Fiche de révision : Introduction aux Espaces Vectoriels et Applications Linéaires

📋 Plan du Cours

1. Vecteurs et familles
2. Sous-espaces vectoriels
3. Applications linéaires
4. Produit scalaire et norme
5. Matrices et endomorphismes
6. Séries et convergence
7. Séries de Fourier
8. Séries entières
9. Fonctions analytiques
10. Probabilités et variables

📖 1. Vecteurs et familles

🔑 Notions clés & Définitions

• Famille infinie de vecteurs : Ensemble non fini de vecteurs dans un espace vectoriel, dont la cardinalité est infinie. La rédaction correcte d'une telle famille doit respecter une récurrence (voir récurrence dans le contenu source).

• Génératrice de vecteurs : Famille de vecteurs dont la combinaison linéaire permet d'obtenir tout vecteur de l'espace vectoriel considéré.

• Somme directe de sous-espaces vectoriels : Situation où un espace vectoriel est décomposé en la somme de sous-espaces vectoriels dont l'intersection est réduite au vecteur nul, assurant une décomposition unique de chaque vecteur (voir somme directe dans le contenu source).

• Projection orthogonale : Opération qui associe à un vecteur le vecteur de son image dans un sous-espace, de manière à minimiser la distance entre le vecteur initial et l'image (voir projection orthogonale).

• Distance d'un vecteur à un sous-espace vectoriel : La norme du vecteur différence entre le vecteur initial et sa projection orthogonale sur le sous-espace.

• Orthogonalité : Relation entre deux vecteurs dont le produit scalaire est nul, ce qui implique qu'ils sont perpendiculaires dans un espace préhilbertien ou euclidien.

📝 Points essentiels

• La famille infinie de vecteurs peut être utilisée pour générer un espace entier si elle est génératrice.
• La somme directe nécessite que l'intersection des sous-espaces soit réduite au vecteur nul, garantissant une décomposition unique.
• La projection orthogonale est un outil clé pour mesurer la proximité d’un vecteur à un sous-espace, en utilisant la norme associée au produit scalaire.
• La distance d’un vecteur à un sous-espace est donnée par la norme du vecteur différence entre le vecteur initial et sa projection orthogonale.
• L’orthogonalité est caractérisée par le produit scalaire nul, ce qui permet de définir des notions d’indépendance orthogonale et de décomposition orthogonale.

💡 À retenir

Une famille infinie de vecteurs peut générer un espace, et la projection orthogonale permet d’établir la proximité d’un vecteur à un sous-espace, en utilisant l’orthogonalité pour décomposer et analyser la structure de l’espace vectoriel.

📖 2. Sous-espaces vectoriels

🔑 Notions clés & Définitions

• Sous-espace vectoriel : Ensemble non vide d’un espace vectoriel qui est lui-même un espace vectoriel pour l’addition et la multiplication par un scalaire (voir section 1). Il doit contenir le vecteur nul, être stable par addition et par multiplication par un scalaire.

• Sous-espace stable par un endomorphisme : Sous-espace vectoriel qui est invariant par un endomorphisme, c’est-à-dire que l’application linéaire (endomorphisme) envoie tout vecteur du sous-espace dans ce même sous-espace.

• Orthogonal d’un sous-espace vectoriel : Ensemble des vecteurs orthogonaux à tous les vecteurs d’un sous-espace donné. Formé par tous les vecteurs qui vérifient la propriété d’orthogonalité avec chaque vecteur du sous-espace (voir section 4, produit scalaire).

📝 Points essentiels

• Un sous-espace vectoriel doit contenir le vecteur nul, être fermé par addition et par multiplication par un scalaire.
• La somme de deux sous-espaces vectoriels est encore un sous-espace vectoriel.
• La notion de sous-espace stable par un endomorphisme est essentielle pour l’étude des invariants et des décompositions.
• L’orthogonal d’un sous-espace est un sous-espace vectoriel, souvent utilisé pour la projection orthogonale (voir section 4).
• La relation entre un sous-espace et son orthogonal permet de décomposer l’espace en somme directe de ces deux sous-espaces (voir section 4).

💡 À retenir

Un sous-espace vectoriel est un ensemble stable par addition et multiplication par un scalaire, contenant le vecteur nul, et peut être invariant par un endomorphisme ou défini via son orthogonalité.

📖 3. Applications linéaires

🔑 Notions clés & Définitions

• Applications linéaires : Fonctions entre deux espaces vectoriels qui respectent l'addition vectorielle et la multiplication par un scalaire (voir section 2 pour sous-espaces vectoriels).
• Endomorphismes : Applications linéaires d’un espace vectoriel dans lui-même.
• Matrices associées à une application linéaire : Matrices qui représentent une application linéaire par rapport à une base donnée.
• Théorème spectral : Résultat indiquant que, sous certaines conditions (notamment pour matrices symétriques), une matrice est diagonalisable par une base de vecteurs propres.
• Valeurs propres : Scalas qui vérifient le polynôme caractéristique d’une matrice ou d’un endomorphisme, associées à un vecteur propre.
• Vecteurs propres : Vecteurs non nuls tels que l’application linéaire les transforme en un multiple d’eux-mêmes (valeur propre).

📝 Points essentiels

• Une application linéaire peut être représentée par une matrice, dont les colonnes sont les images des vecteurs de la base.
• La diagonalisabilité d’une matrice ou d’un endomorphisme est liée à la décomposition en vecteurs propres et valeurs propres.
• Le théorème spectral s’applique notamment aux matrices symétriques, permettant leur diagonalisation par une base de vecteurs propres orthogonaux.
• La notion de sous-espace propre est liée aux valeurs propres, et le polynôme caractéristique permet de déterminer ces valeurs.
• La trace d’une matrice est la somme de ses valeurs propres (voir section 5).

💡 À retenir

Les applications linéaires peuvent être étudiées via leurs matrices, en utilisant les valeurs et vecteurs propres, ce qui facilite leur diagonalisation et leur compréhension structurelle.

📖 4. Produit scalaire et norme

🔑 Notions clés & Définitions

• Produit scalaire : (non défini explicitement dans la source, mais mentionné comme concept clé) une opération binaire sur un espace vectoriel qui associe à deux vecteurs un nombre réel, permettant de mesurer leur "angle" et leur "longueur".
• Norme associée à un produit scalaire : (non défini explicitement dans la source) une fonction qui, à partir du produit scalaire, attribue à chaque vecteur une longueur ou norme, souvent notée ||·||.
• Inégalité de Cauchy-Schwarz : (non défini explicitement dans la source) une inégalité fondamentale reliant le produit scalaire et la norme, généralement formulée comme |⟨x, y⟩| ≤ ||x|| · ||y||.
• Espace préhilbertien : (non défini explicitement dans la source) un espace vectoriel muni d’un produit scalaire, sans exigence de complétude.
• Espace euclidien : (non défini explicitement dans la source) un espace vectoriel réel doté d’un produit scalaire, souvent considéré comme un espace préhilbertien complet (espace de dimension finie ou infini).

📝 Points essentiels

• Le produit scalaire permet de définir la norme associée, qui mesure la longueur d’un vecteur.
• La norme est souvent notée ||x|| et dérivée du produit scalaire, par la relation ||x|| = √⟨x, x⟩.
• L’inégalité de Cauchy-Schwarz relie le produit scalaire et la norme, assurant que le module du produit scalaire entre deux vecteurs ne dépasse pas le produit de leurs normes.
• Un espace préhilbertien est un espace vectoriel avec un produit scalaire, mais sans nécessité de complétude.
• Un espace euclidien est un espace préhilbertien complet, souvent considéré dans le contexte de l’espace vectoriel réel.

💡 À retenir

Le produit scalaire permet de définir une norme, et l'inégalité de Cauchy-Schwarz est essentielle pour établir des propriétés fondamentales de ces notions dans un espace préhilbertien ou euclidien.

📖 5. Matrices et endomorphismes

🔑 Notions clés & Définitions

• Matrices et endomorphismes : Un endomorphisme est une application linéaire d’un espace vectoriel dans lui-même, représentée par une matrice dans une base donnée.
• Matrice symétrique : Matrice carrée égale à sa transposée, c’est-à-dire $M = M^T$. Elle possède des propriétés particulières, notamment en termes de diagonalisation.
• Matrice anti-symétrique : Matrice carrée telle que $M = -M^T$. Elle a des éléments diagonaux nuls et une structure particulière.
• Matrice orthogonale : Matrice carrée $Q$ vérifiant $Q^T Q = I$, où $I$ est la matrice identité. Elle représente une isométrie orthogonale.
• Matrice diagonalisable : Matrice qui peut s’écrire sous la forme $P D P^{-1}$, où $D$ est une matrice diagonale et $P$ une matrice inversible. Elle possède une base de vecteurs propres.
• Groupe orthogonal : Ensemble des matrices orthogonales de dimension donnée, fermé pour la multiplication, formant un groupe. Noté $O(n)$.

📝 Points essentiels

• La matrice symétrique est caractérisée par $M = M^T$ et est diagonalisable avec une base orthogonale de vecteurs propres réels.
• La matrice anti-symétrique vérifie $M = -M^T$, avec éléments diagonaux nuls, et ses valeurs propres sont soit nulles, soit purement imaginaires.
• La matrice orthogonale conserve la norme et la distance, vérifiant $Q^T Q = I$. Elle appartient au groupe $O(n)$.
• La diagonalisabilité d’une matrice est liée à la possibilité de la réduire à une forme diagonale via une base de vecteurs propres.
• Le groupe orthogonal $O(n)$ est constitué de toutes les matrices orthogonales de dimension $n$, formant un groupe sous la multiplication matricielle.

💡 À retenir

Les matrices symétriques et orthogonales jouent un rôle central dans la diagonalisation et la conservation des propriétés géométriques, tandis que le groupe orthogonal rassemble toutes ces transformations orthogonales.

📖 6. Séries et convergence

🔑 Notions clés & Définitions

Série numérique : Somme infinie de termes d'une suite (voir section 8). Elle est notée généralement $\sum_{n=0}^{\infty} a_n$.

Convergence absolue de série : Une série $\sum a_n$ est dite absolument convergente si la série des valeurs absolues $\sum |a_n|$ converge. La convergence absolue implique la convergence (voir section 8).

Rayon de convergence d'une série entière : La limite du rayon dans lequel la série entière $\sum a_n z^n$ converge. C'est une valeur positive ou nulle qui indique la zone de convergence dans le plan complexe.

Théorème de D'Alembert : (non explicitement défini dans la source, mais mentionné dans le contexte des séries) relatif à la convergence des séries, généralement utilisé pour déterminer le rayon de convergence via la limite du rapport des termes.

Série géométrique : Série de la forme $\sum_{n=0}^{\infty} r^n$, qui converge si et seulement si $|r| < 1$. La somme est alors $\frac{1}{1-r}$.

📝 Points essentiels

• La convergence absolue est une propriété forte qui garantit la convergence de la série, indépendamment de l'ordre des termes.
• Le rayon de convergence d'une série entière est déterminé par la limite du rapport ou de la racine des coefficients (Théorème de D'Alembert).
• La série géométrique est un cas particulier illustrant la convergence ou divergence selon la valeur de $r$.
• La série $\sum a_n$ peut converger ou diverger, et la convergence dépend de la nature des termes $a_n$.
• La convergence d'une série peut être absolue ou conditionnelle, la première étant plus forte.

💡 À retenir

La convergence d'une série dépend de la nature de ses termes et du rayon de convergence ; la convergence absolue est une propriété clé qui garantit la stabilité de la somme face à la permutation des termes.

📖 7. Séries de Fourier

🔑 Notions clés & Définitions

Série de Fourier : Représentation d'une fonction périodique comme une somme infinie de fonctions sinus et cosinus, permettant d'analyser ses composantes fréquentielles.

Coefficients de Fourier : Quantités numériques associées à chaque terme sinus ou cosinus dans la série de Fourier, déterminant l'amplitude de chaque composante. Leur calcul repose sur l'intégrale de la fonction multipliée par la fonction trigonométrique correspondante (intégrale de Riemann).

Théorème de Parseval : Énonce que la somme des carrés des coefficients de Fourier d'une fonction périodique est proportionnelle à l'intégrale du carré de cette fonction sur une période, établissant une égalité entre énergie dans le domaine temporel et fréquentiel.

Théorème de Dirichlet : Conditions sous lesquelles la série de Fourier d'une fonction converge vers la moyenne de ses limites aux points de discontinuité, ou vers la valeur de la fonction en un point où elle est continue.

Série de Fourier : La somme infinie des termes sinus et cosinus, avec leurs coefficients respectifs, qui représente la fonction périodique analysée.

📝 Points essentiels

• La série de Fourier permet de décomposer une fonction périodique en une somme infinie de fonctions trigonométriques.
• Les coefficients de Fourier sont calculés via des intégrales de Riemann, intégrant la fonction multipliée par des fonctions trigonométriques.
• Le théorème de Parseval relie la norme de la fonction à la norme de ses coefficients, assurant une conservation de l'énergie ou de la puissance.
• Le théorème de Dirichlet précise les conditions de convergence ponctuelle de la série de Fourier, notamment en présence de discontinuités.
• La convergence de la série de Fourier peut être absolue ou conditionnelle, selon la régularité de la fonction.

💡 À retenir

Les séries de Fourier offrent une méthode puissante pour analyser et représenter les fonctions périodiques, en reliant leur comportement dans le domaine temporel à leur spectre fréquentiel via les coefficients de Fourier.

📖 8. Séries entières

🔑 Notions clés & Définitions

• Série entière : Famille infinie de vecteurs ou de fonctions, généralement notée sous la forme $\sum_{n=0}^{+\infty} a_n (z - z_0)^n$, où $a_n$ sont des coefficients et $z_0$ un point fixe. Elle représente une somme infinie de termes dépendant d'une variable complexe ou réelle.
• Définition d'une série entière : Série de la forme $\sum_{n=0}^{+\infty} a_n (z - z_0)^n$, où $a_n$ sont des coefficients, et $z$ une variable. La série est dite entière si elle converge pour certains $z$ dans un disque de rayon de convergence.
• Rayon de convergence d'une série entière : Distance maximale $R$ autour du point $z_0$ dans laquelle la série converge. La convergence est assurée pour $|z - z_0| < R$ et divergente pour $|z - z_0| > R$.
• Forme explicite d'une série entière : Expression permettant de calculer directement chaque terme $a_n (z - z_0)^n$ à partir de formules ou de relations explicites.
• Théorème de dérivation terme à terme : Si une série entière converge dans un certain rayon, alors sa dérivée (et ses dérivées successives) peuvent être obtenues en dérivant chaque terme de la série, et la série dérivée a le même rayon de convergence.

📝 Points essentiels

• La série entière est une famille infinie de vecteurs ou de fonctions, souvent utilisée pour représenter des fonctions analytiques dans un disque de convergence.
• La convergence d'une série entière dépend du rayon de convergence, qui peut être déterminé via des théorèmes spécifiques (voir le théorème de D'Alembert dans la section convergence).
• La forme explicite d'une série entière facilite le calcul et l'analyse de la série, notamment pour étudier ses propriétés analytiques.
• Le théorème de dérivation terme à terme garantit que la différentiation d'une série entière est valide dans son rayon de convergence, permettant d'étudier la dérivée de la fonction représentée.

💡 À retenir

Une série entière est une représentation locale d'une fonction analytique, dont la convergence est assurée dans un disque de rayon précis, et dont la dérivation peut se faire terme à terme dans ce même disque.

📖 9. Fonctions analytiques

🔑 Notions clés & Définitions

• Fonction développable en série de Taylor : (non explicitement défini dans le contenu source, mais lié à la notion de série entière)
• Fonction analytique dans un disque : Fonction qui peut être représentée par une série entière convergente dans un disque, c'est-à-dire qu'elle possède un développement en série de Taylor dans ce disque.
• Développement en série entière d'une fonction : Expression d'une fonction sous la forme d'une série de termes de la forme $a_n (z - z_0)^n$, où $a_n$ sont des coefficients, valable dans un certain rayon de convergence.
• Fonctions analytiques : Fonctions qui admettent un développement en série de Taylor dans un voisinage de chaque point de leur domaine de définition, notamment dans un disque pour le cas local.

📝 Points essentiels

• La série entière est une série de la forme $\sum_{n=0}^\infty a_n (z - z_0)^n$ avec $a_n$ des coefficients réels ou complexes.
• La fonction est dite développable en série entière si elle peut s'exprimer par une telle série dans un voisinage de $z_0$.
• La notion de fonction analytique dans un disque implique que la fonction possède un développement en série de Taylor dans ce disque, ce qui garantit sa représentabilité par une série entière.
• La convergence de la série entière est caractérisée par le rayon de convergence, qui détermine la zone dans laquelle la série représente la fonction.
• La représentation en série de Taylor est un outil fondamental pour étudier le comportement local des fonctions analytiques.

💡 À retenir

Une fonction analytique dans un disque est précisément une fonction qui peut être représentée par une série entière convergente dans ce disque, ce qui permet de l'étudier localement par ses coefficients de Taylor.

📖 10. Probabilités et variables

🔑 Notions clés & Définitions

Probabilités (sur un univers fini ou dénombrable) : La mesure de la vraisemblance qu’un événement se produise dans un espace probabiliste, où chaque événement a une probabilité associée. (source : mention de "Probabilite sur un univers fini ou dénombrable")

Probabilité conditionnelle : La probabilité qu’un événement A se produise sachant que l’événement B est réalisé, notée P(A | B). Elle se calcule par la formule : P(A | B) = P(A ∩ B) / P(B), si P(B) ≠ 0. (source : "Probabilité conditionnelle")

Formule des probabilités composées : La règle permettant de calculer la probabilité de l’union de deux événements A et B, notamment P(A ∪ B) = P(A) + P(B) – P(A ∩ B). (source : "Formule des probabilités compostes")

Formule des probabilités totales : La méthode pour exprimer la probabilité d’un événement A en fonction d’une partition de l’espace, par P(A) = Σ P(A | B_i) P(B_i), où (B_i) est une famille partitionnante. (source : "Formule des probabilités totales")

Formule de Bayes : La formule permettant de mettre à jour la probabilité d’un événement B en fonction d’un autre événement A, donnée par P(B | A) = [P(A | B) P(B)] / P(A). (source : "Formule de Bayes")

Événements indépendants : Deux événements A et B sont indépendants si P(A ∩ B) = P(A) P(B). (source : "Evenements independants")

Espérance d'une variable aléatoire (finie ou dénombrable) : La moyenne pondérée des valeurs possibles d’une variable aléatoire, calculée par la somme des valeurs possibles multipliées par leur probabilité. (source : "Espérance d'une variable aleatoire dans le cas fini ou denombrable")

Variance d'une variable aléatoire (finie ou dénombrable) : La mesure de la dispersion des valeurs d’une variable aléatoire autour de son espérance, donnée par Var(X) = E[(X – E[X])²]. (source : "Variance d'une variable aléatoire dans le cas fin i ou denombrable")

Loi binomiale : Loi de probabilité décrivant le nombre de succès dans une série d’épreuves indépendantes de Bernoulli, avec paramètres n (nombre d’épreuves) et p (probabilité de succès). (source : "Loi binomiale, espérance et variance")

Loi de Poisson : Loi de probabilité pour le nombre d’événements rares et indépendants sur un intervalle, caractérisée par un paramètre λ (taux moyen). (source : "Loi de Poisson, espérance et variance")

Loi géométrique : Loi décrivant le nombre d’épreuves jusqu’au premier succès dans une suite d’épreuves de Bernoulli indépendantes, avec paramètre p. (source : "Loi géométrique, espérance et variance")

📝 Points essentiels

• La probabilité conditionnelle permet de réévaluer la vraisemblance d’un événement en tenant compte d’informations supplémentaires.
• La formule de Bayes est fondamentale pour la mise à jour des probabilités en fonction de nouvelles données.
• La loi binomiale modélise le nombre de succès dans une série d’épreuves indépendantes, avec des espérances et variances spécifiques.
• La loi de Poisson est adaptée pour modéliser des événements rares sur un intervalle ou dans un espace continu.
• La variance mesure la dispersion autour de l’espérance, essentielle pour comprendre la variabilité d’une variable aléatoire.
• La notion d’indépendance est cruciale pour simplifier le calcul de probabilités conjointes.

💡 À retenir

Les probabilités conditionnelles, la formule de Bayes, et les lois binomiale et de Poisson sont des outils clés pour modéliser et analyser des phénomènes aléatoires dans des contextes variés.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre famille infinie et famille finie : la cardinalité et la notion d’infini sont essentielles.
2. Mal interpréter la somme directe : intersection réduite au vecteur nul, décomposition unique.
3. Confondre projection orthogonale et projection quelconque : la projection orthogonale minimise la distance.
4. Oublier que l’orthogonal d’un sous-espace est lui-même un sous-espace.
5. Confondre espace préhilbertien et espace euclidien : complétude et dimension finie ou infinie.
6. Confondre vecteur propre et valeur propre : vecteur associé à une valeur propre, non la valeur elle-même.
7. Négliger l’inégalité de Cauchy-Schwarz dans la définition de la norme ou lors de démonstrations.

✅ Checklist Examen

1. Connaître la définition d’une famille infinie de vecteurs et la notion de génératrice.
2. Maîtriser la définition et les propriétés de la somme directe de sous-espaces vectoriels.
3. Savoir ce qu’est une projection orthogonale et comment elle permet de mesurer la distance à un sous-espace.
4. Connaître la définition d’un sous-espace vectoriel, ses propriétés et sa stabilité par endomorphisme.
5. Comprendre la notion d’orthogonal d’un sous-espace et sa relation avec la décomposition orthogonale.
6. Maîtriser la définition d’une application linéaire, son représenté matriciel, et le théorème spectral.
7. Savoir identifier une valeur propre et un vecteur propre, et leur rôle dans la diagonalisation.
8. Connaître la relation entre produit scalaire, norme, et inégalité de Cauchy-Schwarz.
9. Savoir ce qu’est un espace préhilbertien et un espace euclidien, et leurs différences.
10. Savoir représenter une application linéaire par une matrice, notamment une matrice symétrique.
11. Être capable d’identifier si une famille de vecteurs est génératrice ou indépendante.
12. Vérifier la stabilité d’un sous-espace par un endomorphisme.