16.

Applications linéaires
16.1 Généralités 1
16.1.1 Définitions
16.1.2 Cas particuliers
16.1.3 Composition des applications linéaires

16.2 Etude des applications linéaires 8

16.2.1 Noyau
16.2.2 Image

16.3 Etude d’une application linéaire particulière 17

16.3.1 Somme d’espaces vectoriels
16.3.2 Projecteurs

Un mathématicien est une machine pour

transformer le café en théorème.
Paul Erdös

Ce chapitre s’inscrit dans la continuité de celui sur les espaces vectoriels. Depuis le
début de l’année, on a utilisé la propriété de la linéarité pour la somme, la dérivation,
l’intégrale... Derrière cela se cache la notion d’application linéaire. Il s’agit d’applications
qui vont d’un espace vectoriel dans un autre espace vectoriel et qui présentent certaines
propriétés. Etudier une application linéaire est beaucoup plus simple qu’étudier une
application non-linéaire et beaucoup de problèmes peuvent être modélisés en première
approche par une application linéaire.

16.1 Généralités
Soient E et F deux espaces vectoriels réels.

16.1.1 Définitions

Définition 16.1 On appelle application linéaire de E dans F, toute application f de E

dans F telle que:

• ∀(x, y) ∈ E 2 f (x + y) = f (x) + f (y),

• ∀x ∈ E ∀λ ∈ R f (λx) = λf (x).

1
2 CHAPITRE 16. APPLICATIONS LINÉAIRES

Notations : On note L(E, F) l’ensemble des applications linéaires de E dans F.

Exemple 16.1 1. L’application identité de E est une application linéaire:

{
E −→ E
IdE :
x 7→ x

2. L’application nulle de E dans F est une application linéaire:

{
E −→ F
θ:
x 7→ 0F

3. L’application suivante est une application linéaire:

{
E −→ E
ϕ:
x 7→ 4x

Proposition 16.1 Soit f ∈ L(E, F) alors f (0E ) = 0F .

Démonstration. La linéarité de f donne :

f (0E ) = f (0E + 0E ) = f (0E ) + f (0E ).

En ajoutant l’opposé de f (0E ) aux deux membres de cette égalité, on obtient que f (0E ) = 0F .

Proposition 16.2 f est une application linéaire de E dans F si et seulement si :

∀(x, y) ∈ E 2 ∀λ ∈ R f (λx + y) = λf (x) + f (y).

Remarque : Une application linéaire f : E → F laisse stable toutes combinaisons linéaires :

pour tous scalaires λ1 , . . . , λn ∈ R et pour tous vecteurs e1 , . . . , en ∈ E,

f (λ1 e1 + . . . + λn en ) = λ1 f (e1 ) + . . . + λn f (en ).

Méthode 16.1 (Pour montrer qu’une application f : E → F est linéaire ) On prouve que
pour tout (x, y) ∈ E 2 , pour tout λ ∈ R,

f (λx + y) = λf (x) + f (y).

16.1. GÉNÉRALITÉS 3

Exemple 16.2 Démontrer que l’application suivante est une application linéaire.


 M2,1 (R) −→ M2,1 (R)


 ( ) ( )
f :
 x1 2x1 − x2

 7→
 x2 4x1 − 2x2
( ) ( )
x1 y
Soit x = ∈ M2,1 (R) et y = 1 ∈ M2,1 (R), soit λ ∈ R. On a :
x2 y2
(( )) ( )
λx1 + y1 2(λx1 + y1 ) − (λx2 + y2 )
f (λx + y) = f =
λx2 + y2 4(λx1 + y1 ) − 2(λx2 + y2 )
( )
λ(2x1 − x2 ) + 2y1 − y2
=
λ(4x1 − 2x2 ) + 4y1 − 2y2
( ) ( )
2x1 − x2 2y1 − y2
=λ +
4x1 − 2x2 4y1 − 2y2
= λf (x) + f (y).

L’application f est donc bien linéaire.

Exemple 16.3 Les applications suivantes sont-elles des applications linéaires?

1. La fonction f définie de R2 dans R par: f ((x, y)) = x + y + 1.

f ((0, 0)) = 1 , 0, donc f n’est pas une application linéaire.

2. La fonction g définie de R2 dans R par: g((x, y)) = x + y.

Soit (x, y) et (x′ , y ′ ) deux éléments de R2 , et λ un réel.

g (λ(x, y) + (x′ , y ′ )) = g ((λx + x′ , λy + y ′ )) = λx + x′ + λy + y ′ = λg((x, y)) + g ((x′ , y ′ )) .

Donc g est une application linéaire.

3. La fonction h définie de R2 dans R par: h((x, y)) = x × y.

h((0, 1) + (1, 0)) = h((1, 1)) = 1 , 0 + 0 = h((0, 1)) + h((1, 0)). Donc h n’est pas une
application linéaire.

Exemple 16.4 Montrer que l’application P → P ′ est une application linéaire de R[x]
dans R[x].

En effet, soit P et Q deux polynômes, et λ un réel,

(λP + Q)′ (x) = λP ′ (x) + Q′ (x).

D’où le résultat.
4 CHAPITRE 16. APPLICATIONS LINÉAIRES

Exercice type 16.1 Montrer que l’application



 M2,1 (R) −→ M3,1 (R)



  
 ( ) 3x1 − x2 
f :
 x1  


 7→  2x2 

 x2  
x1

est une application

( ) linéaire. ( )
x1 y
Soit x = ∈ M2,1 (R) et y = 1 ∈ M2,1 (R), soit λ ∈ R. On a :
x2 y2
 
(( )) 3(λx1 + y1 ) − (λx2 + y2 )
λx1 + y1  
f (λx + y) = f =  2(λx2 + y2 ) 

λx2 + y2  
λx1 + y1
 
λ(3x1 − x2 ) + 3y1 − y2 
 
=  λ(2x2 ) + y2 


λ(x1 ) + y1
   
3x1 − x2  3y1 − y2 
   
= λ  2x2  +  2y2 
   
x1 y1
= λf (x) + f (y).

L’application f est donc bien linéaire.

Exercice 16.1 Soit M une matrice de Mp,n (R), montrons que l’application


 Mn,1 (R) −→ Mp,1 (R)

f :

 X 7→ MX

est une application linéaire.

Soient X, Y ∈ Mn,1 (R) et λ ∈ R, on a :

f (λX + Y ) = M(λX + Y ) = MλX + MY = λMX + MY = λf (X) + f (Y ).

Ainsi l’application f est bien linéaire.

Proposition 16.3 L’ensemble des applications linéaires d’un espace vectoriel E dans un
espace vectoriel F, noté L(E, F) est un espace vectoriel.

Démonstration. On va montrer que c’est un sous-espace vectoriel de F E (dont on admet que

c’est un espace vectoriel car E et F en sont, même s’il ne figure pas explicitement dans les
espaces vectoriels de référence).

• L’application nulle est linéaire, donc L(E, F) n’est pas vide.

16.1. GÉNÉRALITÉS 5

• On a clairement L(E, F) ⊂ F E .
• Soit (f , g) ∈ L(E, F)2 et λ ∈ R. Montrons que λf + g ∈ L(E, F) i.e. montrons que c’est une
application linéaire.
Soit (x, y) ∈ E 2 , et µ ∈ R. On a :
(λf + g)(µx + y) = λf (µx + y) + g(µx + y)
= λµf (x) + λf (y) + µg(x) + g(y)
= µ(λf (x) + g(x)) + λf (y) + g(y)
= µ(λf + g)(x) + (λf + g)(y)
Donc (λf + g) ∈ L(E, F), et L(E, F) est stable par combinaison linéaire.
Donc c’est un sous-espace vectoriel de F E . Donc c’est un espace vectoriel.

16.1.2 Cas particuliers

Définition 16.2 On appelle isomorphisme de E dans F toute application linéaire bijec-

tive de E dans F.

Exemple 16.5 L’application identité de E est un isomorphisme.

Définition 16.3 Soit E et F deux espaces vectoriels. On dit que E et F sont isomorphes
s’il existe un isomorphisme de E dans F.

Exercice 16.2 Montrer que l’application


 R3
 R2 [x] −→

f :

 P 7→ (P (0), P ′ (0), P ′′ (0))
est un isomorphisme. Que peut-on en déduire?

Commençons par montrer que f ∈ L(E, F). Soit (P , Q) ∈ R2 [x]2 et λ ∈ R, on a :

f (λP + Q) = ((λP + Q)(0), (λP + Q)′ (0), (λP + Q)′′ (0))
= (λP (0) + Q(0), λP ′ (0) + Q′ (0), λP ′′ (0) + Q′′ (0))
= (λP (0), λP ′ (0), λP ′′ (0)) + (Q(0), Q′ (0), Q′′ (0))
= λf (P ) + f (Q).
L’application f est donc bien linéaire. Il reste à montrer qu’elle est bijective.
Soit (α, β, γ) ∈ R3 , on cherche un unique P ∈ R2 [x] tel que f (P ) = (α, β, γ).
P ∈ R2 [x] donc il existe (a, b, c) ∈ R3 tels que P (x) = ax2 +bx+c. On a alors f (P ) = (c, b, 2a).
L’égalité f (P ) = (α, β, γ) se traduit donc en 3 égalités :
c = α, b = β, 2a = γ.
On obtient donc un unique polynôme P s’écrivant :
γ
P (x) = x2 + βx + α.
2
6 CHAPITRE 16. APPLICATIONS LINÉAIRES

L’application f est bien bijective, comme elle est linéaire, c’est un isomorphisme de
R2 [x] vers R3 .
On peut en déduire que les espaces vectoriels R2 [x] et R3 sont isomorphes.

Définition 16.4 On appelle endomorphisme de E toute application linéaire de E dans

lui-même. L’ensemble des endomorphismes de E est noté L(E).

Exemple 16.6 1. L’application identité sur E est un endomorphisme de E.

2. L’application f : R2 → R2 qui à (x, y) associe (y, x) est un endomorphisme de R2 .

3. L’application D : f 7→ f ′ définie sur C 1 (R) n’est pas un endomorphisme (car f ′

n’est pas forcément dérivable).

4. L’application f : R → R qui à x associe x2 n’est pas un endomorphisme car elle

n’est pas linéaire.

Remarque : Pour montrer qu’une application f est un endomorphisme de E, on doit donc

montrer que f est une application linéaire et que f est définie et à valeurs dans E.

Définition 16.5 On appelle forme linéaire sur E toute application linéaire de E à valeurs
dans R.

Exemple 16.7 1. Soit a ∈ R, f : P ∈ R[x] 7→ P (a) est une forme linéaire sur R[x].

2. Soit a ⩽ b deux réels. L’application I : C 0 ([a, b], R) → R qui à une fonction f associe
∫b
f (t)dt est une forme linéaire sur C 0 ([a, b], R).
a

16.1.3 Composition des applications linéaires

Proposition 16.4 Soient E, F et G trois espaces vectoriels. Si f est une application

linéaire de E dans F et g une application linéaire de F dans G alors g ◦ f est une
application linéaire de E dans G.

Démonstration. Soit (x, y) ∈ E 2 et λ ∈ R. On a :

g ◦ f (λx + y) = g(λf (x) + f (y)) = λg ◦ f (x) + g ◦ f (y).

D’où la linéarité de g ◦ f .
16.1. GÉNÉRALITÉS 7

Proposition 16.5 (Composée d’isomorphismes) Soient E, F et G trois espaces vectoriels.

Si f est un isomorphisme de E dans F, et g est un isomorphisme de F dans G, alors
g ◦ f est un isomorphisme de E dans G, et on a (g ◦ f )−1 = f −1 ◦ g −1 .

Démonstration. On commence par remarquer que la composée de deux applications linéaires

est une application linéaire.
Il reste à montrer que g ◦ f est bien une bijection. Soit z ∈ G et x ∈ E. Puisque g et f sont
des bijections,

g ◦ f (x) = z ⇐⇒ g(f (x)) = z

⇐⇒ f (x) = g −1 (z)
( )
⇐⇒ x = f −1 g −1 (z)
⇐⇒ x = f −1 ◦ g −1 (z).

Donc tout élément z ∈ G admet un unique antécédent x ∈ E par g ◦ f , qui est donc une
bijection. Donc g ◦ f est un isomorphisme de E dans G. La relation précédente nous donne
de plus que (g ◦ f )−1 = f −1 ◦ g −1 .

Définition 16.6 (Puissances d’un endomorphisme) Soit f ∈ L(E), alors par convention,
on pose f 0 = IdE , et pour tout n ∈ N∗ , on définit l’endomorphisme f n de E par

f n = f ◦ f ◦ ··· ◦ f .
| {z }
n fois

Remarque : C’est la Proposition 16.4 qui garantit que f n est bien un endomorphisme de E.

Attention ! La notation f n désigne la composée de f par f par f ... n fois et surtout pas f
puissance n. On prendra garde à ne pas non plus confondre avec f (n) qui désigne la dérivée
n-ième de f .

Exemple 16.8 L’application f : P → P ′ est un endomorphisme de R[x]. On peut donc

définir ses puissances : pour tout P ∈ R[x],

f p (P (x)) = P (p) (x).

8 CHAPITRE 16. APPLICATIONS LINÉAIRES

Grâce à la Définition 16.6, on peut démontrer la formule du binôme de Newton pour des
endomorphismes.

Proposition 16.6 (Formule du binôme de Newton) Soit E un espace vectoriel et f et g

deux endomorphismes de E tels que f ◦ g = g ◦ f . Alors ∀n ∈ N,
n ( )
∑
n n k n−k
(f + g) = f ◦g .
k
k=0

Exercice 16.3 Soit f ∈ L(E), montrer que pour tout n ∈ N,

n ( )
∑
n n
(IdE + f ) = f k.
k
k=0

Soit n ∈ N, comme IdE et f commutent (f ◦ IdE = IdE ◦ f ), on peut appliquer le binôme

de Newton :
∑n ( )
n n n k
(IdE + f ) = (f + IdE ) = f ◦ (IdE )n−k
k
k=0
∑n ( )
n k
= f ◦ IdE car (IdE )n−k = IdE
k
k=0
∑n ( )
n k
= f .
k
k=0

16.2 Etude des applications linéaires

16.2.1 Noyau

Définition 16.7 Soit f une application linéaire de E vers F.

On appelle noyau de f l’ensemble des éléments de E dont l’image par f est le vecteur
nul de F. Ce sous-ensemble de E est noté Ker(f ), et on a donc:

Ker(f ) = {x ∈ E | f (x) = 0F } .

Remarque : Comme f est linéaire, on sait que f (0E ) = 0F donc 0E ∈ Ker(f ) et Ker(f ) , ∅.
16.2. ETUDE DES APPLICATIONS LINÉAIRES 9

Exemple 16.9 Déterminer le noyau de l’application identité de E et de l’application

nulle de E dans F:
{ {
E −→ E E −→ F
IdE : θ:
x 7→ x x 7→ 0F

• Par définition, on a :

Ker(IdE ) = {x ∈ E | IdE (x) = 0E } = {x ∈ E | x = 0E } = {0E }.

• Par définition, on a :

Ker(θ) = {x ∈ E | θ(x) = 0F } = {x ∈ E | 0F = 0F } = E.

Méthode 16.2 (Pour déterminer le noyau d’une application linéaire) On résout l’équation
f (x) = 0F d’inconnue x ∈ E.

Exemple 16.10 Soit l’application linéaire f définie par :



 M2,1 (R) −→ M2,1 (R)


 ( ) ( )
f :
 x1 x1 + x2

 7→
 x2 2x1 + 2x2

Déterminons le noyau de f .
( )
x
On cherche X = 1 ∈ M2,1 (R) tel que f (X) = 02,1 . On a :
x2
{ {
x1 + x2 = 0 x1 + x2 = 0
f (X) = 02,1 ⇐⇒ ⇐⇒
2x1 + 2x2 = 0 x1 + x2 = 0
{
f (X) = 02,1 ⇐⇒ x1 + x2 = 0 ⇐⇒ { x1 = −x2 .
( )
−a
Ainsi les solutions du système f (X) = 02,1 sont de la forme avec a ∈ R.
a
{( ) } { ( ) } ((
))
−a −1 −1
Ker(f ) = , a∈R = a , a ∈ R = Vect .
a 1 1
10 CHAPITRE 16. APPLICATIONS LINÉAIRES

Exercice 16.4 Déterminer le noyau des applications linéaires suivantes.

1. f : R2 → R2 , qui à (x, y) associe (x − y, y − x).

Soit (x, y) ∈ Ker(f ) alors f ((x, y)) = (0, 0). On a donc :

(x − y, y − x) = (0, 0) ⇐⇒ x − y = 0 et y − x = 0 ⇐⇒ x = y.

Ainsi
Ker(f ) = {(x, x) | x ∈ R}.

2. D : C 1 (R, R) → F (R, R), qui à f associe f ′ .

Soit f ∈ Ker(D) alors D(f ) = 0 soit f ′ = 0.

La fonction f est donc une fonction constante i.e. il existe C ∈ R tel que ∀x ∈ R,
f (x) = C.
On a donc
Ker(D) = {fonctions constantes}.

3. f : (x, y, z) ∈ R3 7→ (x − 2y + 4z, 3x − z) ∈ R2 .

Soit (x, y, z) ∈ Ker(f ), on a f ((x, y, z)) = (0, 0) soit :

{
x − 2y + 4z = 0
(x − 2y + 4z, 3x − z) = (0, 0) ⇐⇒
3x − z = 0
{
2y = x + 4z
⇐⇒
z = 3x

13
Soit y = x et z = 3x.
2 { } ( )
13 13
Ainsi Ker(f ) = (x, x, 3x) | x ∈ R = Vect (1, , 3) = Vect ((2, 13, 6)).
2 2
4. Soit a ∈ R, on considère l’application linéaire, ϕ : P ∈ R[x] 7→ P (a) ∈ R.

Soit P ∈ Ker(ϕ) alors ϕ(P ) = 0 soit P (a) = 0.

Alors x − a divise P , soit il existe Q ∈ R[x] tel que P (x) = (x − a)Q(x). Ainsi

Ker(ϕ) = {(x − a)Q(x) | Q ∈ R[x]} .

16.2. ETUDE DES APPLICATIONS LINÉAIRES 11

Proposition 16.7 Soit f ∈ L(E, F). Alors Ker(f ) est un sous-espace vectoriel de E.

Démonstration. Montrons que Ker(f ) est un sous-espace vectoriel de E. Rappelons que

Ker(f ) = {x ∈ E | f (x) = 0F } .

• On a clairement Ker(f ) ⊂ E.

• f (0E ) = 0F donc 0E ∈ Ker(f ). Ainsi Ker(f ) , ∅.

• Soient x ∈ Ker(f ) et y ∈ Ker(f ), soit λ ∈ R. On a :

f (λx + y) = λf (x) + f (y) par linéarité de f .

Or f (x) = 0F et f (y) = 0F car x, y ∈ Ker(f ) donc

f (λx + y) = 0.

Ainsi λx + y ∈ Ker(f ).

Nous venons donc de démontrer que Ker(f ) est un sous-espace vectoriel de E.

Proposition 16.8 (Noyau et injectivité) Soient E et F deux espaces vectoriels, et f

une application linéaire de E dans F. La fonction f est injective si et seulement si
Ker(f ) = {0E }.

Démonstration. Raisonnons par double implication.

(⇒) Supposons que f est injective.

Alors 0F a au plus un antécédent par f , donc Ker(f ) a au plus un élément.
Or 0E ∈ Ker(f ) puisque f est linéaire. Donc

Ker(f ) = {0E } .

(⇐) Réciproquement, supposons que Ker(f ) = {0E }.

Soit (x, y) ∈ E 2 , supposons que f (x) = f (y). Alors par linéarité, f (x − y) = 0F et x − y ∈ Ker(f ),
donc x − y = 0E et x = y.
Donc f est injective.
12 CHAPITRE 16. APPLICATIONS LINÉAIRES

( )
1 1
Exercice 16.5 Soit A = et f l’endomorphisme de M2 (R) défini par : M 7→ AM.
2 1
Vérifier que A est inversible puis montrer que f est injectif.

Comme A est une matrice de taille 2 , on calcule 1 × 1 − 2 × 1 , 0 donc A est inversible.

Il nous reste à déterminer Ker(f ) pour étudier l’injectivité de f . Soit M ∈ M2 (R), on a
les équivalences suivantes :

M ∈ K er(f ) ⇔ f (M) = 02 ⇔ AM = 02 ⇔ A−1 AM = A−1 02 car A inversible ⇔ M = 02 .

D’où Ker(f ) = {02 } et f est injective.

16.2.2 Image

Définition 16.8 Soit f une application linéaire de E vers F.

On appelle image de f l’ensemble des images par f des éléments de E.
Ce sous-ensemble de F est noté Im(f ), et on a:

Im(f ) = {f (x) | x ∈ E}

ce que l’on peut aussi écrire:

Im(f ) = {y ∈ F | ∃x ∈ E, y = f (x)} .

Remarque : Comme f (0E ) = 0F on a 0F ∈ Im(f ) et Im(f ) , ∅.

Exemple 16.11 Déterminer l’image de l’application identité de E et de l’application

nulle de E dans F:
{ {
E −→ E E −→ F
IdE : θ:
x 7→ x x 7→ 0F

• Par définition, on a :

Im(IdE ) = {IdE (x) | x ∈ E} = {x | x ∈ E} = E.

• Par définition, on a :

Im(θ) = {θ(x) | x ∈ E} = {0 | x ∈ E} = {0F }.

16.2. ETUDE DES APPLICATIONS LINÉAIRES 13

Exercice 16.6 Soit l’application linéaire f définie par :



 M3,1 (R) −→ M3,1 (R)



    
 x 1   x1 − x2 + 2x3 
f :
 
    


 x2 
  7−→  x1 + x2 − x3 

    
x3 −x1 + 2x2 − x3
 
5
 
Le vecteur 0 appartient-il à l’image de f ?
 
0
 
5
 
Autrement dit le vecteur y = 0 possède-t-il un ou des antécédent(s) par f ?
 
0
On cherche donc x ∈ M3,1 (R) tel que y = f (x).
Cela revient à résoudre le système suivant:


 x1 − x2 + 2x3 = 5


(S) 
 x1 + x2 − x3 = 0

 −x + 2x − x = 0
1 2 3


 x − x2 + 2x3 = 5

 1
(S) ⇐⇒ 
 2x2 − 3x3 = −5 L2 ← L2 − L1 ; L3 ← L3 + L1

 x2 + x3 = 5


 x − x2 + 2x3 = 5

 1
(S) ⇐⇒  2x2 − 3x3 = −5 L3 ← 2L3 − L2

 5x3 = 15
On obtient alors un système échelonné, on en déduit que :
−5 + 3 × 3
x3 = 3, x2 = = 2, x1 = 5 + 2 − 2 × 3 = 1.
2
   
5 1
   
Ainsi le vecteur y = 0 possède un unique antécédent par f qui est 2 et donc y ∈ Im(f ).
 
   
0 3

Exemple 16.12 Soit g l’application linéaire définie de R2 dans R par g((x, y)) = x + y.
Déterminer son image.

Il est immédiat que Im(g) ⊂ R.

Réciproquement, soit x ∈ R, x = g((x, 0)) ∈ Im(g).
On a donc montré par double inclusion que : Im(g) = R.

Proposition 16.9 Soit f ∈ L(E, F). Alors Im(f ) est un sous-espace vectoriel de F.
14 CHAPITRE 16. APPLICATIONS LINÉAIRES

Démonstration. Montrons que Im(f ) est un sous-espace vectoriel de F. Rappelons que

Im(f ) = {y ∈ F | ∃x ∈ E, y = f (x)} .

• On a clairement Im(f ) ⊂ F.

• 0F = f (0E ) donc 0F ∈ Im(f ). Ainsi Im(f ) , ∅.

• Soient y ∈ Im(f ) et ỹ ∈ Im(f ), soit λ ∈ R, on souhaite montrer que λy + ỹ ∈ Im(f ).

Comme y ∈ Im(f ), il existe x ∈ E tel que y = f (x), de même comme ỹ ∈ Im(f ), il existe
x̃ ∈ E tel que ỹ = f (x̃). On a donc :

λy + ỹ = λf (x) + f (x̃)
= f (λx) + f (x̃)
= f (λx + x̃), par linéarité de f .

Or E est un espace vectoriel donc z = λx + x̃ ∈ E. Ainsi λy + ỹ = f (z) avec z ∈ E,

c’est-à-dire λy + ỹ ∈ Im(f ).

Nous venons donc de démontrer que Im(f ) est un sous-espace vectoriel de F.

Remarque : Les Propositions 16.7 et 16.9 nous donnent une nouvelle méthode pour montrer
qu’un ensemble est un sous-espace vectoriel : on peut montrer qu’il est le noyau ou l’image
d’une application linéaire.
Par exemple F = {(x, y, z) ∈ R3 , x+2y −3z = 0} = Ker(f ) avec f : (x, y, z) ∈ R3 7−→ x+2y −3z ∈ R
qui est linéaire. C’est donc un sous-espace vectoriel de R3 .

Exercice type 16.2 Déterminer l’image des applications linéaires suivantes:



 M2,1 (R) −→ M3,1 (R) 

 
 M2,1 (R) −→ M2,1 (R)

   

 ( ) 3x1 − x2   ( ) ( )
f :
 x1   et g :
 x1 x1 − x2


 7→  2x2  

 7→

 x 2   x2 5x2 − 5x1
x1

• Soit y ∈ Im(f ) alors il existe x ∈ M2,1 (R) tel que y = f (x). Cela donne :
         
(( )) 3x1 − x2  3x1  −x2  3 −1
x1 
 
    
  
    
y=f =  2x2  =  0  +  2x2  = x1 0 + x2  2  .
       
x2          
x1 x1 0 1 0

Ainsi    
3 −1
   
Im(f ) ⊂ Vect 0 ,  2  .
   
1 0
       
3 (( )) −1 (( )) 3 −1
  1   0    
 
De plus, 0 = f 
 

et  2  = f donc Vect 0 ,  2  ⊂ Im(f ).
  0   1    
1 0 1 0
16.2. ETUDE DES APPLICATIONS LINÉAIRES 15

Pour conclure,    
3 −1
   
Im(f ) = Vect 0 ,  2  .
   
1 0

• Soit y ∈ Im(g) alors il existe x ∈ M2,1 (R) tel que y = g(x). Cela donne :
(( )) ( ) ( ) ( ) ( ) ( ) ( )
x1 x1 − x2 x1 −x2 1 −1 1
y=g = = + = x1 + x2 = (x1 − x2 ) .
x2 5x2 − 5x1 −5x1 5x2 −5 5 −5

Ainsi )) ((
1
Im(g) ⊂ Vect .
−5
)( (( ))
1 1
De plus, =g donc
−5 0
(( ))
1
Vect ⊂ Im(g).
−5
Pour conclure, )) ((
1
Im(g) = Vect .
−5

Proposition 16.10 Soit f ∈ L(E, F). Si E admet une famille génératrice (x1 , x2 , . . . , xn )
alors :
Im(f ) = Vect(f (x1 ), . . . , f (xn )).

Démonstration. Montrons le résultat par double inclusion.

(⊃) Pour tout i ∈ J1, nK, f (xi ) ∈ Im(f ). Comme Im(f ) est un espace vectoriel, on en
déduit que Vect(f (x1 ), . . . , f (xn )) ⊂ Im(f ).

(⊂) Soit y ∈ Im(f ) alors il existe x ∈ E tel que y = f (x). La famille (x1 , . . . , xn ) étant
génératrice de E, il existe (λ1 , . . . , λn ) ∈ Rn tels que
∑
n
x= λi xi .
i=1

Ainsi :  n 
∑  ∑n
y = f  λi xi  = λi f (xi ) par linéarité de f .
i=1 i=1
Soit y ∈ Vect(f (x1 ), . . . , f (xn )) et donc Im(f ) ⊂ Vect(f (x1 ), . . . , f (xn )).

Remarque : Cette méthode permet facilement de déterminer l’image d’une application linéaire
f mais elle nécessite de connaître une famille génératrice de E, pour cela on peut penser aux
bases canoniques.
16 CHAPITRE 16. APPLICATIONS LINÉAIRES

Exercice 16.7 Déterminer l’image de l’application linéaire

f : (x1 , x2 ) ∈ R2 7→ (x1 + x2 , 2x1 + 2x2 ) ∈ R2 .

La famille ((1, 0), (0, 1) est une base de R2 , c’est donc en particulier une famille généra-
trice. On a f ((1, 0)) = (1, 2) et f ((0, 1)) = (1, 2). Ainsi Im(f ) = Vect((1, 2)).

Proposition 16.11 (Image et surjectivité) Soient E et F deux espaces vectoriels, et f

une application linéaire de E dans F. La fonction f est surjective si et seulement si
Im(f ) = F.

Démonstration. Raisonnons par double implication.

(⇒) Supposons que f est surjective.

Alors tout élément de F a un antécédent par f , donc F ⊂ Im(f ). L’inclusion réciproque étant
immédiate, on a Im(f ) = F.

(⇐) Réciproquement, supposons que Im(f ) = F.

Soit x ∈ F. Alors, x ∈ Im(f ), et donc x a un antécédent par f . Donc f est surjective.

Exercice 16.8 On considère l’application linéaire f : P → P ′ définie de R[x] dans R[x].

Déterminer son noyau et son image. Est-elle injective? surjective?

• On commence par chercher le noyau. Soit P ∈ R[x],

P ∈ Ker(f ) ⇐⇒ P ′ = 0 ⇐⇒ deg(P ) = 0 ou − ∞ ⇐⇒ P ∈ R0 [x].

Donc Ker(f ) = R0 [x]. Comme Ker(f ) , {0}, l’application f n’est pas injective.

• Cherchons à présent l’image. Il est direct que Im(f ) ⊂ R[x].

∑n ∑
n
αk k+1
k
Réciproquement, soit Q(x) = αk x ∈ R[x]. On pose P (x) = x , alors
k+1
k=0 k=0
f (P ) = Q, et Q ∈ Im(f ). Donc Im(f ) = R[x], et l’application f est surjective.
16.3. ETUDE D’UNE APPLICATION LINÉAIRE PARTICULIÈRE 17

16.3 Etude d’une application linéaire particulière

16.3.1 Somme d’espaces vectoriels

Proposition 16.12 Soit (E, +, ·) un espace vectoriel et F et G deux sous-espaces vectoriels

de E. L’ensemble H des éléments de E s’écrivant sous la forme de la somme d’un
élément de F et d’un élément de G est un sous-espace vectoriel de E appelé somme des
sous-espaces vectoriels F et G. On note :

H = F + G = {u ∈ E tel que u = x + y avec (x, y) ∈ F × G}.

Démonstration.

• On a clairement H ⊂ E.

• 0E ∈ F ∩ G, donc 0E = 0E + 0E ∈ H et H est non vide.

• Soit (u, v) ∈ H 2 et λ ∈ R. Alors on peut écrire

u = x u + yu avec (xu , yu ) ∈ F × G

et
v = xv + yv avec (xv , yv ) ∈ F × G.
Donc

λu + v = λ (xu + yu ) + (xv + yv )
= (λxu + xv ) + (λyu + yv )

où λxu + xv ∈ F et λyu + yv ∈ G puisque F et G sont stables par combinaison linéaire.

Donc λu + v ∈ H.

Ainsi H est un sous-espace vectoriel de E.

Définition 16.9 Soit E un espace vectoriel et F et G deux sous-espaces vectoriels de E.

On dit que la somme F + G est une somme directe lorsque

F ∩ G = {0E }.

Elle est alors noté F ⊕ G.

Remarque : Comme F et G sont des espaces vectoriels, on a toujours {0} ⊂ F ∩ G. Il suffit

donc de montrer que F ∩ G ⊂ {0} pour montrer qu’une somme est directe.
18 CHAPITRE 16. APPLICATIONS LINÉAIRES

Exemple 16.13 Monter que R2 = Vect((0, 1)) ⊕ Vect((1, 0)).

• On sait que Vect((0, 1)) ⊂ R2 et Vect((1, 0)) ⊂ R2 donc Vect((0, 1))+Vect((1, 0)) ⊂ R2 .
Par ailleurs, soit (x, y) ∈ R2 , on peut écrire :

(x, y) = x(1, 0) + y(0, 1) ∈ Vect((0, 1)) + Vect((1, 0))

donc R2 ⊂ Vect((0, 1)) + Vect((1, 0)).

Par double inclusion, R2 = Vect((0, 1)) + Vect((1, 0)).

• Il ne reste plus qu’à montrer que la somme est directe.

Soit (x, y) ∈ Vect((0, 1)) ∩ Vect((1, 0)). Alors (x, y) ∈ Vect((0, 1)) donc x = 0.
Et (x, y) ∈ Vect((1, 0)) donc y = 0. Donc (x, y) = (0, 0).
Ainsi Vect((0, 1)) ∩ Vect((1, 0)) ⊂ {(0, 0)}.

On peut donc conclure que R2 = Vect((0, 1)) ⊕ Vect((1, 0)).

Proposition 16.13 Soit E un espace vectoriel et F et G deux sous-espaces vectoriels de

E. La somme F + G est une somme directe si et seulement si tout élément u de F + G
s’écrit de manière unique sous la forme :

u = x+y avec (x, y) ∈ F × G.

Démonstration. Raisonnons par double implication.

(⇒) Supposons que F + G est une somme directe. Soit u ∈ F + G, supposons qu’on puisse
écrire u = x1 + y1 = x2 + y2 avec (x1 , y1 ) ∈ F × G et (x2 , y2 ) ∈ F × G, alors :

x1 − x2 = y1 − y2 .
| {z } | {z }
∈F ∈G

Donc x1 − x2 ∈ F ∩ G = {0E }, c’est à dire x1 = x2 . De même, y1 = y2 . La décomposition de u

est donc unique.

(⇐) Réciproquement, supposons que tout élément u de F + G s’écrit de manière unique

sous la forme u = x + y avec (x, y) ∈ F × G.
Soit u ∈ F ∩ G, on peut le décomposer comme u = u + 0 et comme u = 0 + u.
L’unicité de la décomposition donne u = 0E . Donc F ∩ G = {0E } et la somme est directe.
16.3. ETUDE D’UNE APPLICATION LINÉAIRE PARTICULIÈRE 19

Définition 16.10 Soit E un espace vectoriel et F et G deux sous-espaces vectoriels de

E. On dit que F et G sont supplémentaires dans E lorsque E = F ⊕ G.

Remarque : Un même espace vectoriel peut avoir plusieurs supplémentaires différents.

Exemple 16.14 Dans R2 [x], Vect(x2 ) et Vect(x2 +1) sont deux supplémentaires de R1 [x].

Montrons que R2 [x] = Vect(x2 ) ⊕ R1 [x].

• On a clairement Vect(x2 ) + R1 [x] ⊂ R2 [x].

• Soit P ∈ R2 [x] alors il existe (a, b, c) ∈ R3 tel que ∀x ∈ R, P (x) = ax2 + bx + c. On

remarque que ax2 ∈ Vect(x2 ) et que bx + c ∈ R1 [x]. Ainsi R2 [x] ⊂ Vect(x2 ) + R1 [x].
Avec les deux inclusions, on a montré que R2 [x] = Vect(x2 ) + R1 [x].

• Il reste à montrer que la somme est directe. Soit P ∈ Vect(x2 ) ∩ R1 [x]. Comme
P ∈ Vect(x2 ), soit P est de degré 2, soit P = 0. Comme P ∈ R1 [x], il est de degré
au plus 1. Ainsi P = 0 et donc Vect(x2 ) ∩ R1 [x] = {0}.

Le raisonnement est quasiment identique pour montrer que R2 [x] = Vect(x2 + 1) ⊕ R1 [x].
Seul le deuxième point diffère un peu.
Soit P ∈ R2 [x] alors il existe (a, b, c) ∈ R3 tel que ∀x ∈ R, P (x) = ax2 + bx + c. On peut
écrire que :
P (x) = a(x2 + 1) + bx + c − a.
On remarque que a(x2 + 1) ∈ Vect(x2 ) et que bx + c − a ∈ R1 [x]. Ainsi R2 [x] ⊂ Vect(x2 +
1) + R1 [x].
On conclut alors de la même façon que pour la somme directe précédente.
20 CHAPITRE 16. APPLICATIONS LINÉAIRES

16.3.2 Projecteurs

Dans toute cette partie, on notera E un espace vectoriel et F1 et F2 deux sous-espaces vectoriels
supplémentaires dans E. Pour tout vecteur x ∈ E, on note (x1 , x2 ) l’unique couple de F1 × F2
tel que x = x1 + x2 .

Définition 16.11 On appelle projecteur de E sur F1 parallèlement à F2 l’application p

définie pour tout x de E par
p(x) = x1 .
On appelle projecteur de E sur F2 parallèlement à F1 l’application q définie pour tout
x de E par
q(x) = x2 .
Les projecteurs p et q sont appelés projecteurs associés.

Exemple 16.15 On peut montrer que R3 = Vect((1, 0, 0), (0, 1, 0)) ⊕ Vect((0, 0, 1)), ce qui
correspond pour tout (x, y, z) ∈ R3 à la décomposition (x, y, z) = (x, y, 0) + (0, 0, z). Soit f
et g les applications définies de R3 dans R3 par

f ((x, y, z)) = (x, y, 0) et g((x, y, z)) = (0, 0, z)

Alors f et g sont deux projecteurs associés. Plus exactement,

• f est le projecteur de R3 sur Vect((1, 0, 0), (0, 1, 0)) parallèlement à Vect((0, 0, 1)).

• g est le projecteur de R3 sur Vect((0, 0, 1)) parallèlement à Vect((1, 0, 0), (0, 1, 0)).

Exercice 16.9 1. Montrer que R3 = Vect((1, 0, 0), (0, 1, 0)) ⊕ Vect((1, 0, 1)).

• On a clairement Vect((1, 0, 0), (0, 1, 0)) + Vect((1, 0, 1)) ⊂ R3 .

• Soit (x, y, z) ∈ R3 , on peut écrire

(x, y, z) = (x − z, y, 0) + (z, 0, z) = (x − z, 0, 0) + (0, y, 0) + (z, 0, z)

= (x − z)(1, 0, 0) + y(0, 1, 0) + z(1, 0, 1).

On a (x − z)(1, 0, 0) + y(0, 1, 0) ∈ Vect((1, 0, 0), (0, 1, 0)) et

z(1, 0, 1) ∈ Vect((1, 0, 1)). Ainsi R3 ⊂ Vect((1, 0, 0), (0, 1, 0)) + Vect((1, 0, 1)).
• Soit (x, y, z) ∈ Vect((1, 0, 0), (0, 1, 0)) ∩ Vect((1, 0, 1)) alors il existe (a, b) ∈ R2 et
c ∈ R tel que:

(x, y, z) = a(1, 0, 0) + b(0, 1, 0) = (a, b, 0) et (x, y, z) = c(1, 0, 1) = (c, 0, c).

Cela implique que : (a, b, 0) = (c, 0, c) soit a = c, b = 0 et c = 0.

Ainsi (x, y, z) = (0, 0, 0) et Vect((1, 0, 0), (0, 1, 0)) ∩ Vect((1, 0, 1)) = {0}.

On peut donc conclure que R3 = Vect((1, 0, 0), (0, 1, 0)) ⊕ Vect((1, 0, 1)).
16.3. ETUDE D’UNE APPLICATION LINÉAIRE PARTICULIÈRE 21

2. Déterminer f et g les projecteurs associés à cette décomposition.

Comme R3 = Vect((1, 0, 0), (0, 1, 0)) ⊕ Vect((1, 0, 1)), on a pour tout (x, y, z) ∈ R3 à la
décomposition
(x, y, z) = (x − z, y, 0) + (z, 0, z).
Soient f et g les applications définies de R3 dans R3 par

f ((x, y, z)) = (x − z, y, 0) et g((x, y, z)) = (z, 0, z).

Alors f et g sont deux projecteurs associés. Plus exactement,

• f est le projecteur de R3 sur Vect((1, 0, 0), (0, 1, 0)) parallèlement à

Vect((1, 0, 1)).
• g est le projecteur de R3 sur Vect((1, 0, 1)) parallèlement à
Vect((1, 0, 0), (0, 1, 0)).

Proposition 16.14 Tout projecteur de E est un endomorphisme de E.

Démonstration. Soit p le projecteur sur F1 parallèlement à F2 , où E = F1 ⊕ F2 .

Il est immédiat que p est à valeurs dans E, il suffit donc de montrer que c’est une application
linéaire. Soit (x, y) ∈ E 2 , et λ ∈ R. On suppose que les décompositions de x et y s’écrivent
x = x1 + x2 et y = y1 + y2 avec (x1 , y1 ) ∈ F12 et (x2 , y2 ) ∈ F22 .
Alors, λx + y = (λx1 + y1 ) + (λx2 + y2 ), avec λx1 + y1 ∈ F1 et λx2 + y2 ∈ F2 . On a :
p(λx + y) = λx1 + y1 = λp(x) + p(y).
D’où le résultat.

Proposition 16.15 (Noyau et image d’un projecteur) Soit p le projecteur de E sur F1

parallèlement à F2 . On a :

F1 = Im(p) = Ker(p − IdE ) et F2 = Ker(p).

Démonstration.
• Commençons par montrer que F1 = Im(p).
Soit x ∈ F1 , alors x = x + 0E , où (x, 0E ) ∈ F1 × F2 . Donc p(x) = x.
On en déduit que x ∈ Im(p) et donc F1 ⊂ Im(p).
Réciproquement, si x ∈ Im(p), il existe z ∈ E tel que x = p(z). On décompose z comme
z1 + z2 , avec (z1 , z2 ) ∈ F1 × F2 . Alors x = z1 ∈ F1 et Im(p) ⊂ F1 . D’où F1 = Im(p).
• Montrons ensuite que F1 = Ker(p − IdE ).
Soit x ∈ F1 , on obtient comme dans le raisonnement précédent que p(x) = x et donc
(p − IdE ) (x) = 0E . Donc F1 ⊂ Ker (p − IdE ) .
Réciproquement, soit x ∈ Ker (p − IdE ) . Alors, p(x) − x = 0E et donc p(x) = x. Donc
x ∈ Im(p) = F1 et Ker (p − IdE ) ⊂ F1 . D’où F1 = Ker (p − IdE ) .
22 CHAPITRE 16. APPLICATIONS LINÉAIRES

• Soit x ∈ F2 , alors x = 0E + x, où (0E , x) ∈ F1 × F2 . Donc p(x) = 0E .

On en déduit que x ∈ Ker(p) et F2 ⊂ Ker(p).
Réciproquement, si x ∈ Ker(p), p(x) = 0E . On décompose x comme x1 +x2 , avec (x1 , x2 ) ∈
F1 × F2 . La relation précédente donne alors x1 = 0E , on en déduit x = x2 ∈ F2 .
D’où Ker(p) ⊂ F2 et par double inclusion F2 = Ker(p).

Proposition 16.16 (Caractérisation des projecteurs associés) Soient p et q deux pro-

jecteurs de E. Ce sont des projecteurs associés si et seulement si ils vérifient :

p + q = IdE et p ◦ q = q ◦ p = 0.

Proposition 16.17 (Caractérisation des projecteurs) Soit f un endomorphisme de E.

L’application f est un projecteur si et seulement si f 2 = f .

Démonstration. Montrons le résultat par double implication.

(⇒) Supposons que f est un projecteur (sur F1 parallèlement à F2 , avec E = F1 ⊕ F2 .) Soit
x ∈ E, qu’on décompose en x = x1 + x2 avec x1 ∈ F1 et x2 ∈ F2 . Alors f (x) = x1 , et comme
x1 = x1 + 0E avec x1 ∈ F1 et 0E ∈ F2 cela donne:

f ◦ f (x) = f (x1 ) = x1 = f (x).

Cela étant vrai pour tout x ∈ E, on a bien f 2 = f ◦ f = f .

(⇐) Réciproquement, supposons que f ◦ f = f .
Montrons que f est le projecteur sur Im(f ) parallèlement à Ker (f ).
Pour cela, il faut commencer par montrer que ces deux espaces vectoriels sont bien supplé-
mentaires. Soit x ∈ E, on va montrer qu’il existe un unique couple (x1 , x2 ) ∈ Im(f ) × Ker(f ) tel
que x = x1 + x2 .
Analyse supposons qu’un tel couple existe. Comme x1 ∈ Im(f ), on peut trouver y ∈ E tel que
f (y) = x1 , et donc x = f (y) + x2 . En appliquant f de nouveau, on trouve par linéarité :

f (x) = f ◦ f (y) + f (x2 ) = f ◦ f (y) = f (y) = x1 .

Donc nécessairement, x1 = f (x) et x2 = x − f (x).

Synthèse : soit x ∈ E. On pose x1 = f (x) et x2 = x − f (x). Il est immédiat que x1 ∈ Im(f ), par
ailleurs :
f (x2 ) = f (x − f (x)) = f (x) − f ◦ f (x) = f (x) − f (x) = 0E ,
donc x2 ∈ Ker(f ). Comme de plus x = f (x) + (x − f (x)) = x1 + x2 , cette décomposition
convient bien.
Donc Im(f ) et Ker(f ) sont supplémentaires dans E. Soit x ∈ E, qu’on décompose en x = x1 +x2
avec x1 ∈ Im(f ) et x2 ∈ Ker(f ). Alors f (x2 ) = 0E et il existe y ∈ E tel que f (y) = x1 , on a donc
puisque f ◦ f = f :
f (x) = f (x1 ) + f (x2 ) = f ◦ f (y) + 0E = f (y) = x1 .
Donc f est bien le projecteur de E sur Im(f ) parallèlement à Ker(f ).
16.3. ETUDE D’UNE APPLICATION LINÉAIRE PARTICULIÈRE 23

Exercice 16.10 Soit f l’application linéaire définie de R2 dans R2 par

f ((x, y)) = (4x − 6y, 2x − 3y).

Montrer que f est un projecteur en précisant ses caractéristiques.

Soit (x, y) ∈ R2 . On a :

f ◦ f ((x, y)) = f ((4x − 6y, 2x − 3y)) = (16x − 24y − 12x + 18y, 8x − 12y − 6x + 9y)
= (4x − 6y, 2x − 3y) = f ((x, y)).

Donc f ◦ f = f et f est un projecteur.

On va maintenant chercher son noyau et son image :

• Soit (x, y) ∈ R2
(x, y) ∈ Ker(f ) ⇐⇒ f ((x, y)) = (0, 0)
⇐⇒ (4x − 6y, 2x − 3y) = (0, 0)
⇐⇒ 2x − 3y = 0
x
⇐⇒ (x, y) = (3, 2)
3
⇐⇒ (x, y) ∈ Vect((3, 2))
Ce qui nous donne par double inclusion Ker(f ) = Vect((3, 2)).

• Soit u ∈ Im(f ). Alors il existe (x, y) ∈ R2 tels que :

u = f ((x, y)) = (4x − 6y, 2x − 3y) = x(4, 2) + y(−6, −3)

Or (4, 2) = f ((1, 0)) ∈ Im(f ) et (−6, −3) = f ((0, 1)) ∈ Im(f ). Donc ((4, 2), (−6, −3))
est une famille génératrice de Im(f ) et Im(f ) = Vect((4, 2), (−6, −3)). On cherche
maintenant à simplifier au maximum cette expression. On remarque que (−6, −3) =
3
− (4, 2), donc Im(f ) = Vect((4, 2)).
2
On en conclut que f est le projecteur sur Vect((4, 2)) parallèlement à Vect((3, 2)).
A noter, pour l’image, comme il s’agit d’un projecteur, on pouvait aussi chercher Ker(f −
Id).