Espaces vectoriels et applications linéaires

4
Dans tout le chapitre, K désigne un sous-corps presque nulles de scalaires).
de C. Si F = (⃗
x i )i ∈I , les combinaisons linéaires d’élé-
X
ments de F sont les λi ⃗ x i où (λi )i ∈I ∈ K(I ) .
I STRUCTURE D’ESPACE VECTO- i ∈I

RIEL (MP2I)

1 Définition Propriété 1 : Produit cartésien de K-espaces

vectoriels
µ ¶ µ ¶
Définition 1 : K-espace vectoriel Si E , +, · et F, +, · sont des K-espaces vec-
E E F F
Soit E un ensemble et K un corps. On appelle toriels alors (E × F, +, ·) est un K-espace vecto-
loi de composition externe sur E toute applica- riel, avec
¡ les¢ lois
¡ 0 coordonnée
¢ à coordonnée : si
tion λ ∈ K et ⃗ y , ⃗
x ,⃗ y0 ∈ E × F ,
x ,⃗
K × E −→ E µ ¶
·: ¡ ¢ ¡ 0 0¢
(λ, x) 7−→ λ·x ⃗ y + ⃗
x ,⃗ y = ⃗
x ,⃗ x 0 ,⃗
x +⃗ y0
y +⃗
E F

On appelle espace vectoriel sur K ou K- µ ¶

¡ ¢
espace vectoriel tout triplet (E , +, ·) tel que λ· ⃗x ,⃗ x, λ · ⃗
y = λ ·⃗ y
E F
■ E est un ensemble, + est une loi de compo-
sition interne sur E et · est une loi de com-
position externe sur E .
■ (E , +) est un groupe abélien d’élément
neutre noté ⃗0E ou 0E . Propriété 2 : Fonctions à valeurs dans un K-
■ Pseudo-distributivité à droite : espace vectoriel
µ ¶
∀ λ, µ ∈ K, ∀⃗
x ∈ E , (λ + µ) ·⃗
x = λ ·⃗
x + µ ·⃗
x.
Si X est un ensemble non vide et F, +, · un K-
F F
¡ ¢
■ Pseudo-distributivité à gauche : espace vectoriel, alors F X , +, · est un K-espace
¡ ¢ vectoriel avec les lois habituelles sur les fonc-
∀ λ ∈ K, ∀⃗ y ∈ E, λ· ⃗
x ,⃗ x +⃗
y = λ ·⃗
x + λ ·⃗
y. tions : si λ ∈ K et f , g ∈ F X , alors
■ Pseudo-associativité : f + g : x 7→ f (x) + g (x)
F
¡ ¢
∀ λ, µ ∈ K, ∀⃗
x ∈ E , (λ × µ) ·⃗
x = λ · µ ·⃗
x .
λ · f : x 7→ λ · f (x)
F
■ Pseudo-élément neutre : ∀⃗ x =⃗
x ∈ E , 1K ·⃗ x.

Définition 2 : Famille presque nulle, combinai-

son linéaire
Propriété 3 : Espaces vectoriels classiques
On appelle famille presque nulle de sca-
laire tout famille (λi )i ∈I telle que λi 6= 0 pour un Sont des K-espaces vectoriels :
nombre fini de vecteurs seulement. On note ¡ ¢
K(I ) l’ensemble des familles de scalaires presque ■ (K, +, ×), ■ KD , +, · pour
nulles. ■ (Kn , +, ·) pour tout ensemble D ,
¡ N n ∈ N,
tout ¢ ■ (K[X ], +, ·),
Si ⃗ x n sont des vecteurs de E , on appelle
x 1 , . . . ,⃗ ■ K , +, · , ■ (K(X ), +, ·).
combinaison linéaire de ⃗ x n , tout vecteur
x 1 , . . . ,⃗
de la forme λ1⃗ x n où (λ1 , . . . , λn ) ∈ Kn .
x 1 + · · · + λn⃗ (C, +, ×) est un R-espace vectoriel, et, plus gé-
La définition s’étend aux familles infinies de néralement, si K est un sous-corps de L, alors
vecteurs en n’ayant qu’un nombre fini de sca- (L, +, ×) est un K-espace vectoriel.
laires non nuls : toute combinaison linéaire est
nécessairement finie (d’où l’intérêt des familles
LYCÉE LECONTE DE LISLE – LA RÉUNION https://mpi.lecontedelisle.re

Propriété 6 : Caractérisation d’un Vect

2 Sous-espace vectoriel Soit E un K-espace vectoriel, A ⊂ E . Vect A
est l’ensemble des combinaisons linéaires d’élé-
ments de A :
Définition 3 : Sous-espace vectoriel
©
Vect A = λ1⃗
x 1 + · · · + λn⃗
xn ;
Soit (E , +, ·) un K-espace vectoriel et F une ª
partie de E . n ∈ N∗ ,⃗ x n ∈ A, λ1 , . . . , λn ∈ K .
x 1 , . . . ,⃗
On dit que (F, +, ¡ ·) est un sous-espace
¢ vecto-
riel de E lorsque F, +|F 2 , ·|K×F est un K-espace
vectoriel.
Méthode 1 : Passer de famille généra-
trice à équations
On résout le système donné par le paramétrage
Propriété 4 : Caractérisation deux sous- traduisant le caractère générateur de la famille en
espaces vectoriels égalant les coordonnées : il y a plus d’équations
que d’inconnues.
Les premières servent à déterminer les para-
F est un sous-espace vectoriel de E mètres du système, les autres formes des équations
 de notre sous-espace après élimination des para-

 F 6= ∅ (0E ∈ F )

 mètres.
⇐⇒ ∀⃗ y ∈ F, ⃗
x ,⃗ x +⃗ y ∈F




∀ λ ∈ K, ∀⃗ x ∈ F, λ⃗ x ∈F

 F 6= ∅ (0E ∈ F ) Méthode 2 : Passer d’équations à fa-


 mille génératrice
⇐⇒ ∀ λ ∈ K, ∀⃗ y ∈ F, ⃗
x ,⃗ x + λ⃗
y ∈F

 Pour passer d’une système d’équations décri-


(F stable par combin. linéaires) vant un sous-espace vectoriel à une famille généra-
trice de celui-ci, on résout le système formé par les
équations : certaines coordonnées vont alors s’ex-
primer en fonction d’autres qui vont devenir des pa-
ramètres et donner une famille génératrice.
3 Intersection de sous-espaces
vectoriels
Méthode 3 : Égalité de Vect
Propriété 5 : Intersection de sev Pour montrer que Vect A = Vect B , on montre que
Soit (Fi )i ∈I une
\ famille de sous-espaces vecto- A ⊂ Vect B
riels de E . Alors Fi est un sous-espace vectoriel
i ∈I puis que
de E . B ⊂ Vect A.

4 Sous-espaces vectoriel en- 5 Familles de vecteurs

gendré par une partie
Définition 5 : Familles liées, libres, génératrices,
bases
Définition 4 : Sous-espaces vectoriels engendré
par une partie Soit E un K-espace vectoriel, n ∈ N∗ ,
F = (⃗ xn ) ∈ E n .
x 1 , . . . ,⃗
Soit E un K-espace vectoriel, A ⊂ E .
On appelle sous-espace vectoriel engendré ■ La famille F est dite liée (ses vecteurs
par A le plus petit sous-espace vectoriel de E sont dit linéairement dépendants) lorsqu’il
contenant A . existe une combinaison linéaire non triviale
On le note Vect A ou VectK A . de ses vecteurs égale au vecteur nul :
Si F = Vect A , on dit que A engendre F ou que
F est une partie génératrice de F . X
n
∃ (λ1 , . . . , λn ) ∈ Kn \ {(0, . . . , 0)}, x i =⃗0E
λi ⃗
i =1

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 2 SUR 10

 J. Larochette VERSION DU 12 SEPTEMBRE 2023

■ La famille F est dite libre (ses vecteurs sont Propriété 7 : Famille de polynômes à degrés
dit linéairement indépendants) lorsqu’elle étagés
n’est pas liée, c’est-à-dire que toute com-
binaison linéaire de ses vecteurs égale au Toute famille de polynômes non nuls et à de-
vecteur nul est triviale : ∀ (λ1 , . . . , λn ) ∈ Kn , grés étagés (c’est-à-dire deux à deux distincts)
est libre.
X
n
x i =⃗0E =⇒ ∀ i ∈ J1, n K, λi = 0.
λi ⃗
i =1

■ La famille F est dite génératrice de E (ou Définition – Propriété 1 : Coordonnées

engendre E ) lorsque tout vecteur de E est
combinaison linéaire de ces vecteurs : B = (⃗e 1 , . . . ,⃗
en ) est une
base de E si et seulement si
X
n
∀⃗x ∈ E , ∃ ! (x 1 , . . . , x n ) ∈ Kn , ⃗ x = x 1⃗
e 1 + · · · + x n⃗
en .
x ∈ E , ∃ (λ1 , . . . , λn ) ∈ Kn , ⃗
∀⃗ x= λi ⃗
xi
i =1 Le triplet (x 1 , . . . , x n ) est appelé n -uplet des
coordonnées de ⃗ x dans la base B .
c’est-à-dire E = Vect F . Cette définition s’étend au cas où B est infi-
■ La famille F est une base de E lorsqu’elle nie, les famille des coordonnées étant presque
est libre et génératrice dans E . nulles.

Toutes ces définitions s’étendent aux familles

infinies, les combinaisons linéaires restant tou-
jours finies (les suites de cœfficients (λi )i sont Définition – Propriété 2 : Bases canonique
presque nulles).
On a appelle bases canoniques de Kn , K[X ],
Kn [X ], Mn , p(K) les familles
■ ((0, . . . , 0, 1, 0, . . . , 0))1⩽k ⩽n ,
↑
Méthode 4 : Montrer qu’une famille est ke
n
liée ■
¡ )n∈N2 ,
(X
n
¢
■ Pour montrer qu’une famille est liée, on ■
¡1, X ¢, X , . . . , X ,
cherche une combinaison linéaire nulle non ■ E i , j 1⩽i ⩽n, 1⩽ j ⩽p .
triviale de ses vecteurs.
■ Cela peut parfois se faire par exemple en ré-
solvant un système linéaire.
■ On raisonne fréquemment par l’absurde
et/ou par récurrence.
■ On peut aussi utiliser un argument de dimen-
sion (s’il y a plus de vecteurs que la dimension, Propriété 8 : Sur-famille et sous-famille
la famille est liée).
Toute sur-famille d’une famille liée ou géné-
ratrice l’est encore.
Toute sous-famille d’une famille libre l’est en-
core.
Méthode 5 : Montrer qu’une famille est
libre
■ Pour montrer qu’une famille est libre, on prend
une combinaison linéaire nulle des vecteurs,
et on montre qu’elle est triviale : tous les sca-
laires sont nuls. Propriété 9 : Complétion d’une famille libre
■ Il suffit aussi de concaténer des familles libres
de vecteurs pris dans des sous-espaces en Soient E un K-espace vectoriel, n ∈ N∗ ,
⃗
x 1 , . . . ,⃗ y ∈ E.
x n ,⃗
somme directe. 
■ Une famille de polynômes non nuls à degrés ¡ ¢  (⃗ x n ) libre
x 1 , . . . ,⃗
étagés est libre. ■ ⃗x 1 , . . . ,⃗ y libre ⇐⇒
x n ,⃗
 y ∉ Vect (⃗ x 1 , . . . ,⃗
xn )
■ On peut aussi, en dimension finie, utiliser un dé-
terminant. ■ (⃗ x n ) liée si et seulement
x 1 , . . . ,⃗ ¡ ¢ s’il existe
■ Dans un espace préhilbertien, une famille or- i 0 ∈ J1, n K tel que ⃗ x i 0 ∈ Vect (⃗
x i )i 6=i 0 .
thogonale de vecteurs non nuls est libre. Lorsque c’est le cas, on a alors
■ On verra dans le cours de réduction qu’une
famille de vecteurs propres associés à des va- Vect (⃗ x n ) = Vect (⃗
x 1 , . . . ,⃗ x i )i 6=i 0 .
leurs propres distinctes est automatiquement
libre.

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 3 SUR 10

LYCÉE LECONTE DE LISLE – LA RÉUNION https://mpi.lecontedelisle.re

6 Sommes de sous-espaces 8 Sous-espaces supplémen-

vectoriels (MPI) taires (MPI)
Définition 6 : Sommes de sev Définition 8 : Sous-espaces supplémentaires
Soit E un K-espace vectoriel, F1 , . . . , Fn des
Soient F et G des sous-espaces vectoriels
sous-espaces vectoriels de E . On note
d’un K-espace vectoriel E .
X
n © ª F et G sont dits supplémentaires dans E si et
F1 + . . . + Fn = Fi = ⃗ xn | ∀ i , ⃗
x 1 + · · · +⃗ xi ∈ Fi . seulement si E = F ⊕G c’est-à-dire
i =1

∀⃗
x ∈ E , ∃ ! (⃗ xG ) ∈ F ×G, ⃗
x F ,⃗ x =⃗
x F +⃗
xG .
Ainsi,
X
n
⃗
x∈ F i ⇐⇒ ∃ (⃗ x n ) ∈ F 1 ×· · ·×F n , ⃗
x 1 , . . . ,⃗ x =⃗
x 1 +· · ·+⃗
xn .
i =1
Propriété 13

(i) F et G sont supplémentaires dans

© ª E si et
Propriété 10 seulement si F +G = E et F ∩G = ⃗0E .
(i) Une somme de sous-espaces vectoriels est (ii) Il n’y a pas unicité du supplémentaire en gé-
un sous-espace vectoriel. néral.
(ii) Si A 1 , . . . , A n sont des parties de E , alors
à !
[
n X
n
Vect Ak = Vect A k .
k=1 k=1 Méthode 6 : Montrer que des sous-
espaces sont supplémen-
taires
Raisonner par analyse-synthèse : si on a une
7 Somme directe (MPI) ■
décomposition x = a + b , alors... a = ... et b = ...
(unicité sous réserve d’existence), et récipro-
Définition 7 : Somme directe quement de tels a et b conviennent (d’où
l’existence).
Soit E un K-espace vectoriel, F1 , . . . , Fn des ■ Montrer que F ∩G = {0E } (en général plus facile)
sous-espaces vectoriels de E . et F +G = E (en général moins facile).
On dit que F1 , . . . , Fn sont en somme di- ■ En dimension finie, utiliser des bases (une
recte lorsque pour tout ⃗ x ∈ F 1 + · · · + F n , l’écriture concaténation de bases de chaque sev
⃗
x =⃗ x n où ∀ i , ⃗
x 1 + · · · +⃗ x i ∈ F i est unique. donne une base de l’espace entier, dite
On note alors adaptée à la décomposition E = F ⊕ G ) ou un
argument de dimension dim F +dimG = dim E et,
M
n au choix, soit F ∩G = {0E }, soit F +G = E : voir plus
F1 + · · · + Fn = F1 ⊕ · · · ⊕ Fn = Fi . loin.
i =1
■ Reconnaître les sous-espaces caractéristiques
d’une symétrie ou d’une projection.
■ Plus généralement, reconnaître les sous-
Propriété 11 : Caractérisation espaces propres d’un endomorphisme
diagonalisable (voir cours de réduction).
F 1 , . . . , F n sont en somme directe si et seule- ■ Reconnaître, si F est de dimension finie dans
ment si ∀ (⃗ xn ) ∈ F1 × · · · × Fn ,
x 1 , . . . ,⃗ un espace préhilbertien, une décomposition
F ⊕F⊥ = E.
⃗ x n =⃗0E =⇒ ⃗
x 1 + · · · +⃗ x n =⃗0E .
x1 = · · · = ⃗

Définition 9 : Sous-espaces supplémentaires

Propriété 12 : Cas de deux sous-espaces
Soient F1 , . . . , Fn des sous-espaces vectoriels
Deux sous-espaces F et G sont
© ª en somme di- de E .
recte si et seulement si F ∩G = ⃗0E . On dit que F1 , . . . , Fn sont supplémentaires
" Le résultat est faux pour plus de deux dans E lorsque F1 ⊕ · · · ⊕ Fn = E c’est-à-dire
sous-espaces.
∀⃗
x ∈ E , ∃ ! (⃗ xn ) ∈ F1 × · · · × Fn , ⃗
x 1 , . . . ,⃗ x =⃗
x 1 + · · · +⃗
xn .

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 4 SUR 10

J. Larochette VERSION DU 12 SEPTEMBRE 2023
II DIMENSION FINIE (MP2I)
1 Espace de dimension finie
Définition 10 : Espace de dimension finie
Un K-espace vectoriel est dit de dimension
finie s’il possède une famille génératrice finie.
Dans le cas contraire, il est dit de dimension
infinie.
2 Dimension, bases extraites et
incomplètes
Propriété 14 : Existence de bases et leur taille
Soit E© unª K-espace vectoriel de dimension
finie, E 6= ⃗0E .
■ E possède des bases.
■ Toutes les bases de E ont même nombre
d’éléments.
Définition 11 : Dimension
Soit E un K-espace vectoriel de dimension fi-
nie. © ª
Si E = ⃗0E , on pose dim E = 0.
Sinon, on note dim E (ou dimK E ) le nombre de
vecteurs de toute base de E .
Propriété 15 : Taille des familles libres ou géné-
ratrices
Soit E un K-espace vectoriel de dimension
finie n . Toute famille génératrice de E possède
au moins n vecteurs, toute famille libre de E pos-
sède au plus n vecteurs.
Corollaire 1
Toute famille d’au moins n + 1 vecteurs en di-
mension n est liée.
Théorème 1 : Caractérisation des bases
Soit E un K-espace vectoriel de dimension
finie n 6= 0, B une famille finie de vecteurs de E .
B est une base de E si et seulement si elle
contient n = dim E vecteur et elle est libre ou gé-
nératrice.
ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 5 SUR 10
Théorème 2 : de la base extraite
Soit E© unª K-espace vectoriel de dimension
finie, E 6= ⃗0E . De toute famille génératrice de E ,
on peut extraire une base de E .
Théorème 3 : de la base incomplète
Soit E un K-espace vectoriel de dimension
finie n 6= 0. On peut compléter toute famille libre
de vecteurs de E en une base de E .
De plus, les vecteurs pour compléter
peuvent être choisis dans n’importe quelle
famille génératrice de E .
Corollaire 2
Si E un K-espace vectoriel de dimension finie
n 6= 0, G une famille génératrice de E et L une
sous-famille libre de G .
Alors on peut trouver une base B de E telle
que L soit une sous-famille de B et B soit une
sous-famille G .
3 Dimension d’un produit d’es-
paces vectoriels
Propriété 16 : Base et dimension d’un produit
cartésien
Si E 1 , . . . , E n sont des espaces de di-
mension finie, E 1 × . . . × E n l’est encore et
dim E 1 × . . . × E n = dim E 1 + . . . + dim E n .
Si E est de dimension finie, E n l’est encore et
dim E n = n dim E .
4 Dimension des sous-espaces
Propriété 17 : dimension des sous-espaces
Soit E un K-espace vectoriel de dimension
finie, F un sous-espace de E .
Alors F est de dimension finie et dim F ⩽ dim E
avec égalité si et seulement si F = E .
L’entier dim E −dim F est appelé codimension
de F dans E .
Définition 12 : Droites, plans
Soit E un K-espace vectoriel de dimension fi-
nie n .
Un sous-espace de dimension 1 est une
droite vectorielle de E , un sous-espace de di-
mension 2 est un plan vectoriel de E .
LYCÉE LECONTE DE LISLE – LA RÉUNION https://mpi.lecontedelisle.re

Corollaire 4 : Sous-espaces supplémentaires

en dimension finie
5 Rang d’une famille de vec- Soit E un K-espace vectoriel de dimension
teurs finie, F1 , . . . , Fn des sous-espaces de E .
F 1 , . . . , F n sont supplémentaires dans E (ie
E = F 1 ⊕ · · · ⊕ F n ) si et seulement si deux des trois
Définition 13 : Rang d’une famille de vecteurs
propriétés suivantes sont vraies :
Soit E un K-espace vectoriel, F une famille
1. E = F1 + · · · + Fn .
d’éléments de E .
On appelle rang de F l’entier 2. La somme est directe.
rg F = dim(Vect F ). X
n
3. dim E = dim F i .
i =1

Propriété 18 : Rang d’une sous-famille, caracté-
risation des familles libres
Soit E un K-espace vectoriel, F une famille
d’éléments de E .
(i) Si F 0 est une sous-famille de F , rg F ⩽ rg F .
(ii) Si F est finie, F est libre si et seulement si
elle contient rg F vecteurs.
Corollaire 5 : Existence et dimension des sup-
plémentaires
Tout sous-espaces vectoriel F d’un K-
espace vectoriel de dimension finie E admet
un supplémentaire dans E .
De plus, si p = dim F et n = dim E , tout supplé-
mentaire de F est de codimension p , c’est-à-
dire de dimension n − p .

6 7 Formule de Grassmann
Somme directe et supplé-
mentaire (MPI) Propriété 20 : Formule de Grassmann
Soit E un K-espace vectoriel et F , G des sous-
Propriété 19 : Caractérisation de la supplémen-
espaces de dimension finie.
tarité avec des bases
Soit E un K-espace vectoriel, F1 , . . . , Fn des dim(F +G) = dim F + dimG − dim(F ∩G).
sous-espaces de dimension finie, BFi une base
de Fi , C la famille obtenue en mettant bout à
bout les BFi (concaténation).
On a toujours que C engendre H = F1 +· · ·+Fn ,
III APPLICATIONS LINÉAIRES
et
(MP2I)
les Fi sont en somme directe si et seulement si
C est libre donc une base de H .
1 Généralités
On dit alors que la base C de H est adaptée
à la décomposition H = F1 ⊕ · · · ⊕ Fn .
X
n
On a alors dim(F1 ⊕ · · · ⊕ Fn ) = dim F i . a
Définition
i =1

Définition 14 : Application linéaire

Soient E et F deux K-espaces vectoriels et
Corollaire 3 u : E → F.
On dit que u est une application linéaire
Soient F1 , . . . , Fn des sous-espaces vectoriels lorsque
X
n
de E de dimension finie, alors F i est de dimen-  ¡ ¢
à ! i =1  ∀⃗ y ∈ E, u ⃗
x ,⃗ x +⃗
y = u (⃗
x ) + u (⃗
v)
X
n X
n
 ∀⃗
sion finie et dim Fi ⩽ dim F i avec égalité si x ∈ E , ∀ λ ∈ K, u (λ⃗
x ) = λu (⃗ x)
i =1 i =1
et seulement si la somme est directe. ce qui s’écrit aussi
¡ ¢
∀⃗ y ∈ E , ∀ λ ∈ K, u ⃗
x ,⃗ x + λ⃗
y = u (⃗
x ) + λu (⃗
v).

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 6 SUR 10

J. Larochette VERSION DU 12 SEPTEMBRE 2023

On note L (E , F ) l’ensemble des applications li- Propriété 22

néaires de E vers F .
■ Si u est bijective, on parle d’isomorphisme
Soit u ∈ L (E , F ).
(d’espaces vectoriels). (i) Im u et Ker u sont des sous-espaces vecto-
■ Si E = F , on parle d’endomorphisme et on riels de F et E respectivement.
note L (E ) = L (E , F ). © ª
(ii) u est injective si et seulement si Ker u = ⃗0E .
■ Si E = F et u est bijective, on parle
d’automorphisme. (iii) u est surjective si et seulement si Im u = F .
■ Si u ∈ L (E , K), on dit que f est une forme (iv) Si E ¡0 est¢un sous-espace vectoriel de E , alors
¡ ¢
linéaire. Ker u |E 0 = E 0 ∩ Ker u et Im u |E 0 = u(E 0 ).
∗
■ On note L (E , K) = E appelé dual de E l’en-
semble des formes linéaires sur E .
d
Rang

b
Propriétés Propriété 23
Soit u ∈ L (E , F ) avec E ou F de dimension fi-
Propriété 21 nie.
Soient E , F , G trois K-espaces vectoriels et Alors Im u est de dimension finie au plus
u ∈ L (E , F ). min(dim E , dim F ).
¡ ¢
(i) u ⃗0E =⃗0F
(ii) ∀⃗ x n ∈ E , ∀ λ1 , . . . , λn ∈ K,
x 1 , . . . ,⃗ Définition 16 : Rang
à ! Soit u ∈ L (E , F ), E ou F de dimension finie.
X
n X
n
u λi ⃗
xi = λi u (⃗
x i ). On appelle rang de u l’entier rg u = dim(Im
¡ ¢u).
i =1 i =1 Si B est une base de E , alors rg u = rg u(B) .

(iii) Si A est une partie de E,

u (Vect A) = Vect(u(A)).
Propriété 24 : Effet sur le rang de la composition
(iv) Si E 0 est un sous-espace vectoriel de E ,
par un isomorphisme
u |E 0 ∈ L (E 0 , F ) (u induit une application li-
néaire sur E 0 ). On ne change pas le rang en composant à
(v) Si u est bijective (isomorphisme) alors gauche ou à droite par un isomorphisme.
u −1 ∈ L (F, E ).
(vi) (L (E , F ), +, ·) est un K-espace vectoriel.
(vii) Si u ∈ L (E , F ) et v ∈ L (F,G), v ◦ u ∈ L (E ,G). 2 Endomorphismes
(viii) Si E 0 est un sous-espace vectoriel de E et F 0
est un sous-espace vectoriel de F , u(E 0 ) est a
un sous-espace vectoriel de F et u −1 (F 0 ) est Structure d’algèbre
un sous-espace vectoriel de E .
Propriété 25
(L (E ), +, ◦, ·) est une K-algèbre non commu-
tative et non intègre si dim E ⩾ 2.
c
Noyau et image

Définition 15 : Noyau et image Notation 1

Soit u ∈ L (E , F ). Si u, v ∈ L (E ), on note uv = u ◦ v , u n = u
| ◦ ·{z
· · ◦ u}
■ Le noyau de u est n fois
pour n ∈ N∗ et u 0 = idE .
¡© ª¢ © ª
Ker u = u −1 ⃗0F = ⃗ x ) =⃗0F ∈ P (E ).
x ∈ E | u(⃗

■ L’image de u est Définition 17 : Polynôme en un endomorphisme

© ª Si P = a0 +a1 X +· · ·+an X n ∈ K[X ], on peut définir
x) ; ⃗
Im u = u (E ) = u(⃗ x ∈ E ∈ P (F ).
P (u) = a 0 idE +a 1 u + · · · + a n u n .
Lorsque P (u) = 0L (E ) , on dit que P est un poly-
nôme annulateur de u .

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 7 SUR 10

 LYCÉE LECONTE DE LISLE – LA RÉUNION https://mpi.lecontedelisle.re

Propriété 26 On définit de même la projection q sur G pa-

rallèlement à F .
Si u ∈ L (E ), l’application On dit que les projections p et q sont asso-
(K[X ], +, ×, ·) −→ (L (E ), +, ◦, ·) ciées.
est un mor-
P 7−→ P (u)
phisme de K-algèbres.
" En particulier, (P ×Q)(u) = P (u) ◦ Q(u). Propriété 29
Avec les notations ci-dessus :

Propriété 27 : Binôme • p, q ∈ L (E ) • p + q = idE • p ◦ q = q ◦ p = 0L (E )

Si u, v ∈ L (E ) tels que u ◦ v = v ◦ u , alors pour

tout n ∈ N,
à ! Propriété 30 : Caractérisation
n
Xn n
(u + v) = u k v n−k . p est une projection (vectorielle) sur E si et
k=0 k seulement si p ∈ (E ) et p 2 = p ◦ p = p .
Dans ce cas,
(i) Im p ⊕ Ker p = E
b
Groupe linéaire
(ii) p est la projection sur

Définition 18 : Groupe linéaire F = Im p = Inv p = Ker(p − idE )

L’ensemble des automorphismes de E est
parallèlement à G = Ker p
noté G L (E ) appelé groupe linéaire de E .

Propriété 28 Méthode 8 : Étude d’une projection

(G L (E ), ◦) est un groupe. Reconnaître et étudier une projection, c’est
1. vérifier que p ∈ L (E ) et p ◦ p = p pour un endo-
morphisme, ou P 2 = P pour une matrice.
2. Chercher F = Ker(p − idE ) et G = Ker p .
Méthode 7 : Montrer l’inversibilité et trou-
ver l’inverse avec un poly-
nôme annulateur
Lorsque l’on a un polynôme P annulateur de u d
ayant un cœfficient constant, on isole le terme idE Symétries
dans un membre et on factorise par u dans l’autre :
on obtient alors v ∈ L (E ) tel que u ◦ v = v ◦ u = idE ce Définition 20 : Symétrie
qui donne l’inversibilité, et l’expression de l’inverse
sous forme de polynôme en u . Soit E un K-espace vectoriel, et F , G deux
sous-espaces supplémentaires : F ⊕G = E .
Tout vecteur ⃗
x de E se décompose de ma-
nière unique sous la forme ⃗
x =⃗ xG où ⃗
x F +⃗ x F ∈ F et
c ⃗
xG ∈ G .
Projecteurs
On appelle symétrie sur F parallèlement à G
Définition 19 : Projection E −→ E
l’application s : ie s = p−q avec
Soit E un K-espace vectoriel, et F , G deux ⃗
x 7−→ ⃗
x F −⃗
xG
sous-espaces supplémentaires : F ⊕G = E . les notations précédentes.
Tout vecteur ⃗
x de E se décompose de ma-
nière unique sous la forme ⃗
x =⃗ xG où ⃗
x F +⃗ x F ∈ F et
⃗
xG ∈ G .
On appelle projection (ou projecteur) sur F Propriété 31
parallèlement à G l’application
(i) s ∈ L (E )
E −→ E (ii) Si p projection sur F parallèlement à G ,
p: s = 2p − idE .
⃗
x 7−→ ⃗
xF

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 8 SUR 10

J. Larochette VERSION DU 12 SEPTEMBRE 2023

Propriété 32 : Caractérisation ■ u est surjective si et seulement si u(B) en-

gendre F .
s est une symétrie (vectorielle) sur E si et seule- ■ u est un isomorphisme si et seulement si
ment si s ∈ (E ) et s 2 = s ◦ s = idE . u(B) est une base de F .
Dans ce cas,
(i) Ker(s − idE ) ⊕ Ker(s + idE ) = E
(ii) s est la projection sur F = Ker(s − idE ) parallè- b
lement à G = Ker(s + idE ) Applications linéaires et dimensions

Propriété 36

Méthode 9 : Étude d’une symétrie Soient E et F deux K-espaces vectoriels de

Reconnaître et étudier une symétrie, c’est
1. vérifier que s ∈ L (E ) et s ◦ s = idE pour un endo-
morphisme, ou S 2 = I n pour une matrice.
2. Chercher F = Ker(p − idE ) et G = Ker(p + idE ).
3 Détermination d’une applica-
tion linéaire
dimension finie.
Alors dim E = dim F ⇐⇒ E et F sont isomorphes.
Propriété 37
Soient E , F deux K-espaces vectoriels de di-
mension finie tels que dim E = dim F et u ∈ L (E , F ).
Alors u est injective ⇐⇒ u est surjective ⇐⇒ u
est bijective.

a
Image d’une base
Propriété 38
Propriété 33 : Linéarité des formes i e coordon-
née Soit E et F deux K-espaces vectoriels de
dimension finie tels que dim E = dim F = n et
Soit E un K-espace vectoriel et B = (⃗ e i )i ∈I une u ∈ L (E , F ). Les propriétés suivantes sont équiva-
base de E . Pour ⃗
x ∈ E , on note (x i )i ∈I ses coordon- lents :
nées dans B .
Alors pour tout i ∈ I , l’application (i) u isomorphisme (iii) u est inversible à
E −→ K (ii) u est inversible à droite
φi : est une forme linéaire (i e
⃗
x 7−→ xi gauche (iv) rg u = n
coordonnée).

c
Dimension de L (E , F )
Propriété 34 : Caractérisation par l’image
d’une base Propriété 39
Soient E,F deux espaces ³vectoriels, ´ Soit E et F deux K-espaces vectoriels de di-
B = (⃗ e i )i ∈I une base de E et F = ⃗ fi une mension finie.
i ∈I
famille de vecteurs de F . Alors L (E , F ) est de dimension finie et
Il existe une unique application linéaire dim L (E , F ) = dim E × dim F .
u ∈ L (E , F ) telle que ∀ i ∈ I , u(⃗
ei ) = fi .

d
Corollaire 6 Décomposition d’applications linéaires
(MPI)
Soit B une base de E , u, v ∈ L (E , F ). Alors u = v
si et seulement si u(B) = v(B).
Théorème 4
M
p
Si E = E i et pour tout i , u i ∈ L (E i , F ), alors il
Propriété 35 i =1
existe une unique application linéaire u ∈ L (E , F )
Soit B une base de E , u ∈ L (E , F ).
telle que pour tout i , u |E i = u i .
■ u est injective si et seulement si u(B) est
libre.

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 9 SUR 10

LYCÉE LECONTE DE LISLE – LA RÉUNION https://mpi.lecontedelisle.re

Propriété 40 : Cas de la dimension finie

4 Théorème du rang En dimension finie, les hyperplans de E sont
exactement les sous-espaces de dimension
n − 1.
Théorème 5 : et formule du rang
u ∈ L (E , F ) induit un isomorphisme de tout
supplémentaire H de Ker u sur Im u . Propriété 41 : Système d’équations d’un sous-
Si, de plus, E est de dimension finie, espace
dim E = dim Ker u + rg u .
Si F est un sous-espace vectoriel de E avec
dim E = n et dim F = p tels que p < n , alors F est
l’intersection de n − p hyperplans distincts.
Corollaire 7
Si E est de dimension finie, u est injective si et
seulement si rg u = dim E .
Si F est de dimension finie, u est surjective si
IV SOLUTIONS DES PROBLÈMES LI-
et seulement si rg u = dim F .
NÉAIRES (MP2I)
Définition 23 : Problème linéaire
5 Formes linéaires et hyper- Un problème linéaire est un problème
plans conduisant à une équation du type u(x) = b où
u ∈ L (E , F ) et b ∈ F un vecteur fixé, l’inconnue x
E désigne un K-espace vectoriel. étant un vecteur de E .

Définition 21 : Formes linéaires

On rappelle que les formes linéaires sont les Propriété 42
φ ∈ L (E , K) et que (HP) E ∗ = L (E , K) est appelé
espace dual de E . L’ensemble des solution de cette équation
est
■ soit vide (si b ∉ Im u )
Définition 22 : Hyperplan ■ soit un sous-espace affine de E de direc-
tion Ker u , donc de la forme
On appelle hyperplan de E tout sous-espace
de E égal au noyau d’une forme linéaire non x 0 + Ker u
nulle de E .
où x 0 est une solution particulière et Ker u
est l’espace vectoriel des solutions de
l’équation homogène u(x) = 0F .
Théorème 6 : Caractérisation des hyperplans
Soit H un sous-espace vectoriel de E . Les pro-
priétés suivantes sont équivalentes :
(i) H est un hyperplan (noyau d’une forme li-
néaire non nulle : ∃ φ ∈ E ∗ \ {0E ∗ } , H = Ker φ.)
(ii) H est un supplémentaire de toute droite
D 6⊂ H .
(iii) H est un supplémentaire d’une droite
D 6⊂ H .

Corollaire 8
Soient φ1 , φ2 ∈ E ∗ \ {0E ∗ }.

Ker φ1 = Ker φ2 ⇐⇒ ∃ λ ∈ K∗ , φ1 = λφ2 .

ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES - PAGE 10 SUR 10