Académique Documents
Professionnel Documents
Culture Documents
Espaces vectoriels
Table des matières
1 Espace vectoriel 1
1.1 Produit d’espaces vectoriels. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Sous espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Intersection de sous-espaces vectoriels. . . . . . . . . . . . . . . . . . . . 3
1.2.2 Somme d’un nombre fini de sous-espaces vectoriels . . . . . . . . . . . . . 3
1.3 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Dépendance linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Familles génératrices et bases . . . . . . . . . . . . . . . . . . . . . . . . 5
1 Espace vectoriel
Définition. Soit E un ensemble muni d’une loi de composition interne, notée additivement, et
d’une loi de composition externe à opérateurs dans le corps K,notée multiplicativement, c’est
à dire une application :
K ×E →E
(λ, →
−
x ) 7→ λ→
−
x
On dit que (E, +, ×) est un K-espace vectoriel (ou un espace vectoriel sur le corps K) si les
propriétés suivantes sont vérifiées :
1. (E, +) est un groupe commutatif
2. De plus on a :
(a) Pseudo-associativité : ∀λ, µ ∈ K ∀→−
x ∈ E λ (µ→−
x ) = (λµ) →
−
x (noté donc λµ→
−
x)
(b) Pseudo-distributivité à droite de × sur + : ∀λ, µ ∈ K ∀ x ∈ E (λ + µ) →
→
− −
x =
→
−
λx +µx →
−
(c) Pseudo-distributivité à gauche de × sur + : ∀λ ∈ K ∀→
−
x ,→
−
y ∈ E λ(→
−
x +→
−
y) =
λ→
−x + λ→−
y
(d) 1K est un pseudo-élément unité : ∀→
−
x ∈ E 1K →
−
x =→−x
Les éléments de E sont appelés des vecteurs. Ceux de K sont appelés scalaires. Nous
avons mis des flèches sur les vecteurs pour éviter des confusions, mais ce n’est nullement
→
− →
−
indispensable. L’élément nul est noté 0 ou 0 E et appelé le vecteur nul.
Propriété 1. :
1
→
− →
−
1. Soit λ ∈ K →
−x ∈ E. On a : λ→
−
x = 0 ⇔ λ = 0K ou → −x = 0
2. ∀λ ∈ K ∀→−x ∈ E λ (−→−x ) = (−λ) →
−
x = − (λ→
−
x ) (noté donc −λ→
−
x)
3. Pseudo-distributivité à droite de la loi × sur − :
∀λ, µ ∈ K ∀→
−
x ∈ E (λ − µ) →
−
x = λ→
−
x − µ→
−
x
∀λ ∈ K ∀→
−
x ,→
−
y ∈ E λ(→
−
x −→
−
y ) = λ→
−
x − λ→
−
y
Exemple.
1. Soit l’ensemble K I des applications d’un ensemble I dans K. Sur K I les lois + et ×
sont définies comme suit : Soit f, g ∈ K I
2
1.2 Sous espace vectoriel
Définition. Une partie F d’un K - espace vectoriel E est appelée un sous-K-espace vectoriel
(sev en abrégé) de E si elle est non vide, stable pour l’addition et la multiplication externe. De
plus munie des deux lois induites, elle est un K-espace vectoriel.
Propriété 3. Une partie F d’un K - espace vectoriel E est un sous-espace vectoriel si et
seulement si elle soit stable pour l’addition et la multiplication externe et contienne le vecteur
nul, c’est-à-dire :
→
−
1. 0 ∈ F
2. ∀→−x ,→−
y ∈F → −x +→ −
y ∈ F (stabilité pour + ; on peut aussi écrire : F + F ⊂ F )
3. ∀λ ∈ K ∀→
−
x ∈ F λ→
−
x ∈ F (stabilité pour × externe ; on peut aussi écrire : KF ⊂ F )
Ei = {→
−
x ∈ E / ∀i ∈ I →
−
\
x ∈ Ei }
i∈I
est un sev de E.
F + G = {→
−
x ∈ E / ∃ (→
−
y ,→
−
z )∈F ×G/→
−
x =→
−
y +→
−
z } = {→
−
y +→
−
z /→
−
y ∈ F et →
−
z ∈G}
3
1.3 Combinaisons linéaires
Définition. Soit F = (→ −x 1 , ..., →
−x p ) = (→
−
x i )i=1..p une famille finie de p vecteurs du K-espace
p
vectoriel E et (λ1 , ..., λp ) ∈ K une famille de p scalaires. La combinaison linéaire de F de
p
coefficients (λ , ..., λ ) est le vecteur λ → −
P
1 p i x . Lorsque les coefficients sont nuls, la combinaison
i
i=1
linéaire est dite triviale.
Propriété 6. L’ensemble de toutes les combinaisons linéaires d’une famille finie de vecteurs
F est un sous-espace vectoriel de E appelé le sous espace vectoriel engendré par F (ou par les
→
−
x i , i = 1..p). On note :
( p )
vectF = vect (→
− λ→−
X
x ) =
i i=1..p x / ∀i ∈ [|1, p|] λ ∈ K
i i i
i=1
Par
n→convention, le sous-espace vectoriel engendré par une famille vide est le sous-espace réduit
−o
à 0 :
n→−o
vect∅ = 0
Remarque.
1. Lorsque F n’est constituée que d’un vecteur → −x , vect (→
−
x ) = {λ→
−
x / λ ∈ K} est aussi
→
− →
−
noté K x . On verra plus loin que si x est non nul, c’est une droite. C’est pourquoi on
l’appelle dans ce cas ”la droite engendrée par →
−
x ” ou encore ”la droite dirigée par →
−
x ”.
2. vectF n’est autre que la somme des sous-espaces engendrés par chacun des x : →
−
i
vect (→
−
x i )i=1..p = K →
−
x 1 + ... + K →
−
xp
Ceci montre que vectF est bien un sev, puisqu’on sait que les K →
−
x i en sont et qu’une
somme de sev est un sev.
Ne pas confondre K →
−
x + K→ −
y et K (→
−x +→ −
y)
3. Un sous-espace vectoriel est toujours stable par combinaisons linéaires (c’est-à-dire que
toute combinaison linéaire d’éléments d’un sev est encore un élément de ce sev).
Lorsque p > 2, cela signifie que l’un des vecteurs s’exprime comme combinaison linéaire des
autres. Donc
F = (→ −
x 1 , ..., →
−
x p ) est liée ⇔ ∃ i0 ∈ [|1, p|] / →
− λi →
−
X
x i0 = xi
16i6p
i6=i0
4
Définition. Une famille finie de vecteurs est dite libre (ou qu’elle est formée de vecteurs
linéairement indépendants) lorsque elle est non liée. Donc si la seule combinaison linéaire de
ses vecteurs qui soit nulle est la combinaison linéaire triviale.
La négation des encadrés ci-dessus donne :
∨
→
− →
− →
−
F = ( x 1 , ..., x p ) est libre ⇔ ∀i0 ∈ [|1, p|] / x i0 ∈ →
− →
− →
−
/ vect x 1 , ..., x i0 , ..., x p
Soit
p
!
→
−
F = (→
−
x 1 , ..., →
− λi →
−
X
x p ) est libre ⇔ ∀ (λ1 , .., λp ) ∈ K p x i = 0 ⇒ (λ1 , .., λp ) = (0, ..., 0)
i=1
Le nombre d’éléments d’une famille libre est toujours inférieur ou égal à celui d’une famille
génératrice.
Théorème 7. Les bases (finies) d’un espace vectoriel (s’il y en a) ont toutes le même
nombre d’éléments.
La dimension d’un espace vectoriel ayant au moins une base finie est le nombre
d’éléments de cette base :
− →e 1 , ..., −
→
−
→ −
→ e n libre
dim E = n ⇔ ∃ e 1 , ..., e n ∈ E /
vect − →
e , ..., −
→
1e =En
Un espace vectoriel n’ayant pas de base finie est dit de dimension infinie.
Exemple.
n→
−o
1. 0 est de dimension nulle (base = ∅)
→
−
2. Un espace vectoriel de dimension 1 (donc de la forme K →
−
x avec →
−
x 6= 0 ) est appelé une
droite vectorielle
5
3. Un espace vectoriel de dimension 2 (donc de la forme K →
−
x + K→
−
y avec (→
−
x ,→
−
y ) libre)
Définition. Le rang d’une famille de vecteurs est la dimension du sous-espace vectoriel en-
gendré par cette famille :
rg (F) = dim (vect (F))
6
2. On appelle image de ϕ, et on note =(ϕ), l’ensemble de vecteurs ϕ(→
−
x ) de F tels que
→
−
x ∈ E.
→
−y ∈ =()ϕ ⇔ ∃ →
−x ∈E/→ −
y = ϕ(→ −
x ).
=(ϕ) est un sous espace vectoriel de F .
La dimension dim(=(ϕ)) est aussi appelée rang de ϕ noté Rang(ϕ). Lorsque E est de dimension
on a Rang(ϕ) ≤ n
Définition. Une matrice A à n lignes et p colonnes (ou de format (n, p)) à coefficients dans
K est une application de [|1, n|] × [|1, p|] dans K ;
pour (i, j) ∈ [|1, n|] × [|1, p|] , A (i, j) est souvent noté de façon indicielle aij , de sorte que A est
notée (aij )16i6n ; on la représente aussi par le tableau rectangulaire :
16j6p
j
a11 a12 a1p a1j
a21 a22 a2p ...
= i
ai1 ... aij ... aip ;
...
an1 anp ....
anj
[|1,n|]×[|1,p|]
l’ensemble K de ces matrices est noté Mnp (K) ; on sait que c’est un K-espace vectoriel
de dimension np, (donc isomorphe à K np ), dont la base canonique est formée des matrices
canoniques (Ekl ) avec Ekl (i, j) = δ.... δ.... .
16k6n
16l6p
Remarque. La connaissance des images des vecteurs d’une base de l’espace de départ ca-
ractérise entièrement une application linéaire ; plus précisément :
B = (→ −
e1 , ..., →
−
en ) base de E
si alors ∃!f ∈ L (E, F ) / ∀i ∈ [|1, n|] f (→
−
ei ) = →
−
yi
(→
−
y1 , ..., →
−
yn ) ∈ F n
Définition. La matrice d’une application linéaire entre espaces de dimensions finies relati-
vement à (ou dans) une base de l’espace de départ et une base de l’espace d’arrivée, est la
matrice dont les colonnes sont les coordonnées dans la base d’arrivée des images des vecteurs
de la base de départ ; autrement dit :
f ∈ L (E, F )
B = (→ − , ..., →
−
e→1 en ) base de E X → −
− →
− alors A = mat(B,C) (f ) ⇔ ∀j ∈ [|1, n|] f (→
−
def
si
C = f1 , ..., fp base de F ej ) = ai,j fi
i
A = (aij ) 16i6p ∈ Mpn (K)
16j6n
7
f (→
−
e ) ... f (→
−ej ) ... f (→
−
en )
1 →
−
a1j f1
... ...
ai1
→
−
Par une représentation en tableau : ......... aij ......... ain
fi
.... ...
apj →
−
fp
Propriété 12. Si B base de E de dimension n, C base de F de dimension p et A ∈ Mpn (K) ,
il existe une unique application linéaire f ∈ L (E, F ) telle que
A = mat (B,C) (f )
Notons qu’on ne peut additionner que des matrices de mêmes formats. On sait que (Mnp (K) , +, ×)
a une structure de d’espace vectoriel.
Si B base de E de dimension n, C base de F de dimension p, f ∈ L (E, F ) et λ ∈ K, on a
et
mat(B,C) (λf ) = λmat(B, C) (f )
Si les ev E et F sont de dimensions finies, L (E, F ) est lui aussi de dimension finie et
Propriété 13. Soit E, F et G trois ev. Soit f ∈ L (E, F ), g ∈ L (F, G) avec B base de E,C base de F
D base de G Alors
mat(B,D) (g ◦ f ) = mat(C,D) (g) × mat(B,C) (f )
AB = BA = In
8
B est notée A−1 .
Si E est un espace vectoriel de dimension n, l’ensemble des matrices carrées d’ordre n inversibles
à coefficients dans K est un groupe multiplicatif isomorphe à (GL (E) , ◦) . Il est appelé ”groupe
linéaire en dimension n” et noté GLn (K) .
Remarque. Si f ∈ L (E) on a donc
f ∈ GL (E) ⇔ matB (f ) ∈ GLn (K)
et si A ∈ Mn (K) ,
A ∈ GLn (K) ⇔ fA ∈ GL (K n )
Un outil de calcul important pour determiner si une matrice carrée est inversible est le déterminant
d’une matrice.
Si A ∈ Mn (K), le déterminant de A, noté det(A) ou bien |ai,j | si A est la matrice [ai,j ], est un
élément de K que l’on définit par récurrence de la manière suivante :
1. Si n = 1 et A = [a], alors det(A) = a.
2. Si n ≥ 2 et A = [ai,j ], on note Ai la sous-matrice de A obtenue en enlevant la première
colonne et la i-ème ligne. On a alors :
n
X
det(A) = (−1)1+i ai,1 det(Ai ) = a1,1 det(A1 ) − a2,1 det(A2 ) + · · · + (−1)n+1 det(An ).
i=1
9
1. Choisir une ligne (ou une colonne) qui a le plus de 0.
2. Si cela est possible, augmenter le nombre de ces 0 par opérations élémentaires sur les
colonnes (ou sur les lignes)
3. Développer le déterminant selon cette ligne (ou colonne), sans oublier l’alternance des
signes
Théorème 15 . Une matrice A ∈ Mn (K) est inversible si et seulement si son
déterminant est non nul. De plus, si A est inversible, alors det(A−1 ) = 1/ det(A).
On peut facilement montrer un sens du théorème. On suppose que A est inversible. Alors on
a:
10
2.2.2 Méthode de Gauss-Jordan pour l’inversion
Soit une matrice A ∈ Mn (K) inversible. Pour amener A à une forme échelonnée réduite nous
appliquons à la matrice A des opérations élémentaires sur les lignes. Cependant, une opération
élémentaire sur les lignes de A correspond à multiplier à gauche la matrice A par une matrice
élémentaire. On suppose que nous avons besoin de k opérations élémentaires afin d’amener A
à sa forme échelonnée réduite, qui dans le cas d’une matrice carrée correspond simplement à
la matrice identité. Dans ce cas nous multiplions A par k matrices élémentaires :
E1 E2 . . . Ek A = In .
Puisque la matrice est inversible nous pouvons multiplier les deux côtés par A−1 .
11
2 −4 4 1 0 0
0 4 0 −4 28 −12
0 0 1 −1 9 −4
L1 ← L1 − 4L3 :
2 −4 0 5 −36 16
0 4 0 −4 28 −12
0 0 1 −1 9 −4
L1 ← L1 + L2 :
2 0 0 1 −8 4
0 4 0 −4 28 −12
0 0 1 −1 9 −4
L2 ← 14 L2 :
2 0 0 1 −8 4
0 1 0 −1 7 −3
0 0 1 −1 9 −4
L1 ← 21 L1 :
1 0 0 1/2 −4 2
0 1 0 −1 7 −3 ,
0 0 1 −1 9 −4
donc on obtient finalement
1/2 −4 2
A−1 = −1 7 −3
−1 9 −4
12
a11 · · · a1p
.. .. .
A= . .
an1 · · · anp
La matrice associée au système (S). Les matrices
X et B sont
respectivement
appelées matrice
x1 b1
.. ..
de variables et matrice de constantes : X = . et B = . .
xn bn
Résoudre le système revient donc à déterminer si la matrice A est inversible et si elle l’est on
peut alors écrire X = A−1 B.
Exemple. Résolvons le système :
1x + 2y = 3
4x + 5y = 6
Alors on pose
1 2
A=
4 5
et
3
X=
6
On cherche alors à résoudre AX=B. On commence par vérifier que la matrice A est inversible
ad − bc = 5 − 8 = −3. Donc la matrice A est inversible.
On a
−1 1 5 −2
A =
−3 −4 1
On en déduit que la solution est donnée par X = A−1 B
1 3
X=
−3 −6
Et finalement
−1
X=
2
13