Produit scalaire et orthogonalité : projections, Gram-Schmidt et théorème spectral
Produit scalaire et norme, Pythagore, projection orthogonale et moindres carrés, bases orthonormées, procédé de Gram-Schmidt, matrices orthogonales et théorème spectral.
https://www.electronics-engineering.com/fr/produit-scalaire-orthogonalite-theoreme-spectral/
Les espaces vectoriels abstraits n’ont ni longueurs ni angles. Pour en avoir, il faut une structure de plus, le produit scalaire. Avec lui viennent l’orthogonalité, les projections, les bases orthonormées et l’un des plus beaux théorèmes du cours, le théorème spectral. Ce sont les outils derrière les moindres carrés, les séries de Fourier et la compression JPEG.
Produit scalaire et norme
Un produit scalaire sur un espace réel
est une opération
qui donne un nombre et qui est symétrique, linéaire en chaque argument et définie positive :
pour tout
. Le produit usuel sur
est
. Sur les fonctions continues sur
, un produit scalaire est
.
La norme est
, et les inégalités de Cauchy-Schwarz et triangulaire sont valables (démontrées dans la leçon sur les vecteurs, avec un raisonnement qui n’utilise que ces propriétés). Deux vecteurs sont orthogonaux si
.
Le théorème de Pythagore
Si
, alors
. Dans tout espace muni d’un produit scalaire, même un espace de fonctions.
Des vecteurs non nuls orthogonaux deux à deux sont indépendants. Si
, en prenant le produit scalaire avec
il ne reste que
, donc
.
Projection orthogonale

sur la direction de
est le vecteur de cette droite le plus proche de
. La différence
est perpendiculaire à
.Démonstration de la formule
On cherche le multiple
tel que
soit orthogonal à
:
![]()
C’est aussi le point le plus proche : pour tout autre multiple
, le vecteur
est la somme de
et de
, qui sont orthogonaux, et par Pythagore
.
Il en va de même pour la projection sur un sous-espace
: le point de
le plus proche de
est celui pour lequel la différence est orthogonale à tout
. C’est le principe des moindres carrés : quand un système
n’a pas de solution (trop d’équations, données bruitées), on cherche
tel que
soit la projection de
sur l’espace des colonnes. La condition d’orthogonalité donne les équations normales
. C’est ainsi que l’on calcule une droite de régression à travers des données expérimentales.
Bases orthonormées
Une base est orthonormée si ses vecteurs sont de norme 1 et orthogonaux deux à deux. L’avantage est énorme : les coordonnées se calculent avec un produit scalaire, sans résoudre de systèmes.
![]()
En effet, en prenant le produit scalaire de
avec
, il ne reste que
. Une série de Fourier est exactement cela, dans un espace de fonctions : sinus et cosinus forment une base orthogonale pour
, et les coefficients de Fourier sont des produits scalaires.
Le procédé de Gram-Schmidt
À partir de n’importe quelle base
, on construit une base orthonormée du même espace en retranchant de chaque vecteur ses projections sur les précédents :
![Rendered by QuickLaTeX.com \[ \mathbf u_1 = \mathbf v_1,\qquad \mathbf u_k = \mathbf v_k - \sum_{j \lt k}\frac{\langle\mathbf v_k, \mathbf u_j\rangle}{\langle\mathbf u_j, \mathbf u_j\rangle}\,\mathbf u_j,\qquad \mathbf e_k = \frac{\mathbf u_k}{\|\mathbf u_k\|} \]](https://www.electronics-engineering.com/wp-content/ql-cache/quicklatex.com-9a090fc10603859a0a29f856967ded0e_l3.png)
Exemple.
,
.
.
,
, donc
. Vérification :
. En normalisant :
,
.
Matrices orthogonales
Une matrice carrée
est orthogonale si ses colonnes forment une base orthonormée, c’est-à-dire si
. Alors
: l’inverse coûte autant qu’une transposition. Les matrices orthogonales conservent les produits scalaires, les longueurs et les angles,
: ce sont les rotations (
) et les symétries (
).
Le théorème spectral
Théorème. Toute matrice réelle symétrique a des valeurs propres réelles et peut être diagonalisée avec une base orthonormée de vecteurs propres : il existe une matrice orthogonale
telle que
![]()
Une étape clé de la démonstration est facile à voir : les vecteurs propres de valeurs propres distinctes sont orthogonaux. Si
et
, en utilisant
:
![]()
donc
et, si
,
. On le voit dans la matrice
de la leçon sur les valeurs propres : ses vecteurs propres
et
sont perpendiculaires.
Le théorème spectral a des conséquences partout : les directions principales des contraintes dans une poutre, les axes principaux d’inertie d’un solide, l’analyse en composantes principales (ACP), qui réduit les données aux directions de plus grande variance, et la classification des coniques et des quadriques que nous verrons dans la leçon sur la géométrie plane.






Sono l'autore di questa pagina su «Prodotto scalare e ortogonalità: proiezioni, Gram-Schmidt e teorema spettrale». Se qualcosa non è chiaro, se vi serve un esempio in più o volete approfondire un punto, scrivetelo qui sotto nei commenti: rispondo personalmente. Se la pagina vi è stata utile, lasciate un voto con le stelle in cima all'articolo.I am the author of this page on “Inner product and orthogonality: projections, Gram-Schmidt and the spectral theorem”. If something is unclear, if you need another example or want to go deeper into a point, write it in the comments below: I answer personally. If the page was useful, leave a star rating at the top of the article.