Calcul de Im et Ker d’une matrice
Analysez instantanément l’image et le noyau d’une application linéaire représentée par une matrice. Entrez votre matrice, calculez le rang, la nullité, une base de Im(A), une base de Ker(A), puis visualisez les dimensions avec un graphique interactif.
Résultats
Entrez une matrice puis cliquez sur le bouton de calcul pour afficher le rang, la nullité, une base de l’image et une base du noyau.
Guide expert : comprendre le calcul de Im et Ker d’une matrice
Le calcul de l’image et du noyau d’une matrice est un sujet central en algèbre linéaire. Dès que l’on représente une application linéaire par une matrice, deux objets deviennent essentiels : Im(A), l’image de la matrice, et Ker(A), son noyau. Ces deux espaces permettent de comprendre ce que l’application produit réellement, quelles directions elle conserve, quelles directions elle annule, et comment elle transforme l’espace de départ vers l’espace d’arrivée.
Si l’on considère une matrice A de taille m x n, on peut la voir comme la représentation d’une application linéaire de Rn vers Rm. L’image, notée Im(A), est l’ensemble de tous les vecteurs que l’on peut obtenir sous la forme A x. Le noyau, noté Ker(A), est l’ensemble des vecteurs x tels que A x = 0. Ces deux notions répondent à deux questions concrètes :
- Quelles sorties sont accessibles par l’application linéaire ?
- Quels vecteurs d’entrée sont complètement écrasés vers le vecteur nul ?
Définition intuitive de l’image d’une matrice
L’image d’une matrice correspond à l’ensemble de toutes les combinaisons linéaires de ses colonnes. Cela signifie qu’en pratique, pour déterminer Im(A), on cherche une base de l’espace engendré par les colonnes de la matrice. Si certaines colonnes sont redondantes, elles n’apportent aucune nouvelle direction à l’image. C’est justement le processus de réduction de Gauss qui permet d’identifier les colonnes pivots et, par conséquent, une base de l’image.
Par exemple, si une matrice possède trois colonnes mais que deux seulement sont linéairement indépendantes, alors l’image aura dimension 2. On dira que le rang de la matrice est 2. Le rang est donc tout simplement la dimension de l’image.
Définition intuitive du noyau d’une matrice
Le noyau d’une matrice contient tous les vecteurs envoyés sur zéro. C’est l’ensemble des solutions du système homogène A x = 0. Si ce système n’a que la solution triviale, alors le noyau est réduit à {0}. Dans ce cas, l’application est injective. Si au contraire il existe des variables libres, alors le noyau contient une infinité de vecteurs, et l’application n’est pas injective.
La dimension du noyau s’appelle la nullité. Elle est liée au rang par la formule fondamentale du théorème du rang :
rang(A) + nullité(A) = nombre de colonnes de A
Cette relation est capitale. Elle permet de vérifier la cohérence d’un calcul et de comprendre immédiatement combien de degrés de liberté subsistent dans le système homogène.
Méthode standard pour calculer Im(A)
- On écrit la matrice A.
- On effectue une réduction échelonnée ou une réduction échelonnée réduite.
- On repère les colonnes pivots dans la forme réduite.
- On retourne aux colonnes correspondantes dans la matrice initiale.
- Ces colonnes forment une base de l’image.
Pourquoi revient-on à la matrice initiale ? Parce que les opérations élémentaires sur les lignes modifient l’espace engendré par les colonnes de la matrice réduite. En revanche, les indices des colonnes pivots permettent d’identifier quelles colonnes originales sont indépendantes. C’est ce détail technique qui fait toute la différence entre une réponse correcte et une réponse incomplète.
Méthode standard pour calculer Ker(A)
- On résout le système homogène A x = 0.
- On réduit la matrice jusqu’à obtenir une forme échelonnée réduite.
- On identifie les variables pivots et les variables libres.
- On exprime les variables pivots en fonction des variables libres.
- On écrit la solution générale sous forme vectorielle.
- Les vecteurs associés aux paramètres libres forment une base du noyau.
Cette méthode est non seulement utile pour les exercices théoriques, mais aussi pour le calcul scientifique, l’optimisation, la compression de données et l’apprentissage automatique. En effet, dès que l’on étudie des systèmes linéaires, des contraintes, des redondances ou des projections, image et noyau apparaissent naturellement.
Pourquoi le rang est la mesure centrale
Le rang résume une grande partie du comportement de la matrice. Une matrice carrée de rang plein est inversible. Une matrice rectangulaire peut avoir un rang au plus égal au minimum entre le nombre de lignes et le nombre de colonnes. Un rang faible indique souvent une redondance importante entre les colonnes, donc une perte d’information. Dans les applications numériques, cela peut signaler un modèle surparamétré, un jeu de données colinéaire, ou un problème proche de la singularité.
| Taille de la matrice | Rang maximal possible | Dimension maximale de Ker(A) | Commentaire |
|---|---|---|---|
| 2 x 2 | 2 | 2 | Si le rang vaut 2, le noyau est trivial. Si le rang vaut 1, le noyau a dimension 1. |
| 3 x 3 | 3 | 3 | Une matrice carrée de rang 3 est inversible et son noyau est réduit à zéro. |
| 3 x 5 | 3 | 5 | Comme il y a 5 colonnes, la nullité vaut 5 moins le rang. Elle est donc au moins 2 si le rang maximal 3 est atteint. |
| 5 x 3 | 3 | 3 | Le noyau vit dans R3. Sa dimension ne peut jamais dépasser 3. |
Quelques statistiques théoriques utiles
En algèbre linéaire réelle, une matrice carrée aléatoire à coefficients continus est inversible avec probabilité 1. Cela ne veut pas dire que toutes les matrices sont inversibles, mais que l’ensemble des matrices singulières a une mesure nulle dans l’espace de toutes les matrices carrées réelles. En pratique, cela explique pourquoi, dans les modèles aléatoires idéalisés, les matrices singulières sont rares, alors que dans les données réelles les dépendances linéaires peuvent être fréquentes.
| Situation | Valeur théorique | Conséquence sur Im(A) | Conséquence sur Ker(A) |
|---|---|---|---|
| Matrice carrée n x n de rang n | Rang = n | Im(A) = Rn | Ker(A) = {0} |
| Matrice m x n avec m < n et rang maximal | Rang = m | Image de dimension m | Nullité = n – m |
| Matrice m x n avec n < m et rang maximal | Rang = n | Image de dimension n | Noyau trivial |
| Matrice singulière carrée | Rang < n | Image stricte de Rn | Noyau non trivial |
Exemple conceptuel complet
Prenons la matrice suivante :
A = [[1, 2, 3], [2, 4, 6], [1, 1, 1]]
On remarque immédiatement que la deuxième ligne est le double de la première. Il existe donc déjà une dépendance linéaire évidente. Après réduction, on constate que le rang est 2. L’image a donc dimension 2. Comme la matrice possède 3 colonnes, la nullité vaut 1. Le noyau est donc une droite vectorielle de R3.
Ce type d’exemple est idéal pour comprendre le théorème du rang. La matrice n’est pas inversible, son image n’occupe pas tout R3, et son noyau n’est pas réduit au vecteur nul. Pourtant, l’application n’est pas sans structure : elle envoie encore l’espace de départ dans un sous-espace de dimension 2, ce qui reste riche géométriquement.
Interprétation géométrique
Géométriquement, l’image représente le sous-espace atteint après transformation. Si une application linéaire de R3 vers R3 a une image de dimension 2, elle écrase l’espace dans un plan. Si le noyau a dimension 1, cela signifie qu’il existe une direction complète qui est envoyée vers zéro. On peut alors imaginer l’espace comme aplati le long de cette direction.
Cette vision géométrique est particulièrement utile dans les domaines suivants :
- graphisme 3D et transformations géométriques ;
- statistiques multivariées et réduction de dimension ;
- traitement du signal et compression ;
- modèles linéaires en économie et en physique ;
- contrôle automatique et systèmes dynamiques.
Erreurs fréquentes lors du calcul de Im(A) et Ker(A)
- Confondre les colonnes pivots de la matrice réduite avec une base finale de l’image. Il faut reprendre les colonnes correspondantes dans la matrice d’origine.
- Oublier que le noyau se calcule à partir de la résolution de A x = 0.
- Se tromper dans le nombre de paramètres libres.
- Négliger de vérifier la relation rang + nullité = nombre de colonnes.
- Prendre les lignes indépendantes pour décrire l’image des colonnes, ce qui est un changement de perspective non justifié dans beaucoup d’exercices.
Applications concrètes de l’image et du noyau
Dans un problème d’ajustement linéaire, l’image de la matrice de conception décrit l’ensemble des sorties pouvant être reproduites par le modèle. Si une observation ne se trouve pas dans cette image, on ne pourra pas l’atteindre exactement. Dans l’étude des équations différentielles discrétisées, le noyau peut correspondre à des modes invariants ou à des symétries cachées. En cryptographie linéaire, en théorie des codes et en traitement du signal, connaître le noyau permet d’identifier les directions perdues ou les redondances internes.
Dans l’apprentissage automatique, les notions de rang et de noyau sont omniprésentes. Un rang insuffisant peut trahir des variables parfaitement corrélées. Un noyau non trivial peut révéler une non identifiabilité du modèle. En compression, les directions associées à de petites valeurs singulières jouent un rôle voisin de directions peu informatives, même si l’analyse précise passe par la décomposition en valeurs singulières.
Ressources académiques et institutionnelles pour aller plus loin
Pour approfondir ce sujet avec des sources sérieuses, vous pouvez consulter :
- MIT OpenCourseWare, qui propose des cours complets d’algèbre linéaire de niveau universitaire.
- Penn State University, utile pour voir les liens entre algèbre linéaire, statistiques et modélisation.
- NIST, institution gouvernementale de référence pour les méthodes numériques, les standards et les questions de calcul scientifique.
Comment utiliser efficacement le calculateur ci-dessus
Le calculateur de cette page automatise précisément les étapes classiques du calcul de Im(A) et Ker(A). Vous indiquez les dimensions de la matrice, vous saisissez les coefficients, puis l’algorithme :
- lit la matrice entrée ;
- effectue une réduction de Gauss-Jordan ;
- détecte les colonnes pivots ;
- calcule le rang ;
- déduit la nullité ;
- construit une base de l’image ;
- construit une base du noyau ;
- affiche un graphique des dimensions importantes.
Le graphique est particulièrement utile pour visualiser immédiatement la relation entre le nombre de colonnes, le rang et la nullité. Cette représentation rend le théorème du rang intuitif, surtout pour les étudiants qui veulent passer d’un calcul purement symbolique à une compréhension plus structurelle.
Conclusion
Maîtriser le calcul de l’image et du noyau d’une matrice, c’est acquérir un langage fondamental pour décrire les applications linéaires. L’image indique les directions atteignables. Le noyau révèle les directions annihilées. Le rang mesure la quantité d’information transmise. La nullité mesure la quantité de liberté perdue dans le passage vers la sortie. Ensemble, ces notions structurent une grande partie de l’algèbre linéaire moderne et de ses applications.
En pratique, retenez cette stratégie : réduisez la matrice, identifiez les pivots, reprenez les colonnes originales pour l’image, résolvez le système homogène pour le noyau, puis vérifiez toujours le théorème du rang. Avec cette méthode, vous obtenez des résultats fiables, interprétables et directement exploitables dans des contextes aussi variés que l’ingénierie, la data science, la physique mathématique ou l’enseignement universitaire.