Fiche de révision : Fondements des espaces préhilbertiens

📋 Plan du Cours

1. Espaces préhilbertiens
2. Formes bilinéaires
3. Produit scalaire
4. Norme euclidienne
5. Orthogonalité
6. Projections orthogonales
7. Endomorphismes orthogonaux
8. Matrices orthogonales
9. Rotations en dimension 2
10. Rotations en dimension 3
11. Réduction des endomorphismes symétriques

📖 1. Espaces préhilbertiens

🔑 Notions clés & Définitions

• Forme bilinéaire : Sur un espace vectoriel réel $E$, une application $\varphi : E \times E \to \mathbb{R}$ est une forme bilinéaire si elle est linéaire par rapport à chaque composante (voir section 2).
• Forme bilinéaire symétrique : Une forme bilinéaire $\varphi$ est symétrique si, pour tout $(x, y) \in E^2$, $\varphi(y, x) = \varphi(x, y)$.
• Forme bilinéaire définie positive : Une forme bilinéaire symétrique $\varphi$ est définie positive si, pour tout $x \in E \setminus \{0\}$, $\varphi(x, x) > 0$.
• Espace préhilbertien réel : Selon la définition donnée, c’est un espace vectoriel réel muni d’un produit scalaire $(.|.)$, qui est une forme bilinéaire symétrique définie positive (voir définition 2).
• Espace euclidien : Un espace préhilbertien réel de dimension finie, muni d’un produit scalaire $\varphi$.

📝 Points essentiels

• La forme bilinéaire $\varphi$ sur un espace $E$ doit vérifier la linéarité dans chaque argument, la symétrie, et la positivité pour être un produit scalaire (voir proposition 1).
• La notation usuelle pour le produit scalaire est $(x|y)$. La propriété de symétrie implique $\varphi(x, y) = \varphi(y, x)$.
• La forme bilinéaire symétrique $\varphi$ est définie positive si $\varphi(x, x) > 0$ pour tout $x \neq 0$. La propriété d’être un produit scalaire est équivalente à ces trois conditions (linéarité, symétrie, positivité) (voir proposition 1).
• Un espace préhilbertien est un espace vectoriel réel équipé d’un produit scalaire, permettant de définir une norme $\|x\| = \sqrt{(x|x)}$ (voir définition 2).
• La norme euclidienne $\|x\|$ est liée au produit scalaire par l’identité de polarisation et l’identité du parallélogramme (voir propositions 4 et 5).
• La généralisation des exemples classiques inclut $\mathbb{R}^n$, $\mathrm{Mn,1}(\mathbb{R})$, $\mathrm{Mn}(\mathbb{R})$, et espaces de fonctions comme $C([0,1], \mathbb{R})$ ou espaces de suites comme $\ell^2$ (voir section 12.1.2).

💡 À retenir

Un espace préhilbertien est un espace vectoriel réel doté d’un produit scalaire, qui permet de définir une norme compatible avec la structure, et dont la symétrie et la positivité sont essentielles pour la géométrie et l’analyse dans cet espace.

📖 2. Formes bilinéaires

🔑 Notions clés & Définitions

• Forme bilinéaire : Sur un espace vectoriel $E$ sur $\mathbb{R}$, une application $\varphi : E \times E \to \mathbb{R}$ est une forme bilinéaire si elle est linéaire par rapport à chacune de ses deux variables (voir section 12.1.1).
• Symétrie d'une forme bilinéaire : Une forme bilinéaire $\varphi$ est symétrique si, pour tout $(x, y) \in E^2$, $\varphi(y, x) = \varphi(x, y)$ (voir section 12.1.1).
• Positivité d'une forme bilinéaire symétrique : Une forme bilinéaire symétrique $\varphi$ est positive si, pour tout $x \in E$, $\varphi(x, x) > 0$ (voir section 12.1.1).
• Forme bilinéaire définie positive : Une forme bilinéaire symétrique $\varphi$ est définie positive si, pour tout $x \in E \setminus \{0\}$, $\varphi(x, x) > 0$.

📝 Points essentiels

• La formule d'une forme bilinéaire $\varphi$ est $\varphi : E \times E \to \mathbb{R}$, bilinéaire par définition (voir section 12.1.1).
• La symétrie impose que $\varphi(y, x) = \varphi(x, y)$ pour tout $(x, y) \in E^2$.
• La positivité d'une forme bilinéaire symétrique $\varphi$ est caractérisée par $\forall x \in E, \varphi(x, x) > 0$, ce qui garantit une certaine "mesure" de la longueur ou de la norme (voir section 12.1.1).
• La formule pour une forme bilinéaire définie positive est essentielle pour définir une norme euclidienne : $\|x\| = \sqrt{\varphi(x, x)}$.
• La proposition 1 (voir source) indique qu'une forme bilinéaire $\varphi$ est un produit scalaire si elle est linéaire, symétrique et définie positive (voir section 12.1.1).

💡 À retenir

Une forme bilinéaire est une application linéaire bilatérale sur un espace vectoriel, dont la symétrie et la positivité permettent de définir une norme euclidienne, essentielle pour la géométrie de l'espace.

📖 3. Produit scalaire

🔑 Notions clés & Définitions

• Produit scalaire : Fonction ϕ : E × E → R sur un espace vectoriel E, qui est linéaire par rapport à chaque argument, symétrique, et définie positive (AUTEUR (chapitre 12)).
• Proposition caractérisante : Un application ϕ est un produit scalaire si et seulement si elle est linéaire dans chaque variable, symétrique, et vérifie ϕ(x, x) > 0 pour tout x ≠ 0 (AUTEUR (proposition 1)).
• Notations usuelles : (x|y), x · y, ou < x, y >, avec la convention (x|y).
• Exemple classique sur Rⁿ : (x|y) = ∑_{i=1}^n x_i y_i, où x = (x_1, ..., x_n) et y = (y_1, ..., y_n).
• Produit scalaire sur espaces de fonctions : (f|g) = ∫₀¹ f(t)g(t) dt pour f, g ∈ C([0,1], R).
• Produit scalaire sur ℓ² : (u|v) = ∑_{n=0}^∞ u_n v_n, pour u = (u_n), v = (v_n) ∈ ℓ², où la série converge.

📝 Points essentiels

• La définition d’un produit scalaire repose sur trois propriétés fondamentales : linéarité dans chaque argument, symétrie, et positivité (AUTEUR (définition)).
• La proposition caractérisante indique qu’un ϕ est un produit scalaire si et seulement si il est linéaire, symétrique, et vérifie ϕ(x, x) > 0 pour x ≠ 0 (AUTEUR (proposition 1)).
• La notation (x|y) est privilégiée pour rappeler la nature bilinéaire et symétrique.
• Sur Rⁿ, le produit scalaire canonique est défini par la somme des produits coordinate à coordinate, ce qui permet de définir la norme euclidienne associée.
• Sur espaces de fonctions ou de suites, le produit scalaire est souvent défini par une intégrale ou une somme infinie, en vérifiant la convergence.
• La positivité (ϕ(x, x) > 0 si x ≠ 0) garantit que la norme dérivée du produit scalaire est bien une norme.
• La notion de produit scalaire permet de définir des notions géométriques telles que l’angle, l’orthogonalité, et la projection orthogonale.

💡 À retenir

Un produit scalaire est une application bilinéaire, symétrique et définie positive qui permet de doter un espace vectoriel d’une structure géométrique, notamment la notion d’angle et de norme.

📖 4. Norme euclidienne

🔑 Notions clés & Définitions

• Norme euclidienne : La norme associée à un produit scalaire $\|x\|$ sur un espace préhilbertien $E$ est définie par $\|x\| = \sqrt{(x|x)}$, où $(x|x)$ est la valeur du produit scalaire de $x$ avec lui-même.
• Inégalité de Cauchy-Schwarz : Sur un espace préhilbertien $E$, pour tout $x, y \in E$, on a $|(x|y)| \leq \|x\| \cdot \|y\|$. Elle permet de relier le produit scalaire à la norme et d'établir des égalités ou inégalités importantes.
• Identités de polarisation : Relations permettant de retrouver le produit scalaire à partir de la norme, notamment :
  $(x|y) = \frac{1}{2} \left( \|x + y\|^2 - \|x\|^2 - \|y\|^2 \right)$ (voir AUTEUR (date) : identité de polarisation).
• Identité du parallélogramme : Pour tout $x, y \in E$, on a $\|x + y\|^2 + \|x - y\|^2 = 2\|x\|^2 + 2\|y\|^2$, une relation fondamentale illustrant la structure géométrique de l'espace euclidien.
• Exemples de normes euclidiennes : La norme sur $\mathbb{R}^n$ donnée par $\|x\| = \sqrt{\sum_{i=1}^n x_i^2}$, ou sur $M_n(\mathbb{R})$ par $\|A\| = \sqrt{\operatorname{tr}(A^\top A)}$, sont des exemples classiques.

📝 Points essentiels

• La norme euclidienne $\|x\|$ est une norme définie par $\|x\| = \sqrt{(x|x)}$, où $(x|x)$ est la valeur du produit scalaire. Elle vérifie l'homogénéité, la positivité, et la propriété de la triangle inequality (inégalité de Minkowski).
• L'inégalité de Cauchy-Schwarz est une étape clé pour établir la continuité du produit scalaire et pour démontrer des propriétés géométriques comme l'angle entre deux vecteurs, défini par $\cos \theta = \frac{(x|y)}{\|x\|\|y\|}$.
• Les identités de polarisation permettent de reconstruire le produit scalaire à partir de la norme : elles sont essentielles pour retrouver la structure du produit scalaire à partir de la norme seule.
• L'identité du parallélogramme illustre la relation géométrique fondamentale dans un espace euclidien, assurant que la norme provient d’un produit scalaire.
• La construction d’une base orthonormée dans un espace euclidien permet de représenter tout vecteur par ses coordonnées, simplifiant le calcul du produit scalaire et de la norme.

💡 À retenir

La norme euclidienne, définie via le produit scalaire, possède des propriétés fondamentales (inégalité de Cauchy-Schwarz, identité du parallélogramme, identités de polarisation) qui garantissent la structure géométrique d’un espace euclidien, permettant une interprétation intuitive des vecteurs, angles et distances.

📖 5. Orthogonalité

🔑 Notions clés & Définitions

• Orthogonalité entre vecteurs : Deux vecteurs $x, y$ d’un espace préhilbertien $E$ sont dits orthogonaux si leur produit scalaire est nul, c’est-à-dire si $(x|y) = 0$. Notation : $x \perp y$.
  (Définition 4, paragraphe 12.2.1)

• Orthogonalité entre sous-espaces : Deux sous-espaces $F, G \subset E$ sont orthogonaux si tout vecteur de l’un est orthogonal à tout vecteur de l’autre, c’est-à-dire si $\forall x \in F, \forall y \in G, (x|y) = 0$. Notation : $F \perp G$.
  (Définition 4, paragraphe 12.2.1)

• Orthogonal d’un sous-ensemble $G$ : L’ensemble $G^\perp$ est défini comme $G^\perp = \{ x \in E \mid \forall y \in G, (x|y) = 0 \}$. Il s’agit de l’ensemble des vecteurs orthogonaux à tous ceux de $G$.
  (Proposition 6, paragraphe 12.2.2)

• Propriétés des orthogonaux :

  • Inclusion : Si $G \subset H$, alors $H^\perp \subset G^\perp$.
  • Intersection : $F \cap F^\perp = \{0\}$.
  • Somme directe : $F + F^\perp$ est une somme directe, et si $E$ est de dimension finie, alors $E = F \oplus F^\perp$.
    (Proposition 8, paragraphe 12.2.2)

• Famille orthogonale : Une famille $(x_i)_{i \in I}$ de vecteurs est dite orthogonale si pour tout $i \neq j$, $(x_i|x_j) = 0$.
  (Définition 5, paragraphe 12.2.2)

• Famille orthonormée : Une famille orthogonale composée de vecteurs unitaires, c’est-à-dire $\forall i, ||x_i||=1$, et $(x_i|x_j) = \delta_{i,j}$.
  (Définition 6, paragraphe 12.2.2)

📝 Points essentiels

• La notion d’orthogonalité est fondamentale pour décomposer un espace en sous-espaces complémentaires, notamment via la somme directe orthogonale $E = F \oplus F^\perp$ (Corollaire 4).
• L’ensemble $G^\perp$ est un sous-espace vectoriel de $E$ (Proposition 6).
• La propriété $F \subset G \Rightarrow G^\perp \subset F^\perp$ montre que plus un espace est grand, plus son orthogonal est petit (Proposition 8).
• La famille orthogonale de vecteurs non nuls est toujours libre (Proposition 9).
• La construction d’une base orthonormée dans un espace euclidien est assurée par la proposition 15, et la méthode de Gram–Schmidt permet de la réaliser à partir d’une famille libre (section 12.2.2).
• La projection orthogonale $p_F$ sur un sous-espace $F$ est caractérisée par la propriété $\forall x \in E, p_F(x) \in F$ et $x - p_F(x) \in F^\perp$, avec la formule explicite dans une base orthonormée (Proposition 16).
• La relation $||x||^2 = ||p_F(x)||^2 + d(x, F)^2$ relie la norme, la projection et la distance à $F$ (Corollaire 8).
• La propriété de Bessel garantit que pour une famille orthonormale $(e_i)_{i=1}^r$, $\sum_{i=1}^r (x|e_i)^2 \leq ||x||^2$ (Proposition 18).

💡 À retenir

L’orthogonalité permet de décomposer un espace en sous-espaces complémentaires, facilitant ainsi l’étude et la projection des vecteurs, notamment dans la construction de bases orthonormées et la résolution de problèmes d’approximation.

📖 6. Projections orthogonales

🔑 Notions clés & Définitions

• Projection orthogonale (pF) : application linéaire d’un espace préhilbertien E sur un sous-espace F, qui associe à chaque vecteur x ∈ E le vecteur pF(x) ∈ F tel que x − pF(x) soit orthogonal à F. Elle est définie par la propriété : ∀x ∈ E, pF(x) est le vecteur de F minimisant la distance ||x − y|| pour y ∈ F. La projection est caractérisée par la formule :
  $pF(x) = \sum_{i=1}^r (e_i | x) e_i$ si (e_i) est une base orthonormée de F (Proposition 16).

• Décomposition orthogonale (F ⊕ F⊥) : expression d’un vecteur x ∈ E comme somme unique de deux vecteurs y ∈ F et z ∈ F⊥, où F est un sous-espace de E, et F⊥ son orthogonal. La décomposition s’écrit :
  $x = pF(x) + (x - pF(x))$ avec pF(x) ∈ F et x − pF(x) ∈ F⊥, assurant que E = F ⊕ F⊥ (Corollaire 4).

• Théorème de Pythagore (version généralisée) : si x, y ∈ E sont orthogonaux, alors la norme de leur somme vérifie :
  $||x + y||^2 = ||x||^2 + ||y||^2$ (Théorème 1). La généralisation concerne la somme de vecteurs orthogonaux : pour une famille orthogonale finie (xi),
  $||\sum_{i=1}^p x_i||^2 = \sum_{i=1}^p ||x_i||^2$ (Proposition 11).

• Coordonnées dans une base orthonormée : si B = (e_1, ..., e_n) est une base orthonormée de E, alors pour tout x ∈ E, ses coordonnées sont données par :
  $(x | e_i)$ et la décomposition :
  $x = \sum_{i=1}^n (x | e_i) e_i$ (Proposition 14).

📝 Points essentiels

• La projection orthogonale pF est une application linéaire qui associe à chaque vecteur x ∈ E le vecteur pF(x) ∈ F, tel que la différence x − pF(x) soit orthogonale à F. Elle est unique et auto-adjoint, c’est-à-dire que :
  $(pF(x) | y) = (x | pF(y))$ pour tous x, y ∈ E (propriété implicite dans la définition et la formule de la projection).

• La décomposition orthogonale permet d’écrire tout vecteur x ∈ E comme somme de deux vecteurs orthogonaux, ce qui facilite la résolution de problèmes d’approximation et de minimisation de distances.

• La formule de la projection sur une base orthonormée (Proposition 16) :
  $pF(x) = \sum_{i=1}^r (e_i | x) e_i$ est essentielle pour le calcul pratique.

• La propriété fondamentale de la norme dans un espace euclidien ou préhilbertien :
  $||x||^2 = ||pF(x)||^2 + ||x - pF(x)||^2$ (Corollaire 8), qui découle du théorème de Pythagore.

• La projection orthogonale est un outil clé pour la minimisation de la distance : pour tout x ∈ E, pF(x) est le point de F le plus proche de x (Proposition 17).

💡 À retenir

La projection orthogonale permet de décomposer un vecteur en une partie dans un sous-espace et une partie orthogonale, facilitant ainsi la résolution de problèmes d’approximation, de minimisation et d’analyse géométrique dans un espace préhilbertien ou euclidien.

📖 7. Endomorphismes orthogonaux

🔑 Notions clés & Définitions

• Endomorphisme orthogonal : Un endomorphisme $f : E \to E$ d’un espace préhilbertien (ou euclidien) est dit orthogonal si et seulement si il préserve le produit scalaire, c’est-à-dire pour tout $x, y \in E$, $(f(x)|f(y)) = (x|y)$.
  (source : Chapitre 12, définitions et propriétés)

• Caractérisation par préservation du produit scalaire : Un endomorphisme $f$ est orthogonal si et seulement si il conserve la longueur des vecteurs, c’est-à-dire $\forall x \in E, ||f(x)|| = ||x||$, où $||x|| = \sqrt{(x|x)}$.
  (source : Chapitre 12, inégalité de Cauchy-Schwarz et propriétés)

• Relation avec matrices orthogonales : Si $f$ est un endomorphisme orthogonal dans un espace euclidien de dimension finie, alors sa matrice dans une base orthonormée est une matrice orthogonale, c’est-à-dire une matrice $A$ vérifiant $A^T A = I$, où $A^T$ est la transposée de $A$.
  (source : Chapitre 12, matrices orthogonales)

📝 Points essentiels

• La définition d’un endomorphisme orthogonal repose sur la conservation du produit scalaire : $\forall x, y \in E, (f(x)|f(y)) = (x|y)$. Cela implique que $f$ conserve la norme des vecteurs, d’où la propriété $||f(x)|| = ||x||$.
• La caractérisation par préservation du produit scalaire est une condition nécessaire et suffisante pour qu’un endomorphisme soit orthogonal, selon la proposition qui indique que $f$ est orthogonal si et seulement si il est linéaire, symétrique et défini positif (voir section 12.1.1).
• En dimension finie, tout endomorphisme orthogonal peut s’écrire sous la forme d’une matrice orthogonale dans une base orthonormée, c’est-à-dire une matrice $A$ vérifiant $A^T A = I$. La relation entre endomorphismes orthogonaux et matrices orthogonales est donc une correspondance bijective dans ce contexte.
• La famille de matrices orthogonales forme un groupe appelé groupe orthogonal $O(n)$, qui est stable par composition et inversion, et dont les éléments conservent la structure géométrique de l’espace.
• La propriété fondamentale des endomorphismes orthogonaux est leur invariance de la longueur et de l’angle entre vecteurs, ce qui en fait des transformations géométriques importantes, notamment en géométrie et en analyse.

💡 À retenir

Les endomorphismes orthogonaux sont précisément ceux qui conservent le produit scalaire, la norme et l’angle, et leur matrice dans une base orthonormée est une matrice orthogonale vérifiant $A^T A = I$.

📖 8. Matrices orthogonales

🔑 Notions clés & Définitions

Matrices orthogonales : Une matrice $A \in M_n(\mathbb{R})$ est dite orthogonale si elle conserve le produit scalaire standard, c’est-à-dire si $A^\top A = I_n$, où $A^\top$ désigne la transposée de $A$ et $I_n$ la matrice identité de taille $n$.
Propriété essentielle : La inverse d’une matrice orthogonale est égale à sa transposée, c’est-à-dire $A^{-1} = A^\top$.
Relation avec endomorphismes orthogonaux : Un endomorphisme $f : E \to E$ (avec $E$ espace euclidien) est orthogonal si et seulement si sa matrice dans une base orthonormée est orthogonale, ce qui équivaut à la préservation du produit scalaire, c’est-à-dire $\forall x, y \in E, (f(x)|f(y)) = (x|y)$.

📝 Points essentiels

• Définition : La matrice $A$ est orthogonale si $A^\top A = I_n$. Cela implique que ses colonnes (et ses lignes) forment une famille orthonormée dans $\mathbb{R}^n$.
• Propriétés :
  • La transpose de $A$ est aussi son inverse : $A^{-1} = A^\top$.
  • La déterminante d’une matrice orthogonale est toujours $\pm 1$.
  • La composition de deux matrices orthogonales est encore orthogonale, formant ainsi un groupe appelé groupe orthogonal $O(n)$.
• Relation avec endomorphismes : Un endomorphisme orthogonal est une transformation linéaire qui préserve le produit scalaire, et sa matrice dans une base orthonormée est une matrice orthogonale.

💡 À retenir

Les matrices orthogonales sont des transformations linéaires qui conservent la structure géométrique de l’espace, notamment les longueurs et angles, grâce à leur propriété fondamentale que leur inverse est leur transposée.

📖 9. Rotations en dimension 2

🔑 Notions clés & Définitions

Rotation en dimension 2 : Transformation linéaire $R$ de $\mathbb{R}^2$ qui conserve la norme et l'angle entre les vecteurs, c’est-à-dire une isométrie qui tourne le plan autour de l’origine sans le déformer.
Matrice associée d’une rotation : Matrice $R_\theta$ représentant une rotation d’angle $\theta$ dans la base canonique, donnée par
$R_\theta = \begin{pmatrix} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{pmatrix}$
Paramétrisation par un angle $\theta$ : La rotation est entièrement déterminée par l’angle $\theta \in \mathbb{R}$, qui indique la rotation dans le sens antihoraire. La famille des rotations en dimension 2 est donc $\{ R_\theta \mid \theta \in \mathbb{R} \}$.
Propriétés géométriques :

• La rotation $R_\theta$ préserve la norme : $\| R_\theta x \| = \| x \|$.
• La rotation $R_\theta$ conserve l’angle entre deux vecteurs : $\angle(R_\theta x, R_\theta y) = \angle(x, y)$.
• La composition de deux rotations $R_\alpha \circ R_\beta = R_{\alpha + \beta}$.
• La rotation $R_\theta$ est une transformation orthogonale avec $R_\theta^{-1} = R_{-\theta}$.

📝 Points essentiels

• La matrice de rotation $R_\theta$ en dimension 2 est une matrice orthogonale dont le déterminant est $+1$, caractérisant une rotation pure sans réflexion.
• La paramétrisation par $\theta$ permet d’obtenir toutes les rotations possibles dans le plan, formant un groupe $SO(2)$.
• La propriété fondamentale est que $R_\theta$ conserve la norme et l’angle, ce qui en fait une transformation isométrique.
• La composition de deux rotations correspond à une rotation dont l’angle est la somme des angles initiaux :
  $R_\alpha \circ R_\beta = R_{\alpha + \beta}$
• La matrice $R_\theta$ est diagonalisable dans $\mathbb{C}$ avec valeurs propres $e^{i\theta}$ et $e^{-i\theta}$, ce qui traduit la rotation dans le plan complexe.
• La rotation est une transformation orthogonale spéciale : elle appartient au groupe $SO(2)$, le groupe des matrices orthogonales de déterminant 1.

💡 À retenir

Une rotation en dimension 2 est une transformation géométrique qui tourne le plan d’un angle $\theta$ sans le déformer, représentée par une matrice orthogonale dont la paramétrisation par $\theta$ permet de décrire toutes ces rotations via une seule famille de matrices.

📖 10. Rotations en dimension 3

🔑 Notions clés & Définitions

• Rotation en dimension 3 : Transformation linéaire $R : \mathbb{R}^3 \to \mathbb{R}^3$ qui conserve la norme (ou produit scalaire) et qui correspond à une rotation autour d’un axe fixe. AUTEUR (date) : La rotation est une application orthogonale avec déterminant +1, caractérisée par un axe de rotation et un angle.

• Axe de rotation : Droite dans $\mathbb{R}^3$ autour de laquelle la rotation s’effectue. Tout vecteur sur cet axe reste invariant par la rotation. POINT CLÉ : L’axe est une droite vectorielle engendrée par un vecteur propre de la matrice de rotation associé à la valeur propre 1.

• Matrice de rotation en dimension 3 : Matrice orthogonale $R \in M_3(\mathbb{R})$ avec $\det R = 1$, qui représente la rotation. Elle possède une forme particulière, souvent donnée par la formule de Rodrigues ou par la paramétrisation par un angle $\theta$ et un vecteur unitaire $u$ (axe de rotation).

• Propriétés spécifiques aux rotations en dimension 3 :

  • Existence d’un vecteur propre associé à la valeur propre 1, correspondant à l’axe de rotation.
  • La rotation peut être entièrement déterminée par un angle $\theta$ (de 0 à $2\pi$) et un vecteur unitaire $u$ indiquant l’axe.
  • La matrice de rotation $R$ vérifie $R u = u$ (vecteur propre associé à 1).

• Formule de Rodrigues : Pour un vecteur unitaire $u$ et un angle $\theta$, la matrice de rotation $R$ s’écrit : $R = I + \sin \theta \, [u]_\times + (1 - \cos \theta) \, [u]_\times^2$ où $[u]_\times$ est la matrice antisymétrique associée au vecteur $u$.

📝 Points essentiels

• Toute rotation en dimension 3 possède un axe invariant, représenté par un vecteur propre $u$ tel que $R u = u$.
• La matrice de rotation $R$ conserve la norme et le produit scalaire, donc $R \in SO(3)$ (groupe spécial orthogonal).
• La caractérisation par un angle $\theta$ permet de décrire complètement la rotation : si $\theta = 0$, c’est l’identité ; si $\theta = \pi$, la rotation est une réflexion par rapport à un plan orthogonal à l’axe.
• La formule de Rodrigues donne une expression explicite de $R$ en fonction de $u$ et $\theta$.

💡 À retenir

Une rotation en dimension 3 est une application orthogonale avec déterminant +1, caractérisée par un axe invariant et un angle de rotation, et représentée par une matrice de rotation spécifique qui conserve la norme et le produit scalaire.

📖 11. Réduction des endomorphismes symétriques

🔑 Notions clés & Définitions

• Réduction d’un endomorphisme symétrique : processus consistant à exprimer un endomorphisme symétrique dans une base orthonormée de vecteurs propres, permettant de le représenter par une matrice diagonale. Cela facilite son étude en décomposant l’espace en sous-espaces invariants.

• Théorème spectral pour endomorphismes symétriques : ****(voir section 12.2.4)**, ce théorème affirme que tout endomorphisme symétrique d’un espace euclidien de dimension finie est diagonalement représentable dans une base orthonormée constituée de vecteurs propres, avec des valeurs propres réelles. Il garantit l’existence d’une base orthonormée de vecteurs propres.

• Existence de bases orthonormées de vecteurs propres : résultat fondamental indiquant que pour un endomorphisme symétrique, il existe une base orthonormée de vecteurs propres, c’est-à-dire que chaque vecteur de cette base est un vecteur propre, et que la base est orthogonale entre eux.

• Diagonalisation des matrices symétriques : propriété selon laquelle toute matrice symétrique réelle peut être transformée par une orthogonalisation en une matrice diagonale, dont les éléments diagonaux sont les valeurs propres de la matrice, correspondant aux vecteurs propres orthonormés.

📝 Points essentiels

• La réduction d’un endomorphisme symétrique repose sur le théorème spectral, qui assure la diagonalisation dans une base orthonormée de vecteurs propres (voir "théorème spectral pour endomorphismes symétriques").
• La preuve de ce théorème repose sur la propriété que tout endomorphisme symétrique possède une famille orthonormée de vecteurs propres (existance de bases orthonormées de vecteurs propres).
• La diagonalisation des matrices symétriques permet de simplifier leur étude en exprimant l’endomorphisme dans une base où sa matrice est diagonale, avec des valeurs propres réelles.
• La réduction permet d’isoler chaque vecteur propre dans une sous-structure invariantes, facilitant le calcul et la compréhension des propriétés spectrales.
• La propriété que tout endomorphisme symétrique est diagonalement représentable dans une base orthonormée de vecteurs propres est essentielle pour la résolution de systèmes linéaires, la diagonalisation, et l’analyse spectrale.

💡 À retenir

La réduction d’un endomorphisme symétrique consiste à le diagonaliser dans une base orthonormée de vecteurs propres, grâce au théorème spectral, ce qui simplifie considérablement son étude et ses applications.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre forme bilinéaire symétrique et produit scalaire : toutes ne sont pas nécessairement définies positives.
2. Oublier que la positivité doit s'appliquer à tout $x \neq 0$ pour qu'une forme soit un produit scalaire.
3. Confondre la norme euclidienne avec d’autres notions de norme (ex: norme opérateur, norme infinie).
4. Négliger l’importance de la propriété de symétrie pour la définition du produit scalaire.
5. Confondre identité de polarisation avec identité du parallélogramme : ce sont deux relations différentes mais liées.
6. Confondre espace préhilbertien et espace hilbertien complet.
7. Erreur dans l’application de l’inégalité de Cauchy-Schwarz : oublier la borne supérieure ou la limite d’égalité.

✅ Checklist Examen

1. Connaître la définition d’un espace préhilbertien selon la forme bilinéaire symétrique définie positive (source : chapitre 12).
2. Savoir démontrer qu’un produit scalaire vérifie la linéarité, la symétrie, et la positivité (proposition 1).
3. Maîtriser la formule de la norme euclidienne $\|x\| = \sqrt{(x|x)}$ et ses propriétés.
4. Savoir appliquer l’inégalité de Cauchy-Schwarz dans un espace préhilbertien.
5. Connaître la formule de l’identité de polarisation pour retrouver le produit scalaire à partir de la norme.
6. Identifier un exemple de produit scalaire sur $\mathbb{R}^n$, $C([0,1], \mathbb{R})$, ou $\ell^2$.
7. Comprendre la différence entre forme bilinéaire, forme bilinéaire symétrique, et produit scalaire.
8. Savoir caractériser une forme bilinéaire définie positive.
9. Reproduire la démonstration de la propriété du parallélogramme.
10. Connaître les propriétés fondamentales des espaces euclidiens.
11. Maîtriser la notion d’orthogonalité et de projection orthogonale dans un espace préhilbertien.
12. Vérifier la cohérence entre la norme et le produit scalaire dans un espace donné.