Se connecter
Prépa · MPSI / MP2I

Dimension finie

Ce chapitre fait partie du programme de Prépa, 1re année.

Ce chapitre associe à un espace vectoriel un entier, sa dimension, qui mesure le nombre de paramètres indépendants nécessaires pour décrire ses vecteurs. Il permet de démontrer qu'une famille est une base, qu'une somme est directe ou qu'une application linéaire est bijective par un simple comptage, sans calcul.

Prérequis

  • Espaces vectoriels sur $\mathbb{K}=\mathbb{R}$ ou $\mathbb{C}$, sous-espaces vectoriels, sous-espace engendré $\operatorname{Vect}$
  • Familles libres, génératrices, bases ; coordonnées dans une base
  • Somme de sous-espaces, somme directe, sous-espaces supplémentaires
  • Applications linéaires, noyau, image, isomorphismes, formes linéaires et hyperplans
  • Polynômes : degré, un polynôme non nul de degré au plus $n$ a au plus $n$ racines

À la fin du chapitre, on sait

  • Énoncer et démontrer le lemme fondamental, le théorème de la base incomplète et l'invariance du cardinal des bases
  • Utiliser la dimension pour caractériser les bases, les sous-espaces égaux et les sous-espaces supplémentaires
  • Énoncer, démontrer et appliquer la formule de Grassmann
  • Calculer le rang d'une famille de vecteurs par échelonnement
  • Énoncer et démontrer le théorème du rang, sous forme géométrique et sous forme de formule
  • Caractériser les isomorphismes en dimension finie et connaître les contre-exemples en dimension infinie
  • Décrire les hyperplans d'un espace de dimension finie et minorer la dimension d'une intersection d'hyperplans

1.Espaces de dimension finie et existence de bases

Dans tout le chapitre, $\mathbb{K}$ désigne $\mathbb{R}$ ou $\mathbb{C}$ et $E$, $F$, $G$ des $\mathbb{K}$-espaces vectoriels. Par convention, la famille vide est libre et engendre $\{0\}$ : c'est une base de $\{0\}$.

Signaler : ce contenu
Définition

Espace de dimension finie

On dit que $E$ est de dimension finie s'il admet une famille génératrice finie. Sinon, on dit que $E$ est de dimension infinie.

Exemples : $\mathbb{K}^n$ (engendré par la base canonique), $\mathbb{K}_n[X]$ (engendré par $1, X, \dots, X^n$), $\mathcal{M}_{n,p}(\mathbb{K})$ (engendré par les matrices élémentaires $E_{i,j}$).

Signaler : ce contenu
Exemple

$\mathbb{K}[X]$ est de dimension infinie

Soit $(P_1, \dots, P_p)$ une famille finie de polynômes et $d$ le maximum de leurs degrés (on prend $d=0$ si tous sont nuls). Toute combinaison linéaire des $P_i$ est de degré au plus $d$, donc $X^{d+1} \notin \operatorname{Vect}(P_1, \dots, P_p)$. Aucune famille finie n'engendre $\mathbb{K}[X]$.

Signaler : ce contenu
Propriété

Ajout d'un vecteur à une famille libre

Si $(x_1, \dots, x_p)$ est libre et si $x \notin \operatorname{Vect}(x_1, \dots, x_p)$, alors $(x_1, \dots, x_p, x)$ est libre.

Signaler : ce contenu
Démonstration

Preuve

Soit $\lambda_1 x_1 + \dots + \lambda_p x_p + \lambda x = 0$. Si $\lambda \neq 0$, alors $x = -\frac{1}{\lambda}\sum_{i=1}^p \lambda_i x_i \in \operatorname{Vect}(x_1, \dots, x_p)$, ce qui est exclu. Donc $\lambda = 0$, puis $\sum \lambda_i x_i = 0$ et la liberté de $(x_1, \dots, x_p)$ donne $\lambda_1 = \dots = \lambda_p = 0$.

Signaler : ce contenu
Théorème

Théorème de la base incomplète

Soit $E$ de dimension finie, $\mathcal{L} = (x_1, \dots, x_p)$ une famille libre de $E$ et $\mathcal{G} = (g_1, \dots, g_q)$ une famille génératrice finie de $E$. On peut compléter $\mathcal{L}$ par des vecteurs de $\mathcal{G}$ de façon à obtenir une base de $E$.

Signaler : ce contenu
Démonstration

Preuve

Considérons les sous-familles $\mathcal{G}'$ de $\mathcal{G}$ telles que la concaténation $\mathcal{L} \cup \mathcal{G}'$ soit libre. Il en existe (par exemple $\mathcal{G}' = \emptyset$) et il y en a un nombre fini. On en choisit une, notée $\mathcal{G}'$, de cardinal maximal, et on pose $\mathcal{B} = \mathcal{L} \cup \mathcal{G}'$, famille libre.

Soit $j \in \{1, \dots, q\}$. Si $g_j \notin \operatorname{Vect}(\mathcal{B})$, alors $g_j$ n'est pas dans $\mathcal{G}'$ et, d'après la propriété précédente, $\mathcal{B} \cup (g_j)$ est libre : cela contredit la maximalité de $\mathcal{G}'$. Donc tous les $g_j$ sont dans $\operatorname{Vect}(\mathcal{B})$, d'où $E = \operatorname{Vect}(\mathcal{G}) \subset \operatorname{Vect}(\mathcal{B})$. La famille $\mathcal{B}$ est libre et génératrice : c'est une base.

Signaler : ce contenu
Théorème

Base extraite, existence de bases

De toute famille génératrice finie de $E$, on peut extraire une base de $E$ (appliquer le théorème avec $\mathcal{L}$ vide).

En particulier, tout espace de dimension finie admet une base finie, et toute famille libre peut être complétée en une base.

Signaler : ce contenu
Méthode

Compléter une famille libre en une base

  1. Choisir une famille génératrice simple (souvent la base canonique).
  2. Examiner ses vecteurs un par un : si le vecteur n'appartient pas à l'espace engendré par la famille en cours, on l'ajoute ; sinon on l'ignore.
  3. On s'arrête quand la famille obtenue engendre $E$ ; dès que la dimension est connue (section suivante), il suffit d'atteindre $\dim E$ vecteurs.
Signaler : ce contenu
Exemple

Dans $\mathbb{R}^3$

Soit $u = (1,1,0)$ et $v = (0,1,1)$, famille libre car non colinéaires. On examine $e_1 = (1,0,0)$ : $a u + b v = (a, a+b, b) = (1,0,0)$ impose $a = 1$, $b = 0$, puis $a + b = 1 \neq 0$. Donc $e_1 \notin \operatorname{Vect}(u,v)$ et $(u, v, e_1)$ est libre.

Ensuite $e_2 = u - e_1$ et $e_3 = v - e_2 = v - u + e_1$ sont dans $\operatorname{Vect}(u, v, e_1)$. Cette famille engendre donc $\mathbb{R}^3$ : $(u, v, e_1)$ est une base de $\mathbb{R}^3$.

Signaler : ce contenu

2.Dimension d'un espace vectoriel

Théorème

Lemme fondamental

Si $E$ est engendré par $n$ vecteurs, toute famille de $n+1$ vecteurs de $E$ est liée. Par conséquent, toute famille de plus de $n$ vecteurs de $E$ est liée.

Signaler : ce contenu
Démonstration

Preuve par récurrence sur $n$

Pour $n \in \mathbb{N}$, notons $\mathcal{H}_n$ : « dans tout espace engendré par $n$ vecteurs, toute famille de $n+1$ vecteurs est liée ».

Initialisation. Un espace engendré par $0$ vecteur est $\{0\}$ ; une famille d'un vecteur de $\{0\}$ est $(0)$, liée.

Hérédité. Soit $n \geq 1$ tel que $\mathcal{H}_{n-1}$ soit vraie. Soit $E = \operatorname{Vect}(e_1, \dots, e_n)$, $F = \operatorname{Vect}(e_1, \dots, e_{n-1})$ et $x_1, \dots, x_{n+1} \in E$. On écrit $x_j = a_j e_n + y_j$ avec $a_j \in \mathbb{K}$ et $y_j \in F$.

  • Si tous les $a_j$ sont nuls, $x_1, \dots, x_n$ sont $n$ vecteurs de $F$, espace engendré par $n-1$ vecteurs : par $\mathcal{H}_{n-1}$, ils forment une famille liée, donc $(x_1, \dots, x_{n+1})$ est liée.
  • Sinon, quitte à renuméroter, $a_{n+1} \neq 0$. Pour $j \in \{1, \dots, n\}$, on pose $z_j = x_j - \frac{a_j}{a_{n+1}} x_{n+1} = y_j - \frac{a_j}{a_{n+1}} y_{n+1} \in F$. Par $\mathcal{H}_{n-1}$, la famille $(z_1, \dots, z_n)$ est liée : il existe $(\lambda_1, \dots, \lambda_n) \neq (0, \dots, 0)$ tel que $\sum_{j=1}^n \lambda_j z_j = 0$, c'est-à-dire $$\sum_{j=1}^n \lambda_j x_j - \Big(\sum_{j=1}^n \frac{\lambda_j a_j}{a_{n+1}}\Big) x_{n+1} = 0.$$ Un des $\lambda_j$ est non nul : c'est une relation de liaison non triviale entre $x_1, \dots, x_{n+1}$.

Dans les deux cas, $\mathcal{H}_n$ est vraie.

Signaler : ce contenu
Théorème

Invariance du cardinal des bases et définition de la dimension

Si $E$ est de dimension finie, toutes les bases de $E$ sont finies et ont le même cardinal. Ce cardinal commun est appelé dimension de $E$ et noté $\dim E$ (ou $\dim_{\mathbb{K}} E$). Par convention, $\dim \{0\} = 0$.

Signaler : ce contenu
Démonstration

Preuve

Soit $\mathcal{B}$ une base finie de $E$ à $n$ vecteurs (il en existe d'après la section précédente). Toute famille libre de $E$ a au plus $n$ vecteurs par le lemme fondamental, donc toute base $\mathcal{B}'$ est finie, de cardinal $p \leq n$. En échangeant les rôles, $\mathcal{B}'$ engendre $E$ et $\mathcal{B}$ est libre, donc $n \leq p$. Ainsi $p = n$.

Signaler : ce contenu
Exemple

Dimensions usuelles

Espace Base usuelle Dimension
$\mathbb{K}^n$ base canonique $n$
$\mathbb{K}_n[X]$ $(1, X, \dots, X^n)$ $n+1$
$\mathcal{M}_{n,p}(\mathbb{K})$ $(E_{i,j})$ $np$
$\mathbb{C}$ comme $\mathbb{R}$-espace $(1, i)$ $2$
$\mathbb{C}$ comme $\mathbb{C}$-espace $(1)$ $1$

L'ensemble des suites $(u_n)$ de $\mathbb{K}^{\mathbb{N}}$ vérifiant $u_{n+2} = a u_{n+1} + b u_n$ (avec $a, b \in \mathbb{K}$ fixés) est de dimension $2$ : l'application $u \mapsto (u_0, u_1)$ est un isomorphisme vers $\mathbb{K}^2$ (voir la section sur les applications linéaires). De même, les solutions de $y'' + a y' + b y = 0$ forment un espace de dimension $2$.

Signaler : ce contenu
Remarque

La dimension dépend du corps

$\mathbb{C}^n$ est de dimension $n$ sur $\mathbb{C}$ et de dimension $2n$ sur $\mathbb{R}$ (base $(e_1, i e_1, \dots, e_n, i e_n)$). En cas d'ambiguïté, on précise $\dim_{\mathbb{R}}$ ou $\dim_{\mathbb{C}}$.

Signaler : ce contenu
Propriété

Caractérisation des bases par le cardinal

Soit $E$ de dimension $n$.

  • Toute famille libre de $E$ a au plus $n$ vecteurs ; une famille libre de $n$ vecteurs est une base.
  • Toute famille génératrice de $E$ a au moins $n$ vecteurs ; une famille génératrice de $n$ vecteurs est une base.
Signaler : ce contenu
Démonstration

Preuve

Une famille libre $\mathcal{L}$ a au plus $n$ vecteurs par le lemme fondamental. Si elle en a $n$, on la complète en une base (théorème de la base incomplète) ; cette base a $n$ vecteurs, donc on n'a rien ajouté : $\mathcal{L}$ est une base.

Si $\mathcal{G}$ est génératrice, on peut supposer $\mathcal{G}$ finie (sinon elle a plus de $n$ vecteurs) ; on en extrait une base, qui a $n$ vecteurs, donc $\mathcal{G}$ a au moins $n$ vecteurs. Si elle en a exactement $n$, la base extraite est $\mathcal{G}$ elle-même.

Signaler : ce contenu
Méthode

Montrer qu'une famille est une base

Si l'on connaît $\dim E = n$ et que la famille a exactement $n$ vecteurs, il suffit de vérifier une seule des deux propriétés : liberté (souvent la plus simple) ou caractère générateur.

Signaler : ce contenu
Exemple

Une base de $\mathbb{R}_2[X]$

La famille $(1, X-1, (X-1)^2)$ est formée de polynômes de degrés $0, 1, 2$ deux à deux distincts : elle est libre (famille de polynômes de degrés échelonnés). Elle compte $3 = \dim \mathbb{R}_2[X]$ vecteurs : c'est une base.

Coordonnées de $X^2$ : $(X-1)^2 + 2(X-1) + 1 = X^2 - 2X + 1 + 2X - 2 + 1 = X^2$, donc les coordonnées sont $(1, 2, 1)$.

Signaler : ce contenu
Propriété

Dimension d'un produit

Si $E$ et $F$ sont de dimension finie, $E \times F$ est de dimension finie et $$\dim(E \times F) = \dim E + \dim F.$$ Plus généralement, $\dim(E_1 \times \dots \times E_p) = \sum_{i=1}^p \dim E_i$.

Signaler : ce contenu
Démonstration

Preuve

Soit $(e_1, \dots, e_n)$ une base de $E$ et $(f_1, \dots, f_m)$ une base de $F$. Pour $(x, y) \in E \times F$, avec $x = \sum \lambda_i e_i$ et $y = \sum \mu_j f_j$, on a $(x, y) = \sum \lambda_i (e_i, 0) + \sum \mu_j (0, f_j)$, et cette écriture est unique car les coordonnées de $x$ et $y$ le sont. La famille $((e_1,0), \dots, (e_n,0), (0,f_1), \dots, (0,f_m))$ est donc une base de $E \times F$, de cardinal $n + m$. Le cas général s'obtient par récurrence sur $p$.

Signaler : ce contenu

3.Sous-espaces en dimension finie

Théorème

Dimension d'un sous-espace

Soit $E$ de dimension finie et $F$ un sous-espace de $E$. Alors $F$ est de dimension finie, $\dim F \leq \dim E$, et $$\dim F = \dim E \iff F = E.$$

Signaler : ce contenu
Démonstration

Preuve

Posons $n = \dim E$. Une famille libre de $F$ est libre dans $E$, donc a au plus $n$ vecteurs. On peut donc choisir une famille libre $(f_1, \dots, f_p)$ de $F$ de cardinal $p$ maximal, avec $p \leq n$. Pour $x \in F$, la famille $(f_1, \dots, f_p, x)$ est liée par maximalité, donc $x \in \operatorname{Vect}(f_1, \dots, f_p)$ (contraposée de la propriété d'ajout d'un vecteur). Ainsi $(f_1, \dots, f_p)$ est une base de $F$ : $F$ est de dimension finie et $\dim F = p \leq n$.

Si $\dim F = n$, une base de $F$ est une famille libre de $E$ à $n$ vecteurs, donc une base de $E$ ; elle engendre $E$, d'où $E \subset F$, puis $F = E$. La réciproque est évidente.

Signaler : ce contenu
Méthode

Montrer l'égalité de deux sous-espaces

Pour montrer $F = G$ avec $F$, $G$ sous-espaces d'un espace de dimension finie :

  1. montrer une inclusion, par exemple $F \subset G$ ;
  2. montrer $\dim F = \dim G$ (ou seulement $\dim G \leq \dim F$). L'inclusion est indispensable : deux droites distinctes de $\mathbb{R}^2$ ont même dimension sans être égales.
Signaler : ce contenu
Propriété

Somme directe et bases

Soit $F$ et $G$ deux sous-espaces de dimension finie de $E$. On a $E = F \oplus G$ si et seulement si la concaténation d'une base de $F$ et d'une base de $G$ est une base de $E$. Une telle base est dite adaptée à la décomposition $E = F \oplus G$. En particulier $$\dim(F \oplus G) = \dim F + \dim G.$$

Signaler : ce contenu
Théorème

Existence de supplémentaires

Soit $E$ de dimension finie $n$ et $F$ un sous-espace de dimension $p$. Alors $F$ admet au moins un supplémentaire dans $E$, et tout supplémentaire de $F$ est de dimension $n - p$.

Signaler : ce contenu
Démonstration

Preuve

Soit $(e_1, \dots, e_p)$ une base de $F$. On la complète en une base $(e_1, \dots, e_n)$ de $E$ et on pose $G = \operatorname{Vect}(e_{p+1}, \dots, e_n)$. La famille $(e_{p+1}, \dots, e_n)$ est libre (sous-famille d'une famille libre), donc base de $G$, et la concaténation des bases de $F$ et $G$ est une base de $E$ : $E = F \oplus G$.

Si $G'$ est un supplémentaire quelconque de $F$, la propriété précédente donne $n = p + \dim G'$, donc $\dim G' = n - p$.

Signaler : ce contenu
Attention

Supplémentaire n'est pas complémentaire

Un supplémentaire n'est pas unique : dans $\mathbb{R}^2$, toute droite distincte de $\mathbb{R}(1,0)$ est un supplémentaire de $\mathbb{R}(1,0)$. Seule sa dimension est imposée. Le complémentaire ensembliste $E \setminus F$ n'est jamais un sous-espace (il ne contient pas $0$).

Signaler : ce contenu
Théorème

Formule de Grassmann

Soit $F$ et $G$ deux sous-espaces de dimension finie d'un espace $E$. Alors $F + G$ est de dimension finie et $$\dim(F + G) = \dim F + \dim G - \dim(F \cap G).$$

Signaler : ce contenu
Démonstration

Preuve

$F \cap G$ est un sous-espace de $G$, qui est de dimension finie : il admet un supplémentaire $H$ dans $G$, avec $G = (F \cap G) \oplus H$ et $\dim H = \dim G - \dim(F \cap G)$.

Montrons que $F + G = F \oplus H$.

  • $F \cap H = F \cap G \cap H$ car $H \subset G$, et $(F \cap G) \cap H = \{0\}$. Donc $F \cap H = \{0\}$.
  • $F + H \subset F + G$ car $H \subset G$.
  • Soit $x = f + g$ avec $f \in F$, $g \in G$. On écrit $g = k + h$ avec $k \in F \cap G$ et $h \in H$. Alors $x = (f + k) + h \in F + H$.

Ainsi $F + G = F \oplus H$ est de dimension finie et $$\dim(F + G) = \dim F + \dim H = \dim F + \dim G - \dim(F \cap G).$$

Signaler : ce contenu
Propriété

Caractérisation des supplémentaires par la dimension

Soit $E$ de dimension finie et $F$, $G$ deux sous-espaces. Les assertions suivantes sont équivalentes :

  1. $E = F \oplus G$ ;
  2. $F \cap G = \{0\}$ et $\dim F + \dim G = \dim E$ ;
  3. $F + G = E$ et $\dim F + \dim G = \dim E$.
Signaler : ce contenu
Démonstration

Preuve

(1) entraîne (2) et (3) d'après la propriété sur les bases adaptées.

(2) $\Rightarrow$ (1) : par Grassmann, $\dim(F+G) = \dim F + \dim G - 0 = \dim E$. Comme $F + G \subset E$, on obtient $F + G = E$, et la somme est directe car $F \cap G = \{0\}$.

(3) $\Rightarrow$ (1) : par Grassmann, $\dim(F \cap G) = \dim F + \dim G - \dim(F+G) = \dim E - \dim E = 0$, donc $F \cap G = \{0\}$.

Signaler : ce contenu
Méthode

Montrer que deux sous-espaces sont supplémentaires

  1. Calculer $\dim F$ et $\dim G$ et vérifier que leur somme vaut $\dim E$.
  2. Vérifier une seule des deux conditions, en général $F \cap G = \{0\}$ (on prend $x$ dans les deux et on montre $x = 0$). Sans la condition de dimension, $F \cap G = \{0\}$ ne suffit pas.
Signaler : ce contenu
Exemple

Un hyperplan et une droite de $\mathbb{R}^4$

Soit $F = \{(x,y,z,t) \in \mathbb{R}^4 : x + y + z + t = 0\}$ et $G = \operatorname{Vect}((1,1,1,1))$.

On a $(x,y,z,t) \in F \iff x = -y - z - t$, donc $F = \operatorname{Vect}((-1,1,0,0), (-1,0,1,0), (-1,0,0,1))$ ; ces trois vecteurs sont libres (regarder les trois dernières coordonnées), donc $\dim F = 3$. Et $\dim G = 1$, d'où $\dim F + \dim G = 4 = \dim \mathbb{R}^4$.

Si $(a,a,a,a) \in F$, alors $4a = 0$, donc $a = 0$ : $F \cap G = \{0\}$. Conclusion : $\mathbb{R}^4 = F \oplus G$.

Signaler : ce contenu
Exemple

Deux plans distincts de $\mathbb{R}^3$

Soit $P$ et $P'$ deux plans vectoriels distincts de $\mathbb{R}^3$. Comme $P \neq P'$ et $\dim P = \dim P'$, on a $P' \not\subset P$, donc $P \subsetneq P + P'$, d'où $2 < \dim(P + P') \leq 3$ : $\dim(P + P') = 3$. Par Grassmann, $\dim(P \cap P') = 2 + 2 - 3 = 1$ : deux plans vectoriels distincts de $\mathbb{R}^3$ se coupent selon une droite.

Signaler : ce contenu

4.Rang d'une famille de vecteurs

Définition

Rang d'une famille

Le rang d'une famille finie $(x_1, \dots, x_p)$ de vecteurs de $E$ est la dimension du sous-espace qu'elle engendre : $$\operatorname{rg}(x_1, \dots, x_p) = \dim \operatorname{Vect}(x_1, \dots, x_p).$$ Ce sous-espace est de dimension finie car engendré par $p$ vecteurs.

Signaler : ce contenu
Propriété

Encadrement du rang

  • $\operatorname{rg}(x_1, \dots, x_p) \leq p$, avec égalité si et seulement si la famille est libre.
  • Si $E$ est de dimension $n$ : $\operatorname{rg}(x_1, \dots, x_p) \leq n$, avec égalité si et seulement si la famille engendre $E$.
Signaler : ce contenu
Démonstration

Preuve

Notons $V = \operatorname{Vect}(x_1, \dots, x_p)$. La famille $(x_1, \dots, x_p)$ engendre $V$, donc $\dim V \leq p$, avec égalité si et seulement si c'est une base de $V$ (caractérisation par le cardinal), c'est-à-dire si et seulement si elle est libre.

Si $\dim E = n$, $V \subset E$ donne $\dim V \leq n$, avec égalité si et seulement si $V = E$, c'est-à-dire si la famille engendre $E$.

Signaler : ce contenu
Propriété

Opérations élémentaires

Le rang d'une famille (et même le sous-espace engendré) ne change pas si l'on :

  • permute les vecteurs ;
  • multiplie un vecteur par un scalaire non nul ;
  • ajoute à un vecteur une combinaison linéaire des autres vecteurs ;
  • supprime un vecteur nul ou un vecteur combinaison linéaire des autres.
Signaler : ce contenu
Méthode

Calculer le rang d'une famille de $\mathbb{K}^n$ par échelonnement

  1. Écrire les vecteurs en lignes.
  2. Choisir un vecteur dont la première coordonnée est non nulle et l'utiliser pour annuler la première coordonnée des autres (opérations $x_j \leftarrow x_j - \alpha x_1$).
  3. Recommencer avec la coordonnée suivante sur les vecteurs restants.
  4. Quand la famille est échelonnée, le rang est le nombre de vecteurs non nuls : une famille échelonnée de vecteurs non nuls est libre. Les opérations effectuées fournissent au passage les relations de liaison.
Signaler : ce contenu
Exemple

Un calcul de rang dans $\mathbb{R}^4$

Soit $u_1 = (1,2,0,1)$, $u_2 = (2,1,1,0)$, $u_3 = (0,3,-1,2)$, $u_4 = (1,-1,1,-1)$.

On remplace $u_2$ par $u_2 - 2u_1 = (0,-3,1,-2)$ et $u_4$ par $u_4 - u_1 = (0,-3,1,-2)$. On constate que $u_3 + (u_2 - 2u_1) = 0$ et $(u_4 - u_1) - (u_2 - 2u_1) = 0$. La famille a le même rang que $(u_1, (0,-3,1,-2))$, qui est libre (vecteurs non colinéaires). Donc $$\operatorname{rg}(u_1, u_2, u_3, u_4) = 2,$$ avec les relations $u_3 = 2u_1 - u_2$ et $u_4 = u_2 - u_1$. On vérifie : $2u_1 - u_2 = (0,3,-1,2)$ et $u_2 - u_1 = (1,-1,1,-1)$.

Signaler : ce contenu
Remarque

Lien avec les matrices

Le rang d'une famille de $\mathbb{K}^n$ est aussi le rang de la matrice dont les colonnes sont ces vecteurs ; ce point de vue, et le calcul par opérations sur les lignes et les colonnes, est développé dans le chapitre sur les matrices.

Signaler : ce contenu

5.Applications linéaires en dimension finie et théorème du rang

Théorème

Détermination par l'image d'une base

Soit $(e_1, \dots, e_n)$ une base de $E$ et $(f_1, \dots, f_n)$ une famille quelconque de $F$. Il existe une unique application linéaire $u \in \mathcal{L}(E, F)$ telle que $u(e_i) = f_i$ pour tout $i$. Elle est donnée par $u\big(\sum \lambda_i e_i\big) = \sum \lambda_i f_i$.

Signaler : ce contenu
Démonstration

Preuve

Unicité : si $u$ convient, la linéarité impose $u(\sum \lambda_i e_i) = \sum \lambda_i f_i$.

Existence : tout $x \in E$ s'écrit de façon unique $x = \sum \lambda_i e_i$, ce qui permet de définir $u(x) = \sum \lambda_i f_i$. Les coordonnées de $\alpha x + \beta y$ sont $\alpha \lambda_i + \beta \mu_i$, donc $u(\alpha x + \beta y) = \alpha u(x) + \beta u(y)$, et $u(e_i) = f_i$.

Signaler : ce contenu
Propriété

Injectivité, surjectivité et image d'une base

Soit $(e_1, \dots, e_n)$ une base de $E$ et $u \in \mathcal{L}(E,F)$. Alors $\operatorname{Im} u = \operatorname{Vect}(u(e_1), \dots, u(e_n))$ et :

  • $u$ est injective si et seulement si $(u(e_1), \dots, u(e_n))$ est libre ;
  • $u$ est surjective si et seulement si $(u(e_1), \dots, u(e_n))$ engendre $F$ ;
  • $u$ est un isomorphisme si et seulement si $(u(e_1), \dots, u(e_n))$ est une base de $F$.
Signaler : ce contenu
Démonstration

Preuve

Pour $x = \sum \lambda_i e_i$, on a $u(x) = \sum \lambda_i u(e_i)$, d'où l'expression de $\operatorname{Im} u$, puis le point sur la surjectivité.

Si $u$ est injective et $\sum \lambda_i u(e_i) = 0$, alors $u(\sum \lambda_i e_i) = 0$, donc $\sum \lambda_i e_i = 0$ et tous les $\lambda_i$ sont nuls. Réciproquement, si la famille image est libre et $u(x) = 0$ avec $x = \sum \lambda_i e_i$, alors $\sum \lambda_i u(e_i) = 0$, donc les $\lambda_i$ sont nuls et $x = 0$ : $\operatorname{Ker} u = \{0\}$.

Le dernier point combine les deux premiers.

Signaler : ce contenu
Théorème

Espaces isomorphes

Deux espaces de dimension finie sont isomorphes si et seulement s'ils ont la même dimension. En particulier, tout espace de dimension $n$ est isomorphe à $\mathbb{K}^n$, via l'application qui à un vecteur associe ses coordonnées dans une base.

De plus, un espace isomorphe à un espace de dimension finie est de dimension finie, de même dimension.

Signaler : ce contenu
Démonstration

Preuve

Si $u : E \to F$ est un isomorphisme et $(e_1, \dots, e_n)$ une base de $E$, alors $(u(e_1), \dots, u(e_n))$ est une base de $F$, donc $F$ est de dimension finie et $\dim F = n$.

Réciproquement, si $\dim E = \dim F = n$, avec des bases $(e_i)$ et $(f_i)$, l'application linéaire définie par $u(e_i) = f_i$ envoie une base sur une base : c'est un isomorphisme.

Signaler : ce contenu
Propriété

Dimension de $\mathcal{L}(E,F)$

Si $E$ et $F$ sont de dimension finie, $\mathcal{L}(E,F)$ est de dimension finie et $$\dim \mathcal{L}(E,F) = \dim E \times \dim F.$$ En particulier, $\dim \mathcal{L}(E) = (\dim E)^2$ et le dual $E^* = \mathcal{L}(E, \mathbb{K})$ vérifie $\dim E^* = \dim E$.

Signaler : ce contenu
Démonstration

Preuve

Soit $(e_1, \dots, e_n)$ une base de $E$. L'application $\Phi : \mathcal{L}(E,F) \to F^n$, $u \mapsto (u(e_1), \dots, u(e_n))$ est linéaire, et bijective d'après le théorème de détermination par l'image d'une base. Donc $\dim \mathcal{L}(E,F) = \dim F^n = n \dim F$ (dimension d'un produit).

Signaler : ce contenu
Définition

Rang d'une application linéaire

Soit $u \in \mathcal{L}(E,F)$ avec $E$ de dimension finie. Le sous-espace $\operatorname{Im} u$ est de dimension finie (engendré par l'image d'une base) et on appelle rang de $u$ : $$\operatorname{rg} u = \dim \operatorname{Im} u = \operatorname{rg}(u(e_1), \dots, u(e_n))$$ pour toute base $(e_1, \dots, e_n)$ de $E$. On a $\operatorname{rg} u \leq \dim E$ et, si $F$ est de dimension finie, $\operatorname{rg} u \leq \dim F$, avec égalité si et seulement si $u$ est surjective.

Signaler : ce contenu
Propriété

Rang d'une composée

Soit $u \in \mathcal{L}(E,F)$ et $v \in \mathcal{L}(F,G)$, avec $E$ et $F$ de dimension finie.

  • $\operatorname{rg}(v \circ u) \leq \min(\operatorname{rg} u, \operatorname{rg} v)$.
  • Si $u$ est un isomorphisme, $\operatorname{rg}(v \circ u) = \operatorname{rg} v$.
  • Si $v$ est un isomorphisme, $\operatorname{rg}(v \circ u) = \operatorname{rg} u$. Composer par un isomorphisme ne change pas le rang.
Signaler : ce contenu
Démonstration

Preuve

$\operatorname{Im}(v \circ u) \subset \operatorname{Im} v$, d'où $\operatorname{rg}(v \circ u) \leq \operatorname{rg} v$. Par ailleurs $\operatorname{Im}(v \circ u) = v(\operatorname{Im} u)$ : si $(y_1, \dots, y_r)$ est une base de $\operatorname{Im} u$, alors $(v(y_1), \dots, v(y_r))$ engendre $v(\operatorname{Im} u)$, donc $\operatorname{rg}(v \circ u) \leq r = \operatorname{rg} u$.

Si $u$ est un isomorphisme, $\operatorname{Im} u = F$ et $\operatorname{Im}(v \circ u) = v(F) = \operatorname{Im} v$.

Si $v$ est un isomorphisme, $v$ est injective, donc la famille $(v(y_1), \dots, v(y_r))$ est libre (image d'une famille libre par une application injective) : c'est une base de $v(\operatorname{Im} u)$, de cardinal $r$.

Signaler : ce contenu
Théorème

Théorème du rang

Soit $u \in \mathcal{L}(E,F)$.

Forme géométrique. Si $S$ est un supplémentaire de $\operatorname{Ker} u$ dans $E$, alors la restriction $u_{|S} : S \to \operatorname{Im} u$, $x \mapsto u(x)$ est un isomorphisme.

Formule. Si $E$ est de dimension finie ($F$ quelconque) : $$\dim E = \dim \operatorname{Ker} u + \operatorname{rg} u.$$

Signaler : ce contenu
Démonstration

Preuve

L'application $w = u_{|S} : S \to \operatorname{Im} u$ est bien définie et linéaire.

Injectivité. Si $x \in S$ et $w(x) = 0$, alors $x \in S \cap \operatorname{Ker} u = \{0\}$.

Surjectivité. Soit $y \in \operatorname{Im} u$, $y = u(x)$ avec $x \in E$. On écrit $x = k + s$ avec $k \in \operatorname{Ker} u$ et $s \in S$. Alors $y = u(k) + u(s) = u(s) = w(s)$.

Si $E$ est de dimension finie, $\operatorname{Ker} u$ admet un supplémentaire $S$, avec $\dim S = \dim E - \dim \operatorname{Ker} u$. Comme $S$ et $\operatorname{Im} u$ sont isomorphes, $\operatorname{rg} u = \dim S = \dim E - \dim \operatorname{Ker} u$.

Signaler : ce contenu
Attention

Le noyau et l'image ne sont pas toujours supplémentaires

La formule du rang donne $\dim \operatorname{Ker} u + \dim \operatorname{Im} u = \dim E$ lorsque $u \in \mathcal{L}(E)$, mais pas $E = \operatorname{Ker} u \oplus \operatorname{Im} u$. Contre-exemple : $u : \mathbb{R}^2 \to \mathbb{R}^2$, $(x,y) \mapsto (y, 0)$. On a $\operatorname{Ker} u = \operatorname{Im} u = \mathbb{R}(1,0)$.

De même, c'est la dimension de l'espace de départ qui intervient, jamais celle de l'espace d'arrivée.

Signaler : ce contenu
Méthode

Déterminer noyau, image et rang

  1. Résoudre $u(x) = 0$ : on obtient une base de $\operatorname{Ker} u$ et sa dimension $k$.
  2. En déduire $\operatorname{rg} u = \dim E - k$ sans autre calcul.
  3. Pour une base de l'image : $\operatorname{Im} u = \operatorname{Vect}(u(e_1), \dots, u(e_n))$ ; on extrait de cette famille $\operatorname{rg} u$ vecteurs libres.
  4. Si $\operatorname{rg} u = \dim F$, alors $\operatorname{Im} u = F$ et $u$ est surjective.
Signaler : ce contenu
Exemple

Une application de $\mathbb{R}^4$ dans $\mathbb{R}^3$

Soit $u(x,y,z,t) = (x+y+z+t, \; x-y, \; z-t)$. Le noyau est défini par $x = y$, $z = t$ et $2y + 2t = 0$, soit $t = -y$ : $\operatorname{Ker} u = \operatorname{Vect}((1,1,-1,-1))$, de dimension $1$.

Par le théorème du rang, $\operatorname{rg} u = 4 - 1 = 3 = \dim \mathbb{R}^3$ : $u$ est surjective. Aucune résolution de système $u(x) = b$ n'est nécessaire.

Signaler : ce contenu
Exemple

L'opérateur de différence

Soit $n \geq 1$ et $\Delta : \mathbb{R}_n[X] \to \mathbb{R}_{n-1}[X]$, $P \mapsto P(X+1) - P(X)$.

  • $\Delta$ est bien à valeurs dans $\mathbb{R}_{n-1}[X]$ : si $P = \sum_{k=0}^n a_k X^k$, le coefficient de $X^n$ dans $P(X+1)$ est $a_n$, donc il disparaît dans la différence. La linéarité est immédiate.
  • Noyau : si $P(X+1) = P(X)$, alors $P(k) = P(0)$ pour tout $k \in \mathbb{N}$ par récurrence ; le polynôme $P - P(0)$ a une infinité de racines, il est nul. Donc $\operatorname{Ker} \Delta = \mathbb{R}_0[X]$, de dimension $1$.
  • Rang : $\operatorname{rg} \Delta = (n+1) - 1 = n = \dim \mathbb{R}_{n-1}[X]$.

Conclusion : $\Delta$ est surjective. Pour tout $Q$ de degré au plus $n-1$, il existe $P \in \mathbb{R}_n[X]$ tel que $P(X+1) - P(X) = Q$, et $P$ est unique à une constante additive près.

Signaler : ce contenu
Propriété

Dimension d'une somme de plusieurs sous-espaces

Soit $F_1, \dots, F_p$ des sous-espaces de dimension finie de $E$. Alors $$\dim(F_1 + \dots + F_p) \leq \dim F_1 + \dots + \dim F_p,$$ avec égalité si et seulement si la somme est directe.

Signaler : ce contenu
Démonstration

Preuve

L'application $\varphi : F_1 \times \dots \times F_p \to E$, $(x_1, \dots, x_p) \mapsto x_1 + \dots + x_p$ est linéaire, d'image $F_1 + \dots + F_p$. Par définition, la somme est directe si et seulement si $\varphi$ est injective. Le théorème du rang et la dimension d'un produit donnent $$\dim(F_1 + \dots + F_p) = \sum_{i=1}^p \dim F_i - \dim \operatorname{Ker} \varphi,$$ d'où l'inégalité, avec égalité si et seulement si $\operatorname{Ker} \varphi = \{0\}$.

Signaler : ce contenu

6.Caractérisation des isomorphismes et hyperplans

Théorème

Caractérisation des isomorphismes

Soit $E$ et $F$ de dimension finie avec $\dim E = \dim F = n$, et $u \in \mathcal{L}(E,F)$. Les assertions suivantes sont équivalentes :

  1. $u$ est injective ;
  2. $u$ est surjective ;
  3. $u$ est bijective ;
  4. $\operatorname{rg} u = n$. C'est le cas en particulier pour un endomorphisme $u \in \mathcal{L}(E)$ : $u \in GL(E) \iff \operatorname{Ker} u = \{0\} \iff \operatorname{Im} u = E$.
Signaler : ce contenu
Démonstration

Preuve

Par le théorème du rang, $\operatorname{rg} u = n - \dim \operatorname{Ker} u$. Donc $u$ injective $\iff \dim \operatorname{Ker} u = 0 \iff \operatorname{rg} u = n$. Comme $\operatorname{Im} u \subset F$ et $\dim F = n$, on a $\operatorname{rg} u = n \iff \operatorname{Im} u = F \iff u$ surjective. Ainsi (1), (2), (4) sont équivalentes, et chacune équivaut à (3), qui est la conjonction de (1) et (2).

Signaler : ce contenu
Propriété

Dimensions différentes

Soit $u \in \mathcal{L}(E,F)$ avec $E$, $F$ de dimension finie.

  • Si $u$ est injective, alors $\dim E \leq \dim F$.
  • Si $u$ est surjective, alors $\dim E \geq \dim F$. Par contraposée : si $\dim E > \dim F$, $u$ n'est pas injective ; si $\dim E < \dim F$, $u$ n'est pas surjective. Cela découle de $\operatorname{rg} u = \dim E - \dim \operatorname{Ker} u$ et $\operatorname{rg} u \leq \dim F$.
Signaler : ce contenu
Propriété

Inverse à gauche ou à droite

Soit $E$ de dimension finie et $u, v \in \mathcal{L}(E)$. Si $v \circ u = \mathrm{id}_E$, alors $u$ et $v$ sont des isomorphismes et $v = u^{-1}$. Il en va de même si $u \circ v = \mathrm{id}_E$.

Signaler : ce contenu
Démonstration

Preuve

Si $v \circ u = \mathrm{id}_E$ et $u(x) = 0$, alors $x = v(u(x)) = v(0) = 0$ : $u$ est injective, donc bijective par la caractérisation des isomorphismes. Alors $v = v \circ (u \circ u^{-1}) = (v \circ u) \circ u^{-1} = u^{-1}$.

Si $u \circ v = \mathrm{id}_E$, on applique ce qui précède en échangeant $u$ et $v$ : $v$ est bijective et $u = v^{-1}$, donc $u$ est bijective et $v = u^{-1}$.

Signaler : ce contenu
Attention

Faux en dimension infinie

Sur $\mathbb{K}[X]$, la dérivation $D : P \mapsto P'$ est surjective mais pas injective ($D(1) = 0$). L'application $I : P \mapsto$ l'unique primitive de $P$ nulle en $0$ est injective mais pas surjective (les constantes non nulles ne sont pas atteintes). On a $D \circ I = \mathrm{id}$ mais $I \circ D \neq \mathrm{id}$ car $I(D(1)) = 0$.

Avant d'utiliser « injective équivaut à surjective », vérifier : dimension finie et dimensions de départ et d'arrivée égales.

Signaler : ce contenu
Méthode

Montrer qu'une application linéaire est un isomorphisme

  1. Vérifier la linéarité et que les espaces de départ et d'arrivée ont la même dimension finie.
  2. Montrer l'injectivité : prendre $x$ tel que $u(x) = 0$ et prouver $x = 0$.
  3. Conclure à la bijectivité par la caractérisation des isomorphismes. On obtient ainsi l'existence d'un antécédent sans le construire : c'est souvent le but de l'exercice.
Signaler : ce contenu
Exemple

Interpolation de Lagrange

Soit $a_0, \dots, a_n$ des scalaires deux à deux distincts et $\varphi : \mathbb{K}_n[X] \to \mathbb{K}^{n+1}$, $P \mapsto (P(a_0), \dots, P(a_n))$.

  • $\varphi$ est linéaire et $\dim \mathbb{K}_n[X] = n + 1 = \dim \mathbb{K}^{n+1}$.
  • Si $\varphi(P) = 0$, $P$ est de degré au plus $n$ et possède $n+1$ racines distinctes : $P = 0$. Donc $\varphi$ est injective.

$\varphi$ est un isomorphisme : pour tous $b_0, \dots, b_n \in \mathbb{K}$, il existe un unique $P \in \mathbb{K}_n[X]$ tel que $P(a_i) = b_i$ pour tout $i$.

Signaler : ce contenu
Propriété

Hyperplans en dimension finie

Soit $E$ de dimension $n \geq 1$. Un sous-espace $H$ de $E$ est un hyperplan (noyau d'une forme linéaire non nulle) si et seulement si $\dim H = n - 1$.

Si $\mathcal{B} = (e_1, \dots, e_n)$ est une base de $E$, tout hyperplan admet une équation $a_1 x_1 + \dots + a_n x_n = 0$ dans $\mathcal{B}$, avec $(a_1, \dots, a_n) \neq (0, \dots, 0)$, où $a_i = \varphi(e_i)$. Deux formes linéaires non nulles de même noyau sont proportionnelles.

Signaler : ce contenu
Démonstration

Preuve

Si $H = \operatorname{Ker} \varphi$ avec $\varphi \in E^*$ non nulle, $\operatorname{Im} \varphi$ est un sous-espace non nul de $\mathbb{K}$, donc égal à $\mathbb{K}$, et $\operatorname{rg} \varphi = 1$. Le théorème du rang donne $\dim H = n - 1$.

Réciproquement, si $\dim H = n-1$, on complète une base $(e_1, \dots, e_{n-1})$ de $H$ en une base $(e_1, \dots, e_n)$ de $E$ et on définit $\varphi \in E^*$ par $\varphi(e_i) = 0$ pour $i < n$ et $\varphi(e_n) = 1$. Alors $\varphi \neq 0$, $H \subset \operatorname{Ker} \varphi$ et $\dim \operatorname{Ker} \varphi = n - 1 = \dim H$, donc $H = \operatorname{Ker} \varphi$.

Proportionnalité : si $H = \operatorname{Ker} \varphi = \operatorname{Ker} \psi$, soit $a \notin H$ ; alors $E = H \oplus \mathbb{K} a$ (dimensions $n-1$ et $1$, intersection nulle). La forme $\psi - \frac{\psi(a)}{\varphi(a)} \varphi$ est nulle sur $H$ et en $a$, donc sur $E$.

Signaler : ce contenu
Propriété

Intersection d'hyperplans

Soit $E$ de dimension $n$, $F$ un sous-espace et $H$ un hyperplan. Alors $\dim(F \cap H) \geq \dim F - 1$. Par récurrence, l'intersection de $m$ hyperplans est de dimension au moins $n - m$.

Conséquence : l'ensemble des solutions d'un système linéaire homogène de $m$ équations à $n$ inconnues est un sous-espace de $\mathbb{K}^n$ de dimension au moins $n - m$. Si $m < n$, il admet une solution non nulle.

Signaler : ce contenu
Démonstration

Preuve

Par Grassmann, $\dim(F \cap H) = \dim F + \dim H - \dim(F + H) \geq \dim F + (n-1) - n = \dim F - 1$, car $\dim(F + H) \leq n$.

Pour $H_1, \dots, H_m$, on montre par récurrence sur $k$ que $\dim(H_1 \cap \dots \cap H_k) \geq n - k$ : c'est vrai pour $k = 1$, et l'inégalité précédente appliquée à $F = H_1 \cap \dots \cap H_k$ et $H = H_{k+1}$ donne l'hérédité.

Chaque équation non triviale du système définit un hyperplan de $\mathbb{K}^n$ ; une équation identiquement nulle définit $\mathbb{K}^n$ tout entier, ce qui ne fait qu'améliorer la minoration.

Signaler : ce contenu
Remarque

Réciproque

Tout sous-espace de dimension $n - m$ d'un espace de dimension $n$ est l'intersection de $m$ hyperplans : on complète une base $(e_1, \dots, e_{n-m})$ du sous-espace en une base de $E$ et on prend les hyperplans « $x_j = 0$ » pour $j > n - m$. Ainsi un sous-espace de dimension $p$ de $\mathbb{K}^n$ se décrit par $n - p$ équations indépendantes.

Signaler : ce contenu