U.S.T.H.

B
Faculté des Mathématiques
Espaces vectoriels Coordination SM-ST du module
1ère année Licence et applications MATH I
SM et ST linéaires

I Espaces vectoriels
Dans ce chapitre K désigne un corps commutatif, en général, K = R ou C.

1.1 Structure d’un espace vectoriel

Définition 1. (Lois de composition interne et externe)
Soit E un ensemble non vide.
• Une loi de composition interne notée (+) sur l’ensemble E est une application de E × E dans E
c’est-à-dire pour tout couple (x, y) ∈ E × E fait correspondre un unique élément de E noté x + y

+ : E × E −→ E
(x, y) 7−→ x + y

• Une loi de composition externe (·) sur E, est est une application de K × E dans E c’est-à-dire
pour tout couple (α, x) ∈ K × E fait correspondre un unique élément de E noté α · y

· : K × E −→ E
(α, x) 7−→ α · x

Définition 2. (Définition d’un espace vectoriel)

On dit que l’ensemble E muni des deux lois interne (+) et externe (+) est un K−espace vectoriel (K.e.v)
ou espace vectoriel sur K si et seulement si
I (E, +) est un groupe commutatif. Autrement dit, la loi interne (+) vérifie :
• u + v = v + u, pour tout u, v dans E. (La loi + est dite commutative)
• u + (v + w) = (u + v) + w, pour tout u, v, w dans E. (la loi + est dite associative)
• Il existe un élément neutre noté 0 tel que 0 + u = u, pour tout u dans E.
• Tout élément u de E admet un élément symétrique u0 tel que u + u0 = 0. L’élément symétrique
u0 est noté −u.
I La loi externe (·) vérifie :
Pour tout α, β dans K et tout u, v dans E
• (α + β).u = α.u + β.u
• α.(u + v) = α.u + α.v
• α.(β.u) = (α.β).u
• 1.u = u (1 est l’élément neutre de la multiplication dans le corps K).

Conventions
I Les éléments de E sont appelés vecteurs
I Les éléments de K sont appelés scalaires
I 0E est le vecteur nul.

Exemple 1.

1. L’ensemble des vecteurs dans le plan et dans l’espace sont des R−espaces vectoriels.
2. Les ensembles E = R2 , E = R3 , · · · , E = Rn munis de la loi interne (+) et la loi externe (·) suivantes :

∀x = (x1 , x2 , . . . , xn ), ∀y = (y1 , y2 , . . . , yn ) ∈ Rn , x+y = (x1 + y1 , x2 + y2 , . . . , xn + yn )

1
 ∀α ∈ K, ∀x = (x1 , x2 , . . . , xn ) ∈ Rn , α·x = (αx1 , αx2 , . . . , αxn )

sont des R−espaces vectoriels. (La vérification des conditions est laissée en exercices).
3. Soit E = {f : R → R, application}
E est l’ensemble des applications définies de R dans R, muni de la loi interne (+)

f +g : R→R
x 7−→ (f + g)(x) = f (x) + g(x)

E muni de la loi externe (·) : ∀α ∈ R, α · f est une application de R dans R telle que

(α · f )(x) = αf (x), ∀x ∈ R

E est un R−espace vectoriel.

4. Soit E = R[X] : l’ensemble des polynômes à coéfficients réels est un R−espace vectoriel, pour les lois
suivantes :
Pour tout P, Q ∈ R[X] et tout α ∈ R, on a :

(P + Q)(X) = P (X) + Q(X) loi interne

(α · P )(X) = αP (X) loi externe

1.2 Propriétés élémentaires

Proposition 1.
Soit E un K−espace vectoriel, pour tout u, v dans E et tout α dans K, on a les règles de calcul suivantes :
I α.u = 0E =⇒ u = 0E
I α.(−u) = (−α).u = −(α.u)
I α.(u − v) = α.u − α.v

1.3 Combinaison linéaire

Soient E un espace K−espace vectoriel et {u1 , u2 , ..., un } une famille de vecteurs de E.
On appelle combinaison linéaire des vecteurs (ui )1≤i≤n , tout vecteur u de E qui s’écrit sous la forme :

u = α1 · u1 + α ·2 u2 + . . . , +αn · un , où α1 , α2 , ..., αn ∈ K.

1.4 Sous-espaces vectoriels

Définition 3.
Soient E un K.e.v et F une partie non vide de E. On dit que F est un sous-espace vectoriel de E (s.e.v)
si F est stable pour les deux lois. Autrement dit :
I ∀ u, v ∈ F, u + v ∈ F,
I ∀ α ∈ R, α · u ∈ F.

Théorème 1. (Caractérisation)
F est un s.e.v d’un K−espace vectoriel E si et seulement si
• F 6= ∅.
• F est stable par combinaison linéaire, c’est-à-dire :

∀ α, β ∈ K, ∀ u, v ∈ F α · u + β · v ∈ F.

2
Remarque 1.
Si F est un sous espace vectoriel d’un K−espace vectoriel E, alors 0E appartient à F .
Exemple 2.

1. Soient l’espace vectoriel E = R2 , F = {(x, y) ∈ R2 /x + y = 0} et G = {(x, y) ∈ R2 /x + y = 1} des

parties de E
• F est s.e.v de R2 , en effet :
 F 6= ∅ car (0, 0) ∈ F .
 F est stable par combinaison linéaire.
0 0 0
Soient u = (x, y), u = (x , y ) ∈ F, et α, β ∈ R.
On a :
0 0
α · u + β · u0 = (αx + βx , αy + βy )
On a :
0 0 0 0
(αx + βx ) + (αy + βy ) = α(x + y) + β(x0 + y ) = 0 car u, u ∈ F.
Ainsi, α · u + β · u0 ∈ F .
• G n’est pas un s.e.v de R2 car :
Pour le scalaire α = 0 et u = (x, y) ∈ G on a, α · u = 0 · (x, y) = (0, 0) ∈
/ G car 0 + 0 6= 1.
2. Soit E = R3 [X] le R−espace vectoriel des polynômes à coefficients réels de degré inférieur ou égal à
0
3 et F = P ∈ R3 [X]/ P + P = 0 une partie de E.
• F 6= ∅ car le polynôme nul 0R3 [X] ∈ F .
• Soient P, Q ∈ F et α, β ∈ R. A-t-on α · P + β · Q ∈ F ?. Calculons la combinaison linéaire de deux
vecteurs de F . On a : On a :

(α · P + β · Q) + (α · P + β · Q)0 = α · (P + P 0 ) + β · (Q + Q0 ) = 0 car P, Q ∈ F.
Donc F est un s.e.v de R3 [X].

1.5 Familles libres, liées

Définition 4. (Famille libre)
Soient E un K.e.v et F = {u1 , u2 , · · · , un }, une famille de vecteurs de E. La famille de vecteurs F est dite
libre ou les vecteurs u1 , u2 , . . . , un sont linéairement indépendants si la seule combinaison linéaire des
vecteurs (ui )1≤i≤n nulle , est celle dont tous les coefficients sont nuls. Autrement dit :

λ1 · u1 + λ2 · u2 + . . . + λn · un = 0E =⇒ λ1 = λ2 = · · · = λn = 0.

Exemple 3.

1. Dans le plan, les vecteurs ~i = (1, 0), ~j = (0, 1) constituent une famille libre de l’espace vectoriel R2 .
2. Dans l’espace R3 , les vecteurs ~i = (1, 0, 0), ~j = (0, 1, 0), ~k = (0, 0, 1) constituent une famille libre de
l’espace vectoriel R3 .
3. Soit F = {u = (1, 0, −1), v = (0, 1, 1), w = (1, 1, 1)} est une famille de vecteurs du R−espace vec-
toriel R3 . Soit λ1 · u + λ2 · v + λ3 · w = 0R3 une combinaison linéaire nulle des vecteurs u, v et w,
alors :

λ1 · u + λ2 · v + λ3 · w = 0R3 =⇒ λ1 (1, 0, −1) + λ2 (0, 1, 1) + +λ3 (1, 1, 1) = (0, 0, 0)

=⇒ (λ1 + λ3 , λ2 + λ3 , −λ1 + λ2 + λ3 ) = (0, 0, 0)

 λ1 + λ3 =0
=⇒ λ2 + λ3 =0
−λ1 + λ2 + λ3 = 0

=⇒ λ1 = λ2 = λ3 = 0.

Ainsi, la famille F est libre.

3
 4. Dans l’espace R3 [X], la famille G = {1, X, X 2 , X 3 } est libre. En effet :
Soit α· 1 + α1 · X + α2 · X 2 + α3 · X 3 = 0R3 [X] , une combinaison linéaire des vecteurs 1, X, X 2 , X 3 .
Alors :
α0 + α1 X + α2 X 2 + α3 X 3 = 0R3 [X] , =⇒ α0 = α1 = α2 = α3 = 0.
Ainsi, la famille G est une famille libre de l’espace vectoriel R3 [X].
Définition 5. (Famille liée)
Une famille de vecteurs F = {u1 , u2 , · · · , un } d’un K-espace vectoriel E est dite liée ou les vecteurs
u1 , u2 , . . . , un sont linéairement dépendants, s’ils existent λ1 , λ2 , · · · , λn dans K non tous nuls tels que
λ1 · u1 + λ2 · u2 + · · · + λn · un = 0
Exemple 4.

1. Soient deux vecteurs ~u, ~v parallèles dans le plan , alors il existe λ dans R? tel que ~u = λ~v , ce qui
donne ~u − λ~v = ~0. On a donc trouvé une combinaison linéaire nulle des deux vecteurs ~u et ~v avec les
coefficients 1 et −λ qui ne sont pas nuls.
2. Soit R2 [X] le R−espace vectoriel des polynômes à coefficients réels de degré inférieur ou égal à 2.
La famille A = {P1 (X) = X 2 + X + 1, P2 (X) = 2X 2 + 2X + 2} est liée, car il existe λ1 = 2 et
λ2 = −1 tels que λ1 P1 + λ2 P2 = 2P1 − P2 = 0.

1.6 Familles génératrices

Définition 6. (Famille génératrice)
Une famille A = {u1 , u2 , · · · , un } d’un K-espace vectoriel E est dite génératrice si :

∀u ∈ E, ∃ λ1 , λ2 , . . . , λn ∈ K / u = λ1 · u1 + λ2 · u2 + . . . + λn · un

On dit aussi que la famille de vecteurs {u1 , u2 , · · · , un } engendre E. et on écrit :

E = hu1 , u2 , . . . , un i.

Exemple 5.

1. Pour tout vecteur u de R3 , on écrit :

u = (x, y, z) = x(1, 0, 0) + y(0, 1, 0) + w(0, 0, 1), donc la famille de vecteurs
A = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} est une famille génératrice de R3 .
2. En général, pour tout n ∈ N∗ , la famille de vecteurs
{e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . ,en = (0, 0, , · · · , 0, 1)} est une famille génératrice de l’es-
pace vectoriel Rn .

1.7 Bases
Définition 7.
Une famille B = {u1 , u2 , . . . , un } est une base d’un espace vectoriel E si elle est libre et génératrice.
On a le résultat suivant :
Proposition 2.
Une famille de vecteurs B = {u1 , u2 , . . . , un } d’un K− espace vectoriel E est une base si et seulement si,
tout vecteur u de E s’écrit de manière unique comme combinaison linéaire des vecteurs ui de B. Autrement
dit :
∀u ∈ E, ∃! λ1 λ2 , . . . , λn ∈ K, / u = λ1 · u1 + λ2 · u2 + . . . + λn · un .

Les scalaires λ1 λ2 , . . . , λn s’appellent les coordonnées du vecteur u dans la base B.

4
Exemple 6.

1. La famille E2 = {e1 = (1, 0), e2 = (0, 1)} est une base de R2 .

C’est la base canonique de R2 .
2. La famille E3 = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} est une base de R3 .
C’est la base canonique de R3 .
3. En général, pour tout n dans N? , la famille de vecteurs
En = {e1 = (1, 0, · · · , 0), e2 = (0, 1, 0, · · · , 0), · · · ,e3 = (0, 0, , · · · , 0, 1)}
est une base de Rn .
C’est la base canonique de Rn .
Ainsi, pour tout vecteur u = (x1 , x2 , . . . , xn ) de Rn , les nombres réels (scalaires) x1 , x2 , . . . , xn sont
les coordonnées de u dans la base canonique En .
4. Considérons R2 [X], l’espace vectoriel des polynômes à coefficients réels de degré inférieur ou égal à 2.
Tout polynôme P de R2 [x] s’écrit sous la forme unique P (X) = a0 1 + a1 X + a2 X 2 . Ainsi, la famille
des plynômes (ou vecteurs) P = {1, X, X 2 } est une famille génératrice et comme elle est libre, alors
c’est une base de cet espace. C’est la base canonique de R2 [X].
5. En général, pour tout n dans N? , la famille P = {1, X, . . . , X n } est la base canonique de l’espace
vectoriel Rn [X] des polynômes à coefficients dans R de degré inférieur ou égal à n.
Pour tout polynôme P de Rn [X], ils existent des scalaires uniques
a0 , a1 , . . . , an tel que P (X) = a0 + a1 X + a2 (X 2 ) + . . . + an (X n ). Ces scalaires sont les coordonées du
polynôme P dans la base canonique P.

1.8 Dimension d’un espace vectoriel

Définition 8. (Espaces vectoriels de dimension finie)
On dit qu’un espace vectoriel E est de dimension finie si E admet une partie génératrice finie.

Théorème 2.
Soit E 6= {0E } un K−espace vectoriel engendré par n vecteurs (n ∈ N∗ ).
Alors, toutes les bases de E ont le même nombre d’éléments. Ce nombre entier s’appelle dimension de E
et se note dim E. On a de plus dim E ≤ n.

Exemple 7.

1. Comme E2 = {e1 , e2 } est une base de R2 , donc dim R2 = 2.

2. En général, comme En = {e1 , e2 , · · · , en } est une base de Rn , donc dim Rn = n.
3. Comme P4 = {1, X, X 2 , X 3 } est une base de R3 [X], donc dim R3 [X] = 4.

Théorème 3.
Une famille de n vecteurs d’un espace vectoriel E de dimension finie n est une base si et seulement si elle
est libre ou génératrice.

Exemple 8.
Pour montrer que la famille B = {v1 = (−3, 1, 5), v2 = (2, 5, 6), v3 = (0, 1, 0)} est une base de R3 , il suffit
de montrer qu’elle est libre, en effet

α · v1 + β · v2 + γ · v3 = 0 =⇒ α · (−3, 1, 5) + β · (2, 5, 6) + γ · (0, 1, 0) = (0, 0, 0)


 −3α + 2β = 0 (1)
=⇒ α + 5β + γ = 0 (2)
5α + 6β = 0 (3)

=⇒ α = β = γ = 0.

5
1.9 Rang d’une famille de vecteurs
Définition 9.
Le rang d’une famille de vecteurs {u1 , u2 , · · · , un } = F est le nombre maximun p (p ≤ n) de vecteurs que
l’on peut extraire de cette famille et qui forment une famille libre. On note rang(F) = p.

On a les conséquences suivantes :

Remarque 2.

I On a toujours rang(F) ≤ card(F). Où card(F) désigne le cardinal de la partie F qui n’est que le
nombre d’éléments de cette partie.
I On a rang(F) = card(F) si et seulement si la famille F est libre.

Exemple 9.

1. La famille F1 = {u1 , 2u1 , 3u1 } est une famille liée, car u1 + 2u1 − 3u1 = 0. Donc rang(F1 ) = 1.
2. Soient u1 et u2 deux vecteurs linéairement indépendants d’un K−espace vectoriel E.
La famille F2 = {u1 , u2 , u1 + u2 } de E n’est pas libre, car u1 + u2 est liée aux vecteurs u1 et u2 . Ainsi
le rang(F2 ) = 2.
3. Calcul du rang d’une famille de vecteurs.
Soit F = {u1 = (1, 1, −1), u2 = (2, 3, 0), u3 = (0, −1, 4)} une famille de vecteurs de R3 .
Vérifions d’abord si cette famille est libre. Soit λ1 · u1 + λ2 · u2 + λ3 .u3 = 0, une combinaison linéaire
nulle des vecteurs u1 , u2 et u3 . On a :
 
 λ1 + 2λ2 = 0 (L1)  λ1 + 2λ2 = 0 (L1)
λ1 ·u1 +λ2 ·u2 +λ3 ·u3 = 0 ⇔ λ1 + 3λ2 − λ3 = 0 (L2) ⇔ λ2 − λ3 = 0 (L2) − (L1) = (L0 2)
−λ1 + 4λ3 = 0 (L3) 2λ2 + 4λ3 = 0 (L3) + (L1) = (L0 3)
 


 λ1 + 2λ2 = 0 (L1)
⇔ λ2 − λ3 = 0 (L0 2) ⇔ λ1 = λ2 = λ3 = 0
−6λ3 = 0 2(L0 2) − (L0 3)


Ainsi, la famille F est libre et donc rang(F) = 3.

II Applications linéaires
Dans ce paragraphe, E et F sont deux K−espaces vectoriels.

2.1 Définitions
Définition 10.
Une application f de E vers F est dite linéaire si et seulement si elle est stable par la loi interne et la loi
externe. Autrement dit : pour tout u, v dans E et tout α dans K, on a :

f (u + v) = f (u) + f (v) et f (α · u) = α · f (u)

Définition 11. (Caractérisation)

Une application f de E vers F est linéaire si et seulement si

∀u, v ∈ E, ∀α, β ∈ K, f (α · u + β · v) = α · f (u) + β · f (v).

Remarque 3.
On a les appelations suivantes :
I Une application linéaire est dite un endomorphisme si et seulement si E = F .
I Une application linéaire f est dite un isomorphisme si et seulement si f est bijective.

6
 I Une application linéaire est dite un automorphisme si et seulement si E = F et f est bijective.
Exemple 10.

1. Soit l’application f définie par :

f : R3 −→ R2
(x, y, z) 7−→ f (x, y, z) = (2x + y − z, x − z)

Montrons que f est linéaire.

Soient u = (x, y, z), u0 = (x0 , y 0 , z 0 ) dans R3 et α, β ∈ R. On a :

f (α · u + β · u0 ) = f (αx + βx0 , αy + βy 0 , αz + βz 0 )
= (2(αx + βx0 ) + (αy + βy 0 ) − (αz + βz 0 ), (αx + βx0 ) − (αz + βz 0 ))
= α (2x + y − z, x − z) + β (2x0 + y 0 − z 0 , x0 − z 0 )
= α.f (u) + β.f (u0 ).

Donc f est linéaire.

2. Soit l’application g définie par :

g : R2 [X] −→ R2 [X]
0
P 7−→ g(P ) = XP (X) + 1

Montrons que g n’est pas linéaire. Soient P, Q ∈ R2 [X] ( polynômes de degré inférieur ou égal à 2)
et α, β ∈ R. On a :

g(α · P + β · Q)(X) = X(α · P + β · Q)0 (X) + 1

= α(XP 0 (X)) + β(XQ0 (X)) + 1
6= α · g(P )(X) + β · g(Q)(X)

Donc g n’est pas linéaire.

2.2 Noyau, image et rang d’une application linéaire

2.2.1 Noyau d’une application linéaire
Définition 12.
Soit f : E −→ F une application linéaire. On appelle noyau de f le sous-espace vectoriel de E noté Ker(f )
et défini par :
Ker(f ) = {u ∈ E / f (u) = 0} .

Exemple 11.

1. Soit l’application linéaire f définie par

f : R3 −→ R3
(x, y, z) 7−→ (2x + y − z, x − y, 3x − 2y + z)

Déterminons le noyau de f . On a : Kerf = {u = (x, y, z) ∈ R3 / f (x, y, z) = 0R3 }

f (x, y, z) = 0R3 ⇐⇒ (2x + y − z, 3x − 2y + z) = (0, 0, 0)

 
 2x + y − z = 0 (1)  3x − z = 0 (1)0
⇐⇒ x−y =0 (2) ⇐⇒ y=x (2) ⇐⇒ x = y = z = 0
3x − 2y + z = 0 (3) x+z =0 (3)0
 

Ainsi, Ker(f ) = {0} .

7
 2. Soit l’application linéaire g définie par :

g : R2 −→ R2
(x, y) 7−→ (2x + 2y, x + y)

On a Ker(g) = {u = (x, y) ∈ R2 / f (x, y) = 0R2 }.

f (x, y) = 0R2 ⇐⇒ (2x + 2y, x + y) = (0, 0)


2x + 2y = 0
⇐⇒ ⇐⇒ y = −x
x+y =0

(x, y) ∈ Ker(g) ⇐⇒ (x, y) = (x, −x) = x(1, −1). Donc, Ker(g) = h(1, −1)i, ainsi, {(1, −1)} est une
base du Ker(g) donc dim Ker(g) = 1.
3. Soit l’application

h : R2 [X] −→ R1 [X]
P 7−→ XP 00

Montrons que h est linéaire. Soient P, Q ∈ R2 [X] et α, β ∈ R

On a :

h(α · P + β · Q)(X) = X(α · P 00 + β · Q00 )(X)

= XαP 00 (X) + XβQ00 (X)
= αh(P )(X) + βh(Q)(X).

Donc,
h(α · P + β · Q) = α · h(P ) + β · h(Q)(x).
Ainsi h est une application linéaire.
Déterminons le noyau de h. On a :

Ker(h) = P ∈ R2 [x] / h(P ) = 0 .



On a

h(P ) = 0 ⇐⇒ h(P )(X) = 0, ∀X ∈ R

⇐⇒ XP 00 (X) = 0
⇐⇒ P 00 (X) = 0
⇐⇒ P 0 (X) = c1
⇐⇒ P (X) = c1 X + c2

Donc,

Ker(h) = {c1 X + c2 , c1 , c2 ∈ R}
= h1, Xi

Donc {1, X} est une base du Ker(h) et dim Ker(h) = 2.

On a le résultat important suivant :

Théorème 4. (Caractérisation des applications linéaires injectives)

Une application linéaire f : E −→ F est injective si et seulement si Ker(f ) = {0}.

8
2.2.2 Image d’une application linéaire
Définition 13.
Soit f : E −→ F une application linéaire. On appelle image de f , le sous-espace vectoriel noté Im(f )
défini par :
Im(f ) = {f (u) ∈ F, u ∈ E} = f (E).
Exemple 12.

1. Soit l’application linéaire f définie par :

f : R2 −→ R2
(x, y) 7−→ (2x + y, x − y)
Pour déterminer le sous-espace vectoriel Im(f ), il suffit de trouver une base de Im(f ). Nous détermi-
nons d’abord une partie gégératrice puis nous vérifions si les vecteurs de cette partie sont libres pour
extraire une base.
On a :
Im(f ) = {f (x, y), (x, y) ∈ R2 } .
Pour tout x, y dans R, on écrit : f (x, y) = (2x + y, x − y) = x(2, 1) + y(1, −1).
Im(f ) est engendré par (v1 = (2, 1), v2 = (1, −1))
Ainsi, Im(f ) = h(2, 1), (1, −1)i .
Les vecteurs v1 = (2, 1) et v2 = (1, −1) sont linéairement indépendants, car :
α · v1 + β · v2 = 0R2 =⇒ α · (2, 1) + β · (1, −1) = (0, 0)
=⇒ (2α + β, α − β) = (0, 0)
=⇒ α = β = 0.
On déduit que B = {v1 , v2 } est une base de Im(f ) et dim Im(f ) = 2.
2. Soit l’application linéaire g définie par :
g : R2 [X] −→ R2 [X]
0
P 7−→ g(P ) = P + P
Déterminons une base de Im(g). On a Im(g) = {g(P ), P ∈ R2 [X]}.
Soit P un élément de R2 [x], il existe alors des scalaires réels a, b et c tels que P (X) = aX 2 + bX + c.
Donc
0
g(P )(X) = P (X) + P (X) = aX 2 + bX + c + (2aX + b) = X 2 (a) + X(b + 2a) + (c + b)(1),

Ce qui implique que Im(g) = h1, X, X 2 i = R2 [x].

Comme on a montré que P = {1, X, X 2 } est libre, donc c’est une base de Im(f ).
Ainsi, dim Im(f ) = 3.
On a le résultat important suivant :
Théorème 5. (Caractérisation des applications linéaires surjectives)
Une application linéaire f : E −→ F est surjective si et seulement si Im(f ) = F .

2.2.3 Rang d’une application linéaire

Proposition 3.
Soit f : E −→ F une application linéaire. On suppose que l’espace vectoriel E est de dimension finie, alors
le sous-espace Imf = f (E) est de dimension finie. Cette dimension est appelée rang de f et est notée
rg(f ). Autrement dit :
rg(f ) = dim Im(f ).
Théorème 6. (Théorème du rang)
Soit f : E −→ F une application linéaire entre deux K−espaces vectoriels. On suppose que E est de
dimension finie. Alors
dim E = dim Ker(f ) + dim Im(f ) = dim Ker(f ) + dim rg(f ).