Résumé de cours d’algèbre linéaire de Math Sup

et compléments

I. Espaces vectoriels - Sous espaces vectoriels

1) Structure de K-espace vectoriel.
Soit K = R ou C. Soit E un ensemble non vide muni d’une l.d.c.i. notée + et d’une l.d.c.e. de domaine K notée..
(E, +, .) est un K-espace vectoriel ⇔ (E, +) est un groupe abélien (c’est-à-dire que + est commutative, associative,
possède un élément neutre noté 0 et tout x de E possède un symétrique pour + noté −x) et de plus, + et . vérifient
quatre axiomes :

∀(λ, µ) ∈ K2 , ∀(x, y) ∈ E2 , (1) λ.(x + y) = λ.x + λ.y (2) (λ + µ).x = λ.x + µ.x (3) λ.(µx) = (λµ)x (4) 1.x = x.

2) Exemples de K-espaces vectoriels supposés connus.

(Dans les exemples qui suivent les opérations ne sont pas citées et sont toujours les opérations usuelles dans les
ensembles considérés.)
1. (C, +, .) est un R-espace de dimension 2 (les nombres ou scalaires sont les réels et les vecteurs sont les complexes).
(C, +, .) est un C-espace de dimension 1 (les nombres ou scalaires sont les complexes et les vecteurs sont
les complexes).
2. (Kn , +, .) sur K (modèle de l’espace de dimension n sur K, tout espace de dimension n sur K est isomorphe
à Kn ).

3. KN , +, . est un K-espace de dimension infinie (suites à coefficients dans K) (les vecteurs sont les suites).
4. (K[X], +, .) est un K-espace de dimension infinie (polynômes à coefficients dans K).
5. (K(X), +,
.) est un K-espace de dimension infinie (fractions rationnelles).
6. RR , +, . est un R-espace de dimension infinie (applications de R dans R) et plus généralement FA , +, . où A


est un ensemble quelconque et (F, +, .) est un R-espace vectoriel.
7. (L (E, F), +, .) et donc en particulier L (E) et L (E, K) = {formes linéaires sur E}.
8. (E1 × E2 × ... × En , +, .) quand les (Ei , +, .) sont des K-espaces vectoriels.
9. (Mn,p (K), +, .)
(les vecteurs sont les matrices).
10. Ck (I, K), +, . (les vecteurs sont les fonctions) et (C∞ (I, K), +, .).
3) Sous espaces vectoriels
a) Définition et caractérisation

F sev de E ⇔ F ⊂ E et F stable pour + et . et F est un K-ev pour les lois induites

def
⇔ F ⊂ E et 0E ∈ F et F stable pour + et .
th
⇔ F ⊂ E et 0E ∈ F et ∀(x, y) ∈ F2 , x + y ∈ F et ∀λ ∈ K, λx ∈ F
th
⇔ F ⊂ E et 0E ∈ F et ∀(λ, µ) ∈ K2 , ∀(x, y) ∈ F2 , λx + µy ∈ F
th

Un sous-espace vectoriel F est stable par combinaison linéaire : toute combinaison linéaire d’une famille de vecteurs
de F est un vecteur de F.
b) Intersection et somme
def : Si F et G sont des sev, F + G = {x + y, (x, y) ∈ F × G}. F + G est l’ensemble des sommes d’un élément de F et
d’un d’éléments de G. Plus généralement, F1 + . . . + Fp = {x1 + . . . + xp , (x1 , . . . , xp ) ∈ F1 × . . . × Fp }.
Th : Si F et G sev de E alors F ∩ G et F + G sont des sev de E et plus généralement si F1 , F2 ,..., Fp sont des sev \ alors
F1 ∩ F2 ∩ ... ∩ Fp et F1 + F2 ... + Fp sont des sev. Plus généralement encore, si (Fi )i∈I est une famille de sev de E, Fi
i∈I
est un sev de E.
Remarque. F ∪ G n’est pas un sev en général. Vect(F ∪ G) = F + G. F ∪ G sev ⇔ F ⊂ G ou G ⊂ F.
c) Sous-espaces classiques


• Dans KN , +, . , l’ensemble des suites bornées (ℓ∞ (K)), l’ensemble des suites convergentes, l’ensemble des suites
convergentes de limite nulle, l’ensemble des suites sommables (ℓ1 (K)) sont des sev. Si de plus K = R, l’ensemble des
suites de carré sommable (ℓ2 (R)).
• Dans KI , +, . (espace des fonctions de I ⊂ R à valeurs dans K), les fonctions bornées sur I, Cn (I, K (n ∈ N),

C∞ (I, K), Dn (I, K)) (n ∈ N∗ ), les fonctions polynomiales sur
I . . . sont des sev. Mais par exemple, l’ensemble des
fonctions réelles croissantes sur I n’est pas un sev de RI , +, . .

© Jean-Louis Rouget, 2022. Tous droits réservés. 1 http ://www.maths-france.fr

• Dans (Mn (K), +, .), Sn (K), An (K), Tn,s (K) ou Tn,i (K), Dn (K) sont des sev.
4) Sommes directes de deux sous-espaces. Sous-espaces vectoriels supplémentaires
Soient F et G deux sev de E.
La somme F + G est directe ⇔ tout x de F + G s’écrit de manière unique sous la forme x = x1 + x2 où x1 ∈ F et x2 ∈ G
def
⇔ l’application F × G → E est injective
def
(x, y) 7→ x + y
⇔ F ∩ G = {0}.
th
Dans ce cas, F + G se note F ⊕ G. F ⊕ G est isomorphe à F × G.
F et G sont supplémentaires ⇔ tout x de E s’écrit de manière unique sous la forme x = x1 + x2 où x1 ∈ F et x2 ∈ G
def
⇔ l’application F × G → E est bijective
def
(x, y) 7→ x + y
⇔ E = F + G et F ∩ G = {0}.
th

L’existence d’un supplémentaire est démontrée en dimension finie mais ne peut pas être utilisée en dimension infinie.
Un sous-espace admet le plus souvent une infinité de supplémentaires et on ne doit donc pas dire « le supplémentaire
... » mais on doit dire « un supplémentaire de F ».
Exemples. CR = P ⊕ I (décomposition d’une fonction f en somme d’une fonction paire et d’une fonction impaire :
1 1
pour tout x de R, f(x) = (f(x) + f(−x)) + (f(x) − f(−x)))).
2 2
Mn (K) = Sn ⊕ An (décomposition d’une matrice carrée M en somme d’une matrice symétrique et d’une matrice
1 1
anti-symétrique : M = (M + t M) + (M − t M)).
2 2
5) Projections et symétries.
Soient F et G deux sev supplémentaires de E. Soient p la projection sur F parallèlement à G, q la projection sur G
parallèlement à F et s la symétrie par rapport à F parallèlement à G.
Soit x = x1 + x2 la décomposition d’un vecteur quelconque x de E associée à la décomposition E = F ⊕ G. Alors par
définition p(x) = x1 et s(x) = x1 − x2 .
a) • ∀x ∈ E, p(x) = x1 et q(x) = x2 .
• p ∈ L (E), p ◦ p = p, p ◦ q = q ◦ p = 0, p + q = IdE .
• F = Im(p) = Ker(q) = Ker(Id − p) = {invariants par p} et G = Ker(p) = Im(q) = Im(Id − p).
• p/Imp = Id/Imp et p/Kerp = 0/Kerp .
Th : Réciproquement, si p est un endomorphisme vérifiant p ◦ p = p alors Im(p) et Ker(p) sont supplémentaires puis
p est la projection sur Imp parallèlement à Kerp.
b) • ∀x ∈ E, s(x) = x1 − x2
• s ∈ GL(E), s ◦ s = Id
• F = Ker(s − Id) = {invariants par s} et G = Ker(s + Id) = {x ∈ E/ s(x) = −x}
1
• s = 2p − Id = Id − 2q et p = (Id + s)
2
Réciproquement si s est un endomorphisme de E vérifiant s◦s = Id alors Ker(s−Id) et Ker(s+id) sont supplémentaires
puis s est la symétrie par rapport à Ker(s − Id) parallèlement à Ker(s + Id).
6) Combinaisons linéaires et sous-espace engendré par une famille ou une partie de E
a) Combinaisons linéaires
Soit (λi )i∈I une famille non vide de scalaires. Cette famille est dite à support fini si et seulement si l’ensemble des
indices i tels que λi est non nul est fini (éventuellement vide).
Soient (xi )i∈I une famille de vecteurs de E et y un vecteur de E.
X
y est combinaison linéaires de la famille (xi )i∈I ⇔ ∃ (λi )i∈I ∈ KI à support fini telle que y = λi x i .
i∈I
Xn
Si I = J1, pK, une combinaison linéaire de la famille (xi )16i6n est un vecteur de la forme y = λi xi . On note que,
i=1
dans tous les cas, que la famille (xi )i∈I soit finie ou infinie, une combinaison linéaire est toujours finie.
Soient X une partie de E et y un vecteur de E. X
y est combinaison linéaire des vecteurs de X ⇔ ∃(λx )x∈X ∈ KX à support fini telle que y = λx x
x∈X
X
(Convention : si X est vide, λx x = 0).
b) Sous espace engendré par une famille ou une partie

© Jean-Louis Rouget, 2022. Tous droits réservés. 2 http ://www.maths-france.fr

Approche externe. Soit X une famille (resp. une partie) (éventuellement vide) de vecteurs de E (resp.de E). Il existe
un et un seul plus petit sous-espace vectoriel de E (pour l’inclusion) contenant X. Il est noté Vect(X). C’est l’intersection
de tous les sous-espaces vectoriels de E contenant X (et donc Vect(∅) = {0}).
Approche interne. Vect(X) est l’ensemble des combinaisons linéaires d’éléments de X (y compris si X = ∅ si on
adopte la convention
 qu’une combinaison
linéaire vide est nulle). En particulier, Vect(0) = {0}, Vect(u) = {λu, λ ∈ K},
Vect(u, v) = λu + µv, (λ, µ) ∈ K2 , ...
c) Propriétés.
X 
• Vect(xi ) = {C.L. des xi } = λi xi , (λi ) à support fini = plus petit sev de E contenant (xi ).
• A ⊂ Vect(A).
• A = Vect(A) ⇔ A sev de E.
• A ⊂ B ⇒ Vect(A) ⊂ Vect(B) (réciproque fausse).
• Vect(Vect(A)) = Vect(A), Vect(A ∪ B) = Vect(A) + Vect(B), Vect(A + B) = Vect(A) + Vect(B),
Vect(A ∩ B) ⊂ Vect(A) ∩ Vect(B).

Résumé des différentes techniques de sup permettant de montrer qu’un sous-ensemble F de E est
un sev de E.
−
→
• Montrer que F contient le vecteur nul et est stable par combinaisons linéaires (0E ∈ F et
−
∀ → −
x ,→ −
y ∈ F2 , ∀(λ, µ) ∈ R2 , λ→

−
x + µ→
y ∈ F).

• Montrer que F est l’intersection ou la somme de deux sev (F = G ∩ H ou F = G + H).

• Montrer que F est l’espace engendré par une certaine famille de vecteurs (F = Vect −
→
).
ui i∈I

• Montrer que F est le noyau d’une application linéaire.

• Montrer que F est l’orthogonal d’une partie A de E pour un certain produit scalaire (F = A⊥ ).

II. Familles libres. Familles génératrices. Bases

1) Familles libres
p
!
X
p
(xi )16i6p est libre ⇔ ∀(λi )16i6p ∈ K , λi xi = 0 ⇒ ∀i ∈ J1, pK, λi = 0 .
i=1 !
X
(xi )i∈I est libre ⇔ ∀(λi )i∈I ∈ KI à support fini, λi xi = 0 ⇒ ∀i ∈ I, λi = 0 .
i∈I X
(xi )i∈I est liée ⇔ ∃(λi )i∈I ∈ KI à support fini et les λi non tous nuls telle que λi xi = 0.
i∈I
Une telle relation est alors une relation de dépendance linéaire.
Une famille infinie est libre si et seulement si toute sous famille finie est libre.
Une famille infinie est liée si et seulement si il existe une sous famille finie liée.
Soit L = (xi )i∈I une famille de vecteurs de E.
−
→
• Si L contient 0 ou 2 vecteurs égaux ou deux vecteurs colinéaires, L est liée (réciproque fausse).
• L est liée ⇔ ∃k ∈ I tel que xk est combinaison linéaire de la famille (xi )i∈I, i6=k .
• Toute sur famille d’une famille liée est liée. Toute sous famille d’une famille libre est libre
(Convention : ∅est libre)
X X 
• L est libre ⇔ λi x i = µi xi ⇔ ∀i, λi = µi (on peut identifier les coefficients quand L est libre
et uniquement quand L est libre)
• Soit L ′ = L ∪ {x}. (L libre et L ′ liée) ⇒ x est C.L. des vecteurs de L.
Erreur classique : si les vecteurs de la famille sont deux à deux non colinéaires, la famille n’est pas nécessairement
libre (penser à trois vecteurs deux à deux non colinéaires dans un même plan vectoriel). La phrase « les vecteurs sont
deux à deux non colinéaires et donc la famille est libre » est totalement fausse.
2) Familles génératrices
(xi )i∈I est génératrice de E ⇔ Vect(xi )i∈I = E ⇔ tout vecteur
X de E est combinaison linéaire des vecteurs de la famille
(xi )i∈I ⇔ ∀x ∈ E, ∃ (λi )i∈I à support fini telle que x = λi x i .
i∈I

Toute sur famille d’une famille génératrice est génératrice.

© Jean-Louis Rouget, 2022. Tous droits réservés. 3 http ://www.maths-france.fr

3) Bases
B = (xi )i∈I base de E ⇔ tout x de E s’écrit de manière unique X comme combinaison linéaire des xi ⇔ B est libre et
génératrice ⇔ ∀x ∈ E, ∃! (λi )i∈I à support fini telle que x = λi x i .
i∈I
X
Si x = λi xi , (λi )i∈I sont les coordonnées de x dans la base B = (xi )i∈I .
iinI

Th : Les bases de E sont les parties génératrices minimales pour l’inclusion ou libres maximales.
Quasiment jamais utilisé sous cette forme, mais on utilise plutôt des conséquences du genre : si x ∈
/ B, B ∪ {x} n’est
plus libre et si x ∈ B, B \ {x} n’est plus génératrice.

Résumé des différentes techniques de sup permettant de montrer qu’une famille de vecteurs est
une base de E ou simplement une famille libre.

• En dimension quelconque, B est une base si B est libre et génératrice.

• En dimension finie n ∈ N∗ (la dimension est donc supposée connue), si une famille B est libre de
cardinal n, alors B est une base de E et si B est libre de cardinal n, alors B est une base.

• Si E est de dimension finie n ∈ N∗ , si B0 est une base connue de E et si B est une famille de n
vecteurs, alors B est une base de E si et seulement si detB0 (B) 6= 0 (souvent le plus efficace).

• Si F est une famille de p vecteurs, F est libre si et seulement si le rang r de F est égal au
cardinal p de la famille. Si de plus dim(E) = n, F est une base de E si et seulement si r = p = n.

• Si B est une famille d’un espace E ′ qui est l’image d’une base B0 de E par un isomorphisme, alors
B est une base de E ′ .

• Si E est muni d’un produit scalaire, une famille orthogonale de vecteurs tous non nuls est libre
et en particulier une famille orthonormale est libre.

III. Applications linéaires

1) Définition Soient E et F deux K-ev et f une application de E vers F.

f linéaire ⇔, ∀(x, y) ∈ E2 , f(x + y) = f(x) + f(y) et ∀λ ∈ K, ∀x ∈ E, f(λx) = λf(x)

⇔ ∀(λ, µ) ∈ K2 , ∀(x, y) ∈ E2 , f(λx + µy) = λf(x) + µf(y).

Si f est linéaire , on a toujours f(0E ) = 0F .

Vocabulaire usuel.
Endomorphisme de E = application linéaire de E vers E.
Isomorphisme de E sur F = application linéaire bijective de E sur F.
Automorphisme de E = application linéaire bijective de E sur E = isomorphisme de E sur E.
Forme linéaire sur E = application linéaire de E vers K.
2) Images directes et réciproques
Th : Soient E et F deux K-espaces vectoriels et f linéaire de E dans F.
L’image directe d’un sous espace de E par f est un sous espace de F.
L’image réciproque d’un sous espace de F par f est un sous espace de E.
En particulier : Ker(f) = {x ∈ E/ f(x) = 0F } = f−1 {0F } est un sous espace de E. Im(f) = {f(x), x ∈ E} = f(E) est un
sous espace de F.
Th : (f injective ⇔ Ker(f) = {0}) (f surjective ⇔ Im(f) = F) (f bijective ⇔ Ker(f) = {0} et Im(f) = F).
Th : Soit f linéaire de E vers F. Si X est génératrice de E, f(X) est génératrice de f(E) = Im(f) et en particulier si f
est surjective, f(X) est génératrice de F.
En particulier, si dim(E) = n puis (ei )16i6n est une base de E, alors (f (ei ))16i6n est une famille génératrice de Im(f)
(très utilisé dans la pratique).
Th : Soit f linéaire de E vers F. Si f est linéaire et X est liée alors f(X) est liée.
Si f est injective et X est libre dans E alors f(X) est libre dans F.
Th : Soit f linéaire de E vers F. f est un isomorphisme de E sur F si et seulement si l’image par f d’une base donnée
de E est une base de F.

© Jean-Louis Rouget, 2022. Tous droits réservés. 4 http ://www.maths-france.fr

Détermination d’une application linéaire. Soient (ei )i∈I une base de E et f ∈ L(E, F). f est entièrement déterminée
par les f (ei ), i ∈ I, et en particulier une application linéaire qui s’annule sur une base est nulle et deux applications
linéaires qui coïncident sur une base sont égales.
3) Ensembles d’applications linéaires
(L (E, F), +, .) est un K-espace vectoriel. En particulier, (L (E), +, .) est un K-ev
(L (E), +, ◦) est un anneau (non commutatif si dim(E) > 1).
(GL(E), ◦) est un groupe, non commutatif si dimE > 1.
GL(E) =groupe linéaire de E = {automorphismes de E} = {inversibles de L (E) pour ◦}.
Danger : si u et v sont dans GL(E), u + v ne l’est que très rarement.
(L (E, K), +, .) est un K-espace vectoriel. (L(E, K) = {formes linéaires sur E}.
Si dim(E) < +∞, (SL(E), ◦) est un groupe. (SL(E) = {endomorphismes de déterminant égal à 1}).

IV. Dimension des espaces vectoriels

1) Dimension
E est dit de dimension finie sur K si et seulement si E admet une partie ou une famille génératrice finie. E est dit de
dimension infinie sinon.
E est aussi dit de dimension infinie si et seulement si E contient une famille libre infinie.
Théorème de la dimension finie et définition. Si E de dimension finie, E admet au moins une base, toutes les
bases ont même cardinal (fini) et dimK E est le cardinal d’une base quelconque.
(Convention : ∅ est une base de {0} et dim{0} = 0)
dimK Kn = n et si ei = (0, 0, ...0, 1, 0, ..., 0) alors B = (ei )16i6n est une base de Kn appelée base canonique de Kn .
Deux espaces vectoriels E et F de dimensions finies sont isomorphes si et seulement si ils ont même dimension. Si
dimE = n < +∞, E est isomorphe à Kn .
2) Familles libres et génératrices en dimension finie
Soit n = dimE < +∞.
Si L est libre alors card(L) 6 n et de plus (L base de E ⇔ card(L) = n)
Si G est génératrice de E alors card(G) > n et de plus (G base de E ⇔ card(G) = n)
Th : Si E est de dimension finie n et si B est une famille de vecteurs de E, 2 des 3 propositions suivantes entrainent
la troisième :

(1) card(B) = n (2) B est libre (3) B est génératrice de E

Théorème de la base incomplète. Soit L libre dans E (dimE < +∞), L peut être complétée en une base de E.
Si dimE < +∞, E admet des bases. Si dimE < +∞, de toute partie ou famille génératrice de E on peut extraire une
base.
3) Sous-espaces d’un espace de dimension finie
Th : Soit n = dimE < +∞ et soit F sev de E alors (dimF 6 n et dimF = n ⇔ F = E) (faux en dimension infinie).
Th (sev supplémentaires) : Soit n = dimE < +∞ et F sev de E. F admet au moins un supplémentaire. Tout
supplémentaire a pour dimension : dimE − dimF.
Plus généralement, dim(F ⊕ G) = dimF + dimG.
Th : Soient F et G sev de E (dimE < +∞).
(E = F ⊕ G) ⇔ F ∩ G = {0} et F + G = E ⇔ F ∩ G = {0} et dimF + dimG = dimE) ⇔ (F + G = E et dimF + dimG = dimE)
4) Rang
a) d’une famille de vecteurs
Soit X = (xi )16i6p une famille de p vecteurs de E. rg (xi )16i6p = dimVect (xi )16i6p = maximum du cardinal d’une
sous-famille libre de (xi )16i6p .
Si X est une famille de vecteurs de E de rang r et si A est une sous-famille de S : si A est libre alors card(A) 6 r ou
encore si card(A) > r, A est liée.
Soient n = dim(E), r = rg (xi )16i6p (et p = card (xi )16i6p ).
• r 6 p et (r = p ⇔ (xi )16i6p est libre).
• r 6 n et (r = n ⇔ (xi )16i6p est génératrice de E).
• (xi )16i6p base de E ⇔ r = p = n).
b) d’une application linéaire
Soit f ∈ L (E, F). rg(f) = dim(Im(f)). Si dim(E) = n < +∞ et (ei )16i6n est une base quelconque de E, rg(f) =
 
rg (f (ei ))16i6n .

Théorème du rang. Soit f ∈ L(E, F) où E est de dimension finie.

La restriction de f à un supplémentaire S de Ker(f) dans E réalise un isomorphisme de S sur Im(f).

© Jean-Louis Rouget, 2022. Tous droits réservés. 5 http ://www.maths-france.fr

En particulier, dim(E) = rg(f) + dim(Ker(f)) ou aussi rg(f) = dim(E) − dim(Ker(f)).
Théorème. Si dimE = dimF < +∞ alors f ∈ L(E, F) est injective ⇔ f est surjective ⇔ f est bijective.
Théorème. Si n = dimE < +∞ et f ∈ L(E) les propriétés suivantes sont équivalentes :
1) f bijective
2) f injective
3) f surjective
4) Ker(f) = {0}
5) Im(f) = E
6) rg(f) = n
7) l’image d’une base de E par f est une base de E
8) det(f) 6= 0
9) la matrice de f dans une base donnée de E est inversible
10) f inversible à droite (pour ◦) ou f inversible à gauche ou f inversible
11) f simplifiable à gauche (pour ◦) ou f est simplifiable à droite ou f est simplifiable
c) Transformations d’une famille de vecteurs ne modifiant pas le rang (car ne modifiant pas le sous-espace
engendré).
Les transformations suivantes ne modifie pas le rang d’une famille F car ne modifie pas le sous-espace engendré :
• permuter les vecteurs de F .
• remplacer un vecteur x de F par λx où λ est un nombre non nul.
• ajouter à un vecteur x de F un autre vecteur de F .
• ajouter à un vecteur x de F une combinaison linéaire des autres vecteurs de F .
• supprimer un vecteur nul ou plus généralement supprimer un vecteur combinaison linéaire des autres vecteurs
5) Dimensions usuelles
dim(E × F) = dimE + dimF et dim(E1 × ... × Ep ) = dimE1 + ... + dimEp .
dim(F ⊕ G) = dim(F) + dim(G).
dim(L(E, F)) = dimE × dimF et en particulier dim(L(E)) = (dim(E))2 et dim(L (E, K )) = dim(E).
dim(F + G) = dim(F) + dim(G) − dim(F ∩ G) (relation de Grassmann).
6) Formes linéaires. Hyperplans
a) Formes linéaires.
Une forme linéaire sur E est une application linéaire de E dans K. L’ensemble des formes linéaires sur E est l’espace
vectoriel L (E, K). Si dim(E) < +∞, dim(L (E, K)) = dim(E).
Exemples classiques.
+∞
X P(i) (0)
Sur K[X], ϕ : P 7→ P(a) (évaluation en a) ou ϕi : P = ak Xk 7→ ai = sont des formes linéaires.
i!
k=0
Zb
0
Sur C ([a, b], K), f 7→ f(x) dx est une forme linéaire.
a
Sur Mn (K), A 7→ Tr(A) est une forme linéaire.
Sur l’espace des suites convergentes, u 7→ lim un est une forme linéaire.
u→+∞

Def et th : Soient E un K-ev de dimension finie n ∈ N∗ puis B = (ei )16i6n une base de E. La i-ème forme coordonnée
X
dans la base B est l’application e∗i : x = nxj ej 7→ xi . Les e∗i , 1 6 i 6 n, sont des formes linéaires sur E. Elles sont
j=1
entièrement déterminées par les égalités : ∀(i, j) ∈ J1, nK2 , e∗i (ej ) = δi,j .
b) Hyperplans.
Si E est de dimension quelconque, un hyperplan de E est le noyau d’une forme linéaire non nulle. Si dim(E) = n > 2,
un hyperplan de E est un sev de E de dimension n − 1 d’après le théorème du rang.
Si E est de dimension finie n ∈ N∗ et B = (ei )166n est une base donnée de E, les formes linéaires sur E sont les
n
X n
X
applications de la forme x = xi ei 7→ ai xi où (a1 , . . . , an ) ∈ Kn .
i=1 i=1
Dans B, un hyperplan H a donc une équation de la forme : a1 x1 + . . . + an xn = 0 où a1 , . . . , an sont n nombres non
tous nuls donnés. De plus, « deux équations d’un même hyperplan sont proportionnelles ».
Th : Soit E un K-espace vectoriel de dimension quelconque. Soit F un sev de E. F est un hyperplan de E si et seulement
si il existe D droite vectorielle telle que E = F ⊕ D.
Th : Soit E un espace de dimension finie.
• Un sev de dimension p ∈ J1, n − 1K est l’intersection de n − p hyperplans.
• Inversement, une intersection de n − p hyperplans est un sev de dimension supérieure ou égale à n − p.

© Jean-Louis Rouget, 2022. Tous droits réservés. 6 http ://www.maths-france.fr

V. Sous-espaces affines
Soit E un K-espace vectoriel. Soient A et B deux points de E et → − −
u un vecteur de E. La notation B = A + →
u signifie
−
→ −
→ −→
u = B − A ou u = AB ou B = t→ −
u (A).
 − −
Soit E un K-espace vectoriel. Un sous-espace affine de E est un sous-ensemble de la forme F = A+F = A + → u, →
u ∈F
où A est un point de E (ou encore un élément de E) et F est un sev de E. Dans ce cas, F est uniquement défini (mais
pas A) et s’appelle la direction du sous-espace affine F .
La dimension du sous-espace affine F est la dimension de sa direction F.
Th : L’intersection de deux sous-espaces affines F et G , de directions respectives F et G, est soit vide, soit un
sous-espace affine de direction F ∩ G.
 
Si E est de dimension finie n et R = (O, B) = O, (ei )16i6n est un repère de E, un hyperplan affine a une
équation de la forme a1 x1 + . . . + an xn = b, (a1 , . . . , an ) 6= (0, . . . , 0), et réciproquement un sous-ensemble d’équation
a1 x1 + . . . + an xn = b, (a1 , . . . , an ) 6= (0, . . . , 0), est un hyperplan affine de direction l’hyperplan vectoriel d’équation
a1 x1 + . . . + an xn = 0 dans B.
Plus généralement, un sous-espace affine de dimension n − p admet un système d’équation de la forme

 a1,1 x1 + . . . + a1,n xn = b1
.

ap,1 x1 + . . . + ap,n xn = bp 
 a1,1 x1 + . . . + a1,n xn = b1
Inversement, l’ensemble des solutions d’un système de la forme est soit vide, soit un

ap,1 x1 + . . . + ap,n xn = bp
sous-espace affine de dimension n − r où r est le rang du système et en particulier de dimension supérieure ou égale à
n − p.
Th : Si u ∈ L (E, F) et a ∈ F, l’ensemble S des solutions de l’équation u(x) = a (E ) est soit vide (si a ∈/ Im(u)),
soit un sous-espace affine de E de dimension Ker(u) (si a ∈ Im(u)) : S = x0 + Ker(u) (la solution générale de (E ) est
somme d’une solution particulière de (E ) et de la solution générale de l’équation homogène associée).

© Jean-Louis Rouget, 2022. Tous droits réservés. 7 http ://www.maths-france.fr