Fiche de révision : Fondements de l'Algèbre Linéaire

📋 Plan du Cours

1. Espaces vectoriels
2. Sous-espaces vectoriels
3. Familles génératrices
4. Familles libres
5. Bases et coordonnées
6. Applications linéaires
7. Noyau et image
8. Isomorphismes et automorphismes
9. Projecteurs et symétries
10. Sommes directes et sous-espaces supplémentaires

📖 1. Espaces vectoriels

🔑 Notions clés & Définitions

• Espace vectoriel sur K (ou K-espace vectoriel) : Ensemble E muni de deux lois de composition, + (addition interne) et λ· (multiplication externe par un scalaire λ ∈ K), vérifiant les propriétés d’associativité, de commutativité, d’existence d’un élément neutre (vecteur nul) et d’un opposé pour +, ainsi que la compatibilité avec la multiplication par les scalaires.
  Source : AUTEUR (date) : définition formelle d’un espace vectoriel.

• Lois de composition :

  • Addition interne (+) : application de E × E dans E, vérifiant :
    1. Associativité : (x + y) + z = x + (y + z)
    2. Commutativité : x + y = y + x
    3. Élément neutre : ∃ 0E ∈ E tel que ∀ x ∈ E, x + 0E = x
    4. Symétrique : ∀ x ∈ E, ∃ -x ∈ E tel que x + (-x) = 0E
  • Multiplication par un scalaire (λ·) : application de K × E dans E, vérifiant :
    1. Distributivité sur la somme : λ·(x + y) = λ·x + λ·y
    2. Distributivité sur les scalaires : (λ + μ)·x = λ·x + μ·x
    3. Compatibilité des scalaires : λ·(μ·x) = (λμ)·x
    4. Unité : 1·x = x
       Source : AUTEUR (date) : propriétés fondamentales.

• Exemples d’espaces vectoriels :

  • K lui-même, avec addition et multiplication usuelles.
  • K^n, l’ensemble des n-uplets de scalaires.
  • Espaces de fonctions, polynômes, matrices.
    Source : AUTEUR (date) : exemples classiques d’espaces vectoriels.

📝 Points essentiels

• La structure d’espace vectoriel repose sur deux lois fondamentales : l’addition interne (+) et la multiplication externe (λ·), qui doivent satisfaire des propriétés précises (associativité, commutativité, neutralité, symétrie, distributivité, compatibilité).
• La loi d’addition est une loi interne, c’est-à-dire qu’elle associe deux vecteurs à un vecteur dans le même ensemble E. La multiplication par un scalaire est une loi externe, associant un scalaire λ et un vecteur x à un vecteur λ·x dans E.
• La définition d’un espace vectoriel ne dépend pas de la nature spécifique de E, mais uniquement de ces propriétés.
• Exemple fondamental : K lui-même, muni de l’addition et de la multiplication usuelles, constitue un espace vectoriel.
• La notion de vecteur nul (0E) et d’opposé (-x) est essentielle pour la structure, permettant de définir la symétrie et la neutralité.
• La structure d’espace vectoriel est plus générale que la géométrie plane ou dans l’espace, elle englobe aussi suites, fonctions, polynômes, matrices, etc.
• La compréhension de ces notions permet d’étudier les applications linéaires, sous-espaces, bases, etc., en adoptant une vision géométrique et algébrique unifiée.

💡 À retenir

Un espace vectoriel sur un corps K est un ensemble doté de lois d’addition interne et de multiplication externe par un scalaire, vérifiant des propriétés fondamentales d’associativité, de commutativité, d’existence d’un vecteur nul et d’un opposé, ce qui permet d’étendre la géométrie à des objets variés comme les fonctions, polynômes ou matrices.

📖 2. Sous-espaces vectoriels

🔑 Notions clés & Définitions

• Sous-espace vectoriel (SEV) : Ensemble $F$ d’un espace vectoriel $E$ sur un corps $K$ tel que :

  1. $0_E \in F$ (contient le vecteur nul),
  2. $F \neq \emptyset$,
  3. $\forall x, y \in F, \ x + y \in F$ (stabilité par addition),
  4. $\forall \lambda \in K, \ x \in F, \ \lambda x \in F$ (stabilité par multiplication scalaire).
     (Définition 1.2)

• Caractérisation par combinaisons linéaires : Un ensemble $F$ est un sous-espace vectoriel si et seulement si il est stable par toutes les combinaisons linéaires de ses éléments, c’est-à-dire : $\forall x, y \in F, \ \forall \lambda, \mu \in K, \ \lambda x + \mu y \in F$.
  (Proposition 1.2)

• Propriété fondamentale : Tout sous-espace vectoriel contient le vecteur nul $0_E$, et si $x \in F$, alors son opposé $-x$ appartient aussi à $F$.
  (Remarque 1.2)

• Exemples :

  • Ensemble des solutions d’équations linéaires homogènes (exemple 1.11),
  • Sous-ensembles de polynômes de degré inférieur ou égal à $n$ (exemple 1.12),
  • Fonctions continues ou dérivables (exemples 1.13 et 1.14).

• Intersection de sous-espaces : L’intersection de deux sous-espaces vectoriels $F$ et $G$ de $E$ est un sous-espace vectoriel de $E$.
  (Proposition 1.3)

📖 3. Familles génératrices

🔑 Notions clés & Définitions

• Combinaison linéaire : Soit $x_1, x_2, \ldots, x_p$ des vecteurs d’un espace vectoriel $E$ sur un corps $K$. Une combinaison linéaire de ces vecteurs est un vecteur $x \in E$ de la forme $x = \lambda_1 x_1 + \lambda_2 x_2 + \cdots + \lambda_p x_p$, où $\lambda_i \in K$ (définition implicite dans le contexte, voir section 1.3).
• Sous-espace vectoriel engendré par une famille finie : L’ensemble $\operatorname{Vect}(x_1, \ldots, x_p)$ constitué de toutes les combinaisons linéaires des vecteurs $x_1, \ldots, x_p$. C’est le plus petit sous-espace contenant cette famille, c’est-à-dire l’ensemble de tous les vecteurs qui peuvent s’écrire comme une combinaison linéaire de ces vecteurs (proposition 1.1).
• Famille génératrice : Une famille finie $(x_1, \ldots, x_p)$ d’un espace vectoriel $E$ est dite génératrice de $E$ si le sous-espace qu’elle engendre est égal à $E$, c’est-à-dire si tout vecteur de $E$ peut s’écrire comme une combinaison linéaire des vecteurs de cette famille (définition 1.5).
• Propriété de stabilité par combinaison linéaire : Un sous-espace $F \subset E$ est caractérisé par le fait qu’il est stable par la formation de combinaisons linéaires, c’est-à-dire que si $x, y \in F$ et $\lambda, \mu \in K$, alors $\lambda x + \mu y \in F$ (proposition 1.2).
• Plus petit sous-espace contenant une famille : La famille $\operatorname{Vect}(x_1, \ldots, x_p)$ est le plus petit sous-espace de $E$ contenant tous les vecteurs $x_i$, ce qui signifie que tout sous-espace contenant $x_1, \ldots, x_p$ doit contenir $\operatorname{Vect}(x_1, \ldots, x_p)$ (proposition 1.4).

📝 Points essentiels

• La combinaison linéaire est la construction fondamentale permettant de générer des vecteurs à partir d’une famille finie de vecteurs. Elle est définie par $x = \sum_{i=1}^p \lambda_i x_i$, avec $\lambda_i \in K$.
• Le sous-espace vectoriel engendré par une famille finie $(x_1, \ldots, x_p)$ est l’ensemble de toutes les combinaisons linéaires possibles de ces vecteurs, noté $\operatorname{Vect}(x_1, \ldots, x_p)$. Il est caractérisé comme étant le plus petit sous-espace contenant cette famille (proposition 1.1).
• Une famille $(x_1, \ldots, x_p)$ est dite génératrice si $\operatorname{Vect}(x_1, \ldots, x_p) = E$. Cela implique que chaque vecteur de $E$ peut s’écrire comme une combinaison linéaire de cette famille (définition 1.5).
• La stabilité par combinaison linéaire d’un sous-espace $F \subset E$ est essentielle pour sa caractérisation : si $x, y \in F$ et $\lambda, \mu \in K$, alors $\lambda x + \mu y \in F$ (proposition 1.2).
• La famille génératrice est un outil pour décrire un espace vectoriel en termes d’un nombre fini de vecteurs, facilitant la construction et l’étude de ses sous-espaces (méthodes 1.2, 1.4).

💡 À retenir

Une famille finie de vecteurs est génératrice d’un espace si toutes ses combinaisons linéaires couvrent cet espace, ce qui permet de le décrire de façon compacte et structurée.

📖 4. Familles libres

🔑 Notions clés & Définitions

• Famille libre : Une famille finie de vecteurs $(x_1, \dots, x_p)$ dans un espace vectoriel $E$ est dite libre si la seule combinaison linéaire nulle est celle où tous les scalaires sont nuls, c’est-à-dire que $\lambda_1 x_1 + \dots + \lambda_p x_p = 0$ implique $\lambda_1 = \dots = \lambda_p = 0$. AUTEUR (date) : cette définition exprime l'absence de relation de dépendance linéaire non triviale entre les vecteurs.

• Indépendance linéaire : Un ensemble de vecteurs $\{x_1, \dots, x_p\}$ est indépendant linéairement si la seule combinaison linéaire qui donne le vecteur nul est la combinaison triviale, c’est-à-dire que $\lambda_1 x_1 + \dots + \lambda_p x_p = 0$ implique $\lambda_1 = \dots = \lambda_p = 0$. AUTEUR (date) : cette notion formalise l'absence de relations de dépendance entre vecteurs, condition essentielle pour qu'une famille soit libre.

📖 5. Bases et coordonnées

🔑 Notions clés & Définitions

• Famille libre : Une famille de vecteurs $(x_1, ..., x_p)$ dans un espace vectoriel $E$ est dite libre si la seule combinaison linéaire nulle est la combinaison triviale, c’est-à-dire si $\lambda_1 x_1 + ... + \lambda_p x_p = 0$ implique $\lambda_1 = ... = \lambda_p = 0$. AUTEUR (source) : cette propriété correspond à l’indépendance linéaire, fondamentale pour la définition d’une base.

• Famille génératrice : Une famille $(x_1, ..., x_p)$ dans $E$ est dite génératrice si tout vecteur de $E$ peut s’écrire comme une combinaison linéaire de ces vecteurs, c’est-à-dire si $E = \operatorname{Vect}(x_1, ..., x_p)$. AUTEUR (source) : cette notion permet de couvrir tout l’espace par des vecteurs de la famille.

• Base : Une famille de vecteurs qui est à la fois libre et génératrice de $E$. Elle constitue un système minimal permettant d'exprimer tous les vecteurs de $E$ par des combinaisons linéaires. AUTEUR (source) : la base est une famille de vecteurs indépendants qui engendrent $E$.

• Coordonnées d’un vecteur dans une base : Si $(x_1, ..., x_n)$ est une base de $E$, alors tout vecteur $v \in E$ s’écrit de façon unique $v = \lambda_1 x_1 + ... + \lambda_n x_n$. Les scalaires $(\lambda_1, ..., \lambda_n)$ sont appelés coordonnées de $v$ dans cette base. AUTEUR (source) : cette décomposition est essentielle pour représenter et manipuler les vecteurs.

• Lien entre bases : Deux bases $(x_1, ..., x_n)$ et $(y_1, ..., y_n)$ de $E$ sont reliées par une matrice de changement de base, qui permet de passer des coordonnées d’un vecteur dans une base à celles dans l’autre. AUTEUR (source) : cette relation est fondamentale pour l’étude des transformations linéaires et des changements de perspective géométrique.

📝 Points essentiels

• La notion de famille libre est liée à l’indépendance linéaire, qui garantit qu’aucune relation non triviale n’existe entre les vecteurs. La famille libre sert de base pour définir une structure de coordonnées unique dans un espace vectoriel.

• La famille génératrice permet d’obtenir tout vecteur de l’espace par des combinaisons linéaires, ce qui est crucial pour la représentation et la dimension de l’espace.

• Une base est une famille qui est à la fois libre et génératrice, assurant une décomposition unique de chaque vecteur en coordonnées.

• La relation entre deux bases se traduit par une matrice de changement de base, qui permet de convertir les coordonnées d’un vecteur d’une base à une autre, facilitant ainsi la comparaison et la transformation des représentations.

• La connaissance des coordonnées dans une base donnée permet d’effectuer des opérations algébriques et géométriques de manière systématique et efficace.

💡 À retenir

Une base d’un espace vectoriel est une famille libre qui engendre tout l’espace, permettant une représentation unique de chaque vecteur par ses coordonnées dans cette base. La relation entre différentes bases est donnée par une matrice de changement, essentielle pour la transformation des coordonnées.

📖 6. Applications linéaires

🔑 Notions clés & Définitions

• Application linéaire : Une application $f : E \to F$ entre deux espaces vectoriels $E$ et $F$ est dite linéaire si elle respecte deux propriétés fondamentales : pour tous $x, y \in E$ et $\lambda \in K$, $f(x + y) = f(x) + f(y) \quad \text{et} \quad f(\lambda x) = \lambda f(x).$ Source : La structure d’espace vectoriel et ses morphismes (voir section 1).

• Respect de l’addition : La propriété que l’application $f$ conserve la loi d’addition, c’est-à-dire que pour tous $x, y \in E$, $f(x + y) = f(x) + f(y).$ Source : Définition d’application linéaire.

• Respect de la multiplication scalaire : La propriété que l’application $f$ conserve la multiplication par un scalaire $\lambda \in K$, c’est-à-dire que pour tout $x \in E$, $f(\lambda x) = \lambda f(x).$ Source : Définition d’application linéaire.

📝 Points essentiels

• Une application $f : E \to F$ est linéaire si et seulement si elle est additive et homogène par rapport à la multiplication scalaire, ce qui revient à respecter deux propriétés fondamentales (respect de l’addition et de la multiplication scalaire).
• La linéarité implique que l’image de la vecteur nul est le vecteur nul, c’est-à-dire $f(0_E) = 0_F$.
• Les applications linéaires sont des morphismes dans la catégorie des espaces vectoriels, ce qui permet d’étudier leur structure via des noyaux et images (voir section 7).
• Exemples : la transformation identité, la projection sur un sous-espace, la multiplication par un scalaire, la dérivée dans l’espace des fonctions, etc.
• La propriété de respect de l’addition et de la multiplication scalaire est fondamentale pour la cohérence des opérations dans l’algèbre linéaire, permettant notamment de caractériser les sous-espaces, bases, et transformations.

💡 À retenir

Une application linéaire est une fonction entre espaces vectoriels qui conserve la structure algébrique fondamentale, c’est-à-dire l’addition et la multiplication par un scalaire, ce qui permet d’étudier et de manipuler ces espaces à travers leurs morphismes.

📖 7. Noyau et image

🔑 Notions clés & Définitions

• Noyau d'une application linéaire : Ensemble des vecteurs de l'espace de départ qui sont envoyés sur le vecteur nul de l'espace d'arrivée.
  Formulation : Si $f : E \to F$ est une application linéaire, alors son noyau est $\ker(f) = \{ x \in E \mid f(x) = 0_F \}$.
  Auteur : La définition est une propriété fondamentale de l'algèbre linéaire, utilisée dans tout le chapitre.

• Image d'une application linéaire : Ensemble des vecteurs de l'espace d'arrivée qui sont images de vecteurs de l'espace de départ.
  Formulation : $\operatorname{Im}(f) = \{ y \in F \mid \exists x \in E, f(x) = y \}$.
  Auteur : La notion est centrale dans l'étude des applications linéaires, explicitée dans le contexte de la structure d'espace vectoriel.

• Propriétés du noyau et de l'image :

  • Sous-espaces vectoriels : $\ker(f)$ et $\operatorname{Im}(f)$ sont des sous-espaces vectoriels de $E$ et $F$ respectivement.
  • Inclusion : $\ker(f)$ est un sous-espace de $E$, et $\operatorname{Im}(f)$ est un sous-espace de $F$.
  • Lien avec la structure : La structure d'espace vectoriel garantit que ces ensembles sont fermés aux opérations d'addition et de multiplication par un scalaire.

📝 Points essentiels

• Le noyau $\ker(f)$ est l'ensemble des vecteurs qui "annulent" l'application. Il contient toujours le vecteur nul et est stable par addition et multiplication scalaire, ce qui en fait un sous-espace vectoriel de $E$.
• L'image $\operatorname{Im}(f)$ est l'ensemble des valeurs possibles de $f$. Elle est également un sous-espace vectoriel de $F$.
• La dimension du noyau et celle de l'image sont reliées par le théorème fondamental : $\dim(E) = \dim(\ker(f)) + \dim(\operatorname{Im}(f))$ (théorème de la dimension).
• La connaissance du noyau permet de caractériser la injectivité de $f$ (si $\ker(f) = \{0\}$, alors $f$ est injective).
• La connaissance de l'image permet de déterminer la surjectivité de $f$ (si $\operatorname{Im}(f) = F$, alors $f$ est surjective).

💡 À retenir

Le noyau et l'image d'une application linéaire sont deux sous-espaces fondamentaux qui décrivent respectivement les vecteurs envoyés sur zéro et les valeurs atteintes, jouant un rôle clé dans la compréhension de la structure et des propriétés de l'application.

📖 8. Isomorphismes et automorphismes

🔑 Notions clés & Définitions

• Isomorphisme entre espaces vectoriels : Une application linéaire bijective $f : E \to F$ entre deux espaces vectoriels $E$ et $F$ sur un corps $K$ est un isomorphisme. Elle conserve la structure vectorielle, c’est-à-dire que $f$ est injective, surjective, et vérifie $f(\lambda x + y) = \lambda f(x) + f(y)$ pour tous $x, y \in E$ et $\lambda \in K$. AUTEUR (date non précisée) : "application linéaire bijective" (voir section 6).

• Automorphisme : Un automorphisme d’un espace vectoriel $E$ est un isomorphisme de $E$ sur lui-même, c’est-à-dire une application linéaire bijective $f : E \to E$. Il conserve la structure de $E$ et possède un inverse $f^{-1}$ qui est aussi un automorphisme. AUTEUR (date non précisée) : "isomorphisme d’un espace vectoriel sur lui-même" (voir section 6).

• Propriétés des isomorphismes : Les isomorphismes sont inversibles, leur inverse étant aussi une application linéaire. Ils conservent la structure vectorielle, notamment la dimension, la famille libre, la base, et la structure algébrique. La composition de deux isomorphismes est un autre isomorphisme. AUTEUR (date non précisée) : "inversibilité, conservation de la structure" (voir section 6).

📝 Points essentiels

• Un isomorphisme établit une correspondance exacte entre deux espaces vectoriels, permettant de transférer toute propriété d’un espace à l’autre. La notion d’isomorphisme permet de définir deux espaces comme étant "fondamentalement équivalents" en algèbre linéaire, notamment par leur dimension (voir section 5).

• La structure d’automorphisme d’un espace $E$ forme un groupe, appelé groupe d’automorphismes, noté $Aut(E)$. Ce groupe est constitué de toutes les applications linéaires bijectives de $E$ sur lui-même, avec la composition comme loi de groupe.

• La propriété clé des isomorphismes est qu’ils préservent la dimension, la famille libre, la base, et toutes les propriétés algébriques liées à la structure vectorielle. En particulier, si $f : E \to F$ est un isomorphisme, alors $\dim(E) = \dim(F)$.

• La conservation de la structure par un automorphisme implique que tout sous-espace vectoriel de $E$ est envoyé sur un sous-espace vectoriel de même dimension, et que la structure de l’espace est "invariante" sous ces transformations.

💡 À retenir

Les isomorphismes et automorphismes sont des applications linéaires bijectives qui établissent une équivalence structurelle entre espaces vectoriels, permettant de transférer propriétés et de considérer deux espaces comme "identiques" du point de vue de l’algèbre linéaire.

📖 9. Projecteurs et symétries

🔑 Notions clés & Définitions

• Projecteur (application linéaire idempotente) :
  Une application linéaire $P : E \to E$ est appelée projecteur si elle vérifie la propriété d'idempotence, c’est-à-dire :
  $P^2 = P$
  Autrement dit, pour tout vecteur $x \in E$, on a $P(P(x)) = P(x)$.

• Symétrie (application linéaire involutive) :
  Une application linéaire $S : E \to E$ est dite symétrie si elle est involutive, c’est-à-dire :
  $S^2 = \mathrm{Id}$
  où $\mathrm{Id}$ désigne l'application identité. Cela implique que pour tout $x \in E$, $S(S(x)) = x$.

• Propriétés algébriques des projecteurs :
  Un projecteur $P$ est une application linéaire dont l'image $\operatorname{Im}(P)$ et le noyau $\operatorname{Ker}(P)$ sont des sous-espaces vectoriels complémentaires, vérifiant :
  $E = \operatorname{Im}(P) \oplus \operatorname{Ker}(P)$
  et pour tout $x \in E$, on peut écrire $x = P(x) + (x - P(x))$, avec $P(x) \in \operatorname{Im}(P)$ et $x - P(x) \in \operatorname{Ker}(P)$.

• Propriétés algébriques des symétries :
  Une symétrie $S$ est une application linéaire involutive, ce qui implique que :
  $S = S^{-1}$
  et que $S$ est une automorphisme de $E$ dont l'ensemble des vecteurs propres associés à la valeur propre $1$ et $-1$ permet de décomposer $E$ en deux sous-espaces invariants, $E = E_+ \oplus E_-$, où :
  $S|_{E_+} = \mathrm{Id}_{E_+} \quad \text{et} \quad S|_{E_-} = -\mathrm{Id}_{E_-}$

📖 10. Sommes directes et sous-espaces supplémentaires

🔑 Notions clés & Définitions

• Somme directe de sous-espaces vectoriels : Soient $F$ et $G$ deux sous-espaces vectoriels d’un espace $E$. La somme $F + G$ est dite directe, notée $F \oplus G$, si chaque vecteur $x \in F + G$ peut être unicement décomposé comme $x = u + v$ avec $u \in F$ et $v \in G$. Cela équivaut à ce que leur intersection soit réduite au vecteur nul, c’est-à-dire $F \cap G = \{0\}$.

• Sous-espace supplémentaire (complémentaire) : Soit $F$ un sous-espace de $E$. Un sous-espace $G$ est dit supplémentaire à $F$ dans $E$ si la somme $F + G$ est directe et si $E = F \oplus G$. Autrement dit, chaque vecteur de $E$ peut s’écrire de façon unique comme la somme d’un vecteur de $F$ et d’un vecteur de $G$.

• Caractérisation de la somme directe par unicité de décomposition : La somme $F + G$ est directe si et seulement si pour tout $x \in F + G$, il existe une unicité de décomposition $x = u + v$ avec $u \in F$ et $v \in G$. Cela revient à dire que l’intersection $F \cap G$ est réduite au vecteur nul, et que la décomposition est unique.

📝 Points essentiels

• La somme $F + G$ de deux sous-espaces $F$ et $G$ est un sous-espace vectoriel de $E$. Elle est directe si et seulement si $F \cap G = \{0\}$. La propriété d’unicité de la décomposition est une caractérisation essentielle de la somme directe, permettant d’écrire tout vecteur de $F \oplus G$ de façon unique comme somme de vecteurs de $F$ et $G$.

• La notion de sous-espace supplémentaire est fondamentale pour la décomposition d’un espace $E$ en la somme directe de deux sous-espaces $F$ et $G$. Si $G$ est un complémentaire de $F$, alors $E = F \oplus G$, ce qui facilite l’étude de la structure de $E$.

• La propriété d’unicité de la décomposition dans la somme directe est équivalente à la condition que l’intersection des sous-espaces soit triviale, c’est-à-dire $F \cap G = \{0\}$. Cela permet de caractériser la somme directe sans ambiguïté.

💡 À retenir

Une somme de sous-espaces est directe si chaque vecteur de la somme a une décomposition unique en éléments des sous-espaces, ce qui revient à ce que leur intersection soit réduite au vecteur nul. La notion de sous-espace supplémentaire est essentielle pour réaliser cette décomposition dans un espace vectoriel.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre espace vectoriel et sous-espace : un sous-espace doit contenir 0 et être stable, pas seulement un sous-ensemble.
2. Confusion entre famille génératrice et famille libre : une famille génératrice peut contenir des vecteurs dépendants.
3. Erreur dans la vérification de la liberté : ne pas vérifier que la seule combinaison nulle implique tous les scalaires nuls.
4. Confondre application linéaire et application affine : linéaire doit respecter la structure vectorielle.
5. Mauvaise utilisation du théorème du rang : ne pas distinguer noyau, image, et dimension.
6. Confusion entre projection et symétrie : la projection est idempotente, la symétrie involutive.
7. Confondre somme directe et somme simple : dans la somme directe, intersection est nulle et décomposition unique.
8. Erreur dans la maîtrise des coordonnées : ne pas vérifier que la famille est une base pour définir une coordonnée.
9. Confusion entre automorphisme et endomorphisme : automorphisme est bijectif.
10. Mauvaise compréhension des sous-espaces supplémentaires : doivent satisfaire la somme directe.
11. Confusion entre espace vectoriel et espace affine : dans un espace affine, pas d’opposé.
12. Mauvaise utilisation des propriétés de stabilité pour sous-espaces : vérifier toutes les propriétés pour chaque cas.

✅ Checklist Examen

1. Connaître la définition formelle d’un espace vectoriel selon AUTEUR (date).
2. Savoir démontrer qu’un ensemble est un sous-espace vectoriel en vérifiant la stabilité par addition et multiplication scalaire.
3. Savoir caractériser une famille génératrice et donner un exemple.
4. Définir une famille libre et expliquer comment vérifier cette propriété.
5. Savoir construire une base à partir d’une famille libre génératrice (théorème de base).
6. Définir une application linéaire, donner ses propriétés et exemples concrets.
7. Définir le noyau et l’image d’une application linéaire, et connaître leur nature en tant que sous-espaces.
8. Connaître la notion d’isomorphisme entre espaces vectoriels et ses implications.
9. Définir un automorphisme et donner un exemple.
10. Expliquer ce qu’est un projecteur, et donner un exemple de projection orthogonale.
11. Définir une symétrie dans un espace vectoriel et donner un exemple géométrique.
12. Connaître la définition d’une somme directe $E = F \oplus G$ et ses critères.
13. Savoir identifier un sous-espace supplémentaire pour une décomposition en somme directe.
14. Connaître la différence entre espace vectoriel et espace affine.
15. Maîtriser la notion de coordonnées dans une base et leur calcul.
16. Savoir utiliser le théorème du rang pour calculer la dimension de l’image et du noyau.
17. Connaître la définition d’un espace généré par une famille finie selon AUTEUR (date).
18. Être capable de vérifier si une famille est libre ou dépendante.
19. Savoir construire une famille libre à partir d’une famille génératrice (procédé de réduction).
20. Connaître la propriété que la somme de deux sous-espaces est un sous-espace si leur intersection est nulle.
21. Savoir démontrer qu’un sous-espace est stable par combinaison linéaire.
22. Vérifier si une application est un automorphisme en utilisant sa matrice.