1) Matrice d'une application linéaire (A.L).
a) Définition
- $E$ un espace vectoriel de dimension $p$ muni de la base ${\mathcal B}_E=(e_1,\ldots,e_p)$
- $F$ un espace vectoriel de dimension $n$ muni de la base ${\mathcal B}_F=(f_1,\ldots,f_n)$
Soit $f $ une A.L de $E$ dans $F$.
On synthétise les données dans le schéma suivant :
$\begin{array}{ccc}
p & & n \\
E & \stackrel{f}{\longrightarrow} & F \\
{\mathcal B}_E & & {\mathcal B}_F
\end{array}$.
La matrice représentative ou matrice associée de $f$ dans les bases ${\mathcal B}_E$ et ${\mathcal B}_F$ est la matrice, notée ${\rm Mat}(f,{\mathcal B}_E,{\mathcal B}_F)$ ou $M_{{\mathcal B}_E,{\mathcal B}_F}(f)$, de $M_{n,p}({\Bbb K})$ dont la $j$-éme colonne est constituée par les coordonnées du vecteur
$f(e_j)$ dans la base ${\mathcal B}_F$.
Autrement dit si on pose $M_{{\mathcal B}_E,{\mathcal B}_F}(f) = (a_{i,j})_{\stackrel{1 \leq i \leq n}{_{1 \leq j \leq p}}}$, on a: $\displaystyle{\forall j \in \{1,\ldots,p\}: f(e_j)=\sum_{i=1}^{n}a_{i,j}f_i}$.
Remarque : On représente souvent la matrice $M_{{\mathcal B}_E,{\mathcal B}_F}(f)$ en la bordant par les vecteurs $f(e_j)$ et $f_{i}$.
$\begin{array}{cccl}
M_{{\mathcal B}_E,{\mathcal B}_F}(f) & = &
\scriptstyle \left(\begin{array}{ccccc}
a_{1,1} & \ldots & a_{1,j} & \ldots & a_{1,p}\\
& & & & \\
\vdots & & & & \vdots\\
& & & & \\
\scriptstyle a_{n,1} & \ldots & a_{n,j} & \ldots & a_{n,p}\\
\end{array}\right)
&\scriptstyle \begin{array}{l}
f_1 \\
\\
\\
\\
f_n\\
\end{array}\\
&& \scriptstyle \left.\begin{array}{ccccc}
\uparrow & & \uparrow &
& \uparrow\\
\scriptstyle f(e_1) & & f(e_j) & & f(e_p)\\
\end{array}\right. & \\
\end{array}$
Exemple :
Soit :
$\begin{array}{cccc}
f & {\Bbb R}^3 &\longrightarrow & {\Bbb R}^2\\
& (x,y,z) & \mapsto & (2x+3y-z,x+y+z)
\end{array}$
On montrerait facilement que $f$ est une A.L
Déterminer la matrice représentative de $f$ dans les bases canoniques ${\mathcal B}_3=(e_1,e_2,e_3)$ de ${\Bbb R}^3$ et ${\mathcal B}_2=(f_1,f_2)$ de ${\Bbb R}^2$.
On a $f(e_1) = f((1,0,0)) = (2,1)$, $f(e_2) = (3,1)$ et $f(e_3) = (-1,1)$
Les images se décomposent ainsi :
$\scriptstyle \begin{array}{ccc}
(2,1) & = & 2.(1,0) + 1.(0,1) &= &2.f_1 + 1.f_2\\
(3,1) & = & 3.(1,0) + 1.(0,1)& = &3.f_1 + 1.f_2\\
(-1,1) & = & -1.(1,0) + 1.(0,1) &= & -1.f_1 + 1.f_2\\
\end{array}$.
D'où ${\rm Mat}_{{\mathcal B}_3,{\mathcal B}_2}(f) = \left(\begin{array}{ccr}
2 & 3 & -1\\
1 & 1 & 1
\end{array}\right)$
b) Calcul d'une image matriciellement
Ce qu'il faut bien retenir c'est que toutes les informations de l'application linéaire sont lisibles dans sa matrice.
Par exemple, pour calculer $y = f(x)$, on fait le calcul matriciel suivant. Le vecteur $x$ se décompose dans la base ${\mathcal B}_E$ selon l'égalité : $\displaystyle{x=\sum_{j=1}^{p}x_j e_j}$.
On note la matrice colonne des coordonnées de $x$ dans la base ${\mathcal B}_E$ par
$X=\left(
\begin{array}{c}
x_1 \\
\vdots \\
x_p
\end{array}
\right)$.
De la même façon, on décompose $y$ dans la base d'arrivée et on note $Y$ la matrice colonne de ses coordonnées.
Alors on a $Y=AX$.
Ainsi, chercher l'image de $f$ revient à chercher l'image de la matrice $A$ et cette image est égale au sous-espace engendré par les colonnes de la matrice. On en déduit également que le rang de $f$ est égal au rang de sa matrice $A$.
De même, chercher le noyau de $f$ revient à résoudre le système linéaire $AX=0$.
Remarque : lorsque l'application linéaire est un endomorphisme alors la matrice $A$ est carrée.
Exemple :
On considère l'application :
$\begin{array}{llll}
f & {\Bbb R}_3[X] & \longrightarrow & {\Bbb R}_3[X]\\
& P & \mapsto& P-XP'\\
\end{array}$
On montre facilement que $f$ est un endomorphisme de ${\Bbb R}_3[X]$.
Calculer matriciellement $f(1-X+X^2)$ puis déterminer ${\rm Ker}(f)$.
On détermine la matrice représentative de $f$ dans la base canonique ${\mathcal B} = (1,X,X^2,X^3)$ de ${\Bbb R}_3[X]$.
$A={\rm Mat}_{\mathcal B}(f)=\left(
\begin{array}{rrrr}
1 & 0 & 0 & 0 \\
0 & 0 & 0 & 0 \\
0 & 0 &-1 & 0 \\
0 & 0 & 0 &-2
\end{array}
\right)$.
La polynôme $P(X) = 1-X+X^2$ a pour coordonnées $(1,-1,1,0)$ dans ${\mathcal B}$. Notons
$U = {\rm Mat}_{\mathcal B}(P) = \left(
\begin{array}{r}
1 \\
-1 \\
1 \\
0
\end{array}
\right)$.
Donc d'après le théorème précédent, $f(P)$ a pour coordonnées dans ${\mathcal B}$ :
$\scriptstyle A \times U =\left(
\begin{array}{rrrr}
1 & 0 & 0 & 0 \\
0 & 0 & 0 & 0 \\
0 & 0 &-1 & 0 \\
0 & 0 & 0 &-1
\end{array}
\right) \times \left(
\begin{array}{r}
1 \\
-1 \\
1 \\
0
\end{array}
\right) = \left(
\begin{array}{r}
1 \\
0 \\
-1 \\
0
\end{array}
\right)$.
Donc $f(P) = 1-X^2$.
Soit à présent $P=a_0+a_1X+a_2X^2+a_3X^3 \in {\Bbb R}_3[X]$. On note
$U={\rm Mat}_{{\mathcal B}}(P)=\left(
\begin{array}{c}
a_0 \\
a_1 \\
a_2 \\
a_3
\end{array}
\right)$.
On a $0=f(P) \iff 0=AU$.
Or $\scriptstyle AU = \left(
\begin{array}{rrrr}
1 & 0 & 0 & 0 \\
0 & 0 & 0 & 0 \\
0 & 0 &-1 & 0 \\
0 & 0 & 0 &-2
\end{array}
\right)
\left(
\begin{array}{c}
a_0 \\
a_1 \\
a_2 \\
a_3
\end{array}
\right)=
\left(
\begin{array}{r}
a_0 \\
0 \\
-a_2 \\
-2a_3
\end{array}
\right)$.
Comme $P \in {\rm Ker}(f) \iff f(P)=0_{{\Bbb R}_3[X]} \iff A\times U = 0_{M_{4,1}({\Bbb R}_3[X])}$
On en déduit que $P \in {\rm Ker}(f) \iff \left(
\begin{array}{r}
a_0 \\
0 \\
-a_2 \\
-2a_3
\end{array}
\right) = \left(
\begin{array}{r}
0 \\
0 \\
0 \\
0
\end{array}
\right)$.
Donc $a_0=0$ et $a_2=0$ et $a_3=0$ c'est-à-dire $P=a_1X$.
Donc ${\rm Ker}(f) = {\rm vect}(X)$.
Le noyau est de dimension $1$. Comme l'espace est de dimension $4$, l'image est de dimension $3$. L'image de $f$ se lit sur les colonnes de la matrices.
L'image est engendrée par le 1er, le 3ème et le 4ème vecteur colonne. Si on retranscrit dans l'espace ${\Bbb R}_3[X]$, le premier vecteur correspond au polynôme $1$, le 3ème au polynôme $-X^2$ le troisième au polynôme $-2X^3$. On a donc ${\rm im}(f) = {\rm vect(1,-X^2,-2X^3)} = {\rm vect(1,X^2,X^3)}$.
c) Théorème :
La matrice d'une composée d'AL est le produit des matrices, c'est-à-dire $Mat(f \circ g) = Mat(f) \times Mat(g)$ (ajouter les bases de départ et d'arrivée).
d) A.L canoniquement associée à une matrice rectangulaire.
Définition : soit $A \in M_{n,p}({\Bbb K})$ une matrice rectangulaire.
L'application linéaire canoniquement associée à $A$ est l'application
$\begin{array}{llll}
f & {\Bbb K}^p & \longrightarrow & {\Bbb K}^n\\
& X & \mapsto& AX\\
\end{array}$
2) Le cas particulier des endomorphismes.
a) Matrice associée à un endomorphisme :
C'est la même définition que pour une A.L mais la base de départ doit être la même que celle d'arrivée.
b) Automorphisme
Théorème : soit $f$ un endomorphisme d'un espace $E$ de dimension finie.
$f$ est bijective si et seulement si sa matrice est inversible.
