Académique Documents
Professionnel Documents
Culture Documents
La longueur d’un vecteur est également appelée norme et se calcule ainsi : ‖𝑎⃗‖ = (𝑎12 + ⋯ + 𝑎𝑛2 )1/2
Les opérations :
1. Égalité : 𝑎⃗ = 𝑏⃗⃗ 𝑠𝑖 𝑎𝑖 = 𝑏𝑖 ∀ 𝑖
𝑎1 𝜆𝑎1
2. Multiplication par un scalaire : 𝜆𝑎⃗ = 𝜆 ( … ) = ( 𝜆 … )
𝑎𝑛 𝜆𝑎𝑛
⃗⃗
3. Addition: 𝑎⃗ + 𝑏 = 𝑐⃗ 𝑜ù 𝑐𝑖 = 𝑎𝑖 + 𝑏𝑖 ∀ 𝑖
Il a certaines propriétés :
Deux vecteurs sont orthogonaux (perpendiculaires) si leurs produits scalaires sont nuls.
On peut également définir un vecteur grâce à son angle avec l’axe des abscisses et sa norme, donc dans un domaine
à deux dimensions : 𝑎1 = ‖𝑎⃗‖ ∗ cos 𝛼 et 𝑎2 = ‖𝑎⃗‖ ∗ sin 𝛼
Un vecteur unitaire se définit comme suit : 𝑛 = ⋯ , 𝑎𝑙𝑜𝑟𝑠 ⃗𝑒⃗⃗𝑗 = (0, … , 1, … , 0) avec le 1 se situant en position j. Une
𝑎1
particularité de ces vecteurs unitaires est qu’ils sont tous orthogonaux entre eux (logiquement), donc : 𝑎⃗ = (𝑎 ) =
2
𝑎1 0 1 0
( ) + ( ) = ( ) 𝑎1 + ( ) 𝑎2 = 𝑎1 ⃗⃗⃗⃗ 𝑒1 + 𝑎2 ⃗⃗⃗⃗
𝑒2
0 𝑎2 0 1
Note : 𝑎⃗ ∙ 𝑎⃗ = ∑ 𝑎𝑖2 = ‖𝑎⃗‖2 donc ‖𝑎⃗‖ = (𝑎⃗ ∙ 𝑎⃗)1/2
𝑘𝑗 ⃗⃗⃗⃗
𝑎𝑗 = −(𝑘1 ⃗⃗⃗⃗⃗
𝑎1 + ⋯ + 𝑘𝑗−1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗−1 + 𝑘𝑗+1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗+1 + ⋯ + 𝑘𝑟 ⃗⃗⃗⃗⃗)
𝑎𝑟 Or, 𝑘 ≠ 0 donc :
1
𝑎𝑗 = −
⃗⃗⃗⃗ (𝑘 ⃗⃗⃗⃗⃗
𝑎 + ⋯ + 𝑘𝑗−1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗−1 + 𝑘𝑗+1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗+1 + ⋯ + 𝑘𝑟 ⃗⃗⃗⃗⃗)
𝑎𝑟
𝑘𝑗 1 1
1
Mathématiques II Printemps 18-19
• 𝑛 = 𝑚 (matrice carrée)
• 𝑚 = 1 (vecteur ligne)
• 𝑛 = 1 (vecteur colonne)
Notation : 𝐴𝑚×𝑛
Une matrice symétrique si 𝐴𝑇 = 𝐴, cela doit donc être une matrice carrée et 𝑎𝑖𝑘 = 𝑎𝑘𝑖 . On peut constater un axe de
symétrie sur la diagonale. Elle est antisymétrique si 𝐴𝑇 = −𝐴 et donc 𝑎𝑖𝑘 = −𝑎𝑘𝑖 .
2
Mathématiques II Printemps 18-19
D est une diagonale si elle est une matrice carrée et que les éléments 𝑑𝑖𝑘 = 0 ∀ 𝑖 ≠ 𝑘. On va les noter de la façon
suivante ; 𝐷 = 𝑑𝑖𝑎𝑔(𝑑11 , 𝑑22 , … , 𝑑𝑛𝑛 ). On peut noter que 𝐷 𝑇 = 𝐷 et donc symétrique.
• L’espace des lignes : sous-espace de ℝ𝑛 engendré par les vecteurs donnés par les lignes.
• L’espace des colonnes : sous-espace de ℝ𝑚 engendré par les vecteurs donnés par les colonnes.
Pour une matrice Amxn quelconque, l’espace des lignes et des colonnes ont la même dimension, qui est appelée le rang.
On écrit :
Définition : Une base est un ensemble de vecteurs qui peuvent engendrer un (sous-) espace donné.
Théorie : Les vecteurs non nuls dans une matrice sous forme d’échelon forment une base pour l’espace des lignes de
A. Donc pour trouver le rang d’une matrice, il nous suffit de la mettre sous forme d’échelon et compter le nombre de
lignes non nulles.
3
Mathématiques II Printemps 18-19
Définition : Si A est une matrice carrée, le mineur de l’élément aij est symbolisé par Mij et est définit comme
le déterminant de la sous-matrice obtenue de l’élimination de la ligne i et de la colonne j.
Théorème : Le déterminant de A (carré, nxn) peut être calculé en multipliant tous les éléments d’une ligne
(ou colonne) par leurs cofacteurs et en sommant les produits résultants :
• Si A est inversible, alors sa matrice inverse A-1 est unique. Donc : 𝐴−1 𝐴 = 𝐼 𝑒𝑡 𝐴𝐴−1 = 𝐼
• (𝐴−1 )−1 = 𝐴
• (𝐴𝑇 )−1 = (𝐴−1 )𝑇 Donc si A est, A-1 l’est également.
• A et B de même dimension (mxn, A et B quelconque) : (𝐴𝐵)−1 = 𝐵−1 𝐴−1
• Une matrice A carrée est inversible si et seulement si det(A)≠0
1
• det(𝐴−1 ) =
det(𝐴)
Peut-on représenter les opérations élémentaires sur les lignes/colonnes par des produits matriciels ? Oui ! Ci-dessous
sont seulement celles sur les lignes et pour n=3, mais c’est totalement analogue pour n≠3 et on fait l’opération dans
l’autre sens pour les faire sur les colonnes :
0 1 0 𝑎 𝑏 𝑐 𝑑 𝑒 𝑓
• Echanger la ligne 1 avec la ligne 2 : [1 0 0] ∗ [𝑑 𝑒 𝑓 ] = [𝑎 𝑏 𝑐]
0 0 1 𝑔 ℎ 𝑖 𝑔 ℎ 𝑖
Il faut simplement inverser les lignes de I des lignes concernées.
4
Mathématiques II Printemps 18-19
1 0 0 𝑎 𝑏 𝑐 𝑎 𝑏 𝑐
• Multiplier k fois la ligne 3 : [0 1 0 ] ∗ [ 𝑑 𝑒 𝑓] = [ 𝑑 𝑒 𝑓]
0 0 𝑘 𝑔 ℎ 𝑖 𝑘𝑔 𝑘ℎ 𝑘𝑖
Il faut remplacer le 1 de la diagonale par k de la ligne que l’on veut multiplier par k.
1 0 0 𝑎 𝑏 𝑐 𝑎 𝑏 𝑐
• Ajouter k fois la ligne 1 à la ligne 3 : [0 1 0 ] ∗ [ 𝑑 𝑒 𝑓] = [ 𝑑 𝑒 𝑓 ]
𝑘 0 1 𝑔 ℎ 𝑖 𝑔 + 𝑘𝑎 ℎ + 𝑘𝑏 𝑖 + 𝑘𝑐
Il faut mettre un k à la ligne que l’on veut manipuler à la colonne qui porte le numéro de colonne de la ligne
que l’on veut ajouter. Par exemple, ici, k va à la place I31.
Déterminant : les opérations élémentaires sur les lignes/colonnes changent le déterminant de la même
manière que d’habitudes.
La transposée de la matrice des cofacteurs de A est appelée la matrice adjointe de A. Elle est définie comme la
transposée de la matrice des cofacteurs de A : 𝑎𝑑𝑗(𝐴) = 𝑐𝑜𝑓(𝐴)𝑇
1
Théorème : Si A est inversible (det(𝐴) ≠ 0, 𝑟𝑎𝑛𝑔(𝐴) = 𝑛)), alors 𝐴−1 = det(𝐴) 𝑎𝑑𝑗(𝐴)
1 𝑑 −𝑏
Le cas de la matrice 2x2, cas général : 𝐴−1 = 𝑎𝑑−𝑏𝑐 [ ]
−𝑐 𝑎
• A peut être transformée par des opérations élémentaires sur les lignes en Inxn.
• A est inversible, en d’autres mots, A-1 existe.
5
Mathématiques II Printemps 18-19
Une ligne de niveau est l’ensemble des points qui donnent à une fonction la même valeur, c’est-à-dire (si n=2), les x1
et x2 tel que 𝑓(𝑥1 , 𝑥2 ) = 𝑐 ↔ 𝑎1 𝑥1 + 𝑎𝑛 𝑥𝑛 = 𝑐. Dans le cas de n = 2, une ligne de niveau est une droite, avec n = 3 ce
sera un plan et avec n = 4 un hyperplan.
Un autre moyen de noter une ligne de niveau (n=2) est : 𝐴𝑇 𝑋 = ‖𝐴𝑇 ‖ ∗ ‖𝑋‖ cos 𝜑 = 𝑐
6
Mathématiques II Printemps 18-19
Si on donne des valeurs numériques, chaque ligne donne une valeur (y1, …, yn). Sous la forme matricielle, cela nous
𝑎11 ⋯ 𝑎1𝑛 𝑥1 𝑦1
donne : [ ⋮ ⋱ ⋮ ] [ ⋮ ] = [ ⋮ ] ↔ 𝐴𝑚𝑥𝑛 𝑋𝑛𝑥1 = 𝑌𝑚𝑥1
𝑎𝑚1 ⋯ 𝑎𝑚𝑛 𝑥𝑛 𝑦𝑛
𝑦1 cos 𝜃 − sin 𝜃 𝑥1
Rotation en deux dimensions : [𝑦 ] = [ ] [ ] ↔ 𝑌 = 𝐴𝑋 = 𝑅𝑜𝑡𝜃 𝑋
2 sin 𝜃 cos 𝜃 𝑥2
Une homothétie est une transformation géométrique correspondant à un agrandissement ou à
une réduction. Pour ce faire, on applique un vecteur d’échelle k au vecteur X pour obtenir un
𝑘 0 𝑥1
vecteur 𝑌 = 𝑘𝑋 = [ ] [ ] si k > 0, alors le sens de la transformation est identique à l’originale, mais si k < 0, alors
0 𝑘 𝑥2
elle sera dans le sens inverse. De plus, si |k|> 1, on aura une dilatation (agrandissement) et si |k| < 1, on aura une
contraction (réduction).
• 𝐴(𝑋 + 𝑌) = 𝐴𝑋 + 𝐴𝑌
• 𝐴(𝑘𝑋) = 𝑘(𝐴𝑋), k scalaire
• Si X est donné, Y est connu et unique, car Y = AX
• Si Y est donné, il y a soit aucun, un ou plusieurs X (r = rang de A)
o Si r = m : une solution existe toujours
o Si r < m : une solution existe seulement pour certains Y
o Si r = n : Si une solution existe, elle est unique
o Si r < n : Si une solution existe, elle n’est pas unique
o Si m = n : 𝐴𝑛𝑥𝑛 𝑋𝑛𝑥1 = 𝑌𝑛𝑥1 où Y est donné. Il s’agit d’un système de n équations linéaires en n
inconnues. A résoudre pour X
▪ Si rang(A) = m = n : A-1 existe et det(A) est non nul : 𝐴𝑋 = 𝑌 ↔ 𝐴−1 𝐴𝑋 = 𝐴−1 𝑌 ↔ 𝑋 = 𝐴−1 𝑌
est solution unique du système d’équations linéaires
▪ Si rang(A) < m = n : On n’a pas de solution ou une infinité de solutions
On peut également résoudre des systèmes d’équations linéaires sous formes de vecteurs :
𝑎11 𝑎1𝑛 𝑦1
( ⋮ ) 𝑥1 + ⋯ + ( ⋮ ) 𝑥𝑛 = ( ⋮ )
𝑎𝑛1 𝑎𝑛𝑛 𝑦𝑛
Si l’on plus d’équations que d’inconnues, les trois cas étudiés sont encore et toujours possibles. Or, il y a une solution
unique seulement si les lignes excédentaires sont des combinaisons linéaires des autres. Si on a moins d’équations
7
Mathématiques II Printemps 18-19
que d’inconnues, il est impossible d’avoir une solution unique, donc une famille de solutions à un ou plusieurs
paramètres.
𝑏 𝑎 𝑥
𝑎11 𝑥1 + 𝑎12 𝑥2 = 𝑏1 𝑥2 = 𝑎 1 − 𝑎11 1
12 12
Cas n = 2, deux équations à deux inconnues ↔ 𝑎 𝑥 :
𝑎21 𝑥1 + 𝑎22 𝑥2 = 𝑏2 𝑏
𝑥2 = 𝑎 2 − 𝑎21 1
22 22
A) Formules générales :
a. n=2 : 𝑓(𝑥1 , 𝑥2 ) = 𝑎11 𝑥12 + 2𝑎12 𝑥1 𝑥2 + 𝑎22 𝑥22
b. n=3 : 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = 𝑎11 𝑥12 + 2𝑎12 𝑥1 𝑥2 + 2𝑎13 𝑥1 𝑥3 + 𝑎22 𝑥12 + 2𝑎23 𝑥2 𝑥3 + 𝑎33 𝑥32
B) Types d’une forme quadratique :
a. Si f(x1, …,xn) > 0 (sauf si x1 = … = xn = 0), la forme quadratique est dite définie positive.
b. Si f(x1, …,xn) < 0 (sauf si x1 = … = xn = 0), la forme quadratique est dite définie négative.
c. Si f(x1, …,xn) prend des valeurs positives et négatives, la forme quadratique est dite indéfinie.
d. Si f(x1, …,xn) ≥ 0 et que f(x1, …,xn) = 0 dans au moins un cas non trivial, la forme quadratique est dite semi-
définie positive.
e. Si f(x1, …,xn) ≤ 0 et que f(x1, …,xn) = 0 dans au moins un cas non trivial, la forme quadratique est dite semi-
définie négative.
C) Cas particulier : aij = 0 pour i ≠ j. On a que des xi dans la forme quadratique.
𝑛
𝑛 𝑛 𝑛
Les lignes de niveau : n = 2, ce sont les (x1, x2) tel que f(x1, x2) = c.
Théorème : Si A est une matrice symétrique, alors des vecteurs propres correspondants à des valeurs propres
différentes sont orthogonaux.
• A symétrique : AT = A
• V1, V2 des vecteurs propres correspondant aux valeurs propres λ1, λ2 (λ1 ≠ λ2).
Donc : 𝐴𝑉1 = 𝜆1 𝑉1 , 𝐴𝑉2 = 𝜆2 𝑉2 , 𝑉1𝑇 𝑉2 = 0 Nos n vecteurs sont orthogonaux si les valeurs propres de la
matrice associés à la forme quadratique sont distinctes.
Si A est symétrique et λ1 ≠ λ2 (de A), alors V1 et V2 sont orthogonaux (propriété des vecteurs propres). Donc :
Définition : Si X (≠0nx1) est un vecteur tel que AX = λX, alors X est un vecteur propre et λ est une valeur propre de la
matrice A.
Observation : Si X est tel que AX = λX (pour un certain λ), alors Y = cX (c≠0) satisfait aussi l’équation AY = λY, car
AcX = λcX.
Donc, X et Y sont des vecteurs propres associés à la valeur propre λ. Pour une valeur donnée, il y a une infinité de
vecteurs associés : ils sont tous proportionnels entre eux.
Conséquence : AX = λY a une infinité de solutions, λ un nombre et X ≠ 0nx1. Il faut une infinité de solution et donc que
𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0, car si 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) ≠ 0 on a une solution unique pour laquelle X devrait être égal à 0nx1, ce qui
est exclu.
Durant la résolution de problème, on peut soit nous demander un vecteur propre ou la famille de vecteurs propre. Si
l’on nous en demande qu’un, on va devoir fixer une variable arbitrairement, on n’aura donc pas tous la même réponse.
De plus, un vecteur propre est toujours associé à l’une de plusieurs valeurs propres que l’on détermine avec le système
d’équation 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0.
𝑎11 − 𝜆 𝑎12 ⋯ 𝑎1𝑛
𝑎 𝑎22 − 𝜆 ⋯ 𝑎2𝑛
Matrice nxn : 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = | 21 | = 0 On aura donc un polynôme de degré n en λ. La
⋮ ⋮ ⋱ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 − 𝜆
conséquence est qu’il y aura au maximum n solutions réelles pour les valeurs propres. Dans le cas où n = 3,
𝑑𝑒𝑡(𝐴 − 𝜆𝐼) est un polynôme du 3ème degré. Si l’on nous donne une des valeurs propres, on peut trouver les deux
9
Mathématiques II Printemps 18-19
autres en faisant au préalable une division polynômiale. Ceci résulte en un polynôme du 2ème degré duquel on peut
déduire λ2 et λ3.
On remarquera que :
Si on nous donne un vecteur propre [V1] et que l’on nous demande à quelle valeur propre [λ1] il est associé, il nous
suffit de trouver la matrice AV1. Cette matrice va par définition être de sorte à ce que 𝐴𝑉1 = 𝜆𝑉1.
𝐴𝑛 𝑉1 = 𝜆1𝑛 𝑉1
On décompose l’économie d’un pays (région, canton, etc.) en n secteurs numérotés. On considère une certaine
période de temps (année, mois, etc.). Dans se modèle toutes les valeurs sont monétaires.
On a deux hypothèses :
Un secteur est viable s’il produit une plus-value, donc s’il produit plus que ce qu’il consomme et importe.
10
Mathématiques II Printemps 18-19
Les lignes de niveau : Ce sont les lignes dont les points (x1, …, xn) sont tels que f(x1, …, xn) = c.
Problèmes : comportement local, extrema libre, extrema liés (optimisation sous contrainte).
Notations :
𝑑𝑓 𝑑𝑦
• Une variable : 𝑦 = 𝑓(𝑥) → 𝑓 ′ (𝑥) = 𝑦 ′ (𝑥) = 𝑑𝑥 = 𝑑𝑥
𝜕𝑓 𝜕𝑦
• Plusieurs variables : 𝑦 = 𝑓(𝑥1 , . . , 𝑥𝑛 ) → 𝑓𝑥′𝑖 (𝑥1 , … , 𝑥𝑛 ) = 𝑦𝑥′ 𝑖 (𝑥1 , … , 𝑥𝑛 ) = 𝜕𝑥 = 𝜕𝑥
𝑖 𝑖
∆𝑦
𝑦 𝑥𝑖 𝜕𝑦
Elasticités de f(x1, …,xn) : 𝐸𝑥𝑖 (𝑦) = lim ∆𝑥𝑖 = 𝑦
∗ 𝜕𝑥
∆𝑥𝑖 →0 𝑖
𝑥𝑖
′ ′
∆𝑦 = 𝑓 ( 𝑥⏟1 + ∆𝑥 ⏟2 ) − 𝑓(𝑥1 , 𝑥2 ) ≈ 𝑓
⏟1 , 𝑥⏟2 + ∆𝑥 ⏟𝑥1 (𝑥1 , 𝑥2 )∆𝑥1 + 𝑓𝑥2 (𝑥1 , 𝑥2 )∆𝑥2
𝑓𝑖𝑥𝑒 𝑣𝑎𝑟𝑖𝑒 𝑓𝑖𝑥𝑒 𝑣𝑎𝑟𝑖𝑒 𝑓𝑜𝑟𝑚𝑒 𝑙𝑖𝑛é𝑎𝑖𝑟𝑒 𝑒𝑛 ∆𝑥1 𝑒𝑡 ∆𝑥2
11
Mathématiques II Printemps 18-19
Et ceci nous donne la différentielle totale du premier ordre : 𝑑𝑦 = 𝑓𝑥′1 (𝑥1 , 𝑥2 )𝑑𝑥1 + 𝑓𝑥′2 (𝑥1 , 𝑥2 )𝑑𝑥2
Les lignes de niveau sont l’ensemble des points tels que f(x1, x2) = c.
𝑓𝑥′1 𝑑𝑥
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓 = [
Le gradient de f aux points x1 et x2 : 𝑔𝑟𝑎𝑑 ] et si on prend : 𝑑𝑥⃗ = [ 1 ], alors :
𝑓𝑥′2 𝑑𝑥2
𝑑𝑦 = ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓‖ ∗ ‖𝑑𝑥⃗‖ ∗ cos 𝜑, où ϕ est l’angle entre les deux normes. On a des cas particuliers :
𝑔𝑟𝑎𝑑𝑓 𝑇 ∗ 𝑑𝑥⃗ = ‖𝑔𝑟𝑎𝑑
• Si ϕ = +90 ou -90, cos(ϕ) = 0, donc dy = 0, car les deux droites seront perpendiculaires.
• Si ϕ = 0, cos(ϕ) = 1 (valeur maximale du cosinus), donc 𝑑𝑦 = ‖𝑔𝑟𝑎𝑑⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓‖ ∗ ‖𝑑𝑥⃗‖
• ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓‖ ∗ ‖𝑑𝑥⃗‖v
Si ϕ = 180, cos(ϕ) = -1, donc 𝑑𝑦 = −‖𝑔𝑟𝑎𝑑
𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 )
𝑓𝑥′1 (𝑥1 , 𝑥2 ) → {
𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 ) ← 𝑑é𝑟𝑖𝑣é𝑒 𝑚𝑖𝑥𝑡𝑒
Fonction de 2 variables : 𝑓(𝑥1 , 𝑥2 ) → , 𝑒𝑡𝑐.
′
𝑓𝑥′′2 𝑥1 (𝑥1 , 𝑥2 ) ← 𝑑é𝑟𝑖𝑣é𝑒 𝑚𝑖𝑥𝑡𝑒
𝑓𝑥2 (𝑥1 , 𝑥2 ) → {
{ 𝑓𝑥′′2 𝑥2 (𝑥1 , 𝑥2 )
On peut prouver que 𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 ) = 𝑓𝑥′′2 𝑥1 (𝑥1 , 𝑥2 ), c’est la loi de Jung.
𝜕2 𝑓 𝜕2 𝑓
Autre notation : 𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 ) = 𝑒𝑡 𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 ) = 𝑒𝑡𝑐.
𝜕𝑥12 𝜕𝑥1 𝜕𝑥2
𝑑2 𝑦 = 𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 )(𝑑𝑥1 )2 + 2𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 )𝑑𝑥1 𝑑𝑥2 + 𝑓𝑥′′2 𝑥2 (𝑥1 , 𝑥2 )(𝑑𝑥2 )2
1
Il s’en suit que : 𝑓(𝑥 + 𝑑𝑥) = 𝑓(𝑥) + 𝑑𝑓 + 2 𝑑2 𝑓
Le signe de d2f :
Souvent il va nous falloir la forme quadratique (n=2) : 𝑎11 𝑥12 + 2𝑎12 𝑥1 𝑥2 + 𝑎22 𝑥22 avec 𝑎𝑖𝑗 = 𝑓𝑥′′𝑖𝑥𝑗 𝑒𝑡 𝑥𝑖 = 𝑑𝑥𝑖
𝑎11 𝑎12
𝑎11 𝑎12 2 2
|𝑎
12 𝑎22
|
2
𝐴 = 𝐻 = [𝑎
12 𝑎22 ] et donc 𝑑 𝑦 = 𝑎11 (… ) + 𝑎11 (… )
12
Mathématiques II Printemps 18-19
1
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓 𝑇 ∗ ∆𝑋 + (∆𝑋)𝑇 𝐻(∆𝑋)
𝑓(𝑥1 , … , 𝑥𝑛 ) ≈ 𝑓(𝑥̇ 1 , … , 𝑥̇ 𝑛 ) + 𝑔𝑟𝑎𝑑
2
𝑓𝑥′1 (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) = 0
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑔𝑟𝑎𝑑𝑓 = 0𝑛𝑥1 ↔{ ⋮
𝑓𝑥′𝑛 (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) = 0
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓 = 0𝑛𝑥1, il faut les utiliser pour trouver le type d’extremum. Pour
Après avoir trouvé les (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑔𝑟𝑎𝑑
cela on va trouver Taylor en (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) tel que le gradient s’annule :
1 2
𝑓(𝑥1 , … , 𝑥𝑛 ) ≈ 𝑓(𝑥̇
⏟ 1 , … , 𝑥̇ 𝑛 ) + 𝑑𝑓
⏟ + 𝑑⏟ 𝑓
2
𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓∗∆𝑋
𝑔𝑟𝑎𝑑
⏟ 𝑓𝑞
⃗⃗
0
Il nous suffit donc de déterminer le type de d2f, étant une forme quadratique, pour connaitre le type de notre extrema :
• Si d2f est une forme quadratique définie positive, alors on a un minimum local en (𝑥̇ 1 , … , 𝑥̇ 𝑛 ).
• Si d2f est une forme quadratique définie négative, alors on a un maximum local en (𝑥̇ 1 , … , 𝑥̇ 𝑛 ).
• Si d2f est une forme quadratique indéfinie, alors on n’a pas d’extremum, (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) est un point de selle.
• Si d2f est une forme quadratique semi-définie positive, alors il n’y a pas de maximum local, mais un minimum
local est encore possible.
• Si d2f est une forme quadratique semi-définie négative, alors il n’y a pas de minimum local, mais un maximum
local est encore possible.
On a des observations (xi, yi), i = 1, …, n. De plus, on a une certaine tendance linéaire. On pense qu’il y a une relation
linéaire entre x et y, de forme « y = ax + b ». Donc : yi = axi + b + ei, ei étant l’erreur. On veut trouver une droite qui
passe le plus près des points (xi, yi). Le critère va être la minimisation de la somme des erreurs au carré. Si on avait un
ajustement parfait, cela voudrait dire que ∑𝑛𝑖=1 𝑒𝑖2 = 0 et donc que tous les points reposent sur une droite.
Posons : 𝑓(𝑎, 𝑏) = ∑𝑛𝑖=1 𝑒𝑖2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏)2 . Il n’y a pas de conditions sur a et b, on est donc dans le cas d’un
extrema libre. Il va falloir remplir les conditions de premier et de second ordre.
1
∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 −𝑛(∑𝑖=1 𝑦𝑖 ∑𝑖=1 𝑥𝑖 ) ∑𝑛 ̅𝑥̅
𝑖=1 𝑥𝑖 𝑦𝑖 −𝑛𝑦
• CPO : 𝑓𝑎′ (𝑎, 𝑏) = 𝑓𝑏′ (𝑎, 𝑏) = 0 ↔ 𝑎∗ = 1 2 = ∑𝑛 2 2 ↔ 𝑏 ∗ = 𝑦̅ − 𝑎∗ 𝑥̅
∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 −𝑛(∑𝑖=1 𝑥𝑖 ) 𝑖=1 𝑥𝑖 −𝑛𝑥̅
′′ (𝑎,
𝑓𝑎𝑎 𝑏) = 2 ∑𝑛𝑖=1 𝑥𝑖2
2 ∑𝑛 𝑥𝑖2 2 ∑𝑛𝑖=1 𝑥𝑖
• ′′ (𝑎,
CSO : 𝑓𝑎𝑏 𝑏) = 2 ∑𝑛𝑖=1 𝑥𝑖 } 𝐻 = [ 𝑖=1 ] → La fq est définie positive, on a un min en (a*, b*).
′′ (𝑎, 2 ∑𝑛𝑖=1 𝑥𝑖 2𝑛
𝑓𝑏𝑏 𝑏) = 2𝑛
13
Mathématiques II Printemps 18-19
𝑓𝑥′ 𝜑𝑥′
[ 1] = 𝜆 [ ′ 1]
On aura trois équations à trois inconnues qui devront être satisfaites : { 𝑓𝑥2 𝜑𝑥2
𝜑(𝑥1 , 𝑥2 ) = 0
Méthode des multiplicateurs de Lagrange :
C’est la recherche des extrema de la fonction f(x1, x2) sous la contrainte ϕ(x1, x2) = 0.
Méthode de substitution :
Elle marche surtout bien lorsque les contraintes sont linéaires. Nous avons f(x1, x2) quelconque et ϕ(x1, x2) de la forme
ax1 + bx2 – c = 0. Il faut isoler l’une des deux variables de la contrainte et la mettre dans f(x1, x2) qui deviendra donc
une équation à une variable f(x). Puis il faudra simplement trouver les extrema de celle-ci et définir leurs types :
1. 𝑓𝑥′ (𝑥) = 0
𝑓𝑥′′ (𝑥) > 0 → 𝑚𝑖𝑛𝑖𝑚𝑢𝑚
2. {𝑓𝑥′′ (𝑥) < 0 → 𝑚𝑎𝑥𝑖𝑚𝑢𝑚
𝑒𝑡𝑐.
14