L'ESPACE VECTORIEL Rn

Ce chapitre est consacré à l'ensemble Rn vu comme espace vectoriel.

On peut le voir comme une introduction avant d'attaquer le cours détaillé sur
les espaces vectoriels.

1
 1. Vecteurs de Rn
1.1. Opérations sur les vecteurs.
 L'ensemble des nombres réels R est souvent représenté par une droite. C'est
un espace de dimension 1.
 Le plan est formé des couples ( xx12 ) de nombres réels. Il est noté R2 . C'est un
espace à deux dimensions. x 
 L'espace de dimension 3 est constitué des triplets de nombres réels xx23 . Il
1

est noté R3 .
x 
Le symbole xx23 a deux interprétations géométriques : soit comme un
1

point de l'espace (gure de gauche), soit comme un vecteur (gure de droite) :

   
x1 x1
x2  x2 
x3 x3
 On généralise ces notions en considérant des espaces de dimension n pour tout
entier positif n = 1, 2, 3, 4, . . .
x1
!
x2
Les éléments de l'espace de dimension n sont les n-uples .. de nombres
xn
.
réels. L'espace de dimension n est noté Rn . !
x1
x2
Comme en dimensions 2 et 3, le n-uple .. dénote aussi bien un point qu'un
x
.
n
vecteur de l'espace de dimension n.
 u1 v1
! !
u2 v2
Soient u = .. et v = .. deux vecteurs de Rn . En voyant Rn comme
un
. v
.
n
l'espace des matrices colonnes Mn,1 (R), on a :  
u1 + v1
 Somme de vecteurs. La somme de u et v est le vecteur u+v =  ..
. .

u +v
 n n
λu1
 Produit d'un vecteur par un scalaire.  .. 
Soit λ ∈ R : λ · u =  .  .
λun
vecteur nul de R est le vecteur 0 = ... .
 
0
 Le n
0

 L'opposé du vecteur u = ... est le vecteur −u =

u1 −u1
   
.. .
un
.
−un
Illustration dans R2 (ici λ = 2) :
λ·u

u+v

−u

Si λ est un scalaire et u un vecteur, on notera souvent λu au lieu de λ · u.

  u1   v1   w1 
Théorème 1. Soient u = .. ,v= .. et w = .. des vecteurs de Rn
u
. v
. w
.
n n n
et λ, µ ∈ R. Alors :
(1) u + v = v + u commutativité de la somme (de vecteurs)
(2) u + (v + w) = (u + v) + w associativité de la somme
(3) u + 0 = 0 + u = u 0 est l'élément neutre pour la somme
(4) u + (−u) = 0 existence d'un inverse pour la somme
(5) 1 · u = u 1 est l'élément neutre pour le produit (par un scalaire)
(6) λ · (µ · u) = (λµ) · u associativité du produit
(7) λ · (u + v) = λ · u + λ · v distributivité du produit par rapport à +
(8) (λ + µ) · u = λ · u + µ · u distributivité de + par rapport au produit

u
u u+v

 Chacune de ces propriétés découle directement de la dénition de la somme

et de la multiplication par un scalaire.
 Ces huit propriétés font de Rn un espace vectoriel
.
Dans le cadre général, ce sont ces huit propriétés qui dénissent ce qu'est un
espace vectoriel.
 2. Sous-espace vectoriel de Rn
2.1. Dénition.
Dénition 1. Une partie F de Rn est appelée un sous-espace vectoriel si
 le vecteur nul appartient à F
 u + v ∈ F pour tous u, v ∈ F
 λ · u ∈ F pour tout λ ∈ R et tout u ∈ F

Exemple 1. F = (x, y) ∈ R2 | x + y = 0 est un sous-espace vectoriel de R2.


y
En eet :
- (0, 0) ∈ F
- si u = (x1 , y1 ) et v = (x2 , y2 ) appartiennent à F 0 x
alors x1 + y1 = 0 et x2 + y2 = 0,
donc (x1 + x2 ) + (y1 + y2 ) = 0 F

et ainsi u + v = (x1 + x2 , y1 + y2 ) appartient à F

- si u = (x, y) ∈ F et λ ∈ R alors x + y = 0, donc λx + λy = 0 d'où λu ∈ F
 Voici des sous-ensembles qui ne sont pas des sous-espaces vectoriels.
Exemple 2.
(1) F1 = (x, y) ∈ R2 | x + y = 2 n'est pas un s.e.v. de R2 .


En eet le vecteur nul (0, 0) n'appartient pas à F1 .

(2) F2 = (x, y) ∈ R2 | x = 0 ou y = 0 n'est pas un s.e.v. de R2 .


En eet u = (1, 0), v = (0, 1) ∈ F2 , mais u + v = (1, 1) ∈

/ F2 .
(3) F3 = (x, y) ∈ R2 | x > 0 et y > 0 n'est pas un s.e.v. de R2 .


En eet u = (1, 1) ∈ F3 mais, pour λ = −1, −u = (−1, −1) ∈ / F3 .

F2 F3

0
0 0
F1
 Il est parfois plus pratique de démontrer qu'un sous-ensemble est un sous-espace
vectoriel en utilisant le résultat suivant.
Lemme 1. Soit F une partie non vide de Rn. Alors F est un sous-espace
vectoriel de R n
si et seulement si λ · u + µ · v ∈ F pour tous u, v ∈ F et pour
tous λ, µ ∈ R.
Autrement dit si et seulement si toute combinaison linéaire de deux éléments
de F appartient à F .
Démonstration. Au tableau.

 Exemple fondamental : Soit A ∈ Mn,p(R) et soit AX = 0 le système de n
équations à p inconnues :
    
a11 . . . a1p x1 0
 .. ..   ..   .. 
. .  .  =  . 
an1 . . . anp xp 0
Théorème 2. L'ensemble des vecteurs X solutions de AX = 0 est un sous-espace
vectoriel de Rp .
Démonstration. Soit F l'ensemble des vecteurs X ∈ Rp solutions de l'équation
AX = 0
0∈F
 F est stable par addition : si AX = 0 et AX 0 = 0 alors A(X + X 0 ) =
AX + AX 0 = 0
 F est stable par multiplication par un scalaire : si AX = 0 alors A(λX) = 0

Exemple 3.     
1 −2 3 x 0
 2 −4 6   y  =  0 
3 −6 9 z 0
L'ensemble des solutions de ce système est

F = (x = 2s − 3t, y = s, z = t) | s, t ∈ R .
C'est un sous-espace vectoriel de R3 .
Remarque. On peut aussi voir F comme donné par l'équation (x = 2y − 3z).
C'est donc un plan passant par l'origine.
Mini-exercice. Parmi les ensembles suivants, reconnaître ceux qui sont des sous-
espaces vectoriels :
(1) (x, y, z) ∈ R3 | x + y = 0


(2) (x, y, z, t) ∈ R4 | x = t et y = z


(3) (x, y, z) ∈ R3 | z = 1


(4) (x, y) ∈ R2 | x2 + xy > 0



(5) (x, y) ∈ R2 | x2 + y 2 > 1


2.2. Combinaison linéaires. Soient v1 , v2 , . . . , vm des vecteurs de Rn .
Dénition 2. Tout vecteur u ∈ Rn de la forme
u = λ1 v1 + λ2 v2 + · · · + λm vm
est appelé combinaison linéaire des vecteurs v1 , v2 , . . . , vm de Rn .
Les scalaires λ1 , λ2 , . . . , λm ∈ R sont les coecients de la combinaison linéaire.

Remarque : Si m = 1, alors u = λ1 v1 et on dit que u est colinéaire à v . 

1

Exemple 4. (1) Dans R3,

 
3 1
3 est combinaison linéaire des vecteurs 1 et
  1 0
1
1 car on a
1      
3 1 1
3 =2 1 + 1 .
1 0 1

(2) Dans R2 , le vecteur u = ( 21 ) n'est pas colinéaire au vecteur v1 = ( 11 ).

Exemple 5. Soient u =
 1
  
6
2
−1
et v = 4 deux vecteurs de R3 . Montrons que
  2
9
w= 2 est combinaison linéaire de u et v .
7
On cherche donc λ et µ tels que w = λu + µv , ou encore
           
9 1 6 λ 6µ λ + 6µ
2 = λ  2  + µ 4 =  2λ  + 4µ =  2λ + 4µ 
7 −1 2 −λ 2µ −λ + 2µ

 9 = λ + 6µ
ce qui équivaut à 2 = 2λ + 4µ .
7 = −λ + 2µ

Une solution de ce système est (λ = −3, µ = 2), ce qui implique que w est
combinaison linéaire de u et v :
   1   
9 6
2 = −3 2 +2 4 .
7 −1 2
Théorème 3. Soit {v1, . . . , vm} des vecteurs de Rn.
 L'ensemble des combinaisons linéaires des vecteurs {v1 , . . . , vm } est un sous-
espace vectoriel de Rn .
 C'est le plus petit sous-espace vectoriel de Rn contenant les vecteurs v1 , . . . , vm .
On appelle cet espace le sous-espace vectoriel engendré par v , . . . , v
1 m, noté
Vect(v1 , . . . , vm ).
u ∈ Vect(v1 , . . . , vm ) ⇐⇒ ∃ λ1 , . . . , λm ∈ R u = λ1 v1 + · · · + λm vm

Démonstration. Soit F l'ensemble des combinaisons linéaires des vecteurs {v1 , . . . , vm }.

(1) 0 ∈ F car F contient la combinaison linéaire particulière 0v1 + · · · + 0vm .
(2) Si u, v ∈ F alors il existe λ1 , . . . , λm ∈ R tels que u = λ1 v1 + · · · + λm vm et
µ1 , . . . , µm ∈ R tels que v = µ1 v1 + · · · + µm vm . On en déduit que u + v =
(λ1 + µ1 )v1 + · · · + (λm + µm )vm appartient bien à F .
(3) De même, λ · u = (λλ1 )v1 + · · · + (λλm )vm ∈ F .
Conclusion : F est un sous-espace vectoriel de Rn .
Soit G est un sous-espace vectoriel contenant {v1 , . . . , vm }.
 Il est stable par combinaison linéaire.
 Il contient donc toute combinaison linéaire des vecteurs {v1 , . . . , vm }.
 Par conséquent F est inclus dans G.
Ainsi F est le plus petit sous-espace (au sens de l'inclusion) contenant {v1 , . . . , vm }.

Exemple 6. (1) Droite vectorielle Vect(u) = {λu | λ ∈ R} = Ru (avec
u 6= 0)
R = Vect(u)

v u
0 u 0

Vect(u, v)
(2) Vect(u, v) = λu + µv | λ, µ ∈ R


Si u et v ne sont pas colinéaires, c'est un

   
plan vectoriel .
1 1
(3) u = 1 ,v= 2 ∈ R3 . Déterminons P = Vect(u, v)
1 3

x x
y
z
∈ Vect(u, v) ⇐⇒
= λu + µv y
z
pour certains λ, µ ∈ R

x     x = λ+µ
1 1
⇐⇒ yz = λ 1 + µ 2 ⇐⇒ y = λ + 2µ
1 3 
z = λ + 3µ
c'est un plan d'équation cartésienne (x − 2y + z = 0).
Mini-exercice. (1) Soit F = (x, y, z) ∈ R3 | x + y + z = 0 .


(a) Montrer que F est un sous-espace vectoriel de R3 .

(b) Trouver deux vecteurs u, v tels que F = Vect(u, v).
   1

1
(2) Décrire le sous espace vectoriel de R engendré par les vecteurs
3 1 , −1
  1 −1
1
et 3 .
3
 3. Familles libre et génératrice

3.1. Famille libre.

Dénition 3. Soit {v1, . . . , vr } des vecteurs de Rn. La famille {v1, . . . , vr } est
une famille libre si la relation
λ1 v1 + · · · + λr vr = 0
pour certains réels λ1 , . . . , λr , implique que λ1 = · · · = λr = 0.
Exemple 7.
   
1 0
(1) La famille constituée des vecteurs 0 et 1 est libre.
0 0
     2

1 0
(2) Par contre la famille constituée des vecteurs 0 , 1 et −1 ne l'est pas.
0 0 0
En eet      
1 0 2
2 0 − 1 − −1 =0
0 0 0
 Pour des vecteurs de Rn , décider si une famille {v1 , . . . , vr } est libre ou liée
revient à résoudre un système linéaire.
Exemple 8. Dans le R-espace vectoriel R3, considérons la famille
     
 1 4 2 
2 , 5 , 1 .
 
3 6 0
On souhaite déterminer si elle est libre ou liée. On cherche des scalaires (λ1 , λ2 , λ3 )
tels que        
1 4 2 0
λ1 2 + λ2 5 + λ3 1 = 0
3 6 0 0
ce qui équivaut au système :

 λ1 + 4λ2 + 2λ3 = 0
2λ + 5λ2 + λ3 = 0
 1
3λ1 + 6λ2 = 0
Voici la réduction de Gauss sur la matrice associée au système :
         
1 4 2 1 4 2 1 4 2 1 4 2 1 0 −2
2 5 1 ∼ 0 −3 −3 ∼ 0 −3 −3 ∼ 0 1 1 ∼ 0 1 1 
3 6 0 0 −6 −6 0 0 0 0 0 0 0 0 0
 Donc ce système est équivalent à :

λ1 − 2λ3 = 0
λ2 + λ3 = 0
Ce système a une innité de solutions et en prenant par exemple λ3 = 1 on obtient
λ1 = 2 et λ2 = −1, ce qui fait que
       
1 4 2 0
2 2 − 5 + 1 = 0 .
3 6 0 0
La famille      
 1 4 2 
2 , 5 , 1
 
3 6 0
est donc une famille liée.
Exemple 9. Soient v1 =
   2
  
1 2
1 , v2 = −1 , v3 = 1 . Est-ce que la famille
1 0 1
{v1 , v2 , v3 } est libre ou liée ? Résolvons le système linéaire correspondant à l'équa-
tion λ1 v1 + λ2 v2 + λ3 v3 = 0 :

λ1 + 2λ2 + 2λ3 = 0
λ − λ2 + λ3 = 0
 1
λ1 + λ3 = 0
On résout ce système et on trouve comme seule solution λ1 = 0, λ2 = 0, λ3 = 0.
La famille {v1 , v2 , v3 } est donc une famille libre.
 2
  1
  7

Exemple 10. Soient v1 = −1
0 , v2 = 2
5 et v3 = −1
5 . Alors {v1 , v2 , v3 }
3 −1 8
forme une famille liée, car
3v1 + v2 − v3 = 0.
  Si v 6= 0, la famille à un seul vecteur {v} est libre (et liée si v = 0).
 Pour deux vecteurs :
Proposition 1. La famille {v1, v2} est liée si et seulement si v1 est un multiple
de v2 ou v2 est un multiple de v1 .
Démonstration.
 Si {v1 , v2 } est liée, il existe λ1 , λ2 non tous les deux nuls avec λ1 v1 +λ2 v2 = 0.
 Si λ1 n'est pas nul, alors v1 = − λλ21 v2 et v1 est un multiple de v2 .
 Si c'est λ2 qui n'est pas nul, alors de même v2 est un multiple de v1 .
 Réciproquement, si v1 est un multiple de v2 , alors il existe µ tel que v1 = µv2 .
Alors
1v1 + (−µ)v2 = 0
ce qui est une relation de dépendance linéaire entre v1 et v2 . La famille
{v1 , v2 } est alors liée.
Même conclusion si c'est v2 qui est un multiple de v1 .

 Généralisation à un nombre quelconque de vecteurs.
Théorème 4. Une famille F = {v1, v2, . . . , vp} de p > 2 vecteurs de Rn est une
famille liée si et seulement si au moins un des vecteurs de F est combinaison
linéaire des autres vecteurs de F .
Démonstration. C'est essentiellement la même démonstration que ci-dessus. Voir
le polycopié pour les détails.

Interprétation géométrique de la dépendance linéaire
 Dans R2 ou R3 , deux vecteurs sont linéairement dépendants si et seulement
s'ils sont colinéaires. Ils sont donc sur une même droite vectorielle.
0
v1
v2

 Dans R3 , trois vecteurs sont linéairement dépendants si et seulement s'ils

sont coplanaires. Ils sont donc dans un même plan vectoriel.
e3 v3
v2

v1
e2

e1
Proposition 2. Soit F = {v1, v2, . . . , vp} une famille de vecteurs de Rn. Si p > n,
alors F est une famille liée.
Démonstration. Supposons que
     
v11 v12 v1p
v  v  v 
 21   22   2p 
v1 =  ..  v2 =  ..  ... vp =  ..  .
 .   .   . 
vn1 vn2 vnp
L'équation
x1 v1 + x2 v2 + · · · + xp vp = 0
donne alors le système suivant


 v11 x1 + v12 x2 + · · · + v1p xp = 0

 v x + v x + ··· + v x = 0
21 1 22 2 2p p
 .
..


 v x + v x + ··· + v x = 0
n1 1 n2 2 np p

C'est un système homogène de n équations à p inconnues. Lorsque p > n, ce

système a des solutions non triviales d'après le cours sur les  Systèmes linéaires ,
ce qui montre que la famille F est une famille liée. 
Mini-exercice.
(1) Pour quelles valeurs de t ∈ R,n( −1 t2 est une famille libre de R2 ?


t ), −t  o
1 t2 1
Même question avec la famille t
2
1 t de R3 .
t 1 1
(2) Montrer que toute famille contenant une famille liée est liée.
(3) Montrer que toute famille inclue dans une famille libre est libre.
3.2. Famille génératrice.
Dénition 4. Soit {v1, . . . , vr } des vecteurs de Rn et F un sous-espace vecto-
riel de Rn . La famille {v1 , . . . , vr } est une famille génératrice de F (ou encore
engendre F ) si F = Vect(v1 , . . . , vr ).

Exemple 11. La famille constituée des vecteurs

   
1 0
0 et 1 engendre le plan
0 0
de R3 d'équation z = 0.
Exemple 12. Considérons les vecteurs v1 =
     
1 0 0
0 , v2 = 1 et v3 = 0 de
0 0 x 1
R3 . La famille {v1 , v2 , v3 } est génératrice car tout vecteur v = y
z
de R peut
3

s'écrire x      
1 0 0
y
z
=x 0 +y 1 +z 0 .
0 0 1
Les coecients sont ici λ1 = x, λ2 = y , λ3 = z .
Exemple 13. Considérons les vecteurs v1 =
   
1 1
, v2 = 2 de R3 . La famille
1
1 3
{v1 , v2 } ne forment pas une famille
  génératrice de R 3
.
0
Par exemple, le vecteur v = 1 n'est pas dans Vect(v1 , v2 ).
0
Sinon il existerait λ1 , λ2 ∈ R tels que v = λ1 v1 + λ2 v2 , soit encore
     
0 1 1
1 = λ1 1 + λ2 2
0 1 3
d'où le système linéaire : 
 λ1 + λ2 = 0
λ + 2λ2 = 1
 1
λ1 + 3λ2 = 0
Or ce système n'a pas de solution. (La première et la dernière ligne impliquent
λ1 = 0, λ2 = 0, ce qui est incompatible avec la deuxième.)
Exemple 14.
 Dans R2 , soient v1 = ( 10 ) et v2 = ( 01 ). La famille {v1 , v2 } est génératrice de
R2 car ( xy ) = x ( 10 ) + y ( 01 ).
 Soient maintenant v10 = ( 21 ) et v20 = ( 11 ). Alors {v10 , v20 } est aussi une famille
génératrice.
En eet, un vecteur v = ( xy ) est combinaison linéaire de v10 et v20 s'il existe
de deux réels λ et µ tels que v = λv10 +µv20 . Il s'agit donc d'étudier l'existence
de solutions au système :

2λ + µ = x
λ+µ = y
Il a pour solution λ = x − y et µ = −x + 2y , et ceci, quels que soient les
réels x et y .
Ceci prouve qu'il peut exister plusieurs familles nies diérentes, non incluses
les unes dans les autres, engendrant le même espace vectoriel.
 En application de la théorie des systèmes linéaires, on obtient le résultat suivant.
Proposition 3. Soit {v1, . . . , vr } une famille de vecteurs de Rn. Si r < n, alors
cette famille n'est pas une famille génératrice de Rn .
Démonstration. Soit v un vecteur de Rn de coordonnées (b1 , . . . , bn ). Dire que v
est dans l'espace engendré par la famille {v1 , . . . , vr } revient à dire qu'il existe
une solution à l'équation
λ1 v1 + · · · + λr vr = v
d'inconnues λ1 , . . . , λr ∈ R.
 Cette équation correspond à un système linéaire de n équations à r inconnues,
dont le second membre est donné par les coordonnées de v .
 On applique la méthode du pivot de Gauss pour échelonner ce système.
 La forme échelonnée, sans le second membre, aura au plus r lignes non nulles.
 Par contre, les n − r dernières coordonnées du second membre de la forme
échelonnée seront des combinaisons non nulles des coecients de v .
 En particulier on pourra choisir des valeurs des coordonnées de v qui rendent
le système incompatible.
 Pour ces valeurs, le vecteur v ne sera pas dans Vect(v1 , . . . , vr ).

Mini-exercice.
(1) À quelle condition sur t ∈ R, la famille ( t−1 t2 −t est une famille
 0 ),( t )


−t t−1
génératrice de R ?
2
n   1   1 o
1
(2) Même question avec la famille 0 t t2 de R3 .
t t2 1
(3) Montrer qu'une famille de vecteurs contenant une famille génératrice est
encore une famille génératrice de E .
3.3. Base. La notion de base généralise la notion de repère.
 Dans R2 , un repère est donné par un couple de vecteurs non colinéaires.
 Dans R3 , un repère est donné par un triplet de vecteurs non coplanaires.
 Dans un repère, un vecteur se décompose suivant les vecteurs d'une base.
v = λ1 v1 + λ2 v2

λ 2 v2

v2
λ 1 v1

v1

Dénition 5. Soit {v1, . . . , vr } des vecteurs de Rn et F un sous-espace vectoriel

de Rn . La famille {v1 , . . . , vr } est une base de F si {v , . . . , v } est une famille
1 r
libre et si elle engendre F .
Théorème 5. Une base de Rn possède exactement n éléments.
Démonstration. Une base est une famille libre, donc elle a au plus n éléments.
Elle est génératrice, donc elle a au moins n éléments.

 Une base permet d'exprimer les vecteurs de Rn en fonction de leur coordonnées.
Théorème 6. Soit B = (v1, v2, . . . , vn) une base de Rn. Tout vecteur v ∈ Rn s'ex-
prime de façon unique comme combinaison linéaire d'éléments de B. Autrement
dit, ilexistedes scalaires λ1 , . . . , λn ∈ R uniques
tels que :
v = λ1 v1 + λ2 v2 + · · · + λn vn .
Remarque.
coordonnées du vecteur v dans la base B.
(1) (λ1 , . . . , λn ) s'appellent les
(2) Il faut observer que pour une base B = (v , v , . . . , v ) on introduit un ordre
1 2 n
sur les vecteurs. Bien sûr, si on permutait les vecteurs on obtiendrait toujours
une base, mais il faudrait aussi permuter les coordonnées.
Démonstration du théorème 6. Soit B = (v1 , v2 , . . . , vn ) une base de Rn . On doit
démontrer qu'il existe des scalaires λ , . . . , λ
1 n ∈R uniques tels que :
v = λ1 v1 + λ2 v2 + · · · + λn vn .
 Par dénition, B est une famille génératrice de Rn , donc pour tout v ∈ Rn il
existe λ1 , . . . , λn ∈ R tels que
v = λ1 v1 + λ2 v2 + · · · + λn vn .
Cela prouve la partie existence.
 Il reste à montrer l'unicité des λ1 , λ2 , . . . , λn .
Soient µ1 , µ2 , . . . , µn ∈ R d'autres scalaires tels que
v = µ1 v1 + µ2 v2 + · · · + µn vn .
Alors, par diérence on a :
(λ1 − µ1 )v1 + (λ2 − µ2 )v2 + · · · + (λn − µn )vn = 0.
Comme B = {v1 , . . . , vn } est une famille libre, ceci implique
λ1 − µ1 = 0, λ2 − µ2 = 0, ..., λn − µn = 0
et donc
λ1 = µ1 , λ2 = µ2 , . . . , λ n = µn .

Exemple 15.
(1) Soient les vecteurs e1 = ( 10 ) et e2 = ( 01 ). Alors (e1 , e2 ) est une base de R2 ,
appelée base canonique de R2 .
(2) Soient les vecteurs v1 = ( 31 ) et v2 = ( 12 ). Alors (v1 , v2 ) forment aussi une
base de R2 .
ye2 v = λ 1 v1 + λ 2 v2

e3

λ2 v2

v2
λ 1 v1
e2 e2
v1
e1 xe1 e1
     
1 0 0
(3) De même dans R , si e1 = 3
, e2 = 0 1 , e3 = 0 , alors (e1 , e2 , e3 )
forment la base canonique
de R3 .
0 0 1

Exemple 16. Les vecteurs de Rn :

     
1 0 0
 .. 
.
0 1 
e1 =  ..  e2 =  ..  ... en =  
   
. . 0
0 0 1
forment une base de Rn , appelée la base canonique de R . n
Exemple 17. Soient v1 =
     
1 2 3
2 , v2 = 9 et v3 = 3 . Montrons que la famille
1 0 4
B = (v1 , v2 , v3 ) est une base de R3 .
a 
(1) Montrons d'abord que B est une famille génératrice de R . Soit v = 3 1
a2
a3
un vecteur quelconque de R3 . On cherche λ1 , λ2 , λ3 ∈ R tels que
v = λ1 v1 + λ2 v2 + λ3 v3 .
Ceci se reformule comme suit :
         
a1 1 2 3 λ1 + 2λ2 + 3λ3
a2  = λ1 2 + λ2 9 + λ3 3 = 2λ1 + 9λ2 + 3λ3  .
a3 1 0 4 λ1 + 4λ3
Ceci conduit au système suivant :

 λ1 + 2λ2 + 3λ3 = a1
(S) 2λ + 9λ2 + 3λ3 = a2
 1
λ1 + 4λ3 = a3 .
Il nous restera à montrer que ce système a une solution λ1 , λ2 , λ3 .
 (2) Pour montrer que B est une famille libre, il faut montrer que l'unique solution
de
λ1 v1 + λ2 v2 + λ3 v3 = 0
est
λ1 = λ2 = λ3 = 0.
Ceci équivaut à montrer que le système

 λ1 + 2λ2 + 3λ3 = 0
(S') 2λ + 9λ2 + 3λ3 = 0
 1
λ1 + 4λ3 = 0
a une unique solution
λ1 = λ2 = λ3 = 0.
(3) Nous pouvons maintenant répondre à la question sans explicitement résoudre
les systèmes.
 Remarquons que les deux systèmes ont la même matrice de coecients A.
 On peut donc montrer simultanément que B est une famille génératrice
et une famille libre de R3 en montrant que la matrice des coecients est
inversible.
 En eet, si la matrice des coecients est inversible, alors (S) admet une
solution (λ1 , λ2 , λ3 ) quel que soit (a1 , a2 , a3 ) et d'autre part (S') admet la
seule solution (0, 0, 0).
Cette matrice est  
1 2 3
A = 2 9 3 .
1 0 4
Elle est bien inversible, d'inverse
 
−36 8 21
A−1 =  5 −1 −3 .
9 −2 −5
Conclusion : B est une famille libre et génératrice ; c'est une base de R3 .
Remarque. Pour montrer que n vecteurs de Rn forment une base de Rn, il sut
de montrer la chose suivante :
-la matrice A constituée des composantes de ces vecteurs (chaque vecteur formant
une colonne de A) est inversible.

Application : montrer que les vecteurs

   
1 1 1!
0 2 2
0 0 3
v1 = .. v2 = .. ... vn = ..
. . .
0 0 n
forment aussi une base de R .
n
Remarque. On verra plus tard (dans le cours sur les espaces vectoriels de di-
mension nie) que toutes les bases d'un sous-espace vectoriel de Rn ont le même
nombre d'éléments. Le cardinal d'une base de F est appelé la dimension de F .
Proposition 4. Une droite vectorielle de R2 ou R3 est de dimension un. Un plan
vectoriel de R3 est de dimension deux.
Démonstration.
 La représentation paramétrique d'une droite du plan ou de l'espace fournit
un vecteur non nul qui engendre la droite. La famille constituée de ce vecteur
est donc libre et génératrice. C'est donc une base.
 De même pour un plan vectoriel, la représentation paramétrique fournit une
famille de deux vecteurs linéairement indépendants qui engendrent le plan.
Cette famille de deux vecteurs est donc une base du plan vectoriel.

Exemple 18. Considérons le plan P de R3 d'équation cartésienne x+2y −z = 0.
Une représentation paramétrique en est donnée par
 
z−2y
P ={ y , (y, z) ∈ R2 }.
z
Ainsi  −2     −2   
1 2 1
P = {y 1 +z 0 , (y, z) ∈ R } = Vect( 1 , 0 ).
0 1 0 1
 −2   
1
De plus la famille { 1 , 0 } est libre. En eet si (λ, µ) ∈ R2 sont tels que
0 1
 −2   
1
λ 1 +µ 0 =0
0 1
alors  −2λ+µ   
0
λ = 0
µ 0
 −2   
1
donc λ = µ = 0. Ainsi { 1 , 0 } est une base de P .
0 1
Mini-exercice.
(1) Trouver toutes les façons d'obtenir une base de R2 avec les vecteurs suivants :
−3 , v2 = ( 3 ), v3 = ( 0 ), v4 = ( 0 ), v5 = ( 6 ).
v1 = −1

3 0 2 2
 2
  2

(2) Montrer que la famille {v1 , v2 , v3 , v4 } des vecteurs v1 = 1
−3
, v2 = 3
−1
,
 −1   1

v3 = 2 , v4 = est une famille génératrice du sous-espace vectoriel
1
−1
4
d'équation 2x − y + z = 0 de R3 . En extraire une base.
(3) Déterminer une base du sous-espace vectoriel E1 de R3 d'équation x + 3y −
2z = 0. Compléter cette base en une base de R3 . Idem avec E2 vériant les
deux équations x + 3y − 2z = 0 et y = z .
 4. Application linéaire

Soient
f1 : Rp −→ R f2 : Rp −→ R ... fn : Rp −→ R
n fonctions de p variables réelles à valeurs réelles ; chaque fi est une fonction :
fi : Rp −→ R, (x1 , x2 , . . . , xp ) 7→ fi (x1 , . . . , xp )
On construit une application
f : Rp −→ Rn
dénie par
f (x1 , . . . , xp ) = (f1 (x1 , . . . , xp ), . . . , fn (x1 , . . . , xp )) .
4.1. Applications linéaires.
Dénition 6. Une application f : Rp −→ Rn dénie par f (x1, . . . , xp) =

application linéaire
(y1 , . . . , yn ) est dite une si

 y1 = a11 x1 + a12 x2 + · · · + a1p xp

 y = a x + a x + ··· + a x
2 21 1 22 2 2p p
.
.. .
.. .
.. ..



.
 y = a x + a x + ··· + a x .
n n1 1 n2 2 np p

En notation matricielle, on a
      
x1 y1 a11 a12 · · · a1p x1
x   y   a a · · · a  x 
 2   2   21 22 2p   2 
f  ..  =  ..  =  .. .
.. .
..   . ,
. .  .   .. 
xp yn an1 an2 · · · anp xp
 
x1
 .. 
ou encore, si on note X =  .  et A ∈ Mn,p (R) la matrice (aij ),
xp
f (X) = AX.
 Autrement dit, une application linéaire Rp → Rn peut s'écrire X 7→ AX .
La matrice A ∈ Mn,p (R) est appelée la matrice de l'application linéaire f
dans la base canonique.
Remarque.
 On a toujours f (0, . . . , 0) = (0, . . . , 0). Si on note 0 pour le vecteur nul dans
Rp et aussi dans Rn , alors une application linéaire vérie toujours f (0) = 0.
 Le nom complet de la matrice A est : la matrice de l'application linéaire f
de la base canonique de Rp vers la base canonique de Rn ! On verra plus tard
qu'on peut associer d'autres matrices à f si on choisit d'autres bases.
Exemple 19. La fonction f : R4 −→ R3 dénie par

 y1 = −2x1 + 5x2 + 2x3 − 7x4
y = 4x1 + 2x2 − 3x3 + 3x4
 2
y3 = 7x1 − 3x2 + 9x3
est une application linéaire. Elle s'exprime sous forme matricielle comme suit :
 
    x1
y1 −2 5 2 −7
x2 
 
y 2  =  4 2 −3 3   .
x3 
y3 7 −3 9 0
x4
Exemple 20.
 Pour l'application linéaire identité Rn → Rn , (x1 , . . . , xn ) 7→ (x1 , . . . , xn ), sa
matrice associée est l'identité In (car In X = X ).
 Pour l'application linéaire nulle Rp → Rn , (x1 , . . . , xp ) 7→ (0, . . . , 0), sa
matrice associée est la matrice nulle 0n,p (car 0n,p X = 0).
4.2. Exemples géométriques d'applications linéaires.
4.2.1. Réexion par rapport à l'axe (Oy). La fonction
   
2 2 x −x
f : R −→ R 7→
y y
est la réexion par rapport à l'axe des ordonnées (Oy). Elle est linéaire et sa
matrice est
      
−1 0 −1 0 x −x
car = .
0 1 0 1 y y
y
   
−x x
y y

O x
4.2.2. Réexion par rapport à l'axe (Ox). La réexion par rapport à l'axe des
abscisses (Ox) est une application linéaire et sa matrice est donnée par
 
1 0
.
0 −1
y
 
x
y

O x

 
x
−y
4.2.3. Réexion par rapport à la droite (y = x). La réexion par rapport à la
droite (y = x) est donnée par
   
x y
f : R2 −→ R2 , 7→ .
y x
C'est une application linéaire et sa matrice est
 
0 1
.
1 0
y
 
y
(y = x)
x

 
x
y

O x
4.2.4. Homothéties. L'homothétie de rapport λ centrée à l'origine est :
   
x λx
f : R2 −→ R2 , 7→ .
y λy
On peut donc écrire f ( xy ) = ( λ0 λ0 ) ( xy ). Alors c'est une application linéaire et
la matrice de l'homothétie est :
 
λ 0
= λI2 .
0 λ
y  
λx
λy
 
x
y

O x
Remarque. La translation de vecteur ( uv ) est l'application
0
0
       
x x u0 x + u0
f : R2 → R2 , 7→ + = .
y y v0 y + v0
Si c'est une translation de vecteur non nul, c'est-à-dire ( uv00 ) 6= ( 00 ), alors ce
n'est pas une application linéaire, car f ( 00 ) 6= ( 00 ).
4.2.5. Rotations. Soit f : R2 −→ R2 la rotation d'angle θ, centrée à l'origine.
 0
x
y
y0

 
x
y
θ
r
α
O x

Si le vecteur ( xy ) fait un angle α avec l'horizontale et que le point ( xy ) est à une

distance r de l'origine, alors

x = r cos α
.
y = r sin α
 Si x0
dénote l'image de ( xy ) par la rotation d'angle θ, on obtient :


y0

x0 = r cos(α + θ) x0 = r cos α cos θ − r sin α sin θ

 
donc
y 0 = r sin(α + θ) y 0 = r cos α sin θ + r sin α cos θ
(où l'on a appliqué les formules de trigonométrie pour cos(α + θ) et sin(α + θ)).
On aboutit à
x0 = x cos θ − y sin θ
  0   
x cos θ − sin θ x
donc = .
y 0 = x sin θ + y cos θ y 0
sin θ cos θ y
Autrement dit, la rotation d'angle θ est une application linéaire donnée par la
matrice  
cos θ − sin θ
.
sin θ cos θ
Attention. Si le centre de la rotation n'est plus l'origine, alors ce n'est pas une
application linéaire !
4.2.6. Projections orthogonales.
y

 
x
y

O
 
x x
0

L'application    
2 2 x x
f : R −→ R , 7→
y 0
est la projection orthogonale sur l'axe (Ox). C'est une application linéaire donnée
par la matrice  
1 0
.
0 0
 L'application linéaire
   
x x
f : R3 −→ R3 , y  7→ y 
z 0
est la projection orthogonale sur le plan (Oxy) et sa matrice est
 
1 0 0
0 1 0 .
0 0 0
z

 
x
y 
z

O y

 
x
y 
0
x

De même, la projection orthogonale sur le plan (Oxz) est donnée par la matrice
de gauche ; la projection orthogonale sur le plan (Oyz) par la matrice de droite :
   
1 0 0 0 0 0
0 0 0 0 1 0 .
0 0 1 0 0 1
4.2.7. Réexions dans l'espace. L'application
   
x x
f : R3 −→ R3 , y  7→  y 
z −z
est la réexion par rapport au plan (Oxy). C'est une application linéaire et sa
matrice est  
1 0 0
0 1 0  .
0 0 −1
De même, les réexions par rapport aux plans (Oxz) (à gauche) et (Oyz) (à
droite) sont données par les matrices :
   
1 0 0 −1 0 0
0 −1 0  0 1 0 .
0 0 1 0 0 1
Mini-exercice.
(1) Soit A = ( 11 12 ) et soit f l'application linéaire associée. Calculer et dessiner
l'image par f de ( 10 ), puis ( 01 ) et plus généralement de ( xy ). Dessiner l'image
par f du carré de sommets ( 00 ) ( 10 ) ( 11 ) ( 01 ). Dessiner l'image par f du cercle
inscrit dans ce carré.
 1 2 −1 
(2) Soit A = 01 0 et soit f l'application linéaire associée. Calculer l'image
 21 1    x
1 0 0
par f de 0 , 1 , 0 et plus généralement de y
z
.
0 0 1
(3) Écrire la matrice de la rotation du plan d'angle π3 centrée à l'origine. Idem
dans l'espace avec la rotation d'angle π3 d'axe (Ox).
(4) Écrire la matrice de la projection orthogonale de l'espace sur l'axe (Oy).
 5. Propriétés des applications linéaires

5.1. Composition d'applications linéaires et produit de matrices.

Proposition 5. Soient f : Rp −→ Rn et g : Rq −→ Rp deux applications li-
néaires. Alors leur composition f ◦ g : Rq −→ Rn est une application linéaire dont
la matrice est
Mat(f ◦ g) = Mat(f ) × Mat(g)

En fait le produit de matrices, qui au premier abord peut sembler bizarre et

articiel, est déni exactement pour vérier cette relation.
Démonstration. Notons :
 A = Mat(f ) ∈ Mn,p (R) est la matrice associée à f ,
 B = Mat(g) ∈ Mp,q (R) est la matrice associée à g ,
 C = Mat(f ◦ g) ∈ Mn,q (R) est la matrice associée à f ◦ g .
On a pour un vecteur X ∈ Rq :



(f ◦ g)(X) = f g(X) = f BX = A(BX) = (AB)X.
Donc la matrice associée à f ◦ g est C = AB .

Exemple 21. Soit f : R2 −→ R2 la réexion par rapport à la droite (y = x) et
soit g : R2 −→ R2 la rotation d'angle θ = π
3 (centrée à l'origine). Les matrices
sont
√ !
1 3
   
0 1 cos θ − sin θ −
A = Mat(f ) = et B = Mat(g) = = √2
3 1
2 .
1 0 sin θ cos θ 2 2

Voici pour X = ( 10 ) les images f (X), g(X), f ◦ g(X), g ◦ f (X) :

y

f (X) (y = x)
g(X)

g ◦ f (X) f ◦ g(X)
π
3

π
3

O X = ( 10 ) x

Alors
√ ! √ !
1 3 3 1
 
0 1 √2
− 2 2 2√
C = Mat(f ◦ g) = Mat(f ) × Mat(g) = × 3 1
= 1 3
.
1 0 2 2 2 − 2
Remarque. Notons que si l'on considère la composition g ◦ f alors
√ ! √ !
1 3 3 1
 
√2
− 2 0 1 − 2 √2
D = Mat(g ◦ f ) = Mat(g) × Mat(f ) = 3 1
× = 1 3
.
2 2
1 0 2 2
Les matrices C = AB et D = BA sont distinctes, ce qui montre que la com-
position d'applications linéaires, comme la multiplication des matrices, n'est pas
commutative en général.
5.2. Application linéaire bijective et matrice inversible.
Théorème 7. Une application linéaire f : Rn → Rn est bijective (injective et
surjective) si et seulement si sa matrice associée dans la base canonique A =
Mat(f ) ∈ Mn (R) est inversible.
La démonstration est une conséquence directe du théorème suivant, vu dans le
chapitre sur les matrices :
Théorème 8. Les assertions suivantes sont équivalentes :
(i) La matrice A est inversible.   
0 0
(ii) Le système linéaire AX = ... a une unique solution X = ... .
0 0
(iii) Pour tout second membre Y , le système linéaire AX = Y a une unique
solution X .
Voici donc la preuve du théorème 7.
Démonstration.  Si A est inversible, alors pour tout vecteur Y le système
AX = Y a une unique solution X , autrement dit pour tout Y , il existe un
unique X tel que f (X) = AX = Y . f est donc bijective.
 Si A n'est pas inversible, alors il existe un vecteur X non nul tel que AX = 0.
En conséquence on a X 6= 0 mais f (X) = f (0) = 0. f n'est pas injective
donc pas bijective.

Corollaire 1. Si f est bijective, alors f −1 est linéaire et

−1
Mat(f −1 ) = Mat(f ) .

Démonstration. L'application f est dénie par f (X) = AX . Donc si f est bijec-

tive :
 d'une part f (X) = Y ⇐⇒ X = f −1 (Y ),
 mais d'autre part AX = Y ⇐⇒ X = A−1 Y .
Conséquence : f −1 est linéaire et la matrice de f −1 est A−1 .


Exemple 22. Soit f : R2 −→ R2 la rotation d'angle θ. Alors f −1 : R2 −→ R2

est la rotation d'angle −θ.
On a  
cos θ − sin θ
Mat(f ) = ,
sin θ cos θ
   
−1

−1 cos θ sin θ cos (−θ) − sin (−θ)
Mat(f ) = Mat(f ) = = .
− sin θ cos θ sin (−θ) cos(−θ)
Exemple 23. Soit f : R2 −→ R2 la projection sur l'axe (Ox). Alors f n'est pas
injective. En eet, pour x xé et tout y ∈ R, f ( xy ) = ( x0 ). L'application f n'est
pas non plus surjective : ceci se vérie aisément car aucun point en-dehors de l'axe
(Ox) n'est dans l'image de f .
y

 
x
y

O
 
x x
0

La matrice de f est ( 10 00 ) ; elle n'est pas inversible.

5.3. Caractérisation des applications linéaires.
Théorème 9. Une application f : Rp −→ Rn est linéaire si et seulement si pour
tous les vecteurs u, v de Rp et pour tout scalaire λ ∈ R, on a
(i) f (u + v) = f (u) + f (v),
(ii) f (λu) = λf (u) .
Remarque. Dans le cadre général des espaces vectoriels, ce sont les deux pro-
priétés (i) et (ii) qui dénissent une application linéaire.

Démonstration. Supposons f : Rp −→ Rn linéaire, et soit A sa matrice. On a

f (u + v) = A(u + v) = Au + Av = f (u) + f (v)
et
f (λu) = A(λu) = λAu = λf (u).
Réciproquement ...
 Soit f : Rp −→ Rn une application qui vérie (i) et (ii). Nous devons construire
une matrice A telle que f (u) = Au.
Notons d'abord qu'on peut montrer, par une démonstration par récurrence
(Exercice !), que (i) implique que f (v1 +v2 +· · ·+vr ) = f (v1 )+f (v2 )+· · ·+f (vr ).
Notons (e1 , . . . , ep ) les vecteurs de la base canonique de Rp .
Soit A la matrice n × p dont les colonnes sont
f (e1 ), f (e2 ), . . . , f (ep ).
 
x1
x 
 2
Pour X =  ..  ∈ Rp , alors X = x1 e1 + x2 e2 + · · · + xp ep
.
xp
et donc
AX = A(x1 e1 + x2 e2 + · · · + xp ep )
= Ax1 e1 + Ax2 e2 + · · · + Axp ep
= x1 Ae1 + x2 Ae2 + · · · + xp Aep
= x1 f (e1 ) + x2 f (e2 ) + · · · + xp f (ep )
= f (x1 e1 ) + f (x2 e2 ) + · · · + f (xp ep )
= f (x1 e1 + x2 e2 + · · · + xp ep ) = f (X).
On a alors f (X) = AX , et f est bien une application linéaire (de matrice A).

 La démonstration du théorème implique de plus :
Corollaire 2. Soit f : Rp −→ Rn une application linéaire, et soient e1, . . . , ep les
vecteurs de base canonique de Rp . Alors la matrice de f (dans les bases canoniques
de Rp vers Rn ) est donnée par


Mat(f ) = f (e1 ) f (e2 ) · · · f (ep ) .

Autrement dit : les vecteurs colonnes de Mat(f ) sont les images par f des
vecteurs de la base canonique (e1 , . . . , ep ).
Exemple 24. Considérons l'application linéaire f : R3 → R4 dénie par



 y1 = 2x1 +x2 −x3
y2 = −x1 −4x2


 y3 = 5x1 +x2 +x3

y
4 = 3x2 +2x3 .
     
1 0 0
Calculons les images des vecteurs de la base canonique 0 , 1 , 0 :
0 0 1
     
  2   1   −1
1 0 0
−1 −4 0
     
f 0 =   f 1 =   f 0 =   .
5 1 1
0 0 1
0 3 2
Donc la matrice de f est :
 
2 1 −1
−1 −4 0 
 
Mat(f ) =  .
5 1 1
0 3 2
Exemple 25. Soit f : R2 → R2 la réexion par rapport à la droite (y = x) et
soit g la rotation du plan d'angle π6 centrée à l'origine. Calculons la matrice de
l'application f ◦ g . La base canonique de R2 est formée des vecteurs ( 10 ) et ( 01 ).
√ ! ! ! √ !
3 1 1 3
−
   
1 √2
0 √2
f ◦g =f 2
1 = 3 f ◦g =f 3 = 2
0 2 2
1 2 − 12
Donc la matrice de f ◦ g est :
√ !
1 3
Mat(f ◦ g) = √2 2 .
3
2 − 21
Mini-exercice.

8 2

(1) Soit f l'application linéaire de R dans R associée
2 3
à la matrice −3 2 et
−55
 0 2 −2
g l'application linéaire de R3 dans R3 associée à la matrice 6 −4 0 . Les
2 1 −1
applications g ◦f et f ◦g sont-elles bien dénies ? Si oui, calculer leur matrice.
(2) Les applications linéaires associées aux matrices suivantes
 2 1 (dans
 les bases
 8 2ca-

0
noniques) sont-elles bijectives ? A = 6 −4 0 , B = 02 −2
0 2 −2 1 0 , C = −3 2 ,


−3 −5 5
( 51 32 ), E= 3 .


D=
(3) Quel est l'image
 8 du vecteur e1 par l'application linéaire de R2 dans R3 associée

2
à la matrice −3 2 ? Et l'image de e2 ? De e1 + e2 ?
−5 5