogue du théorème fondamental

12
de l’arithmétique dans le cas des polynômes. Présisèment, nous nous intéressons à la décomposition des polynômes en
facteurs de polynômes irréductibles, l’annolgue du nombre premier dans le cas des polynômes.
On admet le théorème suivant :

Theorem 1.3.1. Théorème de d’Alembert-Gauss

Tout polynôme non constant dans C[X] admet au moins une racine dans C.

Remark. Ce théorème n’est pas vrai pour les polynômes non constants dans R[X]. Par exemple, P (X) = X 2 +1 ∈ R[X]
(non constant) n’a aucune racine dans R.

Corollary 1.3.2 (Caractérisation des polynômes irréductibles dans C[X]). Les polynômes irréductibles dans C[X] sont
les polynômes de degré 1.

Démonstration. Soit P ∈ C[X] un polynôme non constant.

— Si deg(P ) = 1, alors P est irréductible.
— Si deg(P ) ⩾ 2, alors, d’après le théorème de d’Alembert-Gauss, P admet une racine α ∈ C. Par conséquent,
X − α divise P , ce qui montre que P est réductible (ou factorisable).

Comme conséquence de ce corollaire, on obtient le résultat suivant :

Theorem 1.3.3. Factorisation en éléments irréductibles dans C[X]

Tout polynôme non constant dans C[X] est scindé, c’est-à-dire qu’il peut être écrit sous la forme :
Yr
P = a (X − αi )ki = a(X − α1 )k1 (X − α2 )k2 · · · (X − αr )kr ,
i=1
où αi ∈ C sont les racines de P et ki est la multiplicité de αi , pour tout i = 1, . . . , r. L’élément a ∈ C est le coefficient
dominant de P .

Example. 1. Soit P (X) = X 3 − 1. La factorisation de P en éléments irréductibles dans C[X] est :

P (X) = X 3 − 1 = (X − 1) X 2 + X + 1 = (X − 1)(X − j)(X − j 2 ),


2π
√
où j est la racine de l’unité, définie par j = ei 3 = − 21 + i 23 .
Rappelons que le complexe j vérifie les relations suivantes :
j 3 = 1, j 2 = j̄ et j 2 + j + 1 = 0.
De plus, pour tout k ∈ Z et tout r ∈ {0, 1, 2}, on a :

1, si r = 0,

r
j 3k+r = j = j, si r = 1,

 2
j , si r = 2.
2. Factorisons Q(X) = X 4 − 2X 3 + 2X 2 − 2X + 1 en produit d’éléments irréductibles dans C[X].
On remarque que Q(1) = 0. Par la division euclidienne, on obtient :
Q(X) = (X − 1) X 3 − X 2 + X − 1 .

Ensuite,
Q(X) = (X − 1) X 2 (X − 1) + (X − 1) = (X − 1)2 X 2 + 1 ,

donc
Q(X) = (X − 1)2 (X − i)(X + i).
Ainsi, 1 est une racine double de Q(X), tandis que les racines complexes i et −i sont des racines simples de
Q(X).
Concernant la factorisation en éléments irréductibles dans R[X], l’outil essentiel, pour ce faire, est l’inclusion évidente :
R[X] ⊂ C[X]. Tout d’abord, on énonce la proposition suivante, très utile dans la pratique.

Proposition 1.3.4
(1) Soit P ∈ R[X]. Si a ∈ C est une racine de P , alors ā, le conjugué de a dans C, est aussi une racine de P , avec le
même ordre de multiplicité.
(2) Tout polynôme à coefficients réels de degré impair a au moins une racine réelle.

Démonstration.
(1) Voir l’assertion 3 de la remarque 3.6. Finalement, utiliser le fait que (∀k ∈ N)(∀z ∈ C), P (k) (z) = P (k) (z̄) pour
montrer que a et ā ont le même ordre de multiplicité.
(2) Ce résultat se démontre avec des outils d’analyse en étudiant les variations de la fonction polynôme associée.

13
Remark. Les racines, dans C, d’un polynôme de R[X] sont :
1. soit réelles ;
2. soit des complexes non réelles (conjuguées deux à deux). Dans ce cas, une racine et son conjugué ont le même
ordre de multiplicité.
La factorisation en éléments irréductibles dans R[X] est donnée par le théorème suivant :

Theorem 1.3.5. Factorisation en facteurs irréductibles dans R[X]

Tout polynôme P ∈ R[X] (non constant) peut être écrit sous la forme :
Yr s
Y
P (X) = a (X − bi )mi (X + cj X + dj )nj ,
 2 
i=1 j=1
où b1 , b2 , . . . , br sont les racines réelles distinctes de P dans R d’ordre de multiplicité m1 , m2 , . . . , mr respectivement,
et où, pour chaque j = 1, . . . , s, on a c2j − 4dj < 0.

Démonstration. Soit P ∈ R[X], donc P ∈ C[X]. Par conséquent, P est scindé dans C et ses racines sont soit réelles,
soit complexes. Si α est une racine non réelle de P , alors ᾱ l’est aussi avec le même ordre de multiplicité. Par suite,
le polynôme P peut s’écrire :
Yr Ys
P (X) = a (X − bk )mk · (X − αk )nk (X − ᾱk )nk
k=1 k=1
r s
Y Y nk
(X − bk )mk
 2
=a (X − 2 Re(αk )X + |αk |2 )
k=1 h=1
Yr Ys
=a (X − bk )mk (X 2 + ch X + dh )nk ,
k=1 h=1

avec ch = −2 Re(αh ) ∈ R et dh = |αh |2 ∈ R, pour tout h = 1, . . . , s.

Remark. 1. La démonstration de l’assertion (2) de la proposition 3.10 peut se faire à l’aide d’outils purement
algébriques. En effet, soit P ∈ R[X]. Si P n’admet pas de racines réelles, alors :
s
Y
nh
P (X) = X 2 + ch X + dh avec c2h − 4dh < 0.
h=1
Il s’ensuit que deg(P ) est pair. Par contraposée, si deg(P ) est impair, alors P admet nécessairement une racine
réelle.
2. Les seuls polynômes irréductibles dans R[X] sont les polynômes de degré 1 et les polynômes de degré 2 à
discriminant strictement négatif.

14
Chapitre 2

Fractions rationnelles

Dans ce chapitre, nous nous intéressons principalement à la décomposition des fractions rationnelles en une somme
de termes particuliers appelés simples. Cette opération est très utile dans de nombreuses situations, y compris le calcul
de primitives. Dans cette section, il y a des résultats “ théoriques ” qui montrent l’existence d’une telle décomposition et
il y a des résultats et des méthodes “ pratiques ” qui aident à la décomposition des fractions rationnelles

2.1 Fractions rationnelles - Définitions

Definition 2.1.1
P
Une fraction rationnelle à une indéterminée et à coefficients dans K est une expression de la forme F = (ou
Q
P (X)
F (X) = ) où P et Q sont des polynômes dans K[X] avec Q ̸= 0. L’ensemble des fractions rationnelles est noté
Q(X)
K(X).

X +1
Examples. 1. ∈ R(X) est une fraction rationnelle.
X 2 −√X + 1
i + (1 − i)X 2 − 2X 4
2. ∈ C(X) est une fraction rationnelle.
X 3 − 2i
P R
Soient et deux éléments de K(X). On a :
Q S
P R
= si et seulement si P S = QR.
Q S

X −1 X 2 − 2X + 1
Example. On a : = . En effet,
X +1 X2 − 1
(X − 1)(X 2 − 1) = X 3 − X − X 2 + 1 = X 3 − X 2 − X + 1,
et
(X + 1)(X 2 − 2X + 1) = X 3 − 2X 2 + X + X 2 − 2X + 1 = X 3 − X 2 − X + 1.
P
Remark. 1) On a K[X] ⊂ K(X). En effet, pour tout polynôme P ∈ K[X], on peut écrire P = .
1
P
2) Soit F = ∈ K(X) et soit D = pgcd(P, Q). Si D ̸= 1, alors il existe donc P1 , Q1 ∈ K[X] tels que :
Q
P = DP1 , Q = DQ1 et pgcd(P1 , Q1 ) = 1.
Par conséquent, F s’écrit :
P DP1 P1
F = = = , avec pgcd(P1 , Q1 ) = 1.
Q DQ1 Q1
P P P
3) Si F = ∈ K(X), alors est appelé un représentant de F . Si de plus pgcd(P, Q) = 1, alors est appelé un
Q Q Q
représentant irréductible ou une fraction simplifiée de F .
X2 + X X +1
Par exemple, Si F = 3 ∈ R(X), alors 2 est une fraction simplifiée de F .
X +X X +1
On définit sur K(X) les opérations « + » et « × » de la manière suivante :
P1 P2
Pour tous F1 = et F2 = dans K(X), avec Q1 ̸= 0 et Q2 ̸= 0 :
Q1 Q2
P1 P2 P1 Q2 + P2 Q1
(i) F1 + F2 = + = ;
Q1 Q2 Q1 Q2

15
 P1 P2 P1 P2
(ii) F1 × F2 = × = .
Q1 Q2 Q1 Q2
Il est facile de vérifier que ces lois ne dépendent pas des représentants des fractions rationnelles F1 et F2 .
P
De plus, pour tout F = ∈ K(X) avec Q ̸= 0, et toute constante α ∈ K, on a :
Q
αP
αF = .
Q
Dans la suite l’objectif est de décomposer n’importe quelle fraction rationnelle en une somme de termes particuliers dits
simples définis comme suit :

Definition 2.1.2
— Toute fraction rationnelle F à coefficients dans C de la forme
a
(x − z0 )j
où a, z0 ∈ C et j ∈ N∗ , est dite simple.
— Sur R il y a deux types de fractions rationnelles simples :
— Toute fraction rationnelle F à coefficients dans R de la forme
d
(x − a)j
où a, d ∈ R, est dite simple de première espèce.
— Toute fraction rationnelle F à coefficients dans R de la forme
ax + b
(x + αx + β)j
2
∗
où a, b, α, β ∈ R et j ∈ N , est dite simple de seconde espèce si x2 + αx + β est un polynôme irréductible sur
R (i.e., α2 − 4β < 0).

Examples. 1. Les fractions rationnelles suivants sont des exemples des fractions rationnelles simples sur C
2
1+i 27 1 + 5i 23
, , , √ .
X − 2i (X − 3)3 (X − 3 + 2i)6 X − 4 + 2i
2. Les fractions rationnelles suivants sont des exemples des fractions rationnelles simples sur R
2
9 7X − 6 15 23 X + 1
, , , .
X − 7 (X 2 − 3X + 8)3 (X − 32)5 X 2 + 4
3. Attention, les fractions rationnelles simples sur R de seconde espece ne sont pas des fractions rationnelles simples
sur C.
2
7X − 6 23 X + 1
Par exemple et ne sont pas des fractions rationnelles simples sur C, car les deux
(X 2 − 3X + 8)3 X2 + 4
polynômes X 2 − 3X + 8 et X 2 + 4 ne sont pas irréductibles sur C.

2.1.1 Degré d’une fraction rationnelle

Definition 2.1.3
P
Soit F = ∈ K(X) une fraction rationnelle non nulle. Le degré de F est l’entier défini par :
Q
deg(F ) = deg(P ) − deg(Q).
Si F = 0, alors deg(F ) = −∞.

X 2 + iX − 1
Examples. 1. Si F = , alors deg(F ) = 2 − 1 = 1.
X +1−i
X +1
2. Si F = , alors deg(F ) = 1 − 4 = −3.
X4
+ X2 + 1
X2 + Y + 1
3. Si F = , alors deg(F ) = 2 − 2 = 0.
X2 + 1
Remark. 1) Si F ∈ K(X) et F ̸= 0, alors deg(F ) ∈ Z.
2) Le degré d’une fraction rationnelle ne dépend pas du représentant choisi.
3) Une fraction rationnelle de degré positif n’est pas forcément un polynôme (voir l’exemple 1 ci-dessus).
Le degré des fractions rationnelles possède les mêmes propriétés que celui des polynômes :

16
 Proposition 2.1.4
Soient F1 , F2 ∈ K(X) et α ∈ K. On a :
(1) deg(F1 + F2 ) ⩽ max (deg(F1 ), deg(F2 )).
(2) deg(F1 × F2 ) = deg(F1 ) + deg(F2 ).
(3) deg(αF1 ) = deg(F1 ) si α ̸= 0, et deg(αF1 ) = −∞ si α = 0.

Démonstration. La démonstration est laissée au lecteur en tant qu’exercice.

2.1.2 Zéros et pôles d’une fraction rationnelle

Definition 2.1.5
P P
Soit F = ∈ K(X) où est irréductible (c’est-à-dire pgcd(P, Q) = 1). Alors,
Q Q
(1) les zéros de F sont les zéros de P .
(2) les pôles de F sont les zéros de Q. La multiplicité d’un zéro (resp. d’un pôle) de F est sa multiplicité en tant
que zéro de P (resp. pôle de Q).

(X − 1)3
Example. Soit F = .
(X 2 + 1)2
— Dans R(X), 1 est un zéro de F de multiplicité 3, mais F n’a pas de pôles dans R.
— Dans C(X), 1 est un zéro de F de multiplicité 3, et i et −i sont des pôles de F de multiplicité 2, car F =
(X − 1)3
dans C(X).
(X − i)2 (X + i)2
Remark. 1. Un zéro (resp. pôle) d’une fraction rationnelle d’ordre 1 est appelé un zéro simple (resp. un pôle
simple).
2. Les zéros ou les pôles d’une fraction rationnelle ne dépendent pas du représentant irréductible choisi.

2.2 Décomposition en éléments simples dans C(X) et R(X)

P
Soit F = ∈ K(X), écrit sous une forme irréductible (c’est-à-dire P et Q sont premiers entre eux). Supposons de
Q
plus que le polynôme Q est unitaire.
On sait qu’il existe E, R ∈ K(X) tels que : P = EQ + R avec deg(R) < deg(Q).
Par suite, F s’écrit :
R
F =E+ ,
Q
où deg(R) < deg(Q).

Definition 2.2.1
R
Le polynôme E ∈ K[X] est appelé la partie entière de F , et la fraction avec deg(R) < deg(Q) est appelée la
Q
partie fractionnaire de F .

2X 4 + 3X 2 − X + 1
Example. Considérons F (X) = .
X 2 − 3X + 1
La division euclidienne de 2X + 3X − X + 1 par X 2 − 3X + 1 donne :
4 2

2X 4 + 3X 2 − X + 1 = (X 2 − 3X + 1)(2X 2 + 9X + 25) + (65X − 24),

ainsi
65X − 24
F = 2X 2 + 9X + 25 + .
X 2 − 3X + 1
65X − 24
La partie entière de F est donc E(X) = 2X 2 + 9X + 25, et la partie fractionnaire de F est .
X 2 − 3X + 1
Remark. 1. Si deg(P ) < deg(Q), alors E(X) = 0.
2. Si deg(P ) ≥ deg(Q), alors deg(F ) = deg(E).

On sait que si Q ∈ K[X] est un polynôme non constant, alors :

— Q peut être factorisé en produit de polynômes de degré 1 dans C[X].
— Q peut être factorisé en produit de polynômes de degré 1 et/ou de polynômes de degré 2 à discriminant strictement
négatif dans R[X].
Cela permet de décomposer toute fraction rationnelle non nulle et irréductible dans K(X) en éléments simples, suivant

17
que K = R ou K = C.

Theorem 2.2.2. Décomposition en éléments simples dans C(X)

P
Soit F = ∈ C(X) une fraction rationnelle non nulle telle que pgcd(P, Q) = 1 et
Q
Q = (X − a1 )n1 (X − a2 )n2 · · · (X − ak )nk ,
où a1 , a2 , . . . , ak ∈ C et n1 , n2 , . . . , nk ∈ N. Alors, la fraction rationnelle F peut s’écrire de manière unique sous la
forme :    
b11 b12 b1n1 bk1 bk2 bknk
F =E+ + + · · · + + · · · + + + · · · + ,
X − a1 (X − a1 )2 (X − a1 )n1 X − ak (X − ak )2 (X − ak )nk
où les bij ∈ C et E est la partie entière de F .

Theorem 2.2.3. Décomposition en éléments simples dans R(X)

P
Soit F = ∈ R(X) une fraction rationnelle non nulle telle que pgcd(P, Q) = 1 et
Q
Yk Y l
Q= (X − ai )ni (X 2 + bj X + cj )mj ,
i=1 j=1

avec b2j − 4cj < 0 pour tout j = 1, . . . , l, et où les ai , bj , cj ∈ R et ni , mj ∈ N. Alors, F peut s’écrire de manière unique
sous la forme :
ni
k X l Xmj
X αir X βjs X + γjs
F =E+ r
+ 2 + b X + c )s
,
i=1 r=1
(X − a i ) j=1 s=1
(X j j
   
α11 α12 α1n1 αk1 αk2 αknk
=E+ + + ··· + + ··· + + + ··· +
 X − a1 (X − a1 )2 (X − a1 )n1  X − ak (X − ak )2 (X − ak )nk

β11 X + γ11 β1m1 X + γ1m1 βℓ1 X + γℓ1 βℓmℓ X + γℓmℓ

+ + ··· + + ··· + +·+
X 2 + b1 X + c1 (X 2 + b1 X + c1 )m1 X 2 + bℓ X + cℓ (X 2 + bℓ X + cℓ )mℓ
où les αir , βjs , γjs ∈ R, et E est la partie entière de F .

Dans cette décomposition :

αir
- Les termes correspondent aux pôles réels simples ou multiples ai .
(X − ai )r
βjs X + γjs
- Les termes correspondent aux pôles complexes qui apparaissent sous la forme de facteurs quadratiques
(X + bj X + cj )s
2
irréductibles, chaque terme étant associé à une puissance de ces facteurs.
Remark. 1. Les éléments simples dans K(X) sont :
(a) Les polynômes dans K[X].
(b) Les fractions rationnelles non nulles de K(X) appelées éléments simples de première espèce, qui sont de la
b
forme où b ∈ K∗ , a ∈ K et k ∈ N∗ .
(X − a)k
aX + b
(c) Les fractions rationnelles non nulles de R(X) qui sont écrites sous la forme avec c2 −4d < 0,
(X + cX + d)k
2
appelées éléments simples de deuxième espèce, où a, b, c, d ∈ R tels que (a, b) ̸= (0, 0), (c, d) ̸= (0, 0) et k
est un entier strictement positif.
2. En pratique, la décomposition en éléments simples se fait de la manière suivante :
i) Déterminer la partie entière de la fraction.
ii) Décomposer, si nécessaire, le dénominateur en facteurs irréductibles.
iii) Écrire la forme de la décomposition, puis déterminer les coefficients.

2.3 Méthodes de décomposition en éléments simples

Les méthodes suivantes permettent de calculer les coefficients qui figurent dans les deux résultats fondamentaux de la
décomposition ci-dessus. Commençons par la méthode la plus élémentaire :

2.3.1 Identification des coefficients

Cette méthode consiste à réduire au même dénominateur le membre de la décomposition d’une fraction rationnelle
A
F = avec deg A < deg B et à identifier les coefficients dans les numérateurs.
B

18
 Example. On considère la fraction rationnelle suivante :
x2 + x + 1
F (x) =
x(x − 1)(x + 1)
La décomposition de F est de la forme
λ µ ν
F (x) =
+ + , λ, µ, ν ∈ R
x x−1 x+1
On réduit au même dénominateur le membre de la décomposition, on obtient :
x2 + x + 1 = λ(x − 1)(x + 1) + µx(x + 1) + νx(x − 1)
= (λ + µ + ν)x2 + (µ − ν)x − λ
D’où, par identification, on obtient le système suivant :

λ + µ + ν = 1

µ−ν =1

−λ = 1

3 1
Ce système admet pour seule solution λ = −1, µ = , ν = . Par suite, on obtient la décomposition de F :
2 2
1 3 1
F (x) = − + +
x 2(x − 1) 2(x + 1)

2.3.2 Évaluation et limite

Si on veut établir des relations entre les coefficients, on peut substituer à x des valeurs α qui ne sont pas des pôles de
F ou on peut calculer des limites (par exemple, limx→∞ xF (x)) de deux manières.
Example. On considère la fraction rationnelle de l’exemple précédent :
x2 + x + 1 λ µ ν
F (x) = = + +
x(x − 1)(x + 1) x x−1 x+1
On peut établir des relations entre les coefficients :
— En utilisant les limites :
x2 + x + 1
 
λ µ ν
lim x = lim x + +
x→∞ x(x − 1)(x + 1) x→∞ x x−1 x+1
— En remplaçant x par une valeur :
Par exemple, on obtient l’équation
7 λ ν
= +µ+
6 2 3
en remplaçant x par 2.

2.3.3 Multiplication et substitution

Cette méthode permet de trouver le coefficient du terme de plus haut degré de chaque partie polaire.
On utilise les notations du Théorème 2.2. Soit i ∈ {1, · · · , k}. Pour déterminer le coefficient bini on multiplie F et sa
décomposition par (x − ai )ni et on évalue l’égalité obtenue en remplaçant x par ai .
Example. On considère la fraction rationnelle suivante :
2x4 + x3 + 3x2 − 6x + 1
F (x) =
2x3 − x2
Premièrement, en utilisant la division euclidienne on obtient :
F (x) = x + 1 + F1 (x)
avec
4x2 − 6x + 1
F1 (x) =
2x3 − x2
Puis, en tenant compte de la factorisation du dénominateur de F1 , la décomposition de F1 est de la forme :
A B C
F1 (x) = 2 + + , A, B, C ∈ R
x x x − 21
On obtient A = −1 en multipliant les deux membres par x2 et en remplaçant x par 0.
1 1
De même, on obtient C = −2 en multipliant par x − et en remplaçant x par .
2 2
Il reste à déterminer B.
On peut soit remplacer x = 1, soit passer à la limite.
On obtient B = 4.
Par suite,
1 4 2
F (x) = x + 1 − 2 + −
x x x − 12

19
Example. On considère la fraction rationnelle suivante :
4x6 − 2x5 + 11x4 − x3 + 11x2 + 2x + 3
F (x) =
x(x2 + 1)3
La décomposition de F est de la forme :
a bx + c dx + e fx + g
F (x) = + 2 + 2 + 2
x (x + 1)3 (x + 1)2 x +1
Alors,
4x6 − 2x5 + 11x4 − x3 + 11x2 + 2x + 3
a= =3
(x2 + 1)3 x=0
Finalement,
3 x+1 3 x−2
F (x) = + 2 + 2 + 2
x (x + 1)3 (x + 1)2 x +1
A
Remark. Si α est un pôle simple d’une fraction rationnelle F = , alors le coefficient de la partie polaire relative à
B
α est :
A(α)
B ′ (α)

20
Chapitre 3

Espaces vectoriels

La notion d’espace vectoriel joue un rôle central dans les mathématiques modernes. Elle permet de mettre en évidence
des propriétés communes à des objets a priori très différents. Par exemple, dans le plan, on peut additionner deux vecteurs
ou multiplier un vecteur par un réel pour en changer la longueur. De la même manière, on peut additionner deux fonctions
ou multiplier une fonction par un scalaire. Il en va de même pour les polynômes etc. L’objectif est donc de définir une
structure générale — celle d’espace vectoriel — permettant d’énoncer des théorèmes valables pour tous ces exemples à
la fois. Cela offre un cadre unifié pour l’étude de nombreux objets mathématiques, tout en simplifiant leur manipulation
théorique.

Dans ce chapitre, la notation K désignera R et C.

3.1 Espaces vectoriels : définition et exemples

3.1.1 Définition d’espace vectoriel
Definition 3.1.1
Soit E un ensemble qu’on muni d’une :
— loi de composition interne "+", c’est-à-dire d’une application de E × E dans E :
E×E → E
(u, v) 7→ u + v
— loi de composition externe "·", c’est-à-dire d’une application de K × E dans E :
K×E → E
(λ, u) 7→ λ · u

Example. Sur le plan R2 on a deux lois de composition usuelles, à savoir :

— L’addition : pour tous u = (x, y), v = (a, b) ∈ R2 , u + v = (x + a, y + b)
— La multiplication par un scalaire : pour tous λ ∈ R et u = (x, y) ∈ R2 , λ · u = (λx, λy)

Definition 3.1.2
Un triplet (E, +, ·) est un K-espace vectoriel si E est un ensemble, + une loi de composition interne et · une loi de
composition externe tel que :
1. u + v = v + u (pour tous u, v ∈ E)
2. u + (v + w) = (u + v) + w (pour tous u, v, w ∈ E)
3. Il existe un élément neutre 0E ∈ E tel que u + 0E = u (pour tout u ∈ E)
′ ′ ′
4. Tout u ∈ E admet un symétrique u tel que u + u = 0E . Cet élément u est noté −u.
5. 1 · u = u (pour tout u ∈ E)
6. λ · (µ · u) = (λµ) · u (pour tous λ, µ ∈ K, u ∈ E)
7. λ · (u + v) = λ · u + λ · v (pour tous λ ∈ K, u, v ∈ E)
8. (λ + µ) · u = λ · u + µ · u (pour tous λ, µ ∈ K, u ∈ E)

Remark. Les propriétés 1, 2, 3 et 4 définissent la structure de groupe commutatif. En particulier, si (E, +, ·) est un
K-espace vectoriel alors (E, +) est un groupe commutatif dont d’élément neutre 0E et appelé le vecteur nul de E.
Terminologie et notations

Rassemblons les définitions déjà vues.

— On appelle les éléments de E des vecteurs. Au lieu de K-espace vectoriel, on dit aussi espace vectoriel sur K.

21
 — Les éléments de K seront appelés des scalaires.
— L’élément neutre 0E s’appelle aussi le vecteur nul. Il ne doit pas être confondu avec l’élément 0 de K.
Lorsqu’il n’y aura pas de risque de confusion, 0E sera aussi noté 0.
— Le symétrique −u d’un vecteur u ∈ E s’appelle aussi l’opposé.
— La loi de composition interne sur E (notée usuellement +) est appelée couramment l’addition et u + u′ est appelée
somme des vecteurs u et u′ .
— La loi de composition externe sur E est appelée couramment multiplication par un scalaire. La multiplication du
vecteur u par le scalaire λ sera souvent notée simplement λu, au lieu de λ · u.
Somme de n vecteurs (la structure de groupe sur E). Il est possible de définir, par récurrence, l’addition de n
vecteurs, n ≥ 2. La structure d’espace vectoriel permet de définir l’addition de deux vecteurs (et initialise le processus).
Si maintenant la somme de n − 1 vecteurs est définie, alors la somme de n vecteurs v1 , v2 , . . . , vn est définie par :
v1 + v2 + · · · + vn = (v1 + v2 + · · · + vn−1 ) + vn .
L’associativité de la loi + nous permet de ne pas mettre de parenthèses dans la somme v1 + v2 + · · · + vn .
Xn
On notera v1 + v2 + · · · + vn = vi .
i=1
Example. 1. (Familles de scalaires) En particulier, Kn = K × K · · · × K est un-espace vectoriel pour tout n ∈ N∗ .
| {z }
n-fois
Nous retrouvons ici le cadre des vecteurs du plan avec R2 et celui des vecteurs de l’espace avec 3. Par exemple :
(1, 4, −3) + 2 · (0, 2, 5) = (1, 8, 7) dans K3 .
2. (Polynômes) K[X] est un K-espace vectoriel pour ses lois usuelles d’addition et de multiplication par un scalaire.

Theorem 3.1.3. Espace vectoriel produit

Soient E1 , . . . , En des K-espaces vectoriels. Le produit E1 × · · · × En est un groupe commutatif pour la loi produit
définie pour tous (x1 , . . . , xn ), (y1 , . . . , yn ) ∈ E1 × · · · × En par :
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ).
On le munit d’une loi externe · en posant λ · (x1 , . . . , xn ) = (λ · x1 , . . . , λ · xn ) pour tous λ ∈ K et (x1 , . . . , xn ) ∈
E1 × · · · × En .
Le triplet (E1 × · · · × En , +, ·) est alors un K-espace vectoriel. Ici :
0E1 ×···×En = (0E1 , . . . , 0En ).

Preuve. En exercice.

Theorem 3.1.4. Règles de calcul dans un espace vectoriel

Soit E un K-espace vectoriel.
(i) Pour tous x ∈ E et λ ∈ K :
λ · x = 0E ⇐⇒ λ = 0 ou x = 0E .
(ii) Pour tout x ∈ E :
−x = (−1) · x, où −x est l’opposé de x dans E et −1 l’opposé de 1 dans K.

Preuve. Soient x ∈ E et λ ∈ K.
(i) On a 0 · x = (0 + 0) · x = 0 · x + 0 · x, donc 0 · x = 0E après simplification dans le groupe (E, +). De plus,
λ · 0E = λ · (0E + 0E ) = λ · 0E + λ · 0E , donc λ · 0E = 0E après simplification. Enfin, si λ · x ̸= 0E avec λ ̸= 0, alors
x = 1 · x = (λÖ λ1 ) · x = λ1 · (λ · x) = λ1 · 0E = 0E .
(ii) Pour tout x ∈ E : x + (−1) · x = 1 · x + (−1) · x = (1 − 1) · x = 0 · x = 0E , donc −x = (−1) · x. ■

Exercise. Les ensembles suivants sont-ils des espaces vectoriels :

1. E = {(x, y) ∈ R2+ | y = x}
2. E = {(x, 2x, 3x) | x ∈ R}

3.1.2 Combinaisons linéaires

Definition 3.1.5. Somme quelconque de vecteurs
Soient E un espace vectoriel et x1 , x2 , ·P
· · , xn , · · · une famille de vecteurs de E. On appelle combinaison linéaire de
(xi )i∈N tout vecteur de E de la forme i∈N λi xi , où (λi )i∈N est une famille de scalaires (d’éléments de K) qui sont
nulles sauf un nombre fini.

Remark. Combinaisons linéaires d’un nombre fini de vecteurs Soient E un K-espace vectoriel,Psi on considère un
n
nombre fini de vecteurs x1 , ..., xn ∈ E, une combinaison linéaire de x1 , ..., xn sera de la forme i=1 λi xi = λ1 x1 +

22
 · · · + λn xn pour certains λ1 , . . . , λn ∈ K.
La notion de combinaison linéaire est géométriquement très simple à représenter dans le plan ou dans l’espace.
Remark.
n
X n
X
λi xi = αi xi ̸⇒ λi = αi , ∀i = 1, . . . , n.
i=1 i=1
En effet, par exemple (1, 1) + 2(0, 1) + 2(1, 0) = (3, 3) = 2(1, 1) + (0, 1) + (1, 0).

Example. — Par exemple, K[X] est l’ensemble des combinaisons k∈N ak X k , où (ak )k est une famille de scalaires
P
qui sont nulles sauf un nombre fini.
— Tout polynôme de K[X] de degré au plus n ∈ N est combinaison linéaire des polynômes 1, X, X 2 , ..., X n .

3.2 Sous-espaces vectoriels

3.2.1 Définition et caractérisation des sous-espaces vectoriels
Les huit axiomes qui définissent un espace vectoriel peuvent sembler un peu lourds à établir un par un. Pour éviter
cette démarche compliquée et répétitif, on dispose d’un outil bien plus simple et efficace : la notion de sous-espace
vectoriel. Grâce à elle, on peut démontrer qu’un ensemble est un espace vectoriel en s’appuyant sur une structure déjà
existante.

Definition 3.2.1. S
ient E un-espace vectoriel et F une partie non vide de E. On dit que F est un sous-espace vectoriel de E si F est un
K-espace vectoriel pour les lois de E.

Si F un sous-espace vectoriel de E, F est un sous-groupe additif de E, donc 0F = 0E ∈ F .

Example. 1. Si E est un-espace vectoriel, {0E } et E sont deux sous-espaces vectoriels de E.
2. L’ensemble F = {(x, y) ∈ R2 | x2 + x + y 2 = 0} n’est pas un sous-espace vectoriel de R2 car il n’est pas stable
par multiplication par un scalaire. En effet, (−1, 0) ∈ F mais (−2, 0) ̸∈ F .

Theorem 3.2.2. (Caractérisation des sous-espaces vectoriels)

Soient E un K-espace vectoriel et F une partie de E. Les assertions suivantes sont équivalentes :
(i) F est un sous-espace vectoriel de E.
(ii) — 0E ∈ F ,
— F est stable par combinaison linéaire : ∀x, y ∈ F, ∀λ ∈ K, λx + y ∈ F .

Preuve. (i) ⇒ (ii) Si F est un sous-espace vectoriel de E, alors 0E = 0F ∈ F et pour tous x, y ∈ F et λ ∈ K, λx ∈ F

car F est stable par multiplication par un scalaire, donc λx + y ∈ F car F est stable par addition.
(ii) ⇒ (i) Si l’assertion (ii) est vraie, F est stable par différence pour λ = −1, donc est un sous-groupe additif de E. Pour
les autres axiomes de la définition des espaces vectoriels, « qui peut le plus peut le moins » !

C’est toujours ce résultat qu’il faut utiliser pour montrer qu’une partie d’un espace vectoriel en est un sous-espace
vectoriel.
Par ailleurs, pour montrer qu’un ensemble F muni d’une addition et d’une multiplication par un scalaire est un espace
vectoriel, il suffit souvent de montrer que F est un sous-espace vectoriel d’un espace vectoriel connu.
Exercise. Montrer que toute droite de R2 passant par (0, 0) est un sous-espace vectoriel de R2 , et toute droite et tout
plan de R3 passant par (0, 0, 0) sont des sous-espaces vectoriels de R3 .

3.2.2 Sous-espace vectoriel engendré par une partie

Theorem 3.2.3. (Intersection de sous-espaces vectoriels)
Soit E un K-espace vectoriel. Toute intersection de sous-espaces vectoriels de E est un sous-espace vectoriel de E.

Preuve. Soit (Fi )i∈I une famille de sous-espaces vectoriels de E. Montrons que
\
F = Fi
i∈I
est un sous-espace vectoriel de E. D’abord, F ⊂ E et 0E ∈ Fi pour tout i ∈ I, Fi étant un sous-espace vectoriel de E.
Pour la stabilité de F par combinaison linéaire, soient x, y ∈ F et λ ∈ K. Pour tout i ∈ I, Fi contient x et y, donc
λx + y en tant que sous-espace vectoriel. Par conséquent, λx + y ∈ F .

23
Definition 3.2.4. (Sous-espace vectoriel engendré par une partie)
Soient E un K-espace vectoriel et X une partie de E. Le sous-espace engendré par X est l’intersection de tous
les sous-espace vectoriels de E contenant X, on le note Vect(X).
Si X = {x1 , . . . , xi }, on utilise la notation Vect(x1 , . . . , xi ).

Theorem 3.2.5
Soient E un K-espace vectoriel et X une partie de E. Alors :
— Vect(X) est le plus petit sous-espace vectoriel de E contenant X.
— Vect(X) est l’ensemble de toutes les combinaisons linéaires des vecteurs de X

On regroupe dans la remarque suivante quelques conséquences du théorème précédent.

Remark. Soient E un K-espace vectoriel, X et Y deux parties de E et a, b ∈ E.
1. Inclusion : si X ⊆ Y , alors Vect(X) ⊆ Vect(Y ) .
2. Ôter un vecteur : Si x ∈ X est une combinaison linéaire de X \ {x}, alors Vect(X) = Vect(X \ {x}).
3. Remplacer un vecteur : Si b est une combinaison linéaire de X ∪ {a} avec un coefficient NON NUL sur a :
Vect(X ∪ {a}) = Vect(X ∪ {b})
Example. 1. Soit n ∈ N et soit Kn [X] l’espace vectoriel des polynômes de degrés au plus n. Alors Kn [X] =
Vect(1, X, X 2 , . . . , X n ).
2. Sur le corps de base R : Vect(1) = {a × 1 | a ∈ R} = R et Vect(1, i) = {a × 1 + b × i | a, b ∈ R} = C, mais sur le
corps de base C : Vect(1) = {a × 1 | a ∈ C} = C.
3. Soit V = Vect((1, 1, 0), (0, 1, 0), (1, 3, 0)). On remarque que (1, 3, 0) = (1, 1, 0) + 2(0, 1, 0). Donc on peut omettre
le vecteur (1, 3, 0) et garder le même sous-espce vectoriel V ; V = Vect((1, 1, 0), (0, 1, 0)).

3.3 Familles : génératrices - libres - bases

3.3.1 Familles génératrices
Definition 3.3.1. (Partie/famille génératrice)
Soient E un K-espace vectoriel et X une partie de E. On dit que X est génératrice de E ou engendre E si tout élément
de E est combinaison linéaire de X, i.e. si E = Vect(X).
Si X = {xi | i ∈ I}, on dit aussi que la famille (xi )i∈I est génératrice de E ou engendre E.

Examples. 1. La famille (X k )k∈N engendre K[X] et (1, X, X 2 , . . . , X n ) engendre Kn [X].

2. Pour tout (x, y) ∈ R2 : (x, y) = x(1, 0) + y(0, 1), donc la famille (1, 0), (0, 1) engendre R2 . De même, pour tout
(x, y, z) ∈ R3 : (x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1), donc (1, 0, 0), (0, 1, 0), (0, 0, 1) engendre R3 .
Plus généralement, si on pose (e1 , . . . , en ) = (0, . . . , 0, 1, 0, . . . , 0) pour tout i ∈ [1, n] où le coefficient 1 apparaît
en i-ème position, la famille (e1 , . . . , en ) engendre Kn car pour tout (x1 , . . . , xn ) ∈ Kn :
(x1 , . . . , xn ) = x1 e1 + · · · + xn en .
3. La famille (1, i) engendre le R-espace vectoriel C, mais (1) suffit à l’engendrer en tant que C-espace vectoriel.
La remarque qui suit n’est qu’une simple reformulation de la remarque après Théorème 3.2.5.

Remark. Soient E un K-espace vectoriel, X et Y deux parties de E.

— Inclusion : si X ⊆ Y et X est génératrice, alors Y est aussi génératrice.
— Ôter un vecteur : Si X est génératrice et x ∈ X est une combinaison linéaire de X \ {x}, alors X \ {x} est
génératrice.

3.3.2 Familles libres

Definition 3.3.2. (Partie/famille libre d’un nombre fini de vecteurs)
Soient E un K-espace vectoriel et x1 , . . . , xn ∈ E.
— On dit que la famille (x1 , . . . , xn ) ou la partie {x1 , . . . , xn } est libre ou que les vecteurs x1 , . . . , xn sont linéai-
rement indépendants si :
n
X
∀(λ1 , . . . , λn ) ∈ K n , λi xi = 0E ⇒ λ1 = · · · = λn = 0.
i=1
— On dit que la famille (x1 , . . . , xn ) ou la partie {x1 , . . . , xn } est liée ou que les vecteurs x1 , . . . , xn sont linéairement

24
 dépendants si la famille (x1 , . . . , xn ) n’est pas libre.

Remark. — D’une façon équivalente, la famille (x1 , . . . , xn ) est libre si et seulement si :

n n
!
X X
n
∀(λ1 , . . . , λn ), (µ1 , . . . , µn ) ∈ K , λ i xi = µi xi ⇒ ∀i ∈ [1, n], λi = µi
i=1 i=1
— Dire que la famille (x1 , . . . , xn ) est liée est équivalent à ce que l’un des vecteurs x1 , . . . , xn est combinaison
linéaire des autres.
— Pour deux vecteurs x, y ∈ E, on dit que x et y sont colinéaires si la famille (x, y) est liée, i.e. si x ou y est un
multiple de l’autre.

Examples. 1. La famille (2, 1), (−1, 3), (0, 1) est liée dans R2 .
Démonstration Pour tous λ, µ, ν ∈ R :
λ(2, 1) + µ(−1, 3) + ν(0, 1) = (0, 0)
c’est-à-dire : (
2λ − µ = 0
λ + 3µ + ν = 0
Ce système possède des solutions (λ, µ, ν) autres que (0, 0, 0), par exemple (1, 2, −7), donc les vecteurs (2, 1),
(−1, 3) et (0, 1) sont linéairement dépendants.
2. La famille (X 2 − X + 1, X 2 + X − 2, X 2 − 2X + 3) est libre dans R[X].
Démonstration Pour tous λ, µ, ν ∈ R :
λ(X 2 − X + 1) + µ(X 2 − X − 2) + ν(X 2 + 2X + 3) = 0
c’est-à-dire : 

 λ+µ+ν =0
−λ − µ + 2ν = 0

λ − 2µ + 3ν = 0

En simplifiant :
L2 − L1 : −2λ + ν = 0
L3 − L1 : 3µ + 2ν = 0
et L3 − 2(L2 − L1 ) donne :
µ = 0.
On trouve alors λ = ν = 0.
3. La famille (cos, sin) est libre dans RR (ici RR est le R-espace vectoriel des fonctions réelles).
Démonstration Soient λ, µ ∈ R. On suppose que λ cos x + µ sin x = 0 pour tout x ∈ R.
Dans ces conditions, à x = 0 après évaluation, on obtient que λ = 0. À x = π2 , on obtient que µ = 0.

Definition 3.3.3. (Partie/famille libre/liée d’un nombre quelconque de vecteurs)

Soient E un K-espace vectoriel et (xi )i∈I une famille de vecteurs de E.
— Partie/famille libre : On dit que la famille (xi )i∈I ou la partie {xi | i ∈ I} est libre ou que les vecteurs xi , i
décrivant I, sont linéairement indépendants si :
!
X
∀(λi )i∈I tel que les λi sont nulles sauf un nombre fini, λi xi = 0E ⇒ ∀i ∈ I, λi = 0.
i∈I
— Partie/famille liée : On dit que la famille (xi )i∈I ou la partie {xi | i ∈ I} est liée ou que les vecteurs xi , i
décrivant I, sont linéairement dépendants si (xi )i∈I n’est pas libre. Il est équivalent de dire que l’un d’entre eux
est combinaison linéaire des autres.

Example. Dans l’espace vectoriel des polynômes K[X], la famille (X k )k∈N est libre.

Theorem 3.3.4. (Propriétés des parties libres/liées)

Soient E un K-espace vectoriel et X et Y deux parties de E.
(i) Inclusion : Si Y est libre et X ⊂ Y , alors X est libre.
Par contraposée, si X est liée et X ⊂ Y , alors Y est liée.
(ii) Ajouter un vecteur : Si X est libre et y ∈ E n’est pas combinaison linéaire de X, alors X ∪ {y} est libre.

Exercise. (Liberté des familles de polynômes échelonnées en degré) Une famille de polynômes (P1 , . . . , Pn ) de K[X] est
dite échelonnée en degré si
0 ≤ deg(P1 ) < · · · < deg(Pn ).
Montrer qu’une telle famille est toujours libre.

25
3.3.3 Base d’un espace vectoriel
Résumé :
— Famille génératrice = existence pour tout vecteur d’une décomposition comme combinaison linéaire.
— Famille libre = unicité des coefficients dans les combinaisons linéaires, donc possibilité d’identifier les coefficients.

Definition 3.3.5. (Base, coordonnées)

Soient E un-espace vectoriel et B = (ei )i∈I une famille de verteurs de E. On dit que B est une base de E si B est à
la fois libre et génératrice de E, i.e. si et seulement si tout vecteur de E est combinaison linéaire de B d’une et une
seule manière.
DansPce cas, pour tout x ∈ E, l’unique famille de scalaires (qui sont nulles sauf un nombre fini) (xi )i∈I pour laquelle
x = i∈I xi ei est appelée la famille des coordonnées de x dans B.

2 2
( ((1, −1), (2, 1)) est une base de R . En effet, soit u = (a, b) ∈ R , donc (a, b) = x(1, −1) + y(2, 1)
Example. La famille
x + 2y = a
donne un système qui donne une solution y = a+b 3 et x =
a+4b
3 . Comme a et b sont quelconque dans
−x + y = b
R, on a R2 = Vect((1, −1), (2, 1)). De plus, soient λ1 , λ2 ∈ R tels que λ1 (1, −1) + λ2 (2, 1) = (0, 0), alors il est claire
que λ1 = λ2 = 0.

Exercise. Montrer que la famille (X 2 + X, X 2 + 1, X + 1) est une base de R2 [X].

Exercise. 1. On pose ei = (0, ..., 0, 1, 0, ..., 0) pour tout i ∈ {1, . . . , n} où le coefficient 1 est en i-ème position. Montrer
que (e1 , ..., en ) est une base de Kn .
2. Montrer que la famille (X k )k∈N est une base de K[X] et que {1, X, X 2 , . . . , X n } est une base de Kn [X].
Les bases précédentes sont appelées bases canoniques des espaces correspondants.
Remark. Pour trouver une base d’un espace vectoriel, on en cherche d’abord une famille génératrice en l’écrivant
comme un Vect, puis on essaie de montrer que la famille ainsi obtenue est libre.

3.3.4 Dimension d’un espace vectoriel

Definition 3.3.6. (Dimension finie/infinie)
Soit E un K-espace vectoriel. On dit que E est de dimension finie s’il possède une partie génératrice finie, et de
dimension infinie sinon.

Example. 1. On considère l’espace vectoriel Kn qui est de dimension finie sur K ; en effet il possède une famille
génératrice finie {e1 , e2 , . . . , en } avec ei = (0, . . . , 0, 1, 0, . . . , 0) où 1 est à la i-ieme position.
2. L’espace vectoriel K[X] est de dimension infinie. EnPeffet, la famille (X k )k∈N constitue une base de K[X] car
n
un polynôme s’écrit toujours sous la forme P (X) = k=0 ak X k avec ak ∈ K pour tout k ∈ {0, . . . , n}.

Theorem 3.3.7
Soit E un K-espace vectoriel.
1. Si E possède une partie génératrice finie, alors il possède une base finie.
2. Si E est de dimension finie alors toutes les base de E contiennent le même nombre de vecteurs.

Preuve.
1. Soit G = {x1 , · · · , xn } une famille génératrice de E. L’objectif c’est de montrer que G contient une base de E. En
effet, si G est libre alors c’est une base de E. Sinon (c-à-d, G est liée) alors l’un des vecteurs xi 1 ≤ i ≤ n est une
combinaison des autres, notons xp ce vecteur. On pose B1 = G \ {xp }, on a B1 est génératrice et B1 ⊊ G. On procède
par récurrence de manière à obtenir une base au terme du processus.
2. La preuve du deuxième point est une conséquence du lemme suivant :

Lemma 3.3.8 Soit B = (e1 , · · · , en ) une famille libre. Alors toute famille de n + 1 vecteurs (non nuls) qui
sont combinaison linéaire des vecteurs ei (1 ≤ i ≤ n) est liée.

Preuve du Lemme 3.3.9 On raisonne par récurrence sur n.

— Pour n = 1 (c-à-d B = (e1 )), soient u1 et u2 deux vecteurs non nuls qui sont combinaison linéaire de e1 . Donc
α
u1 = αe1 et u2 = βe1 avec α, β ∈ K non nuls. Dans ce cas {u1 , u2 } est liée car u1 = u2 .
β
— On suppose que le résultat est vrai pour n. Soient B = (e1 , · · · , en+1 ) une famille libre et {u1 , · · · , un+2 } une
famille de n + 1 vecteurs (non nuls) qui sont combinaison linéaire des vecteurs ei (1 ≤ i ≤ n + 1). Montrons
que {u1 , · · · , un+2 } est une famille liée. En effet, On a donc des scalaires αi,j avec 1 ≤ i ≤ n et 1 ≤ j ≤ n tels

26
 que : 

 u1 = α1,1 e1 + α1,2 e2 + · · · + α1,n+1 en+1 (L1 )
 u2 = α2,1 e1 + α2,2 e2 + · · · + α2,n+1 en+1 (L2 )

..


 .
un+2 = αn+2,1 e1 + αn+2,2 e2 + · · · + αn+2,n+1 en+1 (Ln+2 )

On a deux cas possible :
Cas 1 : Si ∀i ∈ {1, · · · , n + 2}, αi,n+1 = 0, alors u1 , u2 , . . . , un+2 sont combinaisons linéaires des n vecteurs
e1 , e2 , . . . , en . Par hypothèse de récurrence, la famille (u1 , u2 , . . . , un+1 ) est liée. Donc (u1 , u2 , . . . , un+2 )
l’est aussi.
Cas 2 : Si l’un des αi,n+1 , pour i ∈ {1, · · · , n + 2}, n’est pas nul, disons αn+2,n+1 (sinon on échange les lignes).
αi,n+1
Posons λi = , alors les transformations Li ← Li − λi Ln+2 pour i ∈ {1, · · · , n + 1} donnent :
αn+2,n+1


 u1 − λ1 un+2 = Combinaison linéaire de e1 , e2 , . . . , en
 u2 − λ2 un+2

= Combinaison linéaire de e1 , e2 , . . . , en
.. .. ..


 . . .
un+1 − λn+1 un+2 = Combinaison linéaire de e1 , e2 , . . . , en

Les vecteurs ui − λi un+2 , i ∈ {1, · · · , n + 1} forment donc une famille liée puisque ce sont n + 1 vec-
teurs combinaisons linéaires de n vecteurs libre (hypothèse de récurrence). Il existe donc des scalaires
Pn+1
β1 , β2 , . . . , βn+1 non tous nuls tels que i=1 βi (ui − λi un+2 ) = 0.
Pn−1 Pn+1
Donc i=1 βi ui + γ · un+2 = 0, avec γ = − i=1 βi λi , ce qui prouve que (u1 , u2 , . . . , un+2 ) est liée car
au moins l’un des βi est non nul, ce qui achève la récurrence.

Maintenant :
Soient B, B ′ deux bases (finies) de E, notons m, n leur cardinal.
— B est génératrice de E. Donc chacun des m vecteurs de B ′ est combinaison linéaire des n vecteurs de
B. Donc m ≤ n (sinon, selon le lemme, B ′ serait liée).
— De même, n ≤ m. Donc n = m.
Remark. Un espace vectoriel de dimension fini possède une base finie et toutes les bases d’un espace vectoriel de
dimension fini ont le même cardinal.
Ce résultat nous conduit à définir la dimension d’un espace vectoriel

Definition 3.3.9. Dimension

Soit E un K-espace vectoriel de dimension fini. On appelle dimension de E le cardinal d’une base de E, on la note
dim(E).

Examples. 1. Kn est de dimension n : on en connaît une base de cardinal n (la base canonique). Autrement dit
n
dim(K ) = n
2. dim(Kn [X]) = n + 1, puisque (1, X, X 2 , · · · , X n ) est une base de Kn [X]

Remark. — Si E est de dimension 0, alors E = {0E }.

— Si E est de dimension 1, alors E est une droite vectorielle.

3.4 Applications linéaires

Cette section traite des applications linéaires entre espaces vectoriels, notions fondamentales en algèbre linéaire. Nous
étudierons la définition et premières propriétés des applications linéaires, ainsi que les notions de noyau et d’image d’une
application linéaire.

3.4.1 Définition et exemples

Definition 3.4.1. S
ient E et F deux K-espaces vectoriels. Une application f : E → F est dite linéaire si :
(i) ∀x, y ∈ E, f (x + y) = f (x) + f (y)
(ii) ∀λ ∈ K, ∀x ∈ E, f (λx) = λf (x)
L’ensemble des applications linéaires de E dans F est noté L(E, F ).
Si E = F , on dit plutôt que f est un endomorphisme (linéaire) de E. L’ensemble des endomorphismes (linéaires) de
E est noté L(E).
Si F = K, on dit plutôt que f est une forme linéaire de E.

27
 Remark. — Pour montrer qu’une application f est linéaire il suffit de montrer que f (λx + y) = λf (x) + f (y) pour
tous x, y ∈ E et tout λ ∈ K.
— En particulier, si on prend λ = −1, y = x, on trouve que f (−x + x) = −f (x) + f (x) c-à-d, f (0E ) = 0F . Alors
toute application linéaire f ∈ L(E, F ) satisfait f (0E ) = 0F .

Example. 1. L’application f : R3 → R2 définie par (x, y, z) → (y + 2z, 3x + 4y + 5z) est linéaire.

2. L’application dérivation D : R[X] → R[X] définie par D(P ) = P ′ est linéaire.
R1
3. L’application ρ de C([0, 1], R) dans R donnée par ρ(f ) = 0 f (t2 )dt est linéaire.

Definition 3.4.2. (Isomorphisme, espaces vectoriels isomorphes)

Soient E et F deux K-espaces vectoriels.
— Isomorphisme linéaire : On appelle isomorphisme (linéaire) de E sur F toute application linéaire bijective de E
sur F . Si E = F , on parle plutôt d’automorphisme (linéaire) de E. L’ensemble des automorphismes de E est
noté GL(E) et appelé le groupe linéaire de E.
— Espaces vectoriels isomorphes : On dit que F est isomorphe à E (en tant qu’espace vectoriel) s’il existe un
isomorphisme (linéaire) de E sur F .

Example. L’application linéaire f : R3 → R2 [X] donnée par f (a, b, c) = a + bX + cX 2 est un isomorphisme de R3

dans R2 [X]

Theorem 3.4.3. (Opérations sur les applications linéaires)

— Pour tous f, g ∈ L(E, F ) et g ∈ L(G, E) : f ◦ g ∈ L(G, F ). En particulier, si f est un isomorphisme de E sur F
et g un isomorphisme de F sur G, g ◦ f est un isomorphisme de E sur G.
— Pour tout isomorphisme f de E sur F , f −1 est un isomorphisme de F sur E.
— Toute combinaison linéaire d’applications linéaires est aussi une application linéaire.

Preuve. Laissée au lecteur à titre d’exercice.

Definition 3.4.4. (Endomorphisme nilpotent)

Soit E un K-espace vectoriel et f ∈ L(E). On dit que f est nilpotent si f p = 0L(E) pour un certain p ∈ N∗ , où
f p = f ◦ · · · ◦ f . Le plus petit entier p pour laquelle cette relation est vraie est appelé l’indice de nilpotence de f .
| {z }
p fois

Example. Pour tout n ∈ N, l’endomorphisme D : Kn [X] → Kn [X] donné par D(P ) = P ′ est nilpotent d’indice n + 1.

3.4.2 Noyau et image d’une application linéaire

Theorem 3.4.5. (Image d’un sous-espace vectoriel par une application linéaire)
Soient E et F deux K-espaces vectoriels et f ∈ L(E, F ). Pour tout sous-espace vectoriel A de E, l’image f (A) de A
par f est un sous-espace vectoriel de F .
En particulier, l’image Imf = f (E) est un sous-espace vectoriel de F et f est surjective de E sur F si et seulement si
Imf = F .

Example. On considère l’endomorphisme de R3 donné par g(x, y, z) = (x + 2y + z, 2x + y − z, x + 2y + z). L’image de

cette application est le plan d’équation z = x.

Theorem 3.4.6. (Image d’un Vect par une application linéaire)

Soient E et F deux K-espaces vectoriels et f ∈ L(E, F ). Pour toute partie X de E, on a f (Vect(X)) = Vect(f (X)).
En particulier, si E possède une base (ei )i∈I : Imf = Vect(f (ei ) | i ∈ I).

Theorem 3.4.7. (Image réciproque d’un sous-espace vectoriel par une application linéaire et noyau)
Soient E et F deux K-espaces vectoriels et f ∈ L(E, F ). Pour tout sous-espace vectoriel B de F , l’image réciproque
f −1 (B) de B par f est un sous-espace vectoriel de E.
En particulier, le noyau Kerf = f −1 ({0F }) = {x ∈ E | f (x) = 0F } de f est un sous-espace vectoriel de E et f est
injective sur E si et seulement si Kerf = {0E }.

Example. Notons f l’application linéaire (x, y, z) → (2x + y − z, x − y) de R3 dans R2 . Alors Kerf = Vect((1, 1, 3)).

Exercise. Soit l’application linéaire f de R4 dans R3 donnée par f (x1 , x2 , x3 , x4 ) = (x1 − x2 + x3 , 2x1 + 2x2 + 6x3 +
4x4 , −x1 − 2x3 − x4 )

28
 (1) calcule la dimension du noyau,
(2) on calcule la dimension de l’image.

Theorem 3.4.8. (Caractérisation d’une application linéaire par l’image d’une base)
Soient E et F deux K-espaces vectoriels. On suppose que E possède une base (ei )i∈I . Pour toute famille (yi )i∈I de
vecteurs de F , il existe une et une seule application linéaire u de E dans F pour laquelle u(ei ) = yi pour tout i ∈ I.

Theorem 3.4.9. (Caractérisation de l’injectivité/surjectivité d’une application linéaire par l’image d’une base)
Soient E et F deux K-espaces vectoriels et f ∈ L(E, F ). On suppose que E possède une base (ei )i∈I .
(i) f est surjective de E sur F si et seulement si (f (ei ))i∈I engendre F .
(ii) f est injective sur E si seulement si (f (ei ))i∈I est libre.
(iii) f est un isomorphisme de E sur F si et seulement si (f (ei ))i∈I est une base de F .

3.5 Espaces vectoriels de dimension finie

Dans cette section on revisite toutes les notions qu’on a définit dans le cas d’un K-espace vectoriel de dimension fini.

3.5.1 Sous-espace vectoriel

Theorem 3.5.1. (Dimension d’un sous-espace vectoriel)
Soient E un K-espace vectoriel de dimension finie et F un sous-espace vectoriel de E. Alors F est de dimension finie
et dim F ⩽ dim E, avec égalité si et seulement si F = E.

Preuve.
— Les familles libres d’éléments de F sont des familles libres d’éléments de E. Donc leur cardinal est majoré par n.
Donc F est de dimension finie p ≤ n (puisque si (u1 , u2 , . . . , up ) est une base de F , alors c’est aussi une famille libre
de E, donc p ≤ n).
— Si p = n, alors soit (u1 , u2 , . . . , up ) une base de F . C’est donc une famille libre de E de cardinal p = n. C’est donc
une base de E. Donc F = E.
Exercise. Dimension d’un espace vectoriel produit Soient E et F deux K-espaces vectoriels de dimension finie respecti-
vement n et m. Soient B = (ei )1≤i≤n (respectivement C = (ci )1≤i≤m ) une base de E (respectivement de F ).
1. Montrer que la famille L = ((e1 , 0), · · · , (en , 0), (0, c1 ), · · · , (0, cm )) est une base de E × F .
2. En déduire que E × F est de dimension finie et : dim(E × F ) = dim(E) + dim(F )
Le résultat de l’exercice précédent se généralise au cas d’un produit d’un nombre fini quelconque d’espaces vectoriels.

Theorem 3.5.2. (Théorème de la base incomplète)

Soit E un K-espace vectoriel de dimension finie. Toute famille libre de E peut être complétée en une base finie de E.

Preuve. Soit L une famille libre de E.

— Si C est vide, il suffit de la compléter avec une base de E.
— Sinon, C = (u1 , u2 , . . . , up ), où p ∈ N∗ .
Soit B = (e1 , e2 , . . . , en ) une base de E.
⋄ Si C est génératrice de E, alors C est une base de E.
⋄ Sinon, l’un au moins des ei , i ∈ J1, nK n’est pas combinaison linéaire de u1 , u2 , . . . , up (car sinon C serait
génératrice).
Soit alors i1 ∈ J1, nK tel que ei1 ∈ / Vect(u1 , u2 , . . . , up ).
Alors la famille C ′ = (u1 , u2 , . . . , up , ei1 ) est libre.
Si elle est génératrice, c’est une base de E. Sinon, on recommence. Au bout d’un moment, on obtient une
famille libre et génératrice (puisque, au pire, la famille (u1 , u2 , . . . , up , e1 , e2 , . . . , en ) est génératrice).
Conséquence :
Soit E un K-ev de dimension n. Alors :
— Les familles libres de E ont au plus n vecteurs.
— Si une famille libre de E est de cardinal n, alors c’est une base de E.
— Les familles génératrices de E sont de cardinal ≤ n.
— Si une famille génératrice de E est de cardinal n, alors c’est une base de E.
Remark. La démonstration du théorème montre que, pour compléter une famille libre en une base de E, on peut
imposer de piocher les éléments qui complètent dans une base, fixée d’avance, de E.

29
Somme et somme direct de sous espaces vectoriels
Definition 3.5.3. (Somme et somme directe)
Soient E un K-espace vectoriel et F et G deux sous espaces vectoriels de E.
— L’ensemble F + G = {f + g | f ∈ F et g ∈ G} est un sous-espace vectoriel de E. Ce sous-espace vectoriel
appelé la somme de F et G est également le plus petit sous-espace vectoriel de E contenant F et G.
L
— Si de plus on a F ∩ G = {0E } on dit que la somme est directe et on note cet ensemble par F G

Example. — Dans R3 , on considère les sous ensembles F = {(x, y, z) ∈ R3 /2x = z} et G = Vect((0, 1, 0), (0, 0, 1)).
La somme F + G n’est pas direct est égal R3 . En effet, F ∩ G = Vect((0, 1, 0))
— Dans R3 , on considère les sous ensembles F = Vect((1, 0, 0)) et G = Vect((0, 1, 0)). La somme F + G est direct
est égal au plan z = 0. En effet, on a F ∩ G = {(0, 0, 0)} et

F +G = Vect((1, 0, 0)) + Vect((0, 1, 0))

= {(x, 0, 0) + (0, y, 0) / x, y ∈ R}
= {(x, y, 0) / x, y ∈ R}

Definition 3.5.4. Supplémentaire

Lun K-espace vectoriel et F et G deux sous espaces vectoriels de E. On dit que G est un supplémentaire de
Soient E
F si F G = E. Autrement dit si
— F + G = E, et
— F ∩ G = {0}

Example. Soit F(R) l’ensemble des fonctions de R dans R. On considère les sous ensembles de F(R) suivants :
P = {f ∈ F(R) / f (−x) = f (x), ∀x ∈ R} et I = {f ∈ F(R) / f (−x) = −f (x), ∀x ∈ R}.
f (x) + f (−x) f (x) − f (−x)
On a F(R) = P ⊕ I. En effet pour toute f ∈ F(R) f (x) = + . Comme la seule fonction
2 2
réelle qui à la fois pair et impair et la fonction nulle, alors P ⊕ I = {0}. Donc P et I sont supplémentaires.
Remark. — Une conséquence directe du Théorème de la base incomplète est tout sous espace vectoriel admet un
supplémentaire.
— Soient E un K-espace vectoriel et F et G deux sous espaces vectoriels supplémentaire. Pour toutes bases B et
C de F et G respectivement on a B ∪ C est une base de E.
Exercise. (Parties génératrices et somme de s.e.v) Soient E un K-espace vectoriel, F, H deux sous-espaces vectoriels de
E et X1 , X2 deux parties de E.
1. Montrer que Vect (X1 ∪ X2 ) = Vect (X1 ) + Vect (X2 ).
2. En déduire que si X1 engendre F et X2 engendre H, alors X1 ∪ X2 engendre F + H.

3.5.2 Applications linéaires en dimensions finies et matrices

Pour connaître une application en général, on n’a pas tellement d’autre choix que de connaître l’ensemble de ses
valeurs point par point. Pour une application linéaire en revanche, cela peut être réduit à un nombre restreint de valeurs
stratégiques. Par exemple, on connaît parfaitement l’application f donnée par (x, y, z) 7→ (2x + y − z, 3x + z) de R3
dans R2 si on sait qu’elle est linéaire est f (1, 0, 0) = (2, 3), f (0, 1, 0) = (1, 0) et f (0, 0, 1) = (−1, 1). En effet, pour tout
(x, y, z) ∈ R3 :

f (x, y, z) = f (x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1))

= xf (1, 0, 0) + yf (0, 1, 0) + zf (0, 0, 1)
= x(2, 3) + y(1, 0) + z(−1, 1)
= (2x + y − z, 3x + z)

Definition 3.5.5. (Application linéaire de rang fini, rang)

Soient E et F deux K-espaces vectoriels pas nécessairement de dimension finie et f ∈ L(E, F ). On dit que f est de
rang fini si Im(f ) est de dimension finie. Le cas échéant, l’entier dim(Im(f )) est appelé le rang de f et noté rg(f ).

Exercise. Soient E et F deux K-espaces vectoriels et f ∈ L(E, F ). On suppose que E possède une base (ei )i∈I .
(i) f est surjective de E sur F si et seulement si f (ei )i∈I engendre F .
(ii) f est injective sur E si seulement si f (ei )i∈I est libre.
(iii) f est un isomorphisme de E sur F si et seulement si f (ei )i∈I est une base de F .

30
Indication. Utiliser la linéarité de f .

Theorem 3.5.6. (Effet d’un isomorphisme sur la dimension)

(i) Soient E et F deux K-espaces vectoriels. Si E est de dimension finie et si F est isomorphe à E, alors F est de
dimension finie et dim E = dim F .
(ii) Réciproquement, deux K-espaces vectoriels de mêmes dimensions finies sont isomorphes. En particulier, tout
K-espace vectoriel de dimension finie n est isomorphe à Kn .

Preuve. Le premier point découle de (iii) du théorème précédent. Pour (ii) il suffit de montrer que E et F sont
isomorphes à Kn . En effet, si (e1 , . . . , en ) de E on considère l’application qui à x = x1 e1 +· · ·+xn en associe (x1 , . . . , xn ) ∈
Kn . C’est bien un isomorphisme. De même pour F . Alors E et F sont forcement isomorphes aussi.
Exercise. Soient E et F deux K-espaces vectoriels de dimensions finies ÉGALES et f ∈ L(E, F ). Alors on a les équiva-
lences suivantes :
f est bijective ⇔f est injective ⇔f est surjective.

Example. — L’application ϕ : (x, y, z) 7→ (x + y, −x + y, z) est un automorphisme de R3 .

′
— L’application ψ : P 7→ XP + P (0) est un automorphisme de Kn [X] pour tout n ∈ N.

31