Espaces vectoriels

de dimension finie

La notion d’espace vectoriel est une structure clé des mathématiques modernes. Elle permet d’identifier des propriétés
communes à des ensembles pourtant très divers. Par exemple, tout comme on peut additionner deux vecteurs du plan
ou multiplier un vecteur par un nombre réel (pour le redimensionner), on peut aussi additionner deux fonctions ou
multiplier une fonction par un scalaire. De même, ces opérations s’appliquent aux polynômes, aux matrices, et bien
d’autres objets.
L’objectif est d’établir des théorèmes généraux valables aussi bien pour les vecteurs géométriques que pour les espaces
de fonctions, les polynômes, les matrices, etc. Cependant, cette grande généralité rend le concept d’espace vectoriel
particulièrement abstrait et exige un travail approfondi pour bien le maîtriser.

Espace vectoriel
Dans ce chapitre, K désignera le corps des nombres réels R ou des nombres complexes C.

Soient E et F deux ensembles non vides. On appelle produit cartésien de E et F , et on note E × F , l’ensemble des
couples (x, y) où x ∈ E et y ∈ F . Formellement :
E × F = {(x, y) | x ∈ E, y ∈ F } .
Cette notion s’étend à un nombre fini quelconque d’ensembles E1 , E2 , . . . , En :
E1 × E2 × · · · × En = {(x 1 , x 2 , . . . , x n ) | x i ∈ Ei pour tout i = 1, . . . , n} .
Pour n copies d’un même ensemble E, on note E n = E × · · · × E .
| {z }
n fois

Définition 1 (lois de compositions internes et externes).

Soit E un ensemble.
1. Une loi de composition interne sur E est une application :
+:E×E→E
L’image d’un couple (x, y) ∈ E par cette loi + est notée x + y.
2

2. Une loi de composition externe de E sur K est une application :

·:K×E → E
L’image d’un couple (λ, x) ∈ K × E par cette loi · est notée λ · x ou tout simplement λx.

Définition 2 (Groupe).
Un groupe (G, +) est constitué d’un ensemble non vide G muni d’une loi de composition interne + vérifiant les
propriétés suivantes :
• Associativité : L’opération + est associative, c’est-à-dire que pour tout x, y, z ∈ G, on a :
(x + y) + z = x + ( y + z).
• Existence d’un élément neutre : Il existe un élément e ∈ G tel que, pour tout x ∈ G :
x + e = e + x = x.
ESPACES VECTORIELS DE DIMENSION FINIE . 2

• Existence d’un élément symétrique : Pour tout élément x ∈ G, il existe un élément y ∈ G tel que :
x + y = y + x = e.
Si la loi + est commutative, c’est-à-dire que pour tout x, y ∈ G, on a :
x + y = y + x,
alors le groupe (G, +) est dit commutatif ou abélien.

Exemple 1.
(Z, +), (R, +) et (C, +) sont des groupes commutatifs. En revanche, (N, +) n’est pas un groupe.

Définition 3 (K-espace vectoriel).

Soit E un ensemble, K un corps commutatif, + une loi interne sur E, et · une loi externe de de E sur K. On dit que
(E, +, ·) est un espace vectoriel sur K (où K-espace vectoriel) si :
1. (E, +) est un groupe abélien.
2. La loi · est associative, c’est-à-dire :
∀x ∈ E, ∀λ, µ ∈ K, λ · (µ · x) = (λµ) · x.
3. La loi · est distributive par rapport à +, c’est-à-dire :
∀λ, µ ∈ K, ∀x ∈ E, (λ + µ) · x = λ · x + µ · x.
∀λ ∈ K, ∀x, y ∈ E, λ · (x + y) = λ · x + λ · y.
4. 1 est neutre pour la loi ·, c’est-à-dire :
∀x ∈ E, 1 · x = x.

Remarque.
Si (E, +, ·) est un K-espace vectoriel. Les éléments du corps K sont souvent appelés scalaires. Ceux de E sont
souvent appelés vecteurs. Dans la suite, si aucune confusion n’est possible, l’élément neutre 0 E de E sera noté 0 et
appelé l’origine.

Proposition 1 (Conséquences immédiates des axiomes).

Soit E un espace vectoriel sur K.
1. Pour tout x, y ∈ E et λ ∈ K, on a :
λ(x − y) = λx − λ y.
2. Pour tout λ ∈ K, on a λ · 0 = 0. (En prenant x = y dans la propriété précédente.)
3. Pour tout y ∈ E et λ ∈ K, on a :
λ(− y) = −(λ y).
(En prenant x = 0 dans la propriété précédente.)
4. Pour tout x ∈ E et λ, µ ∈ K, on a :
(λ − µ)x = λx − µx.
5. Pour tout x ∈ E, on a : 0 · x = 0. (En prenant λ = µ dans la propriété précédente.)
6. M Pour tout x ∈ E et µ ∈ K, on a :
(−µ)x = −(µx).
(En particulier, (−1)x = −x.)
7. Pour tout x ∈ E et λ ∈ K, on a :
(−λ)(−x) = λx.
8. Si λx = 0, alors λ = 0 ou x = 0. (En multipliant par λ−1 si λ ̸= 0.)
9. Pour tout x ∈ E et n ∈ Z, on a :
nx = (n · 1)x.
10. Pour tous x, y ∈ E et λ ∈ K, si λ ̸= 0, alors :
λx = λ y ⇒ x = y.
11. Pour tous λ, µ ∈ K et x ∈ E avec x ̸= 0, on a :
λx = µx ⇒ λ = µ.
ESPACES VECTORIELS DE DIMENSION FINIE . 3

Exemple 2. • K est un espace vectoriel sur lui-même pour les lois + et ·. Cet espace vectoriel est fondamental en ce
sens que tout espace vectoriel se factorise en produit d’espaces vectoriels isomorphes à K.
• C est un espace vectoriel sur R.
• Soit Kn = {(x 1 , x 2 , . . . , x n ) | x 1 , x 2 , . . . , x n ∈ K}. C’est un espace vectoriel sur K pour les lois :
(x 1 , x 2 , . . . , x n ) + (x 1′ , x 2′ , . . . , x n′ ) = (x 1 + x 1′ , x 2 + x 2′ , . . . , x n + x n′ )
λ · (x 1 , x 2 , . . . , x n ) = (λx 1 , λx 2 , . . . , λx n ).
• Soit S(N, K) l’ensemble des suites à valeurs dans K. On le munit des lois suivantes :
— L’addition définie par :
(un )n∈N + (vn )n∈N := (un + vn )n∈N , ∀(un )n∈N , (vn )n∈N ∈ S(N, K).
— La multiplication par un scalaire définie par :
λ · (un )n∈N := (λun )n∈N , ∀λ ∈ K.
Il est facile de vérifier que (S(N, K), +, ·) est un espace vectoriel sur K.
• Soit E un espace vectoriel et F un ensemble. L’ensemble des applications de F dans E, noté E F , est un espace
vectoriel pour les lois :
( f , g) 7→ f + g, x 7→ f (x) + g(x),
(λ, f ) 7→ λ f , x 7→ λ f (x).
Cet espace vectoriel joue un rôle important en analyse.
• L’ensemble des polynômes à coefficients dans K, noté K[X ], est un espace vectoriel sur K pour les lois :
(P, Q) 7→ P + Q, où P, Q ∈ K[X ],
(λ, P) 7→ λP, où λ ∈ K, P ∈ K[X ].
• L’ensemble des fractions rationnelles à coefficients dans K, noté K(X ), est un espace vectoriel sur K pour les lois :
(R1 , R2 ) 7→ R1 + R2 , où R1 , R2 ∈ K(X ),
(λ, R) 7→ λR, où λ ∈ K, R ∈ K(X ).
• L’ensemble Mn,m (K) des matrices à n lignes et m colonnes, à coefficients dans K, muni de l’addition matricielle +
et de la multiplication par un scalaire ·, est un espace vectoriel sur K.

Sous-espace vectoriel
Étant donné un espace vectoriel (E, +, ·) sur K, nous allons étudier dans cette session les sous-ensembles de E qui sont
stables par l’addition et la multiplication par un scalaire. Autrement dit, nous nous intéresserons aux parties de E qui
forment elles-mêmes des espaces vectoriels sur K avec les mêmes lois + et · que celles de E.

Définition 4 (Sous-espace vectoriel).

′ ′ ′ ′
Soient (E, +, ·) et (F, + , · ) des espaces vectoriels sur K. On dit que (F, + , · ) est un sous-espace vectoriel de (E, +, ·)
si :
1. F ⊆ E
′
2. ∀x, y ∈ F, x + y = x + y
′
3. ∀x ∈ F, ∀λ ∈ K, λ · x = λ · x
Par abus de langage, on dit simplement que F est un sous-espace vectoriel de E et on utilise la notation (F, +, ·).

Proposition 2.
Soit E un espace vectoriel sur K. Soit F un sous-ensemble de E. Alors F est un sous-espace vectoriel de E si et seulement
si :
1. F ̸= ;
2. ∀x, y ∈ F, x + y ∈ F ,
3. ∀x ∈ F, ∀λ ∈ K, λ · x ∈ F .
ESPACES VECTORIELS DE DIMENSION FINIE . 4

Corollaire 1.
Soit E un espace vectoriel sur K. Soit F un sous-ensemble de E. Alors F est un sous-espace vectoriel de E si et seulement
si :
1. F ̸= ;,
2. ∀x, y ∈ F, ∀λ, µ ∈ K, λx + µ y ∈ F .

Remarque.
Comme conséquence immédiate, on a :
• 0E ∈ F ,
• ∀x ∈ F, −x ∈ F ,
• ∀x ∈ F, ∀n ∈ Z, nx ∈ F ,
• ∀x 1 , x 2 , . . . , x n ∈ F, ∀λ1 , λ2 , . . . , λn ∈ K, λ1 x 1 + λ2 x 2 + · · · + λn x n ∈ F .
On a 0 E ∈ F . Il en résulte que, pour justifier que F ̸= ;, il suffit de vérifier que 0 E ∈ F , ce qui constitue l’une des
caractérisations les plus utilisées en pratique.

Proposition 3.
Soit E un espace vectoriel sur K. Soit F un sous-ensemble de E. F est un sous-espace vectoriel de E si et seulement si :
1. 0 E ∈ F ,
2. ∀x, y ∈ F, ∀λ ∈ K, λx + y ∈ F .

Exemple 3. • {0 E } et E sont des sous-espaces vectoriels de E, appelés respectivement les sous-espaces vectoriels
triviaux de E.
• le plan X Y := R2 × {0} est un sous-espace vectoriel de R3 .
• Soit E = R3 et G = {(x, y, z) ∈ R3 | x + y − z = 0}. G est un sous-espace vectoriel de E, car :
— 0R3 := (0, 0, 0) ∈ G (car (0, 0, 0) ∈ R3 et 0 + 0 − 0 = 0).
— Si (x, y, z), (x ′ , y ′ , z ′ ) ∈ G et λ ∈ K, alors :
λ(x, y, z) + (x ′ , y ′ , z ′ ) = (λx + x ′ , λ y + y ′ , λz + z)
et on vérifie que :
(λx + x ′ ) + (λ y + y ′ ) − (λz + z) = λ(x + y − z) + (x ′ + y ′ − z ′ ) = λ0 + 0 = 0.
Ainsi, λ(x, y, z) + (x ′ , y ′ , z ′ ) ∈ G.
— Soit n ∈ N, et soit Kn [X ] l’ensemble des polynômes de degré inférieur à n, c’est-à-dire :
Kn [X ] = {P ∈ K[X ] | deg(P) ⩽ n} .
Kn [X ] est un sous-espace vectoriel de K[X ], car :
— Le polynôme nul 0 appartient à Kn [X ] (car il a un degré inférieur à n, en fait, son degré est −∞).
— Soient P, Q ∈ Kn [X ] et λ ∈ K. Il faut montrer que λP + Q ∈ Kn [X ]. D’une part, λP + Q ∈ K[X ] (car K[X ]
est un espace vectoriel) et d’autre part :
deg(λP(X ) + Q(X )) ⩽ max(deg(λP), deg(Q)) ⩽ max(deg(P), deg(Q)) ⩽ n.
ce qui montre que λP + Q ∈ Kn [X ].
— Soit F l’ensemble défini par :
P(X )
§ ª
| P ∈ K2 [X ] .
F :=
X (X + 1)
Nous allons montrer que F est un sous-espace vectoriel de K(X ). En effet :
— Le polynôme nul 0 appartient à K2 [X ], donc 0 = X (X0+1) ∈ F .
P(X ) Q(X )
— Soient P(X ), Q(X ) ∈ K2 [X ] et λ ∈ K. Il convient de montrer que λ X (X +1) + X (X +1) ∈ F . En effet :
P(X ) Q(X ) λP(X ) + Q(X )
λ + = .
X (X + 1) X (X + 1) X (X + 1)
P(X ) Q(X )
Or, comme λP(X ) + Q(X ) ∈ K2 [X ], cela montre que λ X (X +1) + X (X +1) ∈ F .
— Soit I = [a, b] un intervalle de R. L’ensemble des fonctions continues de I vers R est un sous-espace vectoriel
de l’R-espace vectoriel R I .
— L’ensemble S Mn := {M ∈ Mn (K) | M = M T } des matrices symétriques d’ordre n est un sous-espace vectoriel de
l’K-espace vectoriel Mn (K).
ESPACES VECTORIELS DE DIMENSION FINIE . 5

Familles de vecteurs, combinaisons linéaires, et sous-espace en-

gendré par un ensemble

Définition 5 (Combinaison linéaire).

Soient (v1 , v2 , . . . , vn ) une famille de vecteurs et (λ1 , λ2 , . . . , λn ) une famille de scalaires. Le vecteur
λ1 v1 + λ2 v2 + · · · + λn vn
est appelé combinaison linéaire des vecteurs v1 , v2 , . . . , vn avec les coefficients scalaires λ1 , λ2 , . . . , λn .

Exemple 4.
Dans R2 , (1, 2) est une combinaison linéaire de vecteurs ((1, 0), (0, 1)) car (1, 2) = 1(1, 0) + 2(0, 1).
Comme conséquence immédiate de la définition d’un sous-espace vectoriel, si F est un sous-espace vectoriel de E et si
v1 , . . . , vn ∈ F , alors toute combinaison linéaire λ1 v1 + . . . λn vn de v1 , . . . , vn est dans F .

Proposition 4.
Soit E un espace vectoriel. Soit (Fi )i∈I une famille de sous-espaces vectoriels de E. L’intersection des Fi est donnée par :
\
Fi := {x ∈ E | x ∈ Fi pour tout i ∈ I},
i∈I
et elle est un sous-espace vectoriel de E.

Remarque. 1. On peut également définir l’union d’ensembles Fi par :

[
Fi := {x ∈ E | x ∈ Fi pour un certain i ∈ I}.
i∈I

2. Contrairement à l’intersection, l’union n’est pas toujours un espace vectoriel. En effet, pour que l’union de deux
sous-espaces soit un espace vectoriel, elle doit être stable par addition et multiplication par un scalaire, ce qui
n’est pas toujours le cas.
Par exemple, considérons les sous-espaces vectoriels {(x, 0) | x ∈ R} (l’axe des x) et {(0, y) | y ∈ R} (l’axe des
y) dans R2 . L’union {(x, 0) | x ∈ R} ∪ {(0, y) | y ∈ R} n’est pas un espace vectoriel, car elle n’est pas fermée sous
l’addition : la somme de (1, 0) ∈ {(x, 0) | x ∈ R} et (0, 1) ∈ {(0, y) | y ∈ R} donne (1, 1), qui n’appartient pas à
l’union {(x, 0) | x ∈ R} ∪ {(0, y) | y ∈ R}.

Définition 6 (Sous-espace vectoriel engendré).

Soit E un espace vectoriel et A un sous-ensemble de E. On appelle sous-espace vectoriel engendré par A
l’intersection de tous les sous-espaces vectoriels de E contenant A. Autrement dit, c’est le plus petit sous-espace
vectoriel de E qui contient A. On le note :
vectK (A).

La définition du sous-espace vectoriel engendré par une partie A de E peut parfois être difficile à appliquer directement.
Les deux caractérisations suivantes sont beaucoup plus pratique :

Proposition 5.
Soit E un espace vectoriel, A une partie de E, et F une partie de E. Alors F = vectK (A) si et seulement si :
1. F est un sous-espace vectoriel de E contenant A,
2. Tout sous-espace vectoriel de E contenant A contient F .

Proposition 6.
Soit E un espace vectoriel. Soit A un sous-ensemble non-vide de E. On a :

n
¨ «
X
∗
vectK (A) = λi ai n ∈ N , λ1 , . . . , λn ∈ K, a1 , . . . , an ∈ A .
i=1
Autrement dit, vectK (A) est l’ensemble des combinaisons linéaires des éléments de A dans K.
ESPACES VECTORIELS DE DIMENSION FINIE . 6

Cas particuliers
• Soit v ∈ E, alors
vectK (v) = {λv | λ ∈ K},
ce qui représente la droite vectorielle passant par l’origine et le vecteur v. Cet espace sera noté par Kv.
• Soient v1 , v2 ∈ E deux vecteurs, alors
vectK (v1 , v2 ) = {λ1 v1 + λ2 v2 | λ1 , λ2 ∈ K},
qui correspond à l’affaissement du plan vectoriel généré par v1 et v2 .
• Soient v1 , v2 , . . . , vn ∈ E, alors
vectK (v1 , v2 , . . . , vn ) = {λ1 v1 + λ2 v2 + · · · + λn vn | λ1 , λ2 , . . . , λn ∈ K}.
• Plus généralement, si (vn )n∈N est une suite de vecteurs de E, alors
¨ m «
X
vectK ((vn )n∈N ) = λi vi | m ∈ N, λ1 , λ2 , . . . , λm ∈ K ,
i=0
qui correspond à l’espace vectoriel formé par toutes les combinaisons linéaires finies des vecteurs v1 , v2 , . . ..
Exemple 5. 1. Dans R, on a vectR (1) = {λ · 1 | λ ∈ R} = {λ | λ ∈ R} = R.
2. Dans Rn , on a :
vectR {(1, 0, . . . , 0), (0, 1, 0, . . . , 0), (0, . . . , 0, 1)} = {λ1 (1, 0, . . . , 0) + λ2 (0, 1, 0, . . . , 0) + · · · + λn (0, . . . , 0, 1) | λ1 , λ2 , . . . , λn ∈ R}
= {(λ1 , 0, . . . , 0) + (0, λ2 , 0, . . . , 0) + · · · + (0, . . . , 0, λn ) | λ1 , λ2 , . . . , λn ∈ R}
= {(λ1 , λ2 , . . . , λn ) | λ1 , λ2 , . . . , λn ∈ R} = Rn .
3. vectR (1, X , X 2 , . . . , X n ) = {λ0 + λ1 X + λ2 X 2 + · · · + λn X n | λ0 , λ1 , . . . , λn ∈ R} = Rn [X ], qui est l’espace vectoriel
des polynômes réels de degré au plus n.
4. vectR (1, X , X 2 , . . . ) = {λ0 1 + λ1 X + λ2 X 2 + · · · + λm X m | m ∈ N et λ0 , λ1 , λ2 , . . . , λm ∈ R} = R[X ], qui est l’espace
vectoriel des polynômes réels.

Isomorphisme d’espaces vectoriels

Dans cette section, nous allons aborder les espaces vectoriels qui sont identiques vectoriellement. Cela signifie que,
bien qu’ils puissent être différents en tant qu’ensembles (c’est-à-dire que leurs éléments sont distincts), ils peuvent
être considérés comme étant le même espace en termes de structure vectorielle. On dit alors que ces espaces vectoriels
sont isomorphes.
Autrement dit, deux espaces vectoriels sont isomorphes s’il existe une bijection entre leurs éléments qui préserve les
opérations d’addition et de multiplication par un scalaire, c’est-à-dire que les opérations vectorielles dans un espace
sont "les mêmes" dans l’autre espace.

Définition 7 (Isomorphisme d’espaces vectoriels).

Soient E et E ′ deux espaces vectoriels sur le même corps K. Une application f : E → E ′ est un isomorphisme
d’espaces vectoriels si elle satisfait les conditions suivantes :
1. f est bijective, c’est-à-dire :
• f est injective : si f (x) = f ( y) pour x, y ∈ E, alors x = y.
• f est surjective : pour tout y ∈ E ′ , il existe un x ∈ E tel que f (x) = y.
2. f est linéaire , c’est-à-dire : pour tous x, x ′ ∈ E et λ ∈ K, on a f (λx + x ′ ) = λ f (x) + f (x ′ ).

Exemple 6.
Les espaces vectoriels R3 et R2 [X ] sont isomorphes. En effet, soit f : R3 → R2 [X ] une application définie par :
f ((x 1 , x 2 , x 3 )) = x 1 + x 2 X + x 3 X 2 ,
où (x 1 , x 2 , x 3 ) ∈ R3 , l’espace des polynômes de degré au plus 2 à coefficients dans K2 .
Cette application est bien une bijection, car chaque triplet (x 1 , x 2 , x 3 ) correspond à un polynôme unique de la forme
x 1 + x 2 X + x 3 X 2 , et réciproquement, chaque polynôme P(X ) = a0 + a1 X + a2 X 2 de R2 [X ] égal à f (a0 , a1 , a2 ). De plus,
ESPACES VECTORIELS DE DIMENSION FINIE . 7

f préserve les opérations vectorielles, c’est-à-dire qu’elle respecte l’addition et la multiplication par un scalaire :
f (λ(x 1 , x 2 , x 3 ) + ( y1 , y2 , y3 )) = f (λx 1 + y1 , λx 2 + y2 , λx 3 + y3 ) = (λx 1 + y1 ) + (λx 2 + y2 )X + (λx 3 + y3 )X 2
= λ(x 1 + x 2 X + x 3 X 2 ) + ( y1 + x 2 X + y3 X 2 ) = λ f (x 1 , x 2 , x 3 ) + f ( y1 , y2 , y3 ) ,
Ainsi, f est un isomorphisme entre R3 et K2 [X ], ce qui montre que ces deux espaces vectoriels sont isomorphes.
Remarque. 1. Si f : E → F est une bijection entre deux espaces vectoriels E et F , cela signifie que chaque élément y
de F a une et une seule antécédent x dans E, c’est-à-dire que f (x) = y. On peut alors définir l’application inverse
f −1 : F → E, qui est également une bijection, de manière suivante : pour chaque y ∈ F , f −1 ( y) ∈ E est l’élément
unique x tel que f (x) = y.
2. On définit l’application identité id E : E → E, qui est donnée par id E (x) = x pour tout x ∈ E. Lorsque f est
bijective, les compositions suivantes sont valides : f ◦ f −1 = id F et f −1 ◦ f = id E , c’est-à-dire que f ( f −1 ( y)) = y
et f −1 ( f (x)) = x, pour tous x ∈ E et y ∈ F .
Exemple 7. 1. L’application identité id E est bijective, et son inverse est l’application elle-même, c’est-à-dire id E−1 = id E .
2. Soit f : R2 → R2 définie par :
f (x 1 , x 2 ) = (2x 1 , 3x 2 ),
où (x 1 , x 2 ) ∈ R . Il est claire que f est bijective, et l’application inverse f −1 : R2 → R2 est donnée par :
2
y y 
1
f −1 ( y1 , y2 ) = , 2 ,
2 3
pour chaque point ( y1 , y2 ) ∈ R2 .
3. Considérons l’application f : R3 → R2 [X ] définie par :
f ((x 1 , x 2 , x 3 )) = x 1 + x 2 X + x 3 X 2 ,
où (x 1 , x 2 , x 3 ) est un triplet de réels dans R3 . L’application inverse f −1 : R2 [X ] → R3 , qui permet d’extraire le
triplet des coefficients d’un polynôme de degré au plus 2, est donnée par :
f −1 (a0 + a1 X + a2 X 2 ) = (a0 , a1 , a2 ),
pour chaque polynôme a0 +a1 X +a2 X 2 ∈ R2 [X ]. Ainsi, l’application f −1 associe à chaque polynôme a0 +a1 X +a2 X 2
les coefficients a0 , a1 , a2 , qui correspondent respectivement aux composantes du triplet dans R3 .
Voici quelques propriétés de la notion d’isomorphisme :

Proposition 7. • Soit E un espace vectoriel, l’application identité id E : E → E est un isomorphisme d’espace vectoriel.
• Si f : E → E ′ est un isomorphisme d’espaces vectoriels, alors f −1 : E ′ → E est également un isomorphisme d’espaces
vectoriels.
• Soient f : E → E ′ et g : E ′ → E ′′ des isomorphismes d’espaces vectoriels, alors la composition g ◦ f : E → E ′′
définie par (g ◦ f )(x) = g( f (x)), est un isomorphisme d’espace vectoriel.

Définition 8 (Espaces vectoriels isomorphes).

Deux espaces vectoriels E et E ′ sont dits isomorphes s’il existe un isomorphisme d’espace vectoriel de E vers E ′ ,
que l’on note E ∼
= E′.

Somme des sous-espaces vectoriels

Définition 9.
Soit E un espace vectoriel. Soient F1 , F2 , . . . , Fn des sous-espaces vectoriels de E. On appelle la somme des sous-
espaces vectoriels F1 , F2 , . . . , Fn le sous-espace vectoriel :
{x 1 + x 2 + · · · + x n | x 1 ∈ F1 , x 2 ∈ F2 , . . . , x n ∈ Fn } .
Xn
On le note naturellement F1 + F2 + · · · + Fn ou Fi .
i=1

Remarque.
F1 + F2 + · · · + Fn joue le rôle opposé (dual) à F1 ∩ F2 ∩ · · · ∩ Fn en inversant l’ordre des inclusions.
• F1 ∩ F2 ∩ · · · ∩ Fn est le plus grand sous-espace vectoriel de E contenu dans F1 , F2 , . . . , Fn .
• F1 + F2 + · · · + Fn est le plus petit sous-espace vectoriel de E contenant F1 , F2 , . . . , Fn .
ESPACES VECTORIELS DE DIMENSION FINIE . 8

Proposition 8.
Soit E un espace vectoriel sur K et F1 , F2 , . . . , Fn des sous-espaces vectoriels de E. On a :
vectK (F1 ∪ F2 ∪ · · · ∪ Fn ) = F1 + · · · + Fn .

Remarque.
Soit x = x 1 + x 2 +· · ·+ x n un vecteur appartenant à la somme F1 + F2 +· · ·+ Fn de sous-espaces vectoriels. Contrairement
à ce qu’on pourrait supposer, un vecteur x ∈ F1 + · · · + Fn n’admet pas nécessairement une unique décomposition. En
effet, il peut exister plusieurs familles distinctes (x 1′ , . . . , x n′ ) avec x i′ ∈ Fi telles que :
x = x 1 + · · · + x n = x 1′ + · · · + x n′ ,
même si (x 1 , . . . , x n ) ̸= (x 1′ , . . . , x n′ ).
Cela signifie que la projection d’un vecteur x sur les sous-espaces Fi n’est pas toujours unique. Cette non-unicité
dépend de la manière dont les sous-espaces Fi s’intersectent dans l’espace ambiant.
Par exemple, dans E = R2 , considérons la somme F1 + F2 + F3 , où F1 = R × {0}, F2 = {0} × R, et F3 = {(x, x) | x ∈ R}.
Le vecteur (1, 1) peut être écrit de plusieurs manières différentes (et même une infinité de façons !) :
1. (1, 1) = (1, 0) + (0, 1) + (0, 0)
2. (1, 1) = (0, 0) + (0, 0) + (1, 1)
3. (1, 1) = (a, 0) + (0, a) + (1 − a, 1 − a), avec a ∈ R

Dans ce qui suit, nous caractériserons les conditions sous lesquelles la décomposition des vecteurs x ∈ F1 + F2 + · · · + Fn
en somme d’éléments des Fi est unique. La proposition suivante établit précisément ce critère fondamental :

Proposition 9.
Soient F1 , F2 , . . . , Fn des sous-espaces vectoriels d’un espace vectoriel E. Il est équivalent de dire :
1. Pour tout x ∈ F1 + F2 +· · ·+ Fn , il existe un unique (x 1 , x 2 , . . . , x n ) ∈ F1 × F2 ×· · ·× Fn tel que x = x 1 + x 2 +· · ·+ x n ;
2. Pour (x 1 , x 2 , . . . , x n ) ∈ F1 × F2 × · · · × Fn , si x 1 + x 2 + · · · + x n = 0, alors x i = 0 pour tout i = 1, 2, . . . , n ;
3. Pour tout i = 1, 2, . . . , n, Fi ∩ (F1 + · · · + Fi−1 + Fi+1 + · · · + Fn ) = {0} ;
4. Pour i = 1, 2, . . . , n, on a Fi ∩ (F1 + F2 + · · · + Fi−1 ) = {0}.

Définition 10.
Soient F1 , F2 , . . . , Fn des sous-espaces vectoriels d’un espace vectoriel E. On dit que F1 , F2 , . . . , Fn sont indépendants
(ou que la somme F1 + F2 + · · · + Fn est directe) si elles satisfont l’une des propriétés équivalentes de la proposition
ci-dessus. En d’autres termes, la somme F1 + F2 + · · · + Fn est dite directe si chaque vecteur x de cet espace peut
s’écrire de manière unique comme une somme x = x 1 + x 2 + · · · + x n , où chaque x i appartient à Fi .

Remarque.
- F1 + F2 est directe si et seulement si F1 ∩ F2 = {0}.

- ¨ ¨
F1 + F2 est directe, F1 ∩ F2 = {0},
F1 + F2 + F3 est directe ⇐⇒ ⇐⇒
(F1 + F2 ) + F3 est directe. (F1 + F2 ) ∩ F3 = {0}.
- D’une manière générale,


 F1 + F2 est directe,

(F1 + F2 ) + F3 est directe,

F1 + F2 + · · · + Fn est directe ⇐⇒ .

..


(F1 + F2 + · · · + Fn−1 ) + Fn est directe.


 F1 ∩ F2 = {0},


(F1 + F2 ) ∩ F3 = {0},

⇐⇒ .

 ..


(F1 + F2 + · · · + Fn−1 ) ∩ Fn = {0}.

ESPACES VECTORIELS DE DIMENSION FINIE . 9

Exemple 8.
Soient dans R3 les sous-espaces vectoriels
F1 = {(x, y, z) ∈ R3 | x + y + z = 0}, F2 = vectR ((1, 1, 1)).
Cherchons si F1 + F2 est directe. Soit v = (x, y, z) ∈ F1 ∩ F2 , on a :
• v ∈ F1 ⇐⇒ x + y + z = 0,
• v ∈ F2 ⇐⇒ ∃λ ∈ R tel que (x, y, z) = λ(1, 1, 1) = (λ, λ, λ).
Si x + y + z = 0, cela donne λ + λ + λ = 0, donc 3λ = 0, donc λ = 0, d’où x = y = z = 0. Ainsi, F1 ∩ F2 = {0}, donc
F1 + F2 est directe.

Indépendance linéaire
Soit E un espace vectoriel et v1 , v2 , . . . , vn des vecteurs non nuls de E. Il est intéressant d’étudier dans quel cas les
sous-espaces Fi = Kvi := vectK (vi ) sont indépendants, et de chercher une condition simple reliant les vecteurs vi .
La réponse est donnée par :

Proposition 10.
Soit E un espace vectoriel, I un ensemble quelconque et S = (v1 , . . . , vn ) une famille de vecteurs de E. Les affirmations
suivantes sont équivalentes :
• Pour tout (λ1 , . . . , λn ) ∈ Kn , si λ1 v1 + · · · + λn vn = 0, alors λ1 = · · · = λn = 0.
•
• Pour tout (λ1 , . . . , λn ), (β1 , . . . , βn ) ∈ Kn , si λ1 v1 + · · · + λn vn = β1 v1 + · · · + βn vn , alors λi = βi pour tout
i = 1, . . . , n. Autrement dit, les coefficients d’une combinaison linéaire des vi sont uniques.
• Pour tout i = 1, . . . , n, on a :
/ vectK (S \ {vi }) .
vi ∈
où S \ {vi } := {v1 , . . . , vi−1 , vi+1 , . . . , vn }. Autrement dit, aucun vecteur vi ne peut être exprimé comme une combi-
naison linéaire des autres vecteurs.

Définition 11.
Soit (v1 , . . . , vn ) un système de vecteurs dans E. On dit que les vecteurs v1 , . . . , vn sont linéairement indépendants
(ou que la famille S est libre) s’ils vérifient les conditions équivalentes de la proposition ci-dessus. Dans le cas
contraire, les vecteurs v1 , . . . , vn sont dits linéairement dépendants (ou que la famille S est lié).

Exemple 9. • Dans Kn , le système

{e1 , e2 , . . . , en } := {(1, 0, 0, . . . ), (0, 1, 0, . . . ), . . . , (0, 0, . . . , 1)}
est libre car λ1 e1 + · · · + λn en = (λ1 , λ2 , . . . , λn ), donc
λ1 e1 + · · · + λn en = (0, 0, . . . , 0) =⇒ λ1 = λ2 = · · · = λn = 0.
• Dans K[X ], la suite (X )n∈N = (1, X , X 2 , . . . ) est libre. En effet, soit n ∈ N et λ0 , . . . , λn ∈ K. Si le polynôme
n

P(X ) := λ0 + λ1 X + · · · + λn X n
est nul, alors tous ses coefficients doivent être nuls, c’est-à-dire λi = 0 pour tout i = 0, . . . , n.
• Dans K(X ), le système des éléments simples est libre (cf. chapitre 1). Cela justifie pourquoi les coefficients dans la
décomposition en éléments simples d’une fraction rationnelle de K(X ) sont uniques.
• Dans E = R3 , considérons le système S = {(1, 1, 2), (1, 1, 1), (2, 1, 1)}. Résolvons :
λ1 (1, 1, 2) + λ2 (1, 1, 1) + λ3 (2, 1, 1) = (0, 0, 0).
Cela revient à résoudre le système :
 
λ1 + λ2 + 2λ3 = 0,
 λ1 = 0,

λ1 + λ2 + λ3 = 0, ⇐⇒ λ2 = 0,
 
2λ1 + λ2 + λ3 = 0. λ3 = 0.
 

Donc S est libre.

ESPACES VECTORIELS DE DIMENSION FINIE . 10

• Le système
1 1 1
 ‹
S= , ,
X −1 X −2 X −3
est libre dans R(X ). En effet, supposons qu’il existe a, b, c ∈ R tels que :
1 1 1
a +b +c = 0.
X −1 X −2 X −3
En multipliant par (X − 1)(X − 2)(X − 3), on obtient :
a(X − 2)(X − 3) + b(X − 1)(X − 3) + c(X − 1)(X − 2) = 0.
En regroupant les termes de même degré :
(a + b + c)X 2 − (5a + 4b + 3c)X + (6a + 3b + 2c) = 0.
Par identification avec le polynôme nul, on obtient le système :

a + b + c = 0,

−5a − 4b − 3c = 0,

6a + 3b + 2c = 0.


1 1 1


En résolvant ce système, nous obtenons a = b = c = 0. Ainsi, la famille S = X −1 , X −2 , X −3 est libre.

Par convention, nous supposerons que l’ensemble vide ; est un système libre.
Voici quelques propriétés immédiates de l’indépendance linéaire :

Proposition 11.
Soit E un espace vectoriel. Les propriétés suivantes s’appliquent aux systèmes de vecteurs :
• Un système constitué de deux vecteurs {u, v} est lié si et seulement si ces vecteurs sont proportionnels, c’est-à-dire
s’il existe α ∈ K tel que u = αv.
• Tout sous-système d’un système libre est lui-même libre. Autrement dit, si L est un système libre et L ′ ⊆ L, alors L ′
est libre.
/ vectK (L).
• L’ajout d’un vecteur x à un système libre L conserve la liberté si et seulement si x ∈
• Tout système contenant le vecteur nul est lié.
• Un système contenant un vecteur répété est nécessairement lié.
• Un système dans lequel deux vecteurs sont proportionnels est lié.

Remarque.
Dans Kn , considérons un système de deux vecteurs : S = {(x 1 , x 2 , . . . , x n ), (x 1′ , x 2′ , . . . , x n′ )}. Le système S est lié si et
seulement s’il existe un scalaire α ̸= 0 tel que :
x 1 = αx 1′ , x 2 = αx 2′ , ..., x n = αx n′ .
Autrement dit, cela revient à dire que le rapport entre les coordonnées correspondantes non nulles est constant :
x1 x xn
′
= 2′ = · · · = ′ ,
x1 x2 xn
et que x i = 0 dès que x i′ = 0.
De cette caractérisation il découle immédiatement :
• Le système {(1, 2, 3, 0), (2, 4, 6, 0)} est lié.
• Le système {(1, 2, 3, 1), (2, 4, 6, 0)} est libre.

Générateurs linéaires

Définition 12.
Soit S = (v1 , . . . , vn ) une famille de vecteurs dans un espace vectoriel E. On dit que S est une famille génératrice de
E si tout vecteur x ∈ E peut s’exprimer comme une combinaison linéaire des vecteurs de S, c’est-à-dire s’il existe
une famille de scalaires (λ1 , . . . , λn ) ∈ Kn tels que
x = λ1 v1 + · · · + λn vn .
En d’autres termes, S engendre E si et seulement si E = vectK (S).
ESPACES VECTORIELS DE DIMENSION FINIE . 11

Exemple 10. • Dans Kn , le système

{(1, 0, 0, . . . ), (0, 1, 0, . . . ), . . . , (0, 0, . . . , 1)}
est un générateur, car tout élément (x 1 , x 2 , . . . , x n ) ∈ Kn peut s’écrire
(x 1 , x 2 , . . . , x n ) = x 1 (1, 0, 0, . . . ) + x 2 (0, 1, 0, . . . ) + · · · + x n (0, 0, . . . , 1)
• Dans R , la famille S = {(1, −1), (−1, 1), (1, 1)} est génératrice, car pour tout (x, y) ∈ R2 , il existe des scalaires
2

α, β, γ vérifiant :
α(1, −1) + β(−1, 1) + γ(1, 1) = (x, y).
En effet, cela conduit au système :
¨
α−β +γ= x
−α + β + γ = y
En sommant les deux équations, on obtient :
x+y
2γ = x + y ⇒ γ= .
2
En substituant dans la première équation :
x−y
α−β = .
2
Les solutions s’écrivent donc sous la forme :
 x − y x + y
(α, β, γ) = α, α − , , α ∈ R.
2 2
Puisque le système admet toujours une solution, S est bien une famille génératrice de R2 .
• Considérons C comme un espace vectoriel sur R. La famille {1, i} est génératrice, car tout nombre complexe z ∈ C
peut s’écrire sous la forme :
z = Re(z) · 1 + Im(z) · i.
• Dans K[X ], le système (X )n∈N est un générateur.
n

• Dans Kn [X ], le système (1, X , · · · , X n ) est un générateur.

• Dans K(X ), le système des éléments simples est un générateur.

Proposition 12.
Les propriétés suivantes découlent immédiatement de la définition d’une famille génératrice d’un espace vectoriel E :
• Pour toute partie A d’un espace vectoriel, A est un générateur de vectK (A). En particulier, l’espace E est un générateur
de lui-même.
• Soit G un générateur de E et x ∈ E. On a :
G \ {x} est un générateur de E ⇐⇒ x ∈ vectK (G \ {x}).
Cette propriété résulte de l’égalité
vectK (G) = vectK (G \ {x}) + vectK (x).
Elle est duale à la propriété de liberté.
• Par convention, l’ensemble vide est un générateur de {0 E }, c’est-à-dire que
vectK (;) = {0 E }.

Exemple 11.
Dans l’exemple précédent on a montré que dans R2 , la famille S = {(1, −1), (−1, 1), (1, 1)} est génératrice, or
(−1, 1) = −1.(1, −1), alors (−1, 1) ∈ vectR (S \ {(−1, 1)}) . Ce qui prouve que S \ {(−1, 1)} = {(−1, 1), (1, 1)} est un
générateur de R2 .
La proposition suivante donne un critère pratique pour vérifier si un système est générateur.

Proposition 13.
Soit G un générateur de l’espace vectoriel E. Soit S un système de E. Si chaque élément de G est une combinaison
linéaire d’éléments de S, alors S est un générateur de E. Autrement dit, au lieu de vérifier si chaque élément de E est
une combinaison linéaire d’éléments de S, il suffit de le vérifier pour les éléments d’un générateur.

Démonstration. On a G ⊆ vectK (S), donc vectK (G) = E ⊆ vectK (S).

ESPACES VECTORIELS DE DIMENSION FINIE . 12

Exemple 12. • Dans R2 , le système

{(−1, 1), (1, 2), (2, 3)}
est un générateur. En effet, comme {(1, 0), (0, 1)} est un générateur de R2 , alors il suffit de montrer que
{(1, 0), (0, 1)} ⊂ vectK ({(−1, 1), (1, 2), (2, 3)}). Or (1, 0) = 12 ((2, 3) − (−1, 1) − (1, 2)) et (0, 1) = 13 ((−1, 1) + (1, 2)) .
D’où le résultat.

Base et dimension d’un espace vectoriel

Proposition 14.
Soit E un espace vectoriel et S = (v1 , . . . , vn ) une famille de E. Alors :
1. Tout élément de E peut s’écrire de façon unique comme une combinaison linéaire d’éléments de S.
2. S est à la fois libre et générateur.

Définition 13.
Soit E un espace vectoriel. On appelle base de E tout système de E qui vérifie les conditions équivalentes de la
proposition ci-dessus.

Remarque.
Si B = (v1 , . . . , vn ) est une base de E, alors tout vecteur x ∈ E s’écrit de manière unique comme une combinaison
linéaire des vecteurs de la base B. Autrement dit, il existe un unique (λ1 , . . . , λn ) ∈ Kn tel que
x = λ1 v1 + · · · + λn vn .
Pour tout i = 1, . . . , n, le scalaire λi est appelé la i ème coordonnée du vecteur x dans la base B.
Exemple 13. 1. Dans Kn , le système
{(1, 0, 0, . . . ), (0, 1, 0, . . . ), . . . , (0, 0, . . . , 1)}
est à la fois libre et générateur, donc base de Kn (c’est la base canonique de Kn ).
2. Dans R3 , le système {(2, 1, 3), (1, 4, 1), (2, 7, 1)} est une base. Pour (a, b, c) ∈ R3 , le système :

2λ1 + λ2 + 2λ3 = a

λ1 + 4λ2 + 7λ3 = b

3λ1 + λ2 + λ3 = c


admet l’unique solution :

 3a − b + c
 λ1 = ,
8


−5a + b + 3c

λ2 = ,
 2

λ =
 11a − b − 7c
3 .
8
En particulier, pour les vecteurs de la base canonique {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, les coordonnées, dans cette
nouvelle base, sont obtenues en remplaçant a, b, et c par les valeurs correspondantes pour chaque vecteur.
- Pour (1, 0, 0), où a = 1, b = 0, c = 0, les coordonnées seront :
3(1) − 0 + 0 3 −5(1) + 0 + 3(0) −5 11(1) − 0 − 7(0) 11
λ1 = = , λ2 = = , λ3 = = .
8 8 2 2 8 8
- Pour (0, 1, 0), où a = 0, b = 1, c = 0, les coordonnées seront :
−1 1 −1
λ1 = , λ2 = , λ3 = .
8 2 8
- Pour (0, 0, 1), où a = 0, b = 0, c = 1, les coordonnées seront :
1 3 −7
λ1 = , λ2 = , λ3 = .
8 2 8
3. Dans K[X ], la suite (X n )n∈N := (1, X , . . . , X n , . . . ) est une base (les polynômes sont des combinaisons finies des
polynômes 1, X , X 2 , . . . ).
ESPACES VECTORIELS DE DIMENSION FINIE . 13

4. Dans Kn [X ], la famille finie (1, X , . . . , X n ) est une base.

5. Dans C(X ), les éléments simples (pôles simples, multiples) constituent une base.
Voici les propriétés immédiates de la notion de base :

Proposition 15. • Soit L une partie libre d’un espace vectoriel, alors L est une base de vectK (L).
• Soient B et B ′ deux bases d’un espace vectoriel. Si B ⊆ B ′ , alors B = B ′ .
• Si un espace vectoriel E admet un générateur fini, alors toutes les bases de E sont finies.

Théorème de la base incomplète

Jusqu’à présent, nous avons discuté des familles libres, génératrices et des bases. Nous savons que ; est une famille
libre (par convention !) et que l’espace E est générateur de lui-même, c’est-à-dire E = vectK (E). Mais la question reste :
est-ce la même chose pour une base ?
Dans cette section, nous allons présenter un théorème fondamental qui affirme positivement que tout espace vectoriel
admet toujours une base. Ce théorème fournit également une méthode pratique pour trouver une base, en utilisant
une famille libre et génératrice, appelée méthode de complétion.

Théorème 1 (Théorème de la base incomplète).

Soit E un espace vectoriel, L = (v1 , . . . , vn ) une famille libre de E et G = (w1 , . . . , w m ) une famille génératrice de E. Il
existe G ′ ⊆ G tel que L ∪ G ′ soit une base de E.

Pratiquement, ce théorème signifie que l’on peut compléter L en ajoutant progressivement des éléments de G jusqu’à
obtenir une base de E.
Conséquences immédiates du théorème ci-dessus :
• Un système libre peut être complété pour former une base (en prenant G = E).
• Un système générateur contient toujours une base (en prenant L = ;).
• Tout espace vectoriel admet une base (en prenant L = ; et G = E).
Exemple 14.
Dans R3 , le système
{(1, 1, 0), (1, −1, 0)}
est libre. On peut donc le compléter par des vecteurs de la base canonique
{(1, 0, 0), (0, 1, 0), (0, 0, 1)}
3
et obtenir une base de R . On vérifie que les systèmes
{(1, 1, 0), (1, −1, 0), (1, 0, 0)} et {(1, 1, 0), (1, −1, 0), (0, 1, 0)}
sont liés, et que
{(1, 1, 0), (1, −1, 0), (0, 0, 1)}
est libre. Donc la base cherchée est
{(1, 1, 0), (1, −1, 0), (0, 0, 1)}.

Proposition 16.
Soit E un espace vectoriel, L une partie libre de E, et G un système générateur de E. Pour tout x ∈ L, il existe x 0 ∈ G
tel que :
(L \ {x}) ∪ {x 0 }
/ L \ {x}.
soit une partie libre, et x 0 ∈
ESPACES VECTORIELS DE DIMENSION FINIE . 14

Théorème de la dimension
Dans cette section, nous allons présenter un deuxième théorème fondamental de l’algèbre linéaire, qui permet de
définir la notion de dimension des espaces vectoriels.

Définition 14.
Soit A un ensemble fini. Le cardinal de A, noté |A| ou card(A), est le nombre d’éléments de cet ensemble.

Exemples :
• Soit A = {1, 2, 3}. Le cardinal de A est |A| = 3, car A contient 3 éléments.
Le deuxième théorème fondamental de l’algèbre linéaire est le suivant :

Théorème 2 (Théorème de la dimension).

Soit E un espace vectoriel et B = (e1 , . . . , en ) une base de E. Si B ′ est une autre base de E. Alors :
|B ′ | = |B| = n.

Définition 15.
Soit E un espace vectoriel sur K admet une base finie. Le cardinal d’une base de E s’appelle la dimension de l’espace
vectoriel E, notée dimK (E) ou, plus simplement, dim(E) lorsqu’il n’y a pas de risque de confusion.

Exemple 15. • dim(Kn ) = n.

• L’espace vectoriel trivial {0 E } a pour base l’ensemble vide, donc dim({0 E }) = 0.
• Si L est une famille finie et libre d’un espace vectoriel, alors dim(vectK (L)) = |L|.
• Une base de Kn [X ] est (1, X , . . . , X n ), donc dim(Kn [X ]) = n + 1.
• L’élément {1} est une base de K en tant que K-espace vectoriel, et donc dimK (K) = 1. En particulier, la dimension
de C en tant que C-espace vectoriel est dimC (C) = 1.
• Nous venons de montrer que {1, i} est une base de l’espace vectoriel C considéré comme un espace vectoriel sur R,
donc dimR (C) = 2. Cela montre que le choix du corps sur lequel est défini un espace vectoriel a un effet sur sa
base et, par conséquent, sur sa dimension.

Proposition 17 (Conséquences des théorèmes de la base incomplète et de la dimension).

Soit E un espace vectoriel de dimension finie n :
• Tout système libre contient au plus n éléments ; en particulier, tout système de plus de n éléments est lié.
• Tout système libre de n éléments est une base de E.
• Tout système générateur contient au moins n éléments ; en particulier, tout système de moins de n éléments n’est
pas générateur.
• Tout système générateur de n éléments est une base de E.

Proposition 18.
Soit E un espace vectoriel de dimension finie, et soit B une famille de vecteurs de E. Les assertions suivantes sont
équivalentes :
1. B est une base de E ;
2. B est une famille génératrice minimale (au sens du cardinal) de E ;
3. B est une famille libre maximale (au sens du cardinal) de E.

Exemple 16. • Dans E = R3 , la famille {(1, 1, 0), (1, 1, 4), (0, 7, 8), (1, 1, 1)} est liée.
• Dans E = R2 , la famille {(1, 1), (1, −1)} est une base.
• Dans E = R4 , la famille {(1, 5, 5, 7), (8, 4, 7, 2), (5, 1, 1, 2)} n’est pas génératrice.
Remarque. • Dans un espace vectoriel de dimension finie n, si un système a n éléments, pour montrer qu’il est une
base, il suffit de prouver qu’il est soit libre, soit générateur.
Par exemple, pour établir que la famille
{(2, 3, 5), (7, 9, 11), (13, 17, 19)}
3
est une base de R , il suffit de vérifier qu’elle est libre ou génératrice.
ESPACES VECTORIELS DE DIMENSION FINIE . 15

• Dans un espace vectoriel de dimension finie, le processus de complétion de proche en proche s’arrête nécessaire-
ment ; sinon, on construirait un système libre infini, ce qui contredirait la finitude de la dimension.

Base et dimension d’une somme directe

Cherchons à déterminer une base ainsi que la dimension d’une somme directe de sous-espaces en fonction des bases
de ces sous-espaces. Nous établissons la proposition suivante :

Proposition 19.
Soient F1 , F2 , . . . , Fn des sous-espaces vectoriels d’un espace vectoriel E. Pour chaque indice i ∈ {1, . . . , n}, soit Bi une
famille génératrice de Fi . Alors, la réunion B = B1 ∪B2 ∪· · ·∪Bn est une famille génératrice de la somme F1 + F2 +· · ·+ Fn .
De plus, si les familles Bi sont deux à deux disjointes (c’est-à-dire Bi ∩ B j = ; pour i = ̸ j), alors B est une base de
F1 + F2 + · · · + Fn si et seulement si la somme est directe.

Cette proposition implique que si les ensembles B1 , B2 , . . . , Bn sont deux à deux disjoints et que B1 ∪ B2 ∪ · · · ∪ Bn est
une famille libre, alors la somme vectK (B1 ) + vectK (B2 ) + · · · + vectK (Bn ) est une somme directe.
Exemple 17.
Soit B = (e1 , e2 , e3 , e4 ) une base de R4 . Posons F1 = vectK (e1 ), F2 = vectK (e2 ), F3 = vectK (e3 , e4 ). Alors F1 + F2 + F3
est une somme directe.

Corollaire 2.
Soient F1 , F2 , . . ., Fn des sous-espaces vectoriels d’un espace vectoriel E de dimension finie. On a :
dim(F1 + F2 + · · · + Fn ) ⩽ dim(F1 ) + dim(F2 ) + · · · + dim(Fn ),
avec égalité si et seulement si la somme est directe.

Définition 16.
Soit M un sous-espace vectoriel d’un espace vectoriel E. Un sous-espace vectoriel N de E est appelé supplémentaire
de M dans E si les deux conditions suivantes sont satisfaites :
• E = M + N (somme des sous-espaces),
• M ∩ N = {0 E } (intersection triviale).
On note alors E = M ⊕ N .

Remarque. • Les sous-espaces {0 E } et E sont supplémentaires l’un de l’autre.

• Dans le cas où E = M ⊕ N , les sous-espaces M et N sont mutuellement supplémentaires.

Proposition 20 (Existence d’un supplémentaire).

Tout sous-espace vectoriel F d’un espace vectoriel E admet au moins un supplémentaire dans E.

Corollaire 3.
Pour tout sous-espace vectoriel F d’un espace vectoriel E de dimension fini :
1. dim(F ) ⩽ dim(E),
2. Si dim(F ) = dim(E), alors F = E.

Rang d’une famille de vecteurs

Définition 17.
Soit F = (v1 , . . . , vn ) une famille finie de vecteurs d’un K-espace vectoriel E, la dimension de l’espace vectK (F )
engendré par F s’appelle le rang de F et noté par rg(F ).

Proposition 21.
Soit F une famille finie de vecteurs de E, alors
rg(F ) ⩽ min{dim (E), card(F )}.
ESPACES VECTORIELS DE DIMENSION FINIE . 16

Applications linéaires et Matrices

Applications linéaires
Soit E et E ′ des K-espaces vectoriels. Parmi les applications les plus pertinentes entre ces deux espaces, ce sont celles
qui respectent la structure d’espace vectoriel des deux espaces.

Définition 18.
Soient E et E ′ deux espaces vectoriels sur K. Une application f : E → E ′ est dite linéaire si elle satisfait les deux
propriétés suivantes :
∀x, x ′ ∈ E, f (x + x ′ ) = f (x) + f (x ′ ),
∀x ∈ E, ∀α ∈ K, f (αx) = α f (x).
On désigne par L(E, E ) l’ensemble des applications linéaires de E vers E ′ .
′

Remarque.
Les deux conditions précédentes peuvent être regroupées en une seule, exprimée ainsi :
∀x, x ′ ∈ E, ∀α ∈ K, f (αx + x ′ ) = α f (x) + f (x ′ ).
Comme conséquences immédiates de la linéarité, on obtient les résultats suivants :

Proposition 22.
Soit f : E → E ′ une application linéaire. Alors, on a :
1. f (0 E ) = 0 E ′ .
2. Pour tout x ∈ E, on a f (−x) = − f (x).
3. Pour tout x ∈ E et tout n ∈ Z, on a f (nx) = n f (x).
4. Pour tous λ1 , . . . , λn ∈ E et v1 , . . . , vn ∈ E, on a : f (α1 v1 + · · · + αn vn ) = α1 f (v1 ) + · · · + αn f (vn ).

Exemple 18. 1. Soit f : R2 → R3 définie par :

f (x, y) = (x + 2 y, 3x + 5 y, 7x + 11 y) .
Pour vérifier la linéarité, on calcule :
f (α(x, y) + (x ′ , y ′ )) = f (αx + x ′ , α y + y ′ )

= αx + x ′ + 2(α y + y ′ ), 3(αx + x ′ ) + 5(α y + y ′ ),

7(αx + x ′ ) + 11(α y + y ′ )

= α f (x, y) + f (x ′ , y ′ ).
2. Soit f : Kn [X ] → Kn [X ], définie par :
f (P) = (X + 1)P(X ) − X P(X + 1).
Pour vérifier la linéarité, on calcule :
f (αP + Q) = (X + 1) (αP(X ) + Q(X )) − X (αP(X + 1) + Q(X + 1))
= α ((X + 1)P(X ) − X P(X + 1)) + ((X + 1)Q(X ) − X Q(X + 1))
= α f (P) + f (Q).

Proposition 23. • Soient f , g : E → E ′ linéaires, alors f + g : E → E ′ est linéaire.

• Soient f : E → E ′ linéaire, α ∈ K, alors α f : E → E ′ est linéaire.
• Soient f : E → E ′ et g : E ′ → E ′′ linéaires, alors g ◦ f : E → E ′′ est linéaire.
• Soit f : E → E ′ linéaire et bijective, alors f −1 : E ′ → E est linéaire.

Les deux premières propriétés montrent que :

Proposition 24.
(L(E, E ′ ), +, ·) est un espace vectoriel sur K.
ESPACES VECTORIELS DE DIMENSION FINIE . 17

Proposition 25.
Soient f , g : E → E ′ et h, u : E ′ → E ′′ linéaires, et α, β ∈ K. On a :
• h ◦ (α f + β g) = α(h ◦ f ) + β(h ◦ g).
• (αh + βu) ◦ f = α(h ◦ f ) + β(u ◦ f ).

Définition 19.
Soit E un espace vectoriel. Une application linéaire f : E → E s’appelle un endomorphisme de E. On note
L(E) (= L(E, E)) l’ensemble des endomorphismes de E.

Définition 20.
Soit E un espace vectoriel. Une application linéaire bijective f : E → E s’appelle un automorphisme de E. On note
G L(E) l’ensemble des automorphismes de E.

Il résulte des propositions ci-dessus que :

Proposition 26.
(G L(E), ◦) est un groupe.

Remarque.
Le groupe G L(E) et ses sous-groupes jouent un rôle important en géométrie et en physique.

Proposition 27.
Soit f : E → E ′ linéaire :
• L’image f (F ) := { f (x)|x ∈ F } d’un sous-espace vectoriel F de E est un sous-espace vectoriel de E ′ .
• L’image réciproque f −1 (F ′ ) := {x ∈ E| f (x) ∈ F ′ } d’un sous-espace vectoriel F ′ de E ′ est un sous-espace vectoriel de
E.

Définition 21.
Soit f : E → E ′ une application linéaire.
1. Le noyau de f , noté Ker( f ), est le sous-espace vectoriel de E défini par :
Ker( f ) = f −1 ({0 E ′ }) = {x ∈ E | f (x) = 0 E ′ }.
2. L’image de f , notée Im( f ), est le sous-espace vectoriel de E ′ défini par :
Im( f ) = { f (x) | x ∈ E}.

Proposition 28.
Soit f : E → E ′ une application linéaire. On a :
f injective ⇐⇒ Ker( f ) = {0 E }.
f surjective ⇐⇒ Im( f ) = E ′ .

Démonstration. Si f est injective, alors x ∈ ker( f ) ⇒ f (x) = f (0) = 0 ⇒ x = 0. Inversement, si Ker( f ) = {0}, f est
injective, car f (x) = f (x ′ ) ⇒ f (x − x ′ ) = 0 ⇒ x − x ′ ∈ ker( f ) = {0} ⇒ x = x ′ .

Exemple 19.
Soient E = K[X ] et f : E → E l’application définie par : f (P) = P ′ − P. On vérifie que f est linéaire. Calculons ker( f ) :
f (P) = 0 ⇐⇒ P ′ − P = 0 ⇐⇒ P = P ′ .
Or, on a toujours d(P ′ ) ⩽ d(P) − 1, donc P = 0, donc ker( f ) = {0}, donc f est injective.

Proposition 29.

Soit f : E → E ′ linéaire. Si B = (e1 , . . . , en ) est une famille génératrice de E, alors f (e1 ), . . . , f (en ) est une famille
génératrice de Im( f ).

Définition 22.
Soit f : E → E ′ linéaire. On appelle rang de l’application linéaire f la dimension de Im( f ). On le note rg( f ).

On déduit immédiatement de la proposition précédente le résultat suivant :

ESPACES VECTORIELS DE DIMENSION FINIE . 18

Corollaire 4.
Soit f : E → E ′ une application linéaire, où E est un espace vectoriel de dimension finie, et soit B = (e1 , . . . , en ) une
base de E. Alors :


rg( f ) = rg f (e1 ), . . . , f (en ) .

Théorème 3 (Théorème du rang).

Soit f : E → E ′ linéaire. Supposons que E ait une dimension finie. On a :
rg( f ) + dim(ker( f )) = dim(E).

Exemple 20. 1. Considérons l’application linéaire g : R3 → R2 définie par

g(a, b, c) = (2a − b + c, a + 3b − 2c).
• Noyau :
¨ ¨ «
2a − b + c = 0
ker(g) = (a, b, c) ∈ R3 | = vect{(1, −5, −7)}.
a + 3b − 2c = 0
Ainsi, dim(ker(g)) = 1.
• Image :
rg(g) = dim(R3 ) − dim(ker(g)) = 3 − 1 = 2, et donc Im(g) = R2 .
Ainsi g est surjective mais n’est pas injective.
2. Soit h : R2 → R4 définie par
h(u, v) = (u + v, 2u − v, 3u + 4v, −u + 5v).
• Noyau :
ker(h) = {(0, 0)}.
• Image :
Im(h) = vect{(1, 2, 3, −1), (1, −1, 4, 5)}, dim(Im(h)) = 2.
Ainsi h est injective mais n’est pas surjective.

Proposition 30.
Soit f : E → E ′ linéaire. Supposons que dim(E) et dim(E ′ ) soient finies et que dim(E) = dim(E ′ ). On a :
f bijective ⇐⇒ f injective ⇐⇒ f surjective.

Corollaire 5.
Soit E un espace vectoriel de dimension finie. Soit f ∈ L(E), on a :
f bijective ⇐⇒ f injective ⇐⇒ f surjective.

Il existe une sorte de bijection entre les applications linéaires et les systèmes de vecteurs (et nous verrons plus loin
avec les matrices). Comme cas particulier de la proposition ci-dessus, on a :

Proposition 31.
Soit f : E → E ′ linéaire, et B = (e1 , . . . , en ) une base

de E. On a :
• f injective si et seulement si f (e1 ), . . . , f (en )
est libre.
• f surjective si et seulement si f (e1 ), . . . , f (en
) est un générateur de E ′ .
• f bijective si et seulement si f (e1 ), . . . , f (en ) est une base de E ′ .
ESPACES VECTORIELS DE DIMENSION FINIE . 19

Représentation matricielle d’une application linéaire

Base et dimension de l’espace des matrices

Proposition 32.
Pour tout couple d’indices (r, s) avec 1 ⩽ r ⩽ m et 1 ⩽ s ⩽ n, on définit la matrice A rs = (ai j ) ∈ Mm,n (K) par :
¨
1 si (i, j) = (r, s)
ai j =
0 sinon
Alors, l’ensemble {A rs }1⩽ r ⩽m, 1⩽s⩽n forme une base de l’espace vectoriel Mm,n (K).

Corollaire 6.
L’espace vectoriel Mm,n (K) est de dimension finie, et on a :
dim(Mm,n (K)) = m × n.

Exemple 21.
Considérons l’espace vectoriel M2,3 (R), l’ensemble des matrices à 2 lignes et 3 colonnes à coefficients réels.
On peut construire une base de cet espace en utilisant les matrices A rs définies comme dans la proposition précédente,
c’est-à-dire les matrices ayant un seul coefficient égal à 1 à la position (r, s), et 0 ailleurs.
Explicitement, la base de M2,3 (R) est formée des six matrices suivantes :
     
1 0 0 0 1 0 0 0 1
A11 = , A12 = , A13 = ,
0 0 0 0 0 0 0 0 0
     
0 0 0 0 0 0 0 0 0
A21 = , A22 = , A23 = .
1 0 0 0 1 0 0 0 1
Ces matrices sont linéairement indépendantes et toute matrice de M2,3 (R) peut s’écrire comme une combinaison
linéaire de celles-ci. Ainsi, elles forment une base de M2,3 (R), et donc dim M2,3 (R) = 2 × 3 = 6.

Matrice associée à une application linéaire

Soient :
• E et E ′ deux espaces vectoriels de dimensions finies n et m respectivement
• B = (e1 , e2 , . . . , en ) une base de E
• B ′ = (ϵ1 , ϵ2 , . . . , ϵm ) une base de E ′
• f : E → E ′ une application linéaire
Pour chaque vecteur e j de la base B, son image f (e j ) ∈ E ′ s’exprime dans la base B ′ par :
f (e j ) = a1 j ϵ1 + . . . am j ϵm pour j = 1, . . . , n
Pn
Soit x ∈ E de décomposition x = j=1 x j e j dans la base B. Son image s’écrit :
!
n
X n X
X m m
X n
X
f (x) = x j f (e j ) = x j ai j ϵi = ai j x j ϵi
j=1 j=1 i=1 i=1 j=1

Cette écriture montre que :

€P Š
n Pn
1. Les coordonnées de f (x) dans B ′ sont j=1 a1 j x j , . . . , j=1 am j x j

2. Les coefficients ai j caractérisent complètement f par rapport aux bases B et B ′

3. Ces coefficients constituent la matrice représentative de f dans les bases choisies

Proposition 33.
Soit f : E → E ′ linéaire. Soit B = (e1 , e2 , . . . , en ) et B ′ = (ϵ1 , ϵ2 , . . . , ϵm ) des bases respectives de E et E ′ . Il existe une
Pn
matrice unique A = (ai j ) ∈ Mm,n (K) vérifiant pour tout x ∈ E, avec x = i=1 x i ei :
!
Xm X n
f (x) = ai j x j ϵi .
i=1 j=1
ESPACES VECTORIELS DE DIMENSION FINIE . 20

Définition 23.
Soit f : E → F une application linéaire, et soient B une base de E, B ′ une base de F . La matrice (ai j ) représentant
f dans les bases B et B ′ est appelée la matrice de l’application linéaire f dans les bases B et B ′ . On la note
MBB ′ ( f ). En particulier, si f est un endomorphisme de E (c’est-à-dire E = F ), alors on note simplement MB ( f )
au lieu de MBB ( f ).

On a donc la matrice de f sous la forme :

f (e1 ) f (e2 ) · · · f (en )

 
a11 a12 · · · a1n
MBB ′ ( f ) =
 a21 a22
 · · · a2n  
 . .. .. .. 
 .. . . . 
am1 am2 · · · amn

Proposition 34.
Soit f : E → E ′ une application linéaire, et soient B = (e1 , . . . , en ) et B ′ = (ϵ1 , . . . , ϵm ) des bases respectives de E et
E ′ . Soit x ∈ E tel que :
x = x 1 e1 + x 2 e2 + · · · + x n en ,
et
f (x) = y1 ϵ1 + y2 ϵ2 + · · · + ym ϵm .
Alors, les coordonnées de f (x) dans B ′ sont données par :
   
y1 x1
 y2   x2
 .  = MBB ′ ( f )  . 
   
 ..   .. 
ym xn
En notant MB (x) le vecteur colonne des coordonnées de x dans B, et MB ′ ( f (x)) celui de f (x) dans B ′ , la formule
s’écrit :
MB ′ ( f (x)) = MBB ′ ( f ) · MB (x)

Proposition 35.
Soient E et E ′ deux espaces vectoriels de dimension finie sur K. Soit f : E → E ′ linéaire. Soit B = (e1 , e2 , . . . , en ) et
B ′ = (ϵ1 , ϵ2 , . . . , ϵm ) des bases respectives de E et E ′ . L’application f 7→ MBB ′ ( f ) est une bijection entre L(E, E ′ ) et
Mm,n (K). Ainsi,
dim(L (E, E ′ )) = dim(E) × dim(E ′ ).

Exemple 22.
Considérons l’application linéaire g : R3 → R2 définie par :
g(a, b, c) = (2a − b + c, a + 3b − 2c)
Construction matricielle :
1. Bases canoniques :
B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} (base de R3 )
B ′ = {(1, 0), (0, 1)} (base de R2 )
2. Images des vecteurs de base :
g(1, 0, 0) = (2, 1) = 2 · (1, 0) + 1 · (0, 1)
g(0, 1, 0) = (−1, 3) = −1 · (1, 0) + 3 · (0, 1)
g(0, 0, 1) = (1, −2) = 1 · (1, 0) − 2 · (0, 1)
3. Matrice associée :  
2 −1 1
MBB ′ (g) =
1 3 −2
ESPACES VECTORIELS DE DIMENSION FINIE . 21

Exemple 23.
Soit SM2 (R) := {A ∈ M2 (R)|AT = A} l’espace vectoriel des matrices réelles 2 × 2 symétriques et h : SM2 (R) → S M2 (R)
l’endomorphisme défini par :
a+b
   
a b 2b
h =
b d 2b b+d
Construction matricielle :
1. Base canonique de S M2 (R) :
     
1 0 0 1 0 0
B= , ,
0 0 1 0 0 1
2. Images des vecteurs de base :
         
1 0 1 0 1 0 0 1 0 0
h = =1 +0 +0 ;
0 0 0 0 0 0 1 0 0 1
         
0 1 1 2 1 0 0 1 0 0
h = =1 +2 +1 ;
1 0 2 1 0 0 1 0 0 1
         
0 0 0 0 1 0 0 1 0 0
h = =0 +0 +1 .
0 1 0 1 0 0 1 0 0 1
3. Matrice associée :  
1 1 0
MBB (h) = 0
 2 0
0 1 1

Proposition 36.
Soient f , g : E → E ′ , h : E ′ → E ′′ des applications linéaires entre des espaces vectoriels de dimensions finies, et B, B ′ ,
B ′′ des bases respectives de E, E ′ et E ′′ . Pour tout λ ∈ K, on a :
1. Additivité :
MBB ′ ( f + g) = MBB ′ ( f ) + MBB ′ (g)
2. Homogénéité :
MBB ′ (λ f ) = λ · MBB ′ ( f )
3. Composition :
MBB ′′ (h ◦ f ) = MB ′ B ′′ (h) · MBB ′ ( f )

Proposition 37.
Soit f : E → E ′ une application linéaire entre deux espaces vectoriels de dimension finie, et soient B et B ′ des bases
respectives de E et E ′ . Alors f est bijective si et seulement si la matrice associée MBB ′ ( f ) est inversible. Dans ce cas, on
a:
MB ′ B ( f −1 ) = MBB ′ ( f )−1 .

Exemple 24.
1. Soient f , g : R3 → R2 des applications linéaires. On donne les matrices de f et g dans les bases canoniques
respectives de R3 et R2 :
   
3 2 5 2 28 10
MBB ′ ( f ) = , MBB ′ (g) = .
1 6 7 1 15 9
On veut expliciter 5 f + 2g. On a :
     
15 10 25 4 56 20 19 66 45
MBB ′ (5 f + 2g) = 5MBB ′ ( f ) + 2MBB ′ (g) = + = .
5 30 35 2 30 18 7 60 53
Ainsi, pour x = (x 1 , x 2 , x 3 ) ∈ R3 , on écrit x = x 1 e1 + x 2 e2 + x 3 e3 . Posons (5 f + 2g)(x) = ( y1 , y2 ), alors on a :
 
    x1
y1 19 66 5  
= x2 ,
y2 3 60 53
x3
ce qui donne les équations :
y1 = 19x 1 + 66x 2 + 5x 3 , y2 = 3x 1 + 60x 2 + 53x 3 .
ESPACES VECTORIELS DE DIMENSION FINIE . 22

2. Soient f : R4 → R2 et g : R2 → R3 des applications linéaires. On donne les matrices de f et g dans les bases
canoniques respectives de R4 , R2 et R3 :
 
  3 11
2 1 1 0
MBB ′ ( f ) = , MB ′ B ′′ (g) = 1 4  .
3 5 2 1
2 8
On veut expliciter g ◦ f . On a :
   
3 11   39 52 19 11
2 1 1 0
MBB ′′ (g ◦ f ) = MB ′ B ′′ (g)MBB ′ ( f ) = 1
 4 = 14
 19 7 4 .
3 5 2 1
2 8 20 42 18 8
Ainsi, pour x = (x 1 , x 2 , x 3 , x 4 ) ∈ R , on écrit x = x 1 e1 + x 2 e2 + x 3 e3 + x 4 e4 . Posons (g ◦ f )(x) = ( y1 , y2 , y3 ), alors on
4

a:  
    x1
y1 39 52 19 11  
 y2  = 14 19 7 x2
4  x3 ,
y3 20 42 18 8
x4
ce qui donne les équations :
y1 = 39x 1 + 52x 2 + 19x 3 + 11x 4 , y2 = 14x 1 + 19x 2 + 7x 3 + 4x 4 , y3 = 20x 1 + 42x 2 + 18x 3 + 8x 4 .

Changement de base
Que deviennent les matrices MB (x) et MBB ′ ( f ) lorsqu’on change de base ?

Définition 24 (Matrice de passage).

Soit E un espace vectoriel de dimension finie, et soient B = (e1 , . . . , en ) et B ′ = (e1′ , . . . , en′ ) deux bases de E. Pour
chaque j ∈ {1, . . . , n}, on écrit :
e′j = a1 j e1 + · · · + an j en .
La matrice PBB ′ = (ai j ) est appelée matrice de passage de B vers B ′ , et elle s’écrit :
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
PBB ′ =  . ..  .
 
.. ..
 .. . . . 
an1 an2 . . . ann
Cette matrice permet d’exprimer les coordonnées d’un vecteur dans la base B à partir de celles dans la base B ′ .

Exemple 25.
Considérons dans R2 la base B1 = {(−1, 4), (2, −3)} et la base canonique B2 = {(1, 0), (0, 1)}. Déterminons la
matrice de passage PB1 B2 , c’est-à-dire la matrice exprimant les vecteurs de la base B2 en coordonnées dans la base
B1 . Pour cela, cherchons les coordonnées des vecteurs de B2 dans la base B1 , autrement dit, exprimons les vecteurs
(1, 0) et (0, 1) comme des combinaisons linéaires des vecteurs de B1 .
Posons (1, 0) = a(−1, 4) + b(2, −3). Cela revient à résoudre le système :

−a + 2b = 1

4a − 3b = 0

3 3 5 4
La seconde équation donne 4a = 3b ⇒ a =
b. En remplaçant dans la première : − b + 2b = 1 ⇒ b = 1 ⇒ b = .
4 4 4 5
3 4 3 3 4
Donc a = · = . Ainsi, (1, 0) = (−1, 4) + (2, −3), ce qui donne les coordonnées du premier vecteur de B2
4 5 5 5 5
dans la base B1 .
Faisons de même avec le vecteur (0, 1) = c(−1, 4) + d(2, −3). On obtient :

−c + 2d = 0

4c − 3d = 1
ESPACES VECTORIELS DE DIMENSION FINIE . 23

1 2
La première équation donne c = 2d. Substituons dans la seconde : 4(2d) − 3d = 1 ⇒ 5d = 1 ⇒ d = , et donc c = .
5 5
2 1
On a alors (0, 1) = (−1, 4) + (2, −3). Par conséquent, la matrice de passage PB1 B2 s’écrit :
5 5
3 2

PB1 B2 =  5
4 1
5

5 5
Remarque.
La matrice de passage PBB ′ est la matrice de l’application identité I E : x 7→ x dans les bases B ′ et B, soit :
PBB ′ = MB ′ B (I E ).
On a en particulier :
−1
PB ′ B = PBB ′.

Proposition 38.
Soient B = (e1 , . . . , en ) et B ′ = (e1′ , . . . , en′ ) deux bases de l’espace vectoriel E, et soit x ∈ E tel que :
x = x 1 e1 + · · · + x n en = x 1′ e1′ + · · · + x n′ en′ .
Alors, les coordonnées de x dans les deux bases sont reliées par :
   ′
x1 x1
 x2 x′ 
 2
 .  = PBB ′  .  ,
 
 ..   .. 
xn x n′
ce qui se note aussi :
MB (x) = PBB ′ · MB ′ (x).

Remarque.
Contrairement à ce que l’on pourrait souhaiter, cette formule donne les coordonnées dans l’ancienne base en fonction
des coordonnées dans la nouvelle. Toutefois, c’est bien cette version que l’on utilise en pratique, car elle permet de
reformuler les équations dans le nouveau système de coordonnées.

Proposition 39 (Formule de changement de base).

Soit f : E → E ′ une application linéaire, et soient B1 , B1′ des bases de E, B2 , B2′ des bases de E ′ . Soient P = PB1 B1′ et
Q = PB2 B2′ les matrices de passage correspondantes. Alors la matrice de f dans les nouvelles bases s’obtient par la
formule :
MB1′ B2′ ( f ) = Q−1 · MB1 B2 ( f ) · P.

Le diagramme ci-dessous aide à retenir la formule changement de base :

f
(E, B1 ) (E ′ , B2 )

IE I E′

f
(E, B1′ ) (E ′ , B2′ )

Exemple 26.
Soit f : R2 → R3 , défini par : f (x, y) = (x + 2 y, 3x − 5 y, 6x − y). Soit B1 , B2 les bases canoniques respectivement
de R2 et R3 . Posons :
B1′ = ((1, 1), (2, 3)) , B2′ = ((1, 1, 0), (1, 0, 1), (0, 1, 1))
La matrice MB1 B2 ( f ) se lit directement sur l’écriture de f :
 
1 2
MB1 B2 ( f ) = 3 −5
6 −1
Nous allons maintenant calculer MB1′ B2′ ( f ) par calcul direct. Nous devons exprimer f (1, 1) et f (2, 3) en termes des
coordonnées dans B2′ :
f (1, 1) = (3, −2, 5) = a(1, 1, 0) + b(1, 0, 1) + c(0, 1, 1)
ESPACES VECTORIELS DE DIMENSION FINIE . 24

On résout le système :
a + b = 3, a + c = −2, b + c = 5
On trouve a = 2, b = 1, c = 4, donc f (1, 1) = 2(1, 1, 0) + 1(1, 0, 1) + 4(0, 1, 1).
De même pour f (2, 3) = (8, −9, 9), en résolvant le système associé, on obtient : f (2, 3) = −5(1, 1, 0) + 13(1, 0, 1) −
4(0, 1, 1). Finalement, la matrice MB1′ B2′ ( f ) est :
 
2 −5
MB1′ B2′ ( f ) = 1 13 
4 −4
En vérifiant que la formule MB1′ B2′ ( f ) = Q−1 MB1 B2 ( f )P est bien respectée, on trouve les matrices Q−1 et P, et on
vérifie que le calcul est correct.

Rang d’une matrice

Définition 25 (Rang d’une matrice).

Soit A ∈ Mm,n (K) une matrice de taille m × n, et soient c1 , c2 , . . . , cn ∈ Km les vecteurs colonnes de A. On appelle
rang de la matrice A, noté rg(A), le rang du système (c1 , c2 , . . . , cn ), c’est-à-dire la dimension du sous-espace vectoriel
de Km engendré par ses colonnes.

Proposition 40 (Lien avec les applications linéaires).

Soit f : E → E ′ une application linéaire entre deux espaces vectoriels de dimensions finies, et soient B et B ′ des bases
respectives de E et E ′ . Alors, le rang de f est égal au rang de sa matrice dans les bases B et B ′ :
rg( f ) = rg(MBB ′ ( f )).

Définition 26 (Matrice associée à un système de vecteurs).

Soit E un espace vectoriel de dimension finie. Étant donnée une base B = (e1 , e2 , . . . , em ) de E et un système de
vecteurs S = (v1 , v2 , . . . , vn ) de E, chaque vecteur v j peut s’écrire de manière unique comme une combinaison
linéaire des vecteurs de la base B :
v j = a1 j e1 + · · · + am j em .
La matrice A = (ai j ) ∈ Mm,n (K) ainsi obtenue est appelée matrice du système S dans la base B, et est notée
MB (S). Son déterminant, lorsque la matrice est carrée (i.e. m = n), est noté detB (S).

Remarque.
Si le système S constitue lui-même une base de E, ce qui équivaut à dire que detB (S) ̸= 0, alors la matrice MB (S)
correspond à la matrice de passage de la base B vers la base S , notée PB S .

Proposition 41.
Soit E un espace vectoriel de dimension finie, B une base de E, et S un système de vecteurs de E. On a l’égalité suivante :
rg(S) = rg(MB (S)).

Proposition 42.
Soit A ∈ Mm,n (K). Les propriétés suivantes sont vraies :
• rg(A) = 0 si et seulement si A est la matrice nulle ;
• rg(AT ) = rg(A) ;
• rg(A) ⩽ min(m, n).

Proposition 43.
Soit A ∈ Mn (K). Les assertions suivantes sont équivalentes :
• rg(A) = n ;
• A est inversible ;
• det(A) ̸= 0 ;
• Les colonnes de la matrice A forment une famille libre ;
• Les lignes de la matrice A forment une famille libre.
ESPACES VECTORIELS DE DIMENSION FINIE . 25

Proposition 44.
Le rang d’une matrice A ∈ Mm,n (K) est égal à l’ordre du plus grand mineur (déterminant d’une sous-matrice carrée)
non nul extrait de A.

Exemple 27.
Soit la matrice  
1 2 3
A = 4 5 6  .
7 8 9
Cherchons l’ordre du plus grand mineur non nul extrait de A.
1. Calculons le déterminant de A (mineur d’ordre 3) :
1 2 3
det(A) = 4 5 6 = 0.
7 8 9
Donc le rang n’est pas 3.
2. Cherchons un mineur d’ordre 2 non nul. Par exemple :
1 2
= 1 × 5 − 2 × 4 = 5 − 8 = −3 ̸= 0.
4 5
Il existe un mineur d’ordre 2 non nul, donc le rang de A est 2.

Exemple 28.
Soit la matrice  
1 0 2 3
B = 0 1 −1 4 .
2 1 3 1
1. Comme B est de taille 3 × 4, la plus grande sous-matrice carrée possible est d’ordre 3.
2. Considérons la sous-matrice formée par les 3 premières colonnes :
 
1 0 2
M = 0 1 −1 .
2 1 3
Calculons :
1 −1 0 −1 0 1
det(M ) = 1 · −0· +2· = 1(1 · 3 − (−1) · 1) + 2(0 · 1 − 1 · 2) = 1(3 + 1) + 2(−2) = 4 − 4 = 0.
1 3 2 3 2 1

Ce mineur vaut 0. Essayons une autre combinaison de colonnes, par exemple colonnes 1, 2 et 4 :
 
1 0 3
M ′ = 0 1 4  .
2 1 1
Calculons son déterminant :
1 4 0 4 0 1
det(M ′ ) = 1 · −0· +3· = 1(1 · 1 − 4 · 1) + 3(0 · 1 − 1 · 2) = 1(−3) + 3(−2) = −3 − 6 = −9 ̸= 0.
1 1 2 1 2 1
Donc le rang de B est 3.

Proposition 45.
Le rang d’une matrice ne change pas sous les opérations élémentaires suivantes :
• Permuter deux lignes (ou colonnes),
• Multiplier une ligne (ou colonne) par un scalaire non nul,
• Ajouter à une ligne (ou colonne) une combinaison linéaire des autres lignes (ou colonnes).