Chapitre 1.
Algèbre linéaire : révisions
Dans tout le document, sauf mention expresse, K désigne indifféremment R
ou C, et n est un entier strictement positif.
1. Espace et sous-espace vectoriels, famille de vecteurs,
somme de sous-espaces vectoriels
1.1. Espace vectoriel
Définition 1.1
Un ensemble E est un K−espace vectoriel lorsque
(1). E est non vide,
E2 −→ E
(2). il existe une addition :
(x, y) 7−→ x + y
(i) associative :
def
∀(x, y, z) ∈ E3 , x + ( y + z) = (x + y) + z = x + y + z ,
(ii) commutative : ∀(x, y) ∈ E2 , x + y = y + x ,
(iii) avec un élément neutre ⃗o qui vérifie ∀x ∈ E, x +⃗o = ⃗o + x = x ,
(iv) telle que tout x ∈ E a un opposé (−x) ∈ E pour lequel
x + (−x) = ⃗o
(K, E) −→ E
(3). il existe une multiplication externe qui
(λ, x) 7−→ λ x
permet de multiplier les vecteurs x de E par les scalaires λ de K
avec les propriétés suivantes :
(i) ∀λ ∈ K, ∀(x, y) ∈ E2 , λ (x + y) = λ x + λ y ,
(ii) ∀(λ, µ) ∈ K2 , ∀x ∈ E, (λ + µ) x = λ x + µ x ,
(iii) ∀(λ, µ) ∈ K ,
2
∀x ∈ E, λ (µ x) = µ (λ x) = (λµ) x ,
(iv) ∀x ∈ E, 1x = x
1/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
Remarque 1.1 – Pour quoi est fait un espace vectoriel ?
Un espace vectoriel sur K est un ensemble E dont la structure est destinée à faire
des combinaisons linéaires.
Autrement dit, avec
une liste (x 1 , . . . , x n ) d’éléments de E, que l’on appelle vecteurs,
Ý
et une liste (λ , . . . , λ ) d’éléments de K, appelés scalaires,
Ý 1 n
on fabrique la combinaison linéaire des x i avec les coefficients λi , c’est-à-dire
Pn
λk x k ou λ1 x 1 + · · · + λn x n , qui est encore un vecteur de E.
k=1
Dans toute la suite, E désigne un K-espace vectoriel.
Définition 1.2 – Sous-espace vectoriel
Une partie F de E est un sous-espace vectoriel de E lorsque :
F est non vide (elle doit notamment contenir 0E ),
Ý
Ý
F est stable par combinaison linéaire, c’est-à-dire :
∀(λ, µ) ∈ K2 , ∀(x, y) ∈ F2 , λx + µ y ∈ F.
Théorème 1.1 – Pour ne jamais utiliser la définition 1.1
Un sous-espace vectoriel de E, muni des opérations de E, a une structure
de K-espace vectoriel.
Méthode 1.1 – Pour montrer qu’un ensemble est un espace vectoriel :
on montre dans la plupart des cas que c’est un sous-espace vectoriel d’un autre
espace vectoriel.
2/20
Chapitre 1. Algèbre linéaire : révisions
1.2. Famille libre, famille liée
Définition 1.3
Une famille finie (x 1 , . . . , x n ) de vecteurs de E est libre lorsque
hX
n i
∀(λ1 , . . . , λn ) ∈ K ,
n
λi x i = 0E ⇒ [∀i ∈ J1, nK, λi = 0].
i=1
Ý Une famille est dite liée lorsqu’ elle n’est pas libre.
Ý Une famille infinie (mais dénombrable) de vecteurs est libre lorsque
toutes ses sous-familles finies sont libres.
Remarque 1.2 – Explication : la famille (x 1 , . . . , x n ) est libre lorsque la seule ma-
nière d’obtenir le vecteur nul avec une combinaison linéaire des x i est de n’utiliser
que des coefficients nuls.
Méthode 1.2 – Pour montrer qu’une famille (x 1 , . . . , x n ) de vecteurs de E est
libre : en général,
(1). on prend une liste quelconque (λ1 , . . . , λn ) de scalaires,
P
n
(2). on suppose que λ i x i = 0E ,
i=1
(3). on prouve alors que chacun des scalaires λi est nul.
Proposition 1.2
(1). Une famille est liée si, et seulement si l’un (au moins) de ses vec-
teurs peut s’écrire comme combinaison linéaire des autres.
(2). Si une famille est formée de polynômes non nuls de degrés deux
à deux distincts, alors elle est libre.
3/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
1.3. Sous-espace engendré, famille génératrice
Définition 1.4 – sous-espace vectoriel engendré par une partie
Soit A une partie de E.
Un ensemble est noté Vect(A) et appelé sous-espace vectoriel en-
gendré par A lorsque c’est le plus petit sous-espace vectoriel de E
contenant A.
Proposition 1.3 – Caractérisation
Si A est une famille de vecteurs de E, que l’on note A = x i i∈I ,
alors le sous-espace vectoriel Vect(A) est l’ensemble des combinai-
A.
sons linéaires des vecteurs de
En particulier, si A = x i i∈J1 ; nK = (x 1 , . . . , x n ) est une famille finie de
vecteurs de E, alors
nX
n o
Vect(x 1 , . . . , x n ) = λi x i | (λ1 , . . . , λn ) ∈ Kn
n i=1 X
n o
= y ∈ E | ∃(λ1 , . . . , λn ) ∈ K , y = n
λi x i .
i=1
Définition 1.5 – Famille génératrice
La famille S = x i i∈I est génératrice d’un sous-espace vectoriel F de
E lorsque Vect (S ) = F, ce qui équivaut à la double-inclusion suivante :
Vect(S ) ⊂ F (pour cela il suffit que S ⊂ F),
Ý
Ý
F ⊂ Vect(S ) (tout vecteur de F peut s’écrire comme
combinaison linéaire de vecteurs de S).
4/20
Chapitre 1. Algèbre linéaire : révisions
Proposition 1.4 – Vecteur redondant
(1). Si y ∈ Vect(x 1 , . . . , x n ) alors
Vect(x 1 , . . . , x n , y) = Vect(x 1 , . . . , x n ).
(2). Si (x 1 , . . . , x n ) une famille libre, alors
(x 1 , . . . , x n , y) est liée si et seulement si y ∈ Vect(x 1 , . . . , x n ).
1.4. Base d’un espace vectoriel
Définition 1.6
Une famille de vecteurs est appelée base de E, lorsqu’elle est à la fois
Ý libre,
Ý et génératrice de E.
Proposition 1.5 – Caractérisation d’une base
Soit B une famille de vecteurs de de E.
La famille B de E est une base de E si, et seulement si tout vecteur x
de E se décompose de manière unique comme combinaison linéaire
des vecteurs de B.
Dans ce cas, les coefficients de cette combinaison linéaire sont appelées
coordonnées du vecteur x dans la base B.
5/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
2. Applications linéaires
2.1. Définitions, premières propriétés
Définition 1.7
Soient E et F deux K-espaces vectoriels.
Une application φ de E dans F est appelée application linéaire lorsque
l’image d’une combinaison linéaire est la combinaison linéaire des
images :
∀(x, y) ∈ E2 , ∀(λ, µ) ∈ K2 , φ(λx + µ y) = λφ(x) + µφ( y).
Remarque 1.3 – Généralisation de la linéarité
On montre par récurrence sur n que si φ est linéaire, alors pour toutes familles
(x 1 , . . . , x n ) de vecteurs de E et (λ1 , . . . , λn ) de scalaires :
X
n Xn
φ λk x k = λk φ(x k ).
k=1 k=1
Définition 1.8 – Vocabulaire et notations
L’ensemble des applications linéaires de E dans F se note
L(E, F), c’est un K-espace vectoriel.
Une forme linéaire sur E est une application linéaire de E dans
l’ensemble des scalaires K. L’ensemble L(E, K) des formes linéaires
sur E est aussi noté E∗ .
Un endomorphisme de E est une application linéaire de E dans E
lui-même. L’ensemble des endomorphismes de E est noté L(E).
Un isomorphisme de E sur F est une application linéaire bijective
de E sur F.
Un automorphisme de E est un isomorphisme de E sur E lui-même.
On note Gl(E) l’ensemble des automorphismes de E, cet ensemble
muni de la composition des applications a une structure de groupe.
6/20
Chapitre 1. Algèbre linéaire : révisions
Proposition 1.6 – Caractérisation d’une application linéaire sur
une base
Ý ei est une base de E,
i∈I
Si
Ý yi i∈I une famille de vecteurs de F,
alors il existe une unique application linéaire φ de E dans F qui vérifie
pour tout i ∈ I, φ(ei ) = yi .
Méthode 1.3 – Pour montrer que deux applications linéaires sont égales
Les applications linéaires φ et ψ sont égales (c’est-à-dire ∀x ∈ E, φ(x) = ψ(x)) :
Ý il suffit de trouver une base B de E sur laquelle :
∀e ∈ B , φ(e) = ψ(e) ;
Ý en dimension finie il suffit de montrer qu’elles ont la même matrice dans une
base.
2.2. Noyau et image
Soient E et F deux K-espaces vectoriels, et φ ∈ L(E, F).
Définition 1.9
Un ensemble est appelé noyau de φ lorsqu’il est la partie de E
formée des vecteurs d’image nulle par φ :
ker(φ) = φ −1 0F = u ∈ E | φ(u) = 0F .
Un ensemble est appelé image de φ lorsqu’il est la partie de F
formée des images par φ :
Im(φ) = φ(E) = φ(u) | u ∈ E = v ∈ F | ∃u ∈ E, φ(u) = v .
Exercice 1.1. Soient f , g deux endomorphismes de E.
Montrer que f ◦ g est l’endomorphisme nul si, et seulement si, Im(g) ⊂ ker( f ).
7/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
F
E
Im(φ)
ker(φ)
× ×⃗oF
⃗oE
Méthode 1.6 – Trouver le noyau d’une application linéaire
Déterminer ker(φ) revient à résoudre dans E l’équation φ(x) = 0E .
Exercice 1.2. Soient n ∈ N∗ , a1 , . . . , an une liste de n nombres complexes deux
à deux distincts, et D = Diag a1 , . . . , an la matrice diagonale dont les termes dia-
gonaux sont les ai .
Montrer que M 7→ D × M − M × D est un endomorphisme de Mn (C) et donner son
noyau.
Proposition 1.7 – Le noyau et l’image sont des sous-espaces vecto-
riels
L’ensemble ker(φ) est un sous-espace vectoriel de E, tandis que Im(φ)
est un sous-espace vectoriel de F.
Proposition 1.8 – Lien entre noyau et injectivité, image et surjec-
tivité
(1). φ est injective si, et seulement si ker(φ) = 0E .
(2). φ est surjective si, et seulement si Im( f ) = F.
8/20
Chapitre 1. Algèbre linéaire : révisions
Proposition 1.9 – Image d’un espace engendré
(1). φ Vect x i i∈I = Vect φ(x i ) i∈I ;
(2). En particulier, φ Vect(x 1 , . . . , x n ) = Vect φ(x 1 ), . . . , φ(x n ) ;
(3). si (e1 , . . . , e p ) est une famille génératrice de E,
alors Im(φ) = Vect φ(e1 ), . . . , φ(e p ) .
Proposition 1.10 – Images des familles libres par une application
linéaire
Soit S une famille de vecteurs de E et φ ∈ L(E, F) :
(1). si S est une famille liée, alors φ(S ) est une famille liée ;
(2). φ est injective si, et seulement si l’image de toute famille libre de
E, est encore une famille libre de F.
Proposition 1.11 – Une caractérisation d’un isomorphisme
φ ∈ L(E, F) est un isomorphisme si, et seulement si l’image d’une
base de E est encore une base de F.
9/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
3. Espaces vectoriels de dimension finie
3.1. Dimension, bases canoniques
Définition 1.10 – Notion de dimension
On dit que E est de dimension finie lorsqu’il possède une famille géné-
ratrice finie. Dans ce cas,
Ý toutes les bases de E ont le même cardinal,
Ý ce cardinal commun à toutes les bases est appelé dimension de E
et noté dim(E).
Ý On convient de poser dim(E) = 0 lorsque E = {⃗o}.
Définition 1.11 – Le symbole de Kronecker
(
1 si i = j ;
Pour tout (i, j) ∈ N2 , on pose δi, j = 0|i− j | =
0 sinon.
Proposition 1.12 – (et définition) Espaces usuels et bases cano-
niques
(1). La famille e1 , . . . , en , où ei = δi j j∈J1,nK est une base de Kn , ap-
pelée base canonique de Kn . Par conséquent, dim(Kn ) = n.
(2). La
famille 1, X, . . .
, X n
est une base de Kn [X] =
P ∈ K[X] | deg(P) ¶ n appelée base canonique de Kn [X].
Par conséquent, dim(Kn [X]) = n + 1.
(3). On appelle matrices élémentaires de Mn,p (K) les matrices notées
Ek,ℓ , où 1 ¶ k ¶ n et 1 ¶ ℓ ¶ p, dont le terme général est δik × δ jℓ .
(Autrement dit, toutes les composantes de Ek,ℓ sont nulles sauf
celle de la k-ème ligne et ℓ-ème colonne qui vaut 1.)
La famille des matrices élémentaires forme une base de Mn,p (K)
appelée base canonique, et dim Mn,p (K) = n × p.
10/20
Chapitre 1. Algèbre linéaire : révisions
Remarque
1.4 – L’espace Kn
: l’ensemble Kn =
(x 1 , . . . , x n ) | ∀i ∈ J1 ; nK, x i ∈ K est le K-espace vectoriel canonique de di-
mension n. On assimile souvent Kn et Mn,1 (K), en confondant X = (x 1 , . . . , x n ) de
x1
Kn et la colonne X = ... .
xn
On note désormais E, F, G trois K-espaces vectoriels non ré-
duits au vecteur nul, de dimensions respectives n, p, q, et de
bases respectives B, B 0 et B 00 , φ ∈ L(E, F) et ψ ∈ L(F, G).
3.2. Matrices
Définition 1.12 – Matrices de coordonnées
Matrice d’une famille de vecteurs dans une base : notons
B = (e1 , . . . , en ) une base de E ; pour toute famille S = (x 1 , . . . , x p )
de p vecteurs de E, on appelle matrice de S dans labase B, on la
note MatB (S ) ou MatB (x 1 , . . . , x p ), la matrice mi j de Mn,p (K)
dont la j -ème colonne est constituée des coordonnées de x j dans
la base B. Autrement dit :
X n
∀ j ∈ J1, pK, x j = mi j ei .
i=1
Matrice d’une application linéaire : la matrice de φ dans les bases
B = (e1 , . . . , en ) et B 0 est définie par
MatB,B0 (φ) = MatB0 (φ(e1 ), . . . , φ(en )).
Cas d’un endomorphisme : si E = F, on note MatB (φ) la matrice
MatB,B (φ).
11/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
Définition 1.13 – Application linéaire canoniquement associée à
une matrice
Soit M ∈ Mn,p (K).
K p −→ Kn
Ý L’application linéaire est l’application li-
X 7−→ M X (= M × X)
néaire canoniquement associée à la matrice M ∈ Mn,p (K).
Elle a pour matrice M dans les bases canoniques de K p et Kn .
Ý Le noyau et l’image d’une matrice sont ceux de son application li-
néaire canoniquement associée :
ker(M) = {X ∈ K p | M X = 0} , Im(M) = {MX | X ∈ K p } .
Proposition 1.13 – Matrice de la composée de deux applications li-
néaires
MatB,B00 (ψ ◦ φ) = MatB0 ,B00 (ψ) × MatB,B0 (φ).
Proposition 1.14 – Bijections entre espaces vectoriels et en-
sembles de matrices
(1). L’application (x 1 , . . . , x p ) 7→ MatB (x 1 , . . . , x p ) est un isomorphisme
de E p sur Mn,p (K).
(2). φ 7→ MatB,B0 (φ) est un isomorphisme de L(E, F) sur M p,n (K).
12/20
Chapitre 1. Algèbre linéaire : révisions
3.3. Rang d’une famille de vecteurs, d’une matrice, d’une application linéaire
Définition 1.14 – Les rangs, les rangs, petit patapan
Ý Le rang d’une famille (x 1 , . . . , x p ) de vecteurs de E est
rg(x 1 , . . . , x p ) = dim(Vect(x 1 , . . . , x p )).
Ý Le rang d’une matrice est le rang de la famille de ses colonnes.
Ý Le rang d’une application linéaire est : rg(φ) = dim(Im(φ)).
Remarque 1.5 – Une façon de comprendre le rang : le rang d’une famille de vec-
teurs S est aussi le nombre de vecteurs qui restent quand on en a oté tous les
vecteurs redondants, ou encore le plus grand cardinal possible d’une famille libre
extraite de S.
Proposition 1.15 – Quelques propriétés du rang
(1). Pour toute base B de E, rg(x 1 , . . . , x p ) = rg(MatB (x 1 , . . . , x p )).
(2). (x 1 , . . . , x p ) est libre si, et seulement si rg(x 1 , . . . , x p ) = p.
(3). La famille (x 1 , . . . , x p ) de vecteurs de E est génératrice de E
si, et seulement si rg(x 1 , . . . , x p ) = dim(E).
(4). Si (e1 , . . . , e p ) est une base de E, alors rg(φ) = rg(φ(e1 ), . . . , φ(e p )).
(5). Pour toutes bases B de E et B 0 de F, rg(φ) = rg(MatB,B0 (φ)).
(6). Le rang d’une application linéaire reste inchangé par composition
à droite ou à gauche par un isomorphisme.
(7). Le rang d’une matrice reste inchangé par multiplication à droite ou
à gauche par une matrice inversible.
Proposition 1.16 – Le théorème du rang
(1). Soit H un espace vectoriel quelconque, pour tout φ ∈ L(E, H),
rg(φ) = dim(E) − dim(ker(φ)).
(2). Pour toute matrice M ∈ Mn (K), rg(M) = n − dim(ker(M)).
13/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
3.4. Familles libres et génératrices en dimension finie
Proposition 1.17 – Familles de vecteurs en dimension finie
Dans un espace vectoriel E de dimension n,
Ý si une famille est libre, alors elle contient au plus n vecteurs,
Ý si une famille est génératrice de E, alors elle contient au moins
n vecteurs.
Proposition 1.18 – Théorème de la base incomplète
(1). Si une famille de E est libre, alors on peut la compléter en une
base de E avec des vecteurs d’une famille génératrice de E.
(2). Si une famille est génératrice de E, alors on peut en extraire
une base de E.
Proposition 1.19 – Caractérisation d’une base en dimension finie
Soit C une famille de vecteurs, et E un K-espace vectoriel.
Les propositions ci-dessous sont équivalentes :
(i) C est une base de E ; C ⊂ E,
(iv) Ý
rg(C ) = dim(E) ;
Ý
(ii) Ý C ⊂ E, C ⊂ E,
(v) Ý
la matrice de C dans une
Ý C est une famille libre, Ý
base de E est inversible ;
Ý card(C ) = dim(E) ;
(vi) C ⊂ E,
Ý
(iii) Ý C est génératrice de E,
Ý
la matrice de C dans toute
Ý card(C ) = dim(E) ; base de E est inversible.
14/20
Chapitre 1. Algèbre linéaire : révisions
Proposition 1.20 – Égalité de deux espaces vectoriels de dimen-
sion finie
Si F et G sont deux espaces vectoriels de dimension finie, alors
F ⊂ G,
Ý
F = G ⇐⇒
Ý dim(F) = dim(G)
15/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
3.5. Isomorphismes en dimension finie
Proposition 1.21 – Isomorphisme et égalité des dimensions
S’il existe un isomorphisme de E sur F, alors dim(E) = dim(F).
Corollaire 1.22 – La dimension de l’espace des applications li-
néaires
L(E, F) est isomorphe à Mn,p (K), donc
dim(L(E, F)) = n × p = dim(E) × dim(F).
Proposition 1.23 – Caractérisation d’un isomorphisme en cas
d’égalité des dimensions
Si dim(E) = dim(F), alors les propositions suivantes sont équiva-
lentes :
(i) φ est bijective ; (v) il existe h ∈ L(F, E) tel que
φ ◦ h = idF ;
(ii) φ est injective ;
(vi) une matrice représentant φ
(iii) φ est surjective ; est inversible ;
(iv) il existe g ∈ L(F, E) tel que (vii) toutes les matrices représen-
g ◦ φ = idE ; tant φ sont inversibles ;
Dans le cas où φ est bijective, pour toutes bases B de E et B 0 de F, on a
−1
MatB0 ,B (φ −1 ) = MatB,B0 (φ) .
Remarque 1.6 Le résultat précédent s’applique en particulier aux endomorphismes
d’espaces vectoriels de dimension finie.
16/20
Chapitre 1. Algèbre linéaire : révisions
4. Somme de sous-espaces vectoriels
4.1. Le cas général
On se place dans un K-espace vectoriel E, dont F et G sont deux sous-espaces
vectoriels.
Définition 1.15 – Somme de deux sous-espaces vectoriels
On note F + G le sous-espace vectoriel de E défini par :
F + G = Vect(F ∪ G)
= x F + x G | x F ∈ F, x G ∈ G
= x ∈ E | ∃(x F , x G ) ∈ F × G, x = x F + x G .
Définition 1.16 – Somme directe de deux sous-espaces vectoriels
On dit que F et G sont en somme directe lorsque tout vecteur x de
F + G s’écrit de façon unique sous la forme x = x F + x G , où x F ∈ F et
x G ∈ G.
Proposition 1.24 – Caractérisation d’une somme directe
F et G sont en somme directe si, et seulement si F ∩ G = 0E .
Exemple 1.1 – cas classique. Si (x 1 , . . . , x k , x k+1 , . . . , x r ) est une famille libre
d’un espace vectoriel E, alors Vect(x 1 , . . . , x k ) et Vect(x k+1 , . . . , x r ) sont en somme
directe.
17/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
Définition 1.17 – Sous-espaces vectoriels supplémentaires
Les sous-espaces vectoriels F et G sont supplémentaires dans E, on note
E = F ⊕ G, lorsque tout vecteur x de E s’écrit de façon unique sous la
forme x = x F + x G , où x F ∈ F et x G ∈ G.
Dans ce cas :
Ý le vecteur x F (resp. x G ) est appelé projeté de x sur F parallèle-
ment à G (resp.G parallèlement à F) ;
Ý l’application p : x 7→ x F (resp.q : x 7→ x G ) est appelée projec-
tion de E sur F parallèlement à G ([Link] de E sur G
parallèlement à F), et p + q = idE ;
Ý l’application s = p − q = 2p − idE est appelée symétrie par
rapport à F parallèlement à G.
Proposition 1.25 – Existence d’un supplémentaire
Tout sous-espace vectoriel d’un K-espace vectoriel E admet un supplé-
mentaire dans E.
Proposition 1.26 – Une caractérisation de supplémentaires
F ∩ G = 0E ,
Ý
E=F⊕G ⇐⇒
Ý E = F + G.
18/20
Chapitre 1. Algèbre linéaire : révisions
4.2. Projecteurs et projections, symétries
Définition 1.18 – Projecteur, symétrie
Ý Un endomorphisme p de E est un projecteur de E lorsque p ◦ p = p.
Ý Un endomorphisme s de E est une symétrie de E lorsque s ◦ s = idE .
Proposition 1.27 – Propriétés des projecteurs et des symétries
Soient p un projecteur et s une symétrie de E.
(1). E = ker(p) ⊕ Im(p) ;
(2). Im(p) = ker(p − idE ) ;
(3). p est la projection sur Im(p) parallèlement à ker(p) ;
(4). q = idE −p est la projection sur ker(p) parallèlement à Im(p) ;
(5). 2p −idE est la symétrie par rapport à Im(p) parallèlement à ker(p) ;
(6). E = ker(s − idE ) ⊕ ker(s + idE ),
(7). s est la symétrie par rapport à ker(s − idE ) parallèlement à
ker(s + idE ),
1
(8). 2
(s+ idE ) est le projecteur sur ker(s − idE ) parallèlement à
ker(s + idE ).
Proposition 1.28 – Les projections sont des projecteurs !
La projection p de E sur F parallèlement à G est un projecteur, qui vérifie
ker(p) = G et Im(p) = F.
19/20
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
4.3. Sommes de sous-espaces vectoriels en dimension finie
On suppose à présent que E est de dimension finie.
Proposition 1.29
(1). La formule de Grassmann :
dim(F + G) = dim(F) + dim(G) − dim(F ∩ G).
(2). Si F est un sous-espace vectoriel de E, alors
Ý dim(F) ¶ dim(E),
Ý F possède (au moins) un sous-espace vectoriel supplémentaire
G dans E, qui vérifie dim(G) = dim(E) − dim(F).
Proposition 1.30 – Caractérisations de sous-espaces vectoriels
supplémentaires
Les propositions ci-dessous sont équivalentes :
(i) E = F ⊕ G ;
(ii) F ∩ G = 0E et dim(F) + dim(G) = dim(E) ;
(iii) F + G = E et dim(F) + dim(G) = dim(E) ;
(iv) la concaténation d’une base de F et d’une base de G forme une
base de E.
Une telle base est appelée base adaptée à la somme
directe E = F ⊕ G.
(v) la réunion de toute base de F avec toute base de G forme une base
de E.
20/20
Chapitre 1. Algèbre linéaire : révisions
5. Preuves et solutions
Une correction de l’exercice 1.1 énoncé
Méthode 1.7 – Prouver une équivalence
Pour montrer une équivalence A ⇐⇒ B, autrement dit pour montrer que A est vrai si, et seulement si, B est vrai,
on peut montrer que A entraîne B (on note « supposons que A, montrons alors B »), et que réciproquement
B entraîne A.
1. Supposons que f ◦ g est l’endomorphisme nul, et montrons que Im(g) ⊂ ker( f ).
Méthode 1.8 – Établir une inclusion
Pour établir l’inclusion A ⊂ B, on peut prendre un élément quelconque dans A, et prouver que cet élément
est dans B (on note « soit dans A, montrons que est dans B »).
Soit y ∈ Im(g), montrons que y ∈ ker( f ). Pour cela, il suffit de montrer que f ( y) = 0E .
On sait que y ∈ Im(g), donc par définition de l’image d’une application linéaire, il existe x ∈ E tel que y = g(x).
Ainsi
f ( y) = f g(x) = ( f ◦ g)(x) = 0E (car f ◦ g est l’endomorphisme nul) c.q.f.d.
Ainsi Im(g) ⊂ ker( f ).
2. Réciproquement, supposons que Im(g) ⊂ ker( f ), et montrons que f ◦ g est l’endomorphisme nul.
Soit x ∈ E, ( f ◦ g)(x) = f g(x) , or par définition, g(x) ∈ Im(g), donc par hypothèse, g(x) ∈ ker( f ),
autrement dit, par définition, f (g(x)) = 0E .
Ainsi, pour tout x ∈ E, ( f ◦ g)(x) = 0E , donc f ◦ g est bien l’endomorphisme nul.
Une correction de l’exercice 1.2 énoncé
Notons ϕ : M 7→ D × M − M × D.
Ý Le produit matriciel (A, B) ∈ Mn (C)2 7→ A × B est :
⋆ une application interne à Mn (C) donc ϕ est bien une application de Mn (C) dans Mn (C),
⋆ bilinéaire, donc ϕ est une application linéaire.
Ainsi ϕ est un endomorphisme de Mn (C).
Ý Soit M ∈ Mn (C), alors par la formule du produit matriciel, pour tout (i, j) ∈ J1 ; nK2 ,
ϕ(M) i, j = DM − MD i, j = DM i, j − MD i, j
X
n
X
n
= D i,k M k, j − M i,k D k, j
k=1 k=1
ap si p = q,
= ai M i, j − M i, j a j (car (D) p,q = )
0 sinon.
= (ai − a j ) M i, j .
21
Maths - PC - Lycée René Cassin - Bayonne - 2019-2020
Ainsi
M ∈ ker(ϕ) ⇐⇒ ∀(i, j) ∈ J1 ; nK2 , (ai − a j ) M i, j = 0
⇐⇒ ∀(i, j) ∈ J1 ; nK2 , i 6= j, M i, j = 0 (car si i 6= j , ai − a j 6= 0)
⇐⇒ M ∈ Dn (C) (autrement dit M est une matrice diagonale.)
On a donc prouvé que
ker(ϕ) = Dn (C).
22
