Vous êtes sur la page 1sur 21

Algèbre linéaire

1
Table des matières

1 Espaces vectoriels 3
1.1 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Exemples fondamentaux de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . 5
1.2 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Famille libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Existence de bases (en dimension finie) . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4 Les théorèmes fondamentaux sur la dimension . . . . . . . . . . . . . . . . . . . . 10
1.3 Somme, somme directe, sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . 12

2 Applications linéaires 15
2.1 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Image et noyau. Image d’une famille de vecteurs . . . . . . . . . . . . . . . . . . . . . . . 17

2
Chapitre 1
Espaces vectoriels

1.1 Espaces vectoriels


Définition 1.1 Soit K un corps commutatif. On appelle espace vectoriel sur K un ensemble E sur lequel
on a défini deux lois de composition :
h i
a) Une loi interne c’est-à-dire une application E × E −→ E dite addition, notée +E , et vérifiant :
1. (x +E y ) +E z = x +E (y +E z ), ∀x, y, z ∈ E.
2. x +E y = y +E x, ∀x, y ∈ E.
3. II existe un élément de E noté 0E , ou plus simplement 0, dit élément neutre de l’ensemble E,
tel que ∀x ∈ E : x +E 0E = x.
4. ∀x ∈ E, il existe un élément de E noté (−x), dit opposé de x, tel que : x +E (−x) = 0E .
h i
b) Une loi externe de domaine K c’est-à-dire une application K × E −→ E on note λx (ou λ.x) l’image
dans E du couple (λ, x) ∈ K × E], qui vérifie :
1. λ(µx) = (λµ)x, ∀λ, µ ∈ K, ∀x ∈ E.
2. (λ +K µ)x = λx +E µx, ∀λ, µ ∈ K, ∀x ∈ E.
3. λ(x +E y ) = λx +E λy, ∀λ ∈ K, ∀x, y ∈ E.
4. 1.x = x, ∀x ∈ E. (1 étant l’élément neutre de la multiplication dans K).
Les éléments de K sont dits scalaires et ceux de E vecteurs.

Remarque 1.1 1. Tout au long de chapitre nous allons considérer le corps K = R ou C.


2. (E, +E ) est un groupe abélien (ou commutatif).
3. On pourra noter + au lieu de +E , s’il n’y a pas de risque de confusion.

Exemple 1.1 1. E = Rn muni des deux lois suivantes :

(x1 , . . . , xn ) +(y1 , . . . , yn ) := (x1 + y1 , . . . , xn + yn )


(1.1)
λ(x1 , . . . , xn ) := (λx1 , . . . , λxn ).

est un espace vectoriel sur R. Ici 0Rn = (0, . . . , 0), l’opposé (−x) de x = (x1 , . . . , xn ) est
(−x1 , . . . , −xn ).
2. De même Cn est muni d’une structure d’espace vectoriel sur C.

3
4 CHAPITRE 1. ESPACES VECTORIELS
3. E = Rn n’est un espace vectoriel sur C.

Proposition 1.1 Pour tout λ ∈ K et pour tout x ∈ E, on a


1. λ0E = 0E et 0x = 0E .
2. λx = 0E ⇒ λ = 0 ou x = 0E .
3. (−λ)x = λ(−x) = −(λx).

Démonstration :
1. On a λ0E = λ(0E + 0E ) = λ0E + λ0E , d’où 0E = λ0E . De plus 0x = (0 + 0)x = 0x + 0x,
d’où 0x = 0E .
2. Supposons λx = 0E et λ , 0. En multipliant par λ−1 , on obtient λ−1 (λx) = λ−1 0E = 0E i.e,
1x = 0E , donc x = 0E .
3. Facile, laissée en exercice.

Exercice 1.1 On munit E = R2 des deux lois suivantes :


(x1 , x2 ) +(y1 , y2 ) = (x1 + y1 , x2 + y2 )
λ(x1 , x2 ) = (λx1 , 0), (λ ∈ R)

E est-il un espace vectoriel sur R ?

Exercice 1.2 On note E = R∗+ , l’ensemble des nombres réels strictement positifs. Montrer que les lois :

x ? y = xy et λ.x = xλ , (x, y ∈ R∗+ , λ ∈ R)

confèrent à E une structure d’espace vectoriel sur R.

1.1.1 Sous-espaces vectoriels


Définition 1.2 Soit E un espace vectoriel et F une partie non vide de E. On dit que F est un sous-espace
vectoriel de E, si la restriction des lois de E à F fait de F un espace vectoriel.

Proposition 1.2 Soit E un espace vectoriel et F ⊂ E. Alors F est un sous-espace vectoriel de E si et


seulement si :
1. F , ∅.
2. ∀x, y ∈ F ⇒ x + y ∈ F .
3. ∀x ∈ F , ∀λ ∈ K ⇒ λx ∈ F .

Remarque 1.2 1. L’élément neutre 0E de E coïncide avec l’élément neutre 0F de chaque sous-espace
vectoriel F . C’est pour cette raison que, dans la suite, on le notera simplement 0 (au lieu de 0E ou
0F ), s’il n’y a pas de risque de confusion.
2. Si F est un sous-espace vectoriel, alors F contient nécessairement le vecteur nul.

Proposition 1.3 F est un sous-espace vectoriel de E si et seulement si :


1. F , ∅.
2. ∀x, y ∈ F , ∀λ, µ ∈ K ⇒ λx + µy ∈ F .

ENSAM Casablanca
Exemples fondamentaux de sous-espaces vectoriels 5
1.1.2 Exemples fondamentaux de sous-espaces vectoriels
1. Droite vectorielle. Soit v ∈ E, v , 0, alors F = {y ∈ E| ∃λ ∈ K : y = λv} est un sous-espace
vectoriel de E dit droite vectorielle engendrée par v

Figure 1.1

En effet F , ∅, car v ∈ F . De plus, F est stable pour les lois de E, car si x, y ∈ F (c’est-à-dire :
x = λv, y = µv ), on a :
x + y = λv + µv = (λ + µ)v ∈ F .
De même, si x ∈ F (c’est-à-dire x = λv ), on a : µx = µ(λv ) = (µλ)v ∈ F .
2. Plan vectoriel. Soient x1 , x2 ∈ E et F = {y ∈ E| ∃λ1 , λ2 ∈ K : y = λ1 x1 + λ2 x2 } est un
sous-espace vectoriel de E, dit sous-espace engendré par x1 et x2 . Si x1 et x2 ne sont pas nuls et x2
n’appartient pas à la droite vectorielle engendrée par x1 , F est dit plan vectoriel engendré par x1 et
x2 .

Figure 1.2

Exercice 1.3 1. L’ensemble F = {(x, y, z ) ∈ R3 | 2x + y + 3z = 0} est-il un sous-espace vectoriel


de R3 ?
2. La même question pour l’ensemble G = {(x, y, z ) ∈ R3 | 2x − y − z = 1}.

Exercice 1.4 Soient F et G deux sous-espaces vectoriels de E.


T
1. Montrer que F G est un sous-espace vectoriel de E.
S
2. Montrer que F G n’est pas en général un sous-espace vectoriel de E.
3. Montrer que E\F n’est pas un sous-espace vectoriel de E.

ENSAM Casablanca
6 CHAPITRE 1. ESPACES VECTORIELS
Exercice 1.5 Soit R[a,b] = {f : [a, b] −→ R} muni de +. Lequel de ces sous-ensembles est-il un sous-
espace vectoriel ?
1. C 0 ([a, b], R) = {fonctions continues f : [a, b] −→ R}.
2. L’ensemble des applications surjectives (resp. injectives) f : [a, b] −→ R.
3. L’ensemble des applications f : [a, b] −→ R telles que 2f (a) = f (b).
4. L’ensemble des applications f : [a, b] −→ R telles que f (a) = f (b) + 1.

1.2 Bases
1.2.1 Famille génératrice
Définition 1.3 Une famille de vecteurs {v1 , . . . , vp } d’un espace vectoriel E est dite génératrice, si E =
Vect{v1 , . . . , vp }, ce qui veut dire que

∀x ∈ E ∃λ1 , . . . , λp ∈ K tels que x = λ1 v1 + . . . + λp vp .

On dit aussi, parfois, que tout x ∈ E se décompose sur les vecteurs vi , ou encore que tout x ∈ E est
combinaison linéaire des vecteurs vi .

Exemple 1.2 1. Dans R2 la famille {e1 = (1, 0), e2 = (0, 1)} est une famille génératrice car tout
x = (x1 , x2 ) ∈ R2 , s’écrit :

(x1 , x2 ) = x1 (1, 0) + x2 (0, 1) = x1 e1 + x2 e2 .

2. De plus, l’ensemble {e1 , e2 , v}, avec v = (1, 2). Elle est évidemment génératrice, car pour tout
(x1 , x2 ) ∈ R2 on peut écrire
(x1 , x2 ) = x1 e1 + x2 e2 + 0v.
Plus généralement : toute famille contenant une famille génératrice est génératrice.
3. Dans R2 , soient v1 = (1, 1) et v2 = (1, −1). Montrons que {v1 , v2 } est génératrice.
Soit x = (a, b) ∈ R2 avec a, b arbitraires : il s’agit de montrer qu’il existe x1 , x2 ∈ R tels que
x = x1 v1 + x2 v2 , c’est-à-dire :

(a, b) = (x1 , x1 ) + (x2 , −x2 ) = (x1 + x2 , x1 − x2 ).

Ceci signifie que quels que soient a et b ∈ R, il existe x1 , x2 ∈ R vérifiant le système


(
x1 + x2 = a
x1 − x2 = b.

a+b a−b
En résolvant, on trouve en effet x1 = 2
et x2 = 2
. Donc {v1 , v2 } est génératrice.

Définition 1.4 Un espace vectoriel E est dit de dimension finie, s’il existe une famille génératrice finie
engendre E; dans le cas contraire, on dit qu’il est de dimension infinie.

Remarque 1.3 Kn est un espace vectoriel de dimension finie, alors que R[X ] est de dimension infinie.

ENSAM Casablanca
Famille libre 7
1.2.2 Famille libre
Définition 1.5 Soit {v1 , . . . , vp } une famille finie d’éléments de E. On dit qu’elle est libre, si :

λ1 v1 + . . . + λp vp = 0 ⇒ λ1 = 0, . . . , λp = 0, ∀λi ∈ K, ∀i ∈ {1, . . . , p}.

On dit aussi que les vecteurs v1 , . . . , vp sont linéairement indépendants.

Exemple 1.3 Dans R3 , les vecteurs v1 = (1, 1, −1), v2 = (0, 2, 1), v3 = (0, 0, 5) sont libres. En effet,
supposons qu’il existe des réels λ1 , λ2 , λ3 tels que

λ1 v1 + λ2 v2 + λ3 v3 = 0R3 ,

c’est-à-dire :
λ1 (1, 1, −1) + λ2 (0, 2, 1) + λ3 (0, 0, 5) = 0R3 .

On aura (λ1 , λ1 + 2λ2 , −λ1 + λ2 + 5λ3 ) = (0, 0, 0), ce qui donne immédiatement λ1 = λ2 = λ3 = 0.

Définition 1.6 Une famille qui n’est pas libre est dite liée (on dit aussi que ses vecteurs sont liés ou linéai-
rement dépendants).

Exemple 1.4 Dans R3 , les vecteurs v1 = (1, 2, 1), v2 = (−1, 3, 1) et v3 = (−1, 13, 5) sont liés, car on a
2v1 + 3v2 − v3 = 0.

Proposition 1.4 Une famille {v1 , . . . , vp } est liée si et seulement si l’un au moins des vecteurs vi s’écrit
comme combinaison linéaire des autres vecteurs de la famille (c’est-à-dire si l’un au moins des vi appartient
à l’espace vectoriel engendré par les autres).
Ou, d’une manière équivalente : une famille {v1 , . . . , vp } est libre si et seulement si aucun des vecteurs vi
n’appartient à l’espace engendré par les autres.

Figure 1.3: Les vecteurs v1 et v2 forment une famille liée : v2 appartient à l’espace engendré par v1 .

ENSAM Casablanca
8 CHAPITRE 1. ESPACES VECTORIELS

Figure 1.4: Les vecteurs v1 , v2 et v3 forment une famille liée : v3 appartient à l’espace engendré par v1 et
v2 .

L’intérêt de la notion de famille libre réside dans la propriété suivante :


Proposition 1.5 Soit {v1 , . . . , vp } une famille libre et x ∈ Vect{v1 , . . . , vp }, (c’est-à-dire x est combinaison
linéaire des vi ). Alors la décomposition de x sur les vi est unique.

Démonstration. En effet, soient

x = λ1 v1 + . . . + λp vp = µ1 v1 + . . . + µp vp

deux décompositions de x. En faisant la différence on trouve :

0 = (λ1 − µ1 )v1 + . . . + (λp − µp )vp .

Puisque la famille est libre, on a


λ1 − µ1 = 0, . . . , λp − µp = 0
c’est-à-dire : λ1 = µ1 , . . . λp = µp . r
3
Définition 1.7 On appelle base une famille à la fois libre et génératrice.

On a immédiatement :
Proposition 1.6 Une famille {v1 , . . . , vn } est une base de E si et seulement si tout x ∈ E se décompose
d’une façon unique sur les vi , c’est-à-dire : ∀x ∈ E il existe un unique n-uplet (λ1 , . . . , λn ) ∈ Kn tel
que :
x = λ1 v1 + . . . + λn vn .
Les scalaires λi sont dits composantes de x dans la base {v1 , . . . , vn }.

Exemple 1.5 (Base canonique de Rn [X ])


La famille B = {1, X, X 2 , . . . , X n } est une base de Rn [X ]. En effet, tout P ∈ Rn [X ] s’écrit

P (X ) = a0 1 + a1 X + . . . + an X n

avec ai ∈ R, donc B est génératrice. De plus :

λ0 1 + λ1 X + . . . + λn X n = 0 ⇒ λ0 = 0, λ1 = 0, . . . , λn = 0.

ENSAM Casablanca
Existence de bases (en dimension finie) 9
Exercice 1.6 Soit F = {(x, y, z ) ∈ R3 | 2x + y + 3z = 0}. Chercher une base de F .

Proposition 1.7 1. {x} est une famille libre ⇔ x , 0.


2. Toute famille contenant une famille génératrice est génératrice.
3. Toute sous-famille d’une famille libre est libre.
4. Toute famille contenant une famille liée est liée.
5. Toute famille {v1 , . . . , vp } dont l’un des vecteurs vi est nul, est liée.

Démonstration.
1. On a λx = 0 ⇒ λ = 0 ou x = 0. Donc, si x , 0, λx = 0 implique λ = 0, ce qui signifie que {x}
est une famille libre.
Réciproquement, supposons {x} libre. Alors, d’après la définition de famille libre, si λx = 0 on a
nécessairement λ = 0, ce qui signifie, toujours que x , 0.
2. Soit {v1 , . . . , vp } une famille génératrice et x = λ1 v1 + . . . + λp vp un élément arbitraire de E. On
peut aussi écrire :

x = λ1 v1 + . . . + λp vp + 0w1 + . . . + 0wq avec w1 , . . . , wq ∈ E.

Donc tout x ∈ E est combinaison linéaire de v1 , . . . , vp , w1 , . . . , wq .


3. Soit F = {v1 , . . . , vp } une famille libre et F 0 une sous-famille de F telle que F 0 = {v1 , . . . , vk }
avec k ≤ p. Si F 0 était liée, l’un des vecteurs v1 , . . . , vk serait combinaison linéaire des autres. Il
existerait donc un élément de F qui s’écrirait comme combinaison linéaire de certains éléments de F .
Or, cela est impossible car F est libre.
4. Soit F = {v1 , . . . , vp } une famille liée et G = {v1 , . . . , vp , w1 , . . . , wq }. Alors l’un des vi est
combinaison linéaire des autres. Or, les vecteurs vi appartiennent à G, donc l’un des éléments de G
est combinaison linéaire des autres, et par conséquent G est liée.
5. Évident d’après le point 4, car il s’agit d’une famille contenant {0} et {0} est liée, d’après 1.

1.2.3 Existence de bases (en dimension finie)


Dans ce paragraphe nous allons montrer que dans tout espace vectoriel E , {0}, de dimension finie, il
existe des bases.

Remarque 1.4 Soit E , {0} un espace vectoriel de dimension finie et G = {v1 , . . . , vp } une famille
génératrice : pour tout x ∈ E, il existe a1 , . . . , ap ∈ K tels que :

x = α1 v1 + . . . + αp vp .

Notons que G contient certainement des familles libres : il suffit de prendre, par exemple, L = {vi } avec
vi ∈ G, vi , 0.

Théorème 1.1 Soit E , {0} un espace vectoriel de dimension finie et G une famille génératrice. Considérons
une famille libre L ⊂ G. Il existe alors une base B de E telle que L ⊂ B ⊂ G.

ENSAM Casablanca
10 CHAPITRE 1. ESPACES VECTORIELS
Démonstration : Soit L l’ensemble des parties libres X de E telles que L ⊂ X ⊂ G. L’ensemble L n’est
pas vide car L ∈ L et L est fini puisque, G étant fini, l’ensemble P(G) des parties de G est finie et
L ⊂ P(G). En outre tout élément de L possède un nombre fini d’éléments. Choisissons dans L une partie
B ayant le plus grand nombre possible d’éléments. Soit p ce nombre et montrons que B est une base de E.
Il suffit de montrer que B est une partie génératrice de E puisque par construction B est une partie libre
de E. Comme G engendre E, il suffit de voir que tout élément de G est combinaison linéaire des éléments
de B. Si Card(G) = p, alors on a B = G. La partie génératrice G de E est donc libre. Par conséquent G
est une base de E et le théorème est démontré.
Supposons maintenant que p < Card(G). Si x est un élément de G n’appartenant pas à B, l’en-
semble B {x} est contenu dans G et possède (p + 1) éléments. Donc la famille B {x} est liée. Si
S S

B = {x1 , . . . , xp }, il existe des scalaires λ1 , . . . , λp , λ non tous nuls tels que

λ1 x1 + . . . + λp xp + λx = 0.

On a nécessairement λ , 0, car si λ = 0 les éléments de B vérifieraient une combinaison linéaire nulle à


coefficients non tous nuls et B ne serait pas libre. On en déduit
λ1 λp
x=− x1 − . . . − xp .
λ λ
Ainsi tout élément x ∈ G est combinaison linéaire des éléments de B et le théorème est démontré. r
3

Ce théorème peut s’exprimer aussi de la manière suivante :


Théorème 1.2 Soit E , {0} un espace vectoriel de dimension finie, alors :
1. De toute famille génératrice on peut extraire une base.
2. (Théorème de la base incomplète). Toute famille libre peut être complétée de manière à former une
base.
Démonstration :
1. C’est en fait ce nous avons établi dans la démonstration ci-dessus.
2. Soit L = {v1 , . . . , vp } une famille libre et G = {w1 , . . . , wq } une famille génératrice quelconque.
La famille G0 = G L est génératrice, car elle est une sur-famille d’une famille génératrice, et elle
S

contient la famille L. D’après le théorème d’existence, il existe une base B telle que L ⊂ B ⊂ G0 .r 3

1.2.4 Les théorèmes fondamentaux sur la dimension


Les résultats de ce paragraphe sont particulièrement importants.
Théorème 1.3 Dans un espace vectoriel E sur K de dimension finie, toutes les bases ont le même nombre
d’éléments. Ce nombre est appelé dimension de E sur K et est noté dimK E.

Corollaire 1.1 1. Dans un espace vectoriel de dimension n, toute famille ayant plus de n éléments est
liée.
2. Dans un espace vectoriel de dimension n, les familles ayant moins de n éléments ne peuvent être
génératrices.

Remarque 1.5 1. Si E = {0}, on pose : dimK E = 0.

ENSAM Casablanca
Les théorèmes fondamentaux sur la dimension 11
2. dimR Rn = n. En effet, comme nous l’avons vu, la famille {e1 , . . . , en }, avec

e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en = (0, . . . , 0, 1)

est une base de Rn .


3. La dimension d’un espace vectoriel E dépend non seulement de E mais aussi du corps de base K. En
effet, considérons, par exemple, C muni de la structure d’espace vectoriel sur R définie par les lois :

(a + ib) +(c + id) = (a + c) + i(b + d)


λ(a + ib) = λa + iλb (λ ∈ R).

Tout élément z ∈ C s’écrit d’une manière unique : z = a1 + bi avec a, b ∈ R, ce qui signifie que
{1, i} est une base et donc dimR C = 2. En revanche, si on considère C comme espace vectoriel sur
le corps C, on a : dimC C = 1.

Proposition 1.8 Soient E1 , . . . , Ep des espaces vectoriels de dimension finie sur le même corps K. Alors :

dimK (E1 × . . . × Ep ) = dimK E1 + . . . + dimK Ep .

Exemple 1.6 On a dimC Cn = n et dimR Cn = 2n.

En général, pour montrer qu’une famille est une base, il faut montrer qu’elle est libre et qu’elle est génératrice.
Cependant, si la famille a exactement autant d’éléments que la dimension de l’espace, on a le théorème suivant
qui est d’un usage fréquent :

Théorème 1.4 Soit E un espace vectoriel de dimension n. Alors :


1. Toute famille génératrice ayant n éléments est une base.
2. Toute famille libre ayant n éléments est une base.

Exercice 1.7 1. Montrer que la famille {v1 , v2 } engendre R2 où v1 = (1, 2) et v2 = (−1, 1).
2. La famille {v1 , v2 } est-elle une base ?

Proposition 1.9 Soit E un espace vectoriel de dimension finie et F un sous-espace vectoriel de E. Alors F
est de dimension finie et de plus, on a
1. dimK F ≤ dimK E.
2. dimK F = dimK E ⇔ E = F .

Exercice 1.8 Soit F = Vect{(1, 2) , (2, 1)}. Montrer que F = R2 .

Exercice 1.9 La famille {v1 , v2 , v3 } ⊂ R3 , avec v1 = (1, 1, −1), v2 = (2, 1, 3) et v3 = (0, −1, 5) est-elle
libre ? Quelle relation linéaire lie ces vecteurs ? Est-elle génératrice ?

Exercice 1.10 Soit F = {P ∈ R2 [X ]; P (X ) = λ + (2λ − 3µ)X + µX 2 , λ, µ ∈ R}. Montrer que F


est un sous-espace vectoriel de R2 [X ] et donner une base de F .

ENSAM Casablanca
12 CHAPITRE 1. ESPACES VECTORIELS

1.3 Somme, somme directe, sous-espaces supplémentaires


Définition 1.8 Soient E1 et E2 deux sous-espaces vectoriels d’un espace vectoriel E. On appelle somme de
E1 et E2 , le sous-espace de E défini par :
E1 + E2 = {x ∈ E; ∃x1 ∈ E1 , ∃x2 ∈ E2 : x = x1 + x2 }. (1.2)
Proposition 1.10 Soient E1 et E2 deux sous-espaces vectoriels de E, et soit F = E1 + E2 . La décomposition
de tout élément de F en somme d’un élément de E1 et d’un élément de E2 est unique, si et seulement si
E1 E2 = {0}. On écrit alors F = E1 ⊕ E2 . On dit que F est somme directe de E1 et E2 .
T

Démonstration. D’après la définition, tout élément de F est somme d’un élément de E1 et d’un élément de
E2 . Mais cette décomposition en général n’est pas unique. En effet, supposons que E1 E2 , {0} et soit
T

x0 ∈ E1 E2 avec x0 , 0. Si x = x1 + x2 (avec xi ∈ Ei ) on a aussi la décomposition :


T

x = (x1 + x0 ) + (x2 − x0 ) = x1 + x2 .
| {z } | {z } |{z} |{z}
∈E1 ∈E2 ∈E1 ∈E2

On voit donc qu’une condition nécessaire pour que la décomposition soit unique, et que E1 E2 = {0}.
T

Cette condition est aussi suffisante. Supposons, en effet, que E1 E2 = {0} et soient x = x1 + x2 et
T

x = x01 + x02 deux décompositions de x sur E1 et E2 . Par soustraction, on a :


x1 − x01 = x02 − x2 ∈ E1 ∩ E2 = {0}.
| {z } | {z }
∈E1 ∈E2

Ainsi, x1 = x01 et x2 = x02 . r


3
Remarque 1.6 On a
F = E1 + E2 et


F = E1 + E2


tout élément x ∈ F s’écrit d’une manière unique

 

F = E1 ⊕ E2 ⇔  et ⇔
x = x1 + x2
E1 E2 = {0}
 T 

avec x1 ∈ E1 , x2 ∈ E2

Définition 1.9 Soit E un espace vectoriel et soient E1 et E2 deux sous-espaces vectoriels de E. On dit que
E1 et E2 sont supplémentaires (ou que E2 est un supplémentaire de E1 ), si E = E1 ⊕ E2 .
Proposition 1.11 Soit E un espace vectoriel et soient E1 et E2 deux sous-espaces vectoriels de E. Alors
E = E1 ⊕ E2 si et seulement si pour toute base B1 de E1 et toute base B2 de E2 , la famille {B1 , B2 } est
une base de E.
Démonstration. En effet, soient B1 = {ei }i∈I et B2 = {vj }j∈J des bases de E1 et E2 respectivement et
supposons que {ei , vj }(i,j )∈I×J est une base de E. Alors tout x ∈ E s’écrit d’une manière unique :
x = λ1 e1 + . . . + λn en + µ1 v1 + . . . + µm vm
| {z } | {z }
∈E1 ∈E2

c’est-à-dire tout x ∈ E s’écrit d’une manière unique x = x1 + x2 avec x1 ∈ E1 et x2 ∈ E2 . Ainsi,


E = E1 ⊕ E2 .
Réciproquement, si E = E1 ⊕ E2 , tout x ∈ E se décompose d’une manière unique sur E1 et E2 , et par
conséquent, sur la famille B = {B1 , B2 }. On en déduit que B est une base de E. r
3

ENSAM Casablanca
1.3. SOMME, SOMME DIRECTE, SOUS-ESPACES SUPPLÉMENTAIRES 13
Exemple 1.7 Dans R2 , soient v et w sont deux vecteurs indépendants, E1 = Vect{v} et E2 = Vect{w}
les droites vectorielles engendrées par v et par w. On a R2 = E1 ⊕ E2 car {v, w} est une base. Comme on
le voit sur la Figure 1.5, tout x ∈ R2 se décompose d’une manière unique sur E1 et E2 .

Figure 1.5

Exemple 1.8 Dans R3 , soit π un plan vectoriel et v un vecteur non contenu dans ce plan. On a : R3 =
π ⊕ Vect{v} car si {e1 , e2 } est une base de π, alors {e1 , e2 , v} est une base de R3 .

Figure 1.6

Exercice 1.11 Soient v1 = (1, 0, 0, 1), v2 = (0, 0, 1, 0), v3 = (0, 1, 0, 0), v4 = (0, 0, 0, 1) et v5 =
(0, 1, 0, 1) des vecteurs dans R4 .
1. Vect{v1 , v2 } et Vect{v3 } sont-ils supplémentaires dans R4 ?
2. Vect{v1 , v2 } et Vect{v4 , v5 } sont-ils supplémentaires dans R4 ?
3. Vect{v1 , v3 , v4 } et Vect{v2 , v5 } sont-ils supplémentaires dans R4 ?
4. Vect{v1 , v4 } et Vect{v3 , v5 } sont-ils supplémentaires dans R4 ?

Proposition 1.12 Soit E un espace vectoriel. Pour tout sous-espace vectoriel E1 , il existe toujours un supplé-
mentaire. Le supplémentaire de E1 n’est pas unique, mais si E est de dimension finie, tous les supplémentaires
de E1 ont même dimension.

ENSAM Casablanca
14 CHAPITRE 1. ESPACES VECTORIELS
Proposition 1.13 Soit E un espace vectoriel de dimension finie et soient E1 et E2 deux sous-espaces vectoriels
de E. On a
dim(E1 + E2 ) = dim(E1 ) + dim(E2 ) − dim(E1 ∩ E2 ). (1.3)
En particulier
dim(E1 ⊕ E2 ) = dim(E1 ) + dim(E2 ). (1.4)

Démonstration. Il est clair que E1 ∩ E2 est un sous espace vectoriel de E, alors de dimension finie. Soit
BE1 ∩E2 = {e1 , e2 , . . . , ek } est une base de E1 ∩ E2 avec dim(E1 ∩ E2 ) = k. De plus, BE1 ∩E2 est libre
dans E1 , on peut la compléter en une base de E1 par le théorème de la base incomplète. Soit donc {f1 , . . . , fl }
une famille des vecteurs de E1 tels que BE1 = {e1 , . . . , ek , f1 , . . . , fl } soit une base de F . Nous savons
que dim(E1 ) = k + l. Remarquons que les vecteurs fj sont dans E1 \E2 (car ils sont dans E1 mais pas
dans E1 ∩ E2 ). Nous repartons de la famille BE1 ∩E2 = {e1 , . . . , ek } mais cette fois nous la complétons
en une base de E2 . Soit {g1 , . . . , gm } des vecteurs de E2 tels que BE2 = {e1 , . . . , ek , g1 , . . . , gm } soit
une base de E2 . Nous savons que dim(E2 ) = k + m. Remarquons aussi que les vecteurs gj sont dans
E2 \E1 . Montrons que BE1 +E2 = {e1 , . . . , ek , f1 , . . . , fl , g1 , . . . , gm } est une base de E1 + E2 . C’est une
famille génératrice car E1 = Vect{BE1 } ⊂ Vect{BE1 +E2 } et E2 = Vect{BE2 } ⊂ Vect{BE1 +E2 }. Donc
E1 + E2 ⊂ Vect{BE1 +E2 }. C’est une famille libre. En effet, soit une combinaison linéaire nulle

α1 e1 + . . . + αk ek + β1 f1 + . . . + βl fl + γ1 g1 + . . . + γm gm = 0. (1.5)

Notons e = α1 e1 + . . . + αk ek ; f = β1 f1 + . . . + βl fl et g = γ1 g1 + . . . + γm gm . Ainsi (1.5) s’écrit


sous la forme e + f + g = 0. On a g = −e − f , or e et f sont dans E1 , donc g ∈ E1 . Or les vecteurs gj
ne sont pas dans E1 . Alors g = γ1 g1 + . . . + γm gm = 0. Or, la famille {g1 , . . . , gm } est libre, donc tous
les scalaires γ1 , γ2 , . . . , γm sont nuls. Le reste de l’équation (1.5) devient

α1 e1 + . . . + αk ek + β1 f1 + . . . + βl fl = 0.

Or, la famille {e1 , . . . , ek , f1 , . . . , fl } est libre, donc tous les scalaires α1 , . . . , αk , β1 , . . . , βl sont nuls.
Par conséquent, la famille BE1 +E2 est libre, donc c’est une base de E1 + E2 . On en déduit alors que
dim(E1 + E2 ) = k + l + m. En utilisant maintenant le fait que dim(E1 E2 ) = k, dim(E1 ) = k + l,
T

dim(E2 ) = k + m, on obtient dim(E1 E2 ) = dim(E1 ) + dim(E2 ) − dim(E1 E2 ). r 3


T T

ENSAM Casablanca
Chapitre 2
Applications linéaires

Dans ce chapitre, qui est un peu l’axe de tout le reste du cours, nous allons donner essentiellement les
définitions et les résultats élémentaires de base.

2.1 Applications linéaires


Définition 2.1 Soient E et E 0 deux espaces vectoriels sur le même corps K et f une application de E dans
E 0 . On dit que f est linéaire, si :
1. f (x + y ) = f (x) + f (y ), ∀x, y ∈ E.
2. f (λx) = λf (x), ∀x ∈ E, ∀λ ∈ K.
L’ensemble des applications linéaires de E dans E 0 est noté LK (E, E 0 ) ou plus simplement, L(E, E 0 ).

Remarque 2.1 Si f est linéaire, on a : f (0) = 0. Il suffit, en effet, de faire λ = 0 dans f (λx) = λf (x).

Définition 2.2 1. On appelle endomorphisme de E, une application linéaire de E dans E (même espace
de départ et d’arrivée). L’ensemble des endomorphismes de E est noté EndK (E ) ou, plus simplement
End(E ) ou encore LK (E ) ou L(E ).
2. On appelle isomorphisme de E sur E 0 une application linéaire bijective de E dans E 0 .

Exemple 2.1
f : E −→ E 0
v 7−→ 0
est une application linéaire dite application nulle.

Exemple 2.2
idE : E −→ E
v 7−→ v
est un endomorphisme de E dit identité sur E.

Exemple 2.3
f : R3 −→ R2
(x1 , x2 , x3 ) 7−→ (2x1 + x2 , x2 − x3 )

15
16 CHAPITRE 2. APPLICATIONS LINÉAIRES
est une application linéaire. En effet, si v = (x1 , x2 , x3 ) et w = (y1 , y2 , y3 ), on a :

f (v + w ) = f ((x1 + y1 , x2 + y2 , x3 + y3 ))
= (2(x1 + y1 ) + (x2 + y2 ), (x2 + y2 ) − (x3 + y3 ))
= ((2x1 + x2 ) + (2y1 + y2 ), (x2 − x3 ) + (y2 − y3 ))
= f (v ) + f (w ).
f (λv ) = f ((λx1 , λx2 , λx3 )) = (2λx1 + λx2 , λx2 − λx3 )
= λ(2x1 + x2 , x2 − x3 )
= λf (v ).

Exemple 2.4 L’application

f : R3 −→ R2
(x1 , x2 , x3 ) 7−→ (x21 − x2 , x2 + x3 )

n’est pas linéaire (ni 1, ni 2 de la Définition 2.1 ne sont satisfaites à cause du terme au carré).

Exemple 2.5 Soient C 0 ([0, 1], R) et C 1 ([0, 1], R) les espaces vectoriels des applications f : [0, 1] −→ R
respectivement continues et continues à dérivée continue. L’application :

D : C 1 ([0, 1], R) −→ C 0 ([0, 1], R)


f 7−→ f0

est une application linéaire, puisque :

D (f + g ) = (f + g )0 = f 0 + g 0 = Df + Dg
D (λf ) = (λf )0
= λf 0
= λDf

si λ ∈ R et f , g ∈ C 1 ([0, 1], R).

Exemple 2.6 Soit E = E1 ⊕ E2 , alors tout vecteur x ∈ E s’écrit d’une manière unique x = x1 + x2 où
x1 ∈ E1 et x2 ∈ E2 . L’application :

pr1 : E −→ E1
(2.1)
x = x1 + x2 7−→ x1

est une application linéaire dite projecteur (ou une projection) sur E1 parallèlement à E2 . De la même
manière, on définit le projecteur sur E2 parallèlement à E1 , par

pr2 : E −→ E2
. (2.2)
x = x1 + x2 7−→ x2

ENSAM Casablanca
2.2. IMAGE ET NOYAU. IMAGE D’UNE FAMILLE DE VECTEURS 17

Figure 2.1

Exemple 2.7 Soit v0 , 0 un vecteur de E, l’application translation définie par

tv0 : E −→ E
v 7−→ v + v0

n’est pas linéaire (noter, par exemple, que : tv0 (0) = v0 , 0).

Exercice 2.1 1. Soit E = C ([0, 1], R) l’espace vectoriel des applications continues de [0, 1] dans R.
Montrer que l’application :
φ1 : E −→ E
f 7−→ F
Z x
où F (x) = f (t)dt, est un endomorphisme de E.
0
2. L’application suivante
φ2 : E −→ E
f 7−→ G
Z x
où G(x) = |f (t)|dt, est-elle linéaire ?
0

2.2 Image et noyau. Image d’une famille de vecteurs


Proposition 2.1 Soit f : E −→ E 0 une application linéaire et F un sous-espace vectoriel de E. Alors f (F )
est un sous-espace vectoriel de E 0 . En particulier f (E ) est un sous-espace vectoriel de E 0 appelé image de
f et noté Im(f ). Sa dimension est appelée rang de f et est notée :

rg(f ) := dim(Imf ) = dim(f (E )). (2.3)

ENSAM Casablanca
18 CHAPITRE 2. APPLICATIONS LINÉAIRES
Démonstration. En effet, soient y1 , y2 ∈ f (F ); il existe alors x1 , x2 ∈ F tels que
y1 = f (x1 ) et y2 = f (x2 ).
On a : y1 + y2 = f (x1 ) + f (x2 ) = f (x1 + x2 ); donc y1 + y2 ∈ f (F ). De plus, si y ∈ f (F ) (alors
| {z }
∈F
y = f (x) avec x ∈ F ), alors pour tout λ ∈ K, on a : λy = λf (x) = f (λx
|{z}); ainsi λy ∈ f (F ). r
3
∈F
Proposition 2.2 Soit f ∈ L(E, E 0 ) et ker f := {x ∈ E; f (x) = 0E 0 } est un sous-espace vectoriel de E
appelé noyau de f .
Démonstration. Soient x, y ∈ ker f , on a f (x + y ) = f (x) + f (y ) = 0 + 0 = 0; donc x + y ∈ ker f .
De plus, ∀λ ∈ K et ∀x ∈ ker f , on a f (λx) = λf (x) = λ0 = 0. Ainsi, λx ∈ ker f . r 3
Proposition 2.3 Soit f ∈ L(E, E 0 ). Alors f est injective si et seulement si ker f := {0E }.
Démonstration. En effet, soient ker f = {0E } et x, y ∈ E tels que f (x) = f (y ). Cela implique que
f (x) − f (y ) = 0, d’où f (x − y ) = 0. Ainsi x − y ∈ ker f = {0E } et donc x = y c’est-à-dire f est
injective.
Réciproquement, supposons que f est injective et soit x ∈ ker f , c’est-à-dire f (x) = 0. Puisque f (0) = 0
pour toute application linéaire, on a f (x) = f (0). Le fait que f est injective implique x = 0. On en déduit
que ker f = {0E }. r 3
Exemple 2.8 Soit
f : R3 −→ R3
(x, y, z ) 7−→ (x0 , y 0 , z 0 )

x0 = x + y − z



y 0 = 2x + y − 3z
 0
z = 3x + 2y − 4z

ker f est l’ensemble des triplets (x, y, z ) ∈ R3 qui vérifient le système :




 x+y−z =0
2x + y − 3z =0
3x + 2 y − 4 z = 0 .

On trouve facilement x = 2λ, y = −λ, z = λ; c’est-à-dire ker f est la droite vectorielle engendrée
par le vecteur (2, −1, 1). Pour ce qui est de Imf , on a : (x0 , y 0 , z 0 ) ∈ Imf si et seulement si, il existe
(x, y, z ) ∈ R3 vérifiant le système :
= x0


 x+y−z
2x + y − 3z = y0
3x + 2y − 4z = z 0

Il s’agit donc de savoir pour quelles valeurs de x0 , y 0 , z 0 . On a


x + y − z = x0 0
 

  x+y−z = x

−y − z 0 0
= y − 2x ⇒  y + z = 2x0 − y 0
−y − z = z 0 − 3x0 = 2x0 − y 0 + z 0 − 3x0

 
0
la condition de compatibilité est 2x0 − y 0 + z 0 − 3x0 = 0 c’est-à-dire x0 + y 0 − z 0 = 0. L’image de f est
donc le plan de R3 d’équation x0 + y 0 − z 0 = 0. Ainsi rg(f ) = 2.

ENSAM Casablanca
2.2. IMAGE ET NOYAU. IMAGE D’UNE FAMILLE DE VECTEURS 19
Exercice 2.2 Soient E un espace vectoriel et E1 et E2 deux sous espaces vectoriels de E tels que E =
E1 ⊕ E2 . Soient pr1 le projecteur sur E1 parallèlement à E2 et pr2 le projecteur sur E2 parallèlement à E1 .
1. Montrer que prj ◦ prj = prj , ∀j = 1, 2 et pr1 ◦ pr2 = pr2 ◦ pr1 = 0.
2. Montrer que E = Im(prj ) ⊕ ker(prj ), ∀j = 1, 2.

Proposition 2.4 Soit f ∈ L(E, E 0 ) et {vj }j∈I une famille de vecteurs de E.


1. Si f est injective et la famille de {vj }j∈I est libre, alors la famille {f (vj )}j∈I de E 0 est libre.
2. Si f est surjective et la famille {vj }j∈I est génératrice de E, alors la famille {f (vj )}j∈I est génératrice
de E 0 .
En particulier si f est bijective l’image d’une base de E est une base de E 0 .

Démonstration.
1. Supposons que la famille {vj }j∈I est libre et que f soit injective. Alors pour toute famille extraite
{vα1 , vα2 , . . . , vαq } la relation

λ1 f (vα1 ) + . . . + λq f (vαq ) = 0 ⇒ f (λ1 vα1 + . . . + λq vαq ) = 0 ⇒ λ1 vα1 + . . . + λq vαq ∈ ker f .

Or ker f = {0E }, donc


λ1 vα1 + . . . + λq vαq = 0E
et puisque la famille {vj }j∈I est libre, on a λ1 = 0, . . . , λq = 0. Donc la famille {f (vj )}j∈I est
libre.
2. Soit y ∈ E 0 quelconque ; puisque f est surjective, il existe x ∈ E tel que y = f (x). D’autre part la
famille {vj }j∈I est génératrice de E, ainsi, x s’écrit sous la forme

x = λ1 vα1 + . . . + λp vαp ,

d’où y = f (x) = λ1 f (vα1 ) + . . . + λp f (vαp ). Alors y est une combinaison linéaire d’éléments
de la famille {f (vj )}j∈I et, puisqu’il est choisi arbitrairement dans E 0 , la famille {f (vj )}j∈I est
génératrice. r
3

Théorème 2.1 Deux espaces vectoriels de dimension finie sont isomorphes, si et seulement si, ils ont même
dimension.

Démonstration. En effet, s’il existe un isomorphisme f : E −→ E 0 , l’image par f d’une base de E est une
base de E 0 , donc E et E 0 ont même dimension.
Réciproquement, supposons que dim E = dim E 0 et soient {e1 , . . . , en } et {e01 , . . . , e0n } deux bases
respectivement de E et E 0 . Considérons l’application f : E −→ E 0 construite de la manière suivante :
1. pour k = 1, . . . , n on pose : f (ek ) = e0k ;
n n n
xk e0k .
X X X
2. si x = xk ek on pose f (x) = xk f (ek ) =
k =1 k =1 k =1
On vérifie facilement que f est linéaire et bijective. r
3

Dans le cas où les espaces E et E 0 sont de dimension finie, les dimensions du noyau et de l’image de l’ap-
plication f sont liées par la relation donnée dans le théorème suivant, l’un des plus importants en Algèbre
Linéaire :

ENSAM Casablanca
20 CHAPITRE 2. APPLICATIONS LINÉAIRES
Théorème 2.2 (Théorème du rang).
Soient E et E 0 deux espaces vectoriels de dimension finie et f : E −→ E 0 une application linéaire. On a
alors :
dim E = rg(f ) + dim(ker f ). (2.4)

Démonstration. Supposons que dim E = n et dim(ker f ) = r et montrons que dim(Imf ) = n − r.


Soit {w1 , . . . , wr } une base de ker f , et {v1 , . . . , vn−r } une famille de vecteurs telle que
{w1 , . . . , wr , v1 , . . . , vn−r } soit une base de E. Soit B = {f (v1 ), . . . , f (vn−r )}. Montrons que B est
une base de Imf .
1. B engendre Imf .
Soit, en effet y = f (x) ∈ Imf . Comme x ∈ E, alors x s’écrit sous la forme

x = a1 w1 + . . . + ar wr + b1 v1 + . . . + bn−r vn−r .

On a donc :
y = f (a1 w1 + . . . + ar wr + b1 v1 + . . . + bn−r vn−r )
= a1 f (w1 ) + . . . + ar f (wr ) + b1 f (v1 ) + . . . + bn−r f (vn−r )
= b1 f (v1 ) + . . . + bn−r f (vn−r ),

ce qui montre que B engendre Imf .


2. B est libre.
Supposons que λ1 f (v1 ) + . . . + λn−r f (vn−r ) = 0E 0 ; on aura f (λ1 v1 + . . . + λn−r vn−r ) = 0E 0 ,
donc
λ1 v1 + . . . + λn−r vn−r ∈ ker f .
Par conséquent, il existe a1 , . . . , ar ∈ K tels que :

λ1 v1 + . . . + λn−r vn−r = a1 w1 + . . . + ar wr

c’est-à-dire :
λ1 v1 + . . . + λn−r vn−r − a1 w1 − . . . − ar wr = 0E .
Puisque la famille {v1 , . . . , vn−r , w1 , . . . , wr } est libre, les coefficients de cette combinaison linéaire
sont tous nuls ; en particulier λ1 = 0, λ2 = 0, . . . , λn−r = 0, c’est-à-dire B est libre. r 3

Remarque 2.2 1. Si f est injective ⇒ ker f = {0E } ⇒ dim(ker f ) = 0 ⇒ dim E = rgf =


dim(f (E )) ≤ dim E 0 .
2. Si f est surjective ⇒ f (E ) = E 0 ⇒ dim E 0 = dim(f (E )) = rgf . Puisque dim(ker f ) ≥ 0, on
obtient dim E 0 ≤ dim E.
3. Si f est bijective ⇒ f injective et surjective ⇒ dim E ≤ dim E 0 et dim E 0 ≤ dim E. Donc
dim E = dim E 0 .

Exercice 2.3 1. Existe-t-il une application linéaire injective de R2 dans R ?


2. Existe-t-il une application linéaire surjective de R dans R2 ?
3. Existe-t-il une application linéaire f : R4 −→ R3 telle que ker f = Vect{(1, 2, 0, −3)} et Imf =
{(x, y, z ) ∈ R3 ; x − y + z = 0} ?

ENSAM Casablanca
2.2. IMAGE ET NOYAU. IMAGE D’UNE FAMILLE DE VECTEURS 21
Corollaire 2.1 Soient f ∈ L(E, E 0 ), E et E 0 étant deux espaces vectoriels de même dimension finie. Alors
les propriétés suivantes sont équivalentes :
1. f est injective.
2. f est surjective.
3. f est bijective.

Démonstration. Il suffit, bien entendu de montrer que 1. est équivalent à 2. Comme on l’a vu f est injective si
et seulement si ker f = {0E }. Puisque dim E = rgf + dim(ker f ); donc f est injective si et seulement si
dim E = rgf , c’est-à-dire dim E = dim(Imf ). Or, par hypothèse, dim E = dim E 0 , donc f est injective
si et seulement si dim(Imf ) = dim E 0 . Puisque Imf ⊂ E 0 cela équivaut à Imf = E 0 , c’est-à-dire f est
surjective. r
3

ENSAM Casablanca