Lycée du Parc PCSI 843

2016-2017
Espaces euclidiens

Dans toute la suite, on ne travaillera qu’avec des R-espaces vectoriels.

1 Produit scalaire

1.1 Définition

Soient E un R-espace vectoriel et ϕ une application de E 2 dans R, l’application ϕ est un produit

scalaire sur E, si
(i) elle est bilinéaire :

ϕ(αx + βy, z) = αϕ(x, z) + βϕ(y, z)
∀x, y, z ∈ E, ∀α, β ∈ R,
ϕ(z, αx + βy) = αϕ(z, y) + βϕ(z, y).

(ii) elle est symétrique :

∀x, y ∈ E, ϕ(x, y) = ϕ(y, x).

(iii) elle est positive :

∀x ∈ E, ϕ(x, x) ≥ 0.

(iv) elle est définie :

∀x ∈ E, ϕ(x, x) = 0 =⇒ x = 0E .
Remarques :
1) On note généralement le produit scalaire (x, y) ou hx, yi , on utilisera cette notation dans la suite
du texte.
2) Pour justifier qu’une application est un produit scalaire, on démontre en général qu’elle est
symétrique en premier, pour n’avoir à démontrer la linéarité que d’un côté (à gauche ou à droite).
3) La définition du produit scalaire se résume à :

Le produit scalaire est une forme bilinéaire symétrique définie positive.

Exemples :
1) Le plan R2 est muni du produit scalaire canonique h(x1 , y1 ), (x2 , y2 )i = x1 x2 + y1 y2 .
n
X
2) L’espace Rn est muni du produit scalaire canonique h(x1 , · · · , xn ), (y1 , · · · , yn )i = xi y i .
i=1
3) Soit le R-espace vectoriel E = C([0, 1], R) admet le produit scalaire défini pour f, g ∈ E par
Z 1
hf, gi = f (t)g(t)dt.
0
Justifions que tout est bien défini et les hypothèses sont satisfaites :
a) L’existence de l’intégrale est garantie par continuité du produit de 2 fonctions continues.
b) La symétrie et la bilinéarité sont justifiées par linéarité de l’intégrale et ( distributivité et
commutativité ) du produit. (Ne pas oublier de vérifier toutes les hypothèses du produit
scalaire et même quand c’est facile, donner une phrase d’explication.)

1
 c) Le point souvent le plus difficile est le caractère défini positif. Ici, on a pour f ∈ E
Z 1
hf, f i = f (t)2 dt.
0

Comme les bornes de l’intégrale sont dans le sens croissant et que ∀t ∈ [0, 1], f (t)2 ≥ 0
(par positivité du carré d’un nombre réel), on a hf, f i ≥ 0.
La forme bilinéaire est donc bien positive. Si f est continue, alors t 7→ f (t)2 est une fonction
continue positive. Pour que son intégrale sur un intervalle non réduit à un point soit nul, il
faut donc qu’elle soit nulle. On en déduit
Z 1
hf, f i = f (t)2 dt = 0 =⇒ (t 7→ f (t)2 ) = (t 7→ 0),
0

soit f est la fonction nulle. La forme bilinéaire est donc bien définie.
Remarque: Ces 3 exemples de produits scalaires sont au programme, vous pouvez les utiliser direc-
tement en exercice, sauf si la démonstration est demandée.

1.2 Propriétés

Proposition 1 (Inégalité de Cauchy-Schwarz). Soit E un R-espace vectoriel muni d’un produit scalaire
h·, ·i, alors on a
∀x, y ∈ E, hx, yi2 ≤ hx, xihy, yi,
avec égalité si et seulement si x, y colinéaires.
Définition 1. Soit E un R-espace vectoriel muni d’un produit scalaire h·, ·i, on définit la norme sur
E associée ce produit scalaire pour x ∈ E par
1
kxk = hx, xi 2 .

On définit la distance entre deux éléments x, y de E par d(x, y) = kx − yk.

Remarques :
1. Les propriétés à satisfaire pour être une norme de E sont :
(i) ∀x ∈ E, kxk ∈ R+ .
(ii) ∀x ∈ E, ∀λ ∈ R, kλxk = |λ| kxk.
(iii) ∀x, y ∈ E, |kxk − kyk| ≤ kx + yk ≤ kxk + kyk (inégalité triangulaire)
(iv) ∀x ∈ E, kxk = 0 =⇒ x = 0E .
On utilise l’inégalité de Cauchy-Schwarz pour démontrer l’inégalité de droite de (iii). Celle de
gauche se démontre en utilisant celle de droite et le fait que x = x + y − y et y = x + y − x.
2. Les propriétés à satisfaire pour être une distance de E sont :
(i) ∀x, y ∈ E, d(x, y) ∈ R+ .
(ii) ∀x, y, z ∈ E, d(x, z) ≤ d(x, y) + d(y, z)
(iii) ∀x, y ∈ E, d(x, y) = 0 =⇒ x = y.
Cela découle aisément des propriétés de la norme.
Terminologies : Soit E un R-espace vectoriel muni d’un produit scalaire muni h·, ·i et de la norme
associée k·k, un tel espace est appelé espace préhilbertien réel, on dit que
1. un vecteur x de E est unitaire si kxk = 1.
2. 2 vecteurs x, y de E sont orthogonaux si hx, yi = 0.
3. une famille de vecteurs (x1 , x2 , · · · , xn ) est orthogonale, si

∀i, j ∈ [1, n], i 6= j =⇒ hxi , yj i = 0.

2
 4. une famille de vecteurs (x1 , x2 , · · · , xn ) est orthonormée, si elle est orthogonale et de plus

∀i ∈ [1, n], kxi k = 1.

5. E préhilbertien est un espace euclidien, si il est de dimension finie.
Proposition 2. Soit E un espace préhilbertien, soit une famille (x1 , · · · , xn ) de vecteurs orthogonaux,
on a alors
1. kx1 + x2 + · · · + xn k2 = kx1 k2 + kx2 k2 + · · · + kxn k2 (Pythagore)
2. si la famille (x1 , · · · , xn ) ne contient aucun vecteur nul, alors (x1 , · · · , xn ) est libre.

Remarque : La première est la relation de Pythagore, on retrouve le cas du triangle rectangle

dans le plan pour n = 2.
Exemple:[Calcul] Soit E un espace préhilbertien, alors on a
 
∀x, y ∈ E, (i) hx, yi = 41 kx + yk2 − kx − yk2
 
(ii) hx, yi = 21 kx + yk2 − kxk2 − kyk2
(iii) kx + yk2 + kx − yk2 = 2 kxk2 + 2 kyk2
Remarques : Les deux premières formules sont appelées formules de polarisation, la troisième
identité du parallèlogramme. Il n’est pas nécessaire de les apprendre par coeur, mais il faut savoir
effectuer les manipulations calculatoires, les donnant.

2 Sous-espaces orthogonaux

2.1 Bases orthogonales

Proposition 3 (Algorithme d’orthogonalisation de Gram-Schmidt). Soient E un espace euclidien et

B = (f1 , · · · , fn ) une base de E, alors il existe une base B ′ = (e1 , · · · , en ) de E orthogonale, tel que

∀i ∈ [1, n], Vect(f1 , · · · , fi ) = Vect(e1 , · · · , ei ).

Preuve :
On construit la base B ′ de proche en proche, on pose e1 = f1 . On a bien Vect(f1 ) = Vect(e1 ).
Supposons que l’on ait déjà construit les vecteurs (e1 , · · · , ei ) vérifiant les hypothèses, on a donc

Vect(f1 , · · · , fi ) = Vect(e1 , · · · , ei ).

Si i = n, on a terminé.
Sinon i < n et on a

Vect(f1 , · · · , fi , fi+1 ) = Vect(e1 , · · · , ei , fi+1 ),

comme (f1 , · · · , fi+1 ) est une base de Vect(f1 , · · · , fi , fi+1 ), grâce au cardinal, (e1 , · · · , ei , fi+1 ) est
aussi une base de Vect(f1 , · · · , fi , fi+1 ). On construit ei+1 de la forme
i
X
ei+1 = fi+1 − αk ek .
k=1

Comme on doit avoir pour tout k ∈ [1, i], ek orthogonal à ei+1 , il faut et il suffit que
i
X
∀k ∈ [1, i], hek , fi+1 i − αk hei , ek i = 0.
k=1

3
Grâce à l’orthogonalité de la famille (e1 , · · · , ei ), on en déduit
hek , fi+1 i − αk hek , ek i = 0,
hek ,fi+1 i
soit αk = hek ,ek i . Réciproquement, ei+1 ainsi construit convient.
Algorithme de Gram-Schmidt :
On peut construire une base orthogonale en utilisant la démarche de la démonstration d’existence,
c’est la méthode que l’on implémente informatiquement. C’est l’algorithme de Gram-Schmidt.
Corollaire 1. Soient E un espace euclidien et B = (f1 , · · · , fn ) une base de E, alors il existe une base
B ′ = (e1 , · · · , en ) de E orthonormée, tel que
∀i ∈ [1, n], Vect(f1 , · · · , fi ) = Vect(e1 , · · · , ei ).

Preuve : Il suffit de normalisé la base orthogonale obtenue par l’algorithme de Gram-Schmidt en

divisant chaque vecteur ei par sa norme.

1. Soit E = R3 muni du produit scalaire (preuve laissée au lecteur)

1
h(x1 , x2 , x3 ), (y1 , y2 , y3 )i = x1 y1 + x2 y2 + x3 y3 + (x1 y2 + x1 y3 + x2 y3 + x2 y1 + x3 y1 + x3 y2 ) .
2
on utilise la base canonique de R3 , f1 = (1, 0, 0), f2 = (0, 1, 0) et f3 = (0, 0, 1). On a alors e1 = f1 .
On cherche α tel que e2 = f2 − αe1 = f2 − αf1 ⊥ e1 . On a donc
1
hf1 , f2 i − α hf1 , f1 i = 0, soit − α = 0.
2
Il en résulte que e2 = (− 12 , 1, 0). On cherche β et γ tel que e3 = f3 − βe1 − γe2 ⊥ f1 et e3 ⊥ e2 .
On a donc
1
he1 , f3 i − β he1 , e1 i − γ he1 , f2 i = 0, soit − β = 0
2
et
1 3
he2 , f3 i − β he2 , e1 i − γ he2 , e2 i = 0, soit − γ = 0.
4 4
On trouve alors β = 12 et γ = 13 .
Il en résulte que e3 = (− 13 , − 31 , 1).
On conclut que
1 1 1
((1, 0, 0), (− , 1, 0), (− , − , 1)) est une base orthogonale de E.
2 3 3
puis par normalisation
1 1
((1, 0, 0), √ (−1, 2, 0), √ (−1, −1, 3)) est une base orthonormée de E.
3 6
2. Soit E = R2 [X] muni de l’application de E 2 dans R définie par
hP, Qi = P (0)Q(0) + P ′ (0)Q′ (0) + P ′′ (0)Q′′ (0).

Vérifions que h·, ·i est un produit scalaire et déterminons base orthonormée de E.

(i) Produit scalaire :
Les propriétés de bilinéarité et de symétrie de h·, ·i se vérifient directement sur la définition.
Pour la propriété définie positive, on a
hP, P i = P (0)2 + P ′ (0)2 + P ′′ (0)2 ≥ 0,
comme somme de carrés de nombres réels. Cette quantité est nulle si et seulement si, P (0)2 =
P ′ (0)2 = P ′′ (0)2 = 0, soit P (0) = P ′ (0) = P ′′ (0) = 0. Comme P est au plus de degré 2 et
qu’il a 0 comme racine d’ordre au moins 3, P est le polynôme nul. On conclut donc bien
que h·, ·i est un produit scalaire.

4
 (ii) Base orthonormée :
On part de la base canonique (1, X, X 2 ) de R2 [X]. On pose P0 = 1, puis on cherche P1 =
X − α. On a alors
h1, Xi − α h1, 1i = 0, soit 1 − α = 0.
On a donc P1 = X − 1. On cherche alors P2 = X 2 − β(X − 1) − γ. On a alors
1, X 2 − β h1, X − 1i − γ h1, 1i = 0, soit 1 − γ = 0
et
X − 1, X 2 − β hX − 1, X − 1i − γ hX − 1, 1i = 0, soit 2 − β = 0.
On trouve alors β = 2 et γ = 1, d’où P3 = X 2 − 2X + 1 = (X − 1)2 .
On conclut que
(1, X − 1, (X − 1)2 ) est une base orthogonale de E.
puis par normalisation
1
(1, (X − 1), (X − 1)2 ) est une base orthonormée de E.
2
Proposition 4. Soient E un espace euclidien, B une base orthonormée de E, x et y 2 vecteurs de
coordonnées (x1 , · · · , xn ) et (y1 , · · · , yn ) dans la base B, alors
1. hx, yi = nk=1 xk yk .
P
qP
n 2
2. kxk = k=0 xk .

2.2 Sous-espaces orthogonaux

2.2.1 Définition

Soient E un espace préhilbertien et A une partie de E, on appelle orthogonale de A notée A⊥

l’ensemble :
A⊥ = {x ; x ∈ E, ∀y ∈ A, y ⊥ x} .

Remarque : La définition ne suppose aucune propriété sur la partie A, le plus souvent A sera soit
une partie finie ( exemple : dans l’espace R3 , une partie réduite à un vecteur non nul et l’orthogonale
sera alors un plan), soit un sous-espace vectoriel de E.

2.2.2 Propriétés

Proposition 5. Soient E un espace préhilbertien et A et B deux parties de E, alors on a

A ⊂ B =⇒ B ⊥ ⊂ A⊥ .
Proposition 6. Soient E un espace préhilbertien et A une partie de E,
A⊥ est un sous-espace vectoriel de E.
Proposition 7. Soient E un espace préhilbertien et F un sous-espace vectoriel de dimension finie
de E,
F ⊥ est un sous-espace vectoriel supplémentaire de F dans E et (F ⊥ )⊥ = F .

Remarque :
1. On en déduit en particulier que si E est un espace euclidien et F est un sous-espace vectoriel de
E, alors
dim F ⊥ = dim E − dim F.
2. Si F n’est pas de dimension finie, on a seulement F et F ⊥ en somme directe et F ⊂ (F ⊥ )⊥ .

5
2.3 Équations d’hyperplan

Ce paragraphe n’est plus au programme, donc il ne concerne que ceux qui veulent aller un peu plus
loin.

2.3.1 Définition

Soient E un espace euclidien et H un hyperplan de E. Un vecteur u de E est un vecteur normal à

l’hyperplan H, si u est orthogonal à tout vecteur de H.

2.3.2 Propriétés

Pour a ∈ E, on note ϕa l’application de E dans R définie par ϕa (x) = ha, xi. C’est une forme
linéaire sur E.

Proposition 8. Soient E un espace euclidien, B une base orthonormée de E et a un vecteur non nul
de E de composantes (a1 , · · · , an ) dans B. Il y a équivalence entre
(i) H est un hyperplan admettant a comme vecteur normal.
(ii) H est le noyau de ϕa .
(iii) H admet pour équation dans la base B :
n
X
ak xk = 0.
k=1

Proposition 9. Soit E un espace euclidien, l’application

ψ : E −→ L(E, R)
a 7−→ ha, xi

est un isomorphisme d’espace vectoriel.

Corollaire 2. Soit E un espace euclidien. Pour tout forme linéaire f définie sur E, il existe un unique
élément a de E tel que pour tout x de E, f (x) = ha, xi.

3 Projection et symétrie orthogonale

3.1 Définition

Soient E un espace préhilbertien et F un sous-espace vectoriel de dimension finie de E.

On appelle projection orthogonale sur F , la projection sur F parallèlement à F ⊥ .
On appelle symétrie orthogonale par rapport à F , la symétrie par rapport à F parallèlement à F ⊥ .

3.2 Expressions en base orthonormée

Proposition 10. Soient E un espace préhilbertien, F un sous-espace vectoriel de dimension finie de

E et BF = (e1 , · · · , ep ) base orthonormée de F .
Le projeté orthogonal pF (x) d’un vecteur x sur F peut s’exprimer par
p
X
pF (x) = hek , xi ek .
k=1

6
Le symétrique orthogonal sF (x) d’un vecteur x par rapport à F peut s’exprimer par
p
!
X
sF (x) = 2pF (x) − x = 2 hek , xi ek − x.
k=1

Corollaire 3 (Inégalité de Bessel). Soient E un espace préhilbertien, F un sous-espace vectoriel de

dimension finie de E et pF (x) le projeté orthogonal de x sur F , alors on a

kpF (x)k ≤ kxk .

Exemples :
a
1. Soient E un espace euclidien et D une droite vectorielle de vecteur directeur a, alors u = kak est
un vecteur unitaire et directeur de D.
Le projeté orthogonal de x sur D s’exprime donc par

ha, xi
pD (x) = hu, xi u = a.
kak2

Le symétrique orthogonal de x par rapport à D s’exprime donc par

ha, xi
pD (x) = 2 hu, xi u − x = 2 a − x.
kak2

Si on souhaite déterminer le projeté orthogonal sur un hyperplan H par exemple H = {a}⊥ . Il

est plus simple d’utiliser l’expression du projeté sur D et d’utiliser la relation sur les projecteurs
associés :
x = pF (x) + pF ⊥ (x).
On a alors
ha, xi
pH (x) = x − pD (x) = x − a.
kak2
2. Lien avec l’algorithme de Gram-Schmidt :
Soient E une espace euclidien, B = (f1 , · · · , fn ) une base de E. On suppose que l’on a déjà
exprimé les i premiers vecteurs orthogonaux (e1 , · · · , ei ) tel que

F = Vect(f1 , · · · , fi ) = Vect(e1 , · · · , ei ).

On a donc ( kee11 k , · · · , keeii k ) base orthonormée de F .

i
hek ,fi+1 i
X
On construit le vecteur ei+1 en posant ei+1 = fi+1 − αk ek avec αk = hek ,ek i .
k=1
On remarque alors que
i i  
X X ek ek
αk ek = , fi+1 = pF (fi+1 ),
kek k kek k
k=1 k=1

avec pF (fi+1 ) le projeté orthogonal de fi+1 sur F .

On en déduit que ei+1 = fi+1 − pF (fi+1 ) = pG (fi+1 ), où G est le supplémentaire orthogonal de
F dans Vect(f1 , · · · , fi+1 ).
L’algorithme de Gram-Schmidt revient à faire des projections orthogonales de vecteurs.

7
3.3 Distance à un sous-espace vectoriel

Proposition 11. Soient E un espace préhilbertien, F un sous-espace vectoriel de dimension finie de

E et x un vecteur de E, on appelle distance de x à F notée d(x, F ), la quantité

d(x, F ) = inf d(x, y).

y∈F

C’est un minimum qui est atteint une unique fois en pF (x) le projeté orthogonal de x sur F , on a donc

d(x, F ) = kx − pF (x)k .

Exemples :
1. Soit l’espace vectoriel E = R4 muni du produit scalaire canonique.
On considère le plan P = Vect((1, 1, 0, 0), (1, 1, 1, 1)) et le vecteur x = (1, −1, 0, 1). On cherche
la distance x à P, il faut donc déterminer le projeté de x sur P.
Si l’exercice demandé nécessite la projection de plusieurs vecteurs, vous avez intérêt à calculer
une base orthonormée de P et à utiliser l’expression analytique de la projection dans un base
orthonormée donnée en 3.2.
On a :

e1 = (1, 1, 0, 0) et e2 = (1, 1, 0, 0) − α(1, 1, 1, 1)

avec he1 , e2 i = 0.
On obtient alors

h(1, 1, 0, 0), (1, 1, 0, 0)i − αh(1, 1, 0, 0), (1, 1, 1, 1)i = 0,

soit α = 1.
On obtient alors

e1 = (1, 1, 0, 0) et e2 = (0, 0, −1, −1),

puis en normalisant

1 1
ẽ1 = √ (1, 1, 0, 0) et ẽ2 = √ (0, 0, −1, −1).
2 2
Dans le cas présent, on a besoin de calculer seulement un projeté, on peut aussi travailler de
manière directe.
On aura
pP (x) = α(1, 1, 0, 0) + β(1, 1, 1, 1) et x − pP (x) ∈ P ⊥ .

il suffit donc d’avoir

hx − pP (x), (1, 1, 0, 0)i = 0 et hx − pP (x), (1, 1, 1, 1)i = 0,

soit
h(1 − α − β, −1 − α − β, −β, 0), (1, 1, 0, 0)i = 0
h(1 − α − β, −1 − α − β, −β, 1 − β), (1, 1, 1, 1)i = 0.
On obtient alors le système 
−2α − 2β = 0
.
1 − 2α − 4β = 0.
On obtient comme solution α = − 12 et β = 12 , soit pP (x) = (0, 0, 21 , 12 ).
q
La distance de x à P est donc kx − pP (x)k = 52 .

8
2. On cherche le minimum de la fonction I définie sur R3 par
Z 1
I(a, b, c) = (t3 − at2 − bt − c)2 dt.
0

Si on pose l’espace vectoriel E = Vect(t 7→ 1, t 7→ t, t 7→ t2 , t 7→ t3 ) (sous-espace vectoriels des

fonctions
R1 continue sur [0, 1] à valeurs dans R) et le produit scalaire défini sur E par hf, gi =
0 f (t)g(t)dt (vérification laissée au lecteur que c’est bien un produit scalaire). On pose F =
Vect(t 7→ 1, t 7→ t, t 7→ t2 )
On remarque alors que
Z 1
inf (t3 − at2 − bt − c)2 dt = inf d(t 7→ t3 , F )2 = d(t 7→ t3 , F )2 .
(a,b,c)∈R3 0 f ∈F

Il faut donc calculer le projeté orthogonal de g = t 7→ t3 sur F .

g gF ⊥

gF
0E
F

Il suffit d’avoir
 (t 7→ t3 − at2 − bt − c) ⊥ (t 7→ 1)


(t 7→ t3 − at2 − bt − c) ⊥ (t 7→ t)
(t 7→ t3 − at2 − bt − c) ⊥ (t 7→ t2 ),


c’est-à-dire
 t 7→ t3 − at2 − bt − c, t 7→ 1 = 0


t 7→ t3 − at2 − bt − c, t 7→ t = 0
t 7→ t3 − at2 − bt − c, t 7→ t2 = 0.


On obtient le système 
1 a b

 − − −c=0
4 3 2



 1 a b

c
− − − =0
 5 4 3 2
1 a b


 c
 − − − =0


6 5 4 3
On résout et on trouve a = 23 , b = − 35 et c = 201
.
On trouve que le minimum de I est I( 32 , − 35 , 20
1
)= 1
2800 .