1 Espace vectoriel, sous-espace vectoriel

Quel est le point commun entre

— les vecteurs de R3 ,
— les matrices 4 × 5 à coefficients dans R,
— les matrices 10 × 10 à coefficients dans C,
— les suites réelles convergentes,
— les fonctions polynomiales réelles ( f (x) = x 4 + 3x 2 − 3),
— les fonctions continues de [0, 1] dans R ?
On peut faire la somme de deux éléments et on peut multiplier un élément par un scalaire (dans l’exemple
3 par un complexe et les autres exemples par un réel).

Espace vectoriel - définition

Dans toute la suite (K, +, ·) désigne un corps et nous concernant K sera en général, R, C, Q voire un sous-
corps de C. Sauf mention contraire les résultats seront valables pour un corps quelconque (la réelle difficulté
concerne les corps finis de caractéristiques non nulles, le « plus méchant » étant Z/2Z de caractéristique 2, les
corps finis étant notamment très utiles pour la crypto, etc).

Définition 1.1. Un ensemble non vide E est appelé espace vectoriel sur K (ou K–espace vectoriel) si E est
muni d’une addition interne (un l.c.i. notée « + ») et d’une multiplication externe par un scalaire (un élément
de K) telles que
— (E , +) est un groupe abélien
{
K×E −→ E
— la multiplication externe est une loi de composition externe vérifiant
(λ, v) 7−→ λv
— associativité : ∀λ, µ ∈ K, ∀v ∈ E , λ(µv) = (λµ)v = λµv
— élément neutre : ∀v ∈ E , 1K v = v
— distributivité 1 : ∀λ, µ ∈ K, ∀v ∈ E , (λ + µ)v = λv + µv.
— distributivité 2 : ∀λ ∈ K, ∀v, w ∈ E , λ(v + w) = λv + λw.

Definition
— (E , +) est un groupe
{
K×E −→ E
— la multiplication externe est une loi de composition externe vérifiant
(λ, v) 7−→ λv
— associativité : ∀λ, µ ∈ K, ∀v ∈ E , λ(µv) = (λµ)v = λµv
— élément neutre : ∀v ∈ E , 1K v = v
— distributivité 1 : ∀λ, µ ∈ K, ∀v ∈ E , (λ + µ)v = λv + µv.
— distributivité 2 : ∀λ ∈ K, ∀v, w ∈ E , λ(v + w) = λv + λw.

Remarque 1.2. — Les éléments de E sont les vecteurs, mais inutile de mettre des flèches au-dessus
— L’élément neutre de E , le vecteur nul est noté 0E (et on pourra se permettre 0, mais attention 0K et 0E
sont deux éléments différents)
— Si K est R, C ou un sous corps de C, 1K sera 1.
— Comme K est un corps si λ ̸= 0 on notera λ−1 sera l’inverse λ (le symétrique de λ pour la loi « · »).

1
Règles de calculs
Proposition 1.3. Soit E un K–espace vectoriel
— ∀u, v, w ∈ E , u + v = u + w ⇒ v = w
— ∀u ∈ E , 0K u = 0E
— ∀u ∈ E , ∀λ ∈ K on a −u = (−1K )u et λ0E = 0E .
— ∀u ∈ E , ∀λ ∈ K, λu = 0E ⇒ λ = 0K ou u = 0E

Exemple 1.4. — C est un C–espace vectoriel

— R est un R–espace vectoriel
n

— les fonctions définies de R dans R forment un espace vectoriel sur R

— l’ensemble des suites réelles RN = {(u n ), ∀n ∈ N, u n ∈ R} est un espace vectoriel sur R : définir somme de
deux suites, produit par un scalaire
— l’ensemble des polynômes à une indéterminée est un R–espace vectoriel.

1.1 Espace vectoriel produit

Espace vectoriel produit
Définition 1.5 (Proposition). Soit E et F deux espaces vectoriels sur un même corps K. Alors le produit carté-
sien E × F est muni d’une structure d’espace vectoriel produit sur K par
— ∀(u 1 , v 1 ) ∈ E × F , ∀(u 2 , v 2 ) ∈ E × F on définit (tout simplement la structure groupe produit sur E × F )

(u 1 , v 1 ) + (u 2 , v 2 ) = (u 1 + u 2 , v 1 + v 2 )

— ∀λ ∈ K, ∀(u 1 , v 1 ) ∈ E × F on définit λ(u 1 , v 1 ) = (λu 1 , λv 1 ).

Remarque 1.6. On définit alors aisément Kn , K étant un espace vectoriel sur lui-même.

1.2 Combinaison linéaire

Combinaison linéaire
Définition 1.7. — Soit v 1 , v 2 , . . . , v n n vecteurs de E . On appelle combinaison linéaire de v 1 , v 2 , . . . , v n tout
vecteur de E s’écrivant
∑
n
λ1 v 1 + λ2 v 2 + · · · + λn v n = λi v i ,
i =1
où les λ1 , λ2 , . . . , λn sont des éléments de K.

Remarque 1.8. On étend la définition de combinaison linéaire à une famille infinie (v i )i ∈I mais la somme
sera toujours finie, il existe n ∈ N∗ , i 1 , . . . , i n ∈ I , λ1 , . . . , λn ∈ K et
∑
n
λk v i k
k=1

1.3 Sous-espace vectoriel

Sous-espace vectoriel
Définition 1.9. Soit F un sous ensemble non vide de E (E K–espace vectoriel). On dit que F est un sous-
espace vectoriel de E s’il est un espace vectoriel sur K pour les lois induites par celles de E (addition interne et
multiplication externe).

Proposition 1.10. Soit F un sous ensemble non vide de E (E K–espace vectoriel). F est un sous-espace vectoriel
de E si et seulement si
— ∀v, w ∈ F , v + w ∈ F
— ∀λ ∈ K, ∀v ∈ F , λv ∈ F .

2
Sous-espace vectoriel

Théorème 1.11. Soit F un sous ensemble non vide de E (E K–espace vectoriel). Alors les trois affirmations sui-
vantes sont équivalentes
1. F est un sous-espace vectoriel de E
2. F contient toute combinaison linéaire de 2 de ses vecteurs

∀λ, µ ∈ K, ∀v, w ∈ F λv + µw ∈ F

3. pour tout n ≥ 1, F contient toute combinaison linéaire de n de ses vecteurs

∑
n
∀v 1 , . . . , v n ∈ F, ∀λ1 , . . . , λn , λi v i ∈ F.
i =1

Sous-espace vectoriel

Proposition 1.12. L’intersection de deux sous-espaces vectoriels est un sous-espace vectoriel.

Proposition 1.13 (Définition). Soit F et G deux sous-espaces vectoriels de E . Définissons F +G le sous-ensemble

de E
F +G = {v + w ; v ∈ F, w ∈ G}.
F +G est un sous-espace vectoriel appelé somme de F et G, que l’on note F +G.

Définition 1.14. Soit F et G deux sous-espaces vectoriels de E .

— F et G sont dits en somme directe si F ∩G = {0} et on écrit alors F ⊕G.
— si F ⊕ G = E on dit que F et G sont supplémentaires dans E . (on dit aussi que G est un supplémentaire
de F dans E )

Proposition 1.15. Soit F et G deux sous-espaces vectoriels de E . F et G sont en somme directe si et seulement si
pour tout u ∈ F +G il existe un unique couple (v, w) tels que v ∈ F , w ∈ G et u = v + w.

Exemple 1.16. — Dans R2 , si u = (1, 1) et v = (−1, 1), F = Ru et G = Rv sont deux sous-espaces vectoriels en
somme directe et supplémentaires.
— Dans M2 (R) toute matrice est somme d’une matrice symétrique (t M = M ) et d’une matrice anti-symétrique
(t M = −M ).
— Dans R3 , si F = {(x + y, x − y, x + 15y) ; x, y ∈ R} et G = {(x + 2y, x, x − y) ; x, y ∈ R} ne sont pas en somme
directe.

2 Famille génératrice
Famille génératrice
Ou comment « fabriquer » des sous-espaces vectoriels. Soit u et v deux vecteurs de E et considérons l’en-
semble des combinaisons linéaires de u et v, c.-à-d. l’ensemble des vecteurs de la forme

λu + µv, λ ∈ K, µ ∈ K.

La somme de deux combinaisons linéaires de u et v est toujours une combinaison linéaire de u et v. Donc
d’après le théorème 1.11, l’ensemble des combinaisons linéaires de u et v est un sous-espace vectoriel de E .
L’ensemble {λu + µv, λ ∈ K, µ ∈ K} est appelé l’espace vectoriel engendré par la famille {u, v}.

3
Famille génératrice
Définition 2.1 (Proposition). Soit E un K–espace vectoriel et (v i )i ∈I une famille (non nécessairement finie) de
vecteurs de E . On appelle sous-espace engendré par (v i )i ∈I l’ensemble des combinaisons linéaires de sous
familles finies quelconques d’éléments de (v i )i ∈I . Cet espace est noté Vect((x i )i ∈I ) et un élément s’écrit donc
∑
n
λk v i k
k=1

n ∈ N∗ , i 1 , . . . , i n ∈ I , λ1 , . . . , λn ∈ K.
Remarque 2.2. — Par extension si A est une partie non vide de E , on définit Vect(A) comme le sous-espace
vectoriel engendré par (v)v∈A .
— Quelle est la subtile différence entre Vect(A) et Vect((x i )i ∈I ? Dans la famille des vecteurs (x i )i ∈I on n’exige
pas que les x i soient distincts deux à deux !

Famille génératrice
Évidemment tout cela est plus facile à appréhender quand la famille de vecteurs de E est finie. Dans ce cas
si v 1 , . . . , v n sont n vecteurs de E , le sous-espace vectoriel engendré par v 1 , . . . , v n est
{ }
Vect(v 1 , . . . , v n ) = λ1 v 1 + λ2 v 2 + · · · + λn v n ; λi ∈ K, ∀1 ≤ i ≤ n .

Exercice 2.3. Soit (v i )i ∈I une famille (non nécessairement finie) de vecteurs de E . Montrer que Vect((v i )i ∈I )
est le plus petit sous-espace vectoriel de E contenant la famille (v i )i ∈I .

Famille génératrice
Définition 2.4. Soit F un sous-espace vectoriel de E et (v i )i ∈I une famille de vecteurs de E . On dit que (v i )i ∈I
est une famille génératrice de F si F = Vect((v i )i ∈I ).
( )
Exemple 2.5. — (1, 0), (1, 1) engendrent R2 .
( ) ( ) { (λ 0 ) }
1 0 0 0
— Dans M2 (R), et engendrent ; λ, µ ∈ R .
0 0 0 1 0 µ
— Dans l’espace des suites réelles, les éléments notés u (k) , k ∈ N tels que u n(k) = 0 pour n ̸= k et u k(k) = 1
(suite nulle sauf un seul terme de rang k qui vaut 1) engendrent le sous-espace vectoriel des suites nulles
à partir d’un certain rang.
— (1 + X , 1 − X ) engendrent l’espace vectoriel des polynômes de degré inférieur ou égal à 1.
— (1, cos, cos2 ) engendrent l’espace vectoriel des fonctions f de R dans R s’écrivant sous la forme f (x) =
λ + β cos(x) + µ cos(2x), λ, β, µ ∈ R.

Famille génératrice
Proposition 2.6. Soit F et G deux sous espaces vectoriels de E tels que F = Vect((v i )i ∈I ) et G = Vect((w j ) j ∈J . Alors
l’espace vectoriel somme F +G est engendré par la réunion des familles (v i )i ∈I et (w j ) j ∈J .
Dans le cas « fini », on peut écrire plus simplement que si F est engendré par les vecteurs v 1 , . . . , v n et G engendré
par les vecteurs w 1 , . . . , w m alors F +G est engendré par la famille v 1 , . . . , v n , w 1 , . . . , w m .

3 Indépendance linéaire
Indépendance linéaire
Définition 3.1 (pour une famille finie). Soit F = (v 1 , . . . , v n ) une famille finie de vecteurs. On dit que F est une
famille libre si pour tous λ1 , . . . , λn ∈ K
∑
n ( )
λi v i = 0 =⇒ ∀1 ≤ i ≤ n, λi = 0 .
i =1

Dans le cas contraire la famille est dite liée.

4
Définition 3.2 (pour une famille quelconque). Soit F = (v i )i ∈I une famille quelconque de vecteurs. On dit
que F est une famille libre si toute sous-famille finie de F est libre. Autrement dit pour tout n ≥ 1, pour tous
i 1 , . . . , i n ∈ I , distincts deux à deux, et pour tous λ1 , . . . , λn ∈ K
∑
n ( )
λk v i k = 0 =⇒ ∀1 ≤ i ≤ n, λi = 0 .
k=1

Dans le cas contraire la famille est dite liée.

Indépendance linéaire
Exemple 3.3. — Dans R2 , F = ((1, 1), (0, 1), (3, 0)) est une famille liée.
— Dans R3 , F = ((1, 0, 1), (0, 1, 1)) est une famille libre.
— Les polynômes 1 + X et 1 − X sont linéairement indépendants.
— Dans l’espace vectoriel des fonctions réelles de la variable réelle, les fonctions sin et cos sont linéaire-
ment indépendantes.
— Dans l’espace vectoriel des fonctions réelles de la variable réelle, les fonctions x 7→ x k , k ∈ N sont linéai-
rement indépendantes.
( ) ( ) ( )
1 1 0 1 −1 0
— Les matrices , et sont liées.
0 0 0 1 0 1

Proposition 3.4. Soit n ≥ 2. Une famille de n vecteurs est liée si et seulement si l’un des vecteurs est combinaison
linéaire des autres.

Indépendance linéaire
Remarque 3.5. Dans une famille libre les vecteurs sont nécessairement non nuls ! (Réciproque évidemment
fausse).

Proposition 3.6. Soit n ≥ 2. Une famille de n vecteurs est liée si et seulement si l’un des vecteurs est combinaison
linéaire des autres.

4 Bases en dimension finie

Espace finiment engendré
Définition 4.1. Soit E un espace vectoriel non réduit à {0} sur K. On dit que E est finiment engendré s’il est
engendré par une famille finie de vecteurs v 1 , . . . , v n . Autrement dit E = Vect(v 1 , . . . , v n ).

Remarque 4.2. Cette définition s’étend aux sous-espaces vectoriels.

Remarque 4.3. Les espaces qui ne sont pas finiment engendrés sont plus compliqués. Citons les fonctions
continues de R dans R, les polynômes (sans aucune limitation sur le degré), les suites réelles, etc.
Les espaces finiment engendrés courants sont Rn , Cn , Mn (R), les polynômes de degré inférieur à n (Rn [X ]),
les suites récurrents d’ordre 2, etc

Base
Définition 4.4. Soit E un espace vectoriel finiment engendré. On appelle base de E toute famille à la fois
génératrice et libre.

Remarque 4.5. Cette définition s’étend à un sous-espace vectoriel.

Remarque 4.6. — Ajouter un vecteur à une famille génératrice de E donne une famille qui ne peut pas être
libre.
— Enlever un vecteur à une famille libre de vecteurs de E donne une famille qui ne peut pas être génératrice
de E .

5
Base

Proposition 4.7. Dans un espace vectoriel finiment engendré et non réduit {0} il existe une base.

Un des résultat les plus importants est le suivant

Théorème 4.8. Dans un espace vectoriel finiment engendré et non réduit {0} toutes les bases ont le même nombre
d’éléments.

Pour démontrer ce théorème on utilisera le lemme suivant

Lemme 4.9. Si un K–espace vectoriel E possède une famille génératrice à n éléments, alors toute famille de n +1
éléments est liée.

Dimension
Comme toutes les bases d’un espace vectoriel finiment engendré ont même nombre d’éléments on peut
définir rigoureusement la dimension d’un espace vectoriel

Définition 4.10. Soit E un K–espace vectoriel finiment engendré et non réduit à {0}. On appelle dimension de
E le nombre d’éléments de toute base de E . On note dim(E ) cet entier.
Par convention si E est réduit à {0} sa dimension est 0.

Théorème 4.11. Dans un espace vectoriel de dimension n :

1. tout famille libre a au plus n éléments
2. toute famille libre de n éléments est une base
3. toute famille génératrice a au moins n éléments
4. toute famille génératrice de n éléments est une base

Sous-espace vectoriel et dimension

Proposition 4.12. Soit E un K–espace vectoriel de dimension n. Tout sous-espace vectoriel de E est de dimension
finie, inférieure ou égale à n.

Définition 4.13. On appelle rang d’une famille de vecteurs la dimension de l’espace vectoriel qu’elle engendre.

Remarque 4.14. — le rang d’une famille de p vecteurs est au plus p

— le rang d’une famille de p vecteurs est p si et seulement si cette famille est libre
— le rang d’une famille de p vecteurs est p si et seulement si cette famille est une base de l’espace vectoriel
qu’elle engendre.
— Si F s.e.v de E et dim F = dim E alors E = F .

Base et coordonnées
Comment un K–espace vectoriel de dimension n peut s’identifier à Kn ? Par les coordonnées !

Théorème 4.15. Soit E un K–espace vectoriel de dimension n et e 1 , . . . , e n une base de E . Pour tout vecteur v de
E il existe un unique n-uplet d’éléments de K, (λ1 , . . . , λn ) tel que

∑
n
v= λi e i .
i =1

Conséquence
Il existe une bijection entre un K–espace vectoriel de dimension n et Kn , nous verrons ultérieurement que
c’est un isomorphisme.

6
Base incomplète
Il nous reste le fameux théorème de « la base incomplète ».
Théorème 4.16. Soit E un K–espace vectoriel de dimension n. Soit (v 1 , . . . , v l ) une famille libre qui n’est pas une
base de E (donc l < n) et soit (w 1 , . . . , w m ) une famille génératrice (nécessairement n ≤ m). Alors il existe n − l
indices i 1 , . . . , i n−l ∈ {1, . . . , m} tels que
(v 1 , . . . , v l , w i 1 , . . . , w i n−l ) est une base de E .
Corollaire 4.17. Soit E un K–espace vectoriel de dimension n. Soit (v 1 , . . . , v l ) une famille libre qui n’est pas une
base de E (donc l < n). Il existe n − l vecteurs w 1 , . . . , w n−l tels que
(v 1 , . . . , v l , w 1 , . . . , w n−l ) est une base de E .

Application du théorème de la base incomplète

Proposition 4.18. Soit F et G deux sous-espaces vectoriels d’un K–espace vectoriel E de dimension fini. Alors
dim(F +G) = dim F + dimG − dim(F ∩G).

Hyperplan
Définition 4.19. Soit E un K–espace vectoriel de dimension n. Un hyperplan est sous-espace vectoriel de E
admettant un sous-espace vectoriel supplémentaire de dimension 1.
Remarque 4.20. La définition 4.19 se généralise à la dimension infinie. Ce qui compte est la dimension du
supplémentaire.
Proposition 4.21. Dans un K–espace vectoriel de dimension n. Soit H un sous-espace vectoriel de E . Les deux
assertions sont équivalentes
1. H est un hyperplan
2. H est de dimension n − 1.

5 Applications linéaires
Applications linéaires - en toute généralité
Définition 5.1. Soit E et F deux K–espaces vectoriels. Une application f de E dans F est appelée application
linéaire de E dans F si
∀v, w ∈ E , f (v + w) = f (v) + f (w),
∀v ∈ E , ∀λ ∈ K, f (λv) = λ f (v).
Remarque 5.2. Comme f est un morphisme de (E , +) dans (F, +) on retrouve d’après le chapitre sur les groupes
que
f (0E ) = 0F , f (−v) = − f (v).
Proposition 5.3. Soit E et F deux K–espaces vectoriels et f une application de E dans F . Les trois affirmations
suivantes sont équivalentes
1. f est une application linéaire
2. ∀v, w ∈ E , ∀λ, µ ∈ K, f (λv + µw) = λ f (v) + µ f (w).
3. Pour tout n ≥ 1,
(∑
n ) ∑n
∀v 1 , . . . , v n ∈ E , ∀λ1 , . . . , λn , f λk v k = λk f (v k ).
k=1 k=1
Définition 5.4. Soit E et F deux K–espaces vectoriels et f une application de E dans F . Les appellations cou-
rantes sont
— f morphisme si f linéaire
— f isomorphise si f linéaire et bijective
— f endomorphisme si f linéaire et E = F
— f automorphisme si E = F et f linéaire et bijective

7
Notation et composée

Définition 5.5. Soit E et F deux K–espaces vectoriels. On note L (E , F ) l’ensemble des applications linéaires
de E dans F .
L’application identité de E , x 7→ x, est notée IdE .

Proposition 5.6. Soit E , F et G trois K–espaces vectoriels. Soit f ∈ L (E , F ) et g ∈ L (F,G). Alors g ◦ f ∈ L (E ,G).

Image et image réciproque d’un sev

Théorème 5.7. Soit E et F deux K–espaces vectoriels et f une application linéaire de E dans F .
1. Soit A est un sous-espace vectoriel de E . L’image de A par f , notée f (A), est un sous-espace vectoriel de F .
On rappelle que
{ }
f (A) = f (v) ; v ∈ E .

2. Soit B est un sous-espace vectoriel de F . L’image réciproque de B par f , notée f −1 (B ) est un sous-espace
vectoriel de E . On rappelle que
{ }
f −1 (B ) = v ∈ E ; f (v) ∈ B .

Noyau et Image

Définition 5.8. Soit E et F deux K–espaces vectoriels et f une application linéaire de E dans F . On appelle
1. image de f , noté Im( f ), le sous-espace vectoriel f (E ),
{ }
Im( f ) = f (E ) = f (v) ; v ∈ E

2. noyau de f , noté Ker( f ), l’image réciproque de {0F } par f ,

{ }
Ker( f ) = f −1 ({0F }) = v ∈ E f (v) = 0F .

Remarque
Comme E est un espace-vectoriel, comme {0F } est sous-espace vectoriel (trivial) de F et comme f est linéaire
on en déduit que Ker( f ) et Im( f ) sont des sous-espaces vectoriels.

Noyau et Image
Comme pour les groupes le noyau et l’image permettent de caractériser l’injectivité ou la surjectivité d’une
application linéaire

Proposition 5.9. Soit E et F deux K–espaces vectoriels et f une application linéaire de E dans F . Alors
1. f est surjective si et seulement si Im( f ) = F .
2. f est injective si et seulement si Ker( f ) = {0E }.

Preuve
En fait pas de preuve à faire. Pour la surjectivité il faut juste traduire ce que cela veut dire.
Pour l’injectivité, comme f est un morphisme de groupe de (E , +), dans (F, +) le résultat découle du cours
sur les groupes !

8
6 Applications linéaires et dimension finie
Applications linéaires et dimension finie
En dimension finie on peut s’intéresser à la dimension de l’image, la dimension du noyau, à l’image d’une
famille libre, trouver des bases « spéciales » dans lesquelles l’écriture de f est simplifiée, etc. Commençons par
le rang d’une application linéaire
Définition 6.1. Soit E et F deux K–espaces vectoriels de dimension finie et f une application linéaire de E
dans F . On appelle rang de f la dimension de l’image de f , Im( f ),
rang( f ) = dim(Im( f )).

Conséquence
Si E est de dimension n, alors E est engendré par une base, v 1 , v 2 , . . . , v n . Ainsi Im( f ) = f (E ) est engendré par
f (v 1 ), . . . , f (v n ) (on ne sait pas si c’est une base), dont le rang est au plus n, donc dim(Im( f )) ≤ n.
De plus Im( f ) est un sous-espace vectoriel de F , donc de dimension inférieure à dim(F ).
{ }
Conclusion : rang( f ) ≤ min dim(E ), dim(F ) .

Application linéaire et familles libre, génératrice

Théorème 6.2. Soit E et F deux K–espaces vectoriels de dimension finie et f une application linéaire de E dans
F . Alors
1. f est sujective si et seulement si l’image par f de toute famille génératrice de E est une famille génératrice
de F .
2. f est injective si et seulement si l’image par f de toute famille libre dans E est une famille libre dans F .
3. f est bijective si et seulement si l’image de toute base de E est une base de F .

Dimension, injectivité, surjectivité

La conséquence des résultats précédents est
Corollaire 6.3. Soit E et F deux K–espaces vectoriels de dimension finie et f une application linéaire de E dans
F.
1. Si f est injective alors dim(E ) ≤ dim(F ).
2. Si f est surjective alors dim(E ) ≥ dim(F ).
3. Si f est bijective alors dim(E ) = dim(F ).
et une caractérisation de la bijectivité en fonction des dimensions et du caractère injectif ou surjectif
Corollaire 6.4. Soit E et F deux K–espaces vectoriels de même dimension (finie) et f une application linéaire de
E dans F . Alors f est bijective si et seulement si f est injective ou surjective.

Théorème du rang
Comme au 1er semestre, il existe un lien fort entre les dimensions du noyau, de l’image et de l’espace vecto-
riel de départ.
Théorème 6.5 (Théorème du rang). Soit E et F deux K–espaces vectoriels de dimension finie et f une applica-
tion linéaire de E dans F . Alors
dim(Im( f )) + dim(Ker( f )) = dim(E ),
ce qui s’écrit aussi
rang( f ) + dim(Ker( f )) = dim(E ).
Exemple 6.6. Dans R , l’ensemble {(x, y, z, t ) ∈ R4 ; 2x +3y +4z −6t = 0} est un sous-espace vectoriel de dimen-
4

sion 3. Il suffit de considérer f définie de R4 dans R,

f (x, y, z, t ) = 2x + 3y + 4z − 6t .
f est une application linéaire de R dans R, Im( f ) = R, donc rang( f ) = 1. On en déduit que dim(Ker( f )) =
4

4 − 1 = 3.