26 Espaces vectoriels

1 Espaces et sous-espaces vectoriels. 2

1.0 Avant-propos : combinaisons linéaires dans . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kn 2
1.1 Structure de K-espace vectoriel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Combinaisons linéaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Sous-espaces vectoriels. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Application linéaire entre deux espaces vectoriels. . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Sous-espace vectoriel engendré par une partie. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Somme de deux sous-espaces vectoriels. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Familles de vecteurs. 18
2.1 Familles génératrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Familles libres, liées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Bases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Exercices 23

Mis à part le calcul booléien, on peut dire qu'il n'y a sans doute pas de théorie plus universellement uti-

lisée en Mathématique que l'Algèbre linéaire ; il n'y en a presque pas non plus qui soit plus élémentaire, bien

que des générations de professeurs et de faiseurs de manuels se soient ingéniés à la compliquer à plaisir par

de ridicules calculs de matrices.

Jean Dieudonné,
Éléments d'Algèbre linéaire,

Annexe aux Éléments d'Analyse.

1 MP2I PV
 Dans ce cours, K désigne R ou C, et sauf indication contraire, n et p sont des entiers naturels non nuls.
1 Espaces et sous-espaces vectoriels.

1.0 Avant-propos : combinaisons linéaires dans Kn .

Dénition 1 (Somme de n-uplets, multiplication d'un n-uplet par un scalaire).

Pour tous x = (x , . . . , x ) ∈ K , y = (y , . . . , y ) ∈ K , pour tout λ ∈ K, on pose
1 n
n
1 n
n

x + y := (x1 + y1 , . . . , xn + yn ) et λ · x := (λx1 , . . . , λxn ).

Proposition 2 ((Kn , +) est un groupe abélien).

Le neutre de ce groupe est le n-uplet (0, . . . , 0).
Le symétrique d'un n-uplet (x , . . . , x ) est le n-uplet (−x , . . . , −x ).
1 n 1 n

Un calcul dans R : 3

3(0, 1, 2) − (0, 2, 1) = (0, 3, 6) − (0, 2, 1) = (0, 1, 5).

Dénition 3 (Base canonique de Kn ).

Pour tout i ∈ J1, nK, on note
ei = (0, . . . , 0, 1, 0, . . . , 0),
où le 1 est écrit sur la ième coordonnée.
La famille (e , . . . , e ) est appelée base canonique de K .
1 n
n

La base canonique de R est (e , e , e ) où

3
1 2 3

e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1).

Proposition 4.
Tout vecteur de K s'écrit de façon unique comme combinaison linéaire des vecteurs de (e , . . . , e ),
n

base canonique de K :
1 n
n

n
X
∀x ∈ Kn , ∃!(x1 , . . . , xn ) ∈ Kn x= xi e i .
i=1

Par exemple, voici l'unique décomposition de (1, 2, 3) sur la base canonique de R : 3

(1, 2, 3) = e1 + 2e2 + 3e3 .

2
1.1 Structure de K-espace vectoriel.

On appelle loi de composition externe sur un ensemble E à scalaires dans K une application

E×K → E
·: .
(x, λ) 7→ λ · x
L'idée est que si x est un bidule et λ un scalaire, alors λ · x est un .
bidule

Dénition 5.
On appelle K-espace vectoriel un triplet (E, +, ·), où E est un ensemble, + une loi de compo-
sition interne, et · une loi de composition externe, avec scalaires dans K vériant
1. (E, +) est un groupe abélien, c'est-à-dire
(a) + est associative : ∀x, y, z ∈ E (x + y) + z = x + (y + z) ;
(b) + est commutative : ∀x, y ∈ E x + y = y + x ;
(c) Il existe dans E un unique élément neutre pour +, appelé "zéro" de E et noté 0 :
E

∀x ∈ E x + 0E = 0E + x = x;

(d) Tout élément x de E admet un (unique) symétrique dans E, noté (−x), tel que
2. Propriétés de ·
x + (−x) = −x + x = 0E .

(a) ∀x ∈ E 1 · x = x ;
(b) · est distributive par rapport à l'addition dans E :
K

∀x, y ∈ E ∀λ ∈ K λ · (x + y) = λ · x + λ · y;

(c) · est distributive par rapport à l'addition dans K :

∀x ∈ E ∀λ, µ ∈ K (λ + µ) · x = λ · x + µ · x;

(d) ∀λ, µ ∈ K ∀x ∈ E λ · (µ · x) = (λµ) · x.

Les éléments de E sont appelés des vecteurs.

Un abus fréquent consiste à parler de "l'espace vectoriel E" en omettant de mentionner les lois + et ·.
Attention : dans un espace vectoriel, le produit de deux vecteurs n'a pas de sens a priori.
Proposition 6 (Autour de zéro et du symétrique).
Soit E un K-espace vectoriel.
(i) ∀x ∈ E 0 · x = 0 . E
(ii) ∀λ ∈ K λ · 0 = 0 .
K

E E
(iii) ∀x ∈ E (−x) = (−1) · x.
(iv) ∀λ ∈ K ∀x ∈ E λ · x = 0 =⇒ (λ = 0 ou x = 0 ).
E K E

3
Preuve. Dans ce qui suit, lorsqu'on utilise une propriété de la dénition 5, on signale son numéro.
(i) Soit x ∈ E . On peut écrire
0K · x = (0K + 0K ) · x = 0K · x + 0K · x.
2.(c)

La propriété 1.(d) nous rappelle que le vecteur 0K · x admet un symétrique dans le groupe (E, +) noté −0K · x.
On ajoute ce symétrique à l'égalité précédente :
0K · x + (−0K · x) = (0K · x + 0K · x) + (−0K · x) = 0K · x + (0K · x + (−0K · x)) = 0K · x,
| {z } 1.(a) | {z } 1.(c)
=0E =0E

ce qui montre bien 0K · x = 0E .

(ii) Soit λ ∈ K. On a
λ · 0E = λ · (0K · 0E ) = (λ · 0K ) · 0E = 0K · 0E = 0E .
(i) 2.(d)

(iii) Soit x ∈ E . On a
x + (−1) · x = (1 + (−1)) · x = 0K · x = 0E .
2.(c)

On a montré que (−1) · x est un symétrique de x, donc le symétrique : (−1) · x = −x.

(iv) Soient λ ∈ K et x ∈ E tels que λ · x = 0E . Supposons que λ 6= 0K . Alors λ possède un inverse λ−1 .
En multipliant par ce scalaire,
λ−1 (λ · x) = λ−1 · 0E d'où (λ−1 λ) · x = 0E d'où 1K · x = 0E .

D'après 2.(a), 1K · x = x, ce qui montre bien que x = 0E .

Exemple 7 (L'espace vectoriel Kn ).

Muni des lois + et · dénies dans l'avant-propos, (K , +, ·) est un K-espace vectoriel.
n

Le zéro de cet espace vectoriel est le n-uplet (0, . . . , 0).

Le symétrique du vecteur (x , . . . , x ) est le vecteur (−x , . . . , −x ).
1 n 1 n

Exemples :
1. Le cas n = 2 et K = R.
L'espace vectoriel R est le premier espace vectoriel dans lequel on a travaillé. Par dénition, un vecteur
2

u de R s'écrit u = (x, y), où x et y sont deux réels.

2

Les nostalgiques pourront écrire →u cet élément de R . L'ensemble R peut être identié au plan en se
− 2 2

donnant un repère orthonormé : → u est alors associé au point de coordonnées x et y .

−

2. Le cas n = 3 et K = R.
L'espace R est celui de la mécanique newtonienne : il modélise l'espace en trois dimensions dans lequel
3

nous vivons.
3. Le cas n = 1.
R est un R-espace vectoriel. C est un C-espace vectoriel.

Exemple 8 (C vu comme R-espace vectoriel).

Si C est un C-espace vectoriel, comme on vient de le dire, c'est aussi un R-espace vectoriel.
On sait déjà identier C et R en associant à un nombre complexe a + ib son axe (a, b) ∈ R .
2 2

4
 Exemple 9 (L'espace vectoriel K ).
 
X

(K[X], +, ·)est un K-espace vectoriel.

Les lois et sont l'addition et la multiplication par un scalaire pour les polynômes.
+ ·
Le zéro de cet espace est le polynôme nul.

Exemple 10 (L'espace vectoriel Mn,p (K)).

, où n, p ∈ N est un K-espace vectoriel.
(Mn,p (K), +, ·) ∗

Les lois et sont l'addition et la multiplication par un scalaire pour les matrices de taille n × p.
+ ·
Le zéro de cet espace est la matrice nulle 0 n,p

Exemple 11 (Espace vectoriel des applications à valeurs dans K).

Soit Ω un ensemble non vide. L'ensemble K des fonctions de Ω dans K peut être muni des lois
Ω

+ et · dénies comme suit : pour toutes fonctions f et g de Ω vers K et tout scalaire λ ∈ K

 
Ω → K Ω → K
f +g : et λ·f : .
x 7→ (f + g)(x) = f (x) + g(x) x 7→ (λ · f )(x) = λ · f (x)

(KΩ , +, ·) est un K-espace vectoriel de neutre la fonction nulle sur Ω.

Exemples :
1. Espaces de fonctions à valeurs réelles.
Soit I un intervalle. L'ensemble R , plutôt noté F(I, R), est un R-espace vectoriel.
I

2. Espaces de suites.
L'ensemble K des suites à valeurs dans K est un K-espace vectoriel. Son zéro est la suite nulle.
N

Proposition 12 (Produit d'un nombre ni de K-espaces vectoriels).

Soit n ∈ N et n K espaces vectoriels E , . . . , E .
∗

Pour tous x = (x , . . . , x ) ∈ E × · · · × E , y = (y , . . . , y ) ∈ K , pour tout λ ∈ K, on pose

1 n
n
1 n 1 n 1 n

x + y := (x1 + y1 , . . . , xn + yn ) et λ · x := (λ · x1 , . . . , λ · xn ).

lire xk +yk comme une somme dans l'espace Ek et λ · xk comme une multiplication par λ dans Ek

Muni des lois + et · dénies ci-dessus, E ×· · ·×E est un K-espace vectoriel de zéro (0
1 n E1 , · · · , 0En ) .

5
1.2 Combinaisons linéaires.

Dans un espace vectoriel, on peut sommer des vecteurs, et multiplier ces derniers par des scalaires. En
combinant ces deux opérations, on obtient la notion de combinaison linéaire.
Dénition 13 (Combinaison linéaire d'un nombre ni de vecteurs).
Soit E un K-espace vectoriel. Si x et x sont deux vecteurs de E, on appelle combinaison linéaire
0

de x et x tout vecteur de la forme

0

λx + µx0 ,
où λ et µ sont des éléments de K.
Plus généralement, pour x , . . . , x
1 n ∈E , on appelle combinaison linéaire de x , . . . x tout vecteur
1 n

n
X
λi xi = λ1 x1 + . . . + λn xn ,
i=1

où λ , . . . , λ sont des scalaires de K.

1 n

Une illustration dans R : représenter →

2 u = (−1, 2), →
− v = (3, 1), −v , →
− − v et →
u +→
− − v.
u + 2→
−

Exemple 14 (dans R3 ).
Soient
x = (1, 1, 1) u1 = (0, 1, 1) u2 = (1, 0, 1) u3 = (1, 1, 0).
Montrer que x est une combinaison linéaire de u , u et u . 1 2 3

Dénition 15.
Soit I un ensemble non vide et (λ ) une famille de scalaires de K indexée par I . Elle est
dite presque nulle (ou à support ni) si λ n'est diérent de 0 que pour un nombre ni de vecteurs.
i i∈I
i

Plus précisément, (λ ) est presque nulle s'il existe une partie nie J de I telle que
i i∈I

∀i ∈ I \ J λi = 0.

6
 Dénition 16 (Généralisation de la notion de combinaison linéaire).
Soit (x ) une famille de vecteurs d'un espace vectoriel E et (λ ) une famille de scalaires
presque nulle. On note J une partie nie de I telle que ∀i ∈ I \ J λ = 0. On note alors
i i∈I i i∈I
i
X X
λi xi := λ i xi ,
i∈I i∈J

La somme de droite a un sens puisque J est nie, et sa valeur ne dépend pas de la partie J choisie.
Un tel vecteur est appelé combinaison linéaire de la famille (x ). i

1.3 Sous-espaces vectoriels.

Soit (E, +, ·) un K-espace vectoriel et F une partie de E. On rappelle que F est stable par la loi + si
∀(x, y) ∈ F 2 x + y ∈ F.

On dira que F est stable par · si

∀x ∈ F ∀λ ∈ K λ · x ∈ F.
On peut alors considérer les restrictions des lois + et · à l'ensemble F : ce sont bien respectivement une loi
de composition interne et une loi de composition externe à scalaires dans K. Notons-les encore + et · :
 
F ×F → F F ×K → F
+: et ·: .
(x, y) 7 → x+y (x, λ) 7→ λ · x

On les appelle lois induites sur F par les lois + et · sur E.

Dénition 17.
Soit (E, +, ·) un K-espace vectoriel et F une partie de E.
On dit que F est un sous-espace vectoriel de E si
 F est stable par + et ·
 (F, +, ·) est un espace vectoriel (ou + et · sont les lois induites sur F par celles de E).

Exemple 18.
Soit E un K-espace vectoriel.
 Le singleton {0 } est un sous-espace vectoriel de E : clairement stable par + et ·, il est,
muni des lois induites, un espace vectoriel. On l'appellera sous-espace vectoriel nul, ou
E

encore sous-espace vectoriel trivial.

 E est un sous-espace vectoriel de E.

Méthode.
Pour montrer qu'un ensemble (E, +, ·) est un K-espace vectoriel, il sura souvent de prouver que
c'est un sous-espace vectoriel d'un espace vectoriel connu.

7
 La caractérisation ci-dessous sera à privilégier en pratique pour prouver qu'une partie d'un espace vectoriel
en est un sous-espace vectoriel.
Proposition 19 (Caractérisation des sous-espaces vectoriels parmi les parties de E ).
Soit (E, +, ·) un K-espace vectoriel et F ⊂ E. Il y a équivalence des deux assertions suivantes.
1. F est un sous-espace vectoriel de E.
2. F satisfait les deux propriétés suivantes :
• 0 ∈ F,E
• F est stable par combinaison linéaire de deux vecteurs, c'est à dire

∀x, y ∈ F ∀λ, µ ∈ K λx + µy ∈ F.

Exemple 20 (Des sous-espaces vectoriels de Kp ).

Soit A = (a ) ∈ M (K). Notons S l'ensemble des solutions du système linéaire homogène
i,j 1≤i≤n
1≤j≤p
n,p 0

AX = 0 , d'inconnue X = ∈ M (K) ou (x , . . . , x ) ∈ K (on confond M (K) et K ).

!
x1
.
.
p p
n,1 . p,1 1 p p,1

On a prouvé dans le cours sur les matrices que S est un sous-espace vectoriel de K .
xp
p
0

·Cas particulier 1. n = 1, p = 2 : équation du type ax + by = 0.

Dans le cas non dégénéré (a, b) 6= (0, 0), l'ensemble des solutions est une droite vectorielle de R . . 2

· Cas particulier 2. n = 1, p = 3 : équation du type ax + by + cz = 0.

Dans le cas non dégénéré (a, b, c) 6= (0, 0, 0), l'ensemble des solutions est un plan vectoriel de R . .3

· Cas particulier 3. Le cas n = 2, p = 3 : deux équations de plans vectoriels dans R . Dans le cas non
3

dégénéré (deux plans, non confondus) les solutions sont les vecteurs d'une droite vectorielle de R . . 3

Contre-exemple. Une droite ane de R ne passant pas par (0, 0) n'est pas un s.e.v. de R .
2 2

Contre-exemple. Un demi-plan : {(x, y) ∈ R : 2x − y ≥ 0} n'est pas un s.e.v. de R : il contient (0, 0)

2 2

mais n'est pas stable par combinaison linéaire. En eet, (1, 2) est dans le demi-plan mais pas son opposé.

Exemple 21 (Des sous-espaces vectoriels de K ).  

X

On rappelle que pour tout entier n ∈ N, l'ensemble K [X] est celui des polynômes de degré in-
férieur à n, à coecients dans K. C'est un sous-espace vectoriel de K[X] (donc un espace vectoriel).
n

Pour tous entiers n, p ∈ N avec p ≤ n, K [X] est un sous-espace vectoriel de K [X].

p n

Exemple. Un autre bon exemple de s.e.v. de K[X].

Soit a ∈ K. L'ensemble F = {P ∈ K[X] : P (a) = 0} est un sous-espace vectoriel de K[X].
a

L'ensemble des polynômes de degré à n n'est pas un sous-espace vectoriel de K[X].

égal

8
 Exemple 22 (Des sous-espaces de Mn (K)).
Les ensembles S (K) et A (K) sont des sous-espaces vectoriels de M (K).
n n n

L'ensemble des matrice diagonales, celui des triangulaires supérieures et celui des triangulaires
inférieures sont aussi des sous-espaces vectoriels de M (K).
n

GLn (K) n'est pas un sous-espace vectoriel de M (K).n

Exemple 23 (Des sous-espaces de F(I, R)).

L'ensemble C(I, R) des fonctions continues sur I est un s.e.v. de F(I, R).
L'ensemble D(I, R) des fonctions dérivables sur I est un s.e.v. de F(I, R).
C'est donc un espace vectoriel, inclus dans C(I, R) : c'est un sous-espace vectoriel de C(I, R).
Pour tout n ∈ N, C (I, R) est un sous-espace vectoriel de F(I, R).
n

Pour tous n, p ∈ N avec p ≤ n, C (I, R) est un s.e.v. de C (I, R).

p n

L'ensemble des fonctions monotones n'est pas un sous-espace vectoriel de F(I, R). On pourra néanmoins
jeter un oeil à l'exercice de TD sur l'ensemble des fonctions "à variations bornées".
Proposition 24 (Intersection de s.e.v.).
Soit E un K-espace vectoriel et (F ) une famille de sous-espaces vectoriels de E. Alors
i i∈I

F est un sous-espace vectoriel de E .

\
i
i∈I

La réunion de deux sous-espaces vectoriels n'est pas, en général, un sous-espace vectoriel (−→ TD).
1.4 Application linéaire entre deux espaces vectoriels.

Dénition 25.
Soient (E, +, ·) et (F, +, ·) deux K-espaces vectoriels.
On appelle application linéaire entre E et F une application u : E → F telle que
∀x, y ∈ E ∀λ, µ ∈ K u(λx + µy) = λu(x) + µu(y).

(l'image de la combinaison linéaire, c'est la combinaison linéaire des images)

Une application linéaire de E dans E est appelée endomorphisme de E.

Une application linéaire de E dans K (vu comme K-espace vectoriel) est une forme linéaire.

9
Remarque. Il est équivalent de dénir la linéarité d'une application u : E → F à l'aide des propriétés
1. ∀x, y ∈ E u(x + y) = u(x) + u(y) (propriété de morphisme de groupes additifs)
2. ∀x ∈ E ∀λ ∈ K u(λ · x) = λ · u(x) (propriété d'homogénéité).
Certains auteurs préfèrent n'utiliser qu'un scalaire dans leur dénition de la linéarité. On peut en eet
démontrer que si u : E → F est une application entre deux K-espaces vectoriels,
u : E → F est linéaire si et seulement si ∀x, y ∈ E ∀λ ∈ K u(λx + y) = λu(x) + u(y).
Exemples.
1. La transposition : 
Mn,p (K) → Mp,n (K)
u: ,
M 7→ M >
est une application linéaire.
2. La dérivation sur K[X] 
K[X] → K[X]
D:
P 7→ P 0
est un endomorphisme de K[X].
On peut de même dénir une application de dérivation dénie sur D(I, R) :

D(I, R) → F(I, R)
D
e:
f 7→ f 0

D
e n'est pas un endomorphisme : une dérivée n'est pas toujours dérivable elle-même!
3. La trace est une forme linéaire :

Mn (K) → K
Tr : .
M 7→ Tr(M )

4. L'évaluation des polynômes (ou des fonctions) est une opération linéaire.
Plus précisément, Φ et Ψ , dénies ci-dessous à l'aide de a ∈ K et b ∈ Ω xés, sont des formes linéaires.
a b

KΩ → K
 
K[X] → K
Φa : et Ψb : .
P 7→ P (a) f 7→ f (b)

5. Soit I un intervalle et a, b ∈ I . L'application


C(I, R) → R
ϕ: Rb
f 7→ a f (x)dx

est une forme linéaire.

6. Pour tout espace vectoriel E, Id est un endomorphisme de E.
E

7. Pour tous E et F espaces vectoriels, l'application nulle ci-dessous est linéaire.


E → F
N: ,
x 7→ 0F

10
 On fait remarquer que dans le titre de ce paragraphe, "application linéaire" est écrit au singulier...
Mentionnons ici que dans le cours , l'ensemble des applications linéaires de E vers F
sera noté L (E, F ) et muni (lui aussi!) d'une structure de K-espace vectoriel. On pourra donc écrire des
Applications linéaires

combinaisons linéaires d'applications linéaires... mais patience!

Proposition 26 (Images directe/réciproque d'un s.e.v. par une application linéaire).
Soient E et F deux K-espaces vectoriels et u : E → F une application linéaire.
1. Si G est un sous-espace vectoriel de E, alors u(G) est un sous-espace vectoriel de F .
2. Si H est un sous-espace vectoriel de F , alors u (H) est un sous-espace vectoriel de E.
−1

En particulier, on dénit ci-dessous l'image et le noyau d'une application linéaire, deux sous-espaces
vectoriels qui seront importants.
Dénition 27.
Soient E et F deux K-espaces vectoriels et u : E → F une application linéaire.
1. On appelle image de u, et on note Im u la partie de F dénie par :
Im u = {u(x), x ∈ E} = {y ∈ F : ∃x ∈ E y = u(x)} .
2. On appelle noyau de u et on note Ker u la partie de E dénie par :
Ker u = {x ∈ E : u(x) = 0 } . F

Proposition 28.
Soient E et F deux K-espaces vectoriels et u : E → F une application linéaire.
1. Ker u est un sous-espace vectoriel de E et
u est injective ⇐⇒ Keru = {0 }. E

2. Im u est un sous-espace vectoriel de F et

u est surjective ⇐⇒ Im u = F .

Exemple 29 (Reconnaître un Ker).

À l'aide de la notion de noyau, retrouver que l'ensemble
Fa = {P ∈ K[X] : P (a) = 0} (a ∈ K)

est un sous-espace vectoriel de K[X].

De la même façon, redémontrer que S (R) est un s.e.v. de M (K).
n n

11
 Exemple 30.
Soit B ∈ K[X] unpolynôme non nul.
On considère ρ : K[X]P
→ K[X]
7→ R
, où R est le reste dans la division euclidienne de P par B.
1. Prouver que ρ est un endomorphisme de K[X].
2. Exprimer Im ρ à l'aide de b = deg B.
3. Décrire Ker ρ.

1.5 Sous-espace vectoriel engendré par une partie.

Proposition-Dénition 31 (S.e.v. engendré par une famille nie de vecteurs).

Soit E un K-espace vectoriel, p ∈ N et (x , . . . , x ) ∈ E . p

On note Vect (x , . . . , x ) l'ensemble des combinaisons linéaires de x , . . . , x .

1 p
1 p 1 p

( p )
X
Vect(x1 , . . . , xp ) = λ k xk , λ1 , . . . , λp ∈ K .
k=1

Il s'agit d'un sous-espace vectoriel de E.

On l'appelle sous-espace vectoriel engendré par (x , . . . , x ) (ou par l'ensemble {x , . . . , x }).
1 p 1 p

En particulier, pour x, y deux vecteurs d'un espace vectoriel E,

Vect(x) = {λx, λ ∈ K} , et Vect(x, y) = {λx + µy, λ, µ ∈ K} .

Exemple 32 (et image mentale .).

E = R3 et F = {(x, y, z) :→
x − 2y − z = 0}.
On prouve que F = Vect( u , →
− −v ), où →
u = (2, 1, 0) et →
− v = (1, 0, 1).
−

12
 Exemple 33 (Ensemble des solutions d'une EDL2 homogène).
Écrire à l'aide d'un Vect l'ensemble des solutions de y 00 + ω2y = 0 (où ω ∈ R , xé).
∗
+

Proposition-Dénition 34 (Sous-espace vectoriel engendré par une partie/famille quelconque).

Soit E un K-espace vectoriel et A une partie de E non vide.
On note Vect(A) l'ensemble des combinaisons linéaires de vecteurs de A :
n
( )
X
Vect(A) = y ∈ E | ∃n ∈ N∗ ∃(x1 , . . . , xn ) ∈ An ∃(λ1 , . . . , λn ) ∈ Kn , y = λi xi .
i=1

Il s'agit d'un sous-espace vectoriel de E. On l'appelle sous-espace vectoriel engendré par A.

On conviendra en outre que Vect(∅) = {0 }. E

En particulier, si (x ) est une famille de vecteurs de E, on note Vect (x ) le sous-espace

vectoriel engendré par l'ensemble {x , i ∈ I} :
i i∈I i i∈I
i
( )
X
Vect (xi )i∈I = λ i xi , (λi )i∈I ∈ K presque nulle .
I

i∈I

Dans la dénition précédente, on voit qu'à une famille (x ) de vecteurs, indexée par un ensemble I ,
est naturellement associé la partie de E contenant tous les vecteurs de la famille.
i i∈I

Réciproquement, si on se donne une partie A non vide dans E, il est possible de lui associer la famille de
vecteurs (x ) , où pour tout a ∈ A, x = a.
a a∈A a

Exemple 35.

1. Justier que Vect (X − a)
= K[X].

k

2. Soit U l'ensemble des polynômes unitaires dans K[X]. Justier que Vect(U ) = K[X].
k∈N

Proposition 36 (Une autre vision du Vect).

Soit E un K-espace vectoriel et A une partie de E.
Vect(A) est le plus petit sous-espace vectoriel qui contient A (plus petit au sens de l'inclusion) :

F s.e.v. de E
 
∀F ∈ P(E) =⇒ Vect(A) ⊂ F.
A⊂F

On pourra se convaincre (exercice) que Vect(A) =

\
F .
F s.e.v. de E
A⊂F

13
 Proposition 37 (Propriétés du Vect).
Soit E un K-espace vectoriel, et A, A , B trois parties de E, et x, y ∈ E.
0

1. Croissance du Vect :
A ⊂ B =⇒ Vect(A) ⊂ Vect(B).

2. Ajout ou élimination de vecteurs superus :

A0 ⊂ Vect(A) =⇒ Vect(A ∪ A0 ) = Vect(A).

En particulier,
x ∈ Vect(A) =⇒ Vect(A ∪ {x}) = Vect(A).

3. Remplacement d'un vecteur : Si y ∈ Vect(A ∪ {x}) avec un scalaire non nul sur x, alors
Vect(A ∪ {x}) = Vect(A ∪ {y}).

Corollaire 38 (Cas d'une famille nie : invariance du Vect par opérations élémentaires).
Soit E un espace vectoriel et (x , . . . , x ) ∈ E une famille de vecteurs.
p

Les trois opérations élémentaires standard ne modient pas le s.e.v. engendré par (x , . . . , x ).
1 p
1 p
• Échange de x avec x , où 1 ≤ i < j ≤ p :
i j

Vect(x1 , · · · , xi , · · · , xj , · · · , xn ) = Vect(x1 , · · · , xj , · · · , xi , · · · , xp ).

• Dilatation : remplacement de x par λx , avec λ ∈ K :

i i
∗

Vect(x1 , x2 · · · , xi , · · · , xp ) = Vect(x1 , x2 , · · · , λxi , · · · , xp ).

• Transvection : pour i et j distincts dans J1, pK et λ ∈ K, remplacement de x par x := x +λx i i i j

Vect(x1 , x2 · · · , xi , · · · , xp ) = Vect(x1 , x2 , · · · , xi + λxj , · · · , xp ).

1.6 Somme de deux sous-espaces vectoriels.

Proposition-Dénition 39 (Somme des deux s.e.v.).

Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E.
On appelle somme de F et de G, et on note F + G l'ensemble
F + G = {xF + xG | xF ∈ F, xG ∈ G} ,

ensemble qui peut être écrit aussi

F + G = {y ∈ E | ∃xF ∈ F ∃xG ∈ G y = xF + xG } .

Il s'agit d'un sous-espace vectoriel de E.

14
 La somme de deux s.e.v. n'est pas leur réunion!

Proposition 40 (Évidences).
Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels.
1. F + G = G + F .
2. F ⊂ F + G et G ⊂ F + G.
3. F + {0 } = F et {0 } + G = G.
E E
4. E + E = E.
Exemple 41.
Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E. Démontrer que
F + G = Vect(F ∪ G).

L'écriture d'un vecteur sur une somme n'est pas unique a priori. Prenons l'exemple trivial d'un espace
vectoriel non réduit à {0 } et d'un vecteur x non nul de cet espace. Voici deux écritures distinctes d'un
même vecteur x sur E + E :
E

1 1
x = |{z}
x + 0E et x= 2
x + 2
x .
|{z}
∈E ∈E
|{z} |{z}
∈E ∈E

Dénition 42 (Somme directe).

Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E.
On dit que F et G sont en somme directe si pour tout élément de F + G, son écriture comme
somme d'un élément de F et d'un élément de G est unique :
∀x ∈ F + G ∃!(xF , xG ) ∈ F × G x = xF + xG .

On pourra dire que x est la composante de x sur F et x la composante de x sur G.

F G

Notation : lorsque F et G sont en somme directe, on note F + G = F ⊕ G.

15
 Proposition 43 (Caractérisation d'une somme directe).
Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E. Alors
F +G=F ⊕G ⇐⇒ F ∩ G = {0E }.

Dénition 44 (Supplémentaires).
Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E.
On dit que F et G sont supplémentaires dans E, et on note E = F ⊕ G, si tout élément de E
s'écrit de manière unique comme somme d'un élément de F et d'un élément de G :
∀x ∈ E ∃!(xF , xG ) ∈ F × G x = xF + xG .

Proposition 45 (Caractérisation des supplémentaires).

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

E = F +G
E =F ⊕G ⇐⇒
F ∩ G = {0E }.

Somme, somme directe, supplémentaires... pour s'y retrouver, rien de tel que quelques . dans R :
3

Voici d'abord deux droites vectorielles F et G de R (non confondues)

3

leur somme est directe mais F + G 6= R . 3

16
Regardons ensuite deux plans vectoriels F et G de R (non confondus)
3

R3 = F + G mais la somme n'est pas directe

Enn, considérons dans R un plan vectoriel F et une droite vectorielle G non incluse dans F :
3

F et G sont supplémentaires dans R : R = F ⊕ G (*)

3 3

(*) Cela reste à prouver! On attendra pour ça d'avoir les outils en lien avec la dimension.
17
 Méthode (Montrer que deux s.e.v. F et G sont supplémentaires par analyse synthèse).
• On considère un vecteur y ∈ E .
• Analyse. On suppose l'existence d'un couple de vecteurs (xF , xG ) ∈ F × G tel que y = xF + xG .
On tâche d'exprimer xF et xG à l'aide de y . On trouve un unique couple candidat (xF , xG ). L'unicité
de la décomposition est alors prouvée : on sait en n d'analyse que F et G sont en somme directe.
• Synthèse. On dénit le couple (xF , xG ) conformément à l'analyse et on vérie qu'il convient.
Plus précisément, on vérie que xF ∈ F , que xG ∈ G, et enn que y = xF + xG .

Exemple 46.
Montrer que M (K) = S (K) ⊕ A (K).
n n n

2 Familles de vecteurs.

2.1 Familles génératrices.

Considérons p vecteurs x , . . . , x dans un espace vectoriel E. On a Vect(x , . . . , x ) ⊂ E. Cette inclusion

peut être stricte. Si elle ne l'est pas et qu'il y a égalité, cela signie que tous les vecteurs de l'espace peuvent
1 p 1 p

être écrits comme des combinaisons linéaires de x , . . . , x . 1 p

Dénition 47 (Famille génératrice (cas d'une famille nie)).

On dit qu'une famille (x , . . . , x ) ∈ E engendre K-espace vectoriel E (ou encore qu'elle est
p

génératrice) si tout vecteur de E s'écrit comme combinaison linéaire des vecteurs de la famille :
1 p

p
X
∀y ∈ E ∃(λ1 , . . . , λp ) ∈ Kp y= λ i xi .
i=1

De façon équivalente, (x , . . . , x ) engendre E si

1 p

E = Vect(x1 , . . . , xp ).

Dénition 48 (Partie/famille génératrice quelconque).

Soit E un K-espace vectoriel.
1. Soit A une partie de E . Elle engendre E si E = Vect(A).
2. Soit (xi )i∈I une famille de vecteurs de E . Elle engendre E si E = Vect(xi )i∈I .

Exemple 49 (Écrire un Vect, c'est trouver une famille génératrice).

Montrer que F = est un s.e.v. de M (R) et en donner une famille génératrice.

  
a b
, a, b, c ∈ R 2
−c a

18
 Proposition 50 (Sur-famille d'une famille génératrice).
Si une famille de vecteurs contient une famille génératrice, elle est génératrice elle aussi.

Exemple 51.
Considérons les polynômes
P1 = 1, P2 = 1 + X, P3 = 1 + X + X 2 P4 = X + X 2 .

1. Justier que (P , P , P ) engendre R [X].

1 2 3 2
2. Justier que (P , P , P , P ) engendre R [X].
1 2 3 4 2
3. Décomposer de deux façons le polynôme P sur la famille (P , P , P , P ).
4 1 2 3 4

La question de l'unicité de la décomposition d'un vecteur sur une famille donnée sera traitée au paragraphe
suivant, consacré à la notion de famille libre.
2.2 Familles libres, liées.

Dénition 52 (Famille libre, famille liée (cas d'une famille nie)).

Soit E un K-espace vectoriel. On dit qu'une famille (x , . . . , x ) ∈ E est libre si
1 p
p

p
X
p
∀(λ1 , . . . , λp ) ∈ K λi xi = 0E =⇒ ∀i ∈ J1, pK λi = 0.
i=1

Une famille qui n'est pas libre est dite liée.

En français : la famille (x , . . . , x ) est dite libre si la seule combinaison linéaire nulle des vecteurs
est la combinaison linéaire dont tous les coecients sont nuls. On dit aussi parfois des vecteurs
1 p
x1 , . . . , x p
d'une famille libre qu'ils sont linéairement indépendants.
Exemple 53.
Dans l'espace E = F(R, R), montrer que (ch, sh) est libre et que (ch, sh, exp) est liée.

Dénition 54 (Famille libre, liée (cas d'une famille quelconque)).

Soit E un K-espace vectoriel. On dit qu'une famille (xi )i∈I ∈ E I est libre si
∀(λi )i∈I ∈ KI presque nulle
X
λi xi = 0E =⇒ ∀i ∈ I λi = 0.
i∈I

Une famille qui n'est pas libre est dite liée.

19
Proposition 55 (Deux cas particuliers simples et courants).
1. Une famille composée d'un seul élément non nul est toujours libre.
2. Une famille contenant le vecteur nul est toujours liée.

Proposition 56 (Unicité de la décomposition sur une famille libre/Identier les coecients).

Soit E un K-espace vectoriel et (x , . . . , x ) une famille libre de E. Alors
1 p 
λ1 = µ1
p p


λ2 = µ2
X X 
∀(λ1 , . . . , λp ) ∈ Kp ∀(µ1 , . . . , µp ) ∈ Kp λ i xi = µi x i =⇒
 ...
i=1 i=1 
λp = µ p .


Plus généralement, si (xi )i∈I est une famille libre, (λi )i∈I et si (µi )i∈I sont deux familles de scalaires
presque nulles, alors X X
λ i xi = µ i xi =⇒ ∀i ∈ I λi = µi .
i∈I i∈I

Proposition 57 (Sous-famille d'une famille libre).

Si une famille de vecteurs est contenue dans une famille libre, elle est libre elle aussi.

Proposition 58 (Caractérisation des familles liées).

Une famille de vecteurs est liée ssi l'un des vecteurs s'écrit comme combinaison linéaire des autres.

Proposition 59 (Ajout d'un vecteur à une famille libre).

Soit (x , . . . , x ) est une famille libre dans un K-espace vectoriel E, et y un vecteur de E.
On a l'équivalence :
1 p

(x , . . . , x , y) est liée
1 p ⇐⇒ y ∈ Vect(x , . . . x ). 1 p

Cela s'écrit aussi

(x , . . . , x , y) est libre
1 p ⇐⇒ y 6∈ Vect(x , . . . x ). 1 p

20
 Corollaire 60 (Cas particulier de deux vecteurs).
Dans un K-espace vectoriel E, une famille de deux vecteurs est liée si et seulement si ces vecteurs
sont . Plus précisément, si (x, y) ∈ E ,
colinéaires
2

(x, y) est liée ⇐⇒ (x = 0E ou ∃α ∈ K y = αx) .

Proposition 61 (Condition susante pour qu'une famille de polynômes soit libre).

Soit (P ) une famille de polynômes non nuls de K[X].
Si les degrés des polynômes de cette famille sont deux à deux distincts, alors cette famille est libre.
k k∈N

2.3 Bases.

Dénition 62 (Base (cas d'une famille nie)).

Soit E un K-espace vectoriel. On dit qu'une famille (x , . . . , x ) ∈ E est une base de E si tout
p

vecteur de E s'écrit de manière unique comme combinaison linéaire des vecteurs de la famille :
1 p

p
X
p
∀y ∈ E ∃! (λ1 , . . . , λp ) ∈ K y= λ i xi .
i=1

On dit alors que (λ , . . . , λ ) est le p-uplet de coordonnées de y dans la base (x , . . . , x ).

1 p 1 p

Dénition 63 (Base (cas d'une famille quelconque)).

Soit E un K-espace vectoriel. On dit qu'une famille (xi )i∈I ∈ E I est une base de E si
X
∀y ∈ E ∃! (λi ) ∈ KI presque nulle y = λi xi .
i∈I

Exemple 64 (Base canonique de Kn ).

Pour tout i ∈ J1, nK, on note e = (0, . . . , 0, 1, 0, . . . , 0), où le 1 est écrit sur la ième coordonnée.
Tout n-uplet (x , . . . , x ) s'écrit
i
1 n
n
X
(x1 , . . . , xn ) = x1 (1, 0, . . . , 0) + x2 (0, 1, 0, . . . , 0) + . . . + xn (0, . . . , 0, 1) = xi ei .
i=1

et cette décomposition est unique. La famille (e , . . . , e ) est appelée base canonique de K . n

Les coordonnées d'un n-uplet dans cette base sont tout simplement les coordonnées du n-uplet.
1 n

21
 Exemple 65 (Base canonique de Kn ).
 
X

Tout polynôme P ∈ K [X] s'écrit de manière unique P = P a X , avec a , . . . , a

n
n
k
k
0 n ∈K .
La famille de monômes k=0

(1, X, X 2 , . . . , X n )
est appelée base canonique de K [X].
Les coordonnées d'un polynôme dans cette base sont tout simplement ses coecients.
n

La famille (X ) est la base canonique de K[X].

k
k∈N

Exemple 66 (Base canonique de Mn,p (K)).

Pour tout couple (i, j) ∈ J1, nK×J1, pK, on note E la matrice de M (K) dont tous les coecients
sont nuls sauf celui à la ligne i et à la colonne j qui vaut 1. La famille
i,j n,p

(Ei,j , i ∈ J1, nK, j ∈ J1, pK)

est une base de M (K), dite base canonique de cet espace.

Les coordonnées d'une matrice dans cette base sont tout simplement ses coecients.
n,p

Proposition 67 (Caractérisation des bases).

Dans un e.v., une famille de vecteurs est une base si et seulement si elle est libre et génératrice.

Proposition 68 (Condition susante pour avoir une base d'un espace de polynômes).
Soit n ∈ N et (P )k k∈J0,nK une famille de polynômes telle que
∀k ∈ J0, nK deg Pk = k.

Alors (P ) est une base de K [X], dite de degrés échelonnés.

k k∈J0,nK n

De même, si (P ) est une famille de polynômes telle que ∀k ∈ N deg P =k , alors (P )

est une base de K[X]
k k∈N k k k∈J0,nK

Exemple 69.
Soit a ∈ K et n ∈ N.
Justier de deux façons que la famille (X − a)k


est une base de de l'espace K [X].
Quelle est la et pourquoi? k∈J0,nK n
meilleure

La condition sur les degrés échelonnés n'est pas nécessaire pour avoir une base d'un espace de polynômes.
Par exemple, la famille (L , . . . , L ) des polynômes de Lagrange associés à n réels x , . . . , x deux à deux
distincts est une base de K [X] (voir exercices).
1 n 1 n
n−1

22
Exercices

Espaces vectoriels, sous-espaces vectoriels.

26.1 Soit E = R l'ensemble des suites réelles.
N

Notons F l'ensemble des suites bornées et G l'ensemble des suites qui tendent vers 0.
1. Démontrer que G est un sous-espace vectoriel de E.
2. Démontrer que F est un sous-espace vectoriel de E.
3. Pourquoi peut-on dire que G est un s.e.v. de F ?
26.2
Dans chacun des cas suivant, justier que l'ensemble F donné est un s.e.v. de l'espace vectoriel E donné.
Être ou ne pas être un sous-espace vectoriel.

1. E = R et F = {(x, y, x + y), x, y ∈ R}.

i i
3

2. E = M (R) et F = {M ∈ E : Tr(M ) = 0}.

1 1

3. E = M (R). On xe A ∈ M (R) et on dénit F = {M ∈ M (R) : AM = M A}

2 n 2 2

(l'ensemble des matrices commutant avec la matrice A).

3 n n 3 n

4. E = R . F : l'ensemble des suites géométriques de raison 2.

N

Montrer ensuite que l'ensemble des suites géométriques n'est un sous-espace vectoriel de E .
4 4
pas 4

26.3 Soit E = F(I, R) l'ensemble des fonctions dénies sur un intervalle I de R et

V = {f − g, f et g croissantes sur I} .

Montrer que V est un sous-espace vectoriel de E.

26.4 Soit j = e . On dénit les trois vecteurs de C
2iπ
3 3

u = (1, j, j 2 ), v = (1, j 2 , j, j), w = (j, j 2 , 1).

Démontrer que
Vect(u, v, w) = (x, y, z) ∈ C3

x+y+z =0 .

26.5 Soit E un K-espace vectoriel, et F et G deux s.e.v. de E. Montrer :

F ∪ G est un sous-espace vectoriel de E ⇐⇒ F ⊂ G ou G ⊂ F .

Sommes.
26.6 Soit E = R l'ensemble des fonctions de R dans R. Notons P l'ensemble des fonctions paires sur R et
R

I celui des fonctions impaires.

1. Justier que P et I sont deux sous-espaces vectoriels de E.
2. Par analyse-synthèse, démontrer que E = P ⊕ I .
26.7 Soit E l'ensemble des suites réelles convergentes et F celui des suites réelles de limite nulle.
1. Démontrer que E est un sous-espace vectoriel de C . On admettra que de la même façon, F est un
N

sous-espace vectoriel de E.
2. Soit c la suite constante égale à 1. Prouver que
E = F ⊕ Vect(c).

23
26.8 Soit P ∈ K[X] de degré n ∈ N. On note P K[X] l'ensemble des polynômes de K[X] divisibles par P .
1. Justier que P K[X] est un sous-espace vectoriel de E.
2. Démontrer que K[X] = K [X] ⊕ P K[X]. n−1

26.9 Soit E un K-espace vectoriel et F, G, H trois sous-espaces vectoriels de E tels que


F + G = F + H = F + (G ∩ H)
F ∩G=F ∩H
Montrer que G = H .
Familles de vecteurs.
26.10 (facile) Montrer les vecteurs (1, 0, 1, 0), (0, 1, 0, 1) et (1, 2, 3, 4) forment une famille libre de R4 .
26.11 Montrer que les suites u = (1) , v = (n) , w = (2 ) forment une famille libre de R .
n∈N n∈N
n
n∈N
N

26.12 Soient q < q · · · < q p réels strictement positifs.

Pour k ∈ J1, pK, on note a la suite géométrique de raison q et de premier terme 1. Montrer que
1 2 p
(k)

(a , . . . , a ) est libre.
k
(1) (p)

26.13 Pour tout k ∈ J0, nK, on pose P = X (1 − X) . k n−k

Démontrer que (P , P , . . . , P ) est une famille libre de K [X].

k
0 1 n n

26.14 Déterminer les fonctions f ∈ R telles que : R

1. f est dérivable et (f, f ) est une famille liée;

0

2. f est deux fois dérivable et (f, f , f ) est une famille liée.

0 00

26.15 Soit u : E → F une application linéaire et (e ) ∈ E . I

1. Montrer que si u est injective et si (e ) est libre, la famille (u(e )) est libre.
i i∈I

2. Montrer que si u est surjective et si (e ) engendre E, la famille (u(e )) engendre F .

i i∈I i i∈I
i i∈I i i∈I

26.16 Pour chacun des ensembles ci-dessous, prouver qu'il s'agit d'un espace vectoriel et en donner une
base. 3 2
F = {αX + βX + α + β, (α, β) ∈ R }.
G = {(x, y, z, t) ∈ R : x + 2y + z − t = 0 et 2x + 4y + z + 3t = 0}.
4

On pourra commencer par écrire chacun des ensembles comme un Vect.

26.17 Donner deux bases "simples" de l'espace vectoriel
y ∈ C 2 (R, R) : y 00 − y = 0. .


26.18 Soit n ∈ N. On dénit, pour tout k ∈ J0, nK, P = P X . k

k
i

Démontrer que (P ) est une base de R [X]. i=0

Quelles sont les coordonnées de 1 dans cette base? et celles de X ?

k 0≤k≤n n
n
R[X]

26.19
Soit (x , . . . , x ) un n-uplet de réels deux à deux distincts et (L , . . . , L ) la famille des polynômes de
Interpolation de Lagrange

Lagrange associés.
1 n 1 n

Montrer que cette famille est une base de R [X].

Donner les coordonnées d'un polynôme P sur cette base.
n−1

24