DéfinitionUn espace vectoriel (réel) est un ensemble E dont

les éléments sont appelés vecteurs, muni d’une addition

associative et commutative, d’un vecteur nul 0 neutre pour
l’addition, et d’une multiplication scalaire qui associe à tout
scalaire λ ∈ R et à tout vecteur u ∈ E, un vecteur λ·u ∈ E,
en satisfaisant les propriétés suivantes :
tout vecteur u admet un opposé −u tel que u + (−u) = 0 ;
la multiplication scalaire est distributive par rapport à
l'addition dans R et par rapport à l'addition dans E :
pour tout (λ, μ, u, v) ∈ R2 × E2, on a (λ + μ)·u = λ·u + μ·u
et λ·(u + v) = λ·u + λ·v ;
la multiplication scalaire est compatible avec la
multiplication dans R : pour tout (λ, μ, u) ∈ R2 × E, on a (λ
× μ)·u = λ·(μ·u) et 1·u = u.
Le singleton {0} est un espace vectoriel appelé
espace vectoriel nul.
Pour tout n ∈ N∗, l’ensemble Rn est un espace vectoriel.
Pour tout (m, n) ∈ (N∗)2, l’ensemble ℳn,m(R) des matrices à
n lignes et m colonnes est un espace vectoriel.
L’ensemble C est un espace vectoriel réel.
Si A est un ensemble non vide quelconque et E un espace
vectoriel, l'ensemble (A, E) des applications de A dans E
est un espace vectoriel pour l’addition des valeurs et la
multiplication scalaire des valeurs. En particulier,
l’ensemble ℱ(R, R) des fonctions de R dans R et l’ensemble
RN des suites réelles sont aussi des espaces vectoriels.
L’ensemble des variables aléatoires (discrètes ou à densité)
qui admettent une espérance est un espace vectoriel.
PropriétéPour tout u ∈ E, on a 0·u = 0 et (−1)·u = −u.
Démonstration On a 1·u + 0·u = (1 + 0)·u = 1·u donc par
soutraction on trouve bien 0·u = 0.
Ensuite, on a u + (−1)·u = 1·u + (−1)·u = (1 + (−1))·u = 0·u
= 0.
PropriétéSi E et F sont deux espaces vectoriels alors le
produit cartésien E × F est aussi un espace vectoriel pour
l'addition (u, v) + (u′, v′) = (u + u′, v + v′) et pour la
multiplication scalaire λ·(u, v) = (λ·u, λ·v).
Plus généralement, pour tout p ∈ N*, l'ensemble Ep des
listes de p éléments de E est un espace vectoriel pour
l'addition terme à terme et la multiplication scalaire sur
chaque composante.
Sous-espace vectoriel
DéfinitionSoit E un espace vectoriel. On appelle sous-
espace vectoriel de E toute partie F non vide et stable par
addition et par multiplication scalaire.
En particulier, tout sous-espace vectoriel contient le
vecteur nul.
L'espace vectoriel nul est un sous-espace vectoriel de tout
espace vectoriel.
Tout espace vectoriel est un sous-espace vectoriel de lui-
même.
Les droites R et Ri sont des sous-espaces vectoriels réels
de C.
L'ensemble 𝓒0(I, R) des fonctions réelles continues sur un
intervalle réel I non vide, forme un sous-espace vectoriel
de 𝓕(I, R).
L'ensemble 𝓓1(I, R) des fonctions réelles dérivables sur I
est lui-même un sous-espace vectoriel de 𝓒0(I, R).
L'ensemble des suites réelles convergentes forme un sous-
espace vectoriel de l'ensemble RN des suites réelles.
Pour tout n ∈ N, l'ensemble Rn[x] des fonctions polynômes
de degré inférieur ou égal à n forme un sous-espace
vectoriel de l'ensemble des fonctions polynômes.
En pratique, pour démontrer qu'un ensemble constitue un
espace vectoriel, on se contente d’utiliser la propriété
suivante.
PropriétéSoit E un espace vectoriel. Soit F une partie
non vide de E. Si pour tout (λ, u, v) ∈ R × F2 on a λ·u + v ∈
F, alors F est un sous-espace vectoriel de E.
Démonstration Comme F est non vide, elle contient un
vecteur x donc elle contient (−1)·x + x = 0. Par conséquent,
pour tout (λ, u) ∈ R × E elle contient λ.u + 0 = λ.u.
Et pour tout (u, v) ∈ F2 on a u + v = 1.u + v ∈ F.
Finalement, l'ensemble F est bien un sous-espace vectoriel
de E.
Si G est un sous-espace vectoriel de F qui est un sous-
espace vectoriel d'un espace vectoriel E, alors G est un
sous-espace vectoriel de E.
Si F et G sont deux sous-espaces vectoriels d'un même
espace vectoriel E, alors leur intersection F ∩ G est encore
un sous-espace vectoriel de E.
Plus généralement, si (Fi) est une famille de sous-espaces
vectoriels de E alors leur intersection F = ⋂i Fi est encore
un sous-espace vectoriel de E.
On applique le critère donné ci-dessus.
Tout sous-espace vectoriel contient le vecteur nul donc 0 ∈
F donc F est non vide.
Soit (λ, u, v) ∈ K × F2. En particulier, pour tout i, on a u ∈
Fi et v ∈ Fi donc λ.u + v ∈ Fi.
Finalement, λ.u + v ∈ ⋂i Fi = F.
En revanche, l'union de deux sous-espaces vectoriels n'est
presque jamais un sous-espace vectoriel, sauf si l'un est
inclus dans l'autre.
Application linéaire
DéfinitionSoient E et F deux espaces vectoriels. Soit φ : E
→ F. On dit que φ est linéaire si elle vérifie pour tout (λ, u,
v) ∈ R × E2, φ(u + v) = φ(u) + φ(v) et φ(λ·u) = λ·φ(u).
On note L(E, F) l’ensemble des applications linéaires de E
vers F.
En pratique, on vérifie directement la relation φ(λ·u + v) =
λ·φ(u) + φ(v).
Soient E et F deux espaces vectoriels. L’application nulle x
↦ 0 est linéaire.
Pour tout ensemble D ⊂ R, pour tout a ∈ D, l’application
d’évaluation f ↦ f(a) est linéaire de ℱ(D, R) vers R.
La dérivation est une application linéaire de 𝒟1(I, R) vers
ℱ(R, R).
Pour tout (a, b) ∈ R2 tel que a < b, l’intégration f ↦ ∫ab f(t)
dt est une application linéaire de 𝒞0([a, b], R) vers R.
Si I et J sont deux intervalles de R et si u est une fonction
de I vers J, la composition à droite f ↦ f ∘ u définit une
application linéaire de ℱ(J, R) vers ℱ(I, R).
L’opérateur de limite est une application linéaire de
l’ensemble des suites réelles convergentes vers R.
L’application transposition M ↦ MT est linéaire de ℳn,p(R)
vers ℳp,n(R).
L’espérance est linéaire de l’espace des variables aléatoires
qui en admettent une vers R.
PropriétéL’ensemble L(E, F) est lui-même un espace
vectoriel.
PropriétéLa restriction d’une application linéaire à un
sous-espace vectoriel de son espace de départ est encore
une application linéaire.
On retrouve aussi toutes les propriétés démontrées pour
les applications linéaires entre espaces de vecteurs à
composantes réelles.
PropriétéLa composée de deux applications linéaires est
linéaire.
PropriétéSoit φ ∈ L(E, F). Pour tout sous-espace vectoriel
G ⊂ E, l’image φ(G) = {φ(x), x ∈ G} est un sous-espace
vectoriel de F.
Pour tout sous-espace vectoriel H ⊂ F, la préimage φ−1(H)
= {x ∈ E : φ(x) ∈ H} est un sous-espace vectoriel de E.
En particulier, l’image Im(φ) = φ(E) et le noyau Ker(φ) =
φ−1({0}) sont des sous-espaces vectoriels.
PropriétéUne application linéaire est injective si et
seulement si son noyau est nul.
DéfinitionUn isomorphisme (d’espaces vectoriels) est une
application linéaire bijective.
Soit F un sous-espace vectoriel non nul de Rn. Soit ℬ = (e1,
… , ep) une base de F. L’application qui à tout vecteur de F
associe ses coordonnées dans la base ℬ définit un
isomorphisme entre F et Rp.
L’application qui à toute application linéaire de Rm vers Rn
associe sa matrice représentative définit un isomorphisme
entre L(Rm, Rn) et ℳn,m(R).
PropriétéLa composée de deux isomorphismes est encore
un isomorphisme.
PropriétéL’application réciproque d’un isomorphisme est
aussi un isomorphisme.
DéfinitionDeux espaces vectoriels E et F sont dits
isomorphes s’il existe un isomorphisme entre E et F.
PropriétéTout espace vectoriel est isomorphe à lui-même.
Deux espaces vectoriels isomorphes à un même troisième
sont isomorphes entre eux.
Famille de vecteurs
DéfinitionsSoit E un espace vectoriel et p ∈ N∗. Soit (x1, … ,
xp) ∈ Ep et (λ1, … , λp) ∈ Rp.
La combinaison linéaire sur les vecteurs x1, … , xp avec les
coefficients λ1, … , λp s’écrit ∑k=1p λkxk.
La famille (x1, … , xp) est dite libre si la seule combinaison
linéaire nulle sur ces vecteurs est celle avec des coefficients
nuls. Elle est dite liée dans le cas contraire.
La famille (x1, … , xp) est dite génératrice de E si E est
l’ensemble des combinaisons linéaires sur ces vecteurs et
dans ce cas on note E = Vect(x1, … , xp).
Une base de E est une famille à la fois libre et génératrice.
L’espace ℳn,p(R) admet pour base la famille des matrices
élémentaires (Ei,j) avec 1≤i≤n et 1≤j≤p.
L’espace C admet pour base le couple (1, i).
PropriétéUne famille de vecteurs (x1, … , xp) ∈ Ep est une
base si et seulement si pour tout vecteur y ∈ E il existe une
unique famille de coefficients (λ1, … , λp) ∈ Rp telle que
∑k=1p λkxk = y.
DémonstrationOn procède comme pour la caractérisation
des bases dans Rn.
Théorème de la base incomplète
Soit E un espace vectoriel admettant une famille libre ℱ et
une famille génératrice 𝒢 (éventuellement vides). Il existe
alors une base de E constituée des vecteurs de ℱ et de
certains des vecteurs de 𝒢.
DémonstrationOn procède comme pour la démonstration
du théorème dans Rn.
PropriétéSoit E et F deux espaces vectoriels. Soit (e1, … ,
en) une base de E.
Pour tout (y1, … , yn) ∈ Fn il existe une unique application
linéaire φ ∈ L(E, F) telle que pour tout i ∈ ⟦1 ; n⟧ on ait
φ(ei) = yi.
Image d'une base par une application linéaire
Soient E et F deux espaces vectoriels. Soit (e1, …, en) une
base de E et φ ∈ L(E, F). On a les équivalences suivantes.
L'application φ est injective si et seulement si la famille
(φ(e1), …, φ(en)) est libre.
L'application φ est surjective si et seulement si la famille
(φ(e1), …, φ(en)) est génératrice dans F.
L'application φ est bijective si et seulement si la famille
(φ(e1), …, φ(en)) est une base de F.
DémonstrationOn procède par double implication dans
chacun des deux premiers cas. Le troisième cas combine
les deux premiers.
Supposons que l'application φ est injective. Soit (λ1, …, λk)
∈ Rk tel que ∑i=1k λi.φ(ei) = 0. Alors on trouve φ(∑i=1k λi.ei) =
0 donc ∑i=1k λi.ei = 0 donc pour tout i, λi = 0. Donc la famille
(φ(e1), …, φ(ek)) est libre.
Réciproquement, supposons que la famille (φ(e1), …, φ(ek))
est libre. Soit x ∈ Ker(φ). Il existe (λ1, …, λk) ∈ Rk tel que x
= ∑i=1k λi.ei donc 0 = φ(x) = ∑i=1k λi.φ(ei) donc pour tout i, λi
= 0 donc x = 0. Donc φ est injective.
Supposons que l'application φ est surjective. Soit y ∈ F. Il
existe x ∈ E tel que φ(x) = y et il existe (λ1, …, λk) ∈ Rk tel
que x = ∑i=1k λi.ei donc y = φ(x) = ∑i=1k λi.φ(ei). Donc la
famille (φ(e1), …, φ(ek)) est génératrice.
Réciproquement, supposons que la famille (φ(e1), …, φ(ek))
est génératrice dans F. Soit y ∈ F. Il existe (λ1, …, λk) ∈ Rk
tel que y = ∑i=1k λi.φ(ei) = φ(∑i=1k λi.ei) ∈ Im(φ). Donc φ est
surjective.
PropriétéSi E est muni d'une base (e1, …, ek). L'application
(λ1, … , λk) ↦ ∑i=1k λi.ei constitue un isomorphisme entre Rk
et E.
DémonstrationLa base (e1, … , ek) est l’image par φ de la
base canonique de Rk donc φ est bijective.
PropriétéSoit φ un isomorphisme entre deux espaces
vectoriels E et F.
Une famille de vecteurs (x1, … , xp) ∈ Ep est libre (resp.
génératrice de E, resp. une base de E) si et seulement si la
famille (φ(x1), … , φ(xp)) est libre (resp. génératrice de F,
resp. une base de F).
Dimension finie
DéfinitionUn espace vectoriel (réel) E est dit de dimension
finie s’il est nul ou s’il admet une famille génératrice finie.
PropriétéUn espace vectoriel E est de dimension finie si et
seulement s’il existe un entier n ∈ N et un isomorphisme φ
: Rn → E. Dans ce cas, toutes les bases de E sont
constituées de n vecteurs.
DémonstrationSi E admet une famille génératrice alors
par théorème de la base incomplète, il admet une base ℬ,
donc il existe une application linéaire φ ∈ L(Rn, E) qui
associe aux vecteurs de la base canonique de Rn ceux de la
base ℬ, donc φ est un isomorphisme.
Réciproquement, s’il existe un isomorphisme φ ∈ L(Rn, E)
alors les images des vecteurs de la base canonique de Rn
constituent une base de E. En outre, l’isomorphisme φ−1
envoie chaque base de E sur une base de Rn donc toutes les
bases de E sont constituées de n vecteurs.
DéfinitionOn appelle dimension d’un espace vectoriel E le
nombre de vecteurs dans chacune de ses bases et on la note
dim(E).
L’ensemble C est un espace vectoriel réel de dimension 2.
Pour tout (n, p) ∈ (N∗)2 on a dim(ℳn,p(R)) = n × p.
Pour tout n ∈ N∗ on retrouve dim(Rn) = n.
Pour tout n ∈ N, on a dim(Rn[x]) = n + 1.
L’isomorphisme assure aussi que toutes les propriétés
énoncées sur les familles de vecteurs dans Rn s’étendent
aux espaces vectoriels de dimension n : toute famille libre
est constituée d’au plus n vecteurs, toute famille
génératrice est constituée d’au moins n vecteurs, toute
famille libre ou génératrice et constituée d’exactement n
vecteurs est une base.
PropriétéDeux espaces vectoriels de dimension finie sont
isomorphes si et seulement s’ils ont la même dimension.
PropriétéSi E et F sont deux espaces vectoriels de
dimension finie, alors E × F aussi et on a dim(E × F) =
dim(E) + dim(F).
PropriétéSi E et F sont deux espaces vectoriels de
dimension finie, alors L(E, F) aussi et on a dim(L(E, F)) =
dim(E) × dim(F).
PropriétéSoit E un espace vectoriel de dimension finie.
Tout sous-espace vectoriel de E est aussi de dimension
finie, inférieure à celle de E.
Le seul sous-espace vectoriel de E qui a la même dimension
est E lui-même.
Rang
DéfinitionsLe rang d’une famille de vecteurs est la
dimension de l’espace vectoriel engendré.
Le rang d’une application linéaire φ est la dimension de
son image, si elle existe. On la note alors rg(φ).
Théorème du rang
Soit E et F deux espaces vectoriels et φ ∈ L(E, F).
Si E est de dimension finie alors Im(φ) aussi et on a dim(E)
= dim(Ker(φ)) + rg(φ).
DémonstrationOn procède comme dans le cas des
applications matricielles.
PropriétéSi φ ∈ L(E, F) est une application linéaire
injective, tout sous-espace vectoriel de E a la même
dimension que son image.
DémonstrationSoit G un sous-espace vectoriel de E.
L’application induite ~φ ∈ L(G, φ(G)) est un isomorphisme
donc dim(G) = dim(φ(G)).
Endomorphisme
DéfinitionSoient E un espace vectoriel. Un endomorphisme
de E est une application linéaire de E dans E.
On note L(E) l’ensemble des endomorphismes de E.
L’identité x ↦ x est un endomorphisme sur n’importe quel
espace vectoriel E.
La dérivation définit un endomorphisme sur l’espace des
polynômes.
L’application de renversement, qui à toute fonction f : R
→ R associe la fonction x ↦ f(−x) est un endomorphisme
de ℱ(R, R).
Pour tout ensemble D ⊂ R non vide, pour toute fonction g :
D → R, la multiplication f ↦ f × g est un endomorphisme
de ℱ(D, R).
L’application de décalage, qui à toute suite (un)n∈N associe
la suite (un+1)n∈N est un endomorphisme de RN.
La sommation, qui à toute suite (un)n∈N associe la suite des
sommes partielles (∑k=0nuk)n∈N est un endomorphisme
de RN.
PropriétéSoit E un espace vectoriel. La composition définit
une opération associative mais en général
non commutative sur L(E), distributive par rapport à
l’addition et admettant l’identité pour neutre.
Pour tout u ∈ L(E), on note u0 = idE et pour tout k ∈ N, on
note uk+1 = u ∘ uk.
Cette notation ne doit pas être confondue avec la puissance
comme répétition de multiplication.
C. Boilley, lycée Châtelet de Douai