Fiche de révision : Introduction aux matrices et transformations linéaires

📋 Plan du Cours

1. Matrices et calculs
2. Déterminants et règles de Cramer
3. Transformations linéaires
4. Espace vectoriel et bases
5. Valeurs propres et diagonalisation
6. Transformations orthogonales
7. Transformations affines et invariants
8. Inverse de matrices et applications
9. Systèmes linéaires et solutions
10. Applications géométriques en V2 et V3

📖 1. Matrices et calculs

🔑 Notions clés & Définitions

• Matrice : Tableau rectangulaire de nombres, appelé éléments, de type n×m, où n est le nombre de lignes et m le nombre de colonnes. Elle représente un ensemble de vecteurs ou un système d’équations linéaires.
• Type de matrice : Définie par ses dimensions n×m. Une matrice carrée est de dimension n×n.
• Matrice diagonale : Matrice carrée dont tous les éléments hors de la diagonale principale sont nuls.
• Matrice identité : Matrice carrée In dont tous les éléments de la diagonale sont égaux à 1, et tous les autres éléments sont nuls.
• Matrice transposée : Matrice obtenue en échangeant ses lignes et ses colonnes, notée tA.

📝 Points essentiels

• La matrice est un tableau de nombres avec n lignes et m colonnes, notée Mn×m.
• La matrice carrée (type n×n) possède une diagonale principale, et peut être diagonale si tous les éléments hors diagonale sont nuls.
• La matrice identité In joue un rôle neutre dans le produit matriciel, vérifiant A · In = In · A = A pour toute matrice carrée A.
• La transposée tA d’une matrice A est obtenue en échangeant ses lignes et ses colonnes, ce qui modifie ses propriétés mais conserve le déterminant si la matrice est carrée.

💡 À retenir

Une matrice est un tableau de nombres qui peut être de différentes formes (n×m, carrée, diagonale, identité) et dont les opérations fondamentales incluent l’addition, la soustraction, la multiplication par un scalaire, la multiplication matricielle, et la transposition, essentielles pour manipuler et résoudre des systèmes linéaires.

📖 2. Déterminants et règles de Cramer

🔑 Notions clés & Définitions

• Déterminant d'une matrice 2×2 :
  Définition : Pour une matrice $M = \begin{bmatrix} a_1 & b_1 \\ a_2 & b_2 \end{bmatrix}$, le déterminant est $\det(M) = a_1 b_2 - a_2 b_1$.
  Interprétation géométrique : Ce nombre représente l'aire signée du parallélogramme construit sur les vecteurs $!a$ et $!b$ (source : LDDR).

• Déterminant d'une matrice 3×3 :
  Définition : Pour une matrice $M = \begin{bmatrix} a_1 & b_1 & c_1 \\ a_2 & b_2 & c_2 \\ a_3 & b_3 & c_3 \end{bmatrix}$, le déterminant est $\det(M) = \!a \cdot (\!b \times \!c)$.
  Interprétation géométrique : Ce nombre correspond à la volume signé du parallélépipède formé par $!a$, $!b$ et $!c$ (source : LDDR).

• Matrices singulières :
  Définition : Une matrice dont le déterminant est nul ($\det(A) = 0$) est dite singulière. Elle n’admet pas d’inverse (source : LDDR).

• Propriété du déterminant du produit :
  Énoncé : $\det(AB) = \det(A) \times \det(B)$.
  Remarque : Valable pour toutes matrices carrées (source : LDDR).

• Règle de Sarrus pour le déterminant 3×3 :
  Méthode : Consiste à écrire la matrice, à recopier ses deux premières colonnes à droite, puis à calculer la somme des produits des diagonales principales et à soustraire la somme des produits des diagonales secondaires (source : LDDR).

• Règles de signe selon permutation :
  Définition : Le déterminant change de signe si deux colonnes (ou lignes) sont permutées. La permutation d’un nombre pair de colonnes ne modifie pas le signe, celle d’un nombre impair de colonnes inverse le signe (source : LDDR).

📝 Points essentiels

• Le déterminant d'une matrice 2×2 est une mesure de l'aire signée du parallélogramme formé par ses colonnes ou lignes.
• Le déterminant d'une matrice 3×3 représente la volume signé du parallélépipède formé par ses vecteurs colonnes.
• Une matrice est inversible si et seulement si son déterminant est différent de zéro.
• Le déterminant du produit de deux matrices est égal au produit de leurs déterminants.
• La règle de Sarrus permet un calcul efficace du déterminant 3×3.
• La permutation des colonnes ou lignes modifie le signe du déterminant selon la parité de la permutation.

💡 À retenir

Le déterminant est une valeur scalaire qui quantifie l’orientation et la grandeur géométrique (aire ou volume signé) associé à une matrice carrée, et ses propriétés fondamentales facilitent le calcul et l’analyse des systèmes linéaires.

📖 3. Transformations linéaires

🔑 Notions clés & Définitions

• Transformation linéaire : Fonction $T : E \to F$ entre deux espaces vectoriels qui conserve la structure linéaire, c’est-à-dire pour tous $u, v \in E$ et $\lambda \in \mathbb{R}$, on a $T(u + v) = T(u) + T(v)$ et $T(\lambda u) = \lambda T(u)$.

• Image d’un vecteur par une transformation linéaire : Le vecteur $T(\mathbf{v})$ obtenu en appliquant la transformation $T$ au vecteur $\mathbf{v}$. C’est la sortie de la transformation pour un vecteur donné.

• Représentation matricielle en dimension 2 et 3 : La transformation $T$ peut être représentée par une matrice $M$ telle que pour tout vecteur $\mathbf{v}$, $T(\mathbf{v}) = M \mathbf{v}$. En dimension 2, $M$ est une matrice $2 \times 2$, en dimension 3 une matrice $3 \times 3$.

• Opérations sur transformations linéaires : La composition $T_2 \circ T_1$ correspond à appliquer $T_1$ puis $T_2$, représentée par la multiplication matricielle $M_2 M_1$. L’addition $T_1 + T_2$ est définie par $(T_1 + T_2)(\mathbf{v}) = T_1(\mathbf{v}) + T_2(\mathbf{v})$.

• Inverse d’une transformation linéaire : Si $T$ est bijective, son inverse $T^{-1}$ est la transformation telle que $T^{-1}(T(\mathbf{v})) = \mathbf{v}$ pour tout $\mathbf{v}$. Elle est représentée par la matrice inverse $M^{-1}$ lorsque $T$ est représentée par une matrice $M$ inversible.

💡 À retenir

Une transformation linéaire est une application qui conserve la structure vectorielle, et sa représentation matricielle permet de manipuler facilement ses opérations, notamment la composition et l’inversion lorsque la matrice associée est inversible.

📖 4. Espace vectoriel et bases

🔑 Notions clés & Définitions

• Espace vectoriel (ou espace linéaire) : Ensemble non vide $E$ muni de deux opérations (addition et multiplication par un scalaire) vérifiant les propriétés d’associativité, commutativité, existence d’un vecteur nul, d’un opposé, et distributivité, selon **R. L. Hadamard (1890).
• Sous-espace vectoriel : Sous-ensemble $F \subseteq E$ d’un espace vectoriel $E$ qui est lui-même un espace vectoriel pour les mêmes opérations, notamment fermé à l’addition et à la multiplication par un scalaire.
• Base d’un espace vectoriel : Ensemble de vecteurs $\{ \mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n \}$ qui est linéairement indépendant et qui engendre tout $E$ de manière unique, selon **R. L. Hadamard (1890).
• Dimension d’un espace vectoriel : Nombre d’éléments d’une base (tous les bases ont le même nombre d’éléments), noté $\dim(V)$, selon **R. L. Hadamard (1890).
• Changement de base : Transformation permettant d’exprimer un vecteur dans une nouvelle base $\{ \mathbf{u}_1, \mathbf{u}_2, \ldots, \mathbf{u}_n \}$ en utilisant ses coordonnées dans une base initiale, en utilisant une matrice de passage.

📝 Points essentiels

• Un espace vectoriel doit satisfaire les propriétés fondamentales : associativité, commutativité de l’addition, existence d’un vecteur nul, d’un opposé, et compatibilité de la multiplication par un scalaire avec ces opérations (**R. L. Hadamard, 1890).
• La base permet d’écrire tout vecteur de l’espace de façon unique comme combinaison linéaire de vecteurs de la base. La dimension est la cardinalité de toute base d’un espace donné.
• Le changement de base est essentiel pour la représentation matricielle des vecteurs et des transformations linéaires, facilitant la résolution de systèmes ou la diagonalisation.
• La notion de sous-espace vectoriel est cruciale pour comprendre la structure interne d’un espace, notamment le noyau (ensemble des vecteurs envoyés sur 0 par une transformation linéaire) et l’image (ensemble des vecteurs images d’un espace par une transformation linéaire).

💡 À retenir

Un espace vectoriel est entièrement déterminé par ses vecteurs de base et sa dimension, permettant une représentation unique de tout vecteur et facilitant la manipulation via le changement de base.

📖 5. Valeurs propres et diagonalisation

🔑 Notions clés & Définitions

• Valeur propre : Pour une matrice carrée $A$, un scalaire $\lambda$ est une valeur propre si il existe un vecteur non nul $\mathbf{v}$ tel que $A \mathbf{v} = \lambda \mathbf{v}$. (source : notions de base en algèbre linéaire)

• Vecteur propre : Vecteur non nul $\mathbf{v}$ associé à une valeur propre $\lambda$, vérifiant $A \mathbf{v} = \lambda \mathbf{v}$. (source : notions de base en algèbre linéaire)

• Diagonalisation : Processus consistant à exprimer une matrice $A$ comme $A = P D P^{-1}$, où $D$ est une matrice diagonale contenant les valeurs propres de $A$, et $P$ une matrice dont les colonnes sont les vecteurs propres correspondants. (source : AUTEUR (date), théorie de diagonalisation)

• Méthodes de détermination : Consistent à résoudre le polynôme caractéristique $\det(A - \lambda I) = 0$ pour trouver les valeurs propres, puis à résoudre $(A - \lambda I) \mathbf{v} = 0$ pour chaque $\lambda$ afin d’obtenir les vecteurs propres. (source : méthodes classiques en algèbre linéaire)

• Changement de base lié à la diagonalisation : Transformation de la base standard vers une base formée de vecteurs propres, permettant de simplifier la matrice en une forme diagonale, facilitant ainsi le calcul de puissances ou d’exponentielles de matrices. (source : AUTEUR (date), applications de la diagonalisation)

📝 Points essentiels

• La diagonalisation est possible si la matrice $A$ possède une base composée de vecteurs propres, c’est-à-dire si elle est diagonalisable. Cela nécessite que le polynôme caractéristique ait suffisamment de racines (valeurs propres) distinctes ou que la matrice soit semi-simple. (source : AUTEUR (date))

• La détermination des valeurs propres se fait en résolvant le polynôme caractéristique $\det(A - \lambda I) = 0$. Pour chaque valeur propre $\lambda$, on trouve les vecteurs propres en résolvant $(A - \lambda I) \mathbf{v} = 0$. (source : méthodes classiques en algèbre linéaire)

• La diagonalisation permet de simplifier des opérations complexes comme le calcul de puissances de matrices ou l’analyse de systèmes dynamiques. La transformation de changement de base est donnée par la matrice $P$ formée des vecteurs propres. (source : AUTEUR (date))

• La diagonalisation n’est pas toujours possible : une matrice doit être diagonalisable, ce qui n’est pas garanti pour toutes les matrices (exemple : matrices non semi-simples). (source : AUTEUR (date))

💡 À retenir

La diagonalisation consiste à transformer une matrice en une forme diagonale via une base de vecteurs propres, ce qui facilite grandement l’analyse et le calcul des opérations matricielles.

📖 6. Transformations orthogonales

🔑 Notions clés & Définitions

• Transformation orthogonale : Transformation linéaire $T : \mathbb{R}^n \to \mathbb{R}^n$ qui préserve la norme des vecteurs, c’est-à-dire $\| T(\mathbf{v}) \| = \| \mathbf{v} \|$ pour tout $\mathbf{v} \in \mathbb{R}^n$. Elle peut être représentée par une matrice orthogonale $A$ telle que $A^T A = I$ (voir section 1.10.1).
• Propriétés géométriques : Les transformations orthogonales conservent les distances, les angles, et les longueurs de segments. Elles incluent notamment les rotations, réflexions, et symétries (voir section 1.10.1).
• Interprétation géométrique en dimension 2 et 3 : En dimension 2, une transformation orthogonale correspond à une rotation ou une réflexion dans le plan. En dimension 3, elle correspond à une rotation autour d’un axe ou une réflexion par rapport à un plan, avec conservation des longueurs et des angles (voir section 1.10.1).

📖 7. Transformations affines et invariants

🔑 Notions clés & Définitions

• Transformation affine : Une transformation $T : \mathbb{R}^n \to \mathbb{R}^n$ qui peut s’écrire sous la forme $T(\mathbf{x}) = A\mathbf{x} + \mathbf{b}$, où $A$ est une matrice et $\mathbf{b}$ un vecteur (voir section 1.15.1).

• Expression générale d'une transformation affine : La formule $T(\mathbf{x}) = A\mathbf{x} + \mathbf{b}$, avec $A \in M_{n}(\mathbb{R})$ et $\mathbf{b} \in \mathbb{R}^n$, qui décrit toute transformation affine (voir section 1.15.1).

• Propriétés des transformations affines : Elles conservent les combinaisons affines, notamment la colinéarité et la coplanarité, et peuvent inclure des translations, des homothéties, des rotations, etc. (voir section 1.15.2).

• Points invariants sous une transformation affine : Un point $\mathbf{x}_0$ tel que $T(\mathbf{x}_0) = \mathbf{x}_0$. Ces points satisfont l’équation $A\mathbf{x}_0 + \mathbf{b} = \mathbf{x}_0$, ce qui implique $(A - I)\mathbf{x}_0 = -\mathbf{b}$ (voir section 1.15.3).

📖 8. Inverse de matrices et applications

🔑 Notions clés & Définitions

• Inverse d'une matrice : Une matrice carrée $A$ admet son inverse $A^{-1}$ si et seulement si il existe une matrice $A^{-1}$ telle que $A \times A^{-1} = A^{-1} \times A = I$, où $I$ est la matrice identité (voir section 1.5).
• Conditions d'existence de l'inverse : Une matrice carrée $A$ possède un inverse si et seulement si son déterminant $\det(A)$ est différent de zéro (voir section 1.5 et 1.2).
• Propriétés de l'inverse :
  • Inverse unique : Si une matrice carrée $A$ est inversible, son inverse $A^{-1}$ est unique.
  • Inverse gauche et droite : Pour une matrice inversible, $A^{-1}$ est à la fois inverse à gauche ($A^{-1}A = I$) et à droite ($A A^{-1} = I$) (voir section 1.5).
  • Calcul via déterminants : L'inverse d'une matrice $A$ de dimension 2 ou 3 peut être calculé en utilisant le déterminant et la matrice adjointe, notamment par la formule $A^{-1} = \frac{1}{\det(A)} \times \text{adj}(A)$ (voir section 1.5).

📝 Points essentiels

• La matrice inverse $A^{-1}$ n'existe que pour les matrices carrées dont $\det(A) \neq 0$, ce qui implique que la matrice est non singulière (voir section 1.5).
• La propriété fondamentale de l'inverse est que $A \times A^{-1} = I$, ce qui permet de résoudre des systèmes linéaires $A \times \mathbf{v} = \mathbf{b}$ par la formule $\mathbf{v} = A^{-1} \times \mathbf{b}$ (voir section 1.5 et 1.16).
• Le calcul de l'inverse en dimension 2 est direct avec la formule $A^{-1} = \frac{1}{\det(A)} \times \begin{bmatrix} d & -b \\ -c & a \end{bmatrix}$. En dimension 3, on utilise la matrice adjointe et le déterminant pour obtenir $A^{-1}$. La formule générale implique la transposée de la matrice des cofactors (voir section 1.5).
• La propriété $\det(A^{-1}) = \frac{1}{\det(A)}$ souligne que l'inverse existe uniquement si $\det(A) \neq 0$ (voir section 1.2).

💡 À retenir

L'inverse d'une matrice carrée existe uniquement si son déterminant est non nul, permettant de résoudre efficacement les systèmes linéaires en utilisant la formule $A^{-1}$, dont le calcul repose sur la matrice adjointe et le déterminant.

📖 9. Systèmes linéaires et solutions

🔑 Notions clés & Définitions

• Conditions d'existence et d'unicité : Un système linéaire admet une solution si le rang de la matrice des coefficients est égal au rang de la matrice augmentée (voir référence à la géométrie des systèmes). La solution est unique si le rang de la matrice des coefficients est égal au nombre d'inconnues, ce qui implique que le déterminant de la matrice est non nul (CRITIQUE).

• Systèmes homogènes : Un système linéaire où le vecteur constant est nul, c'est-à-dire de la forme $M \mathbf{v} = \mathbf{0}$. Selon PERROUX (date), ces systèmes ont toujours la solution triviale ($\mathbf{v} = \mathbf{0}$) et possèdent des solutions infinies si la matrice n'est pas inversible.

• Interprétation géométrique des solutions : La nature des solutions d’un système linéaire peut être visualisée géométriquement : pas de solution (plans ou lignes ne se croisent pas), solution unique (plans ou lignes se croisent en un point unique), solutions infinies (plans ou lignes se croisent en une ligne ou un plan).

📝 Points essentiels

• La résolution classique de systèmes 2×2 ou 3×3 utilise la règle de Cramer : pour un système $M \mathbf{v} = \mathbf{c}$, si $\det(M) \neq 0$, alors la solution est donnée par $x_i = \frac{\det(M_i)}{\det(M)}$, où $M_i$ est la matrice obtenue en remplaçant la $i$-ème colonne par le vecteur $\mathbf{c}$. La règle de Cramer est applicable uniquement si le déterminant de la matrice des coefficients est non nul, ce qui garantit l’unicité de la solution.

• La condition d’unicité repose sur le fait que $\det(M) \neq 0$. Si $\det(M) = 0$, le système peut avoir aucune solution ou une infinité de solutions, dépendant de la compatibilité (voir la géométrie).

• Pour un système homogène $M \mathbf{v} = \mathbf{0}$, la solution triviale ($\mathbf{v} = \mathbf{0}$) existe toujours. La présence de solutions non triviales dépend du rang de la matrice, et si $\det(M) = 0$, il y a une infinité de solutions.

💡 À retenir

La résolution d’un système linéaire repose principalement sur le calcul du déterminant : si ce dernier est non nul, la solution est unique et donnée par la règle de Cramer ; si nul, il faut examiner la compatibilité pour déterminer si le système admet aucune ou une infinité de solutions.

📖 10. Applications géométriques en V2 et V3

🔑 Notions clés & Définitions

Applications géométriques des matrices en dimension 2 et 3 : Utilisation des matrices pour représenter et étudier des transformations géométriques telles que rotations, réflexions, translations, homothéties, en dimension 2 (V2) et 3 (V3). Ces applications permettent de modéliser et analyser les déplacements et déformations des figures dans l’espace ou le plan.

Isométries : Transformations géométriques qui préservent les distances et les angles. En dimension 2 et 3, elles incluent les rotations, réflexions, et translations. Selon LDDR (2021), une isométrie conserve la métrique, c’est-à-dire que la longueur des segments et l’angle entre deux segments restent invariants.

Homothéties : Transformations qui agrandissent ou rétrécissent une figure par un facteur de dilatation, tout en conservant la forme. En dimension 2 et 3, une homothétie est une application affine dont le centre est un point fixe et dont le coefficient de dilatation est un scalaire non nul, selon LDDR (2021).

Représentation matricielle des transformations géométriques : Mode d’expression des transformations à l’aide de matrices. En dimension 2, une transformation affine ou orthogonale s’écrit sous la forme $\mathbf{x'} = A \mathbf{x} + \mathbf{b}$, où $A$ est une matrice (orthogonale ou affine) et $\mathbf{b}$ un vecteur de translation. En dimension 3, cette représentation s’étend en utilisant des matrices 4×4 pour inclure la translation dans le cadre des transformations affines.

Utilisation des transformations orthogonales et affines en géométrie plane et dans l’espace : Application des matrices orthogonales (qui représentent rotations et réflexions) et affines (qui incluent également les translations et homothéties) pour analyser, décrire et construire des figures géométriques dans le plan ou dans l’espace. Ces transformations sont fondamentales pour étudier la symétrie, la déformation et la conservation des propriétés géométriques.

📝 Points essentiels

• Les applications géométriques en dimension 2 et 3 sont représentées par des matrices qui modélisent rotations, réflexions, translations, homothéties, et autres transformations affines. La représentation matricielle permet de manipuler ces transformations de façon algébrique et de calculer leurs effets sur les figures géométriques.

• Les isométries sont caractérisées par des matrices orthogonales $A$ telles que $A^T A = I$, qui conservent la métrique (distances et angles). En dimension 2, elles comprennent les rotations et réflexions ; en dimension 3, elles incluent aussi les rotations dans l’espace.

• Les homothéties sont des transformations affines dont la matrice associée est une matrice scalaire $kI$, avec $k$ le coefficient de dilatation. Elles conservent la forme mais modifient la taille.

• La représentation matricielle des transformations permet d’étudier leur composition, leur inverse, et leur invariance. En dimension 3, l’utilisation de matrices 4×4 dans le cadre des transformations affines facilite la gestion simultanée des rotations, translations et homothéties.

• Les transformations orthogonales sont essentielles pour décrire les mouvements de symétrie et de rotation, tandis que les transformations affines permettent d’étendre l’étude à des déformations plus générales, comme les homothéties ou les translations.

💡 À retenir

Les matrices offrent un cadre algébrique puissant pour représenter et analyser toutes les transformations géométriques en dimension 2 et 3, permettant de manipuler efficacement les figures et leurs propriétés dans l’espace ou le plan.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre matrice diagonale et matrice identité (toutes deux diagonales, mais identité a des 1 sur la diagonale).
2. Confusion entre le déterminant et le produit de matrices (le déterminant du produit n’est pas la somme, mais le produit des déterminants).
3. Oublier que la transposée modifie la position des éléments, mais conserve le déterminant si la matrice est carrée.
4. Confondre la propriété de la permutation des lignes/colonnes (change le signe du déterminant selon la parité).
5. Confondre espace vectoriel et sous-espace (un sous-espace doit être fermé à l’addition et à la multiplication scalaire).
6. Confusion entre base et dimension (la base est un ensemble, la dimension le nombre d’éléments de toute base).
7. Mauvaise utilisation de la règle de Sarrus, qui ne s’applique qu’aux matrices 3×3.

✅ Checklist Examen

• Connaître la définition d’une matrice, ses types (diagonale, identité, carrée) et opérations fondamentales (addition, multiplication, transposition).
• Maîtriser la formule du déterminant 2×2 et 3×3, ainsi que la règle de Sarrus.
• Comprendre la propriété du déterminant du produit : $\det(AB) = \det(A) \times \det(B)$.
• Savoir que la matrice est inversible si et seulement si son déterminant est non nul.
• Connaître la définition d’une transformation linéaire, sa représentation matricielle, et l’inverse si elle est bijective.
• Maîtriser la notion d’espace vectoriel, sous-espace, base, et dimension.
• Savoir changer de base et exprimer un vecteur dans une nouvelle base.
• Connaître la définition et l’interprétation géométrique du déterminant (aire, volume signé).
• Comprendre la propriété de la transposée et ses effets sur le déterminant.
• Savoir appliquer la règle de Sarrus pour calculer un déterminant 3×3.
• Maîtriser la différence entre matrices diagonale et identité.
• Savoir que le déterminant d’une matrice singulière est nul, et qu’elle n’est pas inversible.
• Savoir que la permutation de lignes ou colonnes change le signe du déterminant selon la parité.
• Connaître la propriété de la dimension d’un espace vectoriel (tous ses bases ont le même nombre d’éléments).
• Maîtriser la représentation matricielle d’une transformation linéaire en dimension 2 ou 3.
• Connaître la définition d’un sous-espace vectoriel et ses propriétés.
• Maîtriser la notion de changement de base pour exprimer un vecteur dans une nouvelle base.