Fiche de révision : Propriétés et applications des endomorphismes orthogonaux

📋 Plan du Cours

1. Représentation formes linéaires
2. Adjonction endomorphismes
3. Propriétés adjoints
4. Matrices adjoints
5. Stabilité sous endomorphismes
6. Orientation espace euclidien
7. Isométries vectorielles
8. Matrices orthogonales
9. Déterminant isométrie
10. Changement base orthonormée
11. Produit mixte dimension 3
12. Produit vectoriel dimension 3

📖 1. Représentation formes linéaires

🔑 Notions clés & Définitions

• Théorème de représentation de Riesz (Proposition 1) : Tout forme linéaire φ sur un espace euclidien E de dimension n peut s’écrire sous la forme φ(x) = (v, x), où v est un vecteur unique de E.
• Existence et unicité du vecteur associé : Pour chaque forme linéaire φ, il existe un vecteur unique v tel que φ(x) = (v, x) pour tout x ∈ E.
• Définition de l'adjoint d’un endomorphisme (Proposition 2), ****** :** Soit f ∈ L(E). Il existe un unique endomorphisme g ∈ L(E) tel que pour tout (x, y) ∈ E², (f(x), y) = (x, g(y)). L’endomorphisme g est appelé l’adjoint de f, noté f*.

📝 Points essentiels

• Le théorème de représentation de Riesz établit une correspondance biunivoque entre formes linéaires φ et vecteurs v, permettant de représenter toute forme linéaire par un vecteur unique dans l’espace euclidien.
• L’adjoint d’un endomorphisme f, noté f*, est défini par la propriété (f(x), y) = (x, g(y)) pour tout x, y ∈ E, ce qui garantit son unicité (Proposition 2).
• La linéarité de l’application f ↦ f* (Proposition 3) et la propriété (f**) = f illustrent la structure symétrique de l’adjonction.
• La matrice de l’adjoint dans une base orthonormée B est la transposée de la matrice de f (Proposition 4).
• La stabilité d’un sous-espace vectoriel F par un endomorphisme f implique la stabilité de F⊥ par f* (Proposition 5).

💡 À retenir

Le théorème de représentation de Riesz permet d’associer de façon unique chaque forme linéaire à un vecteur, et l’adjoint d’un endomorphisme, défini via le produit scalaire, possède des propriétés fondamentales telles que la linéarité, la double adjointie et la relation avec la transposée matricielle en base orthonormée.

📖 2. Adjonction endomorphismes

🔑 Notions clés & Définitions

• Linéarité de l'application f ↦ f* : Proposition 3. L'application qui associe à chaque endomorphisme f son adjoint f* est une application linéaire sur L(E).
• Propriété fondamentale f : f** = f : Propriété. Tout endomorphisme auto-adjoint f vérifie f* = f, ce qui implique que l'adjonction est un opérateur involutif, c'est-à-dire que l'application est son propre inverse.
• Relation (f∘g) = g∘f*** : Proposition 3. L'adjonction inverse la composition : l'adjoint du produit de deux endomorphismes est le produit de leurs adjoints dans l'ordre inverse.
• Exemple d'adjonction sur projecteurs orthogonaux : Exercice 1. Si f est un projecteur orthogonal, alors f* = f, ce qui montre que les projecteurs orthogonaux sont auto-adjoints.
• Propriétés matricielles en base orthonormée : Proposition 4. Dans une base orthonormée B, la matrice de l'adjoint g = f* est la transposée de la matrice de f : mat_B(g) = (mat_B(f))^T.

📝 Points essentiels

• La linéarité de l'application f ↦ f* permet d'établir des relations algébriques simples entre endomorphismes et leurs adjoints, notamment :
  • f** = f, ce qui caractérise les endomorphismes auto-adjoints.
  • La relation (f∘g)* = g*∘f* montre que l'adjonction inverse l'ordre de composition, ce qui est crucial pour la stabilité des sous-espaces et la diagonalisation.
• La relation matricielle dans une base orthonormée est simple : la matrice de l'adjoint est la transposée de celle de l'endomorphisme. Cela facilite le calcul et la classification des endomorphismes auto-adjoints.
• La stabilité des sous-espaces vectoriels par un endomorphisme f implique la stabilité de leur orthogonal par f*, ce qui est essentiel pour le théorème spectral et la diagonalisation.
• La propriété f** = f est une caractéristique fondamentale des endomorphismes auto-adjoints, qui sont diagonalisables en base orthonormée avec des valeurs propres réelles, selon le théorème spectral.

💡 À retenir

L'adjonction d'un endomorphisme dans un espace euclidien est une application linéaire involutive, caractérisée par la symétrie matricielle en base orthonormée, et joue un rôle central dans la diagonalisation et la classification des endomorphismes auto-adjoints.

📖 3. Propriétés adjoints

🔑 Notions clés & Définitions

• Matrice de l'adjoint en base orthonormée : Pour un endomorphisme $f \in L(E)$, si $g = f^*$ est son adjoint, alors dans une base orthonormée $B$, la matrice de $g$ est la transposée de la matrice de $f$, c'est-à-dire
  $\text{mat}_B(g) = (\text{mat}_B(f))^T.$ (Proposition 4)

• Relation entre noyau et image de $f$ et $f^*$ :
  $\text{Im } f^* = (\ker f)^\perp \quad \text{et} \quad \ker f^* = (\text{Im } f)^\perp.$ (Proposition 3)

• Linéarité de l'application $f \mapsto f^*$ : La correspondance qui associe à chaque endomorphisme $f$ son adjoint $f^*$ est une application linéaire sur $L(E)$.
  (Proposition 3)

• Involution de l'adjonction : Pour tout $f \in L(E)$, on a
  $(f^*)^* = f,$ ce qui montre que l'opération d'adjonction est une involution.
  (Proposition 3)

• Propriété de composition : Pour tous $f, g \in L(E)$,
  $(f \circ g)^* = g^* \circ f^*,$ illustrant la compatibilité de l'adjoint avec la composition d'endomorphismes.
  (Proposition 3)

📝 Points essentiels

• La caractérisation matricielle de l'adjoint dépend de la base choisie : en base orthonormée, la matrice de $f^*$ est la transposée de celle de $f$ (Proposition 4).
• La relation entre noyau et image de $f$ et $f^*$ est fondamentale pour comprendre leur dualité : $\text{Im } f^* = (\ker f)^\perp$ et $\ker f^* = (\text{Im } f)^\perp$ (Proposition 3).
• La linéarité et l'involution de l'adjoint permettent de manipuler aisément ces opérations dans l'étude des endomorphismes.
• La compatibilité avec la composition, $(f \circ g)^* = g^* \circ f^*$, est essentielle pour l'étude des propriétés spectrales et de stabilité.

💡 À retenir

L'adjoint d'un endomorphisme, en base orthonormée, se caractérise par sa matrice transposée, et ses propriétés fondamentales relient noyau, image, et orthogonalité, tout en étant compatible avec la composition et l'involution.

📖 4. Matrices adjoints

🔑 Notions clés & Définitions

• Adjoint d’un endomorphisme : Soit $f \in L(E)$, l’adjoint $f^*$ est l’unique endomorphisme tel que, pour tout $x, y \in E$, $(f(x), y) = (x, f^*(y))$. Proposition 2 : Existence et unicité de $f^*$.
• Propriétés de l’adjoint : L’application $f \mapsto f^*$ est linéaire (Proposition 3), et $f^{**} = f$. De plus, $(f \circ g)^* = g^* \circ f^*$.
• Matrice de l’adjoint : En base orthonormée $B$, la matrice de $g = f^*$ est la transposée de celle de $f$, c’est-à-dire $\text{mat}_B g = (\text{mat}_B f)^T$ (Proposition 4).
• Stabilité de sous-espace vectoriel : Si un sous-espace $F$ est stable par $f$, alors son orthogonal $F^\perp$ est stable par $f^*$ (Proposition 5).
• Matrices orthogonales et adjoint : Une matrice $A$ représente $f$ dans une base orthonormée, alors $f^*$ est représenté par $A^T$ (Proposition 4).

📝 Points essentiels

• La définition de l’adjoint repose sur la symétrie et la bilinéarité du produit scalaire, assurant l’unicité de $f^*$.
• La propriété $f^{**} = f$ montre que l’adjonction est une opération involutive.
• La relation entre matrices dans une base orthonormée, $\text{mat}_B g = (\text{mat}_B f)^T$, simplifie la calculabilité de l’adjoint.
• La stabilité d’un sous-espace par $f$ implique la stabilité de son orthogonal par $f^*$, ce qui est crucial pour la diagonalisation et la décomposition spectrale.
• La conjugaison orthogonale permet de réduire une matrice à une forme diagonale par blocs, en utilisant l’orthogonalité et la symétrie de la matrice (voir Théorème 2).

💡 À retenir

L’adjoint d’un endomorphisme dans un espace euclidien est unique, linéaire, et sa matrice est la transposée de celle de l’endomorphisme dans une base orthonormée. La relation entre matrices et adjoints facilite la caractérisation et la réduction des endomorphismes, notamment dans le contexte des matrices symétriques et auto-adjoints.

📖 5. Stabilité sous endomorphismes

🔑 Notions clés & Définitions

• Stabilité d’un sous-espace vectoriel par un endomorphisme : Un sous-espace F de E est dit stable par un endomorphisme f ∈ L(E) si f(F) ⊆ F. Autrement dit, l’application f envoie tout vecteur de F dans F.
• Stabilité d’un sous-espace par son adjoint : Si F est stable par f, alors F⊥ (son orthogonal) est stable par f∗, l’adjoint de f. Selon Proposition 5, cette propriété est une conséquence directe de la symétrie du produit scalaire.
• Exemple de stabilité sous projecteurs orthogonaux : Si p est un projecteur orthogonal (f = p), alors f est auto-adjoint, et par conséquent, tout sous-espace stable par p est aussi stable par son adjoint, c’est-à-dire p∗ = p.

📝 Points essentiels

• La stabilité d’un sous-espace F par un endomorphisme f implique que F est invariant par f, c’est-à-dire que f(F) ⊆ F.
• La stabilité de F par f entraîne la stabilité de F⊥ par f∗, ce qui établit un lien entre stabilité et orthogonalité, renforcé par la propriété que si F est stable par f, alors F⊥ est stable par f∗ (Proposition 5).
• La stabilité sous projecteurs orthogonaux est un cas particulier illustrant la stabilité par auto-adjonction : un projecteur orthogonal f vérifie f = f∗, et tout sous-espace stable par f est aussi stable par f∗.
• La propriété de stabilité est essentielle pour la diagonalisation et la décomposition spectrale, notamment dans le contexte des endomorphismes auto-adjoints, où la stabilité de sous-espaces propres est garantie par leur orthogonalité (Théorème spectral).

💡 À retenir

La stabilité d’un sous-espace par un endomorphisme est étroitement liée à la stabilité de son orthogonal par l’adjoint, ce qui facilite la décomposition en sous-espaces invariants et la diagonalisation, notamment dans le cas des endomorphismes auto-adjoints.

📖 6. Orientation espace euclidien

🔑 Notions clés & Définitions

• Orientation d’un espace vectoriel réel de dimension finie : Classe d’équivalence des bases selon leur orientation, où deux bases B et B′ sont dans la même classe si et seulement si le déterminant de la matrice de passage de B à B′ est positif. La classe d’équivalence correspond à une orientation « directe », tandis que l’autre classe est dite « contraire » (ou rétrograde).
• Critère d’orientation via le déterminant : Deux bases B et B′ ont la même orientation si det(B, B′) > 0, sinon elles ont des orientations contraires. La détermination de l’orientation repose donc sur le signe du déterminant de la matrice de passage entre bases.
• Classes d’équivalence des bases selon leur orientation : Les bases sont regroupées en deux classes : celles ayant la même orientation qu’une base de référence (orientation « directe ») et celles ayant une orientation opposée (orientation « rétrograde »). La sélection d’une base de référence permet de définir une orientation « positive » pour l’espace.

📝 Points essentiels

• L’orientation d’un espace euclidien de dimension n est une propriété qui permet de distinguer deux classes de bases : celles qui ont un déterminant de passage positif (bases « directes ») et celles qui ont un déterminant négatif (bases « rétrogrades »).
• La notion d’orientation est fondamentale en géométrie pour définir des concepts comme le produit mixte ou le produit vectoriel, notamment en dimension 3.
• La classe d’équivalence des bases selon leur orientation est stable sous changement de base par une transformation dont le déterminant est positif. La base de référence choisie permet de fixer une orientation « canonique » dans l’espace.
• La notion d’orientation est essentielle dans la définition des groupes d’isométries, notamment dans la distinction entre les isométries directes (dét = +1) et celles qui inversent l’orientation (dét = -1).

💡 À retenir

L’orientation d’un espace vectoriel réel de dimension finie est déterminée par le signe du déterminant du changement de base, permettant de classer les bases en deux classes d’équivalence : celles qui préservent l’orientation (positive) et celles qui la renversent (négative).

📖 7. Isométries vectorielles

🔑 Notions clés & Définitions

• Isométrie vectorielle (automorphisme orthogonal) : Endomorphisme $f \in L(E)$ qui conserve la norme pour tout $x \in E$, c’est-à-dire $\|f(x)\| = \|x\|$.
  Proposition 6 : L’ensemble $O(E)$ des isométries vectorielles forme un sous-groupe de $\mathrm{GL}(E)$.

• Caractérisation par conservation du produit scalaire : $f \in L(E)$ est une isométrie si et seulement si, pour tout $(x, y) \in E^2$, $(f(x), f(y)) = (x, y)$.
  Proposition 7 : Ces propriétés sont équivalentes à transformer toute base orthonormée en une base orthonormée, ou à satisfaire $f^* = f^{-1}$.

• Groupe orthogonal $O(E)$ : Ensemble des automorphismes $f$ tels que $f \in \mathrm{GL}(E)$ et $f^* = f^{-1}$.
  Proposition 8 : En base orthonormée, $f \in O(E)$ si et seulement si la matrice de $f$ dans cette base est orthogonale, c’est-à-dire $A^T A = I$.

• Déterminant d’une isométrie : Si $f \in O(E)$, alors $\det f \in \{-1, +1\}$.
  Proposition 11 : Les isométries de déterminant +1 forment le groupe $SO(E)$, appelé groupe spécial orthogonal.

• Réduction par changement de base orthonormée : La matrice de passage entre deux bases orthonormées est orthogonale.
  Proposition 13 : La matrice d’un endomorphisme dans une base orthonormée peut être simplifiée par conjugaison par une matrice orthogonale, menant à une forme diagonale par blocs (théorème de réduction).

📖 8. Matrices orthogonales

🔑 Notions clés & Définitions

• Matrice orthogonale : Une matrice carrée $A \in M_n(\mathbb{R})$ est dite orthogonale si elle satisfait la relation $A^T A = I_n$, ce qui équivaut à $A^{-1} = A^T$. Cette propriété implique que ses colonnes (et lignes) forment une famille orthonormée (Proposition 9).

• Caractérisation matricielle des isométries vectorielles : Dans une base orthonormée $B$, une application linéaire $f \in L(E)$ est une isométrie vectorielle si et seulement si sa matrice dans $B$ est orthogonale, c’est-à-dire si $\text{mat}_B(f)^T \text{mat}_B(f) = I_n$ (Proposition 8).

• Groupe $O(n, \mathbb{R})$ : L’ensemble des matrices orthogonales de dimension $n$, noté $O(n, \mathbb{R})$, forme un sous-groupe compact de $(GL_n(\mathbb{R}), \times)$. Il est caractérisé par la propriété que ses éléments sont inversibles et que leur transpose est leur inverse (Proposition 10).

• Déterminant d’une matrice orthogonale : Toute matrice orthogonale $A \in O(n, \mathbb{R})$ possède un déterminant dans $\{-1, +1\}$ (Proposition 11). Les matrices de déterminant +1 forment le sous-groupe $SO(n, \mathbb{R})$, appelé groupe spécial orthogonal, qui conserve l’orientation (Proposition 12).

• Matrices orthogonales en dimension 2 : En dimension 2, $O_2(\mathbb{R})$ contient exclusivement les matrices de rotations $R(\theta)$ et de réflexions, avec $R(\theta) = \begin{bmatrix} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{bmatrix}$ (Proposition 18). La famille des rotations forme un sous-groupe commutatif $SO_2(\mathbb{R})$.

📝 Points essentiels

• La condition $A^T A = I_n$ est nécessaire et suffisante pour qu’une matrice soit orthogonale, ce qui garantit que la transformation qu’elle représente conserve la norme et le produit scalaire (Proposition 9, Proposition 8).

• Le groupe $O(n, \mathbb{R})$ est un sous-groupe compact de $GL_n(\mathbb{R})$, ce qui permet d’appliquer des théorèmes de réduction et de diagonalisation par blocs (Proposition 10, Théorème 2).

• La classification des isométries en dimension 3 repose sur la dimension de leur espace propre fixé, avec notamment la distinction entre rotations (détérminant +1) et réflexions ou antirotations (détérminant -1), en lien avec leur déterminant (Propositions 21 et 22).

• La réduction des matrices orthogonales par changement de base orthonormée permet de les diagonaliser par blocs, simplifiant leur étude (Théorème 2). En dimension 2, cette réduction aboutit à une famille de rotations ou réflexions, dont la structure est bien connue (Propositions 18, 19).

💡 À retenir

Les matrices orthogonales sont caractérisées par leur propriété $A^T A = I_n$, formant un groupe compact $O(n, \mathbb{R})$, dont la structure en dimension 2 et 3 est entièrement classifiée par des rotations, réflexions, et leur déterminant, facilitant leur réduction et leur étude géométrique.

📖 9. Déterminant isométrie

🔑 Notions clés & Définitions

• Déterminant d'une isométrie vectorielle : Proposition 11 (source) : Si $f \in O(E)$, alors $\det f \in \{-1, +1\}$. Le déterminant indique si l'isométrie conserve ou inverse l'orientation de l'espace.

• Isométrie directe (ou positive) : Proposition 12 (source) : Les isométries vectorielles de déterminant $+1$ forment le groupe $SO(E)$, appelé groupe spécial orthogonal, qui conserve l'orientation de l'espace.

• Lien entre déterminant et conservation de l'orientation : Proposition 11 (source) : Le déterminant d'une isométrie est $+1$ ou $-1$. Les transformations avec $\det = +1$ sont celles qui préservent l'orientation, celles avec $\det = -1$ la inversent.

📝 Points essentiels

• Le déterminant d'une isométrie vectorielle est toujours $\pm 1$, Proposition 11. Cela reflète la nature de l'isométrie : soit elle conserve l'orientation ($\det=+1$), soit elle l'inverse ($\det=-1$).

• Les isométries de déterminant $+1$ forment le sous-groupe $SO(E)$, appelé groupe spécial orthogonal, qui est un sous-groupe de $O(E)$ (Proposition 12). Ce groupe est essentiel pour distinguer les transformations qui préservent l'orientation.

• La conservation ou inversion de l'orientation est directement liée au signe du déterminant : $\det f = +1$ pour conservation, $\det f = -1$ pour inversion. La connaissance du déterminant permet donc de classer les isométries selon leur effet sur l'orientation.

• La propriété que $\det f \in \{-1, +1\}$ est une conséquence du groupe orthogonal $O(E)$ et de la nature des transformations isométriques (Proposition 11).

💡 À retenir

Le déterminant d'une isométrie vectorielle est toujours $\pm 1$, et cette valeur détermine si l'isométrie conserve ou inverse l'orientation de l'espace, ce qui permet de distinguer les sous-groupes $SO(E)$ et $O(E) \setminus SO(E)$.

📖 10. Changement base orthonormée

🔑 Notions clés & Définitions

• Matrice de passage orthogonale : Matrice $P \in M_n(\mathbb{R})$ qui transforme une base orthonormée $B$ en une autre base orthonormée $B'$. Elle vérifie $P \in O(n, \mathbb{R})$, c’est-à-dire $P^T P = I$.

• Formule de changement de matrice d'endomorphisme : Si $A$ est la matrice d’un endomorphisme $f$ dans une base orthonormée $B$, alors dans une autre base orthonormée $B'$, la matrice $A'$ de $f$ est donnée par : $A' = P^T A P$ où $P$ est la matrice de passage orthogonale de $B$ à $B'$. Cette formule permet de changer la représentation matricielle d’un endomorphisme lors d’un changement de base orthonormée.

• Simplification du calcul de l'inverse : Dans le contexte des matrices orthogonales, la matrice $P$ vérifie $P^{-1} = P^T$. Ainsi, pour une matrice de passage orthogonale, l’inverse se calcule simplement par la transposée, ce qui simplifie considérablement les calculs liés à la conjugaison d’endomorphismes ou matrices.

📝 Points essentiels

• La transformation d’un endomorphisme $f$ lors d’un changement de base orthonormée $B \to B'$ s’écrit $A' = P^T A P$, avec $P \in O(n, \mathbb{R})$. Cela garantit que la structure orthogonale est conservée, car $P$ est orthogonale.

• La matrice de passage orthogonale $P$ appartient au groupe $O(n, \mathbb{R})$, qui est un sous-groupe compact de $GL(n, \mathbb{R})$. La propriété $P^T = P^{-1}$ permet de simplifier la recherche d’inverses et de diagonalisations.

• Lorsqu’on change de base orthonormée, la conjugaison $A' = P^T A P$ conserve les propriétés spectrales de $A$, notamment ses valeurs propres, ce qui est crucial pour la classification des endomorphismes auto-adjoints ou orthogonaux.

• La formule $A' = P^T A P$ est valable uniquement en base orthonormée. En base quelconque, la relation est plus complexe, impliquant des matrices de passage non orthogonales.

💡 À retenir

Le changement de base orthonormée induit une conjugaison par une matrice orthogonale, simplifiant le calcul et la compréhension des propriétés des endomorphismes dans un espace euclidien. La formule $A' = P^T A P$ est centrale pour la réduction des matrices et la classification des transformations orthogonales.

📖 11. Produit mixte dimension 3

🔑 Notions clés & Définitions

• Produit mixte : Définition. Le produit mixte de trois vecteurs $u, v, w$ dans un espace euclidien de dimension 3 est le déterminant de la famille $(u, v, w)$ dans une base orthonormée directe, noté $[u, v, w]$ ou $\det(u, v, w)$. Il ne dépend pas du choix de la base orthonormée.
• Indépendance du produit mixte : Propriété. Le produit mixte est invariant par changement de base orthonormée directe, c’est-à-dire que son signe et sa valeur absolue restent constants. La valeur du déterminant ne dépend que de la famille de vecteurs, pas de la base choisie.
• Caractérisation des bases directes : Proposition. Une famille de vecteurs $(v_1, v_2, v_3)$ forme une base directe si et seulement si $[v_1, v_2, v_3] > 0$. Le signe du produit mixte permet donc de distinguer les bases directes des bases indirectes.

📝 Points essentiels

• Le produit mixte en dimension 3 est défini comme le déterminant de la matrice formée par les vecteurs $(u, v, w)$ dans une base orthonormée directe. Son calcul est facilité dans une base orthonormée, mais sa valeur est indépendante du choix de cette base, ce qui en fait une notion intrinsèque.
• La propriété d’indépendance du produit mixte par rapport au changement de base orthonormée directe découle du fait que le déterminant est multiplié par le même facteur que la transformation de changement de base, et que pour une base orthonormée, ce facteur est 1 ou -1.
• La caractérisation des bases directes via le signe du produit mixte est fondamentale : $(v_1, v_2, v_3)$ est une base directe si $[v_1, v_2, v_3] > 0$. Cela permet de définir une orientation du espace euclidien.

💡 À retenir

Le produit mixte en dimension 3, défini comme le déterminant de trois vecteurs dans une base orthonormée, est une mesure intrinsèque de leur orientation et de leur volume, indépendante du choix de la base. Son signe distingue les bases directes des bases indirectes, ce qui est essentiel pour la géométrie et la topologie de l’espace euclidien.

📖 12. Produit vectoriel dimension 3

🔑 Notions clés & Définitions

• Produit mixte (ou déterminant) : Définition du produit vectoriel u ∧ v comme le vecteur w tel que pour tout x ∈ E, [u, v, x] = (w, x). En base orthonormée directe, ses coordonnées se calculent facilement. (Proposition 16)

• Propriété bilinéaire et antisymétrique : L'application ∧ est bilinéaire, c'est-à-dire linéaire en chaque argument, et antisymétrique, ce qui implique que u ∧ v = - (v ∧ u). (Proposition 17)

• Lien avec l'orthogonalité : Si u et v ne sont pas colinéaires, alors u ∧ v est un vecteur normal au plan vect(u, v), et la famille (u, v, u ∧ v) forme une base directe. En particulier, si u et v sont unitaires et orthogonaux, alors (u, v, u ∧ v) est une base orthonormée directe. (Proposition 17)

📝 Points essentiels

• Le produit vectoriel u ∧ v en dimension 3 est défini via le produit mixte comme le vecteur unique w tel que [u, v, x] = (w, x) pour tout x ∈ E. En base orthonormée directe, ses coordonnées sont données par la formule du déterminant. (Proposition 16)

• La propriété bilinéaire et antisymétrique de ∧ implique que pour tout u, v ∈ E, u ∧ v = 0 si et seulement si u et v sont colinéaires. Si u et v ne sont pas colinéaires, u ∧ v est orthogonal au plan (u, v). (Proposition 17)

• Si u et v sont unitaires et orthogonaux, alors (u, v, u ∧ v) constitue une base orthonormée directe, ce qui montre la relation entre le produit vectoriel et la construction d'une base orthonormée. (Proposition 17)

• La détermination du produit vectoriel dans une base orthonormée directe est simplifiée par la formule du déterminant, mais en base quelconque, le calcul devient plus complexe. (Proposition 16)

💡 À retenir

Le produit vectoriel en dimension 3, défini via le produit mixte, est une opération bilinéaire, antisymétrique, et permet de construire un vecteur normal à deux vecteurs non colinéaires, formant une base directe si ces vecteurs sont unitaires et orthogonaux.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre la transposée et la transposée conjuguée (pour matrices complexes) lors du calcul de l’adjoint.
2. Oublier que l’adjoint est défini via le produit scalaire, ce qui limite son application aux espaces euclidiens.
3. Confondre auto-adjoint (f* = f) avec symétrie matricielle, en particulier en bases non orthonormées.
4. Négliger la propriété (f∘g)* = g*∘f*, essentielle pour la stabilité sous composition.
5. Mal interpréter la relation entre noyau, image et orthogonalité : ker f* = (Im f)⊥ et Im f* = (ker f)⊥.
6. Confondre matrices orthogonales (A^T = A^{-1}) avec matrices symétriques (A = A^T).
7. Oublier que la propriété involutive (f**) = f ne s’applique qu’aux endomorphismes dans un espace euclidien, pas dans tout espace vectoriel.

✅ Checklist Examen

1. Connaître la définition de la forme linéaire selon le théorème de Riesz et sa représentation par un vecteur unique.
2. Savoir que l’adjoint d’un endomorphisme f, noté f*, est défini par la relation (f(x), y) = (x, f*(y)) et que cette application est linéaire.
3. Maîtriser la propriété (f∘g)* = g*∘f* et ses implications pour la stabilité des sous-espaces.
4. Savoir que dans une base orthonormée, la matrice de f* est la transposée de celle de f.
5. Connaître la relation entre noyau et image : ker f* = (Im f)⊥ et Im f* = (ker f)⊥.
6. Comprendre que f est auto-adjoint si et seulement si f* = f, et que cela implique la diagonalisabilité en base orthonormée.
7. Savoir que la matrice d’une isométrie orthogonale est orthogonale (A^T = A^{-1}).
8. Connaître la définition d’une matrice orthogonale et ses propriétés.
9. Être capable d’identifier une matrice symétrique ou orthogonale dans une base donnée.
10. Maîtriser la relation entre matrices transposées et adjoints pour simplifier les calculs.
11. Savoir que l’opération d’adjonction est une involution : (f*)* = f.
12. Connaître la référence clé : le théorème de représentation de Riesz (Proposition 1) et ses applications.