Espace colonne et espace des rangées

Les vecteurs ligne d'une matrice. L'espace des rangées de cette matrice est l'espace vectoriel généré par ses vecteurs ligne.

Les vecteurs colonne d'une matrice. L'espace des colonnes de cette matrice est l'espace vectoriel généré par ses vecteurs colonne.

En algèbre linéaire, lModèle:'espace colonne (aussi appelé espace des colonnes ou image) d'une matrice Modèle:Mvar est l'espace engendré par toutes les combinaisons linéaires de ses vecteurs colonne. L'espace colonne d'une matrice est l'image de lModèle:'application linéaire correspondante.

Soit $𝕂$ un corps. L'espace colonne d'une matrice de taille $m\times n$ à éléments dans $𝕂$ est un sous-espace vectoriel de ${𝕂}^m$. La dimension d'un espace colonne est appelé le rang d'une matrice et est au plus égal au minimum de $m$ et $n$.

Une définition des matrices sur un anneau $𝔸$ est également possible.

LModèle:'espace ligne (ou espace des rangées) est défini de façon similaire.

Cet article ne traite que le cas de matrices réelles. Les espaces colonne et ligne sont donc des sous-espaces des espaces réels ${ℝ}^m$ et ${ℝ}^n$ respectivement.

Présentation générale

Soit Modèle:Mvar une matrice de taille m×n. Alors

1. rg(A) = dim(Vect(Col(A))) = dim(Vect(L(A))),
2. rg(A) = nombre de pivots dans toute forme échelonnée de Modèle:Mvar,
3. rg(A) = nombre maximum d'éléments linéairement indépendants parmi les colonnes et les lignes de Modèle:Mvar.

En considérant la matrice comme une application linéaire de ${ℝ}^n$ et ${ℝ}^m$, l'espace colonne de la matrice correspond à l'image de cette application linéaire.

L'espace colonne d'une matrice Modèle:Mvar est l'ensemble de toutes les combinaisons linéaires des colonnes de Modèle:Mvar. Si Modèle:Math, alors Modèle:Math.

Le concept d'espace des rangées s'étend aux matrices complexes, ou pour tout corps.

Intuitivement, pour une matrice donnée Modèle:Mvar, l'action d'une matrice Modèle:Mvar sur un vecteur x va renvoyer une combinaison linéaire des colonnes de Modèle:Mvar pondérées par les coordonnées de x comme coefficients.

Exemple

Soit la matrice Modèle:Mvar :

$J=\left[\begin{array}{ccccc}2& 4& 1& 3& 2\\ -1& -2& 1& 0& 5\\ 1& 6& 2& 2& 2\\ 3& 6& 2& 5& 1\end{array}\right]$

les lignes sont donc r₁ = (2,4,1,3,2), r₂ = (−1,−2,1,0,5), r₃ = (1,6,2,2,2), r₄ = (3,6,2,5,1). Ainsi, l'espace ligne de Modèle:Mvar est le sous-espace de R⁵ engendré par { r₁, r₂, r₃, r₄ }. Ces quatre vecteurs lignes sont linéairement indépendants, donc l'espace ligne est de dimension 4. On peut aller plus loin en remarquant que les quatre vecteurs sont orthogonaux au vecteur ligne n = (6,−1,4,−4,0), donc l'espace ligne de J peut être défini comme le sous-espace des vecteurs de ${ℝ}^5$ à n.

Espace colonne

Définition

Soit K un corps de scalaires. Soit Modèle:Mvar une matrice m × n, de vecteurs colonnes Modèle:Math. Une combinaison linéaire de ces vecteurs est un vecteur de la forme

$c_1{𝐯}_1+c_2{𝐯}_2+\cdots +c_n{𝐯}_n,$

avec Modèle:Math des scalaires. On désigne l'ensemble de toutes les combinaisons linéaires (ou sous-espace vectoriel engendré) de Modèle:Math lModèle:'espace colonne de Modèle:Mvar.

Toute combinaison linéaire des vecteurs colonne de la matrice Modèle:Mvar peut être écrite comme le produit matriciel de Modèle:Mvar avec un vecteur colonne :

$\begin{array}{ccc}A\left[\begin{array}{c}{c}_1\\ ⋮\\ c_n\end{array}\right]& =& \left[\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& \ddots & ⋮\\ a_{m1}& \cdots & a_{mn}\end{array}\right]\left[\begin{array}{c}{c}_1\\ ⋮\\ c_n\end{array}\right]=\left[\begin{array}{ccc}{c}_1{a}_{11}+& \cdots & +c_n{a}_{1n}\\ ⋮& ⋮& ⋮\\ c_1{a}_{m1}+& \cdots & +c_n{a}_{mn}\end{array}\right]=c_1\left[\begin{array}{c}{a}_{11}\\ ⋮\\ a_{m1}\end{array}\right]+\cdots +c_n\left[\begin{array}{c}{a}_{1n}\\ ⋮\\ a_{mn}\end{array}\right]\\ & =& c_1{𝐯}_1+\cdots +c_n{𝐯}_n\end{array}.$

Ainsi l'espace colonne de Modèle:Mvar consiste en l'ensemble de tous les produits de la forme Modèle:Math, pour Modèle:Math. On retrouve ainsi l'idée de l'image de la Modèle:Lien correspondante.

Exemple

Si $A=\left[\begin{array}{cc}1& 0\\ 0& 1\\ 2& 0\end{array}\right]$, alors les vecteurs colonnes sont v₁ = (1, 0, 2)^T et v₂ = (0, 1, 0)^T.

Une combinaison linéaire de v₁ et v₂ est tout vecteur de la forme

$c_1\left[\begin{array}{c}1\\ 0\\ 2\end{array}\right]+c_2\left[\begin{array}{c}0\\ 1\\ 0\end{array}\right]=\left[\begin{array}{c}{c}_1\\ c_2\\ 2c_1\end{array}\right]$

L'ensemble de tous les vecteurs de la sorte forme l'espace colonne de Modèle:Mvar. Dans ce cas, l'espace colonne est précisément l'ensemble de vecteurs (x, y, z) ∈ R³ vérifiant l'équation $z=2x$ et ${ℝ}^m$ (en coordonnées cartésiennes, cet ensemble est un plan de l'espace passant par l'origine).

Bases

Les colonnes de Modèle:Mvar engendrent l'espace colonne, mais ils n'en forment pas nécessairement une base si les vecteurs colonne ne sont pas linéairement indépendants, auquel cas seul un sous-ensemble de ces vecteurs formera une base. Cependant, les opérations élémentaires sur les lignes n'affectent pas les relations de dépendances sur les vecteurs colonne. Il est ainsi possible d'utiliser la réduction de ligne pour trouver une base de l'espace colonne.

Par exemple, considérons la matrice

$A=\left[\begin{array}{cccc}1& 3& 1& 4\\ 2& 7& 3& 9\\ 1& 5& 3& 1\\ 1& 2& 0& 8\end{array}\right]\text{.}$

Les colonnes de cette matrice engendrent l'espace colonne, mais pour en trouver une base, on transforme Modèle:Mvar en sa forme échelonnée réduite par lignes par une élimination de Gauss-Jordan

$\left[\begin{array}{cccc}1& 3& 1& 4\\ 2& 7& 3& 9\\ 1& 5& 3& 1\\ 1& 2& 0& 8\end{array}\right]\sim \left[\begin{array}{cccc}1& 3& 1& 4\\ 0& 1& 1& 1\\ 0& 2& 2& -3\\ 0& -1& -1& 4\end{array}\right]\sim \left[\begin{array}{cccc}1& 0& -2& 1\\ 0& 1& 1& 1\\ 0& 0& 0& -5\\ 0& 0& 0& 5\end{array}\right]\sim \left[\begin{array}{cccc}1& 0& -2& 0\\ 0& 1& 1& 0\\ 0& 0& 0& 1\\ 0& 0& 0& 0\end{array}\right]\text{.}$

Il apparaît alors que les premier, deuxième et quatrième colonnes sont linéairement indépendantes, mais on a v₃ = –2v₁ + v₂. Ces trois vecteurs forment donc une base de l'espace colonne :

$\left[\begin{array}{c}1\\ 2\\ 1\\ 1\end{array}\right],\left[\begin{array}{c}3\\ 7\\ 5\\ 2\end{array}\right],\left[\begin{array}{c}4\\ 9\\ 1\\ 8\end{array}\right]\text{.}$

On peut remarquer que les colonnes indépendantes de la forme échelonnée réduite sont précisément les colonnes avec les pivots. On peut ainsi déterminer quelles colonnes sont indépendantes simplement en réduisant à la forme échelonnée. Cet algorithme peut également servir à déterminer les relations de dépendance dans les ensembles de vecteurs, et en extraire une base de tout sous-espace engendré. De même, trouver une base de l'espace colonne de Modèle:Mvar est équivalent à trouver une base de l'espace ligne de la matrice transposée Modèle:Math.

Pour trouver une base dans des cas plus pratiques (pour des matrices de grande taille par exemple), on utilise souvent la décomposition en valeurs singulières.

Dimension

Modèle:Article détaillé La dimension de l'espace colonne est appelé le rang de la matrice. Le rang est égal au nombre de pivots dans la forme échelonnée réduite, et au nombre maximum de colonnes linéairement indépendantes qui peuvent être choisies dans la matrice. Par exemple, la matrice 4 × 4 de l'exemple vu ci-dessus est de rang 3.

Comme l'espace colonne est l'image de la transformation matricielle correspondante, le rang d'une matrice est aussi égal à la dimension de son image. Par exemple, la transformation R⁴ → R⁴ décrite par la matrice ci-dessus envoie tout vecteur de R⁴ sur un sous-espace de R³.

La dimension du noyau est égale au nombre de colonnes de sa forme échelonnée réduite sans pivots (des colonnes sans pivots représentent des variables libres dans le système d'équations linéaires homogène associé). Le rang et la dimension du noyau d'une matrice Modèle:Mvar de Rn sont liés par la relation suivante :

$\text{rg}(A)+\dim (kerA)=n.$

Ce résultat est connu comme le théorème du rang.

Relation avec le noyau à gauche

Le noyau à gauche ou conoyau de Modèle:Mvar est l'ensemble des vecteurs x vérifiant x^TA = 0^T. Il correspond au noyau de la transposée de Modèle:Mvar. Le produit d'une matrice A^T et le vecteur x peut être écrit en termes de produits scalaires de vecteurs :

$A^{𝖳}𝐱=\left[\begin{array}{c}{𝐯}_1\cdot 𝐱\\ {𝐯}_2\cdot 𝐱\\ ⋮\\ {𝐯}_n\cdot 𝐱\end{array}\right],$

car les vecteurs ligne de A^T sont les transposés des vecteurs colonne v_k de A. Ainsi, A^Tx = 0 si et seulement si x est orthogonal à chaque colonne de A.

Ainsi, le noyau à gauche de A (le noyau de A^T) est le complément orthogonal de l'espace colonne de A.

Pour une matrice A, l'espace colonne, l'espace ligne, le noyau et le conoyau sont parfois désignés comme les « quatre sous-espaces fondamentaux ».

Pour les matrices sur un anneau

De façon similaire, l'espace colonne (parfois précisé à droite en cas d'ambiguïtés) peut être défini pour les matrices sur un anneau A comme

$\sum _{k=1}^n{𝐯}_k{c}_k$

pour tout Modèle:Math, avec un replacement du vecteur du m-espace par un "module libre à droite", qui change l'ordre de la multiplication par un scalaire du vecteur v_k par le scalaire c_k de sorte qu'il est écrit dans l'ordre non usuel vecteur–scalaire. Cette précision est d'importance sur les anneaux non commutatifs.

Espace des rangées

Définition

Soit K un corps de scalaires. Soit A une matrice m × n, de vecteurs lignes r₁, r₂, ... , r_m. Une combinaison linéaire de ces vecteurs est tout vecteur de la forme

$c_1{𝐫}_1+c_2{𝐫}_2+\cdots +c_m{𝐫}_m,$

où Modèle:Math sont des scalaires. L'ensemble de toutes les combinaisons linéaires possibles de Modèle:Math est appelé lModèle:'espace des rangées de A. Ainsi, l'espace des rangées de A est le sous-espace vectoriel engendré des vecteurs r₁, ... , r_m.

Pour exemple, si

$A=\left[\begin{array}{ccc}1& 0& 2\\ 0& 1& 0\end{array}\right],$

alors les vecteurs sont r₁ = (1, 0, 2) et r₂ = (0, 1, 0). Une combinaison linéaire de r₁ et r₂ est tout vecteur de la forme

$c_1(1,0,2)+c_2(0,1,0)=(c_1,c_2,2c_1).$

L'ensemble de tous les vecteurs de la sorte est l'espace des rangées de A. Dans ce cas, l'espace des rangées est précisément l'ensemble des vecteurs Modèle:Math satisfaisant l'équation Modèle:Math (par des coordonnées cartésiennes, cet ensemble est un plan de l'espace passant par l'origine).

Pour une matrice qui représente un système linéaire homogène, l'espace des rangées est formé de toutes les équations linéaires construites par combinaison linéaire de celle du système.

Par construction, l'espace des colonnes de A est égale à l'espace des rangées de A^T.

Bases

L'espace des rangées n'est pas affecté par les pivots élémentaires sur les lignes. Il est ainsi possible d'utiliser la réduction des lignes pour trouver une base pour l'espace ligne.

Par exemple, on considère la matrice

$A=\left[\begin{array}{ccc}1& 3& 2\\ 2& 7& 4\\ 1& 5& 2\end{array}\right].$

On la réduit à sa forme échelonnée. On note les lignes Modèle:Math.

$\left[\begin{array}{ccc}1& 3& 2\\ 2& 7& 4\\ 1& 5& 2\end{array}\right]\underset{r_2-2r_1}{\underbrace{\sim }}\left[\begin{array}{ccc}1& 3& 2\\ 0& 1& 0\\ 1& 5& 2\end{array}\right]\underset{r_3-r_1}{\underbrace{\sim }}\left[\begin{array}{ccc}1& 3& 2\\ 0& 1& 0\\ 0& 2& 0\end{array}\right]\underset{r_3-2r_2}{\underbrace{\sim }}\left[\begin{array}{ccc}1& 3& 2\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]\underset{r_1-3r_2}{\underbrace{\sim }}\left[\begin{array}{ccc}1& 0& 2\\ 0& 1& 0\\ 0& 0& 0\end{array}\right].$

Une fois la matrice réduite sous une forme échelonnée, les lignes non nulles forment une base de l'espace des rangées. Dans ce cas, une base est { (1, 3, 2), (2, 7, 4) }. Une autre est { (1, 0, 2), (0, 1, 0) }, déduite en continuant la réduction. Cet exemple est valide pour les nombres réels, les nombres rationnels et d'autres corps. Cette méthode ne fonctionne pas forcément sur des corps et des anneaux de caractéristique non nulle.

Cet algorithme peut être utilisé de façon générale pour une base pour l'espace généré par un ensemble de vecteurs. Si la matrice est simplifiée en une forme échelonnée, alors la base est entièrement définie par son espace des rangées.

Il est parfois utile de trouver une base de l'espace des rangées parmi les lignes de la matrice originale (par exemple, ce résultat sert de preuve élémentaire que le rang du déterminant d'une matrice est égal à son rang). Comme les opérations sur les lignes peuvent affecter les relations de dépendance linéaire sur les vecteurs lignes, une telle base est trouvée de façon indirecte par le fait que l'espace colonne de A^T est égal à l'espace ligne de A. En reprenant l'exemple précédent de la matrice A, on considère A^T et on la réduit sous forme échelonnée :

$A^T=\left[\begin{array}{ccc}1& 2& 1\\ 3& 7& 5\\ 2& 4& 2\end{array}\right]\sim \left[\begin{array}{ccc}1& 2& 1\\ 0& 1& 2\\ 0& 0& 0\end{array}\right].$

Les pivots indiquent que les deux premières colonnes de A^T forment une base de l'espace des colonnes de A^T. Ainsi, les deux premières lignes de A (avant toute réduction de ligne) forment également une base de l'espace des rangées de A.

Dimension

Modèle:Article détaillé La dimension de l'espace des rangées est appelé rang de la matrice. Elle est égale au nombre maximum de lignes de la matrice linéairement indépendantes, et au nombre de pivots. Par exemple, la matrice 3 × 3 de l'exemple précédent a un rang 2.

Le rang d'une matrice est aussi égal à la dimension de son espace colonne.

Relation avec le noyau

Le noyau de la matrice A est l'ensemble de tous les vecteurs x tels que Ax = 0. On peut réécrire le produit matriciel de A et du vecteur x en termes de produits scalaires de vecteurs :

$A𝐱=\left[\begin{array}{c}{𝐫}_1\cdot 𝐱\\ {𝐫}_2\cdot 𝐱\\ ⋮\\ {𝐫}_m\cdot 𝐱\end{array}\right],$

où r₁, ... , r_m sont les vecteurs ligne de A. Ainsi Ax = 0 si et seulement si x est orthogonal à chaque vecteur ligne de A.

Ainsi, le noyau de A est le complément orthogonal de l'espace des rangées. Par exemple, si l'espace des rangées est un plan passant par l'origine en trois dimensions, le noyau sera alors la droite orthogonale passant par l'origine.

Relation avec la coimage

Si V et W sont des espaces vectoriels, alors le noyau d'une fonction linéaire T: V → W est l'ensemble des vecteurs v ∈ V tels que T(v) = 0Modèle:Ind. Le noyau d'une fonction linéaire est analogue au noyau d'une matrice.

Si V est muni d'un produit scalaire, alors le complément orthogonal du noyau peut être vu comme une généralisation de l'espace des rangées. Cet espace est parfois appelé coimage de T. La transformation T est isomorphe à sa coimage, et la coimage est isomorphe à l'image de T.

Si V n'a pas de produit scalaire, la coimage de T peut être définie comme l'espace vectoriel quotient V / ker(T).

Voir aussi

• Sous-espace euclidien

Sources

• Algèbre linéaire

Ouvrages

• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Ouvrage
• Modèle:Ouvrage

Liens externes

• Modèle:MathWorld
• Modèle:MathWorld
• Gilbert Strang, MIT Linear Algebra Lecture on the Four Fundamental Subspaces at Google Video, from MIT OpenCourseWare
• Khan Academy video tutorial
• Lecture on column space and nullspace by Gilbert Strang of MIT
• Row Space and Column Space