Compléments d’algèbre linéaire

La plupart des notions de ce chapitre sont des notions vues en première année. Aucun des résultats de
TSI 1 ne sera démontré dans ce chapitre, libre à vous de retrouver les démonstrations manquantes dans
votre cours de première année.
Dans tout ce chapitre, K désigne le corps des scalaires et il sera égal à R ou C. n et p désigneront deux
entiers naturels non nuls.

I Rappels et compléments sur les matrices

1 Rappels

Notations :
— Mn,p (K) désigne l’ensemble des matrices possédants n lignes et p colonnes et dont les coefficients
appartiennent à K.
— Mn (K) désigne l’ensemble des matrices carrées possédants n lignes et n colonnes et dont les coeffi-
cients appartiennent à K.
Définition 1
Soit A = (aij ) ∈ Mn,p (K) et B = (bkℓ ) ∈ Mp,q (K). Le produit de la matrice A par la matrice B est la
matrice AB = (ciℓ ) ∈ Mn,q (K) avec :
p
X
ciℓ = aik bkℓ .
k=1

Attention en général AB 6= BA.

Exemple 1:
 
  2 −1 3
1 2 −1 −2 −1 1 0
Soit A = et B =  .
3 −1 2 1 0 1 0
1 2 −1
On a alors :
   
1 × 2 + 2 × (−1) + (−1) × 0 + (−2) × 1 −4 5 −2 −4 5
A×B = =
8 0 8 8 0 8

On peut remarquer ici qu’il est impossible de calculer B × A.

Définition 2
Une matrice carrée A ∈ Mn (K) est dite inversible s’il existe une matrice B ∈ Mn (K) telle que :

AB = BA = In .

Conseils méthodologiques :
À ce stade de l’année vous disposez de deux méthodes pour montrer qu’une matrice est inversible et
calculer son inverse :
— Grâce à une indication de l’énoncé de l’exercice trouver une matrice B telle que A×B = B ×A = In .
— Utiliser la matrice augmentée A|In et à l’aide d’opérations sur les lignes se ramener à In |A−1 .

Cours TSI2 Page 1 Compléments d’algèbre linéaire

 Propriété 1
Si A et B sont deux matrices inversibles de Mn (K) alors A × B est une matrice inversible et on a :

(A × B)−1 = B −1 × A−1 .

Théorème 1 : Formule du binôme

Soient A et B deux matrices de Mn (K) telles que AB = BA (on dit que A et B commutent).
Alors, pour tout k ∈ N :
k  
k
X k
(A + B) = Ai B k−i .
i=0
i

Définition 3
Soit A ∈ Mn,p (K).
— On appelle noyau de la matrice A, et on note ker(A), l’ensemble :

ker(A) = {X ∈ Mp,1(K)/AX = 0}.

— On appelle image de la matrice A, et on note Im(A), l’ensemble :

Im(A) = {AX/X ∈ Mp,1(K)}.

Exemple 2:
 
1 2 −1 −2
Soit A = .
3 −1 2 1
 
x
y 
z  :
— Pour déterminer ker(A), il faut résoudre AX = 0 avec X =  

t
    
x + 2y − z − 2t 0 x + 2y − z − 2t = 0
AX = 0 ⇔ = ⇔
3x − y + 2z + t 0 3x − y + 2z + t = 0

 
7x + 3z = 0 z = − 73 x
⇔ ⇔ .
y = 3x + 2z + t y = − 53 x + t
  

 x 

 5 
− x + t 2
Donc ker(A) =  3  /(x, t) ∈ R .

 − 37 x  

 
t
 
x  
y  x + 2y − z − 2t
— Pour déterminer Im(A) il suffit de calculer AX avec X =  z  : AX = 3x − y + 2z + t .


   t
x + 2y − z − 2t
On a donc Im(A) = /(x, y, z, t) ∈ R4 .
3x − y + 2z + t

Définition 4
Soient A et B deux matrices de Mn (K). On dit que A et B sont semblables si, et seulement s’il existe
une matrice P ∈ Mn (K) inversible et telle que A = P BP −1.

Cours TSI2 Page 2 Compléments d’algèbre linéaire

 2 Trace d’une matrice

Définition 5
Soit A ∈ Mn (K) (n ∈ N∗ ) une matrice carrée. On appelle trace de A, et on note tr(A), le scalaire égal
à la somme des éléments diagonaux de A :
n
X
tr(A) = aii .
i=1

Exemples 3 :
 
2 −1 3
— Soit A = −1 1 0. Alors, on a tr(A) = 2 + 1 + 0 = 3.
0 1 0
— Soit n ∈ N , tr(In ) = n.
∗

Propriété 2
Soient A et B deux matrices de Mn (K) et λ ∈ K. Alors :

tr(λA + B) = λtr(A) + tr(B) et tr(AB) = tr(BA).

Remarque :
La deuxième égalité vient du fait que, même si AB 6= BA en général, AB et BA ont les mêmes éléments
diagonaux.
Propriété 3
Deux matrices semblables ont la même trace.

Démonstration :
Soient A et B deux matrices de Mn (K) semblables.
Par définition du mot ≪ semblable ≫ on sait qu’il existe une matrice P ∈ Mn (K) inversible
et telle que A = P BP −1 . On a donc :

tr(A) = tr(P BP −1) = tr(BP −1 P ) = tr(BIn ) = tr(B).

On a bien montré que tr(A) = tr(B).

✷

3 Transposée d’une matrice

Définition 6
Soit A = (ai,j ) ∈ Mn,p (K). On appelle transposée de A et on note AT la matrice de Mp,n (K) définie
par AT = (aj,i )16j6p,16i6n.

Cours TSI2 Page 3 Compléments d’algèbre linéaire

 Conseils méthodologiques :
Pour trouver la transposée d’une matrice donnée on ≪ échange les lignes et les colonnes ≫ de la matrice
donnée.
Exemples 4 :
 
  1 3
1 2 −1 −2  2 −1
— Soit A = , on a : AT = 
−1 2 .

3 −1 2 1
−2 1
 
2 −1 3  
−1 1 2 −1 0 1
0
— Soit B = 
0 , on a : B T = −1 1 1 2 .
1 0
3 0 0 −1
 1 2 −1  
0 2 −1 0 2 −1
— Soit C =  2 1 −2, on a : C T =  2 1 −2 = C.
−1 −2 3 −1 −2 3

Définition 7
Soit A ∈ Mn (K).
— Lorsque AT = A on dit que A est une matrice symétrique.
— Lorsque AT = −A on dit que A est une matrice antisymétrique.

Remarque :
La matrice C de l’exemple précédent est une matrice symétrique.
Propriété 4
— ∀(A, B) ∈ Mn,p(K)2 et ∀(λ, µ) ∈ K2 , (λA + µB)T = λAT + µB T .
— ∀A ∈ Mn,p (K) et ∀B ∈ Mp,k (K), (AB)T = B T × AT .
— Si A ∈ Mn (K) est inversible alors AT est inversible et (AT )−1 = (A−1 )T .
— ∀A ∈ Mn (K), tr(AT ) = tr(A).

Remarque :
Il est très facile de démontrer les deux derniers points de la propriété :
— si A est inversible :
AT × (A−1 )T = (A−1 × A)T = InT = In .
Donc (A−1 )T est bien l’inverse de AT .
— la transposée de A possède les même éléments diagonaux que A donc tr(AT ) = tr(A).

Cours TSI2 Page 4 Compléments d’algèbre linéaire

 II Généralités sur les espaces vectoriels
1 Définition

Définition 8
Soit E un ensemble muni d’une opération d’addition notée + et d’une opération de multiplication par
un réel notée ·.
On dit que (E, +, ·) est un K-espace vectoriel ssi :
— (E, +) est un groupe commutatif, c’est-à-dire :
* ∀(− →
u ,−→
v ) ∈ E 2, −
→u +− →
v ∈ E. (Loi interne)
* ∀( u , v , w ) ∈ E , ( u + v ) + w = −
→
− →
− →
− 3 →
− →
− →
− →
u + (−→v +−→w ). (Associativité)
−→ →
− →
− −
→ −
→ →
− →
−
* ∃0E ∈ E tel que ∀ u ∈ E, u + 0E = 0E + u = u . (Élément nul)
−→
* ∀ u ∈ E, ∃ v ∈ E, tel que u + v = v + u = 0E . (on notera −
→
− →
− →
− −
→ →
− →
− →
v = −−→u) (Opposé)
→
− →
− 2 →
− →
−
* ∀( u , v ) ∈ E , u + v = v + u .→
− −
→ (Commutativité)
— l’opération · vérifie :
* ∀λ ∈ K, et ∀− →
u ∈ E, λ · − →
u ∈ E.
* ∀(λ, µ) ∈ K , ∀ u ∈ E, λ · (µ · −
2 →
− →
u ) = (λµ) · −
→
u.
* ∀−→u ∈ E, 1 · − →
u =− →
u.
* ∀(λ, µ) ∈ K2 , ∀− →u ∈ E, (λ + µ) · − →u = λ·− →
u +µ·− →u.
* ∀λ ∈ K, ∀(− →u ,−
→v ) ∈ E 2 , λ · (−
→
u +− →v)=λ·− →
u +λ·− →v.

Remarque :
En pratique on utilise presque jamais cette définition pour montrer qu’un ensemble est un espace
vectoriel. Nous verrons comment répondre à ce genre de question dans la partie suivante.
Cette définition sert surtout à comprendre quelles sont les opérations autorisées sur les éléments d’un
espace vectoriel.

Dans tout le chapitre E désigne un K-espace vectoriel et on dira tout simplement E est un espace
vectoriel.
Exemple 5 : Les classiques

Notation Description
Kn (n ∈ N∗ ) ensemble des n-uplets de scalaires (notation : (x1 , x2 , · · · , xn ) )
Mn,p(K) ensemble des matrices à n lignes et p colonnes
K[X] ensemble des polynômes à coefficients dans le corps K
Kn [X] (n ∈ N∗ ) ensemble des polynômes de degré inférieur ou égal à n
KN ensemble des suites d’éléments de K
KΩ ensemble des fonctions définies sur un ensemble Ω non vide et à valeurs dans K
F (X, F ) ensemble des applications d’un ensemble X dans un espace vectoriel F

Cours TSI2 Page 5 Compléments d’algèbre linéaire

 2 Familles de vecteurs

a Combinaisons linéaires, sous-espace engendré

Définition 9
Soit (− →
u i )i∈I une famille (finie ou non) de vecteurs de E et − →
v un vecteur de E. On dit que − →
v est une
combinaison linéaire de la famille (→ −
u i )i∈I , s’il existe une partie finie J de I et une famille (λj )j∈J
d’éléments de K tels que :
X
→
−v = λ− →
u .
j j
j∈J

Remarque :
La notion de somme infinie repose sur la notion de limite qu’on ne peut pas définir dans tous les espaces
vectoriels. C’est pourquoi on ne manipulera que des sommes finies ici.
Exemple 6:
Soit (−
→
u n )n∈N une famille de vecteurs d’un espace vectoriel E.
N
X
−
→
u 1+−
→
u 10 + −
→
u 20 est une combinaison linéaire de la famille (−
→
u n )n∈N et, pour tout N ∈ N, (−1)k −
→
uk
k=0
est une autre combinaison linéaire de la famille (→
−
u n )n∈N .
Ce que je dois savoir faire :
Je dois savoir déterminer si un vecteur donné est une combinaison linéaire d’une famille de vecteurs
donnée :
Exemple 7:
     
3 4 1 3 −1 2
Soit M = ,A= et B = .
−7 3 −1 2 5 1
La matrice M est-elle une combinaison linéaire de (A, B) ?
En d’autres termes on cherche à savoir si on peut trouver deux réels que pour l’instant nous allons
noter a et b et qui vérifient : M = aA + bB
Or on a :      
3 4 1 3 −1 2
M = aA + bB ⇔ =a +b
−7 3 −1 2 5 1
   
3 4 a − b 3a + 2b
⇔ =
−7 3 −a + 5b 2a + b
 

 a − b = 3 
 a=3+b 
 
3a + 2b = 4 5b + 9 = 4 b = −1
⇔ ⇔ ⇔

 −a + 5b = −7 
 4b − 3 = −7 a=2
 
2a + b = 3 3b + 6 = 3
Donc on a M = 2A − B et donc M est une combinaison linéaire de (A, B). On remarque que le choix
de a et b est ici unique mais ça n’est pas forcément le cas.
Définition 10
Soit (→
−u i )i∈I une famille (finie ou non) de vecteurs de E. L’ensemble de toutes les combinaisons linéaires
possibles de cette famille est un sous-ensemble de E appelé sous-espace engendré par la famille
u i )i∈I et noté Vect(−
(−
→ →u i )i∈I .

Cours TSI2 Page 6 Compléments d’algèbre linéaire

 Ce que je dois savoir faire :
Il faut savoir exprimer un ensemble donné sous la forme Vect(· · · ).
Exemple 8:
  
x 2x − y
Considérons l’ensemble E = /(x, y) ∈ R2 . On voudrait écrire E comme l’ensemble des
y x + 2y
combinaisons linéaire d’une famille de matrices bien fixée. Il faut donc faire apparaitre ≪ les lettres ≫ comme
des coefficients de la combinaison linéaire :
    
x 2x 0 −y 2
E= + /(x, y) ∈ R
0 x y 2y
     
1 2 0 −1 2
= x +y /(x, y) ∈ R
0 1 1 2
   
1 2 0 −1
= Vect ,
0 1 1 2

Exemple 9:
K[X] = Vect(1, X, . . . , X k , . . .) = Vect(X n )n∈N .

b Familles génératrices
Définition 11
Soit (−
→
u i )i∈I une famille (finie ou non) de vecteurs de E.
On dit que la famille (−→u i )i∈I est génératrice de E, ou encore engendre E, si, et seulement si, on a
→
−
E = Vect( u i )i∈I .

Ce que je dois savoir faire :

Je dois savoir trouver une famille génératrice d’un espace vectoriel E : il suffit pour cela d’écrire E sous
la forme Vect(. . .) donc c’est exactement la même méthode que le point précédent.
Exemples 10 :
  
x 2x − y 2
— Considérons l’ensemble E = ; (x, y) ∈ R .
y x + 2y    
1 2 0 −1
On a vu dans l’exemple précédent que E = Vect , .
    0 1 1 2
1 2 0 −1
Ainsi la famille , est une famille génératrice de E.
0 1 1 2
— On remarque que Kn [X] = {a0 + a1 X + . . . + an X n /(a0 , . . . , an ) ∈ Kn+1 } = Vect(1, X, . . . , X n )
Donc la famille (1, X, ..., X n ) est une famille génératrice de Kn [X].
— De même, la famille infinie (X i )i∈N est une famille génératrice de K[X].

Propriété 5
Si F est une famille génératrice de E alors :
— pour tout − →u ∈ E, (F , − →u ) est aussi une famille génératrice de E ;
— si on change l’ordre des vecteurs de la famille F alors la famille reste une famille génératrice de
E;
— si on multiplie un ou plusieurs vecteurs de F par un scalaire non nul alors la nouvelle famille
est aussi génératrice de E.

Cours TSI2 Page 7 Compléments d’algèbre linéaire

 Exemple 11:

1
Vect((1, 1), (1, 2), (3, 1), (3, 3)) = Vect((1, 1), (1, 2), (3, 1), (1, 1)) on multiplie le dernier vecteur par
3
= Vect((1, 1), (1, 2), (3, 1)) inutile de garder deux fois le même vecteur
= Vect((1, 1), (3, 1), (1, 2)) modification de l’ordre
= Vect((1, 1), (3, 1), (1, 2), (4, 2)) on peut ajouter dans la famille
n’importe quel vecteur combinaison linéaire des autres.

c Familles libres
Définition 12

— Une famille finie (− →

u1 , ..., −
→
up ) de vecteurs de E est dite libre si, et seulement si, pour tout p-uplet
(λ1 , ..., λp ) ∈ Kp on a :
p
X
λi −
→
ui = 0 =⇒ λ1 = ... = λp = 0.
i=1

— Une famille infinie (→

−
ui )i∈I de vecteurs de E est dite libre si, et seulement si, toute sous-famille
finie est libre.
— Une famille qui n’est pas libre est dite liée.

Ce que je dois savoir faire :

Je dois savoir démontrer qu’une famille est libre ou liée :
Exemple 12:
La famille (1 + X + X 2 , 3 + X + 5X 2 , 2 + X + 3X 2 ) est-elle une famille libre ou liée de R[X] ?
On cherche tous les réels a, b, c vérifiant :
a(1 + X + X 2 ) + b(3 + X + 5X 2 ) + c(2 + X + 3X 2 ) = 0
⇔(a + 5b + 3c)X 2 + (a + b + c)X + (a + 3b + 2c) = 0

 a + 5b + 3c = 0
⇔ a+b+c=0

a + 3b + 2c = 0

 a+b+c=0
⇔ 4b + 2c = 0

2b + c = 0

a=b
⇔
c = −2b
On voit donc qu’il y a une infinité de solutions pour a, b, c donc la famille est liée.
Exemple 13:
On considère la famille (f, g, h) composée de trois fonctions de R dans R définies par :
f : x 7→ sin(x) g : x 7→ cos(x) h : x 7→ sin(2x)
Montrons que cette famille est libre.
On cherche tous les réels a, b et c tels que :
∀x ∈ R, af (x) + bg(x) + ch(x) = 0
Comme cette relation dois être valable pour tout réel x, elle doit en particulier être vraie pour certaines
valeurs bien choisies de x.

Cours TSI2 Page 8 Compléments d’algèbre linéaire

 — Pour x = 0, on doit donc avoir a × 0 + b × 1 + c × 0 = 0 donc cela impose b = 0.
π
— Pour x = , on obtient a = 0
2 √ √
π 2 2
— Pour x = , on obtient a +b + c = 0 mais comme a = b = 0 on a donc c = 0.
4 2 2
Ainsi pour avoir ∀x ∈ R, af (x) + bg(x) + ch(x) = 0, on doit avoir a = b = c = 0.
La famille (f, g, h) est donc libre.
Exemple 14:
On considère E l’espace vectoriel des fonctions de R dans R. Pour tout a ∈ R, on note fa la fonction
définie sur R par fa (x) = |x − a|. On souhaite montrer que la famille infinie (fa )a∈R est libre.
Il nous faut donc montrer que toute sous-famille finie est libre.
On considère a1 , . . . , an , n réels distincts. On cherche tous les réels λ1 , . . . , λn tels que :

λ1 fa1 + . . . + λn fan = 0 ⇔ ∀x ∈ R, λ1 fa1 (x) + . . . + λn fan (x) = 0

⇔ ∀x ∈ R, λ1 |x − a1 | + . . . + λn |x − an | = 0.

Raisonnons par l’absurde. Supposons qu’il existe i ∈ {1, . . . , n} tel que λi 6= 0.

Alors la fonction λ1 fa1 + . . . + λn fan n’est pas dérivable en ai (car la fonction x → |x − ai | n’est pas
dérivable en ai ). Or, cette fonction doit être égale à la fonction nulle qui, elle, est dérivable sur R, donc
nous aboutissons à une absurdité.
Ainsi, tous les scalaires λ1 , . . . , λn sont nuls, ce qui signifie que la famille (fa1 , . . . , fan ) est libre. En
conclusion la famille (fa )a∈R est libre.
Voici maintenant quelques propriétés des familles libres ou liées.
Propriété 6
Soit E un espace vectoriel
— Si on change l’ordre des vecteurs d’une famille libre (resp. liée), on obtient encore une famille
libre (resp. liée).
— Une famille contenant un seul vecteur est libre si, et seulement si, le vecteur est non nul.
— La famille (− →
u1 , −
→
u2 ) est liée si, et seulement s’il existe λ ∈ R tel que −
→
u 1 = λ−
→
u2 ou −→
u 2 = λ−
→
u1 . On
→
− →
−
dit alors que les vecteurs u1 et u2 sont colinéaires ou proportionnels.
— Une famille contenant 3 vecteurs est libre si, et seulement si, les vecteurs ne sont pas coplanaires.
— Toute sous-famille d’une famille libre est encore libre.
— Toute famille contenant le vecteur nul est liée.
— Toute famille contenant plusieurs fois le même vecteur est liée.
— Soit F une famille libre de E et − →
u un vecteur de E.
La famille (F , → −u ) est liée si, et seulement si, −
→
u est combinaison linéaire de la famille F .

Il est aussi important de connaitre cette propriété sur les familles de polynômes :
Propriété 7
Soit (Pk )k∈N , une famille de polynômes non nuls tels que :

∀k ∈ N, deg(Pk ) < deg(Pk+1 ) (échelonnée en degrés).

Alors cette famille est libre.

Exemple 15:
Vous pouvez affirmer, sans démonstration, que la famille (1, X 5 + 2X 3 , X 2 + 1, X 4 ) est libre car, en la
réordonnant, on peut obtenir une famille de polynômes échelonnée en degrés.

Cours TSI2 Page 9 Compléments d’algèbre linéaire

 III Généralités sur les sous-espaces vectoriels

Définition 13
Soit E un K-espace vectoriel et F un ensemble. On dit que F est un sous-espace vectoriel de E si,
et seulement si :
— F est un sous-ensemble de E.
— F est non vide
— pour tout couple (−
→
u ,→−
v ) de vecteurs de F et tout scalaire λ ∈ K, λ−
→
u +−
→
v est un vecteur de F

Propriété 8
Si F est un sous espace vectoriel de E alors F est un K-espace vectoriel.

Propriété 9
Soit (→
−
u i )i∈I une famille (finie ou non) de vecteurs de E. Alors le sous-espace engendré Vect(−
→
u i )i∈I est
un sous-espace vectoriel de E.

Remarque :
Les deux propriétés précédentes sont très importantes. Elles donnent les deux méthodes à votre dispo-
sition pour montrer qu’un ensemble donné est un K-espace vectoriel.
Ce que je dois savoir faire :
- Je dois savoir montrer qu’un ensemble F est un sous-espace vectoriel d’un espace vectoriel donné ou
classique.
Il existe deux principales méthodes :
— J’utilise la définition.
— J’écris mon ensemble sous la forme vect(· · · ) et je conclus grâce à la propriété 9.
Exemple 16:
Montrons que l’ensemble E = {aX 2 + 2aX + 3b/(a, b) ∈ R2 } est un sous-espace vectoriel de R[X].
Méthode 1 : (fonctionne tout le temps, mais un peu longue)
— On remarque que E est bien un sous ensemble de R[X].
— Il faut ensuite vérifier que E n’est pas vide. On remarque que 0 = 0X 2 + 2 × 0 × X + 3 × 0. Cela
signifie que 0 ∈ E et donc que E n’est pas vide.
— On prend alors deux éléments quelconques de E :

P (X) = a1 X 2 + 2a1 X + 3b1 Q(X) = a2 X 2 + 2a2 X + 3b2

Puis on prend un réel α. Le but est de montrer que αP + Q est un élément de E :

αP (X) + Q(X) = α(a1 X 2 + 2a1 X + 3b1 ) + (a2 X 2 + 2a2 X + 3b2 )

= (αa1 + a2 ) X 2 + 2 (αa1 + a2 ) X + +3 (αb1 + b2 )
| {z } | {z } | {z }
a3 a3 b3

Donc αP (X) + Q(X) ∈ E

En conclusion E est bien un sous-espace vectoriel de R[X].
Méthode 2 : (lorsqu’elle fonctionne elle est plus rapide) On met E sous la forme vect(· · · ) :

E = {a(X 2 + 2X) + b × 3/(a, b) ∈ R2 } = Vect(X 2 + 2X, 3)

Donc E est un sous-espace vectoriel de R[X] (on utilise ici la propriété 9)

Cours TSI2 Page 10 Compléments d’algèbre linéaire

 - Je dois savoir montrer qu’un ensemble E est un espace vectoriel :
On montre en fait que c’est un sous-espace vectoriel d’un espace vectoriel classique.
Exemple 17:
On note Sn (K) l’ensemble des matrices symétriques de Mn (K).
Montrons que Sn (K) est un espace vectoriel.
Comme Sn (K) est un sous-ensemble de Mn (K) nous allons montrer que Sn (K) est un sous-espace
vectoriel de Mn (K).
— Sn (K) est un sous-ensemble de Mn (K).
— Sn (K) n’est pas vide car la matrice nulle est une matrice symétrique donc elle appartient à Sn (K).
— Soient A et B deux matrices de Sn (K) et λ ∈ K.
On souhaite montrer que λA + B appartient à Sn (K) :

(λA + B)T = λAT + B T = λA + B

car A et B sont symétriques.

On a donc bien λA + B ∈ Sn (K).
En conclusion Sn (K) est un sous-espace vectoriel de Mn (K) donc Sn (K) est un espace vectoriel.

Propriété 10
Soient F et G deux sous-espaces vectoriels de E. Alors F ∩ G est un sous-espace vectoriel de E.

Attention ce n’est en général pas vrai pour la réunion de deux sous-espaces.

IV Dimension d’un espace vectoriel

1 La théorie

a Bases
Définition 14
On appelle base de E toute famille à la fois libre et génératrice de E.

Conséquence
La famille (−
→ui )i∈I est une base de E si, et seulement si, tout vecteur de E peut s’écrire, de manière
unique, comme une combinaison linéaire de la famille (−→
ui )i∈I . Les coefficients de cette combinaison linéaire
s’appellent les coordonnées du vecteur dans la base (− →
ui )i∈I .
Définition 15
Soit E un espace vectoriel et soit B = (− →
u1 , . . . , −
→) une base de E.
u n
Soit −
→
u ∈ E, on considère λ . , λn les coordonnées de −
1, . . 
→u dans la base B.
λ1
u ) =  ... , et MatB (−
On note alors MatB (−
→ →
 
u ) est appelé la matrice colonne des coordonnées de
λn
→
−
u dans la base B.

Définition 16
→
− −
→
Soient B = (−→e1 , . . . , −
→
en ) et B ′ = ( f1 , . . . , fn ) deux bases de E. On appelle matrice de passage de
la base B à la base B ′ , et on note PB,B′ , la matrice dont la j ème colonne contient les coordonnées
→
−
de fj dans la base B.

Propriété 11
−1
Soit B et B ′ deux bases de E. Alors PB,B′ est une matrice inversible et PB,B ′ = PB ′ ,B

Cours TSI2 Page 11 Compléments d’algèbre linéaire

 Propriété 12
On considère B et B ′ deux bases de l’espace vectoriel E et P la matrice de passage de B à B ′ .
Pour tout −
→u ∈ E, on a :
MatB (− u ) = P × MatB′ (−
→ →
u)

Remarque :
Dans certains des espaces vectoriels classiques certaines bases ≪ apparaissent comme des évidences ≫.
Ces bases s’appellent des bases canoniques et elles sont à connaitre par cœur.
Théorème 2 : Bases canoniques

— Soit n ∈ N∗ . Pour tout i ∈ {1, . . . , n}, on pose ei = (0, ..., 0 , 1 , 0, ..., 0).
|{z}
ième place
La famille (e1 , . . . , en ) est la base canonique de Kn .
— Soient (n, p) ∈ (N∗ )2 . Pour tout i ∈ {1, . . . , n} et j ∈ {1, . . . , p}, on note Eij la matrice de
Mn,p(K) dont tous les coefficients sont nuls sauf le coefficient situé à la i-ème ligne et à la j-ème
colonne qui vaut 1.
La famille (E11 , E12 , . . . , E1p , E21 , . . . , E2p , . . . , En1 , . . . , Enp ) est la base canonique de Mn,p(K).
— Soit n ∈ N∗ . Pour tout i ∈ {0, . . . , n}, on pose Pi (X) = X i .
La famille (P0 , P1 , . . . , Pn ) est la base canonique de Kn [X].
— La famille infinie (Pk )k∈N est la base canonique de K[X].

Sur l’ensemble des polynômes on possède aussi cette propriété qui permet d’éviter quelques calculs :
Propriété 13
Soit (Pk )k∈N une famille de polynômes non nuls tels que ∀k ∈ N, deg(Pk ) = k.
Alors (Pk )k∈N est une base de K[X].

Exemple 18:
La famille ((X − 2)k )k∈N est une base de K[X].

b Dimension
Définition 17
On dit que E est un espace vectoriel de dimension finie s’il existe une famille génératrice finie.

Théorème 3
Tout espace vectoriel non réduit à {0} de dimension finie admet une base.

Théorème 4
Soit E un espace de dimension finie non réduit à {0}. Alors toutes les bases de E ont le même nombre
d’éléments. Ce nombre est appelé dimension de l’espace vectoriel E et est noté dim(E).
Par convention on dira que l’espace {0} est de dimension 0.

Théorème 5 : Dimensions des espaces vectoriels de référence

— dim(Kn ) = n
— dim(Mn,p (K)) = n × p
— dim(Kn [X]) = n + 1
— K[X] est de dimension infinie.

Cours TSI2 Page 12 Compléments d’algèbre linéaire

 Propriété 14
Soit E un espace de dimension finie n.
— Toute famille libre (resp. génératrice) de n vecteurs est une base de E
— Toute famille libre possède au plus n vecteurs.
— Toute famille génératrice possède au moins n vecteurs.

Conséquence :
Dans un espace de dimension n, toute famille de strictement plus de n vecteurs est donc forcément liée
et toute famille de strictement moins de n vecteurs n’est jamais génératrice.
Théorème 6 : Théorème de la base incomplète
Soit E un espace de dimension finie n et (e1 , ..., ek ) une famille libre de E.
Alors il existe des vecteurs ek+1 , ..., en tels que (e1 , ..., en ) est une base de E.

Théorème 7
Soit E un espace vectoriel de dimension finie et F un sous-espace de E.
Alors F est un espace vectoriel de dimension finie et dim F 6 dim E.
De plus dim F = dim E ⇔ F = E.

Définition 18
Soit (−
→
u1 , . . . , −
→) une famille de vecteurs d’un espace vectoriel E. On appelle rang de cette famille,
u n
et on note rg(− →
u1 , . . . , −
→), la dimension de l’espace vectoriel F = Vect(−
u n
→
u1 , . . . , −
→).
u n

2 La méthodologie

a Trouver les coordonnées d’un vecteur dans une base donnée

Pour ≪ trouver les coordonnées du vecteur −
→
u dans la base B = (−
→
ei )i∈I ≫ il faut trouver les réels (ai )i∈I
tels que :
X
→
−
u = a−→
e i i
i∈I

c’est donc exactement la même méthode que pour savoir si −

→
u est une combinaison linéaire de la famille
−
→
( ei )i∈I .  
a1
 a2 
La matrice colonne des coordonnées de−
→u dans la base B se note MatB (− →  
u ) et elle est égale à  .. .
.
an
Exemple 19:
On se place dans l’espace vectoriel R2 [X] muni de la base B = (R0 , R1 , R2 ) où R0 = 1, R1 = X + 2 et
R2 = X 2 − 2.
On considère le polynôme P = 4X 2 − 3X − 12. Quel est la matrice colonne des coordonnées de P dans
la base B ?
On doit ici chercher les coordonnées de P dans la base B, c’est-à-dire que l’on cherche les réels a, b et
c tels que :

P = aR0 + bR1 + cR2 ⇔ 4X 2 − 3X − 12 = a + b(X + 2) + c(X 2 − 2)

 
 c=4  c=4
⇔4X 2 − 3X − 12 = cX 2 + bX + a + 2b − 2c ⇔ b = −3 ⇔ b = −3
 
a + 2b − 2c = −12 a=2

Cours TSI2 Page 13 Compléments d’algèbre linéaire

 Donc on  aP =2R0 − 3R1 + 4R2 et ainsi la matrice colonne des coordonnées de P dans la base B est
2
MatB (P ) = −3.
4

b Construire une matrice de passage

Si B = (e1 , · · · , en ) et B ′ = (f1 , · · · , fn ) sont deux bases alors pour construire la matrice de passage
de B à B ′ je mets dans la j ème colonne les coordonnées du vecteur fj dans la bases B.
Exemple 20:
Soient B1 = (P0 , P1 , P2 , P3 ) la base canonique de R3 [X], et B2 = (R0 , R1 , R2 , R3 ), avec R0 (X) = 1,
R1 (X) = X − 1, R2 (X) = (X − 1)2 , R3 (X) = (X − 1)3 une autre base de cet espace. Déterminer la matrice
de passage de B1 à B2 .
La première colonne de PB1 ,B2 contient les coordonnées de R0 dans la base B1 .
On cherche donc des réels a, b, c et d tels que R0 = aP0 + bP1 + cP2 + dP3 .
On trouve facilement, de tête, R0 = 1 × P0 + 0P1 + 0P2 + 0P3 .
De même on peut trouver de tête :
R1 = −1 + X = −P0 + P1 + 0P2 + 0P3
R2 = 1 − 2X + X 2 = P0 − 2P1 + P2 + 0P3
R3 = −1 + 3X − 3X 2 + X 3 = −P0 + 3P1 − 3P2 + P3
 
1 −1 1 −1
0 1 −2 3 
On en déduit que PB1 ,B2 = 
0 0
.
1 −3
0 0 0 1

c Montrer qu’une famille donnée est une base

Pour répondre à la question ≪ Montrer que la famille B (donnée) est une base de l’espace vectoriel E
(donné) ≫, vous disposez de deux méthodes :
Méthode 1 : s’applique lorsqu’on ne connait pas la dimension de E
On montre que la famille B est libre et génératrice de E
Méthode 2 : s’applique lorsqu’on connait la dimension de E
On montre que B est une famille libre (ou génératrice) de E puis on dit ≪ la famille B est une famille
libre (resp. génératrice) de E contenant n (à remplacer par un chiffre en exercice) vecteurs et on sait que
dim(E) = n (il faut que l’on ait le même chiffre que pour le nombre de vecteurs de B) donc B est une
base de E ≫.
Exemple 21:
       
1 0 1 0 0 1 0 −1
Montrons que la famille B = , , , est une base de M2 (R).
0 1 0 −1 1 0 1 0
On remarque tout de suite que l’on connait la dimension de M2 (R) donc on va appliquer la méthode 2.
Commençons par montrer que la famille B est libre :
Je cherche tous les réels a, b, c, d vérifiant :
             
1 0 1 0 0 1 0 −1 0 0 a+b c−d 0 0
a +b +c +d = ⇔ =
0 1 0 −1 1 0 1 0 0 0 c+d a−b 0 0


 a+b=0

c−d =0
⇔ ⇔a=b=c=d=0

 c+d=0

a−b=0
La famille B est donc libre.

Cours TSI2 Page 14 Compléments d’algèbre linéaire

 De plus je sais que dim(M2 (R)) = 4.
Ainsi la famille B est une famille libre de M2 (R) contenant 4 vecteurs et on sait que dim(M2 (R)) = 4
donc B est une base de M2 (R).

d Trouver une base d’un espace vectoriel donné

On commence par trouver une famille génératrice de E (voir méthode sur les familles génératrices),
puis on montre que cette famille est libre. Enfin on conclut.
Exemple 22:
  
x 2x − y 2
Reprenons l’exemple 8 : E = /(x, y) ∈ R
 y x + 2y 
   
 1 2 0 −1 
On a vu que la famille 
 0 1 ,  est génératrice de E.
1 2 
| {z } | {z }
A B
Il faut alors montrer maintenant qu’elle est libre. Les matrices A et B ne sont visiblement pas propor-
tionnelles donc la famille (A, B) est libre. (ATTENTION cette méthode ne fonctionne que pour
les familles de deux vecteurs)
  
1 2 0 −1
Donc la famille , est libre et génératrice de E, c’est donc une base de E.
0 1 1 2

e Calculer la dimension d’un espace vectoriel donné

— S’il s’agit d’un espace vectoriel classique, on récite son cours (théorème 5) ;
— S’il s’agit d’un nouvel espace vectoriel défini dans l’énoncé de votre exercice alors LA SEULE
MÉTHODE possible consiste à trouver une base puis compter le nombre de vecteurs dans la
base. Ce nombre est la dimension cherchée.
Exemple 23:
Déterminons la dimension de l’espace vectoriel E = {(x, y, z) ∈ R3 /2x = 0 et 3y − z = 0}.
E n’est pas un espace vectoriel classique donc on ne connait pas sa dimension. La seule façon de trouver
cette dimension est de trouver une base de E.
On remarque tout d’abord que : E = {(0, y, 3y)/y ∈ R} = Vect((0, 1, 3)).
Donc la famille ((0, 1, 3)) est une famille génératrice de E.
De plus cette famille ne contient qu’un seul vecteur et ce vecteur n’est pas nul. Donc la famille ((0, 1, 3))
est libre.
Ainsi ((0, 1, 3)) est une base de E et on a dim(E) = 1 (on compte le nombre de vecteurs dans la base).

f Calculer le rang d’une famille de vecteurs

Il faut poser F = Vect(−
→
u1 , . . . , −
→) et calculer la dimension de F .
u n

Exemple 24:
On pose P = 2X + 1, Q = X 2 + 1 et R = 2X 2 + 2X + 3.
Quel est le rang de la famille (P, Q, R) de R[X] ?
On pose F = Vect(P, Q, R). Nous devons donc calculer la dimension de F et le seul moyen de calculer
cette dimension est de trouver une base de F .
Par définition de F , la famille (P, Q, R) est une famille génératrice de F .
Cette famille est-elle libre ?
On voit que R = 2Q + P donc la famille (P, Q, R) est liée. (Si on ne ≪ voit ≫ pas, on peut toujours
chercher tous les réels a, b et c tels que : aP + bQ + cR = 0.)
Comme R est une combinaison linéaire de (P, Q), on a F = Vect(P, Q).

Cours TSI2 Page 15 Compléments d’algèbre linéaire

 La famille (P, Q) est donc génératrice de F . De plus c’est une famille de polynômes échelonnée en
degrés donc cette famille est libre.
Ainsi (P, Q) est une base de F , donc dim(F ) = 2 et donc rg(P, Q, R) = 2.

V Somme de sous-espaces vectoriels

1 Deux sous-espaces vectoriels

a En dimension quelconque
Définition 19
Soient F et nG deux sous-espaces vectoriels
o de E.
→ −
− → → →
− −
L’ensemble f + g /( f , g ) ∈ F × G est un sous-espace vectoriel de E appelé somme de F et G
et noté F + G.

Définition 20
On dit que deux sous-espaces vectoriels F et G sont en somme directe si tout vecteur de F + G se
décompose de manière unique comme somme d’un vecteur de F et d’un vecteur de G.
On notera alors F ⊕ G au lieu de F + G.

Propriété 15
Soient F et G deux sous-espaces vectoriels de E.
F et G sont en somme directe si, et seulement si, F ∩ G = {0E }.

Définition 21
Soient F et G deux sous-espaces vectoriels de E. On dit que F et G sont supplémentaires si, et
→ →
−
seulement si, tout vecteur −
→
u de E s’écrit de manière unique sous la forme −
→
u = f +−
g avec
→ →
− −
( f , g ) ∈ F × G.
On dit alors que E est somme directe de F et G, et on note E = F ⊕ G.

Propriété 16
Soient F et G deux sous-espaces vectoriels de E. Les affirmations suivantes sont équivalentes :
(i) F et G sont supplémentaires ;
(ii) F ∩ G = {0E } et E = F + G.

Ce que je dois savoir faire :

- Je dois savoir montrer que deux sous-espace vectoriels sont en somme directe : le plus souvent on
démontre que F ∩ G = {0E }.
Exemple 25:
Soit n ∈ N∗ . On considère Sn (R) le sous-espace vectoriel des matrices symétriques de Mn (R) et An (R)
le sous-espace vectoriel des matrices antisymétriques de Mn (R).
Montrons que Sn (R) et An (R) sont en somme directe.
Soit A ∈ Sn (R) ∩ An (R).
Comme A ∈ Sn (R) on a AT = A et comme A ∈ An (R) on a AT = −A.
On en déduit que A = −A et donc A = 0.
En conclusion Sn (R) ∩ An (R) = {0} ce qui signifie que Sn (R) et An (R) sont en somme directe.

Cours TSI2 Page 16 Compléments d’algèbre linéaire

 - Je dois savoir montrer que deux sous-espaces vectoriels sont supplémentaires.
Exemple 26:
On considère F l’espace vectoriel des fonctions de R dans R, et I le sous-espace vectoriel des fonctions
impaires et P le sous-espace vectoriel des fonctions paires.
Montrons que P et I sont supplémentaires dans F .
— Soit f ∈ I ∩ P .
Pour tout réel x, on a f (−x) = −f (x) car f est impaire et f (−x) = f (x) car f est paire.
Donc f (x) = −f (x) et donc f (x) = 0.
f est la fonction nulle. Donc I ∩ P = {0}.
— Pour montrer que F = I + P nous allons montrer que I + P ⊂ F et F ⊂ I + P .
Il est évident que I + P ⊂ F .
Soit f ∈ F . On veut montrer que f ∈ I + P c’est-à-dire que l’on cherche deux fonctions g ∈ I et
h ∈ P telles que f = g + h.
Pour trouver ces fonctions nous allons faire un raisonnement par ≪ analyse-synthèse ≫ :
* Analyse :
On suppose que ces deux fonctions g et h existent.
On a alors, pour tout réel x, f (x) = g(x) + h(x) et f (−x) = g(−x) + h(−x) = −g(x) + h(x).
f (x) − f (−x) f (x) + f (−x)
Donc g(x) = et h(x) = .
2 2
* Synthèse :
f (x) − f (−x) f (x) + f (−x)
On pose, pour tout réel x, g(x) = et h(x) = .
2 2
On a alors bien f (x) = g(x) + h(x).
Vérifions que g est impaire et h est paire :

f (−x) − f (x) f (−x) + f (x)

g(−x) = = −g(x) h(−x) = = h(x)
2 2
Ainsi pour toute fonction f ∈ F il existe une fonction g impaire et une fonction h paire telles que
f = g + h.
Cela démontre que F = I + P .
— En conclusion, les deux résultats soulignés montrent que P et I sont supplémentaires dans F .
Attention, si cela n’est pas clair dans l’énoncé penser à vérifier que les deux ensembles F et G sont
des sous-espaces vectoriels.

b En dimension finie
On se place dans un espace E de dimension finie.
Théorème 8 : Formule de Grassman
Soient F et G deux sous-espaces vectoriels de E, alors on a :

dim(F + G) = dim(F ) + dim(G) − dim(F ∩ G).

Grâce à cette formule on dispose, en dimension finie, de méthodes supplémentaires pour montrer que
deux sous-espaces vectoriels sont supplémentaires :

Cours TSI2 Page 17 Compléments d’algèbre linéaire

 Propriété 17
Soient F et G deux sous-espaces vectoriels de E. Les affirmations suivantes sont équivalentes :
(i) F et G sont supplémentaires ;
(ii) F ∩ G = {0E } et E = F + G ;
(iii) F ∩ G = {0E } et dim(E) = dim(F ) + dim(G) ;
(iv) E = F + G et dim(E) = dim(F ) + dim(G).

Propriété 18
— Si (e1 , . . . , ek ) est une base de F et (f1 , . . . , fp ) est une base de G et que F et G sont deux
sous-espaces supplémentaires de E alors la famille (e1 , . . . , ek , f1 , . . . , fp ) est une base de E.
On dit que c’est une base adaptée à la somme directe F ⊕ G.
— Si (u1 , . . . , un ) est une base de E alors F = Vect(u1 , . . . , uk ) et G = Vect(uk+1, . . . , un ) sont
supplémentaires.

Exemple 27:
On se place dans l’espace vectoriel R3 et on considère les deux sous-espaces vectoriels suivant :

F = {(x, y, z) ∈ R3 /x − y + 3z = 0}

G = {(x, y, z) ∈ R3 /y − z = 0 et 2x + z = 0}
Montrons que F et G sont supplémentaires :
— Commençons tout d’abord par déterminer la dimension de ces sous-espaces.
On a F = Vect((1, 1, 0), (0, 3, 1)). La famille ((1, 1, 0), (0, 3, 1)) est génératrice de F et elle est libre
car composée de deux vecteurs visiblement non proportionnels. Ainsi ((1, 1, 0), (0, 3, 1)) est une base
de F et dim(F ) = 2.
On a aussi G = Vect((1, −2, −2)). La famille ((1, −2, −2)) est génératrice de G et libre car composée
d’un seul vecteur non nul. Donc ((1, −2, −2)) est une base de G et dim(G) = 1.
On a donc dim(F ) + dim(G) = 3 = dim(R3 ).
— Montrons que F ∩ G = {(0, 0, 0)}. On a :

 x − y + 3z = 0
(x, y, z) ∈ F ∩ G ⇔ y−z =0 ⇔x=y=z=0

2x + z = 0

On a donc bien F ∩ G = {(0, 0, 0)}.

En conclusion F et G sont supplémentaires dans R3 .
De plus la famille ((1, 1, 0), (0, 3, 1), (1, −2, −2)) est une base de R3 adaptée à la décomposition en
somme directe R3 = F ⊕ G.

2 p sous-espaces vectoriels

Définition 22
Soient F1 , . . . , Fp des sous-espaces vectoriels de E.
On appelle somme des sous-espaces (F1 , . . . , Fp ) le sous-espace vectoriel :
p n−
X → →
− −
→ o
F = Fi = F1 + . . . + Fp = f 1 + . . . + f p /∀i ∈ J1; pK, f i ∈ Fi .
i=1

Cours TSI2 Page 18 Compléments d’algèbre linéaire

 Définition 23
On dit que la somme F = F1 + . . . + Fp est directe si tout vecteur de F se décompose de manière
unique comme somme de vecteurs de (Fi )i=1,...,n .
p
M
On notera alors F = Fi = F1 ⊕ . . . ⊕ Fp .
i=1

Propriété 19
p
X →
− −
→ −
→
La somme F = Fi est directe si, et seulement si, pour f 1 ∈ F1 , f 2 ∈ F2 , . . . , f p ∈ Fp on a :
i=1

−
→ →
− −
→ →
− →
− →
− →
−
f 1 + . . . + f p = 0 ⇐⇒ f 1 = f 2 = . . . = f p = 0

Remarque :
On appelle cette propriété la caractérisation par l’unicité de la décomposition du vecteur nul.

Ce que je dois savoir faire :

Je dois savoir montrer qu’une somme de sous-espaces vectoriels est directe en utilisant la caractérisation
par l’unicité de la décomposition du vecteur nul.
Exemple 28:
On se place dans l’espace vectoriel R[X] et on fixe p ∈ N∗ .
Pour tout entier k ∈ [[1; p]], on pose Fk = Vect(X k (X − 1)).
Montrons que les sous-espaces vectoriels F1 , F2 , . . . , Fp sont en somme directe.
On cherche tous les polynômes R1 , . . . , Rp appartenant respectivement à F1 , . . . , Fp tels que :

R1 + . . . + Rp = 0

Comme Rk ∈ Fk = Vect(X k (X − 1)), on sait qu’il existe un réel ak tel que Rk = ak X k (X − 1).
On a donc :

R1 + . . . + Rp = 0 ⇔ a1 X(X − 1) + a2 X 2 (X − 1) + . . . + ap X p (X − 1) = 0
⇔ (X − 1)(a1 X + a2 X 2 + . . . ap X p ) = 0
⇔ a1 X + a2 X 2 + . . . ap X p = 0 car X − 1 n’est pas le polynôme nul


 a1 = 0

 a2 = 0
⇔ .. ⇔ R1 = . . . = Rp = 0


 .
 a =0
p

Donc on a montré que R1 + . . . + Rp = 0 ⇔ R1 = . . . = Rp = 0.

Cela signifie que la décomposition du polynôme nul sur la somme F1 + . . . + Fp est unique et donc que
la somme est directe.
Propriété 20
Soit E un K-espace vectoriel de dimension n et F1 , . . . , Fp des sous-espaces vectoriels de E tels que :
p
M
E= Fi = F1 ⊕ . . . ⊕ Fp .
i=1

On dit que la famille (Fi )i∈J1;pK est une décomposition en somme directe de E.
De plus si, pour tout i ∈ J1; pK, on considère Bi une base de Fi , alors la réunion des bases Bi est une
base de E. On dit que c’est une base adaptée à la décomposition en somme directe.

Cours TSI2 Page 19 Compléments d’algèbre linéaire

 VI Hyperplans
Dans toute cette partie E est un K-espace vectoriel de dimension n > 2 finie.
Définition 24
On dit qu’un sous-espace vectoriel de E est un hyperplan de E si, et seulement s’il est de dimension
n − 1.

Propriété 21
Soit F un sous-espace vectoriel de E.
F est un hyperplan de E si, et seulement s’il admet une droite vectorielle comme supplémentaire
→
−
autrement dit, s’il existe −
→
u ∈ E, −
→
u 6= 0 tel que E = F ⊕ Vect(−
→
u ).

Théorème 9 : Équation d’un hyperplan

Soit F un hyperplan de E et B une base de E. Alors il existe des scalaires a1 , . . . , an non tous nuls
tels que :
→
−
x ∈ F ⇐⇒ a1 x1 + . . . + an xn = 0
où (x , . . . , x ) sont les coordonnées de −
1 n
→
x dans la base B.
La relation a1 x1 + . . . + an xn = 0 s’appelle l’équation de l’hyperplan F dans la base B.

Remarque :
Lorsque la base B est fixé, les scalaires a1 , . . . , an ne sont pas uniques mais ils sont définis à une
constante multiplicative près.

Cours TSI2 Page 20 Compléments d’algèbre linéaire