Académique Documents
Professionnel Documents
Culture Documents
Espaces Vectoriels
Applications linéaires
Définition, composition
Image, noyau
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 2/15
Plan du cours d’algèbre
Semaine 1
I Espaces vectoriels réels
Espaces Vectoriels
I Applications linéaires
I Matrices
Espaces vectoriels réels
Espaces et sous-espaces vectoriels
Dimension, familles libres et génératrices
Semaine 2
Applications linéaires
Définition, composition
I Produit scalaire, projections, interprétations géométriques
Image, noyau I Réductions de matrices
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 3/15
Espace vectoriel réel
Applications linéaires
Définition, composition 0
Image, noyau
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 4/15
Espace vectoriel réel
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 4/15
Espace vectoriel engendré par une famille
finie (u1 , u2 , . . . , uK ) ⊂ E
Ensemble V des combinaisons linéaires des ui :
K
nX o
V = Vect(u1 , . . . , uK ) = λi ui : λ1 , . . . , λ K ∈ R
Espaces Vectoriels i=1
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 7/15
Familles libres ou liées
famille liée
U = (u1 , . . . , uK ) de E est liée ou linéairement dépendante s’il
existe une combinaison linéaire nulle avec au moins un coefficient
non nul :
Espaces Vectoriels
∃(λ1 , . . . , λK ) 6= (0, . . . , 0) tels que λ1 u1 + · · · + λK uK = 0 .
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 8/15
Bases
U = (u1 , . . . , uK ) ⊂ E est appelée base de E si elle est libre et
si elle engendre E (i.e., si Vect(U) = E ).
f : E −→ F
x 7→ f (x)
Espaces Vectoriels
est une application linéaire si
I f (x + y) = f (x) + f (y)
Espaces vectoriels réels
Espaces et sous-espaces vectoriels
I f (λx) = λf (x)
Dimension, familles libres et génératrices
f (x) = f (x1 u1 + · · · xp up )
= x1 f (u1 ) + · · · xp f (up ) par linéarité.
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 10/15
Composition d’applications linéaires
I Soient f : E → F et g : F → G , linéaires.
I on définit la composée de f par g
Espaces Vectoriels g ◦ f : E −→ G
x 7→ g [f (x)]
Espaces vectoriels réels
Espaces et sous-espaces vectoriels
Dimension, familles libres et génératrices
Applications linéaires
Définition, composition
Image, noyau
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 11/15
Image, surjectivité
Soit g : E → F , linéaire.
Image de g
Im g = {y ∈ F : ∃x ∈ E , y = g (x)}
Espaces Vectoriels
Im g est un SEV de F (vérification : exercice).
Espaces vectoriels réels
Rang de g : dimension de l’image
Espaces et sous-espaces vectoriels
Dimension, familles libres et génératrices
rang(g ) = dim(Im g )
Applications linéaires
Définition, composition
Image, noyau
déf : g est surjective si
Im g = F .
prop : rang g = dim F ⇒ Im g = F , i.e. g surjective.
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 12/15
Noyau, injectivité
g : E → F linéaire
Noyau de g
Espaces Vectoriels
Ker g = {x ∈ E : g (x) = 0}
Espaces vectoriels réels Ker g est aussi un SEV de E (exercice).
Espaces et sous-espaces vectoriels
Dimension, familles libres et génératrices
déf : g est injective si
Applications linéaires
Définition, composition
{g (x) = g (x 0 )} ⇒ x = x 0.
Image, noyau
prop : g injective ⇔ Ker g = {0}
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 13/15
Bijections, Inverse
déf : g est bijective si
g est injective et surjective.
On a alors : ∀y ∈ F , ∃ !x ∈ E tel que y = g (x).
g : E → F bijective, linéaire.
Espaces Vectoriels
I g envoie toute base de E sur une base de F , donc E et F
ont la même dimension
Espaces vectoriels réels
Espaces et sous-espaces vectoriels inverse de g (si g bijective) : l’application
Dimension, familles libres et génératrices
g −1 : F 7→ E
Applications linéaires
Définition, composition
y 7→ x tel que g (x) = y
Image, noyau
I g −1 est bien définie car x existe et est unique.
I g −1 est linéaire, bijective.
I g ◦ g −1 = IF (application identité de F , y 7→ y )
I g −1 ◦ g = IE (application identité de E , x 7→ x)
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 14/15
Théorème du rang
Dimension de l’espace de départ =
dimension de l’image + dimension du noyau
g
Espaces vectoriels réels
Espaces et sous-espaces vectoriels E F
Dimension, familles libres et génératrices
Ker g
Applications linéaires
Définition, composition
Im g
Image, noyau