Aller au contenu
ELECTRONICS ENGINEERINGelectronics-engineering.com
Géométrie et algèbre

Applications linéaires : matrice associée, noyau, image et théorème du rang

Définition et exemples, la matrice d'une application avec les rotations et la dérivée, noyau et image, démonstration du théorème du rang et changement de base.

https://www.electronics-engineering.com/fr/applications-lineaires-noyau-image/

Pas encore de vote : soyez le premier à noter cette page.

Les applications linéaires sont les fonctions de l’algèbre linéaire : elles transforment des vecteurs en vecteurs en respectant les sommes et les multiples. Rotations, projections, dérivées et filtres numériques en sont des exemples. Dans cette leçon, nous voyons que toute application linéaire entre espaces de dimension finie est représentée par une matrice, nous introduisons le noyau et l’image et nous démontrons le théorème du rang.

Définition

Une fonction f: V\to W entre espaces vectoriels est linéaire si

    \[ f(\mathbf u + \mathbf v) = f(\mathbf u) + f(\mathbf v),\qquad f(\lambda\mathbf v) = \lambda f(\mathbf v) \]

Une conséquence immédiate : f(\mathbf 0) = \mathbf 0. Donc f(x) = 2x + 1, bien qu’on l’appelle « fonction linéaire » au lycée, n’est pas linéaire en ce sens : c’est une droite qui ne passe pas par l’origine.

Exemples : la rotation du plan d’un angle \theta ; la projection de l’espace sur un plan ; la dérivée, qui envoie un polynôme p sur p' et respecte les sommes et les multiples ; un filtre numérique FIR, y_n = \sum_k h_k x_{n-k}, qui est linéaire par rapport au signal d’entrée.

La matrice d’une application linéaire

Une application linéaire est déterminée par les images des vecteurs d’une base. Si \mathbf v = x_1\mathbf e_1 + \dots + x_n\mathbf e_n, par linéarité

    \[ f(\mathbf v) = x_1 f(\mathbf e_1) + \dots + x_n f(\mathbf e_n) \]

En plaçant les images f(\mathbf e_j) en colonnes, on obtient une matrice A, et f(\mathbf x) = A\mathbf x. Réciproquement, toute matrice m\times n définit une application linéaire de \mathbb R^n dans \mathbb R^m. Les colonnes de A sont les images des vecteurs de base : c’est la règle à retenir.

Une grille du plan transformée par une application linéaire
Une application linéaire envoie la grille carrée sur une grille de parallélogrammes : les droites restent des droites, les parallèles restent parallèles, l’origine reste fixe. Savoir où vont \mathbf e_1 et \mathbf e_2 (les colonnes de A) suffit pour savoir où va chaque vecteur : A\mathbf v a, par rapport à A\mathbf e_1, A\mathbf e_2, les mêmes coordonnées que \mathbf v par rapport à \mathbf e_1, \mathbf e_2.

Exemple : la rotation. Dans une rotation d’angle \theta, \mathbf e_1 = (1, 0) va en (\cos\theta, \sin\theta) et \mathbf e_2 = (0, 1) va en (-\sin\theta, \cos\theta). Donc

    \[ R_\theta = \begin{pmatrix} \cos\theta & -\sin\theta\\ \sin\theta & \cos\theta \end{pmatrix} \]

En composant deux rotations, R_\alpha R_\beta = R_{\alpha + \beta} : en développant le produit, on retrouve les formules d’addition du sinus et du cosinus, sans avoir besoin de les mémoriser.

Exemple : la dérivée. Sur \mathbb R[x]_{\le 2} avec la base 1, x, x^2 : D(1) = 0, D(x) = 1, D(x^2) = 2x. Les coordonnées de ces images sont les colonnes :

    \[ D = \begin{pmatrix} 0 & 1 & 0\\ 0 & 0 & 2\\ 0 & 0 & 0 \end{pmatrix} \]

Dériver 3 - x + 2x^2 revient à multiplier D par (3, -1, 2) : le résultat est (-1, 4, 0), c’est-à-dire -1 + 4x.

Noyau et image

  • Le noyau \ker f = \{\mathbf v : f(\mathbf v) = \mathbf 0\} est un sous-espace de V : pour une matrice, c’est l’ensemble des solutions du système homogène A\mathbf x = \mathbf 0.
  • L’image \operatorname{Im}f = \{f(\mathbf v)\} est un sous-espace de W : pour une matrice, c’est l’espace des colonnes, et sa dimension est le rang.

f est injective si et seulement si \ker f = \{\mathbf 0\}. En effet, f(\mathbf u) = f(\mathbf v) équivaut à f(\mathbf u - \mathbf v) = \mathbf 0, c’est-à-dire \mathbf u - \mathbf v\in\ker f. f est surjective si et seulement si \operatorname{Im}f = W.

Le théorème du rang

Théorème. Si f: V\to W est linéaire et que V est de dimension finie,

    \[ \dim\ker f + \dim\operatorname{Im}f = \dim V \]

Démonstration

Soit \mathbf u_1, \dots, \mathbf u_k une base de \ker f. On la complète en une base de V en ajoutant \mathbf w_1, \dots, \mathbf w_r, avec k + r = \dim V. Montrons que f(\mathbf w_1), \dots, f(\mathbf w_r) est une base de l’image, donc \dim\operatorname{Im}f = r.

Elles engendrent. Tout \mathbf v s’écrit \sum a_i\mathbf u_i + \sum b_j\mathbf w_j, et f(\mathbf v) = \sum b_j f(\mathbf w_j) car f(\mathbf u_i) = \mathbf 0.

Elles sont indépendantes. Si \sum b_j f(\mathbf w_j) = \mathbf 0, alors f(\sum b_j\mathbf w_j) = \mathbf 0, donc \sum b_j\mathbf w_j est dans le noyau et peut s’écrire \sum a_i\mathbf u_i. Mais alors \sum b_j\mathbf w_j - \sum a_i\mathbf u_i = \mathbf 0 est une combinaison nulle de vecteurs d’une base de V : tous les coefficients sont nuls, en particulier les b_j.

Pour une matrice m\times n de rang r, le théorème dit \dim\ker A = n - r : c’est le nombre de paramètres libres du théorème de Rouché-Capelli, qui est maintenant entièrement démontré.

Conséquences. Une application linéaire de \mathbb R^n dans lui-même est injective si et seulement si elle est surjective (si et seulement si elle est inversible). Une application de \mathbb R^3 dans \mathbb R^2 ne peut pas être injective : le noyau est de dimension au moins 1. Une application de \mathbb R^2 dans \mathbb R^3 ne peut pas être surjective.

Changement de base

La matrice d’une application dépend de la base choisie. Si P est la matrice dont les colonnes sont les vecteurs d’une nouvelle base (écrits dans l’ancienne), les coordonnées changent par \mathbf x = P\mathbf x', et la matrice de l’application f: V\to V dans la nouvelle base est

    \[ A' = P^{-1}AP \]

Deux matrices liées ainsi sont dites semblables : elles représentent la même transformation vue depuis deux repères différents. Elles ont le même déterminant, le même rang, la même trace et les mêmes valeurs propres. Choisir la bonne base pour rendre A' aussi simple que possible, idéalement diagonale, est exactement le sujet de la leçon suivante.

S’abonner
Notifier de
guest
1 commentaire
Le plus ancien
Plus récent Les plus votés
1
0
Vous avez apprécié cet article ? Merci de laisser un commentaire.x