Calcul de f(E) avec E un espace vectoriel
Utilisez ce calculateur premium pour déterminer l’image d’un vecteur par une application linéaire, visualiser les coordonnées de départ et d’arrivée, et comprendre le calcul de f dans un espace vectoriel réel de dimension 2 ou 3.
Calculateur interactif d’application linéaire
Ce module calcule f(v) = A × v, où A représente la matrice de l’application linéaire f dans une base choisie de l’espace vectoriel E.
Saisissez une matrice et un vecteur, puis cliquez sur Calculer f(v).
Guide expert: comprendre le calcul de f(E) quand E est un espace vectoriel
Le sujet du calcul de f(E) avec E un espace vectoriel apparaît en algèbre linéaire dès que l’on étudie une application linéaire, une matrice, un changement de base, un noyau, une image ou la structure d’un sous-espace. La notation peut surprendre au début. Quand on écrit f : E → F, on désigne une application linéaire définie sur un espace vectoriel E et à valeurs dans un autre espace vectoriel F. L’expression f(E) signifie alors l’ensemble des images de tous les vecteurs de E par l’application f. En d’autres termes, f(E) est l’image de l’espace vectoriel tout entier, ce que l’on appelle aussi Im(f).
Dans la pratique, il faut distinguer deux calculs différents mais proches. Le premier consiste à calculer f(v) pour un vecteur particulier v ∈ E. Le second consiste à déterminer f(E), donc l’ensemble de tous les vecteurs obtenus lorsque v parcourt tout l’espace E. Le calculateur ci-dessus vous aide sur le premier niveau, avec une visualisation directe de l’image d’un vecteur par une matrice. Le guide ci-dessous vous montre comment passer de ce calcul ponctuel à la compréhension complète de l’image de l’espace.
1. Définition fondamentale de f(E)
Si f : E → F est linéaire, alors:
Cet ensemble est toujours un sous-espace vectoriel de F. C’est une propriété centrale de l’algèbre linéaire. Elle vient directement de la linéarité:
- si y₁ = f(x₁) et y₂ = f(x₂), alors y₁ + y₂ = f(x₁ + x₂) appartient encore à f(E);
- si λ est un scalaire et y = f(x), alors λy = f(λx) appartient encore à f(E).
Ainsi, calculer f(E) revient en réalité à déterminer un sous-espace vectoriel de l’espace d’arrivée F.
2. Comment calculer f(v) quand f est donnée par une matrice
Dans une base donnée, une application linéaire se représente par une matrice A. Si v est un vecteur colonne, le calcul se fait par multiplication matricielle:
Par exemple, si
alors:
Le calculateur de cette page applique exactement cette logique en dimension 2 ou 3. Vous renseignez la matrice de f, puis les coordonnées d’un vecteur v, et l’outil renvoie les coordonnées de f(v).
3. Comment passer de f(v) à f(E)
Pour déterminer l’image de tout l’espace, il faut observer ce que devient une base de E. Si (e₁, e₂, …, eₙ) est une base de E, alors:
Cette formule est essentielle. Elle signifie que l’image de l’espace entier est engendrée par les images des vecteurs de base. En langage matriciel, cela revient à dire que f(E) est l’espace engendré par les colonnes de la matrice de f. C’est pourquoi on parle souvent de l’espace colonne d’une matrice.
4. Méthode complète pour déterminer l’image d’une application linéaire
- Écrire la matrice A de l’application linéaire dans des bases fixées.
- Identifier les colonnes de A.
- Faire une réduction de Gauss si nécessaire pour trouver le rang.
- Déterminer quelles colonnes sont indépendantes.
- Conclure que f(E) est le sous-espace engendré par ces colonnes.
Prenons un exemple simple. Soit:
Les colonnes sont c₁ = (1,0,1), c₂ = (2,1,3), c₃ = (3,1,4). On remarque que c₃ = c₁ + c₂. Donc les colonnes ne sont pas toutes indépendantes. L’image est alors:
et le rang de f vaut 2. L’image est donc un plan de R³.
5. Lien entre image, noyau et théorème du rang
Le calcul de f(E) est fortement lié au noyau Ker(f). Le théorème du rang donne une relation structurante:
Si vous connaissez la dimension de l’espace de départ et la dimension du noyau, vous obtenez immédiatement la dimension de l’image. Cette relation est cruciale en mathématiques pures, en science des données, en traitement du signal et en calcul scientifique.
| Dimension de E | Dimension du noyau | Dimension de f(E) | Interprétation |
|---|---|---|---|
| 3 | 0 | 3 | Application injective et sur son image totale dans un espace de dimension 3 |
| 3 | 1 | 2 | L’image est un plan |
| 3 | 2 | 1 | L’image est une droite |
| 3 | 3 | 0 | Application nulle |
6. Pourquoi les colonnes de la matrice suffisent
Supposons que v = (x₁, x₂, …, xₙ) dans une base de E. Si la matrice de f possède les colonnes c₁, c₂, …, cₙ, alors:
Chaque image est donc une combinaison linéaire des colonnes. Réciproquement, toute combinaison linéaire des colonnes correspond à l’image d’un certain vecteur. Voilà pourquoi l’image f(E) coïncide exactement avec l’espace engendré par les colonnes.
7. Applications concrètes du calcul de f(E)
Comprendre f(E) ne sert pas seulement en théorie. Dans de nombreux domaines appliqués, calculer l’image d’un espace permet d’identifier ce qui est réellement accessible, compressé, observé ou reconstruit.
- Graphisme 2D et 3D : rotations, projections, symétries et homothéties.
- Machine learning : transformations linéaires dans les couches, embeddings et réduction de dimension.
- Traitement du signal : filtrage, base fréquentielle, projection sur des sous-espaces.
- Mécanique : changement de repère, rigidité, transformation des forces et vitesses.
- Calcul scientifique : résolution de systèmes, préconditionnement, méthodes itératives.
| Taille de la matrice | Multiplications scalaires pour calculer A×v | Additions scalaires | Volume mémoire pour A en double précision |
|---|---|---|---|
| 2 × 2 | 4 | 2 | 32 octets |
| 3 × 3 | 9 | 6 | 72 octets |
| 100 × 100 | 10 000 | 9 900 | 80 000 octets |
| 1 000 × 1 000 | 1 000 000 | 999 000 | 8 000 000 octets |
Ce tableau montre une réalité importante: même une opération conceptuellement simple comme f(v) = A×v devient rapidement coûteuse lorsque la dimension augmente. C’est une raison majeure pour laquelle la compréhension structurelle de f(E), du rang et des bases de l’image est si utile: elle permet d’optimiser les calculs et de réduire la redondance.
8. Cas particuliers classiques
Plusieurs familles d’applications linéaires reviennent constamment dans les exercices.
- Application identité : f(E) = E.
- Application nulle : f(E) = {0}.
- Projection : l’image est le sous-espace sur lequel on projette.
- Symétrie : l’image est en général tout l’espace.
- Matrice de rang 1 : l’image est une droite vectorielle.
- Matrice de rang maximal : l’image a la plus grande dimension possible.
9. Exemple détaillé en dimension 2
Considérons l’application f : R² → R² définie par:
Sa matrice dans la base canonique est:
Pour un vecteur v = (3, 4), on obtient:
Pour l’image de tout l’espace, on regarde les colonnes:
Ces deux colonnes sont indépendantes car le déterminant vaut -3, non nul. Donc:
Autrement dit, l’application est surjective.
10. Exemple détaillé en dimension 3
Soit maintenant:
La matrice associée est:
Pour un vecteur (1,2,3), on calcule:
Si l’on veut déterminer f(E), on étudie les colonnes. Le déterminant de cette matrice vaut 2, donc il est non nul. Le rang est 3, et l’image est donc tout R³.
11. Les erreurs les plus fréquentes
- Confondre f(v) et f(E).
- Prendre les lignes de la matrice au lieu des colonnes pour déterminer l’image.
- Oublier qu’il faut travailler dans des bases précisées.
- Conclure trop vite à l’indépendance linéaire sans réduction de Gauss.
- Oublier le théorème du rang pour vérifier la cohérence du résultat.
12. Sources académiques et institutionnelles utiles
Pour approfondir le calcul de l’image d’une application linéaire, vous pouvez consulter des ressources de très haut niveau:
- MIT OpenCourseWare, Linear Algebra
- Wolfram MathWorld n’est pas un domaine .gov ou .edu, donc à compléter par des sources académiques comme University of Wisconsin course notes
- NIST Matrix Market
- Stanford University, Linear Algebra and Differential Calculus
13. Méthode de révision rapide pour réussir vos exercices
Si vous préparez un examen, retenez cette stratégie simple:
- Écrire la matrice de f.
- Calculer éventuellement f(e₁), f(e₂), ….
- Identifier l’image comme l’espace engendré par les colonnes.
- Calculer le rang.
- Utiliser la relation rang plus noyau.
- Interpréter géométriquement le résultat: point nul, droite, plan ou espace entier.
Ce schéma vous permettra de traiter la plupart des sujets classiques sur le calcul de f(E) avec E un espace vectoriel. Le point clé est de toujours relier la formule abstraite à la matrice concrète. Plus vous pratiquez le passage entre l’application, sa matrice, ses colonnes, le rang et le sous-espace image, plus les exercices deviennent intuitifs.
En résumé, calculer f(E) revient à déterminer l’ensemble des vecteurs atteignables par l’application linéaire. Dans une base, cela correspond exactement à l’espace engendré par les colonnes de la matrice de f. Pour calculer f(v), on multiplie simplement la matrice par le vecteur. Pour calculer f(E), on cherche une base de l’espace colonne et on identifie sa dimension grâce au rang. Ce sont ces deux niveaux, calcul ponctuel et structure globale, qui font toute la richesse de l’algèbre linéaire.
Remarque éditoriale: les valeurs numériques des tableaux ci-dessus sont exactes pour les tailles et modèles de calcul indiqués, notamment en double précision standard de 8 octets par coefficient. Elles sont utilisées ici comme données de comparaison pédagogiques pour relier la théorie des applications linéaires à la pratique algorithmique.