19 - Algèbre linéaire, théorie générale

Jeremy Daniel

On désigne par K un corps quelconque.

Quand ce n’est pas explicitement précisé, E est un K-espace vectoriel.

1 Espaces vectoriels
1.1 Espace vectoriel
Exemples 1.1
− E = Kn , ensemble des n-uplets dans K ;
− E = K[X], ensemble des polynômes à coefficients dans K ;
− E = K(X), ensemble des fractions rationnelles à coefficients dans K ;
− L’ensemble E des solutions d’un système linéaire homogène à coefficients dans K ;
− L’ensemble E des solutions d’une équation différentielle homogène y ′′ = ay ′ + by, où
a et b sont des constantes fixées dans K et y est une fonction inconnue de R dans K ;
− L’ensemble E des suites (un ) récurrentes linéaires d’ordre 2 vérifiant
∀n ∈ N : un+2 = aun + bun+1 ,
où a et b sont des constantes fixées dans K.
Remarque 1.2
Dans tous ces exemples :
− E est stable par somme ; c’est-à-dire que la somme de deux éléments de E est encore
dans E.
− E est stable par multiplication par une constante dans K : si on fait le produit d’un
élément de E et d’une constante dans K, on est encore dans E.

Définition 1.3 (Espace vectoriel)

Un espace vectoriel sur K (ou K-espace vectoriel) est un ensemble E, muni d’une loi de
composition interne notée + (
E × E → E,
(x, y) 7→ x + y
et d’une application (
K × E → E,
(α, x) 7→ α · x

1
appelée multiplication externe, tel que :
− (E, +) est un groupe commutatif ;
− ∀x, y ∈ E, ∀α, β ∈ K :
• 1K · x = x
• α · (β · x) = (αβ) · x
• α · (x + y) = (α · x) + (α · y)
• (α + β) · x = (α · x) + (α · y).

Définition 1.4 (Vecteurs, scalaires)

Les éléments de E sont les vecteurs ; les éléments de K sont les scalaires.

Remarque 1.5
Le plus souvent, on nomme les vecteurs avec des lettres latines et les scalaires avec des
lettres grecques.

Attention !
Ne pas confondre les structures sur K et sur E :
− Comme K et E sont des groupes commutatifs, il y a une loi + dans K (l’addition
usuelle des réels ou des complexes si K = R ou C) et une loi + dans E (l’addition
des vecteurs, qui dépendra de l’espace vectoriel considéré). Par abus de notation, ces
deux lois + sont notées de la même façon.
− De même, il y a un élément neutre dans K (le zéro usuel) et un élément neutre dans E
(un vecteur zéro) : on les note 0K et 0E , ou plus simplement 0 par abus de notation.
− Sur K, on a une loi de composition interne appelée produit (le produit usuel sur les
réels ou les complexes si K = R ou C). Mais en général, il n’y a pas produit interne
dans E : on ne multiplie pas ensemble deux vecteurs.
− Assez vite, on omettra la notation · pour la multiplication externe et on accolera
simplement le scalaire et le vecteur que l’on multiplie.

Exemples 1.6
− Soit n un entier naturel. On définit E = Kn = {(x1 , . . . , xn ) | xi ∈ K}. La somme est
la somme usuelle entre n-uplets d’éléments de K :

(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ).

La multiplication externe est donnée par α · (x1 , . . . , xn ) = (αx1 , . . . , αxn ), où α est

dans K.
En particulier, pour n = 1, K1 = K peut-être vu comme un K-espace vectoriel.
Pour n = 0, K0 est un ensemble à un élément. C’est un (le) K-espace vectoriel nul.
− E = K[X]. La somme est la somme de polynômes ; le produit externe est le produit
par une constante. Le produit entre deux polynômes ne fait pas partie de la structure
d’espace vectoriel.
− Soit X un ensemble quelconque, soit E un espace vectoriel sur K. On considère F =

2
 F(X, E) = E X l’ensemble des fonctions de X dans E. C’est un K-espace vectoriel.
Si f, g ∈ F et si α ∈ K, la somme et la multiplication externe sont définies par :
• (f + g) : x 7→ f (x) + g(x) ;
• (α · f ) : x 7→ α · (f (x)).
Le cas le plus important est celui où E = K.
− N’importe quel C-espace vectoriel peut être vu comme un R-espace vectoriel en re-
streignant la multiplication externe aux seuls réels.

Proposition 1.7
Soit E un K-espace vectoriel. Soient α ∈ K, soit x ∈ E. Alors,

α · x = 0E ⇐⇒ α = 0K ou x = 0E .

Proposition 1.8
Soit E un K-espace vectoriel. Soient α ∈ K et x ∈ E.

α · (−x) = (−α) · x = −(α · x).

1.2 Sous-espace vectoriel

Définition 1.9 (Sous-espace vectoriel)
Soit E un K-espace vectoriel. Une partie F de E est un sous-espace vectoriel si
− F est un sous-groupe de (E, +) ;
− ∀α ∈ K, ∀x ∈ F, α · x ∈ F .

Définition 1.10 (Sous-espaces vectoriels triviaux)

L’espace E lui-même et le singleton {0} sont des sous-espaces vectoriels de E, dits triviaux.

Remarque 1.11
Pour montrer que F est un sous-espace vectoriel de E, on montre que :
− 0∈F;
− ∀α, β ∈ K, ∀x, y ∈ F, αx + βy ∈ F .

Proposition 1.12 (Stabilité par combinaisons linéaires)

Un sous-espace vectoriel F de E est stable par combinaisons linéaires :
k
X
∀α1 , . . . , αk ∈ K, ∀x1 , . . . , ∀xk ∈ F, αi · xi ∈ F.
i=1

Proposition 1.13 (Un sous-espace vectoriel est un espace vectoriel)

Soit F un ssev de E. Muni des lois + et · restreintes, F est un espace vectoriel.

3
Remarque 1.14
Pour montrer qu’un ensemble a une structure de K-espace vectoriel, on montrera le plus
souvent que c’est un sous-espace vectoriel d’un espace vectoriel de référence.

Exemples 1.15
− Kn [X] = {P ∈ K[X] | deg P ≤ n} ⊂ K[X].
− Soit Q ∈ K[X]. Alors QK[X] = {QP, P ∈ K[X]} ⊂ K[X].
− C ∞ (R, R) ⊂ · · · ⊂ C k (R, R) ⊂ · · · ⊂ C 0 (R, R) ⊂ F(R, R) est une chaîne d’inclusion de
sous-espaces vectoriels sur R.
− Soient a, b, c, d, e, f ∈ R. L’ensemble des (x, y, z) ∈ R3 tels que
(
ax + by + cz = 0
dx + ey + f z = 0

est un sous-espace vectoriel de R3 .

Géométriquement, cet ensemble est une droite vectorielle si les deux équations ne sont
pas proportionnelles ; un plan vectoriel si les deux équations sont proportionnelles
mais que l’une au moins est non nulle ; R3 si toutes les constantes sont nulles.

Proposition 1.16 (Intersection de sous-espaces vectoriels) \

Soit (Fi )i∈I une famille de sous-espaces vectoriels de E. Alors Fi est un sous-espace
i∈I
vectoriel de E.

Définition 1.17 (Sous-espace vectoriel engendré par une partie)

Soit A une partie de E. Il existe un plus petit (pour l’inclusion) sous-espace vectoriel de E
contenant A. C’est le sous-espace vectoriel engendré par A.

Notation 1.18
On note Vect(A) le sous-espace vectoriel engendré par A.

Définition 1.19 (Droite vectorielle)

On appelle droite vectorielle de E un ssev engendré par un vecteur non nul.

Définition 1.20 (Combinaison linéaire d’une famille finie de vecteurs)

Soit (ui )i∈I une famille finie de vecteurs
X de E. Une combinaison linéaire d’éléments de cette
famille est un vecteur de la forme λi ui , où pour tout i ∈ I, λi ∈ K.
i∈I

Définition 1.21 (Famille à support fini de scalaires)

Une famille (λi )i∈I de scalaires est dite à support fini (ou presque nulle) si l’ensemble
J = {i ∈ I | λi ̸= 0} est fini.

4
Définition 1.22 (Combinaison linéaire d’une famille quelconque de vecteurs)
Soit (ui )i∈I une famille de vecteurs de
XE. Une combinaison linéaire d’éléments de cette
famille est une vecteur de la somme λi ui , où (λi )i∈I est une famille à support fini de
i∈I
scalaires.

Remarques 1.23
− La somme est définie en ne considérant que les indices pour lesquels λi ̸= 0. Les règles
de calculs usuelles restent valables.
− Autrement dit, une combinaison linéaire d’éléments de (ui )i∈I est une combinaison
linéaire d’éléments de (uj )j∈J , où J est une partie finie (quelconque) de I.
Remarque 1.24
On peut associer à toute partie A d’un ensemble E la famille (a)a∈A , famille d’éléments
de E. Ainsi, une notion sur les familles d’éléments de E donne une notion sur les parties
de E. En particulier, si A est une partie d’un espace vectoriel E, on pourra parler de
combinaisons linéaires d’éléments de A.

Théorème 1.25 (Ensemble des combinaisons linéaires et sous-espace vectoriel engendré)

Soit A une partie de E. Le sous-espace vectoriel Vect(A) est l’ensemble des combinaisons
linéaires d’éléments de A.

Exercice 1.26
Décrire le sous-espace vectoriel engendré par deux vecteurs u et v dans R3 .
Exemples 1.27
− Dans R2 , Vect (1, 0) = (x,  0), x ∈ R . C’est ladroite des abscisses.
 

− Soit α ∈ R. Dans R , Vect (1, α, 0), (2, α, 0) = (λ + 2µ, (λ + µ)α, 0, (λ, µ) ∈ R2 .

3

C’est une droite vectorielle si α = 0, un plan vectoriel si α ̸= 0.

− Dans R[X], Vect 1, X, X , . . . , X n = Rn [X].
2


1.3 Application linéaire

Définition 1.28 (Application linéaire)
Soient E et F deux espaces vectoriels sur K. Une application f : E → F est K-linéaire (ou
simplement linéaire) si
∀λ, µ ∈ K, ∀x, y ∈ E : f (λx + µy) = λf (x) + µf (y).

Proposition 1.29 (Application linéaire et combinaisons linéaires)

Soit f : E → F une application linéaire. Soit (ui )i∈I une famille de vecteurs de E. Pour
toute famille (λi )i∈I à support fini de scalaires, on a :
X
X
f λi ui = λi f (ui ).
i∈I i∈I

5
Notation 1.30
On note L(E, F ) l’ensemble des applications linéaires de E dans F .

Exemples 1.31
− ψ : C 1 (R, R) →, C 0 (R, R), f 7→ f ′ est R-linéaire.
− ψ : K[X] → K[X], P 7→ P ′ est K-linéaire.
− Les applications K-linéaires de K dans K sont les applications de la forme fa : K →
K, u 7→ au, où a est un Zélément de K
1
0
− ψ : C (R, C) → C, f 7→ f (t)dt est C-linéaire.
0

Exercice 1.32
Montrer que les applications K-linéaires de K2 dans K2 sont les applications de la forme
(
K2 → K2
(x, y) 7→ (ax + by, cx + dy)

où a, b, c, d sont dans K.

Proposition 1.33
Si f : E → F est K-linéaire, alors f (0E ) = 0F .

Proposition 1.34 (Image directe et réciproque de ssev)

Soit f : E → F une application linéaire.
− Si E1 ⊂ E est un ssev de E alors f (E1 ) est un ssev de F .
− Si F1 ⊂ F est un ssev de F alors f −1 (F1 ) est un ssev de E.

Définition 1.35 (Endomorphisme, isomorphisme, automorphisme)

Soit f : E → F une application linéaire.
− Si E = F , on dit que f est un endomorphisme.
− Si f est bijective, on dit que f est un isomorphisme.
− Si E = F et si f est bijective, on dit que f est un automorphisme.

Notation 1.36
On abrège L(E, E) en L(E). On note GL(E) l’ensemble des automorphismes de E et on
note IdE ∈ GL(E) l’application identité de E.

Proposition 1.37 (L’ensemble des applications linéaires est un espace vectoriel)

Soient E et F deux espaces vectoriels sur K. Alors, L(E, F ) est un sous-espace vectoriel
de F(E, F ).

Proposition 1.38 (Linéarité des opérateurs de composition)

Soient E, F et G trois espaces vectoriels sur K. Soient f : E → F et g : F → G des

6
applications linéaires. Alors g ◦ f est linéaire.
De plus, les applications
 
L(F, G) → L(E, G) L(E, F ) → L(E, G)
ψf : et ϕg :
v 7→ v ◦ f u 7→ g ◦ u

sont linéaires.

Corollaire 1.39 (L(E) est un anneau)

(L(E), +, ◦) est un anneau.

Exercice 1.40
Dans E = R[X], considérons les applications linéaires d : E → E, P 7→ P ′ et m : E →
E, P 7→ X × P .
1. Montrer que d et m sont linéaires.
2. Calculer dm et md.
3. On note πn : E → E l’application qui à P ∈ E associe le reste de P dans la division
euclidienne par X n . Montrer que πn est linéaire et calculer dn πn .

Proposition 1.41 (Bijection réciproque d’un isomorphisme)

Si f : E → F est un isomorphisme, alors f −1 est un isomorphisme.

Corollaire 1.42 (GL(E) est un groupe)

(GL(E), ◦) est un groupe.

Définition 1.43 (Noyau et image)

Soit f : E → F une application linéaire.
− Le noyau de f , noté Ker(f ) est Ker(f ) = f −1 {0F } = {u ∈ E | f (u) = 0F }.

− L’image de f , notée Im(f ) est Im(f ) = f (E) = {v ∈ F | ∃u ∈ E : f (u) = v}.

Proposition 1.44 (Noyau et injectivité)

Soit f : E → F une application linéaire.
Le noyau Ker(f ) est un ssev de E ; il est réduit à {0E } ssi f est injective.

Proposition 1.45 (Image et surjectivité)

Soit f : E → F une application linéaire.
L’image Im(f ) est un ssev de F ; elle est égale à à F ssi f est surjective.

Exemples 1.46
− Soit d : R[X] → R[X], P 7→ P ′ . Alors d n’est pas injective : on a d(1) = 0 donc
1 ∈ Ker(d).
− Soit f : R2 → R2 , (x, y) 7→ (ax + by, cx + dy). On résout f (x, y) = 0 et on trouve
qu’on a une solution non nulle si, et seulement si ad − bc = 0. Donc f est injective si,

7
 et seulement si ad − bc ̸= 0. Dans ce cas, f est un automorphisme (on a un système
de Cramer).
− Soit ψ : K[X] → KK , qui à P ∈ R[X] associe l’application polynomiale x 7→ P (x). On
a vu dans le cours sur les polynômes que ψ est injective ssi K est infini.

2 Décomposition en sous-espaces
2.1 Supplémentaire et produit
Définition 2.1 (Somme de deux ssev)
Soient F et G deux sous-espaces vectoriels de E.
On note F + G le sous-espace vectoriel engendré par F ∪ G. C’est la somme de F et G.

Proposition 2.2
La somme F + G est l’ensemble des vecteurs de la forme u + v, avec u ∈ F et v ∈ G.

Proposition 2.3 (Équivalences pour la somme directe)

Soient F et G deux sous-espaces vectoriels de E. Les deux proposition suivantes sont équi-
valentes :
1. F ∩ G = {0} ;
2. ∀z ∈ F + G, ∃! (x, y) ∈ F × G : z = x + y.

Définition 2.4 (Somme directe de deux ssev)

Si les conditions ci-dessus sont satisfaites, on dit que F et G sont en somme directe.
On écrit alors F ⊕ G au lieu de F + G.

Exemple 2.5
Soient D1 et D2 deux droites vectorielles de E.
Si D1 et D2 sont distinctes, alors elles sont en somme directe.

Définition 2.6 (Sous-espaces vectoriels supplémentaires)

Soient F et G deux sous-espaces vectoriels de E.
On dit que F et G sont des sous-espaces vectoriels supplémentaires de E si E = F ⊕ G.

Exemples 2.7
− Deux droites vectorielles distinctes sont supplémentaires dans R2 .
− Un plan vectoriel et une droite vectorielle non contenue dans le plan sont supplémen-
taires dans R3 .
− Considérons E = F(R, R). Notons F le sous-espace vectoriel constitué par les fonc-
tions paires, G celui constitué par les fonctions impaires.
Alors F et G sont supplémentaires dans E.

8
 − Considérons E = K[X] et P ∈ K[X] de degré n ≥ 1. Alors F = P K[X] et G = Kn−1 [X]
sont supplémentaires.
− Considérons E = K(X) et notons F = K[X] et G le sous-espace vectoriel des fractions
rationnelles de degré strictement négatif. Alors F et G sont supplémentaires dans E.

Définition 2.8 (Espace vectoriel produit)

Soient E1 et E2 deux espaces vectoriels sur K. Le produit cartésien E1 × E2 a une structure
d’espace vectoriel sur K donnée par :

(x1 , x2 ) + (y1 , y2 ) =(x1 + x2 , y1 + y2 )

λ · (x1 , x2 ) =(λ · x1 , λ · x2 ),

où les xi et yi sont dans Ei et λ est dans K.

Remarque 2.9
On peut généraliser à un produit fini (ou bien infini) d’espaces vectoriels.

Proposition 2.10 (Produit, somme et supplémentaire)

Soient F et G deux sous-espaces vectoriels de E. Alors ϕ : F × G → E, (u, v) 7→ u + v est
un isomorphisme ssi F et G sont supplémentaires dans E.

Théorème 2.11 (Applications linéaires et supplémentaires)

Soient E1 et E2 deux sous-espaces vectoriels supplémentaires dans E. Soit F un espace
vectoriel. Alors, 
L(E, F ) → L(E1 , F ) × L(E2 , F )
ψ
f 7→ (f|E1 , f|E2 )
est un isomorphisme.

Remarque 2.12
On peut généraliser à un nombre fini de sous-espaces. Soient F1 , . . . , Fp des sous-espaces
vectoriels de E.
− F1 + · · · + Fp est le sous-espace vectoriel engendré par F1 ∪ · · · ∪ Fp .
− C’est l’ensemble des éléments de la forme u1 + · · · + up , où les ui sont dans Fi .
− Si ∀u ∈ F1 + · · · + Fp , ∃!(u1 , . . . , up ) ∈ F1 × · · · × Fp tel que u = u1 + · · · + up , on dit
que la somme est directe et on écrit F1 ⊕ · · · ⊕ Fp au lieu de F1 + · · · + Fp .
p
L(E, F ) → pi=1 L(Ei , F )
M  Q
− Si E = Ei , alors est un isomorphisme.
f 7→ (f|Ei )i=1,...,p
i=1

Attention !
Trois sous-espaces vectoriels E1 , E2 et E3 peuvent être deux à deux en somme directe, sans
qu’ils le soient pris ensemble. Considérer trois droites vectorielles distinctes de R2 .

9
Proposition 2.13
Soient F1 , . . . , Fp des sous-espaces vectoriels de E. On a l’équivalence suivante :
1. F1 , . . . , Fp sont en somme directe dans E ;
2. ∀(u1 , . . . , up ) ∈ F1 × · X
· · × Fp : u1 + · · · + up = 0 =⇒ u1 = · · · = up = 0 ;
3. ∀i ∈ {1, . . . , p}, Fi et Fk sont en somme directe.
k̸=i

2.2 Projections et symétries

Définition 2.14 (Projection)
Soient F et G deux sous-espaces vectoriels supplémentaires dans E. L’unique application
π ∈ L(E) telle que

∀x ∈ F, π(x) = x
∀y ∈ G, π(y) = 0

est la projection (ou le projecteur) sur F parallèlement à G.

Exemples 2.15
− E = K[X], P ∈ K[X] de degré n ≥ 1. Si F = P K[X] et G = Kn−1 [X], on a vu que
E = F ⊕ G. La projection π sur G parallèlement à F associe à un polynôme A de
K[X] son reste dans la division euclidienne par P .
− L’application π : R2 → R2 , (x, y) 7→ (x, 0) est la projection sur l’axe des abscisses,
parallèlementà l’axe des ordonnées. 
− Soient D1 = (x, 0), x ∈ R et D2 = (y, y), y ∈ R , supplémentaires dans R2 . La
projection sur D1 parallèlement à D2 est donnée par (x, y) 7→ (x − y, 0).

Théorème 2.16 (Caractérisation des projections)

On suppose que E = F ⊕ G. Soit π la projection sur F parallèlement à G. Alors,
1. π 2 = π ;
2. F = Im π ;
3. G = Ker π.
Réciproquement, soit p ∈ L(E) tel que p2 = p. Alors,
1. E = Im p ⊕ Ker p ;
2. p est la projection sur Im p, parallèlement à Ker p.

Définition 2.17 (Symétrie)

On suppose car K ̸= 2. Soient F et G deux sous-espaces vectoriels supplémentaires de E.
L’unique application s ∈ L(E) telle que

∀x ∈ F, s(x) = x
∀y ∈ G, s(y) = −y

est la symétrie par rapport à F parallèlement à G.

10
Exemple 2.18
On considère C comme un R-espace vectoriel. La conjugaison complexe est la symétrie par
rapport à l’axe des réels, parallèlement à l’axe des imaginaires purs.

Exercice 2.19
Considérons une décomposition E = F ⊕ G et notons p la projection sur F parallèlement
à G et s la symétrie par rapport à F parallèlement à G. Montrer que s = 2p − IdE .

Théorème 2.20 (Caractérisation des symétries)

On suppose E = F ⊕ G. Soit s la symétrie par rapport à F parallèlement à G. Alors
1. s2 = IdE ;
2. F = Ker(s − IdE ) ;
3. G = Ker(s + IdE ).
Réciproquement, soit s ∈ L(E) telle que s2 = IdE . Alors
1. E = Ker(s − IdE ) ⊕ Ker(s + IdE )
2. s est la symétrie par rapport à Ker(s − IdE ) parallèlement à Ker(s + IdE ).

Exercice 2.21
Dans K[X], on considère F et G les sous-espaces vectoriels constitués par les polynômes
pairs et impairs. Identifier la symétrie par rapport à F parallèlement à G.

2.3 Formes linéaires et hyperplans

Définition 2.22 (Forme linéaire)
Une forme linéaire sur E est une application linéaire de E dans K.

Notation 2.23
On note E ∗ = L(E, K) l’ensemble des formes linéaires sur E.

Exemples 2.24
− Sur E = R3 , l1 : (x, y, z) 7→ x.
− Sur E = K[X], l2 : P 7→ P ′ (0).
Z 1
− Sur E = C 0 (R, R), l3 : f 7→ f (t)dt.
0

Définition 2.25 (Hyperplan)

On appelle hyperplan le noyau d’une forme linéaire non nulle.

Exemples 2.26
Dans les exemples précédents :
− Ker(l1 ) = {(0, y, z) | y, z ∈ R}.
− Ker(l2 ) est l’ensemble des polynômes dont le coefficient devant X est nul.
− Ker(l3 ) est l’ensemble des fonctions de moyenne nulle sur [0, 1].

11
Théorème 2.27 (Supplémentaire d’un hyperplan)
Soit H un hyperplan de E. Si x ∈
/ H, E = H ⊕ Vect{x}.

Exemples 2.28
Dans les exemples précédents, on peut prendre :
− u1 = (1, 0, 0), on a l1 (u1 ) = 1 ̸= 0.
− u2 = X, on a l2 (u2 ) = 1 ̸= 0.
− u3 la fonction constante égale à 1. On a l3 (u3 ) = 1 ̸= 0.

Proposition 2.29 (Un hyperplan est maximal parmi les ssev stricts)
Soit H un hyperplan de E.
Si F est un sous-espace vectoriel de E contenant H, alors F = H ou F = E.

3 Familles de vecteurs
3.1 Familles génératrices
Définition 3.1 (Famille génératrice)
Une famille (ei )i∈I d’éléments de E est génératrice si elle engendre E.

Remarque 3.2
On parle aussi de partie génératrice.

Méthode 3.3
Pour montrer qu’une famille (ei )i∈I est génératrice, on considère un vecteur quelconque x
dans E et on cherche à l’écrire comme combinaison linéaire des ei .

Proposition 3.4 (Transitivité)

Soit (ei )i∈I une famille génératrice de E. Une famille (fj )j∈J de vecteurs de E est généra-
trice de E ssi chaque ei est une combinaison linéaire de la famille (fj )j∈J .

Exemples 3.5
− Dans Rn , posons e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0),. . . , en = (0, 0, . . . , 1). Alors,
la famille (ei )ni=1 est génératrice de Rn . En effet, tout vecteur x = (x1 , x2 , . . . , xn ) de
Xn
R s’écrit x =
n
xi e i .
i=1
− La famille (X k )k∈N est génératrice de K[X].C’est une famille infinie mais tout poly-
nôme est combinaison linéaire d’un nombre fini de X k .

12
3.2 Familles libres
Définition 3.6 (Famille finie libre)
Soit (ei )i∈I une famille finie d’éléments de E. On dit que la famille est libre si
X
∀(λi )i∈I ∈ KI : λi ei = 0 =⇒ ∀i ∈ I, λi = 0.
i∈I

Dans le cas contraire, on dit que la famille est liée.

Définition 3.7 (Famille libre quelconque)

Soit (ei )i∈I une famille quelconque d’éléments de E. On dit que la famille est libre si pour
tout sous-ensemble J ⊂ I fini, la famille (ei )i∈J est libre. Sinon, on dit qu’elle est liée.

Remarque 3.8
On parle aussi (rarement) de partie libre.

Méthode 3.9
Pour montrer qu’une famille finie (ei )i∈I est libre, on suppose qu’on a une combinaison
linéaire des ei qui vaut 0 et on montre qu’alors tous les scalaires dans cette combinaison
sont nuls.
Pour montrer qu’une famille quelconque (ei )i∈I est libre, on considère une sous-famille finie
quelconque de ces vecteurs et on montre qu’elle est libre.

Exemples 3.10
− Dans Rn , la famille (ei )ni=1 définie précédemment est libre : soient en effet λ1 , . . . , λn ∈
Xn
K tels que λi ei = 0. Alors (λ1 , . . . , λn ) = 0 et donc tous les λi sont nuls.
i=1
− De même, la famille (X k )k∈N dans K[X] est libre.

Exercice 3.11
Dans R3 , on pose e1 = (1, 1, 1), e2 = (−1, 1, −1) et e3 = (1, −1, −1). Montrer que la famille
(e1 , e2 , e3 ) est libre.

Exercice 3.12
On considère E = C 0 (R, R). Pour tout réel α, on note fα ∈ E telle que fα : x 7→ exp(αx).
Montrer que la famille (fα )α∈R est libre.

Proposition 3.13 (Liberté d’une famille de deux vecteurs)

Deux vecteurs x et y forment une famille libre ssi il n’existe pas λ ∈ K tel que x = λy ou
y = λx.

Définition 3.14 (Vecteurs colinéaires)

Deux vecteurs x et y sont dits colinéaires si l’un des deux est un multiple de l’autre.

13
Remarque 3.15
Ainsi, une famille de deux vecteurs est libre ssi les deux vecteurs ne sont pas colinéaires.

Proposition 3.16 (Liberté d’une famille de n vecteurs, par récurrence)

Soit (e1 , . . . , en ) une famille d’éléments de E. On suppose que e1 est non nul et que pour
tout i ∈ {2, . . . , n}, ei ∈ / Vect(e1 , . . . , ei−1 ). Alors la famille est libre.

Attention !
Il ne suffit pas de vérifier que en n’est pas combinaison linéaire de e1 , . . . , en−1 .

Exercice 3.17
Une famille (e1 , . . . , en ) est libre si, et seulement si pour tout i ∈ J1, nK, ei n’est pas
combinaison linéaire de la famille (ek )k̸=i .

3.3 Bases d’un espace vectoriel

Définition 3.18 (Base)
Une famille (ei )i∈I d’éléments de E est une base de E si c’est une famille libre et génératrice
de E.

Exemples 3.19
− Dans Rn , la famille e1 , . . . , en est une base. On l’appelle la base canonique de Rn .
− Dans K[X], la famille (X k )k∈N est une base. On l’appelle la base canonique de K[X].
− Considérons E = KN . Pour k ∈ N, notons (uk ) la suite dont le terme général est
ukn = δk,n . Ce n’est pas une base de KN : en effet, le sous-espace vectoriel engendré
par cette famille est l’ensemble K(N) des suites à support fini.

Définition 3.20 (Coordonnées d’un vecteur dans une base)

Soit (ei )i∈I une base de E. Si x est un vecteur de E, on appelle X coordonnées de x dans la
base (ei ) l’unique famille (xi )i∈I à support fini telle que x = xi e i .
i∈I

Exemple 3.21
Les coordonnées d’un polynôme P ∈ K[X] dans la base canonique sont ses coefficients.

Exercice 3.22
Dans Rn [X], on considère une famille (Pk )nk=0 de polynômes tels que, pour tout k, deg Pk =
k. Montrer que la famille (Pk )nk=0 est une base de Rn [X].

3.4 Familles de vecteurs et applications linéaires

Proposition 3.23 (Familles génératrices et applications linéaires)
Soit f : E → F une application linéaire.

14


− Si (ei )i∈I est une famille génératrice de E, alors Im f = Vect f (ei ) i∈I .


− En particulier, f est surjective si, et seulement la famille f (ei ) i∈I engendre F .

Proposition 3.24 (Familles libres et applications linéaires)

Soit f : E → F une application linéaire.

− Soit (ei )i∈I une famille libre de E. Si f est injective, alors la famille f (ei ) i∈I est
libre.

− Soit (ei )i∈I une base de E. Alors, f est injective si, et seulement si la famille f (ei ) i∈I
est libre.

Corollaire 3.25 (Bases et applications linéaires)

Soit f : E → F une application linéaire, soit (e
i )i∈I une base de E. Alors f est un
isomorphisme si, et seulement si, la famille f (ei ) i∈I est une base de F .

Théorème 3.26 (Définition d’une application linéaire par les éléments d’une base)
Soit (ei )i∈I une base de E. Étant donnée une famille (fi )i∈I d’éléments de F , il existe une
unique application linéaire f : E → F telle que

∀i ∈ I : f (ei ) = fi .

15