"Aller à la salle pour préparer une compétition, ce n'est pas réviser, c'est s'entraîner."
Dans l'industrie et la recherche, les mathématiques ne se récitent pas, elles s'exploitent. Avant d'affronter l'ingénierie complexe, vos fondations doivent devenir des réflexes absolus. Ici, vous ne réviserez pas le lycée : vous allez le réapprendre sous le prisme de l'application concrète.
Acte 1 : À la recherche de l'efficacité perdue
Objectif : Modéliser le Travail mécanique (l'énergie motrice), noté $W$, fourni par une locomotive sur une distance $d$ avec une force de traction $F$.
Question : Intuitivement, si vous doublez, triplez,... la force de la locomotive ($F$), ou si vous doublez, triplez la distance du trajet ($d$), que se passe-t-il pour l'énergie totale dépensée ?
Déduction : Le travail $W$ est strictement proportionnel à ces deux grandeurs. On postule donc qu'il existe un coefficient multiplicateur d'efficacité, nommé $f(\theta)$, lié uniquement à l'angle de traction, tel que :
$$W = F \cdot d \cdot f(\theta)$$
Question : Imaginez l'angle de traction $\theta$ pour évaluer notre fonction inconnue $f(\theta)$.
- Traction parfaitement alignée ($\theta = 0^{\circ}$) : L'efficacité est maximale, la force est transmise à 100%. Donc $f(0) = 1$.
- Traction verticale ($\theta = 90^{\circ}$) : Vous tirez vers le haut ! Le wagon n'avance pas sur les rails. L'efficacité motrice est nulle. Donc $f(90^{\circ}) = 0$.
- Freinage total ($\theta = 180^{\circ}$) : Vous tirez exactement dans le sens inverse du mouvement, c'est le maximum de gâchis d'énergie possible pour un système d'étude donné. Donc $f(180^{\circ}) = -1$.
Question : Quelle fonction mathématique universelle valide simultanément ces trois contraintes : $f(0)=1$, $f(90^{\circ})=0$, et $f(180^{\circ})=-1$ ?
Conclusion : Seule la fonction trigonométrique cosinus épouse parfaitement ce comportement. La fonction d'efficacité $f(\theta)$ est en réalité une simple projection géométrique. Le premier produit scalaire de l'histoire est né :
$$W = F \cdot d \cdot \cos(\theta)$$
Définition 1 du produit scalaire
Enoncé 1 : Trouvez l'angle qui divise l'effort de traction du train par deux. Rédigez la preuve formelle de la valeur de l'angle, sans figure associée.
- On cherche donc $\theta$ tel que $\cos(\theta) = 0.5$, avec $\theta$ appartenant à l'intervalle $[0;90^{\circ}]$.
- Montrons formellement que $\theta = 60^{\circ}$. Traçons un triangle équilatéral de côté $a$.
- Une hauteur d'un triangle équilatéral divise la base considérée en deux longueurs égales à $a/2$.
- Le cosinus de l'angle à la base ($60^{\circ}$ ou $\pi/3$) est donc bien égal à $(a/2) / a = 1/2$.
Conclusion : Un angle de $60^{\circ}$ gaspille 50% de l'énergie.
📐 Acte 2 : Moteurs 3D et Éclairage Dynamique
En apparence, il s'agit de géométrie plane. En réalité, vous allez coder la brique fondamentale d'un moteur graphique 3D de l'industrie du jeu vidéo. Pour savoir si la facette d'un personnage doit être éclairée, le processeur projette la lumière sur la normale de la surface via le produit scalaire.
Définition 2 du produit scalaire (Projection orthogonale)
Enoncé 2 : Soit $A$ et $B$ deux points. On place un point $H$ quelconque sur la droite $(AB)$. On trace la droite perpendiculaire à $(AB)$ passant par $H$ et on prend un point $M$ variable sur cette droite
($H$ est donc le projeté orthogonal de $M$). Démontrez que, pour tout point $M$, le produit scalaire $\overrightarrow{AB}\cdot\overrightarrow{AM}$ est strictement égal à $\overrightarrow{AB}\cdot\overrightarrow{AH}$.
- Injection du point H (Relation de Chasles) : Puisque le point $M$ se projette orthogonalement en $H$, nous décomposons le vecteur $\overrightarrow{AM}$ en introduisant le point $H$ :
$$\overrightarrow{AM} = \overrightarrow{AH} + \overrightarrow{HM}$$ - Développement (Bilinéarité) : Nous substituons cette décomposition dans le produit scalaire initial :
$$\overrightarrow{AB}\cdot\overrightarrow{AM} = \overrightarrow{AB}\cdot(\overrightarrow{AH} + \overrightarrow{HM})$$ - Distribution : En développant, on obtient :
$$\overrightarrow{AB}\cdot\overrightarrow{AM} = (\overrightarrow{AB}\cdot\overrightarrow{AH}) + (\overrightarrow{AB}\cdot\overrightarrow{HM})$$ - L'annulation par orthogonalité : Par construction, la droite contenant le vecteur $\overrightarrow{HM}$ est perpendiculaire à la droite contenant $\overrightarrow{AB}$. Les vecteurs sont rigoureusement orthogonaux, leur produit scalaire est mathématiquement nul :
$$\overrightarrow{AB}\cdot\overrightarrow{HM} = 0$$
Conclusion : En injectant ce zéro, la simplification est totale :
$$\overrightarrow{AB}\cdot\overrightarrow{AM} = \overrightarrow{AB}\cdot\overrightarrow{AH} + 0$$
Le produit scalaire est totalement indépendant de la position de $M$.
<< Le produit scalaire ne calcule pas de simples angles : il sculpte la lumière dans nos univers virtuels. >>
🔬 Acte 3 : Le Filtre Absolu (Biotechnologies)
L'imagerie médicale et la microscopie à très haute résolution souffrent d'un flou inévitable lié au bruit thermique des capteurs. Posons une origine $O$ (le centre du capteur). Le microscope détecte un signal biologique bruité, modélisé par le point $S$ (le vecteur position $\overrightarrow{OS}$). À cause des interférences, ce signal est dévié de sa source réelle $P$ (le signal pur $\overrightarrow{OP}$). L'équation s'écrit : $\overrightarrow{OS} = \overrightarrow{OP} + \overrightarrow{PS}$, où le bipoint $\overrightarrow{PS}$ représente physiquement le bruit parasite.
Définition 3 du produit scalaire (Optimisation et Pythagore Vectoriel)
Enoncé 3 : Le signal pur $P$ appartient à un plan théorique connu, noté E. L'ordinateur cherche "la meilleure approximation" de $S$ dans E, c'est-à-dire un point $M$ appartenant à E tel que la distance d'erreur $||\overrightarrow{MS}||$ soit la plus petite possible. Démontrez algébriquement que cette distance est minimale si et seulement si le vecteur erreur $\overrightarrow{MS}$ est orthogonal au plan E.
- L'éclatement de la distance (Chasles) : En forçant l'apparition du point cible $P$ par la relation de Chasles, on obtient :
$$||\overrightarrow{MS}||^2 = ||\overrightarrow{MP} + \overrightarrow{PS}||^2$$ - L'application de l'orthogonalité : Supposons que $P$ soit bien le projeté orthogonal de $S$ sur le plan E. Le vecteur $\overrightarrow{PS}$ est donc perpendiculaire à tout vecteur de E. Or, la différence $\overrightarrow{MP}$ appartient à E. Le produit scalaire de ces deux vecteurs est donc nul :
$$\overrightarrow{MP} \cdot \overrightarrow{PS} = 0$$ - Le verrouillage de l'optimisation (Pythagore) : Puisque l'orthogonalité est prouvée, l'équation devient une simple addition de carrés :
$$||\overrightarrow{MS}||^2 = ||\overrightarrow{MP}||^2 + ||\overrightarrow{PS}||^2$$
Conclusion : Les normes au carré étant toujours positives, cette distance sera strictement minimale uniquement lorsque le terme $||\overrightarrow{MP}||^2$ s'annule, c'est-à-dire quand l'algorithme choisit de confondre $M$ et $P$.
- L'éclatement de la distance : En utilisant les vecteurs purs et en introduisant le vecteur signal pur $\overrightarrow{P}$, on obtient :
$$||\overrightarrow{S} - \overrightarrow{M}||^2 = ||(\overrightarrow{S} - \overrightarrow{P}) + (\overrightarrow{P} - \overrightarrow{M})||^2$$ - L'application de l'orthogonalité : Si le vecteur $\overrightarrow{P}$ est le projeté orthogonal de $\overrightarrow{S}$ sur le plan vectoriel E, le vecteur d'erreur $(\overrightarrow{S} - \overrightarrow{P})$ est perpendiculaire à tout vecteur de E. Or, la différence algébrique $(\overrightarrow{P} - \overrightarrow{M})$ appartient à E. Leur produit scalaire est donc rigoureusement nul.
- Le verrouillage de l'optimisation (Pythagore Vectoriel) : L'équation se simplifie radicalement :
$$||\overrightarrow{S} - \overrightarrow{M}||^2 = ||\overrightarrow{S} - \overrightarrow{P}||^2 + ||\overrightarrow{P} - \overrightarrow{M}||^2$$
Conclusion mathématique : Le premier terme étant fixe, cette distance sera strictement minimale quand l'algorithme annule le second terme, c'est-à-dire lorsqu'il choisit l'approximation $\overrightarrow{M} = \overrightarrow{P}$.