Catalogue Licence
L1 • Algèbre Linéaire
Fondation L1

Applications linéaires, théorème du rang et pivot de Gauss

, calcul matriciel, changement de base et résolution algorithmique

Fils Rouges :Fil 2 — Structure, morphisme et quotient
Point d'entrée intuitif

Pourquoi une transformation linéaire ne peut-elle jamais gagner de l'information : si elle écrase une direction, elle en perd nécessairement une à l'arrivée — et pourquoi cette loi tombe-t-elle en dimension infinie ?

Idée en une phrase :
Ce qu'une application linéaire détruit et ce qu'elle conserve forment ensemble un budget fixe, égal à la dimension de l'espace de départ.
Généalogie historique du concept :

Le problème initial n'est ni abstrait ni géométrique : c'est la résolution des systèmes linéaires, pratiquée en Chine dès le Jiuzhang Suanshu (environ av. J.-C.) sous une forme déjà identique au pivot de Gauss. Pendant deux millénaires on calcule sans théorie. Au XIX siècle, Sylvester introduit les mots « matrice » (1850) puis « rang » et « nullité » (1884), et l'on comprend enfin POURQUOI le nombre de solutions d'un système ne dépend que de deux entiers. Le théorème du rang est la formalisation de cette découverte : l'algorithme précède la théorie de deux mille ans.

Pourquoi CETTE définition formelle :

Pourquoi définir le rang comme plutôt que comme le nombre de lignes non nulles après pivot ? Parce que la seconde définition dépend de l'algorithme employé et du choix des bases, alors que la première est intrinsèque. Tout le travail consiste ensuite à démontrer qu'elles coïncident — c'est exactement l'objet de la seconde démonstration de ce module. Définir intrinsèquement d'abord, calculer ensuite : c'est la démarche standard de l'algèbre.

Images Mentales & Modèles d'Intuition (3)

Modèle #1

Une application linéaire est une projection d'ombre. Le noyau est ce qui se retrouve écrasé sur un même point de l'ombre, l'image est l'ombre elle-même. Plus l'objet est aplati, plus l'ombre est pauvre.

Ce qu'elle capture :

Le théorème du rang devient une loi de conservation visuelle : projeter un solide de dimension sur un plan écrase une direction (noyau de dimension ) et produit une ombre de dimension , et .

⚠️ Où l'analogie ment :

L'image suggère que l'espace d'arrivée est plus petit que celui de départ. C'est faux en général : une application linéaire de dans est parfaitement légitime, avec un noyau nul et une image de dimension perdue dans un espace bien plus vaste. Le rang mesure l'image, jamais l'espace d'arrivée.

Modèle #2

Une matrice est un dictionnaire de traduction entre deux systèmes de coordonnées ; changer de base, c'est changer de dictionnaire, sans changer la phrase.

Ce qu'elle capture :

La formule se lit de droite à gauche comme un aller-retour : traduire vers l'ancienne base, appliquer, retraduire. L'application ne change pas ; seule son écriture change.

⚠️ Où l'analogie ment :

L'image ne distingue pas les deux situations pourtant très différentes : la SIMILITUDE , qui concerne un endomorphisme et un seul changement de base, et l'ÉQUIVALENCE , qui concerne une application entre deux espaces différents et deux changements. Confondre les deux rend incompréhensible toute la réduction de L2.

Modèle #3

Le pivot de Gauss est un jeu de dominos où l'on élimine une inconnue à la fois, en payant chaque élimination par une ligne consommée.

Ce qu'elle capture :

Le nombre de pivots obtenus est exactement le rang, et le nombre d'inconnues libres est exactement la dimension du noyau : le théorème du rang se LIT sur la matrice échelonnée.

⚠️ Où l'analogie ment :

L'image suggère que le résultat dépend de l'ordre des éliminations. Il n'en dépend pas : le nombre de pivots est un invariant, ce qui est précisément un théorème à démontrer, et non une évidence algorithmique.

Les Pièges Conceptuels Classiques

1
et sont supplémentaires.

Correction :

Faux, et pour une raison de fond : vit dans tandis que vit dans — ces deux sous-espaces ne sont même pas dans le même espace en général. Même pour un endomorphisme, c'est faux : pour sur , on a , leur intersection est une droite entière.

2
Une application injective de dans est surjective si … donc toujours.

Correction :

L'équivalence exige que les DEUX espaces soient de dimension finie ET de même dimension. L'application , , est injective et non surjective. Et en dimension infinie, l'équivalence tombe totalement : l'opérateur de décalage est injectif sans être surjectif.

3
Le rang d'une matrice dépend de la manière dont on mène le pivot.

Correction :

Les matrices échelonnées diffèrent, mais le NOMBRE de pivots est toujours le même, car les opérations élémentaires ne changent ni ni la dimension de . C'est un théorème, démontré dans ce module, et c'est lui qui rend l'algorithme légitime.

4
Pour montrer qu'une application est linéaire, il faut vérifier puis séparément.

Correction :

Une seule vérification suffit : contient les deux ( donne l'additivité, l'homogénéité). Réflexe supplémentaire : si , l'application n'est pas linéaire, et le test coûte une seconde.

Glossaire des Notations Mathématiques

noyau de u

ce que $u$ écrase ; vit dans l'espace de DÉPART

image de u

ce que $u$ atteint ; vit dans l'espace d'ARRIVÉE

rang de u

dimension de l'image ; jamais la dimension de l'espace d'arrivée

similitude

même endomorphisme, base changée une fois ; à distinguer de l'équivalence $Q^{-1} A P$