Chapitre 2 : Espaces vectoriels

1 Vecteurs

Définition 1.1
– Soit m ≥ 1 un entier. Un vecteur de Rm est une matrice à m lignes et 1 colonne.
– Un scalaire est un nombre réel.

 
u1
u2
Notations : Un vecteur →
−
u de Rm s’écrit →
−
 
u =  , u1 , · · · , um des réels. Par souci de gain de
 
..
 . 
um
→
−
place on utilise aussi la notation d’un m-uplet u = (u1 , u2 , · · · , um ) . Cette notation ne doit pas être
confondue avec la notation (u1 u2 · · · um ) qui désigne une matrice à 1 ligne et m colonnes.

Définition 1.2
On définit sur Rm ,
– une opération interne appelée addition par
     
u1 v1 u1 + v1
 u2   v2 u2 + v2
∀→
−
u =  ..  , ∀→
 − →
−
u +→
−
  
v =  .. , v =  ∈ Rm ,
    
..
 .   .   . 
um vm um + vm

– une opération externe appelée multiplication par un scalaire par

   
u1 λu1
 u2   λu2 
u =  ..  , ∀λ ∈ R, λ→
∀→
− −u =  ..  ∈ Rm .
   
 .   . 
um λum

Notons que ces deux opérations sont définies ligne par ligne.

1.1 Interprétation géométrique dans le plan et dans l’espace

– L’addition de deux vecteurs se traduit par la règle du parallélogramme : la somme de deux vecteurs
est représentée par la diagonale du parallélogramme ayant ces deux vecteurs comme côtés.
– Par le théorème de Thalès, l’ensemble des multiples scalaires d’un vecteur est la droite qui supporte
le segment représentant le vecteur.

1
1.2 Structure algébrique de (Rm , +, ·)
Grâce aux opérations d’addition et de multiplication l’ensemble Rm acquiert une structure algébrique,
c’est à dire des règles de calcul sur les vecteurs.
→
−
Le vecteur 0 = (0, 0, · · · , 0) ∈ Rm est appelé le vecteur nul de Rm .

Propriétés 1.1 Pour tous →

−
u,→
−
v,→−
w dans Rm et λ, µ dans R,
(i) →
−
u +→ −v =→ −
v +→−
u , (commutativité de l’addition).
(ii) (→
−
u +→ −
v)+→ −
w =→ −
u + (→−
v +→ −
w ), (associativité de l’addition).
→
− →
− →
− → − →
− →
−
(iii) u + 0 = 0 + u = u , ( 0 est un élément neutre pour l’addition).
→
−
(iv) →−
u + (−1)→ −
u = (−1)→ −
u +→ −u = 0 , (tout élément admet un opposé pour l’addition).
(v) λ(→−u +→ −
v ) = λ→−u + λ→
−v , (distributivité de la multiplication par un scalaire par rapport à l’addition
vectorielle).
(vi) (λ + µ)→ −
u = λ→ −
u + µ→−
u , (distributivité de la multiplication par un scalaire par rapport à l’addition
scalaire).
(vii) λ(µ→ −
u ) = (λµ)→ −
u (”associativité” de la multiplication externe).
(viii) 1→
−
u =→
−
u , (1 est un ”élément neutre” pour la multiplication externe).

Définition 1.3
Au vu des propriétés (i) à (viii) ci-dessus, on dit que (Rm , +, ·) est un espace vectoriel sur R.
Les éléments de Rm sont appelés les vecteurs de cet espace vectoriel,

Attention à ne jamais additionner des scalaires et des vecteurs et à multiplier deux vecteurs
entre eux.

Définition 1.4
Soient →
−u 1, →
−
u 2, · · · , →
−
u n , n vecteurs de Rm et λ1 , λ2 , · · · , λn , n scalaires. Alors, on dit que le vecteur
→
−
w = λ1 →
−
u 1 + λ2 →
−
u 2 + · · · + λn →
−
u n,

est une combinaison linéaire des vecteurs →

−
u 1, →
−
u 2, · · · , →
−
u n dont les coefficients sont λ1 , λ2 , · · · , λn .

Théorème 1.1
→
−
Un vecteur b de Rm est une combinaison linéaire des vecteurs → −
u 1, →
−
u 1, · · · , →
−
u n de Rm si et seulement
→
−
si le système linéaire ayant pour matrice augmentée (→
−
u1 →
−
u2 ... →
−
u n b ) est compatible.

2
 Définition 1.5
On dit que les vecteurs →
−
u 1, · · · , →
−
u n de Rm engendrent Rm si tout vecteur →
−
w de Rn peut s’écrire comme
une combinaison linéaire des vecteurs → −u 1, · · · , →
−
u n , i.e.
→
− n
Pour tout w dans R , il existe des scalaires λ1 , · · · , λn tels que
→
−
w = λ1 →
−
u 1 + · · · + λn →
−
u n.

1.3 Indépendance linéaire

Définition 1.6
Les vecteurs →
−
u 1, →
−
u 2, · · · , →
−
u n de Rm sont dits linéairement indépendants (ou libres) si
→
−
λ1 →
−
u 1 + λ2 →
−
u 2 + · · · + λn →
−
u n = 0 =⇒ λ1 = λ2 = · · · = λn = 0.

Dans le cas contraire on dit que les vecteurs sont linéairement dépendants (ou liés).

Théorème 1.2
Les vecteurs →
−
u 1, →
−
u 2, · · · , →
−
u n de Rm sont linéairement indépendants si et seulement si le système linéaire
→
−
ayant pour matrice augmentée (→ −u1 →
−
u2 ... →−u n 0 ) a une unique solution.

Par convention, l’ensemble vide est une famille libre.

→
− →
−
i) Le vecteur →
−
v est linéairement indépendant si →−v 6= 0 et linéairement dépendant si →
−v = 0.
ii) Les vecteurs →
−
v 1, →
−
v 2 sont linéairement indépendants si et seulement si →
−
v 1 n’est pas un multiple de
→
− →
−
v et v n’est pas un multiple de v . →
−
2 2 1

Théorème 1.3
Les vecteurs →
−
v 1, · · · , →
−
v n de n ≥ 2 de Rm sont linéairement dépendants si et seulement si il existe au moins
un vecteur v k , 1 ≤ k ≤ n, qui est une combinaison linéaire des vecteurs →
→
− −v 1, · · · , →
−
v k−1 , →
−
v k+1 , · · · , →
−
v n.

Théorème 1.4
1. Lorsque n > m alors toute famille de n vecteurs de Rm est linéairement dépendante.
2. Toute famille linéairement indépendante de vecteurs de Rm a au plus m éléments.
3. Si une famille de vecteurs de Rm contient le vecteur nul, alors elle est linéairement dépendante. Si
elle contient deux vecteurs égaux, alors elle est linéairement dépendante.

3
1.4 Bases de Rm

Définition 1.7
Des vecteurs →
−v 1, · · · , →
−
v n qui à la fois sont linéairement indépendants et engendrent Rm forment une
base de Rm . On note alors B = (→ −
v 1, · · · , →
−
v n ).

Théorème 1.5
Des vecteurs −
→, · · · , −
v 1
→ de Rn forment une base de Rn si et seulement si
v n
Pour tout vecteur →−w de Rn il existe des scalaires λ1 , λ2 , · · · , λn uniques tels que
→
−
w = λ1 →
−
v 1 + λ2 →
−
v 2 + · · · + λn →
−
v n. (1.1)

Remarque : L’équation (1.1) signifie que les vecteurs − →, · · · , −

v 1
→ engendrent Rm . De plus le fait que
vn
les scalaires λ1 , · · · λn sont uniques signifie que la famille est linéairement indépendante.

Les vecteurs →
−
e 1 = (1, 0, · · · , 0), →
−
e 2 = (0, 1, 0, · · · , 0), →
−
e 3 = (0, 0, 1, 0 · · · , 0), · · · , →
−
e m = (0, 0, · · · , 0, 1)
m m
forment une base de R . Cette base s’appelle la base canonique de R .

Définition 1.8
– L’expression (1.1) est la décomposition du vecteur → −
w dans la base (→
−
v 1, · · · , →
−
v n ).
– Les scalaires λ1 , λ2 , · · · , λn sont appelés coordonnées (ou composantes) du vecteur → −
w dans la base
→
− →
−
( v 1 , · · · , v n ).

Théorème 1.6
i) Toute base de Rm admet exactement m éléments.
ii) Toute famille libre de m vecteurs de Rm est une base de Rm .

Définition 1.9
La dimension de Rm est le nombre d’éléments de toute base de Rm ,

dim Rm = m.

4
2 Sous-espaces vectoriels
Désormais nous n’utiliserons plus la notation avec une flèche pour désigner un vecteur.

Définition 2.10
Soit F un sous-ensemble de Rm . On dit que F est un sous-espace vectoriel (s.e.v.) de Rm si
i) 0Rm ∈ F.
ii) pour tous u et v dans F , u + v ∈ F , (F est stable par addition).
iii) pour tout u dans F et tout λ dans R, λu ∈ F , (F est stable pour la multiplication par un scalaire).

Remarques 1) Un s.e.v. n’est jamais vide puisqu’il contient toujours au moins le vecteur nul 0Rm .
2) Un s.e.v. est un espace vectoriel sur R.

Théorème 2.7
Soient F1 et F2 deux s.e.v de Rm . Alors, F1 ∩ F2 est un s.e.v. de Rm .

Remarque : En général, F1 ∪ F2 n’est pas un s.e.v. de Rm .

La notion de base vue à la section précédente s’étend naturellement aux s.e.v de Rm .

Définition 2.11
Soit F un s.e.v. de Rm . Des vecteurs v1 , · · · , vk de F qui à la fois sont linéairement indépendants et
engendrent F forment une base de F .

Théorème 2.8
Soit F un s.e.v. Les vecteurs v1 , · · · , vn de F forment une base de F si et seulement si :
Pour tout vecteur w de F il existe des scalaires λ1 , λ2 , · · · , λn uniques tels que

w = λ1 v1 + λ2 v2 + · · · + λn vn .

Définition 2.12
Les scalaires λ1 , λ2 , · · · , λm sont appelés coordonnées (ou composantes) de w dans B. Et l’on note
(x)B = (λ1 , λ2 , · · · , λm ).

Théorème 2.9
(de la base extraite) Soit F un s.e.v. de Rm engendré par une famille finie de vecteurs V. Alors il existe
un sous-ensemble de V qui est une base de F .
(de la base incomplète) Soit F un s.e.v. de Rm et V une famille libre de vecteurs de F . Alors il existe
une base B de F qui contient V.

5
Corollaire 2.1 Tout s.e.v admet une base.

Théorème 2.10
Soient F un s.e.v. de Rm et B une base de F de cardinal k, {u1 , u2 , . . . , un } une famille de vecteurs de
F . On note A la matrice définie comme suit


A = (u1 )(B) (u2 )(B) . . . (un )(B) .

Alors, la famille {u1 , u2 , . . . , un } est libre si et seulement si le sysème linéaire homogène Ax = 0 n’admet
que la solution triviale.

Théorème 2.11
Soit F un s.e.v. de Rm et soit B une base de F de cardinal k. Toute famille de n vecteurs avec n > k est
linéairement dépendante.

Théorème 2.12 (de la dimension)

Toutes les bases d’un s.e.v. de Rm ont le même nombre d’éléments.

Ce qui conduit à la définition suivante.

Définition 2.13
La dimension d’un s.e.v. F de Rm est le nombre d’éléments de chacune de ses bases.

dimF = cardB, pour toute base B de F.

Théorème 2.13
Soit F un s.e.v de dimension k alors
– toute famille linéairement indépendante de F a au plus k éléments,
– une famille linéairement indépendante de F ayant k éléments est une base de F ,
– toute famille génératrice de F a au moins k éléments,
– une famille génératrice de F ayant k éléments est une base de F .

Remarque. Quand on connaı̂t la valeur de la dimension d’un s.e.v. et seulement dans ce cas , pour
montrer qu’une famille donnée est une base, il suffit de s’assurer que son nombre d’éléments est égal à
la dimension, puis vérifier soit que la famille est linéairement indépendante, soit qu’elle est génératrice.

6
 Théorème 2.14
Soient F1 et F2 deux s.e.v. de Rm tels que F1 ⊂ F2 . Alors

dim F1 ≤ dim F2 ≤ m.

De plus, dim F1 = dim F2 si et seulement si F1 = F2 .

En général un s.e.v. admet une infinité de bases. Comment sont reliées les composantes d’un vecteur
dans une base aux composantes de ce même vecteur dans une autre base ?

Définition 2.14
Soit F un s.e.v. de Rm de dimension k et soient B = (u1 , u2 , · · · , uk ) et B 0 = (v1 , v2 , · · · , vk ) deux bases
de F .
On appelle matrice de passage de B à B 0 la matrice

PB→B0 = ((v1 )B (v2 )B · · · (vk )B ).

C’est une matrice k × k.

Théorème 2.15
Pour tout x ∈ F , (x)B = PB→B0 (x)B0 .