Fiche de révision : Introduction aux transformations orthogonales et auto-adjointes

📋 Plan du Cours

1. Isométries vectorielles
2. Matrices orthogonales
3. Classification plan
4. Classification espace 3D
5. Endomorphismes auto-adjoints
6. Décomposition spectrale
7. Endomorphismes positifs
8. Matrices symétriques
9. Auto-adjoint positifs
10. Reconnaissance matrices
11. Valeurs propres
12. Bases orthonormées

📖 1. Isométries vectorielles

🔑 Notions clés & Définitions

• Isométrie vectorielle : Endomorphisme $u$ de $E$ qui conserve la norme, c’est-à-dire que pour tout $x \in E$, $\| u(x) \| = \| x \|$.
  Source : Définition 1.

  • L’ensemble des isométries vectorielles de $E$ est appelé groupe orthogonal, noté $O(E)$.

• Exemple d’isométrie : La fonction identité $\mathrm{id}_E$ est une isométrie de $E$.
  Source : Exemple dans la section.

• Propriétés des isométries :

  • Si $u \in O(E)$, alors $u$ est bijectif et $u^{-1} \in O(E)$.
  • Si $u, v \in O(E)$, alors $u \circ v \in O(E)$.
    Source : Proposition 1.

• Transformation de bases orthonormées en bases orthonormées :

  • $u \in O(E)$ si et seulement si $u$ transforme toute base orthonormée en une base orthonormée.
  • $u$ transforme une base orthonormée en une base orthonormée si et seulement si la matrice de $u$ dans cette base appartient à $O(n)$.
    Source : Théorème 1.

• Exemple de rotation et réflexion :

  • La rotation d’angle $q$ dans un plan est une isométrie dont la matrice dans une base orthonormée est $\begin{bmatrix} \cos q & -\sin q \\ \sin q & \cos q \end{bmatrix}$.
  • La réflexion par rapport à une droite est une isométrie dont la matrice dans une base orthonormée est $\begin{bmatrix} \cos q & \sin q \\ \sin q & -\cos q \end{bmatrix}$.
    Source : Proposition 9.

• Groupe spécial orthogonal $SO(n)$ :

  • Ensemble des matrices orthogonales de déterminant 1, c’est-à-dire $SO(n) = \{ M \in O(n) \mid \det M = 1 \}$.
    Source : Définition 3.

• Stabilité de $SO(n)$ :

  • $SO(n)$ est stable par produit, inverse et transposée.
    Source : Proposition 7.

📝 Points essentiels

• Une isométrie vectorielle conserve la norme, ce qui implique la conservation de la distance entre vecteurs.
• La caractérisation principale des isométries dans un espace euclidien est leur transformation des bases orthonormées en bases orthonormées, traduite matriciellement par leur appartenance à $O(n)$.
• La matrice d’une rotation dans un plan appartient à $SO(2)$, tandis que celle d’une réflexion appartient à $O(2) \setminus SO(2)$.
• Les matrices orthogonales ont un déterminant $\pm 1$ ; celles de $SO(n)$ ont un déterminant égal à 1.
• La stabilité de $O(n)$ et $SO(n)$ par produit, inverse et transposée permet de caractériser ces groupes comme des sous-groupes du groupe général linéaire $GL(n)$.

💡 À retenir

Les isométries vectorielles sont précisément caractérisées par leurs matrices orthogonales, conservant la norme et la distance, et forment des groupes stables par composition, notamment $O(n)$ et $SO(n)$.

📖 2. Matrices orthogonales

🔑 Notions clés & Définitions

Matrices orthogonales
Une matrice carrée $A$ de taille $n$ est dite orthogonale si elle vérifie la relation $A^T A = I_n$, où $A^T$ est la transposée de $A$ et $I_n$ est la matrice identité de taille $n$.

Groupe orthogonal $O(n)$
L’ensemble des matrices orthogonales de taille $n$ est appelé groupe orthogonal, noté $O(n)$. C’est un sous-ensemble de $GL(n, \mathbb{R})$ (groupe général linéaire).

Propriétés des matrices orthogonales

• Si $A \in O(n)$, alors $A$ est inversible et son inverse est donné par $A^{-1} = A^T$.
• Si $A \in O(n)$, alors $\det(A) = \pm 1$.
• Si $A, B \in O(n)$, alors leur produit $AB \in O(n)$.
• Si $A \in O(n)$, alors sa transposée $A^T \in O(n)$.

Lien entre matrices orthogonales et isométries
Une isométrie vectorielle $u$ d’un espace euclidien $E$ est une application qui conserve la norme. La matrice associée à une telle application dans une base orthonormée appartient à $O(n)$. En particulier, une isométrie vectorielle est aussi appelée endomorphisme orthogonal.

Inverse d'une matrice orthogonale
Pour toute matrice orthogonale $A \in O(n)$, son inverse est égale à sa transposée :
$A^{-1} = A^T$

📝 Points essentiels

• La définition de matrices orthogonales repose sur la relation $A^T A = I_n$.
• Le groupe $O(n)$ est stable par produit, transposée et inversion.
• La propriété $\det(A) = \pm 1$ est une conséquence directe de la définition, avec $\det(A) = 1$ pour les matrices appartenant à $SO(n)$.
• La transposée d’une matrice orthogonale est aussi orthogonale, ce qui implique que $A^{-1} = A^T$.
• Une matrice orthogonale dans une base orthonormée correspond à une isométrie vectorielle.

💡 À retenir

Les matrices orthogonales sont précisément celles qui représentent les isométries vectorielles dans un espace euclidien, avec une propriété fondamentale : leur inverse est leur transposée, ce qui garantit leur stabilité sous transposition, produit et inversion.

📖 3. Classification plan

🔑 Notions clés & Définitions

• Rotation (plan) : Transformation du plan qui tourne tous les points d’un même angle autour d’un centre fixe, sans changer la distance à ce centre. La matrice associée dans une base orthonormée est de la forme
  $\begin{bmatrix} \cos q & -\sin q \\ \sin q & \cos q \end{bmatrix}$ avec $q \in \mathbb{R}$.

• Réflexion (plan) : Transformation qui renvoie chaque point du plan par rapport à une droite dite axe de réflexion. La matrice associée dans une base orthonormée est de la forme
  $\begin{bmatrix} \cos q & \sin q \\ \sin q & -\cos q \end{bmatrix}$ correspondant à une symétrie orthogonale par rapport à une droite passant par l’origine.

• Symétrie orthogonale (plan) : Transformation qui conserve la norme et l’orientation ou la change selon le cas. Elle peut être une rotation ou une réflexion, ou une composition de ces deux.

• Propriétés des isométries du plan :

  • Toute isométrie conserve la distance (voir section 1).
  • Les matrices associées aux isométries orthogonales dans une base orthonormée appartiennent à $O(2)$.
  • La sous-classe des isométries avec déterminant 1 forme $SO(2)$, correspondant aux rotations.
  • La classe avec déterminant -1 correspond aux réflexions ou symétries.

• Exemples d’isométries planaires :

  • Rotation d’angle $q$ : matrice $\begin{bmatrix} \cos q & -\sin q \\ \sin q & \cos q \end{bmatrix}$.
  • Réflexion par rapport à une droite : matrice $\begin{bmatrix} \cos q & \sin q \\ \sin q & -\cos q \end{bmatrix}$.

• Matrices associées aux isométries :

  • Rotation : matrices de $SO(2)$.
  • Réflexion : matrices de $O(2) \setminus SO(2)$.
  • Toute isométrie dans le plan est représentée par une matrice orthogonale dans $O(2)$.

📝 Points essentiels

• La classification des isométries du plan repose sur la forme de leurs matrices dans une base orthonormée.
• Les matrices de rotations sont caractérisées par un angle $q$ et ont un déterminant égal à 1.
• Les matrices de réflexions ont un déterminant égal à -1 et correspondent à une symétrie par rapport à une droite.
• Toute isométrie du plan peut être soit une rotation, soit une réflexion, ou une composition des deux.
• Deux matrices de $SO(2)$ commutent, ce qui implique que toutes les rotations dans le plan sont compatibles entre elles.

💡 À retenir

Les isométries du plan sont classifiées en rotations et réflexions, représentées par des matrices orthogonales dont la nature se déduit de leur déterminant et de leur forme matricielle dans une base orthonormée.

📖 4. Classification espace 3D

🔑 Notions clés & Définitions

Classification de l'espace 3D selon les isométries
Elle concerne la catégorisation des transformations du solide selon leurs propriétés, notamment en distinguant rotations, réflexions, symétries, etc., en fonction de leurs propriétés spécifiques.

Propriétés spécifiques des isométries en 3D
Les isométries en 3D peuvent préserver ou inverser certains éléments, comme la distance ou l'orientation, et possèdent des propriétés particulières liées à leur matrice associée, notamment leur déterminant, leur stabilité par composition, inverse et transposée.

Matrices de rotation en 3D
Ce sont des matrices orthogonales de taille 3, appartenant à SO(3), qui représentent des rotations d'angle q autour d’un axe dans l’espace. Elles ont pour caractéristique que leur déterminant est égal à 1 et que leurs valeurs propres sont 1 et deux valeurs complexes conjuguées (si la rotation n’est pas d’angle nul ou π).

Symétries et réflexions en 3D
Les symétries orthogonales sont des isométries qui conservent la norme et peuvent être représentées par des matrices orthogonales. Les réflexions sont des symétries orthogonales par rapport à un plan ou une droite, caractérisées par leur matrice dans une base orthonormée, souvent avec un déterminant égal à -1.

📝 Points essentiels

• La classification des isométries en espace euclidien orienté de dimension 3 repose sur leur nature (rotation, réflexion, symétrie) et leur matrice associée.
• Les matrices orthogonales en 3D, appartenant à O(3), sont stables par produit, inverse et transposée, avec un déterminant ±1.
• Les matrices de SO(3) (special orthogonal) ont un déterminant égal à 1, représentent des rotations, et sont stables par produit, inverse, et transposée.
• La caractérisation des rotations en 3D : toute rotation peut s’écrire sous la forme d’une matrice de rotation autour d’un axe, avec un angle q, et possède une valeur propre égale à 1.
• Les réflexions orthogonales en 3D sont représentées par des matrices orthogonales avec un déterminant égal à -1, correspondant à une symétrie par rapport à un plan ou une droite.

💡 À retenir

La classification des isométries en espace 3D repose sur la nature de leur matrice orthogonale, distinguant rotations (SO(3)) et réflexions (matrices orthogonales avec déterminant -1), permettant d’identifier leur action géométrique précise.

📖 5. Endomorphismes auto-adjoints

🔑 Notions clés & Définitions

• Endomorphisme auto-adjoint : Un endomorphisme $u$ de l’espace euclidien $E$ est auto-adjoint si, pour tous $x, y \in E$, $(u(x)| y) = (x| u(y))$.
  (Source : section 5.1)

• Propriétés des endomorphismes auto-adjoints :

  • $u$ est bijectif et $u^{-1}$ est auto-adjoint.
  • La transposée $u^T$ de $u$ est égale à $u$.
  • $u$ est diagonalisable dans une base orthonormée (voir décomposition spectrale).
    (Source : section 5.1)

• Réduction des endomorphismes auto-adjoints :
  La réduction consiste à exprimer $u$ dans une base orthonormée adaptée, où $u$ est représenté par une matrice diagonale réelle, avec ses valeurs propres (voir section 5.2).
  (Source : section 5.2)

• Décomposition spectrale des auto-adjoints :
  Tout endomorphisme auto-adjoint $u$ peut être décomposé en une somme de projecteurs sur ses sous-espaces propres, associés à ses valeurs propres réelles. La décomposition spectrale permet d’écrire $u$ comme une somme de ses valeurs propres multipliées par leurs projecteurs respectifs.
  (Source : section 5.3)

📝 Points essentiels

• Un endomorphisme $u$ auto-adjoint est caractérisé par la propriété $(u(x)| y) = (x| u(y))$ pour tous $x, y \in E$.
• La propriété fondamentale est que tout endomorphisme auto-adjoint est diagonalisable dans une base orthonormée, avec des valeurs propres réelles.
• La réduction des endomorphismes auto-adjoints permet de simplifier leur étude en exprimant $u$ dans une base orthonormée où sa matrice est diagonale.
• La décomposition spectrale fournit une expression précise de $u$ en termes de ses valeurs propres et de ses projecteurs associés, facilitant leur analyse et leur classification.

💡 À retenir

Les endomorphismes auto-adjoints sont diagonalisables dans une base orthonormée, avec des valeurs propres réelles, ce qui permet leur réduction et leur étude via la décomposition spectrale.

📖 6. Décomposition spectrale

🔑 Notions clés & Définitions

• Décomposition spectrale : (non explicitement définie dans le texte source, mais liée aux décompositions spectrales des endomorphismes auto-adjoints, voir section 5.3) — c’est une expression désignant la représentation d’un endomorphisme en termes de ses valeurs propres et de ses vecteurs propres, permettant de le diagonaliser dans un espace adapté.

• Propriétés des décompositions spectrales : (non explicitement détaillées dans le texte source, mais associées à la réduction des endomorphismes auto-adjoints, voir section 5.3) — ce sont les caractéristiques qui permettent d’écrire un endomorphisme auto-adjoint comme une somme de projecteurs sur ses sous-espaces propres, avec ses valeurs propres correspondantes.

• Application aux endomorphismes auto-adjoints : (non explicitement définie dans le texte source, mais référencée dans la section 5.3) — c’est l’utilisation de la décomposition spectrale pour simplifier l’étude et la classification de ces endomorphismes, notamment par diagonalisation.

• Spectre d’un endomorphisme : définition implicite — ensemble des valeurs propres de l’endomorphisme, notamment celles associées à ses vecteurs propres, en particulier dans le contexte des endomorphismes auto-adjoints où il est possible d’obtenir une décomposition spectrale.

📝 Points essentiels

• La décomposition spectrale est une étape clé dans la réduction des endomorphismes auto-adjoints, permettant de représenter ces endomorphismes en termes de leurs valeurs propres et vecteurs propres.

• Les propriétés des décompositions spectrales assurent que tout endomorphisme auto-adjoint peut être diagonalement représenté dans une base orthonormée adaptée, ce qui facilite leur étude.

• L’application de la décomposition spectrale aux endomorphismes auto-adjoints permet de comprendre leur spectre, qui est constitué de leurs valeurs propres.

• La notion de spectre d’un endomorphisme regroupe ses valeurs propres, essentielles pour la diagonalisation et la classification.

💡 À retenir

La décomposition spectrale permet de diagonaliser un endomorphisme auto-adjoint dans une base orthonormée, en utilisant ses valeurs propres, ce qui est fondamental pour leur analyse et classification.

📖 7. Endomorphismes positifs

🔑 Notions clés & Définitions

Endomorphisme auto-adjoint (voir section 5) : Un endomorphisme $u$ de $E$ est auto-adjoint si, pour tout $x, y \in E$, $(u(x)|y) = (x|u(y))$.

Endomorphisme positif : Un endomorphisme auto-adjoint $u$ est dit positif si, pour tout vecteur $x \in E$, $(u(x)|x) \geq 0$.

Lien avec les endomorphismes auto-adjoints positifs : La notion d’endomorphisme positif est une propriété spécifique des endomorphismes auto-adjoints, caractérisée par la non-négativité de $(u(x)|x)$ pour tout $x$.

Caractérisation des endomorphismes positifs : Un endomorphisme auto-adjoint $u$ est positif si et seulement si, dans une base orthonormée adaptée, sa matrice associée est semi-définie positive, c’est-à-dire que tous ses valeurs propres sont réelles et non négatives.

📖 8. Matrices symétriques

🔑 Notions clés & Définitions

Matrices symétriques
Une matrice carrée $A$ de taille $n$ est dite symétrique si elle est égale à sa transposée, c’est-à-dire :
$A = A^T$
(source : contexte général, propriété fondamentale)

Propriétés des matrices symétriques

• Toute matrice symétrique est diagonalisable dans $\mathcal{M}_n(\mathbb{R})$ (diagonalisation réelle).
• Les valeurs propres d’une matrice symétrique sont réelles.
• La diagonalisation d’une matrice symétrique peut se faire dans une base orthonormée (voir lien avec endomorphismes auto-adjoints).
• La matrice est auto-adjointe (voir section 5.1) dans le contexte des endomorphismes auto-adjoints, ce qui implique la symétrie de la matrice dans une base orthonormée.

Lien avec les endomorphismes auto-adjoints

• Un endomorphisme auto-adjoint (voir section 5.1) possède une matrice symétrique dans une base orthonormée.
• La propriété d’auto-adjonction (auto-adjoint) d’un endomorphisme est équivalente à la symétrie de sa matrice dans une base orthonormée.
• La réduction des endomorphismes auto-adjoints (section 5.2) aboutit à une diagonalisation dans une base orthonormée, ce qui montre le lien direct avec la diagonalisation des matrices symétriques.

Diagonalisation des matrices symétriques

• Toute matrice symétrique est diagonalisable dans $\mathcal{M}_n(\mathbb{R})$ par une matrice orthogonale.
• La diagonalisation s’écrit :
  $A = P D P^T$
  où $D$ est une matrice diagonale contenant les valeurs propres réelles, et $P$ une matrice orthogonale (i.e., $P \in O(n)$).
• La base orthonormée formée par les vecteurs propres permet une représentation simplifiée et directe de l’endomorphisme associé.

💡 À retenir

Les matrices symétriques sont caractérisées par leur diagonalisation dans une base orthonormée, avec des valeurs propres réelles, ce qui reflète leur lien étroit avec les endomorphismes auto-adjoints.

📖 9. Auto-adjoint positifs

🔑 Notions clés & Définitions

• Endomorphisme auto-adjoint (voir section 5) : un endomorphisme u de E tel que (u(x)|y) = (x|u(y)) pour tous x, y dans E.
• Endomorphisme auto-adjoint positif : un endomorphisme auto-adjoint u de E tel que (u(x)|x) ≥ 0 pour tout x dans E, c’est-à-dire que u est semi-définie positive.
• Matrices symétriques (voir section 8) : matrices M telles que M = MT. La propriété d’auto-adjoint d’un endomorphisme u dans une base orthonormée est équivalente à la matrice associée étant symétrique.
• Décomposition spectrale (voir section 6) : représentation d’un endomorphisme auto-adjoint sous forme diagonale dans une base orthonormée adaptée, avec des valeurs propres réelles.

📝 Points essentiels

• La propriété d’auto-adjointité implique que l’endomorphisme u est diagonalisable dans une base orthonormée (corollaire 1).
• La condition u auto-adjoint positif se traduit matriciellement par une matrice symétrique positive semi-définie, c’est-à-dire une matrice symétrique dont tous les valeurs propres sont ≥ 0.
• La stabilité de l’ensemble des matrices symétriques positives sous transposée, produit, et inverse (si l’inverse existe) est une propriété clé.
• La décomposition spectrale permet d’écrire u comme une somme de projecteurs pondérés par ses valeurs propres positives ou nulles, ce qui est essentiel pour l’analyse spectrale.

💡 À retenir

Un endomorphisme auto-adjoint positif est caractérisé par sa matrice symétrique semi-définie positive, ce qui garantit sa diagonalisabilité dans une base orthonormée et facilite son étude via la décomposition spectrale.

📖 10. Reconnaissance matrices

🔑 Notions clés & Définitions

Reconnaissance de matrices : Méthode permettant d’identifier si une matrice donnée appartient à une certaine classe (ex. matrices orthogonales, matrices symétriques) en utilisant des critères spécifiques ou des propriétés caractéristiques.

Critères pour matrices orthogonales : Une matrice $A$ de taille $n$ est orthogonale si et seulement si $A^T A = I_n$. Cela implique que ses colonnes (et ses lignes) forment une base orthonormée. La propriété essentielle est que le déterminant de $A$ est ±1, et que $A^{-1} = A^T$.

Critères pour matrices symétriques : Une matrice $A$ est symétrique si et seulement si $A = A^T$. La reconnaissance se fait en vérifiant que la matrice est égale à sa transposée. Les matrices symétriques sont diagonalisables dans une base orthonormée, avec des valeurs propres réelles.

Méthodes de reconnaissance matricielle : Utilisation des propriétés spécifiques (ex. $A^T A = I$ pour matrices orthogonales, $A = A^T$ pour matrices symétriques) ou de critères numériques (ex. déterminant, valeurs propres) pour déterminer si une matrice appartient à une classe particulière.

📝 Points essentiels

• La reconnaissance d’une matrice consiste à vérifier si elle satisfait des propriétés caractéristiques propres à une classe (ex. orthogonalité, symétrie).
• Pour une matrice $A$, si $A^T A = I_n$, alors $A$ est orthogonale. La propriété implique que ses colonnes forment une base orthonormée.
• La propriété du déterminant est un critère supplémentaire : si $A \in O(n)$, alors $\det A = \pm 1$.
• La reconnaissance de matrices symétriques se fait en vérifiant si $A = A^T$. Ces matrices sont diagonalisables dans une base orthonormée avec des valeurs propres réelles.
• La stabilité des classes (ex. $O(n)$ est stable par produit, inverse, transposée) facilite la reconnaissance matricielle.

💡 À retenir

La reconnaissance matricielle repose sur la vérification de propriétés spécifiques, telles que l’égalité à la transposée pour les matrices symétriques ou la condition $A^T A = I$ pour les matrices orthogonales, permettant d’identifier rapidement leur appartenance à ces classes.

📖 11. Valeurs propres

🔑 Notions clés & Définitions

• Valeur propre : (non explicitement définie dans la source). La valeur propre d’un endomorphisme est un scalaire associé à un vecteur non nul, tel que l’application linéaire appliquée à ce vecteur est proportionnelle à ce vecteur.
• Propriétés des valeurs propres :
  • Si un endomorphisme u possède une valeur propre λ, alors λ est un scalaire tel que l’équation (u - λId) x = 0 admet une solution non nulle x.
  • La valeur propre λ est une racine du polynôme caractéristique de u.
• Lien avec la diagonalisation :
  • La diagonalisation d’un endomorphisme u dans une base adaptée est liée à la présence de valeurs propres, car cette base est composée de vecteurs propres.
• Valeurs propres d'endomorphismes orthogonaux :
  • Si u est un endomorphisme orthogonal (u ∈ O(E)), alors ses seules valeurs propres possibles sont 1 et -1, comme en témoigne l’exemple de la matrice M ∈ On( ).
  • La spectre (ensemble des valeurs propres) d’un endomorphisme orthogonal est donc contenu dans {−1, 1}.

📝 Points essentiels

• La notion de valeur propre est liée à la résolution de l’équation (u - λId) x = 0, où x ≠ 0.
• La diagonalisation d’un endomorphisme u est possible si u possède une base composée de vecteurs propres, ce qui est souvent le cas lorsque u est auto-adjoint ou orthogonal.
• Pour un endomorphisme orthogonal, les valeurs propres sont limitées à 1 et -1, ce qui implique que son spectre est contenu dans {−1, 1}.
• La stabilité du spectre sous certaines opérations (produit, inverse, transposée) est assurée dans le cas des matrices orthogonales (voir propriétés des matrices orthogonales).

💡 À retenir

Les seules valeurs propres possibles d’un endomorphisme orthogonal sont 1 et -1, ce qui limite fortement la nature de ses vecteurs propres et facilite leur diagonalisation.

📖 12. Bases orthonormées

🔑 Notions clés & Définitions

• Bases orthonormées : Une base (e_i)_i d’un espace euclidien E est orthonormée si pour tout i, j, (e_i | e_j) = δ_ij, c’est-à-dire que chaque vecteur est de norme 1 et que deux vecteurs distincts sont orthogonaux.
• Transformation de bases dans le contexte orthogonal : La matrice de passage entre deux bases orthonormées est une matrice orthogonale, c’est-à-dire appartenant au groupe O(n).
• Propriétés :
  • Toute base orthonormée peut être utilisée pour représenter un endomorphisme par une matrice orthogonale (voir proposition 4).
  • La conservation du produit scalaire par un endomorphisme u (u ∈ O(E)) implique que u transforme toute base orthonormée en une autre base orthonormée (théorème 1).
  • La matrice associée à une isométrie dans une base orthonormée appartient au groupe O(n).
• Utilité pour la diagonalisation : Les matrices orthogonales sont diagonalisables dans le cadre de la diagonalisation orthogonale, notamment pour les endomorphismes auto-adjoints (voir notions de décomposition spectrale).
• Transformation de bases orthonormées : La matrice de passage entre deux bases orthonormées est orthogonale (matrice P ∈ O(n)), ce qui garantit la conservation du produit scalaire lors du changement de base.

📝 Points essentiels

• Une base orthonormée est caractérisée par le fait que ses vecteurs sont de norme 1 et orthogonaux deux à deux.
• La matrice de passage entre deux bases orthonormées est une matrice orthogonale, c’est-à-dire que P ∈ O(n) vérifie P^T P = I.
• Toute application linéaire qui conserve le produit scalaire (u ∈ O(E)) transforme une base orthonormée en une autre base orthonormée.
• La matrice associée à une isométrie dans une base orthonormée appartient à O(n).
• La stabilité du groupe orthogonal O(n) par produit, inverse et transposée permet de caractériser les transformations orthogonales.
• La diagonalisation dans le contexte orthogonal est facilitée par la propriété que les matrices orthogonales sont diagonalisables dans le cadre de la diagonalisation orthogonale.

💡 À retenir

Les bases orthonormées sont fondamentales pour représenter et étudier les endomorphismes conservant le produit scalaire, notamment grâce à leur lien avec les matrices orthogonales, qui permettent une diagonalisation aisée et une transformation de bases simple dans le contexte orthogonal.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre matrices orthogonales avec matrices orthonormales (orthogonales = $A^T A = I$, orthonormales = vecteurs de base orthonormés).
2. Oublier que $\det(A) = \pm 1$ pour matrices orthogonales, ce qui distingue rotations et réflexions.
3. Confondre $SO(n)$ (déterminant 1) avec $O(n)$ (déterminant $\pm 1$).
4. Penser que toute transformation orthogonale est une rotation, alors qu’elle peut être une réflexion ou une composition.
5. Confondre la diagonale d’une matrice symétrique avec ses valeurs propres (ce sont liées mais pas identiques).
6. Oublier que la transposée d’une matrice orthogonale est aussi orthogonale, ce qui implique que l’inverse est la transposée.
7. Confondre la classification des isométries dans le plan et dans l’espace, notamment en termes de matrices.

✅ Checklist Examen

• Connaître la définition d’isométrie vectorielle et ses propriétés principales.
• Savoir que le groupe $O(E)$ est formé des endomorphismes conservant la norme.
• Maîtriser la relation entre matrices orthogonales et isométries dans un espace euclidien.
• Savoir que $A \in O(n)$ si et seulement si $A^T A = I$.
• Identifier une rotation dans le plan par sa matrice $\begin{bmatrix} \cos q & -\sin q \\ \sin q & \cos q \end{bmatrix}$.
• Reconnaître une réflexion par sa matrice $\begin{bmatrix} \cos q & \sin q \\ \sin q & -\cos q \end{bmatrix}$.
• Savoir que $SO(n)$ est le sous-groupe des matrices orthogonales de déterminant 1.
• Connaître la classification des isométries du plan : rotations et réflexions.
• Savoir que dans l’espace, les isométries incluent rotations, réflexions, translations, et leur classification.
• Maîtriser la décomposition spectrale d’un endomorphisme auto-adjoint.
• Reconnaître une matrice symétrique par sa propriété $A = A^T$.
• Connaître la définition et la propriété des endomorphismes positifs.
• Savoir que la diagonalisation dans une base orthonormée est liée aux valeurs propres.
• Connaître les auteurs et concepts clés : Perroux sur la croissance, groupes orthogonaux, décomposition spectrale.