Cours D'algèbre Linéaire

Algèbre linéaire
C. Dezélée
February 12, 2018
Contents
1 Espaces vectoriels 3
1.1 Définition, espaces vectoriels classiques . . . . . . . . . . . . . . . 3
1.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Sous-espace vectoriel engendré par une famille de vecteurs . . . . 5
1.4 Produit cartésien, intersection . . . . . . . . . . . . . . . . . . . . 6
1.5 Somme de s.e.v., somme directe, supplémentaires . . . . . . . . . 6
1.6 Famille génératrice, famille libre, base . . . . . . . . . . . . . . . 8
2 Applications linéaires 10
2.1 Définitions, propriétés élémentaires . . . . . . . . . . . . . . . . . 10
2.2 Polynômes d’endomorphismes . . . . . . . . . . . . . . . . . . . . 11
2.3 Image et noyau, surjectivité et injectivité . . . . . . . . . . . . . 12
2.4 Détermination d’une application linéaire . . . . . . . . . . . . . . 13
2.5 Projecteurs et symétries . . . . . . . . . . . . . . . . . . . . . . . 13
3 Espaces vectoriels de dimension finie 15

3.1 Définitions, théorèmes fondamentaux, dimension . . . . . . . . . 15
3.2 Conséquences des théorèmes fondamentaux . . . . . . . . . . . . 17
3.3 Dimensions d’une somme, d’un produit cartésien . . . . . . . . . 17
4 Application linéaire en dimension finie 19

4.1 Utilisations de familles libres ou génératrices ou de bases . . . . . 19
4.2 Théorème du rang et conséquences . . . . . . . . . . . . . . . . . 21
5 Matrices représentatives d’une application linéaire en dimen-

sion finie 23
5.1 Définitions, propriétés élémentaires . . . . . . . . . . . . . . . . . 23
5.2 Image d’un vecteur, compositions et matrices . . . . . . . . . . . 24
5.3 Changements de bases . . . . . . . . . . . . . . . . . . . . . . . . 24
5.4 Matrices d’endomorphismes . . . . . . . . . . . . . . . . . . . . . 25
5.4.1 Changement de bases . . . . . . . . . . . . . . . . . . . . 25
5.4.2 Trace d’un endomorphisme . . . . . . . . . . . . . . . . . 25
5.4.3 Isomorphisme d’anneaux . . . . . . . . . . . . . . . . . . . 26
5.4.4 Puissances et polynômes d’endomorphisme . . . . . . . . 26
5.5 Noyau, image, rang d’une matrice . . . . . . . . . . . . . . . . . . 27
5.5.1 Noyau et image . . . . . . . . . . . . . . . . . . . . . . . . 27
5.5.2 Rang et classes d’équivalence . . . . . . . . . . . . . . . . 27
5.5.3 Rang et matrices extraites . . . . . . . . . . . . . . . . . . 28
5.6 Complément : Produit matriciel par blocs . . . . . . . . . . . . . 28
1
MPSI G.Monod 2017-2018
6 Formes linéaires et hyperplans 29

6.1 Définitions, caractérisations . . . . . . . . . . . . . . . . . . . . . 29
6.2 Hyperplans en dimension finie . . . . . . . . . . . . . . . . . . . . 29
page : 2
1 Espaces vectoriels
Dans tout ce chapitre, K désigne R ou C.
1.1 Définition, espaces vectoriels classiques

Définition 1.1 Soit E un ensemble. On dit que E est un espace vectoriel sur K
(ou K-espace vectoriel) si E est muni d’une loi externe à gauche (multiplication
par scalaire] et d’une loi interne (somme de vecteurs), notées respectivement
·: K×E → E +: E×E → E
et ,
(λ, v) 7→ λ · v (v1 , v2 ) 7→ v1 + v2
vérifiant les axiomes suivants :
→
−
1. (E, +) est un groupe abélien. (On notera 0 E son élément neutre, et on
l’appelera vecteur nul de E.)
2. Pour tout (v1 , v2 ) ∈ E 2 et tout (λ, µ) ∈ K2 , on a
λ · (v1 + v2 ) = (λ · v1 ) + (λ · v2 ) ; (λ + µ) · v1 = (λ · v1 ) + (µ · v1 ) ;
(λµ) · v1 = λ · (µ · v1 ) ;
1 · v1 = v1 .
Les éléments de E sont alors appelés les vecteurs et ceux de K les scalaires.
Remarque 1.2 Avec les notations précédentes, on dira aussi que (E, +, ·) est
un K-espace vectoriel. On remarquera qu’un espace vectoriel E ne peut être
vide.
Remarque 1.3 Pour tout v ∈ E, on notera −v son opposé (inverse pour la loi
+).
Proposition 1.4 Soit E un K-espace vectoriel. Alors pour tout v ∈ E,

→
−
0 · v = 0 E , donc (−1) · v = −v.
→
− →
−
De plus, pour tout λ ∈ K, λ. 0 E = 0 E . Plus précisémment, pour tout (λ, v) ∈
K × E,
→
− →
−
λ.v = 0 E ⇐⇒ λ = 0 ou v = 0 E .
Exercice 1.5 Soit (n, p) ∈ N2 . Vérifier que les ensembles R, C, Rn , Cn , R[X],

Rn [X], C[X], Cn [X], Mn,p (R), RR , RN , CN sont des R-espaces vectoriels (on
précisera pour quelles lois). Lesquels sont aussi des C-espaces vectoriels ?
Exercice 1.6 Soit A un ensemble non vide. Montrer que RA est un R-espace
vectoriel, en précisant pour quelles lois. Faire de même pour E A si E est un
R-espace vectoriel.
Remarque 1.7 Les exemples décrits dans ces deux exercices seront des espaces
vectoriels classiques. (Sauf si cela est demandé, on ne redémontre pas qu’ils ont
une structure de K-espaces vectoriels.)
Exercice 1.8 Les ensembles suivants sont-ils, pour les lois naturelles, des es-
paces vectoriels ?
page : 3
1. E1 = {(x, y) ∈ R2 / x2 + y 2 = 1} ;
E2 = {(x, y) ∈ R2 / 3x + 2y = 0} ;
E3 = {(x, y) ∈ R2 / 3x + 2y − 5 = 0} ;
E4 = {(x, y, z) ∈ R3 / 2x + 4y − z = 0 et 3x − y = 0}.
2. E5 = {M ∈ M4 (C) / tr(M ) = 0} ;
Sn (R) = {M ∈ Mn (R) / t M = M } ;
An (R) = {M ∈ Mn (R) / t M = −M } ;
GLn (R) = {M ∈ Mn (R) / M est inversible} ;
Tn+ (R) = {M ∈ Mn (R) / M est triangulaire supérieure}.
3. E6 = {u ∈ RN / lim un = 0} ;
n7→+∞
E7 = {u ∈ RN / lim un = 2} ;
n7→+∞
I(R) = {f : R 7→ R / ∀x ∈ Rf (−x) = −f (x)} ;
P (R) = {f : R 7→ R / ∀x ∈ Rf (−x) = f (x)} ;
E8 = {f : R 7→ R / lim f (x) = 0}.
x7→3
4. E9 = {P ∈ R[X] / P 0 (X) = (X + 1)P (2X + 3)} ;

E10 = {P ∈ R[X] / P 0 (X) = (X + 1)P (2X) + 3} ;
E11 = {P ∈ R[X] / (X 2 + X + 1) divise P }.
Exercice 1.9 Soit n ∈ N et I un intervalle. On rappelle qu’on note

Dn (I) = {f : I → R / f est dérivable au moins n fois successivement sur I},
C n (I) = {f ∈ Dn (I) / f (n) est continue sur I}.
Montrer que C n (I) et Dn (I) sont des R-espaces vectoriels. (Ce seront également
des espaces vectoriels classiques.)
Définition 1.10 Soit (E, +, ·) un K-espace vectoriel. Soit n ∈ N∗ . On appelle

combinaison linéaire à coefficients dans K des vecteurs v1 , . . . , vn de E, tout
vecteur de la forme
n
X
λi · vi ,
i=1
où (λ1 , . . . , λn ) ∈ Kn .
1.2 Sous-espaces vectoriels

Définition 1.11 Soit (E, +, ·) un K-espace vectoriel. Soit F ⊂ E. On dit que
F est un sous-espace vectoriel de E si (F, +, ·) est un K-espace vectoriel.
→
−
Remarque 1.12 Si E est un K-espace vectoriel, alors { 0 E } et E sont toujours
des sous-espaces vectoriels de E. (Ils sont appelés les sous-espaces vectoriels
triviaux de E.)
Exercice 1.13 Trouver des exemples de sous-espaces vectoriels dans les exer-
cices précédents.
Théorème 1.14 (Caractérisation des sous-espaces vectoriels) Soit (E, +, ·)

un K-espace vectoriel. Soit F ⊂ E. Alors F est un sous-espace vectoriel de E
si et seulement si
→
−
1. 0 E ∈ F ;
page : 4
2. ∀(λ, v1 , v2 ) ∈ K × F × F , λv1 + v2 ∈ F .
Remarque 1.15 C’est souvent cette caractérisation qui est utilisée pour mon-
trer qu’un ensemble F est un espace vectoriel, en précisant d’abord de quel espace
vectoriel classique E on va montrer que F est un sous-espace vectoriel.
Exercice 1.16 Prouver cette caractérisation et l’utiliser dans les exercices précédents.
Exercice 1.17 Montrer que l’ensemble des solutions d’un système linéaire ho-
mogène à n inconnues dans K est un s.e.v. de Kn .
Exercice 1.18 Montrer que l’ensemble des solutions d’une équation linéaire
homogène d’ordre n sur un intervalle I, dont les coefficients sont des fonctions
continues sur I, est un s.e.v. de C n (I).
1.3 Sous-espace vectoriel engendré par une famille de vecteurs

Définition 1.19 Soit (E, +, ·) un K-espace vectoriel. Soit A ⊂ E, une famille
de vecteurs de E. On appelle espace vectoriel engendré par A sur K, et on
note VectK (A), l’ensemble des combinaisons linéaires à coefficients dans K de
vecteurs de A.
Proposition 1.20 Avec les notations précédentes, l’espace vectoriel engendré

par A sur K est un sous-espace vectoriel de E.
Exercice 1.21 Vérifier cette propriété.
Exercice 1.22 Pour E = R[X], déterminer VectR (A) pour A = {X n / n ∈ N},

puis pour A = {X i / i ∈ [[0, n]]}.
Remarque 1.23 Soit F ⊂ E. Pour prouver que F est un K-espace vectoriel,

il suffit de trouver une famille A de vecteurs de E telle que F = VectK (A).
Définition 1.24 Soit E un K espace vectoriel, A une famille de vecteurs de E

et F un sous-espace de E. On dit que A est une famille génératrice de F sur K
si F = VectR (A).

3x + 5y − 2z = 0
Exercice 1.25 Soit le système homogène S :
−x + 2y = 0
Déterminer une famille de vecteurs de R3 qui est génératrice de l’ensemble
des solutions de S. Que dire de l’ensemble des solutions d’un systéme homogéne
à n inconnues réelles ?
Proposition 1.26 Soit E un K espace vectoriel, A une famille de vecteurs de

E. On ne modifie pas l’espace engendré sur K par A si
1. on retire le vecteur nul de A ;
2. on remplace un vecteur v de A par λ · v où λ ∈ K − {0} ;
3. on remplace un vecteur v de A par v + µ · w où µ ∈ K et w ∈ A (ou plus
généralement si on ajoute à un vecteurs de A une combinaison linéaire
d’autres vecteurs de A).
page : 5
Exercice 1.27 Déterminer pour F une famille génératrice plus simple, dans
les cas suivants :
1. E = R[X], F = VectR {X 4 − 2X 3 + 5, X 3 + 8X + 1, 2X, X + 6};

       
2 0 1 3
2. E = R3 , F = VectR { 1  ,  3 }, 1 ,  2 }. (On pourra d’abord
−1 −3 1 −1
chercher toutes les combinaisons linéaires de ces vecteurs qui sont égales
au vecteur nul.)
1.4 Produit cartésien, intersection

Proposition 1.28 Soit (E1 , +, ·) et (E2 , +, ·, deux espaces vectoriels sur K.
Alors E = E1 × E2 muni des lois
: K × (E1 × E2 ) → E1 × E2
et
(λ, (v1 , v2 )) 7→ (λ · v1 , λ · v2 )
⊕: E×E → E
,
((v1 , v2 ), (w1 , w2 ) 7→ (v1 + w1 , v2 + w2 )
est un K-espace vectoriel.
Exercice 1.29 De même, définir une structure de K espace vectoriel sur le

produit cartésien de n espaces vectoriels, où n ≥ 3. En déduire une autre façon
de montrer que Rn est un R-espace vectoriel.
Proposition 1.30 Soit E un espace vectoriel, une intersection quelconque de

sous-espaces vectoriels de E est encore un sous-espace espace vectoriel de E.
Exercice 1.31 Prouver cette propriété. Montrer qu’en revanche, une union de
deux sous-espace vectoriels A et B de E n’est pas un sous-espace vectoriel de
E, sauf si A ⊂ B ou B ⊂ A.
1.5 Somme de s.e.v., somme directe, supplémentaires

Définition 1.32 Soit (E, +, ·) un K espace vectoriel, soit A et B deux parties
de E. On notera A + B l’ensemble suivant :
A + B = {a + b / (a, b) ∈ A × B}.
Proposition 1.33 Avec les notations précédentes, si A et B sont des sous-

espaces vectoriels de E, alors A + B est un sous-espace vectoriel de E.
Définition 1.34 Si A1 , . . . , An sont n parties d’un K-e.v. E, on définit A1 +

· · · + An comme l’ensemble des vecteurs v1 + · · · + vn de E, où (v1 , . . . , vn ) ∈
A1 × · · · × An .
Proposition 1.35 Si A1 , . . . , An sont des sous-espaces vectoriels de E, alors

A1 + · · · + An est un sous-espace de E.
Exercice 1.36 Soit E = R[X], A = {P ∈ R[X] / X 3 + 2X 2 + +X + 1 divise P }

et B = R2 [X]. Montrer que E = A + B.
Proposition 1.37 Soit E un K-espace vectoriel, soit A et B deux familles de

vecteurs de E. Alors
page : 6
VectK (A) + VectK (B) = VectK (A ∪ B).
Exercice 1.38 Prouver

  cette propriété. En
 déduire
  une famille génératrice
1 1 1 −3
simple de VectK {2 ,  0 } + VectK {1 ,  0 }.
3 −1 0 3
Définition 1.39 Avec les notations précédentes, on dit que deux s.e.v. A et B
de E sont en somme directe si tout élément de A + B s’écrit de façon unique
comme la somme d’un élément de A et d’un élément de B. On notera alors
A ⊕ B l’ensemble A + B, et on l’appellera somme directe de A et de B.
Exercice 1.40 Montrer que A = {P ∈ R[X] / X 3 + 2X 2 + +X + 1 divise P }

et B = R2 [X] sont en fait en somme directe.
Proposition 1.41 Avec les notations précédentes, A et B sont en somme di-

→
−
recte si et seulement si A ∩ B = { 0 E }.
Exercice 1.42 Prouver cette caractérisation des sommes directes. L’appliquer

pour montrer que Sn (R) et An (R), puis I(R) et P (R), sont en somme directe.
Définition 1.43 Avec les notations précédentes, on dit que A et B sont supplémentaires
dans E si A et B sont en somme directe et si cette somme est E, autrement dit
si tout élément de E s’écrit de façon unique comme la somme d’un élément de
A et d’un élément de B.
Exercice 1.44 Montrer à l’aide d’un raisonnement par analyse et synthèse que
An (R) et Sn (R) sont supplémentaires dans Mn (R).
Proposition 1.45 Avec les notations précédentes, A et B sont supplémentaires

→
−
dans E si et seulement si A + B = E et A ∩ B = { 0 E }.
Exercice 1.46 Vérifier cette caractérisation des supplémentaires.
Remarque 1.47 Soit A et B, deux espaces en somme directe, alors pour tout
vecteur v ∈ A + B, il existe un unique couple (a, b) ∈ A × B tel que v = a + b.
Le vecteur a s’appelle alors la composante de v sur A et b la composante de v
sur B.
Définition 1.48 Soit A1 , . . . , An , n s.e.v. de E. On dit qu’ils sont en somme

directe si tout vecteur v de A1 + · · · + An s’écrit de façon unique comme la
somme de n vecteurs v1 , . . . , vn , où pour tout i ∈ [[1, n]], vi ∈ Ai . (Dans ce cas
vi s’appelle la composante sur Ai de v dans cette décomposition.)
Proposition 1.49 Avec les notations précédentes, la somme de Ai est directe

si et seulement si, pour tout (v1 , . . . , vn ) ∈ A1 × · · · × An , on a :
n
X →
− →
−
vi = 0 E =⇒ ∀i ∈ [[1, n]], vi = 0 E .
i=1
page : 7
1.6 Famille génératrice, famille libre, base

Soit E un K-espace vectoriel. Soit A ⊂ E.
On rappelle la définition suivante.
Définition 1.50 On dit que A est une famille génératrice de E sur K si E =

vectK (A), autrement dit si tout vecteur de E est une combinaison linéaire à
coefficients dans K de vecteurs de A
Définition 1.51 On dit qu’un espace vectoriel est de dimension finie sur K s’il
existe une famille génératrice finie de E sur K.
Exercice 1.52 Parmi tous les espaces vectoriels vus dans les précédents exer-
cices, préciser ceux qui sont de dimension finie.
Remarque 1.53 Toute famille de vecteurs de E contenant une famille génératrice

de E est encore une famille génératrice de E.
Définition 1.54 Soit n ∈ N∗ . Soit (v1 , . . . , vn ) ∈ E n . On dit que {v1 , . . . , vn }

est libre sur K si pour tout (λ1 , . . . , λn )i nKn ,
n
X →
−
λk · vk = 0 E =⇒ ∀k ∈ [[1, n]], λk = 0.
k=1
Exercice 1.55 Montrer que {X 2 +1, X −1, X +1} est libre sur R (dans R[X]).
Exercice 1.56 Dans E = C, montrer que {1, i} est libre sur K = R, mais n’est
pas libre sur K = C.
Définition 1.57 Soit A ⊂ E, une famille quelconque de vecteurs de E. On dit

que A est une famille libre si toute sous-famille finie de A est libre.
Exercice 1.58 Montrer que, dans R[X], la famille {X n / n ∈ N} est libre.
Remarque 1.59 Une famille libre ne peut contenir le vecteur nul, ou des vecteurs
colinéaires, ou plus généralement, elle ne peut contenir un vecteur qui serait
combinaison linéaire d’autres vecteurs de cette famille. Une famille de vecteurs
A est libre si et seulement si aucun de ses vecteurs n’est combinaison
linéaire des autres vecteurs de A.
Remarque 1.60 Toute sous-famille d’une famille libre est libre.

Une famille de vecteurs est dite liée si elle n’est pas libre.
Une famille de vecteurs A est donc liée si et seulement si il existe un
vecteur de A qui est combinaison linéaire des autres vecteurs de A.
Définition 1.61 Soit A une famille de vecteurs d’un K-espace vectoriel E. On

dit que A est une base de E sur K elle est libre sur K et génératrice de E sur
K.
Théorème 1.62 La famille de vecteurs A est une base de E sur K si et seule-

ment si tout vecteur de E s’écrit de façon unique comme une combaison linéaire
à coefficients dans K de vecteurs de A.
page : 8
Exercice 1.63 Prouver cette caractérisation des bases.
Définition 1.64 Si A est une base de E sur K et si v ∈ E, on appelle coor-

données de v sur A les (uniques) coefficients apparaissant dans la décomposition
de v comme combinaison lineaire de vecteurs de A.
Exercice 1.65 Montrer que {X n / n ∈ N} est base de E.
Exercice 1.66 Déterminer des bases pour les espace vectoriels classiques (sauf
pour ceux du type RA où A est infini).
       
2 0 1 3
Exercice 1.67 Soit F = VectR { 1  ,  3 }, 1 ,  2 }. Déterminer
−1 −3 1 −1
une base de F sur R en extrayant de la famille génératrice de F donnée une
famille libre, qui est encore génératrice de F . (On pourra d’abord chercher toutes
les combinaisons linéaires de ces vecteurs qui sont égales au vecteur nul.)
page : 9
2 Applications linéaires
Dans tout ce paragraphe, E et F désignent deux K-espaces vectoriels.
2.1 Définitions, propriétés élémentaires

Définition 2.1 On dit que l’application f : E → F est K-linéaire si pour tout
(λ, v1 , v2 ) ∈ K × E × E,
f (v1 + λv2 ) = f (v1 ) + λf (v2 ).
→
− →
−
Remarque 2.2 Si f : E → F est K-linéaire, alors f ( 0 E ) = 0 F . De plus
pour tout n ∈ N∗ , tout (λ1 , . . . , λn ) ∈ Kn et tout (v1 , . . . , vn ) ∈ E n ,
n
X n
X
f( λ i vi ) = λi f (vi ).
i=1 i=1
Remarque 2.3 L’identité de E, notée IdE , est toujours une application linéaire.
L’application de E dans F qui à tout vecteur de E associe le vecteur nul de F
est également linéaire.
Exercice 2.4 Dire si les applications suivantes sont linéaires :

f1 : RR → R
1.
h 7 → h(5)
f2 : RR → R
2.
h 7 → h(4) + 1
f3 : D1 (R) → RR
3.
h 7 → h0
f4 : R[X] → R[X]
4.
P 7 → P 0 (X) − P (X + 1) + 3P (1)
f5 : C 0 ([a, b]) → R
Z b
5.
h 7→ h(t)dt
a
f6 : R2 → R
6.
(x, y) 7→ xy + 3x
f7 : RN → RN
7.
u 7 → (un+1 − un )n∈N
f8 : R3 → R2
8.
(x, y, z) 7 → (3x − 2y + z, 7x − 3z)
Exercice 2.5 Soit A ∈ Mn,p (K). Montrer que l’application suivante est K-
linéaire
f: Kp → Kn
X 7 → A.X
Remarque 2.6 Cette application f est appelée application linéaire canonique-

ment associée à la matrice A.
page : 10
Exercice 2.7 En utilisant cette notion, on peut montrer directement que l’application
f8 est linéaire, en tant qu’application linéaire canoniquement associée à une ma-
trice à préciser.
Définition 2.8 On note LK (E, F ) l’ensemble des applications linéaires de E

dans F .
Proposition 2.9 Soit A une famille de vecteurs de E et f une application

linéaire de E dans F , alors
f (V ectK (A)) = V ectK (f (A)).
Proposition 2.10 L’ensemble LK (E, F ) est un K-espace vectoriel. En partic-

ulier, ue combinaison linéaire d’applications linéaires de E dans F est encore
une application linéaire de E dans F .
Proposition 2.11 Soit E, F et G trois K-espaces vectoriels. Soit f ∈ LK (E, F )

et g ∈ LK (F, G), alors g ◦ f ∈ LK (E, G).
Définition 2.12 On appelle endomorphisme de E une application linéaire de

E dans E.
Remarque 2.13 L’ensemble LK (E, E) des endomorphismes de E est noté LK (E).
Définition 2.14 Soit f ∈ LK (E, F ). On dit que f est un isomorphisme de

E dans F si f est bijective. Un endomorphisme bijectif de E est appelé un
automorphisme.
Proposition 2.15 Soit f un isomorphisme de E dans F , alors f −1 est un

isomorphisme de F dans E.
Exercice 2.16 Soit A ∈ Mn (K) une matrice inversible. Montrer que l’application
linéaire canoniquement associée à f est un isomorphisme de Kn , et que sa bi-
jection réciproque est l’application linéaire canoniquement associée à A−1 .
Proposition 2.17 (LK (E), +, ◦) est un anneau (non commutatif en général).
Remarque 2.18 On note GLK (E) l’ensemble des automorphismes de E. On

remarque qu’il s’agit de l’ensemble des inversibles de l’anneau (LK (E), +, ◦). En
particulier (GLK (E), ◦) est un groupe, appelé groupe linéaire de E.
2.2 Polynômes d’endomorphismes

Soit f un endomorphisme de E. Comme une composée d’application linéaire
est linéaire, on peut montrer par récurrence que pour tout n ∈ N∗ , la composée
de f n fois par elle-même est linéaire, i.e. est encore un endomorphisme de E.
On note
f ◦ f ◦ ··· ◦ f = f n.
| {z }
n fois
Par convention f 0 désignera l’identité de E, IdE .
r
X
Définition 2.19 Soit P (X) = ak X k , un polynôme à coefficients dans K et
k=0
soit f ∈ LK (E). On note P (f ) l’endomorphisme
page : 11
r
X
ak f k .
k=0
Remarque 2.20 Si A ∈ Mn (K) et si f est l’endomorphisme de Kn canonique-

ment associé à la matrice A, alors P (f ) est l’endomorphisme de Kn canonique-
ment associé à la matrice P (A).
Proposition 2.21 Si (P, Q) ∈ K[X] et f ∈ LK (E), alors P (f ) ◦ Q(f ) =

(P.Q)(f ). En particulier, deux polynômes en f commutent.
Définition 2.22 On dit que le polynôme P est un polynôme annulateur de f

→
−
s’il est non nul et si P (f ) = 0 LK (E) (l’endomorphisme nul).
Comme pour les matrices, on peut utiliser un polynôme annulateur P de f
pour montrer que f est un isomorphisme et calculer f −1 , si P (0) 6= 0.
→
−
Exercice 2.23 Soit f ∈ LK (E) tel que f 4 −3f 2 +5f −2IdE = 0 LK (E) . Montrer
que f est inversible et calculer f −1 . Généraliser.
2.3 Image et noyau, surjectivité et injectivité

Définition 2.24 Soit f ∈ LK (E, F ).
→
−
1. On appelle noyau de f l’ensemble des antécédents de 0 F par f dans E.
On le note ker(f ), ainsi
→
−
ker(f ) = {v ∈ E / f (v) = 0 F }.
2. On appelle image de f , et on note im(f ), l’ensemble f (E).
Proposition 2.25 Soit f ∈ LK (E, F ). Alors ker(f ) est un sous-espace vecto-

riel de E et im(f ) est un sous espace vectoriel de F .
Proposition 2.26 Soit f ∈ LK (E, F ) et A une famille de vecteurs de E, alors

f (VectK (A)) = VectK (f (A)).
Exercice 2.27 Prouver les deux propriétés précédentes et déterminer les im-
ages et noyaux des applications linéaires de l’exercice 2.4. On pourra notamment
utiliser, grâce à la dernière propriété, que si {e1 , . . . , en } est génératrice de E
et si f ∈ LK (E, F ), alors
im(f ) = f (E) = f (Vect{e1 , . . . , en }) = Vect{f (e1 ), . . . , f (en )}.
Théorème 2.28 (Une caractérisation de l’injectivité)

Soit f ∈ LK (E, F ). L’application f est injective si et seulement si ker(f ) =
→
−
{ 0 E }.
Exercice 2.29 Prouver ce théorème.
Exercice 2.30 Soit A ∈ Mn (K). Montrer que l’endomorphisme de Kn canon-

iquement associé à A est bijectif si et seulement si A est inversible.
Remarque 2.31 Connaı̂tre un polynôme annulateur de f ∈ LK (E), et le fac-

toriser en produit de polynômes premiers entre eux, permet de trouver des noy-
aux de polynômes de f supplémentaires dans E. L’exercice suivant en fournit
un exemple.
page : 12
Exercice 2.32 Soit f ∈ LK (E) tel que que P (X) = X 3 −1 soit un polynôme an-
nulateur de f . Montrer que ker(f 2 +f +IdE ) et ker(f −IdE ) sont supplémentaires
dans E. On procédera par analyse et synthése.
2.4 Détermination d’une application linéaire

Proposition 2.33 Soit E un K-espace vectoriel admettant une base {e1 , . . . , en }.
Soit F un K-espace vectoriel. Alors pour tout (y1 , . . . , yn ) ∈ F n , il existe une
unique f ∈ LK (E, F ) telle que f (ei ) = yi pour tout i ∈ [[1, n]].
Proposition 2.34 Soit E et F deux K-espaces vectoriels. On suppose que

p
M
E1 , . . . , Ep sont des s.e.v. de E tels que Ei = E. Pour tout i ∈ [[1, p]],
k=1
soit ui ∈ LK (Ei , F ). Alors il existe une unique f ∈ LK (E, F ) telle que pour tout
i ∈ [[1, p]], f|Ei = ui .
2.5 Projecteurs et symétries

Dans cette section on suppose que F et G sont deux sous-espaces supplémentaires
dans E.
On rappelle qu’alors tout vecteur v ∈ E se décompose de façon unique comme
la somme d’un vecteur v1 ∈ F et d’un vecteur v2 ∈ G. Le vecteur v1 (resp. v2 )
s’appelle alors la composante de v sur F (resp. sur G) dans la décomposition
de v sur F ⊕ G.
Définition 2.35 On appelle projecteur sur F parallèlement à G l’application

de E dans E qui à tout vecteur de E associe sa composante sur F dans sa
décomposition sur F ⊕ G.

1 0
Par exemple R2 = F ⊕ G, où F = V ectR { } et G = V ectR { }. Le
0 1
projecteur p sur F parallèlement à G est alors l’application
p: R2 → R2
(x, y) 7 → (x, 0).
(Il s’agit alors de la projection orthogonale sur l’axe des abscisses dans R2 .)
Définition 2.36 Avec les notations précédentes, F et G s’appellent les éléments

propres du projecteur sur F parallèlement à G.
Exercice 2.37 Soit f : R[X] 7→ R[X] qui à tout polynôme P associe son reste
dans la division euclidienne de P par X 2 + 2X + 1. Montrer que f est un
projecteur, dont on précisera les éléments propres.
Proposition 2.38 Un projecteur de E est un endomorphisme de E. De plus

si p est un projecteur de E alors p ◦ p = p.
Exercice 2.39 Prouver cette proposition et proposer un polynôme annulateur

pour un projecteur.
Exercice 2.40 Montrer que si p est le projecteut sur F parallèlement à G alors

F = im(p) = ker(p − IdE ) et G = ker(p)
page : 13
Exercice 2.41 Soit p un endomorphisme de E tel que p2 = p. Montrer que

ker(p) et im(p) sont supplémentaires dans E, que im(p) = ker(p − IdE ), puis
que p est le projecteur sur im(p) parallèlement à ker(p).
Théorème 2.42 (Caractérisation des projecteurs)

Soit f un endomorphisme de E. Alors f est un projecteur si et seulement si
f 2 = f . Dans ce cas im(f ) = ker(f −IdE ), im(f ) et ker(f ) sont supplémentaires
dans E, et f est le projecteur sur im(f ) parallèlement à ker(f ).
Définition 2.43 On appelle symétrie par rapport à F , parallèlement à G l’application

de E dans E qui à tout vecteur v, dont la décomposition sur F ⊕ G est v1 + v2 ,
associe v1 − v2 .
Définition 2.44 Avec les notations précédentes, F et G s’appellent les éléments

propres de la symétrie par rapport à F , parallèlement à G.

2 1
Exercice 2.45 Pour la décomposition R = F ⊕ G, où F = V ectR { } et
0
0
G = V ectR { }, déterminer la symétrie par rapport à F , parallèlement à G.
1
Proposition 2.46 Une symétrie est un endomorphisme de E. De plus si f est

une symétrie alors f est involutive (i.e. f 2 = IdE ).
Exercice 2.47 Prouver cette propriété, montrer qu’une symétrie est inversible
et préciser son inverse. Préciser aussi un polynôme annulateur d’une symétrie.
Exercice 2.48 Si f est la symétrie par rapport à F et parallèlement à G, mon-

trer que F = ker(f − IdE ) et que G = ker(f + IdE ).
Exercice 2.49 Soit f un endomorphisme de E tel que f 2 = IdE . Montrer que

ker(f − IdE ) et ker(f + IdE ) sont supplémentaires dans E, puis que f est la
symétrie par rapport à ker(f − IdE ) et parallèlement à ker(f + IdE ).
Théorème 2.50 (Caractérisation des symétries)

Soit f un endomorphisme de E. Alors f est une symétrie si et seulement si
f 2 = IdE . Dans ce cas ker(f − IdE ) et ker(f + IdE ) sont supplémentaires dans
E, et f est la symétrie par rapport à ker(f − IdE ) parallèlement à ker(f + IdE ).
page : 14
3 Espaces vectoriels de dimension finie

3.1 Définitions, théorèmes fondamentaux, dimension
On rappelle la définition suivante.
Définition 3.1 Un K-espace vectoriel E est dit de dimension finie s’il existe
une famille génératrice finie de E sur K.
Remarque 3.2 On rappelle que par convention : l’espace engendré par ∅ dans
→
− →
−
E est réduit à { 0 E }, donc { 0 E } est de dimension finie.
On rappelle également le théorème suivant :
Théorème 3.3 Soit A une famille de vecteurs d’un K-espace vectoriel E. Alors
→
− →
−
1. Si 0 E ∈ A alors VectK (A) = VectK (A − { 0 E }).
2. Si v ∈ A est combinaison linéaire de vecteurs de A−{v}, alors VectK (A) =

VectK (A − {v}).
3. On remplacer un vecteur v de A par v 0 = v + λw, où w ∈ A − {v} sans
changer l’espace engendré :
VectK (A) = VectK ((A − {v}) ∪ {v 0 }).
4. Si λ 6= 0, on peut remplacer un vecteur v de A par λv sans changer l’espace

engendré :
VectK (A) = VectK ((A − {v}) ∪ {λv}).
Remarque 3.4 Soit E un K-espace vectoriel de dimension finie. En utilisant

ce théorème on peut extraire d’une famille génératrice finie G = {v1 , . . . , vr } de
E une famille génératrice et libre de E, i.e. une base de E. On cherche en
r
X →
−
effet toutes les solutions (λ1 , . . . , λr ) ∈ Kr de S : λi vi = 0 E . S’il existe
i=1
(λ1 , . . . , λr ) =6= (0, . . . , 0) solution, alors l’un des vi peut s’écrire comme com-
binaison linéaire des autres vecteurs de G, et donc E = VectK (G) = VectK (G1 ),
où G1 = G − {vi }. On itére ceci jusqu’à obtenir une famille Gt ⊂ G telle que
E = VectK (Gt ) et telle que la seule combinaison linéaire des vecteurs de Gt égale
→
−
à 0 E soit celle dont tous les coefficients sont nuls. Ainsi Gt ⊂ G, et Gt est libre
et génératrice de E, i.e. base de E.
Théorème 3.5 (de la base extraite)

Soit E un K-espace vectoriel de dimension finie. De toute famille génératrice
finie de E on peut extraire une base de E.
Théorème 3.6 (Théorème d’échange).

Soit E un K-espace vectoriel de dimension finie. Soit (p, r) ∈ N∗ . Si E admet
une famille génératrice G de cardinal p, et une famille libre de cardinal r, alors
1. r ≤ p.
2. Il existe au moins une façon de remplacer r vecteurs de G par les r vecteurs

de L et d’obtenir ainsi une famille G 0 qui est encore génératrice de E.
page : 15
Remarque 3.7 En conséquence de ce dernier théorème, toute famille libre de

E est de cardinal au plus p. Donc si E contient une famille libre infinie, alors
E ne peut étre de dimension finie (on dit alors que E est de dimension infinie).
Exercice 3.8 Montrer que K[X], KN et RR sont de dimensions infinies.
Exercice 3.9 Montrer qu’inversement, si E n’est pas de dimension finie, alors

pour tout n ∈ N, il existe une famille libre de cardinal n dans E. En déduire que
tout s.e.v. d’un K-espace vectoriel de dimension finie est encore de dimension
finie.
Théorème 3.10 (de la base incomplète)

Soit E un K-espace vectoriel de dimension finie, soit L un famille libre
de E et G une famille génératrice de E contenant L, alors il existe une
base B de E telle que L ⊂ B ⊂ G.
Remarque 3.11 En utilisant ce théorème pour G = E, on obtient en parti-

culier que toute famille libre de E peut se compléter en une base de E. En
l’utilisant pour L = ∅, on retrouve le théorème de la base extraite.
Exercice 3.12 Compléter {X + 1, X 3 − 2X + 2} en une base de R3 [X] (on

pourra lui adjoindre certains vecteurs d’une base classique de R3 [X]).
Théorème 3.13 Soit E un K-espace vectoriel de dimension finie. Alors E

admet une base de cardinal fini. De plus toutes les bases de E ont même cardinal.
Exercice 3.14 Démontrer ce théorème.
Définition 3.15 Soit E un K-espace vectoriel de dimension finie. On appelle

dimension de E sur K, et on note dimK (E) (ou dim(E) s’il n’y a pas d’ambiguı̈té
sur K), le cardinal commun de toutes les bases de E.
Exercice 3.16 Montrer, en utilisant des bases classiques, que :

1. dimK (Kn ) = n ; dimC (C) = 1 ; dimR (C) = 2 ; dimR (Cn ) = 2n.
2. Si E est une C-espace vectoriel de dimension n, alors E est aussi un R
espace vectoriel de dimension 2n.
3. dim(Rn [X]) = n + 1 ; dimR (Cn [X]) = 2(n + 1).
4. dimK (Mn,p (K))) = n.p (On pourra utiliser les matrices Ei,j , pour (i, j) ∈
[[1, n]] × [[1, p]], où Ei,j désigne la matrice de Mp,q (K) dont tous les co-
efficients sont nuls, sauf celui de la iieme ligne, j ieme colonne, qui vaut
1).
n(n − 1) n(n + 1)
5. dimK (An (K)) = ; dimK (Sn (K)) = .
2 2
Exercice 3.17 Montrer que si E est un C-espace vectoriel de dimension n (sur
C), alors E a aussi une structure de R-espace vectoriel et dimR (E) = 2n.
Définition 3.18 Soit A une famille de vecteurs d’un K-espace vectoriel E. On

appelle rang de A, et on note rg(A), la dimension de V ectK (A).
       
2 −1 0 0
Exercice 3.19 Déterminer le rang de {1 ,  1  , 0 , 1}.
0 1 1 2
page : 16
3.2 Conséquences des théorèmes fondamentaux

Théorème 3.20 Soit E une K-espace vectoriel de dimension finie. Si F est
un sous-espace vectoriel de E, alors F est aussi de dimension finie et dim(F ) ≤
dim(E).
Théorème 3.21 Soit E une K-espace vectoriel de dimension finie. Si F est

un sous-espace vectoriel de E, alors F admet un supplémentaire dans E, i.e. il
existe G tel que F ⊕ G = E.
Remarque 3.22 On pourra retenir de la démonstration de ce dernier théorème

que, dans un espace vectoriel E quelconque : si B est une base de E (finie ou
non), si B1 et B2 sont disjointes et d’union B, alors Vect(B1 ) et Vect(B2 ) sont
supplémentaires dans E.
Exercice 3.23 En utilisant la remarque précédente, proposer un supplémentaire

de R2 [X] dans R[X].
Théorème 3.24 Soit A un sous-espace de dimension finie d’un K-espace vec-

toriel E. Soit B un sous-espace de E. Alors A = B si et seulement si A ⊂ B
et dim(A) = dim(B).
Théorème 3.26 (caractérisation des bases en dimension finie). Soit E

un K-espace vectoriel de dimension finie n, soit B une famille de vecteurs de E.
Alors les propositions suivantes sont équivalentes :
1. B est base de E.
2. B est libre et de cardinal n.
3. B est génératrice de E et de cardinal n.

1 1
Exercice 3.27 Montrer que { , } est base de R2 de trois façons différentes.
1 −1
3.3 Dimensions d’une somme, d’un produit cartésien

Théorème 3.28 Soit E un K-espace vectoriel, et A et B deux sous-espaces de
E de dimensions finies et en somme directe. Alors A ⊕ B est de dimension finie
et dim(A ⊕ B) = dim(A) + dim(B).
Exercice 3.29 Démontrer ce théorème, en montrant que l’union d’une base de

A et d’une base de B est une base de A ⊕ B.
Théorème 3.30 Formule de Grassmann. Soit E un K-espace vectoriel, et

A et B deux sous-espaces de E de dimensions finies. Alors A + B et A ∩ B sont
de dimensions finies et dim(A + B) = dim(A) + dim(B) − dim(A ∩ B).
Exercice 3.31 Démontrer ce théorème en complétant une base de A ∩ B dans

A d’une part, et dans B d’autre part.
Théorème 3.32 Caractérisation des supplémentaires en dimension finie.

Soit E un K-espace vectoriel de dimension finie et A et B deux sous-espaces
vectoriels de E, alors A et B sont supplémentaires dans E si et seulement si
→
−
A ∩ B = { 0 E } et dim(A) + dim(B) = dim(E).
page : 17
Théorème 3.34 Caractérisation des sommes directes en dimension finie.

Soit E un K-espace vectoriel de dimension finie. Soit E1 , . . . Ep des s.e.v. de
E, alors
p
X
dim(E1 + · · · + Ep ) ≤ dim(Ek ),
k=1
et cette inégalité est une égalité si et seulement si la somme des Ek est directe.
Exercice 3.35 Prouver cette caractérisation par récurrence sur p.
Remarque 3.36 Rappelons que si E et F sont deux K-espaces vectoriels, alors

leur produit cartésien E ×F peut-être muni d’une structure de K-espace vectoriel
en posant, pour tout (v1 , v2 ) ∈ E 2 et tout (w1 , w2 ) ∈ F 2 , et tout λ ∈ K :
(v1 , w1 ) + (v2 , w2 ) = (v1 + v2 , w1 + w2 ) ; λ.(v1 , w1 ) = (λ.v1 , λ.w1 ).
→
− →
− → −
En particulier, 0 E×F est alors ( 0 E , 0 F ).
Théorème 3.37 Soit E et F deux K-espaces vectoriels de dimensions finies,

alors E × F est aussi de dimension finie et dim(E × F ) = dim(E) + dim(F ).
Exercice 3.38 Démontrer ce théorème, en montrant que si {e1 , . . . , en } est

base de E et {v1 , . . . , vp } est base de F alors
→
− →
− →
− →
−
{(e1 , 0 F ), . . . , (en , 0 F ), ( 0 E , v1 ), . . . , ( 0 E , vp )}
est base de E × F .
Théorème 3.39 Soit E1 , . . . , Ep des s.e.v. de dimensions finies d’un K-espace

Xp
vectoriel E, alors E1 ×· · ·×Ep est un K-espace vectoriel de dimension dim(Ei ).
k=1
Remarque 3.40 On pourra démontrer ce théorème par récurrence, quand on

aura prouvé que deux espaces isomorphes ont même dimension. (On dit que
deux espaces sont isomorphes s’il existe un isomorphisme entre eux.)
page : 18
4 Application linéaire en dimension finie

Ce chapitre étudie les propriétés spécifiques des applications linéaires de E dans
F , où E est de dimension finie.
4.1 Utilisations de familles libres ou génératrices ou de

bases
Théorème 4.1 Caractérisation de l’injectivité d’une application linéaire
en dimension finie. Soit E un K espace vectoriel de dimension finie. Soit
F un K-espace vectoriel et f ∈ LK (E, F ). Chacune des assertions suivantes
équivaut à l’injectivité de f :
1. Il existe une base de E qui est envoyée par f sur une famille libre de F .
2. Toute base de E est envoyée par f sur une famille libre de F .

3. Toute famille libre de E est envoyée par f sur une famille libre de F .
Remarque 4.2 Quand E n’est pas de dimension finie, les implications suiv-
antes restent vraies :
f injective =⇒ 2) (et 3));
1) =⇒ f injective.
Exercice 4.3 Démontrer le théorème précédent à l’aide de la caractérisation

de l’injectivité de f utilisant le noyau de f et du théorème de la base incompléte.
Théorème 4.4 Caractérisation de la surjectivité d’une application linéaire

en dimension finie. Soit E un K espace vectoriel de dimension finie. Soit
F un K-espace vectoriel et f ∈ LK (E, F ). Chacune des assertions suivantes
équivaut à la surjectivité de f :
1. Il existe une base de E qui est envoyée par f sur une famille génératrice
de F .
2. Toute base de E est envoyée par f sur une famille génératrice de F .
3. Il existe une famille génératrice de E qui est envoyée par f sur une famille
génératrice de F
4. Toute famille génératrice de E est envoyée par f sur une famille génératrice
de F .
f surjective =⇒ 2) ;
f surjective =⇒ 4) ;
1) =⇒ f surjective ;
3) =⇒ f surjective.
Exercice 4.6 En utilisant les remarques précédentes, montrer que l’endomorphisme

g de K[X], défini par g(P (X)) = X.P (X) pour tout polynôme P (X), est injectif
mais pas surjectif.
page : 19
Théorème 4.7 Caractérisation de la bijectivité d’une application linéaire

en dimension finie.
Soit E un K espace vectoriel de dimension finie. Soit F un K-espace vectoriel
et f ∈ LK (E, F ). Chacune des assertions suivantes équivaut à la bijectivité de
f :
1. Il existe une base de E qui est envoyée par f sur une base de F .
2. Toute base de E est envoyée par f sur une base de F .
3. dim(F ) = dim(E) (finie) et f est injective.

4. dim(F ) = dim(E) (finie) et f est surjective.
f bijective =⇒ 2) ;
1) =⇒ f bijective.
Définition 4.9 On dit que deux espaces vectoriels sont isomorphes s’il existe
un isomorphisme entre ces deux espaces.
Remarque 4.10 D’après le théorème précédent, un espace de dimension finie

ne peut être isomorphe à un espace de dimension infinie, et deux espaces iso-
morphes de dimension finie ont même dimension.
Remarque 4.11 Si E est un K-espace vectoriel de base B et si F est une K-

espace vectoriel et f ∈ LK (E, F ), alors f est déterminée par la donnée des f (v)
pour chaque v ∈ B. Il suffit en effet de connaı̂tre l’image de chaque vecteur
d’une base de E par f pour déterminer, par linéarité de f , l’image de n’importe
quel vecteurs de E par f .
Proposition 4.12 Si {e1 , . . . , en } est une base de E et {v1 , . . . , vn } est une

famille de vecteurs de F , alors il existe une unique application linéaire f de
E dans F telle que f (ei ) = vi pour tout i ∈ [[1, n]]. De plus f est injective
si et seulement si {v1 , . . . , vn } est libre, et f est surjective si et seulement si
{v1 , . . . , vn } est génératrice de F .
Théorème 4.13 (Classe d’isomorphie des K-espace vectoriel de dimen-

sion n)
Tout K-espace vectoriel de dimension n est isomorphe à Kn . Deux espaces de
même dimension finie sont isomorphes.
Exercice 4.14 Soit (a, b, c) ∈ K3 tel que a 6= 0.

Soit E = {u ∈ RN / ∀n ∈ N, aun+2 + bun+1 + cun = 0}.
Soit φ : E 7→ K2 définie par φ(u) = (u0 , u1 ), pour tout u ∈ E.
1. Montrer que E est un s.e.v. de KN .
2. Montrer que φ est un isomorphisme de E dans K2 .
3. En déduire la dimension de E.
4. En déduire que l’ensemble des suites dans E est bien celui décrit dans le
chapitre Suite I, selon les solutions de l’équation caractéristique aX 2 +
bX + c = 0.
page : 20
Exercice 4.15 Soit (a0 , a1 , . . . , an ) ∈ Kn , deux à deux distincts.

Montrer que l’application φ : Kn [X] → Kn+1 définie par
φ(P ) = (P (a0 ), P (a1 ), . . . , P (an ))
est un isomorphisme de K-espaces vectoriels. En déduire l’existence et l’unicité

des polynômes interpolateurs de Lagrange.
Théorème 4.16 Soit E et F deux K-espaces vectoriels de dimensions finies,

alors LK (E, F ) est aussi de dimension finie et dim(LK (E, F )) = dim(E).dim(F ).
Exercice 4.17 Démontrer ce théorème de deux façons diffÃ rentes

c :
1. En montrant que si {e1 , . . . , en } est base de E et {v1 , . . . , vp } est base
de F alors {fi,j / (i, j) ∈ [[1, n]] × [[1, p]]} est base de LK (E, F ), où pour
chaque (i, j) ∈ [[1, n]] × [[1, p]]}, fi,j est l’application linéaire déterminée
→
−
par fi,j (ek ) = 0 F si k 6= i et fi,j (ei ) = vj .
2. En montrant que, si {e1 , . . . , en } est base de E, alors l’application φ :
LK (E, F ) → F n définie par
φ(f ) = (f (e1 ), . . . , f (en )), pour tout f ∈ LK (E, F ),
est un isomophisme.
4.2 Théorème du rang et conséquences

Définition 4.18 Soit E et F deux K-espaces vectoriels, soit f ∈ LK (E). On
appelle rang d’une application linéaire f la dimension de Im(f ), on la note
rg(f ). On dit que f est de rang fini si rg(f ) est finie.
Remarque 4.19 Si B est une famille génératrice de E, alors le rang de f est

le rang de la famille de vecteurs f (B).
Remarque 4.20 Il y a invariance du rang par composition par un isomor-

phisme : si u ∈ LK (E, F ), et si v est un isomorphisme de G dans E, alors
rg(u ◦ v) = rg(u). De même si v est un isomorphisme de F dans G, alors
rg(v ◦ u) = rg(u).
Théorème 4.21 Soit E et F deux K-espaces vectoriels et f ∈ LK (E, F ). Si

ker(f ) admet un supplémentaires G dans E alors G est isomorphe à Im(f ).
|Im(f )
Exercice 4.22 Démontrer ce théorème en montrant que l’application f˜ = f|G
est un isomorphisme.
Théorème 4.23 (Théorème du rang.) Soit E un K-espace vectoriel de di-

mension finie, F un K-espace vectoriel et f ∈ LK (E, F ). Alors
rg(f ) = dim(E) − dim(ker(f )).
Exercice 4.24 Redémontrer les caractérisations 3) et 4) de la bijectivité d’une

application linéaire en dimension finie du paragraphe précédent, à l’aide de ce
théorème du rang.
page : 21
Proposition 4.25 Soit E et F deux K-espaces vectoriels de dimensions finies,

et soit f ∈ LK (E, F ). Alors
1. rg(f ) ≤ Min{dim(E), dim(F )}.

2. Si f est injective alors dim(E) ≤ dim(F ).
3. Si f est surjective alors dim(F ) ≤ dim(E).
4. f est injective si et seulement si rg(f ) = dim(E).
5. f est surjective si et seulement si rg(f ) = dim(F ).
Exercice 4.26 Montrer qu’il n’existe pas d’application linéaire injective de R5

dans R3 [X], et pas d’application linéaire surjective R2 [X] dans R4 .
Proposition 4.27 Soit E et F deux K-espaces vectoriels de dimensions finies,

et soit f ∈ LK (E, F ). Si dim(E) = dim(F ), alors f est injective si et seulement
si f est surjective (si et seulement si f est bijective).
Définition 4.28 On dit que f ∈ L(E, F ) est inversible à droite s’il existe g ∈
L(F, E) tel que f ◦ g = IdF . On dit que f ∈ L(E, F ) est inversible à gauche s’il
existe g ∈ L(F, E) tel que g ◦ f = IdE .
Proposition 4.29 Soit E et F deux espaces de même dimension finie. Soit

f ∈ L(E, F ). Alors f est bijective si et seulement si f est inversible à droite
(resp. à gauche).
Exercice 4.30 Prouver cette propriété en utilisant un résultat classique sur les
composées injectives ou surjectives.
page : 22
5 Matrices représentatives d’une application linéaire

en dimension finie
Dans toute cette section, les bases sont ordonnées et finies. On écrira donc une
base comme une liste de vecteurs.
5.1 Définitions, propriétés élémentaires

Soit (n, p) ∈ (N∗ )2 .
Soit E un K-espace vectoriel de dimension n et F un K-espace vectoriel de
dimension p.
Soit B = (e1 , e2 , . . . , en ) une base ordonnée de E et C = (v1 , . . . , vp ) une base
ordonnée de F .
Remarque 5.1 Soit x ∈ E, on notera M atB (x) le vecteur colonne de Kn dont

la iieme coordonnée est la coordonnée de x sur ei dans la décompositition de x
sur B, pour chaque i ∈ [[1, n]].
2
Exemple 5.2 Soit B =(1, X,  X ), base canonique de R2 [X] et P (X) = (X −
1
1)2 . Alors M atB (P ) = −2.
1
Définition 5.3 Soit u ∈ LK (E). On appelle matrice représentative de u pour

la base B au départ et C à l’arrivée la matrice de Mp,n (K) dont la j ieme colonne
est M atC (u(ej )), pour chaque j ∈ [[1, n]]. On la note M atB,C (u).
Exemple 5.4 Soit u : R2 [X] 7→ R3 l’application  linéaire

 définie
  par u(P ) =
1 0 0
(P (0), P (1), P (2)). Soit B = (1, X, X 2 ) et C = (0 , 1 , 0) : elles sont
0 0 1 
1 0 0
bases de R2 [X] et R3 respectivement. Alors M atB,C (u) = 1 1 1.
1 2 4
→
−
Remarque 5.5 La matrice représentative de 0 LK (E,F ) est la matrice nulle de
taille (p, n), quelles que soient les bases de départ et d’arrivée choisies.
Remarque 5.6 Si on change de base de départ ou d’arrivée, ne serait-ce qu’en

changeant l’ordre des vecteurs, on obtient en général une autre matrice représentative.
Une application linéaire non nulle entre deux espaces de dimension finie a une
infinité de représentations matricielles différentes.
Remarque 5.7 Soit f l’application linéaire de Kn dans Kp canoniquement as-

sociée à A, alors la matrice représentative de f dans les bases canoniques de
Kn et de Kp est A.
Théorème 5.8 Linéarité de la représentation matricielle

Soit E et F , deux K-espaces vectoriels de dimensions finies, respectivement n et
p. Soit B une base de E et C une base de F . Alors l’application φ : LK (E, F ) 7→
Mp,n (K) définie par φ(u) = M atB,C (u) est un isomorphisme.
Exercice 5.9 Prouver ce théorème en utilisant un argument de dimension.
page : 23
Remarque 5.10 Si E = F et C = B, la matrice représentative M atB,B (u)

d’un endomorphisme u de E, pour la base B au départ et à l’arrivée, est notée
M atB (u).
5.2 Image d’un vecteur, compositions et matrices

Proposition 5.11 Soit E et F , deux K-espaces vectoriels de dimensions finies.
Soit B une base de E et C une base de F . Soit x ∈ E et u ∈ LK (E, F ), alors
M atC (u(x)) = M atB,C (u).M atB (x).
Remarque 5.12 On rappelle que le rang d’une matrice est la dimension de

l’espace engendré par ses vecteurs colonnes.
Théorème 5.13 Soit u une application linéaire entre deux espaces vectoriels
de dimensions finies, et soit A une matrice représentative de u. Alors rg(u) =
rg(A).
Théorème 5.15 Soit E, F et G, trois K-espaces vectoriels de dimensions

finies. Soit B une base de E, C une base de F et D une base de G. Soit
u ∈ LK (E, F ) et v ∈ LK (F, G), alors v ◦ u ∈ LK (E, G) et
M atB,D (v ◦ u) = M atC,D (v).M atB,C (u).
Remarque 5.16 Pour tout-espace vectoriel E de dimension n et toute base B

de E, on a
M atB (IdE ) = In .
Proposition 5.17 Soit E et F , deux K-espaces vectoriels de dimensions finies.

Soit B une base de E et C une base de F . Soit u ∈ LK (E, F ). Alors u est un
isomorphisme si et seulement si il existe B une base de E et C une base de F
telles que M atB,C (u) soit inversible. Et dans ce cas
(M atB,C (u))−1 = M atC,B (u−1 ),
et toute matrice représentative de u est alors inversible.
5.3 Changements de bases

Définition 5.18 Soit E un espace vectoriel de dimension finie. Soit B et B 0
deux bases de E. On appelle matrice de passage de B vers B 0 , et on note PB7→B0 ,
la matrice dont les vecteurs colonnes sont les vecteurs coordonnées des vecteurs
de B 0 , exprimés sur B.
Remarque 5.19 On a donc

PB7→B0 = M atB0 ,B (IdE ).
En conséquence,
PB7→B0 = (PB7→B0 )−1 .
Proposition 5.20 Formule de changement de bases pour un vecteur

Soit E un espace vectoriel de dimension finie. Soit B et B 0 deux bases de E.
Soit x ∈ E, alors
page : 24
M atB (x) = PB7→B0 .M atB0 (x).
Exercice 5.21 Soit P (X) = 2X 2 + 3X + 5, soit B 0 = ((X − 1)(X − 2), X(X +

1), 2X). Montrer que B 0 est une base de R2 [X] puis déterminer les coordonnées
de P sur cette base.
Proposition 5.22 Formule de changement de bases pour une applica-

tion linéaire
Soit E et F , deux K-espaces vectoriels de dimensions finies, soit B et B 0 deux
bases de E, soit C et C 0 deux bases de F . Soit u ∈ LK (E, F ). Alors
M atB0 ,C 0 (u) = PC 0 7→C .M atB,C (u).PB7→B0 .
Exercice 5.23 Démontrer cette propriété en remarquant que IdF ◦ u ◦ IdE = u

et en utilisant théorème 5.15
Remarque 5.24 Deux représentations matricielles d’une même application linéaire

sont équivalentes.
Exercice 5.25 Montrer que, ”inversement”, si deux matrices A et B dans

Mp,n (K) sont équivalentes, alors il existe u ∈ LK (Kn , Kp ) telle que A et B
soient des représentations matricielles de u pour des bases bien choisies de Kn
et Kp .
5.4 Matrices d’endomorphismes

5.4.1 Changement de bases
Soit E un K-espace vectoriel de dimension finie, soit B et B 0 deux bases de
E, soit u ∈ Lk (E), la formule de changement de bases pour les applications
linéaires donne en particulier :
M atB0 (u) = P −1 .M atB (u).P

où P = PB7→B0 .
Remarque 5.26 Les matrices M atB (u) et M atB0 (u) sont donc semblables.
(On rappelle qu’on dit que deux matrices A et B dans Mn (K) sont semblables
s’il existe P ∈ GLn (K) tel que B = P −1 AP .)
Exercice 5.27 Inversement, montrer que si deux matrices A et B sont sem-

blables, alors il existe un endomorphisme u de Kn tel que A = M atB (u) et
B = M atB0 (u), pour des bases B et B 0 de Kn donnÃ es.
c
5.4.2 Trace d’un endomorphisme

On rappelle que la trace, définie sur les matrices carrées, est un invariant de
similitude.
Définition 5.28 Soit E un espace de dimension finie, soit u ∈ LK (E). On

appeller trace de u, et on note T r(u) la trace de M atB (u), où B est une base de
E.
Exercice 5.29 Montrer que T r(M atB (u)) est indépendant du choix de la base
B de E, et que T r(u) est donc bien définie.
page : 25
5.4.3 Isomorphisme d’anneaux

Remarque 5.30 Rappelons la définition suivante :
Soit (A, +, ·) et (B, +, ·) deux anneaux. On dit que φ : A 7→ B est un morphisme
d’anneaux si
1. pour tout (x, y) ∈ A2 , φ(x + y) = φ(x) + φ(y) ;
2. pour tout (x, y) ∈ A2 , φ(x · y) = φ(x) · φ(y) ;
3. φ(1A ) = 1B .
On peut vérifier qu’un morphisme d’anneau envoie un inversible de A sur un
inversible de B, et que φ(a−1 ) = φ(a)−1 si a est un inversible de A.
Exercice 5.31 En utilisant le théorème 5.8 et le théorème 5.15, montrer la

propriété suivante :
Proposition 5.32 Soit E un K-espace vectoriel de dimension n, soit B une

base de E. Soit φ : LK (E) 7→ Mn (K), définie par φ(u) = M atB (u) pour tout
u ∈ LK (E). Alors φ est un isomorphisme d’anneaux de (LK (E), +, ◦) dans
(Mn (K), +, ·).
Remarque 5.33 En particulier φ(LK (E)∗ ) = φ(LK (E))∗ = Mn (K)∗ , i.e. φ(GL(E)) =
GLn (K) (φ réalise une bijection de l’ensemble des automorphismes de E dans
l’ensemble des matrices inversibles de taille n).
5.4.4 Puissances et polynômes d’endomorphisme

Proposition 5.34 Soit E un K-espace vectoriel de dimension finie, soit B une
base de E, soit u ∈ Lk (E), alors pour tout k ∈ N,
M atB (uk ) = (M atB (u))k .
Exercice 5.35 Démontrer cette propriété à l’aide du théorème 5.15 et d’une

récurrence sur k.
Proposition 5.36 Pour tout polynôme Q ∈ K[X], on a

M atB (Q(u)) = Q(M atB (u)).
En particulier Q est un polynôme annulateur de l’endomorphisme u si et seule-
→
−
ment si il existe une base B de E telle que Q(M atB (u)) = 0 Mn (K) .
page : 26
5.5 Noyau, image, rang d’une matrice

5.5.1 Noyau et image
Soit A ∈ Mn,p (K). Soit f ∈ L(Kp , Kn ) l’application linéaire canoniquement
associée à A.
Définition 5.37 On appelle noyau de A, et on note ker(A), l’ensemble des

→
−
vecteurs X ∈ Kp tel que A.X = 0 Kn . Autrement dit
ker(A) = ker(f ).
Définition 5.38 On appelle image de A, et on note Im(A), l’ensemble des

vecteurs A.X de Kn , tel que X ∈ Kp . Autrement dit
Im(A) = Im(f ) = V ectK {C1 , . . . , Cp },

où C1 , . . . , Cp sont les p vecteurs colonnes de A.
Remarque 5.39 On a rg(A) = rg(f ) ≤ M in{n, p}. Par application du théorème

du rang à f , on a
rg(A) = rg(C1 , . . . , Cn ) = rg(f ) = p − dim(ker(A)).
Proposition 5.40 Soit A ∈ Mn (K), alors A est inversible si et seulement si

ses vecteurs colonnes forment une famille libre (resp. génératrice) de Kn .
Exercice 5.41 Justifier cette propriété. Puis, en remarquant que A ∈ GLn (K)
si et seulement si t A ∈ GLn (K), énoncer une caractérisation de l’inversiblité
d’une matrice portant sur les lignes de cette matrice.
5.5.2 Rang et classes d’équivalence

Soit (n, p) ∈ (N∗ )2 , et r ≤ M in{n, p}. Soit Jr (n, p) ∈ Mn,p (K) la matrice dont
tous les coefficients sont nuls, sauf les r premiers coefficients diagonaux, qui
valent 1.
Proposition 5.42 Soit E et F deux espaces vectoriels de dimension p et n,

respectivement. Soit u ∈ calLK (E, F ). Alors l’application linéaire u est de rang
r si et seulement si il existe une base B de E et une base C de F telles que
M atB,C (u) = Jr (n, p).
Proposition 5.43 Soit A ∈ Mn,p (K). Alors la matrice A est de rang r si et

seulement si elle est équivalente à Jr (n, p).
Remarque 5.44 Deux matrices sont donc équivalentes si et seulement si elles

sont de même taille et de même rang.
Proposition 5.45 Une matrice et sa transposée ont même rang.
page : 27
5.5.3 Rang et matrices extraites

Définition 5.46 On appelle matrice extraite de A toute matrice obtenue en
supprimant éventuellement des lignes et/ou des colonnes de A.
 
1 2 3 4
Exercice 5.47 Déterminer le nombre de matrices extraites de A = 5 6 7 8 .
0 9 −1 −2
Proposition 5.48 Le rang d’une matrice extraite de A est inférieur ou égal au

rang de A.
Théorème 5.49 Soit A une matrice non nulle. Le rang de A est égal au max-
imum des ordres des matrices carrées extraites de A qui sont inversibles.
5.6 Complément : Produit matriciel par blocs

On définit un matrice A ∈ Mn,p (K) par blocs si on donne des matrices U , V ,
W , T , telles que A soit de la forme

U V
A= .
W T
Remarquer que U ∈ Mn1 ,p1 (K), V ∈ Mn1 ,p2 (K), W ∈ Mn2 ,p1 (K) et T ∈
Mn2 ,p2 (K), où p1 + p2 = p et n1 + n2 = n.
Exercice 5.50 Interpréter ces blocs, si A = M atB,C (f ).
Théorème 5.51 (Produit par blocs) Soit A ∈ Mn,p (K) et A0 ∈ Mp,q (K).
On écrit ces matrices par blocs compatibles à la multiplication, i.e. :
0
V0

U V U
A= et A0 = ,
W T W0 T0
où U ∈ Mn1 ,p1 (K), V ∈ Mn1 ,p2 (K), W ∈ Mn2 ,p1 (K), T ∈ Mn2 ,p2 (K), et U 0 ∈
Mp1 ,q1 (K), V 0 ∈ Mp1 ,q2 (K), W 0 ∈ Mp2 ,q1 (K) et T 0 ∈ Mp2 ,q2 (K). Alors
U.U 0 + V.W 0 U.V 0 + V.T 0

A.A0 = .
W.U 0 + T.W 0 W.V 0 + T.T 0
page : 28
6 Formes linéaires et hyperplans

6.1 Définitions, caractérisations
Définition 6.1 Soit E un K espace vectoriel. On appelle forme linéaire sur E
toute application linéaire de E dans K.
Remarque 6.2 On notera E ∗ = Lk (E, K), et appelera dual de E cet espace

vectoriel. Une forme linéaire sur E est donc un élément du dual de E. La forme
→
−
linéaire nulle est 0 E ∗ .
Exercice 6.3 Si E admet une base B = (e1 , . . . , en ), pour tout i ∈ [[1, n]], on
note e∗i l’application qui à tout vecteur v de E associe la coordonnée de v sur ei ,
dans la décomposition de v sur la base B. Montrer que e∗i est une forme linéaire
sur E. On appelle e∗i une application coordonnée de E, relativement à la base
B.
Définition 6.4 Soit F un sous-espace vectoriel de E. On dit que F est un

hyperplan de E si F est le noyau d’une forme linéaire non-nulle.
Théorème 6.5 Soit F un sous-espace vectoriel de E. Alors F est un hyperplan

de E si et seulement si il existe une droite vectorielle1 D telle que F et D soient
supplémentaires dans E.
Proposition 6.6 Si H est un hyperplan de E, alors pour toute droite vectorielle

D non incluse dans H, on a D ⊕ H = E.
Proposition 6.7 Soit f1 et f2 deux formes linéaires sur E. Alors ker(f1 ) =

ker(f2 ) si et seulement si il existe λ ∈ K − {0} tel que f1 = λf2 .
6.2 Hyperplans en dimension finie

Proposition 6.8 Si E est un espace de dimension n, alors un hyperplan de E
est un sous-espce de dimension n − 1 de E.
Proposition 6.9 Soit E un espace de dimension n ; soit B = (e1 , . . . , en ) une

base de E, soit (e∗1 , . . . , e∗n ) les applications coordonnées correspondantes. Alors
(e∗1 , . . . , e∗n ) est une base de E ∗ .
On conserve ces notations dans la propriété suivante.
Proposition 6.10 Soit H un hyperplan de E, alors il existe (a1 , . . . , an ) ∈ Kn

tel que, pour tout (x1 , . . . , xn ) ∈ Kn ,
n
X n
X
xk ek ∈ H ⇐⇒ ak xk = 0.
k=1 k=1
n
X
Remarque 6.11 On dit que ak xk = 0 est une équation de l’hyperplan H
k=1
dans la base B.
n
X
Remarque 6.12 La proposition précédente signifie que H = ker( ai e∗i ).
k=1
1 Une droite vectorielle de E est un sous-espace vectoriel de dimension 1 de E.
page : 29
n
X n
X
Exercice 6.13 À quelle condition les équations ak xk = 0 et bk x k = 0
k=1 k=1
sont-elles les équations d’un même hyperplan de E dans une base fixée ?
Proposition 6.14 Si E est un espace vectoriel de dimension n, l’intersection

de p hyperplans de E est un sous-espace vectoriel de dimension au moins n − p
de E.
Proposition 6.15 Soit E un espace de dimension n. Tout sous-espace vectoriel

de dimension p de E est l’intersection de n − p hyperplans de E.
page : 30

Cours D'algèbre Linéaire

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours D'algèbre Linéaire

Transféré par

Droits d'auteur :

Formats disponibles

Algèbre linéaire

3 Espaces vectoriels de dimension finie 15

4 Application linéaire en dimension finie 19

5 Matrices représentatives d’une application linéaire en dimen-

6 Formes linéaires et hyperplans 29

1.1 Définition, espaces vectoriels classiques

Proposition 1.4 Soit E un K-espace vectoriel. Alors pour tout v ∈ E,

Exercice 1.5 Soit (n, p) ∈ N2 . Vérifier que les ensembles R, C, Rn , Cn , R[X],

4. E9 = {P ∈ R[X] / P 0 (X) = (X + 1)P (2X + 3)} ;

Exercice 1.9 Soit n ∈ N et I un intervalle. On rappelle qu’on note

Définition 1.10 Soit (E, +, ·) un K-espace vectoriel. Soit n ∈ N∗ . On appelle

1.2 Sous-espaces vectoriels

Théorème 1.14 (Caractérisation des sous-espaces vectoriels) Soit (E, +, ·)

1.3 Sous-espace vectoriel engendré par une famille de vecteurs

Proposition 1.20 Avec les notations précédentes, l’espace vectoriel engendré

Exercice 1.21 Vérifier cette propriété.

Exercice 1.22 Pour E = R[X], déterminer VectR (A) pour A = {X n / n ∈ N},

Remarque 1.23 Soit F ⊂ E. Pour prouver que F est un K-espace vectoriel,

Définition 1.24 Soit E un K espace vectoriel, A une famille de vecteurs de E

Proposition 1.26 Soit E un K espace vectoriel, A une famille de vecteurs de

1. E = R[X], F = VectR {X 4 − 2X 3 + 5, X 3 + 8X + 1, 2X, X + 6};

1.4 Produit cartésien, intersection

Exercice 1.29 De même, définir une structure de K espace vectoriel sur le

Proposition 1.30 Soit E un espace vectoriel, une intersection quelconque de

1.5 Somme de s.e.v., somme directe, supplémentaires

Proposition 1.33 Avec les notations précédentes, si A et B sont des sous-

Définition 1.34 Si A1 , . . . , An sont n parties d’un K-e.v. E, on définit A1 +

Proposition 1.35 Si A1 , . . . , An sont des sous-espaces vectoriels de E, alors

Exercice 1.36 Soit E = R[X], A = {P ∈ R[X] / X 3 + 2X 2 + +X + 1 divise P }

Proposition 1.37 Soit E un K-espace vectoriel, soit A et B deux familles de

VectK (A) + VectK (B) = VectK (A ∪ B).

Exercice 1.38 Prouver

Exercice 1.40 Montrer que A = {P ∈ R[X] / X 3 + 2X 2 + +X + 1 divise P }

Proposition 1.41 Avec les notations précédentes, A et B sont en somme di-

Exercice 1.42 Prouver cette caractérisation des sommes directes. L’appliquer

Proposition 1.45 Avec les notations précédentes, A et B sont supplémentaires

Exercice 1.46 Vérifier cette caractérisation des supplémentaires.

Définition 1.48 Soit A1 , . . . , An , n s.e.v. de E. On dit qu’ils sont en somme

Proposition 1.49 Avec les notations précédentes, la somme de Ai est directe

1.6 Famille génératrice, famille libre, base

Définition 1.50 On dit que A est une famille génératrice de E sur K si E =

Remarque 1.53 Toute famille de vecteurs de E contenant une famille génératrice

Définition 1.54 Soit n ∈ N∗ . Soit (v1 , . . . , vn ) ∈ E n . On dit que {v1 , . . . , vn }

Définition 1.57 Soit A ⊂ E, une famille quelconque de vecteurs de E. On dit

Exercice 1.58 Montrer que, dans R[X], la famille {X n / n ∈ N} est libre.

Remarque 1.60 Toute sous-famille d’une famille libre est libre.

Définition 1.61 Soit A une famille de vecteurs d’un K-espace vectoriel E. On

Théorème 1.62 La famille de vecteurs A est une base de E sur K si et seule-

Exercice 1.63 Prouver cette caractérisation des bases.

Définition 1.64 Si A est une base de E sur K et si v ∈ E, on appelle coor-

Exercice 1.65 Montrer que {X n / n ∈ N} est base de E.

2.1 Définitions, propriétés élémentaires

Exercice 2.4 Dire si les applications suivantes sont linéaires :

Remarque 2.6 Cette application f est appelée application linéaire canonique-

Définition 2.8 On note LK (E, F ) l’ensemble des applications linéaires de E

Proposition 2.9 Soit A une famille de vecteurs de E et f une application

Proposition 2.10 L’ensemble LK (E, F ) est un K-espace vectoriel. En partic-

Proposition 2.11 Soit E, F et G trois K-espaces vectoriels. Soit f ∈ LK (E, F )

Définition 2.12 On appelle endomorphisme de E une application linéaire de

Remarque 2.13 L’ensemble LK (E, E) des endomorphismes de E est noté LK (E).

Définition 2.14 Soit f ∈ LK (E, F ). On dit que f est un isomorphisme de

Proposition 2.15 Soit f un isomorphisme de E dans F , alors f −1 est un

Proposition 2.17 (LK (E), +, ◦) est un anneau (non commutatif en général).