CPGE Ibn Ghazi

Cours
Rappel d’algèbre
linéaire

Classes MP
2
 Table des matières

1 Espaces vectoriel 6
I Sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . 6
1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . 6
2 Exercices d’approfondissements . . . . . . . . . . . . . . . 8
II Indépendance linéaire . . . . . . . . . . . . . . . . . . . . . . . . . 9
1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . 9
2 Exercices d’approfondissement . . . . . . . . . . . . . . . 11
III Somme de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . 12
1 Exercices d’approfondissements . . . . . . . . . . . . . . . 14

2 Applications linéaires 16
I Notion d’application linéaire . . . . . . . . . . . . . . . . . . . . . 16
II Opérations sur les applications linéaires . . . . . . . . . . . . . . . 18
III Noyau et image d’une application linéaire . . . . . . . . . . . . . 19
IV Applications linéaires et indépendance linéaire . . . . . . . . . . . 20
V Projections et symétries vectorielles . . . . . . . . . . . . . . . . . 21
VI Hyperplans . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3 Espaces vectoriels de dimensions finies 24

I Théorème de la base incomplète, espace de dimension finie . . . . 24
II Dimension d’un sous espace vectoriel . . . . . . . . . . . . . . . . 26
III Rang d’une famille finie de vecteurs, d’une application linéaire . . 27

Liste des résultats remarquables

1.1 Proposition : Caractérisation d’un s.e.v . . . . . . . . . . . . . . . 6

1.3 Définition : Famille libre : Cas d’une famille finie . . . . . . . . . . 9

page 3 / 28
1.5 Exercice : Polynômes d’interpolation de Lagrange . . . . . . . . . 10
1.4 Définition : Cas général . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Exemples : fondamentaux . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Théorème : Détermination d’une application linéaire sur une base 17
3.1 Théorème : de la base incomplète . . . . . . . . . . . . . . . . . . 24
3.12 Théorème : du rang . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4
 Espaces vectoriel
chapitre 1

Conventions et notations

Durant tout ce document, K désigne R ou C, et (𝐸, +, .) est un K.e.v. On

suppose connue la notion d’un espace vectoriel sur K.

I
Sous espaces vectoriels

I.1 Définitions et propriétés

Définition 1.1

On dit qu’une partie 𝐹 de 𝐸 est un sous espace vectoriel (s.e.v) de 𝐸 si :

1 𝐹 ≠ ∅;
2 𝐹 est stable par les lois « + » et « . » ,
∀(𝑥, 𝑦) ∈ 𝐹 2, ∀𝛼 ∈ K, 𝑥 + 𝑦 ∈ 𝐹 et 𝛼 .𝑥 ∈ 𝐹 ;
3 Les lois « + » et « . » induisent sur 𝐹 une structure d’espace vectoriel.

Proposition 1.1 Caractérisation d’un s.e.v

Étant donnée une partie 𝐹 de 𝐸, les assertions suivantes sont équivalentes :

1 𝐹 est un s.e.v de 𝐸.
2 • 𝐹 ≠ ∅;
• ∀𝑥, 𝑦 ∈ 𝐹, 𝑥 + 𝑦 ∈ 𝐹 ;
• ∀𝑥 ∈ 𝐹, ∀𝛼 ∈ K, 𝛼 .𝑥 ∈ 𝐹 .

page 5 / 28
 3 • 𝐹 ≠ ∅;
• ∀𝑥, 𝑦 ∈ 𝐹, ∀𝛼 ∈ K, 𝛼 .𝑥 + 𝑦 ∈ 𝐹 .

Exemples 1.1

1.1.1 L’ensemble des suites convergentes, celui des suites bornées sont des
s.e.v de (KN, +, .)
1.1.2L’ensemble C𝑘 (𝐼, K) des fonctions numériques de classe C𝑘 sur un
intervalle non trivial 𝐼 de R, où 𝑘 ∈ N ∪ {∞}, est un s.e.v de (F(𝐼, K), +, .).
1.1.3 Pour tout 𝑛 ∈ N, l’ensemble K𝑛 [𝑋 ] = {𝑃 ∈ K[𝑋 ] / deg 𝑃 6 𝑛} est un
s.e.v de K[𝑋 ].
1.1.4Pour tout 𝑎 ∈ K, l’ensemble 𝐻𝑎 = {𝑃 ∈ K[𝑋 ] / 𝑃 (𝑎) = 0} est un s.e.v
de K[𝑋 ]

Proposition 1.2

L’intersection d’une famille quelconque (finie ou infinie) de s.e.v de 𝐸 est un

s.e.v de 𝐸.

Proposition et définition 1.3

Si 𝐴 une partie de 𝐸 alors l’intersection de tous les s.e.v de 𝐸 qui contiennent

𝐴 est un s.e.v de 𝐸 contenant 𝐴. On l’appelle le s.e.v de 𝐸 engendré par 𝐴 et
on le note Vect(𝐴).

Proposition 1.4

Soit 𝐴 une partie de 𝐸.

1.4.1 Vect(𝐴) est le plus petit s.e.v de 𝐸 contenant 𝐴.
1.4.2 Vect(𝐴) est l’ensemble des combinaisons linéaires des vecteurs de 𝐴,
ce qui signifie que
n
Vect(𝐴) = 𝑥 ∈ 𝐸 / ∃𝑝 ∈ N, ∃(𝑎 1, 𝑎 2, . . . , 𝑎𝑝 ) ∈ 𝐴𝑝 ,
𝑝
∑︁ o
∃(𝛼 1, 𝛼 2, . . . , 𝛼 𝑝 ) ∈ K𝑝 ; 𝑥 = 𝛼 𝑘 𝑎𝑘
𝑘=1

6
 1.4.3 Dans le cas où 𝐴 = {𝑎 1, 𝑎 2, . . . , 𝑎𝑛 } est fini alors
n ∑︁𝑛 o
Vect(𝐴) = 𝛼𝑖 .𝑎𝑖 / 𝛼 1, · · · , 𝛼𝑛 ∈ K .
𝑖=1

Propriétés 1.5

Soient 𝐴, 𝐵 ⊂ 𝐸. Alors :
1.5.1 Vect(∅) = {0}.
1.5.2 Si 𝐴 ⊂ 𝐵 alors Vect(𝐴) ⊂ Vect(𝐵).
1.5.3 𝐴 est un s.e.v de 𝐸 si et seulement si Vect(𝐴) = 𝐴.
1.5.4 Vect (Vect(𝐴)) = Vect(𝐴).

Définition 1.2

Soit G = (𝑣𝑖 )𝑖 ∈𝐼 une famille quelconque de vecteurs de 𝐸. On dit que G

est génératrice dans 𝐸 si 𝐸 = Vect( G) ; c’est à dire que tout élément de 𝐸
s’écrit comme combinaison linéaire d’une sous-famille finie de vecteurs de
G. En particulier, dans le cas où G est une famille finie de la forme G =
(𝑣 1, 𝑣 2, · · · , 𝑣𝑛 ) , alors elle est génératrice dans 𝐸 si :
𝑛
∑︁
∀𝑥 ∈ 𝐸 ; ∃ (𝛼 1, · · · , 𝛼𝑛 ) ∈ K𝑛 : 𝑥 = 𝛼𝑖 𝑣 𝑖 .
𝑖=1

Remarque 1.1

Toute sur-famille d’une famille génératrice de 𝐸 est encore une famille

génératrice.

I.2 Exercices d’approfondissements

Exercice 1.1
Montrer que l’ensemble des solutions d’une équation différentielle homogène
de second ordre à coefficients constants, est un s.e.v de C2 (R, C).

7
Exercice 1.2

𝐹 = (𝑥, 𝑦, 𝑧) ∈ R3 : 𝑥 + 𝑦 + 𝑧 = 0 ,

Soient
𝐺 = (𝑥, 𝑦, 𝑧) ∈ R3 : 2𝑥 − 𝑦 + 3𝑧 = 0


𝐻 = (𝑥, 𝑦, 𝑧) ∈ R3 : 𝑥 + 𝑦 + 𝑧 = 2𝑥 − 𝑦 + 3𝑧 = 0 .


1 Montrer que 𝐹 et 𝐺 sont des sous-espaces vectoriels de R3 . On en donnera

une famille génératrice.
2 En déduire que 𝐻 est un sous-espace vectoriel de R3 .

Exercice 1.3
Pour tous 𝑎, 𝑏 ∈ R on note 𝑓𝑎,𝑏 la fonction définie de R vers R par

∀𝑥 ∈ R, 𝑓𝑎,𝑏 (𝑥) = 𝑎𝑥 + 𝑏.

Montrer que l’ensemble 𝐹 = {𝑓𝑎,𝑏 : 𝑎, 𝑏 ∈ R} est un sous-espace vectoriel de

l’ensemble F(R) des fonctions définies de R vers lui même.

Exercice 1.4
Montrer que si 𝐹 et 𝐺 sont deux s.e.v de 𝐸 alors 𝐹 ∪ 𝐺 est un s.e.v de 𝐸 si et
seulement si 𝐹 ⊂ 𝐺 ou 𝐺 ⊂ 𝐹 .

II
Indépendance linéaire

II.1 Définitions et propriétés

Définition 1.3 Famille libre : Cas d’une famille finie

Soit L = (𝑣 1, 𝑣 2, · · · , 𝑣𝑛 ) une famille finie de vecteurs de 𝐸. On dit que la

famille L est libre si :
𝑛
∑︁
∀ (𝛼 1, · · · 𝛼𝑛 ) ∈ K𝑛 ; 𝛼𝑘 𝑣𝑘 = 0𝐸 =⇒ 𝛼 1 = 𝛼 2 = · · · = 𝛼𝑛 = 0.
𝑘=1
D’autre part, par définition, la famille vide c’est à dire ne contenant aucun
vecteur est considérée comme une famille libre.

8
Exercice 1.5 Polynômes d’interpolation de Lagrange
Soient 𝑎 1, · · · , 𝑎𝑛 ∈ K deux à deux distincts. Pour tout 𝑖 ∈ [[1, 𝑛]] on considère
Î 𝑋 − 𝑎𝑗
le polynôme 𝐿𝑖 = . Calculer 𝐿𝑖 (𝑎 𝑗 ) pour tout 𝑖, 𝑗 ∈ [[1, 𝑛]], et
1≤ 𝑗 ≤𝑛 𝑎𝑖 − 𝑎 𝑗
𝑗≠𝑖
montrer que la famille (𝐿1, · · · , 𝐿𝑛 ) est libre dans K𝑛 [𝑋 ].

Définition 1.4 Cas général

Soit L = (𝑣𝑖 )𝑖 ∈𝐼 une famille quelconque de vecteurs de 𝐸. On dit que L

est libre, ou que ses vecteurs sont linéairement indépendants, si toutes ses
sous-familles finies sont libres. C’est-à-dire si pour toute partie finie 𝐽 de 𝐼 la
famille (𝑣 𝑗 ) 𝑗 ∈𝐽 est libre. Dans le cas contraire on dit que L est liée, ou que ses
vecteurs sont linéairement dépendants.

Remarques 1.2

1.2.1 Si F contient le vecteur nul ou plusieurs fois un même vecteur alors

elle est liée.
1.2.2 Si F est réduite à un seul vecteur 𝑥, alors F est libre si et seulement
si 𝑥 ≠ 0.

Propriétés 1.6

Soit F = (𝑣𝑖 )𝑖 ∈𝐼 une famille de vecteurs de 𝐸.

1.6.1 F est liée si, et seulement si, un au moins de ses vecteurs est combinai-
son linéaire des autres :

∃𝑖 0 ∈ 𝐼, 𝑣𝑖 0 ∈ Vect 𝑣𝑖 / 𝑖 ∈ 𝐼 \ {𝑣𝑖 0 }
1.6.2 F est libre si, et seulement si, aucun de ses vecteurs n’est combinaison
linéaire des autres vecteurs.
1.6.3Toute sous-famille d’une famille libre est une famille libre. Par contrap-
posée, toute sur-famille d’une famille liée est une famille liée.

Définition 1.5

On appelle base de 𝐸 toute famille libre et génératrice dans 𝐸.

9
 Exemples 1.2 (fondamentaux)

1.2.1 Dans K𝑛 , la famille (𝑒 1, 𝑒 2, ..., 𝑒𝑛 ) est une base de K𝑛 , où

𝑒𝑘 = (0, · · · , 0, 1 , 0, · · · , 0)
↑
k-ème place
Elle est dite la base canonique de K𝑛 .
1.2.2 Dans K[𝑋 ], la famille (𝑋 𝑛 )𝑛 ∈N est une base. Elle est dite la base
canonique de K[𝑋 ].
1.2.3 Dans K𝑛 [𝑋 ], la famille (1, 𝑋, ..., 𝑋 𝑛 ) est une base. Elle est dite la base
canonique de K𝑛 [𝑋 ].
n.b. Il n’y a pas toujours une base qu’on peut qualifier de canonique quand 𝐸 est
un espace quelconque. Le point commun entre les trois derniers exemples est que les
coordonnées d’un vecteur dans la base indiquée sont les « coefficients » de ce dernier.

Proposition et définition 1.7

Soit B = (𝑣 1, 𝑣 2, · · · , 𝑣𝑛 ) une famille de vecteurs de 𝐸. B est une base de 𝐸 si,

et seulement si,
𝑛
∑︁
∀𝑥 ∈ 𝐸, ∃!(𝛼 1, 𝛼 2, · · · , 𝛼𝑛 ) ∈ K𝑛 ; 𝑥 = 𝛼𝑖 𝑣 𝑖 .
𝑖=1
La famille de scalaires (𝛼 1, 𝛼 2, · · · , 𝛼𝑛 ) s’appelle alors système de coordonnées
de 𝑥 dans la base B.

II.2 Exercices d’approfondissement

Exercice 1.6

𝐹 = (𝑥, 𝑦, 𝑧) ∈ R3 : 𝑥 + 𝑦 − 𝑧 = 0

Soient
𝐺 = (𝑥 − 𝑦, 𝑦 + 𝑥, 𝑥 − 3𝑦) : (𝑥, 𝑦) ∈ R2 .


Montrer que 𝐹 et 𝐺 sont des sous-espaces vectoriels de R3 et en donner des

bases.

Exercice 1.7
Étudier l ’indépendance linéaire des familles F suivantes dans l’espace vectoriel

10
C1 (R, R) :
1. F = (𝑒 𝑎𝑥 )𝑎 ∈R . 2. F = cos𝑘 𝑥 𝑘 ∈N .


 
3. F = sin𝑘 𝑥 . 4. F = (cos 𝛼 .𝑥) 𝛼 ∈R+ .
𝑘 ∈N
5. F = (|𝑥 − 𝑎|)𝑎 ∈R .

III
Somme de sous-espaces vectoriels

Proposition et définition 1.8

Si 𝐹 1, · · · , 𝐹𝑛 sont des 𝑠.𝑒.𝑣 de 𝐸, alors l’ensemble

𝑛
n ∑︁ o
𝑥 𝑖 : 𝑥 1 ∈ 𝐹 1 , · · · , 𝑥 𝑛 ∈ 𝐹𝑛
𝑖=1
est un s.e.v de 𝐸. C’est le plus petit s.e.v de 𝐸 qui contient tous les s.e.v 𝐹𝑖 . On
𝑛
Í
l’appelle la somme des s.e.v 𝐹 1, · · · , 𝐹𝑛 , et on le note 𝐹𝑖 ou encore 𝐹 1 +· · ·+𝐹𝑛 .
𝑖=1
𝑛
Í 𝑛
Ð 
n.b. 𝐹𝑖 = Vect 𝐹𝑖
𝑖=1 𝑖=1

Définition 1.6

On dit que deux s.e.v 𝐹 et 𝐺 de 𝐸 sont en somme directe, ou que la somme

𝐹 + 𝐺 est directe, si 𝐹 ∩ 𝐺 = {0}. Dans ce cas on note 𝐹 ⊕ 𝐺 au lieu de 𝐹 + 𝐺.
On dit que 𝐹 et 𝐺 sont supplémentaires dans 𝐸, ou que 𝐹 est un supplémentaire
de 𝐺 dans 𝐸, si 𝐹 ⊕ 𝐺 = 𝐸 ; c’est à dire lorsque
(
𝐹 +𝐺 = 𝐸
.
𝐹 ∩ 𝐺 = {0}

Proposition 1.9

Deux s.e.v 𝐹 et 𝐺 de 𝐸 sont supplémentaires dans 𝐸 si, et seulement si, pour

tout 𝑥 ∈ 𝐸 il existe un unique (𝑥 1, 𝑥 2 ) ∈ 𝐹 × 𝐺 tel que 𝑥 = 𝑥 1 + 𝑥 2 .

11
Proposition et définition 1.10

Soient 𝐹 1, ..., 𝐹𝑛 des 𝑠.𝑒.𝑣 de 𝐸 ayant B1, · · · , B𝑛 comme bases et posons B =

𝑛
∪ B𝑘 . Les propriétés suivantes sont équivalentes :
𝑘=1
𝑛
Í 𝑛
Î
1 ∀𝑥 ∈ 𝐹𝑘 , ∃!(𝑥 1, ..., 𝑥𝑛 ) ∈ 𝐹𝑘 tel que 𝑥 = 𝑥 1 + ... + 𝑥𝑛 .
𝑘=1 𝑘=1
𝑛
Î
2 ∀(𝑥 1, ..., 𝑥𝑛 ) ∈ 𝐹𝑘 , 𝑥 1 + ... + 𝑥𝑛 = 0 =⇒ 𝑥 1 = ... = 𝑥𝑛 = 0.
𝑘=1
Í
3 ∀𝑘 ∈ {1, ..., 𝑛}, 𝐹𝑘 ∩ 𝐹 𝑗 = {0}.
1≤ 𝑗 ≤𝑛, 𝑗≠𝑘
𝑘
Í
4 ∀𝑘 ∈ {1, ..., 𝑛 − 1}, 𝐹𝑘+1 ∩ 𝐹 𝑗 = {0}.
𝑗=1
5 B est une famille libre.
On dit dans ce cas que les sous espaces 𝐹 1, ..., 𝐹𝑛 ont une somme directe
Í𝑛 𝑛
et on note la somme vectorielle 𝐹𝑘 par ⊕ 𝐹𝑘 . Si de plus cette somme est
𝑘=1 𝑘=1
égale à l’espace 𝐸, on dit que 𝐹 1, ..., 𝐹𝑛 sont supplémentaires dans 𝐸.

Remarques 1.3

1 En pratique, dès que 𝑛 ≥ 3, on utilise la propriété 2 pour montrer la

Í𝑛
somme 𝐹𝑘 est directe.
𝑘=1
𝑘
Í
2 La propriété 3 (ainsi que la propriété 4) signifie que 𝐹𝑘+1 et 𝐹 𝑗 ont
𝑗=1
une somme directe. Ainsi, la somme directe peut être définie par
récurrence.

Proposition 1.11

Sous les mêmes hypothèses, les propriétés suivantes sont équivalentes

1 𝐹 1, ..., 𝐹𝑛 sont supplémentaires dans 𝐸.
𝑛
Î
2 Pour tout 𝑥 ∈ 𝐸, il existe un unique (𝑥 1, · · · 𝑥𝑛 ) ∈ tel que 𝑥 = 𝑥 1 +· · · 𝑥𝑛 .
𝑖=1
3 B est une base de 𝐸.
𝑛
Dans ce cas on dit que 𝐵 est une base adaptée à la décomposition 𝐸 = ⊕ 𝐹𝑘 .
𝑘=1

12
III.1 Exercices d’approfondissements
Exercice 1.8
Montrer que l’ensemble des fonctions paires et celui des fonctions impaires
sont supplémentaires dans F (R, R).

Exercice 1.9
Montrer que l’ensemble des matrices symétriques et celui des des matrices
antisymétriques sont supplémentaires dans M𝑛 (R).

13
14
 Applications linéaires
chapitre 2

I
Notion d’application linéaire

Dans toute cette section, 𝐸 et 𝐹 désignent deux K.e.v.

Définition 2.1

On dit qu’une application 𝑓 : 𝐸 → 𝐹 est linéaire si :

i. ∀𝑥, 𝑦 ∈ 𝐸, 𝑓 (𝑥 + 𝑦) = 𝑓 (𝑥) + 𝑓 (𝑦) et
ii. ∀𝑥 ∈ 𝐸, ∀𝛼 ∈ K, 𝑓 (𝛼 .𝑥) = 𝛼 .𝑓 (𝑥).
On utilise aussi le vocabulaire suivant :
Si 𝐸 = 𝐹 , on dit que 𝑓 est un endomorphisme linéaire de E.
Si 𝐹 = K, on dit que 𝑓 est une forme linéaire.

Si 𝑓 est bijective, on dit que 𝑓 est un isomorphisme linéaire de 𝐸 vers 𝐹 .

Si 𝐸 = 𝐹 et 𝑓 est bijective, on dit que 𝑓 est un automorphisme linéaire de

𝐸, ou encore, que 𝑓 est inversible.

Proposition 2.1

Une application 𝑓 : 𝐸 → 𝐹 est linéaire si et seulement si :

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

page 15 / 28
Exemples 2.1

2.1.1 Si on désigne par 𝑐 l’espace vectoriel des suites numériques conver-

gentes, alors l’application :

lim : 𝑐 −→ K
(𝑥𝑛 ) ↦−→ lim 𝑥𝑛

est une forme linéaire.

2.1.2 Étant donné un segment [𝑎, 𝑏] non trivial de R, l’application

𝐴: C ([𝑎, 𝑏], K) −→ K
∫𝑏
𝑓 ↦−→ 𝑎 𝑓 (𝑥)dx

est une forme linéaire.

2.1.3 Si 𝐼 est un intervalle non trivial de Ralors l’application

𝐷: C1 (𝐼, K) −→ C (𝐼, K)
𝑓 ↦−→ 𝑓 0

est linéaire.

Notations

L’ensemble des applications linéaires de 𝐸 dans 𝐹 est noté L(𝐸, 𝐹 ), celui des
endomorphismes de 𝐸 est noté L(𝐸). L’ensemble des formes linéaires de 𝐸
est noté 𝐸 ∗ et s’appelle l’espace dual de 𝐸 (ne pas confondre 𝐸 ∗ avec 𝐸\{0𝐸 }).

Théorème 2.2 Détermination d’une application linéaire sur une base

Si B = (𝑒𝑖 )𝑖 ∈𝐼 est une base de 𝐸, et (𝑦𝑖 )𝑖 ∈𝐼 est une famille de vecteurs de 𝐹

alors il existe une et une seule application linéaire 𝑓 de 𝐸 dans 𝐹 vérifiant :
∀𝑖 ∈ 𝐼 𝑓 (𝑒𝑖 ) = 𝑦𝑖
Autrement dit ; une application linéaire est parfaitement déterminée par la
donnée des images des éléments d’une base.

Exemples 2.2

Déterminer l’application linéaire 𝑓 définie de R3 dans R[𝑋 ] par :

𝑓 (𝑒 1 ) = 𝑋 3 − 𝑋 ; 𝑓 (𝑒 2 ) = 1 + 𝑋 et 𝑓 (𝑒 3 ) = −𝑋 3 − 1

16
 exemples 2.2 (suite)

où (𝑒 1, 𝑒 2, 𝑒 3 ) est la base canonique de R3 .

II
Opérations sur les applications linéaires

Définition 2.3

Soient 𝑓 , 𝑔 : 𝐸 → 𝐹 deux application linéaires entre deux K.e.v 𝐸 et 𝐹 , et

𝛼 ∈ K.
1 On appelle somme de 𝑓 et 𝑔 l’application 𝑓 + 𝑔 de 𝐸 vers 𝐹 définie par :
∀𝑥 ∈ 𝐸, (𝑓 + 𝑔)(𝑥) = 𝑓 (𝑥) + 𝑔(𝑥).
2 On appelle produit de 𝑓 par le scalaire 𝛼 l’application 𝛼 .𝑓 de 𝐸 vers 𝐹
définie par :
∀𝑥 ∈ 𝐸, (𝛼 .𝑓 ) (𝑥) = 𝛼 .𝑓 (𝑥).

Proposition 2.3

1 La somme et la composée de deux applications linéaires, ainsi que le

produit d’une application linéaire par un scalaire est une application linéaire.
2 (L(𝐸, 𝐹 ), +, .) est un K.e.v.
3 Si 𝑓 est un isomorphisme de 𝐸 vers 𝐹 alors 𝑓 −1 est un isomorphisme
linéaire de 𝐹 vers 𝐸.
4 (L(𝐸), +, ◦) est un anneau.

Remarques 2.1

Dès que 𝑛 ≥ 2, (L(𝐸), +, ◦) est anneau non commutatif et non intégre.

Notations

Pour tout 𝑓 ∈ L(𝐸), et 𝑘 ∈ N∗ , on note 𝑓 𝑘 = 𝑓 ◦ · · · ◦ 𝑓 et 𝑓 𝑘 = Id𝐸 .

| {z }
𝑘-fois

17
Conséquences

Soient 𝑓 , 𝑔 ∈ L(𝐸) et 𝑚 ∈ N. Si 𝑓 et 𝑔 commutent alors :

1 La formule de Newton
𝑚  
∑︁
𝑚 𝑚
(𝑓 + 𝑔) = 𝑓 𝑘 ◦ 𝑔𝑚−𝑘
𝑘
𝑘=0
 
𝑚
Í
2 𝑓 𝑚+1 − 𝑔𝑚+1 = (𝑓 − 𝑔) ◦ 𝑓 𝑘 ◦ 𝑔𝑚−𝑘
𝑘=0

Exercice 2.1
Soit 𝑓 ∈ L(𝐸) un endomorphisme nilpotent, d’indice de nilpotence 𝑟 ∈ N∗ ;
c’est à dire 𝑓 𝑟 = 0 et 𝑓 𝑟 −1 ≠ 0 ; où 0 désigne ici l’endomorphisme nul. Montrer
que l’endomorphisme 𝑔 = Id𝐸 + 𝑓 est inversible et déterminer son inverse.

Proposition et définition 2.4

L’ensemble 𝐺𝐿(𝐸) des endomorphismes inversibles de 𝐸 est un sous-groupe

de l’ensemble des bijections de 𝐸 vers 𝐸 munit de la composition, appelé le
groupe linéaire de 𝐸.

III
Noyau et image d’une application linéaire

Proposition et définition 2.5

Soit 𝑓 ∈ L(𝐸, 𝐹 ). Alors

1 L’image directe d’un s.e.v de 𝐸 par 𝑓 est un s.e.v de 𝐹 .
2 L’image réciproque d’un s.e.v de 𝐹 par 𝑓 est un s.e.v de 𝐸.
En particulier,
1 𝑓 −1 {0𝐹 } = {𝑥 ∈ 𝐸 : 𝑓 (𝑥) = 0𝐹 } est un s.e.v de 𝐸 dit noyau de 𝑓 et
noté Ker 𝑓 .
2 𝑓 (𝐸) = {𝑓 (𝑥) : 𝑥 ∈ 𝐸} est un s.e.v de 𝐹 dit image de 𝑓 et noté Im 𝑓 .

18
Théorème 2.6

Pour tout 𝑓 ∈ L(𝐸, 𝐹 ) on a :

1 𝑓 est injective si, et seulement si, Ker 𝑓 = {0𝐸 }.
2 𝑓 est surjective si, et seulement si, Im 𝑓 = 𝐹 .

Exercice 2.2
Soit 𝑓 : K2 −→ K2 définie par 𝑓 (𝑥, 𝑦) = (−𝑥 + 𝑦, −𝑦).
1 Montrer que 𝑓 est un endomorphisme et détérminer Ker (𝑓 ) et Im (𝑓 ).
Que dire de 𝑓 , est elle injective ? surjective ?
2 Montrer que 𝑓 + 𝑖𝑑 est nilpotente, en déduire 𝑓 𝑛 pour 𝑛 ∈ N, puis 𝑛 ∈ Z.
3 Soient (𝑥𝑛 ) et (𝑦𝑛 ) deux suites vérifiants 𝑥𝑛+1 = −𝑥𝑛 + 𝑦𝑛 et 𝑦𝑛+1 = −𝑦𝑛
Expliciter 𝑥𝑛 et 𝑦𝑛 en fonction de 𝑛, 𝑥 0 et 𝑦0 .

IV
Applications linéaires et indépendance linéaire

Notations

Si F = (𝑒𝑖 )𝑖 ∈𝐼 est une famille de vecteurs de 𝐸 et 𝑓 ∈ L(𝐸, 𝐹 ), on note par

𝑓 (F) la famille de vecteurs de 𝐹 définie par 𝑓 (F) = (𝑓 (𝑒𝑖 ))𝑖 ∈𝐼 .

Théorème 2.7

Soit F une famille de vecteurs de 𝐸 et 𝑓 ∈ L(𝐸, 𝐹 ).

1 Si F est libre dans 𝐸 et 𝑓 est injective alors 𝑓 (F) est libre dans 𝐹 .
2 Si F est génératrice dans 𝐸 alors 𝑓 est surjective si et seulement si 𝑓 (F)
est est génératrice dans 𝐹 .

Corollaire 2.8

Si B est une base de 𝐸 et 𝑓 ∈ L(𝐸, 𝐹 ) alors :

1 𝑓 est injective si et seulement si 𝑓 (B) est libre dans 𝐹 .
2 𝑓 est surjective si et seulement si 𝑓 (B) est une génératrice dans 𝐹 .

19
 3 𝑓 est bijective si et seulement si 𝑓 (B) est une base de 𝐹 .

Exercice 2.3
Montrer que l’endomorphisme

𝑓 : R2 −→ R2
(𝑥, 𝑦) ↦−→ (𝑥 + 𝑦, 𝑥 − 𝑦)

est un isomorphisme, et en déduire que la famille ((1, 1), (1, −1)) est une base
de R2 .

V
Projections et symétries vectorielles

On suppose ici que 𝐹 et 𝐺 sont deux s.e.v supplémentaires dans 𝐸, c’est à dire
que 𝐹 ⊕ 𝐺 = 𝐸. Ainsi, pour tout 𝑥 ∈ 𝐸, il existe un unique élément de 𝐹 × 𝐺, que
l’on notera ici par (𝑥 𝐹 , 𝑥𝐺 ), vérifiant 𝑥 = 𝑥 𝐹 + 𝑥𝐺 .
Définition 2.6

1 l’application définie de 𝐸 dans 𝐸 qui à tout 𝑥 ∈ 𝐸 associe 𝑥 𝐹 s’appelle la

projection de 𝐸 sur 𝐹 parallèlement à 𝐺. On la note 𝑝 𝐹,𝐺 ou simplement
𝑝.
2 l’application définie de 𝐸 dans 𝐸 qui à tout 𝑥 ∈ 𝐸 associe 𝑥 𝐹 −𝑥𝐺 s’appelle
la symétrie vectorielle de 𝐸 sur 𝐹 parallèlement à 𝐺. Elle est notée 𝑠 𝐹,𝐺
ou simplement 𝑠.

20
 𝐺

𝑥
𝑥𝐺 = 𝑝𝐺𝐹 (𝑥) • •

•
𝑥 𝐹 = 𝑝 𝐹𝐺 (𝑥) 𝐹
−𝑥𝐺 • •
𝑥 𝐹 − 𝑥𝐺 = 𝑠 𝐹𝐺 (𝑥)

Propriétés 2.9

Soient 𝑝 la projection de 𝐸 sur 𝐹 parallèlement à 𝐺 et 𝑠 la symétrie associée.

Alors on a :
2.9.1 𝑝 et 𝑠 sont linéaires.
2.9.2 𝐹 = Im 𝑝 = Ker(𝑝 − 𝑖𝑑𝐸 ) et 𝐺 = Ker 𝑝 ,
2.9.3 𝑝 2 = 𝑝,
2.9.4 𝐹 = Ker(𝑠 − 𝑖𝑑𝐸 ) et 𝐺 = Ker(𝑠 + 𝑖𝑑𝐸 ),
2.9.5 𝑠 2 = id𝐸 .

Théorème 2.10

Soit 𝑓 ∈ L(𝐸), alors :

1 𝑓 est une projection vectorielle si et seulement si 𝑓 2 = 𝑓 .
2 𝑓 est une est une symétrie vectorielle si et seulement si 𝑓 2 = id𝐸 .

Exercice 2.4
Considérons l’endomorphisme 𝑆 de R2 dont l’expression analytique est :
(
𝑥 0 = 𝑥 cos 𝑎 + 𝑦 sin 𝑎
.
𝑦 0 = 𝑥 sin 𝑎 − 𝑦 cos 𝑎

21
Montrer que 𝑆 est une symétrie axiale.

VI
Hyperplans

Définition 2.7

On appelle hyperplan de 𝐸 tout s.e.v 𝐻 de 𝐸 de la forme 𝐻 = Ker 𝑓 où 𝑓 est

une forme linéaire non nulle de 𝐸.

Exemples 2.3
n ∫ 1 o
2.3.1 L’ensemble 𝑓 ∈ C ( [0; 1]; R) : 𝑓 (𝑡)dt = 0 est un hyperplan
0
de C ([0; 1]; R).
2.3.2 étant donné 𝑎 1 ; · · · ; 𝑎𝑛 ∈ K𝑛 non tous nuls, l’ensemble
n 𝑛
∑︁ o
(𝑥 1, · · · ; 𝑥𝑛 ) ∈ K𝑛 : 𝑎𝑖 𝑥 𝑖 = 0
𝑖=1

est un hyperplan de K𝑛 . On l’appelle l’hyperplan de K𝑛 d’équation :

𝑛
∑︁
𝑎𝑖 𝑥𝑖 = 0.
𝑖=1

Proposition 2.11

Étant donné un s.e.v 𝐻 de 𝐸, les assertions suivantes sont équivalentes :

1 𝐻 est un hyperplan de 𝐸.
2 ∃𝑎 ∈ 𝐸 \ {0} : 𝐸 = 𝐻 ⊕ K.𝑎.
Dans ce cas ; ∀𝑎 ∈ 𝐸 \ 𝐻 : 𝐸 = 𝐻 ⊕ K.𝑎.

22
 Espaces vectoriels de dimensions
finies
chapitre 3

I
Théorème de la base incom-
plète, espace de dimension finie

Définition 3.1

Un K.𝑒.𝑣 est dit de dimension finie s’il admet une famille génératrice finie.

Théorème 3.1 de la base incomplète

Si L est une famille libre finie de 𝐸 et G est une famille génératrice finie de 𝐸,
alors on peut compléter L par des vecteurs de G pour obtenir une base de 𝐸.

Théorème et définition 3.2

Si 𝐸 est de dimension finie, alors 𝐸 admet au moins une base. De plus, toutes
ses bases sont finies et elles ont le même nombre d’éléments. Ce nombre
s’appelle dimension de 𝐸 et se note dimK 𝐸, ou tout simplement dim 𝐸.

Exemples 3.1

3.1.1 C est un espace vectoriel de dimension finie, dimC C = 1 et dimR C =

2.
3.1.2 K𝑛 est un espace vectoriel sur K de dimension finie et dim K𝑛 = 𝑛.
3.1.3K𝑛 [𝑋 ] est un espace vectoriel sur K de dimension finie et
dim K𝑛 [𝑋 ] = 𝑛 + 1.
3.1.4 K[𝑋 ] est un espace vectoriel sur K de dimension infinie.

page 23 / 28
 exemples 3.1 (suite)

3.1.5 Si 𝐸 et 𝐹 deux K.𝑒.𝑣 de dimensions finies, 𝑛 = dim 𝐸 et 𝑚 = dim 𝐹

alors L(𝐸, 𝐹 ) est de dimension finie et dim L(𝐸, 𝐹 ) = 𝑚𝑛. En particulier
dim L(𝐸) = 𝑛 2 et dim 𝐸 ∗ = 𝑛

Remarques 3.1

La dimension d’un e.v de dimension finie dépend du corps de base K. Ainsi

par exemple, si 𝐸 est un C.e.v de dimension finie, alors dimR 𝐸 = 2 dimC 𝐸.

Propriétés 3.3

Si 𝐸 est un K.𝑒.𝑣 de dimension finie égale à 𝑛 alors :

3.3.1 Toute famille libre a au plus 𝑛 éléments
3.3.2 Toute famille libre à 𝑛 éléments est une base de 𝐸.
3.3.3 Toute famille génératrice a au moins 𝑛 éléments
3.3.4 Toute famille génératrice à 𝑛 éléments est une base de 𝐸.

Exercice 3.1
Déterminer les dimension des s.e.v S𝑛 (K) et A𝑛 (K) de M𝑛 (K), où S𝑛 (K) est
l’ensemble des matrices symétriques et A𝑛 (K) est celui des matrices antisy-
métriques.

Exercice 3.2
Soit E l’ensemble des fonctions

𝑓 : R −→ R
𝑥 ↦−→ (𝑎𝑥 2 + 𝑏𝑥 + 𝑐) cos 𝑥
où 𝑎, 𝑏 et 𝑐 varient dans R. Montrer que 𝐸 est sous-espace vectoriel de F(R, R)
de dimension finie et calculer sa dimension.

24
 II
Dimension d’un sous espace vectoriel

Théorème 3.4

Si 𝐸 est de dimension finie alors tout sous espace vectoriel 𝐹 de 𝐸 est un K.𝑒.𝑣
de dimension finie et dim 𝐹 ≤ dim 𝐸, avec égalité si, et seulement si, 𝐹 = 𝐸.

Théorème 3.5

Si 𝐹 et 𝐺 sont deux sous espaces vectoriels de 𝐸 de dimensions finies alors :

dim (𝐹 + 𝐺) = dim 𝐹 + dim 𝐺 − dim 𝐹 ∩ 𝐺 .
En particulier, si 𝐹 ∩ 𝐺 = {0} alors
dim (𝐹 + 𝐺) = dim 𝐹 + dim 𝐺 .

Corollaire 3.6

Si 𝐹 1, · · · , 𝐹𝑛 sont des sous espaces vectoriels de 𝐸 de dimensions finies ayant

une somme directe alors :
  ∑︁ 𝑛
𝑛
dim ⊕ 𝐹𝑖 = dim 𝐹𝑖 .
𝑖=1
𝑖=1

Théorème 3.7

Si 𝐸 est de dimension finie et 𝐹 et 𝐺 sont deux sous espaces vectoriels de 𝐸

alors les propriétés suivantes sont équivalentes :
i. 𝐹 et 𝐺 sont supplémentaires.
ii. 𝐹 + 𝐺 = 𝐸 et dim 𝐸 = dim 𝐹 + dim 𝐺.
iii. 𝐹 ∩ 𝐺 = {0𝐸 } et dim 𝐸 = dim 𝐹 + dim 𝐺.
questions

Remarque 3.2

Dans le cas de plusieurs s.e.v, le théorème précédent se généralise sous la

forme ci-dessous.

25
Théorème 3.8

Si 𝐸 est de dimension finie et 𝐹 1, · · · , 𝐹𝑛 sont des sous espaces vectoriels de 𝐸

alors les propriétés suivantes sont équivalentes :
i. 𝐹 1, · · · , 𝐹𝑛 sont supplémentaires dans 𝐸.
𝑛
Í 𝑛
Í
ii. 𝐸 = 𝐹𝑖 et dim 𝐸 = dim 𝐹𝑖 .
𝑖=1 𝑖=1
𝑛
Í 𝑛
Í
iii. La somme 𝐹𝑖 est directe et dim 𝐸 = dim 𝐹𝑖 .
𝑖=1 𝑖=1

Proposition 3.9

Si 𝐸 est de dimension finie alors les hyperplans vectoriels de 𝐸 sont les s.e.v
de 𝐸 de dimension dim(𝐸) − 1.

Exercice 3.3
Calculer les dimensions des s.e.v 𝐹 et 𝐺 de R3 définis par :

𝐹 = (𝑥, 𝑦, 𝑧) ∈ R3 : 𝑥 + 𝑦 + 𝑧 = 0


𝐺 = (𝑥, 𝑥, 𝑥) : 𝑥 ∈ R

et en déduire qu’ils sont supplémentaires dans R3 .

Exercice 3.4
On suppose que l’espace 𝐸 est de dimension finie 𝑛 ≥ 2 et soient 𝐻 1 et 𝐻 2 deux
hyperplans de 𝐸. Déterminer dim(𝐻 1 ∩ 𝐻 2 ).

III
Rang d’une famille finie de vec-
teurs, d’une application linéaire

Définition 3.2

Soit S = (𝑣 1, 𝑣 2, ..., 𝑣 𝑝 ) une famille à 𝑝 vecteurs de 𝐸. On appelle rang de 𝑆 le

nombre rg(S) = dim (Vect(S)).

26
Propriétés 3.10

Soit S = (𝑣 1, 𝑣 2, ..., 𝑣 𝑝 ) une famille à 𝑝 vecteurs de 𝐸. Alors

3.10.1 rg(S) ≤ 𝑝, avec égalité si et seulement si S est libre.
3.10.2 Si 𝐸 est de dimension finie alors rg(S) ≤ dim 𝐸, avec égalité si et
seulement si S est génératrice dans 𝐸.
3.10.3 Le rang de S ne change pas si on permute les éléments de S, si on
ajoute à un de ses vecteurs une combinaison linéaire des autres ou encore si
on multiplie ses vecteurs par des scalaires non nuls.

Définition 3.3

Soient 𝐸, 𝐹 deux K.𝑒.𝑣 et 𝑓 une application linéaire de 𝐸 dans 𝐹 . On dit que

𝑓 est de rang fini, si Im(𝑓 ) est de dimension finie. Dans ce cas, dim(Im(𝑓 ))
s’appelle rang de 𝑓 et se note 𝑟𝑔 (𝑓 ) .

Exemples 3.2

Si 𝐸 un K.𝑒.𝑣 de dimension finie, et 𝐹, 𝐺 sont deux s.e.v supplémentaires

de 𝐸 alors la projection 𝑝 de 𝐸 sur 𝐹 parallélement à 𝐺 est de rang fini, et
rg(𝑝) = dim 𝐹 .

Exercice 3.5
Déterminer le rang de l’endomorphisme 𝑓 de R4 défini par 𝑓 (𝑥, 𝑦, 𝑧, 𝑡) =
(𝑥 + 𝑦, 𝑥 − 𝑦, 2𝑥, 2𝑦)

Propriétés 3.11

Soient 𝐸, 𝐹, 𝐺 des K.𝑒.𝑣 de dimensions finies, B une base de 𝐸 et 𝑓 : 𝐸 → 𝐹

et 𝑔 : 𝐹 → 𝐺 deux applications linéaires. alors
3.11.1 𝑓 est de rang fini et rg(𝑓 ) = rg(𝑓 (B)).
3.11.2 rg(𝑓 ) ≤ dim 𝐸, avec égalité si seulement si 𝑓 est injective.
3.11.3 rg(𝑓 ) ≤ dim 𝐹 , avec égalité si seulement si 𝑓 est surjective.
3.11.4 Les propriétés suivantes sont équivalentes :
i. 𝑓 est bijective.
ii. rg(𝑓 ) = dim 𝐸 = dim 𝐹 .
iii. dim 𝐸 = dim 𝐹 et 𝑓 est surjective.

27
 propriétés 3.11 (suite)

iv. dim 𝐸 = dim 𝐹 et 𝑓 est injective.

3.11.5 rg(𝑔 ◦ 𝑓 ) ≤ rg(𝑔), avec égalité si 𝑓 est bijective.
3.11.6 rg(𝑔 ◦ 𝑓 ) ≤ rg(𝑓 ), avec égalité si 𝑔 est bijective.

Théorème 3.12 du rang

Soient 𝐸 un un K.𝑒.𝑣 de dimension finie, 𝐹 un K.𝑒.𝑣 quelconque et 𝑓 une

application linéaire de 𝐸 dans 𝐹 . Alors 𝑓 est de rang fini et
dim 𝐸 = rg (𝑓 ) + dim Ker 𝑓
Résultat important

Exercice 3.6
Calculer la dimension du noyau de la forme linéaire

𝑓 : R3 ←− R
(𝑥, 𝑦, 𝑧) ↦−→ 𝑥 + 𝑦 + 𝑧

sans déterminer explicitement Ker 𝑓 .

Exercice 3.7
Soient 𝐸 un K−espace vectoriel de dimension finie 𝑛 et 𝑢 un endomorphisme
nilpotent d’indice de nilpotence 𝑟 . Soit 𝑥 0 un élément de 𝐸 tel que 𝑢 𝑟 −1 (𝑥 0 ) ≠ 0.
1 Montrer que la famille 𝑥 0, 𝑢 (𝑥 0 ), ..., 𝑢 𝑟 −1 (𝑥 0 ) est libre de 𝐸 et que

𝑟 ≤ 𝑛 + 1 − dim(Ker(𝑢)), en particulier 𝑟 ≤ 𝑛.
2 On suppose que 𝑟 = 𝑛.


Montrer que 𝑥 0, 𝑢 (𝑥 0 ), ..., 𝑢 𝑛−1 (𝑥 0 ) est une base de 𝐸.
Montrer que l’ensemble des endomorphismes de 𝐸 qui commutent
avec 𝑢 est l’espace vectoriel C(𝑢) = 𝑣𝑒𝑐𝑡 (𝑖𝑑, 𝑢, 𝑢 2, ...𝑢 𝑛−1 ) et calculer sa
dimension.

28