Application Lineaire en Dimension Finie

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 45

APPLICATION LINÉAIRE EN DIMENSION FINIE

Ce chapitre est l'aboutissement de toutes les notions d'algèbre linéaire vues


jusqu'ici :
 espaces vectoriels,
 dimension,
 applications linéaires,
 matrices.
Nous allons voir que dans le cas des espaces vectoriels de dimension nie, l'étude
des applications linéaires se ramène à l'étude des matrices.

1
1. Rang d'une application linéaire

1.1. Construction et caractérisation.


Théorème 1. Soient E et F deux espaces vectoriels sur un même corps K. On
suppose E de dimension nie n et soit (e1 , . . . , en ) une base de E .
Alors pour tout choix (v1 , . . . , vn ) de n vecteurs de F , il existe une et une seule
application linéaire f : E → F telle que :
∀i ∈ {1, . . . , n}, f (ei ) = vi .

Exemple 1. Il existe une unique application linéaire f : Rn → R[X] telle que


f (ei ) = (X + 1)i pour i = 1, . . . , n (où (e1 , . . . , en ) est la base canonique de Rn ).
Pour un vecteur x = (x1 , . . . , xn ), on a
n
X
f (x1 , . . . , xn ) = f (x1 e1 + · · · + xn en ) = x1 f (e1 ) + · · · + xn f (en ) = xi (X + 1)i .
i=1
Démonstration.

 Unicité. Soit f répondant à la problématique. Pour x ∈ E , il existe des


scalaires x1 , x2 , . . . , xn tels que x = ni=1 xi ei . Comme f est linéaire, on a
P

n
! n n
(∗)
X X X
f (x) = f xi ei = xi f (ei ) = xi vi .
i=1 i=1 i=1
Donc, si elle existe, f est unique.
 Existence. Montrons qu'une application dénie par l'équation (∗) est linéaire
et vérie f (ei ) = vi .
(1) Si (x1 , . . . , xn ) (resp. y = (y1 , . . . , yn )) sont les coordonnées de x (resp. y )
dans la base (e1 , . . . , en ), alors
n
! n
X X
f (λx + µy) = f (λxi + µyi )ei = (λxi + µyi )f (ei )
i=1 i=1
n
X n
X
= λ xi f (ei ) + µ yi f (ei ) = λf (x) + µf (y).
i=1 i=1

(2) Les coordonnées de ei sont (0, . . . , 0, 1, 0, . . . , 0), donc f (ei ) = 1 · vi = vi .



1.2. Rang d'une application linéaire.
Soit f : E → F une application linéaire entre K-espaces vectoriels.
Proposition 1. Si E est de dimension nie, alors :
 Im f = f (E) est un espace vectoriel de dimension nie.
 Si (e1 , . . . , en ) est une base de E , alors Im f = Vect f (e1 ), . . . , f (en ) .


Démonstration. On montre que tout élément de Im f est combinaison linéaire des


vecteurs f (e1 ), . . . , f (en ).
 Soit y ∈ Im f . Il existe un élément x de E tel que y = f (x).
n
 Il existe des scalaires (x1 , . . . , xn ) tels que x = xi ei .
X

i=1
Par linéarité de f , on en déduit que
n
X
y = f (x) = xi f (ei ).
i=1

Dénition 1. La dimension de l'espace vectoriel Im f est appelée rang de f :

rg(f ) = dim Im f = dim Vect f (e1 ), . . . , f (en )
Exemple 2. Soit f : R3 → R2 l'application linéaire dénie par f (x, y, z) =
(3x − 4y + 2z, 2x − 3y − z). Quel est le rang de f ?
La matrice de f dans les bases canoniques est
 
3 −4 2
A= ,
2 −3 −1
les colonnes étant égales à f (e1 ), f (e2 ), f (e3 ) respectivement.
Le rang de f est donc égale au rang de A.
Estimons le rang sans faire de calculs .
 Nous avons une famille de 3 vecteurs donc rg f 6 3.
 Les vecteurs v1 , v2 , v3 vivent dans un espace de dimension 2 donc rg f 6 2.
 f n'est pas l'application linéaire nulle donc rg f > 1.
Donc le rang de f vaut 1 ou 2.
Il est facile de voir que v1 et v2 sont linéairement indépendants, donc le rang
est 2 : 
rg f = rg f (e1 ), f (e2 ), f (e3 ) = dim Vect(v1 , v2 , v3 ) = 2
Remarque : il est encore plus facile de voir que le rang de la matrice A est 2
en remarquant que ses deux seules lignes ne sont pas colinéaires.
1.3. Théorème du rang. Le théorème du rang donne une relation entre la di-
mension du noyau et la dimension de l'image d'une application linéaire.
Théorème 2 (Théorème du rang). Soit f : E → F une application linéaire entre
deux K-espaces vectoriels, E étant de dimension nie. Alors
dim E = dim Ker f + dim Im f

Autrement dit : dim E = dim Ker f + rg f .


Démonstration. (1) Soit (1 , . . . , p ) une base de Ker f .
(2) Il existe des vecteurs p+1 , . . . , n de E tels que (1 , 2 , . . . , n ) soit une base
de E (théorème de la base incomplète).
(3) Alors Im f est engendrée par les vecteurs f (1 ), f (2 ), . . . , f (n ), donc par les
vecteurs f (p+1 ), . . . , f (n ).
(4) Montrons que ces vecteurs forment une famille libre.
Soient αp+1 , . . . , αn des scalaires tels que
αp+1 f (p+1 ) + · · · + αn f (n ) = 0.
ou encore (f est linéaire)
f (αp+1 p+1 + · · · + αn n ) = 0
ou encore
αp+1 p+1 + · · · + αn n ∈ Ker f.
Il existe donc des scalaires λ1 , . . . , λp tels que
αp+1 p+1 + · · · + αn n = λ1 1 + · · · + λp p
(car (1 , . . . , p ) est une base de Ker f ) ou encore
−λ1 1 − · · · − λp p + αp+1 p+1 + · · · + αn n = 0.
Alors
λ1 = · · · = λp = αp+1 = · · · = αn = 0.
car (1 , 2 , . . . , n ) est une base de E .
Les vecteurs f (p+1 ), . . . , f (n ) dénissent donc bien une base de Im f qui
est donc de dimension n − p.

Exemple 3. Soit l'application linéaire
f : R4 −→ R3
(x1 , x2 , x3 , x4 ) 7−→ (x1 − x2 + x3 , 2x1 + 2x2 + 6x3 + 4x4 , −x1 − 2x3 − x4 )
Calculons le rang de f et la dimension du noyau de f .
On va utiliser deux méthodes :
(1) on calcule d'abord la dimension du noyau,
(2) on calcule d'abord la dimension de l'image.
 Première méthode. On calcule d'abord le noyau :
(x1 , x2 , x3 , x4 ) ∈ Ker f ⇐⇒ f (x1 , x2 , x3 , x4 ) = (0, 0, 0)

 x1 − x2 + x3 = 0
⇐⇒ 2x1 + 2x2 + 6x3 + 4x4 = 0
−x1 − 2x3 − x4 = 0

On résout ce système ...


et on trouve qu'il est équivalent à

x1 − x2 + x3 = 0
x2 + x3 + x4 = 0
On choisit x3 et x4 comme paramètres et on trouve :
 
Ker f = (−2x3 − x4 , −x3 − x4 , x3 , x4 ) | x3 , x4 ∈ R
  −2   −1  
= x3 −1 1 + x4 −10 | x3 , x4 ∈ R
0 1
 −2   −1 
= Vect −1 , −1
1 0
0 1
Les deux vecteurs dénissant le noyau sont linéairement indépendants, donc
dim Ker f = 2.
D'après le théorème du rang
rg f = dim Im f = dim R4 − dim Ker f = 4 − 2 = 2
 Deuxième méthode. On calcule d'abord l'image. On note (e1 , e2 , e3 , e4 ) la
base canonique de R4 . Calculons vi = f (ei ) :
   
1  1
 0  −1 
v1 = f (e1 ) = f 0 = 2 v2 = f (e2 ) = f 1 = 2
0 −1 0 0
0 0
   
0  1
 0  0

v3 = f (e3 ) = f 0 = 6 v4 = f (e4 ) = f 0 = 4
1 −2 0 −1
0 1
On réduit la matrice A, formée des vecteurs colonnes, sous une forme éche-
lonnée :
   
1 −1 1 0 1 0 0 0
A =  2 2 6 4  ∼  2 4 0 0
−1 0 −2 −1 −1 −1 0 0
Donc le rang de A est 2, ainsi

rg f = dim Im f = dim Vect f (e1 ), f (e2 ), f (e3 ), f (e4 ) = 2
Par le théorème du rang :
dim Ker f = dim R4 − rg f = 4 − 2 = 2.
1.4. Application linéaire entre deux espaces de même dimension.
Théorème 3. Soit f : E → F une application linéaire avec E et F de dimension
nie et dim E = dim F . Alors les assertions suivantes sont équivalentes :
(i) f est bijective
(ii) f est injective
(iii) f est surjective
Démonstration.

f est injective ⇐⇒ dim Im f = dim E (par le théorème du rang)


⇐⇒ dim Im f = dim F (par l'hypothèse dim E = dim F )
⇐⇒ Im f = F (car Im f ⊂ F )
⇐⇒ f est surjective

Exemple 4. Soit f : R2 → R2 dénie par f (x, y) = (x − y, x + y).
Est-ce que f est bijective ?
Première méthode. L'espace de départ et l'espace d'arrivée ont même dimen-
sion. Calculons le noyau :
(x, y) ∈ Ker f ⇐⇒ f (x, y) = 0 ⇐⇒ (x − y, x + y) = (0, 0)

x+y = 0
⇐⇒ ⇐⇒ (x, y) = (0, 0)
x−y = 0
Ainsi f est injective et donc, par le théorème 3, que f est un isomorphisme.
Seconde Méthode. On peut aussi montrer que la matrice de f dans les bases
canoniques est inversible...
On peut enn démontrer un résultat annoncé dans le cours sur les matrices.
Proposition 2. Si une matrice carrée A ∈ Mn(K) admet un inverse à droite,
c'est-à-dire il existe B ∈ Mn (K) tel que AB = I , alors A est inversible.
Démonstration.

(1) Montrons l'existence d'un inverse à gauche. Soit f : Mn (K) → Mn (K) dé-
nie par f (M ) = M A.
(a) f est une application linéaire, car
f (λM + µN ) = (λM + µN )A = λf (M ) + µf (N ).
(b) f est injective : si f (M ) = O, cela donne M A = O. On multiplie cette
égalité par B à droite :
M AB = OB ou encore M = M I = O.
(c) Par le théorème 3, f est donc aussi surjective.
(d) Alors la matrice identité est dans l'image de f : il existe C ∈ Mn (K) tel
que
f (C) = I ou encore CA = I.
(2) Montrons l'égalité des inverses. Calculons CAB de deux façons :
(CA)B = IB = B et C(AB) = CI = C
donc B = C .

Mini-exercice.
(1) Soit f : R3 → R2 dénie par f (x, y, z) = (x − 2y − 3z, 2y + 3z). Calculer
une base du noyau de f , une base de l'image de f et vérier le théorème du
rang.
(2) Même question avec f : R3 → R3 dénie par f (x, y, z) = (−y+z, x+z, x+y).
(3) Lorsque c'est possible, calculer la dimension du noyau, le rang et dire si f
peut être injective, surjective, bijective :
 Une application linéaire surjective f : R6 → R3 .
 Une application linéaire injective f : R3 → R5 .
 Une application linéaire surjective f : R7 → R7 .
 Une application linéaire injective f : R9 → R9 .
2. Matrice d'une application linéaire

Dans cette section, tous les espaces vectoriels sont de dimension nie.
Soit f : E → F une application linéaire entre K-espaces vectoriels de dimension
nie.
On va noter
 p la dimension de E et soit B = (e1 , . . . , ep ) une base de E .
 n la dimension de F et soit B0 = (f1 , . . . , fn ) une base de F
On a vu que :
 f est déterminée de façon unique par l'image d'une base de E .
 Pour tout j , le vecteur f (ej ) s'écrit de manière unique comme combinaison
linéaire des vecteurs de la base B0 = (f1 , f2 , . . . , fn ) de F .
Il existe donc n scalaires uniques a1,j , a2,j , . . . , an,j tels que
 
a1,j
a 
 2,j 
f (ej ) = a1,j f1 + a2,j f2 + · · · + an,j fn =  ..  .
 . 
an,j B0

Important : f est entièrement déterminée par les coecients (ai,j )(i,j)∈{1,...,n}×{1,...,p}.


Dénition 2. La matrice de l'application linéaire f par rapport aux bases
B et B 0 est la matrice (ai,j ) ∈ Mn,p (K) dont la j -ème colonne est constituée par
les coordonnées du vecteur f (ej ) dans la base B0 = (f1 , f2 , . . . , fn ) :
f (e1 ) . . . f (ej ) . . . f (ep )
 
f1 a11 a1j . . . a1p
f2 a21
 a2j . . . a2p 
MatB,B0 (f ) = ..  .. . .. .. 

.  . .. . . 
fn an1 anj . . . anp
Dit autrement : c'est la matrice dont les vecteurs colonnes sont l'image par
f des vecteurs de la base de départ B , exprimée dans la base d'arrivée B 0 .
Remarque.
 La taille de MatB,B0 (f ) dépend uniquement de dim E et dim F .
 Les coecients de MatB,B0 (f ) dépendent eux du choix des bases B et B0 .
 On avait rencontré dans le cours sur l'espace vectoriel Rn le cas où les bases
B et B 0 étaient les bases canoniques.
Exemple 5. Soit f l'application linéaire de R3 dans R2 dénie par
x 
1 x1 +x2 −x3

x2
x3
7→ x1 −2x2 +3x3 .
Soient B = (e1 , e2 , e3 ) la base canonique de R3 et B0 = (f1 , f2 ) la base canonique
de R2 . C'est-à-dire :
     
1 0 0    
1 0
e1 = 0 e2 = 1 e3 = 0 f1 = f2 =
0 1
0 0 1
(1) Quelle est la matrice de f dans les bases B et B0 ?
 On a f (e1 ) = f (1, 0, 0) = (1, 1) = f1 + f2 . La première colonne de la
matrice MatB,B0 (f ) est donc ( 11 ).
 De même f (e2 ) = f (0, 1, 0) = (1, −2) = f1 − 2f2 . La deuxième colonne
de la matrice MatB,B0 (f ) est donc ( −2 1 ).

 Enn f (e3 ) = f (0, 0, 1) = (−1, 3) = −f1 + 3f2 . La troisième colonne de


la matrice MatB,B0 (f ) est donc ( −1 3 ).

Ainsi :  
1 1 −1
MatB,B0 (f ) =
1 −2 3
 
1 1 −1
MatB,B0 (f ) =
1 −2 3
(2) On va changer la base de l'espace de départ et celle de l'espace d'arrivée.
Considérons les vecteurs
     
1 1 0    
1 1
1 = 1 2 = 0 3 = 1 φ1 = φ2 =
0 1
0 1 1
On montre facilement que B0 = (1 , 2 , 3 ) est une base de R3 et B00 = (φ1 , φ2 )
est une base de R2 .
Quelle est la matrice de f dans les bases B0 et B00 ? On a :
f (1 ) = f (1, 1, 0) = (2, −1) = 3φ1 − φ2
f (2 ) = f (1, 0, 1) = (0, 4) = −4φ1 + 4φ2
f (3 ) = f (0, 1, 1) = (0, 1) = −φ1 + φ2
donc  
3 −4 −1
MatB0 ,B00 (f ) = .
−1 4 1
Cet exemple illustre bien le fait que la matrice dépend du choix des bases.
2.1. Opérations sur les applications linéaires et les matrices.
Proposition 3. Soient f, g : E → F deux applications linéaires et soient B une
base de E et B0 une base de F . Alors :
 MatB,B0 (f + g) = MatB,B0 (f ) + MatB,B0 (g)
 MatB,B0 (λf ) = λ MatB,B0 (f )
Démonstration. Exercice. 

Attention :
 la matrice associée à la somme de deux applications linéaires est donc la
somme des matrices à condition de considérer les mêmes bases sur les
espaces de départ et d'arrivée pour les deux applications.
 Idem avec le produit par un scalaire.
Soit G un autre espace vectoriel de dimension nie.
Proposition 4. Soient f : E → F et g : F → G deux applications linéaires et
soient B une base de E , B0 une base de F et B00 une base de G. Alors :
MatB,B00 (g ◦ f ) = MatB0 ,B00 (g) × MatB,B0 (f )

Autrement dit : à condition de bien choisir les bases, la matrice associée à la


composition de deux applications linéaires est le produit des matrices associées à
chacune d'elles, dans le même ordre.
Remarque.
La démonstration est proche de celle vu dans le cours sur les applications linéaires
de Rn .
Il faut cependant faire attention aux choix des bases.
Démonstration. Soit
 B = (e1 , . . . , ep ) une base de E ,
 B0 = (f1 , . . . , fn ) une base de F ,
 B00 = (g1 , . . . , gq ) une base de G.
Écrivons
 A = MatB,B0 (f ) = (aij ) ∈ Mn,p (K) la matrice de f ,
 B = MatB0 ,B00 (g) = (bij ) ∈ Mq,n (K) la matrice de g ,
 C = MatB,B00 (g ◦ f ) = (cij ) ∈ Mq,p (K) la matrice de g ◦ f .
On a

(g ◦ f )(e1 ) = g f (e1 )
= g(a11 f1 + · · · + an1 fn ) par dénition de A
 1 ) + · · · + an1 g(f
= a11 g(f n ) par linearité
 de g 
= a11 b11 g1 + · · · + bq1 gq + · · · + an1 b1n g1 + · · · + bqn gq

Ainsi, la première colonne de C = MatB,B00 (g ◦ f ) est


 
a11 b11 + · · · + an1 b1n
 a b + ··· + a b 
 11 21 n1 2n 
.
. .
.

 
a11 bq1 + · · · + an1 bqn
Mais ceci est aussi la première colonne de la matrice BA.
Il reste à faire la même chose avec les autres colonnes. 
Exemple 6. On pose E = R2, F = R3, G = R2. Soient
 B = (e1 , e2 ) une base de E ,
 B0 = (f1 , f2 , f3 ) une base de F , et
 B00 = (g1 , g2 ) une base de G.
Soient f : R2 → R3 et g : R3 → R2 des applications linéaires de matrices
 
1 0  
2 −1 0
A = MatB,B0 (f ) = 1 1 ∈ M3,2 B = MatB0 ,B00 (g) = ∈ M2,3
3 1 2
0 2
Calculons la matrice C = MatB,B (g ◦ f ) de deux façons diérentes :
00

(1) via la dénition de la matrice d'une application linéaire,


(2) via la proposition précédente.

(1) Première méthode. Exprimer g ◦ f (e1 ) et g ◦ f (e2 ) dans la base (g1 , g2 ).


 Calcul de f (e1 ) et f (e2 ). Par dénition de A
 
1
f (e1 ) = 1 = 1f1 + 1f2 + 0f3 = f1 + f2
0 B0
De même,
 
0
f (e2 ) = 1 = 0f1 + 1f2 + 2f3 = f2 + 2f3
2 B0

 Calcul des g(f1 ), g(f2 ) et g(f3 ). Par dénition, g(fj ) correspond à la j -ème
colonne de la matrice B :
 
2
g(f1 ) = = 2g1 + 3g2
3 B00
De même
   
−1 0
g(f2 ) = = −g1 + g2 , g(f3 ) = = 2g2
1 B00 2 B00
 Calcul de g ◦ f (e1 ) et g ◦ f (e2 ). Par linéarité :
g ◦ f (e1 ) = g(f1 + f2 ) = g(f1 ) + g(f2 ) = (2g1 + 3g2 ) + (−g1 + g2 ) = g1 + 4g2
g ◦ f (e2 ) = g(f2 + 2f3 ) = g(f2 ) + 2g(f3 ) = (−g1 + g2 ) + 2(2g2 ) = −g1 + 5g2
 Ainsi  
1 −1
C=
4 5
(2) Deuxième méthode. Utilisons le produit de matrices : on sait que C = BA.
Donc
 
  1 0  
2 −1 0 1 −1
MatB,B00 (g ◦ f ) = C = B × A = × 1 1  =
3 1 2 4 5
0 2

Remarque : c'est bien plus rapide ainsi !


2.2. Matrice d'un endomorphisme.
 On se restreint maintenant au cas E = F .
 Si dim E = n, alors chaque matrice associée à f est une matrice carrée de
taille n × n.
 Si on choisit B = B0 , on note simplement MatB (f ) la matrice associée à f .
 Mais on peut aussi choisir deux bases distinctes pour E .
Exemple 7.
(1) id : E → E . Quelle que soit la base B de E , on a MatB (id) = In .
Attention. Ce n'est plus vrai si B0 est diérente de B.
(2) Homothétie hλ : E → E , hλ (x) = λ · x (où λ ∈ K est le rapport de
l'homothétie) : MatB (hλ ) = λIn .
(3) Symétrie centrale s : E → E , s(x) = −x : MatB (s) = −In .
(4) Cas de rθ : R2 −→ R2 la rotation d'angle θ, centrée à l'origine, dans l'espace
vectoriel R2 muni de la base canonique B. Alors rθ (x, y) = (x cos θ −
y sin θ, x sin θ + y cos θ). On a
 
cos θ − sin θ
MatB (rθ ) = .
sin θ cos θ
Proposition 5. Soient E un espace vectoriel de dimension nie et B une base de
E . Soit f : E → E une application linéaire. Alors, quel que soit p ∈ N :
p
MatB (f p ) = MatB (f )
Autrement dit, si A est la matrice associée à f , alors la matrice associée à
f = f ◦ f ◦ · · · ◦ f est Ap = A × A × · · · × A.
p
| {z } | {z }
p occurrences p facteurs

Démonstration. La démonstration (laissée en exercice) est une récurrence sur p


en utilisant la proposition 4. 
Exemple 8. Soit rθ la matrice de la rotation d'angle θ dans R2 dans la base
canonique. La matrice de rθp est :
 p
p cos θ − sin θ
MatB (rθp ) = MatB (rθ ) =
sin θ cos θ
Un calcul par récurrence montre ensuite que
 
cos(pθ) − sin(pθ)
MatB (rθp ) = ,
sin(pθ) cos(pθ)
ce qui est bien la matrice de la rotation d'angle pθ : composer p fois la rotation
d'angle θ revient à eectuer une rotation d'angle pθ.
Théorème 4. Soient E et F deux K-espaces vectoriels de même dimension nie.
Soit f : E → F une application linéaire. Soient B une base de E , B0 une base de
F et A = MatB,B0 (f ).
(1) f est bijective si et seulement si la matrice A est inversible. Autrement dit,
f est un isomorphisme si et seulement si sa matrice associée MatB,B0 (f ) est
inversible.
(2) De plus, si f : E → F est bijective, alors la matrice de l'application linéaire
f −1 : F → E de la base B0 vers
 la base B est la matrice A . Autrement dit,
−1
−1
MatB0 ,B (f −1
)= MatB,B0 (f ) .

Voici le cas particulier très important d'un endomorphisme f : E → E où E


est muni de la même base B au départ et à l'arrivée et A = MatB (f ).
Corollaire 1.
 f est bijective si et seulement si A est inversible.
 Si f est bijective, alors la matrice associée à f −1 dans la base B est A−1 .
−1
Autrement dit : MatB (f −1 ) = MatB (f ) .
Preuve du théorème 4. On note A = MatB,B0 (f ).
 Si f est bijective, notons B = MatB0 ,B (f −1 ). Alors par la proposition 4 on
sait que
BA = MatB0 ,B (f −1 ) × MatB,B0 (f ) = MatB,B (f −1 ◦ f ) = MatB,B (idE ) = I.
De même AB = I .
Ainsi A = MatB,B0 (f ) est inversible et son inverse est B = MatB0 ,B (f −1 ).
 Réciproquement, supposons A = MatB,B0 (f ) inversible. Soit g : F → E
l'application linéaire telle que A−1 = MatB0 ,B (g). Alors, toujours par la pro-
position 4 :
MatB,B (g ◦ f ) = MatB0 ,B (g) × MatB,B0 (f ) = A−1 A = I
Donc la matrice de g ◦ f dans loa base B est l'identité.
Ceci implique g ◦ f = idE .
De même f ◦ g = idF .
Ainsi f est bijective (et sa bijection réciproque est g ).

Mini-exercice.
(1) Calculer la matrice associée aux applications linéaires fi : R2 → R2 dans la
base canonique :
(a) f1 la symétrie par rapport à l'axe (y = x),
(b) f2 la projection orthogonale sur l'axe (Oy).
(2) Calculer les matrices associées à f1 ◦ f2 et f2 ◦ f1 ,
(3) Lorsque c'est possible, calculer la matrice associée à fi−1 .
3. Changement de bases

3.1. Application linéaire, matrice, vecteur. Soit E un espace vectoriel de


dimension nie et soit B = (e1 , e2 , . . . , ep ) une base de E . Pour chaque x ∈ E , il
existe un p-uplet unique d'éléments de K (x1 , x2 , . . . , xp ) tel que
x = x1 e1 + x2 e2 + · · · + xp ep .
La matrice des coordonnées de x est un vecteur colonne, noté MatB (x) ou encore
x1 !
x2
.. .
x
.
p B
Dans R , si B est la base canonique, alors on note simplement
p

x1 !
x2
..
x
.
p

en omettant de mentionner la base.


Soient E et F deux K-espaces vectoriels de dimension nie et f : E → F une
application linéaire.
Le but de ce paragraphe est de traduire l'égalité vectorielle y = f (x)
par une égalité matricielle .
Soient B une base de E et B0 une base de F .
Proposition 6.
 Soit A = MatB,B0 (f ).
x1 !
x2
 Pour x ∈ E , notons X = MatB (x) = .. .
x
.
p
y1 !B
y2
 Pour y ∈ F , notons Y = MatB0 (y) = .. .
y
.
n B0
Alors, si y = f (x), on a
Y = AX
Autrement dit : 
MatB0 f (x) = MatB,B0 (f ) × MatB (x)

Y = MatB0 f (x) = MatB,B0 (f ) × MatB (x) = AX

Démonstration.

 On pose B = (e1 , . . . , ep ), B 0 = (f1 , f2 , . . . , fn ),!


x1
x2
A = (ai,j ) = MatB,B0 (f ) et X = MatB (x) = .. .
x
.
p
 On a
p p p
! n
!
X X X X
f (x) = f xj ej = xj f (ej ) = xj ai,j fi .
j=1 j=1 j=1 i=1

En utilisant la commutativité de K, on a donc


p p
! !
X X
f (x) = a1,j xj f1 + · · · + an,j xj fn .
j=1 j=1

 La matrice Y des coordonnées de y = f (x) dans la base (f1 , f2 , . . . , fn ) est


ainsi :  Pp 
a1,j xj
Pj=1
p
j=1 a2,j xj
Y = .. .
 
Pp .
j=1 an,j xj
 Or  Pp 
x1 ! a1,j xj
Pj=1
p
x2 a2,j xj
AX = A .. =
 j=1
.. .

x
. .
p Pp
j=1 an,j xj

Exemple 9. Soient E un K-espace vectoriel de dimension 3 et B = (e1, e2, e3)
une base de E . Soit f l'endomorphisme de E dont la matrice dans la base B est
égale à  
1 2 1
A = MatB (f ) = 2 3 1 .
1 1 0
On se propose de déterminer le noyau de f et l'image de f .
Les éléments x de E sont des combinaisons linéaires de e1 , e2 et e3 : x =
x1 e1 + x2 e2 + x3 e3 . On a
 
 0
x ∈ Ker f ⇐⇒ f (x) = 0E ⇐⇒ MatB f (x) = 0

0
     
0 x1 0
⇐⇒ AX = 0 ⇐⇒ A x2 = 0
    
0 x3 0

 x1 + 2x2 + x3 = 0
⇐⇒ 2x + 3x2 + x3 = 0
 1
x1 + x2 = 0

 x1 + 2x2 + x3 = 0
2x + 3x2 + x3 = 0
 1
x1 + x2 = 0
On résout ce système par la méthode du pivot de Gauss. On trouve
Ker f = x1 e1 + x2 e2 + x3 e3 ∈ E | x1 + 2x2 + x3 = 0 et x2 + x3 = 0

n t  o  1  
= −t | t ∈ K = Vect −1
t 1 B

Le noyau est donc de dimension 1.


Par le théorème du rang, l'image Im f est de dimension 2.
Les deux premiers vecteurs de la matrice
 
1 2 1
A = MatB (f ) = 2 3 1
1 1 0
étant linéairement indépendants, ils engendrent Im f :
    
1 2
Im f = Vect 2 , 3
1 B 1 B
3.2. Matrice de passage d'une base à une autre. Soit E un espace vectoriel
de dimension nie n.
Dénition 3. Soit B une base de E . Soit B0 une autre base de E .
On appelle matrice de passage de la base B vers la base B0 , et on note PB,B0 ,
la matrice carrée de taille n × n dont la j -ème colonne est formée des coordonnées
du j -ème vecteur de la base B0 dans la base B.
Exemple 10. Soit l'espace vectoriel réel R2. On considère
       
1 1 1 5
e1 = e2 = 1 = 2 = .
0 1 2 4
On considère la base B = (e1 , e2 ) et la base B0 = (1 , 2 ).
Quelle est la matrice de passage de la base B vers la base B0 ?
Il faut exprimer 1 et 2 en fonction de (e1 , e2 ). On calcule que :
   
−1 1
1 = −e1 + 2e2 = 2 = e1 + 4e2 =
2 B 4 B
La matrice de passage de B vers B0 est donc :
 
−1 1
PB,B0 =
2 4
On va interpréter une matrice de passage comme la matrice associée
à l'application identité de E par rapport à des bases bien choisies.
Proposition 7. La matrice de passage PB,B de la base B vers la base B0 est la
0

matrice associée à l'identité idE : (E, B0 ) → (E, B), c'est-à-dire :


PB,B0 = MatB0 ,B (idE )

Attention à l'inversion de l'ordre des bases !


Démonstration. On pose B = (e1 , e2 , . . . , en ) et B0 = (e01 , e02 , . . . , e0n ). On considère
idE : (E, B 0 ) −→ (E, B)
x 7−→ idE (x) = x
On a n
X
idE (e0j ) = e0j = ai,j ei
i=1
et donc MatB0 ,B (idE ) est la matrice dont !la j -ème colonne est formée des coor-
a1,j
a2,j
données de e0j par rapport à B, soit .. .
.
an,j
Par dénition de la matrice de passage, c'est aussi la j -ème colonne de PB,B0 . 
Proposition 8.
(1) La matrice de passage d'une base B vers une base B0 est inversible et son
inverse est égale à la matrice de passage de la base B0 vers la base B :
−1
PB0 ,B = PB,B0
(2) Si B, B0 et B00 sont trois bases, alors PB,B00 = PB,B0 × PB0 ,B00

Démonstration.

(1) On a PB,B0 = MatB0 ,B idE . Donc, d'après le théorème 4 caractérisant la




matrice d'un isomorphisme,


−1
−1
= MatB,B0 id−1

PB,B0 = MatB0 ,B idE E .

Or id−1
E = idE , donc
−1

PB,B0 = MatB,B0 idE = PB0 ,B .
(2) idE : (E, B00 ) → (E, B) se factorise de la façon suivante :
id id
(E, B 00 ) −→
E
(E, B 0 ) −→
E
(E, B).
Autrement dit, on écrit idE = idE ◦ idE . Cette factorisation permet d'écrire
l'égalité suivante :
  
MatB00 ,B idE = MatB0 ,B idE × MatB00 ,B0 idE ,
soit
PB,B00 = PB,B0 × PB0 ,B00 .

Exemple 11. Soit E = R3 muni de sa base canonique B. Dénissons
      
    
1 0 3 1 0 0
B1 = 1 , −1 ,  2  et B2 = −1 , 1 ,  0  .
0 0 −1 0 0 −1
Quelle est la matrice de passage de B1 vers B2 ?
On a d'abord
   
1 0 3 1 0 0
PB,B1 = 1 −1 2  et PB,B2 = −1 1 0  .
0 0 −1 0 0 −1
La proposition 8 implique que PB,B2 = PB,B1 × PB1 ,B2 . Donc on a
−1
PB1 ,B2 = PB,B1 × PB,B2 .
Après calcul de l'inverse, on trouve :
 −1  
1 0 3 1 0 0
PB1 ,B2 = 1 −1 2  × −1 1 0
0 0 −1 0 0 −1
     
1 0 3 1 0 0 1 0 −3
= 1 −1 1 × −1 1
   0  = 2 −1 −1 .
0 0 −1 0 0 −1 0 0 1
Nous allons maintenant étudier l'eet d'un changement de bases sur les coor-
données d'un vecteur.
 Soient B = (e1 , e2 , . . . , en ) et B0 = (e01 , e02 , . . . , e0n ) deux bases d'un même
K-espace vectoriel E .
 Soit PB,B0 la matrice de passage de la base B vers la base B0 .
 Pour x ∈ E , il se décompose en x = ni=1 xi ei dans la base B et on note
P
x1
!
x2
X = MatB (x) = .. .
x
.
nB
 Ce même x ∈ E se décompose en x = dans la base B0 et on note
Pn 0 0
i=1 xi ei
x01
 
x02
X 0 = MatB0 (x) =  ..  .
.
x0n B0

Proposition 9.
X = PB,B0 ×X 0

Démonstration. C'est une conséquence de la proposition 6 (Y = AX ) et du fait


que PB,B0 = MatB0 ,B (idE ). 
3.3. Formule de changement de base.
 Soient E et F deux K-espaces vectoriels de dimension nie.
 Soit f : E → F une application linéaire.
 Soient BE , BE0 deux bases de E .
 Soient BF , BF0 deux bases de F .
 Soit P = PBE ,BE0 la matrice de passage de BE à BE0 .
 Soit Q = PBF ,BF0 la matrice de passage de BF à BF0 .
 Soit A = MatBE ,BF (f ) la matrice de l'application linéaire f de la base BE
vers la base BF .
 Soit B = MatBE0 ,BF0 (f ) la matrice de l'application linéaire f de la base BE0
vers la base BF0 .
Théorème 5 (Formule de changement de base).
B = Q−1 AP

Démonstration. L'application f : (E, BE0 ) → (F, BF0 ) se factorise de la façon


suivante :
id f id
(E, BE0 ) −→
E F
(E, BE ) −→ (F, BF ) −→ (F, BF0 ),
c'est-à-dire que f = idF ◦f ◦ idE .
On a donc l'égalité de matrices suivante :
B = MatBE0 ,BF0 (f )
= MatBF ,BF0 (idF ) × MatBE ,BF (f ) × MatBE0 ,BE (idE )
= PBF0 ,BF × MatBE ,BF (f ) × PBE ,BE0
= Q−1 AP

Dans le cas particulier d'un endomorphisme, nous obtenons une formule plus
simple :
 Soit f : E → E une application linéaire.
 Soient B, B0 deux bases de E .
 Soit P = PB,B0 la matrice de passage de B à B0 .
 Soit A = MatB (f ) la matrice de l'application linéaire f dans la base B.
 Soit B = MatB0 (f ) la matrice de l'application linéaire f dans la base B0 .
Le théorème 5 devient alors :
Corollaire 2.
B = P −1 AP
Exemple 12. Reprenons les deux bases de R3 de l'exemple 11 :
           
1 0 3 1 0 0
B1 = 1 , −1 ,  2  et B2 = −1 , 1 ,  0  .
0 0 −1 0 0 −1
Soit f : R3 → R3 l'application linéaire dont la matrice dans la base B1 est :
 
1 0 −6
A = MatB1 (f ) = −2 2 −7
0 0 3
Que vaut la matrice B = MatB (f ) de f dans la base B2 ?
2

(1) Nous avions calculé que la matrice de passage de B1 vers B2 était


 
1 0 −3
P = PB1 ,B2 = 2 −1 −1 .
0 0 1
 
1 0 3
(2) On calcule aussi P −1 = 2 −1 5 .
0 0 1
(3) On applique la formule du changement de base du corollaire 2 :

       
1 0 3 1 0 −6 1 0 −3 1 0 0
B = P −1 AP = 2 −1 5 × −2 2 −7 × 2 −1 −1 = 0 2 0
0 0 1 0 0 3 0 0 1 0 0 3

Remarque : L'intérêt des changements de base est de se ramener à une matrice


plus simple.
Par exemple ici, il est facile de calculer les puissances B k , pour en déduire les
Ak .
En eet pour k ∈ N :  
1 0 0
k
B = 0 2k 0 
0 0 3k
d'où
3 − 3k+1
 
1 0
Ak = (P BP −1 )k = P B k P −1 = 2 − 2k+1 2k 6 − 5 · 2k − 3k  .
0 0 3k
3.4. Pour aller plus loin : les matrices semblables. Les matrices considérées
dans ce paragraphe sont des matrices carrées, éléments de Mn (K).
Dénition 4. Soient A et B deux matrices de Mn(K). On dit que la matrice B
est semblable à la matrice A s'il existe une matrice inversible P ∈ Mn (K) telle
que B = P −1 AP .
La relation  être semblable  est une relation d'équivalence dans l'ensemble
Mn (K) :
Proposition 10.
 La relation est réexive : une matrice A est semblable à elle-même.
 La relation est symétrique : si A est semblable à B , alors B est semblable
à A.
 La relation est transitive : si A est semblable à B , et B est semblable à C ,
alors A est semblable à C .

Le corollaire 2 se reformule ainsi :


Corollaire 3. Deux matrices semblables représentent le même endomorphisme,
mais exprimé dans des bases diérentes.
Mini-exercice. (1) Soit f : R2 → R2 dénie par
f (x, y) = (2x + y, 3x − 2y).
Soit v = ( −4
3 ) ∈ R2 avec ses coordonnées dans la base canonique B de R2 .
0
Soit B1 = (( 32 ) , ( 22 )) une autre base de R2 .
(a) Calculer la matrice de f dans la base canonique.
(b) Calculer les coordonnées de f (v) dans la base canonique.
(c) Calculer la matrice de passage de B0 à B1 .
(d) En déduire les coordonnées de v dans la base B1 , et de f (v) dans la base
B1 .
(e) Calculer la matrice de f dans la base B1 .
(2) Même exercice dans R3 avec f : R3 → R3 ,
f (x, y, z) = (x − 2y, y − 2z, z − 2x)
 3 
v = −2 ∈ R3
1
et      
0 2 1
B1 = 1 , 0 , 2
2 1 0

Vous aimerez peut-être aussi