Université de Nantes Module X21M010

Département de mathématiques Année 2017-2018

Algèbre linéaire et applications

I Espaces vectoriels et applications linéaires

I.1 Espaces vectoriels, sous-espaces vectoriels, somme di-
recte de sous-espaces vectoriels

- Espaces vectoriels et bases

Dans tout ce qui suit E sera un K-espace vectoriel (K = R, C).

Soit A une famille (finie ou infinie) de vecteurs de E alors le sous-espace vectoriel

engendré par A noté Vect (A) est égal à l’ensemble des combinaisons linéaires
finies de vecteurs de A
(c’est à dire :
X
Vect (A) = {x ∈ E; x = αi xi , αi ∈ K, xi ∈ A} (I ensemble f ini)).
i∈I

Remarque I.1.1 On montre que Vect (A) est aussi l’intersection de tous les
sous-espaces vectoriels contenant A (c’est le plus petit sous-espace vectoriel con-
tenant A).

Définition I.1.1 1. La famille A est dite génératrice de E si E = Vect (A)

2. Un espace vectoriel E est dit de dimension finie s’il admet une famille
génératrice A qui est finie (sinon il est dit de dimension infinie).

Si E est de dimension finie alors E = Vect (x1 , . . . , xn ) avec x1 , . . . , xn ∈ E.

1
Exemple I.1.1 :

Définition I.1.2 Soit (x1 , . . . , xn ) ∈ E une famille de vecteurs de E.

1. La famille (x1 , . . . , xn ) est dite liée s’il existe (α1 , . . . , αn ) ∈ Kn tel que
n
X
(α1 , . . . , αn ) 6= (0, . . . , 0) et αi xi = 0E .
i=1

2. La famille (x1 , . . . , xn ) est dite libre si elle n’est pas liée :

n
X
c’est à dire, si pour tout (α1 , . . . , αn ) ∈ Kn , la relation α i xi = 0 E ,
i=1
entraine αi = 0, ∀i ∈ {1, . . . , n}.

Exemple I.1.2 :

Remarque I.1.2 1. Une famille (x1 , . . . , xn ) avec xi = 0E ou xi = xj (i 6= j)

est toujours liée.

2. La famille (x) est libre si, et seulement si, x 6= 0E .

2
 3. Une famille (x1 , . . . , xn ) est liée si, et seulement si, l’un de ces éléments est
combinaison linéaire des autres.

4. La famille (x1 , x2 ) est liée si, et seulement si, les deux vecteurs x1 et x2
sont colinéaires.

Définition I.1.3 Une famille e = (e1 , . . . , en ) ∈ E libre et génératrice est appelée

base de E.

Exemple I.1.3 :

Théorème I.1.1 Tout espace vectoriel E de dimension finie non réduit à {0E }
admet une base et toute base de E comporte le même nombre de vecteurs.

Si E 6= {0E } de dimension finie, le nombre de vecteurs d’une base est noté dim E.
Si E = {0E } alors, par convention, on pose dim E = 0.

Proposition I.1.1 On a :
e = (e1 , . . . , en ) base de E si, et seulement si,
n
X
n
pour tout x ∈ E, il existe (α1 , . . . , αn ) ∈ K unique tel que x = αi ei .
i=1

Théorème I.1.2 Soit E un espace vectoriel de dimension finie n (n ≥ 2).

1. Soit (e1 , . . . , ep ) avec p < n une famille libre de vecteurs de E.

(a) Soit ep+1 ∈ E tel que ep+1 ∈

/ Vect (e1 , . . . , ep ) alors (e1 , . . . , ep , ep+1 )
est libre.
(b) Il existe des vecteurs ep+1 , . . . , en tels que e = (e1 , . . . , ep , ep+1 , . . . , en )
soit une base de E (Théorème de la base incomplète).

2. Une famille libre (respectivement génératrice) à n éléments est une base de

E.

3
Exemple I.1.4 :

- Sous-espaces vectoriels, somme directe de sous-espaces

vectoriels

Définition I.1.4 Soit E un K-espace vectoriel et soit F, G deux sous-espaces vec-

toriels de E. On appelle somme des sous-espaces F et G, le sous-espace vectoriel
de E noté F + G défini par F + G = {x + y; x ∈ F, y ∈ G}.

Remarque I.1.3 On a que F + G = Vect (F ∪ G).

Exemple I.1.5 :

Définition I.1.5 Soit E un K-espace vectoriel et soit F, G deux sous-espaces

vectoriels de E.

1. La somme F + G des sous-espaces F et G est dite directe si F ∩ G = {0E }.

Notation : F + G = F ⊕ G.

2. On dit que E est somme directe de F et G (ou encore que F et G sont

supplémentaires dans E) si

E = F + G et F ∩ G = {0E }.

Notation : E = F ⊕ G.

4
Exemple I.1.6 :

Théorème I.1.3 Soit E un K-espace vectoriel et soit F, G deux sous-espaces

vectoriels de E.

1. F ⊕ G si, et seulement si, pour tout x ∈ F + G, il existe y ∈ F et z ∈ G

uniques tels que x = y + z.

2. E = F ⊕ G si, et seulement si, pour tout x ∈ E, il existe y ∈ F et z ∈ G

uniques tels que x = y + z.

Preuve :

Théorème I.1.4 Soit E un K-espace vectoriel de dimension finie n (n ≥ 2).

5
 1. Pour tout sous-espace vectoriel F de E, il existe H sous-espace vectoriel de
E tel que E = F ⊕ H (on dit que H est un supplémentaire de F dans E).

2. Soit F, G sous-espaces vectoriels de E, alors :

(a) dim(F + G) = dim F + dim G − dim(F ∩ G).

En particulier, on a dim(F ⊕ G) = dim F + dim G.


 dim E = dim F + dim G
(b) E = F ⊕ G ⇔ et
F ∩ G = {0E }.


3. Si b, c respectivement bases de F et G, alors :

E = F ⊕ G ⇔ e = b ∪ c base de E.

Preuve :

Remarque I.1.4 Les items 2.(b) et 3. donnent des méthodes pratiques pour
montrer que deux sous-espaces vectoriels d’un espace vectoriel de dimension finie
sont supplémentaires.

6
Exemple I.1.7 :

Généralisation de la définition de la somme directe.

Définition I.1.6 Soit E un K-espace vectoriel et soit E1 , E2 , . . . , Ek une famille

de sous-espaces vectoriels de E.

1. La somme des sous-espaces (Ei )i∈{1,...,k} est le sous-espace vectoriel de E

noté E1 + E2 + . . . + Ek défini par :

E1 + E2 + . . . + Ek = {x1 + x2 + . . . + xk ; xi ∈ Ei }.

2. La somme E1 + E2 + . . . + Ek des sous-espaces vectoriels (Ei )i∈{1,...,k} est

dite directe si, pour tout i ∈ {1, . . . , k} :

Ei ∩ (E1 + E2 + . . . + Êi + . . . + Ek ) = {0E },

où Êi signifie que Ei est omis de la somme.

Notation : E1 + E2 + . . . + Ek = E1 ⊕ E2 ⊕ . . . ⊕ Ek .

3. On dit que E est somme directe des sous-espaces (Ei )i∈{1,...,k} si :

E = E1 + E2 + . . . + Ek et E1 ⊕ E2 ⊕ . . . ⊕ Ek .

Notation : E = E1 ⊕ E2 ⊕ . . . ⊕ Ek .

Remarque I.1.5 La somme E1 + E2 + E3 est directe si E1 ∩ (E2 + E3 ) =

{0E }, E2 ∩ (E1 + E3 ) = {0E }, E3 ∩ (E1 + E2 ) = {0E }. Il est important de
remarquer que ce n’est pas équivalent à Ei ∩ Ej = {0E } pour i 6= j.

Proposition I.1.2 E1 ⊕ E2 ⊕ . . . ⊕ Ek si, et seulement si, tout vecteur x de

E1 +E2 +. . .+Ek se décompose de manière unique sous la forme x = x1 +. . .+xk
avec xi ∈ Ei .

Théorème I.1.5 Soit E un K-espace vectoriel de dimension finie.

7
 1. Si E1 ⊕ E2 ⊕ . . . ⊕ Ek alors :

dim(E1 ⊕ E2 ⊕ . . . ⊕ Ek ) = dim E1 + dim E2 + . . . + dim Ek .


 dim E = dim E1 + dim E2 + . . . + dim Ek
2. E = E1 ⊕ E2 ⊕ . . . ⊕ Ek ⇔ et
E1 ⊕ E2 ⊕ . . . ⊕ Ek .


3. Si Ei bases des Ei alors :

E = E1 ⊕ E2 ⊕ . . . ⊕ Ek ⇔ E = E1 ∪ E2 ∪ . . . ∪ Ek base de E.

Exemple I.1.8 :

I.2 Applications linéaires, projection et symétrie

- Généralités sur les applications linéaires

Soit E, F deux K-espaces vectoriels. On notera par :

L(E, F ) l’espace vectoriel des applications linéaires de E dans F .
E ∗ l’espace vectoriel des applications linéaires de E dans K (dual de E).
L(E) l’espace vectoriel des applications linéaires de E dans E (endomorphismes
de E).
GL(E, F ) l’ensemble des applications linéaires de E de F bijectives (isomor-
phismes de E dans F ).
GL(E) l’ensemble des endomorphismes de E bijectifs (automorphismes de E).

L’endomorphisme identité de E (x 7→ x) sera noté idE .

Définition I.2.1 Soit E, F K-espaces vectoriels et f ∈ L(E, F ).

1. On appelle noyau de f noté Ker f le sous-espace vectoriel de E défini par

Ker f = {x ∈ E; f (x) = 0F }.

8
 2. On appelle image de f noté Im f le sous-espace vectoriel de F défini par
Im f = {f (x); x ∈ E}.

Exemple I.2.1 :

Théorème I.2.1 Soit E, F deux K-espaces vectoriels et f ∈ L(E, F ). On a :

1. f injective ⇔ Ker f = {0E }.

2. f surjective ⇔ Im f = F .

Théorème I.2.2 Soit E de dimension finie, e = (e1 , . . . , en ) base de E et f ∈

L(E, F ). Alors, on a :

1. Im f = Vect (f (e1 ), . . . , f (en )).

2. f injective ⇔ (f (e1 ), . . . , f (en )) est libre.

3. f surjective ⇔ (f (e1 ), . . . , f (en )) est génératrice de F .

4. f bijective ⇔ (f (e1 ), . . . , f (en )) est une base de F .

Preuve :

9
Théorème I.2.3 (Théorème du rang)
Soit E, F deux K-espaces vectoriels avec E de dimension finie et f ∈ L(E, F ).
On a :
dim(Ker f ) + dim(Im f ) = dim E.

On note rg(f ) l’entier rg(f ) = dim(Im f ).

Preuve :

Corollaire I.2.1 Soit E, F de dimension finie avec dim E = dim F et f ∈

L(E, F ). Alors, on a :

f injective ⇔ f surjective ⇔ f bijective.

Preuve :

10
Exemple I.2.2 :

- Projections et symétries vectorielles

Soit E un K-espace vectoriel et F, G sous-espaces vectoriels supplémentaires de

E (i.e. E = F ⊕ G). Alors tout vecteur x de E se décompose de manière unique
sous la forme :
x = y + z, y ∈ F, z ∈ G.
On définit alors les endomorphismes pF , sF ∈ L(E) par :

pF : E → E
y + z 7→ y.

sF : E → E
y + z 7→ y − z.
L’endomorphisme pF est appelé projection vectorielle sur F parallèlement à G.
L’endomorphisme sF est appelé symétrie vectorielle par rapport à F parallèlement
à G.

Exemple I.2.3 :

Propriétés I.2.1 Les endomorphismes pF et sF vérifient les propriétés suivantes

:

1. p2F := pF ◦ pF = pF et s2F := sF ◦ sF = idE .

11
 2. Ker pF = G et Im pF = F .

3. Ker (sF − idE ) = F et Ker (sF + idE ) = G.

4. sF = 2pF − idE .

Preuve :

Définition I.2.2 Soit E un K-espace vectoriel.

1. On appelle projecteur un endomorphisme p ∈ L(E) vérifiant p2 = p.

2. On appelle symétrie un endomorphisme s ∈ L(E) vérifiant s2 = idE .

Théorème I.2.4 Soit p ∈ L(E) projecteur et s ∈ L(E) symétrie, alors on a :

1. E = Ker p ⊕ Im p et E = Ker (s − idE ) ⊕ Ker (s + idE ).

2. p projecteur ⇔ p projection vectorielle sur Im p parallèlement à Ker p.

3. s symétrie ⇔ s symétrie vectorielle par rapport à Ker (s−idE ) parallèlement

à Ker (s + idE ).

12
Preuve :

Exemple I.2.4 :

- Matrice d’une application linéaire et changement de base

Soit E, F deux K-espaces vectoriels de dimension finie, b = (b1 , . . . , bp ) base

de E, c = (c1 , . . . , cn ) base de F . Soit f ∈ L(E, F ), alors on a
f (b1 ) = a11 c1 + a21 c2 + . . . + an1 cn
f (b2 ) = a12 c1 + a22 c2 + . . . + an2 cn
..... . .........................
f (bp ) = a1p c1 + a2p c2 + . . . + anp cn
La matrice A = (aij ) 1≤i≤n notée [f ]b,c est appelée la matrice de f dans les bases
1≤j≤p

13
b de E et c de F .
Si f ∈ L(E) et e une base de E, on note [f ]e := [f ]e,e .

Remarque I.2.1 La j-ième colonne de A est formée des composantes de f (bj )

n
X
dans la base c de F (i.e. f (bj ) = aij ci ).
i=1

Exemple I.2.5 :

Propriétés I.2.2 Soit X (respectivement Y ) la matrice colonne des composantes

de x ∈ E (respectivement y ∈ F ) dans la base b de E (respectivement c de F ) et
soit A = [f ]b,c f ∈ L(E, F ).
Alors :
y = f (x) ⇔ Y = AX.

Exemple I.2.6 :

Notation:
Mn,p (K) désignera l’espace vectoriel des matrices à n lignes et p colonnes.
Mn (K) désignera l’espace vectoriel des matrices n × n.
GLn (K) désignera le sous-ensemble de Mn (K) formé par les matrices inversibles
de Mn (K).

Rappels sur la transposée d’une matrice.

14
Définition I.2.3 Soit A = (aij ) 1≤i≤n ∈ Mn,p (K) alors on appelle transposée de
1≤j≤p
A noté t A la matrice t A = (bij ) 1≤i≤p ∈ Mp,n (K) avec bij = aji .
1≤j≤n

Exemple I.2.7 :

Propriétés I.2.3 On a :
t
1. : Mn,p (K) → Mp,n (K) est linéaire et t (t A) = A pour A ∈ Mn,p (K).

2. Si A ∈ Mn,p (K) et B ∈ Mp,q (K) alors t (AB) = t B t A.

−1
3. Si A ∈ GLn (K) alors t A ∈ GLn (K) et (t A) = t (A−1 ).

Preuve :

Remarque I.2.2 L’application t : Mn (K) → Mn (K) est une symétrie vecto-

rielle par rapport au sous-espace vectoriel des matrices symétriques (t A = A) et
parallèlement au sous-espace vectoriel des matrices antisymétriques (t A = −A)
(exercice).

15
Théorème I.2.5 Soit E, F, G K-espaces vectoriels de dimension finie, b base de
E, c base de F et d base de G. Alors on a

1. Pour tout f1 , f2 ∈ L(E, F ), on a [f1 + f2 ]b,c = [f1 ]b,c + [f2 ]b,c .

2. Pour tout α ∈ K et f ∈ L(E, F ), on a [αf ]b,c = α[f ]b,c .

3. Pour tout f ∈ L(E, F ) et g ∈ L(F, G), on a [g ◦ f ]b,d = [g]c,d [f ]b,c .

4. L’application φ : L(E, F ) → Mn,p (K) donnée par φ(f ) = [f ]b,c est un

isomorphisme d’espaces vectoriels.

5. Si f ∈ GL(E) alors [f ]b ∈ GLn (K) et [f −1 ]b = ([f ]b )−1 .

Remarque I.2.3 1. Il découle de 4) que l’on peut toujours considérer une

matrice A ∈ Mn,p (K) comme représentant une application linéaire de Kp
dans Kn avec Kp et Kn munis de leurs bases canoniques respectives (il
suffit de voir les vecteurs colonnes de A sont étant les composantes d’une
application linéaire de Kp dans Kn ).

2. Si f ∈ L(E, F ), alors il a été vu en L1 que l’on peut définir l’application

t
f ∈ L(F ∗ , E ∗ ) et que [t f ]c∗ ,b∗ = t ([f ]b,c ) avec b∗ et c∗ bases duales de b et c.

Définition I.2.4 Soit E un K-espace vectoriel dimension finie et e = (e1 , . . . , en )

0 0 0
et e = (e1 , . . . , en ) deux bases de E. On appelle matrice de passage de la base
0
e à la base e , la matrice P dont les colonnes sont formées des composantes des
0
vecteurs ej dans la base e. C’est donc la matrice P = (αij ) 1≤i≤n définie par les
1≤j≤n
n
X
relations e0j = αij ei .
i=1

Exemple I.2.8 :

Proposition I.2.1 Soit E un K-espace vectoriel dimension finie, e = (e1 , . . . , en )

0 0 0 0
et e = (e1 , . . . , en ) deux bases de E et P la matrice de passage de e à e . Alors

16
 1. On a que P = [idE ]e0 ,e .

2. On a P ∈ GLn (K) et P −1 = [idE ]e,e0 .

0 0
3. On a X = P X avec X, X matrices colonnes des composantes de x ∈ E
0
dans les bases e et e de E.

Preuve :

0
Théorème I.2.6 Soit E un K-espace vectoriel dimension finie, e,e deux bases
0 0
de E et P la matrice de passage de e à e et f ∈ L(E). Si A = [f ]e et A = [f ]e0 ,
alors on a la formule suivante (formule de changement de base) :
0
A = P −1 AP.

Preuve :

Remarque I.2.4 On rappelle que deux matrices A, B ∈ Mn (K) sont dites sem-
blables s’il existe P ∈ GLn (K) telle que B = P −1 AP . Il résulte de ce qui précède
que deux matrices sont semblables si et seulement si elles représentent le même
endomorphisme dans des bases différentes.

17
Exemple I.2.9 :

Application : Trace d’un endomorphisme.

Définition I.2.5 Soit A = (aij ) 1≤i≤n ∈ Mn (K) alors on appelle trace de A noté
1≤j≤n
tr A l’élément de K défini par :
n
X
tr A = aii .
i=1

Propriétés I.2.4 On a :
1. tr : Mn (K) → K est une forme linéaire (i.e. une application linéaire de
Mn (K) dans K).
2. Si A, B ∈ Mn (K) alors tr(AB) = tr (BA).
3. tr A = tr t A.
4. Si A ∈ Mn (K) et P ∈ GLn (K) alors tr (P −1 AP ) = tr A (deux matrices
semblables ont même trace).

Preuve :

0
Il découle de 4) que si f est un endomorphisme de E et e, e deux bases de E,
on a tr [f ]e = tr [f ]e0 (indépendance de la base utilisée). Ceci permet de définir :

18
Définition I.2.6 Soit f ∈ L(E), alors on appelle trace de f noté tr f , la trace
de la matrice de f dans une base quelconque de E.

Exemple I.2.10 :

19