Cours D Alg Bre 2 ENSAM PDF

Cours d’Algèbre II : ENSAM-RABAT
Profs. M. JOHRI & Y. OMARI
École nationale supérieure d’Arts et Métiers Rabat
Année universitaire : 2022/2023
Cours d’Algèbre II : 1API (ENSAMR) 1 / 106

Espaces vectoriels
Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 2 / 106

I. Espaces vectoriels
Dans ce cours, le symbole K désigne R, C ou un corps commutatif quelconque.
Définitions 1.1
Un K-espace vectoriel (ou K e.v.) E est un ensemble muni de deux lois :
Une loi interne de l’addition + sur E telle que (E , +) soit un groupe commutatif :
1 u + v = v + u et (u + v ) + w = u + (v + w )
2 ∃ 0E , ∀u ∈ E , u + 0E = 0E + u = u
3 ∀u ∈ E , il existe −u tel que u + (−u) = 0E .
Une loi externe de multiplication des vecteurs v de E par un scalaire λ ∈ K
satisfaisant :
1 λ.(u + v ) = λ.u + λ.v
2 (λ + µ).u = λ.u + µ.u
3 λ.(µ.u) = (λµ).u
4 1.u = u
Les éléments v de E s’appellent les vecteurs et les nombres λ de K s’appellent les
scalaires.
II. Exemples fondamentaux
A-Espaces vectoriels Rn
Par convention, on pose R0 = {0}.
Sinon, on note Rn = {v = (x1 , x2 , . . . , xn ), xi ∈ R}.
On peut définir une addition sur Rn telle que (Rn , +) soit un groupe abélien.
Pour u = (x1 , x2 , . . . , xn ) et v = (y1 , y2 , . . . , yn ) , on pose
u + v = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn ).
Il existe une seconde loi externe : la multiplication d’un vecteur v = (x1 , x2 , . . . , xn )
par un scalaire λ ∈ R, définie par
λ.v = λ. (x1 , x2 , . . . , xn ) = (λx1 , λx2 , . . . , λxn ).
Remarque
Ces formules généralisent les opérations bien connues sur la droite R, le plan R2 et
l’espace R3 .

B-Les espaces vectoriels de fonctions
Soient X un ensemble quelconque, et n un entier quelconque
On note E = F(X , Kn ) , l’espace de toutes les fonctions de X à valeurs dans Kn .
On peut bien sûr faire la somme f + g de deux fonctions f et g de E , en posant pour
x ∈X
(f + g)(x ) = f (x ) + g(x ).
On peut aussi multiplier une fonction f de E par un scalaire (une constante) λ ∈ K, en
posant
(λ.f )(x ) = λ.f (x ).
Muni de ces deux lois, E est un K-ev.
Remarque
La fonction constante nulle 0E est l’élément neutre pour + et on a f + (−f ) = 0E .

Exemples
1 F(R, R) s’identifie à l’ensemble des fonctions allant de R dans R, et est un R−ev.
2 F(R, C) s’identifie à l’ensemble des fonctions allant de R dans C, et est un C−ev.
3 F(N, R) s’identifie à l’ensemble des suites réelles, et est un R−ev.
4 L’ensemble K[X ] des polynômes à coefficients dans K muni des lois classiques :
(P, Q) → P + Q et (λ, P) → λP est un espace vectoriel sur K.

Exercices
Espace vect.
Justifier si les objets suivants sont des espaces vectoriels.
1 L’ensemble des fonctions réelles sur [0, 1], continues, positives ou nulles, pour
l’addition et le produit par un réel.
2 L’ensemble des fonctions réelles de classe C 2 vérifiant f ′′ + f = 0..
3 L’ensemble R∗+ pour les opérations x ⊕ y = x .y et λ.x = x λ (λ ∈ R)
4 L’ensemble E = {(x , y ) ∈ R2 / x + y = 1}.

II. Sous-espaces vectoriels
Définitions 2.1
Soit E un K-ev et F une partie de E .
On dit que F est un sous-espace vectoriel (ou s.e.v) de E si F est un K-ev lorsqu’on
utilise les mêmes lois + et · que dans E .
Autrement dit :
1 F est stable pour les deux lois + et .
2 F muni des deux lois induites + et . est un K-espace vectoriel.
Caractérisation
Une partie F d’un K-ev E est un sous-espace vectoriel si et seulement si




F ̸= ∅
(
F ̸= ∅


∀u, v ∈ F , u+v ∈F ⇔


 ∀u, v ∈ F et ∀λ ∈ K on a λu + v ∈ F

 ∀u ∈ F et ∀λ ∈ K, λu ∈ F
Premiers exemples
A-L’espace lui-même et l’ensemble {0}
De manière générale, dans un K-ev noté E , le singleton { 0 } (ne pas confondre avec
l’ensemble vide ∅ !) et l’espace vectoriel E sont des sous espaces vectoriels de E .
B-Les droites vectorielles

Dans le plan R2 , il y a essentiellement 2 façons simples de définir une droite.
a. Droite vectorielle définie par une équation cartésienne :
D = {(x , y ) ∈ R2 , ax + by = 0} avec a ou b ̸= 0.
a b
Si b ̸= 0, on a y = − x et si a ̸= 0, x = − y .
b a
Montrons que D est un sous espace vectoriel de R2 .
On a ⃗0 ∈ D (car second membre = 0)
Soient ⃗u = (x , y ) ∈ D, ⃗v = (x ′ , y ′ ) ∈ D et λ ∈ R2 , alors λ⃗u + ⃗v = (λx + x ′ , λy + y ′ )
d’où a(λx + x ′ ) + b(λy + y ′ ) = λ(ax + by ) + ax ′ + by ′ = λ.0 + 0 = 0.
On a donc λ⃗u + ⃗ν ∈ D.
Premiers exemples
Remarque
La droite x + y = 1 n’est pas un sous-espace vectoriel de R2 , car elle ne passe pas par
l’origine. C’est une droite affine.

Premiers exemples
C-Les plans vectoriels
Dans R3 , on peut définir un plan vectoriel par une seule équation linéaire :
P = ⃗u = (x , y , z) ∈ R3 , ax + by + xz = 0 avec a, b ou c ̸= 0

P est bien un sous espace vectoriel de R3 , avec la même démonstration que pour la
droite vectorielle de R2 .
La seconde façon de définir un plan, qui s’applique dans tout espace vectoriel, est la
suivante :
P= w ⃗ = λ⃗u + µ⃗v , λ, µ ∈ R où ⃗u et ⃗v
sont deux vecteurs non colinéaires fixés.
On vérifie facilement que P est un sous-espace vectoriel de R3 , si ⃗u , ⃗v ∈ R3 , resp.
de E si ⃗u , ⃗v ∈ E en général.
On dit que P est le plan engendré par ⃗u et ⃗v (⃗
w est combinaison linéaire de ces
deux vecteurs).
Premiers exemples
D-Les sous-espaces vectoriels de fonctions

Voici quelques exemples de sous-espaces vectoriels d’espaces de fonctions que l’on peut
rencontrer. En fait, cette notion abstraite est omniprésente, y compris en analyse. Il
reste bien sûr à voir qu’elle est utile !
C 0 (R, R) ⊂ E = F(R, R) est l’espace des fonctions continues,
C ∞ (R, R) ⊂ F(R, R) est l’espace des fonctions de classe C ∞ sur R,
{f ∈ E , f (0) = 0} ⊂ F(R, R),
{f ∈ C 2 (R, R), f ′′ (x ) + f ′ (x ) + f (x ) = 0} ⊂ C 2 (R, R) , car l’équation est linéaire en f

et sans second membre.

Premiers exemples
E -Les polynômes à une indéterminée à coefficients dans K
Il existe une façon purement algébrique de voir les polynômes à coefficients dans K. On
note
K[X ] = {P = a0 + a1 X + . . . + an X n , n ∈ N, ai ∈ K}.
Un polynôme s’identifie formellement à une suite de coefficients nuls à partir d’un
certain rang. Ainsi, K[X ] est un sous-espace vectoriel de l’espace des suites F(N, K).
On définit facilement la somme de deux polynômes et la multiplication par un scalaire
en opérant terme à terme.
Sous-espaces vectoriels de K[X ] :
Pour un entier n donnée, on note Kn [X ], l’espace des polynômes de K[X ] de degré ⩽ n.
C’est un sous-espace vectoriel de K[X ] (exercice).
Attention : Le sous-espace des polynômes de degré exactement n n’est pas un sev de
K[X ]. En effet, la somme de deux polynômes de degré n n’est pas toujours un polynôme
de même degré : il peut se produire des simplifications. Par exemple (1 − X 2 ) + X 2 = 1.

Exercices
Sous espace vect.

Parmi les ensembles suivants, reconnaître ceux qui sont des sous-espaces vectoriels :
1 E1 = {(x , y , z, t) ∈ R4 / x = t et y = z}.
2 E2 = {(x , y , z) ∈ R3 / z = 1}.
3 E3 = {f ∈ F(R, R)/ f (1) = 0}.
4 E4 = {(un )n / (un ) tend vers 0}.

III. Intersections de sous-espaces vectoriels
Définitions 3.1
Soit E un K-ev. Alors toute intersection de sous-espace vectoriel de E est un sous
espace vectoriel de E .
Démonstration
Les propriétés caractéristiques des sous-espaces vectoriels sont stables par intersection
(exercice)
Exemples
 √
 x1 + x2 + πx3 + 2x4 = 0

a-Ici, E = R4 . F = v = (x1 , x2 , x3 , x4 ), x2 + x3 = 0

est un
x1 − 12x2 = 0


sous-espace vectoriel de E : car c’est l’intersection de 3 sous-espaces vectoriels de E
chacun défini par une seule équation linéaire homogène.
Exemples
b-De manière plus générale, l’espace des solutions d’un système de p équations linéaires
homogènes avec n inconnues est un sous espace vectoriel de Rn .

Proposition 3.1
Soient F1 et F2 deux sous espaces vectoriels de E . Alors F1 ∪ F2 est un sous espace
vectoriel de E si et seulement si F1 ⊂ F2 ou F2 ⊂ F1 .
Démonstration
À voir en TD.
Remarque
Le complémentaire F c d’un sous espace vectoriel F de E n’est jamais un sous espace
/ Fc.
vectoriel de E . En effet, par définition, {0} ∈ F , ce qui fait que {0} ∈

IV. Sous-espaces vectoriels engendrés par une partie
Voici deux définitions très importantes dans la suite, à connaître parfaitement !
Définition de la notion de combinaison linéaire :
Soient v1 , v2 , . . . , vn des vecteurs d’un K-espace vectoriel E . Une combinaison linéaire
de v1 , v2 , . . . , vn est une expression du type
w = λ1 v1 + λ2 v2 + . . . + λn vn avec λ1 , λ2 , . . . , λn ∈ K.
Définition de la notion d’espace vectoriel engendré par une partie :

Si A est une partie non vide d’un K-ev E , alors on note
Vect(A) = { ensemble des combinaisons linéaires d’éléments de A}.
Vect(A) s’appelle le sous-espace vectoriel de E engendré par A.

Proposition 4.1
a) Vect(A) est un sous-espace vectoriel de E .
b) C’est le plus petit sous-espace vectoriel de E qui contienne A, c’est-à-dire que si F
est un sev de E tel que A ⊂ F alors Vect(A) ⊂ F .
Démonstration :
A faire en exercice.
Exemples importants
Soit E un espace vectoriel.
1 Si A = {v } ⊂ E , alors Vect(A) = {λv , λ ∈ K} est la droite vectorielle
engendrée par v .
2 Si A = {v1 , v2 } ⊂ E , alors Vect(A) = {λ1 v1 + λ2 v2 , λ1 , λ2 ∈ K} est le plan
vectoriel engendré par v1 et v2 .
Exemples importants
Dans Rn avec n ⩾ 1, tout vecteur s’écrit
v = (x1 , x2 , . . . , xn )
= (x1 , 0, 0, . . . , 0) + (0, x2 , 0, . . . , 0) + (0, 0, x3 , . . . , 0) + . . . + (0, 0, 0, . . . , xn )
= x1 (1, 0, 0, . . . , 0) + x2 (0, 1, 0, . . . , 0) + . . . + xn (0, 0, 0, . . . , 1)
= x1 e1 + x2 e2 + . . . + xn en ,
avec e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1).

On a donc Kn = Vect(e1 , e2 , . . . , en ). Tout vecteur de Rn se décompose à l’aide de ces n
vecteurs élémentaires pointant dans les n directions d’axe de Rn . Cela généralise ce que
l’on connaît bien dans le plan (n = 2) et l’espace (n = 3).
On dit que Kn est engendré par la famille F = (e1 , e2 , . . . , en ).

Exemples importants
Soit n un entier. les fonctions 1, X , X 2 , . . . , X n engendrent le sous-espace vectoriel
Kn [X ] des polynômes de degré inférieur ou égal à n.
Exercices
Montrer que le système (u, v , w ) est un système générateur de R3 avec :
u = (1, 1, 1), v = (1, 1, 0) et w = (1, 0, 0)

V. Somme de deux sous-espaces vectoriels
On a vu qu’en général, l’union F1 ∪ F2 de deux sous-espaces vectoriels F1 et F2 d’un
K-ev E n’est un sous-espace vectoriel de E qu’à une condition (l’inclusion de l’un dans
l’autre).
Définition 5.1
Soient F1 et F2 deux sous-espaces vectoriels de E .
La somme de F1 et F2 est définie par
F1 + F2 = {v = v1 + v2 , avec v1 ∈ F1 et v2 ∈ F2 }.
Proposition 5.1
F1 + F2 = Vect(F1 ∪ F2 ) est le plus petit sous-espace vectoriel qui contienne à la fois F1
et F2 .
Remarque
Cette notion va remplacer la réunion dans les raisonnements en algèbre linéaire.
VI. Familles libres, génératrices, bases.
Définition de famille libre, liée, indépendance linéaire

1 Une famille (une collection) F = (v1 , v2 , . . . , vn ) de vecteurs d’un K-ev E est dite
liée s’il existe des nombres λ1 , λ2 , . . . , λn ∈ K non tous nuls tels que
λ1 v1 + λ2 v2 + . . . + λn vn = 0.
On dit aussi que les vecteurs v1 , v2 , . . . , vn sont linéairement dépendants.

2 Dans le cas contraire, on dit que la famille est libre.
Dire qu’une famille F = (v1 , v2 , . . . , vn ) est libre signifie que si λ1 , λ2 , . . . , λn ∈ K
vérifient λ1 v1 + λ2 v2 + . . . + λn vn = 0, alors on a forcément
λ1 = λ2 = . . . = λn = 0.

Propriété
1 Tout vecteur non nul est libre.
2 Tout système contenu dans un système fini libre est libre.
3 Tout système contenant le vecteur nul est lié.
4 Tout système fini contenant un système lié est lié.
Proposition
Soit E un K-espace vectoriel. Le système (x1 , . . . , xn ) est lié, si et seulement si, l’un au
moins des vecteurs xi s’exprime comme combinaison linéaire des autres vecteurs.

Définition de famille génératrice
On dit qu’une famille F de E est génératrice de E si E = Vect(F) , i.e. tout vecteur u
de E est combinaison linéaire d’éléments de F.
Définition de base
Une famille F de E est une base de E si et seulement si F est libre et génératrice de E .
Proposition 6.1
La famille B = (v1 , v2 , . . . , vn ) est une base de E si et seulement si tout vecteur v de E
s’écrit de manière unique comme combinaison linéaire des vi ∈ B. Autrement dit :
∀v ∈ E , ∃!λ1 , λ2 , . . . , λn ∈ K tels que v = λ1 v1 + λ2 v2 + . . . + λn vn .
Les nombres λ1 , λ2 , . . . , λn ∈ K s’appellent les coordonnées de v dans la base B.

Démonstration

:
⇐ B est génératrice par hypothèse. B est elle libre ?
Soient λi ∈ K tels que λ1 v1 + λ2 v2 + . . . + λn vn = 0.
On a aussi 0 = 0 × v1 + 0 × v2 + . . . + 0 × vn .
Par unicité de la décomposition de 0, on a λ1 = λ2 = . . . = λn = 0.
B est donc libre, et génératrice de E , c’est donc une base de E .

⇒ Par hypothèse, B est une base de E , alors elle est génératrice de E et libre.
Soit v ∈ E quelconque.
B génératrice ⇒ v = λ1 v1 + λ2 v2 + . . . + λn vn . Cette combinaison est-elle unique ?
Si on a aussi v = λ′1 v1 + λ′2 v2 + . . . + λ′n vn , alors par soustraction
(λ1 − λ′1 )v1 + (λ2 − λ′2 )v2 + . . . + (λn − λ′n )vn = 0.
Comme B est libre, on a (λ1 − λ′1 ) = 0 ⇔ λ1 = λ′1 , et ceci jusqu’à n.

On a donc unicité de l’écriture de v comme combinaison linéaire des vecteurs de B.
Remarque
B génératrice équivaut à l’existence de la combinaison linéaire, et B libre équivaut à son
unicité.
Exemples : A-La base canonique de Kn (Rn , Cn , . . .)

Soient e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1) des vecteurs de
Kn .
B = (e1 , e2 , . . . , en ) est une base de Kn .
Démonstration : Soit v = (x1 , x2 , . . . , xn ) ∈ Kn

On a vu que v = x1 e1 + x2 e2 + . . . + xn en ⇒ B est génératrice de Kn .
De plus, v = x1′ e1 + x2′ e2 + . . . + xn′ en ⇔ v = (x1′ , x2′ , . . . , xn′ )
⇔ x1 = x1′ ; x2 = x2′ ; xn = xn′ .
Finalement, B est génératrice de Kn et est libre. B est donc une base de Kn .

Définition
La base B = (e1 , e2 , . . . , en ) s’appelle la base canonique de Kn .
Remarque
Les coordonnées d’un vecteur v = (x1 , x2 , . . . , xn ) ∈ Kn dans cette base sont simplement
les composantes xi de v . Attention, cela ne se produit que dans cette base particulière.
Exemples : B-Famille libre de Rn .

Toute famille libre F de Rn est une base de B = Vect(F).
Par exemple, deux vecteurs non colinéaires de Rn forment une base du plan engendré
par ces deux vecteurs.



Exercices
Libre, génératrice et base

1 Soient dans R3 les vecteurs v1 = (1, 1, 0), v2 = (4, 1, 4) et v3 = (2, −1, 4). La
famille F = (v1 , v2 , v3 ) est-elle libre ?
2 Montrer que les vecteurs v1 = (0, 1, 1), v2 = (1, 0, 1) et v3 = (1, 1, 0) forment une
base de R3 . Trouver les composantes du vecteur w = (1, 1, 1) dans cette base
(v1 , v2 , v3 ).

VII. La notion d’espace de dimension finie.
Problème
Construire des bases dans le cas des espaces vectoriels de dimension finie.
Définition
On dit qu’un espace vectoriel E est de dimension finie si E admet une famille
génératrice finie.
Exemple
On a vu que Kn et Kn [X ] sont des espaces vectoriels de dimension finie.
Proposition
K[X ] n’est pas un espace vectoriel de dimension finie.

Démonstration :
Soit F = (P1 , P2 , . . . , Pn ) une famille finie de K[X ].
F peut-elle être génératrice de K[X ] ?
Soit d = max(deg(P1 ), deg(P2 ), . . . , deg(Pn )) : c’est un nombre fini.
Alors λ1 P1 + λ2 P2 + . . . + λd Pd est de degré inférieur ou égal à d.
On remarque que Vect(F) ⊂ Kd [X ] ̸= K[X ]. Par exemple, X d+1 ̸∈ Vect(F).
F n’est donc pas génératrice de K[X ].
K[X ] est donc un espace de dimension infinie.

Les propriétés suivantes seront utilisées très souvent dans les preuves et les exercices.
Propriété 1
Soit F une famille libre de E . Alors la famille F ′ = F ∪ {v } est encore libre si et
seulement si v ̸∈ Vect(F).
Propriété 2
Soit F une famille génératrice de E . Alors F est liée si et seulement si il existe un
vecteur v ∈ F tel que F\{v } = F ′ reste génératrice. Autrement dit, si et seulement si
∃v ∈ F tel que v ∈ Vect(F\{v }).
Démonstration : Soit F = (v1 , v2 , . . . , vn ) une famille libre.

⇐) Si v ∈ Vect(F), v = λ1 v1 + λ2 v2 + . . . + λn vn ⇔ λ1 v1 + λ2 v2 + . . . + λn vn − v = 0
C’est une combinaison linéaire de F ∪ {v } qui vaut 0 et non triviale. (λv = −1)
⇒ F ∪ {v } est liée.
⇒) On suppose que F ∪ {v } est liée. On veut montrer que v ∈ Vect(F).
F ∪ {v } liée ⇔ ∃λ, λ1 , λ2 , . . . , λn non tous nuls tels que
λv + λ1 v1 + λ2 v2 + . . . + λn vn = 0
Si λ = 0 alors :
λ1 v1 + λ2 v2 + . . . + λn vn = 0 ⇒ λ1 = λ2 = . . . = λn = 0
car F est libre par hypothèse. Il y a donc une contradiction car λ, λ1 , λ2 , . . . , λn sont
supposés non tous nuls.
λ1 λ2 λn
Si λ ̸= 0, alors v = − v1 − v2 − . . . − vn ce est une CL d’éléments de F.
λ λ λ
⇒ v ∈ Vect(F).

IIX. Deux méthodes de construction de bases.
Théorème d’extraction de base
Soit E un K-ev de différent de {0} et F = (v1 , v2 , . . . , vn ) une famille génératrice. (E
étant un espace vectoriel de dimension finie). Alors on peut extraire de F une
sous-famille B = (vi0 , vi1 , . . . , vip ) qui est une base de E .
Démonstration : Algorithme avec la propriété 2 :

F est-elle libre ? → Si oui, c’est fini. → Sinon, il existe vi0 ∈ F tel que F\{vi0 } = F ′
est encore génératrice. On continue avec F ′ . Comme E ̸= {0}, l’algorithme s’arrête sur
une famille libre et génératrice de E .
Théorème de la base incomplète
Soit E un K-ev de dimension finie. G = (v1 , v2 , . . . , vn ) une famille génératrice de E et
F = (u1 , u2 , . . . , uk ) une famille libre. Alors on peut compléter la famille libre F avec
certains vecteurs vi0 , vi1 , . . . , vip de G pour obtenir une base B = F ∪ (vi0 , vi1 , . . . , vip )

IIX. Deux méthodes de construction de bases.
Démonstration : Soient F = (u1 , u2 , . . . , uk ) une famille libre et G = (v1 , v2 , . . . , vn )

une famille génératrice de E . Il faut compléter F en une base de E . L’algorithme suivant
dépend de la propriété 1 :
A-t-on v1 ∈ Vect(F) ?
→ Si oui, on garde F.
→ Sinon, on remplace F par F ′ = F ∪ {v1 } → F ′ , libre par la prop. 1 et
v1 ∈ Vect(F ′ ).
On recommence pour tous les autres vecteurs de G. À la fin, on a une nouvelle
famille libre Fn = F∪ partie de G avec v1 , v2 , . . . , vn ∈ Vect(Fn )
⇒ E = Vect(v1 , v2 , . . . , vn ) ⊂ Vect(Fn ) ⊂ E .
Ce qui veut dire que Fn est libre et génératrice de E , c’est-à-dire est une base de E .

IX. Dimension d’un espace vectoriel.
On arrive à la notion la plus importante du cours !

Théorème fondamental : dimension et cardinal des bases
Soit E un espace vectoriel ̸= {0} et engendré par n vecteurs. Alors toutes les bases de E
possèdent le même nombre d’éléments. Ce nombre entier s’appelle la dimension de E et
se note dim E . On a de plus dim E ⩽ n dans ce cas.
Par convention, on pose dim{0} = 0.
Exemple
1 On a dim Kn = n car la base canonique de Kn , B = (e1 , e2 , . . . , en ), a n éléments.
2 Les espaces vectoriels de dimension 1 sont les droites vectorielles. Les espaces
vectoriels de dimension 2 sont les plans vectoriels,. . . etc.

Lemme clé
Soit E un espace vectoriel engendré par n vecteurs. Alors toute famille libre de E est de
cardinal inférieur ou égal à n.
Démonstration du théorème à l’aide du lemme :
Soient B = (e1 , e2 , . . . , en ) et B ′ = (e1′ , e2′ , . . . , ep′ ) deux bases de E .
On a que B est une famille libre de E , engendré par B ′
Lemme clé ⇒ n = card(B) ⩽ p = card(B ′ ).
On a aussi B ′ famille libre de E , engendré par B
Lemme clé ⇒ p⩽n
⇒ n = p et finalement B et B ′ ont le même nombre d’éléments.

Théorème
Soit E un espace vectoriel de dimension finie. Alors :
1 Toute famille libre F de E vérifie card(F) ⩽ dim E et card(F) = dim E implique
que F est une base de E .
2 Toute famille génératrice de E a au moins dim E éléments. Si une famille
génératrice de E a exactement dim E éléments, alors c’est une base de E .
Corollaire utile
Pour vérifier qu’une famille F de E est une base, il faut et il suffit que :
card(F) = dim E et F soit une famille libre ou génératrice de E .
Démonstration : Soit F une famille génératrice de E .Cas : card(F) ⩾ dim E . D’après

le théorème d’extraction de base, F contient une base de E avec dim E éléments.
Cas d’égalité : F génératrice avec dim E éléments. D’après la propriété clé 2, F est
libre, sinon on peut extraire une sous famille qui est une base de E .
Propriété de la croissance de la dimension

Soit E un ev de dim finie et F un sev de E . Alors on a :
1 F de dimension finie et dim F ⩽ dim E .
2 Si de plus dim F = dim E alors F = E .
Exemple
Dans R3 , il n’y a qu’un seul espace de dimension nulle : c’est {0}.
1 Il y a une infinité d’espaces de dimension 1 : les droites vectorielles.
2 Il y a une infinité d’espaces de dimension 2 : les plans vectoriels.
3 Il n’y a qu’un seul espace de dimension 3 : c’est R3 lui-même.

Exercices
Dimension
Soit
E = {(x , y , z, t) ∈ R4 , / x + y + z − t = 0, et x − 2y + 2z + t = 0 et x − y + z = 0}.
On admettra que E est un R-espace vectoriel.
1 Déterminer une base de E et en déduire sa dimension.
2 Compléter cette base en une base de R4 .

X. Rang des systèmes de vecteurs.
Définition
Soit F = (v1 , v2 , . . . , vn ) une famille libre de vecteurs de E . Le rang de F est la
dimension de Vect(F).
Attention
de ne pas confondre le rang et le cardinal d’une famille ! Le cardinal est simplement le
nombre d’éléments de la famille (se voit), alors que le rang est une notion plus abstraite
basée sur la dimension.
Proposition
1 On a toujours rang(F) ⩽ card(F)
2 Cas d’égalité : on a rang(F) = card(F) si et seulement si F est libre.
Démonstration : Vect(F) est engendré par n (= cardinal de F ) vecteurs.

On peut extraire de F une base qui est de cardinal dim Vect(F) = rang(F) ⩽ card(F).


XI. Supplémentaire, somme directe.
On s’intéresse à la somme F + G de deux sous espaces vectoriels de E .
F + G = {v = x + y ; x ∈ F , y ∈ G}
Définitions de somme directe et de supplémentaire

1 On dit que deux sous espaces vectoriels F et G de E sont en somme directe si
tout vecteur v ∈ E s‘écrit de manière unique sous la forme
v = x + y avec x ∈ F et y ∈ G.
2 Dans ce cas, on dit que G est un supplémentaire de F dans E . On le note

E = F ⊕ G.


Proposition
(
E =F +G
On a E =F ⊕G ⇔
F ∩ G = {0}
Démonstration :
⇒) On suppose E = F ⊕ G ⇒ E = F + G. Soit v ∈ F ∩ G.
v = v (∈ F ) + 0(∈ G) = 0(∈ F ) + v (∈ G). Si E = F ⊕ G, la décomposition est unique
ce qui implique que v = 0. Donc F ∩ G = {0}.
⇐) On suppose que E = F + G et F ∩ G = {0}. Soit v ∈ E .

Alors il existe forcément x ∈ F , y ∈ G tels que v = x + y . Avons-nous l’unicité de la
décomposition ?
Soient x ′ ∈ F , y ′ ∈ G tels que v = x + y = x ′ + y ′ ⇔ x − x ′ = y ′ − y ∈ F ∩ G = {0}.
⇒ x = x ′ et y = y ′ .

Théorème d’existence de supplémentaire
Tout sous espace vectoriel F d’un espace vectoriel E de dimension finie possède au
moins un supplémentaire dans E .
Théorème : critère de somme directe

Soit E un espace vectoriel de dimension finie, F et G deux sous espaces vectoriels de E .
Alors (
F ∩ G = {0}
E =F ⊕G ⇔
dim F + dim G = dim E
Lemme
Soient F et G deux sous espaces vectoriels d’un espace vectoriel E de dimension finie.
Soient BF une base de F , BG une base de G. Alors on a :
1 E = F + G ⇔ BF ∪ BG est génératrice de E ,
2 F ∩ G = {0} ⇔ BF ∪ BG est libre.
Exemples
1 Dans R3 : une droite D et un plan P sont en somme directe ssi P ∩ D = {0}.
2 Dans R4 : deux plans P1 et P2 sont en somme directe ssi P1 ∩ P2 = {0}.
Par exemple, si on note v = (x , y , z, t) ∈ R4 ,
P1 = Vect(e1 , e2 ) = {z = t = 0} et P2 = Vect(e3 , e4 ) = {x = y = 0} sont
supplémentaires dans R4 .
Pour conclure, on peut calculer la dimension d’une somme générale.

Théorème de Grassmann
Soient F et G deux sous espaces vectoriels de E de dimension finie. Alors on a :
dim(F + G) = dim F + dim G − dim(F ∩ G)

Illustration
Si dim F + dim G > dim E alors F ∩ G ̸= {0}
En effet, dim(F ∩ G) = dim F + dim G − dim(F + G) ⩾ dim F + dim G − dim E > 0.
Exemples
1 Deux plans vectoriels de R3 se coupent toujours au moins suivant une droite.
2 Deux sous-espaces de dimension 3 dans R4 contiennent au moins un plan.

Applications linéaires
Cours d’Algèbre II : 1API (ENSAMR) Applications linéaires 52 / 106

I. Généralités
Définition
Soient E et F deux K− espaces vectoriels donnés et soit f une application de E dans F ,
on dit que f est une application linéaire si et seulement si :
∀x , y ∈ E , ∀λ ∈ K, f (x + y ) = f (x ) + f (y ) et f (λ · x ) = λ · f (x ),
où d’une manière équivalente :
∀x , y ∈ E , ∀λ ∈ K, f (λx + y ) = λf (x ) + f (y )
Remarque
1 C’est-à-dire que f respecte les opérations disponibles sur E et F .
2 Une application linéaire transforme un segment de droite en un segment de droite,
puisque
f (tx + (1 − t)y ) = tf (x ) + (1 − t)f (y ).
I. Généralités
Exemples :
f1 : R2 −→ R
1 L’application est une application linéaire, car :
(x , y ) 7−→ x − y
∀(x , y ), (x ′ , y ′ ) ∈ R2 , ∀λ ∈ R,
f1 (λ(x , y ) + (x ′ , y ′ )) = f1 (λx + x ′ , λy + y ′ ) = λx + x ′ − (λy + y ′ )
= λ(x − y ) + (x ′ − y ′ ) = λf1 (x , y ) + f1 (x ′ , y ′ ).
f2 : R3 −→ R3
2 L’application est une application
(x , y , z) 7−→ (−x + y , x − 5z, y )
linéaire, car : ∀(x , y , z), (x ′ , y ′ , z ′ ) ∈ R3 , ∀λ ∈ R,
f2 λ(x , y , z) + (x ′ , y ′ , z ′ ) = f2 (λx + x ′ , λy + y ′ , λz + z ′ )

= (−λx − x ′ + λy + y ′ , λx + x ′ − 5λz − 5z ′ , λy + y ′ )
= (−λx + λy , λx − 5λz, λy ) + (−x ′ + y ′ , x ′ − 5z ′ , y ′ )
= λ(−x + y , x − 5z, y ) + (−x ′ + y ′ , x ′ − 5z ′ , y ′ )
= λf2 (x , y , z) + f2 (x ′ , y ′ , z ′ ).
I. Généralités
Exemples :
f : R −→ R
1 La translation n’est pas linéaire car f (0) ̸= 0.
x 7−→ x + 1
D : C 1 (R, R) −→ C 0 (R, R)
2 est une application linéaire.
f (x ) 7−→ f ′ (x )
I : C 0 (R, R) −→ RC 1 (R, R)
f (x ) 7−→ 0x f (t)dt
u : C 0 (R, R) −→ C 1 (R, R)
f (x ) 7−→ f (x 2 )
v : C 0 (R, R) −→ C 1 (R, R)
5 n’est pas une application linéaire. En effet,
f (x ) 7−→ (f (x ))2
v (2f ) = 4f 2 ̸= 2v (f ) en général.

I. Généralités
Proposition
Soit f une application linéaire de E dans F .
1) f (0E ) = 0F , 2) ∀x ∈ E , f (−x ) = −f (x ).
Preuve : On a,
1 f (0E ) = f (0E + 0E ) = f (0E ) + f (0E ) ⇒ f (0E ) = 0F .
2 f (−x ) + f (x ) = f (−x + x ) = f (0E ) = 0F ⇒ f (−x ) = −f (x ).
Théorème
Soient E et F deux K-ev avec E de dimension finie, et B = (e1 , e2 , . . . , en ) une base de
E . Alors pour tout choix de n vecteurs v1 , v2 , . . . , vn dans F , il existe une unique
application linéaire f : E → F telle que f (e1 ) = v1 , . . . , f (en ) = vn .
Une application linéaire f est donc déterminée par la donnée de l’image d’une base.

I. Généralités
Démonstration :
Tout x de E s’écrit x = x1 e1 + . . . + xn en .
Analyse Si f est linéaire alors , f (x ) = x1 f (e1 ) + . . . + xn f (en ). ce qui peut aussi s’écrire
f (x ) = x1 v1 + . . . + xn vn .
f est donc déterminée par les données de f (e1 ), . . . , f (en ).

Synthèse On vérifie que la formule proposée est une application linéaire (exercice).

II. Opérations générales sur les applications linéaires
Notation
On note L(E , F ) l’espace des applications linéaires de E dans F .
Proposition
L(E , F ) est un espace vectoriel.
→ Si f , g ∈ L(E , F ), alors λf + g ∈ L(E , F ) (exercice).
Restriction à un sous espace vectoriel

f|G : G −→ F
Si f ∈ L(E , F ) et G est un sous espace vectoriel de E , alors est
x 7−→ f (x )
une application linéaire.

II. Opérations générales sur les applications linéaires
Composition
Si f ∈ L(E , F ) et g ∈ L(F , G), alors f ◦ g ∈ L(E , G). En effet,
(g ◦ f )(λx + y ) = g(f (λx + y )) = g(λf (x ) + f (y ))
= λg(f (x )) + g(f (y )) = λ(g ◦ f )(x ) + (g ◦ f )(y ).
Définitions
1 Si f ∈ L(E , F ) est une bijection, on dit que c’est un isomorphisme de E dans F .
2 Si f ∈ L(E , E ), on dit que f est un endomorphisme de E . L(E , E ) = End(E ).
3 Si f ∈ End(E ) est une bijection, on dit que c’est un automorphisme de E .
4 Si f ∈ L(E , K), on dit que c’est une formes linéaires. On note E ′ = L(E , K). E ′
est l’espace dual de E .
Proposition
Si f ∈ L(E , F ) est un isomorphisme, f −1 alors l’est aussi.
Exemple d’isomorphisme
Soit E est un K-ev et F = (v1 , v2 , . . . , vn ) ⊂ E une famille donnée.
On considère l’application ≪ combinaison linéaire ≫
f : Kn −→ E
(x1 , x2 , . . . , xn ) 7−→ x1 v1 + x2 v2 + . . . + xn vn
Propriété
1 f est injective si et seulement si F est libre. En effet, on a en général
v = f (x1 , x2 , . . . , xn ) ⇔ v = x1 v1 + x2 v2 + . . . + xn vn
Un vecteur v possède au plus une telle décomposition ssi F est libre.

2 f est surjective si et seulement si F est génératrice de E .
3 f est bijective si et seulement si F est une base de E , et l’application réciproque
f −1 (v ) = (x1 , x2 , . . . , xn ) = les coordonnées de v dans F.
On dit alors que E et Kn sont isomorphes.
Exemple d’isomorphisme
Définition
Deux espaces vectoriels liés par un isomorphisme sont dits isomorphes.
Corollaire important
Un espace vectoriel E de dimension finie sur K est toujours isomorphe à Kn avec
n = dim E .
En particulier, les droites réelles sont toutes isomorphes à R, les plans réels sont
isomorphes à R2 , etc.
Attention
Cela ne signifie pas qu’il n’existe qu’une seule droite vectorielle, mais que toutes les
droites ≪ se ressemblent ≫ !

III. Noyau et image d’une application linéaire
Définitions
Soit f ∈ L(E , F ). On note :
1 Imf = {f (x ) = y , x ∈ E } ⊂ F . C’est l’image de f ,
2 kerf = {x ∈ E | f (x ) = 0} ⊂ E . C’est le noyau de f .
Ces espaces sont fondamentaux dans l’étude des propriétés de l’application f .

Proposition
Soit f ∈ L(E , F ).
1 kerf est un sous espace vectoriel de E .
2 Imf est un sous espace vectoriel de F .
3 f est injective si et seulement si kerf = {0}.
4 f est surjective si et seulement si Imf = F .

III. Noyau et image d’une application linéaire
Démonstration :
La preuve de 1, 2 et 4 à faire en exercice.
⇒ ) Soit x ∈ kerf . On a f (x ) = 0F = f (0) . Par injectivité, on a x = 0.

En effet, 0F n’a qu’un seul antécédent et c’est 0 car f est une application linéaire.
⇐ ) On suppose que kerf = {0}. Soient x1 , x2 ∈ E . On a
f (x1 ) = f (x2 ) ⇔ f (x1 ) − f (x2 ) = f (x1 − x2 ) = 0 ⇔ x = x1 − x2 ∈ kerf
Ce qui implique que x1 = x2 et f est injective.

Remarque
Ce critère d’injectivité par le noyau est élémentaire mais très utile. En effet, si
dim E = n, le problème f (x1 ) = f (x2 ) a 2n inconnues alors que f (x ) = 0 n’en a que n.
Notez que c’est la linéarité de f qui permet cette réduction.

IV. Résultats fondamentaux
On se place dans le cas où l’espace de départ E est de dimension finie, et f : E → F est

une application linéaire. kerf ⊂ E est donc un sous espace vectoriel de E de dimension
finie.
Proposition
Soit f ∈ L(E , F ), et B = (e1 , e2 , . . . , en ) une base de E . Alors
Imf = Vect(f (e1 ), f (e2 ), . . . , f (en )) le sous espace vectoriel de F engendré par l’image
d’une base de E .
En particulier, Imf est de dimension finie inférieure ou égale à la dimension de E .
Définition du rang d’une application linéaire

On note rg(f ) = dim(Imf ) = rg(f (e1 ), f (e2 ), . . . , f (en )) .

Démonstration : On a y ∈ Imf si et seulement si
∃x ∈ E tel que y = f (x ) avec x = x1 e1 + . . . + xn en .
Par linéarité de f , on a
f (x ) = x1 f (e1 ) + . . . + xn f (en )) = y
⇔ y ∈ Vect(f (e1 ), . . . , f (en )).
Bornes élémentaires sur le rang

Soit f ∈ L(E , F ) . On a rg(f ) ⩽ min(dim E , dim F ).
Démonstration :
D’après la proposition ci-dessus,
rg(f ) = dim(Imf ) = rg(f (e1 ), . . . , f (en )) ⩽ n = dim E .
Et comme Imf ⊂ F , on a aussi rg(f ) = dim(Imf ) ⩽ dim F .
Illustration : L’image par une application linéaire d’un espace vectoriel de dimension n
est toujours un espace vectoriel de dimension inférieure ou égale à n.
Exemples
1 L’image par f d’une droite est une droite ou un point.
2 L’image par f d’un plan est un plan, une droite ou un point.
3 Si f : Rn → Rp est une application linéaire surjective alors p ⩽ n.
Théorème
Soit f ∈ L(E , F ), et B = (e1 , e2 , . . . , en ) une base de E . On note
f (B) = (f (e1 ), . . . , f (en )) l’image de la base B.
1 f injective ⇔ f (B) est libre.
2 f surjective ⇔ f (B) est génératrice de F .
3 f bijective ⇔ f (B) est une base de F .

Démonstration :
1) On a vu que f injective ⇔ Kerf = {0}.
On suppose donc que Kerf = 0. La famille f (B) est-elle libre ?
Soient λ1 , λ2 , . . . , λn ∈ K tels que
λ1 f (e1 ) + . . . + λn f (en ) = 0 ⇔ f (λ1 e1 + . . . + λn en ) = 0
⇔ v = λ1 e1 + . . . + λn en ∈ Kerf = 0
⇔ λ1 = λ2 = . . . = λn = 0
car B est libre par hypothèse.
Inversement : On suppose f (B) est libre et v = λ1 e1 + . . . + λn en ∈ Kerf . Alors
f (λ1 e1 + . . . + λn en ) = 0 = λ1 f (e1 ) + . . . + λn f (en )
⇒ λ1 = λ2 = . . . = λn = 0 si f (B) est libre.
Ceci donne Kerf = 0.
2) On a vu que f surjective ⇔ Imf = F = Vect(f (B)) ⇔ f (B) est génératrice de F .
La notion de dimension permet d’obtenir facilement des critères très pratiques
d’injectivité, de surjectivité et d’isomorphisme.
Théorème
Soit f ∈ L(E , F ) et B = (e1 , e2 , . . . , en ) une base de E .
i) Si f est injective, alors dim E ⩽ dim F .
ii) Si f est surjective, alors dim E ⩾ dim F .
iii) Si f est un isomorphisme, alors dim E = dim F .
iv) f est un isomorphisme si et seulement si dim E = dim F et ( f injective ou
surjective).
Démonstration :
i) f injective ⇔ f (B) libre dans F ⇒ card(f (B)) = dim E ⩽ dim F
ii) f surjective ⇔ f (B) génératrice de F ⇒ card(f (B)) = dim E ⩾ dim F
iii) On se sert de 1) et 2).
iv) f isomorphisme ⇔ f (B) base de F
⇔ card(f (B)) = dim E = dim F avec f libre ou génératrice
⇔ dim E = dim F et f surjective ou injective.
Exemple :
Soit Pn l’espace des fonctions polynômiales de degré inférieur ou égal à n. Soit
f : Pn → Pn
l’application linéaire , avec λ ̸= 0 fixé.
P 7→ λP + P ′
Problème : On veut montrer que f est un isomorphisme. En particulier, pour tout
Q ∈ Pn donné, l’équation différentielle λP + P ′ = Q a une unique solution.
La dimension de l’espace de départ est égale à celle de l’espace d’arrivée. Il suffit donc
de vérifier que f est injective, c’est-à-dire que kerf = {0}.
On considère P ∈ Pn tel que f (P) = 0 = λP + P ′

P = Ce −λx est une solution mais pas un polynôme. Si P(x ) = a0 + a1 x + +an x n alors le
degré de λP est égal au degré de P si λ ̸= 0, et le degré de P ′ est inférieur au degré de
P − 1.
⇒ deg(λP + P ′ ) = deg P si P ̸= 0
⇒ λP + P ′ ̸= 0 si P ̸= 0 ⇒ f est injective, et finalement bijective.
Le résultat suivant est le plus important de ce chapitre. Il lie quantitativement la
dimension de l’image à celle du noyau et de l’espace de départ pour une application
linéaire quelconque.
Théorème du rang
Soit f : E → F une application linéaire avec E de dimension finie. Alors on a
rg(f ) = dim E − dim(kerf ).
En particulier, f injective ⇒ rg(f ) = dim E ⩽ dim F ,
f surjective ⇒ rg(f ) = dim F = dim E − dim(kerf ) ⇒ dim E ⩾ dim F ,
f bijective ⇒ rg(f ) = dim E = dim F .

Démonstration :
Soit B = (e1 , e2 , . . . , en ) une base de E . On sait en utilisant la technique du pivot
que
rg(f ) = dim(Imf ) = rg(f (e1 ), . . . , f (en ))

= nombre d’inconnues principales du système (S)
défini par x1 f (e1 ) + . . . + xn f (en ) = 0.
D’autre part,
x = x1 e1 + . . . + xn en ∈ kerf ⇔ f (x ) = 0 = x1 f (e1 ) + . . . + xn f (en )
⇒ kerf = Sol(S) et dim(kerf ) = nombre d’inconnues non principales de (S).

On a donc dim E = nombre d’inconnues principales+non principales de (S)
⇔ dim E = rg(f ) + dim(kerf ).

Remarques
Dans le cas des endomorphismes, kerf et Imf sont deux sous-espaces vectoriels de
E avec dim E = dim(kerf ) + dim(Imf ) (théorème du rang), mais on a pas en
général
kerf ∩ Imf = {0} ni E = kerf ⊕ Imf .
En effet, le théorème du rang ne donne pas les positions respectives de kerf et
Imf .
Il existe aussi des cas où E = kerf ⊕ Imf .

V. Matrices associées à une application linéaire.


Premiers exemples :




VI. Calcul matriciel de l’image d’un vecteur.




VII. Changement de base.







Exemple : Exercice 8
Soit β = (e1 , e2 , e3 ) la base canonique de R3 .
Soit u l’endomorphisme de R3 dont la matrice dans la base canonique est :
 
1 4 4
A =  −1 −3 −3 
 
0 2 3
Soient a = e1 − e2 + e3 , b = 2e1 − e2 + e3 et c = 2e1 − 2e2 + e3 trois vecteurs de R3

1 Montrer que β ′ = (a, b, c) est une base de R3 .
2 Déterminer la matrice de passage P de β à β ′ . Calculer P −1 .
3 Déterminer la matrice R de u dans la base β ′ .
4 a) Calculer P −1 AP en fonction de R.
b) Calculer R 4 .
c) En déduire les valeurs de A4n .
Solution :




VIII. Changement de base.

VIII. Exercices.
Exercice 1 : Exercice 9 ( TD )
Soit β = (e1 , e2 , e3 ) la base canonique de R3 .
Soit u une application linéaire de R3 dans R3 définie par :
u (e1 ) = −3e1 + 2e2 − 4e3 ; u (e2 ) = e1 − e2 + 2e3 ; u (e3 ) = 4e1 − 2e2 + 5e3
1 Déterminer la matrice de u dans la base canonique.
Montrer que E = x ∈ R3 , u(x ) = x est un s.e.v de R3 . Montrer que dim E = 1

2
et donner un vecteur non nul a de E .

Montrer que F = (x1 , x2 , x3 ) ∈ R3 , −2x1 + 2x2 + 3x3 = 0 est un s.e.v de R3 .

3
Donner une base (b, c) de F .

4 Montrer que β ′ = (a, b, u(b)) est une base de R3 .
F = R3 .
L
5 Montrer que E
6 Déterminer la matrice R de u dans la base β ′ .

VIII. Exercices.
Solution :

VIII. Exercices.

VIII. Exercices.

VIII. Exercices.

VIII. Exercices.
Exercice 2 : Exercice 7 ( TD )
Soit u : Rp → Rq , une application linéaire, e = (e1 , . . . , ep ) la base canonique de Rp et
f = (f1 , . . . , fq ) la base canonique de Rq .
1 p = 3, q = 2 : u(e1 ) = f1 + 2f2 , u(e2 ) = 2f1 − f2 et u(e3 ) = −f1 + f2
a) Déterminer l’image d’un vecteur x = (x1 , x2 , x3 ) par u.
b) Déterminer la matrice de u de la base e dans la base f .
c) Déterminer le noyau et l’image de u.
2 p = 3 et q = 3, dans cette question e = f
u(e1 ) = 3e1 + 2e2 + 2e3 , u(e2 ) = 2e1 + 3e2 + 2e3 et u(e3 ) = 2e1 + 2e2 + 3e3
a) Déterminer l’image d’un vecteur x = (x1 , x2 , x3 ) par u.

b) Déterminer la matrice de u de la base e dans la base e.
c) Déterminer le noyau et l’image de u.

VIII. Exercices.
Solution :

VIII. Exercices.

VIII. Exercices.

VIII. Exercices.

VIII. Exercices.

Cours D Alg Bre 2 ENSAM PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours D Alg Bre 2 ENSAM PDF

Transféré par

Droits d'auteur :

Formats disponibles

Cours d’Algèbre II : ENSAM-RABAT

Profs. M. JOHRI & Y. OMARI

École nationale supérieure d’Arts et Métiers Rabat

Année universitaire : 2022/2023

Cours d’Algèbre II : 1API (ENSAMR) 1 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 2 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 4 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 5 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 6 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 7 / 106

B-Les droites vectorielles

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 10 / 106

D-Les sous-espaces vectoriels de fonctions

C 0 (R, R) ⊂ E = F(R, R) est l’espace des fonctions continues,

C ∞ (R, R) ⊂ F(R, R) est l’espace des fonctions de classe C ∞ sur R,

{f ∈ E , f (0) = 0} ⊂ F(R, R),

{f ∈ C 2 (R, R), f ′′ (x ) + f ′ (x ) + f (x ) = 0} ⊂ C 2 (R, R) , car l’équation est linéaire en f

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 12 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 13 / 106

Sous espace vect.

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 14 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 16 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 17 / 106

Définition de la notion d’espace vectoriel engendré par une partie :

Vect(A) = { ensemble des combinaisons linéaires d’éléments de A}.

Vect(A) s’appelle le sous-espace vectoriel de E engendré par A.

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 18 / 106

avec e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1).

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 20 / 106

u = (1, 1, 1), v = (1, 1, 0) et w = (1, 0, 0)

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 21 / 106

Définition de famille libre, liée, indépendance linéaire

On dit aussi que les vecteurs v1 , v2 , . . . , vn sont linéairement dépendants.

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 23 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 24 / 106

∀v ∈ E , ∃!λ1 , λ2 , . . . , λn ∈ K tels que v = λ1 v1 + λ2 v2 + . . . + λn vn .

Les nombres λ1 , λ2 , . . . , λn ∈ K s’appellent les coordonnées de v dans la base B.

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 25 / 106

(λ1 − λ′1 )v1 + (λ2 − λ′2 )v2 + . . . + (λn − λ′n )vn = 0.

Comme B est libre, on a (λ1 − λ′1 ) = 0 ⇔ λ1 = λ′1 , et ceci jusqu’à n.

Exemples : A-La base canonique de Kn (Rn , Cn , . . .)

Démonstration : Soit v = (x1 , x2 , . . . , xn ) ∈ Kn

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 27 / 106

Exemples : B-Famille libre de Rn .

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 28 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 29 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 30 / 106

Libre, génératrice et base

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 31 / 106

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 32 / 106

Soit F = (P1 , P2 , . . . , Pn ) une famille finie de K[X ].

F peut-elle être génératrice de K[X ] ?

Soit d = max(deg(P1 ), deg(P2 ), . . . , deg(Pn )) : c’est un nombre fini.

Alors λ1 P1 + λ2 P2 + . . . + λd Pd est de degré inférieur ou égal à d.

On remarque que Vect(F) ⊂ Kd [X ] ̸= K[X ]. Par exemple, X d+1 ̸∈ Vect(F).

F n’est donc pas génératrice de K[X ].

K[X ] est donc un espace de dimension infinie.

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 33 / 106

Démonstration : Soit F = (v1 , v2 , . . . , vn ) une famille libre.

F ∪ {v } liée ⇔ ∃λ, λ1 , λ2 , . . . , λn non tous nuls tels que

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 35 / 106

Démonstration : Algorithme avec la propriété 2 :

Cours d’Algèbre II : 1API (ENSAMR) Espaces vectoriels 36 / 106