Applications linéaires

François DE M ARÇAY
Département de Mathématiques d’Orsay
Université Paris-Sud, France

1. Introduction
2. Homomorphismes linéaires entre espaces vectoriels
Les concepts et définitions de ce chapitre sont valables sur n’importe quel corps com-
mutatif K, mais nous travaillerons le plus souvent avec le corps K = R des nombres réels.
Définition 2.1. Soient E et F deux R-espaces vectoriels. Une application f : E −→ F est
dite linéaire si les deux conditions suivantes sont satisfaites :


∀ ~x ∈ E ∀ ~y ∈ E f ~x + ~y = f (~x) + f (~y ),


∀ ~x ∈ E ∀ a ∈ R f a ~x = a f (~x).
La première condition exprime que f est un homomorphisme de E dans F pour l’ad-
dition. C’est pourquoi, au lieu d’application linéaire, on parle parfois d’homomorphisme
linéaire entre espaces vectoriels.
Terminologie 2.2. Dans le cas où l’espace-arrivée F = E coïncide avec l’espace-source,
on dit que f est un endomorphisme linéaire de E.
Exemples 2.3. (1) La notion d’application linéaire dans le plan euclidien V = R2 ou
dans l’espace euclidien V = R3 est connue dans les cours de géométrie de l’enseignement
secondaire, puisqu’on y parle de projections, sur une droite, ou sur un plan. Si f est un
projecteur quelconque, alors la relation :


f ~x + ~y = f (~x) + f (~y )
est nommée théorème des projections.
La relation :

f a ~x = a f (~x) (∀ a ∈ R),

est le fameux Théorème de Thalès.

Tout projecteur dans V = R2 ou V = R3 est un endomorphisme linéaire — nous y
reviendrons au cours de ce chapitre.
(2) Dans un R-espace vectoriel E, fixons un scalaire a, et définissons une application h de
E dans E comme suit :
∀ ~x ∈ E h(~x) := a ~x.
1
2 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

On a évidemment :



h ~x + ~y = a ~x + ~y = a ~x + a ~y = h(~x) + h(~y ),
et aussi, puisque R est commutatif :




∀b ∈ R h b ~x = a b ~x = b a ~x = b h(~x).
Par conséquent, l’application h est un endomorphisme linéaire de E. On la nomme homo-
thétie de rapport a, et on la note parfois ha .
Assertion 2.4. Pour a 6= 0 fixée, l’homothétie ha est une bijection de E.
Preuve. Pour vérifier qu’on a en effet :
∀ ~y ∈ E ∃ ! ~x ∈ E ~y = h(~x),
partons de :
~y = a ~x.
−1
Comme a 6= 0, son inverse a pour la multiplication dans R existe, et donc l’existence de
~x est assurée par :
a−1 ~y = a−1 a ~x = ~x.

Enfin, l’unicité de ~x résulte de :

a6=0
a ~x = a ~x 0 a ~x − ~x 0 = ~0 ~x − ~x 0 = ~0.


=⇒ =⇒ 
Terminologie 2.5. Une application linéaire h : E −→ E d’un R-espace vectoriel E dans
lui même qui est bijective sera nommée automorphisme linéaire de E.
D’une façon plus générale, il se peut que la bijection linéaire s’exerce entre deux espaces
distincts.
Terminologie 2.6. Une application linéaire bijective h : E −→ F entre deux R-espaces
vectoriels E et F qui est bijective sera nommée isomorphisme linéaire entre E et F .
On dit aussi que E et F sont isomorphes. Quand E = F , on parle donc d’un automor-
phisme.
Proposition 2.7. [Critère de linéarité] Pour qu’une application f : E −→ F entre deux
R-espaces vectoriels soit linéaire, il faut et il suffit que :


∀ a, b ∈ R ∀ ~x, ~y ∈ E f a ~x + b ~y = a f (~x) + b f (~y ).
Démonstration. Prouvons ‘=⇒’. Si l’application f est linéaire, alors on a :






f a ~x = a f (~x), f b ~x = b f (~x), f a ~x + b ~y = f a ~x + f b ~y ,
d’où :


f a ~x + b ~y = a f (~x) + b f (~y ).
Inversement, prouvons ‘⇐=’. Partons donc de cette dernière relation. Puisqu’elle est
vraie pour tous a, b ∈ R et tous vecteurs ~x, ~y ∈ E, nous pouvons prendre a = b = 1 pour
obtenir la première condition de la Définition 2.1 ; ensuite, prenons b = 0 pour obtenir la
deuxième condition. En définitive, f est bien linéaire. 
 3. Image et noyau d’une application linéaire 3

Observation 2.8. Toute application linéaire f : E −→ F entre R-espaces vectoriels satis-

fait :
f (~0E ) = ~0F .
Preuve. Il suffit de prendre a = 0 dans la deuxième condition de la Définition 2.1. 
3. Image et noyau d’une application linéaire
Commençons par étudier l’image d’une application linéaire.
Théorème 3.1. Soit f : E −→ F une application linéaire entre deux R-espaces vectoriels
E et F . Alors pour tout sous-espace vectoriel E 0 ⊂ E, l’image :
f (E 0 ) := ~y ∈ F : ∃ ~x ∈ E 0 , ~y = f (~x)


est aussi un sous-espace vectoriel de F .

Démonstration. Prouvons que f (E 0 ) est un sous-espace vectoriel de F , c’est-à-dire :
 
a, a0 ∈ R et ~y , ~y 0 ∈ f (E 0 ) =⇒ a ~y + a0 ~y 0 ∈ f (E 0 ).
En effet, si ~y et ~y 0 appartiennent à f (E 0 ), c’est qu’il existe deux vecteurs ~x et ~x 0 dans
E 0 tels que :
~y = f (~x) et ~y 0 = f (~x 0 ).
Comme E 0 est un sous-espace de E, alors, quels que soient les scalaires a et a0 , on a :
~x ∈ E 0 et ~x 0 ∈ E 0 a ~x+a0 ~x 0 ∈ E 0 f a ~x+a0 ~x0 ∈ f (E 0 ).



=⇒ =⇒
Mais comme f est linéaire :
f a ~x + a0 ~x 0 = a f (~x) + a0 f (~x0 ).

Par conséquent :
a ~y + a0 ~y 0 ∈ f (E 0 ).
Le théorème est démontré. 
Définition 3.2. Quand le sous-espace E 0 = E coïncide avec l’espace vectoriel ambiant
tout entier, alors f (E) est un sous-espace vectoriel de F que l’on nomme image de f , et
que l’on note Im(f ).
Ce sous-espace vectoriel Im(f ) s’écrit :

Im f := ~y ∈ F : ∃ ~x ∈ E, ~y = f (~x) .
Nous pouvons maintenant introduire le concept de noyau d’une application linéaire.
Définition 3.3. Soit f : E −→ F une application linéaire entre deux R-espaces vectoriels.
L’ensemble des vecteurs de E qui ont pour image le vecteur ~0 ∈ F se nomme noyau de f
et se note :
Ker(f ) := ~x ∈ E : f (~x) = ~0 .


Noyau se dit kernel en anglais, et Kern en allemand. C’est pourquoi on rencontre très
souvent la notation Ker(f ), que nous adopterons.
Observons que Ker(f ) n’est jamais vide, car, quelle que soit l’application linéaire f , on
a f (~0) = ~0, donc :
~0 ∈ Ker(f ) (toujours).
4 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

Exemple 3.4. [en géométrie euclidienne] Dans l’espace euclidien V = R3 , soit un plan
P 3 0 passant par l’origine, et soit une droite D 3 0 passant par l’origine, avec D 6 ||P non
parallèle au plan.
Rappelons que les vecteurs ~y ∈ P sont les vecteurs liés ayant comme point-origine
0 ∈ V , dont la flèche-extrémité appartient à P . De même, les vecteurs ~x ∈ D ont pour
point-origine 0 ∈ D, et une flèche-extrémité appartenant à D. On peut donc voir P et V
comme deux sous-espaces vectoriels de V , de dimensions 2 et 1.

V D

~
x ~
u

~0
f (~
u)
0

Désignons par f la projection de V sur P parallèle à D. On sait que f est une application
linéaire de V dans lui-même, avec f (V ) = P .
Cherchons le noyau de f .
Pour qu’un vecteur ~x ∈ V vérifie f (~v ) = ~0, c’est-à-dire ait une projection nulle dans V ,
il faut et il suffit que ~x appartienne à D. Ainsi :
Ker(f ) = D.
Théorème 3.5. Pour toute application linéaire f : E −→ F entre R-espaces vectoriels, le
noyau Ker(f ) est un sous-espace vectoriel de E.
Preuve. En effet, partons de :
~x ∈ Ker(f ) et ~x 0 ∈ Ker(f ),
ce qui équivaut à :
f (~x) = ~0 et f (~x 0 ) = ~0.
Comme f est linéaire, alors, quels que soient les scalaires a et a0 :
f a ~x + a0 ~x 0 = a f (~x) + a0 f (~x 0 ) = ~0 + ~0 = ~0.

Par conséquent :
a ~x + a0 ~x 0 ∈ Ker(f ).
Le théorème est démontré. 

Voici maintenant une caractérisation des applications linéaires injectives.

 3. Image et noyau d’une application linéaire 5

Théorème 3.6. Pour une application linéaire f : E −→ F entre R-espaces vectoriels, on

a l’équivalence :
f est injective ⇐⇒ Ker(f ) = {~0}.
Démonstration. Prouvons ‘=⇒’. Supposons donc que l’application linéaire f est injective.
Alors ~x ∈ Ker(f ) signifie :
f (~x) = ~0 = f (~0).
Comme f est injective, on en déduit que ~x = ~0, ce qui conclut :
Ker(f ) = {~0}.
Inversement, prouvons ‘⇐=’. Supposons Ker(f ) = {~0}. Alors, quels que soient ~x et ~x 0
dans E :
f (~x) = f (~x 0 ) f (~x) − f (~x 0 ) = ~0 f ~x − ~x 0 = ~0


⇐⇒ ⇐⇒
⇐⇒ ~x − ~x 0 ∈ Ker(f ) ⇐⇒ ~x − ~x 0 = ~0
⇐⇒ ~x = ~x 0 .
Ceci signifie que f est injective, conclut l’implication inverse, et termine la démonstration
du théorème. 
Parlons maintenant de l’image d’une famille de générateurs.
Théorème 3.7. (1) Une application linéaire f de E dans F applique toute famille de
générateurs de tout sous-espace vectoriel E 0 ⊂ E sur une famille de générateurs de f (E 0 ).
(2) Si f est de plus injective, elle applique toute famille libre de E sur une famille libre de
F.
Démonstration. Soit donc une famille de vecteurs de E :

L := ~x1 , . . . , ~xp .
Par une application linéaire f : E −→ F , elle devient la famille de vecteurs de F :

f (F ) = f (~x1 ), . . . , f (~xp ) .
(1) Désignons par E 0 := Vect(L) le sous-espace de E engendré par L. Prouvons que
f (L) engendre le sous-espace f (E 0 ). En effet :
~y ∈ f (E 0 ) signifie ∃ ~x ∈ E 0 ~y = f (~x).
Puisque L est une famille de générateurs de E 0 , à un vecteur ~x ∈ E 0 correspond une
famille a1 , . . . , ap ∈ R de scalaires tels que :
~x = a1 ~x1 + · · · + ap ~xp .
Par linéarité de f , on obtient :
f (~x) = a1 f (~x1 ) + · · · + ap f (~xp ).
0
Tout vecteur ~y de f (E ) est donc une combinaison linéaire de vecteurs de f (L). La première
partie du théorème est prouvée.
(2) Supposons de plus la famille L libre, et l’application f injective ; prouvons que f (L)
est libre. En effet :
a1 f (~x1 ) + · · · + ap f (~xp ) = ~0 =⇒ f (~x) = ~0 ⇐⇒ ~x ∈ Ker(f ).
6 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

Comme
 f est injective, cela force ~x = ~0, grâce au Théorème 3.6. Comme L =
~x1 , . . . , ~xp est libre, il vient :
~0 = ~x = a1 ~x1 + · · · + ap ~xp =⇒ a1 = · · · = ap = 0.
En définitive, la famille f (L) est bien libre, ce qui termine la démonstration de la seconde
partie du théorème. 
Corollaire 3.8. Si E est un R-espace vectoriel de dimension finie et si F est un R-espace
vectoriel, pas forcément de dimension finie, alors pour toute application linéaire f : E −→
F , l’image f (E) ⊂ F est un sous-espace vectoriel de dimension finie 6 dimR E.
Preuve. En effet, l’hypothèse que E est de dimension finie veut dire qu’il existe une famille
finie L de générateurs de E. Alors d’après le Théorème 3.7 qui précède, f (L) est une
famille finie de générateurs de f (E). Si L est de plus une base de E, on déduit bien que :
dimR f (E) 6 Card L = dimR E < ∞. 

Voici un résultat central qui exprime qu’une application linéaire est complètement dé-
terminée lorsqu’on connaît seulement les images d’un nombre fini de vecteurs qui forment
une base de l’espace vectoriel source.
Théorème 3.9. Soit B = {~e1 , . . . , ~en } une base d’un R-espace vectoriel E de dimension
n > 1, et soit C = {~c1 , . . . , ~cn } une famille quelconque de n vecteurs d’un autre R-espace
vectoriel F .
Alors il existe une application linéaire, et une seule, f : E −→ F telle que :
f (~e1 ) = ~c1 , f (~e2 ) = ~c2 , ......, f (~en ) = ~cn .
De plus, si la famille C est libre, alors f est injective.
Démonstration. Commençons par l’existence de f . Définissons une application f de E
dans F de la manière suivante : à tout vecteur ~x ∈ E, associons d’abord l’unique famille
de scalaires a1 , . . . , an qui sont les coordonnées de ~x dans la base B :
~x = a1 ~e1 + · · · + an ~en .
À cet ~x, faisons alors correspondre le vecteur ~y ∈ F défini par :
(3.10) ~y = f (~x) = a1 ~c1 + · · · + an ~cn .
Le domaine de définition de f est bien sûr E tout entier, et l’image f (E) est bien incluse
dans F .
Prouvons que f est linéaire. Partons de deux vecteurs ~x, ~x 0 ∈ E, que nous écrirons sous
forme condensée :
~x 0 =
P P 0
~x = ai ~ei et ai ~ei .
i i

Pour deux scalaires quelconques b et b0 , on a :

b ~x + b0 ~x 0 =
P 0 0
b ai + b0 a0i ~ei .
P P

b ai ~ei + b ai ~ei =
i i i
 4. Applications linéaires et dimension 7

Par définition de l’application linéaire f , on a alors :

f (~x 0 ) =
P P 0 0
f (~x) = ai ~ci , ai ~ci ,
i i
f b ~x + b0 ~x 0 = b ai + b0 a0i ~ci .

P

i

Dans l’espace vectoriel F , on voit immédiatement que :

b ai + b0 a0i ~ci = b ai ~ci + b0
P
P P 0
ai ~ci .
i i i

c’est-à-dire :
f b ~x + b0 ~x 0 = b f (~x) + b0 f (~x 0 ),

ce qui montre que f est bien linéaire.

Passons à l’unicité de f . Par définition, toute autre application linéaire g de E dans F
envoie :
~x = a1 ~e1 + · · · + an ~en
sur :
g(~x) = a1 g(~e1 ) + · · · + an g(~en ).
Par conséquent, si on fixe dans F comme pour f :
g(~e1 ) := ~c1 , ......, g(~en ) := ~cn ,
on obtient une application g particulière qui vérifie :
g(~x) = f (~x) x ∈ E),
(∀ ~

d’où :
g = f,
ce qui montre l’unicité de l’application f .
Terminons l’argumentation en montrant que f sera de plus injective, quand on suppose
que C = {~c1 , . . . , ~cn } est libre.
Soit donc ~x ∈ E avec f (~x) = ~0. Comme {~e1 , . . . , ~en } est une base, on peut décomposer
selon cette base ~x = a1 ~e1 + · · · + an ~en , d’où :
~0 = f (~x) = a1 ~c1 + · · · + an ~cn =⇒ a1 = · · · = an = 0,
puisque {~c1 , . . . , ~cn } est libre. Ainsi, nous avons bien démontré que :
 
f (~x) = 0 ~ =⇒ ~x = 0~ ⇐⇒ Ker(f ) = {~0}. 

Des deux Théorèmes 3.7 et 3.9, on déduit immédiatement le

Corollaire 3.11. Pour qu’une application f : E −→ F entre R-espaces vectoriels soit
injective, il faut et il suffit que l’image d’une base de E soit une base de f (E). 
8 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

4. Applications linéaires et dimension

Nous savons que l’ensemble Rn des n-uplets (a1 , . . . , an ) constitués de n réels ai ∈ R
est un R-espace vectoriel.

Définition 4.1. On appelle base canonique de Rn la base ~u1 , . . . , ~un suivante :


~u1 := 1, 0, . . . , 0 ,


~u2 := 0, 1, . . . , 0 ,
···················


~un := 0, 0, . . . , 1 .
Pour tout indice 1 6 i 6 n, le vecteur ~ui est le n-uplet dont tous les termes sont nuls,
sauf celui de rang i qui vaut 1. Dans tout ce qui suit, nous supposerons toujours que Rn est
rapporté à la base canonique :


a1 , a2 , . . . , an = a1 ~u1 + a2 ~u2 + · · · + an ~un .
Voici un théorème qui exprime une propriété fondamentale d’isomorphisme.
Théorème 4.2. Pour qu’un R-espace vectoriel E soit de dimension n, il faut et il suffit
qu’il soit isomorphe à Rn .
L’isomorphisme est alors déterminé de façon unique dès qu’on fixe une base de E
comme image de la base canonique de Rn .
Démonstration. Prouvons l’implication ‘=⇒’. Supposons donc que dimR E = n, et soit
une base de E : 
B := ~e1 , . . . , ~en .
Comme ci-dessus, soit C = {~u1 , . . . , ~un } la base canonique de Rn .
D’après le Théorème 3.9, il existe une application linéaire f et une seule telle que :
f (~e1 ) = ~u1 , . . . . . . , f (~en ) = ~un ,
et de plus, f est injective. Mais elle est aussi surjective, car C engendre à la fois f (E) et
Rn , donc f (E) = Rn .
Puisque f est bijective, elle établit bien un isomorphisme de E sur Rn .
Observons que f est d’ailleurs l’unique application linéaire de E dans F qui envoie B
sur C.
Prouvons maintenant l’implication inverse ‘⇐=’. Si donc il existe un isomorphisme f
de E sur Rn , posons :
~e1 := f −1 (~u1 ), . . . . . . , ~en := f −1 (~un ).
D’après le Théorème 3.7, l’application linéaire f −1 envoie la famille libre C =
{~u1 , . . . , ~un } de générateurs de Rn sur la famille libre B = {~e1 , . . . , ~en } de générateurs
de f −1 (Rn ) = E. Donc B est bien une base de E, et dimR E = n, ce qui conclut. 
Voici maintenant un théorème très important qui établit une relation entre les dimensions
du noyau et de l’image.
Théorème 4.3. Pour toute application linéaire f : E −→ F entre deux espaces vectoriels,
on a :
dim Ker(f ) + dim Im(f ) = dim E.
 4. Applications linéaires et dimension 9

Démonstration. Soient :

B := ~e1 , . . . , ~ep une base de Ker(f ) ⊂ E,
C := ~`1 , . . . , ~`q

une base de Im(f ) ⊂ F,
où on a posé :
p := dim Ker(f ),
q := dim Im(f ).
On sait que ~y ∈ Im(f ) signifie qu’il existe un vecteur ~x ∈ E avec ~y = f (~x). Donc, pour
tout indice 1 6 i 6 q, il existe un vecteur de E, que nous désignerons par ~ep+i , tel que :
f ~ep+i = ~`i .

On obtient ainsi une famille B 0 de q vecteurs de E :

B 0 := ~ep+1 , . . . , ~ep+q .


Nous affirmons que B ∪B 0 est alors une base de E, ce que nous démontrons en deux temps.
Assertion 4.4. B ∪ B 0 engendre E.
Preuve. Montrons que tout ~x ∈ E est combinaison linéaire de vecteurs appartenant à B ∪
B 0 . En effet :
~x ∈ E =⇒ f (~x) ∈ f (E) = Im f.
Il existe donc des scalaires a1 , . . . , aq ∈ R, coordonnées de f (~x) dans la base de Im f , tels
que :
f (~x) = a1 ~`1 + · · · + aq ~`q



= a1 f ~ep+1 + · · · + aq f ~ep+q


= f a1 ~ep+1 + · · · + aq ~ep+q .
Si on pose :
(4.5) ~x 0 := a1 ~ep+1 + · · · + aq ~ep+q ,
alors :
f (~x) = f ~x 0 ~x − ~x 0 ∈ Ker(f ).


=⇒
Il existe donc des scalaires a01 , . . . , a0p , coordonnées de ~x − ~x 0 dans B, tels que :
~x − ~x 0 = a01 ~e1 + · · · + a0p ~ep ,
d’où, en remplaçant ~x 0 par sa valeur dans (4.5) :
~x = a01 ~e1 + · · · + a0p ~ep + a1 ~ep+1 + · · · + aq ~ep+q .
Donc B ∪ B 0 engendre E. 
Assertion 4.6. B ∪ B 0 est une famille libre dans E.
Preuve. Partons de :
(4.7) a01 ~e1 + · · · + a0p ~ep + a1 ~ep+1 + · · · + aq ~ep+q = ~0,
et montrons que tous les coefficients de cette combinaison linéaire sont nuls. Prenons
l’image par f des deux membres de (4.7) ; comme, pour tout indice 1 6 i 6 p, on a :
~ei ∈ Ker(f ) =⇒ f (~ei ) = ~0,
10 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

on obtient :
a1 f ~ep+1 + · · · + aq f ~ep+q = ~0,

c’est-à-dire :
a1 ~`1 + · · · + aq ~`q = ~0.
Comme C est une famille libre, cette relation entraîne :
a1 = · · · = aq = 0.
La relation (4.7) s’écrit alors :
a01 ~e1 + · · · + a0p ~ep = ~0.
Comme B est une famille libre, cette relation entraîne à son tour :
a01 = · · · = a0p = 0.
Ainsi, B ∪ B 0 est bien une famille libre. 
Grâce à la conjonction de ces deux assertions, le théorème est démontré. 
Le cas où dim E = dim F mérite d’être mis en valeur.
Corollaire 4.8. Soit f : E −→ F une application linéaire entre deux R-espaces vectoriels
de même dimension. Alors les quatre propriétés suivantes sont équivalentes :
(i) f est bijective ;
(ii) f est surjective ;
(iii) f est injective ;
(iv) Ker(f ) = {~0}.
Preuve. On sait déjà que les propriétés (iii) et (iv) sont équivalentes.
D’autre part, (i) est équivalente à la conjonction des propriétés (ii) et (iii).
Il suffit donc d’établir l’équivalence entre (ii) et (iv). Or d’après le Théorème 4.3, on a :
Ker(f ) = {~0} ⇐⇒ dim Im(f ) = dim E.
Par conséquent, (ii) et (iv) sont bien équivalentes, ce qui conclut. 

5. Espace vectoriel des applications linéaires de E dans F

Soient E et F deux R-espaces vectoriels. L’ensemble des applications linéaires de E
dans F sera noté :
L (E, F ) := f : E −→ F linéaires .


Nous allons munir cet ensemble L (E, F ) d’une structure de R-espace vectoriel.
Commençons par observer que la somme de deux applications linéaires est encore une
application linéaire.
Lemme 5.1. Si f et g sont deux applications linéaires appartenant à L (E, F ), alors l’ap-
plication h : E −→ F définie par :
h(~x) := f (~x) + g(~x) x ∈ E)
(∀ ~

est aussi linéaire.

 5. Espace vectoriel des applications linéaires de E dans F 11

Preuve. En effet, pour tous vecteurs ~x, ~y ∈ E et tous scalaires a, b ∈ R, on a :

h a ~x + b ~y = f a ~x + b ~y + g a ~x + b ~y .
Comme f et g sont linéaires, et comme l’addition est commutative, on déduit :


h a ~x + b ~y = a f (~x) + a g(~x) + b f (~y ) + b g(~y )
= a h(~x) + b g(~y ).
Ceci démontre le lemme. 
La définition suivante est alors justifiée.
Définition 5.2. À tout couple ordonné f, g de deux éléments de L (E, F ), on associe un
élément de L (E, F ), nommé somme de f et de g, et noté f + g, qui est défini par :


f + g (~x) := f (~x) + g(~x) x ∈ E).
(∀ ~

Cette addition est donc bien une loi interne dans L (E, F ).
Théorème 5.3. L (E, F ) possède une structure naturelle de R-espace vectoriel.
Démonstration. Tout d’abord, l’addition dans L (E, F ) est commutative et associative,
puisqu’il en va ainsi de l’addition dans R.
Ensuite, cette addition admet comme élément neutre la fonction nulle, notée f = 0,
définie par :
0(~x) := ~0 x ∈ E).
(∀ ~

Ici, remarquons au passage que Ker(0) = E, et que la fonction nulle est la seule dont le
noyau coïncide avec E tout entier.
Ensuite, toute application linéaire f ∈ L (E, F ) a une opposée, notée −f , appartenant
aussi à L (E, F ), qui est définie par :


− f (~x) := − f (~x) x ∈ E).
(∀ ~

Ensuite, parlons du produit d’une application linéaire par un scalaire. Pour a ∈ R quel-
conque, introduisons l’application h de E dans F définie par :
h(~x) := a f (~x) x ∈ E).
(∀ ~

Alors pour tout couple de vecteurs ~x, ~y ∈ E et tout couple de scalaires b, c ∈ R, on a,

puisque R est commutatif :



h b ~x + c ~y = a f b ~x + c ~y = a b f (~x) + a c f (~y )
= b a f (~x) + c a f (~y )
= b h(~x) + c h(~y ).
Ce calcul justife la
Définition 5.4. À tout scalaire a ∈ R et à toute application linéaire f ∈ L (E, F ), on
associe le produit de a par f , qui est défini par :


a f (~x) := a f (~x) x ∈ E).
(∀ ~
12 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

Ainsi, a f ∈ L (E, F ). Pour terminer la démonstration du théorème, il est maintenant

aisé de vérifier, pour toutes f, g, ∈ L (E, F ) et tous a, b ∈ R, que :


a + b f = a f + b f,


a f + g = a f + b g,


a b f = (a b) f,
1 f = f.
Ces identités concluent la démonstration. 
6. Dual d’un espace vectoriel
Dans cette très courte section, introduisons le concept important de dual d’un espace
vectoriel.
Pour cela, considérons dans la Section 5 qui précède le cas particulier où F = R est le
corps des scalaires. Rappelons qu’on peut toujours regarder le corps R comme un espace
vectoriel sur lui-même.
Terminologie 6.1. Toute application linéaire de E dans R se nomme forme linéaire sur E.
Notation 6.2. L’espace de ces formes linéaires sur E sera noté :
E ∗ = L (E, R)
Le Théorème 5.3 montre que cet ensemble E ∗ = L (E, R) des formes linéaires de E
dans R est lui-même un R-espace vectoriel.
Terminologie 6.3. On nommera dual de E cet espace E ∗ = L (E, R) des formes linéaires
sur E.
7. Anneau des endomorphismes linéaires d’un espace vectoriel E
Rappelons qu’une application linéaire de E dans E lui-même est appelée un endomor-
phisme de E. L’ensemble des endomorphismes de E sera noté :
L (E) := f : E −→ E linéaires ,


au lieu de L (E, E). Le Théorème 5.3 s’applique : L (E) est un espace vectoriel sur le
corps R.
Nous allons considérer une deuxième loi de composition interne dans L (E) qui va le
structurer en anneau. Commençons par un
Lemme 7.1. Étant donné trois R-espaces vectoriels E, F , G, pour deux applications li-
néaires quelconques :
f ∈ L (E, F ) et g ∈ L (F, G),
l’application composée g ◦ f est encore linéaire, c’est-à-dire :
g ◦ f ∈ L (E, G).

g◦f

f g 
E / F / G
 7. Anneau des endomorphismes linéaires d’un espace vectoriel E 13

Preuve. Pour tout couple de scalaires a, b ∈ R, puisque f et g sont linéaires, on a :

f a ~x + b ~x 0 = a f (~x) + b f (~x 0 ),


x 0 ∈ E)
x ∈ E, ∀ ~
(∀ ~

g a ~y + b ~y 0 = a g(~y ) + b g(~y 0 )


y 0 ∈ F ).
y ∈ F, ∀ ~
(∀ ~

Prenons ~y := f (~x) et ~y 0 := f (~x 0 ). Alors on a bien linéarité de g ◦ f grâce au calcul :

g ◦ f a ~x + b ~x 0 = g a f (~x) + b f (~x 0 )




= a g ◦ f (~x) + b g ◦ f (~x 0 ).
L’énoncé suivant établit la distributivité de la composition par rapport à l’addition, à
droite et à gauche :
Théorème 7.2. (1) Soient f, g ∈ L (E, F ) et h ∈ L (F, G). Alors :


h ◦ f + g = h ◦ f + h ◦ g.
(2) Soient h ∈ L (E, F ) et f, g ∈ L (F, G). Alors :


f + g ◦ h = f ◦ h + g ◦ h.
Preuve. (1) Clairement :

f + g (~x) = f (~x) + g(~x) x ∈ E).
(∀ ~

Par l’application linéaire h, on obtient :

h ◦ f + g (~x) = h f (~x) + g(~x) = h ◦ f (~x) + h ◦ g(~x),
ce qui est la première partie du théorème.
(2) Pour tout ~x ∈ E, posons :
~y := h(~x).
Or par définition de la somme de deux applications linéaires :


f + g (~y ) = f (~y ) + g(~y ) y ∈ F ),
(∀ ~

ce qui entraîne :

f + g ◦ h(~x) = f ◦ h(~x) + g ◦ h(~x),
puis termine la deuxième partie, et conclut. 
Maintenant, la composition d’applications linéaires peut être vue comme une ‘multi-
plication’ × qui conduit à une structure d’anneau pour la collection L (E) des endomor-
phismes d’un R-espace vectoriel E. Mais attention ! Il y a une grande différence entre ◦ et
×, car la composition n’est en général pas commutative :
f ◦ g 6= g ◦ f (f, g ∈ L (E), en général),

nous y reviendrons, nous donnerons des exemples plus tard.

En tout cas, le Lemme 7.1 appliqué à E = F = G montre que la loi de composition :


f, g 7−→ g ◦ f
est interne dans L (E), à savoir g ◦ f ∈ L (E) lorsque f, g ∈ L (E). Le Théorème 7.2
montre que cette loi est distributive à droite et à gauche par rapport à l’addition. De plus,
cette loi admet un élément neutre pour la composition, à savoir l’application identité, ou de
coïncidence :
c(~x) := ~x x ∈ E).
(∀ ~

En conclusion, nous pouvons donc énoncer le

14 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

Théorème 7.3. L (E), muni des opérations (+, ◦), est un anneau à élément unité. 
Terminologie 7.4. On appelle L (E) anneau des endomorphismes de E.

8. Groupe des automorphismes d’un R-espace vectoriel E

Commençons par quelques rappels généraux de théorie des ensembles.
∼
Terminologie 8.1. On appelle permutation toute application bijective E −→ E d’un en-
semble E sur lui-même.
Les permutations peuvent être composées entre elles, et inversées, puisqu’elles sont
bijectives. En fait, une structure plus riche existe, comme l’énonce le
Lemme 8.2. La collection des permutations d’un ensemble E est toujours un groupe pour
la composition.
Preuve. La composition de deux bijections :
g◦f

f g 
E / E / E
est encore une bijection, et cette opération de composition admet comme élément neutre
l’application identité. Ensuite, cette opération de composition est (trivialement) associa-
tive :
g◦f h◦g

f g  f g
E / E / E
h / E = E / E / E
h / E,
à savoir :


h ◦ g ◦ f = h ◦ g ◦ f,
mais elle n’est la plupart du temps pas commutative, comme nous l’avons signalé plus haut.
Enfin, l’inverse d’une bijection est encore une bijection :
f
'
Eg E. 
f −1

Quand E est un R-espace vectoriel, on s’intéresse bien évidemment aux permutations

qui sont, de plus, linéaires.
Il en existe ! Par exemple, l’application identité E −→ E est linéaire ! Donnons un autre
exemple. Si on munit E, supposé de dimension finie n > 1, d’une base :

B := ~e1 , ~e2 , . . . , ~en ,
toute permutation g de B qui envoie chaque vecteur ~ei sur un certain autre vecteur ~ej définit
une autre base :
B 0 := g(~e1 ), g(~e2 ), . . . , g(~en ) = ~e1 , ~e2 , . . . , ~en = B,
 

qui coïncide avec B à un changement d’ordre près, d’où :

VectR (B 0 ) = VectR (B) = E,
 9. Projecteurs 15

et alors, grâce au Théorème 3.9, on sait qu’il existe un endomorphisme R-linéaire unique
f : E −→ E qui prolonge g au sens où pour tout indice 1 6 i 6 n, on a :
f (~ei ) = g(~ei ),
et on sait aussi que f est bijectif, i.e. est un automorphisme linéaire de E.
Notation 8.3. L’ensemble des automorphismes linéaires d’un R-espace vectoriel E sera
noté :
∼
A (E) := f : E −→ E linéaires et bijectives .


Théorème 8.4. L’ensemble A (E) des automorphismes linéaires d’un R-espace vectoriel
E est un sous-groupe de l’ensemble des permutations de E, envisagé comme ensemble.
Preuve. Rappelons que, pour qu’une permutation de E appartienne à A (E), il faut et il
suffit qu’elle soit linéaire. Le Lemme 7.1 a déjà fait voir que la composition d’applications
linéaires préserve la linéarité :
f ∈ A (E) et g ∈ A (E) g ◦ f ∈ A (E).


=⇒
Prouvons enfin que l’inversion préserve aussi la linéarité :
f ∈ A (E) =⇒ f −1 ∈ L (E).
Il s’agit de démontrer que, quels que soient les scalaires a, b ∈ R, et les vecteurs ~x, ~y ∈ E,
on a :
f −1 a ~x + b ~y = a f −1 (~x) + b f −1 (~y ).


(8.5)
Or puisque f est, entre autres, injective, il suffit de prouver que les deux membres ont
même image par f . Pour le membre de droite, on a :
f ◦ f −1 a ~x + b ~y = a ~x + b ~y .

Pour le membre de gauche, en utilisant la linéarité de f , on calcule :

 
f a f −1 (~x) + b f −1 (~y ) = a f ◦ f −1 (~x) + b f ◦ f −1 (~y )
= a ~x + b ~y .
La relation (8.5) est donc vérifiée, et le théorème est ainsi démontré. 
Terminologie 8.6. Le groupe A (E) des automorphismes linéaires de E se nomme aussi
groupe linéaire.

9. Projecteurs
À la fin du chapitre précédent, nous avons vu que deux sous-espaces F ⊂ E et G ⊂ E
d’un R-espace vectoriel E sont dits supplémentaires dans E s’ils sont d’intersection {~0} =
F ∩ G nulle, et de somme F + G = E qui engendre E, propriété que l’on a notée :
F ⊕ G = E.
Alors pour tout vecteur ~z ∈ E, il existe un unique vecteur ~x ∈ F et un unique vecteur
~y ∈ G tels que :
~z = ~x + ~y .
16 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

G E

~
y ~z

0 F
~
x

Par analogie avec la géométrie euclidienne, ~x se nomme projection de ~z sur F parallè-

lement à G, tandis que ~y se nomme projection de ~z sur G parallèlement à F .
Définition 9.1. F et G étant deux sous-espaces supplémentaires de E = F ⊕ G, les deux
applications p : E −→ F et q : E −→ G telles que :
p(~z) + q(~z) = ~z z ∈ E),
(∀ ~

se nomment respectivement projecteur de E sur F parallèlement à G, et projecteur de E

sur G parallèlement à F .
G E

~z

p(~z) − ~z
F
0 p(~z)

En d’autres termes, le projecteur p de E sur F associe à tout ~z ∈ E l’unique vecteur

p(~z) ∈ F vérifiant :
p(~z) − ~z ∈ G.
De même, le projecteur q de E sur G associe à tout ~z ∈ E l’unique vecteur q(~z) ∈ G tel
que :
q(~z) − ~z ∈ F.
Ces projecteurs satisfont quelques propriétés élémentaires.
Lemme 9.2. Tout projecteur est une application linéaire.
 9. Projecteurs 17

Preuve. Soit E = F ⊕ G. Démontrons la linéarité du projecteur p : E −→ F .

Pour tout couple de scalaires a, a0 ∈ R et tout couple de vecteurs ~z, ~z 0 ∈ E, on a :
p a ~z + a0 ~z 0 − a ~z + a0 ~z 0 ∈ G.



(9.3)
Or les relations :
p(~z) − ~z ∈ G et p(~z 0 ) − ~z 0 ∈ G
entraînent, puisque G est un sous-espace vectoriel de E :
a p(~z) − ~z + a0 p(~z 0 ) − ~z 0 ∈ G,

soit :
a p(~z) + a0 p(~z 0 ) − a ~z + a0 ~z 0


(9.4) ∈ G.
Comme, pour tout ~y de E, la projection p(~y ) est l’unique vecteur de F tel que p(~y )−~y ∈ G,
alors en comparant (9.3) avec (9.4), on obtient bien la linéarité :
p a ~z + a0 ~z 0 = a p(~z) + a0 p(~z 0 ).

Par symétrie, la démonstration de la linéarité de l’autre projecteur q : E −→ G est en

tout point analogue, et sera éludée. 
Lemme 9.5. Si p et q sont les projecteurs de E = F ⊕ G sur les sous-espaces supplémen-
taires F et G, parallèlement à l’autre, alors :
Ker(p) = G et Ker(q) = F.
Démonstration. Puisque, pour tout vecteur ~z ∈ E, on sait que p(~z) est l’unique vecteur tel
que p(~z) − ~z ∈ G, alors, la condition nécessaire et suffisante pour que p(~z) = ~0 est que
~0 − ~z ∈ G, soit ~z ∈ G. Donc Ker(p) = G.
La démonstration de Ker(q) = F est (très) analogue. 
Lemme 9.6. Tout projecteur :
p: E = F ⊕ G −→ F ⊂ E
est un endomorphisme de E vérifiant :
p ◦ p = p.
Preuve. En effet, puisque E = F ⊕ G et puisque p est le projecteur de E sur F , on a :
p(~z) − ~z ∈ G et Ker(p) = G,
ce qui entraîne :
p p (~z) − ~z = ~0


z ∈ E).
(∀ ~

Or comme p est linéaire, on en déduit :

p ◦ p(~z) − p(~z) = ~0,
soit effectivement :
p ◦ p = p. 
Au sous-espace F de E ne correspond pas un unique supplémentaire G. On ne peut donc
pas dire ‘le’ supplémentaire de F . Mais tous les supplémentaires de F sont isomorphes
entre eux, comme le stipule le
18 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

Théorème 9.7. Soient G et G0 deux sous-espaces supplémentaires d’un même sous-espace

F ⊂ E d’un espace vectoriel E :
E = F ⊕ G = F ⊕ G0 .
Soit q le projecteur de E sur G parallèlement à F . Alors la restriction q 0 de q à G0 :
∼
q 0 := q G0
: G0 −→ G
est un isomorphisme linéaire de G0 sur G.
E G G0

q 0 := q G0

0 F

Démonstration. Pour commencer, prouvons que cette restriction q 0 = q G0

est bijective.
En effet, puisqu’on a Ker(q) = F , il est clair (exercice) que :
Ker(q 0 ) = F ∩ G0 .
Or F et G0 sont supplémentaires, donc F ∩ G0 = {~0}, d’où :
Ker(q 0 ) = {~0},
ce qui montre que q 0 est injective, d’après le Théorème 3.6.
Ensuite, prouvons que q 0 est surjective, c’est-à-dire, prouvons que :
∀ ~y ∈ G, ∃ ~x ∈ G0 q 0 (~x) = ~y .
Or pour tout vecteur ~y ∈ E, et en particulier pour tout ~y ∈ G, il existe une décomposition
unique :
(9.8) ~y = ~z + ~x,
avec :
~z ∈ F et ~x ∈ G0 .
Mais :
~z ∈ F =⇒ q(~z) = ~0,
~y ∈ G =⇒ q(~y ) = ~y .
Appliquons alors q aux deux membres de (9.8), ce qui donne :
q(~y ) = q(~z) + q(~x),
soit :
~y = ~0 + q(~x) = q 0 (~x).
 10. Formes linéaires et espace dual 19

Ainsi, q 0 est bien surjective.

En définitive, q 0 est injective et surjective, donc bijective, et puisqu’elle est linéaire, c’est
un isomorphisme linéaire de G0 sur G. 
Le Théorème 9.7 vient d’être établi pour un espace vectoriel quelconque E, pas forcé-
ment de dimension finie, éventuellement de dimension infinie, mais spécifions maintenant
le cas où E est de dimension finie.
Si E est de dimension finie n > 1, on peut remarquer que :
F ⊕G = E =⇒ dim F + dim G = dim E,
puisque, en prenant une base B de F et une base B 0 de G, alors B ∪ B 0 est une base de E.
Par conséquent, si dim F = p, alors :
F ⊕ G = F ⊕ G0 = E =⇒ dim G = dim G0 = n − p.
Puisque G et G0 ont même dimension sur R, le Théorème 4.2 prouve qu’ils sont iso-
morphes.
On obtient ainsi, dans le cas où E est de dimension finie, une autre démonstration de la
principale des propriétés indiquées par le Théorème 9.7.

10. Formes linéaires et espace dual

Dans la Section 6 plus haut, nous avons déjà donné la définition de l’espace dual d’un
R-espace vectoriel E :
E ∗ := L (E, R).
Cet espace E ∗ est lui-même un R-espace vectoriel, d’après la même Section 6. Les éléments
de E ∗ sont les formes linéaires définies dans E, à valeurs dans R.
D’après le Théorème 3.9, si B = {~e1 , . . . , ~en } est une base de l’espace E, supposé de
dimension finie n > 1, toute forme linéaire f ∈ E ∗ est définie de façon unique, dès que
l’on se donne les scalaires c1 , c2 , . . . , cn tels que :
f (~e1 ) = c1 , f (~e2 ) = c2 , . . . . . . , f (~en ) = cn .
Nous allons maintenant définir n formes linéaires de cette manière, en posant :
f1 (~e1 ) := 1, f1 (~e2 ) := 0, . . . . . . , f1 (~en ) := 0,
f2 (~e1 ) := 0, f2 (~e2 ) := 1, . . . . . . , f2 (~en ) := 0,
················································
fn (~e1 ) := 0, fn (~e2 ) := 0, . . . . . . , fn (~en ) := 1.
Plus brièvement, si i et j désignent deux indices parcourant l’ensemble {1, 2, . . . , n}, on
a:
i 6= j =⇒ fi (~ej ) := 0,
i = j =⇒ fi (~ej ) := 1.
Théorème 10.1. Soit E un R-espace vectoriel de dimension n > 1, rapporté à une base
{~e1 , . . . , ~en }. Les n formes linéaires f1 , . . . , fn de l’espace dual E ∗ définies par :
0 lorsque i 6= j,

fi (~ej ) :=
1 lorsque i = j,
20 François DE M ARÇAY, Département de Mathématiques d’Orsay, Université Paris-Saclay, France

constituent une base de E ∗ , et par conséquent :

dim E ∗ = dim E.
Démonstration. Commençons par montrer que ces n formes linéaires engendrent l’espace
E ∗.
En effet, d’après le Théorème 3.9, toute forme linéaire f ∈ E ∗ est déterminée de ma-
nière unique par la donné de ses valeurs :
f (~e1 ) = c1 , . . . . . . , f (~en ) = cn .
Or pour tout indice 1 6 j 6 n, on peut écrire :
cj = c1 f (~e1 ) + · · · + cj f (~ej ) + · · · + cn f (~en ),
simplement parce que :
i 6= j =⇒ fi (~ej ) = 0,
i = j =⇒ fi (~ej ) = 1.
Par conséquent, on a :
n
X
f (~ej ) = ci fi (~ej ),
i=1
et d’après le Théorème 3.9, la forme f vérifie dans E ∗ :
f = c1 f 1 + · · · + cn f n .
Par conséquent, toute forme linéaire f ∈ E ∗ est une combinaison linéaire des fi , les coef-
ficients de la combinaison étant précisément les valeurs ci qui déterminent f .
Montrons à présent que ces n formes linéaires constituent une famille libre dans E ∗ .
Partons de la combinaison linéaire nulle suivante :
a1 f 1 + · · · + an f n (ai ∈ R).

Cela veut dire que, pour tout vecteur ~x ∈ E, on a :

a1 f1 (~x) + · · · + an fn (~x) = ~0.
Prenons successivement :
~x := ~e1 , . . . . . . , ~x := ~en .
Pour tout indice 1 6 j 6 n, en prenant ~x = ~ej , et en appliquant la définition des fi :
0 lorsque i 6= j,

fi (~ej ) =
1 lorsque i = j,
on obtient :
aj = 0 (∀ 1 6 j 6 n).

En définitive :
a1 f 1 + · · · + an f n = 0 =⇒ a1 = · · · = an = 0,
ce qui montre bien que la famille {f1 , . . . , fn } est libre.
En conclusion, cette famille constitue une base de E ∗ , ce qui achève la démonstration.

 11. Exercices 21

Notation 10.2. On nomme {f1 , . . . , fn } base duale de {~e1 , . . . , ~en }, et on la note plutôt
 ∗
~e1 , . . . , ~en∗ .
Terminons ce chapitre par une représentation utile.
Observation 10.3. Pour tout vecteur ~x ∈ E, on a :
~x = f1 (~x) ~e1 + · · · + fn (~x) ~en
= ~e1∗ (~x) ~e1 + · · · + ~en∗ (~x) ~en .
Preuve. En effet, ~x = x1~e1 + · · · + xn~en entraîne, pour tout indice 1 6 j 6 n :
fj (~x) = x1 fj (~e1 ) + · · · + xn fj (~en ) = xj ,
puisque fj (~ei ) = 0 pour i 6= j et fj (~ej ) = 1. 
11. Exercices
Exercice 1. EE