Application linéaire

En mathématiques, une application linéaire (aussi appelée opérateur linéaire^[1] ou transformation linéaire^[2]^,^[3]) est une application entre deux espaces vectoriels qui respecte l'addition des vecteurs et la multiplication scalaire, et préserve ainsi plus généralement les combinaisons linéaires^[4]^,^[5]. L’expression peut s’utiliser aussi pour un morphisme entre deux modules sur un anneau, avec une présentation semblable en dehors des notions de base et de dimension.

Cette notion étend celle de fonction linéaire en analyse réelle à des espaces vectoriels plus généraux.

Définitions

Cas général

Soient $E$ et $F$ deux espaces vectoriels sur un corps $K$ . Une application $f : E \to F$ est dite $K$ -linéaire^[6]^,^[7] (ou « morphisme de $K$ -espaces vectoriels ») si elle vérifie à la fois

additivité: $\forall (x,y)\in E^{2},\quad f(x y)=f(x) f(y)$
homogénéité: $\forall \lambda \in \mathbb {K} \quad \forall x\in E,\quad f(\lambda x)=\lambda f(x)$ .

Ces deux propriétés peuvent être vérifiées simultanément par la caractérisation suivante :

\forall (x,y)\in E^{2}\quad \forall \lambda ,\mu \in \mathbf {K} \quad f(\lambda x \mu y)=\lambda f(x) \mu f(y)

ou plus simplement :

\forall (x,y)\in E^{2}\quad \forall \mu \in \mathbf {K} \quad f(x \mu y)=f(x) \mu f(y)

.

De façon équivalente, une application $f : E \to F$ est linéaire si et seulement si son graphe est un sous-espace vectoriel de $E \times F$ .

L'ensemble des applications linéaires de $E$ dans $F$ est généralement noté $L(E, F)$ ou $L K (E; F)$ voire $Hom K (E, F)$ ^[8], avec un indice souvent omis et implicite lorsqu'il est facile à dériver du contexte.

Cas particuliers

Un isomorphisme^[9] d'espaces vectoriels est un morphisme bijectif. On note $Isom(E, F)$ l'ensemble des isomorphismes de $E$ sur $F$ ;
Un endomorphisme est un morphisme ayant même espace vectoriel de départ et d'arrivée. On note $L(E)$ l'ensemble $L(E, E)$ des endomorphismes de E ;
Un automorphisme est un endomorphisme bijectif. On note $GL(E)$ le groupe des automorphismes de $E$ (appelé aussi le groupe linéaire de $E$ ) ;
Si l'espace vectoriel d'arrivée est le corps $K$ , on parle de forme linéaire. On note $E *$ l'ensemble des formes linéaires sur $E$ (appelé aussi espace dual de $E$ ).

Exemples et contre-exemples

Étant donné un espace vectoriel $E$ sur un corps $K$ , toute famille de scalaires $(a 1, \dots , a n) \in K n$ définit une application linéaire $(x_{1},\dots ,x_{n})\mapsto \sum _{k=1}^{n}a_{k}x_{k}$ de l’ensemble $E n$ des $n$ -uplets de vecteurs vers $E$ .

En particulier, toute homothétie vectorielle $x \mapsto a . x$ est linéaire.

Sur l’ensemble ${\mathcal {D}}^{1}(I,\mathbb {R} )$ des fonctions réelles dérivables sur un intervalle $I$ , la dérivation $u\mapsto u'$ constitue une application linéaire vers l’ensemble des fonctions réelles.

La conjugaison $z\mapsto {\overline {z}}$ dans l’ensemble $C$ des nombres complexes est une application $R$ -linéaire mais pas $C$ -linéaire.

La composition à droite $f \mapsto f \circ g$ définit une application linéaire, mais en général pas la composition à gauche $f \mapsto h \circ f$ .

L’intégration de fonction, l’évaluation en un point, $f \mapsto f (a)$ et les limites éventuelles sont aussi linéaires sur l’ensemble des fonctions pour lesquelles ces opérations sont définies.

Sur l’ensemble $K N$ des suites à valeurs dans un corps $K$ , le décalage $(u n) \mapsto (u n 1)$ , la limite éventuelle et la construction de la série associée $(u_{n})\mapsto \left(\sum _{k=0}^{n}u_{k}\right)$ sont linéaires également.

Sur l’ensemble des matrices, la multiplication à gauche et/ou à droite, la transposée et la trace sont linéaires.

L’espérance définit une application linéaire sur l’ensemble des variables aléatoires réelles qui en admettent une.

Toute application induite en homologie sur un corps est linéaire sur ce corps.

Propriétés

Toute application linéaire préserve les combinaisons linéaires : pour toute famille finie $(x i) i \in I$ de vecteurs et pour toute famille $(λ i) i \in I$ de scalaires (c'est-à-dire d'éléments de $K$ ), $f\left(\sum _{i\in I}\lambda _{i}x_{i}\right)=\sum _{i\in I}\lambda _{i}f(x_{i})$ .

Soient $E$ et $F$ deux espaces vectoriels (respectivement deux modules) à gauche sur le corps (resp. l'anneau) $K$ . L'ensemble $L(E, F)$ des applications linéaires de $E$ dans $F$ est un espace vectoriel (resp. un module) sur le centre de $K$ .

Démonstration

Montrons que $L(E, F)$ est un sous-espace vectoriel (resp. un sous-module) de l'espace vectoriel (resp. du module) des applications de $E$ dans $F$ sur le centre $C$ de $K$ . Il est non vide car contient l'application nulle. Si $a$ et $b$ sont deux applications linéaires, leur somme est encore linéaire. Enfin, si $λ$ est un élément de $C$ , l'application $λ a$ est aussi linéaire, car elle est évidemment additive et pour tout $α \in K$ et tout $x \in E$ ,

(\lambda a)(\alpha x)=\lambda \alpha a(x)=\alpha \lambda (a(x)=\alpha (\lambda a)(x)

.

La composée de deux applications linéaires est linéaire. Plus précisément : $\forall f\in \operatorname {L} (E,F)\quad \forall g\in \operatorname {L} (F,G)\quad g\circ f\in \operatorname {L} (E,G)$ .En particulier, $\circ$ est une loi de composition interne sur $L(E)$ .
La réciproque d’un isomorphisme est linéaire également.
Si $E$ est un $K$ -espace vectoriel (resp. un $K$ -module libre), une application linéaire $f \in L(E, F)$ est entièrement déterminée par l'image par $f$ d'une base de $E$ . Plus précisément : pour toute base $B$ de $E$ , toute application de $B$ dans $F$ se prolonge de façon unique en une application linéaire de $E$ dans $F$ . Tout choix d'une base $B$ de $E$ fournit donc une bijection $\operatorname {L} (E,F)\to F^{B},f\mapsto f_{|B}$ ^[10].

Noyau et image

Articles détaillés : Noyau d'une application linéaire et Image d'une application.

Si $f$ est une application linéaire de $E$ dans $F$ , alors son noyau, noté $Ker(f)$ ^[11], et son image, notée $Im(f)$ ^[11], sont définis par :

\operatorname {Ker} (f)=\{x\in E\mid f(x)=0\}=f^{-1}(\{0\})

;

\operatorname {Im} (f)=\{f(x)\mid x\in E\}=f(E)

.

$Ker$ provient de Kern^[12], traduction de « noyau » en allemand. $Im$ provient de image.

Une application linéaire est injective si et seulement si son noyau est l'espace nul (c'est une propriété générale des morphismes de groupes). Une application (linéaire ou pas) est surjective si et seulement si son image est égale à son ensemble d'arrivée tout entier.

L'ensemble $Ker(f)$ est un sous-espace vectoriel de $E$ , et l'ensemble $Im(f)$ est un sous-espace vectoriel de $F$ . Plus généralement^[13],

l'image réciproque par $f$ d'un sous-espace vectoriel de $F$ est un sous-espace vectoriel de $E$ ;
l'image directe par $f$ d'un sous-espace vectoriel de $E$ est un sous-espace vectoriel de $F$ .

Pour toute famille génératrice $(e i) i \in I$ de $E$ , $Im(f)$ est le sous-espace de $F$ engendré par la famille $(f (e i)) i \in I$ .

L'espace vectoriel quotient $F /Im(f)$ s'appelle le conoyau^[13] de $f$ .

Le théorème de factorisation affirme que $f$ induit un isomorphisme du quotient $E /Ker(f)$ sur l'image $Im(f)$ .

Tout ce qui précède reste valide si « espace vectoriel » est remplacé par « module », et « corps » par « anneau ». Ce qui suit, en revanche, est spécifique aux espaces vectoriels sur un corps :

En dimension finie

Si $E$ est de dimension finie et si le corps $K$ est commutatif, alors la dimension de $L(E, F)$ est donnée par : $\dim(\operatorname {L} (E,F))=\dim(E)\times \dim(F)$ ^[14].En particulier, si $F$ est aussi de dimension finie, alors $L(E, F)$ l'est également.
Si $E$ et $F$ sont des espaces vectoriels de dimension finie (resp. des modules libres de type fini) à droite sur un corps (resp. un anneau) $K$ , une application linéaire $f$ de $E$ dans $F$ se représente par une matrice dans des bases fixées dans $E$ et $F$ . Cette représentation matricielle est commode pour calculer le noyau et l'image de $f$ .

Deux espaces isomorphes ayant même dimension, il suit de l'isomorphisme ci-dessus la relation suivante (valable pour $E$ et $F$ de dimensions finies ou infinies), appelée théorème du rang :

\dim(\operatorname {Ker} (f)) \dim(\operatorname {Im} (f))=\dim(E)

.

La dimension de $Im(f)$ est aussi appelée le rang de $f$ et est notée $rg(f)$ .

Notes

↑ Le terme d’opérateur est privilégié entre espaces fonctionnels.
↑ Lay 2004, p. 77 et suivantes.
↑ Beaucoup d'auteurs (par ex. Bourbaki, Histoire, p. 164) réservent l'usage de « transformation » à celles qui sont bijectives.
↑ Bourbaki, Algèbre, p. A-II-4, équation (5).
↑ Artin, Algebra, p. 109, formule (1.2).
↑ Artin, Algebra, chap. 4.
↑ Bourbaki, Algèbre, p. A-II-4, définition 4.
↑ Bourbaki, Algèbre, p. A-II-5.
↑ Artin, Algebra, p. 87, definition (2.13).
↑ Pour une démonstration, voir par exemple le § « Image d'une base » de la leçon sur les applications linéaires sur Wikiversité.
↑ ^{a et b} Artin, Algebra, p. 110, formule (1.5).
↑ (en) Jeff Miller, « Earliest Known Uses of Some of the Words of Mathematics » : « The use of kernel in algebra appears to be unrelated to its use in integral equations and Fourier analysis. The OED gives the following quotation from Pontrjagin’s Topological Groups i. 11 (translated by E. Lehmer 1946) "The set of all the elements of the group G which go into the identity of the group G* under the homomorphism g is called the kernel of this homomorphism." ».
↑ ^{a et b} Bourbaki, Algèbre, p. A-II-7.
↑ Pour une démonstration, voir par exemple le § « Propriétés de L(E, F) » de la leçon sur les applications linéaires sur Wikiversité.

Références

(en) Michael Artin, Algebra, : Prentice Hall Inc., 1991 (ISBN 0-13-004763-5).
Nicolas Bourbaki, Algèbre : Chapitres 1 à 3, Springer, 2007 (ISBN 978-3-540-33849-9).
Nicolas Bourbaki, Éléments d'histoire des mathématiques, Springer, 2007 [détail des éditions].
David C. Lay, Algèbre linéaire : Théorie, exercices & applications, De Boeck, 2004, 576 p. (ISBN 978-2-8041-4408-1, lire en ligne).

Voir aussi

Sur les autres projets Wikimedia :

Application linéaire, sur Wikiversity

Portail de l’algèbre

[1] Le terme d’opérateur est privilégié entre espaces fonctionnels.

[2] Lay 2004, p. 77 et suivantes.

[3] Beaucoup d'auteurs (par ex. Bourbaki, Histoire, p. 164) réservent l'usage de « transformation » à celles qui sont bijectives.

[4] Bourbaki, Algèbre, p. A-II-4, équation (5).

[5] Artin, Algebra, p. 109, formule (1.2).

[6] Artin, Algebra, chap. 4.

[7] Bourbaki, Algèbre, p. A-II-4, définition 4.

[8] Bourbaki, Algèbre, p. A-II-5.

[9] Artin, Algebra, p. 87, definition (2.13).

[10] Pour une démonstration, voir par exemple le § « Image d'une base » de la leçon sur les applications linéaires sur Wikiversité.

[KerIm-11] {a et b} Artin, Algebra, p. 110, formule (1.5).

[12] (en) Jeff Miller, « Earliest Known Uses of Some of the Words of Mathematics » : « The use of kernel in algebra appears to be unrelated to its use in integral equations and Fourier analysis. The OED gives the following quotation from Pontrjagin’s Topological Groups i. 11 (translated by E. Lehmer 1946) "The set of all the elements of the group G which go into the identity of the group G* under the homomorphism g is called the kernel of this homomorphism." ».

[A-II-7-13] {a et b} Bourbaki, Algèbre, p. A-II-7.

[14] Pour une démonstration, voir par exemple le § « Propriétés de L(E, F) » de la leçon sur les applications linéaires sur Wikiversité.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

v · m Algèbre linéaire générale
Vecteur Scalaire Combinaison linéaire Espace vectoriel Matrice
Famille de vecteurs	Famille génératrice Famille libre (indépendance linéaire) Base Théorème de la base incomplète Théorème de la dimension pour les espaces vectoriels Rang Colinéarité
Sous-espace	Sous-espace vectoriel Somme de Minkowski Somme directe Sous-espace supplémentaire Dimension Codimension Droite Plan Hyperplan
Morphisme et notions relatives	Application linéaire Noyau Conoyau Lemme des noyaux Pseudo-inverse Théorème de factorisation Théorème du rang Équation linéaire Système d'équations linéaires Élimination de Gauss-Jordan Forme linéaire Espace dual Orthogonalité Base duale Endomorphisme linéaire Valeur propre, vecteur propre et espace propre Projecteur Symétrie Matrice diagonalisable Diagonalisation Endomorphisme nilpotent
Dimension finie	Espace vectoriel de dimension finie Trace Déterminant Polynôme caractéristique Polynôme d'endomorphisme Théorème de Cayley-Hamilton Polynôme minimal d'un endomorphisme Invariants de similitude Réduction d'endomorphisme Réduction de Jordan Décomposition de Dunford Décomposition de Frobenius
Enrichissements de structure	Norme Produit scalaire Forme quadratique Espace vectoriel topologique Orientation Algèbre sur un corps Algèbre de Lie Complexe différentiel
Développements	Théorie des matrices Représentation de groupe Analyse fonctionnelle Algèbre multilinéaire Module sur un anneau