Hoja de repaso: Introduction à l'algèbre et analyse mathématique

📋 Plan du Cours

1. Conventions et notations standards
2. Ensembles, fonctions et complexes
3. Polices de caractères et alphabet grec
4. Fonctions usuelles et transformations
5. Espaces vectoriels : structure et sous-espaces
6. Applications linéaires : noyau et image
7. Développements limités et asymptotes
8. Diagonalisation des matrices et endomorphismes
9. Primitives et intégrales : calcul et suites
10. Erreur d’approximation par la méthode des points milieux

📖 1. Conventions et notations standards

🔑 Notions clés & Définitions

• Ensembles N, Z, Q, R, C : Ensemble des entiers naturels, entiers relatifs, rationnels, réels et complexes, notés respectivement N, Z, Q, R et C.
• Corps K : Corps noté K, choisi parmi Q, R ou C, avec la convention K ∈ {Q, R, C}.
• Intervalle d’entiers ⟦n,p⟧ : Ensemble des entiers compris entre n et p, noté ⟦n,p⟧ et défini par ⟦n,p⟧ = [n,p] ∩ N.
• Ensemble F(E,F) : Ensemble des applications de E vers F, noté F(E,F) ou F E, pour caractériser une famille de fonctions.
• Fonction indicatrice 1Y|X : Fonction indicatrice d’un sous-ensemble Y de X, notée 1Y|X (ou 1Y), qui vaut 1 sur Y et 0 ailleurs.

📝 Points essentiels

• Les symboles N, Z, Q, R, C désignent respectivement les entiers naturels, relatifs, rationnels, réels et complexes.
• La notation K désigne l’un des corps Q, R ou C, donc K ∈ {Q,R,C}.
• Pour n ≤ p, l’ensemble des entiers entre n et p s’écrit ⟦n,p⟧ et vérifie ⟦n,p⟧ = [n,p] ∩ N.
• On peut aussi écrire {n,...,p} pour désigner le même ensemble d’entiers lorsque n et p sont des entiers.
• Si n > 1, la notation N^n désigne ⟦1,n⟧, c’est-à-dire l’ensemble des entiers de 1 à n.
• Si E et F sont des ensembles, F^E désigne l’ensemble des applications de E dans F, aussi noté F(E,F).

💡 Astuce mémo

N,Z,Q,R,C : Natures→Zélés→Rationnels→Réels→Complexes (dans cet ordre).

📖 2. Ensembles, fonctions et complexes

🔑 Notions clés & Définitions

• Symbole de Kronecker : Symbole qui vaut 1 quand deux indices sont égaux et 0 sinon, ce qui simplifie des sommes et des produits.
• Fonction δi,j : Notation de la valeur du symbole de Kronecker appliquée au couple d’indices (i,j), souvent notée δi,j ou δj,i selon la convention.
• Complexe i : Lettre i désignant une solution complexe de l’équation x2 + 1 = 0, donc i2 = −1.
• Complexe j : Lettre j désignant une solution complexe de z3 = 1 différente de 1, avec une convention d’écriture possible via des exponentielles.

📝 Points essentiels

• Le symbole de Kronecker δi,j vaut 1 si i = j et 0 si i ≠ j.
• L’image d’un couple (i,j) par δ peut être notée δi,j, δj,i ou δi,j selon l’ordre des indices choisi.
• Le symbole de Kronecker sert à simplifier des expressions contenant des sommes ou des produits et à définir certaines matrices.
• La lettre i est une solution de x2 + 1 = 0 et il y en a exactement deux.
• La lettre j est une solution complexe de z3 = 1 avec z ≠ 1, et on peut convenir que j = e^{2iπ/3} (ou e^{4iπ/3}).

💡 Astuce mémo

Kronecker : même indice → 1, indice différent → 0 ; i : racine de x2+1=0 ; j : racine de z3=1 différente de 1.

📖 3. Polices de caractères et alphabet grec

🔑 Notions clés & Définitions

• th : Fonction hyperbolique tangente, notée th, définie à partir des exponentielles et utilisée dans les identités avec sh et ch.
• sh : Fonction hyperbolique sinus, notée sh, définie via les exponentielles et apparaissant dans les inégalités et simplifications.
• ch : Fonction hyperbolique cosinus, notée ch, définie via les exponentielles et utilisée notamment dans des bornes avec sh.
• Argth : Fonction réciproque de la tangente hyperbolique, notée Argth, qui inverse th sur son domaine.
• Argsh : Fonction réciproque du sinus hyperbolique, notée Argsh, qui inverse sh sur son domaine.

📝 Points essentiels

• Les notations th, sh, ch désignent respectivement tangente, sinus et cosinus hyperboliques, et leurs inverses sont notées Argth, Argsh, Arccosh selon le contexte du cours.
• Pour tout $x\in\mathbb{R}$, on a $0\le ch(x)-1\le x\,sh(x)$, ce qui fournit une borne utile entre ch et sh.
• Pour tout $x\in]0,1[$, on a $\mathrm{Arcsin}(x)<x\sqrt{1-x^2}$, inégalité servant à encadrer Arcsin.
• Pour tout $x\in\mathbb{R}^*_+$, on a $\mathrm{Arctan}(x)>\dfrac{x}{1+x^2}$, inégalité de comparaison pour Arctan.
• Les exercices utilisent des identités et simplifications impliquant th et ses inverses, donc le domaine de dérivation/definition doit être vérifié avant de dériver ou simplifier.
• Les expressions de type $\mathrm{Argth}(\cdot)$, $\mathrm{Argsh}(\cdot)$ et $\mathrm{Arccos}(\cdot)$ apparaissent sous des formes algébriques à simplifier, ce qui impose de reconnaître les correspondances entre fonction,

💡 Astuce mémo

th=tan mais en hyperbolique (th ↔ Argth), sh=sin hyperbolique (sh ↔ Argsh), ch=cos hyperbolique (ch ↔ Arghc/Argch selon notation du cours).

📖 4. Fonctions usuelles et transformations

🔑 Notions clés & Définitions

• Application linéaire : Application entre deux espaces vectoriels qui respecte les opérations : somme et multiplication par un scalaire.
• Noyau d’une application linéaire : Ensemble des vecteurs de départ dont l’image est le vecteur nul, noté Ker(f).
• Image d’une application linéaire : Ensemble des vecteurs de l’espace d’arrivée obtenus comme images de vecteurs de départ, noté Im(f).
• Isomorphisme d’espaces vectoriels : Application linéaire bijective qui préserve la structure vectorielle entre deux espaces.
• Opérateur de dérivation : Application D qui envoie une fonction dérivable sur sa dérivée, D(f)=f’.

📝 Points essentiels

• Pour une application linéaire f, Ker(f) est un sous-espace vectoriel de l’espace de départ.
• Pour une application linéaire f, Im(f) est un sous-espace vectoriel de l’espace d’arrivée.
• Une application linéaire f est injective si et seulement si Ker(f)={0}.
• Une application linéaire f est un isomorphisme si et seulement si f est bijective.
• Si f et g sont des endomorphismes et f∘g=g∘f, alors g(Ker(f))⊂Ker(f).
• Si f et g sont des endomorphismes et f∘g=g∘f, alors g(Im(f))⊂Im(f).

💡 Astuce mémo

Injectif ⇔ noyau nul ; Surjectif ⇔ image = tout ; Isomorphisme ⇔ bijection ; Commute f∘g=g∘f ⇒ g stabilise Ker et Im.

📖 5. Espaces vectoriels : structure et sous-espaces

🔑 Notions clés & Définitions

• Sous-espace vectoriel : Un sous-espace vectoriel est un ensemble inclus dans un espace vectoriel qui est stable par combinaison linéaire, donc par addition et multiplication par un scalaire.
• Famille linéairement indépendante : Une famille de vecteurs est linéairement indépendante quand aucune combinaison linéaire non triviale ne donne le vecteur nul.
• Base : Une base d’un espace vectoriel est une famille linéairement indépendante qui engendre tout l’espace, permettant d’exprimer tout vecteur de façon unique.
• Noyau d’une application linéaire : Le noyau d’une application linéaire est l’ensemble des vecteurs envoyés sur 0, et c’est toujours un sous-espace vectoriel.
• Image d’une application linéaire : L’image d’une application linéaire est l’ensemble des vecteurs obtenus comme valeurs de l’application, et c’est un sous-espace vectoriel.

📝 Points essentiels

• Pour vérifier l’appartenance d’un vecteur à un sous-espace engendré, on cherche des scalaires tels que le vecteur soit une combinaison linéaire des générateurs.
• Pour tester l’indépendance d’une famille, on résout une équation de combinaison linéaire égale à 0 et on vérifie si les coefficients doivent tous être nuls.
• Dans un changement de base, les composantes $(y_1,y_2,y_3)$ se déterminent en écrivant $u=y_1\varepsilon_1+y_2\varepsilon_2+y_3\varepsilon_3$ puis en identifiant les coordonnées.
• La dimension d’un sous-espace engendré par des vecteurs se trouve via le rang de la matrice formée par ces vecteurs (en colonnes ou en lignes).
• Pour une application linéaire $f$, le noyau et l’image se déterminent en résolvant respectivement $f(v)=0$ et en décrivant l’ensemble des sorties $f(v)$.
• Le théorème du rang relie dimension du domaine, dimension du noyau et dimension de l’image pour une application linéaire entre espaces vectoriels finis-dimensionnels.

💡 Astuce mémo

Indépendance = coefficients forcés à 0 ; Noyau = tout ce qui tombe à 0 ; Image = tout ce qui sort.

📖 6. Applications linéaires : noyau et image

🔑 Notions clés & Définitions

• Image d’une application linéaire : L’image d’une application linéaire est l’ensemble des vecteurs obtenus en appliquant la fonction à tous les vecteurs de l’espace de départ.
• Noyau d’une application linéaire : Le noyau d’une application linéaire est l’ensemble des vecteurs envoyés sur le vecteur nul.
• Matrice d’une application linéaire : La matrice d’une application linéaire dépend des bases choisies et encode l’action de la fonction sur les coordonnées.
• Changement de base : Le changement de base décrit comment passer des coordonnées dans une base à celles dans une autre base via des matrices de passage.

📝 Points essentiels

• Pour une application linéaire $f$, on a $\mathrm{Im}(f)=\{f(x)\mid x\in E\}$ et $\ker(f)=\{x\in E\mid f(x)=0\}$.
• Dans l’exercice 27, la matrice $A$ de $f$ dans la base canonique $(e_1,e_2,e_3,e_4)$ se construit en prenant comme colonnes les coordonnées de $f(e_1),f(e_2),f(e_3),f(e_4)$.
• Pour l’exercice 27, $\dim(\mathrm{Im}(f))$ se déduit de la dimension de l’espace engendré par les colonnes de $A$, puis $\dim(\ker(f))$ se déduit par la relation dimensionnelle.
• Une base de $\mathrm{Im}(f)$ se déduit en choisissant des colonnes de $A$ formant une famille libre engendrant le même sous-espace.
• Une base de $\ker(f)$ se déduit en résolvant le système linéaire $Ax=0$ et en prenant des solutions libres (vecteurs de base du sous-espace).
• Dans l’exercice 26, si $B$ est une base de $\mathbb{R}^3$, alors la matrice $B$ associée à $f$ dans cette base permet d’obtenir les matrices de passage $P=\mathrm{Mat}_{E,B}(\mathrm{Id}_{\mathbb{R}^3})$ et $Q=\mathrm{Mat

💡 Astuce mémo

Image = sorties, noyau = zéros : Im(f) = ce que f produit, Ker(f) = ce que f annule.

📖 7. Développements limités et asymptotes

🔑 Notions clés & Définitions

• Développement limité : Un développement limité est une approximation polynomiale d’une fonction au voisinage d’un point, avec un reste d’ordre supérieur à la précision demandée.
• Asymptote verticale : Une asymptote verticale est une droite $x=a$ telle que la fonction diverge vers $\pm\infty$ quand $x\to a$.
• Asymptote horizontale : Une asymptote horizontale est une droite $y=L$ telle que $f(x)\to L$ quand $x\to\pm\infty$.
• Asymptote oblique : Une asymptote oblique est une droite $y=ax+b$ telle que $f(x)-(ax+b)\to 0$ quand $x\to\pm\infty$.

📝 Points essentiels

• Pour $h(x)=\begin{cases}e^{-1/x}-1 & x>0\\0 & x\le 0\end{cases}$, on montre que $h$ est de classe $C^\infty$ au voisinage de $0$.
• Au voisinage de $0$, pour tout entier $n>0$, on a $h^{(n)}(x)=P_n(x)\,x^{2n}e^{-1/x}$ avec $P_n$ polynôme de degré $\le n$.
• Au voisinage de $0$, pour tout entier $n>0$, $h^{(n)}$ est continue et $h^{(n)}(0)=0$.
• On en déduit que $h$ admet un développement limité en $0$ à tout ordre (tous les coefficients du DL sont nuls).
• Pour déterminer un DL d’ordre $n$ de $h$ en $0$, on utilise que $h^{(k)}(0)=0$ pour tout $k\le n$, donc le DL est le polynôme nul à l’ordre $n$.
• Pour $f(x)=\dfrac{1}{(x+1)(x+2)}$, on vérifie $f(x)=\dfrac{1}{x+1}-\dfrac{1}{x+2}$ puis on développe chaque terme en série au voisinage de $0$ pour obtenir le DL d’ordre $n$.

💡 Astuce mémo

DL en 0 : dérivées nulles ⇒ coefficients nuls ⇒ DL = 0 à tout ordre ; asymptotes : verticales (diverge en x=a), horizontales (limite finie), obliques (reste après ax+b tend vers 0).

📖 8. Diagonalisation des matrices et endomorphismes

🔑 Notions clés & Définitions

• Diagonalisation : Diagonalisation : décomposition d’un endomorphisme (ou d’une matrice) en une base de vecteurs propres, ce qui simplifie le calcul des puissances.
• Valeurs propres : Valeurs propres : scalaires $\lambda$ tels qu’il existe un vecteur non nul $v$ vérifiant $Av=\lambda v$ (ou $f(v)=\lambda v$).
• Vecteurs propres : Vecteurs propres : vecteurs non nuls $v$ associés à une valeur propre $\lambda$ et satisfaisant $Av=\lambda v$.
• Endomorphisme : Endomorphisme : application linéaire d’un espace vectoriel dans lui-même, représentée par une matrice dans une base donnée.
• Matrices semblables : Matrices semblables : matrices $M'$ et $M$ liées par $M'=QMQ^{-1}$, qui ont les mêmes valeurs propres et des propriétés spectrales identiques.

📝 Points essentiels

• Si une matrice (ou un endomorphisme) admet une base de vecteurs propres, alors elle est diagonalisable et ses puissances se calculent facilement via la diagonale.
• Pour diagonaliser une matrice, on cherche ses valeurs propres puis on construit une base de vecteurs propres correspondants.
• Une matrice $M'$ semblable à $M$ admet les mêmes valeurs propres que $M$ et il existe une matrice inversible $Q$ telle que $M'=QMQ^{-1}$.
• Pour une matrice $A$ diagonalisable, si $A=PDP^{-1}$ avec $D$ diagonale, alors $A^n=PD^nP^{-1}$ pour tout $n\in\mathbb N^*$.
• Dans les exercices, on passe souvent d’un endomorphisme $f$ à sa matrice canonique, puis on diagonalise pour obtenir une base de vecteurs propres et une forme simplifiée.
• Les exercices demandent aussi d’utiliser la diagonalisation pour expliciter des suites définies par des récurrences linéaires couplées (via les puissances $A^n$).

💡 Astuce mémo

Valeurs propres = “coefficients” sur les directions propres : une fois la base trouvée, $A^n$ devient juste $\lambda^n$ sur la diagonale.

📖 9. Primitives et intégrales : calcul et suites

🔑 Notions clés & Définitions

• Primitives : Une primitive d’une fonction est une fonction dont la dérivée redonne la fonction d’origine.
• Intégrale définie : Une intégrale définie mesure l’aire algébrique entre deux bornes et s’obtient via une primitive.
• Changement de variable : Le changement de variable transforme une intégrale en une autre intégrale plus simple en remplaçant la variable d’intégration.
• Intégration par parties : L’intégration par parties relie une intégrale de produit à une autre intégrale via la formule $\int u\,dv=uv-\int v\,du$.
• Suites récurrentes linéaires : Une suite récurrente linéaire est définie par une relation où chaque terme dépend linéairement des termes précédents.

📝 Points essentiels

• Pour calculer une primitive, on cherche une fonction $F$ telle que $F'(x)=f(x$, puis on ajoute une constante $C$.
• Pour une intégrale définie $\int_a^b f(x)\,dx$, on utilise la formule de Newton-Leibniz : $\int_a^b f=F(b)-F(a)$ si $F'=f$.
• Les intégrales de type $\int \sin(x)\cos^2(x)\,dx$ se simplifient souvent en réécrivant en puissances de $\cos$ ou $\sin$ puis en dérivant la partie restante.
• Les intégrales avec expressions du type $\int \frac{dx}{ax+b}$ ou $\int \frac{dx}{\text{polynôme}}$ se traitent par factorisation/complétion du carré quand c’est possible.
• Les intégrales trigonométriques du type $\int \sin(2x)\,\frac{1}{1+\cos x}\,dx$ se simplifient via des identités trigonométriques et/ou la substitution $u=1+\cos x$.
• Les intégrales avec racines du type $\int \sqrt{4x-x^2}\,dx$ se ramènent souvent à une forme standard par substitution $x$-centrée et symétrie.

💡 Astuce mémo

Primitive = Dérivée inversée (F' = f) ; Intégrale définie = Aire algébrique (F(b)-F(a)).

📖 10. Erreur d’approximation par la méthode des points milieux

🔑 Notions clés & Définitions

• Méthode des points milieux : Méthode d’approximation d’une intégrale qui remplace l’aire sous $f$ par la somme des valeurs de $f$ aux milieux de chaque sous-intervalle multipliées par le pas.
• Subdivision régulière : Découpage de $[a,b]$ en sous-intervalles de même longueur $h$ via $x_0=a<x_1<\dots<x_n=b$.
• Pas de subdivision : Quantité $h$ égale à la longueur de chaque sous-intervalle, donc $h=\frac{b-a}{n}$.
• Point milieu $\alpha_i$ : Milieu du sous-intervalle $[x_i,x_{i+1}]$, utilisé comme point d’évaluation dans l’approximation.
• Erreur d’approximation : Différence entre l’intégrale exacte $\int_a^b f(x)dx$ et son approximation par la méthode des points milieux.

📝 Points essentiels

• Si $f\in C^2([a,b])$, alors $f$ est intégrable sur $[a,b]$ (en particulier au sens de Riemann).
• Sur chaque $[x_i,x_{i+1}]$, la formule de Taylor-Lagrange de $f$ au point milieu $\alpha_i$ donne un développement avec reste en $f''$.
• On a $\int_{x_i}^{x_{i+1}}(x-\alpha_i)\,dx=0$ car $x-\alpha_i$ est antisymétrique autour du milieu.
• On a $\int_{x_i}^{x_{i+1}}(x-\alpha_i)^2\,dx=\frac{h^3}{12}$ pour un intervalle de longueur $h$.
• Pour chaque $i$, l’écart local vérifie $\left|\int_{x_i}^{x_{i+1}} f(x)dx-h\,f(\alpha_i)\right|\le \frac{h^3}{24}\,\sup_{[x_i,x_{i+1}]}|f''|$.
• En sommant les majorations locales, on obtient une majoration globale de l’erreur de la méthode des points milieux sur $[a,b]$ en fonction de $h^2$ et d’un majorant de $|f''|$ sur $[a,b]$.

💡 Astuce mémo

Points milieux : le terme en $(x-\alpha_i)$ s’annule (symétrie), et le premier reste utile vient de $(x-\alpha_i)^2$ avec facteur $h^3/12$, d’où une erreur globale en ordre $h^2$.

📊 Tableaux de synthèse

Correspondances fonctions hyperboliques et inverses

⚠️ Pièges & confusions fréquents

1. Confondre l’intervalle ⟦n,p⟧ avec [n,p] : dans le cours, ⟦n,p⟧ = [n,p] ∩ N, donc ce n’est pas forcément l’intervalle réel entier.
2. Penser que δi,j vaut 1 quand i≠j : le symbole de Kronecker vaut 1 si i=j et 0 sinon, et l’ordre des indices peut changer la notation (δi,j vs δj,i).
3. Oublier que la lettre j est une racine de z3=1 différente de 1 : on peut convenir j=e^{2iπ/3} (ou e^{4iπ/3}), mais pas j=1.
4. Dériver/simplifier Argth(·) ou Argsh(·) sans vérifier le domaine : le cours insiste que les inverses imposent des conditions de définition.
5. Croire que Ker(f) et Im(f) sont des ensembles quelconques : pour une application linéaire, ce sont toujours des sous-espaces vectoriels (et Ker(f)={0} ⇔ f injective).
6. Se tromper dans la construction de la matrice d’une application linéaire : dans l’exercice 27, les colonnes de A sont les coordonnées de f(e1), f(e2), f(e3), f(e4) dans la base canonique.
7. Pour la méthode des points milieux, oublier la symétrie : sur chaque [xi,xi+1], l’intégrale de (x−αi) s’annule, et l’ordre d’erreur global vient du terme en (x−αi)^2 (donc en h^2).

✅ Checklist Examen

1. Savoir énoncer et utiliser les notations N,Z,Q,R,C et la convention K∈{Q,R,C}.
2. Savoir manipuler ⟦n,p⟧ et la relation ⟦n,p⟧=[n,p]∩N, ainsi que l’écriture {n,...,p} pour n,p entiers.
3. Savoir définir F(E,F) (applications de E vers F) et la fonction indicatrice 1Y|X (valeurs 1 sur Y, 0 ailleurs).
4. Savoir définir le symbole de Kronecker δ et l’interpréter pour simplifier des sommes/produits (δi,j=1 si i=j, sinon 0).
5. Savoir caractériser i (solution de x^2+1=0) et j (solution de z^3=1, z≠1) et donner une convention d’écriture (e^{2iπ/3} ou e^{4iπ/3}).
6. Savoir donner les inverses th↔Argth, sh↔Argsh, et ch↔Arccosh selon la notation du cours, et connaître au moins une inégalité/bornage fourni (ex. 0≤ch(x)−1≤x sh(x)).
7. Savoir définir application linéaire, noyau Ker(f), image Im(f), et relier injectivité/isomorphisme à Ker(f) et bijectivité.
8. Savoir utiliser le fait que f∘g=g∘f implique g(Ker(f))⊂Ker(f) et g(Im(f))⊂Im(f).
9. Savoir déterminer Ker(f) et Im(f) via résolution f(v)=0 et description des sorties, puis utiliser le théorème du rang pour relier dimensions.
10. Savoir construire une matrice d’application linéaire à partir des images des vecteurs de base (colonnes = coordonnées de f(ei) dans la base choisie).
11. Savoir appliquer la méthode des points milieux : définir subdivision régulière, pas h, point milieu αi, et utiliser les résultats d’intégrales locales (∫(x−αi)dx=0, ∫(x−αi)^2dx=h^3/12) pour obtenir une majoration d’erreû
12. Savoir diagonaliser : relier diagonalisation ↔ base de vecteurs propres, puis calculer A^n via A=PDP^{-1} ⇒ A^n=PD^nP^{-1}.