3.5 Matrice d'une application linéaire entre \(\mathbb{R}^n\) et \(\mathbb{R}^m\)
Résultat principal

Dans cette section, nous allons appliquer quelques-unes des notions relatives aux applications linéaires \(T:\mathbb{R}^n\to\mathbb{R}^m\).

Nous avions vu que toute application \(T:\mathbb{R}^n\to\mathbb{R}^m\) de la forme \(T(\boldsymbol{x})=A\boldsymbol{x}\) est linéaire (voir le Lemme dans la Section (cliquer)). De façon plus générale on a le résultat suivant :

Théorème: Si \(T:\mathbb{R}^n\to \mathbb{R}^m\) est linéaire, alors il existe une unique matrice \(A\) de taille (\(m\times n\)) telle que \[ T(\boldsymbol{x})=A\boldsymbol{x}\,,\qquad \forall \boldsymbol{x}\in \mathbb{R}^n\,. \] De plus, la matrice \(A\) est celle dont les colonnes sont les images par \(T\) des vecteurs de la base canonique (voir la dernière sous-section de la Section (cliquer): \[ A= \bigl[ T(\boldsymbol{e}_1) \cdots T(\boldsymbol{e}_n) \bigr]\,. \]

Exemple: Considérons l'application linéaire \(T:\mathbb{R}^3\to \mathbb{R}^2\) déjà considérée précédemment: \[ \begin{pmatrix} x_1\\ x_2\\ x_3 \end{pmatrix} =\boldsymbol{x} \mapsto T(\boldsymbol{x}):= \begin{pmatrix} -x_1+3x_2+5x_3\\ x_3+7x_1 \end{pmatrix}\,. \] En calculant les images des vecteurs de base, \[\begin{aligned} T(\boldsymbol{e}_1) &=T\begin{pmatrix} 1\\ 0\\ 0 \end{pmatrix} = \begin{pmatrix} -1+3\cdot 0+5\cdot 0\\ 0+7\cdot 1 \end{pmatrix} = \begin{pmatrix} -1\\ 7 \end{pmatrix}\,,\\ T(\boldsymbol{e}_2) &=T\begin{pmatrix} 0\\ 1\\ 0 \end{pmatrix} = \begin{pmatrix} 0+3\cdot 1+5\cdot 0\\ 0+7\cdot 0\end{pmatrix} = \begin{pmatrix} 3\\ 0 \end{pmatrix}\,,\\ T(\boldsymbol{e}_3) &=T \begin{pmatrix} 0\\ 0\\ 1 \end{pmatrix} = \begin{pmatrix} 0+3\cdot 0+5\cdot 1\\ 1+7\cdot 0\end{pmatrix} = \begin{pmatrix} 5\\ 1 \end{pmatrix}\,, \end{aligned}\] ce qui donne la matrice associée à \(T\): \[ A= \begin{pmatrix} -1&3&5\\ 7&0&1 \end{pmatrix}\,. \]

Exemple: Considérons l'application \(T:\mathbb{R}^3\to \mathbb{R}\): \[ \begin{pmatrix} x_1\\ x_2\\ x_3 \end{pmatrix} =\boldsymbol{x} \mapsto T(\boldsymbol{x}):= x_2-3x_1\,. \] (On montre facilement que cette application est linéaire.) En calculant les images des vecteurs de base, \[\begin{aligned} T(\boldsymbol{e}_1) &=T\begin{pmatrix} 1\\ 0\\ 0 \end{pmatrix} = 0-3\cdot 1=-3\,,\\ T(\boldsymbol{e}_2) &=T\begin{pmatrix} 0\\ 1\\ 0 \end{pmatrix} = 1-3\cdot 0=1\,,\\ T(\boldsymbol{e}_3) &=T\begin{pmatrix} 0\\ 0\\ 1 \end{pmatrix} = 0-3\cdot 0=0\,, \end{aligned}\] ce qui donne la matrice de taille \(1\times 3\) associée à \(T\): \[ A= \bigl[ T(\boldsymbol{e}_1)\,T(\boldsymbol{e}_2)\, T(\boldsymbol{e}_3) \bigr] = \begin{pmatrix} -3&1&0 \end{pmatrix}\,. \] En effet, \[ T(\boldsymbol{x})= A\boldsymbol{x}= \begin{pmatrix} -3&1&0 \end{pmatrix} \begin{pmatrix} x_1\\ x_2\\ x_3 \end{pmatrix} =-3x_1+x_2\,. \]

Remarque: Les applications linéaires \(T:\mathbb{R}^n\to\mathbb{R}^m\) définies jusqu'ici ont toujours été définies en composantes, c'est-à-dire en définissant les composantes de \(T(\boldsymbol{x})\in \mathbb{R}^m\) à l'aide des composantes de \(\boldsymbol{x}\in \mathbb{R}^n\), comme dans les deux exemples précédents.

Il faut garder à l'esprit que pour l'instant, ces composantes sont toujours des composantes associées à la base canonique.

En général, comme on verra plus tard, une application n'a pas besoin d'être définie à l'aide de composantes, et on pourra effectivement lui associer une matrice à partir de choisir une base, une notion que l'on va introduire dans les prochains chapitres.

Pour la suite...

Nous aurons encore beaucoup à dire sur les applications linéaires, qui sont les vraies ''fonctions'' étudiées en algèbre linéaire (un peu comme les fonctions continues sont les fonctions les plus étudiées en analyse).

Mais avant d'en dire plus, nous allons faire un pause, dans le chapitre suivant, et reprendre tout ce que nous avons fait jusqu'ici, en adoptant un point de vue beaucoup plus général, celui des espaces vectoriels abstraits. Nous introduirons plus de choses dans ce cadre, en particulier à propos des applications linéaires d'un espace vectoriel dans un autre. Plus tard, nous appliquerons alors ces notions lorsque nous reviendrons plus en profondeur sur les applications linéaires du type \(\boldsymbol{x}\mapsto T(\boldsymbol{x})=A\boldsymbol{x}\).

Quiz 3.5-1 : Soit \(T:\mathbb{R}^n\to \mathbb{R}^m\). Vrai ou faux?
  1. Si \(T(\boldsymbol{x})\in\mathbb{R}^m\) pour tout \(\boldsymbol{x}\in \mathbb{R}^n\), alors \(T\) est linéaire.
  2. Si \(T(\boldsymbol{x}+\boldsymbol{y})=T(\boldsymbol{x})+T(\boldsymbol{y})\) pour tous \(\boldsymbol{x},\boldsymbol{y}\in \mathbb{R}^n\), alors \(T\) est linéaire.
  3. \(T\) est linéaire si et seulement si \[T(\lambda\boldsymbol{x}+\mu\boldsymbol{y})=\lambda T(\boldsymbol{x})+\mu T(\boldsymbol{y})\] pour tous \(\boldsymbol{x},\boldsymbol{y}\in \mathbb{R}^n\) et tous \(\lambda,\mu\in \mathbb{R}\)
  4. \(T\) est linéaire si et seulement si \[T(\boldsymbol{x}+\lambda\boldsymbol{y})=T(\boldsymbol{x})+\lambda T(\boldsymbol{y})\] pour tous \(\boldsymbol{x},\boldsymbol{y}\in \mathbb{R}^n\) et tous \(\lambda\in \mathbb{R}\).
  5. \(T\) est linéaire si et seulement si \[T\Bigl(\sum_{k=1}^n\lambda_k\boldsymbol{x}_k\Bigr) =\sum_{k=1}^n\lambda_kT(\boldsymbol{x}_k)\] pour tous \(\boldsymbol{x}_1,\dots,\boldsymbol{x}_n\in \mathbb{R}^n\) et tous \(\lambda_1,\dots,\lambda_n\in \mathbb{R}\).
  6. Si \(T\) est linéaire, et si \(\boldsymbol{t}\in\mathbb{R}^m\) est un vecteur non-nul fixé, alors l'application \(S(\boldsymbol{x}):= T(\boldsymbol{x})+\boldsymbol{t}\) est linéaire.
Quiz 3.5-2 : Déterminer, parmi les applications définies ci-dessous \(T:\mathbb{R}^n\to\mathbb{R}^m\), celles qui sont linéaires.
  1. (\(m=1\)) \(T(\boldsymbol{x}):= 0\) pour tout \(\boldsymbol{x}\in\mathbb{R}^n\)
  2. (\(m=1\)) \(T(\boldsymbol{x}):= x_1x_2\cdots x_n\) pour tout \(\boldsymbol{x}\in\mathbb{R}^n\)
  3. (\(n=2,m=1\)) \(T(\boldsymbol{x}):= x_1-x_2\) pour tout \(\boldsymbol{x}\in\mathbb{R}^2\)
  4. (\(n=1\)) \(T(x):= \begin{pmatrix} x\\ x\\ \vdots\\ x \end{pmatrix}\) pour tout \(x\in\mathbb{R}\)