Lernzettel: Introduction aux Espaces Vectoriels

📋 Plan du Cours

1. Définition espace vectoriel
2. Exemples d'espaces Rn et Cn
3. Sous-espaces vectoriels
4. Intersection de sous-espaces
5. Sommation de sous-espaces
6. Sous-espaces engendrés
7. Familles libres et dépendantes
8. Bases d’un espace vectoriel

📖 1. Définition espace vectoriel

🔑 Notions clés & Définitions

Espace vectoriel : Un ensemble E muni de deux opérations, une interne + : E × E → E, et une externe · : K × E → E, où K est un corps (R ou C), tel que le triplet (E, +, ·) vérifie huit axiomes précis. Ces axiomes garantissent que l’ensemble possède une structure algébrique permettant de faire des opérations de combinaison linéaire.

Opération interne : La loi + qui associe à deux vecteurs u et v de E un vecteur u + v dans E. Elle doit être associative et commutative, et admettre un vecteur nul et un opposé pour chaque vecteur.

Opération externe : La loi · qui associe à un scalaire λ de K et un vecteur u de E un vecteur λ · u dans E. Elle doit respecter la distributivité à gauche et à droite, l’associativité avec la multiplication scalaire, et l’existence d’un élément neutre (1 · u = u).

Vecteur nul : Élément unique 0E dans E tel que, pour tout u dans E, u + 0E = u. Il sert de référence pour définir l’opposé d’un vecteur.

Opposé d’un vecteur : Pour chaque u dans E, un vecteur v tel que u + v = 0E. Il est unique et permet de réaliser des opérations de soustraction.

Distributivité à gauche : Pour tout λ, μ dans K et u, v dans E, (λ + μ) · u = λ · u + μ · u.

Distributivité à droite : Pour tout λ dans K et u, v dans E, λ · (u + v) = λ · u + λ · v.

📝 Points essentiels

Un espace vectoriel est défini par un ensemble E muni d’une addition + et d’une multiplication par un scalaire ·, satisfaisant huit axiomes précis. Parmi eux, l’associativité et la commutativité de l’addition, l’existence d’un vecteur nul et d’un opposé pour chaque vecteur, ainsi que la distributivité et l’associativité de la multiplication scalaire. La présence d’un vecteur nul unique et d’un opposé pour chaque vecteur garantit la structure algébrique cohérente de l’espace, permettant de manipuler les vecteurs comme dans un cadre linéaire.

💡 À retenir

Un espace vectoriel est un ensemble doté d’opérations qui respectent des axiomes fondamentaux, notamment l’existence d’un vecteur nul et d’un opposé pour chaque vecteur, ce qui assure une structure cohérente pour la combinaison linéaire des vecteurs.

📖 2. Exemples d'espaces Rn et Cn

🔑 Notions clés & Définitions

Espaces Rn : L’ensemble des n-uplets réels (x₁, x₂, ..., xₙ), où chaque xᵢ appartient à R, muni des opérations coordonnées usuelles (addition et multiplication par un scalaire). Cet ensemble constitue un espace vectoriel selon la définition classique.

Espaces Cn : L’ensemble des n-uplets complexes (z₁, z₂, ..., zₙ), avec zᵢ dans C, équipé des opérations coordonnées usuelles. C’est aussi un espace vectoriel, mais sur le corps C.

Addition coordonnée par coordonnée : Opération définie pour u = (u₁, ..., uₙ) et v = (v₁, ..., vₙ) dans Rⁿ ou Cⁿ :
(u + v) = (u₁ + v₁, ..., uₙ + vₙ).

Multiplication scalaire coordonnée : Pour λ dans R ou C et u = (u₁, ..., uₙ), on définit :
(λ · u) = (λ u₁, ..., λ uₙ).

Espaces Mn,p(K) : L’ensemble des matrices de taille n×p à coefficients dans K (K étant R ou C). Munies des opérations d’addition matricielle et de multiplication par un scalaire, ces matrices forment un espace vectoriel.

Espaces de fonctions : L’ensemble des fonctions définies sur un intervalle I et à valeurs dans un espace vectoriel (par exemple C ou R), muni des opérations d’addition de fonctions et de multiplication par un scalaire. Ces ensembles sont aussi des espaces vectoriels.

📝 Points essentiels

Les espaces Rn et Cn munis des opérations coordonnées usuelles sont des espaces vectoriels standards. La structure est simple : l’addition et la multiplication par un scalaire se font composante par composante, ce qui garantit la stabilité sous ces opérations.

Les espaces de matrices Mn,p(K) et les espaces de fonctions à valeurs dans un espace vectoriel sont également des exemples d’espaces vectoriels. Dans Mn,p(K), chaque matrice peut s’écrire comme une combinaison linéaire des matrices élémentaires Ei,j, ce qui montre leur structure vectorielle. De même, l’ensemble des fonctions définies sur un intervalle et à valeurs dans un espace vectoriel est stable par addition et multiplication scalaire, respectant la définition d’un espace vectoriel.

💡 À retenir

Les espaces Rn, Cn, Mn,p(K) et les espaces de fonctions illustrent concrètement la définition abstraite d’un espace vectoriel, en montrant comment des ensembles de vecteurs peuvent être munis d’opérations coordonnées simples et naturelles.

📖 3. Sous-espaces vectoriels

🔑 Notions clés & Définitions

Sous-espace vectoriel : Partie non vide d’un espace vectoriel qui est stable par addition et multiplication par un scalaire. Il doit contenir le vecteur nul et respecter les opérations vectorielles. (Source : contenu fourni)

Stabilité par addition : Si deux vecteurs appartiennent à un sous-espace, leur somme doit également appartenir à ce sous-espace. En d’autres termes, pour tout u, v dans F, u + v doit être dans F.

Stabilité par multiplication scalaire : Si un vecteur appartient à un sous-espace, alors sa multiplication par un scalaire doit aussi appartenir à ce sous-espace. Pour tout u dans F et tout scalaire μ, μ · u doit être dans F.

Vecteur nul dans un sous-espace : Le vecteur nul de l’espace initial doit appartenir au sous-espace pour que celui-ci possède une structure vectorielle cohérente. La présence du vecteur nul est nécessaire et suffisante pour caractériser un sous-espace.

Caractérisation des sous-espaces : Un sous-espace est entièrement déterminé par la présence du vecteur nul, la stabilité par addition et par multiplication scalaire. La vérification de ces propriétés permet d’identifier un sous-ensemble comme un sous-espace vectoriel.

📝 Points essentiels

Un sous-espace vectoriel est une partie non vide d’un espace vectoriel, stable par addition et multiplication par un scalaire. La présence du vecteur nul dans le sous-espace est une condition nécessaire et suffisante pour assurer la structure vectorielle. En effet, si un sous-ensemble F de l’espace E contient 0E, et si pour tout u, v dans F et tout μ dans K, u + v et μ · u sont dans F, alors F est un sous-espace vectoriel. La stabilité par addition et multiplication scalaire, combinée à la présence du vecteur nul, permet de reconnaître un sous-ensemble comme un sous-espace vectoriel.

💡 À retenir

Un sous-espace vectoriel est reconnu par sa non-vacuité, sa stabilité par addition et multiplication scalaire, et par la présence du vecteur nul. Ces critères précis permettent d’identifier facilement un sous-ensemble comme un sous-espace vectoriel.

📖 4. Intersection de sous-espaces

🔑 Notions clés & Définitions

Intersection de sous-espaces : L’intersection de plusieurs sous-espaces vectoriels d’un espace vectoriel E est l’ensemble des éléments communs à tous ces sous-espaces. Elle est notée généralement par ⋂ᵢ Fᵢ, où chaque Fᵢ est un sous-espace de E.

Stabilité de l'intersection : La propriété selon laquelle l’intersection de plusieurs sous-espaces vectoriels est elle-même un sous-espace vectoriel. Autrement dit, si F et G sont deux sous-espaces de E, alors F ∩ G est aussi un sous-espace de E.

Sous-espace vectoriel minimal contenant une intersection : Le plus petit sous-espace vectoriel de E qui contient une intersection donnée. Il s’agit de l’intersection de tous les sous-espaces de E contenant cette intersection, ce qui revient à considérer l’intersection elle-même si elle est déjà un sous-espace.

📝 Points essentiels

L’intersection de plusieurs sous-espaces vectoriels est elle-même un sous-espace vectoriel. Cette propriété découle directement de la stabilité de la structure vectorielle par l’intersection : si chaque sous-espace contient deux vecteurs, leur somme et leur scalaire sont aussi dans chacun des sous-espaces, donc dans leur intersection. Par conséquent, l’intersection conserve la structure d’un sous-espace.

Cette propriété permet de définir le plus petit sous-espace vectoriel contenant une intersection donnée. En effet, cet espace minimal est précisément l’intersection de tous les sous-espaces contenant cette intersection. Elle est essentielle pour construire et étudier des sous-espaces à partir d’intersections, en garantissant que la structure vectorielle est préservée.

💡 À retenir

L’intersection de plusieurs sous-espaces vectoriels est toujours un sous-espace vectoriel, ce qui permet de construire le plus petit sous-espace contenant une intersection donnée, en utilisant simplement l’intersection de tous ces sous-espaces.

📖 5. Sommation de sous-espaces

🔑 Notions clés & Définitions

Somme de sous-espaces : La somme de deux sous-espaces vectoriels F et G, notée F + G, est l'ensemble constitué de tous les vecteurs pouvant s’écrire comme la somme d’un vecteur de F et d’un vecteur de G. Elle contient chacun des deux sous-espaces, c’est-à-dire F ⊆ F + G et G ⊆ F + G.

Stabilité de la somme : La somme F + G est stable par addition et par multiplication par un scalaire, ce qui en fait un sous-espace vectoriel. En effet, si u, v ∈ F + G, alors u + v et λu (λ scalaire) appartiennent aussi à F + G.

Sous-espace engendré par la somme : La somme F + G est le plus petit sous-espace contenant l’union de F et G. Autrement dit, c’est le sous-espace engendré par F ∪ G.

📝 Points essentiels

• La somme de deux sous-espaces F et G est un sous-espace vectoriel contenant chacun d’eux, ce qui signifie que F ⊆ F + G et G ⊆ F + G. La somme est donc une opération qui combine ces sous-espaces pour former un nouveau sous-espace englobant leurs éléments.

• La somme correspond au plus petit sous-espace vectoriel contenant l’union des deux sous-espaces. Cela veut dire que tout sous-espace contenant F et G doit contenir F + G, qui est donc l’enveloppe minimale de leur union.

💡 À retenir

La somme de deux sous-espaces est une opération qui permet de créer un nouveau sous-espace englobant à la fois F et G, tout en étant le plus petit possible. Elle représente une manière de combiner des sous-espaces pour former un espace plus large, tout en conservant leur structure vectorielle.

📖 6. Sous-espaces engendrés

🔑 Notions clés & Définitions

Sous-espace engendré :
Le sous-espace engendré par une famille de vecteurs est l'ensemble de toutes leurs combinaisons linéaires.
C'est le plus petit sous-espace vectoriel contenant cette famille de vecteurs.

Combinaison linéaire :
Une combinaison linéaire d'une famille de vecteurs est une expression de la forme $\sum_{i} \lambda_{i} \mathbf{x}_{i}$, où $\lambda_{i}$ sont des scalaires et $\mathbf{x}_{i}$ sont les vecteurs de la famille.

Famille génératrice :
Une famille de vecteurs est dite génératrice d’un espace si tout vecteur de cet espace peut s’écrire comme une combinaison linéaire de cette famille.

Engendrement minimal :
Ce concept n’est pas explicitement défini dans le contenu source, mais il concerne la famille de vecteurs qui engendre un espace de façon minimale, c’est-à-dire sans vecteurs superflus.

📝 Points essentiels

Le sous-espace engendré par une famille de vecteurs est défini comme l’ensemble de toutes leurs combinaisons linéaires. Autrement dit, si l’on considère une famille $(x_i)_{i \in I}$, le sous-espace qu’elle engendre est :
$\text{E} = \left\{ \sum_{i \in I} \lambda_i x_i \mid \lambda_i \in K \right\}$
Ce sous-espace est le plus petit espace vectoriel contenant cette famille. En conséquence, tout sous-espace engendré est un sous-espace vectoriel, et toute famille qui le génère est dite génératrice de cet espace.

💡 À retenir

Le sous-espace engendré par une famille de vecteurs correspond à l’ensemble de toutes leurs combinaisons linéaires, constituant ainsi le plus petit sous-espace contenant cette famille. Saisir cette notion permet de comprendre comment un espace peut être construit à partir d’un ensemble de vecteurs par simple combinaison linéaire.

📖 7. Familles libres et dépendantes

🔑 Notions clés & Définitions

Famille libre
Une famille de vecteurs (u₁, ..., uₙ) dans un espace vectoriel E est dite libre (ou linéairement indépendante) si la seule combinaison linéaire nulle est celle où tous les coefficients sont nuls. Autrement dit, pour tout (i₁, ..., iₙ) dans K, si
∑ᵢ=1ⁿ iᵢ uᵢ = 0_E, alors tous les iᵢ = 0.
Source : D’après la définition 3.3.

Famille liée
Une famille (u₁, ..., uₙ) est liée si elle ne vérifie pas la condition de liberté, c’est-à-dire si il existe une combinaison linéaire non triviale (au moins un coefficient non nul) telle que
∑ᵢ=1ⁿ iᵢ uᵢ = 0_E, avec (i₁, ..., iₙ) ≠ (0, ..., 0).
Source : D’après la définition 3.3.

Relation de dépendance linéaire
Une famille est liée si et seulement si au moins un vecteur uᵢ est une combinaison linéaire des autres.
Source : Proposition 3.2.

Indépendance linéaire
Une famille est indépendante si aucune de ses composantes ne peut s’écrire comme une combinaison linéaire des autres, ce qui équivaut à la famille étant libre.
Source : D’après la définition 3.3.

📝 Points essentiels

• La famille (u₁, ..., uₙ) est libre si et seulement si la seule combinaison linéaire nulle est celle où tous les coefficients sont nuls.
• La famille (u₁, ..., uₙ) est liée si et seulement si il existe une combinaison linéaire non triviale qui donne le vecteur nul.
• La famille liée admet nécessairement un vecteur uᵢ qui est une combinaison linéaire des autres.
• La preuve de la lien entre dépendance et existence d’un vecteur comme combinaison linéaire des autres repose sur la proposition 3.2.
• La méthode pour montrer qu’une famille est libre consiste à supposer une combinaison linéaire nulle et à en déduire que tous les coefficients doivent être nuls.
• Exemple : La famille (e₁, ..., eₙ) dans Kn, où eᵢ sont les vecteurs de la base canonique, est libre.
• La famille (X, X+1) dans K[X] est libre, car la famille est échelonnée en degré, ce qui permet d’identifier les coefficients.
• Toute famille contenant le vecteur nul est liée.
• Une famille d’un seul vecteur est libre si et seulement si ce vecteur n’est pas nul.
• La famille (u, v) dans E² est libre si u et v ne sont pas colinéaires.
• La famille (cos, sin) dans F(R, R) est libre, car on peut montrer que la seule solution à cos + μ sin = 0 est μ = 0.
• La famille (P₁, ..., Pₙ) de polynômes non nuls, échelonnée en degré, est toujours libre.
• Toute sous-famille d’une famille libre est libre, et toute sur-famille d’une famille liée est liée.
• L’ajout d’un vecteur a à une famille libre (x₁, ..., xₙ) conserve la liberté si et seulement si a appartient à l’espace engendré par ces vecteurs.
• La famille (2, 1, 2), (1, 0, 2), (0, 1, 1) dans R³ est libre, car aucune de ses composantes n’est une combinaison des autres.
• La famille (2, 1, 2), (1, 0, 2), (0, 1, 1), (8, 4, 11) n’est pas libre, car une combinaison linéaire non triviale donne le vecteur nul.

💡 À retenir

Une famille de vecteurs est dite libre si aucune combinaison linéaire non triviale ne donne le vecteur nul, ce qui constitue la base de l’indépendance linéaire. La dépendance linéaire correspond à l’existence d’au moins une telle combinaison non triviale, caractérisant une relation de dépendance entre les vecteurs.

📖 8. Bases d’un espace vectoriel

🔑 Notions clés & Définitions

Base d’un espace vectoriel
AUTEUR (date) : Une famille B est une base de E si et seulement si B est une famille libre et génératrice. Cela signifie que tout vecteur de E peut s’écrire de manière unique comme combinaison linéaire des vecteurs de B.

Famille libre
Une famille de vecteurs (x₁, ..., xₙ) est libre si, pour toute combinaison linéaire nulle, les coefficients sont tous nuls. Autrement dit, si a₁x₁ + ... + aₙxₙ = 0, alors a₁ = ... = aₙ = 0.

Famille génératrice
Une famille L de vecteurs de E est génératrice si tout vecteur de E peut s’écrire comme une combinaison linéaire des vecteurs de L.

Dimension
AUTEUR (date) : Toutes les bases d’un espace vectoriel ont le même nombre d’éléments, appelé la dimension de l’espace.

Base canonique
AUTEUR (date) : La base canonique de ℝⁿ ou ℂⁿ est constituée des vecteurs unitaires canoniques, c’est-à-dire (e₁, ..., eₙ), où eᵢ est le vecteur dont la i-ème composante est 1 et toutes les autres sont 0.

Coordonnées dans une base
AUTEUR (date) : Pour x dans E, si B = (e₁, ..., eₙ) est une base, alors il existe un unique n-uplet (1, ..., n) tel que x = ∑_{i=1}^n i eᵢ. Ces coefficients (i) sont appelés les coordonnées de x dans la base B.

📝 Points essentiels

• Une base est une famille libre qui engendre l’espace vectoriel.
• La famille (x₁, ..., xₙ) est une base si et seulement si elle est libre et génératrice.
• La dimension d’un espace vectoriel est le nombre d’éléments de toute de ses bases, ce qui montre l’unicité de cette quantité.
• La base canonique de ℝⁿ ou ℂⁿ est formée des vecteurs unitaires (e₁, ..., eₙ).
• Tout vecteur dans un espace vectoriel peut être représenté de façon unique par ses coordonnées dans une base donnée.

💡 À retenir

La notion de base permet de décrire tout vecteur via des coordonnées uniques, ce qui facilite la compréhension de la structure de l’espace et la mesure de sa dimension. La base canonique constitue une référence naturelle dans certains espaces, mais toutes les espaces vectoriels ne disposent pas nécessairement d’une base canonique.

📊 Tableaux de Synthèse

Critère	Espace vectoriel	Sous-espace vectoriel	Exemple d’espace Rⁿ / Cⁿ	Exemple d’espace Mn,p(K)
Définition	Ensemble avec opérations + et · respectant 8 axiomes	Partie non vide stable par + et ·, contenant 0E	Vecteurs (x₁,...,xₙ) dans R ou C	Matrices n×p à coefficients dans K
Vecteur nul	Existant, unique, 0E dans E	Présent dans tout sous-espace	(0, ..., 0)	Matrice nulle
Opposé d’un vecteur	Existant, u + (-u) = 0E	Idem	-u	-M (matrice négative)
Closure addition	Toujours	Toujours	Composantes additionnées	Addition matricielle
Closure multiplication	Toujours	Toujours	Multiplication scalaire coordonnée	Multiplication scalaire sur matrices
Exemple concret	Rⁿ, Cⁿ, Mn,p(K), espaces de fonctions	Sous-ensemble stable par opérations	Sous-ensemble de vecteurs ou matrices	Sous-ensemble de matrices ou fonctions

⚠️ Pièges & Confusions Fréquentes

1. Confondre espace vectoriel et sous-espace : un sous-espace doit contenir le vecteur nul et être stable par addition et multiplication scalaire.
2. Oublier la nécessité que le vecteur nul appartient au sous-espace.
3. Confondre stabilité par addition et stabilité par multiplication scalaire : les deux doivent être vérifiées séparément.
4. Penser qu’un sous-ensemble contenant le vecteur nul est automatiquement un sous-espace : il faut aussi vérifier la stabilité.
5. Confusion entre l’espace engendré par une famille de vecteurs et un sous-espace quelconque.
6. Ne pas distinguer l’intersection de sous-espaces (qui est un sous-espace) d’un ensemble quelconque.
7. Se méfier des espaces de matrices ou fonctions : leur structure doit respecter la définition d’un espace vectoriel.

✅ Checklist Examen

1. Connaître la définition formelle d’un espace vectoriel selon les huit axiomes.
2. Savoir donner des exemples concrets d’espaces Rⁿ et Cⁿ munis des opérations coordonnées usuelles.
3. Comprendre la notion de sous-espace vectoriel, notamment la nécessité de contenir le vecteur nul.
4. Savoir caractériser un sous-espace par sa stabilité par addition et multiplication scalaire.
5. Identifier si un ensemble est un sous-espace en vérifiant ces propriétés.
6. Connaître la propriété que l’intersection de plusieurs sous-espaces est un sous-espace.
7. Maîtriser la définition d’un espace engendré par une famille de vecteurs.
8. Savoir distinguer famille libre, dépendante, et leur lien avec une base.
9. Connaître la définition d’une famille libre (aucune dépendance linéaire) et dépendante.
10. Savoir que toute famille libre peut constituer une base si elle engendre l’espace concerné.
11. Connaître la notion de base comme famille libre qui engendre l’espace vectoriel.
12. Auteurs clés : Perroux pour la croissance, notions fondamentales sur la structure algébrique des espaces vectoriels.