Les Espaces Vectoriels: Document Téléchargé À l'URL Suivante

Pour plus de compléments, voir les deux ouvrages suivants parus Les espaces vectoriels 3
aux Presses Polytechniques et Universitaires Romandes (PPUR)

Plan du cours
Cours de Mathématiques - ASINSA-1 dans la collection METIS LyonTech :
Les espaces vectoriels www.ppur.org
Algèbre et analyse, 2e édition revue et augmentée, Cours de 1 Structure d’espace vectoriel

mathématiques de première année avec exercices corrigés,
Frédéric STURM S. Balac, F. Sturm, 1110 pages, paru en 2009.
2 Structure de sous-espace vectoriel
Exercices d’algèbre et d’analyse, 154 exercices corrigés de
Pôle de Mathématiques, INSA de Lyon
première année, S. Balac, F. Sturm, 448 pages, paru en 2011. 3 Indépendance linéaire et base algébrique
Année académique 2011-2012
4 Espace de dimension finie
5 Rang d’une famille finie de vecteurs
6 Somme de sous-espaces vectoriels

Document téléchargé à l’URL suivante :
http://maths.insa-lyon.fr/~sturm/
F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA
Les espaces vectoriels 4 Les espaces vectoriels 5 Les espaces vectoriels 6

Définition Notation
On considère : Rappel
un corps commutatif K muni des opérations +K et ×K , Les éléments de E sont appelés vecteurs et les éléments
de K sont appelés scalaires. Rappelons que « (E, +) est un groupe commutatif » signifie :
un ensemble E muni d’une addition (notée « + ») et d’une ′ ′′ ′ ′′ ′ ′′
multiplication par un scalaire (notée « · »). Les éléments ~x , ~y , ~z , ~a, ~b, ~c , . . . désignent des vecteurs. • Pour tout (~x , ~x , ~x ) ∈ E 3 , (~x + ~x ) + ~x = ~x + (~x + ~x ).
On les note aussi parfois sans les flêches : • Existence d’un élément appelé zéro et noté ~0E dans E tel
Définition 1.1 que, pour tout ~x ∈ E, ~0E + ~x = ~x + ~0E = ~x .
On dit que E est un espace vectoriel sur K (ou K-espace x, y, z, a, b, c
• Tout ~x ∈ E possède un opposé dans l’ensemble E.
vectoriel) si (E, +) est un groupe commutatif et si on a les ′ ′ ′
Les éléments α, β, γ, a, b, c, . . . désignent des scalaires. • Pour tout (~x , ~x ) ∈ E 2 , ~x + ~x = ~x + ~x .
propriétés suivantes :
∀α ∈ K ∀(~x , ~y ) ∈ E × E α · (~x + ~y ) = α · ~x + α · ~y , C’est au mathématicien Giuseppe Peano Remarque

∀(α, β) ∈ K × K ∀~x ∈ E (α +K β) · ~x = α · ~x + β · ~x , (1858, Cuneo - 1932, Turin) que nous devons
Tout C-espace vectoriel est aussi un R-espace vectoriel.
la première définition axiomatique d’un
∀(α, β) ∈ K × K ∀~x ∈ E α · (β · ~x ) = (α ×K β) · ~x ,
espace vectoriel sur le corps R.
∀~x ∈ E 1K · ~x = ~x .
F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA

L’ensemble Kn des n-uplets L’ensemble K[X ] des polynômes sur K L’ensemble A I, K des applications de I vers K

Soit n ∈ N∗ . L’ensemble produit E = Kn défini par Soit I un ensemble. L’ensemble E = A I, K des
déf.
L’ensemble E = K[X ] des polynômes sur K muni des deux applications de I vers K muni des deux lois + et · définies
Kn = {(x1 , . . . , xn ) | x1 ∈ K, . . . , xn ∈ K} lois + et · définies pour tous P = (an )n∈N et Q = (bn )n∈N pour tous f : I −→ K, g : I −→ K et tout α ∈ K par :
muni des deux lois + et · définies pour tous (x1 , . . . , xn ) et dans K[X ] et pour tout α ∈ K par :
(y1 , . . . , yn ) appartenant à Kn et pour tout α ∈ K par : déf.
déf.
∀x ∈ I (f + g)(x) = f (x) +K g(x)
P +Q = an +K bn n∈N déf.
déf.
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 +K y1 , . . . , xn +K yn ) déf. ∀x ∈ I (α · f )(x) = α ×K f (x)
déf.
α·P = α ×K an n∈N
α · (x1 , . . . , xn ) = (α ×K x1 , . . . , α ×K xn ) possède une structure d’espace vectoriel sur K.
possède une structure d’espace vectoriel sur K.
possède une structure de K-espace vectoriel. Un vecteur de A I, K est une application f : I −→ K à ne
Un vecteur de Kn est un n-uplet et on le note Les vecteurs de K[X ] sont les polynômes. pas confondre avec sa valeur f (x) en un point x ∈ I (c’est
un scalaire).
~x = (x1 , x2 , . . . , xn ) ∈ Kn . P = a0 + a1 X + . . . + an X n ∈ K[X ].
f ∈ A I, K .
L’élément neutre pour l’addition est le vecteur
Le vecteur nul est le polynôme 0K[X ] ∈ K[X ]. Le vecteur nul est l’application qui à tout x ∈ I associe 0K .
~0Kn déf.
= (0, 0, . . . , 0) ∈ Kn . On l’appelle l’application nulle.
Cas particulier : les suites à valeurs dans K Propriétés élémentaires Combinaison linéaire de vecteurs
Cas d’une famille finie

L’ensemble E = A N, K des suites à valeurs dans K muni Proposition 1.1
des deux lois + et · définies pour toutes suites (un )n∈N et Soit E un K-espace vectoriel. On a les propriétés suivantes : Définition 1.2
(vn )n∈N et pour tout α ∈ K par : Pour tout vecteur ~x appartenant à E, 0K · ~x = ~0E . Soient E un K-espace vectoriel et v
~ 1, v
~ 2, . . . , v
~ p ∈ E. On dit
que le vecteur ~x ∈ E est combinaison linéaire des vecteurs
déf. Pour tout scalaire α dans K, α · ~0E = ~0E . ~ 1, v
~ 2, . . . , v
~ p si
(un )n∈N + (vn )n∈N = un +K vn n∈N
v
déf. Pour tout scalaire α ∈ K et pour tout vecteur ~x ∈ E
α · (un )n∈N = α × K un n∈N ∃(α1 , α2 , . . . , αp ) ∈ Kp ~x = α1 v
~ 1 + α2 v
~ 2 + . . . + αp v
~ p.
(−α) · ~x = −(α · ~x ) = α · (−~x ).
possède une structure d’espace vectoriel sur K.
Les scalaires α1 , α2 , . . . , αp de K se nomment coefficients de la
Un vecteur de A N, K est une suite (un )n∈N à ne pas Soient α ∈ K et ~x ∈ E. Alors combinaison linéaire.
confondre avec son terme général un (c’est un scalaire).
α · ~x = ~0E ⇐⇒ α = 0K ou ~x = ~0E . Exemple 1.1
(un )n∈N ∈ A N, K .
Remarque Tout vecteur ~x = (α1 , α2 , α3 ) ∈ K3 est combinaison linéaire des
Le vecteur nul est la suite de terme général nul. trois vecteurs ~e 1 = (1, 0, 0), ~e 2 = (0, 1, 0) et ~e 3 = (0, 0, 1).
Afin d’alléger les écritures, on note α~x au lieu de α · ~x .

Combinaison linéaire de vecteurs Plan du cours Préambule : l’ensemble Kn [X ]
Cas d’une famille infinie
On dit qu’un vecteur ~ Soit n ∈ N. Considérons l’ensemble suivant :

x de E est combinaison linéaire de la
~i
famille infinie v s’il existe J ⊂ I tel que card(J) < +∞ et si 1 Structure d’espace vectoriel
i∈I
Kn [X ] = {P ∈ K[X ] deg (P) 6 n}.
déf.
X
∃(αi )i∈J ⊂ KJ ~x = ~ i.
αi v
2 Structure de sous-espace vectoriel
i∈J On remarque les points suivants :
Les scalaires αi , i ∈ J, se nomment encore coefficients de la 3 Indépendance linéaire et base algébrique 0K[X ] ∈ Kn [X ] car deg(0K[X ] ) = −∞.
combinaison linéaire. Ils sont en nombre fini. Si P ∈ Kn [X ] et Q ∈ Kn [X ] alors P + Q ∈ Kn [X ].
Exemple 1.2 4 Espace de dimension finie Si P ∈ Kn [X ] et α ∈ K alors αP ∈ Kn [X ].
Tout polynôme de K[X ] est combinaison linéaire de la famille Plus généralement, pour tous P, Q dans Kn [X ] et tous α, β
infinie (X n )n∈N = (1K[X ] , X , . . . , X n , X n+1 , . . .). Par exemple, si 5 Rang d’une famille finie de vecteurs dans K,
P = 12X 17 − X alors J = {1, 17} et α1 = −1, α17 = 12 car αP + βQ ∈ Kn [X ].
X 6 Somme de sous-espaces vectoriels
En résumé, on dit que Kn [X ] est un sous-espace vectoriel du
P= αi X i = α1 X + α17 X 17 .
K-espace K[X ].
i∈{1,17}

Préambule : les suites de Fibonacci généralisées Préambule : équation différentielle homogène Définition
Soit F l’ensemble des suites complexes (un )n∈N vérifiant : Définition 2.1
Soit S0 l’ensemble de toutes les solutions sur R de l’équation
Soient E un K-espace et F un sous-ensemble de E. On dit que
∀n ∈ N un+2 = un+1 + un . différentielle homogène suivante :
F est un sous-espace vectoriel de E (notation abrégée : s.e.v.)
Connaissons-nous des suites qui appartiennent à F ? Oui : (E0 ) ay ′′ + by ′ + cy = 0 si F 6= ∅ et si
la suite de Fibonacci (0, 1, 1, 2, 3, 5, 8, 13, 21, 34, etc), ∀(α, β) ∈ K2 ∀~x ∈ F ∀~y ∈ F α~x + β ~y ∈ F .
où (a, b, c) ∈ K∗ × K × K. On remarque les points suivants :
la suite de Lucas (2, 1, 3, 4, 7, 11, 18, 29, 47, etc).
L’application nulle est solution sur R de (E0 ). Remarques
On remarque les points suivants :
Si y1 : R −→ K, y2 : R −→ K sont deux solutions sur R de Un sous-espace F de E n’est jamais vide puisque ~0E ∈ F .
La suite nulle appartient à F . (E0 ) alors, pour tous α, β dans K, αy1 + βy2 : R −→ K est
Les deux sous-ensembles {~0E } et E constituent deux
Pour tous (un )n∈N , (vn )n∈N dans F et tous α, β dans C, aussi solution sur R de (E0 ).
sous-espaces vectoriels triviaux de E.
En résumé, on dit que l’ensemble S0 des solutions sur R de
α(un )n∈N + β(vn )n∈N ∈ F .
(E0 ) est un sous-espace vectoriel du K-espace des Proposition 2.1
En résumé, on dit que F est un sous-espace vectoriel du applications de R dans K. Soient E un K-espace et F un sous-ensemble de E. Si F est
C-espace des suites complexes. un sous-espace vectoriel de E alors F est un K-espace.
Remarques Intersection de sous-espaces vectoriels Remarques
Si G s.e.v. de F et F s.e.v. de E alors G s.e.v. de E. L’intersection de sous-espaces F et G d’un même espace
Si F est un sous-espace de E alors ∁E (F ) n’est pas un Proposition 2.2
E n’est jamais vide : elle contient au moins le vecteur nul.
sous-espace de E car ~0E 6∈ ∁E (F ). Soient E un K-espace vectoriel et (Fi )i∈I une famille (finie ou
infinie) ~0E ∈ F ∩ G.
T de sous-espaces vectoriels de E. Alors l’intersection
Exemple 2.1 H = i∈I Fi est un sous-espace vectoriel de E.
Soient E un K-espace vectoriel et u
~ ∈ E. L’ensemble Considérons les deux sous-espaces F1 et F2 de l’espace
produit R2 définis par :
déf.
Exemple 2.2
Ku ~ | α ∈ K}
~ = {αu
Soient F1 = {0} × R × R et F3 = R × R × {0}. Alors : F1 = R × {0} = {(x1 , 0) ∈ R2 | x1 ∈ R},
est un sous-espace vectoriel de E.
F1 ∩ F3 = {0} × R × {0} = {(0, x2 , 0) ∈ R3 | x2 ∈ R}. F2 = {0} × R = {(0, x2 ) ∈ R2 | x2 ∈ R}.
Soit (a, b, c) ∈ K3 . L’ensemble
n o Ainsi, F1 ∩ F3 = R~e 2 avec ~e 2 = (0, 1, 0). Alors, l’ensemble F1 ∪ F2 n’est pas un sous-espace de R2
F = (x1 , x2 , x3 ) ∈ K3 | ax1 + bx2 + cx3 = 0 ~ désignent deux vecteurs non colinéaires de R2
~ et v puisque (1, 0) ∈ F1 et (0, 1) ∈ F2 et
Si u
alors Ru ~ = {~0R2 }.
~ ∩ Rv
(1, 0) + (0, 1) = (1, 1) ∈
/ F1 ∪ F2 .
est un sous-espace vectoriel de K3 .

Sous-espace vectoriel engendré par des vecteurs Remarque
~ m des vecteurs d’un même K-espace E.
~ 1 ,. . . ,v
Soient v Le sous-espace engendré par une famille de vecteurs ne
Définition 2.2
change pas lorsqu’on modifie l’ordre des vecteurs. Par
Soit ~x une combinaison linéaire de v ~i
16i6m
: Soient E un K-espace vectoriel et F = (v ~ i )16i6m une famille exemple,
m finie de vecteurs de E. On appelle sous-espace engendré par
∃(α1 , . . . , αm ) ∈ K
~x = α1 v
~ 1 + . . . + αm v
~ m, Vect u~ 1, u
~ 2, u ~ 2, u
~ 3 = Vect u ~ 3, u
~1 .
la famille F l’ensemble des combinaisons linéaires des
vecteurs v ~ 1, v ~ 2, . . . , v
~ m . Autrement dit,
Soit ~y une combinaison linéaire de v~i
16i6m
:
n o Exemple 2.3
∃(β1 , . . . , βm ) ∈ Km ~y = β1 v
~ 1 + . . . + βm v
~ m. Vect v ~ m déf.
~ 1, . . . , v = α1 v ~ m (α1 , . . . , αm ) ∈ Km .
~ 1 + . . . + αm v
~ un vecteur d’un K-espace E. On a
Soit u
Soit (α, β) ∈ K2 . Que pouvons-nous dire de α~x + β ~y ?
La famille v ~i est alors dite génératrice du sous-espace n o

16i6m Vect u~ déf.
= αu ~ α ∈ K not.
= Ku~.
α~x + β ~y ~ 1 + . . . + αm v
= α(α1 v ~ m ) + β(β1 v
~ 1 + . . . + βm v
~ m) ~ 1, . . . , v
Vect v ~m .
~ 1 + . . . + (ααm + ββm )v
= (αα1 + ββ1 )v ~m En particulier :
Remarque
~ = ~0E alors Vect u
Si u ~ = {~0E }.
avec ααi + ββi ∈ K, 1 6 i 6 m. En particulier, Vect(~0E ) = {~0E }.
Rappelons que ~0E est combinaison linéaire de n’importe ~ 6= ~0E alors Vect u
Si u ~ est appelée droite vectorielle
quelle famille de vecteurs. engendrée par u ~.
Exemple 2.4
Exemples de sous-espaces engendrés dans R3
~ deux vecteurs d’un K-espace E. On a
~ et v
Soient u ~ deux vecteurs d’un K-espace E. Désignons par F
~ et v
Soient u
le sous-espace engendré par ces deux vecteurs. x3 x3 x3
n o
~ déf.
~,v
Vect u = αu ~ α ∈ K, β ∈ K .
~ + βv
F = Vect u~,v~ . Vect( u)
~ 6= γ v
Si u ~ 6= γ ′ u
~ pour tout γ ∈ K et v ~ pour tout γ ′ ∈ K alors Quels sont les sous-espaces de F ? Suggestions :
u
u x2 x2 u x2
Vect u ~,v
~ est appelé plan vectoriel engendré par u ~ et v
~.
{~0E } sous-espace vectoriel de F ? oui. x1 Vect( u) x1
Vect( u)
x1
Remarques Ku
~ sous-espace vectoriel de F ? oui.
x3 x3 x3
Kv
~ sous-espace vectoriel de F ? oui.
Supposons qu’il existe γ ∈ K tel que u
~ = γv
~.
K(u
~ +v~ ) sous-espace vectoriel de F ? oui. v
Si v 6 ~0E alors Vect u
~ = ~,v
~ : droite vect. engendrée par v
~. u
K(−u
~ + 17v
~ ) sous-espace vectoriel de F ? oui. v
~ = ~0E alors Vect u
Si v ~ = {~0E }.
~,v
u x2 x2 x2
Plus généralement, on vérifie que si (λ, µ) ∈ K2 alors v
Supposons qu’il existe γ ′ ∈ K tel que v
~ = γ′u
~. u
K(λu~ + µv
~ ) est aussi un sous-espace vectoriel de F .
Si u 6 ~0E alors Vect u
~ = ~,v~ : droite vect. engendrée par u
~. x1 x1 x1

~ ~
Si u = 0E alors Vect u , v = {~0E }.
~ ~
Remarque ATTENTION L’opération qui consiste à additionner à un

Proposition 2.3
Une conséquence est que l’on a : vecteur une combinaison linéaire des autres vecteurs
Soient E un K-espace et v ~ 1, v~ 2, . . . , v
~ m, v
~ m+1 des vecteurs de
~ m+1 est combinaison linéaire des m autres vecteurs doit être manipulée avec précaution.
E. Si v m
X
~ 1, v
v ~ 2, . . . , v
~ m alors ~ 1, . . . , v
Vect v ~ i, . . . , v
~ m = Vect(v
~ 1 , . . . , αv
~ i+ ~ j, . . . , v
βj v ~ m)
j=1,j6=i Convaincu ? Considérons par exemple deux vecteurs v ~ 1 et v
~2
Vect v ~ 1, v
~ 2, . . . , v
~ m, v~ m+1 = Vect v ~ 1, v
~ 2, . . . , v
~m . d’un K-espace E. Supposons v~ 1 6= γ v
~ 2 et v
~ 2 6= γ v
~ 1 pour tout
pour tout α ∈ K∗ et pour tout βj ∈ K, j ∈ {1, 2, . . . , m} \ {i}. γ ∈ K. On a :
En particulier, Vect v ~ m , ~0E = Vect v
~ 1, . . . , v ~ 1, . . . , v
~m .
Cela signifie que
~ 1, v
Vect(v ~ 2 ) = Vect(v
~ 1, v
~2 − v
~ 1 ) = Vect(v
~1 − v
~ 2, v
~ 2)
on ne modifie pas l’espace engendré par une famille de
Exemple 2.5 vecteurs lorsqu’on multiplie un des vecteurs par un mais on a :
Considérons dans R4 les trois vecteurs scalaire non nul,
~ 1, v
Vect(v ~ 2 ) 6= Vect(v
~1 − v
~ 2, v ~ 1 ) = K(v
~2 − v ~2 − v
~ 1 ).
on ne modifie pas l’espace engendré par une famille de
~ 1 = (1, 1, 0, −1),
v ~ 2 = (1, 2, 1, 0),
v ~ 3 = (3, 5, 2, −1).
v vecteurs lorsqu’on additionne à un des vecteurs une
En effet, ni v~ 1 , ni v
~ 2 n’appartiennent à la droite vectorielle
combinaison linéaire des autres (et uniquement des
~3 = v
On a : v ~ 1 + 2v
~ 2 . D’où Vect(v
~ 1, v
~ 2, v
~ 3 ) = Vect(v
~ 1, v
~ 2 ). K(v
~2 − v
~ 1 ).
autres) vecteurs.

Plan du cours Famille liée Exemple 3.1
Dans C4 , les trois vecteurs
Définition 3.1
1 Structure d’espace vectoriel Soient E un K-espace vectoriel et F = (v ~ i )16i6p une famille ~ 1 = (1, 0, 1, 1),
v ~ 2 = (0, 2, 2i, 6),
v ~ 3 = (1, i, 0, 1 + 3i)
v
finie de vecteurs de E. On dit que la famille F est liée si l’on
i
2 Structure de sous-espace vectoriel peut trouver des scalaires α1 , α2 , . . . , αp dans K dont un au ~1 + v
sont liés puisque v ~ 3 = ~0C4 .
~2 − v
moins est non nul et tels que : 2
3 Indépendance linéaire et base algébrique Remarques
~ 1 + α2 v
α1 v ~ p = ~0E .
~ 2 + . . . + αp v
Pour une famille de vecteurs, la propriété d’être « liée » ne
4 Espace de dimension finie ~ 1, v
~ 2, . . . , v
~ p sont linéairement dépendants.
On dit alors que v change pas si l’on réarrange l’ordre des vecteurs. Par
exemple, si F = (v ~ 1, v ~ 3 ) est liée alors F ′ = (v
~ 2, v ~ 2, v
~ 3, v
~ 1)
5 Rang d’une famille finie de vecteurs ~ 1, . . . , v
Autrement dit, la famille F = (v ~ p ) est liée si est aussi liée.
Lorsque deux vecteurs d’un même espace vectoriel sont
6 Somme de sous-espaces vectoriels ∃(α1 , . . . , αp ) ∈ Kp
liés, on dit qu’ils sont colinéaires.
(α1 , . . . , αp ) 6= (0, . . . , 0) et α1 v ~ p = ~0E .
~ 1 + . . . + αp v Lorsque trois vecteurs d’un même espace vectoriel sont
liés, on dit qu’ils sont coplanaires.

Famille libre Rappelons que : ( non(P) ou Q ) ≡ ( P =⇒ Q ). Ainsi,
Exemple 3.2
Définition 3.2 = non(P) Dans K4 , la famille F = (~e 1 , ~e 2 , ~e 3 ) où
z }| { =Q
Soient E un K-espace vectoriel et F = (v ~ i )16i6p une famille z }| {
α1 v ~ p 6= ~0E
~ 1 + . . . + αp v ou (α1 , . . . , αp ) = (0, . . . , 0) ~e 1 = (1, 0, 0, 0), ~e 2 = (0, 1, 0, 0), ~e 3 = (0, 0, 1, 0)
finie de vecteurs de E. Si la famille n’est pas liée, on dit qu’elle
~ 1, v
est libre. On dit alors que les vecteurs v ~ 2, . . . , v
~ p sont
linéairement indépendants. ≡ est libre. En effet, la relation de liaison
Comment montrer qu’une famille est libre ? ~ p = ~0E

~ 1 + . . . + αp v
α1 v =⇒ (α1 , . . . , αp ) = (0, . . . , 0) . α1 (1, 0, 0, 0) + α2 (0, 1, 0, 0) + α3 (0, 0, 1, 0) = (0, 0, 0, 0)
La propriété pour une famille F d’être « libre » est la négation | {z } | {z }
=P =Q est équivalente à :
de celle d’être « liée » :
« F est libre » = non (« F est liée ») . En d’autres termes, pour montrer que F = (v ~ 1, v
~ 2, . . . , v
~ p ) est (α1 , α2 , α3 , 0) = (0, 0, 0, 0).
une famille libre, il convient de montrer que la relation
~ 1, . . . , v
Ainsi, la famille F = (v ~ p ) est libre si On en déduit, par identification, que α1 = α2 = α3 = 0.
~ 1 + α2 v
α1 v ~ p = ~0E
~ 2 + . . . + αp v (appelée relation de liaison)
∀(α1 , . . . , αp ) ∈ Kp Pour tout n ∈ N, la famille Fn = 1, X , X 2 , . . . , X n est libre
dans K[X ].
(α1 , . . . , αp ) = (0, . . . , 0) ou α1 v ~ p 6= ~0E .
~ 1 + . . . + αp v entraîne : α1 = α2 = . . . = αp = 0K .
Proposition 3.1 (Caractérisation d’une famille liée) Remarques Remarque

Une famille est liée si, et seulement si, un de ses vecteurs peut Soient E un K-espace et v ~ ∈ E. Alors F = (v
~,v
~ ) est liée. En
s’écrire comme une combinaison linéaire des autres vecteurs La famille constituée d’un seul vecteur est liée si, et effet, on peut écrire (α ∈ K, α 6= 0) :
de la famille. seulement si, ce vecteur est nul.
Toute famille contenant le vecteur nul est nécessairement αv ~ = ~0E .
~ − αv
Exemple 3.3 liée. Par exemple, dans R4 , les trois vecteurs
Dans R4 les trois vecteurs √ √ Ainsi, toute famille comportant deux vecteurs égaux est liée.
~ 1 = (1, −2, 12, 17), v
v ~ 2 = ( 2, − 2, 0, −7), v~ 3 = (0, 0, 0, 0)
~ 1 = (1, 1, 0, −1),
v ~ 2 = (1, 2, 1, 0) et v
v ~ 3 = (3, 5, 2, −1) ATTENTION Si des vecteurs forment une famille libre
~ 1 + 0v
sont liés puisque 0v ~ 3 = ~0R4 .
~2 + v alors ils sont nécessairement tous distincts. La ré-
sont liés puisque l’un des vecteurs s’exprime comme une ciproque est bien évidemment fausse. Par exemple,
combinaison linéaire des deux autres vecteurs. On a en effet : Proposition 3.2 dans R4 , les trois vecteurs
Soient E un K-espace et F une famille de E.
~3 = v
v ~ 1 + 2v
~ 2. ~ 1 = (1, 1, 0, −1), v
v ~ 2 = (1, 2, 1, 0), v
~ 3 = (3, 5, 2, −1)
Si F est libre alors toute sous-famille F ′ est libre.
La méthode permettant d’obtenir cette relation sera explicitée Si F est liée alors toute sur-famille F ′ est liée. sont distincts. Ils sont liés.
ultérieurement (méthodes « des zéros échelonnés »).

Écriture sous forme échelonnée Proposition 3.3
Corollaire 3.1
On considére les quatre vecteurs ~a, ~b, ~c , d
~ de K5 que nous Soient E un K-espace et v
~ 1, . . . , v
~ m ∈ E. Toute famille d’au
Si un espace E est engendré par m vecteurs alors toute famille
plaçons en lignes superposées : moins m + 1 vecteurs appartenant à Vect v ~ 1, . . . , v
~ m est liée.
constituée d’au moins m + 1 vecteurs appartenant à E est liée.
~a = ( a 1 , a2 , a 3 , a4 , a5 ) avec a1 6= 0,
~b Par exemple, soient E un K-espace et v
~ 1, v
~ 2, v
~ 3 trois vecteurs Considérons par exemple le K-espace produit E = K3 . Alors
= ( 0, b2 , b3 , b4 , b5 ) avec b2 6= 0, quelconques de E. Considérons les 4 vecteurs ~x 1 , ~x 2 , ~x 3 , ~x 4 :
~c les trois vecteurs (1, 0, 0), (0, 1, 0), (0, 0, 1) engendrent K3 .
= ( 0, 0, c3 , c4 , c5 ) avec c3 6= 0,
~  Pour s’en convaincre, soit (x1 , x2 , x3 ) ∈ K3 . On a :
d = ( 0, 0, 0, d4 , d5 ) avec d4 6= 0.  ~x 1 = 3v ~1 + v ~2 + v ~3

 ~
x2 = ~ 1 − 2v
v ~2 + v ~3 (x1 , x2 , x3 ) = x1 (1, 0, 0) + x2 (0, 1, 0) + x3 (0, 0, 1).
~ = ~0 5 s’écrit
La relation de liaison α1~a + α2 ~b + α3~c + α4 d K  ~x 3 = −v ~ 1 − 2v~2 + v ~3
.
 

 α a
1 1 = 0 ~x 4 = ~1 − v
v ~2 + v ~3 Alors, toute famille constituée d’au moins 3 + 1 = 4 vecteurs de



 α 1 a2 + α 2 b2 = 0 K3 est nécessairement liée. C’est le cas par exemple des
α1 a3 + α2 b3 + α3 c3 = 0 Ces 4 vecteurs appartiennent à Vect v ~ 1, v
~ 2, v
~ 3 . Ils sont quatre vecteurs :

 nécessairement liés. On peut d’ailleurs obtenir la relation de
 α1 a4 + α2 b4 + α3 c4 + α4 d4 = 0

 liaison : (1, 1, 0), (1, 2, 1), (3, 5, 2), (12, 2, −3).
α1 a5 + α2 b5 + α3 c5 + α4 d5 = 0
~x 1 + ~x 2 + ~x 3 − 3~x 4 = ~0E .
D’où α1 = α2 = α3 = α4 = 0 : la famille ~a, ~b, ~c , d
~ est libre.

Base algébrique Cas d’une famille infinie - Soit B = (~e i )i∈I avec I un ensemble Plan du cours
infini. La famille infinie B est une base de E si pour tout vecteur
~x ∈ E il existe J ⊂ I avec card(J) < +∞ tel que
X
Définition 3.3 ∃ ! (αi )i∈J ⊂ KJ ~x = αi ~e i . 1 Structure d’espace vectoriel
Soient E un K-espace vectoriel et B une famille de vecteurs de i∈J
E. On dit que la famille B est une base algébrique de E si B est 2 Structure de sous-espace vectoriel
Les éléments (αi )i∈J de K sont appelés les coordonnées du
à la fois une famille libre dans E et une famille génératrice de E. vecteur ~x par rapport à la base B.
3 Indépendance linéaire et base algébrique
Cas d’une famille finie - La famille finie B = (~e 1 , ~e 2 , . . . , ~e n ) Exemple 3.4
est une base de E si pour tout vecteur ~x ∈ E Espace de dimension finie
Soit n ∈ N. Bn = 1, X , X 2 , . . . , X n : base de Kn [X ]. 4
∃ ! (α1 , α2 , . . . , αn ) ∈ K n ~x = α1~e 1 + α2~e 2 + . . . + αn~e n . B∞ = (1, X , . . . , X n , . . .) : base de K[X ].

5 Rang d’une famille finie de vecteurs
La famille B = (~e 1 , ~e 2 , . . . , ~e n ) avec
Les éléments α1 , . . . , αn de K sont appelés les coordonnées
(ou composantes) du vecteur ~x par rapport à la base B. ~e 1 = (1, 0, . . . , 0), ~e 2 = (0, 1, . . . , 0), . . . , ~e n = (0, 0, . . . , 1) 6 Somme de sous-espaces vectoriels
est une base de Kn . C’est la base canonique de Kn .

Dimension d’un espace vectoriel
Définition 4.1 Considérons un espace E non réduit au vecteur nul.
Soit E un espace vectoriel sur K. Supposons E de dimension finie. Cela signifie qu’il possède Définition 4.2
une famille F génératrice de E et finie. La famille F est-elle
On dit que E est de dimension finie s’il existe une famille Soit E un espace vectoriel de dimension finie sur K . On
finie de vecteurs générateurs de E. nécessairement libre ? Non.
appelle dimension de E le cardinal d’une base de E :
Dans le cas contraire, E est dit de dimension infinie. Si F est libre, c’est donc une base de E.
déf.
Si F est liée alors on peut toujours extraire de F une dimK (E) = card (B)
Exemple 4.1 sous-famille F ′ qui, elle, est libre. Il est clair que F ′ est
où B est une base de E, et on convient que dimK {~0E } = 0.
déf.
encore génératrice de E. C’est donc une base (finie) de E.
Tout espace possédant une base finie est nécessairement
de dimension finie. C’est par exemple le cas de Kn pour Proposition 4.1
tout n ∈ N∗ et Kn [X ] pour tout n ∈ N. Exemple 4.2
Un K-espace (non réduit au vecteur nul) de dimension finie
L’espace K[X ] est de dimension infinie. possède au moins une base finie.
dimK (K) = 1. En particulier, dimR (R) = 1, dimC (C) = 1.
Soient E un K-espace (de dimension finie ou infinie) et Toutes les bases d’un même espace de dimension finie
dimR (C) = 2.
~ 1, . . . , v
v ~ 1, . . . , v
~ m ∈ E. Le sous-espace Vect v ~ m est, par Soit n ∈ N. dimK (Kn [X ]) = n + 1.
ont même cardinal.
construction, de dimension finie.
Soit n ∈ N∗ . dimK (Kn ) = n.

Exemple 4.3 Lien entre le cardinal d’une famille génératrice ou libre
Remarque
Soit (a, b, c) ∈ R∗ × R × R. L’ensemble S0 des solutions sur R et celui d’une base
~ 1, . . . , u
Si L = (u ~ p ) est une famille libre dans E avec p < n,
de l’équation différentielle homogène
Proposition 4.2 alors on peut trouver n − p vecteurs v ~ 1, v
~ 2, . . . , v
~ n−p ∈ E tels
ay ′′ + by ′ + cy = 0 Soient E un K-espace de dimension finie et n = dimK (E).
que la sur-famille
est un K-espace de dimension 2. Base B de S0 ? Toute famille G génératrice de E vérifie : ~ 1, u

B = (u ~ 2, . . . , u
~ p, v
~ 1, v
~ 2, . . . , v
~ n−p )

Si ∆ = b2
− 4ac > 0 alors B = x −→ −→ oùeρ1 x , x eρ2 x card (G) > n. est une base de E.
ρ1 et ρ2 sont les racines de l’équation caractéristique.
Proposition 4.3 (Dimension d’un sous-espace vectoriel)
Si ∆ = b2 − 4ac = 0 alors B = x −→ xeρ̃x , x −→ eρ̃x où ρ̃ En particulier, toute famille génératrice constituée de n
est l’unique racine de l’équation caractéristique. vecteurs est une base de E. Tout sous-espace vectoriel F d’un K-espace vectoriel E de
Toute famille L libre dans E vérifie : dimension finie est lui-même de dimension finie et
Si ∆ = b2 − 4ac < 0 alors
dimK (F ) 6 dimK (E).
B = x −→ eαx cos(βx), x −→ eαx sin(βx) card (L) 6 n.
En particulier, toute famille libre constituée de n vecteurs En particulier, si dimK (F ) = dimK (E) alors F = E.
où α = Re(ρ) et β = Im(ρ) avec ρ une racine complexe de
l’équation caractéristique. est une base de E.

Plan du cours Rang d’un famille finie de vecteurs
Exemple 5.1
Considérons dans R4 la famille F = (v
~ 1, v
~ 2, v
~ 3 ) avec
Définition 5.1
1 Structure d’espace vectoriel
Soient E un K-espace et F = v~ 1, . . . , v
~ p . On appelle rang de ~ 1 = (1, 1, 0, −1),
v ~ 2 = (1, 2, 1, 0),
v ~ 3 = (3, 5, 2, −1).
v
F la dimension du sous-espace (de E) engendré par F.
2 Structure de sous-espace vectoriel Soit F le sous-espace engendré par ces trois vecteurs.

déf.
rg (F) = dimK Vect v ~ 1, . . . , v
~p . ~3 = v
1 Ces trois vecteurs sont liés car v ~ 1 + 2v
~ 2 . Ainsi,
3 Indépendance linéaire et base algébrique
~ 1, v
F = Vect(v ~ 2, v
~ 3 ) = Vect(v
~ 1, v
~ 2 ).
Comment calculer le rang d’une famille de vecteurs ? Il faut
4 Espace de dimension finie calculer la dimension du sous-espace F = Vect v ~ 1, . . . , v
~p .
Posons F ′ = (v ~ 2 ). Il est clair que la famille F ′ est libre.
~ 1, v
Pour cela, il convient :
5 Rang d’une famille finie de vecteurs Elle est aussi génératrice de F . C’est donc une base de F .
1 dans un premier temps de trouver une base de F ;
2 On a donc : dimK (F ) = card(F ′ ) = 2.
2 dans un second temps d’en calculer le cardinal.
6 Somme de sous-espaces vectoriels On en déduit alors le rang de la famille F :
Comment trouver une base de F ? Elle s’obtient par extraction
~ 1, . . . , v
à partir de la famille génératrice F = v ~p . rg (F) = dimK (F ) = 2.
Remarques La méthode des « zéros échelonnés » Méthodologie
Puisque v ~ 1, . . . , v
~ p ne sont pas nécessairement libres : On décompose chacun des vecteurs v ~ 1, v
~ 2, . . . , v
~ p dans une

~ p 6 p.
~ 1, . . . , v
rg v But base quelconque B = (~e 1 , ~e 2 , . . . , ~e n ) de E. On obtient

~ 1, . . . , v
Connaître le rang d’une famille F = v ~ p constituée de  ~ 1 = a11 ~e 1 + a12 ~e 2 + . . . + a1n ~e n
v
En particulier, si dimK (E) = n alors 
 ~

p vecteurs d’un espace de dimension n.  v 2 = a21 ~e 1 + a22 ~e 2 + . . . + a2n ~e n

rg v ~ p 6 min {n, p} .
~ 1, . . . , v ~ 3 = a31 ~e 1 + a32 ~e 2 + . . . + a3n ~e n
v

 ..
Justification 
 .

 ~
Définition 5.2 (Droites et plans vectoriels, hyperplans) v p = ap1 ~e 1 + ap2 ~e 2 + . . . + apn ~e n
Un sous-espace engendré par une famille finie de vecteurs est
Soient E un K-espace vectoriel et F un sous-espace de E. inchangé On dispose alors les coordonnées en lignes superposées :
F est appelé droite vectorielle si dimK (F ) = 1. si l’on échange l’ordre des vecteurs,  
a11 a12 a13 a14 · · · a1n
F est appelé plan vectoriel si dimK (F ) = 2. si l’on multiplie un vecteur par un scalaire non nul,  a21 a22 a23 a24 · · · a2n 
 
En particulier, lorsque E est de dimension n > 1, le  
si l’on ajoute à un des vecteurs une combinaison linéaire T0 =  a31 a32 a33 a34 · · · a3n  .
sous-espace F est appelé hyperplan vectoriel si des autres vecteurs.  .. .. .. .. .. 
 . . . . . 
dimK (F ) = n − 1. ap1 ap2 ap3 ap4 · · · apn

Convention et notation Étape 1 Étape 2
On convient des notations suivantes : Supposons a22′ 6= 0. Le but est de faire apparaître p − 2 zéros
Supposons a11 6= 0. Le but est de faire apparaître p − 1 zéros
dans la deuxième colonne au-dessous de a22 ′ :
Échange des lignes Lk et Lk ′ : dans la première colonne au-dessous de a11 : ′
′
a32 ap2
a21 a31 ap1 L3 ←− L3 − ′ L2 , . . . , Lp ←− Lp − ′ L2
Lk ←→ Lk ′ L2 ←− L2 − L1 , L3 ←− L3 − L1 , ..., Lp ←− Lp − L1 a22 a22
a11 a11 a11
′ qui a été utilisé comme pivot. On
et, cette fois-ci, c’est a22
Multiplication de la ligne Lk par le scalaire α ∈ K∗ :
et on dit que l’on a utilisé a11 comme pivot. On obtient : obtient le tableau :
Lk ←− αLk    
a11 a12 a13 a14 · · · a1n a11 a12 a13 a14 · · · a1n
 0 a′ a23 a24 · · · a2n 
′ ′ ′  0 a ′ ′ ′ ′ 
Addition d’une ligne à une autre (β ∈ K) :  22   22 a23 a24 · · · a2n 
 ′ ′ ′ ′
· · · a3n   ′′ ′′ ′′ 
T1 =  0 a32 a33 a34 . T2 =  0 0 a33 a34 · · · a3n .
 .. .. .. .. ..   .. .. .. .. .. 
Lk ←− Lk + βLk ′  . . . . .   . . . . . 
0 ′
ap2 ′
ap3 ′
ap4 ′
· · · apn ′′ ′′ ′′
0 0 ap3 ap4 · · · apn
Échange de colonnes Ck et Ck ′ :
Discussion : si tous les coefficients aij′ sont nuls alors Discussion - Si tous les coefficients aij′′ sont nuls alors
Ck ←→ Ck ′ .
rg(F) = 1. Sinon, on poursuit. rg(F) = 2. Sinon, on poursuit !

. . . Étape r Plan du cours
Exemple 5.2
et ainsi de suite, jusqu’à l’obtention à l’issue de l’étape r d’un
tableau de la forme suivante : Soit la famille F = (v ~ 1, v ~ 3 ) de R4 avec v
~ 2, v ~ 1 = (1, 1, 0, −1),
  ~ 2 = (1, 2, 1, 0) et v
v ~ 3 = (3, 5, 2, −1). On a 1 Structure d’espace vectoriel
a11 ∗ · · · ∗ ··· ∗
 0 a22 ′ · · · ∗ · · · ∗     
  1 1 0 −1 1 1 0 −1 2 Structure de sous-espace vectoriel
 .. .. .. .
. . 
.   
 . . . . .  T0 = 1 2 1 0 , T1 = 0 1 1 1 ,
 
Tr =  0 ··· 0 arr
(r −1)
··· ∗  
3 5 2 −1 0 2 2 2 3 Indépendance linéaire et base algébrique
 0 ··· 0 0 ··· 0   
 
 . .. .. ..  1 1 0 −1
 .. . . .    4 Espace de dimension finie
T2 =  0 1 1 1 .
0 ··· 0 0 ··· 0
0 0 0 0 5 Rang d’une famille finie de vecteurs
′ , ..., a (r −1)
où les coefficients a11 , a22 rr sont tous non nuls. Ce D’où rg(F) = 2. Les trois vecteurs sont donc liés. On a aussi :
sont les pivots. On obtient 6 Somme de sous-espaces vectoriels
rg(F) = r . ~3 = v
v ~ 1 + 2v
~ 2.
Préambule
Définition 6.1
Remarque
Considérons dans E = A R, R les sous-espaces vectoriels : Soient E un K-espace et F , G deux sous-espaces de E.
La somme de F et G est le sous-espace de E défini par L’ensemble F + G est bien un sous-espace vectoriel de E.
F = f ∈ A R, R | ∀x ∈ R, f (x) = f (−x) , (applications paires)
déf.
F + G = {~x F + ~x G | ~x F ∈ F , ~x G ∈ G}. Les deux sous-espaces F et G de E constituent deux
G = f ∈ A R, R | ∀x ∈ R, f (−x) = −f (x) . (applications impaires) sous-espaces évidents du sous-espace F + G.
Il est possible d’écrire toute application f : R −→ R comme la La somme de F et G est dite directe si Si F et G sont de dimensions finies (non nécessairement
somme d’une application paire g : R −→ R et d’une application égales) alors le sous-espace F + G est lui-même de
∀~x ∈ F + G ∃ ! ~x F ∈ F ∃ ! ~x G ∈ G ~x = ~x F + ~x G . dimension finie et on a :
impaire h : R −→ R puisque
f (x) + f (−x) f (x) − f (−x) Les vecteurs ~x F et ~x G sont alors appelés les composants dimK (F + G) 6 dimK (F ) + dimK (G).
∀x ∈ R f (x) = + du vecteur ~x respectivement dans F et dans G. Le
| 2
{z } | 2
{z } sous-espace F + G se note alors F ⊕ G. Tout sous-espace d’un K-espace vectoriel E possède au
= g(x) = h(x)
F et G sont dits supplémentaires dans E si moins un supplémentaire dans E.
On dira que l’espace E est la somme des deux sous-espaces
E = F ⊕ G.
F et G et on notera E = F + G.

Cas d’un espace de dimension finie Exemple 6.2
Proposition 6.1
Une condition nécessaire et suffisante pour que la somme des Théorème 6.1 (de Grassmann) Considérons dans E = R3 les deux sous-espaces
deux sous-espaces F et G soit directe est que F ∩ G = {~0E }. F = R~e 1 et G = R~e 2 . On obtient :
Soient E un K-espace vectoriel et F , G deux sous-espaces de
E. Si F et G sont de dimensions finies alors 6 R3
F ⊕ G = R × R × {0} = et F ∩ G = {~0R3 }.
Exemple 6.1
La seule application de R dans R qui soit à la fois paire et dimK (F + G) = dimK (F ) + dimK (G) − dimK (F ∩ G). dim (F ⊕ G) = dimR (F ) + dimR (G) .
| R {z } | {z } | {z }
impaire est l’application nulle. En d’autres termes,
=2 =1 =1

F ∩ G = x ∈ R 7−→ 0 ∈ R Hermann Grassmann
Considérons dans E = R3 les deux sous-espaces
(1809, Stettin - 1877, Stettin).
où F désigne l’ensemble des applications paires et G F = R × R × {0} et G = R × {0} × R. On obtient :
l’ensemble des applications impaires. La somme des deux
Remarque : si F et G sont supplémentaires dans E (avec E de F + G = R3 et F ∩ G = R~e 1 .
sous-espaces F et G est donc directe. On la note alors F ⊕ G.
dimension finie) alors
Or, E = F + G. On peut alors écrire que dimR (F + G) = dimR (F ) + dimR (G) − dimR (F ∩ G) .
dimK (E) = dimK (F ) + dimK (G). | {z } | {z } | {z } | {z }
E = F ⊕ G. =3 =2 =2 =1
Les espaces vectoriels 70
Corollaire 6.1
Soient E un K-espace vectoriel de dimension finie et F , G deux
sous-espaces vectoriels de E. Si on a à la fois
dimK (F ) + dimK (G) = dimK (E) et F ∩ G = {~0E }
alors E = F ⊕ G.
Exemple 6.3
Considérons dans E = R3 les deux sous-espaces suivants :
la droite vectorielle F = Ru ~ 6= ~0E ;
~ , ce qui suppose u
~,w
le plan vectoriel G = Vect(v ~ ), ce qui suppose v
~ et w
~
libres entre eux.
~ 6∈ Vect(v
Si u ~,w~ ) alors F ∩ G = {~0 3 }. De plus, R
3
dimR (F ) + dimR (G) = dimR (R ), d’où F ⊕ G = R3 .
F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA

Les Espaces Vectoriels: Document Téléchargé À l'URL Suivante

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

Les Espaces Vectoriels: Document Téléchargé À l'URL Suivante

Transféré par

Droits d'auteur :

Formats disponibles

Pour plus de compléments, voir les deux ouvrages suivants parus Les espaces vectoriels 3

aux Presses Polytechniques et Universitaires Romandes (PPUR)

Les espaces vectoriels www.ppur.org

Algèbre et analyse, 2e édition revue et augmentée, Cours de 1 Structure d’espace vectoriel

5 Rang d’une famille finie de vecteurs

6 Somme de sous-espaces vectoriels

Les espaces vectoriels 4 Les espaces vectoriels 5 Les espaces vectoriels 6

∀α ∈ K ∀(~x , ~y ) ∈ E × E α · (~x + ~y ) = α · ~x + α · ~y , C’est au mathématicien Giuseppe Peano Remarque

Les espaces vectoriels 7 Les espaces vectoriels 8 Les espaces vectoriels 9

Les espaces vectoriels 13 Les espaces vectoriels 14 Les espaces vectoriels 15

On dit qu’un vecteur ~ Soit n ∈ N. Considérons l’ensemble suivant :

Les espaces vectoriels 16 Les espaces vectoriels 17 Les espaces vectoriels 18

Les espaces vectoriels 22 Les espaces vectoriels 23 Les espaces vectoriels 24

Les espaces vectoriels 25 Les espaces vectoriels 26 Les espaces vectoriels 27

Remarque ATTENTION L’opération qui consiste à additionner à un

Les espaces vectoriels 31 Les espaces vectoriels 32 Les espaces vectoriels 33

Les espaces vectoriels 34 Les espaces vectoriels 35 Les espaces vectoriels 36

Comment montrer qu’une famille est libre ? ~ p = ~0E

Proposition 3.1 (Caractérisation d’une famille liée) Remarques Remarque

Les espaces vectoriels 40 Les espaces vectoriels 41 Les espaces vectoriels 42

Les espaces vectoriels 43 Les espaces vectoriels 44 Les espaces vectoriels 45

∃ ! (α1 , α2 , . . . , αn ) ∈ K n ~x = α1~e 1 + α2~e 2 + . . . + αn~e n . B∞ = (1, X , . . . , X n , . . .) : base de K[X ].

est une base de Kn . C’est la base canonique de Kn .

Les espaces vectoriels 49 Les espaces vectoriels 50 Les espaces vectoriels 51

est un K-espace de dimension 2. Base B de S0 ? Toute famille G génératrice de E vérifie : ~ 1, u

Les espaces vectoriels 52 Les espaces vectoriels 53 Les espaces vectoriels 54

Les espaces vectoriels 58 Les espaces vectoriels 59 Les espaces vectoriels 60

Les espaces vectoriels 61 Les espaces vectoriels 62 Les espaces vectoriels 63

Les espaces vectoriels 67 Les espaces vectoriels 68 Les espaces vectoriels 69

Les espaces vectoriels 70

dimK (F ) + dimK (G) = dimK (E) et F ∩ G = {~0E }

Vous aimerez peut-être aussi