Académique Documents
Professionnel Documents
Culture Documents
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
(u 1 , v 1 ) + (u 2 , v 2 ) = (u 1 + u 2 , v 1 + v 2 )
Remarque 1.6. On définit alors aisément Kn , K étant un espace vectoriel sur lui-même.
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
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
∑
n
∀v 1 , . . . , v n ∈ F, ∀λ1 , . . . , λn , λi v i ∈ F.
i =1
Sous-espace vectoriel
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
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
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.
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 4.6. — 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.
Théorème 4.8. Dans un espace vectoriel finiment engendré et non réduit {0} toutes les bases ont le même nombre
d’éléments.
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.
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.
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 .
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).
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
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 ) .
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
4 − 1 = 3.