MATHS - FASCICULES

COURS DE MATHÉMATIQUES
Licence 1 Économie et Gestion
Enseignant : Dr Hypolithe OKOU
[email protected]

9 octobre 2015
Table des matières

1 Élément de logique, Ensembles et Applications 3

1.1 Élément de logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Quelques notions usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Connecteurs logiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Quantificateurs et symboles d’implication logiques . . . . . . . . . . . . . . 4
1.1.4 Quelques méthodes de raisonnement . . . . . . . . . . . . . . . . . . . . . 5
1.2 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Opérations sur les ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Relations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Relations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Applications injectives, surjectives, bijectives . . . . . . . . . . . . . . . . . 12
1.4.2 Images directes et Images réciproques . . . . . . . . . . . . . . . . . . . . . 13
1.5 Représentation graphique des fonctions . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Représentation des droites . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Représentation d’une parabole . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.3 Représentation d’une hyperbole . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.4 Représentation d’une fonction puissance . . . . . . . . . . . . . . . . . . . 15
1.5.5 Représentation d’une fonction exponentielle et logarithme . . . . . . . . . . 16
1.5.6 Représentation d’une fonction hyperbolique . . . . . . . . . . . . . . . . . 16
1.5.7 Représentation d’une fonction trigonométrique . . . . . . . . . . . . . . . . 16

2 Structures Algébriques 17
2.1 Loi de composition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1 Définitions-exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Structures algébriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Groupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Anneaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.3 Corps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Applications-Nombres complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Polynômes - Fractions Rationnelles 22

3.1 Polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2 Division Euclidienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.3 Division suivant les puissances croissantes de x. . . . . . . . . . . . . . . . 23
3.1.4 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.5 Décomposition d’un polynôme en facteurs . . . . . . . . . . . . . . . . . . 23
3.1.6 P GCD, P P CM d’un polynôme . . . . . . . . . . . . . . . . . . . . . . . . 24

1
 3.2 Fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.1 Décomposition d’une fraction rationnelle en éléments simples . . . . . . . . 26

4 Calcul Matriciel et Systèmes d’équations linéaires 28

4.1 Calcul Matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.2 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.3 Matrice inverse d’une matrice régulière . . . . . . . . . . . . . . . . . . . . 33
4.2 Systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Formulation Matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.2 Résolution de système d’équations linéaire réguliers : méthode directe . . . 34
4.2.3 Résolution de système d’équations linéaire réguliers : méthode de CRAMER 34
4.2.4 Résolution de systèmes d’équations linéaires réguliers : méthode de GAUSS-
JORDAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.5 Résolution de système d’équations linéaires singuliers . . . . . . . . . . . . 38

5 Espaces Vectoriels 41
5.1 Définitions-Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.3 Combinaison linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.3.1 Familles génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.3.2 Familles libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.4 Base et dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.4.1 Definitions-Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.4.2 Changement de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

6 Fonctions Numériques, Calculs différentiels 47

6.1 Modèles à deux variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.1.1 Variation absolue ou en valeur . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.1.2 Variation relative ou taux de variation . . . . . . . . . . . . . . . . . . . . 48
6.2 Modèles à n variables (n > 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.3 Notion de Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.4 Continuité de fonction numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

2
Chapitre 1

Élément de logique, Ensembles et

Applications

1.1 Élément de logique

Les mathématiques sont construites de la façon suivante :

• On part d’un certain nombre d’affirmations supposées à priori vraies ; on les appelle axiome.
• On se donne les moyens de démontrer les affirmations ou assertions qui le sont pas encore.
À la fin de la démonstration celles-ci sont appelées théorème. Évidemment le théorème qui est
établi à partir des axiomes, vient enrichir la théorie mathématiques.

Ainsi c’est à partir des axiomes qu’on construit toutes les théories mathématiques.
Il est important de souligner qu’il existe des assertions pour lesquelles il n’est pas possible de
démontrer ni qu’elle est vraie ni qu’elle est fausse. C’est le cas du paradoxe du menteur qui stipule
que : "Un homme disait qu’il était en train de mentir. Ce que l’homme disait est-il
vrai ou faux ?". Si cette assertion est vraie, alors ce qu’il dit est faux. Si elle est fausse, alors il
dit faux ! En définitive cet homme affirme sa propre fausseté en déclarant qu’il ment. Ainsi cette
assertion n’est ni fausse ni vraie. On parle en mathématique de non-sens.

1.1.1 Quelques notions usuelles

– Axiome : c’est un énoncé supposé à priori vrai et que l’on ne cherche pas à démontrer. On
l’appelle aussi postulats.
Exemple : Le cinquième postulat d’Euclide est : ”par un point extérieur à une droite passe
une et une seule droite parallèle à cete droite.”
NB : Un axiome a pour particularité d’être ”évident” pour tout le monde.

– Proposition : (assertion ou affirmation)

C’est un énoncé pouvant être vrai ou faux.
Exemple : La proposition ”tout nombre premier est impair” est fausse.
La proposition ”tout carré de réel est un réel positif ” est vraie.

– Théorème : C’est une proposition démontrée (vraie). Par abus de langage ou d’écriture le
mot proposition désigne parfois un théorème intermédiaire de moindre importance.

– Corollaire : Un corollaire à un théorème est un théorème qui est une conséquence de ce

théorème.

3
 – Lemme : C’est un théorème préparatoire à l’établissement d’un théorème de plus grande
importance.

– Conjecture : Une conjecture est une proposition que l’on suppose vraie sans parvenir à la
démontrer.
Les conjectures sont le moteur du progrès des mathématiques. Tel ou tel mathématicien
a eu l’impression que tel ou tel résultat important était vrai et l’a énoncé sans pouvoir le
démontrer, laissant à l’ensemble de la communauté mathématique le soin de le confirmer
par une démonstration convaincante ou de l’infirmer
Exemple : La conjecture de Fermat qui dit que : ”pour un entier naturel n supérieur à 3,
il n’existe pas d’entiers naturels non nuls x, y, z tels que xn + y n = z n ”. Cette conjecture
qui date de XV II e siecle est devenu récemment un théorème car finalement établie par le
mathématicien britannique Andrew Wiles en 1994.

– Définition : C’est un énoncé dans lequel on décrit les particularités d’un objet. Parfois un
axiome est synonyme de définition.

1.1.2 Connecteurs logiques

Soient P et Q deux propositions.
On définit les propositions ”P ou Q” notée P ∨ Q et ”P et Q” notée P ∧ Q par les tables
respectives suivantes :

P Q P∨Q P Q P∧Q
V V V V V V
V F V puis V F F
F V V F V F
F F F F F F
P ∨ Q est faux si et seulement si Q et P sont faux
P ∧ Q est vrai si seulement si Q et P sont vrais

1.1.3 Quantificateurs et symboles d’implication logiques

a- Quantificateur universel : ∀
Pour exprimer la proposition : ”Pour tous les éléments x de l’ensemble E, la proposition P (x)
est varie” on écrit : ”∀x ∈ E; P (x)”

b- Quantificateur existentiel : ∃
Pour exprimer la proposition :
– ”Il existe au moins un élément x de l’ensemble E tel que la proposition P (x) est vraie” on
écrit ”∃x ∈ E/P (x)” ou ”∃x ∈ E, P (x)”
– ”Il existe un unique élément x de l’ensemble E tel que la proposition P (x) est vraie” on écrit
”∃!x ∈ E/P (x)” ou ”∃!x ∈ E, P (x)”

c- symboles d’implication
Se sont les deux signes suivants :
– =⇒ qui se lit "implique".
– ⇐⇒ qui se lit "équivaut à" ou "signifie que".

4
1.1.4 Quelques méthodes de raisonnement
Négation d’une proposition
Soit P une proposition. On définit sa négation, notée P (ou aussi nonP ou eP ), à partir de sa
table de vérité :

P P
V F
F V
Cette simple table contient en germe un très grand nombre d’erreurs de raisonnement. On doit
déjà avoir conscience que la négation de « ce chat est blanc » est, non pas « ce chat est noir », mais
tout simplement « ce chat n’est pas blanc » ou que le contraire de la phrase « f est la fonction
nulle » est, non pas « f ne s’annule pas », mais « f n’est pas la fonction nulle » ou encore « f ne
s’annule pas en au moins un point ». Enfin, le contraire de la phrase « x ≥ 0 » est « x < 0 », et
non pas « x ≤ 0 ».

Soit A un ensemble et P une propriété portant sur A. On a les équivalences suivantes :

• non(∀x ∈ A, P) signifie que ∃x ∈ A, nonP
• non(∃x ∈ A, P) signifie que ∀x ∈ A, nonP

Calcul propositionnel
Dans ce paragraphe, on étudie les propositions en tant que telles, et les liens qui peuvent
exister entre elles, sans se préoccuper du contenu de ces propositions (ce qui sera l’objet de tous
les chapitres ultérieurs).
Définition 1.1.1. On rappelle qu’une proposition est un énoncé pouvant être vrai ou faux. On dit
alors que les deux valeurs de vérité d’une proposition sont « vrai » et « faux ». A partir d’une ou
plusieurs propositions, on peut en construire d’autres. C’est l’objet des paragraphes suivants.
Equivalence logique

Définition 1.1.2. Deux propositions équivalentes P et Q sont deux propositions simultanément

vraies et simultanément fausses.
On dira par la suite que deux propositions équivalentes sont deux propositions ayant les mêmes
valeurs de vérité. Cette phrase peut se visualiser dans un tableau appelé table de vérité dans lequel
on fait apparaître les différentes valeurs de vérité possibles pour le couple (P, Q) (Vrai et Vrai,
Vrai et Faux, ...) et, en correspondance, les valeurs de vérité de la proposition P ⇔ Q. Ainsi, la
P Q P⇔Q
V V V
table de vérité de l’équivalence logique P ⇔ Q est : V F F
F V F
F F V
Vous devez lire en première ligne de ce tableau que si les propositions P et Q sont vraies, la
proposition P ⇔ Q est vraie, et en deuxième ligne, que si P est vraie et Q est fausse, P ⇔ Q
est fausse. L’équivalence logique joue pour les propositions, le rôle que joue l’égalité pour les
nombres. Les expressions 3 + 2 et 5 ne sont pas identiques et pourtant on écrit 3 + 2 = 5. De
même, les propositions (x2 = 1) et (x = 1 ou x = −1) ne sont pas identiques et pourtant on écrit
(x2 = 1) ⇔ (x = 1 ou x = −1).
Implication logique

5
Définition 1.1.3. Si P et Q sont deux propositions, on définit l’implication logique : P ⇒ Q par
P Q P⇔Q
V V V
sa table de vérité. V F F
F V V
F F V

Théorème 1.1.1. Soient P et Q deux propositions. (P ⇒ Q) ⇔ (P ∨ Q).

Preuve P ⇒ Q est fausse dans l’unique cas où P est vraie et Q est fausse ou encore quand P
et Q sont toutes deux fausses. P ⇒ Q a donc les mêmes valeurs de vérité que P ∨ Q.

6
1.2 Ensembles
1.2.1 Définitions
Définition 1.2.1. Un ensemble est une collection d’objets bien déterminés. On appelle ces objets
les éléments de l’ensemble.
Un ensemble est défini soit par une liste de ses éléments, soit par une règle qui définit les
éléments de l’ensemble.
On utilisera les majuscules pour représenter un ensemble, et les minuscules pour les éléments.
L’appartenance à un ensemble se note par le signe ∈.
La non appartenance à un ensemble se note le signe ∈./
Un ensemble qui ne contient aucun élément se note ∅ ou { } et se lit ensemble vide
Quand un ensemble E a un nombre fini d’éléments, on dit qu’il est fini. Dans ce cas, on appelle
cardinal de E et on écrit card(E) ou |E| le nombre d’éléments de E.

Exemple 1.2.1. A = {1; 2; 3} signifie que l’ensemble A ne contient que les éléments 1, 2 et 3.
On écrira que 1 ∈ A, 2 ∈ A et 3 ∈ A.

Définition 1.2.2. Soit un ensemble A. Alors si B est un ensemble contenant uniquement un

certain nombre (pouvant être infini ou non) d’élément de A, on dit que B est sous ensemble ou
une partie de A. On alors B ⊆ A.
Si B contient exactement les mêmes éléments que A, on dit alors que A est égal à B et écrit
A = B. Dans ce cas, on a les deux inclusions A ⊆ B et B ⊆ A qui sont vérifiées. Donc A = B
signifie que (A ⊆ B et B ⊆ A).
La notation ”A ⊂ B” traduit le fait que A est sous-ensemble propre c’est à dire que l’ensemble
B a au moins un élément qui n’appartient pas à son sous-ensemble A.
L’ensemble des parties d’un ensemble A se note généralement P(A).

Exemple 1.2.2. A = {1; 2; 3} et B = {1; 2; 4; 5; 3; 0}. L’ensemble A est un sous-ensemble propre

de B. Donc A ⊂ B.

- L’ensemble vide est une partie d’un ensemble A. C’est la plus petite partie contenue dans A.
- L’ensemble A est une partie de A. C’est la plus grande partie contenue dans A.

Les ensembles fondamentaux sont :

– N : ensemble des entiers naturels. On a N = {0, 1, 2, 3, ...}
– Z : ensemble des entiers relatifs. On a Z = {..., −2, −1, 0, 1, 2, ...}.
– D : ensemble des nombres décimaux. On a D = {a10n /a, n ∈ Z}.
m
– Q : ensemble des nombres rationnels. On a Q = { /m, n ∈ Z avec n 6= 0}.
n
– R : ensemble des nombres réels. C’est l’ensemble des nombres rationnels et des nombres
irrationnels (qui ne sont pas rationnels).
– C : ensemble des nombres complexes. C = {a + ib/a, b ∈ R}.
On a les relations suivantes : N ⊂ Z ⊂ D ⊂ Q ⊂ R ⊂ C
Tous ces ensembles de nombres sont infinis.

Exemple 1.2.3. Les intervalles de nombres réels sont très souvent utilisés en mathématique.
Soitent a ∈ R et b ∈ R tels que a < b ; tout intervalle est sous une des formes suivantes :
– > ]a; b[= {x ∈ R/a < x < b} est appelé intervalle ouvert.
– > [a; b] = {x ∈ R/a ≤ x ≤ b} est appelé intervalle fermé.
– > ]a; b] = {x ∈ R/a < x ≤ b} est appelé intervalle semi-ouvert ou semi-fermé (à gauche).
– > [a; b[= {x ∈ R/a ≤ x < b} est appelé intervalle semi-ouvert ou semi-fermé (à droite).

7
1.2.2 Opérations sur les ensembles
a- Union d’ensembles
On appelle union de deux ensembles A et B et on note A ∪ B, l’ensemble des éléments qui
appartiennent à l’un au moins des ensembles A et B. C’est en fait la réunion des éléments de A
et de B. Ainsi, on appellera aussi A ∪ B la réunion de A et B.
On a A ∪ B = {x : x ∈ A ou x ∈ B}.

b- Intersection d’ensembles
On appelle intersection de deux ensembles A et B et on note A ∩ B, l’ensemble des éléments
qui appartiennent à la fois aux deux ensembles A et B. C’est en fait l’ensemble des éléments
communs à A et à B.
On a A ∩ B = {x : x ∈ A et x ∈ B}.

Si les parties A et B n’ont aucun élément commun, on dit que se sont deux ensembles disjoints.
Et on a : A ∩ B = ∅

c- Différence d’ensembles
On appelle différence de deux ensembles A et B et on note A \ B ou A − B, l’ensemble
des éléments qui appartiennent à l’ensemble A mais qui n’appartiennent pas à B. C’est en fait
l’ensemble des éléments de A privé des éléments de B.
On a A \ B = {x : x ∈ A et x ∈/ B}.
Lorsque A contient B alors A \ B est appelé complémentaire de partie B dans l’ensemble A
et on note aussi {B B
A ou { ou {(B) ou B.

Propriété 1.2.1. Soient A et B deux parties d’un ensemble E. On a les propriétés suivantes :
(i) Commutativité : A ∪ B = B ∪ A et A ∩ B = B ∩ A.
(ii) Associativité : (A ∪ B) ∪ C = A ∪ (B ∪ C) et (A ∩ B) ∩ C = A ∩ (B ∩ C).
(iii) Distributivité de l’une par rapport à l’autre :
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) et A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C).
(iv) Idenpotence : A ∪ A = A et A ∩ A = A.
(v) Absorption : Si A ⊆ B alors A ∩ B = A et A ∪ B = B. Ainsi (A ∪ B) ∩ A = A et
(A ∩ B) ∪ A = A.
Propriété 1.2.2. Soient A et B deux sous-ensembles de E. On a :
1- A ∩ B ⊆ A ⊆ A ∪ B et A ∩ B ⊆ B ⊆ A ∪ B.
2- Dans le cas où E est fini on a le théorème des quatre cardinaux suivant :
card(A ∪ B) + card(A ∩ B) = card(A) + card(B). (Ce résultat est très utilisé en probabilité-
statistique).
3- A = {({(A)) = A, {E E = ∅, {∅E = E., A ∪ {A A
E = E et A ∩ {E = ∅.

Définition 1.2.3. 1. On appelle produit cartésien d’un ensemble E et d’un ensemble F l’en-
semble noté E × F des couples (x, y) tels que x ∈ E et y ∈ F . On a : E × F = {(x, y)/x ∈
E et y ∈ F }.
2. Si E = F , alors E × F = E × E = E 2 .
3. On définit de même le produit cartésien de E1 , E2 , ..., En par

E1 × E2 × ... × En = {(x1 , x2 , ..., xn )/x1 ∈ E1 , x2 ∈ E2 , ..., xn ∈ En }

√
Exemple 1.2.4. (1; −24) ∈ N × Z, ( 2, π) ∈ R2 .
Soient E = {1; 5; a} et F = {2; 7}. On a : E × F = {(1; 2), (1; 7), (5; 2), (5; 7), (a; 2), (a; 7)}.

8
Théorème 1.2.1. Si E et F sont deux ensembles finis et dénombrables (c’est à dire dont les
éléments sont en nombre finis et on peut les compter), alors E × F est aussi fini et dénombrable.
On a card(E × F ) = card(E)card(F ) où card(A) est le nombre d’éléments de l’ensemble A.

Représenter E × F c’est représenter l’ensemble des couples (x; y) dans un repère à deux axes.

Exemple 1.2.5. Soit E = {1, 2, 3, 4} et F = {a, b, c, d, e} . Dessiner l’ensemble E × F en repré-

sentant chaque élément de E × F par un point du produit cartésien.

1.3 Relations
1.3.1 Relations
a- Définitions
Toute propriété R susceptible d’être vérifiée par deux éléments x et y d’un ensemble définie
une relation binaire dans cet ensemble. Dans ce cas x et y sont dits être en relation R et on
note xRy.

Définition 1.3.1. Soient E un ensemble et R une relation binaire sur E. On dit que R est :
i reflexive si pour tout x ∈ E, xRx.
ii symétrique si pour tous x ∈ E et y ∈ E on a : xRy ⇒ yRx.
iii antisymétrique si pour tous x ∈ E et y ∈ E on a : (xRy et yRx) ⇒ (x = y).
iv transitive si pour tous x ∈ E, y ∈ E et z ∈ E on a : xRy et yRz ⇒ xRz.

b- Relation d’équivalence
Définition 1.3.2. Une relation R définie dans un ensemble E est dite relation d’équivalence
si elle est à la fois reflexive, symétrique et transitive.
Deux éléments x et y de l’ensemble E liés par la relation d’équivalence R sont dits équivalents
par R.
Si R est une relation d’équivalence définie sur E un ensemble, alors on appelle classe d’équi-
valence d’un élément x, l’ensemble de tous les éléments de E en relation R avec x. On la note ẋ
ou Cx ou x et on a : ẋ = {y ∈ E : yRx}.

9
Exemple 1.3.1. Considérons la relation définie par le diagramme suivant :

La relation ainsi définie est une relation d’équivalente. On a : ȧ = {a}, f˙ = {d, e, f }, ḃ = {b, c}
et ġ = {g}.

c- Relation d’ordre
Une relation binaire R sur E est dite relation d’ordre au sens stricte si elle est à la fois
reflexive, antisymétrique et transitive.
Deux éléments qui sont en relation par une relation d’ordre sont dits comparables.

En général, une relation d’ordre sera notée ≤. On dira alors que (E, ≤) est un ensemble ordonné.
Ainsi, pour tout x, y ∈ E, "x ≤ y" se lit "x est inférieur ou égal à y" ou "x est plus petit que
y".
Si x ≤ y et x 6= y, on écrit x < y et on dit que "x est strictement inférieur à y" ou "y est
strictement supérieur à x".
Soit (E, ≤) un ensemble ordonné. Alors les deux éléments x et y de E sont comparables si :
x ≤ y ou y ≤ x.
Définition 1.3.3. Si deux éléments quelconque de E sont comparables, on dit que la relation
d’ordre ≤ est une relation d’ordre total. (E, ≤) est alors dit totalement ordonnée. Dans le cas
contraire on dit que ≤ est une relation d’ordre partiel et (E, ≤) est partiellement ordonné.
Exemple 1.3.2. 1.
2. Soit E un ensemble, la relation d’inclusion est une relation d’ordre partiel(en général) entre
les éléments de l’ensemble P(E) des parties de E. On dit que P(E) est partiellement ordonné
pour l’inclusion.
3. Dans R, Q, Z, N, l’ordre usuel est un ordre total.
Définition 1.3.4. Soient (E, ≤) un ensemble ordonné et A une partie non vide de E.
1. On dit qu’un élément a ∈ E est un majorant (resp un minorant) de A, si x ≤ a (resp.
≤ x) pour tout x ∈ A.
2. On dit qu’un élément a ∈ E est un plus grand (resp. un plus petit) élément de A, si a ∈ A
et si a est un majorant (resp. minorant) de A.
3. On dit que A est majorée (resp. minorée) si A admet des majorants (resp. des minorants).
Si A est majorée et minorée, on dit alors que A est une partie bornée.
Définition 1.3.5. (i) Soit (E, ≤) un ensemble ordonné. S’il existe un élément a ∈ E tel que la
relation a ≤ x entraîne a = x (resp. la relation x ≤ a entraîne x = a) pour tout x ∈ E, on
dit que alors a est un élément maximal (resp. minimal) de E.
(ii) On dit qu’un élément de E est extrémal s’il est soit maximal soit minimal.
Définition 1.3.6. S’il existe, le plus grand des minorants (resp. le plus petit des majorants) d’une
partie A est appelé borne inférieure (resp. borne supérieure) de A et on note inf(A) (resp.
sup(A)).

10
1.4 Applications
Considérons deux ensembles E et F . On peut définir une relation R de E vers F .

Définition 1.4.1. 1.
2. Si une relation R est telle qu’à chaque élément de l’ensemble de départ (source) E est associé
zéro ou un élément de l’ensemble d’arrivé (but ou objectif ou ensemble des valeurs) F ,
on dit que c’est une fonction. Ainsi
3. Une fonction d’un ensemble E dans un ensemble F (ou de E vers F ) est une correspon-
dance, qui à tout élément x de E associe au plus un élément y de l’ensemble F. Par
contre
4. Une application d’un ensemble E dans un ensemble F (ou de E vers F ) est une corres-
pondance, qui à tout élément x de E associe un élément et un seul y de l’ensemble F.
Autrement dit une application est une fonction dans laquelle à chaque élément x de la source
E on fait correspondre exactement un élément y de l’objectif F .

Remarque 1.4.1. 1. Toutes les fonctions sont des relations, mais toutes les relations ne sont
pas des fonctions
2. On notera généralement une fonction par une lettre minuscule : f ou g ou h etc..
3. Si l’application f associe à l’élément x de l’ensemble de départ E, l’élément y de l’ensemble
d’arrivée F , on écrit :
f : E −→ F
x 7−→ y = f (x)
l’élément y est alors appelé image de x par f par conséquent x est un antécédent de y par
f . Ainsi un élément x de l’ensemble de départ admet au plus une image.

Définition 1.4.2. On définit la somme, la différence, le produit et le quotient de deux applications

f (x) et g(x) de la manière suivante :
• Somme de deux applications : (f + g)(x) = f (x) + g(x).
• Différence de deux applications : (f − g)(x) = f (x) − g(x).
• Produit de deux applications : (f g)(x)
  = f (x)g(x).
f f (x)
• Quotient de deux applications : (x) = où g(x) 6= 0.
g g(x)
Définition 1.4.3. Soient trois ensembles E, F et G et deux applications f définie de E dans F
et g définie de F dans G. L’application h de E dans G qui à tout x associe h(x) = g(f (x)) est
appelée composée de l’application f par l’application g ou produit de composition de f et de g. On
a:
E −→ F −→ G
x 7−→ f (x) = y 7−→ g(y) = g(f (x)) = h(x)
L’application h est notée g ◦ f .

Exemple 1.4.1. 1.
2. Dans un supermarché, à tout article on associe un prix. Ainsi on définit une correspondance
prix-article. Notons f celle-ci. Pour un article x ∈ E (E étant l’ensemble des articles du
supermarché), on a la valeur unique f (x) ∈ F de son prix (F étant l’ensemble des prix). On
a:
f : E −→ F
x 7−→ f (x)
3. Le comportement d’un produit commercial sur le marché en fonction d’un facteur économique
donné définit une fonction.

11
 4. Considérons les applications pour tout x ∈ R, f (x) = 3x et g(x) = 2x + 1. Les applications
g ◦ f et f ◦ g sont définies pour tout x ∈ R, par : (g ◦ f )(x) = g(f (x)) = 2f (x) + 1 =
2(3x) + 1 = 6x + 1 et (f ◦ g)(x) = f (g(x)) = 3g(x) = 3(2x + 1) = 6x + 3.
Donc pour tout x ∈ R, (g ◦ f )(x) = 6x + 1 et (f ◦ g)(x) = 6x + 3.
Ainsi, en général g ◦ f 6= f ◦ g.
Exemple 1.4.2. 1. On appelle fonction identité ou application identité d’un ensemble E, et
on note IdE ou 1E , l’application qui a tout x ∈ E fait correspondre x lui-même. Donc
IdE (x) = x, ∀x ∈ E.
2. On dit qu’une application f : E −→ F est constante si l’on a : f (x) = f (y), ∀x, y ∈ E.
3. Soient f : E −→ F et g : E 0 −→ F 0 deux applications. On dit que ces applications sont
égales si les trois conditions suivantes sont vérifiées : E = E 0 ; F = F 0 et pour tout x ∈ E =
E 0 , f (x) = g(x)
4. Soit f une application et soit A une partie de E. On appelle restriction de f à A et on note
f|A , la application h de A dans F telle que h(x) = f (x) pour tout x ∈ A.
Inversement, étant données deux applications f : E −→ F et g : E 0 −→ F 0 , on dit que f est
un prolongement de g, si l’on a : E 0 ⊂ E , F 0 ⊂ F et f (x) = g(x) pour tout x ∈ E 0 .
5. Soit E un ensemble.
 On appelle fonction caractéristique de E, la fonction notée χE définie
1 si x ∈ E
par : χE (x) =
0 si x ∈ /E

1.4.1 Applications injectives, surjectives, bijectives

Soient E et F deux ensembles et f une application de E dans F .
Définition 1.4.4. 1. On dit que f est injective (ou est une injection) si
∀x, y ∈ E, la relation f (x) = f (y) entraîne x = y.
Ou encore si ∀x, y ∈ E, x 6= y =⇒ f (x) 6= f (y).
Autrement dit f est injective sur E si tout élément z ∈ F admet s’il existe, un antécédent
unique x dans E.

2. On dit que f est surjective (ou est une surjection) si

∀y ∈ F , il existe au moins un x ∈ E tel que f (x) = y.
Autrement dit f est surjective si tout élément z ∈ F admet au moins un antécédent x dans
E.

12
 3. On dit que f est bijective (ou est une bijection) si
∀y ∈ F , il existe un unique x ∈ E tel que f (x) = y.
Autrement dit f est bijective si tout élément z ∈ F admet un et un seul antécédent x dans
E. En d’autres termes, f est bijective si f est à la fois injective et surjective.

Exemple 1.4.3. 1. Soit A une partie d’un ensemble E. L’application

j : A −→ E
est une injection.
x 7−→ x
2. L’application définie sur R par : f (x) = 2x + 3 est une bijection.
Définition 1.4.5. Soient E et F deux ensembles et f : E −→ F une application. On dit que f
est inversible s’il existe une application g : F −→ E telle que g ◦ f = IdE et f ◦ g = IdF .
Théorème 1.4.1. Soit f : E −→ F une application d’un ensemble E dans l’ensemble F . Pour
que f soit inversible, il faut et il suffit qu’elle soit bijective.
Définition 1.4.6. Toute application f : E −→ F bijective admet un inverse appelé réciproque
noté f −1 .
Théorème 1.4.2. Soient deux applications f : E −→ F et g : F −→ G
1. - Si g ◦ f est une application injective alors f est une application injective.
- Si g ◦ f est une application surjective alors g est une application surjective.
- Si g ◦ f est une application bijective alors f et g sont bijectives d’un ensemble E dans
l’ensemble F . Pour que f soit inversible, il faut et il suffit qu’elle soit bijective.
2. En revanche si f et g sont injectives (resp. surjectives) il en est de même pour g ◦ f . Si f
et g sont bijectives, alors g ◦ f est bijective et on a ; (g ◦ f )−1 = f −1 ◦ g −1
3. Si f est bijective, alors f −1 est bijective et on a : (f −1 )−1 = f .

1.4.2 Images directes et Images réciproques

Définition 1.4.7. Soient E et F deux ensembles, f : E −→ F une application, A ⊂ E et B ⊂ F .
(i) On appelle image directe de A par f et on note f (A) l’ensemble {f (x) ∈ F : x ∈ A} ou
encore {y ∈ F : ∃x ∈ A tel que f (x) = y}.
(ii) On appelle image réciproque de B par f et on note f −1 (B) l’ensemble des x ∈ E tels que
f (x) ∈ B. On a : f −1 (B) = {x ∈ E : f (x) ∈ B}
L’image f (E) de E par f s’appelle l’image de f et se note Im(f ).
Remarque 1.4.2. La notation f −1 (B) sauf mention expresse, ne signifie nullement que l’ap-
plication réciproque de f existe : il s’agit simplement d’une notation abusive, on a : f (∅) = ∅ ;
f −1 (∅) = ∅ et f −1 (F ) = E.
Proposition 1.4.1. Soient E et F deux ensembles et f : E −→ F une application. On a :
A ⊂ f −1 (f (A)) pour toute partie A de E et f (f −1 (B)) ⊂ B pour toute partie B de F .

13
Théorème 1.4.3. Soit f : E −→ F une application
1. Soient A et A0 deux parties de E.
(a) Si A ⊂ A0 alors f (A) ⊂ f (A0 ).
(b) si A et A0 sont quelconques, on a :
f (A) ∪ A0 ) = f (A) ∪ f (A0 ).
f (A ∩ A0 ) ⊂ f (A) ∩ f (A0 ) avec égalité si f est injective.
2. Soient B et B 0 deux parties de F .
(a) Si B ⊂ B 0 alors f −1 (B) ⊂ f −1 (B 0 ).
(b) si B et B 0 sont quelconques, on a :
f −1 (B) ∪ B 0 ) = f −1 (B) ∪ f −1 (B 0 ).
f −1 (B ∩ B 0 ) = f −1 (B) ∩ f −1 (B 0 )
f −1 (B)
(c) f −1 {B


F = {F

Définition 1.4.8. Soient f : E −→ F une application et A une partie de E On appelle borne

supérieure (resp. borne inférieure) de f dans A la borne supérieure (resp. inférieure) dans F (si
elle existe) de l’ensemble f (A). On le note sup(f (x)) (resp. inf (f (x)).
x∈A x∈A

Définition 1.4.9. Soient f : E −→ F une application.

1. On dit que f est croissante (resp. strictement croissante) si la relation x ≤ y dans E entraîne
f (x) ≤ f (y) (resp. f (x) < f (y)) dans F .
2. On dit que f est décroissante (resp. strictement décroissante) si la relation x ≤ y dans E
entraîne f (x) ≥ f (y) (resp. f (x) > f (y)) dans F .
3. f est monotone (resp. strictement monotone) sur E si f est croissante ou décroissante (resp.
strictement croissante ou strictement décroissante).
Définition 1.4.10. Soit f une application de E dans F . On appelle graphe de f , l’ensemble noté
Gr (f ) défini par :
Gr (f ) = {(x; f (x))/x ∈ E}.
Remarque 1.4.3. Il est claire que Gr (f ) ∈ E × F . En effet, si x ∈ E alors f (x) ∈ F .

1.5 Représentation graphique des fonctions

1.5.1 Représentation des droites
- Dans R2 , un point A(x; y) appartient à une droite si x et y vérifient une relation de la
forme : ax + by + c = 0 où a, b, c ∈ R et ne sont pas tous les deux nuls à la fois.
a
- Si b 6= 0, le coefficient − est appelé coefficient directeur de la droite. Ce coefficient
b
détermine la pente de la droite par rapport à la droite (ox) : y = 0 appelée axe des abscisse.
dans ce cas ( c’est à dire si b 6= 0), l’équation ax + by + c = 0 peut se mettre sous la forme :
a c
y = αx + β. Pour cela, il suffit que α = − et β = − .
b b
- La droite (oy) d’équation (oy) : x = 0 est appelée axe des ordonnées.
- On appelle équation paramétrique ou représentation paramétrique d’une droite les équation
suivantes : 
x = λ1 t + β1
y = λ2 t + β2
où t ∈ R.

14
Remarque 1.5.1. L’équation y = ax + b (où a et b ne sont tous les deux nuls à la fois) est une
équation de droite ; mais cette équation ne peut représenter toutes les droites du plan. C’est le cas
des droites d’équation x = α. En effet, aucune valeur de a et de b ne nous conduit aux équations
de droite de la forme x = α.
Pour représenter une droite, il suffit de connaître les coordonnées de deux de ses points (Car
par deux points passent une et une seule droite).

- Deux droites dans le plan sont soit parallèles soit sécantes.

a
- Elles sont parallèles si − (appelé pente de la droite) est le même pour les deux droites et
b
c (appelé aussi l’ordonnée à l’origine) est différent pour les deux droites. Elles se confondent
si a, b et c sont les mêmes pour les deux droites.
- Dans tout autre cas, les deux droites se coupent en un point (x; y) qui doit satisfaire les deux
equations simultanément. Par consequent, on trouve les coordonnées du point d’intersection
en résolvant le système d’equations linéaires forme par les equations des deux droites. Si
les deux droites sont parallèles, il n’y a pas de solution au système (les deux droites ne se
coupent pas), et si les deux droites sont confondues, il y a une infinite de solutions (chaque
point de la droite est solution). En général, on peut résoudre un système d’équations linéaires
par élimination ou par substitution .
Soient a1 x + b1 y + c1 = 0 et a2 x + b2 y + c2 = 0 deux équations
 de droites. Soit M (x0 , y0 ) un
a1 x 0 + b 1 y 0 + c 1 = 0
point d’intersection, alors x et y vérifient le système suivant :
a2 x 0 + b 2 y 0 + c 2 = 0
Exemple 1.5.1. La demande de montres est de 10 unités si le prix est égal a 160 francs et elle
est de 20 unités si le prix est égal a 120 francs. Nous allons calculer l’inéquation de la demande.
Nous avons deux points (10; 160) et (20; 120). Nous substituons les coordonnées de ces points dans
l’équation
 générale d’une droite pour obtenir un système de deux équations à deux inconnues (a et
160 = 10a + b
b) :
120 = 20a + b
On trouve : b = 200 et a = −4. Ainsi si x représente la quantité et y le prix alors l’équation
recherchée est y = −4x + 200
Exemple 1.5.2. Quand le prix est de 100 francs, le nombre d’appareils photos de la marque
CIDD offerts sur le marche est 50 et quand le prix est de 150 francs, le nombre d’appareils photos
offerts est 100. Nous allons calculer l’équation de l’offre. Nous avons les deux points (50; 100) et
(100; 150). Nous substituons les
 coordonnées de ces points dans l’équation générale y = ax + b et
100 = 50a + b
obtenons le système suivant :
150 = 100a + b
On obtient finalement : a = 1 et b = 50. Donc l’équation recherchée est y = x + 50

y = ex
On parle d’équilibre du marché quand les fonctions de demande et de l’offre se coupent dans
le premier quadrant. En ce point, la quantité demandée est égale a la quantité offerte. Donc la
quantité à l’équilibre et le prix d’équilibre sont donnés par les coordonnées du point d’intersection
des deux droites (demande et offre).

15
Exemple 1.5.3. Cherchons l’équilibre du marche pour les fonctions d’offre et de demande sui-
vantes :
offre : y = 12 x + l
demande : y = −2x + 6
y0 = 21 x0 + l

Supposons que l’équilibre est atteint au point (x0 ; y0 ), donc on a le système suivant :
y0 = −2x0 + 6
En résolvant par la méthode de substitution, on obtient le point d’équilibre Ω = (2; 2).

1.5.2 Représentation d’une parabole

Soient a, b, c ∈ R tels que a 6= 0. Soit f (x) = ax2 + bx + c une fonction. La représentation
graphique de f donne une parabole. Il est à remarquer que toute parabole n’est pas représentation
graphique d’un polynôme de seconde degré.
Selon le signe de a, on distingue deux types de représentation d’une parabole.
Si a est négatif, alors la parabole est tournée vers le bas.
Si a est positif, alors la parabole est tournée vers le haut.
Exemple 1.5.4. La représentation graphique de f est
(a) f (x) = x2 + x + 1

(b) f (x) = −x2 + x + 5

1.5.3 Représentation d’une hyperbole

a
Les fonctions de la forme f (x) = ont pour représentation des hyperbole. On a les cas
x
suivants :
2
Exemple 1.5.5. (a) f (x) =
x

16
 −3
(b) f (x) =
x
1
Exemple 1.5.6. f (x) = x2

1.5.4 Représentation d’une fonction puissance

On appelle fonction puissance une fonction de la forme f (x) = xa , où a ∈ R. Il n’y a pas une
forme prédéfinie pour ces fonctions. On présente quelques exemples selon les valeurs de a.
√
3 2
Exemple 1.5.7. 1. f (x) = x2 ; ici a =
3

√ 1
2. f (x) = 3
x ; ici a =
3

√ 1
3. f (x) = x ; ici a =
2

17
1.5.5 Représentation d’une fonction exponentielle et logarithme
On appelle fonction exponentielle base a, la fonction y = ax où a > 0 et a 6= 1. La fonction
réciproque de y = ax est appelée fonction logarithmique base a et se note y = loga (x), où a > 0,
a 6= 1 et x > 0. Puisque l’ensemble des valeurs de la fonction exponentielle base a est 0 < y < +∞,
la fonction logarithmique ne peut être définie que pour les valeurs positives de l’argument et
admet ainsi pour domaine de définition 0 < x < +∞, c’est-a-dire R∗+ . L’indice a dans log indique
que le logarithme est pris en base a. En pratique, les bases usitées sont la base 10 et la base e
(logarithme népérien ou logarithme naturel, e ∼ = 2.7182). C’est pourquoi le logarithme en base 10
s’écrit simplement log(x) et le logarithme naturel se note ln(x).

Exemple 1.5.8. On a les représentations les fonctions exponentielles et logarithmiques pour dif-
férentes types de base :
1
1. Dans le cas où 0 < a < 1, prenons a = . On a donc pour la fonction : f (x) = ( 21 )x la
2
représentation suivante :

2. Dans le cas où 1 < a, prenons a = 2. On a donc pour la fonction : f (x) = 2x la représentation

suivante :

1.5.6 Représentation d’une fonction hyperbolique

1.5.7 Représentation d’une fonction trigonométrique

18
Chapitre 2

Structures Algébriques

2.1 Loi de composition

2.1.1 Définitions-exemples
Définition : Soit un ensemble donné, toute application de E × E dans E définie une loi de
composition interne dans E.
Un ensemble muni d’une loi de composition interne s’appelle un magma.
Notations : On note de plusieurs manières les lois de composition. Voici quelques notations
utilisées fréquemment.
(x, y) 7−→ x + y ; (x, y) 7−→ x ∗ y ; (x, y) 7−→ xT y ; (x, y) 7−→ x.y ; (x, y) 7−→ x ⊥ y.
Exemples :
1) Dans R, l’addition (x, y) 7−→ x + y et la soustraction (x, y) 7−→ x − y sont des lois de
composition internes.
2) Soit E, un ensemble Dans P(E) ; (A, B) 7−→ A ∪ B et (A, B) 7−→ A ∩ B sont des lois de
composition internes.
Définition : Soit E et A deux ensembles donnés.
On appelle loi de composition externe dans E admettant A comme champ d’opérateur, toute
application de A × E −→ E.
Exemple : En géométrie Euclidienne, on envisage le produit → −u d’un vecteur libre →−
v par un
→
−
nombre relatif k on écrit u = k v .→
−

Propriétés
Une loi de composition interne ∗ sur E est :
− bassociative si ∀x, y, z ∈ E, (x ∗ y) ∗ z = x ∗ (y ∗ z) ;
− commutative si ∀x, y ∈ E, x ∗ y = y ∗ x ; 
x ∗ (y ⊥ z) = (x ∗ y) ⊥ (x ∗ z) (à gauche)
− distributive par rapport à la loi ⊥ si ∀x, y, z ∈ E, .
(y ⊥ z) ∗ x = (y ∗ x) ⊥ (z ∗ x) (à droite)
Définition : Soit E un ensemble muni d’une loi  de composition interne ∗. On dit que e est un
e ∗ x = x (élément neutre à gauche)
élément neutre pour la loi ∗, si pour tout x ∈ E, .
x ∗ e = x (élément neutre à droite)
On dira alors que (E, ∗) est unifère.
Définition : Soit (E, T ) un magma. On dit qu’un élément a ∈ E est régilière (ou simplifiable)
à gauche (resp. à droite) si aT x = aT y =⇒ x = y (resp. xT a = yT a =⇒ x = y).
Définition : Soit (E, ∗) un magma d’élément neutre e. On appelle élément symétrique à gauche
(resp. élément symétrique à droite) d’un élément x ∈ E, tout élément y ∈ E tel que l’on ait :
yT x = e (resp. xT y = e).
On appelle élément symétrique de x ∈ E, tout élément y ∈ E tel que yT x = xT y = e. On le
note x−1 ou x0 .

19
 On dit que x est symétrisable s’il admet un élément symétrique.
Propriété : Soit (E, T ) un magma associative unifère. Si deux éléments x et y sont symétri-
sables, il en ait de même de xT y et son élément symétrique est (xT y)−1 = y −1 T x−1 .

2.2 Structures algébriques

2.2.1 Groupes
On appelle groupe, un ensemble G muni d’une loi de composition interne (x, y) 7−→ x ∗ y
possédant les propriétés suivantes :
(i) elle est associative : ∀x, y, z ∈ G, (x ∗ y) ∗ z = x ∗ (y ∗ z) ;
(ii) elle admet un élément neutre e ∈ G ;
(iii) tout élément de G admet un élément symétrique : ∀x, y ∈ G, ∃x0 ∈ G tel que x ∗ x0 =
x0 ∗ x = e.
Si de plus la loi de composition ∗ est commutative, alors le groupe est dit commutatif ou
abélien.
Exemple : (R, +) est un groupe abélien.
Définition : Soit f : G −→ H, où G et H sont deux groupes. f est appelée un morphisme
ou un homomorphisme. Si f est bijective alors f est un isomorphisme ; si G = H alors f est un
endomorphisme ; si en plus f est bijective alors f est un automorphisme.
Exercice 1 : (G, ∗) est un groupe non commutatif d’élément neutre e dans lequel on notera
0
x le symétrique de x, e un élément de l’ensemble et a ∈ G.
On définit la loi T par :
xT y = x ∗ a ∗ y ; ∀x, y ∈ G.
Montrer que (G, T ) est un groupe.
Exercice 2 : Soient E l’ensemble des nombres pairs, F l’ensemble des nombres impairs. On
considère l’addition + et la multiplication × dans Z.
1) Dire si la loi + est une loi de composition interne sur E, et sur F.
2) Dire si la loi × est une loi de composition interne sur E, et sur F.
3) Dire si (E; +) ; (E; ×) ; (F ; +) ; (F ; ×) sont des groupes.
Définition : Soit (G, ⊥), un groupe. A ⊂ G est un sous groupe si :
− ∀x, y ∈ A ; x ⊥ y ∈ A ;
− ∀x ∈ A ; x0 = sym(x) ∈ A.

2.2.2 Anneaux
Définition Soit A muni de deux lois de composition internes ⊥ et ∗. On dit que (A; ⊥; ∗) est
un anneau si :
(1) (A; ⊥) est un groupe abélien ;
(2) la loi ∗ est associative sur A ;
(3) la loi ∗ est distributive sur A par rapport à la loi ⊥ .
Quand, en outre la loi ∗
→ est commutative, on dit que l’anneau (A; ⊥; ∗) est commutatif ;
→ possède un élément neutre e0 , on dit que l’anneau (A; ⊥; ∗) est unitaire.
Exemple : l’ensemble (Z; +; ×) est un anneau commutatif.

Idéal Définition : Soit (A; ⊥; ∗) un anneau et I une partie de A. On dit que I est un idéal à
gauche (resp. à droite) de A si :
(i) (I; ⊥) est un sous groupe de (A; ⊥).
(ii) ∀a ∈ A et ∀x ∈ I, on a a ∗ x ∈ I (resp. x ∗ a ∈ I).

20
 Remarque : On dit que I est un idéal ssi I est un idéal à gauche et à droite.
Exercice d’application : On considère un sous-ensemble de Z, noté 3Z = {x ∈ Z/∃p ∈ Z et x = 3p} .
On montre que 3Z est un idéal de Z.
On sait que (Z; +; ×) = (Z; +; .) est un anneau commutatif.
Soit x, y ∈ 3Z. Alors ∃p ∈ Z, ∃q ∈ Z tels que x = 3p et y = 3q ;
(1) =⇒ x + y = 3p + 3q = 3(p + q) ∈ 3Z. D’où x + y ∈ 3Z, ∀x, y ∈ 3Z.
(2) x = 3p =⇒ −x = −3p = sym(x) ∈ 3Z car si on pose m = −p on a : −x = 3m, où m ∈ Z.
(3) x ∈ 3Z, a ∈ 3Z, ∃p ∈ Z tel que x = 3p et ax = a3p = 3ap = 3k ∈ 3Z, où k = ap ∈ Z.
D’où ax ∈ 3Z. comme (Z; +; .) est un anneau commutatif alors a.x = x.a ∈ 3Z.
Par conséquent 3Z est un idéal.

2.2.3 Corps
Définition : On dit que l’ensemble (K; ⊥; ∗) est une structure de corps si :
(i) l’ensemble (K; ⊥; ∗) est un anneau unitaire ;
(ii) tout élément de K, sauf peut-être l’élément neutre pour la loi ⊥, possède un élément
symétrique pour la loi ∗.
Quand la loui ∗ est commutative, alors on dit que le corps (K; ⊥; ∗) est commutatif.
Exemple : Les ensembles (Q; +; .) et (R; +; .) sont des corps commutatifs.
→ Montrons que (R; +, .) est un corps.
(i) On sait que (R; +) est un groupe abélien, 0 est l’élément neutre.
1
(ii) Soit x ∈ R − {0} . On a x.y = 1 =⇒ x−1 x.y = y = x−1 =⇒ y = x−1 = ∈ R∗ . Donc tout
x
x ∈ R∗ admet un symétrique dans (R; .) .
D’où (R; +, .) est un corps.

2.3 Applications-Nombres complexes

Naissance des nombres complexes
− L’équation x + a = 1, où a ∈ N n’a pas de solution dans N. On a alors construit l’anneau
Z, comprenant N et toutes les solutions de cette équation pour a ∈ N.
− Résoudre dans Z l’équation ax + 3 = b, où a ∈ Z∗ et b ∈ Z n’a pas de solution dans Z. On
alors construit le corps (Q; +; .) des rationnelles contenant Z et les solutions des équations de la
forme de ax + b = c, où (a, b, c) ∈ Z∗ × Z × Z.
− Résoudre l’équation x2 = 2 n’a pas de solution dans Q =⇒ le corps R des réels contenant
Q et les solutions de l’équation x2 = a, où a ≥ 0.
− Résoudre l’équation x2 = −1 n’a pas de solution dans R. Nous allons maintenant construire
un corps contenant R et les solutions des équations x2 = −a, où a ≥ 0.

2.3.1 Problème
Soit R2 muni de deux lois : l’addition + et la multiplication ×. On a : (R2 ; +; ×) tels que :
+ : R2 × R2 −→ R
((a, b) , (a , b )) 7−→ (a, b) + (a0 , b0 ) = (a + a0 , b + b0 )
0 0

× : R2 × R2 −→ R
((a, b) , (a0 , b0 )) 7−→ (a, b) × (a0 , b0 ) = (aa0 − bb0 , a0 b + ab0 )
∗ On montre que (R2 ; +) est :
− associatif : Soient (a, b) , (a0 , b0 ) , (a00 , b00 ) ∈ R2 , on a :
[(a, b) , (a0 , b0 )] + (a00 , b00 ) = (a + a0 , b + b0 ) + (a00 , b00 )
= (a + a0 + a00 , b + b0 + b00 )

21
 = (a + (a0 + a00 ), b + (b0 + b00 ))
= (a, b) + (a0 + a00 , b0 + b00 )
= (a, b) + [(a0 , b0 ) + (a00 , b00 )] .
D’où l’associativité de (R2 ; +) .
− L’élément neutre par rapport à l’addition + est (0, 0) .
En effet, ∀ (a, b) ∈ R, (a, b) + (0, 0) = (0, 0) + (a, b) = (a, b) .
− Soit (a, b) , (x, y) ∈ R tels que (a, b)+(x, y) = (0, 0) ⇐⇒ (a + x, b + y) = (0, 0) ⇐⇒ a+x = 0
et b + y = 0 ⇐⇒ x = −a et y = −b.
D’où (−a, −b) = − (a, b) est le symétrique de (a, b) . Par suite (R2 ; +) est un groupe.
∗ On montre que la loi × est associative, distributive par rapport à l’addition. Elle admet un
élément neutre et est commutative.
→ Cherchons l’élément neutre par rapport à la multiplication × dans R2 :
Soit (x, y) l’élément neutre par rapport à la loi ×.
2
∀
(a, b) ∈ R − {(0, 0)} , on a : 
(a, b) × (x, y) = (a, b) (ax − by, xb + ay) = (a, b)
⇐⇒ ⇐⇒ (ax − by, bx + ay) = (a, b)
(x,y) × (a, b) = (a, b)  (xa − yb, ay + bx) = (a, b)
ax − by = a −abx + b2 y = −ab
⇐⇒ ⇐⇒ ⇐⇒ (a2 + b2 ) y = −ab + ba = 0 ⇐⇒ y = 0.
bx + ay = b abx + a2 y = ba
=⇒ ax = a, or (a, b) ∈ R2 − {(0, 0)} . Donc x = 1.
On montre que (1, 0) est l’unique élément neutre de (R2 ; ×) .
− Soit (a, b) 6= (0, 0) .
Cherchons (x, y) ∈ R2 − {(0, 0)} tel  que (a, b) × (x, y) = (1, 0) .
ax − by = 1
=⇒ (ax − by, bx + ay) = (1, 0) ⇐⇒
bx + ay = 0
a

 a (
 x= 2
x=− y − (a2 + b2 ) y = b

a + b2 .

=⇒  a  b ⇐⇒ a ⇐⇒
 a − y − by = 1 x=− y b
b  y=− 2

b a + b2
Or (a, b) 6= (0, 0) alors a 6= 0 et b 6= 0.
Donc y 6= 0 et x 6= 0 et (x, y) ∈ R2 .  
2 a b
D’où tout (a, b) ∈ R −{(0, 0)} admet un symétrique par rapport à × qui est ,− ∈
a2 + b 2 a2 + b 2
R2 − {(0, 0)} .
Soient (x, y) et (x0 , y 0 ) ∈ R2 .
(x, y) × (x0 , y 0 ) = (xx0 − yy 0 , xy 0 + yx0 ) = (x0 x − y 0 y, y 0 x + x0 y) = (x0 , y 0 ) × (x, y) .
D’où la loi × est commutative dans R2 .
Conclusion : L’ensemble (R2 ; +; ×) est un corps appelé corps des complexes.
Un couple (a, b) ∈ R2 est un nombre complexe. L’ensemble des nombres complexes est noté C.
R −→ R × {0} ⊂ R2
Propriété : L’application ϕ : est un isomorphisme (ie : un morphisme
x 7−→ ϕ(x) = (x, 0)
bijectif).
Conclusion : l’ensemble R des réels est donc isomorphe au sous-ensemble R × {0} de R2 des
nombres complexes. Ainsi tout nombre réel x est identifié au nombre complexe (x, 0) .
On pose x = (x, 0) .
Par contre on a : (0, 1) × (0, 1) = (−1, 0) = −1 = (0, 1)2 .
On note i = (0, 1) donc i2 = −1.
Théorème : Tout nombre complexe z = (a, b) s’écrit sous la forme a + ib, où i2 = −1.
Preuve :
Soit (a, b) ∈ R2 , on a : (a, b) = (a, 0) + (0, b) = a(1, 0) + b(0, 1)
(a, b) = a.1 + b.i = a + ib, où i2 = (0, 1)2 = −1.
On remarque que i est solution de l’équation x2 = −1.

22
 Définition : pour tout nombre complexe z = (a, b) = a + ib, a est la partie réelle et vest notée
a = Re(z) et b est la partie imaginaire et on note b = Im(z).

Propriétés des nombres complexes

On considère z = a + ib et z 0 = a0 + ib0 (a, b, a0 et b0 étant des nombres réels) deux nombres
complexes.
∗ La somme des deux nombres complexes z et z 0 est le nombre complexe z+z 0 = a+a0 +i(b+b0 ).
∗ La différence des deux nombres complexes z et z 0 est le nombre complexe z − z 0 = a − a0 +
i(b − b0 ).
∗ Le produit des deux nombres complexes z et z 0 est le nombre complexe zz 0 = aa0 − bb0 +
i(a b + ab0 ).
0

∗ Le conjugué du nombre complexe z = a + ib est nombre complexe, noté z tel que z = a − ib.
On a :
z z 1 1
z + z 0 = z + z 0 ; z.z 0 = z.z 0 ; ( 0 ) = 0 et ( ) = .
z z z z
Définition : Dans un plan rapporté à un repère orthonormé, tout nombre complexe z = a+ib
a


(a et b étant des nombres réels) peut être représenté par un point M b . Ce plan est appelé plan
C −→ R2

complexe. L’application f : est bijective et M est l’image de z (ou z est l’affixe de
z 7−→ M ab
M ).

√
On a : OM 2 + OH 2 + OQ2 ⇐⇒ r2 = a2 + b2 ⇐⇒ r = a2 + b2 .
r = |z|est le module de z = a + ib. r est un nombre réel positif.
OH = a = r cos θ
On a .
OQ = B = r sin θ
Donc z = a + ib = r cos θ + ir sin θ =⇒ z = r(cos θ + i sin θ) est la forme trigonométrique de z.
L’angle (OH,\ OM ) = θ + 2kπ (k ∈ Z) est appelé argument de z.
Propriétés :
∗ Module

|z + z 0 | ≤ |z| + |z 0 | (Inégalité triangulaire).

|z.z 0 | ≤ |z| . |z 0 | ; |z n | = |z|n ; |z|2 = z.z.
z |z| 1 1
0
= 0 ; = .
z |z | z |z|
∗ Argument
Arg(zz 0 ) = Arg(z) + Arg(z 0 ) + 2kπ (k ∈ Z).
z
Arg( 0 ) = Arg(z) − Arg(z 0 ) + 2kπ (k ∈ Z).
z
1
Arg( ) = −Arg(z) + 2kπ (k ∈ Z).
z
Arg(z n ) = nArg(z) + 2kπ (k ∈ Z).
Arg(z) = −Arg(z) + 2kπ (k ∈ Z).
La formule de Moivre
On considère z = cos θ + i sin θ.
On a : |z| = 1 =⇒ z n = |z n | = 1.
z n = (cos θ + i sin θ)n = cos(nθ) + i sin(nθ).
iθ
On admet  que e iθ= cos−iθ θ + i sin θ est la forme exponentielle.
 cos θ = e + e

Donc iθ
2 −iθ (formule d’Euler).
 sin θ = e − e

2i

23
Chapitre 3

Polynômes - Fractions Rationnelles

3.1 Polynômes
3.1.1 Définitions
Soit K un sous-ensemble de C ou de R. On appelle polynôme à coefficients dans K toute
application définie par :
P : K −→ R
x 7−→ P (x) = an xn + an−1 xn−1 + ... + a1 x + a0
où n ∈ N∗ et an , an−1 , ..., a1 , a0 ∈ K sont donnés et appelés coefficients de P . Le polynôme P
peut se noté aussi P = (a0 , a1 , ..., an−1 , an ), ou P = (an )n .
On appelle valuation de P , le plus petit entier n0 tel que an0 6= 0. On la note val(P ) = n0 .
On appelle degré de P le plus grand entier k tel que ak 6= 0. On note deg(P ) = k.
L’ensemble des polynômes à coefficients dans K est noté K[x].

Exemple 3.1.1. la fonction P (x) = 4x5 + x2 − x3 est une fonction polynôme dont la valuation
est val(P ) = 2 et deg(P ) = 5.

3.1.2 Division Euclidienne

Théorème 3.1.1. Pour tous polynômes P et D où D 6= 0, il existe un couple de polynômes Q et
R vérifiant les conditions suivantes :
1. P = QD + R
2. deg(R) < deg(D).

Définition 3.1.1. Les polynômes Q et R définis dans le théorème précédent sont appelés respec-
tivement quotient et reste de la division Euclidienne.

Exercice 3.1.1. Trouver le reste R(x) de la division euclidienne des polynômes :

1- P (x) = x2 + x + 1 et D(x) = x + 1.
2- P (x) = 2x5 + 3x3 + x et D(x) = x2 + 1.

Solution 3.1.1. 1- On a P (x) = x2 + x + 1 = x(x + 1) + 1. Donc P (x) = xD(x) + 1. Comme

deg(D) = 1 et deg(1) = 0 alors il suffit de prendre R(x) = 1. On a bien P (x) = D(x)Q(x) + R(x)
et deg(R) < deg(D). Par conséquent le reste est : R(x) = 1 et le quotient est : Q(x) = x.

Définition 3.1.2. Dans la décomposition P = DQ + R si R = 0 alors on dit que D divise P ou

que P est divisible par D.

24
3.1.3 Division suivant les puissances croissantes de x
Définition 3.1.3. Pour effectuer la division euclidienne du polynôme P par le polynôme D, on
ordonne P et D suivant les puissances croissantes de x et on se donne un entier k.

Effectuer la division euclidienne suivant les puissances croissantes de x à l’ordre k de P (x)

par D(x), c’est trouver deux polynômes Q(x) et R(x) tels que

P (x) = D(x)Q(x) + xk+1 R(x)

avec deg(Q) < k.

Exemple 3.1.2. Soient P (x) = 3x4 − x3 − x + 2 et D(x) = x2 − 3x + 1. Déterminer le reste de

la division euclidienne de P (x) et D(x) suivant les puissances croissantes de x à l’ordre 2. On a :

2 −x −x3 +3x4 1 −3x +x2

−2 +6x −2x2 2 +5x +13x2
5x −2x2
−5x +15x2 −5x3
13x2 −6x3
−13x2 −39x3 +13x4
33x3 −10x4

Donc P (x) = 3x4 −x3 −x+2 = (x2 −3x+1)(13x2 +15x+2)+x3 (−10x+33). D’où R(x) = 10x+33
et Q(x) = 13x2 + 5x + 2 à l’ordre 2

3.1.4 Propriétés
La somme et le produit de deux polynômes P et Q sont des polynômes et on a :
deg(P +Q) = max(deg(P ); deg(Q)) ; deg(P Q) = deg(P )+deg(Q) ; val(P +Q) = min(val(P ); val(Q))
et val(P Q) = val(P ) + val(Q).

3.1.5 Décomposition d’un polynôme en facteurs

Proposition 3.1.1. Soit a ∈ K et P un polynôme à coefficients dans K pour que P (x) soit
divisible par x − a il faut et il suffit que P (a) = r(a) = 0. Autrement dit P (x) = (x − a)P1 (x) où
P1 (x) est un polynôme tel que deg(P1 ) = deg(P ) − 1.
Dans ce cas a est appelé racine ou zéro de P .

Théorème 3.1.2. P (x) est divisible par x − a si et seulement si a est une racine de l’équation
P (x) = 0.

Théorème 3.1.3. Si P (x) est divisible par x−a et x−b alors P (x) est divisible par (x−a)(x−b).

Théorème 3.1.4. 1- Soit P un polynôme de degré n. Pour que 1 soit une racine de P il faut et
il suffit la somme des coefficients de P soit nulle.
2- Soit P un polynôme de degré n. Pour que −1 soit une racine de P il faut et il suffit la
différence des coefficients affecté aux puissances paires de x d’une part et des coefficients affecté
aux puissances impaires de x d’autres part dans l’expression de P soit nulle.

Définition 3.1.4. Un nombre a est une racine d’ordre α (α ∈ N∗ ), d’un polynôme P si P est
divisible par (x − a)α mais pas divisible par (x − a)α+1 .

25
Exemple 3.1.3. Soit P (x) = x3 − 5x2 + 3x + 9 un polynôme. Déterminons les zéros de P . D’après
le théorème 3.1.4, on a : P (−1) = 0 car −1 − 5 − 3 + 9 = 0. Cela veut dire que x + 1 divise P .
Donc à l’aide de la division euclidienne de P par x + 1 on a :

x3 −5x2 +3x +9 x +1
−x3 −x2 x2 −6x + 9
−6x2 +3x
−6x2 +6x
9x +9
−9x −9
0

Le reste de la division est nul et on a : P (x) = (x2 − 6x + 9)(x + 1) = (x − 3)2 (x + 1).

Donc P est divisible par (x − 3)3 . D’où 3 est racine double de P .

Théorème 3.1.5. ( Formule de Taylor)

Soient P un polynôme de degré n et a ∈ C. On peut écrire le polynôme P suivant les puissances
de (x − a) sous la forme :

P (n) (a) P (n−1) (a) P 00 (a) P 0 (a)

P (x) = (x − a)n + (x − a)n−1 + ... + (x − a)2 + (x − a) + P (a)
n! (n − 1)! 2! 1!

où P (k) est la dérivée k ieme du polynôme P .

En conséquence

Théorème 3.1.6. Un nombre complexe a est une racine du polynôme P d’ordre m si et seulement
si :
P (a) = P 0 (a) = P 00 (a) = ... = P (m−1) (a) = 0 et P m (a) 6= 0.
On dira aussi que a est d’ordre de multiplicité égal à m.

Exemple 3.1.4. 1- Considérons le polynôme P (x) = x3 − 5x2 + 3x + 9 on a : P 0 (x) = 3x2 −

10x + 3 =⇒ P 00 (x) = 6x − 10. Donc p(3) = 0 et P 0 (3) = 3 × 9 − 10 × 3 + 3 = 0 puis P 00 (3) =
6 × 3 − 10 = 8 6= 0. D’où 3 est une racine double de P (x).
2- Dans le polynôme Q(x) = (x + 1)4 (x − 2)3 la racine −1 est d’ordre de multiplicité 4 alors
que la racine 2 est d’ordre de multiplicité égal à 3.

Théorème 3.1.7. ( Théorème de d’Alembert)

Tout polynôme dans C, de degré n > 0, admet exactement n racines, chacune étant comptée
avec leur ordre de multiplicité.

3.1.6 P GCD, P P CM d’un polynôme

Soient P (x) et Q(x) deux polynôme écrits sous la forme décomposée.

Définition 3.1.5. Le Plus Grand Commun Diviseur de P (x) et Q(x) en abrégé PGCD(P, Q)
est le produit des facteurs premiers commun affectés du plus petit des exposants figurant dans les
deux décompositions.

Exemple 3.1.5. Soient P (x) = (x−3)2 (x+1)4 x5 (x−1)3 (x−2) et Q(x) = x3 (x+4)4 (x−3)(x+1)2 .
On a : P GCD(P ; Q) = (x − 3)(x + 1)2 x3 .

26
Définition 3.1.6. Le Plus Petit Commun Multiple de P (x) et Q(x) en abrégé PPCM(P, Q) est
le produit des facteurs premiers commun affectés du plus grand des exposants figurant dans les
deux décompositions.

Exemple 3.1.6. Soient P (x) = (x−3)2 (x+1)4 x5 (x−1)3 (x−2) et Q(x) = x3 (x+4)4 (x−3)(x+1)2 .
On a : P P CM (P ; Q) = (x − 3)2 (x + 1)4 x5 (x + 4)4 (x − 1)3 (x − 2).

Définition 3.1.7. Deux polynômes P (x) et Q(x) sont premiers entre eux ou sont étrangers entre
eux s’il n’existe aucun polynôme autre que les constantes qui soit diviseur commun à P (x) et Q(x).

Théorème 3.1.8. Deux polynômes P (x) et Q(x) sont premier si et seulement si P GCD(P, Q) = 1

Théorème 3.1.9. ( Théorème de BEZOUT) Pour que les polynômes P (x) et Q(x) soient
premier entre eux il faut et il suffit qu’il existe deux polynômes v(x) et u(x) tels que P (x)u(x) +
Q(x)v(x) = 1.

Théorème 3.1.10. ( Théorème de GAUSS) Soient P , Q et G des polynômes. Si P divise le

produit QG et si P est premier avec Q, alors P divise G.

Théorème 3.1.11. Si un polynôme à coefficients réels admet le nombre complexe z pour racine,
alors z le conjugué de z est aussi racine du polynôme.

Théorème 3.1.12. Tout polynôme à coefficients réels peut se décomposer en produit de facteurs
premiers (ax + b) et du second espèce (ax2 + bx + c). Autrement dit tout polynôme P de degré n
peut s’écrire sous la forme :

P (x) = an (x − x1 )λ1 (x − x2 )λ2 ...(x − xk )λk (x2 + s1 x + u1 )β1 (x2 + s2 x + u2 )β2 ...(x2 + sm x + um )βm

où λ1 + λ2 + ... + λk + 2(β1 + β2 + ... + βm ) = n

Théorème 3.1.13. Tout polynôme P (x) de degré impair admet au moins une racine.

3.2 Fractions rationnelles

Définition 3.2.1. 1. On appelle fraction rationnelle on fonction rationnelle le quotient f (x) =
P (x)
de deux polynômes.
Q(x)
2. La fraction rationnelle est dite irréductible si P et Q n’ont pas de facteurs communs c’est si
P et Q ne sont pas divisibles.
3. Soient P Q deux polynômes tels que deg(P = m et deg(Q) =. La fraction rationnelle f (x) =
P (x)
est dite prpore si m < n et impropre si m ≥ n.
Q(x)
Pm (x)
Théorème 3.2.1. Toute fraction rationnelle impropre peut s’écrire sous la forme :
Qn (x)

Pm (x) R(x)
= Em−n (x) +
Qn (x) Qn (x)

où Em−n (x) est appelé partie entière de la fraction, R(x) est le reste de la division de Pm (x) par
R(x)
Qn (x). Il est donc claire que la fraction est une fraction propre.
Qn (x)

27
 x5 + 1
Exemple 3.2.1. f (x) = est une fraction rationnelle impropre. On a :
x2 + 1

x5 +1 x2 +1
x +1 x3 −x

x+1
Donc f (x) = x3 − x +
x2 + 1

3.2.1 Décomposition d’une fraction rationnelle en éléments simples

Définition 3.2.2. On appelle élément simple
A
- de première espèce ou fraction de première espèce toute fraction de la forme ou
x−a
A
avec A ∈ R et α ∈ N∗ .
(x − a)α
Bx + c
- de deuxième espèce ou fraction de deuxième espèce toute fraction de la forme
x2 + sx + u
Bx + C
ou avec s, u ∈ R ; β ∈ N∗ puis x2 + sx + u ne possédant pas de racine réelle c’est
(x2
+ sx + u)β
à dire s2 − 4u2 < 0.
P (x)
Définition 3.2.3. Toute fraction rationnelle propre de la forme f (x) = se décompose
(x − a)n
comme suit :
P (x) A1 A2 An−1 An
n
= + 2
+ ... + n−1
+ (3.1)
(x − a) (x − a) (x − a) (x − a) (x − a)n
où les Ai avec i = 1; 2; ...; n − 1; n sont des coefficients dans R à déterminer.
1
On montre que Ai = lim [(x − a)n f (x)](i) .
n−i x→a

Q(x)
Définition 3.2.4. Toute fraction rationnelle propre de la forme f (x) = se dé-
(ax2 + bx + c)m
compose comme suit :

Q(x) A1 x + B1 A2 x + B2 Am−1 x + Bm−1 Am x + Bm

= + + ... + +
(ax2 + bx + c)m 2 2
(ax + bx + c) (ax + bx + c) 2 2
(ax + bx + c))m−1 (ax2 + bx + c)m
(3.2)
où les Ai et Bi sont des coefficients dans R à déterminer avec i = 1; 2; ...; m − 1; m.
1
On montre que Ai = lim [(x − a)n f (x)](i) .
n−i x→a

Remarque 3.2.1. Dans les définitions 3.2.3 et 3.2.4 les polynômes P (x) et Q(x) sont respecti-
vement de degré strictement inférieur à n et m.
Pm (x)
Théorème 3.2.2. Soit f (x) = une fraction rationnelle propre dans R tel que son déno-
Qn (x)
minateur est sous la forme : Qn (x) = δ(x − a1 )λ1 ...(x − ak )λr (x2 + p1 x + q1 )β1 ...(x2 + pk x + qk )βk .
La fonction f (x) se décompose de la manière suivante :

A11 A21 Aλ1 1 A1r A2r Aλr r

f (x) = + + ... + + + + ... +
x − a1 (x − a1 )2 (x − a1 )λ1 x − ar (x − ar )2 (x − ar )λr
M11 x + N11 Mβ1 1 x + Nβ1 1 M1k x + N1k Mβk k x + Nβk k
+ 2 + ... + 2 + + ... + 2
x + p1 x + q1 (x + p1 x + q1 )β1 x2 + pk x + qk (x + pk x + qk )βk

28
Théorème 3.2.3. Dans C, tout polynôme de degré n admet exactement n racines. Alors toute
Pm (x)
fraction rationnelle propre à coefficients complexe se décompose sous la forme :
Qn (x)
Pm (x) P Ai P Bi
= i
+ i
+ ....
Qn (x) i (x − a) i (x − b)

29
Chapitre 4

Calcul Matriciel et Systèmes d’équations

linéaires

4.1 Calcul Matriciel

4.1.1 Matrices
a. Définitions - Exemples
Définition 4.1.1. (a)
(i) Une matrice de type n × p est un tableau de n lignes et p colonnes de la forme :
 
a11 a12 ... a1p
 a21 a22 ... a2p 
 
A=  ... ... ... ... 
.
 ... ... ... ... 
an1 an2 ... anp

on note souvent une telle matrice par : A = (aij )1≤i≤n ou A = [aij ]1≤i≤n . L’ensemble
1≤j≤p 1≤j≤p
des matrices de type n × p est noté Mn,p ou Mat(n, p).
(ii) Si p = 1, alors la matrice A est appelée vecteur ; plus précisément vecteur colonne ou
encore matrice colonne ou matrice uni-colonne.
Si n = 1, alors la matrice A est appelée vecteur ligne ou encore matrice ligne ou
(iii)
matrice uni-ligne.
 
1 3 2
Exemple : La matrice A = est une matrice de type 2 × 3.
4 5 6

Définition 4.1.2. On dit que A est une matrice carrée d’ordre n si n = p. On note alors
l’ensemble de ces matrices par Mn ou Mat(n).
 
1 2 3
Exemple : La matrice A = 4 5 6  est une matrice carrée d’ordre 3.
7 8 −1
Définition 4.1.3. On appelle élément de la diagonale d’une matrice carrée, tout élément
iieme ligne et la iieme
aii , c’est-à-dire tout élément de la   colonne.
1 1 −3 1 2
Exemple : Dans la matrice B = 4 5 6 0 −1 les éléments de la diagonale sont :
1 3 0 3 1
1, 5 et 0.

30
Définition 4.1.4. On appelle matrice diagonale d’ordre n toute matrice dont les éléments
non diagonaux (aij où i 6= j) sont tous nuls.
 
d11 0 .. .. .. 0
 0 d22 0 .. .. 0 
 
 . 0 d33 . . 
La matrice D est diagonale si elle est de la forme : D = 
 .
 . On
 . . . . 
 . . . 0 
0 .. .. .. 0 dnn
la note diag(dii ) = D.
 
1 0 0
Exemple : A = 0 5 0  est une matrice diagonale d’ordre 3.
0 0 −1
Définition 4.1.5. (1) On appelle matrice nulle toute matrice dont les éléments sont tous
égaux à 0. On la note souvent 0. En d’autres termes c’est la matrice diagonale dont les
éléments diagonaux sont tous nuls.
(2) On appelle matrice unité d’ordre n et on note In toute matrice diagonale d’ordre n dont
les éléments diagonaux sont tous égaux à 1.
 
1 0 0
Exemple : I = I3 = 0 1 0 est la matrice unité d’ordre 3.
0 0 1
Définition 4.1.6. (Égalité de matrices)
Soient A et B deux matrices.
(A = B) ⇔ (A et B sont de même type et aij = bij , ∀1 ≤ i ≤ n et 1 ≤ j ≤ p).
     
a b −1 2 3 2
Exemple : Soient les matrices A = , B = et C = . Les trois
2 3 2 3 0 3
matrices sont de même type.
Étant donné que c21 = 0 6= 2 = a21 = b21 alors C 6= A et C 6= B pour tous a, b ∈ R. Par
et si a = −1
contre a21 = b21 et a22 = b22   puis b = 2 alors A = B.
2 0 0
Exemple : La matrice A = 0 3 0 est une matrice triangulaire inférieure. La matrice
  1 −2 4
−1 2 0
B =  0 1 3 est une matrice triangulaire supérieure.
0 0 2
Définition 4.1.7. (Transposition)
Soit A une matrice de type n × p. On appelle transposée de A, la matrice de type p × n notée
t
A ou At , obtenus en échangeant les lignes et les colonnes de A. C-à-d la matrice dont les
colonnes sont les lignes de A et dont les lignes sont les colonnes de A.
 
  1 4
1 2 3
Exemple : A = ⇔ A t = 2 5 
4 5 6
3 6
Propriété :
(1) t (t A) = A
(2) La transposée d’un vecteur colonne est un vecteur ligne et vice-versa.

Définition 4.1.8. On dit que A est une matrice symétrique si t A = A.

Propriété : Toute matrice symétrique est carrée.

31
 Définition 4.1.9. A est dite triangulaire inférieure (resp. supérieure) si tous les éléments
au dessus (resp. en dessous) de la diagonale sont nuls.
b. Opérations sur les matrices
(i) Addition-soustraction
L’addition et la soustraction de deux matrices se font terme à terme. Les matrices
doivent être de même type. Si A = (aij )1≤i≤n et B = (bij )1≤i≤n , on définit alors A + B
1≤j≤p 1≤j≤p
par (aij + bij )1≤i≤n .
1≤j≤p
   
2 3 0 −1 2 0
Exemple : Les matrices A = et B = . sont de même
1 −2 4 0 1 3
type
 (2 × 3). Donc la somme  B et
A + A− B sont possibles et on a : A + B =
2 + (−1) 3+2 0+0 1 5 0 2 + −(−1) 3−2 0−0
= . A−B = =
 1 + 0 (−2) + 1 4 + 3 1 −1 7 1−0 (−2) − 1 4 − 3
3 1 0
.
1 −3 1
(ii) Multiplication par un scalaire
Soit λ ∈ R et A une matrice. La multiplication λA est la matrice obtenue en multipliant
chaque terme de la matrice A par le nombre λ. Si A = (aij )1≤i≤n , on définit la matrice
1≤j≤p
λA par (λaij )1≤i≤n .
1≤j≤p
(ii) Produit matriciel
Soient A ∈ Mn,p et B ∈ Mp,m .
* Si n = m = 1, alors le produit A.B est appeléproduit
 scalaire du vecteur ligne A et du
b1

. p
  X
vecteur colonne B. On a A.B = a1 ... ap .   .  = a1 b1 +a2 b2 +...+ap bp =
 ai b i .
. i=1
bp
* Si on suppose qu’une matrice peut être considérée comme une succession de lignes
ou de colonnes alors le produit matriciel de A et B est la matrice C de type n × m car
A ∈ Mn,p et B ∈ Mp,m telle que l’élément cij est égal au produit scalaire de la iieme
de la matrice A par la j ieme colonne de la matrice
 B. 
  5 1 0 1
1 2 0
Exemple : Soient A = et B = 2 3 1 0. Ici A ∈ M2,3 et B ∈ M3,4 ,
4 3 −1
3 4 0 1
alors le produit A.Best possible,  par contre le produit B.A ne l’est pas. On a :
  5 1 0 1
1 2 0 
A.B = 2 3 1 0
4 3 −1
 3 4 0 1 
5×1+2×2+3×0 1×1+3×2+4×0 0+2+0 1+0+0
=
5 × 4 + 2 × 3 + 3 × (−1) 1 × 4 + 3 × 3 + 4 × (−1) 0+3+0 4 + 0 + (−1)
9 7 2 1
= .
23 9 3 3
Propriété :
Le produit matriciel est :
* associatif ie ABC = (AB)C = A(BC).
* distributif par rapport à l’addition ie A(B + C) = AB + AC.
* En général non commutatif, car : AB 6= BA dans certains cas.
Propriété :

32
 * On a AIm = In A = A si la matrice est de type n × m.
* (AB)t = B t .At (attention à l’ordre des matrices dans le produit).
c. Matrices inversibles ou régulières
- Une matrice carrée A est dite inversible ou régulière s’il existe une matrice carrée A−1 = B
appelée matrice inverse telle que : A−1 A = AA−1 = I. Les matrices I, A et A−1 sont des
matrices de même ordre.
- Si A−1 n’existe pas, alors la matrice A est dite singulière ou non inversible.
Propriétés :
* A = (A−1 )−1
* (At )−1 = (A−1 )t
* (AB)−1 = B −1 A−1 (attention à l’ordre des matrices dans le produit)
* Une matrice diagonale D est inversible si elle ne contient pas aucun zéro sur sa diagonale.
1
Dans ce cas, on a : D−1 = [diag(dii )]−1 = diag( ).
dii
* La matrice A est dite orthogonale si A−1 = At .

4.1.2 Déterminant d’une matrice carrée

Soit A une matrice carrée d’ordre n. On note le déterminant de A, det(A) ou |aij | ou |A|.

1er cas : n = 1
Dans ce cas on a : A = (a11 ) et donc det(A) = a11 .

2ième cas : n = 2
 
a b a b
On appelle déterminant de A = le nombre det(A) = = ad − cb.
c d c d

3ième cas : n ≥ 3
Définition 4.1.10. Soit A une matrice carrée d’ordre n. On appelle mineur de l’élément aij le
déterminant obtenu à partir de la matrice A après suppression de la iieme ligne et de la j ieme
colonne de A. On le note souvent Mij .
Exemple 
1 2 3
4 6
considérons la matrice A =  4 5 6 . On a M12 = = 12 + 6 = 18 et M33 =
−1 3
−1 2 3
1 2
= 5 − 8 = −3.
4 5

Définition 4.1.11. On appelle cofacteur de l’élément aij le nombre noté Cof(aij ) défini par
Cof(aij ) = (−1)i+j Mij
Remarque : Ne jamais oublier le (−1)i+j dans le calcul.

Il existent plusieurs méthodes de calcul de déterminant.

- La méthode directe : Cette méthode consiste à calculer le déterminant à partir des co-
facteurs ; on l’appelle aussi méthode de développement par rapport à une ligne ou par rapport
à une colonne. Par exemple par rapport à la ligne i, on a : det(A) = ai1 Cof(ai1 ) + ai2 Cof(ai2 ) +
... + ain Cof(ain ). Puis par rapport à la colonne j on a : det(A) = a1j Cof(a1j ) + a2j Cof(a2j ) + ... +

33
anj Cof(anj ).
Exemple  
1 2 3
Développons le déterminant de A =  4 5 6 par rapport à la deuxième ligne. on a :
−1 2 3
det(A) = a21 Cof(a21 ) + a22 Cof(a22 ) + a23 Cof(a23 ). Donc

det(A) = 4Cof(a21 ) + 5Cof(a22 ) + 6Cof(a23 )

2 3 1 3 1 2
= 4(−1)2+1 + 5(−1)2+2 + 6(−1)2+3
2 3 −1 3 −1 2
= −4(6 − 6) + 5(3 + 3) − 6(2 + 2)
det(A) = 6

.
Remarque : Il est judicieux de développer le déterminant d’une matrice carrée par rapport à une
ligne ou une colonne qui comporte le plus de zéros.
Propriétés :
1) Le déterminant d’une matrice carrée ne change pas si on ajoute à une colonne ou à une
ligne une combinaison linéaire des autres colonnes ou lignes respectivement.
2) Si dans un déterminant une ligne ou une colonne est nulle, alors ce déterminant est nul.
(Pour la preuve il suffit de développer ce déterminant par rapport à la ligne ou la colonne qui est
nulle).
3) Si dans un déterminant deux lignes ou deux colonnes sont proportionnelles alors ce déter-
minant est nul.
Propriété : Soit B la matrice obtenue à partir de A en multipliant une ses colonnes ou une
ses lignes par un scalaire α, alors det(B) = αdet(A).

- La méthode de SARRUS : La méthode de SARRUS est appliquée uniquement pour le

calcul des déterminants d’ordre 3.
Pour sa mise en oeuvre, on reporte les deux premières colonnes de A à la suite du déterminant
de A. Puis on effectue les produits des éléments parallèles à la diagonale principale ; mais qui
comporte 3 éléments. La somme de ces produits sera soustraite de la somme des produits obtenus
de la même façon mais en suivant les parallèles à la diagonale secondaire. On a dans la pratique :

a11 a12 a13 a11 a12

det(A) = a21 a22 a23 a21 a22
a31 a32 a33 a31 a32
= (a11 .a22 .a33 + a12 .a23 .a31 + a13 .a21 .a32 ) − (a31 .a22 .a13 + a32 .a23 .a11 + a33 .a21 .a12 ).
Propriétés :
* det(At ) = det(A)
* det(AB) = det(A)det(B)
* det(An ) = (det(A))n où n ∈ N
* det(αA) = αn det(A) où n ∈ N
* Le déterminant d’une matrice triangulaire ou diagonale est égale au produit des éléments de
la diagonale. Donc det(In ) = 1 où n ∈ N∗ .
1
* Si A est régulière alors det(A−1 ) = . En effet, det(A−1 A) = det(A−1 )det(A) =
det(A)
det(I) = 1
* Si A est orthogonale alors det(A) = ±1. Car det(AAt ) = (det(A))2 = 1.
Propriété : (det(A) 6= 0) ⇔ (A est régulière).

34
4.1.3 Matrice inverse d’une matrice régulière
Définition 4.1.12. : On appelle comatrice d’une matrice régulière A, la matrice des cofacteurs
de A. On la note
 com(A) ou A. On a :
e

Cof (a11 ) Cof (a12 ) ... Cof (a1n )
 Cof (a21 ) Cof (a22 ) ... Cof (a2n ) 
Com(A) =  .
 ... ... ... ... 
Cof (an1 ) Cof (an2 ) ... Cof (ann )

Propriété : (Com(A))t = Com(At )

Définition 4.1.13. : Soit A une matrice régulière. On définit A−1 par la formule :
1
A−1 = (Com(A))t
det(A)

4.2 Systèmes d’équations linéaires

4.2.1 Formulation Matricielle
Un système d’équations linéaires de n équation à p inconnues est un tableau de la forme :


 a11 x1 + a12 x2 + ... + a1p xp = b1
a11 x1 + a12 x2 + ... + a2p xp = b2

(S)

 ............................................ = ....
an1 x1 + an2 x2 + ... + anp xp = bn


où les aij (1 ≤ i, j ≤ n) sont les coefficients du système, les xi sont les inconnues et les bi sont des
termes constants (connue).
Un tel système peut s’écrire sous la forme matricielle suivante :

AX = B
   
  x1 b1
a11 a12 ... a1p  x2 
 
 b2 
 
 a21 a22 ... a2p  . .
avec A = 
  ; X =   et B =  
... ... ... ....  .
 
.
 
an1 an2 ... anp . .
xp bp
On dit que A est la matrice associée au système (S).

Définition 4.2.1. 1.
2. Lorsque n = p, on dit alors que le système est carré.
3. Lorsque B est nul alors on dit que le système est homogène.
4. On dit qu’un système est régulier si sa matrice associée est inversible. Dans le cas contraire,
on dit que le système est singulier.

Définition 4.2.2. Un système d’équations linéaires est dit compatible s’il admet au moins une
solution et incompatible dans le cas contraire.

Quand on travaille avec un système d’équations, on envisage plusieurs équations simultanément

(l’accolade { regroupant les équations du système, est là pour nous le rappeler). Résoudre un
système d’équations consiste à trouver les solutions communes à toutes les équations

35
du système. Une technique de résolution d’un système : la substitution. Supposons qu’on ait
affaire à un système de deux équations à deux inconnues x et y.
1. Utiliser l’une des deux équations pour exprimer une inconnue, disons x en fonction de l’autre,
disons y.
2. Substituer x trouvé à l’étape 1 dans l’autre équation, pour obtenir une équation en y
uniquement.
3. Trouver les solutions de l’équation en y obtenue à l’étape 2.
4. Substituer les valeurs de y trouvées à l’étape 3 dans l’équation de l’étape 1 pour trouver les
valeurs correspondantes de x. La méthode « substitution » peut être étendue à des systèmes à
plus de deux inconnues, ou même à des systèmes indéterminés.
Exercice résolu Résoudre le système en (x, y) :

x + y2 = 6
x + 2y = 3

Etape 1 : On peut utiliser la seconde équation pour exprimer x en fonction de y : x = −2y + 3

Etape 2 : On substitue x trouvé à l’étape 1 dans la première équation : (−2y + 3) + y 2 = 6
C’est-à-dire y 2 − 2y − −3 = 0
Etape 3 : On résout
√ l’équation de l’étape 2√par rapport à y : 4 = (−2)2 −4.1.(−3) = 4+12 = 16
−(−2) + 16 −(−2) − 16
y= = 3 ou y = = −1.
1.2 1.2
Etape 4 : On substitue les valeurs de y trouvées à l’étape 3 dans l’équation de l’étape 1 pour
trouver les valeurs correspondantes de x : Si y = 3, alors x = −2.(3) + 3 = −3
Si y = −1, alors x = −2.(−1) + 3 = 5. Les solutions du système d’équations sont donc (−3, 3)
et (5, −1) (on note SR2 = {(−3; 3), (5; −1)}.

4.2.2 Résolution de système d’équations linéaire réguliers : méthode

directe
Si dans un système, la matrice est régulière alors il est dit inversible ou régulier ou de CRAMER.
L’écriture matricielle du système devient : X = A−1 B.

Proposition 4.2.1. Un système de CRAMER admet une solution unique qui est X = A−1 B.
En particulier, un système de CRAMER homogène n’admet que la solution :

x1 = x2 = ... = xn = 0

c’est la solution banale.

4.2.3 Résolution de système d’équations linéaire réguliers : méthode de

CRAMER
On dit qu’un système (S) : AX = B est de Cramer si le déterminant de sa matrice est non
nul. C’est à dire que AX = B est de Cramer si det(A) 6= 0. Un tel système admet alors une
solution unique (x1 , x2 , ..., xn ) avec :

4i
xi = , i = {1; 2; 3; ...; n}
det(A)

36
où 4i est le déterminant obtenu de celui A en remplaçant la iieme colonne de det(A) par la colonne
des seconds membres B. On a
a11 a12 ... a1i−1 b1 a1i+1 ... a1n

a21 a22 ... a2i−1 b2 a2i+1 ... a2n

4i =
... ... ... ... ... ... ... ...

an1 an2 ... ani−1 bn ani+1 ... ann

Exercice 4.2.1. Traiter le système suivant en (x, y, z) grâce à la méthode de Cramer :


 x1 + 2x2 − x3 = 2



(S) 2x1 − x2 + x3 = 3




3x1 + x2 − x3 = 2


Solution 4.2.1. Calcul du déterminant de A par la méthode de SARRUS :

On a :
1 2 −1 1 2
det(A) = 2 −1 1 2 −1
3 1 −1 3 1
= (1.(−1).(−1) + 2.1.3 + (−1).2.1) − (3.(−1).(−1) + 1.1.1 + (−1).2.2)
= (1 + 6 − 2) − (3 + 1 − 4)
= 5.
Donc det(A) 6= 0. Par conséquent le système est de Cramer.

Détermination de la solution :
4i
Soit i ∈ {1; 2; 3}. On a d’après les formules de Cramer : xi = . où
det(A)
2 2 −1 1 2 −1 1 2 2
41 = 3 −1 1 ; 42 = 2 3 1 ; 43 = 2 −1 3 .
2 1 −1 3 2 −1 3 1 2
En calculant par la méthode de SARRUS ces déterminants on obtient :
2 2 −1 2 2
41 = 3 −1 1 3 −1 = (2 + 4 − 3) − (2 + 2 − 6) = 5 ;
2 1 −1 2 1
1 2 −1 1 2
42 = 2 3 1 2 3 = (−3 + 6 − 4) − (−9 + 2 − 4) = 10 ;
3 2 −1 3 2

1 2 2 1 2
42 = 2 −1 3 2 −1 = (−2 + 18 + 4) − (−6 + 3 + 8) = 15.
3 1 2 3 1
Finalement on a :
41 5 42 10 43 15
x1 = = = 1 ; x2 = = = 2 et x3 = = = 3.
det(A) 5 det(A) 5 det(A) 5
En définitive, la solution du système (S) est S = {(1; 2; 3)}.

37
4.2.4 Résolution de systèmes d’équations linéaires réguliers : méthode
de GAUSS-JORDAN
La méthode de Gauss-Jordan est une méthode qui permet de traiter un système linéaire, quel
que soit le nombre d’équations et de variables que ce système contienne.

Description de la méthode de GAUSS-JORDAN

Supposons que le système à résoudre soit un système de 3 équations linéaires à 3 variables
(x, y, z).
1. Ordonner le système à résoudre


 a11 x1 + a12 x2 + a13 x3 = b1



a21 x1 + a22 x2 + a23 x3 = b2




a31 x1 + a32 x2 + a33 x3 = b3


en cherchant un élément non nul dans la première colonne puis en permutant la ligne contenant
ce élément et la première ligne. Ainsi à la place du terme a11 on vient de faire apparaître un réel
non nul.
2. Noter uniquement les coefficients, dans l’ordre en utilisant la matrice augmentée suivant :
 
a11 a12 a13 b1
 
 
 a21 a22 a23 b2 
 
 
a31 a32 a33 b3
3. Faire apparaître 0 à la place du terme a21 par une combinaison linéaire utilisant uniquement
la ligne 2 et la ligne 1. Faire apparaître 0 à la place du terme a31 par une combinaison linéaire
utilisant uniquement la ligne 3 et la ligne 1. On obtient
 
a11 ∗ ∗
 0 ∗ ∗ ∗ 
0 ∗ ∗

4. Faire apparaître 0 à la place du terme a32 par une combinaison linéaire utilisant uniquement
la ligne 3 et la ligne 2. On obtient  
a11 ∗ ∗
 0 ∗ ∗ ∗ 
0 0 ∗
5. Faire apparaître 0 à la place du terme a23 par une combinaison linéaire utilisant uniquement
la ligne 2 et la ligne 3. Faire apparaître 0 à la place du terme a13 par une combinaison linéaire
utilisant uniquement la ligne 1 et la ligne 3. On obtient
 
∗ ∗ 0
 0 ∗ 0 ∗ 
0 0 ∗

6. Faire apparaître 0 à la place du terme a12 par une combinaison linéaire utilisant uniquement
la ligne 1 et la ligne 2. On obtient  
∗ 0 0
 0 ∗ 0 ∗ 
0 0 ∗

38
 7. Faire apparaître 1 à la place du terme a11 par division de la ligne 1. Faire apparaître 1 à
la place du terme a22 par division de la ligne 2. Faire apparaître 1 à la place du terme a33 par
division de la ligne 3.
♥ Attention : on ne sait pas diviser par 0
8. Si le système admet une solution unique, on obtient alors une matrice augmentée de la
forme :
 
1 0 0 k
 0 1 0 p 
0 0 1 q
ce qui est équivalent au système


 1.x1 + 0.x2 + 0.x3 = k



0.x1 + 1.x2 + 0.x3 = p




0.x1 + 0.x2 + 1.x3 = q


dont la solution unique évidente est le triple (k, p, q).

Remarque 4.2.1. Attention : Lors de l’application de la méthode, si on obtient
• une ligne constituée de 0 alors le système est dit indéterminé ;
• une ligne constituée de 0 sauf pour le terme indépendant b∗ alors le système est impossible.
Exercice 4.2.2. Traiter le système suivant en (x, y, z) grâce à la méthode de Gauss-Jordan :


 x1 + 2x2 − x3 = 2



2x1 − x2 + x3 = 3




3x1 + x2 − x3 = 2


Solution 4.2.2.  
1 2 −1 2
 2 −1 1 3  L2 −→ L2 − 2L1
3 1 −1 2 L3 −→ L3 − 3L1
 
1 2 −1 2
 0 −5 3 −1 
0 −5 2 −4 L3 −→ L3 − L2
 
1 2 −1 2
 0 −5 3 −1  L1 −→ L1 − L3
0 0 −1 −3 L2 −→ L2 + 3L3
 
1 2 0 5
 0 −5 0 −10 
0 0 −1 −3 L1 −→ 5L1 + 2L3
 
5 0 0 5 L1 −→ L1/5,
 0 −5 0 −10  L2 −→ −L2/5
0 0 −1 −3 L3 −→ −L3
 
1 0 0 1
 0 1 0 2 
0 0 1 3

39
.
Le système est alors équivalent à : 

 x1 = 1



x2 = 2




x3 = 3


Le système admet alors une solution unique qui est : S = {(1; 2; 3)}.

4.2.5 Résolution de système d’équations linéaires singuliers

Définition 4.2.3. On appelle rang d’une matrice A, le plus grand ordre r de la matrice extraite
de A dont le déterminant est non nul. On note 4r ce déterminant. Un tel déterminant 4r est
appelé déterminant principal.
Les équations dont les indices sont ceux des lignes de 4r s’appelle alors équations principales,
les inconnus dont les indices sont ceux des colonnes de 4r sont les inconnues principales.
Théorème 4.2.1. La résolution d’un système homogène équivaut à celle dun sous-système quel-
conque d’équations principales.
Le système d’équation principales se résout en considérant que les inconnues non principales
sont des données (connues) et en calculant les inconnues principales à l’aide du système de CRA-
MER ainsi obtenu.
Soit A la matrice du système(S) et r son rang.Le système est compatible si et seulement si
a11 .... a1p b1
 a21 .... a2p b2 
la matrice A et la matrice N =   .... .... .... .... ont le même rang.


an1 .... anp bn

Pour cela, il faut et il suffit que les n − r déterminants 4rk où r + 1 ≤ k ≤ n soient nuls.

Les 4rk sont définis en complétant le déterminant 4r par une colonne constituée des r élé-
ments du second membre des équations principales puis par une ligne extraite d’une équation non
principale mais où on ne retient que les coefficients des r inconnues principales puis le second
membre de cette équation.
On obtient :
a11 .... a1r b1
a21 .... a2r b2
4rk = .... .... .... ....
ar1 .... arr br
ak1 .... akr bk
Où r + 1 ≤ k ≤ n.
Les 4rk sont aussi appelés déterminants caractéristiques du système.
Exercice
 4.2.3. Résoudre les systèmes
d’équations linéaires suivants : 
 4x + 3y + z = 5  6x + 3y + 2z = 6  4x + 3y + z = 5
a- 3x + 2y + z = 4 b- 7x + 3y + 3z = 8 c- 3x + 2y + z = 6
x + 2y − z = 0 12x + 6y + 4z = 3 x + 2y − z = 0
  

Solution 4.2.3. Les trois systèmes sont des systèmes de trois équations à trois inconnues. Soient
A, B et C les matrices associées aux trois systèmes a, b et c respectivement. On a :
4 3 1 4 3
det(A) = 3 2 1 3 2 = (4.2(−1) + 3.1.1 + 1.3.2) − (1.2.1 + 1.2.4 − 1.3.3) = 18 − 18 = 0
1 2 −1 1 2

40
 6 3 2
det(B) = 7 3 3 = 0.
12 6 4
Car la première ligne et la dernière ligne sont proportionnelles. Enfin

4 3 1
det(C) = 3 2 1 = det(A) = 0.
1 2 −1

Les systèmes précédents sont donc tous singuliers car det(A) = det(B) = det(C) = 0.
a- Détermination du rang de la matrice A
4 3
On a : 4r = = 1 6= 0. Donc la matrice A est de rang 2 car il ne peut y avoir de matrice
3 2
d’ordre strictement supérieur à 2 dont le déterminant est non nul.

Les deux premières équations à savoir : 4x + 3y + z = 5 3x + 2y + z = 4 sont principales

tandis que la dernière équation : x + 2y − z = 0 est dite secondaire ou non principale.

Les inconnues principales sont : x et y

puis l’inconnue z est on principale.
 
4 3 5 4 3 5
3 5 4 5
Posons r = rg(A) = 2 et N = 3 2 4 On a det(N ) = 3 2 4 = −2 =
2 4 3 4
1 2 0 1 2 0
4 3
2 − 2 = 0. Comme = 1 6= 0 alors rg(N ) = 2 = rg(A). D’où le système est compatible. Cela
3 2
veut dire qu’il admet une solution.

Détermination de la solution du système

On résout le système (de CRAMER) constitué des équations principales en considérant que les
inconnues  non principales sont des termes constants. On a donc à résoudre le système suivant :
4x + 3y + z = 5
(S1 )
3x + 2y + z = 4
5−z 3
4−z 2

4x + 3y = 5 − z
Donc Ainsi d’après les formules de Cramer on a : x = =
3x + 2y = 4 − z 4r
4 5−z
2(5 − z) − 3(4 − z) 3 4−z −3(5 − z) + 4(4 − z)
= −2 + z et y = = = 1 − z.
1  
    4 r    1  
x −2 + z −2 z −2 1
D’où y =
   1−z  =  1 + −z =
    1 + z −1 où z ∈ R. Par conséquent
 
z z 0 z 0 1
la solution n’est pas unique. Il y a une infinité de solutions ; il suffit que z change valeur pour la
solution change. Cela veut dire que à chaque z ∈ R, on associe une solution. Or il une infinité
de valeurs dans R alors le système admet une infinité de solutions. L’ensemble de solution est :
SR3 = {(−2 + z; 1 − z; z)/z ∈ R}.

b- Détermination du rang de la matrice B

6 3
On a : 4r = = −3 6= 0. Donc le rang de la matrice B donc du système associé est 2.
7 3
On pose r = 2 = rg(B).
On a un seul déterminant caractéristique 4rk car r + 1 ≤ k ≤ 3. Donc 3 ≤ k ≤ 3. D’où k = 3.
Calcul de 423

41
 6 3 6 6 3 6
423 = 7 3 8 = 7 3 8
12 6 3 0 0 −9
où L3 −→ −2L1 + L3 . Donc en développant par rapport à la troisième ligne on a : 423 =
6 3
−9 = −9 × (−3) = 27 6= 0
7 3
Par conséquent le (S2 ) n’est pas compatible. Il n’admet donc pas de solution. SR3 = ∅.

On pouvait également remarquer que la première et la dernière ligne ne sont pas compatibles.
En faisant −2L1 + L3 , on obtient ”0 = −9” ce qui est absurde.

c- Détermination du rang de la matrice C

Comme A =  C alors r = rg(C) = rg(A) = 2
4 3 5
Posons N = 3 2 6. On a
1 2 0
4 3 5
3 5 4 5
det(N ) = 3 2 6 = −2 = (18 − 10) − 2(24 − 15) = 8 − 18 = −10 Donc
2 6 3 6
1 2 0
det(N ) 6= 0. Cela veut dire que rg(N ) = 3. D’où rg(N ) 6= rg(C). Par conséquent le système est
incompatible. Par suite SR3 = ∅.

42
Chapitre 5

Espaces Vectoriels

5.1 Définitions-Exemples
Définition 5.1.1. (Espace vectoriel)
Soit E un ensemble muni de deux opérations : une addition

E × E −→ E
(u, v) 7−→ u + v

et une multiplication par les scalaires

K × V −→ E
(λ, u) 7−→ λu

ou K est égal à R à C. On dit que E, muni de ces deux opérations, est un espace vectoriel si pour
tout u; v; w ∈ E et tout λ, µ ∈ K, on a les propriétés suivantes :
1. u+v =v+u
2. u + (v + w) = (u + v) + w
3. Il existe 0 ∈ V tel que 0 + u = u + 0 = u pour tout u ∈ V
4. Pour tout u ∈ V, il existe u ∈ V tel que u + (−u) = 0
5. λ(µu) = (λµ)u
6. 1.u = u
7. λ(u + v) = λu + λv
8. (λ + µ)u = λu + µu.

Remarque 5.1.1. • Les éléments de E sont appelés vecteurs.

• Les éléments de K sont appelés scalaires.
• Un espace vectoriel consiste en 3 données qui vérifient 8 axiomes. Les quatre premiers axiomes
ne portent que sur la somme des vecteurs, les deux suivant ne portent que sur la multiplication
par les scalaires et les deux dernières portent sur la compatibilité entre les deux lois.
• On peut considérer des espaces vectoriels pour lesquels les scalaires sont d’autres nombres
que les nombres réels ou complexes. Dans ce cours ; tous les espaces vectoriels rencontrés ici seront
réels ; le lecteur pourra à souhait étendre toutes ces notions à K = C. Il suffira de prendre en
compte quelques dispositions.
• L’existence du vecteur nul montre que l’ensemble E ne peut pas être vide.

Exemple : L’ensemble E = Rn muni des opérations habituelles d’addition de vecteurs et de

produit d’un vecteur par un scalaire est un espace vectoriel.

43
 Exemple : Soit E l’ensemble des matrices de taille n × m, muni de l’addition des matrices et
de la multiplication d’une matrice par un scalaire. Alors E est un espace vectoriel.
Exemple : Soit V l’ensemble des fonctions f : R −→ R muni d’une opération d’addition sur
V : (f +g)(x) = f (x)+g(x) et d’une opération de multiplication par les scalaires : (λf )(x) = λf (x)
pour tout λ ∈ R est un espace vectoriel sur R.

Théorème 5.1.1. Soit E un espace vectoriel, v ∈ E et λ ∈ R. Alors on a :

1. 0.v = 0
2. λ.0 = 0
3. (1).v = v
4. Si λ.v = 0, alors λ = 0 ou v = 0.

5.2 Sous-espaces vectoriels

Définition 5.2.1. (Sous espaces vectoriels)
Un sous-ensemble V d’un espace vectoriel E est un sous-espace vectoriel de E si V est un
espace vectoriel par rapport aux opérations de E.

Théorème 5.2.1. Soit E un espace vectoriel, et soit V un sous-ensemble de E. Alors V est un

sous-espace vectoriel de E si et seulement si les conditions suivantes sont vérifiées :
(a) 0 ∈ V ;
(b) si u; v ∈ V , alors u + v ∈ V ;
(c) si u ∈ V et λ ∈ R, alors λu ∈ V .

Démonstration : Soit V un sous-espace vectoriel de E. Alors V satisfait aux axiomes qui

définissent un espace vectoriel, en particulier on a (a) (b) et (c). Réciproquement, si V est un
sous-ensemble de E vérifiant (a), (b) et (c), alors il est facile de vérifier que V est un espace
vectoriel.
Terminologie : Soit V un sous-ensemble d’un espace vectoriel E. Si la propriété (b) ci-dessus
est satisfaite, on dit que V est fermé ou stable par rapport à l’addition. Si (c) est satisfait, on dit
que V est fermé ou stable par rapport à la multiplication par les scalaires.

Remarque 5.2.1. Soit E un espace vectoriel et V un sous-ensemble de E. Pour montrer que

V est un sous-espace vectoriel de E, il suffit de vérifier les propriétés (b) et (c) du théorème ci-
dessous. En effet, en prenant λ = 0 dans (c), on a directement que 0 ∈ W. Il est par contre souvent
utile de commencer par vérifier (a) ; ainsi, si 0 ∈
/ V, on en déduit immédiatement que V n’est pas
un sous-espace vectoriel.

Exemple : Soit Mn l’espace vectoriel de toutes les matrices de taille n × n Soit Sn le sous-
ensemble des matrices symétriques. Alors Sn est un sous-espace vectoriel de Mn . Il suffit en effet
de vérifier que la matrice nulle est symétrique, que la somme de deux matrices symétriques est
encore symétrique et finalement que le produit d’une matrice symétrique par un scalaire est une
matrice symétrique.
Exemple : Soit E l’espace vectoriel des fonctions f : R −→ R et soit Pn le sous-ensemble des
fonctions polynomiales de degré au plus n, autrement dit des fonctions de la forme p : R −→ R ;
p(x) = a0 + a1 x + ... + an xn avec
a1 ; ...; an ∈ R. Alors Pn est un sous-espace vectoriel de E.

44
5.3 Combinaison linéaire
5.3.1 Familles génératrices
Définition 5.3.1. Un vecteur w est appelé combinaison linéaire des vecteurs v1 ; v2 ; ...; vr si
w = λ1 v1 + λ2 v2 + ... + λr vr avec λ1 ∈ R; ...; λr ∈ R.
     
1 0 0
Exemple : Soient e1 = 0 e2 = 1 et e3 = 0 les vecteurs de la base standard de
    
  0 0 1       
x1 x1 0 0 1
R3 et x = x2  un vecteur quelconque de R3 . On a x =  0  + x2  +  0  = x1 0 +
  x3
 0 0 x3 0
0 0
x2 1 + x3 0 ce qui montre que x est une combinaison linéaire de e1 ; e2 et e3 . Ainsi, tout
0 1
3
vecteur de R est combinaison  linéaire
 e1 ;
de  e2 et e3 .  
1 6 9
3
Exemple : Soient u =  2  et v = 4 deux vecteurs de R . Montrons que w = 2 est
  
−1 2 7
combinaison linéaire de u et v. On cherche donc λ et µ tels que
           
9 1 6 λ 6µ λ + 6µ
2 = λ  2  + µ 4 =  2λ  + 4µ =  2λ + 4µ 
7 −1 2 −λ 2µ −λ + 2ν
On a donc 
 9 = λ + 6µ
2 = 2λ + 4µ
7 = −λ + 2µ


Une solution de ce système est par exemple λ = −3;µ =2; ce qui

 implique
 que w est combinaison
9 1 6
linéaire de u et v. On vérifie que l’on a 2 = −3  2  + 2 4.
  7  −1 2  
1 6 4
Exemple : Soient u =  2  et v = 4 deux vecteurs de R3 . Montrons que w = −1
−1 2      8
4 1 6
n’est combinaison linéaire de u et v. L’égalité −1 = λ  2  + µ 4 donne le système
8 −1 2

 4 = λ + 6µ
−1 = 2λ + 4µ
8 = −λ + 2µ.


Or ce système n’a aucune solution ; en tant que système incompatible.

Théorème 5.3.1. Soient v1 ; ...; vr des vecteurs d’un espace vectoriel E. Alors l’ensemble V des
combinaisons linéaires de v1 ; ...; vr est un sous-espace vectoriel de E.
Définition 5.3.2. Le sous-espace V du théorème précédent est appelé le sous-espace vectoriel de v
engendré par v1 ; ...; vr . Si l’on pose S = {v1 ; ...; vn } , alors V est noté V = L(S) = L(v1 ; v2 ; ...; vr ).
Théorème 5.3.2. Soit E un espace vectoriel, et soient v1 ; ...; vr ∈ E. Soit V le sous-espace
vectoriel de E engendré par v1 ; ...; vr . Alors V est le plus petit sous-espace vectoriel de E contenant
v1 ; ...; vr .

45
 Exemple : Soient v1 et v2 deux vecteurs non colinéaires de R3 . Alors l’espace vectoriel V
engendré par v1 et v2 est un plan.
Exemple : Soient v1 et v2 deux vecteurs colinéaires de R3 . Alors v2 = λv1 . L’espace vectoriel
V engendré par v1 et v2 est une droite.
Définition 5.3.3. On appelle famille ou partie génératrice de de l’espace vectoriel E, toute famille
de vecteur qui engendre E. En d’autres termes, on dit que la famille B = {e1 ; ...; en } est une famille
génératrice ou génère E s’il existe des scalaires λ1 ; ...; λn tels que ∀x ∈ E, x = λ1 e1 + ... + λn en

5.3.2 Familles libres

Définition 5.3.4. Soit B = {v1 ; ...; vr } un ensemble non vide de vecteurs d’un espace vectoriel.
L’équation λ1 v1 + ... + λr vr = 0 a au moins une solution, notamment la solution triviale λ1 = λ2 =
... = λr = 0. Si cette solution est unique, on dira que B est un ensemble linéairement indépendant
ou libre, ou que les vecteurs v1 ; ...; vr sont linéairement indépendants ou libres. Sinon, on dira que
B est un ensemble linéairement dépendant ou lié, ou que les vecteurs v1 ; ...; vr sont linéairement
dépendants ou liés.
Remarque 5.3.1. Tout vecteur non nul est linéairement indépendant. En effet, λv = 0 implique
λ = 0 car v 6= 0. Le vecteur nul est linéairement dépendant car λ.0 = 0 pour tout λ ∈ R. Plus
généralement, tout ensemble contenant le vecteur nul est linéairement dépendant. En effet, soient
v1 ; ; vr−1 des vecteurs quelconques et vr = 0. Alors 0.v1 + ... + 0.vr−1 + λ.0 = 0 pour tout λ ∈ R.
     
2 1 7
1 2 1
Exemple : Soient v1 =  0 , v2 = 5 et v3 = 5 . Alors l’ensemble S = {v1 ; v2 ; v3 } est
    

3 1 8
linéairement dépendant, car 3v1 + v2 − v3 = 0.
Exemple : Les polynômes p1 (x) = 1 − x, p2 (x) = 5 + 3x − 2x2 et p3 (x) = 1 + 3x − x2 forment
un ensemble linéairement dépendant,
  car3p1 − p2 + 2p
3 =0.
1 0 0
Exemple : Soient e1 = 0 ; e2 = 1 et e3 = 0 les vecteurs de R3 . Alors l’ensemble
0 0 1
{e1 ; e2 ; e3 } est linéairement indépendant. En effet, supposons que λ1 e1 + λ2 e2 + λ3 e3 = 0. Alors
     
1 0 0
λ1 0 + λ2 1 + λ3 0
    
0 0 1
ce qui donne          
λ1 0 0 λ1 0
 0  + λ2  +  0  = λ2  = 0
0 0 λ3 λ3 0
et donc λ1 = λ2 = λ3 = 0.
Théorème 5.3.3. Un ensemble B est linéairement dépendant si et seulement si au moins l’un
des vecteurs de B est une combinaison linéaire des autres vecteurs de B.
Interprétation géométrique :
- Dans R2 ou R3 , deux vecteurs sont linéairement dépendants si et seulement s’ils sont coli-
néaires.
- Dans R3 , trois vecteurs sont linéairement dépendants si et seulement s’ils sont sur le même
plan (coplanaires).
Théorème 5.3.4. Soit B = {v1 ; v2 ; ...; vr } un sous-ensemble de Rn . Si B contient plus de n
éléments c’est à dire si r > n, alors B est linéairement dépendant.

46
5.4 Base et dimension
5.4.1 Definitions-Propriétés
Définition 5.4.1. (Base d’un espace vectoriel)
Soit E un espace vectoriel, et B = {v1 ; v2 ; ...; vn } un sous-ensemble de E. Alors B est une base
de E si et seulement si les deux conditions suivantes sont vérifiées :
(1) l’ensemble B est linéairement indépendant ;
(2) l’ensemble S engendre E , c’est-à-dire E = L(B).

Théorème 5.4.1. Si B = {v1 ; v2 ; ...; vn } est une base de l’espace vectoriel E, alors tout vecteur
v ∈ E s’exprime de façon unique comme combinaison linéaire d’éléments de B : v = λ1 v1 + λ2 v2 +
... + λn vn avec λ1 ; ...; λn ∈ R déterminés de façon unique

Définition 5.4.2. (Coordonnées par rapport à une base)

Les λ1 ; ...; λn du théorème précédent sont appelés les coordonnées de v dans la base B.
     
1 0 0
0 1 0
     
. . .
Exemple : La famille de vecteurs : e1 =   . , e2 =  . ,...,en =  .  constitue une base
    
     
. . .
0 0 1
n n
dans R ; c’est la base canonique  de R .    
1 2 3
Exemple : Soient v1 = 2 , v2 = 9 et v3 = 3. On montrons que l’ensemble S =
    
1 0 4
3
{v1 ; v2 ; v3 } est une base de R .

Théorème 5.4.2. Considérons dans Rn une famille de vecteurs B.

- Si B est libre et que Card(B) = n alors B est en plus une famille génératrice Par conséquent
est une Base de Rn .
- Si B génère Rn et que le déterminant de la matrice constituée des vecteurs de B (soit en
colonne soit en ligne) est non nul alors B est en plus libre et par conséquent B constitue une base
de Rn

Définition 5.4.3. (Dimension d’un ev) Soit E un espace vectoriel. On appelle dimension de E
et on note dim(E) le cardinal i.e. le nombre d’éléments d’une de ses base.
En d’autres termes si B = {e1 , e2 , ...en } est une base d’un espace vectoriel E alors dim(E) = n.

Théorème 5.4.3. Toutes les bases d’un espace vectoriel E de dimension finie ont le même nombre
d’éléments (c’est cet nombre qui est appelé dimension de E).

5.4.2 Changement de base

- Soient B = {e1 , e2 , ..., en } et B 0 = {e01 , e02 , ..., e0n } deux bases d’un même e.v. E. On appelle
matrice de passage de la base B à la base B 0 , la matrice carrée d’ordre n, P, dont les colonnes sont
les composantes dans la base B des vecteurs de la base B 0 .
- La matrice de passage P est toujours inversible.

47
Formule de changement de base
0
Soit P = PB→B0 , la matrice
  passage de B dans B
de
x1
 x2 
Soit x ∈ E, et XB =  ..  = M at (x, B) , la matrice colonne des composantes du vecteur
 
 . 
xn
B
x dans la base  
x01
 x0 
 2 
0
et XB0 =  ..  = M at (x, B 0 ) , la matrice colonne des composantes du vecteur x dans la
 . 
x0n
0
base B .

alors XB = PB→B0 X0B0

48
Chapitre 6

Fonctions Numériques, Calculs différentiels

Dans tout ce chapitre, nous travaillerons avec des modèles mathématiques pour lesquels il est
possible d’exprimer explicitement les variables endogènes en fonctions des variables exogènes. Les
autres cas devront être traités différemment, comme nous le verrons plus tard dans ce cours.

6.1 Modèles à deux variables

Soit y = f (x) un modèle explicitant la variable y en fonction de la variable x.
Dans ce chapitre l’objectif est d’étudier le comportement de la variable endogène y au voisinage
de x∗ , valeur particulière de la variable exogène x.
On définie la variation 4x par : 4x = xinitial −xf inal . On dira aussi qu’on a étudié le comportement
local de la fonction f au voisinage de x∗ . Le point x∗ + 4x sera dit voisin du point x∗ .

6.1.1 Variation absolue ou en valeur

On envisage une variation en valeur de la variable x à partir de x∗ . Cette variation sera positive
ou négative ; on la notera 4x.
Comment varie y c’est à dire la fonction f lorsque x subi une variation absolue de valeur 4x
autour de x∗ ?
Définition 6.1.1. La variation en valeur de la fonction f ; 4y est donnée par la formule suivante :
4y = f (x∗ + 4x) − f (x∗ ).
Remarque 6.1.1. Pour un même 4x mais pour deux valeurs différentes de la variable x, le 4y
peut être différent.
Exemple 6.1.1. Considérons l’expression suivante : C = 3.Q3 − 1800.Q2 + 360000.Q + 1000000.
Nous allons faire varier Q et voir ce qui se passe pour C.

Pour 4Q = 1 et Q∗ = 100, on a :

Q∗ + 4Q = 101 et f (Q∗ ) = 3 × 1003 + 1800 × 1002 + 360000 × 100 + 1000000 = 22000000

puis f (Q∗ + 4Q) = 3 × 1013 − 1800 × 1012 + 360000 × 101 + 1000000 = 22089103. Donc 4C =
f (Q∗ + 4Q) − f (Q∗ ) = 22000000 − 22089103 = 89103.
En définitive 4C = 89103.

Pour 4Q = 1 et Q∗ = 200, on a :

Q∗ + 4Q = 201 et f (Q∗ ) = 3 × 2003 + 1800 × 2002 + 360000 × 200 + 1000000 = 25000000

puis f (Q∗ + 4Q) = 3 × 2013 − 1800 × 2012 + 360000 × 201 + 1000000 = 25000003. Donc 4C =
f (Q∗ + 4Q) − f (Q∗ ) = 25000000 − 25000003 = 3.

49
 En définitive 4C = 3. Donc

Exercice 6.1.1. Soit f : R −→ R : x 7−→ y = x2 .

Partant de x∗ = 1, on donne à la variable x une variation absolue de valeur
a) 2
b) −1.
Quelles sont les variations absolues de la variable y correspondantes ?
4y
Calculez aussi les rapports des variations absolues correspondants.
4x
Mêmes questions pour x∗ = 0.

Solution 6.1.1. Supposons que 4x = 2 et x∗ = 1. Alors x∗ + 4x = 2 + 1 = 3 et f (x∗ ) = 12 = 1

puis f (x∗ + 4x) = 32 = 9. Cela implique que 4y = f (x∗ + 4x) − f (x∗ ) = 9 − 1 = 8. Donc
4y 8
= = 4.
4x 2
De même pour 4x = −1 et x∗ = 1, on a x∗ + 4x = −1 + 1 = 0 et f (x∗ ) = 12 = 1 puis
f (x∗ + 4x) = 02 = 0. Cela implique que 4y = f (x∗ + 4x) − f (x∗ ) = 0 − 1 = −1. Donc
4y −1
= = 1.
4x −1
Exemple 6.1.2. Supposons que y = f (x) = ax + b. Alors la représentation graphique dans un
repère orthonormé de f est une droite de pente a.
4y
On a bien 4y = [a(x ∗ +4x) + b] − (ax ∗ +b) = ax ∗ +a4x + b − ax ∗ −b = a4x. Donc =a
4x

6.1.2 Variation relative ou taux de variation

Définition 6.1.2. On appelle variation relative ou taux de variation ou encore variation en pour-
centage de la variable x (en un point x∗ , par rapport à une variation absolue de valeur 4x), le
rapport
4x
.
x∗
De la même manière, la variation relative ou taux de variation ou encore variation en pour-
centage de la variable y (correspondant à une variation relative 4y de la variable y à partir du
point y ∗ ) est le rapport
4y
.
y∗
Il est parfois intéressant de calculer le rapport des variations relatives suivant :
4y
y∗ x∗ 4y
4x
= ∗.
x∗
y 4x

Exemple 6.1.3. Soit f la fonction définie par : f (x) = x2 . On donne à la variable x une aug-
mentation relative de 25% à partir de x∗ = 13.
Les variations relatives de y correspondantes :
On a 4x = xinitial − xf inal = x∗ − (x∗ + 25%x∗ ) = 25%x∗ = 0, 25 × 13 = 3, 25.
4y = f (x∗ + 4x) − f (x∗ ) = f (13 + 3, 25) − f (13) = 16, 252 − 132 = 264, 0625 − 169 = 95, 0625.
4y 4y 95, 0625 95, 0625
∗
= ∗
= + = 0, 5625.
y f (x ) 132 169
4y
Donc ∗ =0, 5625.
y
Les variations relatives de x correspondantes :

50
 4x 25%x∗
On a ∗ = = 25% = 0, 25.
x x∗
Le rapport des variations relatives correspondants.
4y
y∗ 0, 5625
Donc = = 2, 25
4x 0, 25
x∗

6.2 Modèles à n variables (n > 2)

Soit y = f (x1 , ..., xn ) un modèle explicitant la variable y en fonction des variables x1 , ..., xn .
Ici f s’applique sur Rn et prend ses valeurs dans R, on écrira aussi f : Rn → R.
Une question se pose à nous ; c’est de savoir comment varie la variable endogène y au voisinage
du point (x∗1 , x∗2 , ..., x∗n ) où les x∗i , (i = 1, 2, ..., n) sont des valeurs particulières des variables
exogènes x1 , x2 , ..., xn .
On définit un point voisin du point (x∗1 , x∗2 , ..., x∗n ) par : (x∗1 + 4x1 , x∗2 + 4x2 , ..., x∗n + 4xn ). où
chaque 4xi représente une variation en valeur de la variable xi .
Définition 6.2.1. La variation de valeur 4y de y induite par (4x1 , 4x2 , ..., 4xn ) est donnée
par : 4y = f (x∗1 + 4x1 , ..., x∗n + 4xn ) − f (x∗1 , ..., x∗n )
Exercice 6.2.1. Le revenu d’une compagnie est donné par l’équation : R = 5.W 2 .A3 . Nous avons
donc un modèle du type y = f (x1, x2) [R correspond à y, W correspond à x1 et A correspond à
x2 ]. W représentent les salaires payés (en millions de francs) et A les dépenses en publicité (en
millions de francs).
1. Si W ∗ = 30 et A∗ = 2, alors R∗ = R(W ∗ , A∗ ) = ....
2. Que devient le revenu (de combien s’accroît-il ?) si W augmente de 5% (au départ de W ∗ =
30) sans modifier A ?
3. Que devient le revenu si A diminue de 2% (au départ de A∗ = 2) sans modifier W ?
4. Que devient le revenu si à la fois W augmente de 5% (au départ de W ∗ = 30) et A diminue
de 2% (au départ de A∗ = 2) ?
Solution 6.2.1. Quand on envisage une variation des salaires de 5% (au départ d’une valeur
donnée pour les salaires), on parle de variation relative. Mathématiquement, la variation relative
4W
en W ∗ est égale à .
W∗
4W 100 5W ∗ 150
Dans ce cas, W ∗ = 30 et ∗
= ⇒ la variation en valeur est : 4W = = = 1, 5.
W 5 100 100
Pour A, nous avons :
4A −2 −2A∗
= ⇒ la variation en valeur est : 4A = = −0, 04.
A∗ 100 100
1. Notre modèle est R = 5.W 2 .A3 et nous travaillons au départ de (W ∗ , A∗ ) = (30, 2) Nous
avons R(W ∗ , A∗ ) = 5.(30)2 .(2)3 = 36000.
2. R(W ∗ + 4W, A∗ ) = 5.(30 + 1, 5)2 .(2)3 = 39690. Donc la variation 4R de R est égale à
39690 − 36000 = 3690.
3. R(W ∗ , A∗ + 4A) = 5.(30)2 .(2 − 0, 04)3 = 33882, 912. Donc la variation 4R de R est égale
à 33882, 912 − 36000 = −2117, 088.
4. R(W ∗ + 4W, A∗ + 4A) = 5.(30 + 1, 5)2 .(2 − 0, 04)3 = 37355, 91048. Donc la variation 4R
de R est égale à 37355, 91048 − 36000 = 1355, 91048.

Exercice 6.2.2. Soit y = 2x21 − 3x1 x2 + x32 et prenons x∗1 = 40 et x∗2 = 30.
a) Si 4x1 = 1 et 4x2 = −1, que vaut 4y ?
b) Si 4x1 = −1 et 4x2 = 1, que vaut 4y ?

51
6.3 Notion de Limite
Soit f : R → R une fonction numérique. Soit a un réel.
Définition 6.3.1. Si la valeur f (x) se rapproche de plus en plus du nombre L lorsque x se
rapproche de la valeur a, on dit que la fonction f (x) tend vers la limite L lorsque x tend vers a et
on écrit : lim (f (x)) = L.
x→a
Autrement dit, la différence |f (x) − L| peut être rendue aussi petite que l’on veut pourvu que
x soit suffisamment proche de a,.
En d’autres termes pour tous voisinage W de L il existe un voisinage V de a tel que pour tout
x ∈ V ∩ Df , on a : f (x) ∈ W.
Remarque 6.3.1. 1. La notion de limite est donc liée fortement à la notion de voisinage.
2. Le point x = x + 4x sera dit voisin du point x∗ .
∗

3. Plus 4x se rapproche de 0, plus x∗ + 4x se rapproche de x∗ .

4. On a : lim∗ (f (x)) = lim (f (x∗ + 4x)) = L.
x→x 4x→0

5. La variation 4 peut être alors remplacée par une variable h qui tend vers 0. Ainsi lim∗ (f (x)) =
x→x
lim (f (x∗ + h))
h→0

Exemple 6.3.1. Montrer que lim (2x + 6) = 12

x→3
On a lim (2x + 6) = lim (2(3 + h) + 6) = lim (12 + 2h) = 12. Il à remarquer que la limite 12 est
x→3 h→0 h→0
une valeur approchée très proche de 12.
Théorème 6.3.1. Soit a ∈ R Soient f et g deux fonctions telles que lim (f (x)) = l et lim (g(x)) =
x→a x→a
l0 où l et l0 sont fini. Soit λ ∈ R. Alors on a :

lim ((f + g)(x)) = l + l0 , lim ((f − g)(x)) = l − l0 , lim ((λf )(x)) = λl, lim ((f g)(x)) = ll0 ,
x→a
  x→a x→a x→a
f l
lim ( (x)) = 0 ( si l0 6= 0).
x→a g l
Remarque 6.3.2. - Les formes suivantes des limites sont à éviter :
0 ∞
∞ − ∞, 0 × ∞, , car ce sont des formes indéterminées.
0 ∞
- Il faut procéder à des transformations sur la fonction pour lever toute indétermination dans
le calcul d’une limite.
Pour determiner la limite d’une fonction, il n’existe pas de méthode générale. On se sert des
limites usuelles dont nous donnons ici quelques unes que nous jugeons importantes :
(ln(x))α
lim (ln(x)) = −∞, lim (ln(x)) = +∞, lim (x(ln(x))β ) = 0 où β > 0, lim ( )=
x→0 x→+∞ x→0 x→+∞ x
ln(1 + x) ex − 1
0 où α ∈ R, lim ( ) = 1, lim (ex ) = 0, lim (ex ) = +∞, lim ( ) = 1,
x→0 x x
x→−∞ x→+∞ x→0 x
e
lim (xα ex ) = 0 où α ∈ R, lim ( α ) = +∞ où α ∈ R,
x→−∞  −x
x→+∞
1 0 si n est impaire,
lim (x−n ) = lim ( n ) = + lim (x−n ) = 0+ , lim (xn ) = 0+ ,
x→−∞
 − x→−∞ x 0 si n est paire, x→+∞
 x→0+
0 si n est impaire, −n 1 −∞ si n est impaire,
n
lim− (x ) = + lim− (x ) = lim− ( n ) = lim+ (x−n ) =
x→0 0 si n est paire, x→0 x→0 x +∞ si n est paire, x→0
1 sin(x) tan(x) 1
lim ( ) = +∞, lim ( ) = 1, lim ( ) = 1, lim ((1 + x) x ) = e, lim ((1 + x1 )x ) = e,
x→0+ xn x→0 x x→0 x x→0 x→∞
k
x
lim ((1 + xa )x ) = ea , lim ( m ) = 0 a > 0....
x→∞ x→∞ a

52
6.4 Continuité de fonction numérique
Une fonction f (x) est dite continue au point x = a si les trois conditions suivantes sont
satisfaites simultanément :
1. f est définie en a,
2. lim (f (x)) existe
x→a
3. lim (f (x)) = f (a).
x→a
On dit qu’une fonction f (x) est discontinue en x = a, si elle n’est pas continue en x = a.
On dit qu’une fonction f est continue sur A une partie de Df (l’ensemble de définition de f )
si f est continue en tout point de A.

Proposition 6.4.1. 1. Toutes les fonctions usuelles sont continues sur leur ensemble de défi-
nition.
2. Si f est une fonction continue sur un intervalle fermé [a; b] alors f a une valeur maximale
M et une valeur minimale m sur [a; b], et f prend sur [a; b] toute valeur comprise entre son
minimum m et son maximum M.

Théorème 6.4.1. (Théorèrne de Bolzano) Si f est une fonction continue sur un intervalle
ferme [a; b] et si f (a) et f (b) sont de signes opposés, alors il existe un point x0 de l’intervalle [a; b]
tel que f (x0 ) = 0.

Ce théorème est aussi connu sous le nom de théorème des valeurs intermédiaires

Définition 6.4.1. (Prolongement par continuité)

Soit f une fonction définie sur D et admettant une limite en un point x0 n’appartenant pas à
D. La fonction g définie par : 
g(x) = f (x) si x ∈ D
g(x0 ) = l,
est appelée prolongement par continuité de f . La fonction g est définie sur D ∪ {x0 }.

53