Objectifs du cours :
- Définir un espace vectoriel et ses propriétés fondamentales.
- Identifier et manipuler les sous-espaces vectoriels.
- Comprendre les notions de familles libres, génératrices et de base.
- Calculer la dimension d'un espace ou d'un sous-espace vectoriel.
- Définir et caractériser une application linéaire.
- Établir le lien entre applications linéaires et matrices.
- Effectuer des opérations matricielles et des changements de base.
Prérequis :
- Maîtrise des notions de Terminale en mathématiques (systèmes d'équations, fonctions, géométrie dans l'espace).
- Familiarité avec les opérations sur les vecteurs dans $\mathbb{R}^2$ et $\mathbb{R}^3$.
- Rigueur dans le raisonnement et la démonstration.
Salut à toi, futur mathématicien ! L'algèbre linéaire est une discipline centrale de ton programme de MP2I. Elle est la clé pour comprendre de nombreux concepts en mathématiques, en physique, en informatique et même en économie.
Ce domaine te permettra de manipuler des systèmes d'équations complexes, de modéliser des transformations géométriques et de structurer des données massives. C'est un langage universel pour décrire les relations linéaires.
Dans ce cours, nous allons explorer ensemble les fondements de l'algèbre linéaire, des espaces vectoriels abstraits aux manipulations concrètes des matrices. Attache ta ceinture, car la rigueur et la précision seront tes meilleures alliées !
I. Introduction aux Espaces Vectoriels : Le Cadre de l'Algèbre Linéaire
L'algèbre linéaire commence avec la notion d'espace vectoriel, qui généralise l'idée de "vecteurs" que tu as déjà rencontrée en géométrie. Il s'agit d'un ensemble d'objets sur lequel on peut effectuer des opérations similaires à l'addition et à la multiplication par un scalaire.
Cette abstraction est incroyablement puissante. Elle te permet d'appliquer les mêmes outils et théorèmes à des objets très différents, qu'il s'agisse de flèches dans l'espace, de polynômes ou de fonctions continues.
I.1. Qu'est-ce qu'un Espace Vectoriel ?
Un espace vectoriel n'est pas qu'un simple ensemble de vecteurs. C'est un ensemble muni de deux opérations spécifiques qui doivent satisfaire un certain nombre de propriétés. Ces propriétés garantissent que les opérations se comportent "comme on s'y attend".
Ces opérations sont l'addition de vecteurs entre eux et la multiplication d'un vecteur par un scalaire. Les scalaires sont généralement des nombres réels ($\mathbb{R}$) ou complexes ($\mathbb{C}$).
Définition : Espace Vectoriel
Un ensemble $E$ est un espace vectoriel sur le corps $\mathbb{K}$ (où $\mathbb{K} = \mathbb{R}$ ou $\mathbb{C}$) s'il est muni de deux lois :
- Une loi interne, l'addition : $E \times E \to E$, notée $(u, v) \mapsto u+v$.
- Une loi externe, la multiplication par un scalaire : $\mathbb{K} \times E \to E$, notée $(\lambda, u) \mapsto \lambda u$.
Ces deux lois doivent vérifier 8 axiomes (associativité, commutativité, existence d'un élément neutre et d'un opposé pour l'addition ; distributivités ; compatibilité des scalaires ; élément neutre pour la multiplication scalaire).
Les axiomes sont cruciaux. Ils garantissent que tu peux manipuler les vecteurs de manière cohérente, comme tu le ferais avec des nombres. Par exemple, l'associativité de l'addition signifie que $(u+v)+w = u+(v+w)$.
Les éléments de l'espace vectoriel $E$ sont appelés des vecteurs, et les éléments de $\mathbb{K}$ sont appelés des scalaires.
I.2. Exemples d'Espaces Vectoriels Fondamentaux
Pour t'aider à visualiser, voici quelques exemples d'espaces vectoriels que tu rencontreras fréquemment. Ils illustrent la diversité des objets qui peuvent être considérés comme des vecteurs.
Ces exemples te montreront que l'algèbre linéaire ne se limite pas à la géométrie, mais s'étend à des domaines comme les fonctions et les polynômes.
- $\mathbb{R}^n$ : L'ensemble des $n$-uplets de nombres réels. C'est l'exemple le plus intuitif, où les vecteurs sont des coordonnées $(x_1, x_2, \dots, x_n)$.
- $\mathbb{C}^n$ : L'ensemble des $n$-uplets de nombres complexes. Similaire à $\mathbb{R}^n$ mais avec des coordonnées complexes.
- $\mathcal{M}_{n,p}(\mathbb{K})$ : L'ensemble des matrices à $n$ lignes et $p$ colonnes à coefficients dans $\mathbb{K}$. On peut additionner deux matrices de même taille et multiplier une matrice par un scalaire.
- $\mathbb{K}[X]$ : L'ensemble des polynômes à coefficients dans $\mathbb{K}$. On peut additionner deux polynômes et multiplier un polynôme par un scalaire.
- $\mathcal{F}(I, \mathbb{R})$ : L'ensemble des fonctions d'un intervalle $I$ de $\mathbb{R}$ vers $\mathbb{R}$. On peut additionner deux fonctions et multiplier une fonction par un scalaire.
Exemple 1 : Vérification d'un espace vectoriel simple
Question : Montre que l'ensemble $E = \mathbb{R}^2$ (vecteurs $(x,y)$) muni de l'addition $(x_1, y_1) + (x_2, y_2) = (x_1+x_2, y_1+y_2)$ et de la multiplication par un scalaire $\lambda(x,y) = (\lambda x, \lambda y)$ est un espace vectoriel sur $\mathbb{R}$.
Résolution (partielle pour un cours, complète pour une démo) :
Étape 1 : Vérifier la fermeture par addition.
Si $(x_1, y_1) \in \mathbb{R}^2$ et $(x_2, y_2) \in \mathbb{R}^2$, alors $(x_1+x_2, y_1+y_2)$ est aussi un couple de réels, donc $(x_1+x_2, y_1+y_2) \in \mathbb{R}^2$. La loi est interne.
Étape 2 : Vérifier la fermeture par multiplication scalaire.
Si $\lambda \in \mathbb{R}$ et $(x, y) \in \mathbb{R}^2$, alors $(\lambda x, \lambda y)$ est un couple de réels, donc $(\lambda x, \lambda y) \in \mathbb{R}^2$. La loi est externe.
Étape 3 : Vérifier les axiomes (ex: commutativité de l'addition).
Soient $u=(x_1, y_1)$ et $v=(x_2, y_2)$. Alors $u+v = (x_1+x_2, y_1+y_2)$. Et $v+u = (x_2+x_1, y_2+y_1)$.
Comme l'addition des réels est commutative, $x_1+x_2 = x_2+x_1$ et $y_1+y_2 = y_2+y_1$. Donc $u+v = v+u$.
Tu devrais vérifier les 7 autres axiomes. Pour $\mathbb{R}^2$, ils sont tous satisfaits en s'appuyant sur les propriétés connues des nombres réels. C'est bien un espace vectoriel.
À retenir : Un espace vectoriel est un ensemble de vecteurs muni d'une addition et d'une multiplication par un scalaire ($\mathbb{R}$ ou $\mathbb{C}$), respectant 8 axiomes. $\mathbb{R}^n$, les polynômes et les matrices sont des exemples clés d'espaces vectoriels.
II. Sous-Espaces Vectoriels et Familles de Vecteurs
Dans un espace vectoriel donné, il est courant de s'intéresser à des sous-ensembles qui conservent la structure d'espace vectoriel. Ce sont les sous-espaces vectoriels. Ils sont essentiels pour "découper" un grand espace en parties plus gérables.
Nous allons aussi explorer comment combiner des vecteurs pour en créer de nouveaux, via les combinaisons linéaires, et comment ces combinaisons donnent naissance aux familles génératrices.
II.1. Caractérisation des Sous-Espaces Vectoriels
Un sous-espace vectoriel est un sous-ensemble d'un espace vectoriel qui est lui-même un espace vectoriel avec les mêmes opérations. Heureusement, il n'est pas nécessaire de vérifier les 8 axiomes complets !
Il existe un critère de sous-espace vectoriel très pratique, qui te permet de vérifier rapidement si un sous-ensemble est bien un sous-espace.
Critère de Sous-Espace Vectoriel :
Soit $E$ un $\mathbb{K}$-espace vectoriel et $F$ un sous-ensemble non vide de $E$. $F$ est un sous-espace vectoriel de $E$ si et seulement si :
- Le vecteur nul $0_E$ appartient à $F$.
- $F$ est stable par l'addition : pour tout $u, v \in F$, $u+v \in F$.
- $F$ est stable par la multiplication par un scalaire : pour tout $\lambda \in \mathbb{K}$ et $u \in F$, $\lambda u \in F$.
On peut combiner les conditions 2 et 3 en une seule : pour tout $\lambda, \mu \in \mathbb{K}$ et $u, v \in F$, $\lambda u + \mu v \in F$.
Erreur fréquente :
Oublier de vérifier que le sous-ensemble est non vide, ou plus spécifiquement, que le vecteur nul appartient à $F$. C'est souvent la condition la plus facile à tester et un excellent premier réflexe ! Si $0_E \notin F$, alors $F$ n'est pas un sous-espace vectoriel.
II.2. Combinaisons Linéaires et Espaces Engendrés
Une combinaison linéaire est la construction la plus fondamentale pour créer de nouveaux vecteurs à partir d'un ensemble donné. C'est le "mélange" de vecteurs.
L'ensemble de toutes les combinaisons linéaires d'une famille de vecteurs forme un sous-espace vectoriel particulier, appelé l'espace engendré.
Définition : Combinaison Linéaire
Soit $E$ un $\mathbb{K}$-espace vectoriel et $(v_1, \dots, v_p)$ une famille de vecteurs de $E$. Un vecteur $u \in E$ est une combinaison linéaire de cette famille s'il existe des scalaires $\lambda_1, \dots, \lambda_p \in \mathbb{K}$ tels que $u = \lambda_1 v_1 + \dots + \lambda_p v_p$.
Définition : Espace Engendré (ou Sous-Espace Vectoriel Engendré)
L'espace engendré par une famille de vecteurs $(v_1, \dots, v_p)$, noté $Vect(v_1, \dots, v_p)$, est l'ensemble de toutes les combinaisons linéaires de ces vecteurs. C'est le plus petit sous-espace vectoriel de $E$ contenant cette famille.
Si une famille de vecteurs engendre un espace vectoriel $E$, on dit que c'est une famille génératrice de $E$. Cela signifie que chaque vecteur de $E$ peut être exprimé comme une combinaison linéaire des vecteurs de cette famille.
Par exemple, les vecteurs $(1,0)$ et $(0,1)$ engendrent $\mathbb{R}^2$, car tout vecteur $(x,y)$ peut s'écrire $x(1,0) + y(0,1)$.
Exemple 2 : Vérification d'un sous-espace vectoriel
Soit $E = \mathbb{R}^3$ et $F = \{ (x,y,z) \in \mathbb{R}^3 \mid x - y + 2z = 0 \}$.
Question : Montre que $F$ est un sous-espace vectoriel de $\mathbb{R}^3$.
Résolution :
Étape 1 : $F$ est non vide (contient le vecteur nul).
Le vecteur nul de $\mathbb{R}^3$ est $(0,0,0)$. Vérifions s'il satisfait la condition : $0 - 0 + 2 \cdot 0 = 0$.
Oui, $(0,0,0) \in F$. Donc $F$ est non vide.
Étape 2 : Stabilité par addition.
Soient $u = (x_1, y_1, z_1) \in F$ et $v = (x_2, y_2, z_2) \in F$.
Par définition de $F$, on a $x_1 - y_1 + 2z_1 = 0$ et $x_2 - y_2 + 2z_2 = 0$.
Considérons $u+v = (x_1+x_2, y_1+y_2, z_1+z_2)$.
Calculons $(x_1+x_2) - (y_1+y_2) + 2(z_1+z_2) = (x_1 - y_1 + 2z_1) + (x_2 - y_2 + 2z_2) = 0 + 0 = 0$.
Donc $u+v \in F$.
Étape 3 : Stabilité par multiplication scalaire.
Soit $\lambda \in \mathbb{R}$ et $u = (x,y,z) \in F$.
On a $x - y + 2z = 0$.
Considérons $\lambda u = (\lambda x, \lambda y, \lambda z)$.
Calculons $\lambda x - \lambda y + 2(\lambda z) = \lambda(x - y + 2z) = \lambda \cdot 0 = 0$.
Donc $\lambda u \in F$.
Puisque les trois conditions sont satisfaites, $F$ est bien un sous-espace vectoriel de $\mathbb{R}^3$.
À retenir : Un sous-ensemble $F$ est un sous-espace vectoriel s'il contient le vecteur nul et est stable par addition et multiplication scalaire. Une combinaison linéaire est une somme de vecteurs multipliés par des scalaires. L'espace engendré par une famille est l'ensemble de toutes ses combinaisons linéaires.
III. Bases et Dimension d'un Espace Vectoriel
Les concepts de base et de dimension sont centraux en algèbre linéaire. Une base est un ensemble "minimal" de vecteurs qui permet de construire tous les autres vecteurs de l'espace. La dimension, quant à elle, mesure la "taille" de l'espace.
Ces notions te permettent de travailler avec des coordonnées, de comprendre l'unicité de la représentation des vecteurs, et de comparer la taille des différents espaces vectoriels.
III.1. Familles Libres et Familles Génératrices
Pour définir une base, nous avons besoin de deux concepts préalables : la liberté et la capacité à générer l'espace. Ces propriétés caractérisent l'efficacité d'une famille de vecteurs.
Une famille libre ne contient pas de vecteurs "redondants", tandis qu'une famille génératrice contient suffisamment de vecteurs pour construire tout l'espace.
Définition : Famille Libre (Indépendance Linéaire)
Une famille de vecteurs $(v_1, \dots, v_p)$ est dite libre si la seule combinaison linéaire de ces vecteurs qui donne le vecteur nul est celle dont tous les scalaires sont nuls. Autrement dit, si $\lambda_1 v_1 + \dots + \lambda_p v_p = 0_E$, alors $\lambda_1 = \dots = \lambda_p = 0$.
Définition : Famille Liée (Dépendance Linéaire)
Une famille de vecteurs est dite liée si elle n'est pas libre. Cela signifie qu'il existe au moins une combinaison linéaire non triviale (c'est-à-dire avec au moins un scalaire non nul) qui donne le vecteur nul.
Dans une famille liée, au moins un vecteur peut être exprimé comme une combinaison linéaire des autres.
Une famille génératrice, comme nous l'avons vu, est une famille de vecteurs dont l'espace engendré est l'espace $E$ tout entier. Chaque vecteur de $E$ peut s'écrire comme une combinaison linéaire des vecteurs de cette famille.
La combinaison de ces deux propriétés mène à la définition fondamentale de la base.
III.2. Bases et Coordonnées
Une base est l'outil ultime pour représenter les vecteurs de manière unique. Elle te fournit un "système de coordonnées" pour n'importe quel espace vectoriel.
Toutes les bases d'un même espace vectoriel ont le même nombre de vecteurs, ce qui nous conduit à la notion de dimension.
Définition : Base d'un Espace Vectoriel
Une famille de vecteurs $(e_1, \dots, e_n)$ est une base d'un $\mathbb{K}$-espace vectoriel $E$ si elle est à la fois :
- Une famille libre.
- Une famille génératrice de $E$.
Théorème de la Base Incomplète et de l'Existence de Bases :
Tout espace vectoriel de dimension finie possède au moins une base. De plus, toute famille libre peut être complétée en une base, et toute famille génératrice peut être réduite à une base.
Si $(e_1, \dots, e_n)$ est une base de $E$, alors pour tout vecteur $v \in E$, il existe une unique famille de scalaires $(\lambda_1, \dots, \lambda_n)$ telle que $v = \lambda_1 e_1 + \dots + \lambda_n e_n$. Ces scalaires sont appelés les coordonnées de $v$ dans la base $(e_1, \dots, e_n)$.
III.3. Dimension d'un Espace Vectoriel
La dimension est le nombre de vecteurs nécessaires et suffisants pour décrire l'espace. C'est une mesure intrinsèque de l'espace, indépendante de la base choisie.
Théorème :
Dans un $\mathbb{K}$-espace vectoriel $E$ de dimension finie, toutes les bases de $E$ ont le même nombre d'éléments. Ce nombre est appelé la dimension de $E$, notée $dim(E)$.
Si $dim(E) = n$, alors toute famille libre de $n$ vecteurs est une base. De même, toute famille génératrice de $n$ vecteurs est une base. Si $E = \{0_E\}$, alors $dim(E) = 0$.
Exemple 3 : Trouver une base et la dimension
Reprenons le sous-espace vectoriel $F = \{ (x,y,z) \in \mathbb{R}^3 \mid x - y + 2z = 0 \}$.
Question : Trouve une base de $F$ et détermine sa dimension.
Résolution :
Étape 1 : Exprimer une variable en fonction des autres.
De la condition $x - y + 2z = 0$, on peut exprimer $x = y - 2z$.
Étape 2 : Écrire un vecteur général de $F$.
Un vecteur $(x,y,z) \in F$ peut s'écrire $(y - 2z, y, z)$.
Étape 3 : Décomposer en combinaison linéaire.
$(y - 2z, y, z) = (y, y, 0) + (-2z, 0, z)$
$(y - 2z, y, z) = y(1, 1, 0) + z(-2, 0, 1)$.
Étape 4 : Identifier la famille génératrice et vérifier sa liberté.
La famille $B = \{ v_1 = (1, 1, 0), v_2 = (-2, 0, 1) \}$ engendre $F$.
Pour vérifier la liberté : supposons $\lambda_1 v_1 + \lambda_2 v_2 = (0,0,0)$.
$\lambda_1(1, 1, 0) + \lambda_2(-2, 0, 1) = (\lambda_1 - 2\lambda_2, \lambda_1, \lambda_2) = (0,0,0)$.
Ceci implique :
$\lambda_1 - 2\lambda_2 = 0$
$\lambda_1 = 0$
$\lambda_2 = 0$
En substituant $\lambda_1 = 0$ dans la première équation, on obtient $-2\lambda_2 = 0$, donc $\lambda_2 = 0$.
La seule solution est $\lambda_1 = 0$ et $\lambda_2 = 0$. Donc la famille $B$ est libre.
Étape 5 : Conclure.
Puisque $B$ est une famille libre et génératrice de $F$, c'est une base de $F$.
La base $B$ contient 2 vecteurs, donc la dimension de $F$ est $dim(F) = 2$.
À retenir : Une famille est libre si aucun vecteur n'est combinaison linéaire des autres. Une famille est génératrice si elle permet de construire tous les vecteurs de l'espace.
Une base est à la fois libre et génératrice. La dimension est le nombre de vecteurs dans une base, et elle est unique pour un espace donné.
IV. Applications Linéaires : Transformations Fondamentales
Après avoir étudié la structure des espaces vectoriels, il est naturel de se demander comment "transformer" un vecteur d'un espace à un autre, tout en respectant la structure linéaire. C'est le rôle des applications linéaires.
Les applications linéaires sont les "fonctions" qui préservent l'addition de vecteurs et la multiplication par un scalaire. Elles sont omniprésentes en mathématiques et en physique, des rotations aux projections.
IV.1. Définition et Propriétés des Applications Linéaires
Une application linéaire est une fonction entre deux espaces vectoriels qui respecte les opérations de ces espaces. Cela signifie qu'elle "préserve" la structure linéaire.
Cette propriété de conservation est ce qui rend les applications linéaires si puissantes et prévisibles. Elles ne déforment pas l'espace de manière arbitraire.
Définition : Application Linéaire
Soient $E$ et $F$ deux $\mathbb{K}$-espaces vectoriels. Une application $f: E \to F$ est une application linéaire si :
- Pour tout $u, v \in E$, $f(u+v) = f(u) + f(v)$ (additivité).
- Pour tout $\lambda \in \mathbb{K}$ et $u \in E$, $f(\lambda u) = \lambda f(u)$ (homogénéité).
Ces deux conditions peuvent être regroupées en une seule : pour tout $\lambda, \mu \in \mathbb{K}$ et $u, v \in E$, $f(\lambda u + \mu v) = \lambda f(u) + \mu f(v)$.
Propriétés importantes d'une application linéaire :
- $f(0_E) = 0_F$ (le vecteur nul de $E$ est toujours envoyé sur le vecteur nul de $F$).
- $f(-u) = -f(u)$.
- Une application linéaire est entièrement déterminée par l'image des vecteurs d'une base de l'espace de départ.
IV.2. Noyau et Image d'une Application Linéaire
Chaque application linéaire est associée à deux sous-espaces vectoriels fondamentaux : son noyau et son image. Ils te donnent des informations clés sur le comportement de la transformation.
Le noyau nous dit quels vecteurs sont "écrasés" sur le vecteur nul, et l'image nous dit quels vecteurs sont "atteints" dans l'espace d'arrivée.
Définition : Noyau (Kernel)
Le noyau d'une application linéaire $f: E \to F$, noté $Ker(f)$, est l'ensemble des vecteurs de $E$ qui sont envoyés sur le vecteur nul de $F$.
$$ Ker(f) = \{ u \in E \mid f(u) = 0_F \} $$
$Ker(f)$ est toujours un sous-espace vectoriel de $E$.
Définition : Image (Range)
L'image d'une application linéaire $f: E \to F$, notée $Im(f)$, est l'ensemble de tous les vecteurs de $F$ qui sont l'image d'au moins un vecteur de $E$.
$$ Im(f) = \{ f(u) \mid u \in E \} $$
$Im(f)$ est toujours un sous-espace vectoriel de $F$.
Théorème du Rang :
Soient $E$ et $F$ deux $\mathbb{K}$-espaces vectoriels de dimension finie, et $f: E \to F$ une application linéaire. Alors :
$$ dim(E) = dim(Ker(f)) + dim(Im(f)) $$
Le nombre $dim(Im(f))$ est appelé le rang de l'application linéaire $f$, noté $rg(f)$.
Le théorème du rang est un outil puissant pour relier la dimension de l'espace de départ à celles du noyau et de l'image. Il est très utile pour résoudre des problèmes de dimensions.
Exemple 4 : Noyau et image d'une application linéaire
Soit l'application linéaire $f: \mathbb{R}^3 \to \mathbb{R}^2$ définie par $f(x,y,z) = (x-y, y+z)$.
Question : Détermine une base du noyau $Ker(f)$ et une base de l'image $Im(f)$, puis vérifie le théorème du rang.
Résolution :
Étape 1 : Détermination du noyau $Ker(f)$.
$u=(x,y,z) \in Ker(f)$ si $f(x,y,z) = (0,0)$.
$(x-y, y+z) = (0,0) \implies \begin{cases} x-y=0 \\ y+z=0 \end{cases} \implies \begin{cases} x=y \\ z=-y \end{cases}$
Donc les vecteurs du noyau sont de la forme $(y, y, -y) = y(1, 1, -1)$.
Une base de $Ker(f)$ est $\{ (1, 1, -1) \}$. Sa dimension est $dim(Ker(f))=1$.
Étape 2 : Détermination de l'image $Im(f)$.
L'image est engendrée par l'image des vecteurs de la base canonique de $\mathbb{R}^3$ :
$f(1,0,0) = (1,0)$
$f(0,1,0) = (-1,1)$
$f(0,0,1) = (0,1)$
Donc $Im(f) = Vect((1,0), (-1,1), (0,1))$.
Or $(0,1) = (1,0) + (-1,1)$. Les vecteurs sont liés.
On peut réduire la famille.
$(1,0)$ et $(-1,1)$ sont libres (car non colinéaires).
Une base de $Im(f)$ est $\{ (1,0), (-1,1) \}$. Sa dimension est $dim(Im(f))=2$. ($Im(f)=\mathbb{R}^2$ ici).
Étape 3 : Vérification du théorème du rang.
$dim(E) = dim(\mathbb{R}^3) = 3$.
$dim(Ker(f)) + dim(Im(f)) = 1 + 2 = 3$.
Le théorème du rang est bien vérifié : $3 = 1 + 2$.
À retenir : Une application linéaire préserve l'addition et la multiplication scalaire ($f(\lambda u + \mu v) = \lambda f(u) + \mu f(v)$). Le noyau ($Ker(f)$) est l'ensemble des vecteurs envoyés sur le vecteur nul.
L'image ($Im(f)$) est l'ensemble des vecteurs atteints dans l'espace d'arrivée. Le théorème du rang lie les dimensions : $dim(E) = dim(Ker(f)) + dim(Im(f))$.
V. Matrices et Représentation des Applications Linéaires
Les matrices sont des objets fondamentaux de l'algèbre linéaire. Elles offrent une représentation concrète et calculable des applications linéaires. Chaque application linéaire peut être associée à une matrice dans des bases données.
Cette correspondance est essentielle car elle te permet de transformer des problèmes abstraits sur les applications linéaires en problèmes concrets de calcul matriciel. Les matrices sont tes outils de travail privilégiés.
V.1. Matrice d'une Application Linéaire
La matrice d'une application linéaire est construite en arrangeant les coordonnées des images des vecteurs de la base de l'espace de départ dans la base de l'espace d'arrivée. Chaque colonne de la matrice correspond à l'image d'un vecteur de base.
Il est crucial de bien comprendre comment cette matrice est construite et comment elle te permet d'effectuer les transformations.
Définition : Matrice d'une Application Linéaire
Soient $E$ un $\mathbb{K}$-espace vectoriel de base $\mathcal{B}_E = (e_1, \dots, e_p)$ et $F$ un $\mathbb{K}$-espace vectoriel de base $\mathcal{B}_F = (f_1, \dots, f_n)$. Soit $L: E \to F$ une application linéaire.
La matrice de $L$ dans les bases $\mathcal{B}_E$ et $\mathcal{B}_F$, notée $Mat_{\mathcal{B}_F, \mathcal{B}_E}(L)$, est la matrice $A$ de taille $n \times p$ dont la $j$-ième colonne est formée des coordonnées du vecteur $L(e_j)$ dans la base $\mathcal{B}_F$.
Si $X$ est le vecteur colonne des coordonnées d'un vecteur $u \in E$ dans la base $\mathcal{B}_E$, et $Y$ est le vecteur colonne des coordonnées de $L(u) \in F$ dans la base $\mathcal{B}_F$, alors la relation est donnée par le produit matriciel : $Y = AX$.
Cette formule est la pierre angulaire des calculs en algèbre linéaire. Elle te permet de calculer l'image d'un vecteur sans réécrire toutes les expressions de l'application linéaire.
V.2. Opérations Matricelles Fondamentales
Une fois que tu as des matrices, tu peux effectuer des opérations sur elles : addition, multiplication par un scalaire, et multiplication matricielle. Ces opérations correspondent à des opérations sur les applications linéaires qu'elles représentent.
La multiplication matricielle est la plus complexe et la plus importante. Elle représente la composition d'applications linéaires.
Produit Matriciel :
Soit $A$ une matrice $n \times p$ et $B$ une matrice $p \times q$. Le produit $C = AB$ est une matrice $n \times q$ dont l'élément $C_{ij}$ (à la $i$-ième ligne et $j$-ième colonne) est donné par :
$$ C_{ij} = \sum_{k=1}^{p} A_{ik} B_{kj} $$
Pour que le produit $AB$ soit défini, le nombre de colonnes de $A$ doit être égal au nombre de lignes de $B$.
Erreur fréquente :
Ne confonds pas la multiplication matricielle avec la multiplication terme à terme (Hadamard product). Le produit matriciel n'est PAS commutatif en général : $AB \neq BA$. L'ordre des matrices est très important !
D'autres opérations importantes incluent la transposition ($A^T$) et, pour les matrices carrées, le déterminant ($det(A)$) et l'inverse ($A^{-1}$). Le déterminant et l'inverse sont cruciaux pour savoir si un système d'équations a une solution unique ou si une application est inversible.
À retenir : Toute application linéaire est représentée par une matrice dans des bases données. Les colonnes de cette matrice sont les coordonnées des images des vecteurs de base.
Le produit matriciel $Y=AX$ permet de calculer l'image d'un vecteur. Maîtrise les opérations matricielles, en particulier le produit, et souviens-toi qu'il n'est pas commutatif.
VI. Changement de Base et Diagonalisation (introduction)
Le choix d'une base est souvent arbitraire, mais il peut grandement simplifier les calculs. Le changement de base te permet de passer d'une représentation matricielle à une autre, souvent pour trouver la forme la plus simple possible.
La diagonalisation est un objectif majeur de l'algèbre linéaire. Elle consiste à trouver une base dans laquelle la matrice d'une application linéaire (ou une matrice elle-même) devient diagonale, simplifiant ainsi énormément les calculs de puissances ou les résolutions d'équations différentielles.
VI.1. Matrices de Passage
Les matrices de passage sont les outils qui te permettent de convertir les coordonnées d'un vecteur d'une base à une autre. Elles sont essentielles pour relier les différentes représentations d'une même application linéaire.
Une matrice de passage est toujours inversible, ce qui est logique : tu dois pouvoir revenir à la base d'origine.
Définition : Matrice de Passage
Soient $\mathcal{B} = (e_1, \dots, e_n)$ et $\mathcal{B}' = (e'_1, \dots, e'_n)$ deux bases d'un $\mathbb{K}$-espace vectoriel $E$. La matrice de passage de $\mathcal{B}$ à $\mathcal{B}'$, notée $P_{\mathcal{B}, \mathcal{B}'}$ (ou parfois $P_{\mathcal{B} \to \mathcal{B}'}$), est la matrice dont les colonnes sont les coordonnées des vecteurs de la nouvelle base $\mathcal{B}'$ exprimées dans l'ancienne base $\mathcal{B}$.
Si $X$ est le vecteur de coordonnées d'un vecteur $v$ dans la base $\mathcal{B}$, et $X'$ est le vecteur de coordonnées du même vecteur $v$ dans la base $\mathcal{B}'$, la relation est : $X = P_{\mathcal{B}, \mathcal{B}'} X'$.
Inversement, $X' = (P_{\mathcal{B}, \mathcal{B}'})^{-1} X = P_{\mathcal{B}', \mathcal{B}} X$. La matrice de passage inverse de $\mathcal{B}$ à $\mathcal{B}'$ est la matrice de passage de $\mathcal{B}'$ à $\mathcal{B}$.
VI.2. Formule de Changement de Base pour les Matrices
Lorsqu'on change de base, la matrice associée à une application linéaire change. Il existe une formule fondamentale qui relie la matrice dans l'ancienne base à la matrice dans la nouvelle base.
Cette formule montre comment les matrices se transforment et souligne l'importance des matrices de passage.
Formule de Changement de Base pour les Matrices :
Soit $L: E \to E$ un endomorphisme. Soient $\mathcal{B}$ et $\mathcal{B}'$ deux bases de $E$. Soit $A = Mat_{\mathcal{B}}(L)$ et $A' = Mat_{\mathcal{B}'}(L)$.
Soit $P = P_{\mathcal{B}, \mathcal{B}'}$ la matrice de passage de $\mathcal{B}$ à $\mathcal{B}'$. Alors :
$$ A' = P^{-1} A P $$
Cette formule est la clé de la diagonalisation. L'objectif est de trouver une base $\mathcal{B}'$ telle que la matrice $A'$ soit diagonale. Une telle base est constituée de vecteurs propres.
La diagonalisation est un sujet profond que tu exploreras en détail, notamment avec les notions de valeurs propres et vecteurs propres. C'est l'une des applications les plus puissantes de l'algèbre linéaire.
À retenir : Les matrices de passage permettent de transformer les coordonnées d'un vecteur d'une base à une autre. La formule de changement de base pour les matrices est $A' = P^{-1} A P$. La diagonalisation vise à trouver une base où la matrice de l'application linéaire est diagonale, simplifiant grandement les calculs.
VII. Récapitulatif et Exercices d'Application
Félicitations pour avoir parcouru ce cours d'algèbre linéaire ! Tu as maintenant une solide compréhension des espaces vectoriels, des applications linéaires et des matrices, des outils fondamentaux pour tout étudiant en MP2I.
L'algèbre linéaire est une discipline qui demande de la pratique. N'hésite pas à refaire les exemples et à t'attaquer aux exercices pour bien ancrer ces notions dans ta mémoire.
VII.1. Synthèse des Concepts Clés
Voici un résumé des concepts fondamentaux abordés dans ce cours.
| Concept | Définition Clé | Importance en MP2I |
|---|---|---|
| Espace Vectoriel (EV) | Ensemble d'objets (vecteurs) avec addition et multiplication scalaire respectant 8 axiomes. | Cadre abstrait pour généraliser la notion de vecteur. |
| Sous-Espace Vectoriel (SEV) | Sous-ensemble d'un EV qui est lui-même un EV (contient $0_E$, stable par $+$ et $\cdot$). | Simplifie l'étude des EV, permet de "découper" les espaces. |
| Combinaison Linéaire | Somme pondérée de vecteurs par des scalaires. | Construction de nouveaux vecteurs, base des espaces engendrés. |
| Famille Libre | Combinaison linéaire nulle n'implique que des scalaires nuls. | Indépendance des vecteurs, absence de redondance. |
| Famille Génératrice | Tout vecteur de l'EV est une combinaison linéaire de la famille. | Permet de construire tout l'espace. |
| Base | Famille à la fois libre et génératrice. | Représentation unique des vecteurs par coordonnées. |
| Dimension | Nombre de vecteurs dans une base. | Mesure la "taille" de l'EV. |
| Application Linéaire | Application $f: E \to F$ respectant $f(\lambda u + \mu v) = \lambda f(u) + \mu f(v)$. | Transformations qui préservent la structure linéaire. |
| Noyau ($Ker(f)$) | Ensemble des vecteurs de $E$ envoyés sur $0_F$. | Indique les "pertes" d'information de la transformation. |
| Image ($Im(f)$) | Ensemble des vecteurs de $F$ qui sont des images. | Décrit la "portée" de la transformation. |
| Théorème du Rang | $dim(E) = dim(Ker(f)) + dim(Im(f))$. | Lien fondamental entre les dimensions des espaces. |
| Matrice d'Application Linéaire | Représentation des images des vecteurs de base en colonnes. | Outil de calcul pour les transformations linéaires. |
| Produit Matriciel | Composition d'applications linéaires. | Opération essentielle, non commutative. |
| Changement de Base | Utilisation de matrices de passage $P$ pour changer de coordonnées ou de représentation $A' = P^{-1}AP$. | Simplification des calculs, préparation à la diagonalisation. |
VII.2. Exercices d'Application Rapides
Vérifie ta compréhension avec ces mini-exercices. N'hésite pas à réviser les sections correspondantes si tu bloques.
Exercice 1 : Reconnaissance d'un Sous-Espace Vectoriel
Soit $E = \mathbb{R}^2$. Parmi les ensembles suivants, lesquels sont des sous-espaces vectoriels de $\mathbb{R}^2$ ?
- $F_1 = \{ (x,y) \in \mathbb{R}^2 \mid x + y = 1 \}$
- $F_2 = \{ (x,y) \in \mathbb{R}^2 \mid x - 2y = 0 \}$
- $F_3 = \{ (x,y) \in \mathbb{R}^2 \mid xy = 0 \}$
Solution Exercice 1 :
- $F_1$: N'est pas un SEV. Le vecteur nul $(0,0)$ ne satisfait pas $0+0=1$.
- $F_2$: Est un SEV. $(0,0)$ satisfait $0-2\cdot0=0$. Si $(x_1,y_1), (x_2,y_2) \in F_2$ et $\lambda \in \mathbb{R}$, alors $(x_1+x_2)-2(y_1+y_2) = (x_1-2y_1) + (x_2-2y_2) = 0+0=0$. Et $\lambda x - 2(\lambda y) = \lambda(x-2y) = \lambda \cdot 0 = 0$.
- $F_3$: N'est pas un SEV. $(0,0)$ est dedans, mais la stabilité par addition n'est pas vérifiée : $(1,0) \in F_3$ et $(0,1) \in F_3$, mais $(1,0)+(0,1)=(1,1)$ n'est pas dans $F_3$ car $1 \cdot 1 = 1 \neq 0$.
Exercice 2 : Famille Génératrice
La famille de vecteurs $S = \{ (1,0), (0,1), (2,3) \}$ est-elle génératrice de $\mathbb{R}^2$ ? Est-elle libre ?
Solution Exercice 2 :
- Génératrice : Oui. Les vecteurs $(1,0)$ et $(0,1)$ forment déjà la base canonique de $\mathbb{R}^2$, donc ils engendrent $\mathbb{R}^2$. Ajouter un vecteur ne change pas cette propriété.
- Libre : Non. C'est une famille liée. Par exemple, $2(1,0) + 3(0,1) - 1(2,3) = (2,0) + (0,3) - (2,3) = (2,3) - (2,3) = (0,0)$. On a trouvé une combinaison linéaire non triviale qui donne le vecteur nul.
Exercice 3 : Application Linéaire et Matrice
Soit l'application linéaire $f: \mathbb{R}^2 \to \mathbb{R}^2$ définie par $f(x,y) = (2x+y, x-y)$.
Donne la matrice de $f$ dans la base canonique $\mathcal{B} = ((1,0), (0,1))$ de $\mathbb{R}^2$.
Solution Exercice 3 :
Pour trouver la matrice, on calcule l'image des vecteurs de la base de départ et on exprime ces images dans la base d'arrivée (ici, la même base canonique).
- $f(1,0) = (2 \cdot 1 + 0, 1 - 0) = (2, 1)$. Ceci forme la première colonne de la matrice.
- $f(0,1) = (2 \cdot 0 + 1, 0 - 1) = (1, -1)$. Ceci forme la deuxième colonne de la matrice.
La matrice de $f$ dans la base canonique est donc :
$$ A = \begin{pmatrix} 2 & 1 \\ 1 & -1 \end{pmatrix} $$
Comment ORBITECH Peut T'aider
L'algèbre linéaire en MP2I est une matière exigeante qui demande une compréhension profonde des concepts et une pratique assidue. ORBITECH AI Academy est là pour t'accompagner avec des outils performants, conçus pour te faire progresser et t'aider à visualiser ces notions abstraites.
- Générateur d'Exercices : Crée des exercices sur mesure sur les espaces vectoriels, les bases, les applications linéaires ou les matrices, avec des solutions détaillées pour te guider pas à pas.
- Générateur de Flashcards : Mémorise rapidement les définitions, théorèmes et formules clés de l'algèbre linéaire grâce à des flashcards personnalisables.
- Générateur de Résumés : Obtiens des synthèses claires et concises de chaque chapitre, idéales pour réviser avant tes colles ou tes devoirs surveillés.
- Simulateur de Notes : Estime tes résultats potentiels en fonction de tes performances pour mieux cibler tes efforts et optimiser ta stratégie de révision.