ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH CALCUL I

Dimension: px
Commencer à balayer dès la page:

Download "ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I"

Transcription

1 ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver Introduction à l optimisation L optimisation vise à résoudre des problèmes où l on cherche à déterminer parmi un grand nombre de solutions candidates celle qui donne le meilleur rendement Plus précisément, on cherche à trouver une solution satisfaisant un ensemble de contraintes qui minimise ou maximise une fonction donnée L application de l optimisation est en expansion croissante et se retrouve dans plusieurs domaines Les problèmes considérés dans ce document s écrivent sous la forme standard min x R n sc f (x) x S où x = (x 1,x 2,,x n ) T est un vecteur de R n, f : R n R est la fonction que l on désire minimiser (appelée fonction objectif), S R n est l ensemble dans lequel les points doivent appartenir, et sc est l abbréviation de sous la ou les contraintes La formulation (1) signifie que l on cherche à trouver une solution du domaine réalisable x S dont la valeur de la fonction objectif est la plus petite (1) Définition 11 Une solution x S est un minimum global de la fonction f sur le domaine S si La valeur optimale est f (x ) f (x ) f (x) x S Notez que le minimum global n est pas nécessairement unique, mais la valeur optimale l est Par exemple, le

2 2 problème d optimisation suivant min sinx x R possède une infinité de minima globaux, soient { 3π 2 + 2kπ : k Z} mais une seule valeur optimale: 1 Définissons maintenant la notion d optimalité dans un voisinage restreint Pour introduire cette idée, on va définir B ε (x ) comme étant l ensemble des points de R n dont la distance à x est inférieure à ε, un scalaire positif donné Cet ensemble est communément appelé une boule de rayon ε centrée en x, et s écrit formellement: B ε (x ) = {x R n : x x < ε} Définition 12 Une solution x S est un minimum local de la fonction f sur le domaine S si f (x ) f (x) x S B ε (x ) Les maxima sont définis de façon similaire, il suffit de remplacer les inégalités ( ) aux définitions 11 et 12 par ( ) La figure 1 illustre le cas d une fonction d une seule variable possédant trois minima locaux, dont un minimum global f (x) S x Figure 1: Trois minima locaux, dont un global 11 Rappels Le gradient d une fonction f : R n R différentiable évalué au point x R n est un vecteur de R n s écrivant ( f (x) f (x) =, f (x),, f (x) ) T x 1 x 2 x n La dérivée directionnelle de f en x R n dans la direction unitaire d R n est f d f (x +td) f (x) (x) = lim = d f (x) t 0 + t De plus, si les dérivées secondes de f existent et sont continues, alors la matrice Hessienne s écrit 2 f = f x 1 x 1 f x 1 x 2 f x 1 x n f x 2 x 1 f x 2 x 2 f x 2 x n f x n x 1 f x n x 2 f x n x n

3 3 Exemple 13 Le gradient et la matrice Hessienne de la fonction f (x) = (x 1 2x 2 ) 2 e x 1 sont [ f (x) = ( 2(x 1 2x 2 ) e x 1, 4(x 1 2x 2 )) T, 2 2 e x 1 4 f (x) = 4 8 Des notions d algèbre serviront au classement des optima ] Définition 14 Une matrice symétrique A de dimension n n est dite semi-définie positive si y T Ay 0 y R n, définie positive si y T Ay > 0 y 0 R n, semi-définie négative si y T Ay 0 y R n, définie négative si y T Ay < 0 y 0 R n Si aucune des propriétés ci-dessus n est satisfaite, la matrice A est dite indéfinie Une façon simple de vérifier si une matrice est définie positive est de considérer les déterminants des n sousmatrices suivantes de A d 1 = det([a 11 ]), ([ a11 a d 2 = det 12 a 21 a 22 d 3 = det ]), a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33,, d n = det a 11 a 12 a 1n a 21 a 22 a 2n a n1 a n2 a nn Ces n déterminants sont appelés les mineurs principaux dominants Dans le cas où la matrice est inversible, et donc lorsque d n 0, il est toujours facile de déterminer si une matrice est définie positive, définie négative ou bien indéfinie En effet, il suffit d analyser le signe de chacun des mineurs principaux dominants Classement d une matrice inversible Soit d 1,d 2,,d n les mineurs principaux dominants d une matrice A symétrique inversible de dimension n n, et e 1,e 2,,e n les mineurs principaux dominants de la matrice A Si d i > 0 pour chaque i {1,2,,n} alors A est définie positive; si e j > 0 pour chaque j {1,2,,n} alors A est définie négative; sinon A est indéfinie La vérification qu une matrice singulière est semi-définie positive, semi-définie négative ou indéfinie requiert beaucoup plus de calculs Par exemple, pour montrer qu une matrice est semi-définie positive, il ne suffit pas de vérifier que les mineurs principaux dominants sont tous positifs ou nuls Une possibilité consiste à analyser toutes valeurs propres de la matrice Ce sujet sera abordé dans des cours plus avancés

4 4 Exemple 15 (suite de l exemple 13) Les déterminants des sous-matrices principales dominantes de [ ] 2 2 e x 1 4 f (x) = 4 8 sont respectivement d 1 = det([ 2 e x 1 ]) = 2 e x 1 < 0 et d 2 = det ([ 2 e x ]) = ( 2 e x 1 )( 8) (4)(4) = 8e x 1 > 0 Leurs signes sont indépendant de la valeur de x La matrice 2 f (x) n est donc pas définie positive ni même semi-définie positive Cependant, on remarque que les mineurs principaux dominants de la matrice 2 f (x) sont ([ ]) e 1 = det([2 + e x 1 ]) = 2 + e x e x 1 4 > 0 et e 2 = det = (2 + e x 1 )(8) ( 4)( 4) = 8e x 1 > On peut alors conclure que la matrice 2 f (x) est définie positive, et donc la matrice 2 f (x) est définie négative, et ce pour toutes les valeurs de x 2 Optimisation sans contraintes Dans cette section nous considérons le cas particulier du problème d optimisation (1) sans contraintes où S = R n, c est-à-dire: min f (x) (2) x R n où f C 2 (cette notation signifie f est différentiable aux moins deux fois, et que ses dérivées sont continues) 21 Conditions d optimalité Soit x un minimum local de f sur S = R n La définition 12 assure qu il existe un scalaire ε > 0 tel que f (x ) f (x) x B ε (x ), en particulier pour n importe quelle direction unitaire d R n et scalaire t > 0 suffisamment petit, le point x = x +td appartient à la boule B ε (x ), et donc f (x ) f (x +td) Ceci implique que la dérivée directionnelle de f en x dans n importe la direction unitaire d R n satisfait f d (x ) = lim t 0 + f (x +td) f (x ) t 0 Le résultat précédent est valide pour n importe quelle direction unitaire d, et donc il est valide en particulier pour d = f (x ) f (x ) Il s ensuit que 0 f d (x ) = d f (x ) = f (x ) f (x ) f (x ) = f (x ),

5 5 et donc f (x ) = 0 (car on a montré que 0 f (x ), or f (x ) est toujours positif) Nous avons donc montré la condition d optimalité suivante Condition nécessaire de premier ordre Si x est un minimum local de la fonction f sur R n, alors f (x ) = 0 (c est-à-dire, x est un point critique) Cette définition donne une condition nécessaire mais pas suffisante En effet, il est possible que le gradient soit nul en un point et que ce point ne soit pas un minimum local (par exemple, ce point peut être un maximum local ou un point de selle) Un point critique x R n est un point de selle si pour n importe quel ε > 0, il existe deux points a B ε (x ) et b B ε (x ) qui soient tels que f (a) < f (x ) < f (b) Un point de selle n est donc ni un minimum local ni un maximum local Les conditions de second ordre nous permettent de distinguer ces cas Considérons encore une fois x un minimum local de f sur S = R n À l aide du développement de Taylor d ordre 2 de f autour du minimum local x on obtient pour toute direction unitaire d R n et pour t R suffisament petit f (x ) f (x +td) f (x ) +td f (x ) + t2 2 dt 2 f (x )d = f (x ) + t2 2 dt 2 f (x )d Pour passer de la première à la deuxième ligne, on a utilisé le fait que f (x ) = 0 en un minimum local En simplifiant cette dernière expression, et en divisant par t 2 > 0 on obtient 1 2 dt 2 f (x )d 0, une expression indépendante de t On a alors la condition suivante Condition nécessaire de second ordre Si x est un minimum local de la fonction f sur R n, alors f (x ) = 0 et y T 2 f (x )y 0 pour tout y R n (c est-à-dire, la matrice Hessienne 2 f (x ) est semi-définie positive) La contraposée de cette condition assure que si la matrice des dérivés secondes 2 f (x ) n est pas semidéfinie positive, alors x n est pas un minimum local de f De façon similaire, si la matrice n est pas semi-définie négative, alors x n est pas un maximum local de f Et donc, si la matrice est indéfinie en un point critique x de la fonction f, alors x est un point selle En effet, si la matrice est indéfinie alors elle n est ni semi-définie positive ni semi-définie négative, et conséquemment x n est ni un minimum ni un maximum local de f De plus, si la condition de second ordre est strictement satisfaite, on obtient la condition suffisante suivante Condition suffisante de second ordre Soit x R n Si f (x ) = 0, et si y T 2 f (x )y > 0 pour tout y R n \ {0} (c est-à-dire, la matrice Hessienne 2 f (x ) est définie positive), alors x est un minimum local de la fonction f sur R n Nous pouvons spécialiser les conditions d optimalités de deuxième ordre aux fonctions de deux variables (voir les exercices) Pour s attaquer à un problème d optimisation, on procèdera de la façon suivante En un premier temps, on utilisera les conditions nécessaires du premier ordre pour identifier tous les points critiques de f C est-à-dire,

6 6 on trouvera tous les points où le gradient s annule Ensuite, pour chacun de ces points, on évaluera la matrice des dérivées secondes, et on utilisera les conditions d optimalité de deuxième ordre pour classer les points On ne pourra conclure seulement lorsque cette matrice sera inversible Et dans ce cas, si elle est définie positive il s agira d un minimum local, si elle est définie négative il s agira d un maximum local, et autrement (c est-à-dire si la matrice est indéfinie) il s agira d un point selle Exemple 21 Considérons la fonction de trois variables f (x) = 6x1 2 + x x 1x 2 + 3x x x3 3 Nous allons identifier tous les points critiques de cette fonction, et allons utiliser les conditions d optimalité afin de déterminer leur nature (minimum, maximum ou point de selle) Le gradient et la matrice Hessienne de cette fonction sont f (x) = 12x 1 + 6x 2 3x x 1 + 6x 2 x 3 3 x2 3 et 2 f (x) = x x3 2 2x 3 Étape 1: Identification des points critiques La condition nécessaire de premier ordre f (x 1,x 2,x 3 ) = (0,0,0) T nous permet d identifier quatre points critiques: x A = (0,0,0) T, x B = (0,0,1) T, x C = ( 1 2, 1,0)T et x D = ( 1 2, 1,1)T Étape 2: Nature des points critiques Les conditions de deuxième ordre nous permettent de classer certains de ces points critiques Point 2 f 2 f critique d 1 d 2 d 3 e 1 e 2 e 3 Conclusion x A = (0,0,0) T matrice singulière indéterminé x B = (0,0,1) T d i > 0 minimum local x C = ( 1 2, 1,0)T matrice singulière indéterminé x D = ( 1 2, 1,1)T matrice inversible et d i 0,e j 0 point selle Cette analyse permet d identifier un minimum local X B et un point selle x D Une analyse plus approfondie serait nécessaire pour classer les deux points critiques x A et x C 22 Méthode du gradient À partir d un point initial connu x 0 R n, la méthode du gradient génère une suite de points x 0,x 1,x 2, qui on l espère s approchera d un minimum local d une fonction f Nous désignerons par x k R n le point considéré à l itération k Notez qu ici le nombre k désigne un indice, et non un exposant À l itération k, la méthode du gradient considère une solution x k R n et une direction d k R n dans laquelle la fonction f décroît, c est-à-dire que d k est une direction de descente pour f en x k Nous étudierons dans cette section la question de trouver un scalaire α > 0 qui est tel que la valeur de f (x k + αd k ) est petite Pour ce faire, nous définissons une fonction d une seule variable h : R R comme suit h(α) = f (x k + αd k ) On observe que puisque d k est une direction de descente pour f alors h (0) < 0 Idéalement, la recherche dans la direction d k consiste à déterminer une petite valeur de α > 0 telle que h (α) = 0

7 7 La méthode du gradient pour la résolution du problème d optimisation (2) sans contraintes peut s écrire de la façon suivante MÉTHODE DU GRADIENT (pour un problème de minimisation) INITIALISATION: Soit x 0 R n un estimé initial de la solution Poser le compteur k 0 ÉVALUATION DU GRADIENT: Calculer la direction d k = f (x k ) Si d k = 0 alors on termine avec un point critique x k Sinon on poursuit à la prochaine étape RECHERCHE DANS LA DIRECTION DE DESCENTE d k : Soit x k+1 la solution produite par la résolution du problème de minimisation à une variable Poser k k + 1, et retourner à l étape précédente min h(α) où h(α) = f α 0 (xk + αd k ) Il est mentionné dans l algorithme que d k = f (x k ) 0 est une direction de descente, c est-à-dire une direction dans laquelle la valeur de la fonction f décroît En effet, par le développement de Taylor on obtient pour des petites valeurs de α > 0 f (x k + αd k ) f (x k ) + α(d k ) T f (x k ) = f (x k ) α f (x k ) 2 < f (x k ) Exemple 22 Considérons la minimisation de la fonction f (x) = (a 2) 2 +(b 3) 2, avec x = (a,b) T, à partir de la solution initiale x 0 = (a 0,b 0 ) T = (0,0) T La première itération de la méthode du gradient avec une recherche dans la direction d k se calcule comme suit Posons k = 0 et d k = f (x k ) = On cherche la valeur du scalaire positif α qui minimise [ 2(a k 2) 2(b k 3) ] = [ 4 6 h(α) = f (x k + αd k ) = f (4α,6α) = (4α 2) 2 + (6α 3) 2 On peut aisément minimiser la fonction h, car c est une simple fonction quadratique En effet, la condition nécessaire du premier ordre h(α) = 0 assure que α = 2 1 et donc ] x 1 = x d0 = (0,0) T (4,6)T = (2,3) T De plus la condition suffisante du second ordre assure que ce point est un minimum local de h La deuxième itération de la méthode du gradient donne d 1 = f (x 1 ) = (0,0) T L algorithme arrête donc à un point critique, et comme 2 f (x) est définie positive pour toute valeur de x (les déterminants des sous-matrices principales sont 2 > 0 et 4 > 0) le point x 1 est un minimum global Dans l exemple précédent la direction opposée au gradient d k = f (x k ) pointait dans la direction du minimum global, d où la convergence immédiate Normalement la convergence requiert beaucoup plus d itérations

8 8 Lorsque la minimisation de la fonction h est faite de façon exacte, les directions consécutives d k et d k+1 générés par la méthode du gradient sont nécessairement perpendiculaires En effet, lorsqu on prend un pas optimal on va s arrêter de façon tangente à une courbe de niveau À l itération suivante, on va se déplacer dans la direction du gradient, perpendiculaire à cette courbe de niveau La figure 2 illustre les trois premiers pas produits par la méthode du gradient sur un exemple où seules les courbes de niveau de f sont données Figure 2: Les directions produites par la méthode du gradient sont perpendiculaires Remarque: La méthode du gradient peut s appliquer directement à un problème de maximisation d une fonction f Il suffit alors de prendre d = f (x k ) (au lieu du négatif du gradient), et de maximiser la fonction h(α) (au lieu de la minimiser) 23 Exercices De brèves solutions aux exercices se trouvent à la fin du document Exercice 21 Spécialisez les conditions d optimalités de deuxième ordre pour classer le point critique (a, b) d une fonction f (x,y) deux fois différentiable sans contraintes

9 9 Exercice 22 Soit la fonction f (x,y) = 3x x 3 2y 2 + y 4 a) Sans faire l analyse de points critiques indiquez si la fonction possède un minimum global et un maximum global b) Identifiez tous les points critiques de f (x,y) et déterminez leur nature c) Parmi les points suivants, lequel peut être obtenu en une itération de l application de la méthode du gradient au problème de maximisation à partir du point (x 0, y 0 ) = (0, 1 2 ) Exercice 23 (x 1, y 1 ) = ( 1, 1) (x 1, y 1 ) = (1, 5 2 ) (x 1, y 1 ) = ( 1, 3 2 ) (x 1, y 1 ) = (1, 0) On applique la méthode du gradient afin de minimiser une fonction de trois variables f (x) à partir du point x 0 = (2,2,1) T On obtient que le gradient évalué en ce point est f (2,2,1) = (3,3, 1) T À partir du graphe ci-dessous, Figure 3: Fonction h(α) = f (2 3α, 2 3α, 1 + α) a) Estimez f (x 0 ) b) Donnez la valeur de la dérivée directionnelle de f en x 0 dans la direction v = ( 3, 3,1) T c) Donnez les coordonnées du prochain point, x 1, produit par la méthode du gradient d) Estimez f (x 1 ) e) Donnez la valeur de la dérivée directionnelle de f en x 1 dans la direction v = ( 3, 3,1) T

10 10 Exercice 24 On utilise la méthode du gradient afin de résoudre un problème de minimisation sans contraintes d une fonction f (x,y) Chacune des trois figures suivantes représente des courbes de niveau de f, ainsi qu une suite de points générés par la méthode du gradient Les échelles en x et y sont identiques Quels points sont ceux produits par la méthode du gradient si celui d indice zéro est le point de départ i) P 0,P 1,P 2,P 3 ii) Q 0,Q 1,Q 2,Q 3 iii) R 0,R 1,R 2,R 3 Exercice 25 Répondez par VRAI ou FAUX Figure 4: Méthode du gradient a) (x,y,z) = (0,0,0) est un point de selle de la fonction f (x,y,z) = x 4 y 4 + z 4 b) Soit ˆx R 3 un point critique d une fonction différentiable tel que 2 f ( ˆx) = Alors ˆx est nécessairement un point de selle

11 11 3 Optimisation sous contraintes Dans la plupart des problèmes d optimisation, les variables ne sont pas libres de prendre n importe quelle valeur Elles sont habituellement restreintes à un domaine Dans cette section, nous nous penchons sur les problèmes sous la forme générale (1) Le résultat suivant, cité sans preuve, sera fréquemment utilisé Théorème 31 Si l ensemble S est fermé et borné, et si la fonction f est continue sur S, alors il existe un minimum global atteint en un point de S et un maximum global atteint en un point de S 31 Multiplicateur de Lagrange pour une seule contrainte d égalité Dans cette section nous considérons le cas particulier du problème d optimisation (1) min x sc f (x) x S S = {x R n : h(x) = k} où f : R n R et h : R n R sont différentiables, et où k est une constante donnée Lagrange a montré qu à l optimalité, le vecteur gradient de la fonction objectif f doit être perpendiculaire à la surface de niveau de la contrainte Condition nécessaire de premier ordre de Lagrange Si x est un minimum local de la fonction f dans S, et si h(x ) 0, alors h(x ) = k, et de plus il existe un scalaire λ R pour lequel f (x ) = λ h(x ) Un point x satisfaisant cette condition est appelé un point critique Exemple 32 Soit le problème d optimisation suivant : min x 3x 1 2x 2 sc x x2 2 = 44 La condition nécessaire d optimalité fait en sorte que l on doive résoudre le système: h(x ) = k : (x 1 )2 + 2(x 2 )2 = 44 f (x ) x 1 = λ h(x ) x 1 : 3 = λ(2x 1 ) Les solutions de ce système sont f (x ) x 2 = λ h(x ) x 2 : 2 = λ(4x 2 ) (x 1,x 2,λ) = (6, 2, 1 4 ) avec f (6, 2, 1 4 ) = 22; (x 1,x 2,λ) = ( 6,2, 1 1 ) avec f ( 6,2, 4 4 ) = 22

12 12 Il n y a pas d autres points critiques et donc le théorème 31 nous assure que (6, 2, 4 1 ) est le maximum global et que ( 6,2, 1 4 ) est le minimum global Lorsque nous résolvons un problème d optimisation on obtient une valeur de λ en plus de la solution optimale Cette valeur peut être interprétée de la façon suivante Considérons la fonction d une variable v(k) qui, pour un k donné retourne la valeur optimale du problème min x f (x) sc h(x) = k Comment est-ce que la fonction v varie lorsque la valeur k varie? Pour un k donné, définissons x(k) R n comme étant la solution optimale du problème ci-dessus, c est-à-dire, v(k) = f (x(k)) et h(x(k)) = k Observons aussi que f x i = λ h x i pour i = 1,2,,n Pour mesurer la variation de v(k), on cherche alors à calculer v (k) = dv dk = f dx 1 x 1 dk + f dx 2 x 2 dk ++ f dx n x n dk = λ h dx 1 x 1 dk ( h dx 1 = λ x 1 dk + λ h dx 2 x 2 dk + h dx 2 x 2 dk ++ λ h dx n x n dk ++ h ) dx n = λ dh x n dk dk = λ Et donc le multiplicateur de Lagrange λ représente le taux de variation de la valeur optimale v lorsque k augmente On peut alors approcher la fonction v par son polynôme de Taylor de degré un P 1 (k) autour de k 0 : v(k) P 1 (k) = v(k 0 ) + v (k 0 )(k k 0 ) = v(k 0 ) + λ(k k 0 ) Exemple 33 (suite de l exemple 32) Reprenons le dernier exemple Estimez la valeur optimale du problème d optimisation où la contrainte x 2 + 2y 2 = 44 est remplacée par x 2 + 2y 2 = 45 Ici, k 0 = 44 et k = 45 Au minimum on avait λ = v (44) = 1 4 et f = v(44) = 22 Donc la valeur optimale serait approximativement ( ) min 3x 2y v(45) = x,y sc x 2 + 2y 2 P 1 (45) = v(44) + v (44)(45 44) = 2225 = Optimisation sous une contrainte d inégalité Dans cette section nous considérons le cas particulier du problème d optimisation (1) min x sc f (x) x S S = {x R n : h(x) k} avec f : R n R et h : R n R sont différentiables, et où k est une constante donnée Encore une fois, le théorème 31 nous assure que si S est fermé et borné alors il contiendra à la fois le minimum et le maximum global (remarquez il est possible qu il y ait plus d un minimum ou maximum global) Il y a deux

13 13 possibilité pour chacun de ceux-ci Ou bien ils appartiendront à l intérieur strict de S ou bien ils se trouveront sur la frontière de S (l intérieur strict de S est {x R n : h(x) < k}, et la frontière de S est {x R n : h(x) = k}) L analyse de ce problème se fait en trois étapes Premièrement nous allons identifier tous les points où le gradient de f s annule, et allons retenir seulement ceux appartenant à S Deuxièmement nous allons appliquer la méthode du multiplicateur de Lagrange où nous remplacerons l inégalité par une égalité Enfin, le minimum et le maximum global sera alors l un des points énumérés Il suffira donc d évaluer f en tous ces points Exemple 34 Résolvons ( max x,y (x 1) 2 + (y 2) 2 sc x 2 + y 2 45 ) Étape 1: Points critiques à l intérieur strict de S Trouvons les points où f (x, y) = (0, 0): f (x,y) x = 2(x 1) = 0 x = 1; f (x,y) y = 2(y 2) = 0 y = 2 En ce point h(1,2) = = 5 < 45, et donc le point critique (1,2) se trouve à l intérieur strict du domaine S Étape 2: Points critiques sur la frontière de S Multiplicateur de Lagrange : h(x,y) = k : x 2 + y 2 = 45 f (x,y) x f (x ) y = λ h(x,y) x : 2(x 1) = 2λx = λ h(x,y) y : 2(y 2) = 2λy Les solutions sont (x,y) = (3,6) et (x,y) = ( 3, 6), qui sont alors deux points critiques Étape 3: Évaluation de f aux points critiques f (1,2) = 0, f (3,6) = 20, f ( 3, 6) = 80 Ainsi la valeur minimale de f est 0 et la valeur maximale est de Multiplicateurs de Lagrange pour plusieurs contraintes d égalité Considérons maintenant la formulation générale du problème d optimisation (1) min x sc f (x) x S S = {x R n : h j (x) = k j, j = 1,2,,m} avec f : R n R et h j : R n R sont différentiables, et où les k j sont des constantes données Condition nécessaire de premier ordre de Lagrange Si x est un minimum local de la fonction f dans S où { h j (x ) : j = 1,2,,m} est un ensemble linéairement indépendant, alors h j (x ) = k j pour j = 1,2,,m, et de plus il existe un vecteur λ R m pour lequel f (x ) = m λ j h j (x ) j=1

14 14 Exemple 35 Soit les trois problèmes d optimisation suivants : min x x 1 x 2 + x 3 sc x1 2 + x2 2 + x2 3 = 1 x1 2 + (x 2 1) 2 + (x 3 2) 2 = 4, min x x 1 x 2 + x 3 sc x1 2 + x2 2 + x2 3 = 101 x1 2 + (x 2 1) 2 + (x 3 2) 2 = 4 et min x x 1 x 2 + x 3 sc x1 2 + x2 2 + x2 3 = 1 x1 2 + (x 2 1) 2 + (x 3 2) 2 = 39 Résoudre le premier, et donnez un estimé de la valeur optimale des deux autres d optimalité fait en sorte que l on doive résoudre le système: La condition nécessaire h 1 (x ) = k 1 : (x 1 )2 + (x 2 )2 + (x 3 )2 = 1 h 2 (x ) = k 2 : (x 1 )2 + (x 2 1)2 + (x 3 2)2 = 4 f (x ) x 1 = λ 1 h 1 (x ) x 1 + λ 2 h 2 (x ) x 1 : 1 = 2λ 1 x 1 + 2λ 2x 1 f (x ) x 2 = λ 1 h 1 (x ) x 2 + λ 2 h 2 (x ) x 2 : 1 = 2λ 1 x 2 + 2λ 2(x 2 1) f (x ) x 3 = λ 1 h 1 (x ) x 3 + λ 2 h 2 (x ) x 3 : 1 = 2λ 1 x 3 + 2λ 2(x 3 2) La troisième équation assure que x1 0, et donc on peut diviser par cette variable pour obtenir 2λ 1 + 2λ 2 = x 1 1 En substituant dans les quatrième et cinquième équations, on obtient 1 = x 2 x1 2λ 2 et 1 = x 3 x1 4λ 2 et donc 4λ 2 = 2x 2 x1 + 2 = x 3 x1 1 Prenons maintenant la différence entre les deux premières équations, et simplifions les termes quadratiques On obtient alors que les solutions doivent satisfaire l égalité linéaire x 2 + 2x 3 = 1 et donc on peut fixer x 3 = 1 2 x 2 2 En substituant cette valeur dans 2x 2 x1 donnent les multiplicateurs + 2 = x 3 x 1 1 on trouve x2 = 1 5 6x 1 5 Les troisième et quatrième équations λ 1 = x1 et λ 2 = x1 La première équation se simplifie en 14(x 1 ) = 1 et admet les deux solutions 2 7 et 2 7 Le tableau 1 donne les valeurs des autres variables Il n y a pas d autres points critiques et donc le théorème 31 assure que la première solution est le maximum global et la deuxième le minimum global x1 x2 x3 λ 1 λ 2 f (x ) Tableau 1: Solutions

15 15 Le deuxième problème d optimisation est identique au premier, sauf que le terme k 1 passe de 1 à 11 On peut alors estimer que la valeur optimale du second problème est v 1 (11) v 1 (1) + v 1(1)(11 1) = v 1 (1) + λ 1 (11 1) = 2 ( ) Le calcul exact de la valeur optimale pour k 1 = 11 donne Le troisième problème d optimisation est identique au premier, sauf que le terme k 2 passe de 4 à 39 On peut alors estimer que la valeur optimale du troisième problème est v 2 (39) v 2 (4) + v 2(4)(39 4) = v 2 (4) + λ 2 (39 4) = 2 ( ) Le calcul exact de la valeur optimale pour k 2 = 39 donne Exercices Exercice 31 Le diagramme de courbes de niveau ci-dessous illustre au point P, le minimum qu atteint f (x, y) sous la contrainte g(x,y) = 1 La courbe en trait plein représente la courbe de niveau f (x,y) = 10 et la courbe en pointillé la courbe de niveau g(x,y) = 1 Les gradients sont également représentés Figure 5: Courbes de niveau a) En observant le graphique, déterminez la valeur du multiplicateur de Lagrange λ associé au point P b) Donnez une approximation de la valeur minimale qu atteint la fonction f (x,y) sous la contrainte g(x,y) = 09

16 16 Exercice 32 Trouvez les valeurs minimale et maximale de a) f (x,y) = xy sous la contrainte x 2 + 2y 2 1; b) f (x,y,z) = x + y + z sous les contraintes x 2 + y 2 + z 2 = 1 et x y = 1 Exercice 33 Une ville B est à 10 km à l est d une ville A et une ville C est à 3 km au nord de la ville B Voir la figure Figure 6: Villes A,B et C On veut réaliser un projet d autoroute entre les villes A et C Le coût de 1 km d autoroute le long de la route existante entre A et B est de $, alors que le coût de 1 km d autoroute ailleurs est de $ On désire déterminer ou doit se situer le point pivot P (c est-à-dire, à quelle distance de A, l autoroute doit bifurquer pour être construite en plein champ) pour minimiser le coût de réalisation de l autoroute a) Formulez cette question en un problème de minimisation d une fonction de deux variables f (x,y) soumise à une contrainte non linéaire h(x,y) = 9 (Ne pas résoudre) b) Résolvez le problème obtenu en a) par la méthode des multiplicateurs de Lagrange c) On mesure à nouveau, et on réalise que la distance entre B et C est de 29 km et non 3 km Estimez le coût optimal en vous servant du résultat en b) Exercice 34 Deux générateurs utilisent du gaz naturel pour produire de l électricité L énergie produite est de 2 ln(1 + x) pour le générateur 1 et de 4ln(1 + y) pour le générateur 2, où x et y sont les quantitées de gaz brûlées dans les générateurs 1 et 2 Le volume total de gaz disponible est de 19 a) Modélisez la question d identifier les quantitées x et y maximisant l énergie totale comme un problème d optimisation soumise à une contrainte d égalité (Ne pas résoudre) b) Résolvez le problème obtenu en a) par la méthode des multiplicateurs de Lagrange c) Suite à une modification de l offre, on se rend compte que le volume total de combustible est de 195 au lieu de 19 Sans résoudre le nouveau problème d optimisation, estimez l augmentation de la quantité d énergie produite

17 17 Solutions Section 2 : Optimisation sans contraintes 2 1 Soit (a,b) un point critique Alors f (a,b) = (0,0) Posons d 1 = f xx(a, b) le déterminant de la première matrice principale du hessien, et d 2 = f xx(a,b) f yy(a,b) ( f xy(a,b)) 2 le déterminant de la deuxième matrice principale Si d 1 > 0 et d 2 > 0, alors (a,b) est un minimum local de f ; si d 1 < 0 et d 2 > 0, alors (a,b) est un maximum local de f ; si d 2 < 0, alors (a,b) est un point de selle de f ; si d 2 = 0, alors le test n est pas concluant pour classer (a,b) Remarquez que l encadré est équivalent à celui de la page 812 du livre Le livre utilise cependant une terminologie différente, en affirmant que f (a,b) est un minimum ou un maximum ou un point de selle, Nous adoptons la terminologie plus courante affirmant que c est plutôt (a,b) qui est le minimum ou un maximum ou un point de selle 2 2 a) Non b) (1,0) max local; ( 1,0) point selle; (1,1) point selle; (1, 1) point selle; ( 1,1) min local; ( 1, 1) min local c) (1, 0) 2 3 a) 223; b) 19; c) ( 4 5, 4 5, 7 5 )T ; d) 20; e) i) 2 5 a) VRAI b) VRAI Section 3 : Optimisation sous contraintes 3 1 a) 1 2 ; b) a) (min,max) = ( 2 4, 2 4 ); b) (min,max) = ( 3 6, 3 6 ) 3 3 a) 3 4 a) ( min x,y (10 y) x sc x 2 y 2 = 9 ( max x,y 2ln(1 + x) + 4ln(1 + y) sc x + y = 19 ) ) ; b) y = 4; c) f $ ; b) (x,y) = (6,13); c) 1 7

Introduction à l optimisation

Introduction à l optimisation Université du Québec à Montréal Introduction à l optimisation Donnée dans le cadre du cours Microéconomie II ECO2012 Baccalauréat en économique Par Dominique Duchesneau 21 janvier septembre 2008 Ce document

Plus en détail

Les théorèmes de Gerschgorin et de Hadamard

Les théorèmes de Gerschgorin et de Hadamard Localisation des valeurs propres : Quelques propriétés sur les disques de Gerschgorin. Jean-Baptiste Campesato 22 septembre 29 Gerschgorin est parfois retranscrit en Gershgorin, Geršgorin, Hershhornou

Plus en détail

Série n 5 : Optimisation non linéaire

Série n 5 : Optimisation non linéaire Université Claude Bernard, Lyon I Licence Sciences & Technologies 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France Option: M2AO 2007-2008 Série n 5 : Optimisation

Plus en détail

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien TRAVAUX DIRIGÉS DE l UE MNBif Informatique 3A MÉTHODES NUMÉRIQUES DE BASE 2015-2016, Automne N. Débit & J. Bastien Document compilé le 13 novembre 2015 Liste des Travaux Dirigés Avant-propos iii Travaux

Plus en détail

Exo7. Développements limités. 1 Calculs. 2 Applications. Corrections d Arnaud Bodin.

Exo7. Développements limités. 1 Calculs. 2 Applications. Corrections d Arnaud Bodin. Exo7 Développements ités Corrections d Arnaud Bodin. Calculs Exercice Donner le développement ité en 0 des fonctions :. cosx expx à l ordre 2. ln + x)) 2 à l ordre 4 shx x. x à l ordre 6 4. exp sinx) )

Plus en détail

Introduction à l optimisation

Introduction à l optimisation Chapitre 1 Introduction à l optimisation 1.1 Problématique 1.1.1 Cadre Un problème d optimisation consiste, étant donnée une fonction f : S R, àtrouver: 1) son minimum v (resp. son maximum) dans S 2) un

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

La maximisation du profit

La maximisation du profit 2 La maximisation du profit Le profit, au sens économique du terme, se définit comme la différence entre les recettes perçues et les coûts supportés par une firme. Il est important de bien comprendre que

Plus en détail

Devoir commun de Mathématiques 18 janvier 2014. Problème 1

Devoir commun de Mathématiques 18 janvier 2014. Problème 1 Lycée Jean Bart MPSI & PCSI Année 213-214 Devoir commun de Mathématiques 18 janvier 214 La clarté des raisonnements, la précision de la rédaction et la présentation entreront pour une part non négligeable

Plus en détail

Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables

Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières

Plus en détail

Fonctions à deux variables

Fonctions à deux variables Fonctions à deux variables ECE Lcée Carnot 5 janvier Aspect graphique Définition. Une fonction à deux variables est une application f : D R, où D est une sous-ensemble du plan R appelé domaine de définition

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. Solution des exercices d algèbre linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 3 4 Master d économie Cours de M. Desgraupes MATHS/STATS Document : Solution des exercices d algèbre linéaire Table des matières

Plus en détail

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales Recueil d annales en Mathématiques Terminale S Enseignement obligatoire Frédéric Demoulin Dernière révision : 3 juin 2 Document diffusé via le site www.bacamaths.net de Gilles Costantini 2. frederic.demoulin

Plus en détail

Sujet Métropole 2013 EXERCICE 1. [4 pts] Probabilités

Sujet Métropole 2013 EXERCICE 1. [4 pts] Probabilités Sujet Métropole 01 EXERIE 1. [4 pts] Probabilités Une jardinerie vend de jeunes plants d arbres qui proviennent de trois horticulteurs : 5% des plants proviennent de l horticulteur H 1, 5% de l horticulteur

Plus en détail

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques (605) GESTION DE STOCK À DEMANDE ALÉATOIRE Résumé : Chaque mois, le gérant d un magasin doit

Plus en détail

Suites et Convergence

Suites et Convergence Suites et Convergence Une suite c est se donner une valeur (sans ambigüité) pour chaque N sauf peutêtre les premiers n. Donc une suite est une fonction : I R où I = N: = N. Notation : On note ( ) I R pour

Plus en détail

TD Dérivation n 2 : étude des variations de fonctions

TD Dérivation n 2 : étude des variations de fonctions 1) f (x) = 7x+3 TD Dérivation n : étude des variations de fonctions Étude de variations f est une fonction affine, de coefficient directeur négatif, on sait donc qu elle est décroissante surê. Le calcul

Plus en détail

KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS

KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS Remarques préliminaires : Ce court document n a nullement la prétention de présenter la question de la recherche d extrema liés avec toute la rigueur qui lui serait

Plus en détail

Théorème de Rolle et égalité des accroissements finis. Applications

Théorème de Rolle et égalité des accroissements finis. Applications 0 Théorème de Rolle et égalité des accroissements finis. Applications 0. Le théorème de Rolle sur un espace vectoriel normé Pour ce paragraphe, on se donne un espace vectoriel normé (E, ). Le théorème

Plus en détail

Algorithme du simplexe

Algorithme du simplexe Algorithme du simplexe Une solution à la programmation linéaire Hugues Talbot Laboratoire A2SI 18 mars 2008 Plan Algèbre linéaire Algorithme du simplexe Formulation et forme standard Notations Recherche

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

Mathématique - Cours

Mathématique - Cours Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : partie seconde partie 1/3 partie 2/3 partie 3/3 Sommaire 1 Ensemble

Plus en détail

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 14 Janvier 2015 2 Il est impossible d envisager l étude des méthodes

Plus en détail

Régression logistique

Régression logistique Régression logistique Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Régression logistique p. 1 Introduction Objectifs Le classifieur de Bayes est basé sur la comparaison des probabilités

Plus en détail

Exercices du chapitre VI avec corrigé succinct

Exercices du chapitre VI avec corrigé succinct Exercices du chapitre VI avec corrigé succinct Exercice VI. Ch6-Exercice Montrer par récurrence que En déduire que puis que k =,,..., n, d k dx k xn = n(n ) (n + k)x n k, d n dx n xn = n! d k dx k xn =

Plus en détail

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé)

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) EXERCICE 1 4 points Cet exercice est un questionnaire à choix multiples (QCM). Pour chacune des questions posées, une seule des quatre réponses

Plus en détail

MEÉF 1 - Mathématiques DS2-5 octobre 2015 Analyse - Géométrie

MEÉF 1 - Mathématiques DS2-5 octobre 2015 Analyse - Géométrie MEÉF - Mathématiques DS2-5 octobre 25 Analyse - Géométrie Eercice Soit E un K-espace vectoriel (K étant le corps R ou C). Deu normes N et N 2 sur E sont dites équivalentes s il eiste deu constantes réelles

Plus en détail

EXERCICE 1. Corrigé ECRICOME Eco 2012 par Pierre Veuillez

EXERCICE 1. Corrigé ECRICOME Eco 2012 par Pierre Veuillez Corrigé ECRICOME Eco par Pierre Veuillez EXERCICE (M 3 (R), +,.) désigne l espace vectoriel des matrices carrées d ordre 3 à coeffi cients réels. Deux matrices A et B de M 3 (R) étant données, on suppose

Plus en détail

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour L / Recueil d exercices corrigés et aide-mémoire USTV M Analyse numérique G FACCANONI Dernière mise-à-jour Jeudi mai Avertissement : ces notes sont régulièrement mises à jour et corrigées, ne vous étonnez

Plus en détail

Fonctions Nombre Dérivé Fonction dérivée

Fonctions Nombre Dérivé Fonction dérivée Fonctions Nombre Dérivé Fonction dérivée Ce chapitre est le chapitre central de la classe de Terminale STG. Il permet (en partie) de clore ce qui avait été entamé dés le collège avec les fonctions affines

Plus en détail

1 Programmation linéaire

1 Programmation linéaire UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2012 2013 Master d économie Cours de M. Desgraupes Méthodes Numériques Document 4 : Corrigé des exercices d optimisation linéaire

Plus en détail

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Introduction aux modèles graphiques 2010/2011 Cours 2 6 octobre Enseignant: Francis Bach Scribe: Nicolas Cheifetz, Issam El Alaoui 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Soit

Plus en détail

Fonctions et domaines de définition

Fonctions et domaines de définition Université du Québec à Montréal Session d automne 011 Groupe-cours 51 MAT111 - Calcul I Vivien Ripoll Résumé des cours 1 et (9 et 1 septembre) N.B. : ce document est un résumé succinct de ce que nous avons

Plus en détail

concours externe de recrutement de professeurs certifiés et concours d accès à des listes d aptitude (CAFEP)

concours externe de recrutement de professeurs certifiés et concours d accès à des listes d aptitude (CAFEP) SESSION DE 2005 concours externe de recrutement de professeurs certifiés et concours d accès à des listes d aptitude (CAFEP) section : mathématiques deuxième composition de mathématiques (épreuve de remplacement)

Plus en détail

COURS OPTIMISATION. Cours en Master M1 SITN. Ionel Sorin CIUPERCA

COURS OPTIMISATION. Cours en Master M1 SITN. Ionel Sorin CIUPERCA COURS OPTIMISATION Cours en Master M1 SITN Ionel Sorin CIUPERCA 1 Table des matières 1 Introduction 4 2 Quelques rappels de calcul différentiel, analyse convexe et extremum 5 2.1 Rappel calcul différentiel............................

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

La fonction logarithme népérien

La fonction logarithme népérien La fonction logarithme népérien Christophe ROSSIGNOL Année scolaire 204/205 Table des matières La fonction logarithme népérien 2. Définition Courbe représentative................................... 2.2

Plus en détail

1 Topologies, distances, normes

1 Topologies, distances, normes Université Claude Bernard Lyon 1. Licence de mathématiques L3. Topologie Générale 29/1 1 1 Topologies, distances, normes 1.1 Topologie, distances, intérieur et adhérence Exercice 1. Montrer que dans un

Plus en détail

FONCTIONS CONVEXES. Chapitre 3. 3.1 Notations et définitions préliminaires

FONCTIONS CONVEXES. Chapitre 3. 3.1 Notations et définitions préliminaires Chapitre 3 FONCTIONS CONVEXES 3.1 Notations et définitions préliminaires L étude des fonctions convexes montrera que celles ci sont continues sur tout l intérieur de leur domaine de définition et qu elles

Plus en détail

Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables

Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières

Plus en détail

L2 ÉCONOMIE & GESTION 2010-11 COURS DE MÉTHODES MATHÉMATIQUES 3. Alexandre VIDAL

L2 ÉCONOMIE & GESTION 2010-11 COURS DE MÉTHODES MATHÉMATIQUES 3. Alexandre VIDAL L2 ÉCONOMIE & GESTION 2010-11 COURS DE MÉTHODES MATHÉMATIQUES 3 Alexandre VIDAL Dernière modification : 11 janvier 2011 Table des matières I Généralités et rappels sur les fonctions 1 I.1 Définition....................................

Plus en détail

Topologie des espaces vectoriels normés

Topologie des espaces vectoriels normés Topologie des espaces vectoriels normés Cédric Milliet Version préliminaire Cours de troisième année de licence Université Galatasaray Année 2011-2012 2 Chapitre 1 R-Espaces vectoriels normés 1.1 Vocabulaire

Plus en détail

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51

Résolution de systèmes linéaires : Méthodes directes. Polytech Paris-UPMC. - p. 1/51 Résolution de systèmes linéaires : Méthodes directes Polytech Paris-UPMC - p. /5 Rappels mathématiques s Propriétés - p. 2/5 Rappels mathématiques Soit à résoudre le système linéaire Ax = b. Rappels mathématiques

Plus en détail

Mathématiques pour. l informatique

Mathématiques pour. l informatique Xavier Chanet Patrick Vert Mathématiques pour l informatique Pour le BTS SIO Toutes les marques citées dans cet ouvrage sont des marques déposées par leurs propriétaires respectifs. Illustration de couverture

Plus en détail

Lycée Marlioz - Aix les Bains. Bac Blanc 2012. Mathématiques - Terminale ES. 16 mai 2012

Lycée Marlioz - Aix les Bains. Bac Blanc 2012. Mathématiques - Terminale ES. 16 mai 2012 Lycée Marlioz - Aix les Bains Bac Blanc 2012 Mathématiques - Terminale E Candidats n ayant pas choisi la spécialité maths 16 mai 2012 Pour cette épreuve, la rédaction, la clarté et la précision des explications

Plus en détail

Définition d une norme

Définition d une norme Définition d une norme Définition E est un K-ev. L application N : E R + est une norme sur E ssi 1. x E, N(x) = 0 x = 0. 2. k K, x E, N(k.x) = k N(x). 3. x, y E, N(x + y) N(x) + N(y) Notation N,. Propriété

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 29 décembre 2015 Enoncés 1. a) x arctan x. a) x x x b) x (ch x) x c) x ln x

[http://mp.cpgedupuydelome.fr] édité le 29 décembre 2015 Enoncés 1. a) x arctan x. a) x x x b) x (ch x) x c) x ln x [ttp://mp.cpgedupuydelome.fr] édité le 29 décembre 205 Enoncés Dérivation Dérivabilité Eercice [ 0354 ] [Correction] Étudier la dérivabilité des fonctions suivantes : a) 2 3 b) 2 ) arccos 2 ) Eercice 2

Plus en détail

Sujet n 1. Sujet n 2

Sujet n 1. Sujet n 2 Exercices d oraux Consignes : L oral comporte deux questions dont une de spécialité pour le candidats concernés. L épreuve est constituée d une préparation d une vingtaine de minutes suivie d un entretien

Plus en détail

Maximisation et Minimisation sous contrainte. Rappels sur la méthode d optimisation du Lagrangien

Maximisation et Minimisation sous contrainte. Rappels sur la méthode d optimisation du Lagrangien Université Paris Ouest Nanterre La Défense Licence 3 Mention Economie U.F.R SEGMI Premier semestre 2010-2011 Dynamique économique: analyse des fluctuations Cours de Valérie Mignon Maximisation et Minimisation

Plus en détail

Corrrigé du sujet de Baccalaurat S. Pondichery 2015. Spécialité

Corrrigé du sujet de Baccalaurat S. Pondichery 2015. Spécialité Corrrigé du sujet de Baccalaurat S Pondichery 2015 Spécialité EXERCICE 1 (4 points) commun à tous les candidats Partie A Soit f la fonction définie sur R par f(x) et la droite d équation et la droite d

Plus en détail

Nombre dérivé, interprétations géométrique et cinématique

Nombre dérivé, interprétations géométrique et cinématique CHAPITRE 4 DÉRIVATION ET PRIMITIVATION Nombre dérivé, interprétations géométrique et cinématique 08. Nombre dérivé Soit f une fonction numérique, définie sur un intervalle ou une réunion d intervalles,

Plus en détail

Dérivées d ordres supérieurs. Application à l étude d extrema.

Dérivées d ordres supérieurs. Application à l étude d extrema. Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une

Plus en détail

Intégration et probabilités ENS Paris, 2013-2014. TD 5 Théorèmes de Fubini, calculs Corrigé

Intégration et probabilités ENS Paris, 2013-2014. TD 5 Théorèmes de Fubini, calculs Corrigé Intégration et probabilités NS Paris, 23-24 TD 5 Théorèmes de Fubini, calculs Corrigé xercices à préparer du TD 4 xercice. (Partiel 27 Soit (,,µ un espace mesuré et f : + une fonction mesurable.. On suppose

Plus en détail

ET - FONCTIONS D ONDE DANS LES ETATS LIES D UN PUITS DE POTENTIEL

ET - FONCTIONS D ONDE DANS LES ETATS LIES D UN PUITS DE POTENTIEL ET - FONCTIONS D ONDE DANS LES ETATS LIES D UN PUITS DE POTENTIEL Dans ce qui suit on adopte les notations suivantes : désigne une constante universelle h = π = 6,60 34 Joules par seconde est la constante

Plus en détail

Baccalauréat Série S Métropole, juin 2014

Baccalauréat Série S Métropole, juin 2014 Baccalauréat Série S Métropole, juin 4 Sujet et Corrigé Stéphane PASQUET Disponible sur http://www.mathweb.fr juin 4 Exercice (5 points) - Commun à tous les candidats Partie A Dans le plan muni d un repère

Plus en détail

Baccalauréat ES Pondichéry 21 avril 2016

Baccalauréat ES Pondichéry 21 avril 2016 Exercice 1 Commun à tous les candidats Baccalauréat ES Pondichéry 21 avril 216 4 points Cet exercice est un QCM (questionnaire à choix multiples). Pour chacune des quatre questions posées, une seule des

Plus en détail

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année Programme de Mathématique Préparation Maths-Physique Analyse et Géométrie Différentielle Première Année I NOMBRES REELS ET COMPLEXES, SUITES ET FONCTIONS 1 Nombres réels et complexes 2 Suites de nombres

Plus en détail

DÉVELOPPEMENTS LIMITÉS

DÉVELOPPEMENTS LIMITÉS Auteur : Alain Ladureau DÉVELOPPEMENTS LIMITÉS TI-Nspire CAS 1. Objectifs Découvrir la notion de développement limité. Utiliser des développements limités dans l étude locale des fonctions. Les appliquer

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Master de Sciences & Technologies. Année universitaire 2013 2014 Travaux dirigés et télé-enseignement : C. Audiard. Travaux pratiques Scilab N 2

Master de Sciences & Technologies. Année universitaire 2013 2014 Travaux dirigés et télé-enseignement : C. Audiard. Travaux pratiques Scilab N 2 Université Pierre et Marie Curie Bases des méthodes numériques Master de Sciences & Technologies MM006 Mention Mathématiques & Applications Cours : L. Boudin et E. Trélat Année universitaire 013 014 Travaux

Plus en détail

Agrégation interne de Sciences économiques et sociales - Session 2008 Épreuve de Mathématiques - sujet A

Agrégation interne de Sciences économiques et sociales - Session 2008 Épreuve de Mathématiques - sujet A Épreuve de Mathématiques - sujet A Exercice Une société de location de voitures possède trois agences, une à Rennes, une à Lyon, une à Marseille. Lorsqu un client loue une voiture, un jour donné, dans

Plus en détail

Correction Bac blanc mai 2013

Correction Bac blanc mai 2013 Correction Bac blanc mai 2013 Exercice 1 Commun à tous les candidats. 4 points (1 point par bonne réponse) 1. La fonction F définie sur R par F (x) = e x2 est une primitive de la fonction f définie par

Plus en détail

PC* Espaces préhilbertiens réels

PC* Espaces préhilbertiens réels I. Espace préhilbertien réel................................... 3 I.1 Produit scalaire dans un espace vectoriel réel................... 3 I.2 Inégalités de Cauchy-Schwarz et de Minkowski..................

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation des fonctions de plusieurs variables Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables

Plus en détail

ACCQ204 4 Jan. 2016. Cours 3. Définition 1 Pour tout entier r 2 un code de Hamming (binaire) a pour matrice de parité H r telle que : 1 0 1 0 1.

ACCQ204 4 Jan. 2016. Cours 3. Définition 1 Pour tout entier r 2 un code de Hamming (binaire) a pour matrice de parité H r telle que : 1 0 1 0 1. ACCQ4 4 Jan 6 Cours 3 Enseignant: Aslan Tchamkerten Crédit: Pierre de Sainte Agathe Code de Hamming Définition Pour tout entier r un code de Hamming (binaire) a pour matrice de parité H r telle que : H

Plus en détail

Chapitre 5. Le monopole

Chapitre 5. Le monopole Chapitre 5. Le monopole 5.1. Présentation. Une entreprise est dite en situation de monopole lorsqu elle est l unique offreur sur le marché d un bien, si le nombre de demandeurs sur le marché est grand

Plus en détail

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L

BACCALAURÉAT GÉNÉRAL. MATHÉMATIQUES Série ES/L BACCALAURÉAT GÉNÉRAL SESSION 2015 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

Ax = b iff (B + N) x N

Ax = b iff (B + N) x N Chapitre 3 Algorithme du simplexe 3.1 Solution de base admissible P en forme standard. A = (a 1,...,a n ) Hypothèse : n m (plus de variables que d équations) et rg(a)=m (pas d équation inutile). Donc après

Plus en détail

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES CHAPITRE SUITES RÉELLES ET COMPLEXES Les suites sont un objet fondamental à la fois en mathématiques et dans l application des mathématiques aux autres sciences. Nous verrons dans ce cours et les travaux

Plus en détail

Second degré. Christophe ROSSIGNOL. Année scolaire 2008/2009

Second degré. Christophe ROSSIGNOL. Année scolaire 2008/2009 Second degré Christophe ROSSIGNOL Année scolaire 008/009 Table des matières 1 Polynômes du second degré 1.1 Définition................................................. 1. Forme canonique.............................................

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Agrégation de Mathématiques Exercices d algèbre linéaire

Agrégation de Mathématiques Exercices d algèbre linéaire Agrégation de Mathématiques Exercices d algèbre linéaire P. HUBERT La plupart des exercices ci-dessous se trouvent dans les livres suivants : - E. Leichtnam, X. Schaeur, Exercices corrigés de mathématiques

Plus en détail

Master de Mathématiques M1 Analyse fonctionnelle Examen du 16 juin 2011 1 - durée : 3h

Master de Mathématiques M1 Analyse fonctionnelle Examen du 16 juin 2011 1 - durée : 3h Master de Mathématiques M1 Analyse fonctionnelle Examen du 16 juin 2011 1 - durée : 3h - Le seul document autorisé est un résumé manuscrit du cours de trois pages maximum. - Les téléphones portables et

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

Plus en détail

T ES/L DEVOIR SURVEILLE 3 16 JANVIER 2015

T ES/L DEVOIR SURVEILLE 3 16 JANVIER 2015 T ES/L DEVOIR SURVEILLE 3 16 JANVIER 2015 Durée : 3h NOM : Prénom : Calculatrice autorisée «Le candidat est invité à faire figurer sur la copie toute trace de recherche, même incomplète ou non fructueuse,

Plus en détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

Chapitre 2 : Les systèmes d équations récurrentes linéaires. dans

Chapitre 2 : Les systèmes d équations récurrentes linéaires. dans Chapitre 2 : Les systèmes d équations récurrentes linéaires dans Sommaire Sandrine CHARLES 1 Introduction... 3 2 Rappels sur les formes de Jordan réelles dans... 4 2.1 Deux valeurs propres réelles distinctes

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Corrigé

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Corrigé Baccalauréat ES/L Amérique du Sud 2 novembre 2 Corrigé A. P. M. E. P. EXERCICE Commun à tous les candidats 5 points. Diminuer le budget de 6 % sur un an revient à multiplier par 6 =,94. Diminuer le budget

Plus en détail

Une axiomatisation du plan euclidien

Une axiomatisation du plan euclidien Nicole opp Strasbourg, avril 2007 Une axiomatisation du plan euclidien Le but de ce texte est de montrer comment on peut axiomatiser le plan euclidien d une manière qui se rapproche, autant que faire se

Plus en détail

Chapitre 1 : Programmation linéaire

Chapitre 1 : Programmation linéaire Graphes et RO TELECOM Nancy 2A Chapitre 1 : Programmation linéaire J.-F. Scheid 1 I. Introduction 1) Modélisation En Recherche Opérationnelle (RO), modéliser un problème consiste à identifier: les variables

Plus en détail

Points fixes de fonctions à domaine fini

Points fixes de fonctions à domaine fini ÉCOLE POLYTECHNIQUE ÉCOLE NORMALE SUPÉRIEURE DE CACHAN ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION 2013 FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE

Plus en détail

MATH-F-306 - Optimisation. Prénom Nom Note

MATH-F-306 - Optimisation. Prénom Nom Note MATH-F-306 Optimisation examen de 1 e session année 2009 2010 Prénom Nom Note Répondre aux questions ci-dessous en justifiant rigoureusement chaque étape, affirmation, etc. AUCUNE NOTE N EST AUTORISÉE.

Plus en détail

Chapitre 4. Fonction exponentielle. 4.1 Activité. Sommaire

Chapitre 4. Fonction exponentielle. 4.1 Activité. Sommaire Chapitre 4 Fonction exponentielle Sommaire 4.1 Activité............................................. 37 4. Fonctions exponentielles de base q (q > 0)........................ 39 4..1 Définition.........................................

Plus en détail

Cours de Mathématiques II Chapitre 1. Algèbre linéaire

Cours de Mathématiques II Chapitre 1. Algèbre linéaire Université de Paris X Nanterre UFR Segmi Année 7-8 Licence Economie-Gestion première année Cours de Mathématiques II Chapitre Algèbre linéaire Table des matières Espaces vectoriels Espaces et sous-espaces

Plus en détail

RO04/TI07 - Optimisation non-linéaire

RO04/TI07 - Optimisation non-linéaire RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 Sommaire I Motivations et notions fondamentales 7 I1 Motivations 8 I11 Formulation générale

Plus en détail

Fonctions Affines Problèmes du premier degré

Fonctions Affines Problèmes du premier degré Fonctions Affines Problèmes du premier degré Christophe ROSSIGNOL Année scolaire 2015/2016 Table des matières 1 Fonctions Affines 2 1.1 Définition Représentation graphique.................................

Plus en détail

Corrigé du baccalauréat ES Asie 19 juin 2014

Corrigé du baccalauréat ES Asie 19 juin 2014 Corrigé du baccalauréat ES Asie 9 juin 4 EXERCICE 4 points Commun à tous les candidats Proposition : fausse f (4) est le coefficient directeur de la tangente à la courbe au point C ; cette droite passe

Plus en détail

Intégrale de Lebesgue

Intégrale de Lebesgue Intégrale de Lebesgue ÉCOLE POLYTECHNIQUE Cours 4 : intégrale de Lebesgue Bertrand Rémy 1 / 50 1. Motivations et points de vue ÉCOLE POLYTECHNIQUE Cours 4 : intégrale de Lebesgue Bertrand Rémy 2 / 50 Deux

Plus en détail

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. Fiche amendée par David Chataur et Arnaud Bodin.

Exo7. Espaces vectoriels. 1 Définition, sous-espaces. Fiche amendée par David Chataur et Arnaud Bodin. Exo7 Espaces vectoriels Fiche amendée par David Chataur et Arnaud Bodin. Définition, sous-espaces Exercice Montrer que les ensembles ci-dessous sont des espaces vectoriels (sur R) : E = { f : [,] R } :

Plus en détail

Fonctions affines Exercices corrigés

Fonctions affines Exercices corrigés Fonctions affines Exercices corrigés Sont abordés dans cette fiche : Exercice 1 : antécédent, image, résolution d équation, représentation graphique d une fonction affine (coefficient directeur et ordonnée

Plus en détail

Baccalauréat S Centres étrangers 12 juin 2014

Baccalauréat S Centres étrangers 12 juin 2014 Durée : 4 heures Baccalauréat S Centres étrangers juin 04 A. P. M. E. P. Dans l ensemble du sujet, et pour chaque question, toute trace de recherche même incomplète, ou d initiative même non fructueuse,

Plus en détail

3 Equations de Laplace et de Poisson

3 Equations de Laplace et de Poisson 3 Equations de Laplace et de Poisson 3. Formule d intégration par parties Soit un domaine borné à bord régulier de classe C. On note ν = ν(x) le vecteur normal extérieur au point x. Pour toutes fonctions

Plus en détail

1 Séancs du 14/21.11.08

1 Séancs du 14/21.11.08 1 1 Séancs du 14/21.11.08 1.1 Le rayon spectral Le spectre d un opérateur (ici, élément d une algèbre stellaire) est un compact non vide. La compacité est immédiate, car, pour z > u, u zi peut être inversé

Plus en détail

Exercices sur les équations différentielles :

Exercices sur les équations différentielles : Université de Rennes 200-20 Licence de mathématiques L2-ED Exercices sur les équations différentielles : Une mise en jambes Exercice. Parmi les espaces suivants, lesquels sont des espaces vectoriels sur

Plus en détail

Espaces de Sobolev. Résumé du cours de MEDP Maîtrise de mathématiques 2001 2002. medp-sobolev.tex (2001nov24)

Espaces de Sobolev. Résumé du cours de MEDP Maîtrise de mathématiques 2001 2002. medp-sobolev.tex (2001nov24) Espaces de Sobolev Résumé du cours de MEDP Maîtrise de mathématiques 2001 2002 medp-sobolevtex (2001nov24) Sauf mention explicite du contraire, toutes les fonctions considérées seront à valeurs réelles

Plus en détail

Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif

Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif Chapitre 6 Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique 6.1.1 Exemple introductif Problème : n matrices M i (m i, m i+1 ) à multiplier en minimisant le nombre de multiplications,

Plus en détail

Préparation aux épreuves écrites du CAPES Conseils de rédaction

Préparation aux épreuves écrites du CAPES Conseils de rédaction Préparation aux épreuves écrites du CAPES Conseils de rédaction Claire Debord Le texte qui suit est une libre compilation de plusieurs textes sur le même thème, notamment ceux de Christophe Champetier

Plus en détail

Chapitre II LES MONOPOLES NATURELS

Chapitre II LES MONOPOLES NATURELS Chapitre II LES MONOPOLES NATURELS 1) Rappels sur le monopole i) Hypothèses et notations Définition : Une entreprise est en position de monopole si elle est seule à fournir le marché d un bien pour lequel

Plus en détail

Chapitre 1 Second degré. Table des matières. Chapitre 1 Second degré TABLE DES MATIÈRES page -1

Chapitre 1 Second degré. Table des matières. Chapitre 1 Second degré TABLE DES MATIÈRES page -1 Chapitre 1 Second degré TABLE DES MATIÈRES page -1 Chapitre 1 Second degré Table des matières I Exercices I-1 1................................................ I-1................................................

Plus en détail

Épreuve de Mathématiques 8

Épreuve de Mathématiques 8 Lycée La Prat s Vendredi 10 avril 2015 Classe de PT Épreuve de Mathématiques 8 Durée 4 h L usage des calculatrices est interdit. La présentation, la lisibilité, l orthographe, la qualité de la rédaction

Plus en détail