Prepa Help
Prepa Help › Cours › Mathématiques, 2e année, voie économique

Algèbre bilinéaire en ECS2 et ECG : produit scalaire, Gram-Schmidt, projection orthogonale

Produit scalaire et norme euclidienne, inégalité de Cauchy-Schwarz, orthogonalité, bases orthonormées et matrices orthogonales, supplémentaire orthogonal, projection orthogonale et moindres carrés, endomorphismes et matrices symétriques, régression en Python.

Les nombres sont ceux du chapitre complet ; chaque filière voit la partie qui correspond à son programme.

Un produit scalaire est une application bilinéaire, symétrique, positive et définie ; il fournit une norme ∥x∥=⟨x,x⟩\|x\| = \sqrt{\langle x, x\rangle} et l'inégalité de Cauchy-Schwarz ∣⟨x,y⟩∣≤∥x∥ ∥y∥\lvert\langle x, y\rangle\rvert \leq \|x\|\,\|y\|. Il sert à construire des bases orthonormées par le procédé de Gram-Schmidt, à calculer un projeté orthogonal et une distance, à résoudre les moindres carrés (droite de régression) et à diagonaliser une matrice symétrique sous la forme A=PDP⊤A = PDP^{\top}. Ce chapitre couvre l'algèbre bilinéaire de deuxième année ECS au Maroc ; ses notions figurent aussi en deuxième année de prépa ECG, maths approfondies. Il revient souvent dans les DS et les problèmes de concours (CNAEM, BCE, ECRICOME).

Ce que tu sauras faire

Dans le plan, on sait mesurer des longueurs et parler d'angle droit. Le produit scalaire étend ces notions à tout espace vectoriel réel : à Rn\mathbb{R}^n bien sûr, mais aussi aux polynômes, aux fonctions, aux matrices. Il donne l'inégalité de Cauchy-Schwarz, qui encadre une somme ou une intégrale, et la projection orthogonale, qui fournit la meilleure approximation d'un vecteur dans un sous-espace : c'est le principe des moindres carrés et de la régression linéaire. Le chapitre se termine par les endomorphismes symétriques, dont les matrices se diagonalisent dans une base orthonormée ; ce résultat servira pour les fonctions de plusieurs variables. À la fin, tu dois savoir :

L’essentiel du chapitre Extrait gratuit

Un extrait de la fiche « L'essentiel » du chapitre. Les démonstrations sont dans le cours détaillé.

À retenir Produit scalaire et norme
  • Bilinéaire, symétrique, positive, définie ; ∥x∥=⟨x,x⟩\|x\| = \sqrt{\langle x, x\rangle}.
  • Exemples : X⊤YX^{\top}Y sur Rn\mathbb{R}^n ; ∫abfg\int_a^b fg ; ∑k=0nP(ak)Q(ak)\sum_{k=0}^{n}P(a_k)Q(a_k) sur Rn[X]\mathbb{R}_n[X] (aka_k distincts) ; tr⁡(A⊤B)\operatorname{tr}(A^{\top}B) sur Mn(R)\mathcal{M}_n(\mathbb{R}).
  • ∥x+y∥2=∥x∥2+2⟨x,y⟩+∥y∥2\|x + y\|^2 = \|x\|^2 + 2\langle x, y\rangle + \|y\|^2 ; polarisation ⟨x,y⟩=14(∥x+y∥2−∥x−y∥2)\langle x, y\rangle = \frac{1}{4}(\|x + y\|^2 - \|x - y\|^2).
À retenir Cauchy-Schwarz
  • ∣⟨x,y⟩∣≤∥x∥ ∥y∥\lvert\langle x, y\rangle\rvert \leq \|x\|\,\|y\|, égalité si et seulement si xx et yy sont colinéaires.
  • Preuve : discriminant de t↦∥x+ty∥2t \mapsto \|x + ty\|^2.
  • (∑xiyi)2≤∑xi2∑yi2\big(\sum x_iy_i\big)^2 \leq \sum x_i^2\sum y_i^2 ; (∑xi)2≤n∑xi2\big(\sum x_i\big)^2 \leq n\sum x_i^2 ; (∫fg)2≤∫f2∫g2\big(\int fg\big)^2 \leq \int f^2\int g^2 ; inégalité triangulaire.
  • Maximum de ⟨a,x⟩\langle a, x\rangle sur ∥x∥=1\|x\| = 1 : ∥a∥\|a\|, atteint en a∥a∥\frac{a}{\|a\|}.
À retenir Orthogonalité
  • x⊥yx \perp y : ⟨x,y⟩=0\langle x, y\rangle = 0 ; F⊥F^\perp : orthogonal à une famille génératrice de FF.
  • Famille orthogonale sans vecteur nul : libre. Pythagore : ∥x+y∥2=∥x∥2+∥y∥2  ⟺  x⊥y\|x + y\|^2 = \|x\|^2 + \|y\|^2 \iff x \perp y.
À retenir Espaces euclidiens
  • Il existe des bases orthonormées ; Schmidt sur des exemples (non exigible).
  • En base orthonormée : x=∑⟨x,ei⟩eix = \sum\langle x, e_i\rangle e_i, ⟨x,y⟩=X⊤Y\langle x, y\rangle = X^{\top}Y, ∥x∥2=X⊤X\|x\|^2 = X^{\top}X.
  • Passage entre bases orthonormées : PP orthogonale, P−1=P⊤P^{-1} = P^{\top} (colonnes orthonormées).
  • E=F⊕F⊥E = F \oplus F^\perp, dim⁡F⊥=n−dim⁡F\dim F^\perp = n - \dim F, (F⊥)⊥=F(F^\perp)^\perp = F ; toute famille orthonormée se complète.
À retenir Projection orthogonale et moindres carrés
  • pF(x)∈Fp_F(x) \in F et x−pF(x)∈F⊥x - p_F(x) \in F^\perp ; en base orthonormée de FF : ∑⟨x,ei⟩ei\sum\langle x, e_i\rangle e_i, de matrice ∑UiUi⊤\sum U_iU_i^{\top}.
  • Droite : ⟨x,u⟩∥u∥2u\frac{\langle x, u\rangle}{\|u\|^2}u ; hyperplan de normale nn : x−⟨x,n⟩∥n∥2nx - \frac{\langle x, n\rangle}{\|n\|^2}n.
  • d(x,F)=∥x−pF(x)∥=min⁡y∈F∥x−y∥d(x, F) = \|x - p_F(x)\| = \min_{y \in F}\|x - y\| ; d(x,F)2=∥x∥2−∥pF(x)∥2d(x, F)^2 = \|x\|^2 - \|p_F(x)\|^2.
  • AA de rang pp : ∥AX−B∥\|AX - B\| minimal pour AX0=pIm⁡A(B)AX_0 = p_{\operatorname{Im}A}(B), soit A⊤AX0=A⊤BA^{\top}AX_0 = A^{\top}B (formule non exigible).
  • Droite de régression : a∑xi2+b∑xi=∑xiyia\sum x_i^2 + b\sum x_i = \sum x_iy_i, a∑xi+nb=∑yia\sum x_i + nb = \sum y_i ; elle passe par (xˉ,yˉ)(\bar x, \bar y).
  • Corrélation n'est pas causalité : ∣r∣\lvert r\rvert proche de 11 indique une liaison affine, pas une cause ; les deux variables peuvent dépendre d'une troisième.
À retenir Endomorphismes et matrices symétriques
  • ff symétrique : ⟨f(x),y⟩=⟨x,f(y)⟩\langle f(x), y\rangle = \langle x, f(y)\rangle ; matrice symétrique en base orthonormée.
  • FF stable ⇒\Rightarrow F⊥F^\perp stable ; sous-espaces propres deux à deux orthogonaux.
  • Un projecteur est orthogonal si et seulement s'il est symétrique.
  • Théorème spectral (admis) : AA symétrique réelle s'écrit A=PDP⊤A = PDP^{\top}, PP orthogonale, et A=∑λiUiUi⊤A = \sum\lambda_iU_iU_i^{\top}.
  • X⊤AX=∑λiyi2X^{\top}AX = \sum\lambda_iy_i^2 : positif pour tout XX si et seulement si les valeurs propres sont positives ou nulles (résultat non exigible, à redémontrer par le théorème spectral).

Une méthode du chapitre Extrait gratuit

Un exercice corrigé Extrait gratuit

Dans le chapitre complet

Le cours détaillé, toute la fiche « L'essentiel », 15 méthodes, 31 pièges corrigés, la carte mentale, 36 exercices corrigés, 7 problèmes de concours, les fiches à mémoriser et l'assistant qui répond à tes questions. Ce chapitre est offert : il s’ouvre en entier avec un compte d’essai gratuit.

Ouvrir l'essai gratuitVoir les offres

Plan du cours

Les méthodes du chapitre

Chaque méthode est une fiche : quand l'utiliser, le rappel de cours, les étapes, la rédaction attendue sur la copie, un exemple traité, les erreurs à éviter.

  1. Montrer qu'une application est un produit scalaire
  2. Calculer avec la norme
  3. Utiliser l'inégalité de Cauchy-Schwarz
  4. Optimiser par Cauchy-Schwarz
  5. Déterminer l'orthogonal d'un sous-espace
  6. Calculer dans une base orthonormée
  7. Orthonormaliser une famille libre
  8. Reconnaître une matrice orthogonale
  9. Compléter une famille orthonormée
  10. Calculer un projeté orthogonal et une distance
  11. Écrire la matrice d'un projecteur orthogonal
  12. Résoudre un problème de moindres carrés
  13. Montrer qu'un endomorphisme est symétrique
  14. Diagonaliser une matrice symétrique dans une base orthonormée
  15. Calculer en Python : produit scalaire, projection, régression

Les exercices corrigés

Chaque exercice a ses indications, sa correction rédigée et ce qu'il faut en retenir.

Application directe (14)

Entraînement (18)

Approfondissement (4)

Les problèmes de concours

Des extraits de sujets réels, corrigés en entier, avec la durée conseillée et les méthodes mobilisées.

Sujets de concours sur ce chapitre

Les 12 sujets les plus récents sur 119, à télécharger gratuitement en PDF, sans corrigé. Tous les sujets de concours.

Questions fréquentes

Comment montrer qu'une application est un produit scalaire ?

On vérifie quatre propriétés : symétrie φ(y,x)=φ(x,y)\varphi(y, x) = \varphi(x, y), linéarité par rapport à la première variable (la seconde suit par symétrie), positivité φ(x,x)≥0\varphi(x, x) \geq 0 et caractère défini φ(x,x)=0⇒x=0\varphi(x, x) = 0 \Rightarrow x = 0. Pour le caractère défini, on utilise qu'une fonction continue positive d'intégrale nulle sur [a,b][a, b], a<ba < b, est nulle, ou qu'un polynôme de degré au plus nn ayant n+1n + 1 racines distinctes est nul.

Quelle est l'inégalité de Cauchy-Schwarz ?

Pour un produit scalaire, ∣⟨x,y⟩∣≤∥x∥ ∥y∥\lvert\langle x, y\rangle\rvert \leq \|x\|\,\|y\|, avec égalité si et seulement si xx et yy sont colinéaires. Elle se démontre par le discriminant du trinôme t↦∥x+ty∥2t \mapsto \|x + ty\|^2. Versions usuelles : (∑xiyi)2≤∑xi2∑yi2\big(\sum x_iy_i\big)^2 \leq \sum x_i^2 \sum y_i^2, (∑xi)2≤n∑xi2\big(\sum x_i\big)^2 \leq n\sum x_i^2 et (∫abfg)2≤∫abf2∫abg2\big(\int_a^b fg\big)^2 \leq \int_a^b f^2 \int_a^b g^2 pour f,gf, g continues sur [a,b][a, b].

Comment appliquer le procédé d'orthonormalisation de Gram-Schmidt ?

À partir d'une famille libre (u1,…,up)(u_1, \dots, u_p), on pose e1=u1∥u1∥e_1 = \frac{u_1}{\|u_1\|}, puis pour chaque kk on retire à uku_k ses composantes sur les vecteurs déjà construits : vk=uk−∑i<k⟨uk,ei⟩eiv_k = u_k - \sum_{i<k}\langle u_k, e_i\rangle e_i, et ek=vk∥vk∥e_k = \frac{v_k}{\|v_k\|}. La famille obtenue est orthonormée. Il faut normer à chaque étape : la formule ⟨u,e⟩e\langle u, e\rangle e n'est valable que pour ee de norme 11. Le procédé n'est pas exigible en ECS, mais les énoncés le guident souvent.

Comment calculer le projeté orthogonal sur un sous-espace ?

pF(x)p_F(x) est l'unique vecteur de FF tel que x−pF(x)∈F⊥x - p_F(x) \in F^\perp. Sur une droite Vect⁡(u)\operatorname{Vect}(u), p(x)=⟨x,u⟩∥u∥2up(x) = \frac{\langle x, u\rangle}{\|u\|^2}u. Si (e1,…,ep)(e_1, \dots, e_p) est une base orthonormée de FF, pF(x)=∑⟨x,ei⟩eip_F(x) = \sum\langle x, e_i\rangle e_i. Sinon, on écrit pF(x)=∑λifip_F(x) = \sum\lambda_if_i et on résout ⟨x−pF(x),fj⟩=0\langle x - p_F(x), f_j\rangle = 0 pour chaque jj. La distance vaut d(x,F)=∥x−pF(x)∥d(x, F) = \|x - p_F(x)\|, et non ∥pF(x)∥\|p_F(x)\|.

Comment diagonaliser une matrice symétrique dans une base orthonormée ?

Par le théorème spectral (admis), une matrice symétrique réelle s'écrit A=PDP⊤A = PDP^{\top} avec PP orthogonale et DD diagonale, et ses sous-espaces propres sont orthogonaux. On cherche les valeurs propres et une base de chaque sous-espace propre, on orthonormalise cette base dans chaque sous-espace de dimension au moins 22, on norme les autres vecteurs, puis on range les colonnes de PP dans l'ordre des valeurs propres de DD. Alors P−1=P⊤P^{-1} = P^{\top}.

Qu'est-ce qu'une matrice orthogonale ?

Une matrice P∈Mn(R)P \in \mathcal{M}_n(\mathbb{R}) est orthogonale si P⊤P=InP^{\top}P = I_n, c'est-à-dire si PP est inversible et P−1=P⊤P^{-1} = P^{\top} : ses colonnes forment une base orthonormée de Rn\mathbb{R}^n pour le produit scalaire canonique. Des colonnes seulement orthogonales ne suffisent pas, elles doivent aussi être de norme 11. La matrice de passage entre deux bases orthonormées est orthogonale, ce qui évite tout calcul d'inverse lorsqu'on diagonalise une matrice symétrique.

Comment y accéder

Ce chapitre fait partie des chapitres offerts : il s'ouvre en entier avec un compte d'essai gratuit. Créer un compte d'essai ou se connecter. Pour l'accès complet et les tarifs, vois les offres.

Toute ta prépa au même endroit

Pour chaque chapitre : le cours, l'essentiel, les méthodes, les pièges, les exercices corrigés, les problèmes de concours, et un assistant qui répond à tes questions. Programmes du Maroc et de France. Avec la plateforme vidéo YOUNESS SCHOOL offerte, dès 600 DH (60 $) par mois, sans engagement.

Prépas scientifiques : voir l'offrePrépas ECS et ECT : voir l'offreTu hésites encore ? Essaie gratuitement Prepa Help.

← Sommes finies et séries numériques · Couples de variables aléatoires discrètes finies →