Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Une application linéaire entre deux espaces vectoriels réels V et W est une application L : V → W préservant la notion d’addition (additivité) et la notion de multiplication par un scalaire (homogénéité). Précisément, Définition − − v ,→ w ∈ V et tout Une application L : V → W est linéaire si pour tout → λ ∈ R on a : − − − − − − L(→ v +→ w ) = L(→ v ) + L(→ w ) et L(λ→ v ) = λL(→ v ). Remarque De manière équivalente, une application L : V → W est linéaire si pour − − tout → v ,→ w ∈ V et tout λ ∈ R on a : − − − − L(→ v + λ→ w ) = L(→ v ) + λL(→ w) 1/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Remarque Notons en particulier qu’une application est linéaire si : le domaine de L est V tout entier, et l’image d’une combinaison linéaire est la combinaison linéaire des images. 2/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Exemple Si V est un espace vectoriel quelconque, il existe toujours deux applications linéaires évidentes : − − L’application identité, c’est-à-dire IdV : V → V : → v 7→ → v ; → − → − L’application nulle, c’est-à-dire 0V : V → V : v 7→ 0 . Exemple Dans R2 ou R3 , les applications suivantes sont linéaires : rotations autour de l’origine (ou autour d’un axe contenant l’origine) ; homothéties centrées en l’origine les projections orthogonales sur une droite ou sur un plan passant par l’origine. 3/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Définition Le noyau d’une application linéaire L : V → W est l’ensemble n → −o → − − ker L := v ∈ V t.q. L(→ v)= 0 . Rappel Rappelons que l’image (ou ensemble image) de L est − − =L := L(→ v ) t.q. → v ∈V . 4/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Résultat Si L est une application linéaire, alors les ensembles ker L et =L sont des espaces vectoriels. Plus précisément : ker L est un sous-espace vectoriel de V , et =L est un sous-espace vectoriel de W , et plus généralement l’image par L de tout sous-espace vectoriel de V est un sous-espace vectoriel de W . Démonstration. − − Si → v et → w sont des éléments de ker L, et si λ ∈ R, on a → − → − → − − − − − L(→ v + λ→ w ) = L(→ v ) + λL(→ w) = 0 +λ0 = 0 − − donc → v + λ→ w est bien dans le noyau. Par les résultats vus précédemment, on en déduit que le noyau est un sous-espace vectoriel de V . Les autres vérifications sont similaires et laissées en exercices. 5/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Définition Le rang d’une application linéaire est la dimension de son ensemble image : dim =L. Remarque → − → − Si L est linéaire, alors L( 0 ) = 0 . On le savait déjà car on vient de montrer que le noyau est un sous-espace → − vectoriel, donc il contient le vecteur nul 0 . On peut cependant le démontrer directement : Démonstration. → − → − → − → − → − En effet, L( 0 ) = L( 0 + 0 ) = L( 0 ) + L( 0 ), ce qui implique que → − L( 0 ) = 0. 6/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Résultat Une application linéaire est injective si et seulement si son noyau est réduit n→ −o à 0 . Démonstration. → − (⇒) : Si L est injective, il est clair qu’aucun autre vecteur que 0 n’est → − dans le noyau (sinon 0 (le vecteur nul de W ) serait l’image de 2 vecteurs distincts et l’application L ne serait pas injective). (⇐) : Supposons que le noyau se réduit au seul vecteur nul, et supposons − − x 6= → y avec par l’absurde que L n’est pas injective. Alors il existe → → − → − → − − − → − → − L( x ) = L( y ). Et donc L( x − y ) = 0 ce qui montre que → x −→ y (un → − → − vecteur non-nul car x 6= y ) est dans le noyau, une contradiction. 7/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Exemple Si l’on considère la projection orthogonale de R3 sur un plan passant par l’origine, alors le noyau est la droite orthogonale à ce plan, passant par l’origine ; l’image est le plan de projection. Exemple Considérons V l’ensemble des fonctions polynomiales de R dans lui-même, et considérons l’application L donnant la dérivée : L : V → V : P 7→ P 0 Alors L est une application linéaire et son noyau est formé de l’ensemble des fonctions constantes. 8/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Théorème (Théorème du rang) Si L : V → W est une application linéaire et V est de dimension finie, alors dim V = dim ker L + dim =L. (Ce théorème est laissé sans preuve.) 9/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Définition Si L : V → V est un opérateur linéaire, et si λ ∈ R est un scalaire, on dit → − − que λ est valeur propre de L si il existe un vecteur → v 6= 0 tel que − − L(→ v ) = λ→ v. Définition Si λ est une valeur propre de l’opérateur linéaire L, alors l’ensemble − − − Vλ := → v ∈ V t.q. L(→ v ) = λ→ v est appelé sous-espace propre associé à la valeur propre λ, et ses éléments sont appelés des vecteurs propres. 10/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Remarque Géométriquement, un vecteur est un vecteur propre s’il engendre une droite qui est conservée par l’opérateur. En d’autres termes, chaque point de la droite est envoyé sur des points de cette même droite. Exemple Une homothétie de Rn de centre 0 et de rapport k admet le réel k comme valeur propre. L’espace propre Vk est Rn tout entier. Exemple L’application R2 → R2 : (x , y ) 7→ (2x , 3y ) admet les valeurs propres 2 et 3. Les sous-espaces propres associés sont : V2 = h{(1, 0)}i V3 = h{(0, 1)}i 11/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Exemple L’application R2 → R2 : (x , y ) 7→ (x , x + y ) admet la valeur propre 1. Le sous-espace propre correspondant est : V1 = h{(0, 1)}i Exemple La rotation du plan d’angle π2 : (x , y ) 7→ (−y , x ) n’admet aucune valeur propre. En effet, aucune droite n’est conservée par cette rotation. 12/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Exemple En fait, on peut voir que les seules rotations du plan admettant des valeurs propres sont la rotation identité, d’angle nul : elle admet 1 comme unique valeur propre et l’espace propre V1 correspondant est le plan tout entier ; et la rotation d’angle π, c’est-à-dire la symétrie centrale par rapport à l’origine : elle admet −1 comme unique valeur propre et l’espace propre V−1 est le plan tout entier. On va voir maintenant comment trouver systématiquement les valeurs propres et vecteurs propres (sous-espaces propres) d’une application linéaire. Pour cela on a besoin de définir la notion de matrice associée à une application linéaire. 13/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Définition Soient V et W des espaces vectoriels. Soit B une base de V , B 0 une base de W , et L : V → W une application linéaire. On définit la matrice de L dans les bases B et B 0 , cette matrice est notée A, par la relation dim XW → − − L(→ ej ) = Aij ei0 . i=1 Remarque Lorsque nous considérons un opérateur linéaire, c’est-à-dire une application linéaire au sein d’un même espace (donc quand V = W ), nous utilisons alors la même base, c’est-à-dire B = B 0 . 14/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Nous noterons parfois (L)B la matrice de l’opérateur linéaire L dans la base B. − − Souvent, nous utiliserons la base canonique de Rn , c’est-à-dire → e1 , . . . , → en , où → − 1 , 0, . . . , 0). ei = (0, . . . , 0, |{z} e i position Exemple Considérons L : R2 → R2 , la rotation d’un angle θ dans le plan. Pour écrire la matrice de L nous devons déterminer L(e1 ) = L(1, 0) = (cos(θ), sin(θ)) et L(e2 ) = L(0, 1) = (− sin(θ), cos(θ)) la matrice est donc donnée par : ! cos(θ) − sin(θ) sin(θ) cos(θ) 15/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Considérons L : R2 → R2 : (x , y ) 7→ (2x + y , x + 2y ). Cette application a pour matrice ! 2 1 1 2 (dans la base canonique). Un calcul montre que les valeurs propres sont 1 et 3, et les espaces propres sont : V1 = h{(1, −1)}i V3 = h{(1, 1)}i → − → − En particulier, pour les vecteurs f1 = (1, −1) et f2 = (1, 1), on a : → − → − → − → − L( f1 ) = f1 L( f2 ) = 3 f2 . o n→ − → − Or la partie f1 , f2 est une base. Dans cette base, la matrice de L est donc : ! 1 0 . 0 3 16/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Résultat Si L : V → V est un opérateur linéaire et V admet une base constituée de vecteurs propres de L, alors la matrice de L dans cette base est diagonale. Démonstration. On voit directement que la matrice de l’opérateur est constituée des valeurs propres de cet opérateur. Résultat Soi P un ensemble de vecteurs propres non-nuls associés à des valeurs propres différentes. Alors P est libre. 17/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Preuve pour information. Nous ne montrons que les cas où P contient 1 ou 2 éléments. Si P ne contient qu’un vecteur non-nul,la partie est évidemment libre. − − Si P en contient deux, disons → v et → w ,avec λ, µ ∈ R tels que : − − − − L(→ v ) = λ→ v L(→ w ) = µ→ w → − → − Considérons une combili nulle a v + b w = 0.Montrons que a = b = 0. − − On sait L(a→ v + b→ w ) = L(0) = 0.Nous avons donc : → − − − − 0 = aλ v + bµ→ w car → v et → w sont vecteurs propres. → − → − − = λ(−b w ) + bµ w en éliminant a→ v. − = (µ − λ)b → w − Comme µ − λ n’est pas nul,et → w non plus, nous obtenons b = 0. 18/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Lorsque nous considérons un opérateur linéaire L : V → V et deux bases 0 B et B 0 , alors nous avons deux matrices (L)B et (L)B , que nous allons ici noter A et A0 respectivement : n n X X → − → − − − L(→ ej ) = Aij → ei L( ej0 ) = A0ij ei0 i=1 i=1 Notons également M la matrice de changement de base, c’est-à-dire la matrice M vérifiant : n X → −0 − ej = Mij → ei . i=1 Résultat Le lien entre A, A0 et M est : MA0 = AM 19/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Preuve pour information. Le lien entre A et A0 peut alors être déduit ! de nces nrelations. D’une part : n n X XX X → −0 − − L( ej ) = A0ij A0ij Mki → ek Mki → ek = i=1 i=1 k=1 k=1 et d’autre part : ! ! n n n n X X X X → −0 → − → − → − L( ej ) = L Mij ei = Mij L( ei ) = Mij Aki ek i=1 i=1 i=1 k=1 = n X n X − Mij Aki → ek i=1 k=1 d’où la relation suivante pour tout j et pour tout k : n X i=1 A0ij Mki = n X Mij Aki i=1 c’est-à-dire, matriciellement : MA0 = AM 20/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Avec les notations génériques précédentes et en utilisant l’inverse de M : Théorème Si L est un opérateur linéaire et si M est la matrice de changement de base de la base B à la base B 0 , alors 0 (L)B = M(L)B M −1 . Ce résultat nous permet d’obtenir la matrice de l’application linéaire L dans une nouvelle base à partir de la matrice dans la base de départ et de la matrice de changement de base. 21/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Résultat Si L est un opérateur linéaire de V de B une base de V , alors le déterminant de (L)B ne dépend pas de B. De plus, L est injective si et seulement si det(L)B 6= 0. Démonstration. 0 L’indépendance par rapport à la base suit de l’égalité (L)B = M(L)B M −1 : 0 0 0 det(L)B = det M(L)B M −1 = det M det(L)B det M −1 = det(L)B . L’affirmation sur l’injectivité ne sera pas démontrée ici. 22/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires On peut déduire du résultat précédent un résultat important permettant de trouver les valeurs et vecteurs propres d’un opérateur linéaire. Résultat Les valeurs propres d’un opérateur linéaire L représenté par une matrice M dans une base fixée sont données par les valeurs de λ vérifiant léquation : det(M − λ Idn ) = 0 Démonstration. → − − v 6= 0 Cela suit du résultat précédent. En effet, λ est valeur propre ssi il existe → → − − − − v ) = 0 , ce qui revient à dire tel que L(→ v ) = λ→ v , ce qui se réecrit (L − λId)(→ qu’il existe un vecteur non nul dans le noyau de l’application linéaire (L − λId), ou encore que cette application n’est pas injective. Par le résultat précédent ceci revient à dire que det(M − λ Idn ) = 0. Définition La quantité det(M − λ Idn ) est un polynôme en l’inconnue λ qui est appelé le polynôme caractéristique de M. 23/24 Algèbre linéaire Applications linéaires Valeurs propres et vecteurs propres Matrices d’applications linéaires Définition Une matrice d’un opérateur linéaire L est diagonalisable si il existe une base dans laquelle L admet une matrice diagonale. Définition Une matrice A est symétrique si Aij = Aji . Une matrice O est orthogonale si ses colonnes sont des vecteurs orthogonaux deux à deux. Résultat Toute matrice symétrique est diagonalisable, et la matrice de changement de base est orthogonale. 24/24