Cours Math Calculs

Cours de calculs algébriques - MATH1
27 novembre 2023
2
Le contenu de ce cours est essentiellement issu de ce dépôt de ressources libres :

https ://github.com/exo7math/cours-exo7
Table des matières
1 Nombres complexes 5
I Les nombres complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Partie réelle et imaginaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4 Calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5 Conjugué, module . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
II Racines carrées, équation du second degré . . . . . . . . . . . . . . . . . . . . . . . 10
1 Racines carrées d’un nombre complexe . . . . . . . . . . . . . . . . . . . . . 10
2 Équation du second degré . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Théorème fondamental de l’algèbre . . . . . . . . . . . . . . . . . . . . . . . 12
III Argument et trigonométrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1 Argument . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Formule de Moivre, notation exponentielle . . . . . . . . . . . . . . . . . . . 13
3 Racines n-ième . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Matrices 15
I Définitions et vocabulaire matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3 Addition de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
II Multiplication de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1 Définition du produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Pièges à éviter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4 Propriétés du produit de matrices . . . . . . . . . . . . . . . . . . . . . . . 19
5 La matrice identité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6 La transposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7 La trace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
8 Matrices triangulaires, matrices diagonales . . . . . . . . . . . . . . . . . . . 21
III Inverse d’une matrice : définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 Calcul de l’inverse pour des matrices 2 × 2 . . . . . . . . . . . . . . . . . . . 24
5 Méthode du pivot de Gauss pour inverser les matrices . . . . . . . . . . . . 25
6 Un exemple d’inversion de matrice . . . . . . . . . . . . . . . . . . . . . . . 25
3
4 TABLE DES MATIÈRES
3 Déterminants 27
I Déterminant en dimension 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1 Matrice 2 × 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Interprétation géométrique du déterminant . . . . . . . . . . . . . . . . . . 27
II Définition du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1 Définition générale et premières propriétés . . . . . . . . . . . . . . . . . . . 28
2 Premières propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Déterminants de matrices particulières . . . . . . . . . . . . . . . . . . . . . 30
III Propriétés du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1 Déterminant et matrices élémentaires . . . . . . . . . . . . . . . . . . . . . 31
2 Déterminant d’un produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Déterminant des matrices inversibles . . . . . . . . . . . . . . . . . . . . . . 32
4 Déterminant de la transposée . . . . . . . . . . . . . . . . . . . . . . . . . . 33
IV Calculs de déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1 Cofacteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2 Développement suivant une ligne ou une colonne . . . . . . . . . . . . . . . 35
3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Systèmes linéaires 37
I Introduction aux systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . . . 37
1 Exemple : deux droites dans le plan . . . . . . . . . . . . . . . . . . . . . . 37
2 Résolution par substitution . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3 Exemple : deux plans dans l’espace . . . . . . . . . . . . . . . . . . . . . . . 38
4 Résolution par la méthode de Cramer . . . . . . . . . . . . . . . . . . . . . 39
5 Résolution par inversion de matrice . . . . . . . . . . . . . . . . . . . . . . . 40
II Théorie des systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2 Différents types de systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3 Systèmes homogènes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
III Résolution par la méthode du pivot de Gauss . . . . . . . . . . . . . . . . . . . . . 43
1 Systèmes échelonnés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2 Opérations sur les équations d’un système . . . . . . . . . . . . . . . . . . . 44
3 Méthode du pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4 Systèmes homogènes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Polynômes et fractions rationnelles 49

I Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2 Opérations sur les polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
II Arithmétique des polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1 Division euclidienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
III Racine d’un polynôme, factorisation . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1 Racines d’un polynôme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2 Théorème de d’Alembert-Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 54
3 Polynômes irréductibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 Théorème de factorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5 Factorisation dans C[X] et R[X] . . . . . . . . . . . . . . . . . . . . . . . . 56
IV Fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1 Décomposition en éléments simples sur C . . . . . . . . . . . . . . . . . . . 57
2 Décomposition en éléments simples sur R . . . . . . . . . . . . . . . . . . . 59
1
Chapitre
Nombres complexes
Préambule
L’équation x + 5 = 2 a ses coefficients dans N mais pourtant sa solution x = −3 n’est pas un

entier naturel. Il faut ici considérer l’ensemble plus grand Z des entiers relatifs.
De même l’équation 2x = −3 a ses coefficients dans Z mais sa solution x = − 32 est dans
l’ensemble plus grand des rationnels Q. Continuons ainsi, l’équation x2 = 21 à coefficients dans
√ √
Q, a ses solutions x1 = +1/ 2 et x2 = −1/ 2 dans l’ensemble p√ des réels p R. Ensuite l’équation
√ √
x = − 2 à ses coefficients dans R et ses solutions x1 = +i
2 2 et x2 = −i 2 dans l’ensemble
des nombres complexes C. Ce processus est-il sans fin ? Non ! Les nombres complexes sont en
quelque sorte le bout de la chaîne car nous avons le théorème de d’Alembert-Gauss suivant :
« Pour n’importe quelle équation polynomiale an xn + an−1 xn−1 + · · · + a2 x2 + a1 x + a0 = 0 où
les coefficients ai sont des complexes (ou bien des réels), alors les solutions x1 , . . . , xn sont dans
l’ensemble des nombres complexes ».
Outre la résolution d’équations, les nombres complexes s’appliquent à la trigonométrie, à la

géométrie (comme nous le verrons dans ce chapitre) mais aussi à l’électronique, à la mécanique
quantique, etc.
I- Les nombres complexes
1. Définition
Définition I.1
Un nombre complexe est un couple (a, b) ∈ R2 que l’on note a + ib
5
6 CHAPITRE 1. NOMBRES COMPLEXES
iR
a + ib
b
0 1 a R
Cela revient à identifier 1 avec le vecteur (1, 0) de R2 , et i avec le vecteur (0, 1). On note C
l’ensemble des nombres complexes. Si b = 0, alors z = a est situé sur l’axe des abscisses, que l’on
identifie à R. Dans ce cas on dira que z est réel, et R apparaît comme un sous-ensemble de C,
appelé axe réel. Si b 6= 0, z est dit imaginaire et si b 6= 0 et a = 0, z est dit imaginaire pur.
2. Opérations
Si z = a + ib et z ′ = a′ + ib′ sont deux nombres complexes, alors on définit les opérations
suivantes :
— addition : (a + ib) + (a′ + ib′ ) = (a + a′ ) + i(b + b′ )
iR
z + z′
z′
i z
0 1 R
— multiplication : (a + ib) × (a′ + ib′ ) = (aa′ − bb′ ) + i(ab′ + ba′ ). On développe en suivant les
règles de la multiplication usuelle avec la convention suivante : i2 = −1
3. Partie réelle et imaginaire

Soit z = a + ib un nombre complexe, sa partie réelle est le réel a et on la note Re(z) ; sa
partie imaginaire est le réel b et on la note Im(z).
iR
iIm(z) z
Im(z) i
0 1 Re(z) R
Re(z)
I. LES NOMBRES COMPLEXES 7
Par identification de C à R2 , l’écriture z = Re(z) + iIm(z) est unique :


 Re(z) = Re(z ′ )
′
z=z ⇐⇒ et

Im(z) = Im(z ′ )
En particulier un nombre complexe est réel si et seulement si sa partie imaginaire est nulle. Un
nombre complexe est nul si et et seulement si sa partie réelle et sa partie imaginaire sont nuls.
4. Calculs
Quelques définitions et calculs sur les nombres complexes.
λz
z
i
0
1
−z
— L’ opposé de z = a + ib est −z = (−a) + i(−b) = −a − ib.

— La multiplication par un scalaire λ ∈ R : λ · z = (λa) + i(λb).
— L’ inverse : si z 6= 0, il existe un unique z ′ ∈ C tel que zz ′ = 1 (où 1 = 1 + i × 0).
Pour la preuve et le calcul on écrit z = a + ib puis on cherche z ′ = a′ + ib′ tel que zz ′ = 1.
Autrement dit (a + ib)(a′ + ib′ ) = 1. En développant et identifiant les parties réelles et
imaginaires on obtient les équations

aa′ − bb′ = 1 (L1 )
ab′ + ba′ = 0 (L2 )
En écrivant aL1 + bL2 (on multiplie la ligne (L1 ) par a, la ligne (L2 ) par b et on additionne)
et −bL1 + aL2 on en déduit
′ 2 (
a a + b2 = a a′ = a2 +b
a
2
′ donc ′
b a + b = −b
2 2
b = − a2 +b2
b
L’inverse de z, noté z1 , est donc

1 a −b a − ib
z′ = = 2 2
+i 2 2
= 2 .
z a +b a +b a + b2
— La division : zz′ est le nombre complexe z × z1′ .
— Propriété d’intégrité : si zz ′ = 0 alors z = 0 ou z ′ = 0.
: z 1 = z × z, z = z × · · · × z (n fois, n ∈ N). Par convention z = 1 et
— Puissances 2 n 0
−n 1 n
z = z = zn .
Proposition 1.1
Pour tout z ∈ C, z 6= 1 :
1 − z n+1
1 + z + z2 + · · · + zn = .
1−z
La preuve est simple : notons S = 1 + z + z 2 + · · · + z n , alors en développant S · (1 − z) presque

tous les termes se télescopent et l’on trouve S · (1 − z) = 1 − z n+1 .
Il n’y pas d’ordre naturel sur C, il ne faut donc jamais écrire z ⩾ 0 ou z ⩽ z ′ .

»
5. Conjugué, module
Le conjugué de z = a + ib est z̄ = a − ib, autrement dit Re(z̄) = Re(z) et Im(z̄) = −Im(z). Le
point z̄ est le symétrique du point z par rapport à l’axe réel.
√
Le module de z = a+ib est le√réel positif |z| = a2 + b2 . Comme z× z̄ = (a+ib)(a−ib) = a2 +b2
alors le module vaut aussi |z| = z z̄.
z z = a + ib
i
0 |z|
b
1
z̄ 0 a
Quelques formules :
— z + z ′ = z̄ + z ′ , z̄ = z, zz ′ = z̄z ′
— z = z̄ ⇐⇒ z ∈ R
— |z|2 = z × z̄, |z̄| = |z|, |zz ′ | = |z||z ′ |
— |z| = 0 ⇐⇒ z = 0
Proposition 1.2 : L’inégalité triangulaire
z + z ′ ⩽ |z| + z ′
z + z′
z′
|z + z ′ |
′
|z |
z
|z|
0
Avant de faire la preuve voici deux remarques utiles. Soit z = a + ib ∈ C avec a, b ∈ R :

√
— |Re(z)| ≤ |z| (et aussi |Im(z)| ≤ |z|). Cela vient du fait que |a| ≤ a2 + b2 . Noter que pour
un réel |a| est à la fois le module et la valeur absolue.
— z + z̄ = 2Re(z) et z − z̄ = 2iIm(z). Preuve : z + z̄ = (a + ib) + (a − ib) = 2a = 2Re(z).
I. LES NOMBRES COMPLEXES 9
Démonstration. Pour la preuve on calcule |z + z ′ |2 :

|z + z ′ |2 = z + z ′ (z + z ′ )
= z z̄ + z ′ z ′ + zz ′ + z ′ z̄
= |z|2 + |z ′ |2 + 2Re(z ′ z̄)
≤ |z|2 + |z ′ |2 + 2|z ′ z̄|
≤ |z|2 + |z ′ |2 + 2|zz ′ |
≤ (|z| + |z ′ |)2
Exemple 5.1
Dans un parallélogramme, la somme des carrés des diagonales égale la somme des carrés des
côtés.
Si les longueurs des côtés sont notées L et ℓ et les longueurs des diagonales sont D et d alors
il s’agit de montrer l’égalité
D2 + d2 = 2ℓ2 + 2L2 .
z + z′
′
|z − z | |z|
L
z′
|z + z | ′ |z ′ |
ℓ
d |z ′ |
ℓ D z
|z|
L 0
Démonstration. Cela devient simple si l’on considère que notre parallélogramme a pour sommets
0, z, z ′ et le dernier sommet est donc z + z ′ . La longueur du grand côté est ici |z|, celle du petit côté
est |z ′ |. La longueur de la grande diagonale est |z + z ′ |. Enfin il faut se convaincre que la longueur
de la petite diagonale est |z − z ′ |.

D 2 + d2 = z + z ′ + z − z′ z + z ′ (z + z ′ ) + z − z ′ (z − z ′ )
2 2
=
= z z̄ + zz ′ + z ′ z̄ + z ′ z ′ + z z̄ − zz ′ − z ′ z̄ + z ′ z ′
= 2z z̄ + 2z ′ z ′ = 2 |z|2 + 2 z ′
2
= 2ℓ2 + 2L2
II- Racines carrées, équation du second degré

1. Racines carrées d’un nombre complexe
Pour z ∈ C, une racine carrée est un nombre complexe ω tel que ω 2 = z.
√ √
Par exemple si x ∈ R+ , on connaît deux racines carrées : x, − x. Autre exemple : les racines
carrées de −1 sont i et −i.
Proposition 1.3
Soit z un nombre complexe, alors z admet deux racines carrées, ω et −ω.
Attention ! Contrairement au cas réel, il n’y a pas de façon privilégiée de choisir une racine
plutôt que l’autre, donc pas de fonction racine. On ne dira donc jamais « soit ω la racine de z ».
Si z 6= 0 ces deux racines carrées sont distinctes. Si z = 0 alors ω = 0 est une racine double.
Pour z = a + ib nous allons calculer ω et −ω en fonction de a et b.
Démonstration. Nous écrivons ω = x + iy, nous cherchons x, y tels que ω 2 = z.
ω 2 = z ⇐⇒ (x + iy)2 = a + ib
2
x − y2 = a en identifiant parties
⇐⇒
2xy = b et parties imaginaires.
Petite astuce ici : nous

√ rajoutons l’équation |ω|2 = |z| (qui se déduit bien sûr de ω 2 = z) qui
s’écrit aussi x2 + y 2 = a2 + b2 . Nous obtenons des systèmes équivalents aux précédents :
 2  √  p√
 x − y2 = a  2x2 = √ a2 + b2 + a 
 x = ± √2 p a + b + a
1 2 2
√
2xy = b √ ⇐⇒ 2y = a + b − a ⇐⇒
2
 y=± 2 a 2 + b2 − a
2 2 √1
 2  
x + y 2 = a 2 + b2 2xy = b 2xy = b
Discutons suivant le signe du réel b. Si b ⩾ 0, x et y sont de même signe ou nuls (car 2xy = b ≥ 0)
donc
qp qp
1
ω = ±√ 2 2
a +b +a+i a +b −a ,
2 2
2
et si b ⩽ 0
qp qp
1
ω = ±√ a +b +a−i
2 2 a +b −a .
2 2
2
√
En particulier si b = 0 le résultat
√ dépend du signe de a,
√ si a ⩾ 0,
p a2 = a et par conséquent
√
ω = ± a, tandis que si a < 0, a2 = −a et donc ω = ±i −a = ±i |a|.
Il n’est pas nécessaire d’apprendre ces formules mais il est indispensable de savoir refaire les
calculs.
Exemple 1.1
√ √
Les racines carrées de i sont + 2
2 (1 + i) et − 2
2 (1 + i).
En effet :
ω 2 = i ⇐⇒ (x + iy)2 = i
2
x − y2 = 0
⇐⇒
2xy = 1
II. RACINES CARRÉES, ÉQUATION DU SECOND DEGRÉ 11
Rajoutons la conditions |ω|2 = |i| pour obtenir le système équivalent au précédent :

 2  
 x − y2 = 0  2x2 = 1 
 x = ± √2
1
2xy = 1 ⇐⇒ 2y 2 = 1 ⇐⇒ y = ± √12
 2  
 2xy = 1
x + y2 = 1 2xy = 1
Les réels x et y sont donc de même signe, nous trouvons bien deux solutions :
1 1 1 1
x + iy = √ + i √ ou x + iy = − √ − i √
2 2 2 2
2. Équation du second degré
Proposition 1.4
L’équation du second degré az 2 + bz + c = 0, où a, b, c ∈ C et a 6= 0, possède deux solutions

z1 , z2 ∈ C éventuellement confondues.
Soit ∆ = b2 − 4ac le discriminant et δ ∈ C une racine carrée de ∆. Alors les solutions sont :
−b + δ −b − δ
z1 = et z2 = .
2a 2a
Et si ∆ = 0 alors la√solution z = z1 = z2 = −b/2a est unique (elle est dite double). Si on

s’autorisait à écrire δ = ∆, on obtiendrait la même formule que celle que vous connaissez lorsque
a, b, c sont réels.
Exemple 2.1
√
√ −1 ± i 3
— z2 + z + 1 = 0, ∆ = −3, δ = i 3, les solutions sont z = .
2
√
√ −1 ± 2
1−i 2 2 (1 + i)
— z2 + z + 4 = 0, ∆ = i, δ = 2 (1 + i), les solutions sont z = =
√ 2
− 12 ± 2
4 (1 + i).
On retrouve aussi le résultat bien connu pour le cas des équations à coefficients réels :
Corollaire II.1
Si les coefficients a, b, c sont réels alors ∆ ∈ R et les solutions sont de trois types :
b
— si ∆ = 0, la racine double est réelle et vaut − ,
2a
√
−b ± ∆
— si ∆ > 0, on a deux solutions réelles ,
2a
√
−b ± i −∆
— si ∆ < 0, on a deux solutions complexes, mais non réelles, .
2a
Démonstration. On écrit la factorisation

!
b c b 2 b2 c
2
az + bz + c = a z + z +2
=a z+ − 2+
a a 2a 4a a
! !
b 2 ∆ b 2 δ2
= a z+ − 2 =a z+ − 2
2a 4a 2a 4a

b δ b δ
= a z+ − z+ +
2a 2a 2a 2a

−b + δ −b − δ
= a z− z− = a (z − z1 ) (z − z2 )
2a 2a
Donc le binôme s’annule si et seulement si z = z1 ou z = z2 .
3. Théorème fondamental de l’algèbre
Théorème 1.1 : d’Alembert–Gauss
Soit P (z) = an z n + an−1 z n−1 + · · · + a1 z + a0 un polynôme à coefficients complexes et de

degré n. Alors l’équation P (z) = 0 admet exactement n solutions complexes comptées avec
leur multiplicité.
En d’autres termes il existe des nombres complexes z1 , . . . , zn (dont certains sont éventuel-
lement confondus) tels que
P (z) = an (z − z1 ) (z − z2 ) · · · (z − zn ) .
Nous admettons ce théorème.
III- Argument et trigonométrie

1. Argument
Si z = x + iy est de module 1, alors x2 + y 2 = |z|2 = 1. Par conséquent le point (x, y) est sur
le cercle unité du plan, et son abscisse x est notée cos θ, son ordonnée y est sin θ, où θ est (une
mesure de) l’angle entre l’axe réel et z. Plus généralement, si z 6= 0, z/|z| est de module 1, et cela
amène à :
Définition III.1
Pour tout z ∈ C∗ = C \ {0}, un nombre θ ∈ R tel que z = |z| (cos θ + i sin θ) est appelé un
argument de z et noté θ = arg(z).
iR
|z|
i
arg(z)
0 1 R
Cet argument est défini modulo 2π. On peut imposer à cet argument d’être unique si on rajoute
la condition θ ∈] − π, +π].
III. ARGUMENT ET TRIGONOMÉTRIE 13
» ′ ′

cos θ = cos θ′
θ≡θ (mod 2π) ⇐⇒ ∃k ∈ Z, θ = θ + 2kπ ⇐⇒
sin θ = sin θ′
Proposition 1.5
L’argument satisfait les propriétés suivantes :

— arg (zz ′ ) ≡ arg(z) + arg (z ′ ) (mod 2π)
— arg (z n ) ≡ n arg(z) (mod 2π)
— arg (1/z) ≡ − arg(z) (mod 2π)
— arg(z̄) ≡ − arg z (mod 2π)
Démonstration.

zz ′ = |z| (cos θ + i sin θ) z ′ cos θ′ + i sin θ′

= zz ′ cos θ cos θ′ − sin θ sin θ′ + i cos θ sin θ′ + sin θ cos θ′

= zz ′ cos θ + θ′ + i sin θ + θ′
donc arg (zz ′ ) ≡ arg(z) + arg (z ′ ) (mod 2π). On en déduit les deux autres propriétés, dont la
deuxième par récurrence.
2. Formule de Moivre, notation exponentielle

La formule de Moivre est : (cos θ + i sin θ)n = cos (nθ) + i sin (nθ)
Démonstration. Par récurrence, on montre que

(cos θ + i sin θ)n = (cos θ + i sin θ)n−1 × (cos θ + i sin θ)
= (cos ((n − 1) θ) + i sin ((n − 1) θ)) × (cos θ + i sin θ)
= (cos ((n − 1) θ) cos θ − sin ((n − 1) θ) sin θ)
+i (cos ((n − 1) θ) sin θ + sin ((n − 1) θ) cos θ)
= cos nθ + i sin nθ
Nous définissons la notation exponentielle par eiθ = cos θ + i sin θ et donc tout nombre
complexe s’écrit z = ρeiθ où ρ = |z| est le module et θ = arg(z) est un argument.
′
Avec la notation exponentielle, on peut écrire pour z = ρeiθ et z ′ = ρ′ eiθ
 ′ ′ iθ iθ ′ ′ i(θ+θ ′ )

 zzn = ρρ iθe ne =nρρ iθe n

z = ρe = ρ e = ρn einθ
1 −iθ


iθ
1/z = 1/ ρe = ρ e

z̄ = ρe−iθ
n
La formule de Moivre se réduit à l’égalité : inline eiθ = einθ .
′
Et nous avons aussi : ρeiθ = ρ′ eiθ (avec ρ, ρ′ > 0) si et seulement si ρ = ρ′ et θ ≡ θ′ (mod 2π).
3. Racines n-ième
Définition III.2
Pour z ∈ C et n ∈ N, une racine n-ième est un nombre ω ∈ C tel que ω n = z.
Proposition 1.6
Il y a n racines n-ièmes ω0 , ω1 , . . . , ωn−1 de z = ρeiθ , ce sont :

iθ+2ikπ
ωk = ρ1/n e n , k = 0, 1, . . . , n − 1
Démonstration. Écrivons z = ρeiθ et cherchons ω sous la forme ω = reit tel que z = ω n . Nous
n
obtenons donc ρeiθ = ω n = reit = rn eint . Prenons tout d’abord le module : ρ = ρeiθ =
rn eint = rn et donc r = ρ1/n (il s’agit ici de nombres réels). Pour les arguments nous avons
eint = eiθ et donc nt ≡ θ (mod 2π) (n’oubliez surtout pas le modulo 2π !). Ainsi on résout nt =
θ + 2kπ (pour k ∈ Z) et donc t = nθ + 2kπ n
n . Les solutions de l’équation ω = z sont donc les
iθ+2ikπ
ωk = ρ1/n e n . Mais en fait il n’y a que n solutions distinctes car ωn = ω0 , ωn+1 = ω1 , …Ainsi
les n solutions sont ω0 , ω1 , . . . , ωn−1 .
Par exemple pour z = 1, on obtient les n racines n-ièmes de l’unité e2ikπ/n , k = 0, . . . , n − 1

qui forment un groupe multiplicatif.
j = e2iπ/3 i i
eiπ/3
0 1 = e0 −1 = eiπ
0 1
j 2 = e4iπ/3 e−iπ/3
Racine 3-ième de l’unité (z = 1, n = 3) Racine 3-ième de −1 (z = −1, n = 3)
Les racines 5-ième de l’unité (z = 1, n = 5) forment un pentagone régulier :
i e2iπ/5
e4iπ/5
0 1
e6iπ/5
e8iπ/5
2
Chapitre
Matrices
Les matrices sont des tableaux de nombres. Ce sont des représentations très pratiques pour
résoudre des problèmes d’algèbre linéaire.
I- Définitions et vocabulaire matriciel

1. Définition
Définition I.1
— Une matrice A est un tableau rectangulaire d’éléments de K.
— Elle est dite de taille n × p si le tableau possède n lignes et p colonnes. On note dans
ce cas A ∈ Mn,p (K)
— Les nombres du tableau sont appelés les coefficients de A.
— Le coefficient situé à la i-ème ligne et à la j-ème colonne est noté ai,j .
Un tel tableau est représenté de la manière suivante :

 
a1,1 a1,2 . . . a1,j . . . a1,p
 a2,1 a2,2 . . . a2,j . . . a2,p 
 
 ... ... ... ... ... ... 
A=   ou A = ai,j 1≤i≤n ou ai,j .

 ai,1 ai,2 . . . ai,j . . . ai,p  1≤j≤p
 ... ... ... ... ... ... 
an,1 an,2 . . . an,j . . . an,p
Exemple 1.1

1 −2 5
A=
0 3 7
est une matrice 2 × 3 avec, par exemple, a1,1 = 1 et a2,3 = 7.
15
16 CHAPITRE 2. MATRICES
2. Matrices particulières
Voici quelques types de matrices intéressantes :
— Si n = p (même nombre de lignes que de colonnes), la matrice est dite matrice carrée. On
note Mn (K) au lieu de Mn,n (K).
 
a1,1 a1,2 . . . a1,n
 a2,1 a2,2 . . . a2,n 
 
 .. .. .. .. 
 . . . . 
an,1 an,2 . . . an,n
Les éléments a1,1 , a2,2 , . . . , an,n forment la diagonale principale de la matrice.

— Une matrice qui n’a qu’une seule ligne (n = 1) est appelée matrice ligne ou vecteur ligne.
On la note
A = a1,1 a1,2 . . . a1,p .
— De même, une matrice qui n’a qu’une seule colonne (p = 1) est appelée matrice colonne
ou vecteur colonne. On la note  
a1,1
 a2,1 
 
A =  . .
.
 . 
an,1
— La matrice (de taille n × p) dont tous les coefficients sont des zéros est appelée la matrice
nulle et est notée 0n,p ou plus simplement 0. Dans le calcul matriciel, la matrice nulle joue
le rôle du nombre 0 pour les réels.
3. Addition de matrices
Définition I.2 : Somme de deux matrices
Soient A et B deux matrices ayant la même taille n × p. Leur somme C = A + B est la
matrice de taille n × p définie par
cij = aij + bij .
En d’autres termes, on somme coefficients par coefficients. Remarque : on note indifféremment

aij où ai,j pour les coefficients de la matrice A.
Exemple 3.1

3 −2 0 5 3 3
Si A= et B= alors A+B = .
1 7 2 −1 3 6

′ −2
Par contre si B = alors A + B′ n’est pas définie.
8
Définition I.3 : Produit d’une matrice par un scalaire

Le produit d’une matrice A = aij de Mn,p (K) par un scalaire α ∈ K est la matrice αaij
formée en multipliant chaque coefficient de A par α. Elle est notée α · A (ou simplement
αA).
II. MULTIPLICATION DE MATRICES 17
Exemple 3.2

1 2 3 2 4 6
Si A= et α=2 alors αA = .
0 1 0 0 2 0
La matrice (−1)A est l’ opposée de A et est notée −A. La différence A − B est définie par
A + (−B).
Exemple 3.3

2 −1 0 −1 4 2 3 −5 −2
Si A = et B = alors A−B = .
4 −5 2 7 −5 3 −3 0 −1
L’addition et la multiplication par un scalaire se comportent sans surprises :
Proposition 2.1
Soient A, B et C trois matrices appartenant à Mn,p (K). Soient α ∈ K et β ∈ K deux

scalaires.
1. A + B = B + A : la somme est commutative,
2. A + (B + C) = (A + B) + C : la somme est associative,
3. A + 0 = A : la matrice nulle est l’élément neutre de l’addition,
4. (α + β)A = αA + βA,
5. α(A + B) = αA + αB.
Démonstration. Prouvons par exemple le quatrième point. Le terme général de (α + β)A est égal
à (α + β)aij . D’après les règles de calcul dans K, (α + β)aij est égal à αaij + βaij qui est le terme
général de la matrice αA + βA.
II- Multiplication de matrices
1. Définition du produit
Le produit AB de deux matrices A et B est défini si et seulement si le nombre de colonnes de
A est égal au nombre de lignes de B.
Définition II.1 : Produit de deux matrices

Soient A = (aij ) une matrice n × p et B = (bij ) une matrice p × q. Alors le produit C = AB
est une matrice n × q dont les coefficients cij sont définis par :
X
p
cij = aik bkj
k=1
On peut écrire le coefficient de façon plus développée, à savoir :
cij = ai1 b1j + ai2 b2j + · · · + aik bkj + · · · + aip bpj .
Il est commode de disposer les calculs de la façon suivante.

 
×
 × 
  ←B
 × 
   × 
|
   | 
A→ 
× × × ×

− − − cij
 ← AB

Avec cette disposition, on considère d’abord la ligne de la matrice A située à gauche du co-
efficient que l’on veut calculer (ligne représentée par des × dans A) et aussi la colonne de la
matrice B située au-dessus du coefficient que l’on veut calculer (colonne représentée par des ×
dans B). On calcule le produit du premier coefficient de la ligne par le premier coefficient de la
colonne (ai1 × b1j ), que l’on ajoute au produit du deuxième coefficient de la ligne par le deuxième
coefficient de la colonne (ai2 × b2j ), que l’on ajoute au produit du troisième…
2. Exemples
Exemple 2.1
 
1 2
1 2 3
A= B = −1 1
2 3 4
1 1
On dispose d’abord le produit correctement (à gauche) : la matrice obtenue est de taille
2 × 2. Puis on calcule chacun des coefficients, en commençant par le premier coefficient
c11 = 1 × 1 + 2 × (−1) + 3 × 1 = 2 (au milieu), puis les autres (à droite).
     
1 2 1 2 1 2
−1 1 −1 1 −1 1
1 1 1 1 1 1
1 2 3 c11 c12 1 2 3 2 c12 1 2 3 2 7
2 3 4 c21 c22 2 3 4 c21 c22 2 3 4 3 11
Un exemple intéressant est le produit d’un vecteur ligne par un vecteur colonne :
 
b1
 b2 
 
u = a1 a2 · · · an v=.
 .. 
bn
Alors u × v est une matrice de taille 1 × 1 dont l’unique coefficient est a1 b1 + a2 b2 + · · · + an bn . Ce

nombre s’appelle le produit scalaire des vecteurs u et v.
Calculer le coefficient cij dans le produit A × B revient donc à calculer le produit scalaire des
vecteurs formés par la i-ème ligne de A et la j-ème colonne de B.
3. Pièges à éviter
Premier piège. Le produit de matrices n’est pas commutatif en général.
En effet, il se peut que AB soit défini mais pas BA, ou que AB et BA soient tous deux définis
mais pas de la même taille. Mais même dans le cas où AB et BA sont définis et de la même taille,
on a en général AB 6= BA.
Exemple 3.1

5 1 2 0 14 3 2 0 5 1 10 2
= mais = .
3 −2 4 3 −2 −6 4 3 3 −2 29 −2
Deuxième piège. AB = 0 n’implique pas A = 0 ou B = 0.

Il peut arriver que le produit de deux matrices non nulles soit nul. En d’autres termes, on peut
avoir A 6= 0 et B 6= 0 mais AB = 0.
Exemple 3.2

0 −1 2 −3 0 0
A= B= et AB = .
0 5 0 0 0 0
Troisième piège. AB = AC n’implique pas B = C. On peut avoir AB = AC et B 6= C.
Exemple 3.3

0 −1 4 −1 2 5 −5 −4
A= B= C= et AB = AC = .
0 3 5 4 5 4 15 12
4. Propriétés du produit de matrices

Malgré les difficultés soulevées au-dessus, le produit vérifie les propriétés suivantes :
Proposition 2.2
1. A(BC) = (AB)C : associativité du produit,

2. A(B + C) = AB + AC et (B + C)A = BA + CA : distributivité du produit par
rapport à la somme,
3. A · 0 = 0 et 0 · A = 0.
5. La matrice identité
La matrice carrée suivante s’appelle la matrice identité :
 
1 0 ... 0
 0 1 ... 0 
 
In =  . . . . 
 .. .. . . .. 
0 0 ... 1
Ses éléments diagonaux sont égaux à 1 et tous ses autres éléments sont égaux à 0. Elle se note
In ou simplement I. Dans le calcul matriciel, la matrice identité joue un rôle analogue à celui du
nombre 1 pour les réels. C’est l’élément neutre pour la multiplication. En d’autres termes :
Proposition 2.3
Si A est une matrice n × p, alors :
In · A = A et A · Ip = A.
6. La transposition
Soit A la matrice de taille n × p
 
a11 a12 . . . a1p
 a21 a22 . . . a2p 
 
A= .. .. .. .
 . . . 
an1 an2 . . . anp
Définition II.2
On appelle matrice transposée de A la matrice A⊤ de taille p × n définie par :

 
a11 a21 . . . an1
 a12 a22 . . . an2 
 
A⊤ =  . .. ..  .
 .. . . 
a1p a2p . . . anp
Autrement dit : le coefficient à la place (i, j) de A⊤ est aji . Ou encore la i-ème ligne de A
devient la i-ème colonne de A⊤ (et réciproquement la j-ème colonne de A⊤ est la j-ème ligne de
A).
Notation : La transposée de la matrice A se note aussi souvent tA.
Exemple 6.1
 ⊤  
1 2 3 1 4 −7
 4 5 −6 = 2 5 8
−7 8 9 3 −6 9
 ⊤  
0 3 1
 1 −5 = 0 1 −1 (1 − 2 5)⊤ = −2
3 −5 2
−1 2 5
L’opération de transposition obéit aux règles suivantes :
Théorème 2.1
1. (A + B)⊤ = A⊤ + B ⊤
2. (αA)⊤ = αA⊤
3. (A⊤ )⊤ = A
4. (AB)⊤ = B ⊤ A⊤
Notez bien l’inversion : (AB)⊤ = B ⊤ A⊤ , comme pour (AB)−1 = B −1 A−1 .

7. La trace
Dans le cas d’une matrice carrée de taille n × n, les éléments a11 , a22 , . . . , ann sont appelés les
éléments diagonaux.
Sa diagonale principale est la diagonale (a11 , a22 , . . . , ann ).
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
 .. .. .. .. 
 . . . . 
an1 an2 . . . ann
Définition II.3
La trace de la matrice A est le nombre obtenu en additionnant les éléments diagonaux de
A. Autrement dit,
tr(A) = a11 + a22 + · · · + ann
Exemple 7.1
— Si A = ( 20 15 ), alors tr(A) = 2 + 5 = 7.
1 1 2
— Pour B = 5 2 8 , tr(B) = 1 + 2 − 10 = −7.
11 0 −10
Théorème 2.2
Soient A et B deux matrices n × n. Alors :
1. tr(A + B) = tr(A) + tr(B),
2. tr(αA) = α tr(A) pour tout α ∈ K,
3. tr(A⊤ ) = tr(A),
4. tr(AB) = tr(BA).
8. Matrices triangulaires, matrices diagonales

Soit A une matrice de taille n × n. On dit que A est triangulaire inférieure si ses éléments
au-dessus de la diagonale sont nuls, autrement dit :
i < j =⇒ aij = 0.
Une matrice triangulaire inférieure a la forme suivante :

 
a11 0 ··· ··· 0
 .. 
..
 a21 a22 . .
 
 .. .. .. .. ..
 . . . .  .
 
 .. .. .. 
 . . .0 
an1 an2 · · · · · · ann
On dit que A est triangulaire supérieure si ses éléments en-dessous de la diagonale sont
nuls, autrement dit :
i > j =⇒ aij = 0.
Une matrice triangulaire supérieure a la forme suivante :

 
a11 a12 . . . . . . . . . a1n
 0 a22 . . . . . . . . . a2n 
 
 . .. .. .. 
 .. . . . 
 
 .. .. .. .. 
 . . . . 
 
 .. .. .. .. 
 . . . . 
0 ... . . . . . . 0 ann
Exemple 8.1
Deux matrices triangulaires inférieures (à gauche), une matrice triangulaire supérieure (à

droite) :    
4 0 0 1 1 −1
0 −1 0 5 0 0 −1 −1
1 −2
3 −2 3 0 0 −1
Une matrice qui est triangulaire inférieure et triangulaire supérieure est dite diagonale. Au-
trement dit : i 6= j =⇒ aij = 0.
Exemple 8.2 : matrices diagonales

 
−1 0 0
 0 6 0 2 0
et
0 3
0 0 0
sont des matrices diagonales respectivement de M3 (R) et M2 (R).
Proposition 2.4 : Puissances d’une matrice diagonale
Si D est une matrice diagonale, on calcule ses puissances Dk (par récurrence sur k ∈ N) :
   k 
α1 0 . . . . . . 0 α1 0 . . . . . . 0
 0 α2 0 ... 0  0 αk 0 ... 0
   2 
 .. . . . . .. ..  k  .. . . . . .. .. 
D= . . . . .  =⇒ D = . . . . . 
   
 0 . . . 0 αn−1 0  0 . . . 0 αn−1 k 0
0 ... ... 0 αn 0 ... ... 0 αnk
Exemple 8.3 : Puissances d’une matrice diagonale

   
−1 0 0 (−1)k 0 0
Soit A =  0 6 0, et k ∈ N, alors Ak =  0 6k 0.
0 0 0 0 0 0
III. INVERSE D’UNE MATRICE : DÉFINITION 23
III- Inverse d’une matrice : définition

1. Définition
Définition III.1 : Matrice inverse
Soit A une matrice carrée de taille n × n. S’il existe une matrice carrée B de taille n × n
telle que
AB = I et BA = I,
on dit que A est inversible. On appelle B l’ inverse de A et on la note A−1 .
On verra plus tard qu’il suffit en fait de vérifier une seule des conditions AB = I ou bien
BA = I.
— Plus généralement, quand A est inversible, pour tout p ∈ N, on note :

A−p = (A−1 )p = A −1 −1 −1
| A {z· · · A } .
p facteurs
— L’ensemble des matrices inversibles de Mn (K) est noté GLn (K).
2. Exemples
Exemple 2.1

Soit A = ( 10 23 ). Étudier si A est inversible, c’est étudier l’existence d’une matrice B = a b
c d
à coefficients dans K, telle que AB = I et BA = I. Or AB = I équivaut à :

1 2 a b 1 0 a + 2c b + 2d 1 0
AB = I ⇐⇒ = ⇐⇒ =
0 3 c d 0 1 3c 3d 0 1
Cette égalité équivaut au système :



 a + 2c = 1

b + 2d = 0

 3c = 0

3d = 1
a = 1,b = − 23 , c = 0, d = 31 . Il n’y a donc qu’une seule

Sa résolution est immédiate :
1 −2
matrice possible, à savoir B = 0 13 . Pour prouver qu’elle convient, il faut aussi montrer
3
l’égalité BA
= I,2dont
la vérification est laissée au lecteur. La matrice A est donc inversible
1 −
et A−1 = 3 .
0 31
Exemple 2.2

a b
La matrice A = ( 35 00 ) n’est pas inversible. En effet, soit B = une matrice quelconque.
c d
Alors le produit
a b 3 0 3a + 5b 0
BA = =
c d 5 0 3c + 5d 0
ne peut jamais être égal à la matrice identité.
Exemple 2.3
— Soit In la matrice carrée identité de taille n × n. C’est une matrice inversible, et son
inverse est elle-même par l’égalité In In = In .
— La matrice nulle 0n de taille n × n n’est pas inversible. En effet on sait que, pour toute
matrice B de Mn (K), on a B0n = 0n , qui ne peut jamais être la matrice identité.
3. Propriétés
Proposition 2.5
Si A est inversible, alors son inverse est unique.
Proposition 2.6
Soit A une matrice inversible. Alors A−1 est aussi inversible et on a :
(A−1 )−1 = A
Proposition 2.7
Soient A et B deux matrices inversibles de même taille. Alors

1. AB est inversible et
(AB)−1 = B −1 A−1
2. Si A est inversible, alors A⊤ l’est aussi et on a (A⊤ )−1 = (A−1 )⊤ .
Proposition 2.8 : simplification
oient A et B deux matrices de Mn (K) et C une matrice inversible de Mn (K). Alors l’égalité
AC = BC implique l’égalité A = B.
4. Calcul de l’inverse pour des matrices 2 × 2

a b
Considérons la matrice 2 × 2 : A = .
c d
Proposition 2.9
Si ad − bc 6= 0, alors A est inversible et

−1 1 d −b
A =
ad − bc −c a
1 d −b

Démonstration. On vérifie que si B = ad−bc −c a alors AB = ( 10 01 ). Idem pour BA.
III. INVERSE D’UNE MATRICE : DÉFINITION 25
5. Méthode du pivot de Gauss pour inverser les matrices

La méthode pour inverser une matrice A consiste à faire des opérations élémentaires sur les
lignes de la matrice A jusqu’à la transformer en la matrice identité I. On fait simultanément les
mêmes opérations élémentaires en partant de la matrice I. On aboutit alors à une matrice qui est
A−1 . La preuve sera vue dans la section suivante.
En pratique, on fait les deux opérations en même temps en adoptant la disposition suivante : à
côté de la matrice A que l’on veut inverser, on rajoute la matrice identité pour former un tableau
(A | I). Sur les lignes de cette matrice augmentée, on effectue des opérations élémentaires jusqu’à
obtenir le tableau (I | B). Et alors B = A−1 .
Ces opérations élémentaires sur les lignes sont :

1. Li ← λLi avec λ 6= 0 : on peut multiplier une ligne par un réel non nul (ou un élément de
K \ {0}).
2. Li ← Li + λLj avec λ ∈ K (et j 6= i) : on peut ajouter à la ligne Li un multiple d’une autre
ligne Lj .
3. Li ↔ Lj : on peut échanger deux lignes.
N’oubliez pas : tout ce que vous faites sur la partie gauche de la matrice augmentée, vous devez
aussi le faire sur la partie droite.
6. Un exemple d’inversion de matrice

 
1 2 1
Soit A =  4 0 −1 ., on suppose que A est inversible et on cherche l’inverse de A.
−1 2 2
Voici la matrice augmentée, avec les lignes numérotées :
 
1 2 1 1 0 0 L1
(A | I) =  4 0 −1 0 1 0  L2
−1 2 2 0 0 1 L3
On applique la méthode de Gauss pour faire apparaître des 0 sur la première colonne, d’abord
sur la deuxième ligne par l’opération élémentaire L2 ← L2 − 4L1 qui conduit à la matrice augmen-
tée :  
1 2 1 1 0 0
 0 −8 −5 −4 1 0  L2 ←L2 −4L1
−1 2 2 0 0 1
Puis un 0 sur la première colonne, à la troisième ligne, avec L3 ← L3 + L1 :
 
1 2 1 1 0 0
 0 −8 −5 −4 1 0 
0 4 3 1 0 1 L3 ←L3 +L1
On multiplie la ligne L2 afin qu’elle commence par 1 :

 
1 2 1 1 0 0
 0 1 58 1
− 1
0  L2 ←− 18 L2
2 8
0 4 3 1 0 1
On continue afin de faire apparaître des 0 partout sous la diagonale, et on multiplie la ligne L3 .
Ce qui termine la première partie de la méthode de Gauss :
 
1 2 1 1 0 0
 0 1 5 1
− 81 0 
8 2
0 0 2 −1 21 1
1
L3 ←L3 −4L2
puis  
1 2 1 1 0 0
 0 1 5 1
− 1
0 
8 2 8
0 0 1 −2 1 2 L3 ←2L3
Il ne reste plus qu’à « remonter » pour faire apparaître des zéros au-dessus de la diagonale :
 
1 2 1 1 0 0
 0 1 0 7 − 3 − 5  L2 ←L2 − 85 L3
4 4 4
0 0 1 −2 1 2
puis  
1 0 0 − 12 1
2
1
2 L1 ←L1 −2L2 −L3
 0 1 0 7
− 43 − 45 
4
0 0 1 −2 1 2
Ainsi l’inverse de A est la matrice obtenue à droite et après avoir factorisé tous les coefficients
par 41 , on a obtenu :
 
−2 2 2
1
A−1 =  7 −3 −5
4
−8 4 8
Pour se rassurer sur ses calculs, on n’oublie pas de vérifier rapidement que A × A−1 = I.
3
Chapitre
Déterminants
I- Déterminant en dimension 2
1. Matrice 2 × 2
En dimension 2, le déterminant est :

a b
det = ad − bc.
c d
C’est donc le produit des éléments sur la diagonale principale moins le produit des éléments
sur l’autre diagonale (produit en croix).
−
 
 a b 
 
c d
2. Interprétation géométrique du déterminant

En dimension 2, les déterminants correspondent à des aires et en dimension 3 à des volumes.

Donnons nous deux vecteurs : v1 = ( ac ) et v2 = db du plan R2 . Ces deux vecteurs v1 , v2
déterminent un parallélogramme.
v2
⃗j
v1
O ⃗i x
27
28 CHAPITRE 3. DÉTERMINANTS
Proposition 3.1
L’aire du parallélogramme est donnée par la valeur absolue du déterminant :

a b
A = det(v1 , v2 ) = det .
c d
II- Définition du déterminant

Cette partie est consacrée à la définition du déterminant. La définition du déterminant est assez
abstraite et il faudra attendre encore un peu pour pouvoir vraiment calculer des déterminants.
1. Définition générale et premières propriétés

Nous allons caractériser le déterminant comme une application, qui à une matrice carrée associe
un scalaire :
det : Mn (K) −→ K
Théorème 3.1 : Existence et unicité du déterminant

Il existe une unique application de Mn (K) dans K, appelée déterminant, telle que
(i) le déterminant est linéaire par rapport à chaque vecteur colonne, les autres étant fixés ;
(ii) si une matrice A a deux colonnes identiques, alors son déterminant est nul ;
(iii) le déterminant de la matrice identité In vaut 1.
On note le déterminant d’une matrice A = (aij ) par :

a11 a12 · · · a1n
a21 a22 · · · a2n
det A ou .. .. .. .
. . .
an1 an2 · · · ann
Si on note Ci la i-ème colonne de A, alors
det A = C1 C2 · · · Cn = det(C1 , C2 , . . . , Cn ) .
Avec cette notation, la propriété (i) de linéarité par rapport à la colonne j s’écrit : pour tout
λ, µ ∈ K, det(C1 , . . . , λCj + µCj′ , . . . , Cn ) = λ det(C1 , . . . , Cj , . . . , Cn ) + µ det(C1 , . . . , Cj′ , . . . , Cn ),
soit
a11 · · · λa1j + µa′1j · · · a1n
.. .. ..
. . .
ai1 ··· λaij + µa′ij ··· ain
.. .. ..
. . .
an1 · · · λanj + µa′nj · · · ann
a11 · · · a1j · · · a1n a11 · · · a′1j · · · a1n
.. .. .. .. .. ..
. . . . . .
= λ ai1 ··· aij ··· ain + µ ai1 · · · a′ij ··· ain .
.. .. .. .. .. ..
. . . . . .
an1 · · · anj · · · ann ′
an1 · · · anj · · · ann
II. DÉFINITION DU DÉTERMINANT 29
Exemple 1.1
6 5 4 6 1 4
7 −10 −3 = 5 × 7 −2 −3
12 25 −1 12 5 −1
Car la seconde colonne est un multiple de 5.
3 2 4−3 3 2 4 3 2 3
7 −5 3 − 2 = 7 −5 3 − 7 −5 2
9 2 10 − 4 9 2 10 9 2 4
Par linéarité sur la troisième colonne.
® — Une application de Mn (K) dans K qui satisfait la propriété (i) est appelée
forme multilinéaire.
— Si elle satisfait (ii), on dit qu’elle est alternée.
Le déterminant est donc la seule forme multilinéaire alternée qui prend comme va-
leur 1 sur la matrice In . Les autres formes multilinéaires alternées sont les multiples
scalaires du déterminant. On verra plus loin comment on peut calculer en pratique
les déterminants.
2. Premières propriétés
Nous connaissons déjà le déterminant de deux matrices :
— le déterminant de la matrice nulle 0n vaut 0 (par la propriété (ii)),
— le déterminant de la matrice identité In vaut 1 (par la propriété (iii)).
On donne quelques propriétés importantes du déterminant : comment se comporte le détermi-

nant face aux opérations élémentaires sur les colonnes ?
Proposition 3.2
Soit A ∈ Mn (K) une matrice ayant les colonnes C1 , C2 , . . . , Cn . On note A′ la matrice

obtenue par une des opérations élémentaires sur les colonnes, qui sont :
1. Ci ← λCi avec λ 6= 0 : A′ est obtenue en multipliant une colonne de A par un scalaire
non nul. Alors det A′ = λ det A.
2. Ci ← Ci + λCj avec λ ∈ K (et j 6= i) : A′ est obtenue en ajoutant à une colonne de A
un multiple d’une autre colonne de A. Alors det A′ = det A.
3. Ci ↔ Cj : A′ est obtenue en échangeant deux colonnes distinctes de A. Alors
det A′ = − det A
Pn
Plus généralement pour (2) : l’opération Ci ← Ci + j=1 λj Cj d’ajouter une combinaison
j̸=i
linéaire des autres colonnes conserve le déterminant.
Échanger deux colonnes change le signe du déterminant.

»
Corollaire II.1
Si une colonne Ci de la matrice A est combinaison linéaire des autres colonnes, alors det A =
0.
3. Déterminants de matrices particulières

Calculer des déterminants n’est pas toujours facile. Cependant il est facile de calculer le déter-
minant de matrices triangulaires.
Proposition 3.3
Le déterminant d’une matrice triangulaire supérieure (ou inférieure) est égal au produit des
termes diagonaux.
Autrement dit, pour une matrice triangulaire A = (aij ) on a :
a11 a12 . . . . . . . . . a1n

0 a22 . . . . . . . . . a2n
.. .. .. ..
. . . .
det A = .
.. . .. .. .. = a11 · a22 · · · ann .
. .
.. .. .. ..
. . . .
0 ... ... ... 0 ann
Exemple 3.1
 
1 2 3
Si A = 0 3 0  alors A est triangulaire supérieure et on calcule immédiatement que
0 0 −2
det(A) = 1 × 3 × (−2) = −6.
Comme cas particulièrement important on obtient :
Corollaire II.2
Le déterminant d’une matrice diagonale est égal au produit des termes diagonaux.
III. PROPRIÉTÉS DU DÉTERMINANT 31
III- Propriétés du déterminant

Nous allons voir trois propriétés importantes du déterminant : le déterminant d’un produit de
matrices, le déterminant de l’inverse d’une matrice, le déterminant de la transposée d’une matrice.
Pour prouver ces propriétés, nous aurons besoin des matrices élémentaires.
1. Déterminant et matrices élémentaires

Pour chacune des opérations élémentaires sur les colonnes d’une matrice A, on associe une
matrice élémentaire E, telle que la matrice obtenue par l’opération élémentaire sur A soit A′ =
A × E.
1. Ci ← λCi avec λ 6= 0 : ECi ←λCi = diag(1, . . . , 1, λ, 1, . . . , 1) est la matrice diagonale ne
comportant que des 1, sauf en position (i, i) ;
2. Ci ← Ci + λCj avec λ ∈ K (et j 6= i) : ECi ←Ci +λCj est comme la matrice identité, sauf en
position (j, i) où son coefficient vaut λ ;
3. Ci ↔ Cj : ECi ↔Cj est comme la matrice identité, sauf que ses coefficients (i, i) et (j, j)
s’annulent, tandis que les coefficients (i, j) et (j, i) valent 1.
1  1 
..
 ...  

. 

  
1

 1 λ
 
0 1

 ..
.  
1

ECi ←Ci +λCj =


 ECi ↔Cj = ..
. 
 ..   
 .   1 
 1   1 0 
..  1 
. ..
1 .
1
On détaille le cas de chaque opération et son effet sur le déterminant :
Proposition 3.4
1. det ECi ←λCi = λ

2. det ECi ←Ci +λCj = +1
3. det ECi ↔Cj = −1
4. Si E est une des matrices élémentaires ci-dessus, det (A × E) = det A × det E
Démonstration. Nous utilisons les propositions ?? et ??.

1. La matrice ECi ←λCi est une matrice diagonale, tous les éléments diagonaux valent 1, sauf un
qui vaut λ. Donc son déterminant vaut λ.
2. La matrice ECi ←Ci +λCj est triangulaire inférieure ou supérieure avec des 1 sur la diagonale.
Donc son déterminant vaut 1.
3. La matrice ECi ↔Cj est aussi obtenue en échangeant les colonnes i et j de la matrice In . Donc
son déterminant vaut −1.
4. La formule det A × E = det A × det E est une conséquence immédiate de la proposition ??.
Cette proposition nous permet de calculer le déterminant d’une matrice A de façon relativement
simple, en utilisant l’algorithme de Gauss. En effet, si en multipliant successivement A par des
matrices élémentaires E1 , . . . , Er on obtient une matrice T échelonnée, donc triangulaire
T = A · E1 · · · Er
alors, en appliquant r-fois la proposition précédente, on obtient :
det T = det(A · E1 · · · Er )
= det(A · E1 · · · Er−1 ) · det Er
= ···
= det A · det E1 · det E2 · · · det Er
Comme on sait calculer le déterminant de la matrice triangulaire T et les déterminants des matrices
élémentaires Ei , on en déduit le déterminant de A.
En pratique cela ce passe comme sur l’exemple suivant.
Exemple 1.1
 
0 3 2
Calculer det A, où A = 1 −6 6
5 9 1
 
0 3 2
det A = det 1 −6 6
5 9 1
(opération C1 ↔ C2 pour  avoir un pivot en haut à gauche)
3 0 2
= (−1) × det −6 1 6
9 5 1
(C1 ← 31 C1 , linéarité
 par rapport
 à la première colonne)
1 0 2
= (−1) × 3 × det −2 1 6
3 5 1 
1 0 0
= (−1) × 3 × det −2 1 10  C3 ← C3 − 2C1
 3 5 −5 
1 0 0
= (−1) × 3 × det −2 1 0  C3 ← C3 − 10C2
3 5 −55
= (−1) × 3 × (−55) car la matrice est triangulaire
= 165
2. Déterminant d’un produit
Théorème 3.2
det(AB) = det A × det B
3. Déterminant des matrices inversibles

Comment savoir si une matrice est inversible ? Il suffit de calculer son déterminant !
Corollaire III.1
Une matrice carrée A est inversible si et seulement si son déterminant est non nul. De plus
si A est inversible, alors :
1
det A−1 =
det A
III. PROPRIÉTÉS DU DÉTERMINANT 33
Démonstration. AA−1 = In , donc det(A) det(A−1 ) = det In = 1. On en déduit que det A est non
nul et det(A−1 ) = det1 A .
Exemple 3.1
Deux matrices semblables ont même déterminant.

En effet : soit B = P −1 AP avec P ∈ GLn (K) une matrice inversible. Par multiplicativité
du déterminant, on en déduit que :
det B = det(P −1 AP ) = det P −1 det A det P = det A,
puisque det P −1 = 1
det P .
4. Déterminant de la transposée
Corollaire III.2

det A⊤ = det A
Démonstration. Commençons par remarquer que la matrice E d’une opération élémentaire est soit
triangulaire (substitution), soit symétrique c’est-à-dire égale à sa transposée (échange de lignes et
homothétie). On vérifie facilement que det E ⊤ = det E.
Supposons d’abord que A soit inversible. On peut alors l’écrire comme produit de matrices
élémentaires, A = E1 · · · Er . On a alors
A⊤ = Er⊤ · · · E1⊤
et
det(A⊤ ) = det(Er⊤ ) · · · det(E1⊤ ) = det(Er ) · · · det(E1 ) = det(A).
D’autre part, si A n’est pas inversible, alors A⊤ n’est pas inversible non plus, et det A = 0 =
det A⊤ .
Une conséquence du dernier résultat, est que par transposition, tout ce que l’on a dit
® des déterminants à propos des colonnes est vrai pour les lignes. Ainsi, le déterminant
est multilinéaire par rapport aux lignes, si une matrice a deux lignes égales, son
déterminant est nul, on ne modifie pas un déterminant en ajoutant à une ligne une
combinaison linéaire des autres lignes, etc.
Voici le détail pour les opérations élémentaires sur les lignes :

1. Li ← λLi avec λ 6= 0 : le déterminant est multiplié par λ.
2. Li ← Li + λLj avec λ ∈ K (et j 6= i) : le déterminant ne change pas.
3. Li ↔ Lj : le déterminant change de signe.
IV- Calculs de déterminants

Une des techniques les plus utiles pour calculer un déterminant est le « développement par
rapport à une ligne (ou une colonne) ».
1. Cofacteur
Définition IV.1

Soit A = aij ∈ Mn (K) une matrice carrée.
— On note Aij la matrice extraite, obtenue en effaçant la ligne i et la colonne j de A.
— Le nombre det Aij est un mineur d’ordre n − 1 de la matrice A.
— Le nombre Cij = (−1)i+j det Aij est le cofacteur de A relatif au coefficient aij .
 
a . . . a1,j−1 a1,j a1,j+1 . . . a1n
 11 
 .. .. .. .. 
 . . . . 
 
 ai−1,1 . . . ai−1,j−1 ai−1,j ai−1,j+1 . . . ai−1,n 
 
 
 
A=  a
 i,1
. . . ai,j−1 ai,j ai,j+1 . . . ai,n 

 
 
 ai+1,1 . . . ai+1,j−1 ai+1,j ai+1,j+1 . . . ai+1,n 
 
 . .. .. .. 
 .. 
 . . . 
an1 . . . an,j−1 an,j an,j+1 . . . ann
 
a1,1 . . . a1,j−1 a1,j+1 . . . a1,n
 .. .. .. .. 
 . . . . 
 
ai−1,1 . . . ai−1,j−1 ai−1,j+1 . . . ai−1,n 

Aij =  
a . . . a a . . . a 
 i+1,1 i+1,j−1 i+1,j+1 i+1,n 
 .. .. .. 
 . . . 
an,1 . . . an,j−1 an,j+1 . . . an,n
Exemple 1.1
 
1 2 3
Soit A = 4 2 1. Calculons A11 , C11 , A32 , C32 .
0 1 1
 
 1 2 3 
  2 1
A11 =  4 2 1  = C11 = (−1)1+1 det A11 = +1.
  1 1
0 1 1
 
 1 2 3 
  1 3
A32 =  4 2 1  =
  4 1
0 1 1
C32 = (−1)3+2 det A32 = (−1) × (−11) = 11.

IV. CALCULS DE DÉTERMINANTS 35
Pour déterminer si Cij = + det Aij ou Cij = − det Aij , on peut se souvenir que l’on associe des
signes en suivant le schéma d’un échiquier :
 
+ − + − ...
− + − + . . . 
 
A = + − + − . . . 
 
.. .. .. ..
. . . .
Donc C11 = + det A11 , C12 = − det A12 , C21 = − det A21 ...
2. Développement suivant une ligne ou une colonne
Théorème 3.3 : Développement suivant une ligne ou une colonne
Formule de développement par rapport à la ligne i :
X
n X
n
det A = (−1)i+j aij det Aij = aij Cij
j=1 j=1
Formule de développement par rapport à la colonne j :
X
n X
n
det A = (−1)i+j aij det Aij = aij Cij
i=1 i=1
Exemple 2.1
On retrouve la règle de Sarrus pour une matrice 3 × 3 en développant par rapport à la

première ligne.
a11 a12 a13

a21 a22 a23 = a11 C11 + a12 C12 + a13 C13
a31 a32 a33
a22 a23 a a a a
= a11 − a12 21 23 + a13 21 22
a32 a33 a31 a33 a31 a32
= a11 (a22 a33 − a32 a23 ) − a12 (a21 a33 − a31 a23 )
+ a13 (a21 a32 − a31 a22 )
= a11 a22 a33 − a11 a32 a23 + a12 a31 a23 − a12 a21 a33
+ a13 a21 a32 − a13 a31 a22 .
3. Exemple
Exemple 3.1
 
4 0 3 1
4 2 1 0
A=
0

3 1 −1
1 0 2 3
On choisit de développer par rapport à la seconde colonne (car c’est là qu’il y a le plus de
zéros) :
det A = 0C12 + 2C22 + 3C32 + 0C42

(développement par rapport à la deuxième colonne)
4 3 1 4 3 1
= +2 0 1 −1 − 3 4 1 0
1 2 3 1 2 3
on n’oublie pas les signes des cofacteurs et on recommence
en développant chacun de ces deux déterminants 3 × 3

1 −1 3 1 3 1
= +2 +4 −0 +1
2 3 2 3 1 −1
(par rapport à la première colonne)

3 1 4 1 4 3
−3 −4 +1 −0
2 3 1 3 1 2
(par rapport à la deuxième ligne)

= +2 + 4 × 5 − 0 + 1 × (−4) − 3 − 4 × 7 + 1 × 11 − 0
= 83
4. Inverse d’une matrice

Soit A ∈ Mn (K) une matrice carrée.
Nous lui associons la matrice C des cofacteurs, appelée comatrice, et notée Com(A) :
 
C11 C12 · · · C1n
 C21 C22 · · · C2n 
 
C = (Cij ) =  . .. .. 
 . . . . 
Cn1 Cn2 · · · Cnn
Théorème 3.4
Soient A une matrice inversible, et C sa comatrice. On a alors
1
A−1 = C⊤
det A
Exemple 4.1
 
1 1 0
Soit A =  0 1 1 . Le calcul donne que det A = 2. La comatrice C s’obtient en calculant
1 0 1
9 déterminants 2 × 2 (sans oublier les signes +/−). On trouve :
   
1 1 −1 1 −1 1
1 1
C = −1 1 1  et donc A−1 = · C⊤ =  1 1 −1
det A 2
1 −1 1 −1 1 1
Nous allons voir plusieurs applications des déterminants.

4
Chapitre
Systèmes linéaires
I- Introduction aux systèmes d’équations linéaires

L’algèbre linéaire est un outil essentiel pour toutes les branches des mathématiques, en par-
ticulier lorsqu’il s’agit de modéliser puis résoudre numériquement des problèmes issus de divers
domaines : des sciences physiques ou mécaniques, des sciences du vivant, de la chimie, de l’écono-
mie, des sciences de l’ingénieur...
Les systèmes linéaires forment la base calculatoire de l’algèbre linéaire en dimension finie.
Le but de ce chapitre est essentiellement pratique : il s’agit de résoudre des systèmes linéaires.
1. Exemple : deux droites dans le plan

L’équation d’une droite dans le plan (Oxy) s’écrit
ax + by = e
où a, b et e sont des paramètres réels, a et b n’étant pas simultanément nuls. Cette équation s’ap-
pelle équation linéaire dans les variables (ou inconnues) x et y.
Par exemple, 2x + 3y = 6 est une équation linéaire, alors que les équations suivantes ne sont
pas des équations linéaires :
√
2x + y 2 = 1 ou y = sin(x) ou x= y.
Considérons maintenant deux droites D1 et D2 et cherchons les points qui sont simultanément
sur ces deux droites. Un point (x, y) est dans l’intersection D1 ∩ D2 s’il est solution du système :

ax + by = e
(S)
cx + dy = f
Trois cas se présentent alors :

1. Les droites D1 et D2 se coupent en un seul point. Dans ce cas, illustré par la figure de gauche,
le système (S) a une seule solution.
2. Les droites D1 et D2 sont parallèles. Alors le système (S) n’a pas de solution. La figure du
centre illustre cette situation.
3. Les droites D1 et D2 sont confondues et, dans ce cas, le système (S) a une infinité de solutions.
37
38 CHAPITRE 4. SYSTÈMES LINÉAIRES
y y y
D1 D1
D2
D2
D1 = D2
x x x
Nous verrons plus loin que ces trois cas de figure (une seule solution, aucune solution, une
infinité de solutions) sont les seuls cas qui peuvent se présenter pour n’importe quel système
d’équations linéaires.
2. Résolution par substitution

Pour savoir s’il existe une ou plusieurs solutions à un système linéaire, et les calculer, une
première méthode est la substitution. Par exemple pour le système :

3x + 2y = 1
(S)
2x − 7y = −2
Nous réécrivons la première ligne 3x + 2y = 1 sous la forme y = 21 − 32 x. Et nous remplaçons

(nous substituons) le y de la seconde équation, par l’expression 12 − 23 x. Nous obtenons un système
équivalent :
y = 21 − 32 x
2x − 7( 2 − 2 x) = −2
1 3
La seconde équation est maintenant une expression qui ne contient que des x, et on peut la
résoudre :
y = 12 − 32 x y = 21 − 32 x
⇐⇒
(2 + 7 × 2 )x = −2 + 2
3 7
x = 25 3
Il ne reste plus qu’à remplacer dans la première ligne la valeur de x obtenue :

8
y = 25
3
x = 25
3 8
Le système (S) admet donc une solution unique ( 25 , 25 ). L’ensemble des solutions est donc

3 8
S= , .
25 25
3. Exemple : deux plans dans l’espace

Dans l’espace (Oxyz), une équation linéaire est l’équation d’un plan :
ax + by + cz = d
(on suppose ici que a, b et c ne sont pas simultanément nuls).

L’intersection de deux plans dans l’espace correspond au système suivant à 2 équations et à 3
inconnues :
ax + by + cz = d
a ′ x + b′ y + c ′ z = d ′
Trois cas se présentent alors :
— les plans sont parallèles (et distincts) et il n’y a alors aucune solution au système,
— les plans sont confondus et il y a une infinité de solutions au système,
— les plans se coupent en une droite et il y a une infinité de solutions.
I. INTRODUCTION AUX SYSTÈMES D’ÉQUATIONS LINÉAIRES 39
Exemple 3.1

2x + 3y − 4z = 7
1. Le système n’a pas de solution. En effet, en divisant par 2
4x + 6y − 8z = −1

2x + 3y − 4z = 7
la seconde équation, on obtient le système équivalent : . Les
2x + 3y − 4z = − 12
deux lignes sont clairement incompatibles : aucun (x, y, z) ne peut vérifier à la fois
2x + 3y − 4z = 7 et 2x + 3y − 4z = − 21 . L’ensemble des solutions est donc S = ∅.

2x + 3y − 4z = 7
2. Pour le système , les deux équations définissent le même plan !
4x + 6y − 8z = 14
Le système est donc équivalent à une seule équation : 2x + 3y − 4z = 7. Si on réécrit
cette équation sous la forme z = 12 x + 34 y − 74 , alors on peut décrire l’ensemble des
solutions sous la forme : S = (x, y, 12 x + 34 y − 74 ) | x, y ∈ R .

7x + 2y − 2z = 1
3. Soit le système . Par substitution :
2x + 3y + 2z = 1

7x + 2y − 2z = 1 z = 72 x + y − 21
⇐⇒
2x + 3y + 2z = 1 2x + 3y + 2 72 x + y − 12 = 1

z = 72 x + y − 1
z = 27 x + y − 1
10 x − 10
z = 17 1
⇐⇒ 2 ⇐⇒ 2 ⇐⇒
9x + 5y = 2 y = − 95 x + 25 y = − 5 x + 52
9
Pour décrire l’ensemble des solutions, on peut choisir x comme paramètre :

9 2 17 1
S= x, − x + , x − |x∈R .
5 5 10 10
Géométriquement : nous avons trouvé une équation paramétrique de la droite définie

par l’intersection de deux plans.
Du point de vue du nombre de solutions, nous constatons qu’il n’y a que deux possibilités,
à savoir aucune solution ou une infinité de solutions. Mais les deux derniers cas ci-dessus sont
néanmoins très différents géométriquement et il semblerait que dans le second cas (plans confon-
dus), l’infinité de solutions soit plus grande que dans le troisième cas. Les chapitres suivants nous
permettront de rendre rigoureuse cette impression.
Si on considère trois plans dans l’espace, une autre possibilité apparaît : il se peut que les trois
plans s’intersectent en un seul point.
4. Résolution par la méthode de Cramer

On note a b
c d = ad − bc le déterminant. On considère le cas d’un système de 2 équations à 2
inconnues :
ax + by = e
cx + dy = f
Si ad − bc 6= 0, on trouve une unique solution dont les coordonnées (x, y) sont :
e b a e
f d c f
x= y=
a b a b
c d c d
Notez que le dénominateur égale le déterminant pour les deux coordonnées et est donc non nul.
Pour le numérateur de la première coordonnée x, on remplace la première colonne par le second
membre ; pour la seconde coordonnée y, on remplace la seconde colonne par le second membre.
Exemple 4.1

tx − 2y = 1
On résout le système suivant la valeur du paramètre t ∈ R.
3x + ty = 1
Le déterminant associé au système est 3t −2 t = t2 + 6 et ne s’annule jamais. Il existe donc
une unique solution (x, y) et elle vérifie :
1 −2 t 1
1 t t+2 3 1 t−3
x= 2 = 2 , y= 2 = 2 .
t +6 t +6 t +6 t +6
n o
Pour chaque t, l’ensemble des solutions est S = t+2 t−3
,
t2 +6 t2 +6
.
5. Résolution par inversion de matrice

En termes matriciels, le système linéaire :

ax + by = e
cx + dy = f
est équivalent à

a b x e
AX = Y où A= , X= , Y = .
c d y f
Si le déterminant de la matrice A est non nul, c’est-à-dire si ad − bc 6= 0, alors la matrice A est

inversible et
−1 1 d −b
A =
ad − bc −c a
et l’unique solution X = ( xy ) du système est donnée par
X = A−1 Y.
Exemple 5.1

x+y = 1
On résout le système suivant la valeur du paramètre t ∈ R.
x + t2 y = t
Le déterminant du système est 11 t12 = t2 − 1.
Premier cas. t 6= +1 6= −1. Alors t2 − 1 6= 0. La matrice A = 11 t12 est inversible
et t
d’inverse A−1 = 1
t2 −1
t2 −1
−1 1 . Et la solution X = ( xy ) est
2 t
−1 1 t2 −1 1 1 t −t
X=A Y = 2 = 2 = t+1 .
t −1 −1 1 t t −1 t−1 1
t+1
t
Pour chaque t 6= ±1, l’ensemble des solutions est S = , 1
t+1 t+1 .

x+y = 1
Deuxième cas. t = +1. Le système s’écrit alors : et les deux équations
x+y = 1

sont identiques. Il y a une infinité de solutions : S = (x, 1 − x) | x ∈ R .

x+y = 1
Troisième cas. t = −1. Le système s’écrit alors : , les deux équations
x + y = −1
sont clairement incompatibles et donc S = ∅.
II. THÉORIE DES SYSTÈMES LINÉAIRES 41
II- Théorie des systèmes linéaires

1. Définitions
Définition II.1
On appelle équation linéaire dans les variables (ou inconnues) x1 , . . . , xp toute relation
de la forme
a1 x1 + · · · + ap xp = b, (4.1)
où a1 , . . . , ap et b sont des nombres réels donnés.
® — Il importe d’insister ici sur le fait que ces équations linéaires sont implicites,
c’est-à-dire qu’elles décrivent des relations entre les variables, mais ne donnent
pas directement les valeurs que peuvent prendre les variables.
— Résoudre une équation signifie donc la rendre explicite, c’est-à-dire rendre plus
apparentes les valeurs que les variables peuvent prendre.
— On peut aussi considérer des équations linéaires de nombres rationnels ou de
nombres complexes.
Soit n ≥ 1 un entier.
Définition II.2
Un système de n équations linéaires à p inconnues est une liste de n équations
linéaires.
On écrit usuellement de tels systèmes en n lignes placées les unes sous les autres.
Exemple 1.1
Le système suivant a 2 équations et 3 inconnues :

x1 − 3x2 + x3 = 1
−2x1 + 4x2 − 3x3 = 9
La forme générale d’un système linéaire de n équations à p inconnues est la suivante :



 a11 x1 +a12 x2 +a13 x3 + · · · +a1p xp = b1 (← équation 1)



 a21 x1 +a22 x2 +a23 x3 + · · · +a2p xp = b2 (← équation 2)

 .. .. .. .. .

. . . . = ..

 ai1 x1 +ai2 x2 +ai3 x3 + ··· +aip xp = bi (← équation i)

 .. .. .. .. .



 . . . . = ..

an1 x1 +an2 x2 +an3 x3 + · · · +anp xp = bn (← équation n)
Les nombres aij , i = 1, . . . , n, j = 1, . . . , p, sont les coefficients du système. Ce sont des

données. Les nombres bi , i = 1, . . . , n, constituent le second membre du système et sont également
des données.
Il convient de bien observer comment on a rangé le système en lignes (une ligne par équation)
numérotées de 1 à n par l’indice i, et en colonnes : les termes correspondant à une même inconnue
xj sont alignés verticalement les uns sous les autres. L’indice j varie de 1 à p. Il y a donc p colonnes
à gauche des signes d’égalité, plus une colonne supplémentaire à droite pour le second membre. La
notation avec double indice aij correspond à ce rangement : le premier indice (ici i) est le numéro
de ligne et le second indice (ici j) est le numéro de colonne. Il est extrêmement important de
toujours respecter cette convention.
Dans l’exemple ??, on a n = 2 (nombre d’équations = nombre de lignes), p = 3 (nombre
d’inconnues = nombre de colonnes à gauche du signe =) et a11 = 1, a12 = −3, a13 = 1, a21 = −2,
a22 = 4, a23 = −3, b1 = 1 et b2 = 9.
Définition II.3
Une solution du système linéaire est une liste de p nombres réels (s1 , s2 , . . . , sp ) (un p-uplet)
tels que si l’on substitue s1 pour x1 , s2 pour x2 , etc., dans le système linéaire, on obtient
une égalité. L’ ensemble des solutions du système est l’ensemble de tous ces p-uplets.
Exemple 1.2
Le système
x1 − 3x2 + x3 = 1
−2x1 + 4x2 − 3x3 = 9
admet comme solution (−18, −6, 1), c’est-à-dire
x1 = −18 , x2 = −6 , x3 = 1 .
Par contre, (7, 2, 0) ne satisfait que la première équation. Ce n’est donc pas une solution du
système.
En règle générale, on s’attache à déterminer l’ensemble des solutions d’un système linéaire.
C’est ce que l’on appelle résoudre le système linéaire. Ceci amène à poser la définition suivante.
Définition II.4
On dit que deux systèmes linéaires sont équivalents s’ils ont le même ensemble de solutions.
À partir de là, le jeu pour résoudre un système linéaire donné consistera à le transformer en
un système équivalent dont la résolution sera plus simple que celle du système de départ. Nous
verrons plus loin comment procéder de façon systématique pour arriver à ce but.
2. Différents types de systèmes

Voici un résultat théorique important pour les systèmes linéaires.
Théorème 4.1
Un système d’équations linéaires n’a soit aucune solution, soit une seule solution, soit une
infinité de solutions.
En particulier, si vous trouvez 2 solutions différentes à un système linéaire, alors c’est que vous
pouvez en trouver une infinité ! Un système linéaire qui n’a aucune solution est dit incompatible.
La preuve de ce théorème sera vue dans un chapitre ultérieur (« Matrices »).
III. RÉSOLUTION PAR LA MÉTHODE DU PIVOT DE GAUSS 43
3. Systèmes homogènes
Un cas particulier important est celui des systèmes homogènes, pour lesquels b1 = b2 = · · · =
bn = 0, c’est-à-dire dont le second membre est nul. De tels systèmes sont toujours compatibles car
ils admettent toujours la solution s1 = s2 = · · · = sp = 0. Cette solution est appelée solution
triviale. Géométriquement, dans le cas 2 × 2, un système homogène correspond à deux droites qui
passent par l’origine, (0, 0) étant donc toujours solution.
III- Résolution par la méthode du pivot de Gauss

1. Systèmes échelonnés
Définition III.1
Un système est échelonné si :
— le nombre de coefficients nuls commençant une ligne croît strictement ligne après ligne.
Il est échelonné réduit si en plus :
— le premier coefficient non nul d’une ligne vaut 1 ;
— et c’est le seul élément non nul de sa colonne.
Exemple 1.1

 2x1 +3x2 +2x3 −x4 = 5
— −x2 −2x3 = 4 est échelonné (mais pas réduit).

3x4 = 1

 2x1 +3x2 +2x3 −x4 = 5
— −2x3 = 4 n’est pas échelonné (la dernière ligne commence

x3 +x4 = 1
avec la même variable que la ligne au-dessus).
Il se trouve que les systèmes linéaires sous une forme échelonnée réduite sont particulièrement
simples à résoudre.
Exemple 1.2
Le système linéaire suivant à 3 équations et 4 inconnues est échelonné et réduit.


 x1 +2x3 = 25
x2 −2x3 = 16

x4 = 1
Ce système se résout trivialement en


 x1 = 25 − 2x3
x2 = 16 + 2x3

x4 = 1.
En d’autres termes, pour toute valeur de x3 réelle, les valeurs de x1 , x2 et x4 calculées ci-
dessus fournissent une solution du système, et on les a ainsi toutes obtenues. On peut donc
décrire entièrement l’ensemble des solutions :

S = (25 − 2x3 , 16 + 2x3 , x3 , 1) | x3 ∈ R .
2. Opérations sur les équations d’un système

Nous allons utiliser trois opérations élémentaires sur les équations (c’est-à-dire sur les lignes)
qui sont :
1. Li ← λLi avec λ 6= 0 : on peut multiplier une équation par un réel non nul.
2. Li ← Li + λLj avec λ ∈ R (et j 6= i) : on peut ajouter à l’équation Li un multiple d’une
autre équation Lj .
3. Li ↔ Lj : on peut échanger deux équations.
Ces trois opérations élémentaires ne changent pas les solutions d’un système linéaire ; autrement
dit ces opérations transforment un système linéaire en un système linéaire équivalent.
Exemple 2.1
Utilisons ces opérations élémentaires pour résoudre le système suivant.


 x +y +7z = −1 (L1 )
2x −y +5z = −5 (L2 )

−x −3y −9z = −5 (L3 )
Commençons par l’opération L2 ← L2 − 2L1 : on soustrait à la deuxième équation deux fois

la première équation. On obtient un système équivalent avec une nouvelle deuxième ligne
(plus simple) :

 x +y +7z = −1
−3y −9z = −3 L2 ←L2 −2L1

−x −3y −9z = −5
Puis L3 ← L3 + L1 :

 x +y +7z = −1
−3y −9z = −3

−2y −2z = −6 L3 ←L3 +L1
On continue pour faire apparaître un coefficient 1 en tête de la deuxième ligne ; pour cela
on divise la ligne L2 par −3 :

 x +y +7z = −1
y +3z = 1 L2 ← − 31 L2

−2y −2z = −6
On continue ainsi
 
 x +y +7z = −1  x +y +7z = −1
y +3z = 1 y +3z = 1
 
4z = −4 L3 ←L3 +2L2 z = −1 L3 ← 14 L3
 
 x +y +7z = −1  x +y = 6 L1 ←L1 −7L3
y = 4 L2 ←L2 −3L3 y = 4
 
z = −1 z = −1
On aboutit à un système réduit et échelonné :

 x = 2 L1 ←L1 −L2
y = 4

z = −1
On obtient ainsi x = 2, y = 4 et z = −1 et l’unique solution du système est (2, 4, −1).
La méthode utilisée pour cet exemple est reprise et généralisée dans le paragraphe suivant.
3. Méthode du pivot de Gauss

La méthode du pivot de Gauss permet de trouver les solutions de n’importe quel système
linéaire. Nous allons décrire cet algorithme sur un exemple. Il s’agit d’une description précise
d’une suite d’opérations à effectuer, qui dépendent de la situation et d’un ordre précis. Ce processus
aboutit toujours (et en plus assez rapidement) à un système échelonné puis réduit, qui conduit
immédiatement aux solutions du système.
Partie A. Passage à une forme échelonnée.
Soit le système suivant à résoudre :

 −x2 +2x3 +13x4 = 5
x1 −2x2 +3x3 +17x4 = 4

−x1 +3x2 −3x3 −20x4 = −1
Pour appliquer la méthode du pivot de Gauss, il faut d’abord que le premier coefficient de la
première ligne soit non nul. Comme ce n’est pas le cas ici, on échange les deux premières lignes
par l’opération élémentaire L1 ↔ L2 :

 x1 −2x2 +3x3 +17x4 = 4 L1 ↔L2
−x2 +2x3 +13x4 = 5

−x1 +3x2 −3x3 −20x4 = −1
Nous avons déjà un coefficient 1 devant le x1 de la première ligne. On dit que nous avons un
pivot en position (1, 1) (première ligne, première colonne). Ce pivot sert de base pour éliminer
tous les autres termes sur la même colonne.
Il n’y a pas de terme x1 sur le deuxième ligne. Faisons disparaître le terme x1 de la troisième
ligne ; pour cela on fait l’opération élémentaire L3 ← L3 + L1 :

 x1 −2x2 +3x3 +17x4 = 4
−x2 +2x3 +13x4 = 5

x2 −3x4 = 3 L3 ←L3 +L1
On change le signe de la seconde ligne (L2 ← −L2 ) pour faire apparaître 1 au coefficient du
pivot (2, 2) (deuxième ligne, deuxième colonne) :

 x1 −2x2 +3x3 +17x4 = 4
x2 −2x3 −13x4 = −5 L2 ← −L2

x2 −3x4 = 3
On fait disparaître le terme x2 de la troisième ligne, puis on fait apparaître un coefficient 1

pour le pivot de la position (3, 3) :

 x1 −2x2 +3x3 +17x4 = 4
x2 −2x3 −13x4 = −5

2x3 +10x4 = 8 L3 ←L3 −L2

 x1 −2x2 +3x3 +17x4 = 4
x2 −2x3 −13x4 = −5

x3 +5x4 = 4 L3 ← 21 L3
Le système est maintenant sous forme échelonnée.
Partie B. Passage à une forme réduite.

Il reste à le mettre sous la forme échelonnée réduite. Pour cela, on ajoute à une ligne des
multiples adéquats des lignes situées au-dessous d’elle, en allant du bas à droite vers le haut à
gauche.
On fait apparaître des 0 sur la troisième colonne en utilisant le pivot de la troisième ligne :

 x1 −2x2 +3x3 +17x4 = 4
x2 −3x4 = 3 L2 ←L2 +2L3

x3 +5x4 = 4

 x1 −2x2 2x4 = −8 L1 ←L1 −3L3
x2 −3x4 = 3

x3 +5x4 = 4
On fait apparaître des 0 sur la deuxième colonne (en utilisant le pivot de la deuxième ligne) :

 x1 −4x4 = −2 L1 ←L1 +2L2
x2 −3x4 = 3

x3 +5x4 = 4
Le système est sous forme échelonnée réduite.
Partie C. Solutions. Le système est maintenant très simple à résoudre. En choisissant x4

comme variable libre, on peut exprimer x1 , x2 , x3 en fonction de x4 :
x1 = 4x4 − 2, x2 = 3x4 + 3, x3 = −5x4 + 4.
Ce qui permet d’obtenir toutes les solutions du système :

S = (4x4 − 2, 3x4 + 3, −5x4 + 4, x4 ) | x4 ∈ R .
4. Systèmes homogènes
Le fait que l’on puisse toujours se ramener à un système échelonné réduit implique le résultat
suivant :
Théorème 4.2
Tout système homogène d’équations linéaires dont le nombre d’inconnues est strictement
plus grand que le nombre d’équations a une infinité de solutions.
Exemple 4.1
Considérons le système homogène



 3x1 + 3x2 − 2x3 − x5 = 0

−x1 − x2 + x3 + 3x4 + x5 = 0

 2x1 + 2x2 − x3 + 2x4 + 2x5 = 0

x3 + 8x4 + 4x5 = 0.
Sa forme échelonnée réduite est

 x1 + x2 + 13x5 = 0
x3 + 20x5 = 0

x4 − 2x5 = 0.
On pose comme variables libres x2 et x5 pour avoir
x1 = −x2 − 13x5 , x3 = −20x5 , x4 = 2x5 ,
et l’ensemble des solutions :

S = (−x2 − 13x5 , x2 , −20x5 , 2x5 , x5 ) | x2 , x5 ∈ R
qui est bien infini.

5
Chapitre
Polynômes et fractions rationnelles
Motivation
Les polynômes sont des objets très simples mais aux propriétés extrêmement riches. Vous savez
déjà résoudre les équations de degré 2 : aX 2 +bX +c = 0. Savez-vous que la résolution des équations
de degré 3, aX 3 + bX 2 + cX + d = 0, a fait l’objet de luttes acharnées dans l’Italie du xvie siècle ?
Un concours était organisé avec un prix pour chacune de trente équations de degré 3 à résoudre.
Un jeune italien, Tartaglia, trouve la formule générale des solutions et résout les trente équations
en une seule nuit ! Cette méthode que Tartaglia voulait garder secrète sera quand même publiée
quelques années plus tard comme la « méthode de Cardan ».
Dans ce chapitre, après quelques définitions des concepts de base, nous allons étudier l’arith-
métique des polynômes. Il y a une grande analogie entre l’arithmétique des polynômes et celles
des entiers. On continue avec un théorème fondamental de l’algèbre : « Tout polynôme de degré n
admet n racines complexes. » On termine avec les fractions rationnelles : une fraction rationnelle
est le quotient de deux polynômes.
Dans ce chapitre K désignera l’un des corps Q, R ou C.
49
50 CHAPITRE 5. POLYNÔMES ET FRACTIONS RATIONNELLES
I- Définitions
1. Définitions
Définition I.1
Un polynôme à coefficients dans K est une expression de la forme
P (X) = an X n + an−1 X n−1 + · · · + a2 X 2 + a1 X + a0 ,
avec n ∈ N et a0 , a1 , . . . , an ∈ K.
L’ensemble des polynômes est noté K[X].
— Les ai sont appelés les coefficients du polynôme.
— Si tous les coefficients ai sont nuls, P est appelé le polynôme nul, il est noté 0.
— On appelle le degré de P le plus grand entier i tel que ai 6= 0 ; on le note deg P . Pour
le degré du polynôme nul on pose par convention deg(0) = −∞.
— Un polynôme de la forme P = a0 avec a0 ∈ K est appelé un polynôme constant. Si
a0 6= 0, son degré est 0.
Exemple 1.1
— X 3 − 5X + 3
4 est un polynôme de degré 3.
— Xn + 1 est un polynôme de degré n.
— 2 est un polynôme constant, de degré 0.
2. Opérations sur les polynômes

— Égalité. Soient P = an X n + an−1 X n−1 + · · · + a1 X + a0 et Q = bn X n + bn−1 X n−1 + · · · +
b1 X + b0 deux polynômes à coefficients dans K.
P =Q ⇐⇒ ∀i ai = bi
et on dit que P et Q sont égaux.

— Addition. Soient P = an X n + an−1 X n−1 + · · · + a1 X + a0 et Q = bn X n + bn−1 X n−1 + · · · +
b1 X + b 0 .
On définit :
P + Q = (an + bn )X n + (an−1 + bn−1 )X n−1 + · · · + (a1 + b1 )X + (a0 + b0 )
— Multiplication. Soient P = an X n +an−1 X n−1 +· · ·+a1 X +a0 et Q = bm X m +bm−1 X m−1 +

· · · + b1 X + b0 . On définit
P × Q = cr X r + cr−1 X r−1 + · · · + c1 X + c0
X
avec r = n + m et ck = ai bj pour k ∈ {0, . . . , r}.
i+j=k
— Multiplication par un scalaire. Si λ ∈ K alors λ · P est le polynôme dont le i-ème

coefficient est λai .
I. DÉFINITIONS 51
Exemple 2.1
— Soient P = aX 3 + bX 2 + cX + d et Q = αX 2 + βX + γ. Alors P + Q = aX 3 + (b +
α)X 2 + (c + β)X + (d + γ), P × Q = (aα)X 5 + (aβ + bα)X 4 + (aγ + bβ + cα)X 3 +
(bγ + cβ + dα)X 2 + (cγ + dβ)X + dγ. Enfin P = Q si et seulement si a = 0, b = α,
c = β et d = γ.
— La multiplication par un scalaire λ · P équivaut à multiplier le polynôme constant λ
par le polynôme P .
L’addition et la multiplication se comportent sans problème :
Proposition 5.1
Pour P, Q, R ∈ K[X] alors

— 0 + P = P, P + Q = Q + P, (P + Q) + R = P + (Q + R) ;
— 1 · P = P, P × Q = Q × P, (P × Q) × R = P × (Q × R) ;
— P × (Q + R) = P × Q + P × R.
Pour le degré il faut faire attention :
Proposition 5.2
Soient P et Q deux polynômes à coefficients dans K.

deg(P × Q) = deg P + deg Q
deg(P + Q) ≤ max(deg P, deg Q)

On note Rn [X] = P ∈ R[X] | deg P ≤ n . Si P, Q ∈ Rn [X] alors P + Q ∈ Rn [X].
3. Vocabulaire
Complétons les définitions sur les polynômes.
Définition I.2
— Les polynômes comportant un seul terme non nul (du type ak X k ) sont appelés mo-
nômes.
— Soit P = an X n + an−1 X n−1 + · · · + a1 X + a0 , un polynôme avec an 6= 0. On ap-
pelle terme dominant le monôme an X n . Le coefficient an est appelé le coefficient
dominant de P .
— Si le coefficient dominant est 1, on dit que P est un polynôme unitaire.
Exemple 3.1
P (X) = (X − 1)(X n + X n−1 + · · · + X + 1). On développe

cette expression : P (X) =
X n+1 + X n + · · · + X 2 + X − X n + X n−1 + · · · + X + 1 = X n+1 − 1. P (X) est donc un
polynôme de degré n + 1, il est unitaire et est somme de deux monômes : X n+1 et −1.
II- Arithmétique des polynômes

Il existe de grandes similitudes entre l’arithmétique dans Z et l’arithmétique dans K[X]. Cela
nous permet d’aller assez vite et d’omettre certaines preuves.
1. Division euclidienne
Définition II.1
Soient A, B ∈ K[X], on dit que B divise A s’il existe Q ∈ K[X] tel que A = BQ. On note
alors B|A.
On dit aussi que A est multiple de B ou que A est divisible par B.

Outre les propriétés évidentes comme A|A, 1|A et A|0 nous avons :
Proposition 5.3
Soient A, B, C ∈ K[X].
1. Si A|B et B|A, alors il existe λ ∈ K∗ tel que A = λB.
2. Si A|B et B|C alors A|C.
3. Si C|A et C|B alors C|(AU + BV ), pour tout U, V ∈ K[X].
Théorème 5.1 : Division euclidienne des polynômes
Soient A, B ∈ K[X], avec B 6= 0, alors il existe un unique polynôme Q et il existe un unique

polynôme R tels que : A = BQ + R et deg R < deg B.
Q est appelé le quotient et R le reste et cette écriture est la division euclidienne de A par
B.
Notez que la condition deg R < deg B signifie R = 0 ou bien 0 ≤ deg R < deg B.
Enfin R = 0 si et seulement si B|A.
Démonstration.
Unicité. Si A = BQ + R et A = BQ′ + R′ , alors B(Q − Q′ ) = R′ − R. Or deg(R′ − R) < deg B.
Donc Q′ − Q = 0. Ainsi Q = Q′ , d’où aussi R = R′ .
Existence. On montre l’existence par récurrence sur le degré de A.
— Si deg A = 0 et deg B > 0, alors A est une constante, on pose Q = 0 et R = A. Si deg A = 0
et deg B = 0, on pose Q = A/B et R = 0.
— On suppose l’existence vraie lorsque deg A ≤ n − 1. Soit A = an X n + · · · + a0 un polynôme
de degré n (an 6= 0). Soit B = bm X m + · · · + b0 avec bm 6= 0. Si n < m on pose Q = 0 et
R = A.
Si n ≥ m on écrit A = B · bamn X n−m + A1 avec deg A1 ≤ n − 1. On applique l’hypothèse de
récurrence à A1 : il existe Q1 , R1 ∈ K[X] tels que A1 = BQ1 + R1 et deg R1 < deg B. Il
vient :
an n−m
A=B X + Q 1 + R1 .
bm
an n−m
Donc Q = bm X + Q1 et R = R1 conviennent.
III. RACINE D’UN POLYNÔME, FACTORISATION 53
Exemple 1.1
On pose une division de polynômes comme on pose une division euclidienne de deux entiers.
Par exemple si A = 2X 4 − X 3 − 2X 2 + 3X − 1 et B = X 2 − X + 1. Alors on trouve
Q = 2X 2 + X − 3 et R = −X + 2. On n’oublie pas de vérifier qu’effectivement A = BQ + R.
2X 4 − X 3 − 2X 2 + 3X − 1 X2 − X + 1
− 2X 4 − 2X 3 + 2X 2
X 3 − 4X 2 + 3X − 1 2X 2 + X − 3
− X3 − X2 + X
−3X 2 + 2X − 1
− −3X 2 + 3X − 3
−X + 2
Exemple 1.2
Pour X 4 − 3X 3 + X + 1 divisé par X 2 + 2 on trouve un quotient égal à X 2 − 3X − 2 et un

reste égale à 7X + 5.
X 4 − 3X 3 + X +1 X2 + 2
− X 4
+ 2X 2
−3X 3 − 2X 2 + X + 1 X 2 − 3X − 2
− −3X 3 − 6X
−2X 2 + 7X + 1
− −2X 2 −4
7X + 5
III- Racine d’un polynôme, factorisation
1. Racines d’un polynôme
Définition III.1
Soit P = an X n + an−1 X n−1 + · · · + a1 X + a0 ∈ K[X]. Pour un élément x ∈ K, on note
P (x) = an xn + · · · + a1 x + a0 . On associe ainsi au polynôme P une fonction polynôme
(que l’on note encore P )
P : K → K, x 7→ P (x) = an xn + · · · + a1 x + a0 .
Définition III.2
Soit P ∈ K[X] et α ∈ K. On dit que α est une racine (ou un zéro) de P si P (α) = 0.
Proposition 5.4
P (α) = 0 ⇐⇒ X − α divise P
Démonstration. Lorsque l’on écrit la division euclidienne de P par X − α on obtient P = Q · (X −

α) + R où R est une constante car deg R < deg(X − α) = 1. Donc P (α) = 0 ⇐⇒ R(α) = 0 ⇐⇒
R = 0 ⇐⇒ X − α|P .
Définition III.3
Soit k ∈ N∗ . On dit que α est une racine de multiplicité k de P si (X − α)k divise P

alors que (X − α)k+1 ne divise pas P . Lorsque k = 1 on parle d’une racine simple, lorsque
k = 2 d’une racine double, etc.
On dit aussi que α est une racine d’ordre k.
Proposition 5.5
Il y a équivalence entre :
(i) α est une racine de multiplicité k de P .
(ii) Il existe Q ∈ K[X] tel que P = (X − α)k Q, avec Q(α) 6= 0.
(iii) P (α) = P ′ (α) = · · · = P (k−1) (α) = 0 et P (k) (α) 6= 0.
La preuve est laissée en exercice.
Par analogie avec la dérivée d’une fonction, si P (X) = a0 + a1 X + · · · + an X n ∈ K[X]

® alors le polynôme P ′ (X) = a1 + 2a2 X + · · · + nan X n−1 est le polynôme dérivé de
P.
2. Théorème de d’Alembert-Gauss
Passons à un résultat essentiel de ce chapitre :
Théorème 5.2 : Théorème de d’Alembert-Gauss

Tout polynôme à coefficients complexes de degré n ≥ 1 a au moins une racine dans C. Il
admet exactement n racines si on compte chaque racine avec multiplicité.
Nous admettons ce théorème.
Exemple 2.1
Soit P (X) = aX 2 + bX + c un polynôme de degré 2 à coefficients réels : a, b, c ∈ R et a 6= 0.

√ √
— Si ∆ = b2 − 4ac > 0 alors P admet 2 racines réelles distinctes −b+
2a
∆
et −b−
2a
∆
.
√ √
−b+i |∆| −b−i |∆|
— Si ∆ < 0 alors P admet 2 racines complexes distinctes 2a et 2a .
−b
— Si ∆ = 0 alors P admet une racine réelle double 2a .
En tenant compte des multiplicités on a donc toujours exactement 2 racines.
III. RACINE D’UN POLYNÔME, FACTORISATION 55
Exemple 2.2
P (X) = X n − 1 admet n racines distinctes.

Sachant que P est de degré n alors par le théorème de d’Alembert-Gauss on sait qu’il admet
n racines comptées avec multiplicité. Il s’agit donc maintenant de montrer que ce sont des
racines simples. Supposons –par l’absurde– que α ∈ C soit une racine de multiplicité ≥ 2.
Alors P (α) = 0 et P ′ (α) = 0. Donc αn − 1 = 0 et nαn−1 = 0. De la seconde égalité on
déduit α = 0, contradictoire avec la première égalité. Donc toutes les racines sont simples.
Ainsi les n racines sont distinctes. (Remarque : sur cet exemple particulier on aurait aussi
pu calculer les racines qui sont ici les racines n-ième de l’unité.)
Pour les autres corps que les nombres complexes nous avons le résultat plus faible suivant :
Théorème 5.3
Soit P ∈ K[X] de degré n ≥ 1. Alors P admet au plus n racines dans K.
Exemple 2.3
P (X) = 3X 3 −2X 2 +6X−4. Considéré comme un polynôme à coefficients dans Q ou R, P n’a

qu’une seule racine (qui est simple) α = 23 et il se décompose en P (X) = 3(X − 23 )(X 2 + 2).
Si on considère√maintenant √ P comme un polynôme à coefficients dans C alors P (X) =
3(X − 32 )(X − i 2)(X + i 2) et admet 3 racines simples.
3. Polynômes irréductibles
Définition III.4
Soit P ∈ K[X] un polynôme de degré ≥ 1, on dit que P est irréductible si pour tout
Q ∈ K[X] divisant P , alors, soit Q ∈ K∗ , soit il existe λ ∈ K∗ tel que Q = λP .
® — Un polynôme irréductible P est donc un polynôme non constant dont les seuls
diviseurs de P sont les constantes ou P lui-même (à une constante multiplicative
près).
— La notion de polynôme irréductible pour l’arithmétique de K[X] correspond à
la notion de nombre premier pour l’arithmétique de Z.
— Dans le cas contraire, on dit que P est réductible ; il existe alors des polynômes
A, B de K[X] tels que P = AB, avec deg A ≥ 1 et deg B ≥ 1.
Exemple 3.1
— Tous les polynômes de degré 1 sont irréductibles. Par conséquent il y a une infinité de
polynômes irréductibles.
— X 2 − 1 = (X − 1)(X + 1) ∈ R[X] est réductible.
— X 2 + 1 = (X − i)(X + i) est réductible dans C[X] mais est irréductible dans R[X].
√ √
— X 2 − 2 = (X − 2)(X + 2) est réductible dans R[X] mais est irréductible dans Q[X].
Nous avons l’équivalent du lemme d’Euclide de Z pour les polynômes :

Proposition 5.6 : Lemme d’Euclide
Soit P ∈ K[X] un polynôme irréductible et soient A, B ∈ K[X]. Si P |AB alors P |A ou P |B.
Démonstration. Si P ne divise pas A alors pgcd(P, A) = 1 car P est irréductible. Donc, par le
lemme de Gauss, P divise B.
4. Théorème de factorisation
Théorème 5.4
Tout polynôme non constant A ∈ K[X] s’écrit comme un produit de polynômes irréductibles
unitaires :
A = λP1k1 P2k2 · · · Prkr
où λ ∈ K∗ , r ∈ N∗ , ki ∈ N∗ et les Pi sont des polynômes irréductibles distincts.
De plus cette décomposition est unique à l’ordre près des facteurs.
Il s’agit bien sûr de l’analogue de la décomposition d’un nombre en facteurs premiers.
5. Factorisation dans C[X] et R[X]
Théorème 5.5
Les polynômes irréductibles de C[X] sont les polynômes de degré 1.
Donc pour P ∈ C[X] de degré n ≥ 1 la factorisation s’écrit P = λ(X − α1 )k1 (X −
α2 )k2 · · · (X − αr )kr , où α1 , ..., αr sont les racines distinctes de P et k1 , ..., kr sont leurs
multiplicités.
Démonstration. Ce théorème résulte du théorème de d’Alembert-Gauss.
Théorème 5.6
Les polynômes irréductibles de R[X] sont les polynômes de degré 1 ainsi que les polynômes
de degré 2 ayant un discriminant ∆ < 0.
Soit P ∈ R[X] de degré n ≥ 1. Alors la factorisation s’écrit P = λ(X − α1 )k1 (X −
α2 )k2 · · · (X − αr )kr Qℓ11 · · · Qℓss , où les αi sont exactement les racines réelles distinctes de
multiplicité ki et les Qi sont des polynômes irréductibles de degré 2 : Qi = X 2 + βi X + γi
avec ∆ = βi2 − 4γi < 0.
Exemple 5.1
P (X) = 2X 4 (X − 1)3 (X 2 + 1)2 (X 2 + X + 1) est déjà décomposé en facteurs irréductibles

dans R[X] alors que sa décomposition√dans C[X] est P (X) = 2X 4 (X − 1)3 (X − i)2 (X +
i)2 (X − j)(X − j 2 ) où j = e 3 = −1+i
2iπ
3
2 .
Exemple 5.2
Soit P (X) = X 4 + 1.
— Sur C. On peut d’abord décomposer P (X) = (X 2 + i)(X 2 − i). Les racines de P sont
donc les racines carrées complexes de i et −i. Ainsi P se factorise dans C[X] :
√ √ √ √
P (X) = X − 2
2 (1 + i) X + 2
2 (1 + i) X − 2
2 (1 − i) X + 2
2 (1 − i) .
IV. FRACTIONS RATIONNELLES 57
— Sur R. Pour un polynôme à coefficient réels, si α est une racine alors ᾱ aussi. Dans
la décomposition ci-dessus on regroupe les facteurs ayant des racines conjuguées, cela
doit conduire à un polynôme réel :
h √ √ i h √ √ i
P (X) = X − 22 (1 + i) X − 22 (1 − i) X + 22 (1 + i) X + 22 (1 − i)
√ √
= X 2 + 2X + 1 X 2 − 2X + 1 ,
qui est la factorisation dans R[X].
IV- Fractions rationnelles
Définition IV.1
Une fraction rationnelle à coefficients dans K est une expression de la forme
P
F =
Q
où P, Q ∈ K[X] sont deux polynômes et Q 6= 0.
Toute fraction rationnelle se décompose comme une somme de fractions rationnelles élémen-
taires que l’on appelle des « éléments simples ». Mais les éléments simples sont différents sur C ou
sur R.
1. Décomposition en éléments simples sur C
Théorème 5.7 : Décomposition en éléments simples sur C
Soit P/Q une fraction rationnelle avec P, Q ∈ C[X], pgcd(P, Q) = 1 et Q = (X −

α1 )k1 · · · (X − αr )kr . Alors il existe une et une seule écriture :
P a1,1 a1,2 a1,k1

= E + + + ··· +
Q (X − α1 )k1 (X − α1 )k1 −1 (X − α1 )
a2,1 a2,k2
+ + ··· +
(X − α2 )k2 (X − α2 )
+ ···
a
Le polynôme E s’appelle la partie polynomiale (ou partie entière). Les termes (X−α)i
sont
les éléments simples sur C.
Exemple 1.1
— Vérifier que 1
X 2 +1
= a
X+i + b
X−i avec a = 12 i, b = − 12 i.
X 4 −8X 2 +9X−7 −1 2 −1
— Vérifier que (X−2)2 (X+3)
=X +1+ (X−2)2
+ X−2 + X+3 .
Comment se calcule cette décomposition ? En général on commence par déterminer la partie

polynomiale. Tout d’abord si deg Q > deg P alors E(X) = 0. Si deg P ≤ deg Q alors effectuons
P R
la division euclidienne de P par Q : P = QE + R donc Q =E+Q où deg R < deg Q. La partie
R
polynomiale est donc le quotient de cette division. Et on s’est ramené au cas d’une fraction Q avec
deg R < deg Q. Voyons en détails comment continuer sur un exemple.
Exemple 1.2
P X 5 − 2X 3 + 4X 2 − 8X + 11
Décomposons la fraction = .
Q X 3 − 3X + 2
— Première étape : partie polynomiale. On calcule la division euclidienne de P
par Q : P (X) = (X 2 + 1)Q(X) + 2X 2 − 5X + 9. Donc la partie polynomiale est
P (X) 2 −5X+9
E(X) = X 2 + 1 et la fraction s’écrit Q(X) = X 2 + 1 + 2X Q(X) . Notons que pour la
2−5X+9
fraction 2X Q(X) le degré du numérateur est strictement plus petit que le degré du
dénominateur.
— Deuxième étape : factorisation du dénominateur. Q a pour racine évidente +1
(racine double) et −2 (racine simple) et se factorise donc ainsi Q(X) = (X −1)2 (X +2).
— Troisième étape : décomposition théorique en éléments simples. Le théorème
de décomposition en éléments simples nous dit qu’il existe une unique décomposition :
P (X) a b c 2
Q(X) = E(X) + (X−1)2 + X−1 + X+2 . Nous savons déjà que E(X) = X + 1, il reste
à trouver les nombres a, b, c.
— Quatrième étape : détermination des coefficients. Voici une première façon de
a b c
déterminer a, b, c. On récrit la fraction (X−1) 2 + X−1 + X+2 au même dénominateur
2X 2 −5X+9
et on l’identifie avec Q(X) :
a b c (b + c)X 2 + (a + b − 2c)X + 2a − 2b + c
+ + =
(X − 1)2 X − 1 X + 2 (X − 1)2 (X + 2)
qui doit être égale à
2X 2 − 5X + 9
.
(X − 1)2 (X + 2)
On en déduit b + c = 2, a + b − 2c = −5 et 2a − 2b + c = 9. Cela conduit à l’unique
solution a = 2, b = −1, c = 3. Donc
P X 5 − 2X 3 + 4X 2 − 8X + 11 2 −1 3
= = X2 + 1 + + + .
Q X − 3X + 2
3 (X − 1) 2 X −1 X +2
Cette méthode est souvent la plus longue.
— Quatrième étape (bis) : détermination des coefficients. Voici une autre mé-
thode plus efficace.
′ (X)
2X 2 −5X+9
Notons PQ(X) = (X−1) a b c
2 (X+2) dont la décomposition théorique est : (X−1)2 + X−1 + X+2
′
Pour déterminer a on multiplie la fraction PQ par (X − 1)2 et on évalue en x = 1.
Tout d’abord en partant de la décomposition théorique on a :
P ′ (X) (X − 1)2
F1 (X) = (X − 1)2 = a + b(X − 1) + c donc F1 (1) = a
Q(X) X +2
D’autre part
P ′ (X) 2X 2 − 5X + 9 2X 2 − 5X + 9
F1 (X) = (X − 1)2 = (X − 1)2 =
Q(X) (X − 1)2 (X + 2) X +2
donc F1 (1) = 2. On en déduit a = 2.
On fait le même processus pour déterminer c : on multiplie par (X + 2) et on évalue
′ (X) 2 −5X+9
en −2. On calcule F2 (X) = (X + 2) PQ(X) = 2X(X−1) 2
X+2
= a (X−1) X+2
2 + b X−1 + c de deux
façons et lorsque l’on évalue x = −2 on obtient d’une part F2 (−2) = c et d’autre part
F2 (−2) = 3. Ainsi c = 3.
IV. FRACTIONS RATIONNELLES 59
Comme les coefficients sont uniques tous les moyens sont bons pour les déterminer. Par
′ (X)
exemple lorsque l’on évalue la décomposition théorique PQ(X) a
= (X−1) b c
2 + X−1 + X+2
en x = 0, on obtient :
P ′ (0) c
=a−b+
Q(0) 2
Donc 9
2 = a − b + 2c . Donc b = a + c
2 − 9
2 = −1.
2. Décomposition en éléments simples sur R
Théorème 5.8 : Décomposition en éléments simples sur R
oit P/Q une fraction rationnelle avec P, Q ∈ R[X], pgcd(P, Q) = 1. Alors P/Q s’écrit de
manière unique comme somme :
— d’une partie polynomiale E(X),
a
— d’éléments simples du type (X−α)i
,
aX+b
— d’éléments simples du type (X 2 +αX+β)i
.
Où les X − α et X 2 + αX + β sont les facteurs irréductibles de Q(X) et les exposants i sont
inférieurs ou égaux à la puissance correspondante dans cette factorisation.
Exemple 2.1
P (X) 4 3 2
Décomposition en éléments simples de Q(X) = 3X(X+5X +11X +5X+3
2 +X+1)2 (X−1) . Comme deg P < deg Q
alors E(X) = 0. Le dénominateur est déjà factorisé sur R car X + X + 1 est irréductible.
2
La décomposition théorique est donc :
P (X) aX + b cX + d e
= + 2 + .
Q(X) 2
(X + X + 1) 2 X +X +1 X −1
Il faut ensuite mener au mieux les calculs pour déterminer les coefficients afin d’obtenir :
P (X) 2X + 1 −1 3
= + + .
Q(X) (X 2 + X + 1)2 X 2 + X + 1 X − 1

Cours Math Calculs

Transféré par

Droits d'auteur :

Formats disponibles

Cours Math Calculs

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Math Calculs

Transféré par

Droits d'auteur :

Formats disponibles

Cours de calculs algébriques - MATH1

Le contenu de ce cours est essentiellement issu de ce dépôt de ressources libres :

5 Polynômes et fractions rationnelles 49

L’équation x + 5 = 2 a ses coeﬀicients dans N mais pourtant sa solution x = −3 n’est pas un

Outre la résolution d’équations, les nombres complexes s’appliquent à la trigonométrie, à la

I- Les nombres complexes

3. Partie réelle et imaginaire

Par identification de C à R2 , l’écriture z = Re(z) + iIm(z) est unique :

— L’ opposé de z = a + ib est −z = (−a) + i(−b) = −a − ib.

L’inverse de z, noté z1 , est donc

La preuve est simple : notons S = 1 + z + z 2 + · · · + z n , alors en développant S · (1 − z) presque

Il n’y pas d’ordre naturel sur C, il ne faut donc jamais écrire z ⩾ 0 ou z ⩽ z ′ .

Proposition 1.2 : L’inégalité triangulaire

Avant de faire la preuve voici deux remarques utiles. Soit z = a + ib ∈ C avec a, b ∈ R :

Démonstration. Pour la preuve on calcule |z + z ′ |2 :

II- Racines carrées, équation du second degré

Soit z un nombre complexe, alors z admet deux racines carrées, ω et −ω.

Démonstration. Nous écrivons ω = x + iy, nous cherchons x, y tels que ω 2 = z.

Petite astuce ici : nous

Rajoutons la conditions |ω|2 = |i| pour obtenir le système équivalent au précédent :

2. Équation du second degré

L’équation du second degré az 2 + bz + c = 0, où a, b, c ∈ C et a 6= 0, possède deux solutions

Et si ∆ = 0 alors la√solution z = z1 = z2 = −b/2a est unique (elle est dite double). Si on

Démonstration. On écrit la factorisation

3. Théorème fondamental de l’algèbre

Théorème 1.1 : d’Alembert–Gauss

Soit P (z) = an z n + an−1 z n−1 + · · · + a1 z + a0 un polynôme à coeﬀicients complexes et de

Nous admettons ce théorème.

III- Argument et trigonométrie

L’argument satisfait les propriétés suivantes :

2. Formule de Moivre, notation exponentielle

Démonstration. Par récurrence, on montre que

Il y a n racines n-ièmes ω0 , ω1 , . . . , ωn−1 de z = ρeiθ , ce sont :

Par exemple pour z = 1, on obtient les n racines n-ièmes de l’unité e2ikπ/n , k = 0, . . . , n − 1

Racine 3-ième de l’unité (z = 1, n = 3) Racine 3-ième de −1 (z = −1, n = 3)

Les racines 5-ième de l’unité (z = 1, n = 5) forment un pentagone régulier :

I- Définitions et vocabulaire matriciel

Un tel tableau est représenté de la manière suivante :

Les éléments a1,1 , a2,2 , . . . , an,n forment la diagonale principale de la matrice.

cij = aij + bij .

En d’autres termes, on somme coeﬀicients par coeﬀicients. Remarque : on note indifféremment

Définition I.3 : Produit d’une matrice par un scalaire

L’addition et la multiplication par un scalaire se comportent sans surprises :

Soient A, B et C trois matrices appartenant à Mn,p (K). Soient α ∈ K et β ∈ K deux

II- Multiplication de matrices

Définition II.1 : Produit de deux matrices

On peut écrire le coeﬀicient de façon plus développée, à savoir :

cij = ai1 b1j + ai2 b2j + · · · + aik bkj + · · · + aip bpj .

Il est commode de disposer les calculs de la façon suivante.

Alors u × v est une matrice de taille 1 × 1 dont l’unique coeﬀicient est a1 b1 + a2 b2 + · · · + an bn . Ce

Deuxième piège. AB = 0 n’implique pas A = 0 ou B = 0.

Troisième piège. AB = AC n’implique pas B = C. On peut avoir AB = AC et B 6= C.

4. Propriétés du produit de matrices

1. A(BC) = (AB)C : associativité du produit,

Si A est une matrice n × p, alors :

On appelle matrice transposée de A la matrice A⊤ de taille p × n définie par :

Notation : La transposée de la matrice A se note aussi souvent tA.

L’opération de transposition obéit aux règles suivantes :

Notez bien l’inversion : (AB)⊤ = B ⊤ A⊤ , comme pour (AB)−1 = B −1 A−1 .

a = 1,b = − 23 , c = 0, d = 31 . Il n’y a donc qu’une seule