Abonnez-vous à DeepL Pro pour traduire des fichiers plus volumineux.

Visitez www.DeepL.com/pro pour en savoir plus.

L'algèbre linéaire expliquée en quatre

pages
Extrait de NO BULLSHIT GUIDE TO LINEAR ALGEBRA par Ivan Savov

Résumé - Ce document passe en revue les idées fondamentales de l'algèbre B. Opérations matricielles
linéaire. Nous apprendrons à connaître les matrices, les opérations matricielles,
les transformations linéaires et nous discuterons des aspects théoriques et
Nous désignons par A la matrice dans son ensemble et nous nous
informatiques de l'algèbre linéaire. Les outils de l'algèbre linéaire ouvrent la référons à ses entrées comme aij . Les opérations mathématiques définies
voie à l'étude de mathématiques plus avancées. De nombreuses connaissances pour les matrices sont les suivantes :
vous attendent si vous choisissez de suivre la voie de la compréhension, au lieu
d'essayer de mémoriser un tas de formules. • ajout (noté +)
C=A+B ⇔ cij = aij + bij .
I. INTRODUCTION
• la soustraction (l'inverse de l'addition)
L'algèbre linéaire est la mathématique des vecteurs et des matrices. Soit
n un entier positif et R l'ensemble des nombres réels, alors Rn est • produit matriciel. Le produit de matrices A ∈ Rm×n et B ∈ Rn×Æ
l'ensemble de tous les n-tuples de nombres réels. Un vecteur →v Rn est un est une autre matrice C ∈ Rm×Æ donnée par la formule
∈ n
n-uplet de nombres
∈ réels. La notation "S" se lit "élément de S". Par X
exemple, considérons un vecteur qui a trois composantes : C = AB ⇔ cij = a bikkj ,
k=1

a123 2 a11b11 + a12b21 + a12b223

→v = (v1, v2, v3) ∈ (R, R, R) ≡ R3. - a11b12
2a11 b11 b12
=4a21b11 + a22b21 a21b12 + a22b225
Une matrice A ∈ Rm×n est un tableau rectangulaire de nombres réels " b21 b22
a31b11 + a32b21 a31b12 + a32b22
avec m lignes et n colonnes. Par exemple, une matrice 3 × 2 se présente 4a21
comme suit : a31 a22
a32
2 3 matrice inverse (notée A )−1
2 3 RR 3×2
•
•
5
la transposition de la matrice (notée ) :T
a11 a12
A= a21 a22 5 ∈ 4 R R 5≡R .
4 -T β13
a31 a32 RR "α1 α2 α3 2α1
L'objectif de ce document est de vous présenter le système mathématique de 4
= α2 β2 5
.
l'Union européenne. β1 β2 β3
α3 β3
L'algèbre linéaire a pour but de vous faire découvrir les opérations que nous Pn
• trace matricielle : Tr[A] ≡
pouvons effectuer sur les vecteurs et les matrices et de vous donner une idée i=1
de la puissance de l'algèbre linéaire. De nombreux problèmes se posent dans aii
les domaines de la science, de l'économie,
et la technologie peuvent être décrites en termes de vecteurs et de matrices.
• déterminant (noté det(A) ou |A|)
Il est important que vous sachiez comment les utiliser.
Notez que le produit matriciel n'est pas une opération commutative : AB
Conditions préalables /= BA.
Le seul prérequis pour ce tutoriel est une compréhension de base des
concepts mathématiques de l'école secondaire1 comme les nombres, les C. Produit matrice-vecteur
variables, les équations et les opérations arithmétiques fondamentales sur Le produit matrice-vecteur est un cas particulier important du produit
les nombres réels : l'addition (notée +), la soustraction matrice-matrice. Le produit d'une matrice 3 × 2 A et du vecteur colonne
(noté -), la multiplication (notée implicitement) et la division (fractions). 2 × 1 → x résulte en un vecteur 3 a123
× 1 →y donné par : a12x23
Vous devez également être familiarisé avec les fonctions qui prennent des 2y1 2a11 " - 2a11x1 +
3
nombres réels comme → x1
et donne des nombres réels en sortie, f : R R. Rappelons que,
par →y=A→x ⇔ 4y25=4a21 a225 = 4a21x1 + a22x25
x2
définition, la fonction inverse f annule l'effet de f . Si vous êtes
−1

étant donné f (x) et que vous voulez trouver x, vous pouvez utiliser la
y3 a31 a32
2a113 2a12 a31x1 + a32x2

fonction inverse comme suit 3

est la suivante : f−1 (f (x)) = x. Par exemple, la fonction f (x) =
ln(x) a la forme suivante
inverse f−1 (x) = ex , et l'inverse de g(x) = √x est g−1 (x) = x2 . = 4a215+x24a225
x1 (C)
2 →a32x 3
II. DÉFINITIONS (a11
a31, a12) -

A. Opérations = 4(a21, a22) - →x5. (R)

vectorielles
Nous allons maintenant définir les opérations mathématiques pour les →u - →v = (u1 - v1, u2 - v2, u3 - v3) α→u
vecteurs. Les opérations que nous pouvons effectuer sur les vecteurs
= (αu1, αu2, αu3)
→u = (u1, u2, u3) et →v = (v1, v2, v3) sont : l'addition, la soustraction, la
mise à l'échelle, la norme (longueur), le produit en points et le produit |→u|| = qu2 + u2 + u2
en croix : 1 2 3 →u - →v = u1v1 + u2v2 + u3v3
→u + →v = (u1 + v1, u2 + v2, u3 + v3)
 →u × →v =(u2v3 - u3v2, u3v1 - u1v3, u1v2 - u2v1)
Le produit en points et le produit en croix de deux vecteurs peuvent
également être décrits en termes d'angle θ entre les deux vecteurs. La
formule du produit de points des vecteurs est →u - →v = →u →v cos θ. On dit
que deux vecteurs →u et
(a31, a32) - → x
Il existe deux2 façons fondamentalement différentes mais équivalentes
d'interpréter le produit matrice-vecteur. Dans l'image en colonnes (C), la
multiplication de la matrice A par le vecteur → x produit une
combinaison linéaire des colonnes de la matrice : →y = A → x = x
A1[:,1] + x A2[:,2] , où A[:,1] et A[:,2] sont les première et deuxième colonnes
de la matrice A.
Dans l'image des lignes (R), la multiplication de la matrice A par le
vecteur →x produit un vecteur colonne dont les coefficients sont égaux
aux produits des points des lignes de la matrice avec le vecteur
→x.

D. Transformations linéaires
Le produit matrice-vecteur est utilisé pour définir la notion de
transformation linéaire, qui est l'une des notions clés dans l'étude de la
théorie linéaire.
l'algèbre. La multiplication par une matrice A ∈ Rm×n peut être considérée
comme suit
→v sont orthogonales si l'angle entre elles est de 90◦ . Le produit en points de le calcul d'une transformation linéaire TA qui prend n vecteurs comme
vecteurs orthogonaux est nulle : →u - →v = →u →v cos(90 ) = 0.◦ entrées et
La norme du produit en croix est donnée par →u × →v = →u →v sin θ. Le produit des m-vecteurs en sortie :
produit en croix n'est pas commutatif : →u × →v /= →v × →u, en fait →u × →v = - → v Rn
×→u. TA : → Rm.
2
1Un bon manuel pour (ré)apprendre les mathématiques au lycée est Pour plus d'informations, voir la vidéo de la conférence du professeur Strang au
minireference.com MIT : bit.ly/10vmKcL
1

Au lieu d'écrire →y = T A (→x) pour la transformation linéaire TA
appliquée au vecteur → x , on écrit simplement →y = A → x .
L ' application de la transformation linéaire TA au vecteur → x correspond
au produit de la matrice A et de la matrice
vecteur colonne → x . On dit que TA est représenté par la matrice A.
Vous pouvez considérer les transformations linéaires comme des
"fonctions vectorielles" et décrire leurs propriétés par analogie avec les
fonctions ordinaires que vous connaissez :
fonction f : R → R ⇔ transformation linéaire TA : Rn →
Rm n 1x1
entrée x ∈ R ⇔ entrée
x f∈(x)
sortie
→ R ⇔ sortie T A (→x) = A → x
m 3x1
g ◦ ∈f R
= g(f (x)) ⇔ TB ( T A (→x)) = BA→x
fonction inverse f−1 ⇔ matrice inverse A−1
zéros de f ⇔ N (A) ≡ espace nul de A
domaine de f ⇔ C(A) ≡ espace colonne de A =
domaine de TA
On notera que l'effet combiné de l'application de la transformation TA
suivie de TB sur le vecteur d'entrée → x est équivalent au produit
matriciel BA→x.
E. Espaces vectoriels fondamentaux
Un espace vectoriel est constitué d'un ensemble de vecteurs et de toutes
les combinaisons linéaires de ces vecteurs. S Par {exemple, } l'espace
vectoriel = span →v1, →v2 est constitué de tous les vecteurs de la forme →v
= α→v1 + β→v2, où α et β sont des nombres réels. Nous définissons maintenant
trois espaces vectoriels fondamentaux associés à une matrice A.
L'espace des colonnes d'une matrice A est l'ensemble des vecteurs qui
peuvent être produits comme combinaisons linéaires des colonnes de la
matrice A :
m n
C(A) ≡ { → y ∈ R | →y = A→x pour un certain → x ∈ R } .
L'espace des colonnes est le domaine de la transformation linéaire TA
(l'ensemble des sorties possibles). Vous pouvez vous convaincre de ce fait
en revoyant la définition du produit matrice-vecteur dans l'image des
colonnes (C). Le vecteur A → x contient x1 fois la colonne 1st de A, x2 fois
la colonne 2nd de A, etc. En variant toutes les entrées possibles → x , nous
obtenons toutes les combinaisons linéaires possibles des colonnes de A,
d'où le nom d'"espace des colonnes".
L'espace nul (A)
N d'une matrice A∈R
m×n est constitué de tous les
vecteurs que la matrice A envoie au vecteur zéro :
¯ notée R2 ← R2 - 3R1,
N (A) ≡ ˘→x ∈ Rn | A→x = →0 .
Les vecteurs de l'espace nul sont orthogonaux à toutes les lignes de la
matrice. Nous pouvons le voir dans l'image de la ligne (R) : le vecteur de
sortie est →0 si et seulement si le vecteur d'entrée → x est orthogonal à
toutes les lignes de A.
L'espace des lignes d'une matrice A, noté R (A), est l'ensemble des
combinaisons linéaires des lignes de A. L'espace R des lignes (A) est le
complément orthogonal de l'espace N nul (A). Cela signifie que pour tous les
vecteurs
→v∈(A R ) et tous les vecteurs w→∈ N (A), on a →v w→ =- 0. Ensemble, les
L'espace nul et l'espace des lignes forment le domaine de la transformation
TA,
Rn = N (A) ⊕ R(A), où ⊕ signifie somme directe orthogonale.
F. Matrice inverse
Par définition, la matrice inverse A−1 annule les effets de la matrice A.
L'effet cumulé de l'application de A−1 après A est la matrice identité 1 :
03
21
. système d'équations. En utilisant la définition du produit matrice-vecteur,
A−1 A=1≡4 .. 5.
0 1
2
III. L'ALGÈBRE LINÉAIRE COMPUTATIONNELLE
D'accord, j'entends ce que vous dites : "Mec, ça suffit avec la théorie,
voyons quelques calculs". Dans cette section, nous allons étudier l'un des
algorithmes fondamentaux de l'algèbre linéaire, l'élimination de Gauss-
Jordan.
A. Résolution de systèmes d'équations
Supposons que l'on nous demande de résoudre le système d'équations
suivant :
+ 2x2 = 5,
(1)
+ 9x2 = 21.
Sans connaissances en algèbre linéaire, nous pourrions utiliser la substitution,
l'élimination ou la soustraction pour trouver les valeurs des deux inconnues x1
et x2.
L'élimination de Gauss-Jordan est une procédure systématique pour
résoudre les systèmes
d'équations basées sur les opérations de ligne suivantes :
α) Ajout d'un multiple d'une ligne à une autre ligne
β) Permutation de deux lignes
γ) Multiplication d'une ligne par une constante
Ces opérations sur les lignes permettent de simplifier le système d'équations
sans en modifier la solution.
Pour illustrer la procédure d'élimination de Gauss-Jordan, nous allons
maintenant montrer la séquence d'opérations sur les lignes nécessaires pour
résoudre le système d'équations linéaires décrit ci-dessus. Nous
commençons par construire une " matrice augmentée
- comme suit :
1 2 5
.
3 9 21
La première colonne de la matrice augmentée correspond aux coefficients
de la variable x1, la deuxième colonne correspond aux coefficients de x2 et
la troisième colonne contient les constantes du côté droit.
La procédure d'élimination de Gauss-Jordan se compose de deux phases.
Au cours de la première phase, nous procédons de gauche à droite en
choisissant une ligne avec un premier chiffre dans la colonne la plus à
gauche (appelée pivot) et en soustrayant systématiquement cette ligne de
toutes les lignes situées en dessous pour obtenir des zéros en dessous dans
toute la colonne. Dans la deuxième phase, nous commençons par le pivot le
plus à droite et l'utilisons pour éliminer tous les nombres situés au-dessus
de lui dans la même colonne. Voyons cela en action.
1) La première étape consiste à utiliser le pivot de la première colonne
pour éliminer la variable x1 de la deuxième ligne. Pour ce faire, nous
soustrayons trois fois la première ligne de la deuxième ligne,
" -
1 2 5
.
0 3 6
2) Ensuite, nous créons un pivot dans la deuxième ligne en
3 utilisant R2
" -
←1 R2 :
1 2 5
.
01 2
3) Nous entamons maintenant la phase inverse et éliminons la deuxième
variable de la première ligne. Pour ce faire, nous soustrayons deux
fois la deuxième ligne de la première R1 ← R1 - 2R2 :
" 10 1 -
.
01 2
La matrice est maintenant sous forme d'échelon de rangée réduit
(RREF), qui est la forme la plus "simple" qu'elle puisse avoir. Les
solutions sont : x1 = 1, x2 = 2.
B. Systèmes d'équations sous forme d'équations matricielles
Nous allons maintenant aborder une autre approche pour résoudre le
nous pouvons exprimer ce système d'équations (1) sous la forme d'une
équation matricielle : " -"- " -
La matrice identité (des uns sur la diagonale et des zéros partout ailleurs)
 3
correspond à la transformation d'identité : T 1 (→x) = 1 → x = → x , 12 x1 5
pour tout → x . = .
39 x2 21
L'inverse de la matrice est utile pour résoudre les équations matricielles.
Chaque fois que nous Cette équation matricielle se présente sous la forme A → x =×→b, où A est
veut se débarrasser de la matrice A dans une équation matricielle, nous une matrice , →x est le
pouvons "frapper" A vecteur des inconnues et →b est un vecteur de constantes. Nous pouvons
résoudre
avec son inverse A−1 pour le faire disparaître. Par exemple, pour résoudre → x en multipliant les deux côtés de l'équation par l'inverse de la matrice
la A−1 :
matrice X dans l'équation XA = B, multipliez les deux côtés de l'équation "x1- "1-
-2- " -
par A−1 à partir de la droite : X = BA−1 . Pour résoudre X dans A -1A→x = = -1 →b= " 3 1
3 5 = .
ABCXD =lesE,deux côtés de l'équation D−1 à droite et par
multiplier A-1
, B-1 1→x = x2 A -1 3 21 2
par
et C−1 (dans cet ordre) à partir de la gauche : X = C B A−1−1−1 ED−1 . Mais comment savons-nous ce qu'est la matrice inverse A−1 ?
 4

IV. CALCUL DE L'INVERSE D'UNE MATRICE C. Utilisation d'un ordinateur

Dans cette section, nous examinerons plusieurs approches différentes La dernière approche (et la plus pratique) pour trouver l'inverse d'une
pour calculer l'inverse d'une matrice. L'inverse d'une matrice est unique, matrice est d'utiliser un système de calcul formel comme celui de
donc quelle que soit la méthode utilisée pour trouver l'inverse, nous live.sympy.org.
obtiendrons toujours la même réponse. >>> A = Matrice( [[1,2],[3,9]] ) définir A
[1, 2]
A. Utilisation des opérations sur les lignes [3, 9]
Une approche pour calculer l'inverse consiste à utiliser la procédure
d'élimination de Gauss-Jordan. Commencez par créer un tableau >>> A.inv() appelle la méthode inv sur
A [ 3, -2/3]
contenant les entrées de la matrice A du côté gauche et de la matrice
[-1, 1/3]
identité du côté droit : " -
1 21 0 Vous pouvez utiliser sympy pour "vérifier" vos réponses aux problèmes de
. devoirs.
3 90 1
Nous effectuons maintenant la procédure d'élimination de Gauss-Jordan sur
V. AUTRES SUJETS
ce tableau.
1) L'opération de la première ligne consiste à soustraire trois fois la Nous allons maintenant aborder un certain nombre d'autres sujets
première ligne de la deuxième importants de l'algèbre linéaire.
← - ligne : R2R2 3R1. Nous obtenons :
" 12 1 0 -
. A. Base
0 3-3 1
2) L'opération de la deuxième ligne consiste à diviser la deuxième ligne Intuitivement, une base est un ensemble de vecteurs qui peut être utilisé
par 3 : R ← R comme système de coordonnées pour un espace vectoriel. Vous connaissez
1
certainement la base standard
2 32 pour le plan xy qui est constitué de deux axes orthogonaux : l'axe x et
" 12 1 0 -. l'axe y. Un vecteur →v peut être décrit comme une paire de coordonnées
01 -1 1
(vx, vy )≡par rapport à ces axes, ou de manière équivalente comme →v =
3
vxˆı + vy ȷˆ, où ˆı ≡ (1, 0)
3) La troisième opération de ligne est R1 ← R1 - 2R2 et ȷˆ (0, 1) sont des vecteurs unitaires qui pointent le long de l'axe
des x et de l'axe des y
"10 3 - 2-
3 . respectivement. Toutefois, d'autres systèmes de coordonnées sont également
01 -1 1
3 possibles.
Le tableau est maintenant sous forme d'échelon de ligne réduit (RREF). La Définition (base). Une base pour un espace vectoriel à n dimensions S est
matrice inverse apparaît à droite du tableau. un ensemble de n vecteurs linéairement indépendants qui font partie de S.
Observez que la séquence d'opérations sur les lignes que nous avons
utilisée pour résoudre le système spécifique d'équations dans A → x = →b Tout ensemble de deux vecteurs linéairement { indépendants
} eˆ1, eˆ2 peut
servir de base pour R2 . Nous pouvons écrire tout vecteur →v R2
dans la section précédente est la même que les opérations sur les lignes que ∈
nous avons utilisées dans cette section pour trouver la matrice inverse. En comme une combinaison linéaire de ces vecteurs de base →v = v1eˆ1 +
effet, dans les deux cas, l'effet combiné des trois opérations sur les lignes v2eˆ2.

est de "défaire" Notez que le même vecteur →v correspond à différentes paires de coordonnées
depend-
les effets de A. Le côté droit du tableau × 2 4 est simplement un en fonction de la base utilisée : →v = (vx, vy ) dans la base≡standard
moyen pratique d'enregistrer cette séquence d'opérations et d'obtenir { } Bs
ainsi A−1 . ˆı, ȷˆ , et
→v = (v1, v2) dans la base≡Be{ eˆ1, }eˆ2 . Il est donc important de garder à
B. Utilisation de matrices élémentaires l'esprit la base dans laquelle les coefficients sont pris et, si nécessaire, de
Chaque opération de ligne que nous effectuons sur une matrice est spécifier la base en indice, par exemple (vx , v )yB s ou (v1 , v )2B e .
équivalente à une opération de gauche. La conversion d'un vecteur de coordonnées de la base Be à la base Bs est la
suivante
comme une multiplication par une matrice"vx- "
de changement de base-:"
"→v- ˆı - eˆ1 ˆı - eˆ2 v1-
la multiplication par une matrice élémentaire. Il existe trois types de "→v- " - ⇔ = .
matrices élémentaires = 1
en correspondance avec les trois types d'opérations sur les lignes :
" m- Bs Bs Être Be vy ȷˆ- eˆ1 ȷˆ- eˆ2 v2
1 Notez que le changement de matrice de base est en fait une transformation
Rα : R1 ← R1 + mR2 ⇔ Eα =
0 1 d'identité. La matrice de base
reste inchangé - il est simplement exprimé par rapport à un nouveau vecteur
→v.
est réalisée à l'aide de la matrice inverse : B [1]B
" 1- système de coordonnées. Le changement de base de
Rβ: R ↔
1 R 0 = la [1] )Bs
( base -1 à la base Be
B. B
2 ⇔ E β= e s s e
10
" 0- B. Représentations matricielles des transformations linéaires
m
Rγ : R1 ← mR1 ⇔ Eγ =
0 1 Les bases jouent un rôle important dans la représentation des
Reprenons les opérations sur les lignes que nous avons utilisées pour
→ linéaires T : Rn Rm . Pour décrire complètement la matrice
transformations
trouver A−1 dans la section ci-dessus, en représentant chaque opération sur
qui correspond à une transformation linéaire T , il suffit de connaître les
les lignes comme une multiplication matricielle élémentaire. effets de T sur les n vecteurs de la base standard de l'espace d'entrée. Pour
1) L'opération de la première ligne
← R2- R2 3R1 correspond à une une transformation linéaire
multipli- cation par la matrice élémentaire E1 : T : R2 → R2 , la représentation matricielle correspond à
" 0- " 2- " 2- 2 |3
1 1 1 | 2×2
E1A = -3 13 = 90.3 MT = 4T (ˆı) T (ȷˆ)5 ∈ R .
| |
2) L'opération de la deuxième ligne R2 ←1 R2 correspond à une matrice E2 :
3
E" - 2
(E1A) =
 5
C des x. Pour tout vecteur →v = (vx, ), on a Π x (→ v ) = (vx, 0). La
" 0- " 2- 12 o
vy
1 1 . représentation matricielle de Πx est
3
= 01 m
m
e
p
r
e
m
i
e
r
e
x
e
m
p
l
e
,
c
o
n
s
i
d
é
r
o
n
s
l
a
t
r
a
n
s
f
o
r
m
a
t
i
o
n
Π
x

q
u
i
p
r
o
j
e
t
t
e
l
e
s
v
e
c
t
e
u
r
s
s
u
r
l
'
a
x
e
 0 03 1
6
3) La dernière étape, R1 ← R1 -
2R2 correspond à la matrice E3 :
, " ""1-" ""0-" -
-2- 2- -
MΠ x = Π 0x Πx
1 = " 10
.
"1 "1 " 0- 0 0
1 .
E3(E2E1A) = = 01
0 1 01 Comme deuxième exemple, trouvons la représentation matricielle Rθ , le
de
Notez que E3E2E1A = 1, donc le produit E3E2E1 doit être égal à A−1 : rotation dans le" sens inverse des aiguilles d'une montre de l'angle θ :
" " " 10- ""1-" -
A-1 = E3E2E1 = 1 -2- 1 0- -2- MR = ""0-" - "cos θ - sin θ
"3 .
1 =
3 .
1 =
1 Rθ
0 10 3 -3 1 -1 3
θ 0 Rθ sin θ cos θ
L'approche des matrices élémentaires nous apprend que toute matrice La première colonne de MR θ montre que Rθ fait correspondre le
inversible peut être décomposée comme le produit de matrices vecteur ˆı 1∠0 au vecteur 1�θ = (cos θ, sin θ)T . La deuxième colonne
élémentaires. Puisque nous savons que A−1 = E3E2E1 alors
1 2A = 3 (A
montre que Rθ fait correspondre le vecteur ȷˆ= 1∠π au vecteur 1∠(π +
2 2
θ) = (- sin θ, cos θ)T .
)−1−1 = (E3E2E1)−1 = E E E−1−1−1 .

≡
 7

C. Dimension et bases des espaces vectoriels E. Théorème de la matrice inversible

La dimension d'un espace vectoriel est définie comme le nombre de Il existe une distinction importante entre les matrices inversibles et celles
vecteurs dans une base de cet espace vectoriel. Considérons l'espace qui ne le sont pas, formalisée par le théorème suivant.
vectoriel suivant Théorème. Pour une matrice n × n A, les énoncés suivants sont
S = étendue { (1, 0, 0), (0, 1, 0), (1, }1, 0) . Étant donné que l'espace est
équivalents :
décrit par trois vecteurs, on pourrait Spenser qu'il est tridimensionnel.
Cependant, ce n'est pas le cas, car les trois vecteurs ne sont pas 1) A est inversible
linéairement indépendants et ne forment donc pas une base pour S. Deux 2) La RREF de A est la matrice
× n n matrice identité
vecteurs suffisent pour décrire n'importe quel vecteur dans S ; nous 3) Le rang de la matrice est n
4) L'espace des rangs de A est Rn
pouvons écrire S = span{(1, 0, 0), (0, 1, 0)}, et nous voyons que ces
deux vecteurs sont linéairement indépendants et forment donc une base 5) L'espace des colonnes de A est Rn
et dim(S) = 2. 6) A n'a pas d'espace nul (seulement le vecteur zéro N (A) = {→0})
Il existe une procédure générale pour trouver une base pour un espace 7) Le déterminant de A est non nul det(A) /= 0
vectoriel. Pour une matrice A donnée, les affirmations ci-dessus sont soit toutes
Supposons que l'on vous donne une description d'un espace vectoriel en vraies, soit toutes fausses. Une matrice inversible A correspond à une
termes de m vecteurs V = s p a n { → v 1 , →v2, . . . , →vm} et que l'on vous transformation linéaire TA qui
demande de trouver une base pour V et la dimension de V. Pour trouver
une base pour V, vous devez trouver un ensemble de vecteurs linéaires
de la même dimension.
vecteurs indépendants qui couvrent V. Nous pouvons utiliser l'élimination
de Gauss-Jordan
pour accomplir cette tâche. Écrire les vecteurs → v i comme les lignes de a établit une correspondance entre l'espace vectoriel d'entrée à n dimensions Rn
et l'espace vectorielnde sortie à n dimensions
espace vectoriel R tel qu'il existe une transformation inverse T−1 qui
matrice M . L'espace V vectorielcorrespond à l'espace des lignes de A

la matrice peut annuler fidèlement les effets TA.

M . Ensuite, on utilise les opérations sur les rangs pour trouver la forme de la ×
échelon réduite (RREF)
C
de la matrice M . Étant donné que les opérations sur les lignes ne modifient D'autre part, une matrice n n B non inversible fait correspondre
pas l'espace des lignes de la matrice, l'espace des lignes de la forme l'espace vectoriel d'entrée Rn à un∈ sous-espace
N (B) Ç Rn et possède un
échelonnée réduite de la matrice M est le même que l'espace des lignes de espace nul non vide. Une fois que TB envoie un vecteur w→ (B) au
l'ensemble original de vecteurs. Les lignes non nulles de la RREF de la vecteur
B zéro, il n'existe pas de T −1 qui puisse annuler cette opération.

matrice forment une base pour l'espace vectoriel V et les nombres F. Déterminants
de lignes non nulles est la dimension de V.
Le déterminant d'une matrice, noté det(A) ou | | A , est une façon
particulière de combiner les entrées d'une matrice qui permet de vérifier si
D. Espace des lignes, espace des colonnes et rang d'une matrice une matrice est inversible ou non. Les formules du déterminant pour les
matrices 2 × 2 et 3 × 3 sont les suivantes
Rappelons les espaces vectoriels fondamentaux pour les matrices que
a12 =
˛ a11a22 - a12a21,
a11
nous avons définis en ˛ et
Section II-E : l'espace des colonnes C(A), l'espace nul N (A) et l'espace des
lignes.
˛a21
espace R(A). Une question standard d'examen d'algèbre linéaire consiste à vous a22˛
donner un ˛˛a31 a32 ˛
une certaine matrice A et vous demander de trouver la dimension et une a11 a33˛ a13
a12 ˛a22 ˛a21 ˛a21 a22˛
base pour chaque matrice. a23 a23
˛ ˛
de ses espaces fondamentaux. ˛a21 a22 a23˛ = a11 a33˛ - a12 a33˛ + a13 ˛.
˛a32 ˛a31 ˛a31 a32
Dans la section précédente, nous avons décrit une procédure basée sur
l'élimination de Gauss-Jordan qui peut être utilisée pour "distiller" un
Si |A| = 0 alors A n'est pas inversible. Si |A| /= 0 alors A est inversible.
ensemble de vecteurs linéairement indépendants qui forment une base
R
pour l'espace des lignes (A). Nous allons maintenant illustrer cette G. Valeurs propres et vecteurs propres
procédure à l'aide d'un exemple et montrer comment utiliser la RREF L'ensemble des vecteurs propres d'une matrice est un ensemble particulier
de la matrice A pour trouver des bases pour C(A) et N (A). de vecteurs d'entrée pour lesquels l'action de la matrice est décrite comme
Considérons la matrice suivante et sa forme réduite en échelon de rangée une simple mise à l'échelle. Lorsque
:
21 3 33 03 une matrice est multipliée par l'un de ses vecteurs propres le résultat est le
3 21 3 0 même
vecteur propre multiplié par une constante A → e λ = λ→e λ . La constante λ
est appelée
A = 42 6 76 5 rref(A) = 40 0 1 05 . une valeur propre de A.
3 9 9 10 0 0 0 1
Pour trouver les valeurs propres d'une matrice, nous partons de l'équation
La forme réduite de l'échelon de rangée de la matrice A contient trois Ades λ = λ→e
→ evaleurs λ , insérer l'identité 1, et réécrire le problème comme un
propres
pivots. L'emplacement des pivots jouera un rôle important dans les problème d'espace nul :
étapes suivantes.
A→e λ = λ1→eλ ⇒ (A - λ1) → e λ = →0.
Les vecteurs {(1, 3, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)} forment une base pour Cette équation aura une solution lorsque |A-λ | = 0. Les valeurs propres
R(A).
Pour trouver une base pour l'espace des C colonnes (A) de la matrice rref(A). Les colonnes correspondantes de la matrice originale forment une
A, nous devons déterminer lesquelles des colonnes de A sont base pour l'espace des colonnes de A. En regardant rref(A), nous voyons que
linéairement indépendantes. Nous pouvons le faire en identifiant les les première, troisième et quatrième colonnes de la matrice sont linéairement
colonnes qui contiennent les premiers dans indépendantes, de sorte que les vecteurs

{(1, 2, 3)T, (3, 7, 9)T, (3, 6, 10)T} forment une base pour C(A).
Trouvons maintenant une base pour l'espace N ≡ { ∈ (A) | → x}
nul,
R4 A→x = →0 . La
8
1
de A∈Rn×n , notées {λ1, λ2, . . . λn }, sont les racines du polynôme
caractéristique p(λ) |= A - λ1 | . Les vecteurs propres associés à la
valeur propre λi sont les vecteurs de l'espace nul de la matrice - (A
λi1).
Certaines matrices peuvent être écrites entièrement en termes de leurs
vecteurs propres
et leurs valeurs propres. Considérons la matrice Λ qui a les valeurs
propres de la matrice A sur la diagonale, et la matrice Q construite à
partir des valeurs propres de la matrice A sur la diagonale, et la matrice
Q construite à partir des valeurs propres de la matrice A sur la
diagonale.
les vecteurs propres de A
comme colonnes : 2
˛ |3

variable libre, que ne

nous noterons
pass.deNous cherchons un vecteur
doncavec trois
3
deuxième colonne contient pivot, elle correspond à une base 2λ1 - - -0 6 7 -1
de l'espace nul.
Λ
6. ..
7
Q =6→e - - → e λ n 7, alors A = QΛQ .
inconnues et une variable libre (x , s, x , x )T qui obéit aux conditions : =6
. . 0 7,
646
λ 1 -
1 34 λn57
˛ | 75

0 0
64
3
2 3 2x 23
401 3 0 1 0 0 6 17 = 405
05 0 ⇒ 1x1 +1x3s = 0= 0 Les matrices qui peuvent être écrites de cette manière sont dites
s 3

0 0 0 1 4 x3
5 0 La décomposition d'une matrice en ses valeurs propres et ses vecteurs
diagonalisables.
1x4 =0 propres donne des indications précieuses sur les propriétés de la matrice.
x4
Exprimons les inconnues x , x , et x en termes de la variable libre s. L'algorithme PageRank original de Google, qui permet de classer les
pages web en fonction de leur "importance", peut être décomposé comme
suit
1 3 4
formalisée comme un calcul de vecteur propre sur la matrice des hyperliens
On voit immédiatement que x3 = 0 et x4 = 0, et on peut écrire x1 = -
web.
3s. Par conséquent, tout vecteur de la forme (-3s, s, 0, 0), pour tout s
∈ R, est dans l'espace nul de A. On écrit N (A) = span{(-3, 1, 0, 0)T VI. PLUG DU TEXTBOOK
}.
Observez que dim( (A)) Si vous souhaitez en savoir plus sur l'algèbre linéaire, vous pouvez
C = dim( (A)) R = 3, ce qui est connu comme
consulter mon nouveau livre, le NO BULLSHIT GUIDE TO LINEAR ALGEBRA.
le rang de la matrice A. De même, R dim( (A)) +Ndim( (A)) = 3 + 1 =
Une version préliminaire du livre est disponible ici : gum.co/noBSLA
4, qui est la dimension de l'espace d'entrée de la transformation linéaire TA.