|

Exercices corrigés MP-PSI : espaces euclidiens

↩ Chapitre : Algèbre bilinéaire et espaces euclidiens (MPSI-MP) · Algèbre bilinéaire et espaces euclidiens (PCSI-PSI)

Introduction

Douze exercices corrigés sur les espaces préhilbertiens et euclidiens, classés par difficulté croissante : produits scalaires, Cauchy-Schwarz, Gram-Schmidt, projections et moindres carrés, groupe orthogonal, théorème spectral, polynômes de Legendre, matrices de Gram. Les exercices 1 à 5 relèvent aussi de la première année (MPSI, PCSI) ; les suivants du programme de MP et de PSI.

Avant de commencer

Ces exercices s’appuient sur les résumés de cours (espaces préhilbertiens, MPSI, endomorphismes euclidiens, MP). Cherchez chaque exercice avant d’ouvrir le corrigé.

Exercices

Exercice 1 · Un produit scalaire sur les polynômes ★★★

Montrer que \langle P,Q\rangle=\displaystyle\int_0^1P(t)Q(t)\,dt définit un produit scalaire sur \mathbb{R}[X].

Corrigé

L’application est bien définie, symétrique, et linéaire par rapport à chaque variable (linéarité de l’intégrale). Elle est positive : \langle P,P\rangle=\int_0^1P^2\geqslant0. Si \langle P,P\rangle=0, la fonction continue et positive P^2 est nulle sur [0,1], donc P a une infinité de racines : P=0. C’est un produit scalaire.

Exercice 2 · Applications de Cauchy-Schwarz ★★★

  1. Montrer que \Big(\displaystyle\sum_{i=1}^{n}x_i\Big)^2\leqslant n\displaystyle\sum_{i=1}^{n}x_i^2 pour tous réels x_1,\dots,x_n. Cas d’égalité ?
  2. Soit f continue et strictement positive sur [0,1]. Montrer que \displaystyle\int_0^1f\cdot\int_0^1\frac1f\geqslant1.
Corrigé

1. L’inégalité de Cauchy-Schwarz dans \mathbb{R}^n appliquée à (1,\dots,1) et (x_1,\dots,x_n) donne le résultat, avec égalité si et seulement si les deux vecteurs sont colinéaires, c’est-à-dire si les x_i sont tous égaux.

2. Pour le produit scalaire \langle g,h\rangle=\int_0^1gh sur \mathcal{C}([0,1],\mathbb{R}), avec g=\sqrt f et h=\frac1{\sqrt f} : 1=\Big(\displaystyle\int_0^1gh\Big)^2\leqslant\int_0^1f\int_0^1\frac1f.

Exercice 3 · Procédé de Gram-Schmidt ★★★

Orthonormaliser, dans \mathbb{R}^3 muni du produit scalaire usuel, la base v_1=(1,1,0), v_2=(1,0,1), v_3=(0,1,1).

Corrigé

e_1=\frac{1}{\sqrt2}(1,1,0). Puis w_2=v_2-\langle v_2,e_1\rangle e_1=(1,0,1)-\big(\frac12,\frac12,0\big)=\big(\frac12,-\frac12,1\big), de norme \sqrt{\frac32}, d’où e_2=\frac{1}{\sqrt6}(1,-1,2). Enfin \langle v_3,e_1\rangle=\frac1{\sqrt2} et \langle v_3,e_2\rangle=\frac1{\sqrt6} :

    \[w_3=(0,1,1)-\Big(\frac12,\frac12,0\Big)-\Big(\frac16,-\frac16,\frac13\Big)=\Big(-\frac23,\frac23,\frac23\Big),\qquad e_3=\frac1{\sqrt3}(-1,1,1).\]

On vérifie que (e_1,e_2,e_3) est orthonormée.

Exercice 4 · Projection orthogonale sur un plan ★★★

Dans \mathbb{R}^3 euclidien, on note \Pi le plan d’équation x+y+z=0 et v=(1,2,3). Déterminer le projeté orthogonal de v sur \Pi et la distance de v à \Pi.

Corrigé

n=(1,1,1) est normal à \Pi. Le projeté orthogonal est p(v)=v-\dfrac{\langle v,n\rangle}{\|n\|^2}\,n=(1,2,3)-\dfrac63(1,1,1)=(-1,0,1), qui est bien dans \Pi. La distance vaut \|v-p(v)\|=\dfrac{|\langle v,n\rangle|}{\|n\|}=\dfrac{6}{\sqrt3}=2\sqrt3.

Exercice 5 · Un problème de moindres carrés ★★★

Déterminer \displaystyle\min_{(a,b)\in\mathbb{R}^2}\int_0^1\big(x^2-ax-b\big)^2\,dx.

Corrigé

Avec le produit scalaire de l’exercice 1 sur \mathbb{R}_2[X], on cherche la distance de X^2 au sous-espace \mathbb{R}_1[X]. Le minimum est atteint pour le projeté orthogonal aX+b de X^2, caractérisé par X^2-aX-b\perp1 et X^2-aX-b\perp X :

    \[\frac13-\frac a2-b=0,\qquad\frac14-\frac a3-\frac b2=0,\qquad\text{d'où}\qquad a=1,\quad b=-\frac16.\]

Le minimum vaut \displaystyle\int_0^1\Big(x^2-x+\frac16\Big)^2dx=\frac15-\frac12+\frac49-\frac16+\frac1{36}=\frac{1}{180}.

Exercice 6 · Le groupe orthogonal en dimension 2 ★★★

Déterminer les matrices de O_2(\mathbb{R}) et interpréter géométriquement.

Corrigé

Les colonnes d’une matrice orthogonale forment une base orthonormée. La première s’écrit (\cos\theta,\sin\theta)^{\mathsf T} ; la seconde, unitaire et orthogonale à la première, vaut \pm(-\sin\theta,\cos\theta)^{\mathsf T}. On obtient :

  • les rotations R_\theta=\begin{pmatrix}\cos\theta&-\sin\theta\\\sin\theta&\cos\theta\end{pmatrix}, de déterminant 1 ;
  • les matrices S_\theta=\begin{pmatrix}\cos\theta&\sin\theta\\\sin\theta&-\cos\theta\end{pmatrix}, de déterminant -1. Elles sont symétriques et orthogonales, donc S_\theta^2=I_2 : ce sont les réflexions, par rapport à la droite d’angle polaire \frac\theta2.

Exercice 7 · Matrices symétriques réelles ★★★

  1. Diagonaliser A=\begin{pmatrix}2&1\\1&2\end{pmatrix} dans une base orthonormée.
  2. Montrer qu’une matrice symétrique réelle S telle que S^2=0 est nulle. Plus généralement, montrer qu’une matrice symétrique réelle nilpotente est nulle.
Corrigé

1. \chi_A=(X-3)(X-1), avec les vecteurs propres unitaires \frac1{\sqrt2}(1,1) pour 3 et \frac1{\sqrt2}(1,-1) pour 1, qui sont orthogonaux. Avec P=\frac1{\sqrt2}\begin{pmatrix}1&1\\1&-1\end{pmatrix}\in O_2(\mathbb{R}), on a P^{\mathsf T}AP=\operatorname{diag}(3,1).

2. \operatorname{tr}(S^{\mathsf T}S)=\displaystyle\sum_{i,j}s_{ij}^2, et S^{\mathsf T}S=S^2=0, donc tous les s_{ij} sont nuls. Plus généralement, d’après le théorème spectral, une matrice symétrique réelle nilpotente est diagonalisable avec 0 pour seule valeur propre (exercice sur les nilpotents) : elle est semblable à la matrice nulle, donc nulle.

Exercice 8 · Les matrices A transposée A ★★★

Soit A\in\mathcal{M}_n(\mathbb{R}) et S=A^{\mathsf T}A.

  1. Montrer que S est symétrique et que X^{\mathsf T}SX=\|AX\|^2 pour tout X\in\mathcal{M}_{n,1}(\mathbb{R}).
  2. En déduire que les valeurs propres de S sont positives, et qu’elles sont strictement positives si et seulement si A est inversible.
Corrigé

1. S^{\mathsf T}=A^{\mathsf T}(A^{\mathsf T})^{\mathsf T}=S et X^{\mathsf T}A^{\mathsf T}AX=(AX)^{\mathsf T}(AX)=\|AX\|^2.

2. S est diagonalisable à valeurs propres réelles (théorème spectral). Si SX=\lambda X avec X\neq0, alors \lambda\|X\|^2=X^{\mathsf T}SX=\|AX\|^2\geqslant0, donc \lambda\geqslant0, et \lambda=0 si et seulement si AX=0. Ainsi 0 est valeur propre de S si et seulement si \operatorname{Ker}A\neq\{0\}, c’est-à-dire si A n’est pas inversible.

Exercice 9 · Isométries vectorielles ★★★

Soit E un espace euclidien et u\in O(E).

  1. Montrer que les seules valeurs propres réelles possibles de u sont 1 et -1.
  2. Montrer que \operatorname{Ker}(u-\mathrm{id}) et \operatorname{Im}(u-\mathrm{id}) sont orthogonaux et supplémentaires.
Corrigé

1. Si u(x)=\lambda x avec x\neq0, alors \|x\|=\|u(x)\|=|\lambda|\,\|x\|, d’où |\lambda|=1.

2. Soit x\in\operatorname{Ker}(u-\mathrm{id}) et y=u(z)-z. Comme u(x)=x et que u conserve le produit scalaire : \langle x,y\rangle=\langle x,u(z)\rangle-\langle x,z\rangle=\langle u(x),u(z)\rangle-\langle x,z\rangle=0. Les deux sous-espaces sont orthogonaux, donc en somme directe, et le théorème du rang donne \dim\operatorname{Ker}+\dim\operatorname{Im}=\dim E : ils sont supplémentaires.

Exercice 10 · Quotient de Rayleigh ★★★

Soit S\in\mathcal{S}_n(\mathbb{R}), de valeurs propres \lambda_1\leqslant\dots\leqslant\lambda_n. Montrer que, pour tout X\in\mathcal{M}_{n,1}(\mathbb{R}), \lambda_1\|X\|^2\leqslant X^{\mathsf T}SX\leqslant\lambda_n\|X\|^2, et que \lambda_n=\displaystyle\max_{\|X\|=1}X^{\mathsf T}SX.

Corrigé

Par le théorème spectral, il existe une base orthonormée (e_1,\dots,e_n) de vecteurs propres, avec Se_i=\lambda_ie_i. Pour X=\sum x_ie_i : X^{\mathsf T}SX=\langle SX,X\rangle=\displaystyle\sum_{i=1}^{n}\lambda_ix_i^2 et \|X\|^2=\sum x_i^2. Comme \lambda_1\leqslant\lambda_i\leqslant\lambda_n, on obtient l’encadrement. Pour \|X\|=1, X^{\mathsf T}SX\leqslant\lambda_n, avec égalité pour X=e_n : c’est un maximum.

Exercice 11 · Polynômes de Legendre ★★★

Sur \mathbb{R}[X], on considère le produit scalaire \langle P,Q\rangle=\displaystyle\int_{-1}^{1}PQ, et l’on pose L_n=\big((X^2-1)^n\big)^{(n)} pour n\in\mathbb{N}.

  1. Préciser le degré de L_n.
  2. Montrer que L_n est orthogonal à \mathbb{R}_{n-1}[X] pour n\geqslant1.
  3. En déduire que (L_0,\dots,L_n) est une base orthogonale de \mathbb{R}_n[X].
Corrigé

1. (X^2-1)^n est de degré 2n, donc L_n est de degré n.

2. \pm1 sont racines d’ordre n de (X^2-1)^n, donc racines de ses dérivées d’ordre j<n. Soit Q de degré <n. En intégrant par parties n fois, les termes de bord s’annulent à chaque étape et

    \[\int_{-1}^{1}L_nQ=(-1)^n\int_{-1}^{1}(X^2-1)^n\,Q^{(n)}=0,\]

car Q^{(n)}=0.

3. Pour k<n, L_k\in\mathbb{R}_{n-1}[X], donc \langle L_n,L_k\rangle=0 : la famille est orthogonale. Elle est formée de n+1 polynômes non nuls de degrés échelonnés 0,1,\dots,n : c’est une base de \mathbb{R}_n[X].

Exercice 12 · Matrices de Gram ★★★

Soient x_1,\dots,x_p des vecteurs d’un espace euclidien E et G=\big(\langle x_i,x_j\rangle\big)_{1\leqslant i,j\leqslant p} leur matrice de Gram.

  1. Montrer que Y^{\mathsf T}GY=\Big\|\displaystyle\sum_{j=1}^{p}y_jx_j\Big\|^2 pour tout Y=(y_1,\dots,y_p)^{\mathsf T}, et en déduire que G est symétrique positive, puis que \det G\geqslant0.
  2. Montrer que \det G>0 si et seulement si la famille (x_1,\dots,x_p) est libre.
Corrigé

1. Par bilinéarité, \big\|\sum_jy_jx_j\big\|^2=\sum_{i,j}y_iy_j\langle x_i,x_j\rangle=Y^{\mathsf T}GY. G est symétrique et ce nombre est positif : G est symétrique positive. Ses valeurs propres sont positives (si GY=\lambda Y, \lambda\|Y\|^2=Y^{\mathsf T}GY\geqslant0), et \det G, leur produit, est positif.

2. Si GY=0, alors Y^{\mathsf T}GY=0, donc \sum y_jx_j=0. Si la famille est libre, Y=0 : G est inversible et \det G>0. Si elle est liée, il existe Y\neq0 avec \sum y_jx_j=0 ; alors GY a pour coordonnées \langle x_i,\sum_jy_jx_j\rangle=0, donc G n’est pas inversible et \det G=0.


Pour aller plus loin

Besoin d’aide sur ce chapitre ?

Un blocage sur une notion, une méthode de rédaction à acquérir, un devoir ou un concours à préparer : Pr. Elakili, agrégé de mathématiques depuis 1991, plus de 20 ans d’enseignement en classes préparatoires, propose des cours particuliers, en présentiel à Casablanca ou en ligne.

Publications similaires