Les applications linéaires et les matrices forment un des carrefours de l'algèbre linéaire en prépa. Le chapitre relie des objets abstraits, comme le noyau ou l'image, à des gestes très concrets : écrire une matrice, résoudre un système, choisir une base, compter des dimensions. Si ces bases sont encore fragiles, commence par le guide sur les espaces vectoriels en prépa.

La difficulté ne vient pas seulement des calculs. Elle vient surtout du passage permanent entre deux langages. Une application linéaire décrit une transformation entre espaces vectoriels. Une matrice en donne les coordonnées dans des bases choisies. Le noyau, l'image et le rang servent alors de repères pour comprendre ce que cette transformation conserve, perd ou atteint.

1. Partir des définitions utiles

Une application \(f:E \to F\) est linéaire si elle respecte les combinaisons linéaires. En pratique, cela signifie que \(f(\lambda x+\mu y)=\lambda f(x)+\mu f(y)\) pour les vecteurs concernés et les scalaires du corps de travail. Cette propriété suffit à déterminer \(f\) dès que l'on connaît l'image d'une base de \(E\).

Le noyau est l'ensemble \(\ker(f)=\{x \in E \mid f(x)=0_F\}\). Il mesure les vecteurs qui disparaissent sous l'action de \(f\). L'image est l'ensemble \(\operatorname{Im}(f)=\{f(x) \mid x \in E\}\). Elle décrit les vecteurs de \(F\) qui sont effectivement atteints. Le rang est la dimension de cette image lorsque les espaces sont de dimension finie.

À retenir
  • Le noyau vit dans l'espace de départ.
  • L'image vit dans l'espace d'arrivée.
  • Le rang est une dimension, pas une famille de vecteurs.
  • Une matrice dépend des bases choisies, contrairement à l'application qu'elle représente.

2. Comprendre le noyau : injectivité et systèmes homogènes

Le noyau est souvent le premier objet à calculer, parce qu'il se traduit directement par une équation. Si \(A\) est la matrice associée à \(f\), chercher \(\ker(f)\) revient à résoudre le système homogène \(AX=0\). Les inconnues sont les coordonnées d'un vecteur de départ.

Cette lecture évite une erreur fréquente : confondre le nombre de lignes et l'espace du noyau. Pour une matrice de taille \(m \times n\), le vecteur \(X\) appartient à \(\mathbb{K}^n\). Le noyau est donc un sous-espace de \(\mathbb{K}^n\), même si le résultat \(AX\) se trouve dans \(\mathbb{K}^m\).

Le noyau sert aussi à caractériser l'injectivité. Une application linéaire est injective si et seulement si son noyau est réduit au vecteur nul. Cette phrase est courte, mais elle concentre beaucoup de rédaction : il faut prouver que la seule solution de \(f(x)=0\) est \(x=0\), ou lire cette information dans la réduction du système.

3. Lire l'image : colonnes, familles génératrices et surjectivité

L'image se lit naturellement à partir des images des vecteurs d'une base de départ. Si une matrice \(A\) représente \(f\) dans des bases données, ses colonnes sont les coordonnées des images des vecteurs de la base de départ. L'image est donc engendrée par les colonnes de \(A\).

Calculer l'image ne signifie pas recopier toutes les colonnes. Il faut extraire une famille génératrice pertinente, puis si besoin une base de l'image. Les opérations élémentaires aident à repérer les colonnes indépendantes, mais la rédaction doit rester claire sur ce que l'on conserve : les relations entre colonnes, les pivots, ou une famille équivalente selon la méthode utilisée.

La surjectivité se formule alors simplement : \(f:E \to F\) est surjective si son image vaut \(F\). En dimension finie, cela revient à vérifier que le rang est \(\dim(F)\). Cette condition est très utile, mais elle suppose de garder en tête l'espace d'arrivée exact. Une même expression matricielle peut représenter des applications différentes si les espaces ou les bases changent.

Le noyau répond à la question "qu'est-ce qui devient nul ?", l'image répond à la question "qu'est-ce qui peut être atteint ?".

4. Utiliser le rang comme outil de contrôle

Le rang relie la géométrie et le calcul. Formellement, \(\operatorname{rg}(f)=\dim(\operatorname{Im}(f))\). Pour une matrice, c'est aussi le nombre de pivots dans une réduction correcte, ou la dimension de l'espace engendré par les colonnes.

Le théorème du rang est l'outil central du chapitre. Si \(E\) est de dimension finie, alors \(\dim(E)=\dim(\ker(f))+\operatorname{rg}(f)\). Il permet de vérifier un calcul de noyau, de déduire un rang, ou de conclure sur l'injectivité et la surjectivité sans refaire toute la réduction.

En prépa, il faut apprendre à l'utiliser dans les deux sens. Si le noyau est connu, le rang suit immédiatement. Si le rang est obtenu par une matrice échelonnée, la dimension du noyau est contrôlée. Dans un exercice théorique, cette formule donne souvent la ligne décisive qui transforme une inclusion en égalité de sous-espaces.

5. Relier proprement applications linéaires et matrices

Une matrice n'est pas seulement un tableau de nombres. Dans ce chapitre, elle représente une application linéaire après choix d'une base au départ et d'une base à l'arrivée. La colonne \(j\) donne les coordonnées de l'image du \(j\)-ième vecteur de la base de départ dans la base d'arrivée.

Cette convention explique pourquoi les changements de base demandent autant d'attention. La même application peut avoir plusieurs matrices représentatives. Inversement, la même matrice peut être interprétée différemment si l'on change les espaces ou les bases. Pour éviter les erreurs, note toujours la forme de l'application avant de manipuler la matrice.

Ce lien aide aussi à réviser d'autres chapitres. Les suites récurrentes linéaires, par exemple, peuvent parfois se réécrire sous forme matricielle. Si tu veux renforcer ce pont entre algèbre et raisonnement sur les suites, l'article sur les suites récurrentes en prépa complète bien ce travail.

6. Méthode de rédaction en exercice

Pour un exercice standard, commence par identifier les espaces de départ et d'arrivée, leurs dimensions, puis la base utilisée si une matrice intervient. Ensuite seulement, choisis l'objet à calculer : noyau, image, rang, ou propriété d'injectivité et de surjectivité.

  1. Pour le noyau, écris \(f(x)=0\) ou \(AX=0\), résous le système, puis donne une base si elle est demandée.
  2. Pour l'image, pars des images d'une base ou des colonnes de la matrice, puis extrais une famille génératrice ou une base.
  3. Pour le rang, compte une dimension justifiée : pivots, famille libre extraite, base de l'image, ou théorème du rang.
  4. Pour conclure, relie la propriété demandée à la bonne condition : noyau nul, rang maximal côté départ, rang maximal côté arrivée.

Cette routine limite les confusions entre calcul et conclusion. Elle t'oblige aussi à préciser les dimensions, ce qui rend les erreurs visibles plus tôt. Pour mémoriser les définitions et les critères sans les réciter mécaniquement, tu peux utiliser les flashcards de maths prépa en complément des exercices corrigés.

7. Pièges fréquents à éviter

Le premier piège est de calculer l'image avec les lignes de la matrice au lieu des colonnes. Les lignes interviennent dans la résolution et dans certaines lectures du rang, mais l'image de l'application canoniquement associée est engendrée par les colonnes.

Le deuxième piège est d'utiliser le théorème du rang sans vérifier l'espace de départ. Dans la formule \(\dim(E)=\dim(\ker(f))+\operatorname{rg}(f)\), la dimension à gauche est celle du domaine, pas celle de l'espace d'arrivée. Cette confusion provoque des conclusions fausses sur la surjectivité.

Le troisième piège est de croire qu'une réduction de matrice règle toute la rédaction. Les opérations donnent des informations, mais il faut expliquer ce qu'elles prouvent : base du noyau, rang, indépendance de colonnes, ou système équivalent. En colle comme en DS, cette précision compte autant que le calcul.

8. Organiser ses révisions du chapitre

Un bon plan de révision sépare les objets au lieu de mélanger tous les exercices. Travaille d'abord les définitions et caractérisations, puis les calculs de noyau, puis les calculs d'image, puis les exercices qui demandent d'articuler rang, injectivité et surjectivité.

Après chaque exercice, note le signal qui a déclenché la méthode : système homogène, colonnes génératrices, dimension connue, inclusion de sous-espaces, changement de base ou théorème du rang. Cette pratique rejoint le rappel actif en prépa : tu ne relis pas seulement une correction, tu te testes sur les décisions mathématiques qui l'organisent.

Révise l'algèbre linéaire en prépa

PSD regroupe des flashcards de maths prépa par chapitre, avec répétition espacée et suivi de progression. Tu peux consolider les définitions, théorèmes et méthodes tout en gardant les exercices au centre.

Créer mon compte Voir les maths prépa

Conclusion

Applications linéaires et matrices deviennent plus simples quand le chapitre est organisé autour de trois questions : que devient nul, que peut-on atteindre, et quelle dimension relie les deux ? Le noyau répond à la première, l'image à la deuxième, le rang fait le lien.

En prépa, l'objectif n'est pas seulement de réduire des matrices. Il faut savoir traduire un énoncé en application linéaire, choisir le bon calcul, puis conclure avec les dimensions adaptées. C'est cette circulation entre définitions, matrices et théorème du rang qui rend le chapitre solide.

Questions fréquentes

Le noyau regroupe les vecteurs de départ envoyés sur le vecteur nul. L'image regroupe les vecteurs d'arrivée réellement atteints. Le noyau renseigne sur les pertes d'information, l'image sur la partie de l'espace d'arrivée couverte par l'application.
Il relie la dimension de l'espace de départ, la dimension du noyau et le rang. Il permet donc de contrôler un problème sans tout recalculer, et de passer proprement entre injectivité, surjectivité, systèmes linéaires et matrices.
Il faut alterner définitions, calcul matriciel et rédaction. Après chaque exercice, identifie ce qui a servi : résolution d'un système homogène, famille génératrice de l'image, formule du rang, changement de base ou caractérisation d'un isomorphisme.

Sources et références

À propos de l'auteur

Équipe PSD

Des contenus conçus pour aider les étudiants de prépa scientifique à réviser plus efficacement, sans multiplier les outils.