LES BONS COUPS DE BILI-NÉAIRE THE KID POUR AMÉLIORER TON EUCLIDIENNE ATTITUDE
|
|
- Maxime Bossé
- il y a 7 ans
- Total affichages :
Transcription
1 J.F.C. Eve p. 1 LES BONS COUPS DE BILI-NÉAIRE THE KID POUR AMÉLIORER TON EUCLIDIENNE ATTITUDE Dans la suite, sauf mention du contraire, <.,. > est un produit scalaire sur le R-espace vectoriel E et. est la norme associée. Niveau 1 C 1 E = R n. Si x = (x 1, x,..., x n ) et y = (y 1, y,..., y n ) sont deux éléments de R n, on pose : < x, y >= x k y k. <.,. > est un produit scalaire sur R n. C est le produit scalaire canonique de R n. C E = M n,1 (R). Si X = x 1 x.. et Y = y 1 y.. sont deux éléments de M n,1(r), on pose : x n y n < X, Y >= x k y k = t XY = t Y X. <.,. > est un produit scalaire sur M n,1 (R). C est le produit scalaire canonique de M n,1 (R). C 3 E = M n,p (R). Si A = (a ij ) et B = (b ij ) sont deux éléments de E, on pose : < A, B >= a ij b ij = tr( t A B). i=1 j=1 <.,. > est un produit scalaire sur E. C est le produit scalaire canonique de M n,p (R). C 4 E = R n [X]. Si P = a k X k et Q = b k X k sont deux éléments de R n [X], on pose : k=0 k=0 < P, Q >= a k b k. <.,. > est un produit scalaire sur R n [X]. C est le produit scalaire canonique de R n [X]. k=0 C 5 p et q sont deux éléments de N. (x i ) 1 i p et (y j ) 1 j q sont deux familles d éléments de E. (λ i ) 1 i p et (µ j ) 1 j q sont deux familles d éléments de R. Alors : q q < λ i x i, µ j y j >= λ i µ j < x i, y j >. i=1 j=1 i=1 j=1
2 J.F.C. Eve p. C 6 Inégalité de Cauchy-Schwarz x et y sont deux éléments de E. 1. < x, y > x y et (< x, y >) x y.. < x, y > = x y si et seulement si (x, y) est liée. C 7 Inégalité de Cauchy-Schwarz dans R n x = (x 1, x,..., x n ) et y = (y 1, y,..., y n ) sont deux éléments de R n. C 8 x k y k n x k n yk. Inégalité de Cauchy-Schwarz dans C([a, b], R) ( n ) x k y k Soit f et g deux fonctions numériques continues sur [a, b]. b b b f(t)g(t) dt f (t) dt g (t) dt. C 9 x E, x = 0 x = 0 E. x E, λ R, λx = λ x. a a ( b ) b f(t)g(t) dt f (t) dt a a a b a g (t) dt. n x k yk. (x, y) E, x + y x + y (inégalité de Minkovski). C 10 x et y sont deux éléments de E. 1. x + y = x + y si et seulement si x = 0 E ou λ R +, y = λ x.. x + y = x + y si et seulement si y = 0 E ou λ R +, x = λ y. C 11 (x, y) E, x y x + y x + y. (x, y) E, x y x y x + y. C 1 1. Si x est un vecteur non nul de E, 1 x est un vecteur unitaire de E. x. Un droite vectorielle de E contient exactement deux vecteurs unitaires qui sont opposés. C 13 Identités remarquables x et y sont deux éléments de E. x + y = x + < x, y > + y. x y = x < x, y > + y. < x + y, x y >= x y. C 14 Identités remarquables x 1, x,..., x p sont p éléments de E. x 1 + x + + x p = x i + < x i, x j > i=1 1 i<j p
3 J.F.C. Eve p. 3 C 15 Identités de polarisation x et y sont deux éléments de E. < x, y >= 1 [ x + y x y ]. < x, y >= 1 [ x + y x y ]. < x, y >= 1 4 [ x + y x y ]. C 16 Identités du parrallélogramme x et y sont deux éléments de E. x + y + x y = x + y. C 17 Théorème de Pythagore. x et y sont deux éléments de E. x et y sont orthogonaux si et seulement si x + y = x + y. C 18 Si (x 1, x,..., x n ) est une famille d éléments de E deux à deux orthogonaux : x 1 + x + + x n = x 1 + x + + x n. C E = {0 E }. Autrement dit un vecteur de E est nul si et seulement il appartient à E.. {0 E } = E. C 0 Soient F et G deux sous-espaces vectoriels de E. F est un sous-espace vectoriel de E. F F = {0 E }. F F. F G donne G F. Si F et G sont orthogonaux alors F G = {0 E }. F et G sont orthogonaux F G G F. C 1 F et G sont deux sous-espaces vectoriels de E respectivement engendrés par (u 1, u,..., u p ) et (v 1, v,..., v q ). P 1. F = {x E i [[1, p], < x, u i >= 0}. P. F et G sont orthogonaux si et seulement si : (i, j) [[1, p] [[1, q ], < u i, v j >= 0. C F et G sont deux sous-espaces d un espace préhilbertien réel E. (F + G) = F G et F + G (F G). Si E est de dimension finie : F + G = (F G). C 3 Soit F un sous-espace vectoriel d un espace vectoriel euclidien E. E = F F et F = F. F est l unique supplémentaire de F orthogonal à F.
4 J.F.C. Eve p. 4 G est un sous-espace vectoriel de E. G = F si et seulement G est un (ou le...) supplémentaire de F dans E orthogonal à F. C 4 L ensembles des matrices symétriques de M n (K) est un sous-espace vectoriel de M n (K) de dimension n(n + 1) L ensembles des matrices antisymétriques de M n (K) est un sous-espace vectoriel de M n (K) de dimension si n 1. n(n 1) Le sous-espace vectoriel des matrices symétriques de M n (K) et le sous-espace vectoriel des matrices antisymétriques de M n (K) sont supplémentaires dans M n (K). Notons que si A M n (R), A = 1 ( A + t A ) + 1 ( A t A ) 1 (, A + t A ) est une matrice symérique de M n (K) et 1 ( A t A ) est une matrice antisymérique de M n (K). C 5 Dans M n (R), pour le produit scalaire canonique, l orthogonale du sous-espace vectoriel S n (R) des matrices symétriques de M n (R) est le sous-espace vectoriel A n (R) des matrices antisymétriques de M n (R). Donc le sous-espace vectoriel des matrices symétriques de M n (R) et le sous-espace vectoriel des matrices antisymétriques de M n (R) sont supplémentaires et orthogonaux dans M n (R) muni du produit scalaire canonique. M n (R) = S n (R) An (R). C 6 1. Toute famille orthogonale constituée de vecteurs non nuls est libre.. Toute famille orthonormée est libre. C 7 Tout espace vectoriel euclidien possède une base orthonormée. C 8 Soit B = (e 1, e,..., e n ) une base orthonormée de E. Soit x un élément de E. x = < x, e k > e k. C 9 Soit B = (e 1, e,..., e n ) une base orthonormée de E. Soient x et y deux vecteurs de E de coordonnées respectives (x 1, x,..., x n ) et (y 1, y,..., y n ) dans cette base. Soient X et Y les matrices de x et y dans B. < x, y >= x k y k = t XY =< X, Y >. x = n x k = t XX = X. C 30 B = (e 1, e,..., e n ) est une base d un espace vectoriel réel E. 1. Il existe un produit scalaire <.,. > sur E et un seul qui rend la base B = (e 1, e,..., e n ) orthonormée.. x = x k e k E, y = y k e k E, < x, y >= x k y k. 3. Dans les espaces vectoriels réels usuels, le produit scalaire canonique est celui qui rend la base canonique orthonormée. C 31 Matrice d un endomorphisme dans une base orthonormée
5 J.F.C. Eve p. 5 B = (e 1, e,..., e n ) est une base orthonormée de l espace vectoriel euclidien (E, <.,. >) et f est un endomorphisme de E. (E 1, E,..., E n ) est la base canonique de M n,1 (R). La matrice de f dans la base B est ( < e i, f(e j ) > ). C 3 Matrice orthogonale P est une matrice de M n (R). Les assertions suivantes sont équivalentes : i) P orthogonale. i ) P vérifie P t P = t P P = I n. ii) P vérifie P t P = I n. iii) P vérifie t P P = I n. iv) P est inversible et son inverse est sa transposée. v) X M n,1 (R), P X = X (. est la norme euclidienne de M n (R)). vi) Les colonnes de P constituent une famille orthonormée de M n,1 (R) muni du produit scalaire canonique. vii) Les colones de P constituent une base orthonormée de M n,1 (R) muni du produit scalaire canonique. viii) Les lignes de P constituent une famille orthonormée de M 1,n (R) muni du produit scalaire canonique. ix) Les lignes de P constituent une base orthonormée de M 1,n (R) muni du produit scalaire canonique. C 33 Soit B = (e 1, e,..., e n ) et B = (e 1, e,..., e n) deux bases orthonormées de E. La matrice de passage P de B à B est orthogonale. C 34 E. Soit B = (e 1, e,..., e n ) une base orthonormée de E. Soit B = (e 1, e,..., e n) une famille d éléments de Soit P la matrice de la famille B dans la base B. B est une base orthonormée de E si et seulement si P est une matrice orthogonale. C Le produit de deux matrices orthogonales de M n (R) est une matrice orthogonale de M n (R).. L inverse d une matrice orthogonale de M n (R) est une matrice orthogonale de M n (R). C 36 Les seules valeurs propres possibles dans R d une matrice orthogonale de M n (R) sont 1 et 1. C 37 F est un sous-espace vectoriel de l espace vectoriel euclidien E distinct de {0 E } et E. Si B est une base orthonormée de F et B est une base orthonormée de F alors B B est une base orthonormée de E. C 38 F est un sous-espace vectoriel de l espace vectoriel euclidien E distinct de {0 E } et de E. Soit (e 1, e,..., e p ) une base orthonormée de F. 1. (e 1, e,..., e p ) se complète en une base orthonormée (e 1, e,..., e n ) de E.. F est le sous-espace vectoriel de E engendré par (e p+1, e p+,..., e n ). Mieux (e p+1, e p+,..., e n ) est une base orthonormée de F. C 39 B = (e 1, e,..., e n ) est une base orthonormée de E. a 1, a,..., a n sont n réels non tous nuls.
6 J.F.C. Eve p L orthogonal de la droite vectorielle engendrée par a 1 e 1 + a e + + a n e n est l hyperplan d équation a 1 x 1 + a x + + a n x n = 0 dans B.. L orthogonal de l hyperplan d équation a 1 x 1 + a x + + a n x n = 0 dans B est la droite vectorielle engendrée par a 1 e 1 + a e + + a n e n. C 40 Aspect théorique de l orthonormalisation de Schmidt Soit (u 1, u,..., u n ) une base quelconque de E. Il existe une base orthonormée de E et une seule (w 1, w,..., w n ) telle que pour tout k appartenant à [[1, n]] : 1. Vect(w 1, w,..., w k ) = Vect(u 1, u,..., u k ).. < w k, u k > est strictement positif. (w 1, w,..., w n ) est LA base orthonormée déduite de (u 1, u,..., u n ) par le procédé d orthonormalisation de Schmidt. C 41 Aspect pratique de l orthonormalisation de Schmidt Soit (u 1, u,..., u n ) une base quelconque de E. Pour construire cette base orthogonale (v 1, v,..., v n ) à partir de (u 1, u,..., u n ) on procède de la manière suivante. On pose v 1 = u 1. Supposons que l on ait construit (v 1, v,..., v k 1 ) famille orthogonale de E telle que : Vect(v 1, v,..., v k 1 ) = Vect(u 1, u,..., u k 1 ) (k [[1, n 1]]). On construit alors v k. Pour cela on pose v k = u k + λ 1 v 1 + λ v + + λ k 1 v k 1. En écrivant que v k est orthogonal à v i on calcule λ i pour tout i dans [[1, k 1]]. k 1 On obtient alors v k = u k i=1 k 1 < u k, v i > < v i, v i > v i = u k i=1 < u k, v i > v i v i. On pose k [[1, n]], w k = 1 v k v k. (w 1, w,..., w n ) est l unique base orthonormée de E telle que : 1. Vect(w 1, w,..., w k ) = Vect(u 1, u,..., u k ).. < w k, u k > est strictement positif. C 4 F est un sous-espace vectoriel de l espace vectoriel euclidien E. p F est la projection orthogonale sur F. Si x et y sont deux éléments de E : p F (x) = y { y F x y F { y F z F, < x y, z >= 0 C 43 F est un sous-espace vectoriel de E et (u 1, u,..., u p ) est une base orthonormée de F. p F est la projection orthogonale sur F. Pour tout élément x de E : p F (x) = < x, u k > u k C 44 E est un espace vectoriel euclidien et B est une base orthonormée de E. F est un sous-espace vectoriel de E et (u 1, u,..., u p ) est une base orthonormée de F.
7 Pour tout k dans [[1, p]], U k est la matrice de u k dans la base B. p F est la projection orthogonale sur F. Alors la matrice de p F dans la base B est C est un + du programme 014. U t k U k, donc M B (p F ) = U t k U k. C 45 D est une droite vectorielle de E et p D est la projection orthogonale sur D. Si u est un vecteur unitaire de D, pour tout élément x de E : p D (x) = < x, u > u. Si u est un vecteur non nul de D, pour tout élément x de E : p D (x) = < x, u > u u. J.F.C. Eve p. 7 C 46 E est un espace vectoriel euclidien de dimension n supérieure ou égale à. H est un hyperplan de E et p H est la projection orthogonale sur H. Si u est un vecteur unitaire orthogonal à H, pour tout élément x de E : p H (x) = x < x, u > u. Si u est un vecteur non nul orthogonal à H, pour tout élément x de E : p H (x) = x < x, u > u u. C 47 D est une droite vectorielle de E et s D est la symétrie vectorielle orthogonale par rapport à D. Si u est un vecteur unitaire de D, pour tout élément x de E : s D (x) = < x, u > u x. C 48 E est un espace vectoriel euclidien de dimension n supérieure ou égale à. H est un hyperplan de E et s H est la symétrie vectorielle orthogonale par rapport à H. Si u est un vecteur unitaire orthogonal à H, pour tout élément x de E : s H (x) = x < x, u > u. C 49 Recherche pratique d une projection orthogonale (E, <.,. >) est un espace vectoriel euclidien (ou un préhilbertien...). F est un sous-espace vectoriel de E et p F est la projection orthogonale sur F. (u 1, u,..., u p ) est une base quelconque de F. x est un élément de E. Pour trouver p F (x) on peut : M1 Utiliser p F (x) F et x p F (x) F (resp. p F (x) F et z F, < x p F (x), z >= 0). M Construire une base orthonormée (w 1, w,..., w p ) de F et utiliser : p F (x) = < x, w k > w k. M3 Poser p F (x) = p x k u k. On cherche alors (x 1, x,..., x p ) en écrivant que x p F (x) est orthogonal à F donc à tous les éléments de la base (u 1, u,..., u p ) de F. On obtient rapidement : i [[1, p], < x, u i >=< p F (x), u i >= < u k, u i > x k = < u i, u k > x k. Ceci donne un système linéaire de p équations à p inconnues que l on résout. x 1 < x, u 1 > x Ce système s écrit matriciellement AX = B où A = (< u i, u j >), X =. et B = < x, u >.. x p < x, u p > A est une matrice inversible de M p (R) (A est la matrice de la restriction du produit scalaire à F dans la base (u 1, u,..., u p )). Le système admet donc une solution et une seule (ce qui n est pas un scoop...).
8 J.F.C. Eve p. 8 Ne pas oublier de regarder au préalable si F est un hyperplan. Dans ce cas on détermine p F vectorielle...) et on utilise p F = Id E p F. (F est une droite C 50 Théorème de meilleure approximation Soit F un sous-espace vectoriel de l espace vectoriel euclidien E et p F (resp. p F ) la projection orthogonale sur F (resp. F ). Soit x un élément de E. 1. z F, x p F (x) x z. Si t est un élément de F tel que : z F, x t x z alors t = p F (x).. Autrement dit Min z F x z existe et vaut x p F (x). De plus p F (x) est l unique élément de F qui réalise ce minimum. p F (x) est donc l unique élément de F tel que d(x, F ) = x p F (x). La projection orthogonale de x sur F est la meilleure approximation de x par un élément de F. 3. d (x, F ) = x p F (x) = x p F (x) = x < x, p F (x) >= p F (x). C 51 La formulation du programme... Caractérisation de la projection orthogonale par minimisation de la norme. Soit F un sous-espace vectoriel de l espace vectoriel euclidien E et p F la projection orthogonale sur F. x et y sont deux éléments de E. y = p F (x) y F et x y = Inf x z ou y = p F (x) y F et x y = Min x z. z F z F C 5 Méthode des moindres carrés. A est un élément de M n,p (R) et B un élément de M n,1 (R). On suppose que le rang de A est p.. est la norme de M n,1 (R) associée au produit scalaire canonique. 1. Min AX B existe. X M p,1(r). Il existe un unique élément X 0 de M p,1 (R) tel que AX 0 B = Min AX B. X M p,1 (R) 3. t AA est inversible. 4. X 0 = ( t AA) 1 ( t AB) ou t AAX 0 = t AB. C 53 Caractérisations des matrices symétriques Soit A une matrice de M n (R). <.,. > est le produit scalaire de M n,1 (R). 1. X M n,1 (R), Y M n,1 (R), < AX, Y >=< X, t AY >.. Les assertions suivantes sont équivalentes. i) A est symétrique. ii) X M n,1 (R), Y M n,1 (R), < AX, Y >=< X, AY >. iii) X M n,1 (R), Y M n,1 (R), t Y AX = t XAY.
9 J.F.C. Eve p. 9 C 54 Caractérisation des endomorphismes symétriques E est de dimension n (n N ), B = (e 1, e,..., e n ) est une base de E et f un endomorphisme de E. f est symétrique si et seulement si : (i, j) [[1, n]], < f(e i ), e j >=< e i, f(e j ) >. C 55 Caractérisation fondamentale des endomorphismes symétriques E est de dimension n (n N ), B = (e 1, e,..., e n ) est une base orthonormée de E et f un endomorphisme de E. f est un endomorphisme symétrique de E si et seulement si sa matrice A dans la base B est symétrique ( t A = A). C 56 L ensemble des endomorphismes symétriques de E est un sous-espace vectoriel de L(E). Si E est de dimension n non nul, l ensemble des endomorphismes symétriques de E est un sous-espace vectoriel de L(E) de dimension C 57 de E. n (n + 1) Si f est un endomorphisme symétrique et bijectif de E, f 1 est un endomorphisme symétrique (et bijectif) C 58 f est un endomorphisme symétrique de E. Si F est un sous-espace vectoriel de E stable par f, F est stable par f. C 59 Soit f un endomorphisme symétrique de l espace préhilbertien E. Ker f et Im f sont orthogonaux. (Im f) = Ker f et Im f (Ker f). C 60 Soit f un endomorphisme symétrique d un espace vectoriel euclidien E. (Im f) = Ker f et Im f = (Ker f). Ker f et Im f sont supplémentaires et orthogonaux. C 61 Caractérisations des projections orthogonales again 1. p est une projection (ou un projecteur) de E. p est une projection orthogonale (ou un projecteur orthogonal) si et seulement p est un endomorphisme symétrique.. p est un endomorphisme de E (ou une application de E dans E...). p est une projection orthogonale de E si et seulement si p est un endomorphisme symétrique de E vérifiant p p = p. 3. A est une matrice de M n (R). A est la matrice d une projection orthogonale si et seulement si A est symétrique et vérifie A = A. C est un + du programme 014. C 6 Soit f un endomorphisme symétrique de E. 1. Les sous-espaces propres de f sont deux à deux orthogonaux.. Si (u k ) 1 k p est une famille de vecteurs propres de f associés à des valeurs propres deux à deux distinctes alors la famille (u k ) 1 k p est une famille orthogonale de E.
10 J.F.C. Eve p. 10 C 63 Le théorème fondamental sur la réduction des endomorphismes symétriques. Soit f un endomorphisme symétrique de E espace vectoriel euclidien de dimension finie non nulle. 1. f est diagonalisable.. Mieux, il existe une base orthonormée de E constituée de vecteurs propres de f (donc f se diagonalise dans une base orthonormée). C 64 A est une matrice symétrique de M n (R) 1. Les valeurs propres de A sont réelles (Sp R A = Sp C A).. Les sous-espaces propres de A sont deux à deux orthogonaux. 3. Si (X k ) 1 k p est une famille de vecteurs propres de A associés à des valeurs propres deux à deux distinctes alors la famille (X k ) 1 k p est une famille orthogonale M n,1 (R). C 65 Le théorème fondamental sur la réduction des matrices symétriques de M n (R). A est une matrice symétrique de M n (R). 1. A est diagonalisable.. Mieux, il existe une base orthonormée de M n,1 (R) constituée de vecteurs propres de A. 3. Il existe une matrice orthogonale P de M n (R), telle que P 1 AP = t P AP soit diagonale. C 66 L aspect pratique de la réduction des endomorphismes symétriques f est un endomorphisme symétrique d un espace vectoriel euclidien E de dimension n non nulle. On obtient une base orthonormée de E constituée de vecteurs propres de f en concatenant une base orthonormée de chacun des sous-espaces propres de f. C 67 L aspect pratique de la réduction des matrices symétriques Soit A une matrice symétrique de M n (R). 1. On obtient une base orthonormée de M n,1 (R) constituée de vecteurs propres de A en concatenant une base orthonormée de chacun des sous-espaces propres de A.. Si B est une base orthonormée de M n,1 (R) constituée de vecteurs propres de A respectivement associés aux valeurs propres α 1, α,..., α n et si P est la matrice de passage de la base canonique de M n,1 (R) à la base B alors : P est une matrice orthogonale. t P AP = P 1 AP est la matrice diagonale Diag(α 1, α,..., α n ). C 68 Soit A une matrice symétrique de M n (R). Soit (X 1, X,..., X n ) une base orthonormée de M n,1 (R) constituée de vecteurs propres de A respectivement associés aux valeurs propres α 1, α,..., α n. A = n α k X k t X k C Soit A une matrice symétrique de M n (R). Ainsi il existe une matrice orthogonale P de M n (R) et une matrice diagonale D = Diag(α 1, α,..., α n ) telle que t P AP = P 1 AP = D.
11 J.F.C. Eve p. 11 On note, pour tout j élément de [[1, n]], C j la jème colonne de P. Alors (C 1, C,..., C n ) est une base orthonormée de M n,1 (R) constituée de vecteurs propres de A respectivement associés aux valeurs propres α 1, α,..., α n.. Variante D = Diag(α 1, α,..., α n ) est une matrice diagonale de M n (R) et P est une matrice orthogonale de M n (R). On pose A = P D t P. A est une matrice symétrique de M n (R) et les colonnes de P constituent une base othonormée B de M n,1 (R), de vecteurs propres de A associés aux valeurs propres (α 1, α,..., α n ). P est la matrice de passage de la base canonique de M n,1 (R) à B. C 70 Décomposition spectrale d une matrice symétrique. S est une matrice symétrique de M n (R). λ 1, λ,..., λ p sont ses valeurs propres distinctes. Pour tout élément k de [[1, p]] on note P k la matrice, dans la base canonique de M n,1 (R), de la projection orthogonale f k de M n,1 (R) sur le sous-espace propre SEP (S, λ k ) de S associé à la valeur propre λ k. Montrer que P k = I n et que S = λ k P k. C 71 Matrice symétrique positive Soit S une matrice symétrique de M n (R). Les propriétés suivantes sont équivalentes. i) X M n,1 (R), t XSX 0. ii) Les valeurs propres de S sont positives ou nulles. C 7 Matrice symétrique définie positive Soit une matrice symétrique de M n (R). Les propriétés suivantes sont équivalentes. i) X M n,1 (R), X 0 Mn,1 (R) t XSX > 0. ii) Les valeurs propres de S sont strictement positives. Niveau C 73 Encadrement de Rayleigh Soit S une matrice symétrique de M n (R). Soit α sa plus petite valeur propre et soit β sa plus grande valeur propre. X M n,1 (R), α X t XSX =< SX, X > β X ou X M n,1 (R) {0 Mn,1(R)}, α t XSX t XX β. Mieux : Min X M n,1(r) {0 Mn,1 (R)} t XSX t XX t XSX = α et Max X M t n,1(r) {0 Mn,1 (R)} XX = β. Si X un élément de M n,1 (R), α X = t XSX =< SX, X > X SEP (A, α). Si X un élément de M n,1 (R), t XSX =< SX, X >= β X X SEP (A, β). C 74 Matrice symétrique positive again
12 J.F.C. Eve p. 1 Soit S une matrice symétrique de M n (R). Les propriétés suivantes sont équivalentes. i) X M n,1 (R), t XSX 0. ii) Les valeurs propres de S sont positives ou nulles. iii) Il existe une matrice A de M n (R) telle que S = t AA. C 75 Matrice symétrique définie positive again Soit une matrice symétrique de M n (R). Les propriétés suivantes sont équivalentes. i) X M n,1 (R), X 0 Mn,1 (R) t XSX > 0. ii) Les valeurs propres de S sont strictement positives. iii) Il existe une matrice inversible A de M n (R) telle que S = t AA. C 76 Adjoint d un endomorphisme B = (e 1, e,..., e n ) est une base orthonormée de l espace vectoriel euclidien E et f est un endomorphisme de E de matrice A dans B. f est l endomorphisme de E de matrice t A dans B. 1. f est l unique endomorphisme de E vérifiant (x, y) E, < f(x), y >=< x, f (y) >. f est l adjoint de f.. Soit F un sous-espace vectoriel de E. F est stable par f si et seulement si F est stable par f. 3. Ker f = (Im f) et Im f = (Ker f). 4. (f ) = f = f. 5. Si f est un automorphisme, f est également un automorphisme et (f ) 1 = (f 1 ). 6. Si g est un second endomorphisme de E : (λf) = λ f, (f + g) = f + g et (f g) = g f. 7. Sp f = Sp f. λ Sp f, dim SEP (f, λ) = dim SEP (f, λ). f et f sont simultanément diagonalisables. 8. Ker(f f) = Ker f et Im(f f ) = Im f. 9. f f (resp. f f) est un endomorphisme symétrique dont les valeurs propres sont positives. C 77 Endomorphisme orthogonal f est un endomorphisme d un espace préhilbertien E. f est un endomorphisme orthogonal si (x, y) E, < f(x), f(y) >=< x, y > autrement dit si f conserve le produit scalaire. f est une application d un espace préhilbertien E dans lui même. Les assertions suivantes sont équivalentes. 1. f est un endomorphisme orthogonal.. f est un endomorphisme vérifinant (x, y) E, < f(x), f(y) >=< x, y >. 3. f vérifie (x, y) E, < f(x), f(y) >=< x, y >. Notons que 3. donne la linéarité de f. f est un endomorphisme d un espace préhilbertien E. f est un endomorphisme orthogonal si et seulement si (x, y) E, f(x) = x autrement dit si et seulement si f conserve la norme.
13 J.F.C. Eve p. 13 f est un endomorphisme orthogonal d un espace préhilbertien E. 1. f est injectif (mais pas nécessairement surjectif).. Si F est un sous espace vectoriel de E stable par f, F est stable par f. 3. Si g est un second endomorphisme orthogonal de E, g f est un endomorphisme orthogonal de E. 4. Les seules valeurs propres (réelles!!) possibles de f sont 1 et 1. f est un endomorphisme orthogonal d un espace vectoriel euclidien E. f est un automorphisme de E et f 1 est un automorphisme orthogonal de E. f est un endomorphisme d un espace vectoriel euclidien E de de dimension n appartenant à N. Les assertions suivantes sont équivalentes. i) f est un endomorphisme orthogonal. ii) Il existe une base orthonormée de E qui se transforme par f en une base orthonormée de E. iii) Toute base orthonormée de E se transforme par f est une base orthonormée de E. f est un endomorphisme d un espace vectoriel euclidien E et A est la matrice de f dans une base orthonormée de E. f est un endomorphisme orthogonal si et seulement si A est une matrice orthogonale. On note B = (e 1,..., e n ) une base orthonormée de E et on considère un endomorphisme f orthogonal dont la matrice dans la base B est notée A. On pose A = (a i,j ) 1 i,j n. (i, j) [[1, n]], a i,j [ 1, 1] et i=1 j=1 a i,j n et n n i=1 j=1 a i,j n n. C 78 Racine carrée symétrique et positive (resp. définie positive) d une matrice symétrique et positive (resp. définie positive) de M n (R) Si S est une matrice symétrique de M n (R) dont les valeurs propres sont positives ou nulles (resp. strictement positives), il existe une matrice symétrique T de M n (R) dont les valeurs propres sont positives ou nulles (resp. strictement positives) et une seule telle que T = S. C 79 Matrice d un produit scalaire Soit B = (e 1, e,..., e n ) et B = (e 1, e,..., e n) deux bases d un espace vectoriel euclidien E. La matrice A = (< e i, e j >) de M n (R) est la matrice du produit scalaire <.,. >. Si x et y sont deux éléments de E de matrices X et Y dans B, < x, y >= t XAY. A est une matrice symétrique dont les valeurs propres sont strictement positives. Si A est la matrice de <.,. > dans B et si P est la matrice de passage de B à B : A = t P AP. Une matrice C de M n (R) est la matrice d un produit scalaire si et seulement si elle est symétrique à valeurs propres strictement positives. C 80 Caractérisation des projections orthogonales again. Soit p une projection (ou un projecteur) de E. Les assertions suivantes sont équivalentes. i) p est une projection orthogonale.
14 J.F.C. Eve p. 14 ii) x E, p(x) x. C 81 Base orthonormée de R n [X] déduite de la base canonique (1, X,..., X n ) de R n [X] par le procédé d orthonormalisation de Schmidt. n est un élément de N. <.,. > est un produit scalaire sur R n [X]. 1. a) Pour tout élément k de [[1, n]], il existe un polynôme normalisé (le coefficient du terme de plus haut degré est 1) P k et un seul appartenant à R k [X] et orthogonal à R k 1 [X].. On pose P 0 = 1. a) Pour tout élément k de [[0, n]], P k est de degré k. b) (P 0, P 1,..., P n ) est une base orthogonale de R n [X]. 3. On pose k [[0, n]], Q k = 1 P k P k. a) (Q 0, Q 1,..., Q n ) est une base orthonormée de R n [X]. b) Mieux, (Q 0, Q 1,..., Q n ) est la base orthonormée de R n [X] déduite de la base canonique (1, X,..., X n ) de R n [X] par le procédé d orthonormalisation de Schmidt. C 8 Réalisation de la distance d un vecteur à un sous-espace dans un espace préhilbertien E est un espace préhilbertien et F un sous-espace vectoriel de E. x est un élément de E et y un élément de F. 1. Il existe au plus un élément de y de F tel que : x y = Inf x z. z F. Soit y un élément de F. x y = Inf x z si et seulement si x y est orthogonale à F. z F C 83 Décomposition polaire d une matrice inversible de M n (R). A est une matrice quelconque de M n (R). 1. Il existe une matrice orthogonale U de M n (R) et une matrice symétrique S à valeurs propres positives ou nulles de M n (R) telles que A = US.. On suppose A inversible. Il existe une unique matrice orthogonale U de M n (R) et une unique matrice symétrique S à valeurs propres strictement positives de M n (R) telles que A = US. C est la décomposition polaire de A. C 84 Décomposition d Iwasawa d une matrice inversible de M n (R). A est une matrice inversible de M n (R). Il existe une matrice orthogonale Q de M n (R) et une matrice triangulaire supérieure R de M n (R) à coefficients diagonaux strictement positifs telles que A = QR. C 85 Décomposition de Cholesky d une matrice symétrique définie positive. A est une matrice symétrique de M n (R) dont les valeurs propres sont strictement positives (A est définie positive). Il existe une matrice R, de M n (R), triangulaire supérieure à diagonale strictement positive et une seule telle que A = t RR. C 86 Théorème de Courant-Fischer. A est une matrice symétrique de M n (R). (E 1, E,..., E n) est une base orthonormée de M n,1 (R) constituée de vecteurs propres de A respectivement associés aux valeurs propres λ 1, λ,..., λ n avec λ 1 λ λ n.
15 k est un élément de [[1, n]] et F k est l ensemble des sous-espaces vectoriels de M n,1 (R) de dimension k. t XAX Min Sup F F k X F t XX = λ k et Max F F n+1 k X 0 Inf X F X 0 t XAX t XX = λ k. J.F.C. Eve p. 15 C 87 Endomorphisme antisymétrique. (E, <, >) est un espace vectoriel euclidien de dimension non nulle n. f est un endomorphisme de E. B = (e 1, e,..., e n ) est une base orthonormée de E et A = (a ij ) est la matrice de f dans B. On dit que f est un endomorphisme antisymétrique si (x, y) E, < f(x), y >= < x, f(y) >. 1. a) f est antisymétrique si et seulement si (i, j) [[1, n]], < f(e i ), e j >= < e i, f(e j ) >. b) f est antisymétrique si et seulement si A est symétrique autrement dit si et seulement si t A = A.. f est antisymétrique si et seulement si x E, < x, f(x) >= 0. Dans la suite f est un endomorphisme antisymétrique de E. 3 a) Ker f = (Im f). b) Sp f {0} et Sp R (A) {0}. c) Sp C (A) ir. d) f f est un endomorphisme symétrique dont les valeurs propres sont négatives ou nulles. e) Si F est un sous-espace vectoriel stable par f, F est également stable par f. 4. Il existe une base orthonormé de E telle que la matrice de f dans cette base soit : 0 a 1 a (O) 0 a p a p 0 (O) à quelques abus près... C 88 Une caractérisation des normes euclidiennes Une norme sur un espace vectoriel réel est la norme d un produit scalaire si et seulement si elle vérifie l identité du parallélogramme.
[http://mp.cpgedupuydelome.fr] édité le 30 avril 2015 Enoncés 1
[http://mpcpgedupuydelomefr] édité le 3 avril 215 Enoncés 1 Exercice 1 [ 265 ] [correction] On note V l ensemble des matrices à coefficients entiers du type a b c d d a b c c d a b b c d a et G l ensemble
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailFonctions 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailProgramme de la classe de première année MPSI
Objectifs Programme de la classe de première année MPSI I - Introduction à l analyse L objectif de cette partie est d amener les étudiants vers des problèmes effectifs d analyse élémentaire, d introduire
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détailC1 : Fonctions de plusieurs variables
1er semestre 2012/13 CPUMP 3 U 11 : Abrégé de cours Compléments Analyse 3 : fonctions analytiques Les notes suivantes, disponibles à l adresse http://www.iecn.u-nancy.fr/~bertram/, contiennent les définitions
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailDérivées 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* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailLicence de Mathématiques 3
Faculté des sciences et techniques Département de mathématiques 2004-2005 Licence de Mathématiques 3 M62 : Fonctions réelles de plusieurs variables Laurent Guillopé www.math.sciences.univ-nantes.fr/~guillope/m62/
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailOptimisation 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 détailDéterminants. Marc SAGE 9 août 2008. 2 Inverses et polynômes 3
Déterminants Marc SAGE 9 août 28 Table des matières Quid des formes n-linéaires alternées? 2 2 Inverses et polynômes 3 3 Formule de Miller pour calculer un déterminant (ou comment illustrer une idée géniale)
Plus en détailUne introduction aux codes correcteurs quantiques
Une introduction aux codes correcteurs quantiques Jean-Pierre Tillich INRIA Rocquencourt, équipe-projet SECRET 20 mars 2008 1/38 De quoi est-il question ici? Code quantique : il est possible de corriger
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailRésumé du cours d algèbre 1, 2013-2014. Sandra Rozensztajn. UMPA, ENS de Lyon, sandra.rozensztajn@ens-lyon.fr
Résumé du cours d algèbre 1, 2013-2014 Sandra Rozensztajn UMPA, ENS de Lyon, sandra.rozensztajn@ens-lyon.fr CHAPITRE 0 Relations d équivalence et classes d équivalence 1. Relation d équivalence Définition
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailCalcul Différentiel. I Fonctions différentiables 3
Université de la Méditerranée Faculté des Sciences de Luminy Licence de Mathématiques, Semestre 5, année 2008-2009 Calcul Différentiel Support du cours de Glenn Merlet 1, version du 6 octobre 2008. Remarques
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailAOT 13. et Application au Contrôle Géométrique
AOT 13 Géométrie Différentielle et Application au Contrôle Géométrique Frédéric Jean Notes de cours Édition 2011/2012 ii Table des matières 1 Variétés différentiables 1 1.1 Variétés différentiables............................
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailspé MP POLYCOPIÉ D EXERCICES 2015-2016
spé MP POLYCOPIÉ D EXERCICES 5-6 POLYNÔMES Soit n IN (a) Montrer qu il existe un polynôme P n tel que : θ IR : P n (cos θ) sin θ = sin(n + )θ On donnera une expression de P n (b) Calculer le degré, le
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailENSAE - DAKAR BROCHURE D'INFORMATION SUR LE CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS STATISTICIENS ÉCONOMISTES (I S E) Option Mathématiques CAPESA
ENSEA - ABIDJAN ENSAE - DAKAR ISSEA - YAOUNDÉ BROCHURE D'INFORMATION SUR LE CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS STATISTICIENS ÉCONOMISTES (I S E) Option Mathématiques CAPESA CENTRE D APPUI AUX
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailFonctions de plusieurs variables et changements de variables
Notes du cours d'équations aux Dérivées Partielles de l'isima, première année http://wwwisimafr/leborgne Fonctions de plusieurs variables et changements de variables Gilles Leborgne juin 006 Table des
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailMATHÉMATIQUES EN PREMIER CYCLE PRÉSENTATION DU PROGRAMME
Notre cadre de réflexion MATHÉMATIQUES EN PREMIER CYCLE PRÉSENTATION DU PROGRAMME La proposition de programme qui suit est bien sûr issue d une demande du Premier Cycle : demande de rénovation des contenus
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailCours arithmétique et groupes. Licence première année, premier semestre
Cours arithmétique et groupes. Licence première année, premier semestre Raphaël Danchin, Rejeb Hadiji, Stéphane Jaffard, Eva Löcherbach, Jacques Printems, Stéphane Seuret Année 2006-2007 2 Table des matières
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailQuelques contrôle de Première S
Quelques contrôle de Première S Gilles Auriol auriolg@free.fr http ://auriolg.free.fr Voici l énoncé de 7 devoirs de Première S, intégralement corrigés. Malgré tout les devoirs et 5 nécessitent l usage
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLE PRODUIT SCALAIRE ( En première S )
LE PRODUIT SCALAIRE ( En première S ) Dernière mise à jour : Jeudi 4 Janvier 007 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble ( Année 006-007 ) 1 Table des matières 1 Grille d autoévaluation
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailMathématiques Algèbre et géométrie
Daniel FREDON Myriam MAUMY-BERTRAND Frédéric BERTRAND Mathématiques Algèbre et géométrie en 30 fiches Daniel FREDON Myriam MAUMY-BERTRAND Frédéric BERTRAND Mathématiques Algèbre et géométrie en 30 fiches
Plus en détailLicence Sciences de l Ingénieur et Licence Informatique. Niveau L2 (= 2ème année)
Licence Sciences de l Ingénieur et Licence Informatique Niveau L2 (= 2ème année) Mathématiques : Résumé de ce qu il faut savoir en Algèbre linéaire (ou Calcul Matriciel) au sortir du L1, en préalable au
Plus en détail