Introduction à l'espace vectoriel Rn
Transféré par
carinenoumeuIntroduction à l'espace vectoriel Rn
Transféré par
carinenoumeuChapitre
L’espace vectoriel Rn
1
Ce chapitre est consacré à l’ensemble Rn vu comme espace vectoriel. Il peut être vu de plusieurs façons :
• un cours minimal sur les espaces vectoriels pour ceux qui n’auraient besoin que de Rn ,
• une introduction avant d’attaquer le cours détaillé sur les espaces vectoriels,
• une source d’exemples à lire en parallèle du cours sur les espaces vectoriels.
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.
x1
• Le plan est formé des couples x2 de nombres réels. Il est noté R2 . C’est un espace à deux dimensions.
x1
• L’espace de dimension 3 est constitué des triplets de nombres réels xx 2 . Il est noté R3 .
x1 3
Le symbole xx 2 a deux interprétations géométriques : soit comme un point de l’espace (figure de
3
gauche), soit comme un vecteur (figure de droite) :
x1 x1
x2 x2
x3 x3
! n pour tout entier positif n = 1, 2, 3, 4, . . .
On généralise ces notions en considérant des espaces de dimension
x1
x2
Les éléments de l’espace de dimension n sont les n-uples .. de nombres réels. L’espace de dimension
.
xn
x1 !
x2
n est noté Rn . Comme en dimensions 2 et 3, le n-uple .. dénote aussi bien un point qu’un vecteur de
.
xn
l’espace de dimension n.
L’ESPACE VECTORIEL Rn 1. VECTEURS DE Rn 2
u1 ! v1 !
u2 v2
Soient u = .. et v = .. deux vecteurs de Rn .
. .
un vn
Définition 1.
u1 + v1
.
• Somme de deux vecteurs. Leur somme est par définition le vecteur u + v = .. .
un + vn
λu1
.
• Produit d’un vecteur par un scalaire. Soit λ ∈ R (appelé un scalaire) : λ · u = .. .
λun
0
• Le vecteur nul de R est le vecteur 0 = ... .
n
u1 0 −u1
.
• L’opposé du vecteur u = .. est le vecteur −u = .. .
.
un −un
Voici des vecteurs dans R2 (ici λ = 2) :
λ·u
u+v
−u
Dans un premier temps, vous pouvez noter u ~, ~ ~ au lieu de u, v, 0. Mais il faudra s’habituer rapidement à
v, 0
la notation sans flèche. De même, si λ est un scalaire et u un vecteur, on notera souvent λu au lieu de λ · u.
Théorème 1.u v1 w1
1
Soient u = .. , v = .. et w = ... des vecteurs de Rn et λ, µ ∈ R. Alors :
. .
un vn wn
1. u + v = v + u
2. u + (v + w) = (u + v) + w
3. u + 0 = 0 + u = u
4. u + (−u) = 0
5. 1 · u = u
6. λ · (µ · u) = (λµ) · u
7. λ · (u + v) = λ · u + λ · v
8. (λ + µ) · u = λ · u + µ · u
L’ESPACE VECTORIEL Rn 1. VECTEURS DE Rn 3
u u+v
Chacune de ces propriétés découle directement de la définition 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 définissent ce qu’est un espace vectoriel.
1.2. Représentation des vecteurs de Rn
u1
Soit u = ... un vecteur de Rn . On l’appelle vecteur colonne et on considère naturellement u comme une
un
matrice de taille n × 1. Parfois, on rencontre aussi des vecteurs lignes : on peut voir le vecteur u comme
une matrice 1 × n, de la forme (u1 , . . . , un ). En fait, le vecteur ligne correspondant à u est le transposé u T
du vecteur colonne u.
Les opérations de somme et de produit par un scalaire définies ci-dessus pour les vecteurs coïncident
parfaitement avec les opérations définies sur les matrices :
u1 v1 u1 + v1 u1 λu1
. . . . .
u + v = .. + .. = .. et λu = λ .. = .. .
un vn un + vn un λun
1.3. Produit scalaire
u1 v1
Soient u = .. et v = ... deux vecteurs de Rn . On définit leur produit scalaire par
.
un vn
〈u | v〉 = u1 v1 + u2 v2 + · · · + un vn .
C’est un scalaire (un nombre réel). Remarquons que cette définition généralise la notion de produit scalaire
dans le plan R2 et dans l’espace R3 .
Une autre écriture :
v1
v2
〈u | v〉 = u T × v = u1 u2 · · · un × .
..
vn
Soient A = (ai j ) une matrice de taille n × p, et B = (bi j ) une matrice de taille p × q. Nous savons que l’on
peut former le produit matriciel AB. On obtient une matrice de taille n × q. L’élément d’indice i j de la
matrice AB est
ai1 b1 j + ai2 b2 j + · · · + aip b p j .
L’ESPACE VECTORIEL Rn 2. EXEMPLES D’APPLICATIONS LINÉAIRES 4
Remarquons que ceci est aussi le produit matriciel :
b1 j
b2 j
ai1 ai2 · · · aip × . .
..
bp j
Autrement dit, c’est le produit scalaire du i-ème vecteur ligne de A avec le j-ème vecteur colonne de B.
Notons `1 , . . . , `n les vecteurs lignes formant la matrice A, et c1 , . . . , cq les vecteurs colonnes formant la
matrice B. On a alors
〈`1 | c1 〉 〈`1 | c2 〉 · · · 〈`1 | cq 〉
〈` | c 〉 〈` | c 〉 · · · 〈` | c 〉
2 1 2 2 2 q
AB = .. .. .. .
. . .
〈`n | c1 〉 〈`n | c2 〉 · · · 〈`n | cq 〉
Mini-exercices.
3. Montrer que le produit scalaire vérifie 〈u | v〉 = 〈v | u〉, 〈u+ v | w〉 = 〈u | w〉+〈v | w〉, 〈λu | v〉 = λ〈u | v〉
pour tout u, v, w ∈ Rn et λ ∈ R.
4. Soit u ∈ Rn . Montrer que 〈u | u〉 > 0. Montrer 〈u | u〉 = 0 si et seulement si u est le vecteur nul.
2. Exemples d’applications linéaires
Soient
f1 : R p −→ R f2 : R p −→ R ... f n : R p −→ R
n fonctions de p variables réelles à valeurs réelles ; chaque f i est une fonction :
f i : R p −→ R, (x 1 , x 2 , . . . , x p ) 7→ f i (x 1 , . . . , x p )
On construit une application
f : R p −→ Rn
définie par
f (x 1 , . . . , x p ) = f1 (x 1 , . . . , x p ), . . . , f n (x 1 , . . . , x p ) .
2.1. Applications linéaires
Définition 2.
Une application f : R p −→ Rn définie par f (x 1 , . . . , x p ) = ( y1 , . . . , yn ) est dite une application linéaire
si
y1 = a11 x 1 + a12 x 2 + · · · + a1p x p
y = a x + a x + ··· + a x
2 21 1 22 2 2p p
.. .. .. ..
. . . .
yn = an1 x 1 + an2 x 2 + · · · + anp x p .
L’ESPACE VECTORIEL Rn 2. EXEMPLES D’APPLICATIONS LINÉAIRES 5
En notation matricielle, on a
x1 y1 a11 a12 · · · a1p x1
x y a
2 2 21 a22 · · · a2p x 2
f . = . = . .. .. ,
..
.. .. .. . . .
xp yn an1 an2 · · · anp xp
x1
..
ou encore, si on note X = . et A ∈ Mn,p (R) la matrice (ai j ),
xp
f (X ) = AX .
Autrement dit, une application linéaire R p → Rn peut s’écrire X 7→ AX . La matrice A ∈ Mn,p (R) est appelée
la matrice de l’application linéaire f .
Remarque.
• On a toujours f (0, . . . , 0) = (0, . . . , 0). Si on note 0 pour le vecteur nul dans R p et aussi dans Rn , alors
une application linéaire vérifie toujours f (0) = 0.
• Le nom complet de la matrice A est : la matrice de l’application linéaire f de la base canonique de R p
vers la base canonique de Rn !
Exemple 1.
La fonction f : R4 −→ R3 définie par
y1 = −2x 1 + 5x 2 + 2x 3 − 7x 4
y2 = 4x 1 + 2x 2 − 3x 3 + 3x 4
y3 = 7x 1 − 3x 2 + 9x 3
s’exprime sous forme matricielle comme suit :
x1
y1 −2 5 2 −7 x2
y2 = 4 2 −3 3 .
x
3
y3 7 −3 9 0
x4
Exemple 2.
• Pour l’application linéaire identité Rn → Rn , (x 1 , . . . , x n ) 7→ (x 1 , . . . , x n ), sa matrice associée est l’identité
I n (car I n X = X ).
• Pour l’application linéaire nulle R p → Rn , (x 1 , . . . , x p ) 7→ (0, . . . , 0), sa matrice associée est la matrice
nulle 0n,p (car 0n,p X = 0).
2.2. Exemples d’applications linéaires
Réflexion par rapport à l’axe (O y)
La fonction
2 2 x −x
f : R −→ R 7→
y y
est la réflexion par rapport à l’axe des ordonnées (O y), et sa matrice est
−1 0 −1 0 x −x
car = .
0 1 0 1 y y
L’ESPACE VECTORIEL Rn 2. EXEMPLES D’APPLICATIONS LINÉAIRES 6
y
−x x
y y
O x
Réflexion par rapport à l’axe (O x)
La réflexion par rapport à l’axe des abscisses (O x) est donnée par la matrice
1 0
.
0 −1
y
x
y
O x
x
−y
Réflexion par rapport à la droite ( y = x)
La réflexion par rapport à la droite ( y = x) est donnée par
2 2 x y
f : R −→ R , 7→
y x
et sa matrice est
0 1
.
1 0
y
y
( y = x)
x
x
y
O x
L’ESPACE VECTORIEL Rn 2. EXEMPLES D’APPLICATIONS LINÉAIRES 7
Homothéties
L’homothétie de rapport λ centrée à l’origine est :
λx
2 2 x
f : R −→ R , 7→ .
y λy
x λ 0 x
On peut donc écrire f y = 0 λ y . Alors la matrice de l’homothétie est :
λ 0
.
0 λ
y
λx
λy
x
y
O x
Remarque.
u0
La translation de vecteur est l’application
v0
x + u0
2 2 x x u0
f :R →R , 7→ + = .
y y v0 y + v0
u
Si c’est une translation de vecteur non nul, c’est-à-dire v00 6= 00 , alors ce n’est pas une application linéaire,
car f 00 6= 00 .
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
x x
Si le vecteur y fait un angle α avec l’horizontale et que le point y est à une distance r de l’origine, alors
x = r cos α
.
y = r sin α
L’ESPACE VECTORIEL Rn 2. EXEMPLES D’APPLICATIONS LINÉAIRES 8
x0
x
Si y0 dénote l’image de y par la rotation d’angle θ , on obtient :
x0 = r cos(α + θ ) x0 = r cos α cos θ − r sin α sin θ
donc
y0 = r sin(α + θ ) y0 = 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 =
0
x cos θ − y sin θ cos θ − sin θ
x x
donc 0 = .
y0 = x sin θ + y cos θ y sin θ cos θ y
Autrement dit, la rotation d’angle θ est donnée par la matrice
cos θ − sin θ
.
sin θ cos θ
Projections orthogonales
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 (O x). 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 (O x y) et sa matrice est
1 0 0
0 1 0 .
0 0 0
L’ESPACE VECTORIEL Rn 2. EXEMPLES D’APPLICATIONS LINÉAIRES 9
x
y
z
O
y
x
y
0
x
De même, la projection orthogonale sur le plan (O xz) est donnée par la matrice de gauche ; la projection
orthogonale sur le plan (O yz) par la matrice de droite :
1 0 0 0 0 0
0 0 0 0 1 0 .
0 0 1 0 0 1
Réflexions dans l’espace
L’application
x x
3 3
f : R −→ R , y 7→ y
z −z
est la réflexion par rapport au plan (O x y). C’est une application linéaire et sa matrice est
1 0 0
0 1 0 .
0 0 −1
De même, les réflexions par rapport aux plans (O xz) (à gauche) et (O yz) (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-exercices.
1. Soit A = 11 23 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 1 0 0
2. Soit A = 0 1 0 et soit f l’application linéaire associée. Calculer l’image par f de 0 , 1 , 0 et
21 1 x 0 0 1
plus généralement de y .
z
3.Écrirelamatricedelarotationdupland’angle π4 centréeàl’origine.
4. Écrire la matrice de la réflexion du plan par rapport à la droite ( y = −x).
L’ESPACE VECTORIEL Rn 3. PROPRIÉTÉS DES APPLICATIONS LINÉAIRES 10
5. Écrire la matrice de la projection orthogonale de l’espace sur l’axe (O y).
3. Propriétés des applications linéaires
3.1. Composition d’applications linéaires et produit de matrices
Soient
f : R p −→ Rn et g : Rq −→ R p
deux applications linéaires. Considérons leur composition :
g f
Rq −→ R p −→ Rn f ◦ g : Rq −→ Rn .
L’application f ◦ g est une application linéaire. Notons :
• A = Mat( f ) ∈ Mn,p (R) la matrice associée à f ,
• B = Mat(g) ∈ M p,q (R) la matrice associée à g,
• C = Mat( f ◦ g) ∈ Mn,q (R) 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.
Autrement dit, la matrice associée à la composition de deux applications linéaires est égale au produit de
leurs matrices :
Mat( f ◦ g) = Mat( f ) × Mat(g)
En fait le produit de matrices, qui au premier abord peut sembler bizarre et artificiel, est défini exactement
pour vérifier cette relation.
Exemple 3.
π
Soit f : R2 −→ R2 la réflexion par rapport à la droite ( y = x) et soit g : R2 −→ R2 la rotation d’angle θ = 3
(centrée à l’origine). Les matrices sont
1 p
3
cos θ − sin θ
0 1 −
A = Mat( f ) = et B = Mat(g) = = p23 2
.
1 0 sin θ cos θ 2
1
2
Voici pour X = 10 les images f (X ), g(X ), f ◦ g(X ), g ◦ f (X ) :
f (X ) ( y = x)
g(X )
g ◦ f (X ) f ◦ g(X )
π
3
π
3
O X= 1
x
0
L’ESPACE VECTORIEL Rn 3. PROPRIÉTÉS DES APPLICATIONS LINÉAIRES 11
Alors p p
1 3
3 1
0 1 −
C = Mat( f ◦ g) = Mat( f ) × Mat(g) = × p23 1
2
= 2
1
2p
.
1 0 2 2 2 − 23
Notons que si l’on considère la composition g ◦ f alors
p p3
1 3 1
− 0 1 − 2
D = Mat(g ◦ f ) = Mat(g) × Mat( f ) = p2
3 1
2
× = 1
p2
3
.
2 2
1 0 2 2
Les matrices C = AB et D = BA sont distinctes, ce qui montre que la composition d’applications linéaires,
comme la multiplication des matrices, n’est pas commutative en général.
3.2. Application linéaire bijective et matrice inversible
Théorème 2.
Une application linéaire f : Rn → Rn est bijective si et seulement si sa matrice associée A = Mat( f ) ∈ Mn (R)
est inversible.
L’application f est définie par f (X ) = AX . Donc si f est bijective, alors d’une part f (X ) = Y ⇐⇒ X = f −1 (Y ),
mais d’autre part AX = Y ⇐⇒ X = A−1 Y . Conséquence : la matrice de f −1 est A−1 .
Corollaire 1.
Si f est bijective, alors
−1
Mat( f −1 ) = Mat( f ) .
Exemple 4.
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
cos θ sin θ cos (−θ ) − sin (−θ )
−1
−1
Mat( f ) = Mat( f ) = = .
− sin θ cos θ sin (−θ ) cos(−θ )
Exemple 5.
Soit f : R2 −→ R2 la projection sur l’axe (O x). Alors f n’est pas injective. En effet, pour x fixé et tout y ∈ R,
f xy = ( 0x ). L’application f n’est pas non plus surjective : ceci se vérifie aisément car aucun point en-dehors
de l’axe (O x) n’est dans l’image de f .
x
y
O
x x
0
10
La matrice de f est 00 ; elle n’est pas inversible.
La preuve du théorème 2 est une conséquence directe du théorème suivant, vu dans le chapitre sur les
matrices :
L’ESPACE VECTORIEL Rn 3. PROPRIÉTÉS DES APPLICATIONS LINÉAIRES 12
Théorème 3.
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 2.
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.
3.3. Caractérisation des applications linéaires
Théorème 4.
Une application f : R p −→ Rn est linéaire si et seulement si pour tous les vecteurs u, v de R p et pour tout
scalaire λ ∈ R, on a
(i) f (u + v) = f (u) + f (v),
(ii) f (λu) = λ f (u) .
Dans le cadre général des espaces vectoriels, ce sont ces deux propriétés (i) et (ii) qui définissent une
application linéaire.
Définition 3.
Les vecteurs
0
1 1 0
0 ..
e1 = . e2 = 0 ··· ep = .
.. . 0
..
0 1
0
sont appelés les vecteurs de la base canonique de R p .
La démonstration du théorème impliquera :
Corollaire 2.
Soit f : R p −→ Rn une application linéaire, et soient e1 , . . . , e p les vecteurs de base canonique de R p . Alors
la matrice de f (dans les bases canoniques de R p vers Rn ) est donnée par
Mat( f ) = f (e1 ) f (e2 ) · · · f (e p ) ;
autrement dit les vecteurs colonnes de Mat( f ) sont les images par f des vecteurs de la base canonique
(e1 , . . . , e p ).
Exemple 6.
Considérons l’application linéaire f : R3 → R4 définie par
y1 = 2x 1 +x 2
−x 3
y2 = −x 1 −4x 2
y3 = 5x 1 +x 2 +x 3
y4 = 3x 2 +2x 3 .
L’ESPACE VECTORIEL Rn 3. PROPRIÉTÉS DES APPLICATIONS LINÉAIRES 13
1 0 0
Calculons les images des vecteurs de la base canonique 0 , 1 , 0 :
0 0 1
2 1 −1
1 −1 0 −4 0 0
f 0 =
5
f 1 =
1
f 0 =
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 7.
Soit f : R2 → R2 la réflexion 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 .
p 1 1 p
3 3
1 0 −
f ◦g = f 21 = p23 f ◦g = f p32 = 21
0 2 2
1 2 −2
Donc la matrice de f ◦ g est :
p
1 3
Mat( f ) = p2
3
2
.
2 − 12
Voici la preuve du théorème 4.
Démonstration. Supposons f : R p −→ 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 = λ f (u).
Réciproquement, soit f : R p −→ Rn une application qui vérifie (i) et (ii). Nous devons construire une matrice
A telle que f (u) = Au. Notons d’abord que (i) implique que f (v1 + v2 + · · · + vr ) = f (v1 ) + f (v2 ) + · · · + f (vr ).
Notons (e1 , . . . , e p ) les vecteurs de la base canonique de R p .
Soit A la matrice n × p dont les colonnes sont
f (e1 ), f (e2 ), . . . , f (e p ).
x1
x
2
Pour X = . ∈ Rp , alors X = x 1 e1 + x 2 e2 + · · · + x p e p
..
xp
et donc
AX = A(x 1 e1 + x 2 e2 + · · · + x p e p )
= Ax 1 e1 + Ax 2 e2 + · · · + Ax p e p
= x 1 Ae1 + x 2 Ae2 + · · · + x p Ae p
= x 1 f (e1 ) + x 2 f (e2 ) + · · · + x p f (e p )
= f (x 1 e1 ) + f (x 2 e2 ) + · · · + f (x p e p )
= f (x 1 e1 + x 2 e2 + · · · + x p e p ) = f (X ).
On a alors f (X ) = AX , et f est bien une application linéaire (de matrice A).
Chapitre
Espaces vectoriels
2
La notion d’espace vectoriel est une structure fondamentale des mathématiques modernes. Il s’agit de
dégager les propriétés communes que partagent des ensembles pourtant très différents. Par exemple, on
peut additionner deux vecteurs du plan, et aussi multiplier un vecteur par un réel (pour l’agrandir ou le
rétrécir). Mais on peut aussi additionner deux fonctions, ou multiplier une fonction par un réel. Même chose
avec les polynômes, les matrices,... Le but est d’obtenir des théorèmes généraux qui s’appliqueront aussi bien
aux vecteurs du plan, de l’espace, aux espaces de fonctions, aux polynômes, aux matrices,... La contrepartie
de cette grande généralité de situations est que la notion d’espace vectoriel est difficile à appréhender et
vous demandera une quantité conséquente de travail ! Il est bon d’avoir d’abord étudié le chapitre « L’espace
vectoriel Rn ».
1. Espace vectoriel (début)
Dans ce chapitre, K désigne un corps. Dans la plupart des exemples, ce sera le corps des réels R.
1.1. Définition d’un espace vectoriel
Un espace vectoriel est un ensemble formé de vecteurs, de sorte que l’on puisse additionner (et soustraire)
deux vecteurs u, v pour en former un troisième u + v (ou u − v) et aussi afin que l’on puisse multiplier
chaque vecteur u d’un facteur λ pour obtenir un vecteur λ · u. Voici la définition formelle :
Définition 1.
Un K-espace vectoriel est un ensemble non vide E muni :
• d’une loi de composition interne, c’est-à-dire d’une application de E × E dans E :
E×E → E
(u, v) 7→ u + v
ESPACES VECTORIELS 1. ESPACE VECTORIEL (DÉBUT) 15
• d’une loi de composition externe, c’est-à-dire d’une application de K × E dans E :
K×E → E
(λ, u) 7→ λ · u
qui vérifient les propriétés suivantes :
1. u + v = v + u (pour tous u, v ∈ E)
2. u + (v + w) = (u + v) + w (pour tous u, v, w ∈ E)
3. Il existe un élément neutre 0 E ∈ E tel que u + 0 E = u (pour tout u ∈ E)
4. Tout u ∈ E admet un symétrique u tel que u + u = 0 E . Cet élément u0 est noté −u.
0 0
5. 1 · u = u (pour tout u ∈ E)
6. λ · (µ · u) = (λµ) · u (pour tous λ, µ ∈ K, u ∈ E)
7. λ · (u + v) = λ · u + λ · v (pour tous λ ∈ K, u, v ∈ E)
8. (λ + µ) · u = λ · u + µ · u (pour tous λ, µ ∈ K, u ∈ E)
Nous reviendrons en détail sur chacune de ces propriétés juste après des exemples.
1.2. Premiers exemples
Exemple 1 (Le R-espace vectoriel R2 ).
Posons K = R et E = R2 . Un élément u ∈ E est donc un couple (x, y) avec x élément de R et y élément de
R. Ceci s’écrit
R2 = (x, y) | x ∈ R, y ∈ R .
• Définition de la loi interne. Si (x, y) et (x 0 , y 0 ) sont deux éléments de R2 , alors :
(x, y) + (x 0 , y 0 ) = (x + x 0 , y + y 0 ).
• Définition de la loi externe. Si λ est un réel et (x, y) est un élément de R2 , alors :
λ · (x, y) = (λx, λ y).
L’élément neutre de la loi interne est le vecteur nul (0, 0). Le symétrique de (x, y) est (−x, − y), que l’on
note aussi −(x, y).
λ·u
u+v
0 v
−u
L’exemple suivant généralise le précédent. C’est aussi le bon moment pour lire ou relire le chapitre « L’espace
vectoriel Rn ».
ESPACES VECTORIELS 1. ESPACE VECTORIEL (DÉBUT) 16
Exemple 2 (Le R-espace vectoriel Rn ).
Soit n un entier supérieur ou égal à 1. Posons K = R et E = Rn . Un élément u ∈ E est donc un n-uplet
(x 1 , x 2 , . . . , x n ) avec x 1 , x 2 , . . . , x n des éléments de R.
• Définition de la loi interne. Si (x 1 , . . . , x n ) et (x 10 , . . . , x n0 ) sont deux éléments de Rn , alors :
(x 1 , . . . , x n ) + (x 10 , . . . , x n0 ) = (x 1 + x 10 , . . . , x n + x n0 ).
• Définition de la loi externe. Si λ est un réel et (x 1 , . . . , x n ) est un élément de Rn , alors :
λ · (x 1 , . . . , x n ) = (λx 1 , . . . , λx n ).
L’élément neutre de la loi interne est le vecteur nul (0, 0, . . . , 0). Le symétrique de (x 1 , . . . , x n ) est
(−x 1 , . . . , −x n ), que l’on note −(x 1 , . . . , x n ).
De manière analogue, on peut définir le C-espace vectoriel Cn , et plus généralement le K-espace vectoriel
Kn .
Exemple 3.
Tout plan passant par l’origine dans R3 est un espace vectoriel (par rapport aux opérations habituelles sur les
vecteurs). Soient K = R et E = P un plan passant par l’origine. Le plan admet une équation de la forme :
a x + b y + cz = 0
où a, b et c sont des réels non tous nuls.
x
Un élément u ∈ E est donc un triplet (noté ici comme un vecteur colonne) y tel que a x + b y + cz = 0.
0 z
x x
Soient y et y 0 deux éléments de P . Autrement dit,
z z0
a x + b y + cz = 0,
et a x 0 + b y 0 + cz 0 = 0.
x+x 0
0
Alors y+ y est aussi dans P car on a bien :
z+z 0
a(x + x 0 ) + b( y + y 0 ) + c(z + z 0 ) = 0.
x 0
Les autres propriétés sont aussi faciles à vérifier : par exemple l’élément neutre est ; et si y appartient 0
x z 0
à P , alors a x + b y + cz = 0, que l’on peut réécrire a(−x) + b(− y) + c(−z) = 0 et ainsi − y appartient à
z
P.
Attention ! Un plan
ne contenant pas l’origine n’est pas un espace vectoriel, car justement il ne contient pas
0
le vecteur nul 0 .
0
1.3. Terminologie et notations
Rassemblons les définitions déjà vues.
• On appelle les éléments de E des vecteurs. Au lieu de K-espace vectoriel, on dit aussi espace vectoriel
sur K.
• Les éléments de K seront appelés des scalaires.
• L’ élément neutre 0 E s’appelle aussi le vecteur nul. Il ne doit pas être confondu avec l’élément 0 de K.
Lorsqu’il n’y aura pas de risque de confusion, 0 E sera aussi noté 0.
ESPACES VECTORIELS 2. ESPACE VECTORIEL (FIN) 17
• Le symétrique −u d’un vecteur u ∈ E s’appelle aussi l’opposé.
• La loi de composition interne sur E (notée usuellement +) est appelée couramment l’addition et u + u0
est appelée somme des vecteurs u et u0 .
• La loi de composition externe sur E est appelée couramment multiplication par un scalaire. La multipli-
cation du vecteur u par le scalaire λ sera souvent notée simplement λu, au lieu de λ · u.
Somme de n vecteurs. Il est possible de définir, par récurrence, l’addition de n vecteurs, n > 2. La structure
d’espace vectoriel permet de définir l’addition de deux vecteurs (et initialise le processus). Si maintenant la
somme de n − 1 vecteurs est définie, alors la somme de n vecteurs v1 , v2 , . . . , vn est définie par
v1 + v2 + · · · + vn = (v1 + v2 + · · · + vn−1 ) + vn .
L’associativité de la loi + nous permet de ne pas mettre de parenthèses dans la somme v1 + v2 + · · · + vn .
n
X
On notera v1 + v2 + · · · + vn = vi .
i=1
2. Espace vectoriel (fin)
2.1. Détail des axiomes de la définition
Revenons en détail sur la définition d’un espace vectoriel. Soit donc E un K-espace vectoriel. Les éléments
de E seront appelés des vecteurs. Les éléments de K seront appelés des scalaires.
Loi interne.
La loi de composition interne dans E, c’est une application de E × E dans E :
E×E → E
(u, v) 7→ u + v
C’est-à-dire qu’à partir de deux vecteurs u et v de E, on nous en fournit un troisième, qui sera noté u + v.
La loi de composition interne dans E et la somme dans K seront toutes les deux notées +, mais le contexte
permettra de déterminer aisément de quelle loi il s’agit.
Loi externe.
La loi de composition externe, c’est une application de K × E dans E :
K×E → E
(λ, u) 7→ λ · u
C’est-à-dire qu’à partir d’un scalaire λ ∈ K et d’un vecteur u ∈ E, on nous fournit un autre vecteur, qui sera
noté λ · u.
Axiomes relatifs à la loi interne.
1. Commutativité. Pour tous u, v ∈ E, u + v = v + u. On peut donc additionner des vecteurs dans l’ordre
que l’on souhaite.
ESPACES VECTORIELS 2. ESPACE VECTORIEL (FIN) 18
2. Associativité. Pour tous u, v, w ∈ E, on a u + (v + w) = (u + v) + w. Conséquence : on peut « oublier » les
parenthèses et noter sans ambiguïté u + v + w.
3. Il existe un élément neutre, c’est-à-dire qu’il existe un élément de E, noté 0 E , vérifiant : pour tout u ∈ E,
u + 0 E = u (et on a aussi 0 E + u = u par commutativité). Cet élément 0 E s’appelle aussi le vecteur nul.
4. Tout élément u de E admet un symétrique (ou opposé), c’est-à-dire qu’il existe un élément u0 de E tel
que u + u0 = 0 E (et on a aussi u0 + u = 0 E par commutativité). Cet élément u0 de E est noté −u.
Proposition 1.
• S’il existe un élément neutre 0 E vérifiant l’axiome (3) ci-dessus, alors il est unique.
• Soit u un élément de E. S’il existe un élément symétrique u0 de E vérifiant l’axiome (4), alors il est unique.
Démonstration.
• Soient 0 E et 00E deux éléments vérifiant la définition de l’élément neutre. On a alors, pour tout élément
u de E :
u + 0E = 0E + u = u et u + 00E = 00E + u = u
— Alors, la première propriété utilisée avec u = 00E donne 00E + 0 E = 0 E + 00E = 00E .
— La deuxième propriété utilisée avec u = 0 E donne 0 E + 00E = 00E + 0 E = 0 E .
— En comparant ces deux résultats, il vient 0 E = 00E .
• Supposons qu’il existe deux symétriques de u notés u0 et u00 . On a :
u + u0 = u0 + u = 0 E et u + u00 = u00 + u = 0 E .
Calculons u0 + (u + u00 ) de deux façons différentes, en utilisant l’associativité de la loi + et les relations
précédentes.
— u0 + (u + u00 ) = u0 + 0 E = u0
— u0 + (u + u00 ) = (u0 + u) + u00 = 0 E + u00 = u00
— On en déduit u0 = u00 .
Remarque.
Les étudiants connaissant la théorie des groupes reconnaîtront, dans les quatre premiers axiomes ci-dessus,
les axiomes caractérisant un groupe commutatif.
Axiomes relatifs à la loi externe.
5. Soit 1 l’élément neutre de la multiplication de K. Pour tout élément u de E, on a
1 · u = u.
6. Pour tous éléments λ et µ de K et pour tout élément u de E, on a
λ · (µ · u) = (λ × µ) · u.
Axiomes liant les deux lois.
7. Distributivité par rapport à l’addition des vecteurs. Pour tout élément λ de K et pour tous éléments u
et v de E, on a
λ · (u + v) = λ · u + λ · v.
8. Distributivité par rapport à l’addition des scalaires. Pour tous λ et µ de K et pour tout élément u de E,
on a :
(λ + µ) · u = λ · u + µ · u.
La loi interne et la loi externe doivent donc satisfaire ces huit axiomes pour que (E, +, ·) soit un espace
vectoriel sur K.
ESPACES VECTORIELS 2. ESPACE VECTORIEL (FIN) 19
2.2. Exemples
Dans tous les exemples qui suivent, la vérification des axiomes se fait simplement et est laissée au soin des
étudiants. Seules seront indiquées, dans chaque cas, les valeurs de l’élément neutre de la loi interne et du
symétrique d’un élément.
Exemple 4 (L’espace vectoriel des fonctions de R dans R).
L’ensemble des fonctions f : R −→ R est noté F (R, R). Nous le munissons d’une structure de R-espace
vectoriel de la manière suivante.
• Loi interne. Soient f et g deux éléments de F (R, R). La fonction f + g est définie par :
∀x ∈ R ( f + g)(x) = f (x) + g(x)
(où le signe + désigne la loi interne de F (R, R) dans le membre de gauche et l’addition dans R dans le
membre de droite).
• Loi externe. Si λ est un nombre réel et f une fonction de F (R, R), la fonction λ · f est définie par l’image
de tout réel x comme suit :
∀x ∈ R (λ · f )(x) = λ × f (x).
(Nous désignons par · la loi externe de F (R, R) et par × la multiplication dans R. Avec l’habitude on
oubliera les signes de multiplication : (λ f )(x) = λ f (x).)
• Élément neutre. L’élément neutre pour l’addition est la fonction nulle, définie par :
∀x ∈ R f (x) = 0.
On peut noter cette fonction 0F (R,R) .
• Symétrique. Le symétrique de l’élément f de F (R, R) est l’application g de R dans R définie par :
∀x ∈ R g(x) = − f (x).
Le symétrique de f est noté − f .
Exemple 5 (Le R-espace vectoriel des suites réelles).
On note S l’ensemble des suites réelles (un )n∈N . Cet ensemble peut être vu comme l’ensemble des applica-
tions de N dans R ; autrement dit S = F (N, R).
• Loi interne. Soient u = (un )n∈N et v = (vn )n∈N deux suites appartenant à S . La suite u + v est la suite
w = (w n )n∈N dont le terme général est défini par
∀n ∈ N w n = un + vn
(où un + vn désigne la somme de un et de vn dans R).
• Loi externe. Si λ est un nombre réel et u = (un )n∈N un élément de S , λ · u est la suite v = (vn )n∈N définie
par
∀n ∈ N vn = λ × un
où × désigne la multiplication dans R.
• Élément neutre. L’élément neutre de la loi interne est la suite dont tous les termes sont nuls.
• Symétrique. Le symétrique de la suite u = (un )n∈N est la suite u0 = (u0n )n∈N définie par :
∀n ∈ N u0n = −un .
Elle est notée −u.
Exemple 6 (Les matrices).
L’ensemble Mn,p (R) des matrices à n lignes et p colonnes à coefficients dans R est muni d’une structure
de R-espace vectoriel. La loi interne est l’addition de deux matrices. La loi externe est la multiplication
d’une matrice par un scalaire. L’élément neutre pour la loi interne est la matrice nulle (tous les coefficients
sont nuls). Le symétrique de la matrice A = (ai, j ) est la matrice (−ai, j ). De même, l’ensemble Mn,p (K) des
matrices à coefficients dans K est un K-espace vectoriel.
Autres exemples :
ESPACES VECTORIELS 2. ESPACE VECTORIEL (FIN) 20
1. L’espace vectoriel R[X ] des polynômes P(X ) = an X n + · · · + a2 X 2 + a1 X + a0 . L’addition est l’addition de
deux polynômes P(X ) + Q(X ), la multiplication par un scalaire λ ∈ R est λ · P(X ). L’élément neutre est
le polynôme nul. L’opposé de P(X ) est −P(X ).
2. L’ensemble des fonctions continues de R dans R ; l’ensemble des fonctions dérivables de R dans R,...
3. C est un R-espace vectoriel : addition z + z 0 de deux nombres complexes, multiplication λz par un
scalaire λ ∈ R. L’élément neutre est le nombre complexe 0 et le symétrique du nombre complexe z est
−z.
2.3. Règles de calcul
Proposition 2.
Soit E un espace vectoriel sur un corps K. Soient u ∈ E et λ ∈ K. Alors on a :
1. 0 · u = 0 E
2. λ · 0 E = 0 E
3. (−1) · u = −u
4. λ · u = 0 E ⇐⇒ λ = 0 ou u = 0 E
L’opération qui à (u, v) associe u + (−v) s’appelle la soustraction. Le vecteur u + (−v) est noté u − v. Les
propriétés suivantes sont satisfaites : λ(u − v) = λu − λv et (λ − µ)u = λu − µu.
Démonstration. Les démonstrations des propriétés sont des manipulations sur les axiomes définissant les
espaces vectoriels.
1. • Le point de départ de la démonstration est l’égalité dans K : 0 + 0 = 0.
• D’où, pour tout vecteur de E, l’égalité (0 + 0) · u = 0 · u.
• Donc, en utilisant la distributivité de la loi externe par rapport à la loi interne et la définition de
l’élément neutre, on obtient 0 · u + 0 · u = 0 · u. On peut rajouter l’élément neutre dans le terme de
droite, pour obtenir : 0 · u + 0 · u = 0 · u + 0 E .
• En ajoutant −(0 · u) de chaque côté de l’égalité, on obtient : 0 · u = 0 E .
2. La preuve est semblable en partant de l’égalité 0 E + 0 E = 0 E .
3. Montrer (−1) · u = −u signifie exactement que (−1) · u est le symétrique de u, c’est-à-dire vérifie
u + (−1) · u = 0 E . En effet :
u + (−1) · u = 1 · u + (−1) · u = (1 + (−1)) · u = 0 · u = 0 E .
4. On sait déjà que si λ = 0 ou u = 0 E , alors les propriétés précédentes impliquent λ · u = 0 E .
Pour la réciproque, soient λ ∈ K un scalaire et u ∈ E un vecteur tels que λ · u = 0 E .
Supposons λ différent de 0. On doit alors montrer que u = 0 E .
• Comme λ 6= 0, alors λ est inversible pour le produit dans le corps K. Soit λ−1 son inverse.
• En multipliant par λ−1 les deux membres de l’égalité λ · u = 0 E , il vient : λ−1 · (λ · u) = λ−1 · 0 E .
• D’où en utilisant les propriétés de la multiplication par un scalaire (λ−1 ×λ)·u = 0 E et donc 1·u = 0 E .
• D’où u = 0 E .
ESPACES VECTORIELS 3. SOUS-ESPACE VECTORIEL (DÉBUT) 21
3. Sous-espace vectoriel (début)
Il est vite fatiguant de vérifier les 8 axiomes qui font d’un ensemble un espace vectoriel. Heureusement, il
existe une manière rapide et efficace de prouver qu’un ensemble est un espace vectoriel : grâce à la notion
de sous-espace vectoriel.
3.1. Définition d’un sous-espace vectoriel
Définition 2.
Soit E un K-espace vectoriel. Une partie F de E est appelée un sous-espace vectoriel si :
• 0E ∈ F ,
• u + v ∈ F pour tous u, v ∈ F ,
• λ · u ∈ F pour tout λ ∈ K et tout u ∈ F .
Remarque.
Expliquons chaque condition.
• La première condition signifie que le vecteur nul de E doit aussi être dans F . En fait il suffit même de
prouver que F est non vide.
• La deuxième condition, c’est dire que F est stable pour l’addition : la somme u + v de deux vecteurs u, v
de F est bien sûr un vecteur de E (car E est un espace vectoriel), mais ici on exige que u + v soit un
élément de F .
• La troisième condition, c’est dire que F est stable pour la multiplication par un scalaire.
Exemple 7 (Exemples immédiats).
1. L’ensemble F = (x, y) ∈ R2 | x + y = 0 est un sous-espace vectoriel de R2 . En effet :
(a) (0, 0) ∈ F ,
(b) si u = (x 1 , y1 ) et v = (x 2 , y2 ) appartiennent à F , alors x 1 + y1 = 0 et x 2 + y2 = 0 donc (x 1 + x 2 ) +
( y1 + y2 ) = 0 et ainsi u + v = (x 1 + x 2 , y1 + y2 ) appartient à F ,
(c) si u = (x, y) ∈ F et λ ∈ R, alors x + y = 0 donc λx + λ y = 0, d’où λu ∈ F .
ESPACES VECTORIELS 3. SOUS-ESPACE VECTORIEL (DÉBUT) 22
0 x
2. L’ensemble des fonctions continues sur R est un sous-espace vectoriel de l’espace vectoriel des fonctions
de R dans R. Preuve : la fonction nulle est continue ; la somme de deux fonctions continues est continue ;
une constante fois une fonction continue est une fonction continue.
3. L’ensemble des suites réelles convergentes est un sous-espace vectoriel de l’espace vectoriel des suites
réelles.
Voici des sous-ensembles qui ne sont pas des sous-espaces vectoriels.
Exemple 8.
1. L’ensemble F1 = (x, y) ∈ R2 | x + y = 2 n’est pas un sous-espace vectoriel de R2 . En effet le vecteur
nul (0, 0) n’appartient pas à F1 .
2. L’ensemble F2 = (x, y) ∈ R2 | x = 0 ou y = 0 n’est pas un sous-espace vectoriel de R2 . En effet les
vecteurs u = (1, 0) et v = (0, 1) appartiennent à F2 , mais pas le vecteur u + v = (1, 1).
3. L’ensemble F3 = (x, y) ∈ R2 | x > 0 et y > 0 n’est pas un sous-espace vectoriel de R2 . En effet le
vecteur u = (1, 1) appartient à F3 mais, pour λ = −1, le vecteur −u = (−1, −1) n’appartient pas à F3 .
F2 F3
0
0 0
F1
3.2. Un sous-espace vectoriel est un espace vectoriel
La notion de sous-espace vectoriel prend tout son intérêt avec le théorème suivant : un sous-espace vectoriel
est lui-même un espace vectoriel. C’est ce théorème qui va nous fournir plein d’exemples d’espaces vectoriels.
Théorème 1.
Soient E un K-espace vectoriel et F un sous-espace vectoriel de E. Alors F est lui-même un K-espace vectoriel
pour les lois induites par E.
Méthodologie. Pour répondre à une question du type « L’ensemble F est-il un espace vectoriel ? », une
façon efficace de procéder est de trouver un espace vectoriel E qui contient F , puis prouver que F est un
sous-espace vectoriel de E. Il y a seulement trois propriétés à vérifier au lieu de huit !
ESPACES VECTORIELS 3. SOUS-ESPACE VECTORIEL (DÉBUT) 23
Exemple 9.
1. Est-ce que l’ensemble des fonctions paires (puis des fonctions impaires) forme un espace vectoriel (sur
R avec les lois usuelles sur les fonctions) ?
Notons P l’ensemble des fonctions paires et I l’ensemble des fonctions impaires. Ce sont deux sous-
ensembles de l’espace vectoriel F (R, R) des fonctions.
P = f ∈ F (R, R) | ∀x ∈ R, f (−x) = f (x)
I = f ∈ F (R, R) | ∀x ∈ R, f (−x) = − f (x)
P et I sont des sous-espaces vectoriels de F (R, R). C’est très simple à vérifier, par exemple pour P :
(a) la fonction nulle est une fonction paire,
(b) si f , g ∈ P alors f + g ∈ P ,
(c) si f ∈ P et si λ ∈ R alors λ f ∈ P .
Par le théorème 1, P est un espace vectoriel (de même pour I ).
2. Est-ce que l’ensemble Sn des matrices symétriques de taille n est un espace vectoriel (sur R avec les lois
usuelles sur les matrices) ?
Sn est un sous-ensemble de l’espace vectoriel Mn (R). Et c’est même un sous-espace vectoriel. Il suffit en
effet de vérifier que la matrice nulle est symétrique, que la somme de deux matrices symétriques est
encore symétrique et finalement que le produit d’une matrice symétrique par un scalaire est une matrice
symétrique. Par le théorème 1, Sn est un espace vectoriel.
Preuve du théorème 1. Soit F un sous-espace vectoriel d’un espace vectoriel (E, +, ·). La stabilité de F pour
les deux lois permet de munir cet ensemble d’une loi de composition interne et d’une loi de composition
externe, en restreignant à F les opérations définies dans E. Les propriétés de commutativité et d’associativité
de l’addition, ainsi que les quatre axiomes relatifs à la loi externe sont vérifiés, car ils sont satisfaits dans E
donc en particulier dans F , qui est inclus dans E.
L’existence d’un élément neutre découle de la définition de sous-espace vectoriel. Il reste seulement à justifier
que si u ∈ F , alors son symétrique −u appartient à F .
Fixons u ∈ F . Comme on a aussi u ∈ E et que E est un espace vectoriel alors il existe un élément de E, noté
−u, tel que u + (−u) = 0 E . Comme u est élément de F , alors pour λ = −1, (−1)u ∈ F . Et ainsi −u appartient
à F.
Un autre exemple d’espace vectoriel est donné par l’ensemble des solutions d’un système linéaire homogène.
Soit AX = 0 un système de n équations à p inconnues :
a11 . . . a1p x1 0
.. .. .. ..
. . . = .
an1 . . . anp xp 0
On a alors
Théorème 2.
Soit A ∈ Mn,p (R). Soit AX = 0 un système d’équations linéaires homogènes à p variables. Alors l’ensemble
des vecteurs solutions est un sous-espace vectoriel de R p .
Démonstration. Soit F l’ensemble des vecteurs X ∈ R p solutions de l’équation AX = 0. Vérifions que F est
un sous-espace vectoriel de R p .
• Le vecteur 0 est un élément de F .
• F est stable par addition : si X et X 0 sont des vecteurs solutions, alors AX = 0 et AX 0 = 0, donc
A(X + X 0 ) = AX + AX 0 = 0, et ainsi X + X 0 ∈ F .
ESPACES VECTORIELS 4. SOUS-ESPACE VECTORIEL (MILIEU) 24
• F est stable par multiplication par un scalaire : si X est un vecteur solution, on a aussi A(λX ) = λ(AX ) =
λ0 = 0, ceci pour tout λ ∈ R. Donc λX ∈ F .
Exemple 10.
Considérons le système
1 −2 3 x 0
2 −4 6 y = 0 .
3 −6 9 z 0
L’ensemble des solutions F ⊂ R3 de ce système est :
F = (x = 2s − 3t, y = s, z = t) | s, t ∈ R .
Par le théorème 2, F est un sous-espace vectoriel de R3 . Donc par le théorème 1, F est un espace vectoriel.
Une autre façon de voir les choses est d’écrire que les éléments de F sont ceux qui vérifient l’équation
(x = 2 y − 3z). Autrement dit, F est d’équation (x − 2 y + 3z = 0). L’ensemble des solutions F est donc un
plan passant par l’origine. Nous avons déjà vu que ceci est un espace vectoriel.
Mini-exercices.
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 | x 2 + x y > 0
5. (x, y) ∈ R2 | x 2 + y 2 > 1
6. f ∈ F (R, R) | f (0) = 1
7. f ∈ F (R, R) | f (1) = 0
4. Sous-espace vectoriel (milieu)
4.1. Combinaisons linéaires
Définition 3.
Soit n > 1 un entier, soient v1 , v2 , . . . , vn , n vecteurs d’un espace vectoriel E. Tout vecteur de la forme
u = λ1 v1 + λ2 v2 + · · · + λn vn
(où λ1 , λ2 , . . . , λn sont des éléments de K) est appelé combinaison linéaire des vecteurs v1 , v2 , . . . , vn .
Les scalaires λ1 , λ2 , . . . , λn sont appelés coefficients de la combinaison linéaire.
Remarque : Si n = 1, alors u = λ1 v1 et on dit que u est colinéaire à v1 .
Exemple 11.
1. Dans le R-espace vectoriel R3 , (3, 3, 1) est combinaison linéaire des vecteurs (1, 1, 0) et (1, 1, 1) car on a
l’égalité
(3, 3, 1) = 2(1, 1, 0) + (1, 1, 1).
ESPACES VECTORIELS 4. SOUS-ESPACE VECTORIEL (MILIEU) 25
2. Dans le R-espace vectoriel R2 , le vecteur u = (2, 1) n’est pas colinéaire au vecteur v1 = (1, 1) car s’il
l’était, il existerait un réel λ tel que u = λv1 , ce qui équivaudrait à l’égalité (2, 1) = (λ, λ).
3. Soit E = F (R, R) l’espace vectoriel des fonctions réelles. Soient f0 , f1 , f2 et f3 les fonctions définies par :
∀x ∈ R f0 (x) = 1, f1 (x) = x, f2 (x) = x 2 , f3 (x) = x 3 .
Alors la fonction f définie par
∀x ∈ R f (x) = x 3 − 2x 2 − 7x − 4
est combinaison linéaire des fonctions f0 , f1 , f2 , f3 puisque l’on a l’égalité
f = f3 − 2 f2 − 7 f1 − 4 f0 .
1 1 3
4. Dans M2,3 (R), on considère A = . On peut écrire A naturellement sous la forme suivante
0 −1 4
d’une combinaison linéaire de matrices élémentaires (des zéros partout, sauf un 1) :
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0
A= + +3 − +4 .
0 0 0 0 0 0 0 0 0 0 1 0 0 0 1
Voici deux exemples plus compliqués.
Exemple 12.
1 6 9
Soient u = 2 et v = 4 deux vecteurs de R3 . Montrons que w = 2 est combinaison linéaire de u et v.
−1 2 7
On cherche donc λ et µ tels que w = λu + µv :
λ λ + 6µ
9 1 6 6µ
2 = λ 2 + µ 4 = 2λ + 4µ = 2λ + 4µ .
7 −1 2 −λ 2µ −λ + 2µ
On a donc
9 = λ + 6µ
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.
On vérifie que l’on a bien
9 1 6
2 = −3 2 + 2 4 .
7 −1 2
Exemple 13.
1 6 4
Soient u = 2 et v = 4 . Montrons que w = −1 n’est pas une combinaison linéaire de u et v. L’égalité
−1 2 8
4 = λ + 6µ
4 1 6
−1 = λ 2 + µ 4 équivaut au système −1 = 2λ + 4µ
8 −1 2 8 = −λ + 2µ.
Or ce système n’a aucune solution. Donc il n’existe pas λ, µ ∈ R tels que w = λu + µv.
4.2. Caractérisation d’un sous-espace vectoriel
Théorème 3 (Caractérisation d’un sous-espace par la notion de combinaison linéaire).
Soient E un K-espace vectoriel et F une partie non vide de E. F est un sous-espace vectoriel de E si et seulement
si
λu + µv ∈ F pour tous u, v ∈ F et tous λ, µ ∈ K.
Autrement dit si et seulement si toute combinaison linéaire de deux éléments de F appartient à F .
ESPACES VECTORIELS 4. SOUS-ESPACE VECTORIEL (MILIEU) 26
Démonstration.
• Supposons que F soit un sous-espace vectoriel. Et soient u, v ∈ F , λ, µ ∈ K. Alors par la définition de
sous-espace vectoriel : λu ∈ F et µv ∈ F et ainsi λu + µv ∈ F .
• Réciproquement, supposons que pour chaque u, v ∈ F , λ, µ ∈ K on a λu + µv ∈ F .
— Comme F n’est pas vide, soient u, v ∈ F . Posons λ = µ = 0. Alors λu + µv = 0 E ∈ F .
— Si u, v ∈ F , alors en posant λ = µ = 1 on obtient u + v ∈ F .
— Si u ∈ F et λ ∈ K (et pour n’importe quel v, en posant µ = 0), alors λu ∈ F .
4.3. Intersection de deux sous-espaces vectoriels
Proposition 3 (Intersection de deux sous-espaces).
Soient F, G deux sous-espaces vectoriels d’un K-espace vectoriel E. L’intersection F ∩ G est un sous-espace
vectoriel de E.
On démontrerait de même que l’intersection F1 ∩ F2 ∩ F3 ∩ · · · ∩ Fn d’une famille quelconque de sous-espaces
vectoriels de E est un sous-espace vectoriel de E.
Démonstration. Soient F et G deux sous-espaces vectoriels de E.
• 0 E ∈ F , 0 E ∈ G car F et G sont des sous-espaces vectoriels de E ; donc 0 E ∈ F ∩ G.
• Soient u et v deux vecteurs de F ∩ G. Comme F est un sous-espace vectoriel, alors u, v ∈ F implique
u + v ∈ F . De même u, v ∈ G implique u + v ∈ G. Donc u + v ∈ F ∩ G.
• Soient u ∈ F ∩ G et λ ∈ K. Comme F est un sous-espace vectoriel, alors u ∈ F implique λu ∈ F . De
même u ∈ G implique λu ∈ G. Donc λu ∈ F ∩ G.
Conclusion : F ∩ G est un sous-espace vectoriel de E.
Exemple 14.
Soit D le sous-ensemble de R3 défini par :
D = (x, y, z) ∈ R3 | x + 3 y + z = 0 et x − y + 2z = 0 .
Est-ce que D est sous-espace vectoriel de R3 ? L’ensemble D est l’intersection de F et G, les sous-ensembles
de R3 définis par :
F = (x, y, z) ∈ R3 | x + 3 y + z = 0
G = (x, y, z) ∈ R3 | x − y + 2z = 0
Ce sont deux plans passant par l’origine, donc des sous-espaces vectoriels de R3 . Ainsi D = F ∩ G est un
sous-espace vectoriel de R3 , c’est une droite vectorielle.
ESPACES VECTORIELS 5. SOUS-ESPACE VECTORIEL (FIN) 27
Remarque.
La réunion de deux sous-espaces vectoriels de E n’est pas en général un sous-espace vectoriel de E. Prenons
par exemple E = R2 . Considérons les sous-espaces vectoriels F = (x, y) | x = 0 et G = (x, y) | y = 0 .
Alors F ∪ G n’est pas un sous-espace vectoriel de R2 . Par exemple, (0, 1) + (1, 0) = (1, 1) est la somme d’un
élément de F et d’un élément de G, mais n’est pas dans F ∪ G.
(1, 1)
(0, 1)
G
0 (1, 0)
Mini-exercices.
−2 −4p2
p
1. Peut-on trouver t ∈ R tel que les vecteurs 2 et 4t
p soient colinéaires ?
t 2 2
1 1 −1
2. Peut-on trouver t ∈ R tel que le vecteur 3t soit une combinaison linéaire de 3 et 1 ?
t 2 −1
5. Sous-espace vectoriel (fin)
5.1. Somme de deux sous-espaces vectoriels
Comme la réunion de deux sous-espaces vectoriels F et G n’est pas en général un sous-espace vectoriel, il
est utile de connaître les sous-espaces vectoriels qui contiennent à la fois les deux sous-espaces vectoriels F
et G, et en particulier le plus petit d’entre eux (au sens de l’inclusion).
Définition 4 (Définition de la somme de deux sous-espaces).
Soient F et G deux sous-espaces vectoriels d’un K-espace vectoriel E. L’ensemble de tous les éléments
u + v, où u est un élément de F et v un élément de G, est appelé somme des sous-espaces vectoriels F et
G. Cette somme est notée F + G. On a donc
F + G = u + v | u ∈ F, v ∈ G .
F +G
F
ESPACES VECTORIELS 5. SOUS-ESPACE VECTORIEL (FIN) 28
Proposition 4.
Soient F et G deux sous-espaces vectoriels du K-espace vectoriel E.
1. F + G est un sous-espace vectoriel de E.
2. F + G est le plus petit sous-espace vectoriel contenant à la fois F et G.
Démonstration.
1. Montrons que F + G est un sous-espace vectoriel.
• 0 E ∈ F , 0 E ∈ G, donc 0 E = 0 E + 0 E ∈ F + G.
• Soient w et w0 des éléments de F + G. Comme w est dans F + G, il existe u dans F et v dans G tels
que w = u + v. Comme w0 est dans F + G, il existe u0 dans F et v 0 dans G tels que w0 = u0 + v 0 . Alors
w + w0 = (u + v) + (u0 + v 0 ) = (u + u0 ) + (v + v 0 ) ∈ F + G, car u + u0 ∈ F et v + v 0 ∈ G.
• Soit w un élément de F + G et λ ∈ K. Il existe u dans F et v dans G tels que w = u + v. Alors
λw = λ(u + v) = (λu) + (λv) ∈ F + G, car λu ∈ F et λv ∈ G.
2. • L’ensemble F + G contient F et contient G : en effet tout élément u de F s’écrit u = u + 0 avec u
appartenant à F et 0 appartenant à G (puisque G est un sous-espace vectoriel), donc u appartient à
F + G. De même pour un élément de G.
• Si H est un sous-espace vectoriel contenant F et G, alors montrons que F + G ⊂ H. C’est clair : si
u ∈ F alors en particulier u ∈ H (car F ⊂ H), de même si v ∈ G alors v ∈ H. Comme H est un
sous-espace vectoriel, alors u + v ∈ H.
Exemple 15.
Déterminons F + G dans le cas où F et G sont les sous-espaces vectoriels de R3 suivants :
F = (x, y, z) ∈ R3 | y = z = 0 G = (x, y, z) ∈ R3 | x = z = 0 .
et
F +G
F
G 0
y
Un élément w de F + G s’écrit w = u + v où u est un élément de F et v un élément de G. Comme u ∈ F
alors il existe x ∈ R tel que u = (x, 0, 0), et comme v ∈ G il existe y ∈ R tel que v = (0, y, 0). Donc
w = (x, y, 0). Réciproquement, un tel élément w = (x, y, 0) est la somme de (x, 0, 0) et de (0, y, 0). Donc
F + G = (x, y, z) ∈ R3 | z = 0 . On voit même que, pour cet exemple, tout élément de F + G s’écrit de
façon unique comme la somme d’un élément de F et d’un élément de G.
Exemple 16.
Soient F et G les deux sous-espaces vectoriels de R3 suivants :
F = (x, y, z) ∈ R3 | x = 0 G = (x, y, z) ∈ R3 | y = 0 .
et
ESPACES VECTORIELS 5. SOUS-ESPACE VECTORIEL (FIN) 29
z G
0
y
Dans cet exemple, montrons que F + G = R3 . Par définition de F + G, tout élément de F + G est dans R3 .
Mais réciproquement, si w = (x, y, z) est un élément quelconque de R3 : w = (x, y, z) = (0, y, z) + (x, 0, 0),
avec (0, y, z) ∈ F et (x, 0, 0) ∈ G, donc w appartient à F + G.
Remarquons que, dans cet exemple, un élément de R3 ne s’écrit pas forcément de façon unique comme la
somme d’un élément de F et d’un élément de G. Par exemple (1, 2, 3) = (0, 2, 3)+(1, 0, 0) = (0, 2, 0)+(1, 0, 3).
5.2. Sous-espaces vectoriels supplémentaires
Définition 5 (Définition de la somme directe de deux sous-espaces).
Soient F et G deux sous-espaces vectoriels de E. F et G sont en somme directe dans E si
• F ∩ G = {0 E },
• F + G = E.
On note alors F ⊕ G = E.
Si F et G sont en somme directe, on dit que F et G sont des sous-espaces vectoriels supplémentaires dans
E.
Proposition 5.
F et G sont supplémentaires dans E si et seulement si tout élément de E s’écrit d’une manière unique comme
la somme d’un élément de F et d’un élément de G.
Remarque.
• Dire qu’un élément w de E s’écrit d’une manière unique comme la somme d’un élément de F et d’un
élément de G signifie que si w = u + v avec u ∈ F , v ∈ G et w = u0 + v 0 avec u0 ∈ F , v 0 ∈ G alors u = u0
et v = v 0 .
• On dit aussi que F est un sous-espace supplémentaire de G (ou que G est un sous-espace supplémentaire
de F ).
• Il n’y a pas unicité du supplémentaire d’un sous-espace vectoriel donné (voir un exemple ci-dessous).
• L’existence d’un supplémentaire d’un sous-espace vectoriel sera prouvée dans le cadre des espaces
vectoriels de dimension finie.
Démonstration.
• Supposons E = F ⊕ G et montrons que tout élément u ∈ E se décompose de manière unique. Soient donc
u = v +w et u = v 0 +w0 avec v, v 0 ∈ F et w, w0 ∈ G. On a alors v +w = v 0 +w0 , donc v − v 0 = w0 −w. Comme
F est un sous-espace vectoriel alors v − v 0 ∈ F , mais d’autre part G est aussi un sous-espace vectoriel
donc w0 − w ∈ G. Conclusion : v − v 0 = w0 − w ∈ F ∩ G. Mais par définition d’espaces supplémentaires
F ∩ G = {0 E }, donc v − v 0 = 0 E et aussi w0 − w = 0 E . On en déduit v = v 0 et w = w0 , ce qu’il fallait
démontrer.
• Supposons que tout u ∈ E se décompose de manière unique et montrons E = F ⊕ G.
ESPACES VECTORIELS 5. SOUS-ESPACE VECTORIEL (FIN) 30
— Montrons F ∩ G = {0 E }. Si u ∈ F ∩ G, il peut s’écrire des deux manières suivantes comme somme
d’un élément de F et d’un élément de G :
u = 0E + u et u = u + 0E .
Par l’unicité de la décomposition, u = 0 E .
— Montrons F +G = E. Il n’y rien à prouver, car par hypothèse tout élément u se décompose en u = v +w,
avec v ∈ F et w ∈ G.
Exemple 17.
1. Soient F = (x, 0) ∈ R2 | x ∈ R et G = (0, y) ∈ R2 | y ∈ R .
Montrons que F ⊕ G = R2 . La première façon de le voir est que l’on a clairement F ∩ G = {(0, 0)} et que,
comme (x, y) = (x, 0) + (0, y), alors F + G = R2 . Une autre façon de le voir est d’utiliser la proposition
5, car la décomposition (x, y) = (x, 0) + (0, y) est unique.
y
G
G0
F
0 x
2. Gardons F et notons G 0 = (x, x) ∈ R2 | x ∈ R . Montrons que l’on a aussi F ⊕ G 0 = R2 :
(a) Montrons F ∩ G 0 = {(0, 0)}. Si (x, y) ∈ F ∩ G 0 alors d’une part (x, y) ∈ F donc y = 0, et aussi
(x, y) ∈ G 0 donc x = y. Ainsi (x, y) = (0, 0).
(b) Montrons F + G 0 = R2 . Soit u = (x, y) ∈ R2 . Cherchons v ∈ F et w ∈ G 0 tels que u = v + w. Comme
v = (x 1 , y1 ) ∈ F alors y1 = 0, et comme w = (x 2 , y2 ) ∈ G 0 alors x 2 = y2 . Il s’agit donc de trouver x 1
et x 2 tels que
(x, y) = (x 1 , 0) + (x 2 , x 2 ).
Donc (x, y) = (x 1 + x 2 , x 2 ). Ainsi x = x 1 + x 2 et y = x 2 , d’où x 1 = x − y et x 2 = y. On trouve bien
(x, y) = (x − y, 0) + ( y, y),
qui prouve que tout élément de R2 est somme d’un élément de F et d’un élément de G 0 .
3. De façon plus générale, deux droites distinctes du plan passant par l’origine forment des sous-espaces
supplémentaires.
Exemple 18.
Est-ce que les sous-espaces vectoriels F et G de R3 définis par
F = (x, y, z) ∈ R3 | x − y − z = 0 G = (x, y, z) ∈ R3 | y = z = 0
et
sont supplémentaires dans R3 ?
G
F
0
ESPACES VECTORIELS 5. SOUS-ESPACE VECTORIEL (FIN) 31
1. Il est facile de vérifier que F ∩ G = {0}. En effet si l’élément u = (x, y, z) appartient à l’intersection de F
et de G, alors les coordonnées de u vérifient : x − y − z = 0 (car u appartient à F ), et y = z = 0 (car u
appartient à G), donc u = (0, 0, 0).
2. Il reste à démontrer que F + G = R3 .
Soit donc u = (x, y, z) un élément quelconque de R3 ; il faut déterminer des éléments v de F et w de
G tels que u = v + w. L’élément v doit être de la forme v = ( y1 + z1 , y1 , z1 ) et l’élément w de la forme
w = (x 2 , 0, 0). On a u = v + w si et seulement si y1 = y, z1 = z, x 2 = x − y − z. On a donc
(x, y, z) = ( y + z, y, z) + (x − y − z, 0, 0)
avec v = ( y + z, y, z) dans F et w = (x − y − z, 0, 0) dans G.
Conclusion : F ⊕ G = R3 .
Exemple 19.
Dans le R-espace vectoriel F (R, R) des fonctions de R dans R, on considère le sous-espace vectoriel des
fonctions paires P et le sous-espace vectoriel des fonctions impaires I . Montrons que P ⊕ I = F (R, R).
1. Montrons P ∩ I = {0F (R,R) }.
Soit f ∈ P ∩ I , c’est-à-dire que f est à la fois une fonction paire et impaire. Il s’agit de montrer que f est
la fonction identiquement nulle. Soit x ∈ R. Comme f (−x) = f (x) (car f est paire) et f (−x) = − f (x)
(car f est impaire), alors f (x) = − f (x), ce qui implique f (x) = 0. Ceci est vrai quel que soit x ∈ R ;
donc f est la fonction nulle. Ainsi P ∩ I = {0F (R,R) }.
2. Montrons P + I = F (R, R).
Soit f ∈ F (R, R). Il s’agit de montrer que f peut s’écrire comme la somme d’une fonction paire et d’une
fonction impaire.
Analyse. Si f = g + h, avec g ∈ P , h ∈ I , alors pour tout x, d’une part, (a) f (x) = g(x) + h(x), et
d’autre part, (b) f (−x) = g(−x) + h(−x) = g(x) − h(x). Par somme et différence de (a) et (b), on tire
que
f (x) + f (−x) f (x) − f (−x)
g(x) = et h(x) = .
2 2
f (x)+ f (−x) f (x)− f (−x)
Synthèse. Pour f ∈ F (R, R), on définit deux fonctions g, h par g(x) = 2 et h(x) = 2 .
Alors d’une part f (x) = g(x) + h(x) et d’autre part g ∈ P (vérifier g(−x) = g(x)) et h ∈ I (vérifier
h(−x) = −h(x)). Bilan : P + I = F (R, R).
En conclusion, P et I sont en somme directe dans F (R, R) : P ⊕ I = F (R, R). Notez que, comme le
prouvent nos calculs, les g et h obtenus sont uniques.
5.3. Sous-espace engendré
Théorème 4 (Théorème de structure de l’ensemble des combinaisons linéaires).
Soit {v1 , . . . , vn } un ensemble fini de vecteurs d’un K-espace vectoriel E. Alors :
• L’ensemble des combinaisons linéaires des vecteurs {v1 , . . . , vn } est un sous-espace vectoriel de E.
• C’est le plus petit sous-espace vectoriel de E (au sens de l’inclusion) contenant les vecteurs v1 , . . . , vn .
Notation. Ce sous-espace vectoriel est appelé sous-espace engendré par v1 , . . . , vn et est noté Vect(v1 , . . . , vn ).
On a donc
u ∈ Vect(v1 , . . . , vn ) ⇐⇒ il existe λ1 , . . . , λn ∈ K tels que u = λ1 v1 + · · · + λn vn
ESPACES VECTORIELS 5. SOUS-ESPACE VECTORIEL (FIN) 32
Remarque.
• Dire que Vect(v1 , . . . , vn ) est le plus petit sous-espace vectoriel de E contenant les vecteurs v1 , . . . , vn signi-
fie que si F est un sous-espace vectoriel de E contenant aussi les vecteurs v1 , . . . , vn alors Vect(v1 , . . . , vn ) ⊂
F.
• Plus généralement, on peut définir le sous-espace vectoriel engendré par une partie V quelconque (non
nécessairement finie) d’un espace vectoriel : Vect V est le plus petit sous-espace vectoriel contenant V .
Exemple 20.
1. E étant un K-espace vectoriel, et u un élément quelconque de E, l’ensemble Vect(u) = {λu | λ ∈ K} est
le sous-espace vectoriel de E engendré par u. Il est souvent noté Ku. Si u n’est pas le vecteur nul, on
parle d’une droite vectorielle.
K = Vect(u)
v u
u 0
0
Vect(u, v)
2. Si u et v sont deux vecteurs de E, alors Vect(u, v) = λu + µv | λ, µ ∈ K . Si u et v ne sont pas colinéaires,
alors Vect(u, v) est un plan vectoriel.
1 1
3. Soient u = 1 et v = 2 deux vecteurs de R3 . Déterminons P = Vect(u, v).
1 3
x x
y ∈ Vect(u, v) ⇐⇒ y = λu + µv pour certains λ, µ ∈ R
z xz 1 1
⇐⇒ y =λ 1 +µ 2
z 1 3
x = λ+µ
⇐⇒ y = λ + 2µ
z = λ + 3µ
Nous obtenons bien une équation paramétrique du plan P passant par l’origine et contenant les vecteurs
u et v. On sait en trouver une équation cartésienne : (x − 2 y + z = 0).
Exemple 21.
Soient E l’espace vectoriel des applications de R dans R et f0 , f1 , f2 les applications définies par :
∀x ∈ R f0 (x) = 1, f1 (x) = x et f2 (x) = x 2 .
Le sous-espace vectoriel de E engendré par { f0 , f1 , f2 } est l’espace vectoriel des fonctions polynômes f de
degré inférieur ou égal à 2, c’est-à-dire de la forme f (x) = a x 2 + b x + c.
Méthodologie. On peut démontrer qu’une partie F d’un espace vectoriel E est un sous-espace vectoriel de
E en montrant que F est égal à l’ensemble des combinaisons linéaires d’un nombre fini de vecteurs de E.
Exemple 22.
Est-ce que F = (x, y, z) ∈ R3 | x − y − z = 0 est un sous-espace vectoriel de R3 ?
Un triplet de R3 est élément de F si et seulement si x = y + z. Donc u est élément de F si et seulement s’il
peut s’écrire u = ( y + z, y, z). Or, on a l’égalité
( y + z, y, z) = y(1, 1, 0) + z(1, 0, 1).
Donc F est l’ensemble des combinaisons linéaires de (1, 1, 0), (1, 0, 1) . C’est le sous-espace vectoriel
engendré par (1, 1, 0), (1, 0, 1) : F = Vect (1, 1, 0), (1, 0, 1) . C’est bien un plan vectoriel (un plan passant
par l’origine).
ESPACES VECTORIELS 6. APPLICATION LINÉAIRE (DÉBUT) 33
Preuve du théorème 4.
1. On appelle F l’ensemble des combinaisons linéaires des vecteurs {v1 , . . . , vn }.
(a) 0 E ∈ F car F contient la combinaison linéaire particulière 0v1 + · · · + 0vn .
(b) Si u, v ∈ F alors il existe λ1 , . . . , λn ∈ K tels que u = λ1 v1 + · · · + λn vn et µ1 , . . . , µn ∈ K tels que
v = µ1 v1 + · · · + µn vn . On en déduit que u + v = (λ1 + µ1 )v1 + · · · + (λn + µn )vn appartient bien à F .
(c) De même, λ · u = (λλ1 )v1 + · · · + (λλn )vn ∈ F .
Conclusion : F est un sous-espace vectoriel.
2. Si G est un sous-espace vectoriel contenant {v1 , . . . , vn }, alors il est stable par combinaison linéaire ; il
contient donc toute combinaison linéaire des vecteurs {v1 , . . . , vn }. Par conséquent F est inclus dans G :
F est le plus petit sous-espace (au sens de l’inclusion) contenant {v1 , . . . , vn }.
Mini-exercices.
1. Trouver des sous-espaces vectoriels distincts F et G de R3 tels que
(a) F + G = R3 et F ∩ G 6= {0} ;
(b) F + G 6= R3 et F ∩ G = {0} ;
(c) F + G = R3 et F ∩ G = {0} ;
(d) F + G 6= R3 et F ∩ G 6= {0}.
2. Soient F = (x, y, z) ∈ R3 | x + y + z = 0 et G = Vect (1, 1, 1) ⊂ R3 .
(a) Montrer que F est un espace vectoriel. Trouver deux vecteurs u, v tels que F = Vect(u, v).
(b) Calculer F ∩ G et montrer que F + G = R3 . Que conclure ?
6. Application linéaire (début)
6.1. Définition
Nous avons déjà rencontré la notion d’application linéaire dans le cas f : R p −→ Rn (voir le chapitre
« L’espace vectoriel Rn »). Cette notion se généralise à des espaces vectoriels quelconques.
Définition 6.
Soient E et F deux K-espaces vectoriels. Une application f de E dans F est une application linéaire si
elle satisfait aux deux conditions suivantes :
1. f (u + v) = f (u) + f (v), pour tous u, v ∈ E ;
2. f (λ · u) = λ · f (u), pour tout u ∈ E et tout λ ∈ K.
Autrement dit : une application est linéaire si elle « respecte » les deux lois d’un espace vectoriel.
Notation. L’ensemble des applications linéaires de E dans F est noté L (E, F ).
ESPACES VECTORIELS 6. APPLICATION LINÉAIRE (DÉBUT) 34
6.2. Premiers exemples
Exemple 23.
L’application f définie par
f : R3 → R2
(x, y, z) 7→ (−2x, y + 3z)
est une application linéaire. En effet, soient u = (x, y, z) et v = (x 0 , y 0 , z 0 ) deux éléments de R3 et λ un réel.
f (u + v) = f (x + x 0 , y + y 0 , z + z 0 )
− 2(x + x 0 ), y + y 0 + 3(z + z 0 )
=
= (−2x, y + 3z) + (−2x 0 , y 0 + 3z 0 )
= f (u) + f (v)
et
f (λ · u) = f (λx, λ y, λz)
= (−2λx, λ y + 3λz)
= λ · (−2x, y + 3z)
= λ · f (u)
Toutes les applications ne sont pas des applications linéaires !
Exemple 24.
Soit f : R → R l’application définie par f (x) = x 2 . On a f (1) = 1 et f (2) = 4. Donc f (2) =
6 2 · f (1). Ce qui
fait que l’on n’a pas l’égalité f (λx) = λ f (x) pour un certain choix de λ, x. Donc f n’est pas linéaire. Notez
que l’on n’a pas non plus f (x + x 0 ) = f (x) + f (x 0 ) dès que x x 0 6= 0.
Voici d’autres exemples d’applications linéaires :
1. Pour une matrice fixée A ∈ Mn,p (R), l’application f : R p −→ Rn définie par
f (X ) = AX
est une application linéaire.
2. L’ application nulle, notée 0L (E,F ) :
f : E −→ F f (u) = 0 F pour tout u ∈ E.
3. L’ application identité, notée id E :
f : E −→ E f (u) = u pour tout u ∈ E.
6.3. Premières propriétés
Proposition 6.
Soient E et F deux K-espaces vectoriels. Si f est une application linéaire de E dans F , alors :
• f (0 E ) = 0 F ,
• f (−u) = − f (u), pour tout u ∈ E.
Démonstration. Il suffit d’appliquer la définition de la linéarité avec λ = 0, puis avec λ = −1.
Pour démontrer qu’une application est linéaire, on peut aussi utiliser une propriété plus « concentrée »,
donnée par la caractérisation suivante :
Proposition 7 (Caractérisation d’une application linéaire).
Soient E et F deux K-espaces vectoriels et f une application de E dans F . L’application f est linéaire si et
seulement si, pour tous vecteurs u et v de E et pour tous scalaires λ et µ de K,
f (λu + µv) = λ f (u) + µ f (v).
ESPACES VECTORIELS 7. APPLICATION LINÉAIRE (MILIEU) 35
Plus généralement, une application linéaire f préserve les combinaisons linéaires : pour tous λ1 , . . . , λn ∈ K
et tous v1 , . . . , vn ∈ E, on a
f (λ1 v1 + · · · + λn vn ) = λ1 f (v1 ) + · · · + λn f (vn ).
Démonstration.
• Soit f une application linéaire de E dans F . Soient u, v ∈ E, λ, µ ∈ K. En utilisant les deux axiomes de
la définition, on a
f (λu + µv) = f (λu) + f (µv) = λ f (u) + µ f (v).
• Montrons la réciproque. Soit f : E → F une application telle que f (λu + µv) = λ f (u) + µ f (v) (pour
tous u, v ∈ E, λ, µ ∈ K). Alors, d’une part f (u + v) = f (u) + f (v) (en considérant le cas particulier où
λ = µ = 1), et d’autre part f (λu) = λ f (u) (cas particulier où µ = 0).
Vocabulaire.
Soient E et F deux K-espaces vectoriels.
• Une application linéaire de E dans F est aussi appelée morphisme ou homomorphisme d’espaces
vectoriels. L’ensemble des applications linéaires de E dans F est noté L (E, F ).
• Une application linéaire de E dans E est appelée endomorphisme de E. L’ensemble des endomorphismes
de E est noté L (E).
Mini-exercices.
Montrer que les applications suivantes f i : R2 → R2 sont linéaires. Caractériser géométriquement ces
applications et faire un dessin.
1. f1 (x, y) = (−x, − y) ;
2. f2 (x, y) = (3x, 3 y) ;
3. f3 (x, y) = (x, − y) ;
4. f4 (x, y) = (−x, y) ;
p p
3
− 12 y, 12 x + 3
5. f5 (x, y) = 2 x 2 y .
7. Application linéaire (milieu)
7.1. Exemples géométriques
Symétrie centrale.
Soient E un K-espace vectoriel. On définit l’application f par :
f :E → E
u 7→ −u
f est linéaire et s’appelle la symétrie centrale par rapport à l’origine 0 E .
ESPACES VECTORIELS 7. APPLICATION LINÉAIRE (MILIEU) 36
0
fλ (u) = λ · u
f (u) = −u
u
0
Homothétie.
Soient E un K-espace vectoriel et λ ∈ K. On définit l’application fλ par :
fλ : E → E
u 7→ λu
fλ est linéaire. fλ est appelée homothétie de rapport λ.
Cas particuliers notables :
• λ = 1, fλ est l’application identité ;
• λ = 0, fλ est l’application nulle ;
• λ = −1, on retrouve la symétrie centrale.
Preuve que fλ est une application linéaire :
fλ (αu + β v) = λ(αu + β v) = α(λu) + β(λv) = α fλ (u) + β fλ (v).
Projection.
Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels supplémentaires dans E, c’est-à-dire
E = F ⊕ G. Tout vecteur u de E s’écrit de façon unique u = v + w avec v ∈ F et w ∈ G. La projection sur F
parallèlement à G est l’application p : E → E définie par p(u) = v.
w u
F
v = p(u)
• Une projection est une application linéaire.
En effet, soient u, u0 ∈ E, λ, µ ∈ K. On décompose u et u0 en utilisant que E = F ⊕ G : u = v + w,
u0 = v 0 + w0 avec v, v 0 ∈ F , w, w0 ∈ G. Commençons par écrire
λu + µu0 = λ(v + w) + µ(v 0 + w0 ) = (λv + µv 0 ) + (λw + µw0 ).
Comme F et G sont des un sous-espaces vectoriels de E, alors λv + µv 0 ∈ F et λw + µw0 ∈ G. Ainsi :
p(λu + µu0 ) = λv + µv 0 = λp(u) + µp(u0 ).
• Une projection p vérifie l’égalité p2 = p.
Note : p2 = p signifie p ◦ p = p, c’est-à-dire pour tout u ∈ E : p p(u) = p(u). Il s’agit juste de remarquer
que si v ∈ F alors p(v) = v (car v = v + 0, avec v ∈ F et 0 ∈ G). Maintenant, pour u ∈ E, on a u = v + w
avec v ∈ F et w ∈ G. Par définition p(u) = v. Mais alors p p(u) = p(v) = v. Bilan : p ◦ p(u) = v = p(u).
Donc p ◦ p = p.
ESPACES VECTORIELS 7. APPLICATION LINÉAIRE (MILIEU) 37
Exemple 25.
Nous avons vu que les sous-espaces vectoriels F et G de R3 définis par
F = (x, y, z) ∈ R3 | x − y − z = 0 G = (x, y, z) ∈ R3 | y = z = 0
et
sont supplémentaires dans R3 : R3 = F ⊕ G (exemple 18). Nous avions vu que la décomposition s’écrivait :
(x, y, z) = ( y + z, y, z) + (x − y − z, 0, 0).
Si p est la projection sur F parallèlement à G, alors on a p(x, y, z) = ( y + z, y, z).
G
(x, y, z)
F
0
p(x, y, z)
Exemple 26.
Nous avons vu dans l’exemple 19 que l’ensemble des fonctions paires P et l’ensemble des fonctions
impaires I sont des sous-espaces vectoriels supplémentaires dans F (R, R). Notons p la projection sur P
parallèlement à I . Si f est un élément de F (R, R), on a p( f ) = g où
g :R → R
f (x) + f (−x)
x 7→ .
2
7.2. Autres exemples
1. La dérivation. Soient E = C 1 (R, R) l’espace vectoriel des fonctions f : R −→ R dérivables avec f 0
continue et F = C 0 (R, R) l’espace vectoriel des fonctions continues. Soit
d : C 1 (R, R) −→ C 0 (R, R)
f 7−→ f 0
Alors d est une application linéaire, car (λ f + µg)0 = λ f 0 + µg 0 et donc d(λ f + µg) = λd( f ) + µd(g).
2. L’intégration. Soient E = C 0 (R, R) et F = C 1 (R, R). Soit
I : C 0 (R, R) −→ C 1 (R, R)
Rx
f (x) 7−→ 0
f (t) d t
Rx Rx Rx
L’application I est linéaire car 0
λ f (t) + µg(t) d t = λ 0 f (t) d t + µ 0 g(t) d t pour toutes fonctions
f et g et pour tous λ, µ ∈ R.
3. Avec les polynômes.
Soit E = Rn [X ] l’espace vectoriel des polynômes de degré 6 n. Soit F = Rn+1 [X ] et soit
f : E −→ F
P(X ) 7−→ X P(X )
Autrement dit, si P(X ) = an X n + · · · + a1 X + a0 , alors f (P(X )) = an X n+1 + · · · + a1 X 2 + a0 X .
C’est une application linéaire : f (λP(X ) + µQ(X )) = λX P(X ) + µX Q(X ) = λ f (P(X )) + µ f (Q(X )).
4. La transposition.
Considérons l’application T de Mn (K) dans Mn (K) donnée par la transposition :
T : Mn (K) −→ Mn (K)
A 7−→ AT
ESPACES VECTORIELS 8. APPLICATION LINÉAIRE (FIN) 38
T est linéaire, car on sait que pour toutes matrices A, B ∈ Mn (K) et tous scalaires λ, µ ∈ K :
(λA + µB) T = (λA) T + (µB) T = λAT + µB T .
5. La trace.
tr : Mn (K) −→ K
A 7−→ tr A
est une application linéaire car tr(λA + µB) = λ tr A + µ tr B.
Mini-exercices.
1. Les applications suivantes sont-elles linéaires ?
(a) R −→ R, x 7−→ 3x − 2
4
(b) R −→ R, (x, y, x 0 , y 0 ) 7−→ x · x 0 + y · y 0
(c) C 0 (R, R) −→ R, f 7−→ f (1)
(d) C 1 (R, R) −→ C 0 (R, R), f 7−→ f 0 + f
R1
(e) C 0 ([0, 1], R) −→ R, f 7−→ 0 | f (t)| d t
8. Application linéaire (fin)
8.1. Image d’une application linéaire
Commençons par des rappels. Soient E et F deux ensembles et f une application de E dans F . Soit A un
sous-ensemble de E. L’ensemble des images par f des éléments de A, appelé image directe de A par f , est
noté f (A). C’est un sous-ensemble de F . On a par définition :
f (A) = f (x) | x ∈ A .
Dans toute la suite, E et F désigneront des K-espaces vectoriels et f : E → F sera une application linéaire.
f (E) s’appelle l’image de l’application linéaire f et est noté Im f .
Proposition 8 (Structure de l’image d’un sous-espace vectoriel).
1. Si E 0 est un sous-espace vectoriel de E, alors f (E 0 ) est un sous-espace vectoriel de F .
2. En particulier, Im f est un sous-espace vectoriel de F .
Remarque.
On a par définition de l’image directe f (E) :
f est surjective si et seulement si Im f = F .
Démonstration. Tout d’abord, comme 0 E ∈ E 0 alors 0 F = f (0 E ) ∈ f (E 0 ). Ensuite on montre que pour tout
couple ( y1 , y2 ) d’éléments de f (E 0 ) et pour tous scalaires λ, µ, l’élément λ y1 + µ y2 appartient à f (E 0 ). En
ESPACES VECTORIELS 8. APPLICATION LINÉAIRE (FIN) 39
effet :
y1 ∈ f (E 0 ) ⇐⇒ ∃x 1 ∈ E 0 , f (x 1 ) = y1
y2 ∈ f (E 0 ) ⇐⇒ ∃x 2 ∈ E 0 , f (x 2 ) = y2 .
Comme f est linéaire, on a
λ y1 + µ y2 = λ f (x 1 ) + µ f (x 2 ) = f (λx 1 + µx 2 ).
Or λx 1 + µx 2 est un élément de E 0 , car E 0 est un sous-espace vectoriel de E, donc λ y1 + µ y2 est bien un
élément de f (E 0 ).
8.2. Noyau d’une application linéaire
Définition 7 (Définition du noyau).
Soient E et F deux K-espaces vectoriels et f une application linéaire de E dans F . Le noyau de f , noté
Ker( f ), est l’ensemble des éléments de E dont l’image est 0 F :
Ker( f ) = x ∈ E | f (x) = 0 F
Autrement dit, le noyau est l’image réciproque du vecteur nul de l’espace d’arrivée : Ker( f ) = f −1 {0 F }.
Proposition 9.
Soient E et F deux K-espaces vectoriels et f une application linéaire de E dans F . Le noyau de f est un
sous-espace vectoriel de E.
Démonstration. Ker( f ) est non vide car f (0 E ) = 0 F donc 0 E ∈ Ker( f ). Soient x 1 , x 2 ∈ Ker( f ) et λ, µ ∈ K.
Montrons que λx 1 + µx 2 est un élément de Ker( f ). On a, en utilisant la linéarité de f et le fait que x 1 et x 2
sont des éléments de Ker( f ) : f (λx 1 + µx 2 ) = λ f (x 1 ) + µ f (x 2 ) = λ0 F + µ0 F = 0 F .
Exemple 27.
Reprenons l’exemple de l’application linéaire f définie par
f : R3 → R 2
(x, y, z) 7→ (−2x, y + 3z)
• Calculons le noyau Ker( f ).
(x, y, z) ∈ Ker( f ) ⇐⇒ f (x, y, z) = (0, 0)
⇐⇒ (−2x, y + 3z) = (0, 0)
−2x = 0
⇐⇒
y + 3z = 0
⇐⇒ (x, y, z) = (0, −3z, z), z ∈ R
Donc Ker( f ) = (0, −3z, z) | z ∈ R . Autrement dit, Ker( f ) = Vect (0, −3, 1) : c’est une droite
vectorielle.
• Calculons l’image de f . Fixons (x 0 , y 0 ) ∈ R2 .
(x 0 , y 0 ) = f (x, y, z) ⇐⇒ (−2x, y + 3z) = (x 0 , y 0 )
−2x = x 0
⇐⇒
y + 3z = y 0
0
On peut prendre par exemple x = − x2 , y 0 = y, z = 0. Conclusion : pour n’importe quel (x 0 , y 0 ) ∈ R2 , on
0
a f (− x2 , y 0 , 0) = (x 0 , y 0 ). Donc Im( f ) = R2 , et f est surjective.
ESPACES VECTORIELS 8. APPLICATION LINÉAIRE (FIN) 40
Exemple 28.
Soit A ∈ Mn,p (R). Soit f : R p −→ Rn l’application linéaire définie par f (X ) = AX . Alors Ker( f ) = X ∈ R p |
AX = 0 : c’est donc l’ensemble des X ∈ R p solutions du système linéaire homogène AX = 0. On verra plus
tard que Im( f ) est l’espace engendré par les colonnes de la matrice A.
Le noyau fournit une nouvelle façon d’obtenir des sous-espaces vectoriels.
Exemple 29.
Un plan P passant par l’origine, d’équation (a x + b y + cz = 0), est un sous-espace vectoriel de R3 . En effet,
soit f : R3 → R l’application définie par f (x, y, z) = a x + b y + cz. Il est facile de vérifier que f est linéaire,
de sorte que Ker f = (x, y, z) ∈ R3 | a x + b y + cz = 0 = P est un sous-espace vectoriel.
Exemple 30.
Soient E un K-espace vectoriel, F et G deux sous-espaces vectoriels de E, supplémentaires : E = F ⊕ G. Soit
p la projection sur F parallèlement à G. Déterminons le noyau et l’image de p.
w u
F
v = p(u)
Un vecteur u de E s’écrit d’une manière unique u = v + w avec v ∈ F et w ∈ G et par définition p(u) = v.
• Ker(p) = G : le noyau de p est l’ensemble des vecteurs u de E tels que v = 0, c’est donc G.
• Im(p) = F . Il est immédiat que Im(p) ⊂ F . Réciproquement, si u ∈ F alors p(u) = u, donc F ⊂ Im(p).
Conclusion :
Ker(p) = G et Im(p) = F.
Théorème 5 (Caractérisation des applications linéaires injectives).
Soient E et F deux K-espaces vectoriels et f une application linéaire de E dans F . Alors :
f injective ⇐⇒ Ker( f ) = 0 E
Autrement dit, f est injective si et seulement si son noyau ne contient que le vecteur nul. En particulier,
pour montrer que f est injective, il suffit de vérifier que :
si f (x) = 0 F alors x = 0 E .
Démonstration.
• Supposons que f soit injective et montrons que Ker( f ) = {0 E }. Soit x un élément de Ker( f ). On a
f (x) = 0 F . Or, comme f est linéaire, on a aussi f (0 E ) = 0 F . De l’égalité f (x) = f (0 E ), on déduit x = 0 E
car f est injective. Donc Ker( f ) = {0 E }.
• Réciproquement, supposons maintenant que Ker( f ) = {0 E }. Soient x et y deux éléments de E tels
que f (x) = f ( y). On a donc f (x) − f ( y) = 0 F . Comme f est linéaire, on en déduit f (x − y) = 0 F ,
c’est-à-dire x − y est un élément de Ker( f ). Donc x − y = 0 E , soit x = y.
ESPACES VECTORIELS 8. APPLICATION LINÉAIRE (FIN) 41
Exemple 31.
Considérons, pour n > 1, l’application linéaire
f : Rn [X ] −→ Rn+1 [X ]
P(X ) 7−→ X · P(X ).
Étudions d’abord le noyau de f : soit P(X ) = an X n + · · · + a1 X + a0 ∈ Rn [X ] tel que X · P(X ) = 0. Alors
an X n+1 + · · · + a1 X 2 + a0 X = 0.
Ainsi, ai = 0 pour tout i ∈ {0, . . . , n} et donc P(X ) = 0. Le noyau de f est donc nul : Ker( f ) = {0}.
L’espace Im( f ) est l’ensemble des polynômes de Rn+1 [X ] sans terme constant : Im( f ) = Vect X , X 2 , . . . , X n+1 .
Conclusion : f est injective, mais n’est pas surjective.
8.3. L’espace vectoriel L (E, F )
Soient E et F deux K-espaces vectoriels. Remarquons tout d’abord que, similairement à l’exemple 4, l’en-
semble des applications de E dans F , noté F (E, F ), peut être muni d’une loi de composition interne + et
d’une loi de composition externe, définies de la façon suivante : f , g étant deux éléments de F (E, F ), et λ
étant un élément de K, pour tout vecteur u de E,
( f + g)(u) = f (u) + g(u) et (λ · f )(u) = λ f (u).
Proposition 10.
L’ensemble des applications linéaires entre deux K-espaces vectoriels E et F , noté L (E, F ), muni des deux
lois définies précédemment, est un K-espace vectoriel.
Démonstration. L’ensemble L (E, F ) est inclus dans le K-espace vectoriel F (E, F ). Pour montrer que L (E, F )
est un K-espace vectoriel, il suffit donc de montrer que L (E, F ) est un sous-espace vectoriel de F (E, F ) :
• Tout d’abord, l’application nulle appartient à L (E, F ).
• Soient f , g ∈ L (E, F ), et montrons que f + g est linéaire. Pour tous vecteurs u et v de E et pour tous
scalaires α, β de K,
( f + g)(αu + β v) = f (αu + β v) + g(αu + β v) (définition de f + g)
= α f (u) + β f (v) + αg(u) + β g(v) (linéarité de f et de g)
= α ( f (u) + g(u)) + β ( f (v) + g(v)) (propriétés des lois de F )
= α( f + g)(u) + β( f + g)(v) (définition de f + g)
f + g est donc linéaire et L (E, F ) est stable pour l’addition.
• Soient f ∈ L (E, F ), λ ∈ K, et montrons que λ f est linéaire.
(λ f )(αu + β v) = λ f (αu + β v) (définition de λ f )
= λ (α f (u) + β f (v)) (linéarité de f )
= αλ f (u) + βλ f (v) (propriétés des lois de F )
= α(λ f )(u) + β(λ f )(v) (définition de λ f )
λ f est donc linéaire et L (E, F ) est stable pour la loi externe.
L (E, F ) est donc un sous-espace vectoriel de F (E, F ).
En particulier, L (E) est un sous-espace vectoriel de F (E, E).
ESPACES VECTORIELS 8. APPLICATION LINÉAIRE (FIN) 42
8.4. Composition et inverse d’applications linéaires
Proposition 11 (Composée de deux applications linéaires).
Soient E, F, G trois K-espaces vectoriels, f une application linéaire de E dans F et g une application linéaire
de F dans G. Alors g ◦ f est une application linéaire de E dans G.
Remarque.
En particulier, le composé de deux endomorphismes de E est un endomorphisme de E. Autrement dit, ◦ est
une loi de composition interne sur L (E).
Démonstration. Soient u et v deux vecteurs de E, et α et β deux éléments de K. Alors :
(g ◦ f )(αu + β v) = g ( f (αu + β v)) (définition de g ◦ f )
= g (α f (u) + β f (v)) (linéarité de f )
= αg ( f (u)) + β g ( f (v)) (linéarité de g)
= α(g ◦ f )(u) + β(g ◦ f )(v) (définition de g ◦ f )
La composition des applications linéaires se comporte bien :
g ◦ ( f1 + f2 ) = g ◦ f1 + g ◦ f2 (g1 + g2 ) ◦ f = g1 ◦ f + g2 ◦ f (λg) ◦ f = g ◦ (λ f ) = λ(g ◦ f )
Vocabulaire.
Soient E et F deux K-espaces vectoriels.
• Une application linéaire bijective de E sur F est appelée isomorphisme d’espaces vectoriels. Les deux
espaces vectoriels E et F sont alors dits isomorphes.
• Un endomorphisme bijectif de E (c’est-à-dire une application linéaire bijective de E dans E) est appelé
automorphisme de E. L’ensemble des automorphismes de E est noté G L(E).
Proposition 12 (Linéarité de l’application réciproque d’un isomorphisme).
Soient E et F deux K-espaces vectoriels. Si f est un isomorphisme de E sur F , alors f −1 est un isomorphisme
de F sur E.
Démonstration. Comme f est une application bijective de E sur F , alors f −1 est une application bijective
de F sur E. Il reste donc à prouver que f −1 est bien linéaire. Soient u0 et v 0 deux vecteurs de F et soient α
et β deux éléments de K. On pose f −1 (u0 ) = u et f −1 (v 0 ) = v, et on a alors f (u) = u0 et f (v) = v 0 . Comme
f est linéaire, on a
f −1 (αu0 + β v 0 ) = f −1 (α f (u) + β f (v)) = f −1 ( f (αu + β v)) = αu + β v
car f −1 ◦ f = id E (où id E désigne l’application identité de E dans E). Ainsi
f −1 (αu0 + β v 0 ) = α f −1 (u0 ) + β f −1 (v 0 ),
et f −1 est donc linéaire.
Exemple 32.
Soit f : R2 → R2 définie par f (x, y) = (2x +3 y, x + y). Il est facile de prouver que f est linéaire. Pour prouver
que f est bijective, on pourrait calculer son noyau et son image. Mais ici nous allons calculer directement son
inverse : on cherche à résoudre f (x, y) = (x 0 , y 0 ). Cela correspond à l’équation (2x + 3 y, x + y) = (x 0 , y 0 )
qui est un système linéaire à deux équations et deux inconnues. On trouve (x, y) = (−x 0 + 3 y 0 , x 0 − 2 y 0 ).
On pose donc f −1 (x 0 , y 0 ) = (−x 0 + 3 y 0 , x 0 − 2 y 0 ). On vérifie aisément que f −1 est l’inverse de f , et on
remarque que f −1 est une application linéaire.
ESPACES VECTORIELS 8. APPLICATION LINÉAIRE (FIN) 43
Exemple 33.
Plus généralement, soit f : Rn → Rn l’application linéaire définie par f (X ) = AX (où A est une matrice
de Mn (R)). Si la matrice A est inversible, alors f −1 est une application linéaire bijective et est définie par
f −1 (X ) = A−1 X .
Dans l’exemple précédent,
x 2 3 −1 −1 3
X= A= A = .
y 1 1 1 −2
Chapitre
3
Dimension finie
Les espaces vectoriels qui sont engendrés par un nombre fini de vecteurs sont appelés espaces vectoriels
de dimension finie. Pour ces espaces, nous allons voir comment calculer une base, c’est-à-dire une famille
minimale de vecteurs qui engendrent tout l’espace. Le nombre de vecteurs dans une base s’appelle la
dimension et nous verrons comment calculer la dimension des espaces et des sous-espaces.
1. Famille libre
1.1. Combinaison linéaire (rappel)
Soit E un K-espace vectoriel.
Définition 1.
Soient v1 , v2 , . . . , vp , p > 1 vecteurs d’un espace vectoriel E. Tout vecteur de la forme
u = λ1 v1 + λ2 v2 + · · · + λ p vp
(où λ1 , λ2 , . . . , λ p sont des éléments de K) est appelé combinaison linéaire des vecteurs v1 , v2 , . . . , vp .
Les scalaires λ1 , λ2 , . . . , λ p sont appelés coefficients de la combinaison linéaire.
1.2. Définition
Définition 2.
Une famille {v1 , v2 , . . . , vp } de E est une famille libre ou linéairement indépendante si toute combinaison
linéaire nulle
λ1 v1 + λ2 v2 + · · · + λ p vp = 0
est telle que tous ses coefficients sont nuls, c’est-à-dire
λ1 = 0, λ2 = 0, ... λ p = 0.
Dans le cas contraire, c’est-à-dire s’il existe une combinaison linéaire nulle à coefficients non tous nuls, on
dit que la famille est liée ou linéairement dépendante. Une telle combinaison linéaire s’appelle alors une
relation de dépendance linéaire entre les v j .
DIMENSION FINIE 1. FAMILLE LIBRE 45
1.3. Premiers exemples
Pour des vecteurs de Rn , décider si une famille {v1 , . . . , vp } est libre ou liée revient à résoudre un système
linéaire.
Exemple 1.
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
λ 1 2 + λ 2 5 + λ3 1 = 0
3 6 0 0
ce qui équivaut au système :
λ1 + 4λ2 + 2λ3 = 0
2λ1 + 5λ2 + λ3 = 0
3λ1 + 6λ2 = 0
On calcule (voir un peu plus bas) que ce système est équivalent à :
λ1 − 2λ3 = 0
λ2 + λ 3 = 0
Ce système a une infinité 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.
Voici les calculs de 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
Exemple 2.
1
2 2
Soient v1 = 1 , v2 = −1 , v3 = 1 . Est-ce que la famille {v1 , v2 , v3 } est libre ou liée ? Résolvons le
1 0 1
système linéaire correspondant à l’équation λ1 v1 + λ2 v2 + λ3 v3 = 0 :
λ1 + 2λ2 + 2λ3 = 0
λ 1 − λ 2 + λ3 = 0
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.
Exemple 3.
2 1 7
Soient v1 = −1
0 , v2 = 2
5 et v3 = −1
5 . Alors {v1 , v2 , v3 } forme une famille liée, car
3 −1 8
3v1 + v2 − v3 = 0.
DIMENSION FINIE 1. FAMILLE LIBRE 46
1.4. Autres exemples
Exemple 4.
Les polynômes P1 (X ) = 1 − X , P2 (X ) = 5 + 3X − 2X 2 et P3 (X ) = 1 + 3X − X 2 forment une famille liée dans
l’espace vectoriel R[X ], car
3P1 (X ) − P2 (X ) + 2P3 (X ) = 0.
Exemple 5.
Dans le R-espace vectoriel F (R, R) des fonctions de R dans R, on considère la famille {cos, sin}. Montrons
que c’est une famille libre. Supposons que l’on ait λ cos +µ sin = 0. Cela équivaut à
∀x ∈ R λ cos(x) + µ sin(x) = 0.
En particulier, pour x = 0, cette égalité donne λ = 0. Et pour x = π2 , elle donne µ = 0. Donc la famille
{cos, sin} est libre. En revanche la famille {cos2 , sin2 , 1} est liée car on a la relation de dépendance linéaire
cos2 + sin2 −1 = 0. Les coefficients de dépendance linéaire sont λ1 = 1, λ2 = 1, λ3 = −1.
1.5. Famille liée
Soit E un K-espace vectoriel. Si v =
6 0, la famille à un seul vecteur {v} est libre (et liée si v = 0). Considérons
le cas particulier d’une famille de 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 .
Ce qui se reformule ainsi par contraposition : « La famille {v1 , v2 } est libre si et seulement si v1 n’est pas un
multiple de v2 et v2 n’est pas un multiple de v1 . »
Démonstration.
• Supposons la famille {v1 , v2 } liée, alors il existe λ1 , λ2 non tous les deux nuls tels que λ1 v1 + λ2 v2 = 0.
λ
Si c’est λ1 qui n’est pas nul, on peut diviser par λ1 , ce qui donne v1 = − λ2 v2 et v1 est un multiple de v2 .
1
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 un scalaire µ tel que v1 = µv2 , soit 1v1 +
(−µ)v2 = 0, ce qui est une relation de dépendance linéaire entre v1 et v2 puisque 1 6= 0 : la famille
{v1 , v2 } est alors liée. Même conclusion si c’est v2 qui est un multiple de v1 .
Généralisons tout de suite cette proposition à une famille d’un nombre quelconque de vecteurs.
Théorème 1.
Soit E un K-espace vectoriel. Une famille F = {v1 , v2 , . . . , vp } de p > 2 vecteurs de E 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.
• Supposons d’abord F liée. Il existe donc une relation de dépendance linéaire
λ1 v1 + λ2 v2 + · · · + λ p vp = 0,
avec λk 6= 0 pour au moins un indice k. Passons tous les autres termes à droite du signe égal. Il vient
λk vk = −λ1 v1 − λ2 v2 − · · · − λ p vp ,
où vk ne figure pas au second membre. Comme λk 6= 0, on peut diviser cette égalité par λk et l’on obtient
λ1 λ λp
vk = − v1 − 2 v2 − · · · − vp ,
λk λk λk
DIMENSION FINIE 1. FAMILLE LIBRE 47
c’est-à-dire que vk est combinaison linéaire des autres vecteurs de F , ce qui peut encore s’écrire vk ∈
Vect F \ {vk } (avec la notation ensembliste A\ B pour l’ensemble des éléments de A qui n’appartiennent
pas à B).
• Réciproquement, supposons que pour un certain k, on ait vk ∈ Vect F \ {vk } . Ceci signifie que l’on
peut écrire
vk = µ1 v1 + µ2 v2 + · · · + µ p vp ,
où vk ne figure pas au second membre. Passant vk au second membre, il vient
0 = µ1 v1 + µ2 v2 + · · · − vk + · · · + µ p vp ,
ce qui est une relation de dépendance linéaire pour F (puisque −1 6= 0) et ainsi la famille F est liée.
1.6. 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.
• Dans R3 , trois vecteurs sont linéairement dépendants si et seulement s’ils sont coplanaires. Ils sont donc
dans un même plan vectoriel.
0
v1
v2
e3
v3
v2
v1
e2
e1
Proposition 2.
Soit F = {v1 , v2 , . . . , vp } une famille de vecteurs de Rn . Si F contient plus de n éléments (c’est-à-dire 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
x 1 v1 + x 2 v2 + · · · + x p vp = 0
donne alors le système suivant
v11 x 1 + v12 x 2 + · · · + v1p x p = 0
v x + v x + ··· + v x
= 0
21 1 22 2 2p p
..
.
vn1 x 1 + vn2 x 2 + · · · + vnp x p = 0
C’est un système homogène de n équations à p inconnues. Lorsque p > n, ce système a des solutions non
triviales (voir le chapitre « Systèmes linéaires », dernier théorème) ce qui montre que la famille F est une
famille liée.
DIMENSION FINIE 2. FAMILLE GÉNÉRATRICE 48
Mini-exercices.
t2
1. Pour quelles valeurs de t ∈ R, −1
t , −t est une famille libre de R2 ? Même question avec la famille
n 1 2 o
t 1
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.
2. Famille génératrice
Soit E un espace vectoriel sur un corps K.
2.1. Définition
Définition 3.
Soient v1 , . . . , vp des vecteurs de E. La famille {v1 , . . . , vp } est une famille génératrice de l’espace vectoriel
E si tout vecteur de E est une combinaison linéaire des vecteurs v1 , . . . , vp .
Ce qui peut s’écrire aussi :
∀v ∈ E ∃λ1 , . . . , λ p ∈ K v = λ1 v1 + · · · + λ p vp
On dit aussi que la famille {v1 , . . . , vp } engendre l’espace vectoriel E.
Cette notion est bien sûr liée à la notion de sous-espace vectoriel engendré : les vecteurs {v1 , . . . , vp } forment
une famille génératrice de E si et seulement si E = Vect(v1 , . . . , vp ).
2.2. Exemples
Exemple 6. 1 0 0
Considérons par exemple les vecteurs v1 = 0 , v2 = 1 et v3 = 0 de E = R3 . La famille {v1 , v2 , v3 } est
x 0 0 1
génératrice car tout vecteur v = y de R3 peut s’écrire
z
x 1 0 0
y = x 0 + y 1 +z 0 .
z 0 0 1
Les coefficients sont ici λ1 = x, λ2 = y, λ3 = z.
Exemple 7. 1 1
Soient maintenant les vecteurs v1 = 1 , v2 = 2 de E = R3 . Les vecteurs {v1 , v2 } ne forment pas une
1 3 0
famille génératrice de R . Par exemple, le vecteur v = 1 n’est pas dans Vect(v1 , v2 ). En effet, si c’était
3
0 0 1 1
le cas, alors il existerait λ1 , λ2 ∈ R tels que v = λ1 v1 + λ2 v2 . Ce qui s’écrirait aussi 1 = λ1 1 + λ2 2 ,
0 1 3
d’où le système linéaire :
λ 1 + λ2 = 0
λ1 + 2λ2 = 1
λ1 + 3λ2 = 0
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.)
DIMENSION FINIE 2. FAMILLE GÉNÉRATRICE 49
Exemple 8.
Soit E = R2 .
• Soient v1 = 10 et v2 = 01 .La famille {v1 , v2 } est génératrice de R2 car tout vecteur de R2 se décompose
comme xy = x 10 + y 01 .
v10 = 21 et v20 = 11 . Alors {v10 , v20 } est aussi une famille génératrice. En effet, soit
• Soient maintenant
v = xy un élément quelconque de R2 . Montrer que v est combinaison linéaire de v10 et v20 revient à
démontrer l’existence 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 + 2 y, et ceci, quels que soient les réels x et y.
Ceci prouve qu’il peut exister plusieurs familles finies différentes, non incluses les unes dans les autres,
engendrant le même espace vectoriel.
Exemple 9.
Soit Rn [X ] l’espace vectoriel des polynômes de degré 6 n. Alors les polynômes {1, X , . . . , X n } forment une
famille génératrice. Par contre, l’espace vectoriel R[X ] de tous les polynômes ne possède pas de famille
finie génératrice.
2.3. Liens entre familles génératrices
La proposition suivante est souvent utile :
Proposition 3. ¦ ©
Soit F = v1 , v2 , . . . , vp une famille génératrice de E. Alors F 0 = v10 , v20 , . . . , vq0 est aussi une famille
génératrice de E si et seulement si tout vecteur de F est une combinaison linéaire de vecteurs de F 0 .
Démonstration. C’est une conséquence immédiate de la définition de Vect F et de Vect F 0 .
Nous chercherons bientôt à avoir un nombre minimal de générateurs. Voici une proposition sur la réduction
d’une famille génératrice.
Proposition 4.
Si la famille de vecteurs {v1 , . . . , vp } engendre E et si l’un des vecteurs, par exemple vp , est combinaison
linéaire des autres, alors la famille {v1 , . . . , vp } \ {vp } = {v1 , . . . , vp−1 } est encore une famille génératrice de
E.
Démonstration. En effet, comme les vecteurs v1 , . . . , vp engendrent E, alors pour tout élément v de E, il
existe des scalaires λ1 , . . . , λ p tels que
v = λ1 v1 + · · · + λ p vp .
Or l’hypothèse vp est combinaison linéaire des vecteurs v1 , . . . , vp−1 se traduit par l’existence de scalaires
α1 , . . . , α p−1 tels que
vp = α1 v1 + · · · + α p−1 vp−1 .
Alors, le vecteur v s’écrit :
v = λ1 v1 + · · · + λ p−1 vp−1 + λ p α1 v1 + · · · + α p−1 vp−1 .
Donc
v = λ1 + λ p α1 v1 + · · · + λ p−1 + λ p α p−1 vp−1 ,
ce qui prouve que v est combinaison linéaire des vecteurs v1 , . . . , vp−1 . Ceci achève la démonstration. Il est
clair que si l’on remplace vp par n’importe lequel des vecteurs vi , la démonstration est la même.
DIMENSION FINIE 3. BASE 50
Mini-exercices.
2
1. À quelle condition sur t ∈ R, la famille t−10
, ( −t
t
) tt−1−t est une famille génératrice de R2 ?
n 1 1 o
1
2. Même question avec la famille 0 t
2
t2 de R3 .
t t 1
3. Montrer qu’une famille de vecteurs contenant une famille génératrice est encore une famille génératrice
de E.
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. Il en sera de même pour une base d’un espace
vectoriel.
v = λ1 v1 + λ2 v2
λ2 v2
v2
λ1 v1
v1
3.1. Définition
Définition 4 (Base d’un espace vectoriel).
Soit E un K-espace vectoriel. Une famille B = (v1 , v2 , . . . , vn ) de vecteurs de E est une base de E si B
est une famille libre et génératrice.
Théorème 2.
Soit B = (v1 , v2 , . . . , vn ) une base de l’espace vectoriel E. Tout vecteur v ∈ E s’exprime de façon unique
comme combinaison linéaire d’éléments de B. Autrement dit, il existe des scalaires λ1 , . . . , λn ∈ K uniques
tels que :
v = λ1 v1 + λ2 v2 + · · · + λn vn .
Remarque.
1. (λ1 , . . . , λn ) s’appellent les coordonnées du vecteur v dans la base B.
2. Il faut observer que pour une base B = (v1 , v2 , . . . , vn ) on introduit un ordre sur les vecteurs. Bien
sûr, si on permutait les vecteurs on obtiendrait toujours une base, mais il faudrait aussi permuter les
coordonnées.
3. Notez que l’application
φ : Kn → E
(λ1 , λ2 , . . . , λn ) 7→ λ1 v1 + λ2 v2 + · · · + λn vn
DIMENSION FINIE 3. BASE 51
est un isomorphisme de l’espace vectoriel Kn vers l’espace vectoriel E.
Preuve du théorème 2.
• Par définition, B est une famille génératrice de E, donc pour tout v ∈ E il existe λ1 , . . . , λn ∈ K 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 ∈ K d’autres scalaires tels que v =
µ1 v1 +µ2 v2 +· · ·+µn vn . Alors, par différence 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 , . . . , λn = µn .
3.2. Exemples
Exemple 10.
1. Soient les vecteurs e1 = 1
0 et e2 = 0
1 . Alors (e1 , e2 ) est une base de R2 , appelée base canonique de
R2 .
2. Soient les vecteurs v1 = 3
1 et v2 = 1
2 . Alors (v1 , v2 ) forment aussi une base de R2 .
y e2 v = λ1 v1 + λ2 v2
e3
λ2 v2
v2
λ1 v1
e2 e2
v1
e1 x e1 e1
1 0 0
3. De même dans R3 , si e1 = 0 , e2 = 1 , e3 = 0 , alors (e1 , e2 , e3 ) forment la base canonique de R3 .
0 0 1
Exemple 11. 2 3
1
Soient v1 = 2 , v2 = 9 et v3 = 3 . Montrons que la famille B = (v1 , v2 , v3 ) est une base de R3 .
1 0 4
Dans les deux premiers points, nous ramenons le problème à l’étude d’un système linéaire.
a1
1. Montrons d’abord que B est une famille génératrice de R3 . Soit v = aa2 un vecteur quelconque de R3 .
3
On cherche λ1 , λ2 , λ3 ∈ R tels que
v = λ1 v1 + λ2 v2 + λ3 v3 .
Ceci se reformule comme suit :
λ1 + 2λ2 + 3λ3
a1 1 2 3
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
2λ1 + 9λ2 + 3λ3 = a2 (S)
λ1 + 4λ3 = a3 .
Il nous restera à montrer que ce système a une solution λ1 , λ2 , λ3 .
DIMENSION FINIE 3. BASE 52
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
2λ1 + 9λ2 + 3λ3 = 0 (S’)
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 coefficients. On peut donc montrer simulta-
nément que B est une famille génératrice et une famille libre de R3 en montrant que la matrice des
coefficients est inversible. En effet, si la matrice des coefficients 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
Pour montrer qu’elle est inversible, on peut calculer son inverse ou seulement son déterminant qui vaut
det A = −1 (le déterminant étant non nul la matrice est inversible).
Conclusion : B est une famille libre et génératrice ; c’est une base de R3 .
Exemple 12.
Les vecteurs de Kn :
1 0 0
0 1 ..
e1 = . e2 = . ... en = .
.. .. 0
0 0 1
forment une base de K , appelée la base canonique de Kn .
n
Remarque.
L’exemple 11 se généralise de la façon suivante. Pour montrer que n vecteurs de Rn forment une base de
Rn , il suffit 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
v1 = 0 v2 = 0 ... vn = 3.
.. .. ..
. .
0 0 n
n
forment aussi une base de R .
Voici quelques autres exemples :
Exemple 13.
1. La base canonique de Rn [X ] est B = (1, X , X 2 , . . . , X n ). Attention, il y a n + 1 vecteurs !
2. Voici une autre base de Rn [X ] : (1, 1 + X , 1 + X + X 2 , . . . , 1 + X + X 2 + · · · + X n ).
DIMENSION FINIE 3. BASE 53
3. L’espace vectoriel M2 (R) des matrices 2 × 2 admet une base formée des vecteurs :
1 0 0 1 0 0 0 0
M1 = M2 = M3 = M4 = .
0 0 0 0 1 0 0 1
a b
En effet, n’importe quelle matrice M = de M2 (R) se décompose de manière unique en
c d
M = aM1 + bM2 + c M3 + d M4 .
4. C’est un bon exercice de prouver que les quatre matrices suivantes forment aussi une base de M2 (R) :
0 1 0 0 1 0 0 0 1 0 1 3
M1 = M2 = M3 = M4 = .
1 0 0 1 1 0 4 2
3.3. Existence d’une base
Voyons maintenant un théorème d’existence d’une base finie. Dans la suite, les espaces vectoriels sont
supposés non réduits à {0}.
Théorème 3 (Théorème d’existence d’une base).
Tout espace vectoriel admettant une famille finie génératrice admet une base.
3.4. Théorème de la base incomplète
Une version importante et plus générale de ce qui précède est le théorème suivant :
Théorème 4 (Théorème de la base incomplète).
Soit E un K-espace vectoriel admettant une famille génératrice finie.
1. Toute famille libre L peut être complétée en une base. C’est-à-dire qu’il existe une famille F telle que
L ∪ F soit une famille libre et génératrice de E.
2. De toute famille génératrice G on peut extraire une base de E. C’est-à-dire qu’il existe une famille
B ⊂ G telle que B soit une famille libre et génératrice de E.
3.5. Preuves
Les deux théorèmes précédents sont la conséquence d’un résultat encore plus général :
Théorème 5.
Soit G une famille génératrice finie de E et L une famille libre de E. Alors il existe une famille F de G telle
que L ∪ F soit une base de E.
Le théorème 4 de la base incomplète se déduit du théorème 5 ainsi :
1. On sait qu’il existe une famille génératrice de E : notons-la G . On applique le théorème 5 avec ce L et
ce G .
2. On applique le théorème 5 avec L = ∅ et la famille G de l’énoncé.
En particulier, le théorème 3 d’existence d’une base se démontre comme le point (2) ci-dessus avec L = ∅
et G une famille génératrice de E.
DIMENSION FINIE 3. BASE 54
3.6. Preuves (suite)
Nous avons : Théorème 5 =⇒ Théorème 4 =⇒ Théorème 3.
Il nous reste donc à prouver le théorème 5. La démonstration que nous en donnons est un algorithme.
Démonstration.
• Étape 0. Si L est une famille génératrice de E, on pose F = ∅ et c’est fini puisque L est une famille
génératrice et libre, donc une base. Sinon on passe à l’étape suivante.
• Étape 1. Comme L n’est pas une famille génératrice, alors il existe au moins un élément g1 de G qui
n’est pas combinaison linéaire des éléments de L . (En effet, par l’absurde, si tous les éléments de G
sont dans Vect L , alors L serait aussi une famille génératrice.) On pose L1 = L ∪ {g1 }. Alors la famille
L1 vérifie les propriétés suivantes :
(i) L ( L1 ⊂ E : la famille L1 est strictement plus grande que L .
(ii) L1 est une famille libre. (En effet, si L1 n’était pas une famille libre, alors une combinaison linéaire
nulle impliquerait que g1 ∈ Vect L .)
On recommence le même raisonnement à partir de L1 : si L1 est une famille génératrice de E, alors on
pose F = {g1 } et on s’arrête. Sinon on passe à l’étape suivante.
• Étape 2. Il existe au moins un élément g2 de G qui n’est pas combinaison linéaire des éléments de L1 .
Alors la famille L2 = L1 ∪ {g2 } = L ∪ {g1 , g2 } est strictement plus grande que L1 et est encore une
famille libre.
Si L2 est une famille génératrice, on pose F = {g1 , g2 } et c’est fini. Sinon on passe à l’étape d’après.
• ...
L’algorithme consiste donc à construire une suite, strictement croissante pour l’inclusion, de familles libres,
où, si Lk−1 n’engendre pas E, alors Lk est construite partir de Lk−1 en lui ajoutant un vecteur g k de G , de
sorte que Lk = Lk−1 ∪ {g k } reste une famille libre.
• L’algorithme se termine. Comme la famille G est finie, le processus s’arrête en moins d’étapes qu’il y a
d’éléments dans G . Notez que, comme G est une famille génératrice, dans le pire des cas on peut être
amené à prendre F = G .
• L’algorithme est correct. Lorsque l’algorithme s’arrête, disons à l’étape s : on a Ls = L ∪ F où F =
{g1 , . . . , gs }. Par construction, Ls est une famille finie, libre et aussi génératrice (car c’est la condition
d’arrêt). Donc L ∪ F est une base de E.
Exemple 14.
Soit R[X ] le R-espace vectoriel des polynômes réels et E le sous-espace de R[X ] engendré par la famille
G = {P1 , P2 , P3 , P4 , P5 } définie par :
P1 (X ) = 1 P2 (X ) = X P3 (X ) = X + 1 P4 (X ) = 1 + X 3 P5 (X ) = X − X 3
Partons de L = ∅ et cherchons F ⊂ G telle que F soit une base de E.
• Étape 0. Comme L n’est pas génératrice (vu que L = ∅), on passe à l’étape suivante.
• Étape 1. On pose L1 = L ∪ {P1 } = {P1 }. Comme P1 est non nul, L1 est une famille libre.
• Étape 2. Considérons P2 . Comme les éléments P1 et P2 sont linéairement indépendants, L2 = {P1 , P2 }
est une famille libre.
• Étape 3. Considérons P3 : ce vecteur est combinaison linéaire des vecteurs P1 et P2 car P3 (X ) = X + 1 =
P1 (X ) + P2 (X ) donc {P1 , P2 , P3 } est une famille liée. Considérons alors P4 . Un calcul rapide prouve que
les vecteurs P1 , P2 et P4 sont linéairement indépendants. Alors L3 = {P1 , P2 , P4 } est une famille libre.
Il ne reste que le vecteur P5 à considérer. Il s’agit, pour pouvoir conclure, d’étudier l’indépendance linéaire
des vecteurs P1 , P2 , P4 , P5 . Or un calcul rapide montre l’égalité
P1 + P2 − P4 − P5 = 0,
DIMENSION FINIE 4. DIMENSION D’UN ESPACE VECTORIEL 55
ce qui prouve que la famille {P1 , P2 , P4 , P5 } est liée. Donc avec les notations de l’algorithme, s = 3 et
L3 = {P1 , P2 , P4 } est une base de E.
Mini-exercices.
1. Trouver toutes les façons d’obtenir une base de R2 avec les vecteurs suivants : v1 = −1−3 , v2 = 33 ,
v3 = 00 , v4 = 20 , v5 = 26 .
2 2 −1 1
2. Montrer que la famille {v1 , v2 , v3 , v4 } des vecteurs v1 = 1 , v2 = 3 , v3 = 2 , v4 = 1 est
−3 −1 4 −1
une famille génératrice du sous-espace vectoriel 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 + 3 y − 2z = 0. Compléter cette
base en une base de R3 . Idem avec E2 vérifiant les deux équations x + 3 y − 2z = 0 et y = z.
4. Dimension d’un espace vectoriel
4.1. Définition
Définition 5.
Un K-espace vectoriel E admettant une base ayant un nombre fini d’éléments est dit de dimension finie.
Par le théorème 3 d’existence d’une base, c’est équivalent à l’existence d’une famille finie génératrice.
On va pouvoir parler de la dimension d’un espace vectoriel grâce au théorème suivant :
Théorème 6 (Théorème de la dimension).
Toutes les bases d’un espace vectoriel E de dimension finie ont le même nombre d’éléments.
Nous détaillerons la preuve un peu plus loin.
Définition 6.
La dimension d’un espace vectoriel de dimension finie E, notée dim E, est par définition le nombre
d’éléments d’une base de E.
Méthodologie. Pour déterminer la dimension d’un espace vectoriel, il suffit de trouver une base de E (une
famille à la fois libre et génératrice) : le cardinal (nombre d’éléments) de cette famille donne la dimension
de E. Le théorème 6 de la dimension prouve que même si on choisissait une base différente alors ces deux
bases auraient le même nombre d’éléments.
Convention. On convient d’attribuer à l’espace vectoriel {0} la dimension 0.
4.2. Exemples
Exemple 15.
1. La base canonique de R2 est 10 , 01 . La dimension de R2 est donc 2.
2. Les vecteurs 21 , 11 forment aussi une base de R2 , et illustrent qu’une autre base contient le même
nombre d’éléments.
3. Plus généralement, Kn est de dimension n, car par exemple sa base canonique (e1 , e2 , . . . , en ) contient n
éléments.
4. dim Rn [X ] = n + 1 car une base de Rn [X ] est (1, X , X 2 , . . . , X n ), qui contient n + 1 éléments.
DIMENSION FINIE 4. DIMENSION D’UN ESPACE VECTORIEL 56
Exemple 16.
Les espaces vectoriels suivants ne sont pas de dimension finie :
• R[X ] : l’espace vectoriel de tous les polynômes,
• F (R, R) : l’espace vectoriel des fonctions de R dans R,
• S = F (N, R) : l’espace vectoriel des suites réelles.
Exemple 17.
Nous avons vu que l’ensemble des solutions d’un système d’équations linéaires homogène est un espace
vectoriel. On considère par exemple le système
2x 1 + 2x 2 − x 3 + x5 = 0
−x 1 − x 2 + 2x 3 − 3x 4 + x 5 = 0
x 1 + x 2 − 2x 3 − x5 = 0
x 3 + x 4 + x 5 = 0.
On vérifie que la solution générale de ce système est
x 1 = −s − t x2 = s x 3 = −t x4 = 0 x5 = t .
Donc les vecteurs solutions s’écrivent sous la forme
x 1 −s−t −s −t −1 −1
x2 s s 0 1 0
x3
x4
= −t = 0 + −t =s 0 +t −1 .
0 0 0 0 0
x5 t 0 t 0 1
Ceci montre que les vecteurs
−1 −1
1 0
v1 = 0 et v2 = −1
0 0
0 1
engendrent l’espace des solutions du système. D’autre part, on vérifie que v1 et v2 sont linéairement
indépendants. Donc (v1 , v2 ) est une base de l’espace des solutions du système. Ceci montre que cet espace
vectoriel est de dimension 2.
4.3. Compléments
Lorsqu’un espace vectoriel est de dimension finie, le fait de connaître sa dimension est une information très
riche ; les propriétés suivantes montrent comment exploiter cette information.
Le schéma de preuve sera : Lemme 1 =⇒ Proposition 5 =⇒ Théorème 6.
Lemme 1.
Soit E un espace vectoriel. Soit L une famille libre et soit G une famille génératrice finie de E. Alors
Card L 6 Card G .
Ce lemme implique le résultat important :
Proposition 5.
Soit E un K-espace vectoriel admettant une base ayant n éléments. Alors :
1. Toute famille libre de E a au plus n éléments.
2. Toute famille génératrice de E a au moins n éléments.
En effet, soit B une base de E telle que Card B = n.
1. On applique le lemme 1 à la famille B considérée génératrice ; alors une famille libre L vérifie
Card L 6 Card B = n.
2. On applique le lemme 1 à la famille B considérée maintenant comme une famille libre, alors une famille
génératrice G vérifie n = Card B 6 Card G .
Cette proposition impliquera bien le théorème 6 de la dimension :
DIMENSION FINIE 4. DIMENSION D’UN ESPACE VECTORIEL 57
Corollaire 1.
Si E est un espace vectoriel admettant une base ayant n éléments, alors toute base de E possède n éléments.
La preuve du corollaire (et donc du théorème 6 de la dimension) est la suivante : par la proposition 5, si B
est une base quelconque de E, alors B est à la fois une famille libre et génératrice, donc possède à la fois
au plus n éléments et au moins n éléments, donc exactement n éléments.
Il reste à énoncer un résultat important et très utile :
Théorème 7.
Soient E un K-espace vectoriel de dimension n, et F = (v1 , . . . , vn ) une famille de n vecteurs de E. Il y a
équivalence entre :
(i) F est une base de E,
(ii) F est une famille libre de E,
(iii) F est une famille génératrice de E.
La preuve sera une conséquence du théorème 6 de la dimension et du théorème 4 de la base incomplète.
Autrement dit, lorsque le nombre de vecteurs considéré est exactement égal à la dimension de l’espace
vectoriel, l’une des deux conditions – être libre ou bien génératrice – suffit pour que ces vecteurs déterminent
une base de E.
Démonstration.
• Les implications (i) =⇒ (ii) et (i) =⇒ (iii) découlent de la définition d’une base.
• Voici la preuve de (ii) =⇒ (i).
Si F est une famille libre ayant n éléments, alors par le théorème de la base incomplète (théorème 4)
il existe une famille F 0 telle que F ∪ F 0 soit une base de E. D’une part F ∪ F 0 est une base de E qui
est de dimension n, donc par le théorème 6, Card F ∪ F 0 = n. Mais d’autre part Card F ∪ F 0 =
Card F + Card F 0 (par l’algorithme du théorème 4) et par hypothèse Card F = n. Donc Card F 0 = 0, ce
qui implique que F 0 = ∅ et donc que F est déjà une base de E.
• Voici la preuve de (iii) =⇒ (i).
Par hypothèse, F est cette fois une famille génératrice. Toujours par le théorème 4, on peut extraire de
cette famille une base B ⊂ F . Puis par le théorème 6, Card B = n, donc n = Card B 6 Card F = n.
Donc B = F et F est bien une base.
Exemple 18.
Pour quelles valeurs de t ∈ R les vecteurs (v1 , v2 , v3 ) suivants forment une base de R3 ?
1 1 1
v1 = 1 v2 = 3 v3 = 1
4 t t
• Nous avons une famille de 3 vecteurs dans l’espace R3 de dimension 3. Donc pour montrer que la famille
(v1 , v2 , v3 ) est une base, par le théorème 7, il suffit de montrer que la famille est libre ou bien de montrer
qu’elle est génératrice. Dans la pratique, il est souvent plus facile de vérifier qu’une famille est libre.
• À quelle condition la famille {v1 , v2 , v3 } est libre ? Soient λ1 , λ2 , λ3 ∈ R tels que λ1 v1 + λ2 v2 + λ3 v3 = 0.
Cela implique le système
λ1 + λ 2 + λ3 = 0
λ1 + 3λ2 + λ3 = 0 .
4λ1 + tλ2 + tλ3 = 0
DIMENSION FINIE 4. DIMENSION D’UN ESPACE VECTORIEL 58
Ce système est équivalent à :
λ1 + λ 2 + λ3 = 0 λ1 + λ 3 = 0
2λ2 = 0 ⇐⇒ λ2 = 0
(t − 4)λ2 + (t − 4)λ3 = 0 (t − 4)λ3 = 0
• Il est clair que si t =
6 4, alors la seule solution est (λ1 , λ2 , λ3 ) = (0, 0, 0) et donc {v1 , v2 , v3 } est une
famille libre. Si t = 4, alors par exemple (λ1 , λ2 , λ3 ) = (1, 0, −1) est une solution non nulle, donc la
famille n’est pas libre.
• Conclusion : si t = 6 4 la famille est libre, donc par le théorème 7 la famille (v1 , v2 , v3 ) est en plus
génératrice, donc c’est une base de R3 . Si t = 4, la famille n’est pas libre et n’est donc pas une base.
4.4. Preuve
Il nous reste la preuve du lemme 1. La démonstration est délicate et hors-programme.
Démonstration. La preuve de ce lemme se fait en raisonnant par récurrence.
On démontre par récurrence que, pour tout n > 1, la propriété suivante est vraie : « Dans un espace vectoriel
engendré par n vecteurs, toute famille ayant n + 1 éléments est liée. »
Initialisation. On vérifie que la propriété est vraie pour n = 1. Soit E un espace vectoriel engendré par un
vecteur noté g1 , et soit {v1 , v2 } une famille de E ayant deux éléments. Les vecteurs v1 et v2 peuvent s’écrire
comme combinaisons linéaires du vecteur g1 ; autrement dit, il existe des scalaires α1 , α2 tels que v1 = α1 g1
et v2 = α2 g1 , ce qui donne la relation : α2 v1 − α1 v2 = 0 E . En supposant v2 non nul (sinon il est évident que
{v1 , v2 } est liée), le scalaire α2 est donc non nul. On a trouvé une combinaison linéaire nulle des vecteurs
v1 , v2 , avec des coefficients non tous nuls. Donc la famille {v1 , v2 } est liée.
Hérédité. On démontre maintenant que si la propriété est vraie au rang n − 1 (n > 2), alors elle vraie au
rang n. Soit E un espace vectoriel engendré par n vecteurs notés g1 , g2 , . . . , g n , et soit {v1 , v2 , . . . , vn , vn+1 }
une famille de E ayant n + 1 éléments. Tout vecteur v j , pour j = 1, 2, . . . , n + 1, est combinaison linéaire de
j j j
g1 , g2 , . . . , g n , donc il existe des scalaires α1 , α2 , . . . , αn tels que :
j j
v j = α1 g1 + α2 g2 + · · · + αnj g n .
Remarque. On est contraint d’utiliser ici deux indices i, j pour les scalaires (attention ! j n’est pas un exposant)
car deux informations sont nécessaires : l’indice j indique qu’il s’agit de la décomposition du vecteur v j , et i
indique à quel vecteur de la famille génératrice est associé ce coefficient.
En particulier, pour j = n + 1, le vecteur vn+1 s’écrit :
vn+1 = α1n+1 g1 + α2n+1 g2 + · · · + αn+1
n gn.
Si vn+1 est nul, c’est terminé, la famille est liée ; sinon, vn+1 est non nul, et au moins un des coefficients
αn+1
j
est non nul. On suppose, pour alléger l’écriture, que αn+1 n est non nul (sinon il suffit de changer
l’ordre des vecteurs). On construit une nouvelle famille de n vecteurs de E de telle sorte que ces vecteurs
soient combinaisons linéaires de g1 , g2 , . . . , g n−1 , c’est-à-dire appartiennent au sous-espace engendré par
{g1 , g2 , . . . , g n−1 }. Pour j = 1, 2, . . . , n, on définit w j par :
n
X
j
wj = αn+1
n vj − αnj vn+1 = (αn+1 j n+1
n αk − αn αk )g k .
k=1
Le coefficient de g n est nul. Donc w j est bien combinaison linéaire de g1 , g2 , . . . , g n−1 . On a n vecteurs
qui appartiennent à un espace vectoriel engendré par n − 1 vecteurs ; on peut appliquer l’hypothèse de
récurrence : la famille {w1 , w2 , . . . , w n } est liée. Par conséquent, il existe des scalaires non tous nuls λ1 , λ2 ,
. . ., λn tels que
λ1 w1 + λ2 w2 + · · · + λn w n = 0.
DIMENSION FINIE 5. DIMENSION DES SOUS-ESPACES VECTORIELS 59
En remplaçant les w j par leur expression en fonction des vecteurs vi , on obtient :
1
αn+1 n+1 n+1 n
n λ1 v1 + αn λ2 v2 + · · · + αn λn vn − (λ1 αn + · · · + λn αn )vn+1 = 0 E
Le coefficient αn+1
n a été supposé non nul et au moins un des scalaires λ1 , λ2 , . . . , λn est non nul ; on a donc
une combinaison linéaire nulle des vecteurs v1 , v2 , . . . , vn , vn+1 avec des coefficients qui ne sont pas tous
nuls, ce qui prouve que ces vecteurs forment une famille liée.
Conclusion. La démonstration par récurrence est ainsi achevée.
Mini-exercices.
Dire si les assertions suivantes sont vraies ou fausses. Justifier votre réponse par un résultat du cours ou
un contre-exemple :
1. Une famille de p > n vecteurs dans un espace vectoriel de dimension n est génératrice.
2. Une famille de p > n vecteurs dans un espace vectoriel de dimension n est liée.
3. Une famille de p < n vecteurs dans un espace vectoriel de dimension n est libre.
4. Une famille génératrice de p 6 n vecteurs dans un espace vectoriel de dimension n est libre.
5. Une famille de p 6= n vecteurs dans un espace vectoriel de dimension n n’est pas une base.
5. Dimension des sous-espaces vectoriels
Tout sous-espace vectoriel F d’un K-espace vectoriel E étant lui même un K-espace vectoriel, la question est
de savoir s’il est de dimension finie ou s’il ne l’est pas.
Prenons l’exemple de l’espace vectoriel E = F (R, R) des fonctions de R dans R :
• il contient le sous-espace vectoriel F1 = Rn [X ] des (fonctions) polynômes de degré 6 n, qui est de
dimension finie ;
• et aussi le sous-espace vectoriel F2 = R[X ] de l’ensemble des (fonctions) polynômes, qui lui est de
dimension infinie.
5.1. Dimension d’un sous-espace vectoriel
Nous allons voir par contre que lorsque E est de dimension finie alors F aussi.
Théorème 8.
Soit E un K-espace vectoriel de dimension finie.
1. Alors tout sous-espace vectoriel F de E est de dimension finie ;
2. dim F 6 dim E ;
3. F = E ⇐⇒ dim F = dim E.
Démonstration.
• Soit E un espace vectoriel de dimension n et soit F un sous-espace vectoriel de E. Si F = {0} il n’y a rien
à montrer. On suppose donc F = 6 {0} et soit v un élément non nul de F . La famille {v} est une famille
libre de F , donc F contient des familles libres. Toute famille libre d’éléments de F étant une famille libre
d’éléments de E (voir la définition des familles libres), alors comme E est de dimension n, toutes les
familles libres de F ont au plus n éléments.
DIMENSION FINIE 5. DIMENSION DES SOUS-ESPACES VECTORIELS 60
• On considère l’ensemble K des entiers k tels qu’il existe une famille libre de F ayant k éléments :
¦ ©
K = k ∈ N | ∃{v1 , v2 , . . . , vk } ⊂ F et {v1 , v2 , . . . , vk } est une famille libre de F
Cet ensemble K est non vide (car 1 ∈ K) ; K est un sous-ensemble borné de N (puisque tout élément de
K est compris entre 1 et n) donc K admet un maximum. Notons p ce maximum et soit {v1 , v2 , . . . , vp }
une famille libre de F ayant p éléments.
• Montrons que {v1 , v2 , . . . , vp } est aussi génératrice de F . Par l’absurde, s’il existe w un élément de F qui
n’est pas dans Vect(v1 , . . . , vp ), alors la famille {v1 , . . . , vp , w} ne peut pas être libre (sinon p ne serait pas
le maximum de K). La famille {v1 , . . . , vp , w} est donc liée, mais alors la relation de dépendance linéaire
implique que w ∈ Vect(v1 , . . . , vp ), ce qui est une contradiction.
Conclusion : (v1 , . . . , vp ) est une famille libre et génératrice, donc est une base de F .
• On a ainsi démontré simultanément que :
— F est de dimension finie (puisque (v1 , v2 , . . . , vp ) est une base de F ).
— Ainsi dim F = p, donc dim F 6 dim E (puisque toute famille libre de F a au plus n éléments).
— De plus, lorsque p = n, le p-uplet (v1 , v2 , . . . , vp ), qui est une base de F , est aussi une base de E (car
{v1 , v2 , . . . , vp } est alors une famille libre de E ayant exactement n éléments, donc est une base de
E). Tout élément de E s’écrit comme une combinaison linéaire de v1 , v2 , . . . , vp , d’où E = F .
5.2. Exemples
Exemple 19.
Si E est un K-espace vectoriel de dimension 2, les sous-espaces vectoriels de E sont :
• soit de dimension 0 : c’est alors le sous-espace {0} ;
• soit de dimension 1 : ce sont les droites vectorielles, c’est-à-dire les sous-espaces Ku = Vect{u} engendrés
par les vecteurs non nuls u de E ;
• soit de dimension 2 : c’est alors l’espace E tout entier.
Vocabulaire. Plus généralement, dans un K-espace vectoriel E de dimension n (n > 2), tout sous-espace
vectoriel de E de dimension 1 est appelé droite vectorielle de E et tout sous-espace vectoriel de E de
dimension 2 est appelé plan vectoriel de E. Tout sous-espace vectoriel de E de dimension n − 1 est appelé
hyperplan de E. Pour n = 3, un hyperplan est un plan vectoriel ; pour n = 2, un hyperplan est une droite
vectorielle.
Le théorème 8 précédent permet de déduire le corollaire suivant :
Corollaire 2.
Soit E un K-espace vectoriel. Soient F et G deux sous-espaces vectoriels de E. On suppose que F est de
dimension finie et que G ⊂ F . Alors :
F = G ⇐⇒ dim F = dim G
Autrement dit, sachant qu’un sous-espace est inclus dans un autre, alors pour montrer qu’ils sont égaux il
suffit de montrer l’égalité des dimensions.
Exemple 20.
Deux droites vectorielles F et G sont soit égales, soit d’intersection réduite au vecteur nul.
Exemple 21.
Soient les sous-espaces vectoriels de R3 suivants :
x 1 2
F= y ∈ R3 | 2x − 3 y + z = 0 et G = Vect(u, v) où u = 1 et v = 1 .
z 1 −1
Est-ce que F = G ?
DIMENSION FINIE 5. DIMENSION DES SOUS-ESPACES VECTORIELS 61
1. On remarque que les vecteurs u et v ne sont pas colinéaires, donc G est de dimension 2, et de plus ils
appartiennent à F , donc G est contenu dans F .
2. Pour trouver la dimension de F , on pourrait déterminer une base de F et on montrerait alors que la
3
dimension de F est 2. Mais
1 il est plus judicieux ici de remarquer que F est contenu strictement dans R
(par exemple le vecteur 0 de R3 n’est pas dans F ), donc dim F < dim R3 = 3 ; mais puisque F contient
0
G alors dim F > dim G = 2, donc la dimension de F ne peut être que 2.
3. On a donc démontré que G ⊂ F et que dim G = dim F , ce qui entraîne G = F .
5.3. Théorème des quatre dimensions
Théorème 9 (Théorème des quatre dimensions).
Soient E un espace vectoriel de dimension finie et F, G des sous-espaces vectoriels de E. Alors :
dim(F + G) = dim F + dim G − dim(F ∩ G)
Corollaire 3.
Si E = F ⊕ G, alors dim E = dim F + dim G.
Exemple 22.
Dans un espace vectoriel E de dimension 6, on considère deux sous-espaces F et G avec dim F = 3 et
dim G = 4. Que peut-on dire de F ∩ G ? de F + G ? Peut-on avoir F ⊕ G = E ?
• F ∩ G est un sous-espace vectoriel inclus dans F , donc dim(F ∩ G) 6 dim F = 3. Donc les dimensions
possibles pour F ∩ G sont pour l’instant 0, 1, 2, 3.
• F +G est un sous-espace vectoriel contenant G et inclus dans E, donc 4 = dim G 6 dim(F +G) 6 dim E = 6.
Donc les dimensions possibles pour F + G sont 4, 5, 6.
• Le théorème 9 des quatre dimensions nous donne la relation : dim(F ∩G) = dim F +dim G −dim(F +G) =
3 + 4 − dim(F + G) = 7 − dim(F + G). Comme F + G est de dimension 4, 5 ou 6, alors la dimension de
F ∩ G est 3, 2 ou 1.
• Conclusion : les dimensions possibles pour F + G sont 4, 5 ou 6 ; les dimensions correspondantes pour
F ∩ G sont alors 3, 2 ou 1. Dans tous les cas, F ∩ G = 6 {0} et en particulier F et G ne sont jamais en
somme directe dans E.
La méthode de la preuve du théorème 9 des quatre dimensions implique aussi :
Corollaire 4.
Tout sous-espace vectoriel F d’un espace vectoriel E de dimension finie admet un supplémentaire.
Preuve du théorème 9.
• Notez l’analogie de la formule avec la formule pour les ensembles finis :
Card(A ∪ B) = Card A + Card B − Card(A ∩ B).
• Nous allons partir d’une base B F ∩G = {u1 , . . . , u p } de F ∩ G. On commence par compléter B F ∩G
en une base B F = {u1 , . . . , u p , vp+1 , . . . , vq } de F . On complète ensuite B F ∩G en une base BG =
{u1 , . . . , u p , w p+1 , . . . , w r } de G.
• Nous allons maintenant montrer que la famille
{u1 , . . . , u p , vp+1 , . . . , vq , w p+1 , . . . , w r }
est une base de F + G. Il est tout d’abord clair que c’est une famille génératrice de F + G (car B F est une
famille génératrice de F et BG est une famille génératrice de G).
DIMENSION FINIE 5. DIMENSION DES SOUS-ESPACES VECTORIELS 62
• Montrons que cette famille est libre. Soit une combinaison linéaire nulle :
Xp Xq r
X
αi ui + β j vj + γk w k = 0 (1)
i=1 j=p+1 k=p+1
Pp Pq Pr
On pose u = i=1 αi ui , v = j=p+1 β j v j , w = k=p+1 γk w k . Alors d’une part u + v ∈ F (car B F est une
base de F ) mais comme l’équation (1) équivaut à u + v + w = 0, alors u + v = −w ∈ G (car w ∈ G).
Pq
Maintenant u + v ∈ F ∩ G et aussi bien sûr u ∈ F ∩ G, donc v = j=p+1 β j v j ∈ F ∩ G. Cela implique
β j = 0 pour tout j (car les {v j } complètent la base de F ∩ G).
Pp Pr
La combinaison linéaire nulle (1) devient i=1 αi ui + k=p+1 γk w k = 0. Or BG est une base de G, donc
αi = 0 et γk = 0 pour tout i, k. Ainsi B F +G = {u1 , . . . , u p , vp+1 , . . . , vq , w p+1 , . . . , w r } est une base de
F + G.
• ne reste plus qu’à compter le nombre de vecteurs de chaque base : dim F ∩ G = Card B F ∩G = p,
Il
dim F = Card B F = q, dim G = Card BG = r, dim(F + G) = Card B F +G = q + r − p. Ce qui prouve bien
dim(F + G) = dim F + dim G − dim(F ∩ G).
Mini-exercices.
1 3 −7 6
1. Soient F = Vect 2 , −1 et G = Vect 7 , 5 . Montrer que F = G.
3 2 0 11
1 t 1
2. Dans R3 , on considère F = Vect t , 1 , G = Vect 1 . Calculer les dimensions de F, G, F ∩G, F +G
−1 1 1
en fonction de t ∈ R.
3. Dans un espace vectoriel de dimension 7, on considère des sous-espaces F et G vérifiant dim F = 3 et
dim G 6 2. Que peut-on dire pour dim(F ∩ G) ? Et pour dim(F + G) ?
4. Dans un espace vectoriel E de dimension finie, montrer l’équivalence entre : (i) F ⊕ G = E ; (ii)
F + G = E et dim F + dim G = dim E ; (iii) F ∩ G = {0E } et dim F + dim G = dim E. .
Chapitre
Matrices et
applications linéaires
4
Ce chapitre est l’aboutissement de toutes les notions d’algèbre linéaire vues jusqu’ici : espaces vectoriels,
dimension, applications linéaires, matrices. Nous allons voir que dans le cas des espaces vectoriels de
dimension finie, l’étude des applications linéaires se ramène à l’étude des matrices, ce qui facilite les calculs.
1. Rang d’une famille de vecteurs
Le rang d’une famille de vecteurs est la dimension du plus petit sous-espace vectoriel contenant tous ces
vecteurs.
1.1. Définition
Soient E un K-espace vectoriel et {v1 , . . . , vp } une famille finie de vecteurs de E. Le sous-espace vectoriel
Vect(v1 , . . . , vp ) engendré par {v1 , . . . , vp } étant de dimension finie, on peut donc donner la définition
suivante :
Définition 1 (Rang d’une famille finie de vecteurs).
Soit E un K-espace vectoriel et soit {v1 , . . . , vp } une famille finie de vecteurs de E. Le rang de la famille
{v1 , . . . , vp } est la dimension du sous-espace vectoriel Vect(v1 , . . . , vp ) engendré par les vecteurs v1 , . . . , vp .
Autrement dit :
rg(v1 , . . . , vp ) = dim Vect(v1 , . . . , vp )
Calculer le rang d’une famille de vecteurs n’est pas toujours évident, cependant il y a des inégalités qui
découlent directement de la définition.
Proposition 1.
Soient E un K-espace vectoriel et {v1 , . . . , vp } une famille de p vecteurs de E. Alors :
1. 0 6 rg(v1 , . . . , vp ) 6 p : le rang est inférieur ou égal au nombre d’éléments dans la famille.
2. Si E est de dimension finie alors rg(v1 , . . . , vp ) 6 dim E : le rang est inférieur ou égal à la dimension de
l’espace ambiant E.
MATRICES ET APPLICATIONS LINÉAIRES 1. RANG D’UNE FAMILLE DE VECTEURS 64
Remarque.
• Le rang d’une famille vaut 0 si et seulement si tous les vecteurs sont nuls.
• Le rang d’une famille {v1 , . . . , vp } vaut p si et seulement si la famille {v1 , . . . , vp } est libre.
Exemple 1.
Quel est le rang de la famille {v1 , v2 , v3 } suivante dans l’espace vectoriel R4 ?
1 0 −1
0 1 1
v1 =
1
v2 =
1
v3 =
0
0 1 1
• Ce sont des vecteurs de R4 donc rg(v1 , v2 , v3 ) 6 4.
• Mais comme il n’y a que 3 vecteurs alors rg(v1 , v2 , v3 ) 6 3.
• Le vecteur v1 est non nul donc rg(v1 , v2 , v3 ) > 1.
• Il est clair que v1 et v2 sont linéairement indépendants donc rg(v1 , v2 , v3 ) > rg(v1 , v2 ) = 2.
Il reste donc à déterminer si le rang vaut 2 ou 3. On cherche si la famille {v1 , v2 , v3 } est libre ou liée en
résolvant le système linéaire λ1 v1 + λ2 v2 + λ3 v3 = 0. On trouve v1 − v2 + v3 = 0. La famille est donc liée.
Ainsi Vect(v1 , v2 , v3 ) = Vect(v1 , v2 ), donc rg(v1 , v2 , v3 ) = dim Vect(v1 , v2 , v3 ) = 2.
1.2. Rang d’une matrice
Une matrice peut être vue comme une juxtaposition de vecteurs colonnes.
Définition 2.
On définit le rang d’une matrice comme étant le rang de ses vecteurs colonnes.
Exemple 2.
Le rang de la matrice
1 2 − 12 0
A= ∈ M2,4 (K)
2 4 −1 0
§ ª
− 12
est par définition le rang de la famille de vecteurs de K : v1 = 12 , v2 =
2 2
4 , v3 = , v4 = 0
0 . Tous
−1
ces vecteurs sont colinéaires à v1 , donc le rang de la famille {v1 , v2 , v3 , v4 } est 1 et ainsi rg A = 1.
Réciproquement, on se donne une famille de p vecteurs {v1 , . . . , vp } d’un espace vectoriel E de dimension
n. Fixons une base B = {e1 , . . . , en } de E. Chaque vecteur v j se décompose dans la base B : v j = a1 j e1 +
a1 j
.
..
· · · + ai j ei + · · · + an j en , ce que l’on note v j = i j
a . En juxtaposant ces vecteurs colonnes, on obtient une
..
.
an j B
matrice A ∈ Mn,p (K). Le rang de la famille {v1 , . . . , vp } est égal au rang de la matrice A.
Définition 3.
On dit qu’une matrice est échelonnée par rapport aux colonnes si le nombre de zéros commençant une
colonne croît strictement colonne après colonne, jusqu’à ce qu’il ne reste plus que des zéros. Autrement
dit, la matrice transposée est échelonnée par rapport aux lignes.
Voici un exemple d’une matrice échelonnée par colonnes ; les ∗ désignent des coefficients quelconques, les +
MATRICES ET APPLICATIONS LINÉAIRES 1. RANG D’UNE FAMILLE DE VECTEURS 65
des coefficients non nuls :
+ 0 0 0 0 0
∗ 0 0 0 0 0
∗ + 0 0 0 0
∗ ∗ + 0 0 0
∗ ∗ ∗ 0 0 0
∗ ∗ ∗ + 0 0
Le rang d’une matrice échelonnée est très simple à calculer.
Proposition 2.
Le rang d’une matrice échelonnée par colonnes est égal au nombre de colonnes non nulles.
Par exemple, dans la matrice échelonnée donnée en exemple ci-dessus, 4 colonnes sur 6 sont non nulles,
donc le rang de cette matrice est 4.
La preuve de cette proposition consiste à remarquer que les vecteurs colonnes non nuls sont linéairement
indépendants, ce qui au vu de la forme échelonnée de la matrice est facile.
1.3. Opérations conservant le rang
Proposition 3.
Le rang d’une matrice ayant les colonnes C1 , C2 , . . . , C p n’est pas modifié par les trois opérations élémentaires
suivantes sur les vecteurs :
1. Ci ← λCi avec λ 6= 0 : on peut multiplier une colonne par un scalaire non nul.
2. Ci ← Ci + λC j avec λ ∈ K (et j 6= i) : on peut ajouter à la colonne Ci un multiple d’une autre colonne C j .
3. Ci ↔ C j : on peut échanger deux colonnes.
Plus généralement, l’opération Ci ← Ci + i6= j λ j C j conserve le rang de la matrice.
P
On a même un résultat plus fort, comme vous le verrez dans la preuve : l’espace vectoriel engendré par les
vecteurs colonnes est conservé par ces opérations.
Démonstration. Le premier et troisième point de la proposition sont faciles.
Pour simplifier l’écriture de la démonstration du deuxième point, montrons que l’opération C1 ← C1 + λC2
ne change pas le rang. Notons vi le vecteur correspondant à la colonne Ci d’une matrice A. L’opération
sur les colonnes C1 ← C1 + λC2 change la matrice A en une matrice A0 dont les vecteurs colonnes sont :
v1 + λv2 , v2 , v3 , . . . , vp .
Il s’agit de montrer que les sous-espaces F = Vect(v1 , v2 , . . . , vp ) et G = Vect(v1 + λv2 , v2 , v3 , . . . , vp ) ont la
même dimension. Nous allons montrer qu’ils sont égaux !
• Tout générateur de G est une combinaison linéaire des vi , donc G ⊂ F .
• Pour montrer que F ⊂ G, il suffit de montrer v1 est combinaison linéaire des générateurs de G, ce qui
s’écrit : v1 = (v1 + λv2 ) − λv2 .
Conclusion : F = G et donc dim F = dim G.
Méthodologie. Comment calculer le rang d’une matrice ou d’un système de vecteurs ?
Il s’agit d’appliquer la méthode de Gauss sur les colonnes de la matrice A (considérée comme une juxtaposition
de vecteurs colonnes). Le principe de la méthode de Gauss affirme que par les opérations élémentaires
Ci ← λCi , Ci ← Ci + λC j , Ci ↔ C j , on transforme la matrice A en une matrice échelonnée par rapport aux
colonnes. Le rang de la matrice est alors le nombre de colonnes non nulles.
Remarque : la méthode de Gauss classique concerne les opérations sur les lignes et aboutit à une matrice
échelonnée par rapport aux lignes. Les opérations sur les colonnes de A correspondent aux opérations sur
les lignes de la matrice transposée AT .
MATRICES ET APPLICATIONS LINÉAIRES 1. RANG D’UNE FAMILLE DE VECTEURS 66
1.4. Exemples
Exemple 3.
Quel est le rang de la famille des 5 vecteurs suivants de R4 ?
1 −1 3 3 3
1 2 2 5 8
v1 =
1
v2 =
0
v3 =
−1
v4 =
0
v5 =
1
1 1 −3 −1 1
On est ramené à calculer le rang de la matrice :
1 −1 3 3 3
1 2 2 5 8
1 0 −1 0 1
1 1 −3 −1 1
En faisant les opérations C2 ← C2 + C1 , C3 ← C3 − 3C1 , C4 ← C4 − 3C1 , C5 ← C5 − 3C1 , on obtient des zéros
sur la première ligne à droite du premier pivot :
1 −1 3 3 3 1 0 0 0 0
1 2 2 5 8 1 3 −1 2 5
1 0 −1 0 1 ∼ 1 1 −4 −3 −2
1 1 −3 −1 1 1 2 −6 −4 −2
On échange C2 et C3 par l’opération C2 ↔ C3 pour avoir le coefficient −1 en position de pivot et ainsi éviter
d’introduire des fractions.
1 0 0 0 0 1 0 0 0 0
1 3 −1 2 5 ∼ 1 −1 3 2 5
1 1 −4 −3 −2 1 −4 1 −3 −2
1 2 −6 −4 −2 1 −6 2 −4 −2
En faisant les opérations C3 ← C3 + 3C2 , C4 ← C4 + 2C2 et C5 ← C5 + 5C2 , on obtient des zéros à droite de
ce deuxième pivot :
1 0 0 0 0 1 0 0 0 0
1 −1 3 2 5 1 −1 0 0 0
1 −4 1 −3 −2 ∼ 1
−4 −11 −11 −22
1 −6 2 −4 −2 1 −6 −16 −16 −32
Enfin, en faisant les opérations C4 ← C4 − C3 et C5 ← C5 − 2C3 , on obtient une matrice échelonnée par
colonnes :
1 0 0 0 0 1 0 0 0 0
1 −1 0 0 0 1 −1 0 0 0
1 −4 −11 −11 −22 ∼ 1 −4 −11 0
0
1 −6 −16 −16 −32 1 −6 −16 0 0
Il y a 3 colonnes non nulles : on en déduit que le rang de la famille de vecteurs {v1 , v2 , v3 , v4 , v5 } est 3.
En fait, nous avons même démontré que
1 0 0
−1
Vect(v1 , v2 , v3 , v4 , v5 ) = Vect 1
1 , −4 , −11
0
.
1 −6 −16
Exemple 4.
Considérons les trois vecteurs suivants dans R5 : v1 = (1, 2, 1, 2, 0), v2 = (1, 0, 1, 4, 4) et v3 = (1, 1, 1, 0, 0).
Montrons que la famille {v1 , v2 , v3 } est libre dans R5 . Pour cela, calculons le rang de cette famille de vecteurs
MATRICES ET APPLICATIONS LINÉAIRES 1. RANG D’UNE FAMILLE DE VECTEURS 67
ou, ce qui revient au même, celui de la matrice suivante :
1 1 1
2 0 1
1 1 1 .
2 4 0
0 4 0
Par des opérations élémentaires sur les colonnes, on obtient :
1 1 1 1 0 0 1 0 0 1 0 0
2 0 1 2 −2 −1 2 −1 −1 2 −1 0
1 1 1 ∼ 1 0 0 ∼ 1 0 0 ∼ 1 0 0
2 4 0 2 2 −2 2 1 −2 2 1 −3
0 4 0 0 4 0 0 2 0 0 2 −2
Comme la dernière matrice est échelonnée par colonnes et que ses 3 colonnes sont non nulles, on en déduit
que la famille {v1 , v2 , v3 } constituée de 3 vecteurs est de rang 3, et donc qu’elle est libre dans R5 .
Exemple 5.
Considérons les quatre vecteurs suivants dans R3 : v1 = (1, 2, 3) , v2 = (2, 0, 6), v3 = (3, 2, 1) et v4 =
(−1, 2, 2). Montrons que la famille {v1 , v2 , v3 , v4 } engendre R3 . Pour cela, calculons le rang de cette famille
de vecteurs ou, ce qui revient au même, celui de la matrice suivante :
1 2 3 −1
2 0 2 2 .
3 6 1 2
Par des opérations élémentaires sur les colonnes, on obtient :
1 2 3 −1 1 0 0 0 1 0 0 0 1 0 0 0
2 0 2 2 ∼ 2 −4 −4 4 ∼ 2 −4 0 0 ∼ 2 −4 0 0
3 6 1 2 3 0 −8 5 3 0 −8 5 3 0 −8 0
La famille {v1 , v2 , v3 , v4 } est donc de rang 3. Cela signifie que Vect(v1 , v2 , v3 , v4 ) est un sous-espace vectoriel
de dimension 3 de R3 . On a donc Vect(v1 , v2 , v3 , v4 ) = R3 . Autrement dit, la famille {v1 , v2 , v3 , v4 } engendre
R3 .
1.5. Rang et matrice inversible
Nous anticipons sur la suite, pour énoncer un résultat important :
Théorème 1 (Matrice inversible et rang).
Une matrice carrée de taille n est inversible si et seulement si elle est de rang n.
La preuve repose sur plusieurs résultats qui seront vus au fil de ce chapitre.
Démonstration. Soit A une matrice carrée d’ordre n. Soit f l’endomorphisme de Kn dont la matrice dans la
base canonique est A. On a les équivalences suivantes :
A de rang n ⇐⇒ f de rang n
⇐⇒ f surjective
⇐⇒ f bijective
⇐⇒ A inversible.
Nous avons utilisé le fait qu’un endomorphisme d’un espace vectoriel de dimension finie est bijectif si et
seulement s’il est surjectif et le théorème sur la caractérisation de la matrice d’un isomorphisme.
MATRICES ET APPLICATIONS LINÉAIRES 2. APPLICATIONS LINÉAIRES EN DIMENSION FINIE 68
1.6. Rang engendré par les vecteurs lignes
On a considéré jusqu’ici une matrice A ∈ Mn,p (K) comme une juxtaposition de vecteurs colonnes (v1 , . . . , vp )
et défini rg A = dim Vect(v1 , . . . , vp ). Considérons maintenant que A est aussi une superposition de vecteurs
lignes (w1 , . . . , w n ).
Proposition 4.
rg A = dim Vect(w1 , . . . , w n )
Nous admettrons ce résultat. Autrement dit : l’espace vectoriel engendré par les vecteurs colonnes et l’espace
vectoriel engendré par les vecteurs lignes sont de même dimension.
Une formulation plus théorique est que le rang d’une matrice égale le rang de sa transposée :
rg A = rg AT
Attention ! Les dimensions dim Vect(v1 , . . . , vp ) et dim Vect(w1 , . . . , w n ) sont égales, mais les espaces vectoriels
Vect(v1 , . . . , vp ) et Vect(w1 , . . . , w n ) ne sont pas les mêmes.
Mini-exercices.
1 3 0 2
1. Quel est le rang de la famille de vecteurs 2 , 4 , −2 , 2 ?
1 2 −1 1
1 t 1
Même question pour t , 1 , 1 en fonction du paramètre t ∈ R.
1 t t
1 2 −4 −2 −1
2. Mettre sous forme échelonnée par rapport aux colonnes la matrice 0 −2 4 2 0 . Calculer
1 1 −2 −1 1
1 7 2 5
−2 1 1 5
son rang. Idem avec −1 2 1 4.
1 4 1 2
2 4 −5 −7
3. Calculer le rang de −1 3 1 2 en fonction de a et b.
1 a −2 b
2. Applications linéaires en dimension finie
Lorsque f : E → F est une application linéaire et que E est de dimension finie, la théorie de la dimension
fournit de nouvelles propriétés très riches pour l’application linéaire f .
2.1. Construction et caractérisation
Une application linéaire f : E → F , d’un espace vectoriel de dimension finie dans un espace vectoriel
quelconque, est entièrement déterminée par les images des vecteurs d’une base de l’espace vectoriel E de
départ. C’est ce qu’affirme le théorème suivant :
Théorème 2 (Construction d’une application linéaire).
Soient E et F deux espaces vectoriels sur un même corps K. On suppose que l’espace vectoriel E est de
dimension finie n et que (e1 , . . . , en ) est une base de E. Alors pour tout choix (v1 , . . . , vn ) de n vecteurs de F ,
MATRICES ET APPLICATIONS LINÉAIRES 2. APPLICATIONS LINÉAIRES EN DIMENSION FINIE 69
il existe une et une seule application linéaire f : E → F telle que, pour tout i = 1, . . . , n :
f (ei ) = vi .
Le théorème ne fait aucune hypothèse sur la dimension de l’espace vectoriel d’arrivée F .
Exemple 6.
Il existe une unique application linéaire f : Rn → R[X ] telle que f (ei ) = (X + 1)i pour i = 1, . . . , n (où
(e1 , . . . , en ) est la base canonique de Rn ).
Pour un vecteur x = (x 1 , . . . , x n ), on a
n
X
f (x 1 , . . . , x n ) = f (x 1 e1 + · · · + x n en ) = x 1 f (e1 ) + · · · + x n f (en ) = x i (X + 1)i .
i=1
Démonstration.
• Unicité. Supposons qu’il existe une application linéaire f : E → F telle que f P (ei ) = vi , pour tout
n
i = 1, . . . , n. Pour x ∈ E, il existe des scalaires x 1 , x 2 , . . . , x n uniques tels que x = i=1 x i ei . Comme f
est linéaire, on a
n n n
X X X
f (x) = f x i ei = x i f (ei ) = x i vi . (∗)
i=1 i=1 i=1
Donc, si elle existe, f est unique.
• Existence. Nous venons de voir que s’il existe une solution c’est nécessairement l’application définie par
l’équation (∗). Montrons qu’une application définie par l’équation (∗) est linéaire et vérifie f (ei ) = vi . Si
(x 1 , . . . , x n ) (resp. y = ( y1 , . . . , yn )) sont les coordonnées de x (resp. y) dans la base (e1 , . . . , en ), alors
n n
X X
(λx + µ y) = f (λx i + µ yi )ei = (λx i + µ yi ) f (ei )
i=1 i=1
n
X n
X
= λ x i f (ei ) + µ yi f (ei ) = λ f (x) + µ f ( y).
i=1 i=1
Enfin les coordonnées de ei sont (0, . . . , 0, 1, 0, . . . , 0) (avec un 1 en i-ème position), donc f (ei ) = 1·vi = vi .
Ce qui termine la preuve du théorème.
2.2. Rang d’une application linéaire
Soient E et F deux K-espaces vectoriels et soit f : E → F une application linéaire. On rappelle que l’on note
f (E) par Im f , c’est-à-dire Im f = f (x)|x ∈ E . Im f est un sous-espace vectoriel de F .
Proposition 5.
Si E est de dimension finie, alors :
• Im f = f (E) est un espace vectoriel de dimension finie.
• Si (e1 , . . . , en ) est une base de E, alors Im f = Vect f (e1 ), . . . , f (en ) .
La dimension de cet espace vectoriel Im f est appelée rang de f :
rg( f ) = dim Im f = dim Vect f (e1 ), . . . , f (en )
Démonstration. Il suffit de démontrer que tout élément de Im f est combinaison linéaire des vecteurs
f (e1 ), . . . , f (en ).
Soit y un élément quelconque de Im f . Il existe donc un élément x de E tel que y = f (x). Comme (e1 , . . . , en )
n
X
est une base de E, il existe des scalaires (x 1 , . . . , x n ) tels que x = x i ei . En utilisant la linéarité de f , on
i=1
MATRICES ET APPLICATIONS LINÉAIRES 2. APPLICATIONS LINÉAIRES EN DIMENSION FINIE 70
n
X
en déduit que y = f (x) = x i f (ei ), ce qui achève la démonstration.
i=1
Le rang est plus petit que la dimension de E et aussi plus petit que la dimension de F , si F est de dimension
finie :
Proposition 6.
Soient E et F deux K-espaces vectoriels de dimension finie et f : E → F une application linéaire. On a
rg( f ) 6 min (dim E, dim F ) .
Exemple 7.
Soit f : R3 → R2 l’application linéaire définie par f (x, y, z) = (3x − 4 y + 2z, 2x − 3 y − z). Quel est le rang
de f ? 1 0 0
Si on note e1 = 0 , e2 = 1 et e3 = 0 , alors (e1 , e2 , e3 ) est la base canonique de R3 .
0 0 1
Il s’agit de trouver le rang de la famille {v1 , v2 , v3 } :
1 0 0
v1 = f (e1 ) = f 0 = 32 , v2 = f (e2 ) = f 1 = −4 −3 , v3 = f (e 3 ) = f 0 = −1
2
0 0 1
ou, ce qui revient au même, trouver le rang de la matrice
3 −4 2
A= .
2 −3 −1
Commençons par estimer le rang sans faire de calculs.
• Nous avons une famille de 3 vecteurs donc rg f 6 3.
• Mais en fait les vecteurs v1 , v2 , v3 vivent dans un espace de dimension 2 donc rg f 6 2.
• f n’est pas l’application linéaire nulle (autrement dit v1 , v2 , v3 ne sont pas tous nuls) donc rg f > 1.
Donc le rang de f vaut 1 ou 2. Il est facile de voir que v1 et v2 sont linéairement indépendants, donc le rang
est 2 :
rg f = rg f (e1 ), f (e2 ), f (e3 ) = dim Vect(v1 , v2 , v3 ) = 2
Remarque : il est encore plus facile de voir que le rang de la matrice A est 2 en remarquant que ses deux
seules lignes ne sont pas colinéaires.
2.3. Théorème du rang
Le théorème du rang est un résultat fondamental dans la théorie des applications linéaires en dimension
finie.
On se place toujours dans la même situation :
• f : E → F est une application linéaire entre deux K-espaces vectoriels,
• E est un espace vectoriel de
dimension finie,
• le noyau de f est Ker f = x ∈ E | f (x) = 0 F ; c’est un sous-espace vectoriel de E, donc Ker f est de
dimension finie,
• l’image de f est Im f = f (E) = f (x) | x ∈ E ; c’est un sous-espace vectoriel de F et est de dimension
finie.
Le théorème du rang donne une relation entre la dimension du noyau et la dimension de l’image de f .
Théorème 3 (Théorème du rang).
Soit f : E → F une application linéaire entre deux K-espaces vectoriels, E étant de dimension finie. Alors
dim E = dim Ker f + dim Im f
Autrement dit : dim E = dim Ker f + rg f
Dans la pratique, cette formule sert à déterminer la dimension du noyau connaissant le rang, ou bien le
rang connaissant la dimension du noyau.
MATRICES ET APPLICATIONS LINÉAIRES 2. APPLICATIONS LINÉAIRES EN DIMENSION FINIE 71
Exemple 8.
Soit l’application linéaire
f : R4 −→ R3
(x 1 , x 2 , x 3 , x 4 ) 7−→ (x 1 − x 2 + x 3 , 2x 1 + 2x 2 + 6x 3 + 4x 4 , −x 1 − 2x 3 − x 4 )
Calculons le rang de f et la dimension du noyau de f .
• Première méthode. On calcule d’abord le noyau :
(x 1 , x 2 , x 3 , x 4 ) ∈ Ker f ⇐⇒ f (x 1 , x 2 , x 3 , x 4 ) = (0, 0, 0)
x1 − x2 + x3 = 0
⇐⇒ 2x 1 + 2x 2 + 6x 3 + 4x 4 = 0
−x 1 − 2x 3 − x 4 = 0
On résout ce système et on trouve qu’il est équivalent à
x1 − x2 + x3 = 0
x2 + x3 + x4 = 0
On choisit x 3 et x 4 comme paramètres et on trouve :
§ ª
Ker f = (−2x 3 − x 4 , −x 3 − x 4 , x 3 , x 4 ) | x 3 , x 4 ∈ R
§ −2 −1 ª
= x3 1 + x4 0 | x3, x4 ∈ R
−1 −1
0 1
−2 −1
= Vect −1
1 , −10
0 1
Les deux vecteurs définissant le noyau sont linéairement indépendants, donc dim Ker f = 2.
On applique maintenant le théorème du rang pour en déduire sans calculs la dimension de l’image :
dim Im f = dim R4 − dim Ker f = 4 − 2 = 2. Donc le rang de f est 2.
• Deuxième méthode. On calcule d’abord l’image. On note (e1 , e2 , e3 , e4 ) la base canonique de R4 . Calcu-
lons vi = f (ei ) :
1 0
1 −1
v1 = f (e1 ) = f 00 = 2 v2 = f (e2 ) = f 10 = 2
0 −1 0 0
0 0
1 0
v3 = f (e3 ) = f 0
1 = 6 v4 = f (e4 ) = f 0
0 = 4
0 −2 1 −1
On réduit la matrice A, formée des vecteurs colonnes, sous une forme échelonnée :
1 −1 1 0 1 0 0 0
A= 2 2 6 4 ∼ 2 4 0 0
−1 0 −2 −1 −1 −1 0 0
Donc le rang de A est 2, ainsi
rg f = dim Im f = dim Vect f (e1 ), f (e2 ), f (e3 ), f (e4 ) = 2
Maintenant, par le théorème du rang, dim Ker f = dim R4 − rg f = 4 − 2 = 2.
On trouve bien sûr le même résultat par les deux méthodes.
Exemple 9.
Soit l’application linéaire
f : Rn [X ] −→ Rn [X ]
P(X ) 7−→ P 00 (X )
où P 00 (X ) est la dérivée seconde de P(X ). Quel est le rang et la dimension du noyau de f ?
MATRICES ET APPLICATIONS LINÉAIRES 2. APPLICATIONS LINÉAIRES EN DIMENSION FINIE 72
• Première méthode. On calcule d’abord le noyau :
P(X ) ∈ Ker f ⇐⇒ f P(X ) = 0
⇐⇒ P 00 (X ) = 0
⇐⇒ P 0 (X ) = a
⇐⇒ P(X ) = aX + b
où a, b ∈ R sont des constantes. Cela prouve que Ker f est engendré par les deux polynômes : 1 (le
polynôme constant) et X . Ainsi Ker f = Vect(1, X ). Donc dim Ker f = 2. Par le théorème du rang,
rg f = dim Im f = dim Rn [X ] − dim Ker f = (n + 1) − 2 = n − 1.
• Deuxième méthode. On calcule d’abord l’image : (1, X , X 2 , . . . , X n ) est une base de l’espace de départ
Rn [X ], donc
rg f = dim Im f = dim Vect f (1), f (X ), . . . , f (X n ) .
Tout d’abord, f (1) = 0 et f (X ) = 0. Pour k > 2, f (X k ) = k(k − 1)X k−2 . Comme les degrés sont
échelonnés, il est clair que f (X 2 ), f (X 3 ), . . . , f (X n ) = 2, 6X , 12X 2 , . . . , n(n − 1)X n−2 engendre un
espace de dimension n − 1, donc rg f = n − 1. Par le théorème du rang, dim Ker f = dim Rn [X ] − rg f =
(n + 1) − (n − 1) = 2.
Preuve du théorème du rang.
• Premier cas : f est injective.
En désignant par (e1 , . . . , en ) une base de E, nous avons vu que la famille à n éléments f (e1 ), . . . , f (en )
est une famille libre de F (car f est injective), donc une famille libre de Im f . De plus, f (e1 ), . . . , f (en )
est une partie génératrice de Im f . Donc ( f (e1 ), . . . , f (en )) est une base de Im f . Ainsi dim Im f = n, et
comme f est injective, dim Ker f = 0, et ainsi le théorème du rang est vrai.
• Deuxième cas : f n’est pas injective.
Dans ce cas le noyau de f est un sous-espace de E de dimension p avec 1 6 p 6 n. Soit (ε1 , . . . , ε p ) une
base de Ker f . D’après le théorème de la base incomplète, il existe n − p vecteurs ε p+1 , . . . , εn de E tels
que (ε1 , ε2 , . . . , εn ) soit une base de E.
Alors Im f est engendrée par les vecteurs f (ε1 ), f (ε2 ), . . . , f (εn ). Mais, comme pour tout i vérifiant
1 6 i 6 p on a f (εi ) = 0, Im f est engendrée par les vecteurs f (ε p+1 ), . . . , f (εn ).
Montrons que ces vecteurs forment une famille libre. Soient α p+1 , . . . , αn des scalaires tels que
α p+1 f (ε p+1 ) + · · · + αn f (εn ) = 0.
Puisque f est une application linéaire, cette égalité équivaut à l’égalité f α p+1 ε p+1 + · · · + αn εn = 0,
qui prouve que le vecteur α p+1 ε p+1 + · · · + αn εn appartient au noyau de f . Il existe donc des scalaires
λ1 , . . . , λ p tels que
α p+1 ε p+1 + · · · + αn εn = λ1 ε1 + · · · + λ p ε p .
Comme (ε1 , ε2 , . . . , εn ) est une base de E, les vecteurs ε1 , ε2 , . . . , εn sont linéairement indépendants
et par conséquent pour tout i = 1, . . . , p, λi = 0, et pour tout i = p + 1, . . . , n, αi = 0. Les vecteurs
f (ε p+1 ), . . . , f (εn ) définissent donc bien une base de Im f . Ainsi le sous-espace vectoriel Im f est de
dimension n − p, ce qui achève la démonstration.
On remarquera le rôle essentiel joué par le théorème de la base incomplète dans cette démonstration.
2.4. Application linéaire entre deux espaces de même dimension
Rappelons qu’un isomorphisme est une application linéaire bijective. Un isomorphisme implique que les
espaces vectoriels de départ et d’arrivée ont la même dimension. La bijection réciproque est aussi une
application linéaire.
MATRICES ET APPLICATIONS LINÉAIRES 2. APPLICATIONS LINÉAIRES EN DIMENSION FINIE 73
Proposition 7.
Soit f : E → F un isomorphisme d’espaces vectoriels. Si E (respectivement F ) est de dimension finie, alors F
(respectivement E) est aussi de dimension finie et on a dim E = dim F .
Démonstration. Si E est de dimension finie, alors comme f est surjective, F = Im f , donc F est engendré
par l’image d’une base de E. On a donc F de dimension finie et dim F 6 dim E. De même f −1 : F → E est
un isomorphisme, donc f −1 (F ) = E, ce qui prouve cette fois dim E 6 dim F .
Si c’est F qui est de dimension finie, on fait le même raisonnement avec f −1 .
Nous allons démontrer une sorte de réciproque, qui est extrêmement utile.
Théorème 4.
Soit f : E → F une application linéaire avec E et F de dimension finie.
Supposons dim E = dim F . Alors les assertions suivantes sont équivalentes :
(i) f est bijective
(ii) f est injective
(iii) f est surjective
Autrement dit, dans le cas d’une application linéaire entre deux espaces de même dimension, pour démontrer
qu’elle est bijective, il suffit de démontrer l’une des deux propriétés : injectivité ou surjectivité.
Démonstration. C’est immédiat à partir du théorème du rang. En effet, la propriété f injective équivaut à
Ker f = {0}, donc d’après le théorème du rang, f est injective si et seulement si dim Im f = dim E. D’après
l’hypothèse sur l’égalité des dimensions de E et de F , ceci équivaut à dim Im f = dim F . Cela équivaut donc
à Im f = F , c’est-à-dire f est surjective.
Exemple 10.
Soit f : R2 → R2 définie par f (x, y) = (x − y, x + y). Une façon simple de montrer que l’application linéaire
f est bijective est de remarquer que l’espace de départ et l’espace d’arrivée ont même dimension. Ensuite
on calcule le noyau :
(x, y) ∈ Ker f ⇐⇒ f (x, y) = 0 ⇐⇒ (x − y, x + y) = (0, 0)
x+y = 0
⇐⇒ ⇐⇒ (x, y) = (0, 0)
x−y = 0
Ainsi Ker f = (0, 0) est réduit au vecteur nul, ce qui prouve que f est injective et donc, par le théorème 4,
que f est un isomorphisme.
Exemple 11.
On termine par la justification que si une matrice admet un inverse à droite, alors c’est aussi un inverse à
gauche. La preuve se fait en deux temps : (1) l’existence d’un inverse à gauche ; (2) l’égalité des inverses.
Soit A ∈ Mn (K) une matrice admettant un inverse à droite, c’est-à-dire il existe B ∈ Mn (K) tel que AB = I.
1. Soit f : Mn (K) → Mn (K) définie par f (M ) = M A.
(a) f est une application linéaire, car f (λM + µN ) = (λM + µN )A = λ f (M ) + µ f (N ).
(b) f est injective : en effet supposons f (M ) = O (où O est la matrice nulle), cela donne M A = O. On
multiplie cette égalité par B à droite, ainsi M AB = OB, donc M I = O, donc M = O.
(c) Par le théorème 4, f est donc aussi surjective.
(d) Comme f est surjective, alors en particulier l’identité est dans l’image de f . C’est-à-dire il existe
C ∈ Mn (K) tel que f (C) = I. Ce qui est exactement dire que C est un inverse à gauche de A : CA = I.
MATRICES ET APPLICATIONS LINÉAIRES 3. MATRICE D’UNE APPLICATION LINÉAIRE 74
2. Nous avons AB = I et CA = I. Montrons B = C. Calculons CAB de deux façons :
(CA)B = I B = B et C(AB) = C I = C
donc B = C.
Mini-exercices.
1. Soit (e1 , e2 , e3 ) la base canonique de R3 . Donner l’expression de f (x, y, z) où f : R3 → R3 est
l’application linéaire qui envoie e1 sur son opposé, qui envoie e2 sur le vecteur nul et qui envoie e3 sur
la somme des trois vecteurs e1 , e2 , e3 .
2. Soit f : R3 → R2 définie par f (x, y, z) = (x − 2 y − 3z, 2 y + 3z). Calculer une base du noyau de f ,
une base de l’image de f et vérifier le théorème du rang.
3. Même question avec f : R3 → R3 définie par f (x, y, z) = (− y + z, x + z, x + y).
4. Lorsque c’est possible, calculer la dimension du noyau, le rang et dire si f peut être injective, surjective,
bijective :
• Une application linéaire surjective f : R7 → R4 .
• Une application linéaire injective f : R5 → R8 .
• Une application linéaire surjective f : R4 → R4 .
• Une application linéaire injective f : R6 → R6 .
3. Matrice d’une application linéaire
Nous allons voir qu’il existe un lien étroit entre les matrices et les applications linéaires. À une matrice on
associe naturellement une application linéaire. Et réciproquement, étant donné une application linéaire, et
des bases pour les espaces vectoriels de départ et d’arrivée, on associe une matrice.
Dans cette section, tous les espaces vectoriels sont de dimension finie.
3.1. Matrice associée à une application linéaire
Soient E et F deux K-espaces vectoriels de dimension finie. Soient p la dimension de E et B = (e1 , . . . , e p )
une base de E. Soient n la dimension de F et B 0 = ( f1 , . . . , f n ) une base de F . Soit enfin f : E → F une
application linéaire.
Les propriétés des applications linéaires entre deux espaces de dimension finie permettent d’affirmer que :
• l’application linéaire f est déterminée de façon unique par l’image d’une base de E, donc par les vecteurs
f (e1 ), f (e2 ), . . . , f (e p ).
• Pour j ∈ {1, . . . , p}, f (e j ) est un vecteur de F et s’écrit de manière unique comme combinaison linéaire
des vecteurs de la base B 0 = ( f1 , f2 , . . . , f n ) de F .
Il existe donc n scalaires uniques a1, j , a2, j , . . . , an, j (parfois aussi notés a1 j , a2 j , . . . , an j ) tels que
a1, j
a
2, j
f (e j ) = a1, j f1 + a2, j f2 + · · · + an, j f n = . .
..
an, j B0
Ainsi, l’application linéaire f est entièrement déterminée par les coefficients (ai, j )(i, j)∈{1,...,n}×{1,...,p} . Il est
donc naturel d’introduire la définition suivante :
MATRICES ET APPLICATIONS LINÉAIRES 3. MATRICE D’UNE APPLICATION LINÉAIRE 75
Définition 4.
La matrice de l’application linéaire f par rapport aux bases B et B 0 est la matrice (ai, j ) ∈ Mn,p (K) dont
la j-ème colonne est constituée par les coordonnées du vecteur f (e j ) dans la base B 0 = ( f1 , f2 , . . . , f n ) :
f (e1 ) . . . f (e j ) . . . f (e p )
f1 a11 a1 j ... a1p
f2 a21
a2 j ... a2p
.. .. .. .. ..
. . . . .
fn an1 an j ... anp
En termes plus simples : c’est la matrice dont les vecteurs colonnes sont l’image par f des vecteurs de la
base de départ B, exprimée dans la base d’arrivée B 0 . On note cette matrice MatB,B 0 ( f ).
Remarque.
• La taille de la matrice MatB,B 0 ( f ) dépend uniquement de la dimension de E et de celle de F .
• Par contre, les coefficients de la matrice dépendent du choix de la base B de E et de la base B 0 de F .
Exemple 12.
Soit f l’application linéaire de R3 dans R2 définie par
f : R3 −→ R2
(x 1 , x 2 , x 3 ) 7−→ (x 1 + x 2 − x 3 , x 1 − 2x 2 + 3x 3 )
Il est
xutile
d’identifier vecteurs lignes et vecteurs colonnes ; ainsi f peut être vue comme l’application
1 x 1 +x 2 −x 3
f : x 2 7→ x 1 −2x
x
2 +3x 3
.
3
Soient B = (e1 , e2 , e3 ) la base canonique de R3 et B 0 = ( f1 , f2 ) la base canonique de R2 . C’est-à-dire :
1 0 0
1 0
e1 = 0 e2 = 1 e3 = 0 f1 = f2 =
0 1
0 0 1
1. Quelle est la matrice de f dans les bases B et B 0 ?
• On a f (e1 ) = f (1, 0, 0) = (1, 1) = f1 + f2 . La première colonne de la matrice MatB,B 0 ( f ) est donc
1
1 .
• De mêmef (e2 ) = f (0, 1, 0) = (1, −2) = f1 − 2 f2 . La deuxième colonne de la matrice MatB,B 0 ( f ) est
1
donc −2 .
• Enfin f (e ) = f (0, 0, 1) = (−1, 3) = − f1 + 3 f2 . La troisième colonne de la matrice MatB,B 0 ( f ) est
3
−1
donc 3 .
Ainsi :
1 1 −1
MatB,B 0 ( f ) =
1 −2 3
2. On va maintenant changer la base de l’espace de départ et celle de l’espace d’arrivée. Soient les vecteurs
1 1 0
1 1
ε1 = 1
ε2 = 0
ε3 = 1
φ1 = φ2 =
0 1
0 1 1
On montre facilement que B0 = (ε1 , ε2 , ε3 ) est une base de R3 et B00 = (φ1 , φ2 ) est une base de R2 .
Quelle est la matrice de f dans les bases B0 et B00 ?
f (ε1 ) = f (1, 1, 0) = (2, −1) = 3φ1 − φ2 , f (ε2 ) = f (1, 0, 1) = (0, 4) = −4φ1 + 4φ2 , f (ε3 ) = f (0, 1, 1) =
(0, 1) = −φ1 + φ2 , donc
3 −4 −1
MatB0 ,B00 ( f ) = .
−1 4 1
Cet exemple illustre bien le fait que la matrice dépend du choix des bases.
MATRICES ET APPLICATIONS LINÉAIRES 3. MATRICE D’UNE APPLICATION LINÉAIRE 76
3.2. Opérations sur les applications linéaires et les matrices
Proposition 8.
Soient f , g : E → F deux applications linéaires et soient B une base de E et B 0 une base de F . Alors :
• MatB,B 0 ( f + g) = MatB,B 0 ( f ) + MatB,B 0 (g)
• MatB,B 0 (λ f ) = λ MatB,B 0 ( f )
Autrement dit, si on note :
A = MatB,B 0 ( f ) B = MatB,B 0 (g) C = MatB,B 0 ( f + g) D = MatB,B 0 (λ f )
Alors :
C = A+ B D = λA
Autrement dit : la matrice associée à la somme de deux applications linéaires est la somme des matrices (à
condition de considérer la même base sur l’espace de départ pour les deux applications et la même base sur
l’espace d’arrivée). Idem avec le produit par un scalaire.
Le plus important sera la composition des applications linéaires.
Proposition 9.
Soient f : E → F et g : F → G deux applications linéaires et soient B une base de E, B 0 une base de F et
B 00 une base de G. Alors :
MatB,B 00 (g ◦ f ) = MatB 0 ,B 00 (g) × MatB,B 0 ( f )
Autrement dit, si on note :
A = MatB,B 0 ( f ) B = MatB 0 ,B 00 (g) C = MatB,B 00 (g ◦ f )
Alors
C = B×A
Autrement dit, à condition de bien choisir les bases, la matrice associée à la composition de deux applications
linéaires est le produit des matrices associées à chacune d’elles, dans le même ordre.
En fait, le produit de matrices, qui semble compliqué au premier abord, est défini afin de correspondre à la
composition des applications linéaires.
Démonstration. Posons p = dim(E) et B = (e1 , . . . , e p ) une base de E ; n = dim F et B 0 = ( f1 , . . . , f n ) une
base de F ; q = dim G et B 00 = (g1 , . . . , gq ) une base de G. Écrivons A = MatB,B 0 ( f ) = (ai j ) ∈ Mn,p (K) la
matrice de f , B = MatB 0 ,B 00 (g) = (bi j ) ∈ Mq,n (K) la matrice de g, C = MatB,B 00 (g ◦ f ) = (ci j ) ∈ Mq,p (K) la
matrice de g ◦ f .
On a
(g ◦ f )(e1 ) = g f (e1 )
= g(a11 f1 + · · · + an1 f n )
= a11 g( f1 ) + · · · + an1 g( f n)
= a11 b11 g1 + · · · + bq1 gq + · · · + an1 b1n g1 + · · · + bqn gq
Ainsi, la première colonne de C = MatB,B 00 (g ◦ f ) est
a11 b11 + · · · + an1 b1n
a b + ··· + a b
11 21 n1 2n
.
..
.
a11 bq1 + · · · + an1 bqn
MATRICES ET APPLICATIONS LINÉAIRES 3. MATRICE D’UNE APPLICATION LINÉAIRE 77
Mais ceci est aussi la première colonne de la matrice BA. En faisant la même chose avec les autres colonnes,
on remarque que C = MatB,B 00 (g ◦ f ) et BA sont deux matrices ayant leurs colonnes égales. On a donc bien
l’égalité cherchée.
Exemple 13.
On considère deux applications linéaires : f : R2 → R3 et g : R3 → R2 . On pose E = R2 , F = R3 , G = R2
avec f : E → F , g : F → G. On se donne des bases : B = (e1 , e2 ) une base de E, B 0 = ( f1 , f2 , f3 ) une base
de F , et B 00 = (g1 , g2 ) une base de G.
On suppose connues les matrices de f et g :
1 0
2 −1 0
A = MatB,B 0 ( f ) = 1 1 ∈ M3,2
B = MatB 0 ,B 00 (g) = ∈ M2,3
3 1 2
0 2
Calculons la matrice associée à g ◦ f : E → G, C = MatB,B 00 (g ◦ f ), de deux façons différentes.
1. Première méthode. Revenons à la définition de la matrice de l’application linéaire g ◦ f . Il s’agit
d’exprimer l’image des vecteurs de la base de départ B dans la base d’arrivée B 00 . C’est-à-dire qu’il faut
exprimer g ◦ f (e j ) dans la base (g1 , g2 ).
• Calcul des f (e j ). On sait par définition de la matrice A que f (e1 ) correspond au premier vecteur
1
colonne : plus précisément, f (e1 ) = 1 0 = 1 f1 + 1 f2 + 0 f3 = f1 + f2 .
0 0 B
De même, f (e2 ) = 1 0 = 0 f1 + 1 f2 + 2 f3 = f2 + 2 f3 .
2 B
• Calcul des g( f j ). Par définition, g( f j ) correspond à la j-ème colonne de la matrice B :
2
— g( f1 ) = = 2g1 + 3g2
3
B00
−1
— g( f2 ) = = −g1 + g2
1 B 00
0
— g( f3 ) = = 2g2
2 B 00
• Calcul des g ◦ f (e j ). Pour cela on combine les deux séries de calculs précédents :
g ◦ f (e1 ) = g( f1 + f2 ) = g( f1 ) + g( f2 ) = (2g1 + 3g2 ) + (−g1 + g2 ) = g1 + 4g2
g ◦ f (e2 ) = g( f2 + 2 f3 ) = g( f2 ) + 2g( f3 ) = (−g1 + g2 ) + 2(2g2 ) = −g1 + 5g2
• Calcul de la matrice C = MatB,B 00 (g ◦ f ) : cette matrice est composée des vecteurs g ◦ f (e j ) exprimés
dans la base B 00 . Comme
1 −1
g ◦ f (e1 ) = g1 + 4g2 = g ◦ f (e2 ) = −g1 + 5g2 =
4 B 00 5 B 00
alors
1 −1
C=
4 5
On trouve bien une matrice de taille 2 × 2 (car l’espace de départ et d’arrivée de g ◦ f est R2 ).
2. Deuxième méthode. Utilisons le produit de matrices : on sait que C = BA. Donc
1 0
2 −1 0 1 −1
MatB,B 00 (g ◦ f ) = C = B × A = × 1
1 =
3 1 2 4 5
0 2
Cet exemple met bien en évidence le gain, en termes de quantité de calculs, réalisé en passant par l’intermé-
diaire des matrices.
MATRICES ET APPLICATIONS LINÉAIRES 3. MATRICE D’UNE APPLICATION LINÉAIRE 78
3.3. Matrice d’un endomorphisme
Dans cette section, on étudie le cas où l’espace de départ et l’espace d’arrivée sont identiques : f : E → E est
un endomorphisme. Si dim E = n, alors chaque matrice associée à f est une matrice carrée de taille n × n.
Deux situations :
• Si on choisit la même base B au départ et à l’arrivée, alors on note simplement MatB ( f ) la matrice
associée à f .
• Mais on peut aussi choisir deux bases distinctes pour le même espace vectoriel E ; on note alors comme
précédemment MatB,B 0 ( f ).
Exemple 14.
• Cas de l’identité : id : E → E est définie par id(x) = x. Alors quelle que soit la base B de E, la matrice
associée est la matrice identité : MatB (id) = I n . (Attention ! Ce n’est plus vrai si la base d’arrivée est
différente de la base de départ.)
• Cas d’une homothétie hλ : E → E, hλ (x) = λ · x (où λ ∈ K est le rapport de l’homothétie) : MatB (hλ ) =
λI n .
• Cas d’une symétrie centrale s : E → E, s(x) = −x : MatB (s) = −I n .
• Cas de rθ : R2 −→ R2 la rotation d’angle θ , centrée à l’origine, dans l’espace vectoriel R2 muni de la
base canonique B. Alors rθ (x, y) = (x cos θ − y sin θ , x sin θ + y cos θ ). On a
cos θ − sin θ
MatB (rθ ) = .
sin θ cos θ
Dans le cas particulier de la puissance d’un endomorphisme de E, nous obtenons :
Corollaire 1.
Soient E un espace vectoriel de dimension finie et B une base de E. Soit f : E → E une application linéaire.
Alors, quel que soit p ∈ N :
p
MatB ( f p ) = MatB ( f )
Autrement dit, si A est la matrice associée à f , alors la matrice associée à f p = f ◦ f ◦ · · · ◦ f est Ap =
| {z }
p occurrences
A × A × · · · × A. La démonstration est une récurrence sur p en utilisant la proposition 9.
| {z }
p facteurs
Exemple 15.
p
Soit rθ la matrice de la rotation d’angle θ dans R2 . La matrice de rθ est :
p
cos θ − sin θ
p p
MatB (rθ ) = MatB (rθ ) =
sin θ cos θ
Un calcul par récurrence montre ensuite que
cos(pθ ) − sin(pθ )
p
MatB (rθ ) = ,
sin(pθ ) cos(pθ )
ce qui est bien la matrice de la rotation d’angle pθ : composer p fois la rotation d’angle θ revient à effectuer
une rotation d’angle pθ .
3.4. Matrice d’un isomorphisme
Passons maintenant aux isomorphismes. Rappelons qu’un isomorphisme f : E → F est une application
linéaire bijective. Nous avons vu que cela entraîne dim E = dim F .
Théorème 5 (Caractérisation de la matrice d’un isomorphisme).
Soient E et F deux K-espaces vectoriels de même dimension finie. Soit f : E → F une application linéaire.
Soient B une base de E, B 0 une base de F et A = MatB,B 0 ( f ).
MATRICES ET APPLICATIONS LINÉAIRES 3. MATRICE D’UNE APPLICATION LINÉAIRE 79
1. f est bijective si et seulement si la matrice A est inversible. Autrement dit, f est un isomorphisme si et
seulement si sa matrice associée MatB,B 0 ( f ) est inversible.
2. De plus, si f : E → F est bijective, alors la matrice de l’application linéaire f −1 : F → E est la matrice
−1
A−1 . Autrement dit, MatB 0 ,B ( f −1 ) = MatB,B 0 ( f ) .
Voici le cas particulier très important d’un endomorphisme f : E → E où E est muni de la même base B au
départ et à l’arrivée et A = MatB ( f ).
Corollaire 2.
• f est bijective si et seulement si A est inversible.
• Si f est bijective, alors la matrice associée à f −1 dans la base B est A−1 .
−1
Autrement dit : MatB ( f −1 ) = MatB ( f ) .
Exemple 16.
Soient r : R2 → R2 la rotation d’angle π6 (centrée à l’origine) et s la réflexion par rapport à l’axe ( y = x).
Quelle est la matrice associée à (s ◦ r)−1 dans la base canonique B ?
p3 1
θ θ
π cos − sin −
• Pour θ = 6 , on trouve la matrice A = MatB (r) = = 21 p2 .
sin θ cos θ 2 2
3
0 1
• La matrice associée à la réflexion est B = MatB (s) = .
1 0
p
1 3
• La matrice de s ◦ r est B × A = p2
3
2
.
2 − 12
p −1 p
1 3 1 3
• La matrice de (s ◦ r)−1 est (BA)−1 = p2
3
2
= p2 2
. On aurait aussi pu calculer ainsi :
2 − 12 2
3
− 12
(BA)−1 = A−1 B −1 = · · ·
• On note que (BA)−1 = BA ce qui, en termes d’applications linéaires, signifie que (s◦r)−1 = s◦r. Autrement
dit, s ◦ r est son propre inverse.
Preuve du théorème 5. On note A = MatB,B 0 ( f ).
• Si f est bijective, notons B = MatB 0 ,B ( f −1 ). Alors par la proposition 9 on sait que
BA = MatB 0 ,B ( f −1 ) × MatB,B 0 ( f ) = MatB,B ( f −1 ◦ f ) = MatB,B (id E ) = I.
De même AB = I. Ainsi A = MatB,B 0 ( f ) est inversible et son inverse est B = MatB 0 ,B ( f −1 ).
• Réciproquement, si A = MatB,B 0 ( f ) est une matrice inversible, notons B = A−1 . Soit g : F → E
l’application linéaire telle que B = MatB 0 ,B (g). Alors, toujours par la proposition 9 :
MatB,B (g ◦ f ) = MatB 0 ,B (g) × MatB,B 0 ( f ) = BA = I
Donc la matrice de g ◦ f est l’identité, ce qui implique g ◦ f = id E . De même f ◦ g = id F . Ainsi f est
bijective (et sa bijection réciproque est g).
Mini-exercices.
1. Calculer la matrice associée aux applications linéaires f i : R2 → R2 dans la base canonique :
(a) f1 la symétrie par rapport à l’axe (O y),
(b) f2 la symétrie par rapport à l’axe ( y = x),
(c) f3 la projection orthogonale sur l’axe (O y),
π
(d) f4 la rotation d’angle 4.
Calculer quelques matrices associées à f i ◦ f j et, lorsque c’est possible, à f i−1 .
MATRICES ET APPLICATIONS LINÉAIRES 4. CHANGEMENT DE BASES 80
2. Même travail pour f i : R3 → R3 :
(a) f1 l’homothétie de rapport λ,
(b) f2 la réflexion orthogonale par rapport au plan (O xz),
(c) f3 la rotation d’axe (Oz) d’angle − π2 ,
(d) f4 la projection orthogonale sur le plan (O yz).
4. Changement de bases
4.1. Application linéaire, matrice, vecteur
Soit E un espace vectoriel de dimension finie et soit B = (e1 , e2 , . . . , e p ) une base de E. Pour chaque x ∈ E,
il existe un p-uplet unique d’éléments de K (x 1 , x 2 , . . . , x p ) tel que
x = x 1 e1 + x 2 e2 + · · · + x p e p .
x1 !
x2
La matrice des coordonnées de x est un vecteur colonne, noté MatB (x) ou encore .. .
.
xp B
x1 !
x2
Dans R p , si B est la base canonique, alors on note simplement .. en omettant de mentionner la base.
.
xp
Soient E et F deux K-espaces vectoriels de dimension finie et f : E → F une application linéaire. Le but de
ce paragraphe est de traduire l’égalité vectorielle y = f (x) par une égalité matricielle.
Soient B une base de E et B 0 une base de F .
Proposition 10.
• Soit A = MatB,B 0 ( f ).
x1 !
x2
• Pour x ∈ E, notons X = MatB (x) = .. .
.
xp B
y1 !
y2
• Pour y ∈ F , notons Y = MatB 0 ( y) = .. .
.
yn B 0
Alors, si y = f (x), on a
Y = AX
Autrement dit :
MatB 0 f (x) = MatB,B 0 ( f ) × MatB (x)
Démonstration.
x1 !
x2
• On pose B = (e1 , . . . , e p ), B 0 = ( f1 , f2 , . . . , f n ), A = (ai, j ) = MatB,B 0 ( f ) et X = MatB (x) = .. .
.
xp
• On a !
p
X p
X p
X
n
X
f (x) = f x jej = x j f (e j ) = xj ai, j f i .
j=1 j=1 j=1 i=1
MATRICES ET APPLICATIONS LINÉAIRES 4. CHANGEMENT DE BASES 81
En utilisant la commutativité de K, on a
! !
p
X p
X
f (x) = a1, j x j f1 + · · · + an, j x j fn.
j=1 j=1
Pp a1, j x j
P pj=1
j=1
a2, j x j
• La matrice colonne des coordonnées de y = f (x) dans la base ( f1 , f2 , . . . , f n ) est .
..
Pp .
j=1
an, j x j
Pp a x
j=1 1, j j x1 !
Pp
a2, j x j x2
j=1
• Ainsi la matrice Y = MatB 0 f (x) = n’est autre que A .. .
.. .
Pp . xp
j=1
an, j x j
Exemple 17.
Soient E un K-espace vectoriel de dimension 3 et B = (e1 , e2 , e3 ) une base de E. Soit f l’endomorphisme
de E dont la matrice dans la base B est égale à
1 2 1
A = MatB ( f ) = 2 3 1 .
1 1 0
On se propose de déterminer le noyau de f et l’image de f .
Les éléments x de E sont des combinaisons linéaires de e1 , e2 et e3 : x = x 1 e1 + x 2 e2 + x 3 e3 . On a
0
x ∈ Ker f ⇐⇒ f (x) = 0 E ⇐⇒ MatB f (x) = 0
0
0 x1 0
⇐⇒ AX = 0 ⇐⇒ A x 2 = 0
0 x3 0
+ + =
1 x 2x 2 x 3 0
⇐⇒ 2x 1 + 3x 2 + x 3 = 0
x1 + x2 = 0
On résout ce système par la méthode du pivot de Gauss. On trouve
Ker f = x 1 e1 + x 2 e2 + x 3 e3 ∈ E | x 1 + 2x 2 + x 3 = 0 et x 2 + x 3 = 0
1
¦ t ©
= −t | t ∈ K = Vect −1
t 1 B
Le noyau est donc de dimension 1. Par le théorème du rang, l’image Im f est de dimension 2. Les
deux premiers vecteurs de la matrice A étant linéairement indépendants, ils engendrent Im f : Im f =
1 2
Vect 2 , 3 .
1 B 1 B
4.2. Matrice de passage d’une base à une autre
Soit E un espace vectoriel de dimension finie n. On sait que toutes les bases de E ont n éléments.
Définition 5.
Soit B une base de E. Soit B 0 une autre base de E.
On appelle matrice de passage de la base B vers la base B 0 , et on note PB,B 0 , la matrice carrée de taille
n × n dont la j-ème colonne est formée des coordonnées du j-ème vecteur de la base B 0 , par rapport à
la base B.
On résume en :
MATRICES ET APPLICATIONS LINÉAIRES 4. CHANGEMENT DE BASES 82
La matrice de passage PB,B 0 contient - en colonnes - les coordonnées des vecteurs de
la nouvelle base B 0 exprimés dans l’ancienne base B.
C’est pourquoi on note parfois aussi PB,B 0 par MatB (B 0 ).
Exemple 18.
Soit l’espace vectoriel réel R2 . On considère
1 1 1 5
e1 = e2 = ε1 = ε2 = .
0 1 2 4
On considère la base B = (e1 , e2 ) et la base B 0 = (ε1 , ε2 ).
Quelle est la matrice de passage de la base B vers la base B 0 ?
Il faut exprimer ε1 et ε2 en fonction de (e1 , e2 ). On calcule que :
−1 1
ε1 = −e1 + 2e2 = ε2 = e1 + 4e2 =
2 B 4 B
La matrice de passage est donc :
−1 1
PB,B 0 =
2 4
On va interpréter une matrice de passage comme la matrice associée à l’application identité de E par rapport
à des bases bien choisies.
Proposition 11.
La matrice de passage PB,B 0 de la base B vers la base B 0 est la matrice associée à l’identité id E : (E, B 0 ) →
(E, B) où E est l’espace de départ muni de la base B 0 , et E est aussi l’espace d’arrivée, mais muni de la base
B:
PB,B 0 = MatB 0 ,B (id E )
Faites bien attention à l’inversion de l’ordre des bases !
Cette interprétation est un outil fondamental pour ce qui suit. Elle permet d’obtenir les résultats de façon
très élégante et avec un minimum de calculs.
Démonstration. On pose B = (e1 , e2 , . . . , en ) et B 0 = (e10 , e20 , . . . , en0 ). On considère
id E : (E, B 0 ) −→ (E, B)
x 7−→ id E (x) = x
Pn
On a id E (e0j ) = e0j = i=1 ai, j ei et MatB 0 ,B (id E ) est la matrice dont la j-ème colonne est formée des
a
1, j
a2, j
coordonnées de e0j par rapport à B, soit .. . Cette colonne est la j-ème colonne de PB,B 0 .
.
an, j
Proposition 12.
1. La matrice de passage d’une base B vers une base B 0 est inversible et son inverse est égale à la matrice
−1
de passage de la base B 0 vers la base B : PB 0 ,B = PB,B 0
2. Si B, B 0 et B 00 sont trois bases, alors PB,B 00 = PB,B 0 × PB 0 ,B 00
Démonstration.
1. On a PB,B 0 = MatB 0 ,B id E . Donc, d’après le théorème 5 caractérisant la matrice d’un isomorphisme,
−1
−1
= MatB,B 0 id−1 . Or id−1 −1
PB,B 0 = MatB 0 ,B id E E E = id E , donc PB,B 0 = MatB,B 0 id E = PB 0 ,B .
MATRICES ET APPLICATIONS LINÉAIRES 4. CHANGEMENT DE BASES 83
2. id E : (E, B 00 ) → (E, B) se factorise de la façon suivante :
id E id E
(E, B 00 ) −→ (E, B 0 ) −→ (E, B).
Autrement dit, on écrit id E = id E ◦ id E . Cette factorisation permet d’écrire l’égalité suivante :
MatB 00 ,B id E = MatB 0 ,B id E × MatB 00 ,B 0 id E , soit PB,B 00 = PB,B 0 × PB 0 ,B 00 .
Exemple 19.
Soit E = R3 muni de sa base canonique B. Définissons
1 0 3 1 0 0
B1 = 1 , −1 , 2
et B2 = −1 , 1 , 0 .
0 0 −1 0 0 −1
Quelle est la matrice de passage de B1 vers B2 ?
On a d’abord
1 0 3 1 0 0
PB,B1 = 1 −1 2 et PB,B2 = −1 1 0 .
0 0 −1 0 0 −1
−1
La proposition 12 implique que PB,B2 = PB,B1 × PB1 ,B2 . Donc on a PB1 ,B2 = PB,B × PB,B2 . En appliquant
1
−1
la méthode de Gauss pour calculer PB,B , on trouve alors :
1
−1
1 0 3 1 0 0
PB ,B = 1 −1 2 × −1 1 0
1 2
0 0 −1 0 −1 0
1 0 3 1 0 0 1 0 −3
= 1 −1 1 × −1 1 0 = 2 −1 −1 .
0 0 −1 0 0 −1 0 0 1
Nous allons maintenant étudier l’effet d’un changement de bases sur les coordonnées d’un vecteur.
• Soient B = (e1 , e2 , . . . , en ) et B 0 = (e10 , e20 , . . . , en0 ) deux bases d’un même K-espace vectoriel E.
• Soit PB,B 0 la matrice de passage de la base B vers la base B 0 .
x1 !
Pn x2
• Pour x ∈ E, il se décompose en x = i=1 x i ei dans la base B et on note X = MatB (x) = .. .
.
xn B
x0
1
Pn x 20
• Ce même x ∈ E se décompose en x = x i0 ei0 dans la base B 0 et on note X 0 = MatB 0 (x) = . .
i=1 ..
0
xn B 0
Proposition 13.
X = PB,B 0 ×X 0
Notez bien l’ordre !
Démonstration. PB,B 0 est la matrice de id E : (E, B 0 ) → (E, B). On utilise que x = id E (x) et la proposition
10. On a :
X = MatB (x) = MatB id E (x) = MatB 0 ,B (id E ) × MatB 0 (x) = PB,B 0 ×X 0
MATRICES ET APPLICATIONS LINÉAIRES 4. CHANGEMENT DE BASES 84
4.3. Formule de changement de base
• Soient E et F deux K-espaces vectoriels de dimension finie.
• Soit f : E → F une application linéaire.
• Soient B E , B E0 deux bases de E.
• Soient B F , B F0 deux bases de F .
• Soit P = PBE ,BE0 la matrice de passage de B E à B E0 .
• Soit Q = PBF ,BF0 la matrice de passage de B F à B F0 .
• Soit A = MatBE ,BF ( f ) la matrice de l’application linéaire f de la base B E vers la base B F .
• Soit B = MatBE0 ,BF0 ( f ) la matrice de l’application linéaire f de la base B E0 vers la base B F0 .
Théorème 6 (Formule de changement de base).
B = Q−1 AP
Démonstration. L’application f : (E, B E0 ) → (F, B F0 ) se factorise de la façon suivante :
id E f id F
(E, B E0 ) −→ (E, B E ) −→ (F, B F ) −→ (F, B F0 ),
c’est-à-dire que f = id F ◦ f ◦ id E .
On a donc l’égalité de matrices suivante :
B = MatBE0 ,BF0 ( f )
= MatBF ,BF0 (id F ) × MatBE ,BF ( f ) × MatBE0 ,BE (id E )
= PBF0 ,BF × MatBE ,BF ( f ) × PBE ,BE0
= Q−1 AP
Dans le cas particulier d’un endomorphisme, nous obtenons une formule plus simple :
• Soit f : E → E une application linéaire.
• Soient B, B 0 deux bases de E.
• Soit P = PB,B 0 la matrice de passage de B à B 0 .
• Soit A = MatB ( f ) la matrice de l’application linéaire f dans la base B.
• Soit B = MatB 0 ( f ) la matrice de l’application linéaire f dans la base B 0 .
Le théorème 6 devient alors :
Corollaire 3.
B = P −1 AP
Exemple 20.
Reprenons les deux bases de R3 de l’exemple 19 :
1 0 3 1 0 0
B1 = 1 , −1 , 2
et B2 = −1 , 1 , 0 .
0 0 −1 0 0 −1
Soit f : R3 → R3 l’application linéaire dont la matrice dans la base B1 est :
1 0 −6
A = MatB ( f ) = −2 2 −7
1
0 0 3
Que vaut la matrice de f dans la base B2 , B = MatB2 ( f ) ?
MATRICES ET APPLICATIONS LINÉAIRES 4. CHANGEMENT DE BASES 85
1. Nous avions calculé que la matrice de passage de B1 vers B2 était
1 0 −3
P = PB1 ,B2 = 2 −1 −1 .
0 0 1
1 0 3
2. On calcule aussi P −1 = 2 −1 5 .
0 0 1
3. On applique la formule du changement de base du corollaire 3 :
1 0 3 1 0 −6 1 0 −3 1 0 0
B = P −1 AP = 2 −1 5 × −2 2 −7 × 2 −1 −1 = 0 2 0
0 0 1 0 0 3 0 0 1 0 0 3
C’est souvent l’intérêt des changements de base, se ramener à une matrice plus simple. Par exemple ici, il
est facile de calculer les puissances B k , pour en déduire les Ak .
4.4. Matrices semblables
Les matrices considérées dans ce paragraphe sont des matrices carrées, éléments de Mn (K).
Définition 6.
Soient A et B deux matrices de Mn (K). On dit que la matrice B est semblable à la matrice A s’il existe
une matrice inversible P ∈ Mn (K) telle que B = P −1 AP.
C’est un bon exercice de montrer que la relation « être semblable » est une relation d’équivalence dans
l’ensemble Mn (K) :
Proposition 14.
• La relation est réflexive : une matrice A est semblable à elle-même.
• La relation est symétrique : si A est semblable à B, alors B est semblable à A.
• La relation est transitive : si A est semblable à B, et B est semblable à C, alors A est semblable à C.
Vocabulaire :
Compte tenu de ces propriétés, on peut dire indifféremment que la matrice A est semblable à la matrice B
ou que les matrices A et B sont semblables.
Le corollaire 3 se reformule ainsi :
Corollaire 4.
Deux matrices semblables représentent le même endomorphisme, mais exprimé dans des bases différentes.
Mini-exercices.
Soit f : R2 → R2 définie par f (x, y) = (2x + y, 3x − 2 y), Soit v = −4
3
∈ R2 avec ses coordonnées dans
la base canonique B0 de R . Soit B1 = 2 , 2 une autre base de R .
2 3 2 2
1. Calculer la matrice de f dans la base canonique.
2. Calculer les coordonnées de f (v) dans la base canonique.
3. Calculer la matrice de passage de B0 à B1 .
4. En déduire les coordonnées de v dans la base B1 , et de f (v) dans la base B1 .
5. Calculer la matrice de f dans la base B1 .
3
Même exercice dans R3 avec f : R3 → R3 , f (x, y, z) = (x − 2 y, y − 2z, z − 2x), v = −2 ∈ R3 et
0 2 1 1
B1 = 1 , 0 , 2 .
2 1 0
Vous aimerez peut-être aussi
- Isomorphisme des applications linéairesPas encore d'évaluationIsomorphisme des applications linéaires13 pages
- Introduction à l'espace Rn et vecteursPas encore d'évaluationIntroduction à l'espace Rn et vecteurs13 pages
- Introduction à l'espace vectoriel RnPas encore d'évaluationIntroduction à l'espace vectoriel Rn37 pages
- Espace vectoriel et algèbre linéaire RnPas encore d'évaluationEspace vectoriel et algèbre linéaire Rn13 pages
- Cours sur les Espaces Vectoriels et Applications LinéairesPas encore d'évaluationCours sur les Espaces Vectoriels et Applications Linéaires43 pages
- Cours d'Algèbre I - Université OujdaPas encore d'évaluationCours d'Algèbre I - Université Oujda118 pages
- Méthodes Mathématiques III : Algèbre LinéairePas encore d'évaluationMéthodes Mathématiques III : Algèbre Linéaire81 pages
- Cours d'Algèbre Linéaire et VectoriellePas encore d'évaluationCours d'Algèbre Linéaire et Vectorielle41 pages
- Base canonique et combinaisons linéairesPas encore d'évaluationBase canonique et combinaisons linéaires42 pages
- Outils mathématiques en mécanique vectoriellePas encore d'évaluationOutils mathématiques en mécanique vectorielle25 pages
- Introduction à la géométrie vectoriellePas encore d'évaluationIntroduction à la géométrie vectorielle17 pages
- Espaces Vectoriels Réels en MathématiquesPas encore d'évaluationEspaces Vectoriels Réels en Mathématiques53 pages
- Vecteurs dans R² : Théorie et PratiquePas encore d'évaluationVecteurs dans R² : Théorie et Pratique16 pages
- Introduction aux espaces vectorielsPas encore d'évaluationIntroduction aux espaces vectoriels29 pages
- Introduction aux espaces vectoriels réelsPas encore d'évaluationIntroduction aux espaces vectoriels réels17 pages
- Inversibilité des Matrices et Espaces VectorielsPas encore d'évaluationInversibilité des Matrices et Espaces Vectoriels9 pages
- Espaces Vectoriels et Applications LinéairesPas encore d'évaluationEspaces Vectoriels et Applications Linéaires18 pages
- Espaces Euclidiens et Applications LinéairesPas encore d'évaluationEspaces Euclidiens et Applications Linéaires16 pages
- Espaces Vectoriels Réels en AlgèbrePas encore d'évaluationEspaces Vectoriels Réels en Algèbre24 pages
- Chapitre1 Espaces Vectoriels Chimie G Energitique S1!25!26 PDFPas encore d'évaluationChapitre1 Espaces Vectoriels Chimie G Energitique S1!25!26 PDF16 pages
- Indépendance Linéaire en Espaces VectorielsPas encore d'évaluationIndépendance Linéaire en Espaces Vectoriels48 pages
- Espaces préhilbertiens et produit scalairePas encore d'évaluationEspaces préhilbertiens et produit scalaire162 pages
- Espaces vectoriels et applications linéairesPas encore d'évaluationEspaces vectoriels et applications linéaires6 pages
- Introduction à l'espace vectoriel RnPas encore d'évaluationIntroduction à l'espace vectoriel Rn68 pages
- All Cours Algebre2 HAMZAOUI Chap1 EV 2026-1Pas encore d'évaluationAll Cours Algebre2 HAMZAOUI Chap1 EV 2026-114 pages
- Espaces Vectoriels Réels : Définitions et PropriétésPas encore d'évaluationEspaces Vectoriels Réels : Définitions et Propriétés47 pages
- Calcul vectoriel dans le plan et l'espacePas encore d'évaluationCalcul vectoriel dans le plan et l'espace11 pages
- Calcul vectoriel dans le plan et l'espacePas encore d'évaluationCalcul vectoriel dans le plan et l'espace11 pages
- Espaces Vectoriels et Applications LinéairesPas encore d'évaluationEspaces Vectoriels et Applications Linéaires43 pages
- Outils mathématiques en mécanique vectoriellePas encore d'évaluationOutils mathématiques en mécanique vectorielle29 pages
- Introduction aux vecteurs et trièdrePas encore d'évaluationIntroduction aux vecteurs et trièdre13 pages
- Cours d'Algèbre Linéaire et ExercicesPas encore d'évaluationCours d'Algèbre Linéaire et Exercices62 pages
- Cours d'Algèbre 1 S1 avec TD CorrigésPas encore d'évaluationCours d'Algèbre 1 S1 avec TD Corrigés81 pages
- Mécanique du Solide : Vecteurs et TorseursPas encore d'évaluationMécanique du Solide : Vecteurs et Torseurs99 pages
- Rappels sur l'Algèbre Vectorielle R3Pas encore d'évaluationRappels sur l'Algèbre Vectorielle R39 pages
- Espace vectoriel : axiomes et exemplesPas encore d'évaluationEspace vectoriel : axiomes et exemples11 pages
- Comprendre les rappels vectoriels en physiquePas encore d'évaluationComprendre les rappels vectoriels en physique188 pages
- Introduction à l'Algèbre VectoriellePas encore d'évaluationIntroduction à l'Algèbre Vectorielle17 pages
- 2026-01-21 1G Spémaths Chap06 P Produit ScalairePas encore d'évaluation2026-01-21 1G Spémaths Chap06 P Produit Scalaire9 pages
- Décomposition en Valeurs Singulières SVDPas encore d'évaluationDécomposition en Valeurs Singulières SVD16 pages
- Convergence des Suites de FonctionsPas encore d'évaluationConvergence des Suites de Fonctions20 pages
- Intégration vectorielle dans les espaces de BanachPas encore d'évaluationIntégration vectorielle dans les espaces de Banach5 pages
- Exercices d'algèbre linéaire avancéePas encore d'évaluationExercices d'algèbre linéaire avancée9 pages
- Séries de Fourier et intégrales en mathsPas encore d'évaluationSéries de Fourier et intégrales en maths2 pages
- Introduction à la mécanique quantiquePas encore d'évaluationIntroduction à la mécanique quantique18 pages
- Formes Quadratiques et Espaces EuclidiensPas encore d'évaluationFormes Quadratiques et Espaces Euclidiens3 pages
- Formes bilinéaires symétriques et quadratiquesPas encore d'évaluationFormes bilinéaires symétriques et quadratiques46 pages
- Devoir d'Analyse Numérique 2014-2015Pas encore d'évaluationDevoir d'Analyse Numérique 2014-20152 pages
- Exercices sur la Diagonalisation des Matrices100% (1)Exercices sur la Diagonalisation des Matrices11 pages
- Méthode du Pivot de Gauss expliquéePas encore d'évaluationMéthode du Pivot de Gauss expliquée8 pages
- Exercices et corrections sur l'espace vectoriel100% (1)Exercices et corrections sur l'espace vectoriel3 pages
- Étude de la convexité et inégalités associéesPas encore d'évaluationÉtude de la convexité et inégalités associées3 pages
- Algèbre Linéaire Appliquée - MAT 3741Pas encore d'évaluationAlgèbre Linéaire Appliquée - MAT 374178 pages
- CCP 2003 MP Maths 2: Calculs de distancesPas encore d'évaluationCCP 2003 MP Maths 2: Calculs de distances4 pages
- Corrigé Mathématiques Centrale-Supélec 2014Pas encore d'évaluationCorrigé Mathématiques Centrale-Supélec 20145 pages
- Matrices orthogonales et Gram-SchmidtPas encore d'évaluationMatrices orthogonales et Gram-Schmidt16 pages
- Théorème de Lax-Milgram et applicationsPas encore d'évaluationThéorème de Lax-Milgram et applications4 pages
- Algèbre 3 : Méthode de Gauss et MatricesPas encore d'évaluationAlgèbre 3 : Méthode de Gauss et Matrices14 pages
- Convergence des suites de fonctionsPas encore d'évaluationConvergence des suites de fonctions17 pages