Chapitre 1

Dualité

Sommaire
1.1 Formes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Hyperplans . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Bases duales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 (*) Formes linéaires et sous-espaces vectoriels . . . . . . . . . . . . . . . 9
1.5 (*) Formes linéaires et applications . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Dans ce chapitre, E désigne un K-espace vectoriel (K = Q, R, C ou plus généralement un corps

commutatif) de dimension finie n ∈ N∗ , sauf mention du contraire. On rappelle que K lui-même est
un K-espace vectoriel de dimension 1 ; sa base canonique est (1).

δ désigne le symbole de Kronecker (Léopold Kronecker 1823–1891) :

1 si i = j,
∀(i, j) ∈ N2 , δij = {
0 si i ≠ j.
En particulier, si B = (e1 , . . . , en ) est une base quelconque de E, on a
MatB (Id) = (δij ) 1⩽i⩽n .
1⩽j⩽n

1.1 Formes linéaires

Définition 1. 1. Une forme linéaire sur E est une application linéaire de E vers K. Usuellement
une forme linéaire est désignée par une lettre grecque : ϕ (phi), ψ (psi), θ (theta)...
2. L’ensemble des formes linéaires sur E s’appelle l’espace dual de E (ou plus simplement le dual
de E). On le note E ∗ .
En vertu de la définition, une forme linéaire ϕ est une application de E vers K qui satisfait
∀u, v ∈ E, ∀λ ∈ K, ϕ(u + λv) = ϕ(u) + λϕ(v).
Proposition 2. E ∗ est un espace vectoriel pour l’addition des applications et la multiplication par
un scalaire. Si E est de dimension finie, E ∗ l’est aussi et dim(E ∗ ) = dim(E). Et donc, dans ce
cas, E ∗ est isomorphe à E.
Nous verrons par la suite (section 1.3) comment trouver des bases de E ∗ si E est de dimension
finie. Remarquons également que, même si E et E ∗ sont isomorphes, il n’existe pas de manière
canonique (c’est-à-dire indépendante de tout choix) de construire un isomorphisme entre E et E ∗ ,
ceci nécessite d’avoir à disposition d’autres objets (voir le chapitre 2). Le cas où E est de dimension
infinie dépasse le cadre de ce cours.
Preuve de la proposition 2. On a que E ∗ = L(E, K) donc E ∗ est muni d’une structure d’espace
vectoriel. De plus, si E est de dimension finie,
dim(E ∗ ) = dim(L(E, K)) = dim(E) dim(K) = dim(E).
2 1.1 Formes linéaires

Pour montrer que E ∗ est un espace vectoriel, on aurait pu également voir que si ϕ, ψ ∈ E ∗ sont
deux formes linéaires et λ ∈ K un scalaire, l’application ϕ + λψ définie par

∀u ∈ E, (ϕ + λψ)(u) = ϕ(u) + λψ(u)

est une forme linéaire. L’élément neutre de E ∗ est la forme linéaire nulle 0E ∗ :

∀u ∈ E, 0E ∗ (u) = 0K .

Proposition 3. Soit ϕ une forme linéaire non nulle sur E. Alors ϕ est surjective et dim Ker (ϕ) =
n − 1.
Démonstration. Donnons deux preuves de la surjectivité de ϕ :
1. Im ϕ est un sous-espace vectoriel de K donc rg ϕ = dim Im ϕ = 0 ou 1. Si rg ϕ = 0, Im ϕ = {0K }
donc ∀u ∈ E, ϕ(u) = 0, autrement dit ϕ = 0E ∗ , ce que nous avons exclu dans les hypothèses de
la proposition. Donc rg ϕ = 1 et Im ϕ = K, c’est-à-dire ϕ surjective.
2. Puisque ϕ est non-nulle, il existe un vecteur u ∈ E tel que x ∶= ϕ(u) ≠ 0. Soit maintenant y ∈ K,
on cherche un vecteur v ∈ E tel que ϕ(v) = y. Or, pour tout λ ∈ K, si v = λu

ϕ(v) = ϕ(λu) = λϕ(u) = λx.

En choisissant λ = y/x (cette opération est permise car x ≠ 0), on a donc

ϕ ( u) = ϕ(u) = x = y.
y y y
x x x
Ce qui montre que pour tout y ∈ K, il existe v ∈ E tel que y = ϕ(v) : ϕ est surjective.
Pour démontrer le second point de la proposition, utilisons le théorème du rang appliqué à ϕ :

dim E = dim Ker (ϕ) + rg ϕ.

Nous avons dim E = n, par définition, et nous avons vu, dans le premier point que rg ϕ = 1. Ceci
montre que dim Ker (ϕ) = n − 1.
Donnons maintenant quelques exemples de références :
• Si E est un espace vectoriel quelconque de dimension n et si B = (e1 , . . . , en ) est une base de E,
on a, par définition
n
∀u ∈ E, ∃!(u1 , . . . , un ) ∈ Kn , u = ∑ ui e i .
i=1

Soit ϕ ∈ E . Comme ϕ est linéaire, on a

∗

n n
ϕ(u) = ϕ (∑ ui ei ) = ∑ ui ϕ(ei ).
i=1 i=1

Ainsi ϕ est parfaitement déterminée par le n-uplet d’éléments de Kn

ϕ(B) = (ϕ(e1 ), . . . , ϕ(en )),

l’image par ϕ de B qui n’est autre que la matrice, de format (1, n), de ϕ relativement à la base
B:
⎛ u1 ⎞
⎜u ⎟
ϕ(u) = (ϕ(e1 ) ϕ(e2 ) ⋯ ϕ(en )) ⋅ ⎜ 2 ⎟ ,
⎜ ⋮ ⎟
⎝un ⎠

c’ést l’écriture matricielle du scalaire ϕ(u).

Dans le cas particulier où E = Kn muni de sa base canonique
⎧
⎪ e1 = (1, 0, . . . , 0),
⎪
⎪
⎪
⎪
⎪
⎪ e2 = (0, 1, . . . , 0),
⎨
⎪
⎪
⎪ ⋮
⎪
⎪
⎪
⎩ en = (0, 0, . . . , 1),
⎪
Dualité 3

on a que ϕ ∈ E ∗ si et seulement s’il existe n scalaires α1 , . . . , αn ∈ K tels que

n
ϕ((x1 , . . . , xn )) = α1 x1 + ⋯ + αn xn = ∑ αi xi .
i=1

On a alors, pour tout i = 1, . . . , n, αi = ϕ(ei ) : les αi sont déterminés de manière unique par ϕ.
Par exemple,
ϕ = 0E ∗ ⇔ (α1 , . . . , αn ) = (0, . . . , 0).

• Si E = Mn (K) est le K-espace vectoriel des matrices carrées de taille n à coefficients dans K,
dim(E) = n2 . La base canonique de E est la base

B = (E11 , E12 , . . . , E1n , E21 , E22 , . . . , E2n , . . . , En1 , En2 , . . . , Enn ),

formée des matrices élémentaires Ekl définies par Ekl = (δik δjl ) 1⩽i⩽n , avec δ le symbole de
1⩽j⩽n
Kronecker (Ekl est la matrice carrée de taille n ayant des zéros partout sauf un 1 à l’intersection
de la k-ième ligne et de la l-ième colonne). L’application trace
n
A = (aij ) 1⩽i⩽n ↦ tr A ∶= ∑ aii
1⩽j⩽n i=1

est une forme linéaire sur Mn (K). En effet, pour toutes matrices A, B ∈ Mn (K) et pour tout
scalaire λ ∈ K, on a
n n n
tr(A + λB) = ∑(aii + λbii ) = ∑ aii + λ ∑ bii = tr(A) + λ tr(B).
i=1 i=1 i=1

• Soit E = Kn [X] = {P ∈ K[X], deg(P ) ⩽ n} l’ensemble des polynômes de degré au plus n. La

base canonique de E est B = (1, X, X 2 , . . . , X n ), donc dim(E) = Card(B) = n + 1. Pour tout
x ∈ K, l’application δx ∶ P ↦ P (x) est une forme linéaire sur E appelée évaluation en x. Plus
généralement, si x ∈ K et k ∈ N, on peut définir une forme linéaire sur E par

ψx,k ∶ P ↦ P (k) (x) (1.1.1)

(évaluation de la dérivée k-ième de P en x). Remarquons que si k ⩾ n + 1, ψx,k = 0E ∗ .

• Soit E = C([a, b], R) l’espace vectoriel des applications continues de l’intervalle [a, b] dans R,
avec a et b deux réels, a < b. C’est un espace vectoriel de dimension infinie. L’application

I ∶f ↦∫ f (t)dt
b

est une forme linéaire sur E grâce à la linéarité de l’intégrale. Et, comme précédemment, si
x ∈ [a, b], l’application δx suivante est une forme linéaire : δx ∶ f ↦ f (x).

1.2 Hyperplans
Définition 4. On appelle hyperplan de E le noyau d’une forme linéaire non nulle sur E :

H hyperplan de E ⇔ ∃ϕ ∈ E ∗ ∖ {0E ∗ }, H = Ker (ϕ).

Par conséquent, un hyperplan H de E est un sous-espace vectoriel de de E de dimension n − 1

si dim E = n (voir la proposition 3).

Théorème 5. Soit H un sous-espace vectoriel de E. Les propositions suivantes sont équivalentes :

i) H est un hyperplan de E,

ii) H est un sous-espace vectoriel strict de E et ∀u ∈ E ∖ H, E = H ⊕ Ku,

iii) dim H = n − 1.

Démonstration. • i ⇒ iii : Si H est un hyperplan, soit ϕ ∈ E ∗ telle que H = Ker (ϕ). On a vu

(voir proposition 3) que dim(H) = dim Ker (ϕ) = n − 1.
4 1.2 Hyperplans

• iii ⇒ ii : On a dim H = n − 1 < dim E donc H est un sous-espace vectoriel strict de E.

Soit u ∈ E ∖ H. Posons F = Ku. Si v ∈ F ∩ H, v ≠ 0, on a u = λv pour un certain λ ∈ K∗ et, comme
v ∈ H, u = λ−1 v ∈ H, ce qui contredit le choix de u. Donc F ∩ H = {0E }. Par ailleurs, on sait

dim(F + H) = dim(F ) + dim(H) − dim(F ∩ H) = 1 + (n − 1) − 0 = n

donc F + H = E et, comme F ∩ H = {0E }, on a F ⊕ H = E, ce qui est ii.

• ii ⇒ i : Soit u ∈ E ∖ H. Soit ϕ l’application de E dans K définie de la manière suivante : Pour
tout v ∈ E, on peut écrire de manière unique v = v0 + v1 avec v0 ∈ H et v1 =∈ Ku donc (de manière
unique là encore) v1 = λv u. On pose alors ϕ(v) ∶= λv . Montrons que ϕ est linéaire. Soient v, w ∈ E
et α ∈ K, notons
v = v0 + λv u,
{
w = w 0 + λw u
leur décomposition dans la somme directe E = H ⊕ Ku de sorte que

ϕ(v) = λv , ϕ(w) = λw .

On a alors que l’égalité

v + αw = (v0 + αw0 ) + (λv + αλw )u
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
∈H ∈Ku

est la décomposition de v + αw dans la somme directe et, selon la définition de ϕ,

ϕ(v + αw) = λv + αλw = ϕ(v) + αϕ(w).

Ce qui montre que ϕ est une forme linéaire. Reste à voir maintenant que Ker (ϕ) = H. Or, si
v ∈ H, on a que v = v + 0 u est la décomposition de v dans la somme directe E = H ⊕ Ku. Donc
ϕ(v) = λv = 0 et v ∈ Ker (ϕ), ce qui montre que H ⊂ Ker (ϕ). En particulier, dim(Ker (ϕ)) ⩾
dim(H) = n − 1. Or la décomposition de u dans la somme directe est u = 0 + 1 u d’où on tire
ϕ(u) = 1. Donc ϕ ≠ 0E ∗ et dim(Ker (ϕ)) = n − 1 = dim H. Comme H ⊂ Ker (ϕ), ceci montre que
H = Ker (ϕ), autrement dit H est un hyperplan de E.

Théorème 6. Soient ϕ et ψ deux formes linéaires sur E. On a

(Ker (ϕ) = Ker (ψ)) ⇔ (∃λ ∈ K∗ , ψ = λϕ).

Démonstration. Si ψ = λϕ avec λ ∈ K∗ , on a trivialement que Ker (ϕ) = Ker (ψ). Supposons donc
que Ker (ϕ) = Ker (ψ). Distinguons deux cas :
• Si Ker (ϕ) = Ker (ψ) = E, on a ϕ = ψ = 0E ∗ et les deux formes sont proportionnelles l’une à
l’autre (prendre par exemple λ = 1).
• Si Ker (ϕ) = Ker (ψ) = H avec H un hyperplan de E. Soit u ∈ E ∖ H. On a alors ϕ(u) ≠ 0 et
ψ(u) ≠ 0. Posons
λ= ∈ K∗ .
ψ(u)
ϕ(u)
Montrons que ψ = λϕ. Soit v ∈ E. Notons, comme dans la preuve du théorème précédent v =
v0 + αu la décomposition de v dans la somme directe E = H ⊕ Ku (v0 ∈ H et α ∈ K). On a alors

ψ(v) = ψ(v0 ) + αψ(u) (linéarité de ψ)

=0+α (v0 ∈ Ker (ψ))

ψ(u)
ϕ(u)
ϕ(u)
= λϕ(v0 ) + αλϕ(u) (v0 ∈ Ker (ϕ))
= λ(ϕ(v0 ) + αϕ(u))
= λϕ(v0 + αu)
= λϕ(v).

Nous avons donc montré que pour tout v ∈ E on a ψ(v) = λϕ(v), autrement dit ψ = λϕ.
Dualité 5

Remarquons que la preuve nous montre qu’une forme linéaire ϕ (non nulle) est définie connais-
sant son noyau et la valeur qu’elle prend sur un vecteur u ∈ E ∖ Ker (ϕ). Donnons maintenant
quelques exemples :

• H = {(x, y, z) ∈ R3 ∣ x − y + z = 0} est un hyperplan de R3 . C’est le plan vectoriel (dim H =

3 − 1 = 2) d’équation x − y + z = 0 puisque ϕ(x, y, z) = x − y + z définit une forme linéaire sur
R3 . On a
H = {(y − z, y, z), (y, z) ∈ R2 } = Vect{(1, 1, 0), (−1, 0, 1)}
donc une base de H est donnée par G = {(1, 1, 0), (−1, 0, 1)} (c’est une famille génératrice
minimale car Card G = 2 = dim H).

Les vecteurs u1 = (2, −1, −3) et u2 = (1, 1, 1) appartiennent-ils à H ? Il suffit pour cela de
calculer ϕ(u1 ) et ϕ(u2 ) :

ϕ(u1 ) = 2 − (−1) + (−3) = 0 donc u1 ∈ H,

ϕ(u2 ) = 1 − 1 + 1 = 1 ≠ 0 donc u2 ∈/ H.

Les supplémentaires de H sont les droites vectorielles Ru0 avec u0 = (a, b, c) ∈/ H, autrement
dit tels que a − b + c ≠ 0.

• Pour tout a ∈ R, nous avons noté δa ∶ P ↦ P (a) la forme linéaire “évaluation en a”. C’est
une forme linéaire non nulle sur Kn [X] car δa (1) = 1. Donc Ha = Ker δa est un hyperplan de
Kn [X].
La famille L = (X−a, (X−a)2 , . . . , (X−a)n ) est une famille de n vecteurs dans Ha linéairement
indépendents (car échelonnés par leur degré). C’est une famille libre maximale de Ha donc
une base de Ha .

Exercice. 1. Montrer qu’un hyperplan de E est un sous-espace vectoriel strict de E qui n’est
inclus (strictement) dans aucun autre sous-espace vectoriel de E hormis E lui-même.

2. (difficile) Montrer que tout hyperplan de Mn (K) intersecte GLn (K).

1.3 Bases duales

Dans toute cette section E est un K-espace vectoriel de dimension finie n.

Théorème 7 (Base duale). Soit B = (e1 , . . . , en ) une base de E. Pour tout i ∈ {1, . . . , n}, on note
e∗i la forme linéaire sur E définie par

∀j ∈ {1, . . . , n}, e∗i (ej ) = δij (relations d’orthogonalité de Kronecker),

avec δij le symbole de Kronecker. e∗i est appelé la ième forme (linéaire) coordonnée de la base B.
On a

1. La famille (e∗1 , . . . , e∗n ) est une base de E appelée base duale de B.

2. Pour tout u ∈ E,
n
u = ∑ e∗i (u)ei . (1.3.1)
i=1

n
3. Pour tout ϕ ∈ E ∗ , ϕ = ∑ ϕ(ei )e∗i .
i=1

Remarquons que le deuxième point justifie l’appellation “forme linéaire coordonnée” pour e∗i
car e∗i (u) est la coordonnée de u le long du vecteur ei .

Démonstration. Nous avons défini les e∗i sur une base de E, nous savons alors qu’il existe une et
une seule manière de les définir sur E tout entier par linéarité. Montrons maintenant chacun des
trois points.
6 1.3 Bases duales

• La famille des e∗i est une famille libre. En effet, si λ1 , . . . , λn ∈ K sont tels que

λ1 e∗1 + ⋯ + λn e∗n = 0E ∗ ,

⎛n ∗⎞
n n
on a, pour tout i ∈ {1, . . . , n}, 0 =∑ λj ej (ei ) = ∑ λj ej (ei ) = ∑ λj δji = λi . Donc λi = 0
∗
⎝j=0 ⎠ j=0 j=0
pour tout i, ce qui montre bien que la famille des e∗i est libre. Comme elle est de rang maximal
n = dim E ∗ , c’est une base de E ∗ .

• Pour tout u ∈ E, notons u = u1 e1 + ⋯ + un en sa décomposition dans la base B. On a

n n
e∗i (u) = e∗i (u1 e1 + ⋯ + un en ) = ∑ uj e∗i (ej ) = ∑ uj δij = ui ,
j=1 j=1

n
ce qui montre que u = ∑ e∗i (u)ei .
i=1

• Soit ϕ ∈ E ∗ . En utilisant la formule précédente, on a, pour tout u ∈ E,

n n n
ϕ(u) = ϕ (∑ e∗i (u)ei ) = ∑ e∗i (u)ϕ(ei ) = ∑ ϕ(ei )e∗i (u),
i=1 i=1 i=1

n
d’où on tire ϕ = ∑ ϕ(ei )e∗i .
i=1

Remarquons ici que pour établir les points 2 et 3, nous n’avons pas utilisé le fait que les e∗i
forment une base de E ∗ . La formule du point 3 montre que les e∗i forment une famille génératrice
de E ∗ .

Théorème 8 (Base antéduale). Soit Φ = (ϕ1 , . . . , ϕn ) une base de E ∗ . Il existe une unique base
F = (f1 , . . . , fn ) de E telle que

∀(i, j) ∈ {1, . . . , n}2 , ϕi (fj ) = δij .

Cette base est appelée antéduale (ou préduale) de la base Φ.

Démonstration. La principale difficulté de cette preuve, par rapport à la preuve de l’existence

d’une base duale, est qu’on ne peut pas construire les éléments de E comme on construit une
forme linéaire. Il faut donc procéder différemment. Soit B = (e1 , . . . , en ) une base quelconque de
E. Nous cherchons des vecteurs f1 , . . . fn ∈ E que nous pouvons écrire
n
fj = ∑ pjk ek
k=1

avec P = (pij ) 1⩽i⩽n la matrice de passage de B à F. F est la base duale de Φ si et seulement si,
1⩽j⩽n
pour tout (i, j) ∈ {1, . . . , n}2 , on a
n n
δij = ϕi (fj ) = ϕi ( ∑ pjk ek ) = ∑ pjk ϕi (ek ).
k=1 k=1

Soit A la matrice définie par

A = (aki )1⩽k⩽n , aki = ϕi (ek ).
1⩽i⩽n
n
L’égalité δij = ∑ pjk ϕi (ek ) peut s’écrire matriciellement In = P A. Donc, si on montre que A est
k=1
inversible, on aura P = A−1 , ce qui démontrera l’existence et l’unicité de la base antéduale. Soit

⎛ x1 ⎞
X =⎜ ⋮ ⎟
⎝xn ⎠
Dualité 7

un vecteur colonne tel que AX = 0. On a alors, pour tout k ∈ {1, . . . , n},

n n
0 = (AX)k = ∑ ϕi (ek )xi = (∑ xi ϕi ) (ek ).
i=1 i=1

La forme linéaire ϕ = ∑ni=1 xi ϕi est nulle en chacun des vecteurs e1 , . . . , en et ces vecteurs forment
une base de E, donc ϕ = 0E ∗ :
n
0E ∗ = ∑ xi ϕi .
i=1

Mais comme les ϕi forment une base de E , on en déduit que tous les xi sont nuls, i.e. X = 0. Nous
∗

avons donc montré que le noyau de A est réduit à 0, donc A est inversible.

Les deux théorèmes précédents montrent qu’il existe une bijection canonique entre les bases de
E et celles de E ∗ . Donnons maintenant quelques exemples de calcul de base duale et préduale.

• Dans E = R3 muni de sa base canonique B0 = (e1 , e2 , e3 ), posons

u1 = e 1 + e 3 , u2 = e 1 − e 2 , u3 = e 2 − e 3 .

B = (u1 , u2 , u3 ) est une base de R3 : en effet,

RRR1 1 0 RRRR
R
det B0 B = RRRRR0 −1 1 RRRR = 2 ≠ 0
RRR0 −1 R
R −1RRRR

Notons P la matrice de passage de B0 à B :

⎛1 1 0⎞
P = ⎜0 −1 1⎟
⎝0 −1 −1⎠

Déterminons maintenant la base duale B ∗ de B :

B ∗ = (u∗1 , u∗2 , u∗3 ),

on doit résoudre u∗i (uj ) = δij pour 1 ⩽ i, j ⩽ 3. Faisons le calcul pour u∗1 . Posons u∗1 = ae∗1 +be∗2 +ce∗3 .
On veut
⎧
⎪ 1 = u∗1 (u1 ) ⎧ 1 = ae∗1 (u1 ) + be∗2 (u1 ) + ce∗3 (u1 ) ⎧
⎪
⎪ ⎪
⎪
⎪ ⎪
⎪ 1 = a +c
⎪ ⎪ ⎪
⎨ 0 = u1 (u2 ) ⇔ ⎨ 0 = ae1 (u2 ) + be2 (u2 ) + ce3 (u2 ) ⇔ ⎨ 0 = a
∗ ∗ ∗ ∗
−b
⎪
⎪ ⎪
⎪ ⎪
⎪
⎪
⎩ 0 = u1 (u3 )
⎪ ∗ ⎪
⎩ 0 = ae1 (u3 ) + be2 (u3 ) + ce3 (u3 )
⎪ ∗ ∗ ∗
⎩ 0 =
⎪ b −c

La solution de ce système est a = b = c = . Donc u∗1 = 12 (e∗1 + e∗2 + e∗3 ). On trouve de même :
1
2

u∗2 = (e∗1 − e∗2 − e∗3 ), u∗3 = (e∗1 + e∗2 − e∗3 ).

1 1
2 2

Grâce à ce qui précède, nous pouvons déterminer P −1 , la matrice de passage de B à B0 . Il faut

pour cela connaître les coordonnées de e1 , e2 , e3 dans B. On utilise pour cela la formule (1.3.1) :
ej = ∑ u∗i (ej )uu . Donc
3

i=1

1⎛
1 1 1⎞
P −1 = (u∗i (ej )) 1⩽i⩽3 = ⎜1 −1 −1⎟ .
1⩽j⩽3 2 ⎝1 1 −1⎠
Remarquez que P −1 = t Q où Q est la matrice de passage de B0∗ à B ∗ (Pourquoi ?).

• Dans E = Kn [X] muni de sa base canonique B0 = (1, X, X 2 , . . . , X n ), on a grâce à la formule de

Taylor
n
P (i) (0) i
∀P ∈ E, P = ∑ X (1.3.2)
i=0 i!
8 1.3 Bases duales

P (i) (0)
En posant ∀P ∈ E, ϕi (P ) ∶= , on a que ϕi ∈ E ∗ (on a ϕi = ψ0,i , voir (1.1.1)) et la formule
i!
(1.3.2) s’écrit
n
∀P ∈ E, P = ∑ ϕi (P )X i ,
i=0

autrement dit, ϕi (P ) est la coordonnée le long de X i dans la base B0 :

(ϕ0 , ϕ1 , . . . , ϕn ) est la base duale de B0 .
n
En particulier, B0 est une base de E ∗ et on a ∀ϕ ∈ E ∗ , ϕ = ∑ ϕ(X i )ϕi .
i=0

• Soit E = R2 [X] muni de sa base canonique B0 = (1, X, X ), on considère les trois formes linéaires
2

définies par
ϕ0 (P ) = P (0), ϕ1 (P ) = P (1), ϕ2 (P ) = P (2),
c’est-à-dire les évaluations en 0, 1 et 2.

Montrons tout d’abord que (ϕ0 , ϕ1 , ϕ2 ) est une base de E ∗ . On calcule pour cela
RRR ϕ0 (1) ϕ1 (1) ϕ2 (1) RRRR RRRR1 1 1RRRR
RRR RR RR RR 1 2∣ = 4 − 2 = 2 ≠ 0,
det B0 (ϕ0 , ϕ1 , ϕ2 ) = RRR 0 (X) (X) 2 (X) R = R0 1 2R = ∣
RRRϕ (X 2 ) ϕ (X 2 ) ϕ (X 2 )RRRR RRRR0 1 4RRRRR 1 4
ϕ ϕ 1 ϕ
R 0 1 2 RR RR R
donc (ϕ0 , ϕ1 , ϕ2 ) est une base de E ∗ .

Trouvons maintenant la base antéduale de (ϕ0 , ϕ1 , ϕ2 ). On cherche une famille (P0 , P1 , P2 )

d’éléments de E telle que ϕi (Pj ) = δij pour 0 ⩽ i, j ⩽ 2. Faisons le calcul pour P0 . Posons
P0 = a + bX + cX 2 . On doit résoudre le système suivant :
⎧
⎪ a=1
⎧ ⎧ ⎪
⎪
⎪
⎪ = (P ) ⎪
⎪ = ⎪
⎪
⎪
⎪
1 ϕ 1 a
⎪ ⎪
⎪ ⎪
⎪
⎨ 0 = ϕ1 (P0 ) ⇔ ⎨ 0 = a + b + c ⇔ ⎨ b = − 2
0 0 3
⎪
⎪
⎪ ⎪
⎪
⎪
⎪
⎪
⎪
⎩ 0 = ϕ2 (P0 )
⎪ ⎩ 0 = a + 2b + 4c
⎪ ⎪
⎪
⎪
⎪ c=
1
⎪
⎩ 2
Donc
(X − 1)(X − 2)
P0 = 1 − X + X 2 =
3 1
.
2 2 (0 − 1)(0 − 2)
En procédant de même pour P1 et P2 , on obtient
(X − 0)(X − 2) (X − 0)(X − 1)
P1 = 2X − X 2 = P2 = − X + X 2 =
1 1
, .
(1 − 0)(1 − 2) 2 2 (2 − 0)(2 − 1)
On a ici un exemple simple de polynômes interpolateurs de Lagrange pour pour les valeurs 0, 1
et 2. Finalement, déterminons les 3 réels a, b, c tels que

∀P ∈ E, ∫ P (t)dt = aP (0) + bP (1) + cP (2).

2

L’application ϕ ∶ P ↦ ∫
2
P (t)dt est une application linéaire sur E. Donc (formule (2)), on a
0

ϕ = ϕ(P0 )ϕ0 + ϕ(P1 )ϕ1 + ϕ(P2 )ϕ2 .

Il nous suffit donc de calculer ϕ(P0 ), ϕ(P1 ), ϕ(P2 ) :

ϕ(P0 ) = ∫ (1 − t + t2 ) dt = ,
32 1 1
0 2 2 3
ϕ(P1 ) = ∫ (2t − t2 ) dt = ,
2 4
0 3
ϕ(P2 ) = ∫ (− t + t2 ) dt = .
2 1 1 1
0 2 2 3

On a donc ϕ = ϕ0 + ϕ1 + ϕ2 , ce qu’on peut écrire sous la forme

1 4 1
3 3 3

∀P ∈ E, ∫ P (t)dt = P (0) + P (1) + P (2)

2 1 4 1
(formule des trois niveaux).
0 3 3 3
Dualité 9

1.4 (*) Formes linéaires et sous-espaces vectoriels

Nous avons vu dans la section 1.2 le lien entre formes linéaires et hyperplans. Essayons de généraliser
cette construction pour inclure tous les sous-espaces vectoriels de E.
Définition 9. 1. Soit A une partie de E. On définit

A⊥ ∶= {ϕ ∈ E ∗ ∣∀a ∈ A, ϕ(a) = 0},

autrement dit A⊥ est l’ensemble des formes linéaires s’annulant sur tous les éléments de A.
2. Soit B une partie de E ∗ . On définit de manière analogue l’ensemble des u ∈ E sur lesquels tous
les éléments de B s’annulent :
⊥
B ∶= {u ∈ E∣∀ϕ ∈ B, ϕ(u) = 0}

Remarquons ici la notation que nous avons employée : A⊥ est une partie de E ∗ alors que ⊥ B
est une partie de E, la différence permet ici de savoir si l’on a affaire à un sous-espace de E ou de
E∗.
Exemple. 1. On a E ⊥ = {0E ∗ } et {0E }⊥ = E ∗ . De même, ⊥ (E ∗ ) = {0E } et ⊥ {0E ∗ } = E.
2. Si H = Ker ϕ est un hyperplan de E, on a H ⊥ = Kϕ, c’est le théorème 6.
Le principal résultat de cette section est contenu dans les deux théorèmes suivants :
Théorème 10. 1. Si A et A′ sont deux parties de E avec A ⊂ A′ , on a (A′ )⊥ ⊂ A⊥ (l’application
A ↦ A⊥ renverse l’inclusion).
2. Si A est une partie de E, A⊥ = (Vect(A))⊥ est un sous-espace vectoriel de E ∗ et ⊥ (A⊥ ) =
Vect(A). En particulier, si A est un sous-espace vectoriel de E, on a ⊥ (A⊥ ) = A.
3. Si A est un sous-espace vectoriel de E,

n = dim(A) + dim(A⊥ ).

Le deuxième point de ce théorème est important : Si A est un sous-espace vectoriel de E,

connaître A est équivalent à connaître A⊥ puisque l’un se déduit de l’autre. Les bases de A⊥ (ou
plus généralement les familles génératrices) forment des systèmes d’équations de A.
Démontration du théorème 10. 1. Soit ϕ ∈ (A′ )⊥ : ∀u ∈ A′ , ϕ(u) = 0. En particulier, comme A ⊂ A′ ,
on a ∀u ∈ A, ϕ(u) = 0, c’est-à-dire ϕ ∈ A⊥ . Ceci montre donc que (A′ )⊥ ⊂ A⊥ .
2. Soient ϕ, ψ ∈ A⊥ et λ ∈ K. On a, pour tout a ∈ A,

(λϕ + ψ)(a) = λϕ(a) + ψ(a) = λ × 0 + 0 = 0,

ce qui montre que λϕ + ψ ∈ A⊥ et donc que A⊥ est un sous-espace vectoriel de E ∗ . Par définition
de A⊥ , si a ∈ A, on a
∀ϕ ∈ A⊥ , ϕ(a) = 0,
ce qui montre que a ∈ ⊥ (A⊥ ) : A ⊂ ⊥ (A⊥ ). Comme ⊥ (A⊥ ) est un sous-espace vectoriel de E
(voir théorème 11), nous avons Vect(A) ⊂ ⊥ (A⊥ ). Nous devons maintenant montrer l’inclusion
réciproque : ⊥ (A⊥ ) ⊂ Vect(A). Nous allons montrer

Vect(A)c ⊂ (⊥ (A⊥ )) .
c

Si Vect(A) = E, il n’y a rien à faire. Sinon, soit u ∈ Vect(A)c . Nous devons montrer u ∈/ ⊥ (A⊥ ),
autrement dit
∃ϕ ∈ A⊥ , ϕ(u) =/ 0
(c’est la négation de ∀ϕ ∈ A⊥ , ϕ(u) = 0). Nous cherchons donc une forme linéaire ϕ ∈ A⊥ (nulle
sur Vect(A)) telle que ϕ(u) ≠ 0. Soit k = dim(Vect(A)) < n. On se donne (e1 , . . . , ek ) une base
de Vect(A). Posons ek+1 = u et complêtons la famille libre (e1 , . . . , ek+1 ) en une base (e1 , . . . , en )
de E. Prenons la forme linéaire ϕ définie par

ϕ(ei ) = 0 si i ≠ k + 1, ϕ(ek+1 ) = 1.

On a alors e1 , . . . , ek ∈ Ker (ϕ) donc A = Vect(e1 , . . . , ek ) ⊂ Ker (ϕ), ce qui montre ϕ ∈ A⊥ et

ϕ(u) = ϕ(ek+1 ) = 1 ≠ 0. Ceci achève la preuve de x ∈/ ⊥ (A⊥ ).
10 1.4 (*) Formes linéaires et sous-espaces vectoriels

3. Soit k = dim(A). Choisissons une base (e1 , . . . , ek ) de A que nous complêtons en une base
(e1 , . . . , en ). Soit (e∗1 , . . . , e∗n ) la base duale. Posons B ∶= Vect(e∗1 , . . . , e∗k ), de sorte que dim(B) =
k = dim(A). Si ϕ ∈ B, on peut écrire de manière unique

ϕ = λ1 e∗1 + ⋯ + λk e∗k .

Donc si ϕ ∈ B ∩ A⊥ , on a ϕ = λ1 e∗1 + ⋯ + λk e∗k et ϕ(e1 ) = ⋯ = ϕ(ek ) = 0. Donc

λ1 = ϕ(e1 ) = 0, . . . , λk = ϕ(ek ) = 0,

ce qui montre que ϕ = 0E ∗ :

B ∩ A⊥ = {0E ∗ }.
Soit maintenant ψ ∈ E ∗ quelconque. Il existe des coefficients α1 , . . . , αn ∈ K tels que ψ = α1 e∗1 +
⋯ + αn e∗n . Posons

ψB = α1 e∗1 + ⋯ + αk e∗k , ψA⊥ = αk+1 e∗k+1 + ⋯ + αn e∗n .

On a clairement ψB ∈ B. De plus, on voit que ψA⊥ (e1 ) = ⋯ = ψA⊥ (ek ) = 0 donc A ⊂ Ker (ψA⊥ ) et
ψA⊥ ∈ A⊥ . Nous avons donc montré que B + A⊥ = E ∗ . Finalement

n = dim(E ∗ ) = dim(B) + dim(A⊥ ) = dim(A) + dim(A⊥ ).

Théorème 11. 1. Si B et B ′ sont deux parties de E ∗ avec B ⊂ B ′ , on a ⊥ (B ′ ) ⊂ ⊥ B (l’application

B ↦ ⊥ B renverse l’inclusion).

2. Si B est une partie de E ∗ , ⊥ B = ⊥ (Vect(B)) est un sous-espace vectoriel de E et (⊥ B)⊥ =

Vect(B).

3. Si B est un sous-espace vectoriel de E ∗ ,

n = dim(B) + dim(⊥ B).

La preuve de ce second théorème est similaire à celle du premier. Nous la laissons donc en
exercice. L’analogie entre ces deux théorèmes est assez remarquable et illustre la dualité (au sens
usuel) entre E et E ∗ . Nous avons vu que E et E ∗ sont isomorphes, mais pas de manière naturelle.
Cependant, nous avons le fait suivant :

Théorème 12. On appelle bidual de E le dual de E ∗ (l’ensemble des formes linéaires sur E ∗ )
noté E ∗∗ . Si u ∈ E, on définit une forme linéaire Θu ∶ E ∗ → K par

Θu (ϕ) = ϕ(u).

On a donc Θu ∈ E ∗∗ et l’application u ↦ Θu est linéaire. Si E est de dimension finie, cette

application est un isomorphisme entre E et E ∗∗ .

Démonstration. Vérifions que Θu est linéaire. Si ϕ, ψ ∈ E ∗ et λ ∈ K, on a

Θu (λϕ + ψ) = (λϕ + ψ)(u) = λϕ(u) + ψ(u) = λΘu (ϕ) + Θu (ψ),

ce qui montre que Θu est une forme linéaire sur E ∗ : Θu ∈ E ∗∗ . De plus, si u, v ∈ E et si λ ∈ K, on

a, pour tout ϕ ∈ E ∗ ,

Θλu+v (ϕ) = ϕ(λu + v) = λϕ(u) + ϕ(v) = λΘu (ϕ) + Θv (ϕ).

Remarquons qu’on a utilisé ici le fait que ϕ est linéaire ( !). Nous avons donc montré (ϕ étant
quelconque) que Θλu+v = λΘu + Θv , ce qui montre que Θ ∶ u ↦ Θu est linéaire. Ensuite, on a
dim E ∗∗ = dim(E ∗ ) = dim(E), donc pour montrer que Θ est un isomorphisme, il suffit de montrer
que Θ est injective. Or, si Θu = 0 pour un certain u ∈ E, on a ∀ϕ ∈ E ∗ , 0 = Θu (ϕ) = ϕ(u), ce qui
impose u = 0 (on consultera ici la preuve du théorème 10 oÃź l’on montre que pour tout sous-espace
A et tout u ≠ 0 il existe une forme linéaire ϕ nulle sur A et telle que ϕ(u) ≠ 0, il suffit ici de prendre
A = {0}). Θ est donc un isomorphisme.
Dualité 11

1.5 (*) Formes linéaires et applications

Dans cette section, donnons-nous E et F deux K-espaces vectoriels de dimension finie.

Définition 13. Soit Φ ∈ L(E, F ) une application linéaire. On appelle application transposée l’ap-
plication linéaire t Φ ∶ F ∗ → E ∗ définie par t Φ(ϕ) = ϕ ○ Φ pour tout ϕ ∈ F ∗ .

Nous laissons le soin au lecteur de vérifier que t Φ est bien définie et linéaire.

Théorème 14. Soit B (resp. C) une base de E (resp. de F ). Notons B ∗ (resp. C ∗ ) sa base duale.
On a alors
MatC ∗ ,B∗ (t Φ) = t (MatB,C (Φ)) .
Autrement dit, la matrice de l’application transposée (dans les bases duales) est la transposée de
l’application elle-même.

Démonstration. Notons n = dim(E) et m = dim(F ). Soient A = (aij ) et B = (bij ) les matrices de

Φ et t Φ :
m n
∀j ∈ {1, . . . , n}, Φ(ej ) = ∑ aij fi , ∀i ∈ {1, . . . , m}, t Φ(fi∗ ) = ∑ bji e∗j .
i=1 j=1

n
On a ∑ bji e∗j = t Φ(fi∗ ) = fi∗ ○ Φ. La formule (1.3.1) peut s’écrire (en enlevant la référence à u ∈ E)
j=1
n
IdE = ∑ e∗j (⋅)ej , d’où
j=1

n n n
∑ bji ej = fi ○ Φ ○ IdE = ∑ ei (⋅)fi (Φ(ej )) = ∑ aij ei (⋅).
∗ ∗ ∗ ∗ ∗
j=1 j=1 j=1

En identifiant, on trouve donc bji = aij pour toute paire (i, j), ce qui montre B = t A.

1.6 Exercices
Exercice 1. Dans Mn (K), Eij désigne la matrice, dite élémentaire, dont les coefficients sont nuls
sauf celui situé à l’intersection de la ligne i et de la colonne j qui vaut 1 : Eij = (δik δjl )1⩽k⩽n .
1⩽l⩽n

1. Justifier que B0 = (Eij ) 1⩽i⩽n est une base de Mn (K) (c’est sa base canonique). En déduire
1⩽j⩽n
dim(Mn (K)).

2. On note (E1 , E2 , . . . , En ) la base canonique de Mn,1 (K) (l’espace des matrices colonnes de lon-
gueur n). Prouver que, pour toute paire (i, j) d’entiers entre 1 et n, on a t Ei .Ei = δij , et Ei .t Ej =
Eij .

3. En utilisant la question précédente, montrer que, pour tous i, j, k, l entiers entre 1 et n, on a

Eij Ekl = δjk Eil .

4. Soit A = (aij ) une matrice de Mn (K) dont on note L1 , . . . , Ln les lignes et C1 , . . . , Cn les colonnes.
Décrire les matrices Eij A et AEij . En déduire le centre de Mn (K) : C ∶= {A ∈ Mn (K), ∀M ∈
Mn (K), AM = M A}.

Exercice 2. 1. Définir, à l’aide de quantificateurs, les propriétés suivantes de la matrice A ∈

Mn (K) :

• A est triangulaire supérieure (resp. inférieure),

• A est diagonale,
• A est scalaire,
• A est symétrique (resp. antisymétrique).

2. Soit D ∈ Mn (K) une matrice diagonale. Donner une condition nécessaire et suffisante pour que
D soit inversible et déterminer alors son inverse.
12 1.6 Exercices

3. On note Sn (resp. An ) l’ensemble des matrices symétriques (resp. antisymétriques) de Mn (K).

Après avoir rappelé les propriétés de la transposition, montrer que Sn et An sont deux sous-
espaces supplémentaires de Mn (K).
4. Donner une base de Sn et de An lorsque n = 2 ou 3 puis généraliser. Donner la dimension de Sn
et An .
Exercice 3. Pour toute matrice A = (aij ) de Mn (K), on appelle trace de A le scalaire tr(A) =
n
∑ aii .
i=1

1. Prouver que l’application tr ∶ Mn (K → K est une forme linéaire non nulle sur Mn (K).
2. En déduire que H = {A ∈ Mn (K), tr(A) = 0} est un hyperplan de Mn (K) et en donner une base
lorsque n = 2.
3. Prouver que pour toutes matrices A, B ∈ Mn (K), tr(t A) = tr(A), et tr(AB) = tr(BA).
4. Prouver que ∀A, B ∈ Mn (K), ∀p ∈ N∗ , tr((AB)p ) = tr((BA)p ).
5. A-t-on tr(AB) = tr(A) tr(B) pour tout couple de matrices A, B ∈ Mn (K) ?
6. Prouver que pour toute matrice A ∈ Mn (R), on a tr(t A.A) ⩾ 0 avec égalité si et seulement si
A = On .
Exercice 4. Soit n un entier naturel, n ⩾ 2.
1. Rn−1 est-il un hyperplan de Rn ? Donner la forme générale des formes linéaires sur Rn . En
déduire une caractérisation de ses hyperplans.
2. Soit E = Rn [X]. On pose H1 = Rn−1 [X], H2 = {P ∈ Rn [X], P (1) = 0}, H3 = {P ∈
Rn [X], P (0) = 1}. H1 , H2 et H3 sont-ils des hyperplans de Rn [X] ? Donner deux supplé-
mentaires distincts de H1 et de H2 .
Exercice 5. Dans E = R5 muni de sa base canonique B0 = (e1 , e2 , e3 , e4 , e5 ), on considère F =
Vect(u, v, w, t) où

u = (1, 0, 2, 0, 3), v = (2, 0, 1, 0, −1), w = (−1, 0, 1, 0, 2), t = (−1, 0, 4, 0, 9).

Par la méthode d’échelonnement, déterminer le rang de la famille (u, v, w, t), une base de F , sa
dimension, l’un de ses supplémentaires dans E et l’un de ses systèmes d’équations.
Exercice 6. Dans E = R4 , muni de sa base canonique B = (e1 , e2 , e3 , e4 ), on considère F =
{(x, y, z, t) ∈ R4 , 3z + t = 5x + 4y}. Justifier que F est un hyperplan de E, en déduire sa dimension,
puis en donner une base, toutes ses équations et tous ses supplémentaires dans E.
Exercice 7. Reprendre l’exercice précédent avec E = R2 [X] et F = {P ∈ E, P (1) + P ′ (1) = 0}.
Exercice 8. Dans E un K-espace vectoriel de dimension finie n, on considère deux vecteurs
distincts u, v. Construire une forme linéaire ϕ sur E telle que ϕ(u) ≠ ϕ(v). (On pourra compléter
e1 = u − v en une base de E).
Exercice 9. Soit E un K-espace vectoriel de dimension finie n.
1. Soient H1 , H2 deux hyperplans de E. Discuter la dimension de H1 ∩ H2 . Plus généralement, si
F est un sous-espace vectoriel de E, discuter la dimension de F ∩ H1 .
2. Soient H1 , H2 et H3 trois hyperplans de E. On se donne ϕ1 , ϕ2 , ϕ3 trois formes linéaires telles
que Hi = Ker ϕi pour i = 1, 2, 3. Discuter suivant le rang r de (ϕ1 , ϕ2 , ϕ3 ) la dimension de
H1 ∩ H2 ∩ H3 . Interpréter géométriquement les résultats lorsque n = 3.
3. Si H1 , H2 , . . . , Hp sont p hyperplans de E, prouver que dim(H1 ∩ H2 ∩ ⋯ ∩ Hp ) ⩾ n − p.
4. Soient H un hyperplan et u un vecteur de E ∖ H. Montrer qu’on peut construire une base de E
contenant u et aucun vecteur de H.
Exercice 10. Dans E = R3 muni de sa base canonique B0 = (e1 , e2 , e3 ), on considère

u1 = e 2 + e3 , u2 = e 2 − e 3 , u3 = e1 + e2 − 2e3 .
Dualité 13

1. Justifier que B1 = (u1 , u2 , u3 ) est une base de E et déterminer sa base duale. En déduire la
matrice de passage Q de B1 à B0 .
2. On pose F = Vect(u1 , u2 ). Justifier que F est un hyperplan de E et déterminer l’une de ses
équations.

3. Déterminer un système d’équations de G = Vect(u3 ).

Exercice 11. Sur E = R3 [X], on considère les cinq formes linéaires suivantes :

ϕ1 (P ) = P (0), ϕ2 (P ) = P ′ (0), ϕ3 (P ) = P (1), ϕ4 (P ) = P ′ (1), ψ(P ) = ∫ P (t)dt.

1

1. Prouver que (ϕ1 , ϕ2 , ϕ3 , ϕ4 ) est une base de E ∗ et déterminer sa base préduale (H1 , H2 , H3 , H4 ).

2. Déterminer les réels a, b, c, d tels que ψ = aϕ1 + bϕ2 + cϕ3 + dϕ4 .

Exercice 12. Dans E = R5 muni de sa base canonique, on considère l’ensemble F1 des vecteurs
(x, y, z, t, u) satisfaisant
⎧
⎪ x + 2y + 3z + 4t + 5u = 0,
⎪
⎪
⎪
⎨ x + y + z + t + u = 0,
⎪
⎪
⎪
⎩ 5x + 4y + 3z + 2t + u = 0.
⎪

1. Justifier que F1 est un sous-espace vectoriel de E et que 2 ⩽ dim(F1 ) ⩽ 4.

2. Les vecteurs u = (6, −9, 1, 1, 1) et v = (2, −1, 1, −2, 1) appartiennent-ils à F1 ?

3. Déterminer une base de F1 et en déduire sa dimension.

4. Déterminer un supplémentaire G1 de F1 dans E puis en donner un système d’équations.

5. On pose F2 = Vect(e1 , e2 ). Déterminer F1 ∩ F2 .
Exercice 13. On se propose de prouver que pour toute forme linéaire ϕ sur Mn (K), il existe une
unique matrice A telle que
∀X ∈ Mn (K), ϕ(X) = tr(AX).
1. Soit A ∈ Mn (K). Justifier que l’application ϕA de Mn (K) dans K définie par ϕA (X) = tr(AX)
est une forme linéaire sur Mn (K).
2. On note Φ l’application de Mn (K) dans son dual définie par Φ(A) = ϕA . Montrer que Φ est
linéaire.

3. Montrer que Ker (Φ) = {On } (on calculera pour cela ϕA (Eij )).
4. En déduire que Φ est un isomorphisme et conclure.