Christophe Bertault — Mathématiques en MPSI

APPLICATIONS LINÉAIRES

Dans ce chapitre, K est un corps quelconque — sauf dans le paragraphe sur les symétries — mais en pratique, nous
travaillerons essentiellement avec les corps R et C.

1 APPLICATIONS LINÉAIRES, ÉQUATIONS LINÉAIRES

1.1 DÉFINITION ET PREMIERS EXEMPLES

Définition (Application linéaire) Soient E et F deux K-espaces vectoriels. On appelle application linéaire de E dans
F toute application f : E −→ F qui préserve les combinaisons linéaires :
∀x, y ∈ E, ∀λ, µ ∈ K, f (λx + µ y) = λ f (x) + µ f ( y).
L’ensemble des applications linéaires de E dans F est noté L (E, F ).
Si E = F , on dit plutôt que f est un endomorphisme (linéaire) de E. L’ensemble des endomorphismes (linéaires) de E est
noté L (E).
Si F = K, on dit plutôt que f est une forme linéaire de E.

Quand on parle d’endomorphisme d’un espace vectoriel sans autre précision, il est toujours sous-entendu qu’il s’agit d’un
endomorphisme linéaire.
Toute application linéaire f ∈ L (E, F ) est un morphisme de groupes additifs, donc : f (0 E ) = 0 F .

Ensuite, si A est un sous-espace vectoriel de E, l’application restreinte f A est elle aussi linéaire. En effet, s’il est vrai que
f (λx + µ y) = λ f (x) + µ f ( y) pour tous x, y ∈ E et λ, µ ∈ K, c’est a fortiori vrai pour tous x, y ∈ A .
Enfin, pour vérifier que f est linéaire, il est suffisant de vérifier que f (λx + y) = λ f (x) + f ( y) pour tous x, y ∈ E et
λ ∈ K — un seul scalaire, donc. Dans ce cas, en effet : f (λx) = f (λx + 0 E ) = λ f (x)+ f (0 E ) = λ f (x)+ 0 F = λ f (x) pour
tous x, y ∈ E et λ, µ ∈ K, donc f (λx + µ y) = f (λx) + f (µ y) = λ f (x) + µ f ( y).

Définition (Morphisme d’algèbres) Soient A et B deux K-algèbres. On appelle morphisme d’algèbres de A dans B
toute application f : A −→ B qui est à la fois un morphisme d’anneaux et linéaire.

Définition (Homothétie) Soient E un K-espace vectoriel et λ ∈ K. L’application λ Id E est un endomorphisme de E

appelé l’homothétie de E de rapport λ. En particulier, Id E ∈ L (E).

Démonstration Pour tous x, y ∈ E et α ∈ K : (λ Id E )(αx + y) = λ (αx + y) = α (λ Id E )(x) + (λ Id E )( y).

Exemple Pour tout K-espace vectoriel E de dimension 1, L (E) est l’ensemble des homothéties λ Id E , λ décrivant K. En
particulier, les endomorphismes du R-espace vectoriel R sont exactement les fonctions qu’on appelait linéaires au lycée !
Démonstration Fixons e ∈ E non nul. Par hypothèse, E = Vect(e). En particulier, f (e) = λe pour un certain
λ ∈ K. À présent, soit f ∈ L (E). Pour tout x ∈ E, x = αe pour un certain α ∈ K, donc f (x) = α f (e) = λαe = λx,
ce qui montre bien que f = λ Id E .

f
Exemple L’application (x, y) 7−→ (x, x + y, x − 2 y) est linéaire de R2 dans R3 .
Démonstration Pour tous (x, y), (x ′ , y ′ ) ∈ R2 et λ ∈ R :



f λ (x, y) + (x ′ , y ′ ) = f (λx + x ′ , λ y + y ′ ) = λx + x ′ , (λx + x ′ ) + (λ y + y ′ ), (λx + x ′ − (2λ y + 2 y ′ )
= λ (x, x + y, x − 2 y) + (x ′ , x ′ + y ′ , x ′ − 2 y ′ ) = λ f (x, y) + f (x ′ , y ′ ).

1
Christophe Bertault — Mathématiques en MPSI

Exemple
• Pour tout x ∈ K, l’application P 7−→ P(x) d’évaluation en x est un morphisme d’algèbres de K[X ] dans K. En tant
qu’application linéaire, on peut aussi dire que P 7−→ P(x) est une FORME linéaire de K[X ].
Plus généralement, pour toute K-algèbre A et tout a ∈ A, l’application P 7−→ P(a) d’évaluation en a est un morphisme
d’algèbres de K[X ] dans A.
En particulier, pour tout Q ∈ K[X ], l’application P 7−→ P ◦ Q de composition À DROITE par Q est un endomorphisme
de K[X ]. Au cas où vous ne l’auriez pas remarqué, P ◦ Q n’est jamais que l’évaluation du polynôme P en Q dans la
K-algèbre K[X ].
• Pour tout A ∈ K[X ], l’application P 7−→ AP de multiplication par A est un endomorphisme de K[X ].
• L’application P 7−→ P ′ de dérivation est un endomorphisme de K[X ].

Exemple
• Pour tout intervalle I , l’application f 7−→ f ′ est linéaire de D(I , R) dans RR ou de C 1 (I , R) dans C (I , R). Comme elle
envoie C ∞ (I , R) dans lui-même, c’est également un endomorphisme de C ∞ (I , R).
Z1


• L’application f 7−→ f est une forme linéaire de C [0, 1], R .
0
• L’application u 7−→ lim un est une forme linéaire du R-espace vectoriel des suites réelles convergentes.
n→+∞

Exemple
ϕ
• L’application (x, y) 7−→ x + y + 1 n’est pas linéaire de R2 dans R car ϕ(0, 0) = 1 6= 0.
ψ

• L’application (x, y) 7−→ x 2 + y 2 n’est pas linéaire de R2 dans R car ψ 2 (1, 1) = ψ(2, 2) = 8 6= 4 = 2 ψ(1, 1).

Définition-théorème (Application linéaire canoniquement associée à une matrice) Soit A ∈ Mn,p (K). L’application
b
X 7−→ AX est linéaire de K p dans Kn et appelée l’application linéaire canoniquement associée à A. Je la noterai souvent A
dans ce cours, mais cette notation est tout à fait personnelle.

L’application X 7−→ AX est définie de K p dans Kn et non l’inverse pour une simple raison de compatibilité des formats.

Pour tous A ∈ M p,q (K) et B ∈ Mq,r (K) : c =A

AB b◦ B
b car pour tout X ∈ K r :
c ) = (AB) X = A(BX ) = A(BX
AB(X b b◦ B
)=A b(X ).
 
0 1 2
Exemple L’application linéaire canoniquement associée à 3 4 5
est l’application (x, y, z) 7−→ ( y + 2z, 3x + 4 y + 5z)
de R3 dans R2 .

Définition-théorème (Formes coordonnées relativement à une base) Soit E un K-espace vectoriel. On suppose
que E possède une base B = (ei )i∈I . Pour tout i ∈ I , l’application qui associe à tout vecteur de E sa coordonnée
X dans B
ème
selon ei est une forme linéaire de E appelée la i forme coordonnée de E (dans B ). Pour tout x ∈ E : x = ei⋆ (x) ei .
i∈I

Démonstration Soient x, y ∈ E de coordonnées respectives (x i )i∈I ,X

( yi )i∈I dansXB et λ ∈XK. Le vecteur λx + y
admet (λx i + yi )i∈I pour coordonnées dans B car : λx + y = λ x i ei + yi ei = (λx i + yi ) ei . En
i∈I i∈I i∈I
particulier, pour tout i ∈ I , la coordonnée selon ei de λx + y est λx i + yi . C’est la linéarité souhaitée !

Exemple
• Les formes coordonnées de Rn pour sa base canonique sont, dans cet ordre, les applications (x 1 , . . . , x n ) 7−→ x 1 ,
(x 1 , . . . , x n ) 7−→ x 2 , . . ., (x 1 , . . . , x n ) 7−→ x n .
• Les formes coordonnées de Rn [X ] pour sa base canonique sont, dans cet ordre, les applications P 7−→ a0 , P 7−→ a1 ,
. . ., P 7−→ an si on note a0 , . . . , an les coefficients de P : P = an X n + . . . + a1 X + a0 .

2
Christophe Bertault — Mathématiques en MPSI

Définition (Isomorphisme, espaces vectoriels isomorphes) Soient E et F deux K-espaces vectoriels.

• Isomorphisme linéaire : On appelle isomorphisme (linéaire) de E sur F toute application linéaire bijective de E
sur F .
Si E = F , on parle plutôt d’automorphisme (linéaire) de E. L’ensemble des automorphismes de E est noté GL(E)
et appelé le groupe linéaire de E.
• Espaces vectoriels isomorphes : On dit que F est isomorphe à E (en tant qu’espace vectoriel) s’il existe un
isomorphisme (linéaire) de E sur F .

Le fait que deux espaces vectoriels soient isomorphes signifie qu’à défaut d’être identiques au sens propre, ils le sont d’un
point de vue vectoriel. Tout isomorphisme entre eux est comme un dictionnaire parfait pour passer de l’un à l’autre. Toute
propriété vectorielle — i.e. que l’on peut exprimer en termes de combinaisons linéaires — de l’un des espaces a son analogue
dans l’autre espace. Nous verrons bientôt que les isomorphismes préservent la dimension.
ϕ
L’application linéaire (a, b, c) 7−→ a + bX + cX 2 est par exemple un isomorphisme de R3 dans R2 [X ]. Cet isomorphisme  ‹
1
« géométrise » R2 [X ] en en faisant une sorte de copie parfaite de R3 . La coplanarité des vecteurs (0, 1, 0), (0, 0, 1) et 0, 1,
2
X2
se traduit dans R2 [X ] par celle des vecteurs X , X 2 et X + .
2 2
(0, 0, 1) X
 ‹
R3 1 R2 [X ] X2
0, 1, Isomorphisme ϕ X+
b
2 b
2
X
(0, 1, 0) 1
(1, 0, 0)

S
Exemple L’application f 7−→ ( f ′ , f (0)) est un isomorphisme de C 1 (R, R) sur C (R, R) × R. Cet isomorphisme est un peu
surprenant car C 1 (R, R) est à la fois beaucoup plus petit que C (R, R) et isomorphe à C (R, R) × R, donc plus gros que
C (R, R) !
Démonstration L’application S est linéaire car pour tous f , g ∈ C 1 (R, R) et λ ∈ R :


S(λ f + g) = (λ f + g)′ , (λ f + g)(0) = (λ f ′ + g ′ , λ f (0) + g(0)) = λ ( f ′ , f (0)) + ( g ′ , g(0)) = λS( f ) + S(g).
Ensuite, il n’est pasZ dur de comprendre que l’application T qui associe à tout couple (g, a) ∈ C (R, R) × R la
x
fonction x 7−→ a + g(t) dt de classe C 1 admet S pour réciproque.
0

1.2 OPÉRATIONS SUR LES APPLICATIONS LINÉAIRES

Théorème (Composition d’applications linéaires, réciproque d’un isomorphisme) Soient E, F et G trois K-espaces
vectoriels.
(i) Composition : Pour tous f ∈ L (E, F ) et g ∈ L (F, G) : g ◦ f ∈ L (E, G).
En particulier, si f est un isomorphisme de E sur F et g un isomorphisme de F sur G, g ◦ f est un isomorphisme
de E sur G.
(ii) Réciproque : Pour tout isomorphisme f de E sur F , f −1 est un isomorphisme de F sur E.

En particulier, la relation d’isomorphisme entre espaces vectoriels est une relation d’équivalence — pour la réflexivité,
Id E est un automorphisme de E pour tout K-espace vectoriel E.

Démonstration
(i) Soient f ∈ L (E, F ) et g ∈ L (F, G). Pour tous x, y ∈ E et λ ∈ K :
( g ◦ f )(λx + y) = g ( f (λx + y)) = g (λ f (x) + f ( y)) = λg ( f (x)) + g ( f ( y)) = λ ( g ◦ f )(x) + ( g ◦ f )( y).
(ii) Nous savons déjà que f −1 est bijective de F sur E, mais est-elle linéaire ? Pour tous y, y ′ ∈ F et λ ∈ K :



f −1 (λ y + y ′ ) = f −1 λ f ( f −1 ( y)) + f ( f −1 ( y ′ )) = f −1 f (λ f −1 ( y) + f −1 ( y ′ )) = λ f −1 ( y) + f −1 ( y ′ ).

3
Christophe Bertault — Mathématiques en MPSI

Z 1


Exemple L’application f 7−→ f ( t 2 ) dt est linéaire de C [0, 1], R dans R.
0 Z1
α β
Démonstration Les applications f 7−→ f ◦ ( t 7−→ t 2 ) et f 7−→ f (x) dx sont linéaires, donc β ◦ α aussi.
0

Théorème (Traduction de l’inversibilité en termes d’application linéaire canoniquement associée) Une matrice
b canoniquement associée à A est un automorphisme
A ∈ Mn (K) est inversible si et seulement si l’application linéaire A
n b −1
de K . Dans ce cas, A = A .d −1

Démonstration D’après la caractérisation de l’inversibilité en termes de systèmes linéaires :

A est inversible ⇐⇒ ∀Y ∈ Kn , ∃! X ∈ Kn , Y = AX ⇐⇒ ∀Y ∈ Kn , ∃! X ∈ Kn , b )
Y = A(X
⇐⇒ b est un automorphisme de Kn .
A
b ◦ A = AÖ
Dans ce cas, A d−1 A−1 = Ò d
I n = IdKn et de même A b = IdKn , donc A
−1 ◦ A d
b −1 = A−1 .

Exemple L’application (x, y) 7−→ (3x + y, 5x + 2 y) est un automorphisme

  de R2 .  
3 1 2 −1
Sa réciproque est l’application (x, y) 7−→ (2x − y, −5x + 3 y) car 5 2
est inversible d’inverse −5 3
.

Théorème (Combinaisons linéaires d’applications linéaires) Soient E et F deux K-espaces vectoriels. L’ensemble
L (E, F ) est un sous-espace vectoriel de F E , donc un K-espace vectoriel. En d’autres termes, toute combinaison linéaire
d’applications linéaires de E dans F est une application linéaire de E dans F .

Démonstration Pour commencer, L (E, F ) ⊂ F E et l’application nulle x 7−→ 0 F est linéaire de E dans F . Pour
la stabilité par combinaison linéaire, soient f , g ∈ L (E, F ) et λ ∈ K. Montrons que λ f + g ∈ L (E, F ), i.e. que
λ f + g est linéaire. Pour tous x, y ∈ E et α ∈ K :
(λ f + g)(αx + y) = λ f (αx + y) + g(αx + y) = λ (α f (x) + f ( y)) + (αg(x) + g( y))
= α (λ f (x) + g(x)) + (λ f ( y) + g( y)) = α (λ f + g)(x) + (λ f + g)( y).

Exemple L’application P 7−→ P (X 2 ) + 2 P ′ (1) est un endomorphisme de K[X ].

f d e
Démonstration L’application P 7−→ P (X 2 ) est linéaire. Ensuite, P 7−→ P ′ et P 7−→ P(1) sont linéaires, donc
e ◦ d = ( P 7−→ P ′ (1)) aussi. Comme voulu, f + 2 (e ◦ d) est linéaire par combinaison linéaire.

Observons à présent que pour tous f , f ′ ∈ L (E, F ) et g, g ′ ∈ L (F, G) :

g ◦ ( f + f ′) = ( g ◦ f ) + ( g ◦ f ′) et ( g + g ′ ) ◦ f = ( g ◦ f ) + ( g ′ ◦ f ).
′ ′
Attention cependant ! La relation ( g + g ) ◦ f = ( g ◦ f ) + ( g ◦ f ) est vraie en toute généralité sans linéarité alors que la
relation g ◦ ( f + f ′ ) = ( g ◦ f ) + ( g ◦ f ′ ) requiert à tout prix la linéarité de g. Faites l’effort de vous en convaincre.

L’énoncé qui suit repose essentiellement sur la stabilité de L (E) par composition, i.e. sur le fait que la composition est
une loi interne sur L (E).

Théorème (Algèbre L (E)) Soit E un K-espace vectoriel.

• Le quadruplet (L (E), +, ·, ◦) est une K-algèbre d’élément neutre multiplicatif 1L (E) = IdE , non commutative en
général.
• GL(E) est le groupe des inversibles de l’anneau L (E) : U(L (E)) = GL(E).
On omet souvent de noter le symbole ◦ de composition en notant g f à la place de g ◦ f pour tous f , g ∈ L (E).

La loi produit de L (E) est la composition. Pour tous f ∈ L (E) et n ∈ N, f n désigne donc Id E si n = 0 et f ◦ . . . ◦ f (n
termes) si n ¾ 1. On définit ensuite les polynômes en f de la même manière qu’on a défini les polynômes en A pour une
matrice carrée A. L’ensemble des polynômes en f est noté K[ f ].
Comme dans tout anneau, deux formules importantes sont vraies dans L (E) :
Xn  ‹ X
n−1
n k n−k
( f + g)n = f g (formule du binôme) et f n − g n = ( f − g) f k g n−k−1
k=0
k k=0
pour tous f , g ∈ L (E) QUI COMMUTENT. Il est essentiel que f et g commutent. Pour montrer que ( f + g)( f − g) = f 2 − g 2
par exemple, il faut pouvoir simplifier f g avec g f .

4
Christophe Bertault — Mathématiques en MPSI

Démonstration Pour commencer, L (E) est un K-espace vectoriel comme on vient de le voir. Ensuite, la compo-
sition est une loi interne sur L (E) car L (E) est stable par composition. Cette loi est associative et admet Id E , qui
est linéaire, pour élément neutre. Pour finir, la composition est distributive sur l’addition comme on l’a observé
juste avant et (λ · g) ◦ f = g ◦ (λ · f ) = λ · (g ◦ f ) pour tous f , g ∈ L (E) et λ ∈ K.
D M
Exemple Les endomorphismes P 7−→ P ′ et P 7−→ X P de K[X ] ne commutent pas, donc l’anneau L (K[X ]) n’est pas
commutatif. Par exemple, D ◦ M (X ) = 2X alors que M ◦ D(X ) = X .

Définition (Endomorphisme nilpotent) Soit E un K-espace vectoriel et f ∈ L (E). On dit que f est nilpotent si
f p = 0L (E) pour un certain p ∈ N∗ . Le plus petit entier p pour laquelle cette relation est vraie est appelé l’indice de
nilpotence de f .

D
Exemple Pour tout n ∈ N, l’endomorphisme P 7−→ P ′ de Kn [X ] est nilpotent d’indice n + 1.
Démonstration Pour tout P ∈ Kn [X ] : P (n+1) = 0, donc D n+1 = 0L (Kn [X ]) , donc D est nilpotent d’indice au
n (n)
plus n + 1. L’égalité (X ) = n! montre cependant que D n 6= 0L (Kn [X ]) , donc D est d’indice n + 1 (exactement).

1.3 IMAGE D’UN SOUS -ESPACE VECTORIEL

Théorème (Image d’un sous-espace vectoriel par une application linéaire) Soient E et F deux K-espaces vectoriels
et f ∈ L (E, F ). Pour tout sous-espace vectoriel A de E, l’image f (A) de A par f est un sous-espace vectoriel de F .
En particulier, l’image Im f = f (E) est un sous-espace vectoriel de F et f est surjective de E sur F si et seulement si
Im f = F .

Démonstration Pour commencer, f (A) ⊂ F et 0 F = f (0 E ) ∈ f (A) car 0 E ∈ A. Ensuite, pour la stabilité par
combinaison linéaire, soient y, y ′ ∈ f (A) et λ ∈ K, disons y = f (a) et y ′ = f (a′ ) pour certains a, a′ ∈ A. Par
linéarité de f , λ y + y ′ = λ f (a) + f (a′ ) = f (λa + a′ ) avec λa + a′ ∈ A car A est un sous-espace vectoriel de E,
donc λ y + y ′ ∈ f (A).
g
Exemple L’image de l’endomorphisme (x, y, z) 7−→ (x + 2 y + z, 2x + y − z, x + 2 y + z) de R3 est le plan d’équation z = x.

Démonstration Pour tout (x, y, z) ∈ R3 : (x, y, z) ∈ Im g ⇐⇒ ∃ (a, b, c) ∈ R3 , (x, y, z) = g(a, b, c)


 a + 2b + c = x C’est l’existence
⇐⇒ ∃ (a, b, c) ∈ R3 , 2a + b − c = y d’un antécédent qui compte.
 a + 2b + c = z

 a + 2b + c = x
L 2 ← 2L 1 − L 2
⇐⇒ ∃ (a, b, c) ∈ R3 , 3b + 3c = 2x − y ⇐⇒ z = x.
 0 = z−x
L3 ← L3 − L1

La dernière équivalence dans laquelle le système disparaît n’est pas un tour de passe-passe à reproduire bêtement.
Le système final possède une solution — existence — si et seulement si z = x. Il est clair qu’il n’a pas de solution
si z 6= x, et on en obtient si z = x en utilisant c comme paramètre.

Théorème (Image d’un Vect par une application linéaire) Soient E et F deux K-espaces vectoriels et f ∈ L (E, F ).
Pour toute partie X de E : f (Vect(X )) = Vect( f (X )).
En particulier, si E possède une base (ei )i∈I : Im f = Vect( f (ei ))i∈I .

Démonstration f (Vect(X )) est un sous-espace vectoriel de F contenant f (X ), donc Vect( f (X )) ⊂ f (Vect(X )).
Inversement, pour tout y ∈ f (Vect(X )), y = f (λ1 x 1 + . . . + λn x n ) pour certains x 1 , . . . , x n ∈ X et λ1 , . . . , λn ∈ K,
donc y = λ1 f (x 1 ) + . . . + λn f (x n ) ∈ Vect( f (X )) par linéarité de f .


Enfin, si E possède une base (ei )i∈I : Im f = f (E) = f Vect(ei )i∈I = Vect( f (ei ))i∈I .


Exemple On note f l’application linéaire (x, y) 7−→ (2x + y, 3x + 5 y, y) de R2 dans R3 . Alors (2, 3, 0), (1, 5, 1) est une
base de Im f .




Démonstration La famille (1, 0), (0, 1) est une base de R2 , donc f (1, 0), f (0, 1) = (2, 3, 0), (1, 5, 1) en-
gendre Im f et cette famille est évidemment libre.

5
Christophe Bertault — Mathématiques en MPSI

Exemple Pour tout n ∈ N∗ , l’image de la dérivation D des polynômes sur Kn [X ] est Kn−1 [X ].
Démonstration Comme (1, X , . . . , X n ) est
une base de Kn [X ] :
Im D = Vect D(1), D(X ), . . . , D( X n ) = Vect(0, 1, 2X , . . . , nX n−1 ) = Vect(1, X , . . . , X n−1 ) = Kn−1 [X ].

Définition-théorème (Image d’une matrice) Soit A ∈ Mn,p (K) de colonnes C1 , . . . , C p . On appelle image de A et on
note Im A l’image de son application linéaire canoniquement associée X 7−→ AX de K p dans Kn .
L’image de A se calcule aisément à partir des COLONNES de A : Im A = Vect(C1 , . . . , C p ).

Démonstration En notant (E1 , . . . , En ) la base canonique de Kn :

Im A = Vect A b n ) = Vect(AE1 , . . . , AEn ) = Vect(C1 , . . . , Cn ).
b(E1 ), . . . , A(E

Les Vect tolèrent très bien qu’on y permute les vecteurs et qu’on y remplace un vecteur x par une combinaison linéaire
des autres à condition de ne pas faire disparaître x complètement. Pour ces raisons, l’image d’une matrice peut être calculée
rapidement par des opérations élémentaires sur les COLONNES.
       
1 2 4 0 1 0 0 0 1 0 1 0
C2 ← 2C1 − C2
Exemple Im 1 −1 0 1 = Im 1 3 4 1 = Im 1 1 = Im 0 1 C1 ← C1 − C2
2 1 4 1 2 3 4 1 C3 ← 4C1 − C3 2 1 1 1


= Vect (1, 0, 1), (0, 1, 1) .
1.4 ÉQUATIONS LINÉAIRES ET NOYAU

En tant que morphisme de groupes additifs, toute application linéaire possède un noyau et on sait déjà que celui-ci
caractérise l’injectivité.

Théorème (Image réciproque d’un sous-espace vectoriel par une application linéaire et noyau) Soient E et F
deux K-espaces vectoriels et f ∈ L (E, F ). Pour tout sous-espace vectoriel B de F , l’image réciproque f −1 (B) de B par f
est un sous-espace vectoriel de E.

¦ ©
En particulier, le noyau Ker f = f −1 {0 F } = x ∈ E | f (x) = 0 F de f est un sous-espace vectoriel de E et f est
injective sur E si et seulement si Ker f = {0 E }.

Le noyau de f n’est jamais que l’ensemble des solutions de l’équation linéaire homogène f (x) = 0 F d’inconnue x ∈ E.
On peut dire aussi que Ker f est l’ensemble des éléments de E qui ne comptent pas aux yeux de f , qu’elle ne voit pas, car
pour tous x ∈ E et k ∈ Ker f : f (x + k) = f (x).

Démonstration Pour commencer, f −1 (B) ⊂ E et 0 E ∈ f −1 (B) car f (0 E ) = 0 F ∈ B. Ensuite, pour la stabilité par
combinaison linéaire, soient x, x ′ ∈ f −1 (B) et λ ∈ K. Ainsi f (x) ∈ B et f (x ′ ) ∈ B, donc λ f (x)+ f (x ′ ) ∈ B puisque
B est un sous-espace vectoriel de F . Or f (λx + x ′ ) = λ f (x) + f (x ′ ) par linéarité de f , donc f (λx + x ′ ) ∈ B, i.e.
λx + x ′ ∈ f −1 (B).

Exemple La dérivation polynomiale P 7−→ P ′ sur K[X ] a pour noyau K0 [X ].

Exemple Notons f l’application linéaire (x, y, z) 7−→ (2x + y − z, x − y) de R3 dans R2 . Alors Ker f = Vect (1, 1, 3) .
Démonstration Pour tout (x, y, z) ∈ R3 : (x, y, z) ∈ Ker f ⇐⇒ f (x, y, z) = (0, 0)
§ §
2x + y − z = 0 y = x
⇐⇒ ⇐⇒
x − y = 0 z = 3x,
¦ ©

donc Ker f = (x, x, 3x) | x ∈ R = Vect (1, 1, 3) .
  ϕ
1 2
Exemple On pose A = 2 . L’endomorphisme M 7−→ AM − tr(M ) A de M2 (R) est injectif.
1
   
a c 2b − d c − 2a
Démonstration L’inclusion Ker ϕ ⊂ {0} suffira. Pour tout M = b d ∈ Ker ϕ : ϕ(M ) = b − 2d 2c − a
= 0,
donc 2b − d = b − 2d = c − 2a = 2c − a = 0, donc a = b = c = d = 0 après calcul, autrement dit M = 0.
S
Exemple L’endomorphisme f 7−→ f × sin de RR n’est pas injectif, mais sa restriction S C (R,R)
l’est.
Démonstration
• Le noyau Ker S de S est l’ensemble des fonctions f pour lesquelles f (x) sin x = 0 pour tout x ∈ R, i.e.
 R qui sont nulles sur R πZ — et qui prennent des valeurs quelconques
l’ensemble des fonctions de R dans r

sur πZ. En particulier, Ker S 6= 0RR donc S n’est pas injective.

6
Christophe Bertault — Mathématiques en MPSI

¦ ©
• Ensuite : Ker S
C (R,R)
f=∈ C (R, R) | S( f ) = 0R R = C (R, R) ∩ Ker S. Or dans Ker S, seule la

fonction nulle est continue, donc Ker S C (R,R) = 0RR , ce qui montre bien que S C (R,R)
est injective.

Que faut-il en retenir ? Soient E et F deux K-espaces vectoriels, f ∈ L (E, F ) et A un sous-espace vectoriel de E.

Ker f A
= A ∩ Ker f , mais par contre ATTENTION : Im f A
= f (A) = A ∩ Im f ,

ne serait-ce que parce que Im f ⊂ F alors que A ⊂ E.

Théorème (Solutions d’une équation linéaire) Soient E et F deux K-espaces vectoriels, f ∈ L (E, F ) et y0 ∈ F .
— Si y0 ∈
/ Im f , l’équation f (x) = y0 d’inconnue x ∈ E n’a pas de solution.
¦ ©
— Si y0 ∈ Im f , alors en notant x 0 un antécédent de y0 par f : x ∈ E | f (x) = y0 = x 0 + Ker f . En
particulier, l’ensemble des solutions de l’équation f (x) = y0 d’inconnue x ∈ E est un sous-espace affine de E de
direction Ker f .

Solution générale Solution générale

En résumé : Solution particulière
de l’équation complète de l’équation homogène

Démonstration Dans le cas où y0 ∈ Im f , y0 = f (x 0 ) pour un certain x 0 ∈ E, donc pour tout x ∈ E :

y0 = f (x) ⇐⇒ f (x 0 ) = f (x) ⇐⇒ f (x − x 0 ) = 0 F ⇐⇒ x − x 0 ∈ Ker f ⇐⇒ x ∈ x 0 + Ker f .

Exemple On note (un )n∈N la suite définie par u0 = 1, u1 = 0 et un+2 = un+1 + 2un − 4 pour tout n ∈ N.
Pour tout n ∈ N : un = 2 − 2n .
T
Démonstration L’application (x n )n∈N 7−→
( x n+2 − x n+1 − 2x n )n∈N est linéaire de RN dans RN , donc (un )n∈N
est solution de l’équation linéaire T (x n )n∈N = (−4)n∈N d’inconnue (x n )n∈N ∈ RN . Or les solutions de l’équation
homogène associée sont les suites récurrentes linéaires de polynôme caractéristique X 2 − X − 2 = (X + 1)(X − 2),
i.e. les suites (2n λ+(−1)n µ)n∈N , λ et µ décrivant R, mais d’autre part, il est facile de vérifier que la suite constante
(2)n∈N est solution de l’équation complète. La suite (un )n∈N étudiée est ainsi de la forme (2n λ + (−1)n µ + 2)n∈N
pour certains λ, µ ∈ R. Les égalités u0 = 1 et u1 = 0 montrent enfin que λ = −1 et µ = 0.

Définition-théorème (Noyau d’une matrice) Soit A ∈ Mn,p (K). On appelle noyau de A et on note Ker A le noyau de
son application linéaire canoniquement associée X 7−→ AX de K p dans Kn .
Les LIGNES de A décrivent les équations du système linéaire homogène dont Ker A est l’ensemble des solutions.

Calculer Ker A revient à résoudre un système linéaire et cela se fait naturellement par des opérations élémentaires sur les
équations. Matriciellement, il est cela dit équivalent d’effectuer les mêmes opérations sur les LIGNES de A et on peut préférer
procéder ainsi à condition de bien comprendre ce que les calculs désincarnés cachent.
1 2 1 0 1 2 1 0    
1 2 1 0 1 2 1 0
Exemple Ker 1 −1 0 1 = Ker 1 2 1 0 L2 ← L3 − L2 = Ker 2 1 1 1 = Ker 1 −1 0 1 L2 ← L2 − L1
2 1 1 1 ¦ 2 1 1 1 © ¦ ©
= (x, y, z, t) ∈ R4 | z = −x − 2 y et t = −x + y = (x, y, −x − 2 y, −x + y) | x, y ∈ R


= Vect (1, 0, −1, −1), (0, 1, −2, 1) .
 
1 2 3 −6
Observons pour finir que le noyau d’une matrice se lit parfois bien sur ses coefficients. Notons A la matrice 0 1 1 −2
et C1 , C2 , C3 , C4 ses colonnes.   1 1 2 −4
1  
0
1
— Tout d’abord, C3 = C1 + C2 donc C1 + C2 − C3 = 0, donc (1, 1, −1, 0) ∈ Ker A car A −1 = 0 .
0
— De même, C1 + C2 + C3 + C4 = 0 donc (1, 1, 1, 1) ∈ Ker A. 0

1.5 CARACTÉRISATION D’UNE APPLICATION LINÉAIRE SUR UNE BASE

OU UNE SOMME DIRECTE

Pour connaître une application en général, on n’a pas tellement d’autre choix que de connaître l’ensemble de ses valeurs
point par point. Pour une application linéaire en revanche, ce lot considérable d’informations peut être réduit à un nombre

7
Christophe Bertault — Mathématiques en MPSI

restreint de valeurs stratégiques. Par exemple, on connaît parfaitement l’application (x, y, z) 7−→ (2x + y +z, 3x −z) de R3 dans
R2 si on sait qu’elle est linéaire et si on sait que : f (1, 0, 0) = (2, 3), f (0, 1, 0)
= (1, 0) et f (0, 0, 1) = (1, −1). En
effet, pour tout (x, y, z) ∈ R3 : f (x, y, z) = f x (1, 0, 0) + y (0, 1, 0) + z (0, 0, 1) = x f (1, 0, 0) + y f (0, 1, 0) + z f (0, 0, 1)
= x (2, 3) + y (1, 0) + z (1, −1) = (2x + y + z, 3x − z).

Théorème (Caractérisation d’une application linéaire par l’image d’une base) Soient E et F deux K-espaces
vectoriels. On suppose que E possède une base (ei )i∈I . Pour toute famille ( yi )i∈I de vecteurs de F , il existe une et une
seule application linéaire u de E dans F pour laquelle u(ei ) = yi pour tout i ∈ I .

En résumé, pour connaître/définir une application linéaire complètement, il suffit de connaître/définir les valeurs qu’elle
prend sur une base de l’espace de départ. Un exercice peut ainsi commencer de la façon suivante : « Soient E un R-espace
vectoriel de dimension 2 de base (e1 , e2 ). On note f l’unique endomorphisme de E défini par f (e1 ) = e2 et f (e2 ) = e1 + e2 . »

Démonstration Pour tout j ∈ I , notons e⋆j la forme coordonnée de E selon e j dans la base (ei )i∈I — c’est-à-dire
l’application qui, à tout vecteur de E, associe sa coordonnée selon e j dans la base (ei )i∈I . Nous avons déjà vu que
les formes coordonnées sont des formes linéaires de E.
Soit ( yi )i∈I une famille de vecteurs de F .
• Analyse : Soit u ∈ L (E, F ). Si u(ei ) = yi pour tout i ∈ I , alors pour tout x ∈ E :
X  X X
u(x) = u ei⋆ (x) ei = ei⋆ (x) u(ei ) = ei⋆ (x) yi .
i∈I X i∈I i∈I
• Synthèse : Notons u l’application x 7−→ ei⋆ (x) yi de E dans F . Cette application est linéaire car les
i∈I
formes coordonnées
X le sont, mais détaillons.
X Pour tous x, x ′ ∈ EX
et λ ∈ K : X
u(λx + x ′ ) = ei⋆ (λx + x ′ ) yi = (λei⋆ (x) + ei⋆ (x ′ )) yi = λ ei⋆ (x) yi + ei⋆ (x ′ ) yi = λu(x) + u(x ′ ).
i∈I Xi∈I X i∈I i∈I
Enfin, pour tout j ∈ I : u(e j ) = ei⋆ (e j ) yi = δ i j yi = y j .
i∈I i∈I

Dans le théorème suivant, on ne définit plus les applications linéaires par l’image d’une base mais par leurs restrictions
aux sous-espaces vectoriels d’une somme directe. L’idée est la même, cela dit.

Théorème (Caractérisation d’une application linéaire par ses restrictions sur une somme directe) Soient E et F
deux K-espaces vectoriels, E1 , . . . , E p des sous-espaces vectoriels de E pour lesquels E = E1 ⊕ . . . ⊕ E p et u1 ∈ L (E1 , F ),
. . ., u p ∈ L (E p , F ). Il existe une et une seule application linéaire u ∈ L (E, F ) pour laquelle u E = ui pour tout i ∈ ¹1, pº.
i

En résumé, tout élément de L (E, F ) est une sorte de concaténation/recollement d’éléments de L (E1 , F ), . . . , L (E p , F ).

Démonstration Par hypothèse, tout vecteur de E est la somme d’une et une seule manière d’un vecteur de E1 ,
. . . et d’un vecteur de E p .
• Analyse : Soit u ∈ L (E, F ). Supposons que u E = ui pour tout i ∈ ¹1, pº. Pour tout x = x 1 + . . . + x p ∈ E
i
avec x 1 ∈ E1 , . . . , x p ∈ E p : u(x) = u(x 1 + . . . + x p ) = u(x 1 ) + . . . + u(x p ) = u1 (x 1 ) + . . . + u p (x p ). Cette
expression qui ne dépend que de u1 , . . . , u p et x montre l’unicité cherchée.
• Synthèse : Pour tout x = x 1 + . . . + x p ∈ E avec x 1 ∈ E1 , . . . , x p ∈ E p , posons u(x) = u1 (x 1 ) + . . . + u p (x p ).
On définit ainsi une application de E dans F .
— Soit i ∈ ¹1, pº. Montrons que u Ei
= ui . Pour tout x i ∈ Ei :
u(x i ) = u(0 E +. . .+0 E +x i +0 E +. . .+0 E ) = u1 (0 E )+. . .+ui−1 (0 E )+ui (x i )+ui+1 (0 E )+. . .+u p (0 E ) = ui (x i ).
— Pour la linéarité de u, soient λ ∈ K et x = x 1 + . . . + x p , y = y1 + . . . + y p ∈ E avec x i , yi ∈ Ei pour tout
i ∈ ¹1, pº. Aussitôt, λx + y = (λx 1 + y1 ) + . . . + (λx p + y p ) avec λx i + yi ∈ Ei pour tout i ∈ ¹1, pº, donc :
u(λx + y) = u1 (λx 1 + y1 ) + . . . + u p (λx p + y p ) = (λu1 (x 1 ) + u1 ( y1 )) + . . . + (λu p (x p ) + u p ( y p ))
= λ (u1 (x 1 ) + . . . + u p (x p )) + (u1 ( y1 ) + . . . + u p ( y p )) = λu(x) + u( y).

Exemple C’est bien connu, R4 [X ] = R3 [X ] ⊕ Vect(X 4 ). D’après le théorème précédent, il existe donc une et une seule
application linéaire ϕ de R4 [X ] dans R2 [X ] pour laquelle pour tout P ∈ R3 [X ] ϕ(P) = P ′ et ϕ (X 4 ) = X . Cette application
est obtenue à partir de l’application linéaire P 7−→ P ′ de R3 [X ] dans R2 [X ] et de l’unique application linéaire qui envoie X 4
sur X de Vect( X 4 ) dans Vect(X ).
Concrètement, pour tout P = aX 4 + bX 3 + cX 2 + d X + e ∈ R4 [X ] : ϕ(P) = aX + (3bX 2 + 2cX + d ) = 3bX 2 + (a + 2c) X + d.

8
Christophe Bertault — Mathématiques en MPSI

2 CE QU’ON PERD D’UN CÔTÉ, ON LE GAGNE DE L’AUTRE

2.1 EFFET D’UNE APPLICATION LINÉAIRE SUR LA DIMENSION , NOTION DE RANG

Soient E un K-espace vectoriel et e1 , . . . , en ∈ E. Notons ϕ l’application (x 1 , . . . , x n ) 7−→ x 1 e1 + . . . + x n en de Kn dans E.

Avec cette expression, ϕ est l’unique application linéaire de Kn dans E qui envoie la base canonique de Kn sur la famille
(e1 , . . . , en ). À quelle condition ϕ est-elle surjective/injective ?
— D’abord, ϕ est surjective si et seulement si : ∀x ∈ E, ∃ (x 1 , . . . , x n ) ∈ Kn , x = x 1 e1 + . . . + x n en , i.e. si et
seulement si la famille (e1 , . . . , en ) engendre E.

— Ensuite, ϕ est injective si et seulement si Ker ϕ = (0, . . . , 0) , i.e. si et seulement si :
∀(x 1 , . . . , x n ) ∈ Kn , x 1 e1 + . . . + x n e n = 0 E =⇒ x 1 = . . . = x n = 0,
i.e. si et seulement si la famille (e1 , . . . , en ) est libre.
Cet exemple mérite d’être médité avec soin même si le théorème qui suit le généralise largement.

Théorème (Caractérisation de l’injectivité/surjectivité d’une application linéaire par l’image d’une base) Soient
E et F deux K-espaces vectoriels et f ∈ L (E, F ). On suppose que E possède une base (ei )i∈I .
(i) f est surjective de E sur F si et seulement si ( f (ei ))i∈I engendre F .
(ii) f est injective sur E si seulement si ( f (ei ))i∈I est libre.
(iii) f est un isomorphisme de E sur F si et seulement si ( f (ei ))i∈I est une base de F .

Démonstration
(i) Im f = Vect( f (ei ))i∈I , donc Im f = F si et seulement si ( f (ei ))i∈I engendre F .
(ii) Supposons f injective et  que ( f (ei ))i∈I est libre.
montrons
X Soit (λi )i∈I ∈ K I une famille presque nulle. Si
X X X
λi f (ei ) = 0 F , alors f λi ei = 0 F par linéarité, i.e. λi ei ∈ Ker f , donc λi ei = 0 E par injectivité
i∈I i∈I i∈I i∈I
de f , et enfin λi = 0 pour tout i ∈ I par liberté de (ei )i∈I .
Réciproquement, supposons ( f (ei ))i∈I libre et montronsque f est injective. Soient x ∈ Ker f de coordonnées
X X
(x i )i∈I dans (ei )i∈I . Ainsi : 0 F = f (x) = f x i ei = x i f (ei ), donc x i = 0 pour tout i ∈ I par
liberté de ( f (ei ))i∈I . A fortiori, x = 0 E . i∈I i∈I

Exemple Pour tous x 1 , . . . , x n ∈ K distincts, l’application P 7−→ ( P(x 1 ), . . . , P(x n )) est un isomorphisme de Kn−1 [X ] sur Kn .
Démonstration Linéaire, cette application transforme la base (L1 , . . . , L n ) des polynômes de Lagrange de
x 1 , . . . , x n en une base de Kn , à savoir la base canonique de Kn car L i (x j ) = δi j pour tous i, j ∈ ¹1, nº.

D’après la classification des espaces vectoriels de dimension finie que voici, les K-espaces vectoriels de dimension finie
sont tous isomorphes à un et un seul Kn . En d’autres termes, à isomorphisme près, on connaît tout d’un espace vectoriel
de dimension finie quand on connaît sa dimension. Une telle classification est à la fois satisfaisante — chouette, Kn est une
grande vérité des mathématiques — et décevante — bof, quel manque d’exotisme !

Théorème (Effet d’un isomorphisme sur la dimension)

(i) Soient E et F deux K-espaces vectoriels. Si E est de dimension finie et si F est isomorphe à E, alors F est de
dimension finie et dim E = dim F .
(ii) Réciproquement, deux K-espaces vectoriels de MÊMES dimensions finies sont isomorphes. En particulier, tout
K-espace vectoriel de dimension finie n est isomorphe à Kn .

Démonstration
(i) Par hypothèse, on peut se donner un isomorphisme f de E sur F et une base finie B de E. Comme voulu,
f (B ) est une base de F d’après le théorème précédent.
(ii) Soient E et F deux K-espaces vectoriels de même dimension finie n. Nous allons montrer que E est iso-
morphe à Kn , F le sera aussi par symétrie et E et F seront alors isomorphes tout court.

9
Christophe Bertault — Mathématiques en MPSI

Tout simplement, donnons-nous une base (e1 , . . . , en ) de E. Comme nous l’avons vu au début de ce para-
graphe, l’application (x 1 , . . . , x n ) 7−→ x 1 e1 + . . . + x n en est un isomorphisme de Kn sur E.

En pratique, ce résultat signifie que pour calculer la dimension d’un espace vectoriel, au lieu d’en exhiber une base, on
peut montrer qu’il est isomorphe à un espace vectoriel de dimension connue.
 ‹
A 0
Exemple L’ensemble D des matrices diagonales par blocs de la forme , (A, B) décrivant Mn (K)2 , est un sous-espace
0 B
vectoriel de dimension 2n2 de M2n (K).
 ‹
f A 0
Démonstration L’application (A, B) 7−→ est clairement linéaire et injective sur Mn (K)2 et elle admet
0 B
D pour image. Il en découle à la fois que D est un sous-espace vectoriel de M2n (K) et que f est un isomorphisme
de Mn (K)2 sur D. En particulier, dim D = dim Mn (K)2 = 2 dim Mn (K) = 2n2 .

Théorème (Dimension d’un espace vectoriel d’applications linéaires) Soient E et F deux K-espaces vectoriels de
dimension finie. Alors L (E, F ) est de dimension finie et : dim L (E, F ) = dim E × dim F .
En outre, pour toutes bases (e1 , . . . , e p ) de E et ( f1 , . . . , f n ) de F , la famille (ei⋆ f j )1¶i¶p est une base de L (E, F ).
1¶ j¶n

ϕ
Démonstration L’application u 7−→ (u(e1 ), . . . , u(e p )) est clairement linéaire de L (E, F ) dans F p et elle est
bijective d’après la caractérisation d’une application linéaire par l’image d’une base :
∀( f1 , . . . , f p ) ∈ F p , ∃! u ∈ L (E, F ), ϕ(u) = ( f1 , . . . , f p ).
p p
Ainsi, ϕ est un isomorphisme de L (E, F ) sur F , or F est de dimension finie car F l’est, donc L (E, F ) est lui
aussi de dimension finie par isomorphisme et dim L (E, F ) = dim F p = p × dim F = dim E × dim F .
Pour trouver une base de L (E, F ), intéressons-nous maintenant à la base suivante de F p , que ϕ −1 va transformer
en une base de L (E, F ) :
( f1 , 0 F , . . .), . . . , ( f p , 0 F , . . .), (0 F , f1 , 0 F , . . .), . . . , (0 F , f p , 0 F , . . .), . . . , (. . . , 0 F , f1 ), . . . , (. . . , 0 F , f p ) .
| {z }| {z } | {z }
p−1 p−2 p−1
Base de F × {0F } Base de {0F } × F × {0F } Base de {0F } × F
Position i
Pour tous i ∈ ¹1, pº et j ∈ ¹1, nº, ϕ −1 (. . . , 0 F , f j , 0 F , . . .) est l’unique application linéaire de E dans F qui envoie
e1 , . . . , ei−1 , ei+1 , . . . , e p sur 0 E et ei sur f j , mais il se trouve que l’application linéaire x 7−→ ei⋆ (x) f j fait la même
chose, donc ϕ −1 (. . . , 0 F , f j , 0 F , . . .) = ei⋆ f j .

Définition (Application linéaire de rang fini, rang) Soient E et F deux K-espaces vectoriels pas nécessairement
de dimension finie et f ∈ L (E, F ). On dit que f est de rang fini si Im f est de dimension finie. Le cas échéant, l’entier
dim Im f est appelé le rang de f et noté rg( f ).

Les notions de rang d’une famille de vecteurs et de rang d’une application linéaire ne sont pas sans rapport. Dans le cas
où E est de dimension finie et de base B : rg( f ) = dim Im f = dim Vect( f (B )) = rg( f (B )).

Théorème (Inégalités sur le rang et cas d’égalité) Soient E et F deux K-espaces vectoriels et f ∈ L (E, F ).
(i) Si F est de dimension finie, f est de rang fini et rg( f ) ¶ dim F , avec égalité si et seulement si f est surjective.
(ii) Si E est de dimension finie, f est de rang fini et rg( f ) ¶ dim E, avec égalité si et seulement si f est injective.

f est injective
E Im f F E Im f F si et seulement si
rg( f ) = dim E.

En général, une application ne peut que

« contracter » son ensemble de définition, f est surjective
donc si E et F sont de dimension finie : E F = Im f si et seulement si
rg( f ) ¶ dim E et rg( f ) ¶ dim F. rg( f ) = dim F .

10
Christophe Bertault — Mathématiques en MPSI

Démonstration
(i) Inclus dans F , Im f est de dimension finie et rg( f ) = dim Im f ¶ dim F , avec égalité si et seulement si
Im f = F , i.e. si et seulement si f est surjective.
(ii) Donnons-nous une base (e1 , . . . , en ) de E. Alors Im f = Vect( f (e1 ), . . . , f (en )), donc Im f est de dimension
finie et rg( f ) = dim Im f ¶ n = dim E, avec égalité si et seulement si ( f (e1 ), . . . , f (en )) est libre, i.e. si et
seulement si f est injective.

Théorème (Applications linéaires entre espaces vectoriels de mêmes dimensions finies)

(i) Soient E et F deux K-espaces vectoriels de dimensions finies ÉGALES et f ∈ L (E, F ).
f est bijective ⇐⇒ f est injective ⇐⇒ f est surjective.
(ii) Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).
f ∈ GL(E) ⇐⇒ f est inversible à gauche dans L (E) ⇐⇒ f est inversible à droite dans L (E)
i.e. : ∃ g ∈ L (E), g ◦ f = Id E i.e. : ∃ g ∈ L (E), f ◦ g = Id E .

L’assertion (i) est la version applications linéaires de la caractérisation des bases en dimension finie selon laquelle une
famille de n vecteurs en dimension n 6= 0 est une base si et seulement si elle est libre ou génératrice. Cette fois, on ne dit
pas que bijectif = surjectif = injectif en toute généralité, mais que c’est vrai pour les applications linéaires dont les espaces
de départ et d’arrivée ont MÊME DIMENSION FINIE.
L’assertion (ii) est quant à elle la version endomorphismes du résultat sur les matrices carrées selon lequel pour tous
A, B ∈ Mn (K), A et B sont inversibles si AB = I n .

Démonstration
(i) f est injective si et seulement si rg( f ) = dim E, i.e. par hypothèse si et seulement si rg( f ) = dim F , i.e. si
et seulement si f est surjective.
(ii) Si f ◦ g = Id E pour un certain g ∈ L (E), nous savons que f est surjective, et si g ◦ f = Id E , que f est
injective. Le résultat découle donc de l’assertion (i).
ϕ
Exemple L’application (x, y, z) 7−→ (x + y, −x + y, z) est un automorphisme de R3 .
Démonstration
• Preuve n°1 : E NDOmorphisme EN DIMENSION FINIE, ϕ sera bijective si nous montrons simplement qu’elle
est injective. Or pour tout (x, y, z) ∈ Kerϕ : ϕ(x, y, z) = (x + y, −x + y, z) = (0, 0, 0), donc rapidement
x = y = z = 0. Comme voulu, Ker ϕ = (0, 0, 0) .  
1 1 0
• Preuve n°2 : ϕ n’est jamais que l’application linéaire canoniquement associée à la matrice −1 1 0 ,
0 0 1
inversible car la famille de ses colonnes est clairement libre.
ψ
Exemple L’application P 7−→ X P ′ + P(0) est un automorphisme de Kn [X ] pour tout n ∈ N.
Démonstration Fixons n ∈ N. L’application ψ est bien à valeurs dans Kn [X ] car pour tout P ∈ Kn [X ] :
 
deg(X P + P(0)) ¶ max deg(X P ′ ), deg( P(0)) ¶ max 1 + deg(P ′ ), deg( P(0)) ¶ deg(P) ¶ n.
′

Comme ψ est un ENDOmorphisme EN DIMENSION FINIE, ψ sera bijective si nous montrons simplement qu’elle est
injective. Soit P ∈ Ker ψ. Aussitôt, X P ′ = −P(0) donc 1 + deg(P ′ ) ¶ 0, ce qui n’est possible que si P est constant.
En retour, ψ(P) = P(0) = 0 donc P = 0. Comme voulu, Ker ψ = {0}.

2.2 LE THÉORÈME DU RANG

Le noyau et l’image d’une application linéaire sont fortement liés, on s’en rend déjà bien compte sur l’exemple des
 
1 1 2
matrices. Notons par exemple A la matrice 2 −1 1 de colonnes C1 , C2 et C3 . La relation C3 = C1 + C2 montre que
1 2 3
Im A = Vect(C1 , C2 , C3 ) = Vect(C1 , C2 ), donc Im A est de dimension au plus 2. Cela dit, la relation C3 = C1 + C2 indique aussi
 
1
que 1 ∈ Ker A, donc que Ker A est au moins de dimension 1. Ainsi, ce qu’on perd d’un côté, on le gagne de l’autre.
−1

11
Christophe Bertault — Mathématiques en MPSI

Théorème (Forme géométrique du théorème du rang) Soient E et F deux K-espaces vectoriels pas nécessairement
de dimension finie et f ∈ L (E, F ).
Si Ker f possède un supplémentaire I dans E, f I
est un isomorphisme de I sur Im f .

Dans l’égalité E = I ⊕ Ker f , Ker f est l’ensemble des éléments de E que f ne voit pas, donc f ne voit passer que I , et
comme I ne touche Ker f que du bout de son zéro, f est injective sur I , donc envoie bijectivement I sur Im f .

−1
De manière moins imagée, f I est l’application qui associe à tout élément de Im f son unique antécédent dans I .

Démonstration Par restriction, f I

est linéaire de I dans Im f .
• Injectivité : Ker f I
= I ∩ Ker f = {0 E } car I et Ker f sont en somme directe.
• Surjectivité : Soit y ∈ Im f . Alors y = f (x) pour un certain x ∈ E et x = i + k pour certains i ∈ I et
k ∈ Ker f car E = I + Ker f , donc y = f (x) = f (i) + f (k) = f (i) + 0 F = f I (i).

Théorème (Théorème du rang) Soient E et F deux K-espaces vectoriels et f ∈ L (E, F ).

Si E est de dimension finie : dim E = dim Ker f + rg( f ).

Morale de l’histoire : Si je connais le noyau, je connais un peu l’image — et vice versa.

Plus précisément, le théorème du rang est une loi de conservation de la dimension au départ au même titre qu’il existe
une loi de conservation de l’énergie en mécanique newtonienne pour un système isolé.
L’hypothèse selon laquelle E est de dimension finie garantit que Ker f et Im f le sont aussi.

Démonstration Comme E est de dimension finie, Ker f possède un supplémentaire I dans E. Ensuite, f I est
un isomorphisme de I sur Im f d’après la forme géométrique du théorème du rang, donc dim I = dim Im f , et
enfin rg( f ) = dim Im f = dim I = dim E − dim Ker f par supplémentarité de I et Ker f dans E.
 
1 2 −1


Exemple On pose A = 2 −1 8 . Alors Ker A = Vect (3, −2, −1) et Im A = Vect (1, 2, 1), (2, −1, 1) .
1 1 1
Démonstration 1 2 −1
 1 2 −1
  
L 2 ← 2L 1 − L 2 1 2 −1
• Noyau : Ker A = Ker 2 −1 8 = Ker 0 5 −10 = Ker 0 1 −2
1 1 1 0 1 −2 L3 ← L3 − L1
  ¦ ©
1 0 3
= Ker 0 1 −2 L 1 ← L 1 − 2L 2 = (x, y, z) ∈ R3 | x + 3z = 0 et y − 2z = 0
¦ ©

= (−3z, 2z, z) | z ∈ R = Vect (3, −2, −1) .


• Image : Im A = Vect (1, 2, 1), (2, −1, 1), (−1, 8, 1) , et par ailleurs, dim Im A = 3 − dim Ker A = 2 d’après le


théorème du rang. La famille (1, 2, 1), (2, −1, 1) étant libre, elle constitue ainsi une base de Im A.

Étant donné f ∈ L (E, F ), il arrive régulièrement qu’on applique le théorème du rang non pas sur E tout entier, mais sur
un sous-espace vectoriel plus petit A. La formule s’écrit alors : dim A = dim Ker f A +dim Im f A = dim (A∩Ker f ) +dim f (A).

Exemple Soient E un K-espaces vectoriels de dimension finie et f ∈ L (E). Pour tous i, j ∈ N :

dim Ker f i+ j ¶ dim Ker f i + dim Ker f j .

Démonstration Le résultat nous suggère d’appliquer le théorème du rang à f i sur l’espace de départ Ker f i+ j ,
donc à ( f i ) Ker f i+ j . Observons en amont que Ker ( f i ) Ker f i+ j = Ker f i+ j ∩ Ker f i = Ker f i car pour tout x ∈ Ker f i :
f i+ j (x) = f j ( f i (x)) = f j (0 E ) = 0 E , donc Ker f i ⊂ Ker f i+ j . Observons aussi que pour tout y ∈ Im ( f i ) Ker f i+ j ,
y = f i (x) pour un certain x ∈ Ker f i+ j , donc f j ( y) = f i+ j (x) = 0 E , i.e. y ∈ Ker f j . Bref, Im ( f i ) Ker f i+ j
⊂ Im f j .
Finalement : dim Ker f i+ j = dim Ker ( f i ) Ker f i+ j
+ dim Im ( f i ) Ker f i+ j
¶ dim Ker f i + dim Ker f j .

12
Christophe Bertault — Mathématiques en MPSI

2.3 RANG D’UNE MATRICE

Définition (Rang d’une matrice) Soit A ∈ Mn,p (K).

(i) Définition : Le rang de l’application linéaire canoniquement associée à A est égal au rang de la famille des
colonnes de A. On appelle rang de A, noté rg(A), la valeur commune de ces deux rangs.
En particulier : rg(A) ¶ min {n, p}.
(ii) Lien avec l’inversibilité : Si A est carrée de taille n, A est inversible si et seulement si rg(A) = n.

Démonstration Notons C1 , . . . , C p les colonnes de A. Pour (i), nous savons déjà que Im A = Vect(C1 , . . . , C p ),
et pour (ii) avec p = n, que A est inversible si et seulement si (C1 , . . . , Cn ) est libre, i.e. si et seulement si
rg(C1 , . . . , Cn ) = n.

Théorème (Rang d’une famille de vecteurs, rang d’une matrice associée) Soient E un K-espace vectoriel de
dimension finie, B une base de E et X une famille finie de vecteurs de E. Alors rg(X ) = rg(MatB (X )).

Démonstration Introduisons les vecteurs de B et X : B = (e1 , . . . , en ) et X = (x 1 , . . . , x p ), ainsi que

les colonnes C1 , . . . , C p de MatB (X ) et ϕ l’isomorphisme (λ1 , . . . , λn ) 7−→ λ1 e1 + . . . + λn en de Kn sur E.
Pour tout j ∈ ¹1, pº : ϕ(C j ) = x j , donc ϕ Vect(C ,...,C ) est un isomorphisme de Vect(C1 , . . . , C p ) sur Vect(X ),
1 p
donc rg(X ) = dim Vect(X ) = dim Vect(C1 , . . . , C p ) = rg(C1 , . . . , C p ) = rg(MatB (X )).

Le gros problème de la définition qui précède, c’est qu’elle ne nous donne pas d’algorithme de calcul du rang d’une
matrice. Le résultat qui suit, en apparence éloigné du sujet, va nous en fournir un.

Théorème (Rang d’une composée) Soient E, F, E ′ , F ′ des K-espaces vectoriels de dimension finie et f ∈ L (E, F ).
(i) Pour tout ϕ ∈ L (E ′ , E) : rg( f ◦ ϕ) ¶ rg( f ) avec égalité si ϕ est un isomorphisme.
(ii) Pour tout ψ ∈ L (F, F ′ ) : rg(ψ ◦ f ) ¶ rg( f ) avec égalité si ψ est un isomorphisme.

Démonstration
¦ © ¦ ©
(i) Im ( f ◦ ϕ) = f ◦ ϕ(x) | x ∈ E ′ ⊂ f ( y) | y ∈ E = Im f , donc rg( f ◦ ϕ) ¶ rg( f ). Et si de plus ϕ
est un isomorphisme, alors Im ϕ = E, donc Im ( f ◦ ϕ) = Im f , donc rg( f ◦ ϕ) = rg( f ).
¦ © ¦ ©
(ii) Im (ψ ◦ f ) = ψ ◦ f (x) | x ∈ E = ψ( y) | y ∈ Im f = Im ψ Im f , donc :


rg(ψ ◦ f ) = rg ψIm f ¶ dim Im f = rg( f ).
Et si de plus ψ est un isomorphisme, alors ψ est injective, donc ψ Im f
est un isomorphisme de Im f sur son
image Im ψ Im f = Im (ψ ◦ f ), donc rg(ψ ◦ f ) = rg( f ).

Théorème (Les opérations élémentaires préservent le rang) Toute opération élémentaire sur les lignes ou les
colonnes d’une matrice en préserve le rang.

Démonstration Soit A ∈ Mn,p (K). Nous avons déjà vu que toute opération élémentaire sur les lignes de A
peut être obtenue par multiplication à gauche par une certaine matrice inversible. Soit donc P ∈ GLn (K). Parce
que P est inversible, son application linéaire canoniquement associée P b est un automorphisme de Kn , donc
cA ) = rg( b
rg(PA) = rg( P b) = rg(A
P ◦A b) = rg(A). On procéderait de même sur les colonnes.

Soit A ∈ Mn,p (K). L’algorithme qui suit est une adaptation de l’algorithme du pivot et ramène tout rang de matrice au
rang d’une matrice plus petite. Le procédé est répété à l’identique jusqu’à obtention du résultat.
0) Si A = 0, évidemment rg(A) = 0 et on sort de l’algorithme.
1) Dans le cas contraire, au moins un coefficient de A est non nul, disons a, et va pouvoir nous servir de pivot. On le
place en position (1, 1) par une éventuelle permutation de lignes et colonnes.

13
Christophe Bertault — Mathématiques en MPSI

2) À l’aide du pivot a, on annule par des opérations élémentaires sur les lignes tous les termes de la première colonne
situés sous a.
Ensuite, toujours à l’aide du pivot a, on annule par des opérations élémentaires sur les colonnes tous les termes de la
première ligne situés à droite de a. Cette deuxième série d’opérations est en réalité cachée en pratique, elle est utile
à mon explication mais on ne l’écrit jamais.
3) À ce stade, la première colonne de la matrice obtenue est clairement NON combinaison linéaire des autres colonnes,
donc la sous-matrice A′ obtenue par oubli des première ligne et colonne est de rang rg(A′ ) = rg(A) − 1.
L’algorithme ainsi décrit se termine avec certitude car A′ est strictement plus petite en taille que A.
Étape 1) Étape 2) Étape cachée Étape 3)
z }| {
     
a × ··· × a × ··· × a 0 ··· 0
× × ··· × 0 0
rg(A) = rg   = rg   = rg   = rg(A′ ) + 1.
A′ A′
b b b b b

b b b b b

b b b b b

× × ··· × 0 0

Une dernière remarque. Alors que vous devez choisir de travailler sur les lignes OU-EXCLUSIF sur les colonnes pour inverser
une matrice, vous pouvez ici mélanger librement les opérations sur les lignes et celles sur les colonnes.
     
0 0 1 3 0 0 1 3 4 −2 −4 1
−1 −1 −1
1 0 2
 0 1 2
 0 1 2

Exemple rg  0 0 1 2 = rg 0 0 1 2 C1 ↔ C2 = rg 0 0 1 2 L1 ↔ L4
−2 4 −4 1 4 −2 −4 1 0 0 1 3
−1 0 3 0 0 −1 3 0 0 −1 3 0
   
1 −1 2 1 −1 2 1 2

 0 1 2  0 1 2 1 1
= 1 + rg 0 1 3
= 1 + rg 0 1 3
L4 ← 2 L1 + 2 L4 = 2 + rg 1 3 = 2 + 2 = 4.
1 1
−1 3 0 0 1 1

Il découle par exemple de ce calcul que dim Vect( − X 4 − 2X 3 + X , X 3 , 3X 4 − 4X 3 + X 2 − X + 1, X 3 + 2X 2 + 2X + 3) = 4 après

écriture matricielle dans la base canonique (1, X , X 2 , X 3 , X 4 ). Jusqu’ici, nous aurions plutôt utilisé l’algorithme de la base
incomplète pour calculer cette dimension.

Définition-théorème (Matrices extraites) Soient A ∈ Mn,p (K). On appelle matrice extraite de A toute matrice de la
a ··· a
!
i1 j1 i1 j p ′

forme où i1 , . . . , in′ , j1 , . . . , jp′ satisfont les inégalités 1 ¶ i1 < . . . < in′ ¶ n et 1 ¶ j1 < . . . < jp′ ¶ p.
b b

b b

b b

ain′ j1 · · · ain′ jp′

Rang d’une matrice extraite : Pour toute matrice B extraite de A : rg(B) ¶ rg(A).

Démonstration Soit B une matrice extraite de A, avec les mêmes notations que dans la définition. Notons
C1 , . . . , C p les colonnes de A, puis (E1 , . . . , E p ) la base canonique de M p,1 (K) et (E1′ , . . . , En′ ′ ) celle de Mn′ ,1 (K), et

′ ′



posons enfin U = E j1 · · · E jp′ et U ′ = Ei1 · · · Ein′ . Aussitôt, AU = C j1 · · · C jp′ donc :
a ··· a
!
i1 j1 i1 j p ′

U ′ ⊤ AU =
b

b
b

b
= B, b ) = rg(Ô
donc rg(B) = rg( B b◦ U
U′⊤ ◦ A b) = rg(A).
b ) ¶ rg(A
ain′ j1 · · · ain′ jp′

   
1 4 7 10
4 10
Exemple La matrice 5 11 est extraite de 2 5 8 11 — on a retenu les lignes 1 et 2 et les colonnes 2 et 4.
3 6 9 12
 
1 1 2 0  
3 1 0
2 3 1 0
Exemple rg  1 0 3 1
¾3 car la matrice extraite 0 3 1 est inversible — pourquoi, d’ailleurs ?
0 0 2
3 0 0 2

Théorème (Invariance du rang par transposition et caractérisation par les matrices extraites inversibles) Soit
A ∈ Mn,p (K).

(i) Invariance du rang par transposition : rg(A⊤ ) = rg(A).

(ii) Caractérisation du rang par les matrices extraites inversibles : Le rang de A est la taille maximale des
matrices inversibles qu’on peut extraire de A.

L’assertion (ii) est au programme, mais inutile.

14
Christophe Bertault — Mathématiques en MPSI

Démonstration
(i) Notons r le rang de A et A1 , . . . , A p ses colonnes. Grâce à l’algorithme de la base incomplète, nous pouvons
noter B une matrice de Mn,r (R) dont les colonnes B1 , . . . , B r forment une base de ImA. Pour tout j ∈ ¹1, pº,
A j est combinaison linéaire de B1 , . . . , B r , donc A j = c1 j B1 + . . . + c r j B r pour certains c1 j , . . . , c r j ∈ K, donc
‚ Œ
c1 j
A j = BC j si on pose C j = . A fortiori, A = BC si on note C la matrice de M r,p (K) de colonnes C1 , . . . , C r .
b

cr j
Finalement, en notant d’un chapeau les applications linéaires canoniquement associées :
Im A⊤ = Im ( C ⊤ B ⊤ ) ⊂ Im C ⊤ ,
donc rg(A⊤ ) ¶ rg( C ⊤ ) ¶ r car C ⊤ ∈ M p,r (K), autrement dit rg(A⊤ ) ¶ rg(A). Remplaçons maintenant dans
ce résultat A par A⊤ : rg(A) = rg(A⊤⊤ ) ¶ rg(A⊤ ), d’où l’égalité des rangs.
(ii) Il nous suffit d’établir l’équivalence suivante pour tout r ∈ N∗ :
rg(A) ¾ r ⇐⇒ On peut extraire de A une matrice inversible de taille r.
• Si on peut extraire de A une matrice inversible de taille r, alors rg(A) ¾ r d’après le théorème précédent.
• Réciproquement, supposons rg(A) ¾ r. On peut donc extraire de la famille des colonnes de A une famille
libre de r vecteurs, i.e. matriciellement extraire de A une matrice B ∈ Mn,r (K) de rang r par suppression
de certaines colonnes. En raisonnant de même, puisque rg(B ⊤ ) = rg(B) = r, nous pouvons extraire de
B ⊤ une matrice C ∈ M r (K) de rang r par suppression de certaines colonnes — i.e. par suppression de
certaines lignes de B. La matrice carrée C ⊤ est finalement extraite de A et inversible de taille r.

2.4 COMPLÉMENTS SUR LES NOYAUX ET LES IMAGES

Ce paragraphe regroupe quelques petits résultats sur les noyaux et les images que nous avons déjà prouvés en TD, mais
que je juge assez importants pour figurer dans ce cours.

Théorème (Deux petits résultats bien utiles) Soient E, F et G trois K-espaces vectoriels, f ∈ L (E, F ) et g ∈ L (F, G).
(i) g ◦ f = 0L (E,G) si et seulement si Im f ⊂ Ker g.
(ii) Ici, E = F = G. Si f et g commutent, alors Im g et Ker g sont stables par f .

Démonstration
(i) Simple jeu d’écriture : g ◦ f = 0L (E,G) ⇐⇒ ∀x ∈ E, g ( f (x)) = 0G
⇐⇒ ∀ y ∈ Im f , g( y) = 0G ⇐⇒ Im f ⊂ Ker g.
(ii) Pour commencer, Ker g est stable par f car pour tout x ∈ Ker g : g ( f (x)) = f ( g(x)) = f (0 E ) = 0 E ,
donc f (x) ∈ Ker g. Ensuite , Im g est stable par f , car pour tout y ∈ Im g, y = g(x) pour un certain x ∈ E,
donc f ( y) = f ( g(x)) = g ( f (x)) ∈ Im g.

Exemple Soient E un K-espace vectoriel de dimension finie et f ∈ L (E). Si f 3 = 0L (E) , alors rg( f ) + rg( f 2 ) ¶ dim E.
Démonstration L’égalité f ◦ f 2 = 0L (E) montre que Im f 2 ⊂ Ker f , et donc en particulier que rg( f 2 ) ¶ dim Ker f .
Ainsi, d’après le théorème du rang à f , E étant de dimension finie : dim E = dim Ker f + rg( f ) ¾ rg( f )+ rg( f 2 ).

Ci-dessous, la notion d’indice et la décomposition de Fitting sont hors programme, mais ce sont de grands classiques !

Théorème (Noyaux itérés, images itérées et décomposition de Fitting) Soient E un K-espace vectoriel de dimension
finie et f ∈ L (E).
(i) Noyaux itérés : La suite (Ker f k )k∈N est croissante. Plus précisément, elle est strictement croissante jusqu’à un
certain rang p ∈ ¹1, nº pour lequel Ker f p = Ker f p+1 , puis constante à partir de ce rang. L’entier p est appelé
l’indice de f .
(ii) Images itérées : La suite (Im f k )k∈N est décroissante. Plus précisément, elle est strictement décroissante jusqu’au
rang p, puis constante.
(iii) Décomposition de Fitting de E par rapport à f : E = Im f p ⊕ Ker f p .
En outre, f Im f p
est un automorphisme de Im f p et f Ker f p
est un endomorphisme nilpotent de Ker f p .

15
Christophe Bertault — Mathématiques en MPSI

Démonstration
(i) Soit k ∈ N. Montrons que Ker f k ⊂ Ker f k+1 . Pour tout x ∈ Ker f k : f k+1 (x) = f ( f k (x)) = f (0 E ) = 0 E ,
donc x ∈ Ker f k+1 . Montrons maintenant l’existence du rang p.
— Si f est injectif, f 2 l’est aussi, donc Ker f = Ker f 2 = {0 E }. Le plus petit entier cherché existe et vaut 1.
— Supposons f non injectif, i.e. dim Ker f > 0. Comme toute partie non vide de N possède un plus petit
élément, il nous suffit de montrer l’existence d’un entier k ∈ ¹1, nº pour lequel Ker f k = Ker f k+1 . Or par
l’absurde, si Ker f k 6= Ker f k+1 pour tout k ∈ ¹1, nº, alors par croissance de la suite des noyaux itérés :
0 < dim Ker f < dim Ker f 2 < . . . < dim Ker f n+1 , donc dim Ker f n+1 ¾ n + 1 > dim E — contradiction.
Montrons enfin par récurrence que Ker f k = Ker f p pour tout k ¾ p, i.e. que Ker f k ⊂ Ker f p par croissance.
Initialisation : Ker f p ⊂ Ker f p .
HDR
Hérédité : Soit k ¾ p. Si Ker f k ⊂ Ker f p , alors pour tout x ∈ Ker f k+1 : f (x) ∈ Ker f k ⊂ Ker f p , donc
f p+1 (x) = 0 E , i.e. x ∈ Ker f p+1 = Ker f p , et cela montre bien que Ker f k+1 ⊂ Ker f p .
(ii) Soit k ∈ N. Montrons que Im f k+1 ⊂ Im f k . Pour tout y ∈ Im f k+1 , y = f k+1 (x) pour un certain x ∈ E,
donc y = f k ( f (x)) ∈ Im f k .
Ensuite, dim Im f k = dim E − dim Ker f k pour tout k ∈ N d’après le théorème du rang, donc la stationnarité
après croissance stricte de (Ker f k )k∈N se traduit en stationnarité après décroissance stricte sur (Im f k )k∈N .
(iii) D’après le théorème du rang, il suffit de montrer que Ker f p et Im f p sont en somme directe. Or pour tout
x ∈ Ker f p ∩ Im f p , x = f p (t) pour un certain t ∈ E, donc f 2p (t) = f p (x) = 0 E , donc t ∈ Ker f 2p = Ker f p
car 2p ¾ p, et enfin x = f p (t) = 0 E .
Observons à présent que f et f p commutent, donc Im f p et Ker f p sont stables par f . Ainsi, f Ker f p et f Im f p

p
sont des endomorphismes. Ensuite, pour tout x ∈ Ker f p : f Ker f p (x) = f p (x) = 0 E , donc f Ker f p est
nilpotent. Enfin : Ker f Im f p = Im f p ∩ Ker f ⊂ Im f p ∩ Ker f p = {0 E }, donc Im f p étant de dimension
finie, f Im f p est un automorphisme de Im f p .

$peutAttention ! En dimension infinie, la suite des noyaux reste croissante et celles des images décroissante, mais on ne
′
rien dire de plus en général. Par exemple, en notant D l’endomorphisme P 7−→ P sur K[X ], Ker D = K [X ] et k
k−1
k k k
Im D = K[X ] pour tout k ∈ N, donc (Ker D )k∈N est strictement croissante alors que (Im D )k∈N est constante.

Théorème (Deux propriétés des endomorphismes nilpotents) Soient E un K-espace vectoriel et f ∈ L (E) nilpotent.
(i) Noyau et image : Si E 6= {0 E }, alors Ker f 6= {0 E } et Im f 6= E.
(ii) Indice : Si E est de dimension finie n, l’indice de nilpotence de f coïncide avec son indice au sens de la
décomposition de Fitting. En particulier, l’indice de nilpotence de f est inférieur à n et f n = 0L (E) .

Démonstration Notons p l’indice de nilpotence de f .

(i) Par contraposition, si Ker f = {0 E }, alors f est injectif, donc f p = 0L (E) aussi, donc E = Ker f p = {0 E }. De
même, si Im f = E, alors f est surjectif, donc f p = 0L (E) aussi, donc E = Im f p = {0 E }.
(ii) Pour commencer, Ker f p−1 6= Ker f p = Ker f p+1 = E car f p = 0L (E) et f p−1 6= 0L (E) , donc p est l’indice de
f au sens de Fitting. En particulier, p ¶ n donc Ker f n = Ker f p = E, autrement dit f n = 0L (E) .

Exemple Soit A ∈ Mn (K). Si A est nilpotente, alors An = 0.

Démonstration Pour tout k ∈ N∗ : A b k = AÒk , donc A est nilpotente si et seulement si A

b l’est, et plus
b n
exactement, A et A ont le même indice de nilpotence, donc A = 0 si A est nilpotente.

16
Christophe Bertault — Mathématiques en MPSI

3 PROJECTEURS, SYMÉTRIES ET AU-DELÀ

3.1 PROJECTEURS, SYMÉTRIES

Définition (Projecteur et symétrie) Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels supplé-
mentaires de E. Tout élément x ∈ E s’écrit d’une et une seule manière comme la somme x = f + g d’un élément f ∈ F
et d’un élément g ∈ G. Avec ces notations :
— l’application de E dans E qui à x associe f est appelée projection sur F parallèlement à G ou encore projecteur sur
F de direction G,
— l’application de E dans E qui à x associe f − g est appelée symétrie par rapport à F parallèlement à G ou encore
symétrie par rapport à F de direction G.
Dans les deux cas, F est appelé la base et G la direction de la projection ou de la symétrie.

On comprend mieux ces définitions sur quelques figures. Notons p la projection sur F parallèlement à G et s la symétrie
par rapport à F parallèlement à G.
G G
g g
Projection x Symétrie x

F F
0E b
0E b

f = p(x) f

−g
f − g = s(x)
¦ ©

Exemple La projection de R3 par rapport à F = (x, y, z) ∈ R3 | x + y + z = 0 parallèlement à G = Vect (1, 1, 1) est
 
1 2 −1 −1
l’application linéaire canoniquement associée à la matrice −1 2 −1 .
3 −1 −1 2
Démonstration Montrons d’abord que F et G sont supplémentaires dans R3 , le reste en découlera. Soit
(x, y, z) ∈ R . Pour tous (a, b, c) ∈ R3 et λ∈ R :
3

 a + λ = x
(x, y, z) = (a, b, c) + λ (1, 1, 1) 
b + λ = y
⇐⇒
et (a, b, c) ∈ F  c + λ = z

a + b + c = 0

 a + λ = x

 b + λ = y
⇐⇒ c + λ = z

 x + y +z
 λ =
1
L4 ← ( L1 + L2 + L3 − L4 )
3 3
 ‹
2x − y − z −x + 2 y − z −x − y + 2z x + y +z
⇐⇒ (a, b, c) = , , et λ = .
3 3 3 3
La supplémentarité de F et G dans R3 est ainsi démontrée, et comme le projeté de (x, y, z) par rapport à F
parallèlement à G est par définition le vecteur (a, b, c), la projection cherchée est finalement l’application :
 ‹
2x − y − z −x + 2 y − z −x − y + 2z
(x, y, z) 7−→ , , .
3 3 3

Théorème (Propriétés des projecteurs et des symétries) Soient E un K-espace vectoriel et F et G deux sous-
espaces vectoriels supplémentaires de E. On note p la projection sur F parallèlement à G et s la symétrie par rapport à
F parallèlement à G.
(i) Propriétés des projecteurs : p est un endomorphisme de E et p2 = p.
¦ ©
F = Im p = Ker ( p − Id E ) = x ∈ E | p(x) = x et G = Ker p.
2 −1
(ii) Propriétés des symétries : s est un automorphisme de E et s = Id E , i.e. s = s.
¦ © ¦ ©
F = Ker (s − Id E ) = x ∈ E | s(x) = x et G = Ker (s + Id E ) = x ∈ E | s(x) = −x .

17
Christophe Bertault — Mathématiques en MPSI

De façon plus générale, habituez-vous à l’idée que pour tous f ∈ L (E) et λ ∈ K :

¦ © ¦ ©
Ker ( f − λId E ) = x ∈ E | ( f − λId E )(x) = 0 E = x ∈ E | f (x) = λx .
Démonstration
(i) Par construction, p est l’unique endomorphisme de E pour lequel p F
= Id F et p G
= 0L (G,E) .
Montrons que p2 = p. Soit x = f + g ∈ E avec f ∈ F et g ∈ G. Aussitôt, p(x) = f = f + 0 E avec f ∈ F et
0 E ∈ G, donc p2 (x) = p( p(x)) = f = p(x).
¦ ©
Par définition de p, si on y réfléchit deux secondes : Im p ⊂ F ⊂ x ∈ E | p(x) = x ⊂ Im p, donc les
trois ensembles mentionnés sont égaux. L’égalité G = Ker p paraît tout aussi claire.
(ii) Par construction, s est l’unique endomorphisme de E pour lequel s F
= Id F et s G
= −IdG . Pour le reste, à
vous de jouer !

Théorème (Caractérisation algébrique des projecteurs) Soient E un K-espace vectoriel et p : E −→ E une applica-
tion.
p est un projecteur si et seulement si p est linéaire et p2 = p.
Dans ce cas, Im p et Ker p sont supplémentaires dans E et p est la projection sur Im p parallèlement à Ker p. Concrètement,
pour tout x ∈ E : x = p(x) + x − p(x).
|{z} | {z }
∈ Im p ∈ Ker p

Démonstration Nous n’avons plus qu’une implication à prouver. Faisons l’hypothèse que p est linéaire et que
p2 = p et montrons d’abord par analyse-synthèse que E = Im p ⊕ Ker p. Soit x ∈ E.
• Analyse : Soient i ∈ Im p et k ∈ Ker p pour lesquels x = i +k. Aussitôt, p(k) = 0 E et i = p(t) pour un certain
t ∈ E, donc p(x) = p(i) par linéarité, puis i = p(t) = p2 (t) = p(i) = p(x), et enfin k = x − i = x − p(x).
• Synthèse : Posons i = p(x) et k = x − p(x). Clairement, x = i + k et i ∈ Im p. En outre, x − p(x) ∈ Ker p
car p( x − p(x)) = p(x) − p2 (x) = p(x) − p(x) = 0 E .
Conclusion : E = Im p ⊕ Ker p, et la décomposition de x cherchée est x = p(x) + ( x − p(x)), donc en effet,
p(x) est le projeté de x sur Im p parallèlement à Ker p par définition des projections.

X
+∞
Exemple Pour tout P = ak X k ∈ R[X ], on pose τ(P) = a2 X 2 + a1 X + a0 . L’application τ ainsi définie est le projecteur
k=0
de R[X ] sur R2 [X ] de direction X 3 R[X ]. Par exemple : τ(X 4 − 4X 3 + X 2 + 1) = X 2 + 1. X 3 R[X ]
3
2X
Démonstration D’après le théorème de la division eucli- 2X 3 + X 2 − 4
dienne par X 3 : R[X ] = X 3 R[X ] ⊕ R2 [X ], donc τ est
l’unique endomorphisme de R[X ] pour lequel τ R [X ] = IdR2 [X ]
2
R2 [X ]
et τ X 3 R[X ] = 0L (X 3 R[X ],R[X ]). À ce titre, c’est un projecteur. 0 b

Les points fixes de τ sont exactement les polynômes de degré X2 − 4

au plus 2, donc Im τ = R2 [X ]. Enfin, Ker τ est constitué des = τ(2X 3 + X 2 − 4)
ceux dont les trois premiers coefficients sont nuls, i.e. qu’on
peut factoriser par X 3 , donc Ker τ = X 3 R[X ].

Théorème (Caractérisation algébrique des symétries) Soient E un K-espace vectoriel et s : E −→ E une application.
s est une symétrie si et seulement si s est linéaire et s2 = Id E .
Dans ce cas, Ker (s − IdE ) et Ker (s + Id E ) sont supplémentaires dans E et s est la symétrie par rapport à Ker (s − Id E )
parallèlement à Ker (s + Id E ).

Démonstration Nous n’avons plus qu’une implication à prouver. Faisons l’hypothèse que s est linéaire et que
s2 = Id E et montrons d’abord par analyse-synthèse que E = Ker (s − Id E ) ⊕ Ker (s + Id E ). Soit x ∈ E.
• Analyse : Soient x + ∈ Ker (s − Id E ) et x − ∈ Ker (s + Id E ) pour lesquels x = x + + x − . Aussitôt, s(x + ) = x +
x + s(x) x − s(x)
et s(x − ) = −x − , donc s(x) = x + − x − , donc x + = et x − = .
2 2
x + s(x) x − s(x)
• Synthèse : Posons x + = et x − = . Ainsi x = x + + x − , et x + ∈ Ker (s − Id E ) car :
2 2
 ‹
x + s(x) s(x) + s2 (x) x + s(x)
s(x + ) = s = = = x +. On montre de même que x − ∈ Ker (s + IdE ).
2 2 2
18
Christophe Bertault — Mathématiques en MPSI

x + s(x) x − s(x)
Conclusion : E = Ker (s − Id E ) ⊕ Ker (s + IdE ), et la décomposition de x cherchée est x = + ,
2 2
x + s(x) x − s(x)
donc en effet, − = s(x) est le symétrique de x par rapport à Ker (s − Id E ) parallèlement à
2 2
Ker (s + IdE ).
An (K)
t A
Exemple La transposition M 7−→ M ⊤ est une symétrie de Mn (K), en l’oc- M
currence par rapport à Sn (K) parallèlement à An (K).
En particulier : Mn (K) = Sn (K) ⊕ An (K). Sn (K)
2
0 b

Démonstration La linéarité de t est connue ett = IdMn (K) ,

S
donc t est une symétrie et les égalités Ker t − IdMn (K) = Sn (K)


et Ker t + IdMn (K) = An (K) sont immédiates. −A

S − A = t(M )

Exemple L’application σ qui associe à toute fonction f : R −→ R la fonction x 7−→ f (−x) est une symétrie de RR , en
l’occurrence par rapport à l’ensemble P des fonctions paires parallèlement à l’ensemble I des fonctions impaires.
En particulier : RR = P ⊕ I .
Démonstration La linéarité

de σ est claire,
de même que la relation σ2 = IdRR , donc σ est une symétrie et les
égalités Ker σ − IdRR = P et Ker σ + IdRR = I découlent aisément de la définition de σ.

Le dernier résultat du paragraphe se comprend bien sur la figure, je vous laisse y réfléchir.

Théorème (Lien projecteur/symétrie) p′ (x) G

x
Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels supplé-
mentaires de E. On note p la projection sur F parallèlement à G, p′ la projection
sur G parallèlement à F et s la symétrie par rapport à F parallèlement à G. Dans F 0E b

ces conditions : p(x)

s + Id E
p + p′ = Id E , p ◦ p′ = p′ ◦ p = 0L (E) et p= . −p′ (x)
2
s(x)

3.2 LE LEMME DE DÉCOMPOSITION DES NOYAUX

Définition-théorème (Polynômes annulateurs d’un endomorphisme) Soient E un K-espace vectoriel et f ∈ L (E).

On appelle polynôme annulateur de f tout polynôme P ∈ K[X ] pour lequel P( f ) = 0L (E) .

Par exemple, les projecteurs sont annulés par X 2 − X = X (X − 1) et les symétries par X 2 − 1 = (X − 1)(X + 1). Cette
factorisation fait étrangement écho aux décompositions E = Ker p ⊕ Ker ( p − Id E ) et E = Ker (s − Id E ) ⊕ Ker (s + Id E ) du
paragraphe précédent. Serait-ce un hasard ? Non, bien sûr ! Le lemme de décomposition des noyaux offre un cadre général à
ce type de résultat. Officiellement, ce théorème relève du programme de MP.
Commençons cela dit par quelques précisions sur les notations. Soient E un K-espace vectoriel, f ∈ L (E) et x ∈ E.
Rappelons tout d’abord que la composition fait office de produit dans l’anneau L (E).
— f est un endomorphisme de E, donc P( f ) est aussi.
— P( f )(x) est l’image du vecteur x de E par l’endomorphisme P( f ), c’est donc aussi un vecteur de E.
— La notation P ( f (x)) n’a aucun sens en revanche, car f (x) est un vecteur de E et on ne sait pas le multiplier par
lui-même pour calculer ses puissances dans un espace vectoriel abstrait.
— L’application P 7−→ P( f ) est un morphisme d’algèbres de K[X ] dans K[ f ] ⊂ L (E), donc si Q est un autre polynôme
de K[X ], alors (PQ)( f ) = P( f ) ◦ Q( f ). Produit polynomial d’un côté, composition de l’autre. Cette relation montre
en passant que P( f ) et Q( f ) commutent dans L (E) car P et Q commutent dans K[X ].

19
Christophe Bertault — Mathématiques en MPSI

Théorème (Lemme de décomposition des noyaux) Soient E un K-espace vectoriel, f ∈ L (E) et P1 , . . . , Pr ∈ K[X ]
des polynômes premiers entre eux deux à deux. Alors :
M
r
Ker (P1 . . . Pr )( f ) = Ker Pi ( f ).
i=1

En particulier, si P1 . . . Pr annule f , c’est E lui-même qui se trouve décomposé : E = Ker P1 ( f ) ⊕ . . . ⊕ Ker Pr ( f ).

Démonstration
• Focalisons-nous d’abord sur le cas de deux polynômes. Par hypothèse, P1 ∧ P2 = 1 donc U1 P1 + U2 P2 = 1
pour certains U1 , U2 ∈ K[X ]. Le théorème est entièrement dans cette relation de Bézout !
Montrons que Ker P1 ( f )+Ker P2 ( f ) ⊂ Ker(P1 P2 )( f ). Par symétrie des rôles de P1 et P2 , il nous suffit d’ailleurs
de montrer que Ker P1 ( f ) ⊂ Ker (P1 P2 )( f ). Or pour tout x ∈ Ker P1 ( f ) :
(P1 P2 )( f )(x) = (P2 P1 )( f )(x) = P2 ( f ) ◦ P1 ( f )(x) = P2 ( f )(0 E ) = 0 E .
Pour l’inclusion réciproque, soit x ∈ Ker (P1 P2 )( f ). Après évaluation en f , la relation U1 P1 + U2 P2 = 1
devient (U1 P1 )( f ) + (U
2 P2 )( f ) = Id E , puis après évaluation en x : x = (U1 P1 )( f )(x) + (U2 P2 )( f )(x).
Or P1 ( f ) (U2 P2 )( f )(x) = U2 ( f ) ◦ (P1 P2 )( f )(x) = U2 ( f )(0 E ) = 0 E , donc (U2 P2 )( f )(x) ∈ Ker P1 ( f ), et on
montre de même que (U1 P1 )( f ) ∈ Ker P2 ( f ).
Montrons enfin que Ker P1 ( f ) et Ker P2 ( f ) sont en somme directe. Pour tout x ∈ Ker P1 ( f ) ∩ Ker P2 ( f ),
comme à l’instant : x = (U1 P1 )( f )(x) + (U2 P2 )( f )(x) = U1 ( f )(0 E ) + U2 ( f )(0 E ) = 0 E .
• Revenons maintenant au cas général et posons Q i = P1 . . . Pi−1 Pi+1 . . . Pr pour tout i ∈ ¹1, rº. Comme nous
allons le voir, Q 1 , . . . , Q r sont premiers entre eux DANS LEUR ENSEMBLE, donc U1 P1 + . . . + U r Pr = 1 pour
certains U1 , . . . , U r ∈ K[X ]. Le lemme se démontre alors avec r polynômes comme on l’a prouvé avec deux.
Pour montrer que Q 1 ∧ . . .∧Q r = 1, observons d’abord que pour tout i ∈ ¹1, rº, Pi est premier à P1 , . . . , Pi−1 ,
Pi+1 , . . . , Pr , donc à leur produit Q i . Supposons à présent par l’absurde que Q 1 ∧ . . . ∧ Q r 6= 1. Nous pouvons
ainsi nous donner un diviseur irréductible D de ce PGCD. En particulier, D divise Q 1 , donc D divise Pi pour
un certain i ∈ ¹2, rº. Cela dit, D divise Q i et Pi ∧Q i = 1, donc D divise 1, mais cela contredit l’irréductibilité
de D.

Exemple Nous n’avons pas encore étudié les équations différentielles linéaires, mais le lemme de décomposition des noyaux
est plein de promesses dans ce cadre. Intéressons-nous par exemple à l’équation différentielle y ′′ − 3 y ′ + 2 y = 0 d’inconnue
y : R −→ R deux fois dérivable. La relation y ′′ = 3 y ′ − 2 y montre que toute solution est en réalité mieux que deux fois
dérivable. En effet, si y est solution, 3 y ′ − 2 y est dérivable, donc y ′′ = 3 y ′ − 2 y aussi, donc y est trois fois dérivable, donc
3 y ′ − 2 y est deux fois dérivable, donc y ′′ = 3 y ′ − 2 y aussi, donc y est quatre fois dérivable. . . De proche en proche, y est
de classe C ∞ sur R.
Notons à présent E le R-espace vectoriel C ∞ (R, R) et D l’endomorphisme y 7−→ y ′ de E. L’application y 7−→ y ′′ − 3 y ′ + 2 y
n’est alors rien d’autre qu’un polynôme en D, à savoir D2 − 3D + 2 Id E = ( D − Id E ) ( D − 2 Id E ), et son noyau est l’ensemble
des solutions de l’équation différentielle étudiée. Les polynômes X − 1 et X − 2 étant premiers entre eux, le lemme de
décomposition des noyaux montre que : Ker ( D2 − 3D + 2 Id E ) = Ker ( D − Id E ) ⊕ Ker ( D − 2 Id E ), i.e. que :
¦ © ¦ © ¦ ©
y ∈ E | y ′′ − 3 y ′ + 2 y = 0 = y ∈ E | y ′ − y = 0 ⊕ y ∈ E | y ′ − 2 y = 0 .
En d’autres termes, pour résoudre l’équation différentielle y ′′ − 3 y ′ + 2 y = 0 d’ordre 2, il suffit de savoir résoudre deux
équations différentielles d’ordre 1, en l’occurrence y ′ − y = 0 et y ′ − 2 y = 0. Vous qui résolvez quotidiennement ce genre
d’équations différentielles dans les autres disciplines, vous ne devriez pas être surpris. Vous savez bien que :
Ker ( D − Id E ) = Vect( x 7−→ e x ), Ker ( D − 2 Id E ) = Vect( x 7−→ e2x ) et Ker ( D2 − 3D + 2 Id E ) = Vect( x 7−→ e x , x 7−→ e2x ).

4 FORMES LINÉAIRES ET HYPERPLANS

Rappelons pour commencer qu’une FORME linéaire n’est jamais qu’une application linéaire à valeurs dans K.

Définition-théorème (Dual d’un espace vectoriel) Soient E un K-espace vectoriel. Le K-espace vectoriel L (E, K)
des formes linéaires de E est appelé le dual de E et noté E ⋆ .
Si E est de dimension finie n, alors pour toute base (e1 , . . . , en ) de E, la famille (e1⋆ , . . . , en⋆ ) des formes coordonnées
associée est une base de E ⋆ appelée la base duale de (e1 , . . . , en ). En particulier, dim E ⋆ = dim E.

En résumé, en dimension finie, les formes linéaires ne sont rien de plus que les combinaisons linéaires des formes coor-
données dans une base fixée.

20
Christophe Bertault — Mathématiques en MPSI

∈K
X
n z }| {
Démonstration Pour le caractère générateur, soit ϕ ∈ E ⋆ . Pour tout x ∈ E : x = ei⋆ (x) ei ,
donc
Xn Xn
i=1
ϕ(x) = ϕ(ei ) ei⋆ (x) par linéarité de ϕ, donc ϕ = ϕ(ei ) ei⋆ .
| {z }
i=1 i=1
∈K
Xn Xn
⋆
Ensuite, pour la liberté, soient λ1 , . . . , λn ∈ K. Si λi ei = 0 E ⋆ , alors λi ei⋆ (e j ) = 0 pour tout j ∈ ¹1, nº, donc
λ j = 0. i=1 i=1

Exemple Soit ϕ une forme linéaire de Kn . Notons (e1 , . . . , en ) la base canonique de Rn et posons ai = ϕ(ei ) pour tout
i ∈ ¹1, nº. Pour tout (x 1 , . . . , x n ) ∈ Rn : ϕ(x 1 , . . . , x n ) = ϕ(x 1 e1 + . . . + x n en ) = x 1 ϕ(e1 ) + . . . + x n ϕ(en ) = a1 x 1 + . . . + an x n ,
donc ϕ est l’application (x 1 , . . . , x n ) 7−→ a1 x 1 + . . . + an x n . Vous avez là sous les yeux la forme générale de toutes les formes
linéaires de Kn , et n’oubliez pas que les applications (x 1 , . . . , x n ) 7−→ x 1 , . . ., (x 1 , . . . , x n ) 7−→ x n sont les formes coordonnées
de la base canonique de Kn .

Exemple Soit ϕ une forme linéaire de Kn [X ]. Posons ϕk = ϕ (X k ) pour tout k ∈ ¹0, nº.
X n X n X
n X
n
Pour tout P = ak X k ∈ Kn [X ] : ϕ(P) = ak ϕ ( X k ) = ϕk ak , donc ϕ est l’application P 7−→ ϕ k ak .
k=0 k=0 k=0 k=0
Par exemple, la forme linéaire P 7−→ P(2) de R3 [X ] envoie tout polynôme P = a3 X 3 + a2 X 2 + a1 X + a0 sur la combinaison
linéaire suivante de a0 , a1 , a2 et a3 : P(2) = a0 + 2a1 + 4a2 + 8a3 .

Définition (Hyperplan) Soit E un K-espace vectoriel — pas forcément de dimension finie. On appelle hyperplan de
E tout noyau d’une forme linéaire NON NULLE de E.

Le noyau de la forme linéaire nulle x 7−→ 0 E est E tout entier. On précise donc « non nulle » dans la définition pour éviter
que E lui-même soit un hyperplan de E.

Ensemble décrit par UNE équation linéaire non nulle

En dimension finie : Hyperplan =
sur les coordonnées dans une base fixée

Exemple
• Le plan d’équation 2x + y −z = 0 est un hyperplan de R3 , noyau de la forme linéaire non nulle (x, y, z) 7−→ 2x + y −z.
¦ ©
• L’ensemble H = P ∈ R3 [X ] | P ′ (1) + P(0) = 0 est un hyperplan de R3 [X ], noyau de la forme linéaire non nulle
P 7−→ P ′ (1) + P(0). On voit moins bien ici que H est décrit par une équation linéaire sur les coordonnées, mais si on
introduit les coefficients a, b, c, d de P : P = aX 3 + bX 2 + cX + d, H est décrit par l’équation 3a + 2b + c + d = 0.
¦ ©
• L’ensemble f ∈ C ∞ (R, R) | f ′ (0) = f (0) est un hyperplan de C ∞ (R, R), noyau de la forme linéaire non nulle
f 7−→ f (0) − f ′ (0). Ici, C ∞ (R, R) est de dimension infinie.

Théorème (Caractérisation géométrique des hyperplans) Soient E un K-espace vectoriel et H une partie de E. Les
assertions suivantes sont équivalentes :
(i) H est un hyperplan de E. (ii) H est supplémentaire d’une droite de E.
Si E est de dimension finie n ¾ 1, les hyperplans de E sont donc ses sous-espaces vectoriels de dimension n − 1.

En dimension 3, hyperplan = plan. En dimension 2, hyperplan = droite. v E = H ⊕ Vect(v)

Démonstration
(ii) =⇒ (i) Par hypothèse, E = H ⊕ Vect(v) pour un certain v ∈ E 0E b

H = Ker ϕ
non nul. Nous pouvons alors noter ϕ l’unique forme linéaire de
E pour laquelle ϕ H = 0L (H,K) et ϕ(v) = 1. Assez clairement, ϕ
est non nulle et Ker ϕ = H, donc H est un hyperplan de E.
(i) =⇒ (ii) Donnons-nous une forme linéaire non nulle ϕ de noyau H et un vecteur v de E r H. Pour montrer
que E = H ⊕ Vect(v), montrons simplement que E ⊂ H + Vect(v) car H ∩ Vect(v) = {0 E }.
 ‹
ϕ(x) ϕ(x)
Soit x ∈ E. Par définition de v, ϕ(v) 6= 0 donc ϕ x − v = ϕ(x) − ϕ(v) = 0. En d’autres
ϕ(v) ϕ(v)
ϕ(x)
termes x − v ∈ Ker ϕ = H, donc x ∈ H + Vect(v).
ϕ(v)

21
Christophe Bertault — Mathématiques en MPSI

Exemple Pour tout n ∈ N, pour une raison de dimension, Kn [X ] est un hyperplan de Kn+1 [X ] et Kn × {0} un hyperplan
de Kn+1 .

Exemple
¦ ©
• L’ensemble (x, y, z, t) ∈ R4 | 2x + y = z + t est un sous-espace vectoriel de R4 de dimension 4 − 1 = 3 en tant
que noyau de la forme linéaire non nulle (x, y, z, t) 7−→ 2x + y − z − t.
¦ ©
• L’ensemble P ∈ R4 [X ] | P(0) = P(1) est un sous-espace vectoriel de R4 [X ] de dimension 5 − 1 = 4 en tant que
noyau de la forme linéaire non nulle P 7−→ P(1) − P(0).

Théorème (Comparaison des équations d’un hyperplan) Soient E un K-espace vectoriel, H un hyperplan de E et
ϕ, ψ deux formes linéaires non nulles de E dont H est le noyau. Alors ψ = λϕ pour un certain λ ∈ K∗ .

En résumé, tout hyperplan possède une et une seule « vraie » équation, toutes ses équations sont multiples les unes des
autres. En géométrie analytique plane, le plan d’équation x + y + 2z = 0 et le plan d’équation 2x + 2 y + 4z = 0 sont un seul
et même plan et ce plan n’a pas d’autre équation réellement différente.

Démonstration Grâce au théorème précédent, E = H ⊕ Vect(v) pour un certain v ∈ E. La forme linéaire

ϕ(v) ψ − ψ(v) ϕ est alors nulle sur H par définition de ϕ et ψ, mais également nulle en v, donc nulle sur E tout
ψ(v)
entier par linéarité. Or ϕ(v) 6= 0 — sans quoi ϕ serait nulle sur E tout entier — donc ψ = λϕ avec λ = .
ϕ(v)

Théorème (Intersections d’hyperplans) Soient E un K-espace vectoriel de dimension finie n ¾ 1 et p ∈ ¹1, nº.
(i) L’intersection de p hyperplans de E est un sous-espace vectoriel de E de dimension AU MOINS n − p.
(ii) Tout sous-espace vectoriel de E de dimension n − p est l’intersection d’exactement p hyperplans de E.

Dans R3 , nous savons bien qu’une équation scalaire décrit un plan et que deux telles équations, pour peu qu’elles ne soient
pas multiples l’une de l’autre, décrivent une droite. L’idée générale du théorème ci-dessus, c’est que dans un système linéaire,
chaque équation occasionne POTENTIELLEMENT la perte d’une dimension par rapport au nombre total d’inconnues. Pourquoi
potentiellement ? Parce que certaines
 équations peuvent être redondantes et ne pas compter vraiment dans le système. Par
 x + y − 2z = 0
exemple, le système linéaire 2x − y + z = 0 d’inconnue (x, y, z) ∈ R3 décrit une droite et non un point de
 3x − z = 0
R3 car la troisième équation n’est jamais que la somme des deux premières.

Démonstration
(i) Soient H1 , . . . , H p des hyperplans de E. Pour tout k ∈ ¹1, pº, notons ϕk une forme linéaire non nulle de E
Φ
7 → (ϕ1 (x), . . . , ϕ p (x)) est linéaire de E dans K p de noyau H1 ∩. . .∩H p ,
dont H k est le noyau. L’application x −
donc d’après le théorème du rang : dim (H1 ∩ . . . ∩ H p ) = dim E − rg(Φ) ¾ dim E − dim K p = n − p.
(ii) Soit F un sous-espace vectoriel de E de dimension n − p. Donnons-nous une base (e1 , . . . , en ) de E dont les
n − p derniers vecteurs forment une base de F et pour tout i ∈ ¹1, nº, notons ei⋆ la i ème forme coordonnée
associée. Pour tout x ∈ E : x ∈ F ⇐⇒ x ∈ Vect(e p+1 , . . . , en ) ⇐⇒ e1⋆ (x) = . . . = e⋆p (x) = 0
⇐⇒ x ∈ Ker e1⋆ ∩ . . . ∩ Ker e⋆p .
Conclusion : F= Ker e1⋆ ∩ . . . ∩ Ker e⋆p , ce qui fait bien de F l’intersection de p hyperplans de E.

Sur ces questions d’hyperplans, le programme de MPSI s’arrête ici et les programmes de MP et PSI ne vont pas plus loin,
mais nous, nous allons tâcher d’en comprendre un peu plus. Donnons-nous l’objectif suivant.

Théorème (Dimension d’une intersection d’hyperplans) Soient E un K-espace vectoriel de dimension finie n ¾ 1
et ϕ1 , . . . , ϕ p ∈ E ⋆ . Alors dim (Ker ϕ1 ∩ . . . ∩ Ker ϕ p ) = n − rg(ϕ1 , . . . , ϕ p ).

Je parlais de redondance un peu plus haut. Dans un système linéaire, une équation peut être supprimée quand la
contrainte qu’elle exprime est déjà portée par les autres équations. Le théorème ci-dessus précise que la redondance des
équations associées aux formes linéaires ϕ1 , . . . , ϕ p se mesure en termes de rang de la famille (ϕ1 , . . . , ϕ p ) dans le dual E ⋆ .
En particulier, dire que les équations sont non redondantes, c’est dire que la famille (ϕ1 , . . . , ϕ p ) est libre.

22
Christophe Bertault — Mathématiques en MPSI

Finalement, pour savoir ce qui se passe géométriquement quand on intersecte des hyperplans de E, on a associé à chacun
d’eux une forme linéaire de E, i.e. un vecteur d’un autre espace vectoriel, le dual E ⋆ . Car oui, les hyperplans sont en quelque
sorte des vecteurs, mais dans le dual. L’idée selon laquelle des hyperplans intersectés sont redondants les uns par rapport
aux autres restait floue tant qu’on la formulait dans E, mais quelle clarté quand on la formule dans E ⋆ en termes de rang !

Théorème (Rudiments de dualité) Soit E un K-espace vectoriel de dimension finie. Le dual de E ⋆ , concrètement
L (L (E, K)), est appelé le bidual de E et noté E ⋆⋆ .
(i) En notant ev x l’application ϕ 7−→ ϕ(x) pour tout x ∈ E, l’application x 7−→ ev x est un isomorphisme de E sur E ⋆⋆ .
(ii) Pour toute base F de E ⋆ , il existe une et une seule base B de E, appelée la base antéduale de F , dont F est la
base duale, i.e. pour laquelle F = B ⋆ .
¦ © \
(iii) Soit A un sous-espace vectoriel de E ⋆ . L’ensemble A◦ = x ∈ E | ∀a ∈ A, a(x) = 0 = Ker a est un
a∈A
sous-espace vectoriel de E appelé l’anté-orthogonal de A. En outre : dim A + dim A◦ = dim E.

La dualité est une branche de l’algèbre linéaire hors programme dont l’objet est d’approfondir le lien qui unit E à E ⋆ .

Démonstration
ev
(i) Clairement, dim E ⋆⋆ = dim E ⋆ = dim E. Pour montrer que l’application x 7−→ ev x est un isomorphisme de
E sur E ⋆⋆ , il nous suffit donc de montrer que cette application est linéaire et injective.
• Pour la linéarité, soient x, y ∈ E et λ ∈ K. Alors evλx+ y = λ ev x + ev y car pour tout f ∈ E ⋆ :
evλx+ y ( f ) = f (λx + y) = λ f (x) + f ( y) = λ ev x ( f ) + ev y ( f ) = (λ ev x + ev y )( f ).
• Pour l’injectivité, soit x ∈ Ker ev. Ainsi ev x = 0 E ⋆⋆ , donc f (x) = 0 pour tout f ∈ E ⋆ . Raisonnons par
l’absurde en supposant x 6= 0 E . Nous pouvons alors compléter la famille libre (x) en une base B de E et
noter f x l’unique forme linéaire de E de valeur 1 en x et 0 en les autres vecteurs de B . Par construction,
f x (x) = 1 6= 0 — contradiction — donc x = 0 E .
(ii) Introduisons les éléments de F : F = ( f1 , . . . , f n ). Pour toute base B = (e1 , . . . , en ) de E :
⋆
F =B ⇐⇒ F est la base duale de B ⇐⇒ ∀i, j ∈ ¹1, nº, f i (e j ) = δi j


⇐⇒ ∀i, j ∈ ¹1, nº, eve j ( f i ) = δi j ⇐⇒ eve j 1¶ j¶n est la base duale de F


⇐⇒ ∀ j ∈ ¹1, nº, eve j = f j⋆ ⇐⇒ ∀ j ∈ ¹1, nº, e j = ev−1 f j⋆ .
Ces équivalences prouvent à la fois l’existence et l’unicité de la base antéduale de F .
(iii) Donnons-nous une base (a1 , . . . , a p ) de A, éventuellement vide, et complétons-la en une base (a1 , . . . , an )
de E ⋆ , puis notons B = (e1 , . . . , en ) la base antéduale de (a1 , . . . , an ). Pour tout x ∈ E :
x ∈ A◦ ⇐⇒ ∀a ∈ A, a(x) = 0 ⇐⇒ ∀i ∈ ¹1, pº, ai (x) = 0 car (a1 , . . . , a p ) engendre A
⇐⇒ ∀i ∈ ¹1, pº, ei⋆ (x) =0 par définition de B
⇐⇒ Les p premières coordonnées de x dans B sont nulles
⇐⇒ x ∈ Vect(e p+1 , . . . , en ). Conclusion : A◦ = Vect(e p+1 , . . . , en ).
◦ ◦
Libre, (e p+1 , . . . , en ) est finalement une base de A , donc dim A = n − p = dim E − dim A.

Démonstration (Dimension d’une intersection d’hyperplans)

¦ © ¦ ©
Ker ϕ1 ∩ . . . ∩ Ker ϕ p = x ∈ E | ∀i ∈ ¹1, pº, ϕi (x) = 0 = x ∈ E | ∀ψ ∈ Vect(ϕ1 , . . . , ϕ p ), ψ(x) = 0
= Vect(ϕ1 , . . . , ϕ p )◦ ,
donc d’après l’assertion (iii) du théorème précédent :
dim (Ker ϕ1 ∩ . . . ∩ Ker ϕ p ) = dim Vect(ϕ1 , . . . , ϕ p )◦ = dim E − dim Vect(ϕ1 , . . . , ϕ p ) = n − rg(ϕ1 , . . . , ϕ p ).

ϕi
Exemple Soient x 0 , . . . , x n ∈ K distincts. Les formes linéaires P 7−→ P(x i ), i décrivant ¹0, nº, forment une base de Kn [X ]⋆
et sa base antéduale est la famille (L0 , . . . , L n ) des polynômes de Lagrange de x 0 , . . . , x n .
Démonstration Les formes linéaires étudiées sont linéairement indépendantes car pour tous λ1 , . . . , λn ∈ K,
si λ0 ϕ0 + . . . + λn ϕn = 0Kn [X ]⋆ , alors λ0 L j (x 0 ) + . . . + λn L j (x n ) = 0 pour tout j ∈ ¹0, nº après évaluation en L j ,
donc λ j = 0. Composée de n + 1 = dim Kn [X ] = dim Kn [X ]⋆ vecteurs, la famille (ϕ0 , . . . , ϕn ) est ainsi une base
de Kn [X ]⋆ .
D’après le théorème d’interpolation de Lagrange, la famille (L0 , . . . , L n ) est quant à elle une base de Kn [X ]. Enfin,
pour tous i, j ∈ ¹1, nº : ϕi (L j ) = L j (x i ) = δi j = L i⋆ (L j ), donc ϕi = L i⋆ , ce qui achève de montrer que
(L0 , . . . , L n ) est la base antéduale de (ϕ0 , . . . , ϕn ).

23