PSI* Résumé: Algèbre Linéaire

Année scolaire
2018/2019

Dans tout ce chapitre, K sera le corps R ou C, et E sera un espace vectoriel sur K.

Vous remarquerez les grandes similitudes qui existent entre les espaces vectoriels de dimension finie
et les ensembles de cardinal fini, notamment en ce qui concerne les sous-espaces (puis les applications
pour le cours à suivre).
...........................................................................................................................................................................................................................................................................................................................................
1 L E LANGAGE
Honnêtement, il est très peu probable que l’on vous demande un jour de restituer la définition d’un
K− espace vectoriel , en revanche il est indispensable de connaître celle des sous-espaces vectoriels :
Définition 1.1
Soit E un K− espace vectoriel et F ⊂ E. F est un sous espace vectoriel de E lorsque
1. 0E ∈ E,
2. pour tous x, y ∈ E et tout α, β ∈ K, α.x + β.y ∈ E.

E XEMPLES :
— ..d’ espaces vectoriels : Rn , Rn , Mn,p (R), F (X, E), où E est un K- espace vectoriel ,R[X], Rn [X]. Evi-
demment on obtient des C- espaces vectoriels en remplaçant R par C dans ces exemples.
— ..de sous-espaces vectoriels :
B {OE } et E sont des sous-espaces vectoriels de E dits triviaux.
B Dans l’espace, les droites et les plans vectoriels fournissent des exemples.
B Tout ensemble de solutions d’un système linéaire homogène à n variables est un sous-espace
vectoriel de Rn .
B Tout ensemble de solutions d’une équation différentielle homogène d’ordre 1 ou 2 est un
sous-espace vectoriel de F (I, R).

Grosso modo, un espace vectoriel est un ensemble dans lequel on peut faire des combinaisons
linéaires. Ne nous gênons pas :
Définition 1.2 ( combinaisons linéaires )
Si F = (ei )i∈I est une famille éventuellement infinie de vecteurs, on appelle combinaison li-
néaire de F ,X
tout vecteur y de E pour lequel il existe une suite presque nulle de scalaires (λi )i∈I
tels que y = λi .ei . 1
i∈I
On note Vect (F ) l’ensemble de ces combinaisons linéaires .
Ainsi, si F = (e1 , . . . , ep ) est une famille finie,
( p )
X
Vect (e1 , . . . , ep ) = xi ei , où xi ∈ K .
i=1

La propriété suivante précise l’affirmation selon laquelle Vect F est le plus petit sous-espace vec-
toriel de E contenant F :
Propriétés 1.3 (de Vect )
Soit F une famille de vecteurs de E. Alors

1. Vect (F ) est un sous-espace vectoriel de E.

Page 1/11
 2. Soit F un sous-espace vectoriel de E contenant la famille F . Alors

Vect (F ) ⊂ F.

On dit que Vect (F ) est le sous-espace vectoriel engendré par la famille F , et F est appelée
famille génératrice de E si E = Vect F .

Les propriétés suivantes sont utiles lorsque l’on cherche à extraire d’une famille génératrice de E
une base de E :
Proposition 1.4
1. Vect (e1 , . . . , ep ) est conservé par les trois opérations élémentaires.
2. ep+1 ∈ Vect (e1 , . . . , ep ) ⇐⇒ Vect (e1 , . . . , ep , ep+1 ) = Vect (e1 , . . . , ep ).

...........................................................................................................................................................................................................................................................................................................................................
2 FAMILLES LIBRES ET GÉNÉRATRICES

Définition 2.1
Soit n ∈ N∗ et F := (e1 , . . . , en ) une famille de n vecteurs de E. On dira que cette famille est
• génératrice de E lorsque

Pour tout X ∈ E, il existe x1 , . . . , xn ∈ K tels que X = x1 e1 + . . . + xn en .

• libre lorsque
n
X 
Pour tout x1 , . . . , xn ∈ K, xi ei = 0, =⇒ x1 = . . . = xn = 0 .
i=1

• une base de E lorsqu’elle est libre et génératrice. On peut ainsi condenser les deux propriétés
ainsi : F est une base de E si et seulement si

Pour tout X ∈ E, il existe un unique(x1 , . . . , xn ) ∈ Kn tels que X = x1 e1 + . . . + xn en .

R EMARQUES :

Ainsi, F est génératrice de E ssi E = Vect (e1 , . . . , en ) , et elle est libre ssi la seule combinaison linéaire nulle
de vecteurs de F est la combinaison trivialement nulle.
On peut unifier ces trois définitions en remarquant qu’elles correspondent respectivement à la surjectivité, l’in-
jectivité et la bijectivité de l’application linéaire
n
X
ψ : (x1 , . . . , xn ) ∈ Kn 7→ xi ei ∈ E.
i=1

Page 2/11
 E XEMPLES :
     

 1 0 0 

0 1 0

     

∗
• ∀n ∈ N , la famille de n vecteurs  .. , .. ,..., ..  . est une base du K−espace vectoriel
     



 .   .   . 


0 0 1
 
Kn , appelée base canonique.
• ∀n ∈ N, la famille (1, X, X 2 , . . . , X n ) est une base appelée base canonique de Kn [X].
• Soit (P0 , P1 , . . . , Pn ) une famille de n + 1 polynômes de R[X] qui vérifie deg Pi = i pour tout 0 6 i 6 n.
Alors c’est une famille libre de K[X].
• Dans l’ensemble Mn,p (K) des matrices à n lignes et p colonnes, la famille de np matrices Eij 16i,j6n , où

Eij est la matrice dont tous les coefficients sont nuls sauf celui situé en (i, j) qui vaut 1, est une base de
Mn,p (K) dite base canonique.

Les bases ont un intérêt central pour la raison suivante :

Proposition 2.2 (Coordonnées dans une base)
Soit (e1 , . . . , en ) une base de n vecteurs de E. Alors, pour tout X ∈ E, il existe un unique n−uplet
(x1 , . . . , xn ) ∈ Kn tel que X = ni=1 xi ei . Ce n−uplet est appelé coordonnées de X dans la base
P

(e1 , . . . , en ).

...........................................................................................................................................................................................................................................................................................................................................
3 L A DIMENSION FINIE
Un K− espace vectoriel est dit de dimension finie lorsqu’il existe n ∈ N∗ et une famille E de n
vecteurs de E telle que Vect E = E.

Théorème 3.1
Soit E un K− espace vectoriel de dimension finie.
1. E possède une base (en fait, une infinité).
2. Toutes les bases de E possèdent le même nombre d’éléments.
On appelle dimension de E le cardinal de l’une quelconque de ses bases.

On dira qu’un espace vectoriel qui ne contient qu’un élément (son neutre pour + !) est de dimension nulle.

E XEMPLES :
• Pour tout n ∈ N∗ , Kn est un K−espace vectoriel de dimension n.
• Pour tout n ∈ N, Kn [X] est un K−espace vectoriel de dimension n + 1.
• C2 est un C−espace vectoriel de dimension 2, mais c’est aussi un R− espace vectoriel de dimension 4.
De manière générale, un C−espace vectoriel de dimension n est un R−espace vectoriel de dimension 2n
(montrez-le).
• Pour tout n, p ∈ N∗ , Mn,p (K) est un K−e.v de dimension np.
• Pour tout vecteur X non nul de E, Vect(X) est de dimension 1, i.e c’est une droite. On la note aussi K.X
On appelle plan tout espace vectoriel de dimension 2.
• Si E et F sont deux K− espaces vectoriels de dimension finie, alors E × F l’est aussi et dim E × F =
dim E + dim F .

Page 3/11
 On peut traduire la liberté d’une famille avec le seule notion de rang :
Proposition 3.2 (Rang d’une famille de vecteurs)
Pour toute famille (e1 , . . . , ep ) de vecteurs de E, on appelle

Rang (e1 , . . . , ep ) = dim Vect (e1 , . . . , ep ) .

On a alors
1. Rang (e1 , . . . , ep ) 6 p.
2. Rang (e1 , . . . , ep ) = p ⇐⇒ (e1 , . . . ep ) est libre.

La dimension comme cardinal limite. Une famille libre de cardinal maximal est une base, et une
famille génératrice de cardinal minimal est une base :

Proposition 3.3
k ∈ N∗ , E un K−ev de dimension finie et F une famille de k vecteurs de E.
Soient 
Si F est libre, alors k 6 dim E
 .
Si F est libre et k = dim E, alors F est une base.

F est génératrice, alors k > dim E
Si
  .
Si F est génératrice et k = dim E, alors F est une base.

Enfin, un résultat très utile, qui permet de construire des bases dont les premiers vecteurs sont
prescrits :
Théorème 3.4 (Base incomplète)
Soit E un K− espace vectoriel de dimension n ∈ N∗ , et (e1 , . . . , ep ) une famille libre de vecteurs de
E. Alors il existe ep+1 , . . . , en ∈ E tels que (e1 , . . . , ep , ep+1 , . . . , en ) soit une base de E.
...........................................................................................................................................................................................................................................................................................................................................
4 D IMENSION ET SOUS - ESPACES

Propriétés 4.1 (Croissance de la Dimension)

Soit E un K−espace vectoriel de dimension n et F un sous-espace vectoriel de E. Alors
• F est de dimension finie, et dim F 6 dim E.
• Si dim F = dim E, alors F = E.

Ce dernier résultat nous dispensera pour prouver l’égalité de deux espaces vectoriels de montrer une des
deux inclusions ; on substituera celle-ci à l’égalité des dimensions.
Définition 4.2 (Somme et intersection de sev)
Soient F et G deux sous-espaces vectoriels d’un K−ev E. Alors
1. F ∩ G est un sous-espace vectoriel de E.
2. F + G = {x + y où x ∈ F, y ∈ G} est un sous-espace vectoriel de E. On a l’égalité de
sous-espaces vectoriels suivante : F + G = Vect (F ∪ G).
3. F et G sont dits en somme directe lorsque F ∩ G = {0}. On note alors leur somme F ⊕ G.

Page 4/11
 A nouveau, ce résultat devrait rappeler à votre mémoire le cardinal d’une union de parties finies :
Proposition 4.3 (Dimension d’une somme)
Soient F et G deux sous-espaces vectoriels d’un espace vectoriel E de dimension finie. Alors
• dim F + G = dim F + dim G − dim F ∩ G.
• F et G sont en somme directe ssi dim F + G = dim F + dim G.
Définition 4.4 (Supplémentaires)
Deux sous-espaces vectoriels F et G de E sont supplémentaires dans E lorsque E = F + G et
F ∩ G = {0}. On note alors F ⊕ G = E.
On appellera hyperplan tout sous-espace vectoriel qui admet une droite comme supplémentaire.

En termes de décomposition, cela donne :

 
E = F ⊕ G ⇐⇒ ∀z ∈ E, ∃ un unique couple (x, y) ∈ F × G tel que z = x + y .

Tout sous-espace vectoriel d’un espace vectoriel E de dimension finie possède un supplémentaire
(une infinité en fait).
Proposition 4.5 (Caractérisation des supplémentaires)
Si F et G sont deux sous-espaces vectoriels quelconques de E, nous avons l’équivalence entre les
trois propriétés suivantes :
— F ⊕G=E;
— F + G = E et dim F + dim G = dim E.
— F ∩ G = {0E } et dim F + dim G = dim E.
— ∀z ∈ E, ∃!(x, y) ∈ F × G tel que z = x + y.

Définition 4.6
Soit E1 , . . . , Ep une famille finie de sous-espaces vectoriels de E, et H = E1 + · · · + Ep . On dit
que ces sous-espaces vectoriels sont en somme directe lorsque tout vecteur de H se décompose de
manière unique comme une somme de vecteurs de Ei .

Proposition 4.7
On a équivalence entre :
p
Ei = ⊕pi=1 Ei , et
X
—
i=1 Pp
— Pour tout (x1 , . . . , xp ) ∈ E1 × · · · × Ep , si i=1 xi = 0E , alors tous les xi sont égaux à 0E .

R EMARQUES :
— Si E admet une décomposition en somme directe E = ⊕Ei , on obtient une base de E en réunissant des
bases des Ei . Une telle base de E est dite adaptée à al décomposition E = ⊕Ei .
Xp Xp
— Si E = Fi , alors dim E 6 dim Fi .
i=1 i=1
De plus, on a égalité si et seulement si la somme est directe.

...........................................................................................................................................................................................................................................................................................................................................

Page 5/11
 5 LA LINÉARITÉ

Définition 5.1 (Applications linéaires)

Soient E, F deux K− espaces vectoriels . Une application f : E → F est dite linéaire lorsque

∀x, y ∈ E, ∀α ∈ K, f (α.x + y) = αf (x) + f (y).

Si E = F , on dit que f est un endomorphisme. On note L (E, F ) l’ensemble des applications

linéaires entre E et F , et L (E) = L (E, E) l’ensemble des endomorphismes de E.

E XEMPLES :
— f : R → R est une application linéaire ⇐⇒ il existe a ∈ R tel que f : x ∈ R 7→ ax ∈ R.
— Les homothéties sur E, i.e les applications qui s’écrivent λIdE , où λ ∈ K sont linéaires.
— Soit x0 ∈ R. On appelle opérateur d’évaluation en x0 l’application

Ex0 : f ∈ F (R, R) 7→ f (x0 ) ∈ R.

Ex0 est une forme linéaire sur F (RR).

— Soit I un intervalle de R.
La dérivation D D 1 (I, R) −→ F (I, R) est une application linéaire.
f 7−→ f0
— Soit I un intervalle de R et a, b ∈ I.
L’intégrale I Cm 0
(I, C) −→ C est une forme linéaire.
Z b
f 7−→ f (t)dt
a
— On appelle forme linéaire sur E toute application linéaire ϕ : E → K.
— Soient n, p ∈ N∗ et A = (ai,j ) ∈ Mn,p (K). Notons LA : X ∈ Kp → AX ∈ Kn , où,
 p 
X
 
 
a11 a12 . . . a1p    a x
1,j j 
x1  a21 a22 . . . a2p  x1
 j=1 
 ..     ..   ..
 
LA  .  =  . . . =  ∈ Kn .

 .. .. ..  .
  
 p .


xp xp X 
an1 an2 . . . anp  an,j xj 
j=1
p
Alors pour tous X, Y ∈ K , ∀λ, µ ∈ K, LA (λ.X + µ.Y ) = λLA (X) + µLA (Y ).
LA est l’application linéaire (endomorphisme si n = p) canoniquement associé a A.
Ainsi, résoudre le système AX = B,
où B ∈ Kp , c’est finalement rechercher les antécédents de B par
l’application LA , i.e Sol = LA −1 {B} .

Donnons une description des formes linéaires sur Kn :

Proposition 5.2 (Formes linéaires sur Kn )
ϕ : Kn → K est une forme linéaire sur Kn si et seulement si
 
x1 n
 .  n
il existe a1 , . . . , an ∈ K tels que ϕ :  .. 
X

 ∈ K 7 → ai xi ∈ K.
i=1
xn

...........................................................................................................................................................................................................................................................................................................................................

Page 6/11
 6 S TRUCTURE , I MAGE ET N OYAU

Proposition 6.1 (Structures de L (E, F ) et L (E))

Soient E et F deux K− espaces vectoriels .
— L’ensemble L (E, F ) des applications linéaires de E dans F est un sous-espace vectoriel de
F (E, F ).
— L (E) est stable par composition, i.e la composée de deux applications linéaires est linéaire.

Rappelons les deux notions d’image directe et d’image inverse d’un ensemble par une application
quelconque, centrales pour exprimer simplement des notions ensemblistes.

R EMARQUES :
B f : E → F et X ⊂ E. On note

f (X) = {f (x) où x ∈ X} l’image directe de X par f .

L’image de E est f (E). On la note Im f . Rappelons enfin que f est surjective ssi Im f = E.
B f : E → F et Y ⊂ F . On note

f −1 (Y ) = {x ∈ E tels que f (x) ∈ Y } On l’appelle image inverse de Y par f .

Elle ne nécessite pas l’inversibilité de f .

B Avec ces notations, on a ainsi f (X) ⊂ F et f −1 (Y ) ⊂ E.

Dans le cadre linéaire, ces deux notions sont compatibles avec la structure :
Propriétés 6.2
Soient E et F deux K− espaces vectoriels , et f : E → F une application linéaire.
1. Soit W un sous-espace vectoriel de F . L’image inverse f −1 (W ) de W par f est un sous-espace
vectoriel de E.
2. Soit V un sous-espace vectoriel de E. L’image directe f (V ) de V par f est un sous-espace
vectoriel de F .

Pour montrer qu’un ensemble est un sous-espace vectoriel , il suffira bien souvent de prouver que
c’est l’image ou le noyau d’une application linéaire :
Corollaire 6.3 (L’image et le noyau sont des sous-espaces vectoriels )
Soient E et F deux K− espaces vectoriels , et f : E → F une application linéaire. Alors :
n o
1./ ker f = x ∈ E tels que f (x) = 0F est un sous-espace vectoriel de E. On l’appelle le noyau
de f .
2./ Im f = f (E) = {f (x) où x ∈ E} est un sous-espace vectoriel de F . Autrement dit :

∀y ∈ F, y ∈ Im f ⇐⇒ ∃x ∈ E tel que y = f (x).

Si Im f est de dimension finie, on appelle rang de f sa dimension.

Page 7/11
 E XEMPLES :
— L’ensemble des solutions du système linéaire homogène associé à une matrice A ∈ Mn,p est le noyau de
LA ∈ L (Rp , Rn ). On retrouve ainsi sa structure de sous-espace vectoriel de Rp . On parlera souvent du
noyau de la matrice A, plutôt que du noyau de l’application linéaire canoniquement associée à A.
— {f ∈ F (R, R) telles que f (π) = 0} est le noyau de l’opérateur d’évaluation en π.
 Z 1 
— f ∈ F (R, R) telles que f (t)dt = 0 est le noyau de l’intégrale.
0

Expiquons maintenant ce que cela donne lorsque f = LA :

Proposition 6.4 (Image et Noyau d’une matrice)
Soit A ∈ Mn,p (K). Notons C1 , . . . , Cp ses colonnes.
 
x1
 . 
 ..  ∈ K tels que x1 .C1 + · · · + xp .Cp = 0.
p
1./ Le noyau de LA est l’ensemble des  

xp
2./ L’image de LA est Vect (C1 , . . . , Cp ), sous-espace vectoriel de Kn .

Ainsi, toute combinaison linéaire nulle des vecteurs colonne de A présente deux intérêts : elle fournit
à la fois un vecteur du noyau de A, et permet d’éliminer un des vecteurs colonnes lorsque l’on cherche
à extraire de (C1 , . . . Cp ) une base de l’image de A.
Dans le cadre linéaire, l’injectivité et la surjectivité d’une application se traduit par des égalités de
sous-espaces vectoriels :
Proposition 6.5 (Injectivité et surjectivité d’une application linéiare)
Soient E et F deux K− espaces vectoriels , et f : E → F une application linéaire. Alors :
— f est injective ⇐⇒ ker f = {0E }.
— f est surjective ⇐⇒ f (E) = F .
...........................................................................................................................................................................................................................................................................................................................................
7 L INÉARITÉ EN DIMENSION FINIE
Pour toute famille E = (e1 , . . . ep ) de E, on appelle image de E par l’application linéaire f la famille
(f (e1 ), . . . , f (ep )).
   
Si e1 , . . . ep est une base de E, alors Im f = Vect f (e1 ), . . . f (ep ) ,

Le théorème central de ce paragraphe est le suivant :

Théorème 7.1 (Interpolation Linéaire)

Soient E
 un K− espace vectoriel de dimension finie et F un K−espace vectoriel.
B = (e , . . . , e ) une base de vecteurs E et
1 n
Soient
(b1 , . . . , bn ) une famille de vecteurs de F .
Alors il existe une unique application linéaire f ∈ L (E, F )
qui vérifie pour tout i ∈ [[1, n]], f (ei ) = bi .

Page 8/11
 R EMARQUES :
1./ Les deux notions de rang (celle des familles et celle des applications linéaires) coïncident dans le cas suivant :

 
Si e1 , . . . ep est une base de E, alors Rang f = Rang f (e1 ), . . . f (ep ) .

2./ L’image d’une base quelconque de E par f peut donner beaucoup d’informations sur f :
Soit f ∈ L (E, F ), (e1 , . . . , en ) une base de E. Alors,
— (f est injective) ⇐⇒ (f (e1 , . . . , f (en )) est libre.
— (f est surjective) ⇐⇒ (f (e1 , . . . , f (en )) est génératrice de F.
— (f est bijective) ⇐⇒ (f (e1 , . . . , f (en )) est une base de F.

Voici un des résultats les plus importants d’algèbre linéaire :

Théorème 7.2 (du rang (version faible))
Soit E un espace vectoriel de dim finie, F un espace vectoriel , et f ∈ L (E, F ). Alors Im f est de
dimension finie et
dim ker f + Rang f = dim E.

Donnons-en une version plus fine, au programme, mais beaucoup moins usitée :
Théorème 7.3 (du rang, version forte)
Soit E un espace vectoriel de dim finie, F un espace vectoriel , et f ∈ L (E, F ). Soit de plus, G
un supplémentaire de ker f dans E. Alors, l’application G −→ Im f est un isomorphisme.
x 7−→ f (x)

Nous tirons du théorème précédent :

Corollaire 7.4
Soient E et F deux K− espaces vectoriels de dimensions finies, et f ∈ L (E, F ). Alors,
1. Si f est injective, alors dim E 6 dim F .
2. Si f est surjective, alors dim E > dim F .
3. Si f est bijective, alors dim E = dim F .

Considérons maintenant les applications bijectives entre deux espaces vectoriels de même dimen-
sion finie.
Théorème 7.5
Soient E et F deux K− espaces vectoriels tels que dim E = dim F = n ∈ N, et f ∈ L (E, F ). Alors,

f est injective ⇐⇒ f est surjective ⇐⇒ f est bijective ⇐⇒ Rang f = n ⇐⇒ dim ker f = 0.

E XEMPLES :
1. Un cas à retenir, car il est sous-jacent aux merveilleux polynomes d’interpolation de Lagrange : Si
a0 , . . . , an ∈ K sont distincts deux à deux, alors Ψ Kn [X] −→ Kn+1
est bijective.
P 7−→ P (a0 , . . . , P (an )
2. C’est FAUX en dimension infinie, par exemple la dérivation sur R[X] est surjective mais pas injectif.

Page 9/11
Définition 7.6 (Groupe linéaire)
Soit E un K− espace vectorielde dimension
 finie. On note GL(E) l’ensemble des isomorphismes
de E. C’est un sous-groupe de Bij(E), ◦ .

R EMARQUES :
Soit n ∈ N∗ . Tout K- espace vectoriel de dimension n est isomorphe à Kn .

...........................................................................................................................................................................................................................................................................................................................................
8 D ES EXEMPLES CENTRAUX
§ 1. Projecteurs et symétries.— Il est absolument nécessaire d’avoir en tête LE dessin qui résume
toutes les propriétés.
Définition 8.1 (PROJECTEURS)
Soit E un espace vectoriel . On appelle projecteur de E tout endomorphisme f ∈ L (E) qui vérifie
f ◦ f = f.

Notons les propriétés de celui-ci :

— ker f ⊕ Im f = E (ce qui est faux pour un endomorphisme général).
— f est égal à l’identité sur Im f , i.e Im f = ker(f − IdE ).
Réciproquement, étant donnés deux sous-espaces vectoriels de E supplémentaires (i.e F ⊕G = E),
on peut définir un endomorphisme f de E en posant f = IdE sur F , et f = 0 sur ker f .
Cet endomorphisme f est alors un projecteur, appelé projecteur sur F parallèlement à G :

f : y + z ∈ E 7−→ y ∈ E pour tout (y, z) ∈ F × G.

Définition 8.2 (SYMETRIES)

Soit E un espace vectoriel . On appelle symétrie de E tout endomorphisme f ∈ L (E) qui vérifie
f ◦ f = Id.

Notons les propriétés de celui-ci :

— f est un automorphisme de E, dont l’inverse est.... f .
— ker(f − Id) ⊕ ker(f + Id) = E.
— f est égal à l’identité sur ker(f − IdE ), et à −IdE sur ker(f + IdE ).
1
— (f + Id) est le projecteur sur ker(f − IdE ) parallèlement à ker(f + IdE ).
2

Réciproquement, étant donnés deux sous-espaces vectoriels de E supplémentaires (i.e F ⊕G = E),

on peut définir un endomorphisme f de E en posant f = IdE sur F , et f = −IdE sur ker f .
Cet endomorphisme f est alors une symétrie, appelée symétrie par rapport à F parallèlement à
G:
f E −→ E pour tout (y, z) ∈ F × G.
y + z 7−→ y − z

Page 10/11
§ 2. Hyperplans et formes linéaires.— Proposition 8.3
Soit E un K− espace vectoriel de dimension finie n. Alors
1. Un sous-espace vectoriel H de E est un hyperplan ⇐⇒ il existe une forme linéaire non nulle
ϕ sur E telle que H = ker ϕ.
2. Un hyperplan H est à la fois le noyau de la forme linéaire ϕ et de la forme linéaire ψ ⇐⇒ ϕ et
ψ sont colinéaires. Ce qui signifie que deux équations linéaires définissant le même hyperplan
H de Rn sont proportionnelles.
3. L’intersection de m hyperplans de E est de dimension > n − m.
4. Pour tout sous-espace vectoriel G de E de dimension n − m, il existe m formes linéaires
ψ1 , . . . , ψm de E telles que G = ker ψ1 ∩ · · · ∩ ker ψm .

§ 3. Endomorphismes nilpotents.— Soit E un K− espace vectoriel et f ∈ L (E). f est dit nilpotent

lorsqu’une de ses puissances est nulle, i.e lorsqu’il existe un entier naturel k ∈ N tel que f k = 0L (E) . Le
plus petit entier k qui vérifie cette propriété s’appelle l’indice de nilpotence de f .
Proposition 8.4
Soit f ∈ L (E) un endomorphisme nilpotent de E d’indice p ∈ N∗ . Alors
1./ f n’est pas injective (mais peut être surjective en dimension infinie).
2./ {0E } = ker f 0 ker f 1 ··· ker f p−1 ker f p = E.
3./ Si E est de dimension finie n, alors l’indice de nilpotence de f est inférieur à n. Autrement dit,
pour tout endomorphisme nilpotent f ∈ L (E), f n = 0L (E) .

E XERCICES :
 
1 2
1./ CCP 60 Soit la matrice A = et f l’endomorphisme de M2 (R) défini par f (M ) = AM .
2 4
(a) Déterminer ker f .
(b) f est-il surjectif ?
(c) Trouvez une base de ker f et une base de Im f .
2./ CCP 62
Soit E un espace vectoriel sur R ou C et f et g deux endomorphismes de E tels que f ◦ g = id.
(a) Démontrer que ker(g ◦ f ) = ker f .
(b) Démontrer que Im (g ◦ f ) = Im g.
(c) Démontrer que E = ker f ⊕ Im g.
3./ CCP 64
Soit f un endomorphisme d’un espace vectoriel E de dimension n.
(a) Démontrer que E = Im f ⊕ ker f =⇒ Im f = Im f 2 .
(b) i. Démontrer que : Im f = Im f 2 ⇐⇒ ker f = ker f 2 .
ii. Démontrer que : Im f = Im f 2 =⇒ E = Im f ⊕ ker f .

Page 11/11