Applications linéaires 1 ECS 1

APPLICATIONS LINEAIRES

I – Applications linéaires
1) Définitions et premières propriétés
L’enjeu est de déterminer des applications qui transportent la structure d’espace
vectoriel. La notion « clé » des espaces vectoriels est la notion de combinaison
linéaire. Ce sont donc les applications qui conservent cette notion.
Définition : Soient E et F deux espaces vectoriels sur K.
Une application de E dans F est une application linéaire (ou homomorphisme) si :
∀(u, v ) ∈ E 2 f (u + v ) = f (u ) + f (v) et ∀α ∈ K ∀u ∈ E f ( αu ) = αf (u ) .
Ceci équivaut à : ∀α ∈ K ∀(u , v) ∈ E 2 f (αu + v ) = αf (u ) + f (v) .
Exemple 1 : L’application f qui à tout vecteur u = ( x, y ) de E = R 2 associe le vecteur
f (u ) = ( x + y , x − y, 2 x + 3 y ) de F = R 3 est linéaire. En effet, pour tous réels α et
tous vecteurs u = ( x, y ) et v = ( x ', y ') , on a :
- D’une part f (u ) = ( x + y , x − y, 2 x + 3 y ) et f (v) = ( x '+ y ', x '− y ', 2 x '+ 3 y ') ,
donc : αf (u ) + f ( v) = α( x + y, x − y , 2 x + 3 y ) + ( x '+ y ', x '− y ', 2 x '+ 3 y ') , donc :
αf (u ) + f (v) = (αx + αy + x '+ y ', αx − αy + x '− y ', 2αx + 3αy + 2 x '+ 3 y ')
- D’autre part αu + v = α ( x, y ) + ( x ', y ') = (αx + x ', αy + y ') = ( X , Y ) , donc :
f (αu + v ) = ( X + Y , X − Y , 2 X + 3Y )
f (αu + v ) = ( αx + x '+ αy + y ', αx + x '− αy − y ', 2αx + 2 x '+ 3αy + 3 y ')
Donc ∀α ∈R ∀(u , v) ∈ E 2 f (αu + v) = αf (u ) + f (v) .
Donc f est une application linéaire de E = R 2 dans F = R 3 .
Exemple 2 : L’application f qui à tout polynôme P de E = R[ X ] associe le polynôme
f ( P ) = P ' de F = R[ X ] est linéaire. En effet, pour tous réels α , et tous polynômes P
et Q : f (αP + Q) = (αP + Q) ' = αP '+ Q ' = αf ( P ) + f (Q ) .
Théorème : Si f est une application linéaire de E dans F, alors f (0 E ) = 0 F .
Démonstration : Il suffit par exemple de prendre α = 0 , u étant quelconque.
f (0 E ) = f (0u ) = 0 f (u ) = 0 F .
Théorème : Si f est une application linéaire de E dans F, alors :
 n  n
∀(α1 ,..., α n ) ∈ K n ∀(u1 ,..., un ) ∈ E n f  ∑ αk uk  = ∑ α k f (uk ) .
 k =1  k =1
Démonstration : Récurrence évidente.
Définitions : On appelle :
• endomorphisme de E toute application linéaire de E dans E.
• isomorphisme de E dans F toute application linéaire bijective de E dans F.
• automorphisme de E toute application linéaire bijective de E dans E.
Par exemple, la dérivation est un endomorphisme de E = R[ X ] .
2) Matrice d’une application linéaire en dimension finie
Supposons que E et F soient deux espaces vectoriels de dimension finie :
- E est de dimension p et de base B = (e1 ,..., e p ) .
- F est de dimension n et de base B ' = (e'1 ,..., e' n ) .

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 2 ECS 1

Soit f une application linéaire de E dans F.

p
Tout vecteur u de E a des coordonnées dans la base B : u = ∑ x je j .
j =1

 p  p
Donc, puisque f est linéaire : f (u ) = f  x j e j  =
∑ ∑
x j f (e j ) .
 
 j =1  j =1
Donc l’application f est entièrement connue lorsque l’on connaît tous les vecteurs
f (e j ) images par f des vecteurs de la base B .
Or ces vecteurs sont des vecteurs de F, qui sont déterminés par leurs coordonnées dans
n
la base B ' : ∀j ∈ {1,... p} f (e j ) = ∑ ai , j e'i .
i =1
Définition : Si f est une application linéaire d’un espace vectoriel E de base
B = (e1 ,..., e p ) dans un espace vectoriel F de base B ' = (e'1 ,..., e' n ) , on appelle
matrice de f est la matrice A = (ai , j ) à n lignes et p colonnes dont les colonnes sont
les coordonnées des images des vecteurs de la base B dans la base B ' .
Si f est un endomorphisme de E, la matrice de f dans la base B correspond au cas
précédent pour B ' = B .
Exemple : On a vu que l’application f qui à tout vecteur u = ( x, y ) de E = R 2 associe
le vecteur f (u ) = ( x + y , x − y, 2 x + 3 y ) de F = R 3 est linéaire.
Si on considère les bases canoniques C et C ' de E = R 2 et F = R 3 :
e1 = (1, 0) , donc : f (e1 ) = (1,1, 2) = e '1 + e '2 + 2e '3 .
e2 = (0,1) , donc : f (e2 ) = (1, −1,3) = e '1 − e '2 + 3e '3 .
1 1 
 
Donc la matrice de f est : A =  1 − 1 pour les deux bases canoniques.
2 3 
 
Remarque : Bien entendu, si l’on change l’une des deux bases, on change la matrice.
Exemple : On considère l’endomorphisme f de E = R 2 qui à tout u = ( x, y ) associe le
vecteur v = ( x + y , x − y ) de E.
1 1 
Dans la base canonique C = (e1 , e2 ) , la matrice de f est : A =  .
 1 −1
Les vecteurs u1 = (3,1) et u 2 = (5,2) forment une base B de E.
On détermine f (u1 ) = (4,2) et f (u 2 ) = (7,3) .
Pour avoir la matrice B de f dans la base B , il faut déterminer les coordonnées de
f (u1 ) et f (u2 ) dans la base B = (u1 , u 2 ) :
3α + 5β = 4
f (u1 ) = αu1 + βu 2 ssi  donc ssi α = −2 et β = 2 . Donc f (u1 ) = −2u1 + 2u 2 .
 α + 2β = 2
3α + 5β = 7
f (u 2 ) = αu1 + βu 2 ssi  donc ssi α = −1 et β = 2 . Donc f (u 2 ) = −u1 + 2u 2 .
 α + 2β = 3
 − 2 − 1
Donc la matrice B de f dans la base B est : B =  .
 2 2 

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 3 ECS 1

p
De plus, en reprenant les calculs précédents, si u = ∑ x je j alors :
j =1
p p
 n  n  p

f (u ) = ∑ x j f (e j ) = ∑ x j  ∑ ai , j e' i  = ∑  ∑ ai , j x j  e' i
j =1 j =1  i =1  i =1  j =1 
p
Donc les coordonnées de f (u ) dans B ' sont : y i = ∑ ai , j x j .
j =1

 x1 
p  
A tout vecteur u = ∑
x j e j de E, on peut associer la matrice colonne X =  M  .
x 
j =1
 p
 y1 
n  
Au vecteur f (u ) = ∑ y i e' i de F, on peut associer la matrice colonne Y =  M  .
i =1 y 
 n
p
L’égalité ∀i ∈ {1,..., n} y i = ∑ ai , j x j se traduit par l’égalité matricielle : Y = AX .
j =1

Théorème : Si f est une application linéaire de matrice A d’un espace vectoriel E de base
B = (e1 ,..., e p ) dans un espace vectoriel F de base B ' = (e'1 ,..., e' n ) , alors tout vecteur
u de matrice X dans B a pour image le vecteur f (u ) de matrice Y = AX dans B ' .
Exemple 1 : Supposons que f soit un endomorphisme de E = R 3 dont la matrice dans
 1 − 1 1
 
la base canonique est A =  2 3 1 . Alors si u = ( x, y, z ) , son image f (u ) a pour
 3 − 2 1
 
 1 − 1 1 x   x − y + z 
    
matrice Y =  2 3 1 y  =  2 x + 3 y + z  .
 3 − 2 1 z   3 x − 2 y + z 
    
Donc f (u ) = ( x − y + z , 2 x + 3 y + z ,3 x − 2 y + z )
Exemple 2 : Soit f l’application de E = R 3 dans E = R 3 qui à u = ( x, y, z ) associe le
 x' = x + y  x'   x 1 1 0
      
vecteur f (u ) = ( x' , y ' , z ' ) avec  y ' = x + z . Alors :  y '  = A y  avec : A =  1 0 1  .
 z' = y + z  z'  z 0 1 1
      
On démontre ainsi facilement que f est linéaire.
En effet, si u a pour matrice X 1 et v pour matrice X 2 , alors f (u ) a pour matrice
Y1 = AX 1 et f (v ) a pour matrice Y2 = AX 2 .
Or αu + v a pour matrice X = αX 1 + X 2 . Donc f (αu + v ) a pour matrice
Y = AX = A(αX 1 + X 2 ) = αAX 1 + AX 2 = αY1 + Y2 . Donc f (αu + v ) = α f (u ) + f (v) .
Cela revient à dire que, pour toute matrice A ∈ M n , p ( K ) , l’application X a AX est
linéaire de M p ,1 ( K ) dans M n ,1 ( K ) .

3) Images de sous-espaces vectoriels

E et F désignent deux espaces vectoriels.
Rappel : On appelle image par f d’une partie A de E l’ensemble de toutes les images
des éléments de cette partie : f ( A) = { f (u ) / u ∈ A}.

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 4 ECS 1

Théorème : Si f est une application linéaire de E dans F, alors l’image par f d’un sous-
espace vectoriel E ' de E est un sous-espace vectoriel de F.
Démonstration : Soit E ' un sous-espace vectoriel de E.
Par définition : v ∈ f ( E ' ) ⇔ ∃u ∈ E ' v = f (u ) .
• f (E ' ) ≠ Y . En effet E ' un sous-espace vectoriel de E, donc 0 E ∈ E ' et donc
f (0 E ) = 0 F appartient à f (E ' ) .
• Pour tout α ∈ K et tous vecteurs v1 ∈ f ( E ' ) et v 2 ∈ f ( E ' ) , il existe deux
vecteurs u1 ∈ E ' et u 2 ∈ E ' tels que v1 = f (u1 ) et v 2 = f (u 2 ) .
Donc : αv1 + v2 = αf (u1 ) + f (u2 ) = f (αu1 + u2 ) car f est linéaire.
Or E ' un sous-espace vectoriel, donc αu1 + u2 ∈ E ' . Donc αv1 + v2 ∈ f ( E ') .
Donc f (E ' ) est un sous-espace vectoriel de F.
Définition : Si f est une application linéaire de E dans F, on appelle image de
l’application linéaire f l’ensemble Im f = f ( E ) = {v ∈ F / ∃u ∈ E v = f (u )} .
C’est un cas particulier puisque E est un sous-espace de lui-même.
Théorème : Si f est une application linéaire de E dans F, alors son image Im f est un
sous-espace vectoriel de F.
L’application f est surjective ssi tout vecteur de F a un antécédent dans E, donc
appartient à Im f = f ( E )
Théorème : Si f est une application linéaire de E dans F, alors f est surjective si et
seulement si Im f = F .
Rappel : On appelle image réciproque par f d’une partie B de F l’ensemble de tous les
antécédents des éléments de cette partie : f −1 ( B) = {u ∈ E / f (u ) ∈ B}.
Remarque : On utilise la notation f −1 , mais l’application f n’est pas à priori bijective,
et donc il n’y a pas d’application réciproque. Donc f −1 (v) n’a pas de sens.
Théorème : Si f est une application linéaire de E dans F, alors l’image réciproque par f
d’un sous-espace vectoriel de F est un sous-espace vectoriel de E.
Démonstration : Soit F ' un sous-espace vectoriel de F.
Par définition : u ∈ f −1 ( F ' ) ⇔ f (u ) ∈ F ' .
• f −1 ( F ' ) ≠ Y . En effet 0 E ∈ f −1 ( F ' ) puisque f (0 E ) = 0 F appartient à F ' car
c’est un sous-espace vectoriel de F.
• Pour tous α ∈ K et tous vecteurs u1 ∈ f −1 ( F ' ) et u 2 ∈ f −1 ( F ' ) , on a f (u1 ) ∈ F '
et f (u 2 ) ∈ F ' . Donc, comme F ' est un sous-espace vectoriel de F,
αf (u1 ) + f (u2 ) ∈ F ' . Or f est linéaire. Donc αf (u1 ) + f (u2 ) = f (αu1 + u2 ) . Donc
f (αu1 + u2 ) ∈ F ' . Et donc αu1 + u2 ∈ f −1 ( F ') .
Donc f −1 ( F ' ) est un sous-espace vectoriel de E.
Définition : Si f est une application linéaire de E dans F, on appelle noyau de
l’application linéaire f l’ensemble Ker f = f −1 ({0 F }) = {u ∈ E / f (u ) = 0 F }.
C’est un cas particulier puisque {0 F } est un sous-espace vectoriel de F.
Théorème : Si f est une application linéaire de E dans F, alors son noyau Ker f est un
sous-espace vectoriel de E.
On en déduit une caractérisation des applications linéaires injectives.
Théorème : Si f est une application linéaire de E dans F, alors f est injective si et
seulement si Ker f = {0 E } .

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 5 ECS 1

Démonstration : On sait que f est linéaire, donc que f (0 E ) = 0 F , donc que 0 E est un
antécédent de 0 F . D’autre part, Ker f est l’ensemble des antécédents de 0 F .
Donc, si f est injective, Ker f ne contient que 0 E . Donc Ker f = {0 E } .
Réciproquement, supposons que Ker f = {0 E } et montrons que f est injective.
Supposons qu’il existe un vecteur v ∈ F qui possède deux antécédents u et u ' .
On a donc v = f (u ) = f (u ' ) , donc f (u ) − f (u ' ) = 0 F , donc f (u − u ' ) = 0 F , donc
u − u '∈ Ker f , donc u − u '= 0 E , donc u = u ' . Il y a donc unicité de l’antécédent
lorsqu’il existe. Donc f est injective.
Théorème : Si f est une application linéaire de E dans F, alors f est un isomorphisme si
et seulement si Ker f = {0 E } et Im f = F .
Cas des espaces de dimension finie
Pour toute application linéaire, Im f est un sous-espace vectoriel de F. Donc, si F est
un espace de dimension finie, Im f est aussi de dimension finie et dim Im f ≤ dim F
Définition : Si Im f est un sous-espace vectoriel de dimension finie de F, on appelle
rang de l’application linéaire f la dimension de Im f .
Remarque : Ceci est réalisé en particulier si E ou F est de dimension finie.
Si E est un espace de dimension finie, alors Ker f et Im f sont de dimension finie.
Théorème du rang : Si l’espace vectoriel E est de dimension finie, et si f est une
application linéaire de E dans F, on a la relation : dim E = dim Ker f + rg ( f ) .
Démonstration : On suppose que dim E = n et dim Ker f = p avec p ≤ n .
Si p = n , alors Ker f = E et donc f est l’application nulle, donc Im f = {0 F }, et donc
dim Im f = 0 . Donc l’égalité est vérifiée.
Si p < n , on construit une base (e1 ,..., e p ) de Ker f . C’est une famille libre de E.
Donc elle peut être complétée par (e p +1 ,..., en ) pour former une base (e1 ,..., e n ) de E.
Im f est engendré par les vecteurs f (e1 ) = 0 F , …, f (e p ) = 0 F , f (e p +1 ) , …, f (e n ) ,
c’est-à-dire par f (e p +1 ) , …, f (e n ) . Montrons que cette famille génératrice de Im f
est libre.
n  n  n
 
∑ α j f (e j ) = 0 F si et seulement si f
 ∑
α j e j = 0 F , donc si

α je j ∑
j = p +1  j = p +1  j = p +1
n
appartient au noyau Ker f , donc si ∑α je j est combinaison linéaire de la base
j = p+1
(e1 ,..., e p ) de Ker f , donc si il existe des réels βi (1 ≤ i ≤ p ) tels que
n p p n
∑ α j e j = ∑ βi ei , c’est-à-dire ∑ βi ei − ∑ α j e j = 0 E .
j = p+1 i =1 i =1 j = p +1
On obtient ainsi une combinaison linéaire nulle de la famille (e1 ,..., e n ) qui est libre
puisque c’est une base de E. Elle a donc tous ses coefficients nuls, et donc en
particulier α p +1 = ... = α n = 0 .
Donc la famille f (e p +1 ) , …, f (e n ) est à la fois libre et génératrice de Im f . C’est
donc une base, et donc dim Im f = n − p . Donc dim E = dim Ker f + dim Im f .

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 6 ECS 1

Conséquences : Si f est une application linéaire d’un espace vectoriel E de dimension p

dans un espace vectoriel F de dimension n, alors :
• f est injective si et seulement si rg ( f ) = dim E .
• f est surjective si et seulement si rg ( f ) = dim F .
Donc, pour qu’il existe un isomorphisme entre E et F, il faut que dim E = dim F .
Théorème : Si E et F sont deux espaces vectoriels tels que dim E = dim F et si f est
une application linéaire de E dans F, alors il y a équivalence entre les propriétés :
- f est injective. - f est surjective. - f est bijective.
C’est en particulier le cas pour un endomorphisme en dimension finie.
4) Images de familles de vecteurs
Théorème : Si f est une application linéaire de E dans F :
• si (u1 ,..., un ) est une famille liée de E, alors ( f (u1 ),..., f (u n ) ) est une famille liée
de F, mais dans le cas général, on ne peut rien dire des familles libres.
• si (u1 ,..., un ) est libre et si f est injective, alors ( f (u1 ),..., f (u n ) ) est libre.
• si (u1 ,..., un ) est une famille génératrice d’un sous-espace vectoriel E ' de E, alors
( f (u1 ),..., f (u n ) ) est une famille génératrice du sous-espace vectoriel f ( E ') de F.
• si (u1 ,..., un ) est une base d’un sous-espace vectoriel E ' de E et si f est injective,
alors ( f (u1 ),..., f (u n ) ) est une base du sous-espace vectoriel f ( E ') de F.
Démonstration :
• Si (u1 ,..., un ) est liée : ∃ (α1 ,..., αn ) ≠ (0,..., 0) α1u1 + ... + αn un = 0 E .
Donc f (α1u1 + ... + α n un ) = 0 F . Donc α1 f (u1 ) + ... + α n f (un ) = 0 F .
Or (α1 ,..., α n ) ≠ (0,..., 0) . Donc ( f (u1 ),..., f (u n ) ) est une famille liée.
• α1 f (u1 ) + ... + α n f (un ) = 0 F équivaut à f (α1u1 + ... + α n un ) = 0 F , donc à
α1u1 + ... + α n un ∈ Ker f , donc à α1u1 + ... + α n un = 0 E car f est injective.
Donc si (u1 ,..., un ) est libre, on obtient : α1 = ... = αn = 0 .
Donc ( f (u1 ),..., f (u n ) ) est libre.
• ∀v ∈ f ( E ') ∃ u ∈ E v = f (u ) . Donc, si (u1 ,..., un ) est génératrice de E ' :
∀v ∈ f ( E ') ∃ (α1 ,..., α n ) ∈ K n v = f (α1u1 + ... + α n un ) = α1 f (u1 ) + ... + α n f (un )
Donc ( f (u1 ),..., f (u n ) ) est une famille génératrice de f ( E ') .
• La dernière est la synthèse des deux précédentes.
Théorème : Une application linéaire f est un isomorphisme de E dans F si et seulement
si l’image d’une base de E est une base de F. Alors, elle transforme toute base de E en
base de F.
Conséquence : Deux espaces vectoriels E et F de dimension finie sont isomorphes si et
seulement si dim E = dim F . En particulier, un espace vectoriel est de dimension n si
et seulement si il est isomorphe à K n .
Démonstration :
• Si f est un isomorphisme, elle transforme toute base de E en base de f ( E ) = F
car elle est injective. On l’a déjà démontré.
• Réciproquement, supposons que f est linéaire et transforme la base
B = (e1 ,..., e n ) de E en une base de F. Donc dim E = dim F et
Im f = Vect < f (e1 ),..., f (e n ) > = F . Donc f est surjective, et donc f est bijective
car dim E = dim F .
• Pour montrer la conséquence, il suffit de prendre une base B de E et une base B '
de F, et une application linéaire qui transforme B en B ' .

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 7 ECS 1

II – Opérations sur les applications linéaires

Définition : On note :
- L ( E , F ) l’ensemble des applications linéaires de E dans F.
- L (E ) l’ensemble des endomorphismes de E.
- GL( E ) l’ensemble des automorphismes de E.
1) Somme de deux applications linéaires
Si f et g sont deux applications linéaires de E dans F, leur somme est définie par :
∀u ∈ E ( f + g )(u ) = f (u ) + g (u ) car on additionne deux vecteurs de F.
Théorème : Si f et g sont deux applications linéaires de E dans F, alors leur somme
f + g est une application linéaire de E dans F.
Si E et F sont de dimensions finies, alors : M f + g = M f + M g .
Démonstration : Soient α ∈ K , u et v deux vecteurs.
( f + g )(αu + v ) = f (αu + v ) + g (αu + v) = αf (u ) + f (v ) + αg (u ) + g (v) .
Donc ( f + g )(αu + v ) = α[ f (u ) + g (u )] + [ f (v ) + g (v)] = α( f + g )(u ) + ( f + g )(v) .
Donc f + g est une application linéaire.
Si B = (e1 ,..., e p ) est une base de E, les vecteurs colonnes des matrices sont les
coordonnées des images des vecteurs de B . Or : ∀j ( f + g )(e j ) = f (e j ) + g (e j ) .
Donc : M f + g = M f + M g .
2) Produit d’une application linéaire par un scalaire
Si f est une application linéaire de E dans F, le produit de f par un scalaire λ est défini
par : ∀u ∈ E (λf )(u ) = λf (u ) car on multiplie un vecteur de F par un scalaire.
Théorème : Si f est une application linéaire de E dans F et λ un scalaire, alors le
produit λf est une application linéaire de E dans F.
Si E et F sont de dimensions finies, alors : M λf = λM f .
Démonstration : Soient α ∈ K , u et v deux vecteurs.
(λf )(αu + v) = λf (αu + v ) = λ[αf (u ) + f (v)] = λαf (u ) + λf (v ) .
Donc (λf )(αu + v) = α[λf (u )] + [λf (v)] = α (λf )(u ) + (λ f )(v) .
Donc λf est une application linéaire.
Si B = (e1 ,..., e p ) est une base de E, les vecteurs colonnes des matrices sont les
coordonnées des images des vecteurs de B . Or : ∀j (λf )(e j ) = λf (e j ) .
Donc : M λf = λM f .
3) Composition
Si f est une application linéaire de E dans F, et si g est une application linéaire de F
dans G, leur composée est définie par : ∀u ∈ E ( g o f )(u ) = g[ f (u )] .
C’est une application de E dans G.
Théorème : Si E, F et G sont trois espaces vectoriels, si f est une application linéaire de
E dans F, et si g est une application linéaire de F dans G, alors la composée g o f est
une application linéaire de E dans G.
Si E et F sont de dimensions finies, alors : M g o f = M g M f .
Démonstration : Soient α ∈ K , u et v deux vecteurs.
( g o f )(αu + v ) = g[ f (α u + v)] = g[αf (u ) + f (v )] = αg[ f (u )] + g[ f (v )] .
Donc : ( g o f )(α u + v) = α ( g o f )(u ) + ( g o f )(v) .
Donc g o f est une application linéaire.

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 8 ECS 1

Soit B = (e1 ,..., e p ) une base de E, B ' = (e'1 ,..., e' n ) une base de F et
B " = (e"1 ,..., e"q ) une base de G. Soient A = M f et B = M g les matrices de f et g.
n n
A = (ai , j ) donc : ∀j ∈ P1, pT f (e j ) = ∑ a k , j e' k , donc ( g o f )(e j ) = ∑ a k , j g (e' k ) .
k =1 k =1
q
B = (bi , j ) donc : ∀k ∈ P1, nT g (e' k ) = ∑ bi , k e"i .
i =1
n
 q
 q  n 
Donc ( g o f )(e j ) = ∑ a k , j  ∑ bi , k e"i  = ∑  ∑ bi , k a k , j e"i .
k =1  i =1  i =1  k =1 
n
Donc M g o f = (c i , j ) avec ci , j = ∑ bi ,k a k , j .Donc M g o f = BA .
k =1

4) Isomorphismes
Théorème : La réciproque d’un isomorphisme de E dans F est un isomorphisme de F
dans E. La réciproque d’un automorphisme de E est un automorphisme de E.
Si E et F sont de même dimension finie, alors : M f −1 = ( M f ) −1 .
Démonstration : Soit f est un isomorphisme de E dans F, donc linéaire et bijective.
Alors f −1 est bijective puisque ( f −1 ) −1 = f .
Soient α ∈ K , u et v deux vecteurs de F. Posons : u ' = f −1 (u ) et v ' = f −1 (v ) .
Donc u ' et v ' sont dans E et on a : u = f (u ') et v = f (v ') .
Donc par linéarité de f : αu + v = αf (u ') + f (v ') = f (αu '+ v ') .
Donc : f −1 (αu + v) = αu '+v' = αf −1 (u ) + f −1 (v ) . Donc f −1 est linéaire.
Donc f −1 est un isomorphisme de F dans E.
La propriété des matrices vient de f o f −1 = Id F .
5) Structures
Théorème : Si E et F sont des espaces vectoriels sur K, les ensembles L ( E , F ) et
L (E ) sont des espaces vectoriels sur K.
Si dim E = p et dim F = n , alors L ( E , F ) est isomorphe à M n , p ( K ) .
Si dim E = n , alors L (E ) est isomorphe à M n ( K ) .
Démonstration : On a bien une loi interne et une loi externe, et pour tous f, g et h de
L ( E , F ) , et pour tous réels α et β :
1. f + g = g + f car ∀u ∈ E ( f + g )(u ) = f (u ) + g (u ) = g (u ) + f (u ) = ( g + f )(u ) .
2. ( f + g ) + h = f + ( g + h) car :
∀u ∈ E [( f + g ) + h](u ) = ( f + g )(u ) + h(u ) = f (u ) + g (u ) + h(u ) .
∀u ∈ E [ f + ( g + h)](u ) = f (u ) + ( g + h)(u ) = f (u ) + g (u ) + h(u ) .
Donc ∀u ∈ E [( f + g ) + h](u ) = [ f + ( g + h)]( u ) .
3. L’élément neutre est l’application nulle définie par ∀u ∈ E f (u ) = 0 F .
4. Toute application f a un opposé (− f ) définie par ∀u ∈ E (− f )(u ) = − f (u ) .
5. 1. f = f car ∀u ∈ E (1. f )(u ) = 1. f (u ) = f (u ) .
6. α ( f + g ) = αf + αg car :
∀u ∈ E [α ( f + g )](u ) = α[( f + g )(u )] = α[ f (u ) + g (u )] = αf (u ) + αg (u ) = (αf + αg )(u )
7. (α + β) f = αf + β f car :
∀u ∈ E [(α + β) f ](u ) = (α + β) f (u ) = αf (u ) + β f (u ) = (αf + β f )(u )
8. α (β f ) = (αβ) f car :

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 9 ECS 1

∀u ∈ E [α (β f )](u ) = α[(β f )(u )] = α[β f (u )] = (αβ ) f (u ) = [(αβ) f ](u ) .

Un isomorphisme entre L ( E , F ) et M n , p ( K ) est l’application f a M f dans une
base donnée.
Théorème : Si E est un espace vectoriel sur K, l’ensemble GL( E ) muni de la
composition est un groupe : la composition est associative, possède un élément neutre
Id E : u a u et tout élément de GL( E ) a une réciproque dans GL( E ) .
Démonstration : L’associativité est vraie pour toutes les compositions.
Il est évident que Id E est linéaire car Id E (αu + v ) = αu + v = α Id E (u ) + Id E (v) ,
qu’elle est bijective car Id −E1 = Id E et que ∀f ∈ GL( E ) Id E o f = f o Id E = f .
On a vu que si f ∈ GL( E ) , alors f −1 ∈ GL( E ) .
Définition : GL( E ) est appelé le groupe linéaire de E.

III – Cas particuliers

1) Formes linéaires
Définition : Si E est un espace vectoriel sur K, on appelle forme linéaire sur E toute
application linéaire de E dans K.
Exemple 1 : L’application f de R3 dans R qui à u = ( x, y, z ) associe 2 x + 3 y − 5 z est
une forme linéaire sur R3 .
Exemple 2 : L’application f k qui à tout vecteur u = ( x1 ,..., x n ) de E = K n associe x k
est une forme linéaire sur E.
b
Exemple 3 : L’application f qui à toute fonction f continue sur [a, b] associe ∫ f (t )dt
a
est une forme linéaire sur E = { f ∈ A ([a, b], R) / f continue} .
n
Si E possède une base (e1 ,..., en ) : ∀u ∈ E ∃!( x1 ,.., xn ) ∈ K n u = ∑ xk ek .
k =1
n n
Donc : ∀u ∈ E f (u ) = ∑ xk f (ek ) = ∑ α k xk en posant : ∀k ∈ P1, nT α k = f (e k ) .
k =1 k =1
Réciproquement, on démontre facilement que toute application de E dans K qui à u
n
associe ∀u ∈ E f (u ) = ∑ αk xk est une forme linéaire.
k =1
Toute forme linéaire sur K n est de la forme : ( x1 ,..., xn ) a α1 x1 + ... + αn xn
Conséquence : {u ∈ E / α1 x1 + ... + α n xn ¨= 0} est un sous-espace vectoriel de E.
En effet, c’est le noyau d’une forme linéaire.
Remarque : En particulier, si f est une forme linéaire non nulle sur E, son noyau est un
hyperplan de E car dim Ker f = dim E − dim Im f = n − 1 .
Et par intersection :
Théorème : L’ensemble des solutions d’un système de n équations linéaires
homogènes à p inconnues est un sous-espace vectoriel de K p .
2) Projecteurs
Définition : Si E1 et E2 sont deux sous-espaces vectoriels supplémentaires de E, pour
tout vecteur u de E, il existe un couple unique (u1 , u2 ) ∈ E1 × E2 tel que u = u1 + u2 .

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 10 ECS 1

L’application p qui à tout vecteur u de E associe le vecteur p(u ) = u1 s’appelle la

projection sur E1 suivant E2 (ou parallèlement à E2 ).
Exemple : Dans R2 , on définit E1 = {( x, y ) / 2 x + 3 y = 0} et E1 = {( x, y ) / 3 x − y = 0} .
Ce sont deux sous-espaces vectoriels supplémentaires de R2 . En effet :
2 x + 3 y = 0 11x = 0
u ∈ E1 ∩ E2 ssi  , donc ssi  . Donc E1 ∩ E2 = {0 E } .
 3x − y = 0  y = 3x
E1 a pour base e1 = (3, −2) . Donc u1 ∈ E1 ⇔ ∃α ∈R u1 = α(3, −2) = (3α, −2α) .
E2 a pour base e2 = (1,3) . Donc u2 ∈ E2 ⇔ ∃β ∈R u2 = β(1,3) = (β, 3β) .
 x = 3α + β
Donc : u ∈ E1 + E2 ssi ∃(α, β) ∈R2  .
 y = −2α + 3β
3x − y 2x + 3 y
Or pour tout u = ( x, y ) , ce système admet une solution : α = et β = .
11 11
Donc E1 + E2 = E .
La projection p sur E1 suivant E2 est l’application qui à u = ( x, y ) associe le vecteur
3 2
p (u ) = u1 = ( x1 , y1 ) avec x1 = (3x − y ) et y1 = − (3x − y ) .
11 11
Remarque : On peut aussi définir la projection q sur E2 suivant E1 : q(u ) = u2 .
Donc : ∀u ∈ E p (u ) + q (u ) = u . Donc : p + q = Id E .
Théorème : Toute projection est linéaire et vérifie p o p = p .
Démonstration : Soient E1 et E2 deux sous-espaces vectoriels supplémentaires de E.
Soit p la projection sur E1 suivant E2 . Soit α ∈ K et (u , v ) ∈ E 2 .
Or u = u1 + u2 avec (u1 , u2 ) ∈ E1 × E2 et p(u ) = u1 .
Et v = v1 + v2 avec (v1 , v2 ) ∈ E1 × E2 et p(v ) = v1 .
Donc : αu + v = α(u1 + u2 ) + (v1 + v2 ) = (αu1 + v1 ) + (αu2 + v2 ) .
Or (αu1 + v1 , αu2 + v2 ) ∈ E1 × E2 car E1 et E2 sont des sous-espaces vectoriels.
Donc : p(αu + v) = αu1 + v1 = αp (u ) + p(v) . Donc p est linéaire.
D’autre part : p (u ) = u1 = u1 + 0 E et (u1 , 0 E ) ∈ E1 × E2 .
Donc ( p o p)(u ) = p[ p(u )] = u1 = p(u ) pour tout vecteur u.
Définition : On appelle projecteur de E tout endomorphisme de E qui vérifie p o p = p .
Donc toute projection est un projecteur.
Théorème : Tout projecteur p est la projection sur Im p suivant Ker p .
Démonstration : Soit p un projecteur. Donc : ∀u ∈ E p[ p (u )] = p(u ) .
On peut écrire : ∀u ∈ E u = p (u ) + [u − p(u )] .
Or : ∀u ∈ E p[u − p(u )] = 0 E , donc u − p(u ) ∈ Ker p . Et bien sûr p(u ) ∈ Im p .
Donc : ∃(u1 , u2 ) ∈ Im p × Ker p u = u1 + u2 . Donc E = Im p + Ker p .
Ils sont supplémentaires car Im p ∩ Ker p = {0 E } .
En effet si u ∈ Im p ∩ Ker p , alors il existe v ∈ E tel que u = p (v) et p(u ) = 0 E ,
donc p[ p(v)] = 0 E , donc p (v) = 0 E , donc u = 0 E .
De plus u1 = p (u ) . Donc p est la projection sur Im p suivant Ker p .
Remarque : Im p = {u ∈ E / p (u ) = u} .

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011
Applications linéaires 11 ECS 1

3) Symétries
Définition : Si E1 et E2 sont deux sous-espaces vectoriels supplémentaires de E, pour
tout vecteur u de E, il existe un couple unique (u1 , u2 ) ∈ E1 × E2 tel que u = u1 + u2 .
L’application s qui à tout vecteur u de E associe le vecteur s (u ) = u1 − u2 s’appelle la
symétrie par rapport à E1 suivant E2 (ou parallèlement à E2 ).
Dans l’exemple précédent : s(u ) = u1 − u2 = (3α − β, −2α − 3β)
La symétrie s par rapport à E1 suivant E2 est l’application qui à u = ( x, y ) associe le
1 1
vecteur s (u ) = u ' = ( x ', y ') avec x ' = (7 x − 6 y ) et y ' = ( −12 x − 7 y ) .
11 11
Remarque 1 : On peut aussi définir la symétrie s ' par rapport à E2 suivant E1 :
s '(u ) = −u1 + u2 = −s (u ) . Donc s ' = − s .
Remarque 2 : ∀u ∈ E s(u ) = 2u1 − (u1 + u2 ) = 2 p (u ) − u . Donc : s = 2 p − Id E .
Théorème : Toute symétrie est linéaire et vérifie s o s = Id E . Elle est donc bijective.
Démonstration : s ∈ L ( E ) car p ∈ L ( E ) et Id E ∈ L ( E ) .
s o s = (2 p − Id E ) o (2 p − Id E ) = 4 p o p − 2 Id E o p − 2 p o Id E + Id E o Id E = Id E car p o p = p .
Elle est bijective car s −1 = s .
Définition : On appelle involution de E toute application de E dans E qui vérifie s o s = s .
Donc toute symétrie est une involution ou application involutive.
Théorème : Tout endomorphisme involutif s est la symétrie par rapport à Ker(s − Id E )
suivant Ker( s + Id E ) . C’est un automorphisme.
Démonstration : Soit s un endomorphisme involutif. Donc : ∀u ∈ E s[ s (u )] = u .
On remarque que si l’on veut avoir u = u1 + u2 et s (u ) = u1 − u2 , alors, il faut poser :
1 1
u1 = [u + s (u )] et u2 = [u + s (u )] .
2 2
1 1 1 1
On a donc : ∀u ∈ E u = [u + s (u )] + [u − s (u )] et s (u ) = [u + s (u )] − [u − s (u )] .
2 2 2 2
1 1 1
Or le vecteur u1 = [u + s (u )] vérifie s (u1 ) = [ s (u ) + ( s o s )(u )] = [ s (u ) + u ] = u1 .
2 2 2
Donc u1 ∈ Ker(s − Id E ) .
1 1 1
Et le vecteur u2 = [u − s (u )] vérifie s (u2 ) = [ s (u ) − ( s o s )(u )] = [ s (u ) − u ] = −u2 .
2 2 2
Donc u2 ∈ Ker(s + Id E ) .
On a donc démontré que E = Ker( s − Id E ) + Ker( s + Id E ) .
De plus u ∈ Ker( s − Id E ) ∩ Ker( s + Id E ) , ssi ( s − Id E )(u ) = 0 E et ( s + Id E )(u ) = 0 E
ssi s (u ) = u et s (u ) = −u , donc ssi u = 0 E .
Donc Ker(s − Id E ) et Ker( s + Id E ) sont supplémentaires.
Et par construction, s est la symétrie par rapport à Ker(s − Id E ) suivant Ker( s + Id E ) .
Remarque : Ker( s − Id E ) = {u ∈ E / s(u ) = u} et Ker( s + Id E ) = {u ∈ E / s(u ) = −u} .

Cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer, Le Raincy - 2011