Académique Documents
Professionnel Documents
Culture Documents
Année scolaire
2018/2019
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
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
• 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
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.
(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
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
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.
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
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
...........................................................................................................................................................................................................................................................................................................................................
Page 6/11
6 S TRUCTURE , I MAGE ET N OYAU
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
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
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 :
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
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 ) ,
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.
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)
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,
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.
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 .
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