DU LINEAIRE AU CONVEXE
|
|
- Albert Goudreau
- il y a 6 ans
- Total affichages :
Transcription
1 Chapter DU LINEAIRE AU CONVEXE. Notations préliminaires Espace vectoriel IR n : On travaillera avec des vecteurs à n composantes réelles notés: x IR n soit x = x. x n avec x i IR,i =,...,n Deux types d opérations sont effectuées dans un espace vectoriel: Addition : x,y IR n,z = x+y z i = x i +y i,i =,...,n Multiplication par un scalaire : x IR n,a IR,z = ax z i = ax i,i =,...,n Toute combinaison linéaire d éléments de l espace vectoriel est donc un élément de l espace, est l élément neutre et x est l élément inverse de x (tel que x+( x) = ). Par ailleurs, un vecteur de IR n sera dit linéairement dépendant d un ensemble de vecteurs S IR n s il peut s écrire comme une combinaison linéaire des vecteurs de S. En conséquence, un ensemble de vecteurs {s,...,s k } sera dit linéairement indépendant s il n existe pas de coefficients (a,...,a k ) non tous nuls tels que k i= a i s i =. On introduit un produit scalaire noté,, application bilinéaire de IR n IR n dans IR : n x,y = x i y i i= Deux vecteurs x et y de IR n sont orthogonaux si x,y =. La norme associée est la norme euclidienne notée : x = x,x /2 On notera B = {x IR n x } la boule unité pour la norme euclidienne. La fermeture d un ensemble C est définie par : cl(c) = {C +ǫb ǫ > }
2 2 CHAPTER. DU LINEAIRE AU CONVEXE et l intérieur par : int(c) = {x C ǫ >,x+ǫb C} L intérieur étant souvent vide, on lui préfère souvent l intérieur relatif au sous-espace affine engendré par C (voir ci-dessous), noté rint(c). On a alors rint(c) C cl(c). Matrices : M m,n (IR) est l ensemble des matrices de m lignes et n colonnes à coefficients réels (pour les matrices carrées, on notera simplement M n (IR)). Un élément de M m,n (IR) représente donc une transformation linéaire de l espace IR n dans l espace IR m. Soit A M m,n (IR), a ij est l élément de la i-ème ligne et j-ème colonne et soit x IR n : n y = Ax y IR m et y i = a ij x j,i =,...,m j= A la composition d une transformation linéaire de IR n dans IR m avec une transformation de IR m dans IR p, on associera le produit matriciel A = CB où B est une matrice (m n), C est une matrice (p m); donc le produit est une matrice A de taille (p n) dont chaque élément est le produit scalaire d une ligne de C avec une colonne de B. On notera A T la matrice transposée de A, c.a.d. telle que : x IR n,y IR m, y,ax = A T y,x On observe que la même notation est utilisée pour le produit scalaire dans IR m et dans IR n. On a : (A T ) ij = a ji et (A T ) T = A Rang d une matrice : le rang d une matrice est égal au nombre maximum de vecteurs colonnes linéairement indépendants. C est aussi le nombre maximum de vecteurs lignes linéairement indépendants. Donc rang(a) min{m, n}. Matrices carrées : ce sont les matrices telles que m = n. Une matrice carrée telle que rang(a) = m est dite non singulière. Elle possède une inverse, notée A, qui satisfait : AA = A A = I, où I est la matrice identité, telle que a ii = et a ij =,si i j. On a : (A ) = A. Une matrice (carrée) symétrique est telle que A = A T. S n (IR) représente le sousensemble des matrices carrées symétriques de dimension n. Les matrices telles que HH T = H T H = I sont dites orthogonales (leurs lignes et leurs colonnes sont orthonormées). Elles satisfont Hx = x, x Si S S n (IR), toutes les valeurs propres λ i de S sont réelles et il existe une matrice orthogonale U telle que U T SU = diag{λ,...,λ n }. Les colonnes de U sont donc les vecteurs (propres) orthonormés qui permettent la décomposition spectrale S = n i= λ i u i u T i. Les matrices symétriques définies positives sont celles dont toutes les valeurs propres sont strictement positives (on dira matrice semi-définie positive s il existe des valeurs propres nulles). Si A S n (IR) est définie positive, on a x IR n,x, x,ax >..2 Sous-espaces vectoriels et affines Dans la continuité de l introduction, un sous-espace vectoriel est un sous-ensemble de IR n fermé pour les opérations d addition et de multiplication par un scalaire. Il contient donc l origine et on a les propriétés immédiates : Propriétés des sous-espaces : Soient L et M deux sous-espaces vectoriels; alors :
3 .2. SOUS-ESPACES VECTORIELS ET AFFINES 3 i) L M est un sous-espace ii) L + M est un sous-espace Définition. On appelle sous-espace engendré par un ensemble S IR n, l ensemble, noté lin{s}, des x qui s écrivent comme une combinaison linéaire des vecteurs de S : lin{s} = {x IR n x = α a + +α n a k,a i S,λ i IR,i =,...,k} Exercice : Montrer que L+M = lin{l M} De même que l espace IR n peut être engendré par lesnvecteurs l.i. de la base canonique, un sous-espace peut toujours être représenté à l aide d un ensemble générateur fini. Soit S un ensemble fini de vecteurs l.i. tel que L = lin{s}; on dira que S est une base de L. Le résultat fondamental sur les sous-espaces est que chaque base qui engendre le même sous-espace a la même cardinalité. Théorème. Tout système de vecteurs linéairement indépendants qui engendre un sousespace vectoriel a la même cardinalité. Démonstration Considérons deux bases {a,...,a k } et {b,...,b l } du sous-espace L et supposons l > k. On écrit alors b sur la première base, soit b = α a + + α k a k et supposons que α (car tous les α i ne peuvent être tous nuls). On remplace alors a dans la base par α (b α 2 a 2 α k a k ). Par induction, La cardinalité d une base est appelée la dimension du sous-espace. La dimension permet de classer les différents objets linéaires de IR n. En particulier, la dimension de IR n est n. Donc, tout sous-espace L de IR n a une dimension diml satisfaisant : diml IN et diml n. Supposons une base de vecteurs {a,...,a k } qui engendrent lin{s}, sous-espace de dimension k. Si A est la matrice (n k) dont les colonnes sont les vecteurs a,...,a k et α est le vecteur de IR k dont les composantes sont les α i, on peut représenter le sous-espace engendré par S par : lin{s} = {x IR n x = Aα, α IR k } (on dit aussi que lin{s} est le sous-espace image de A, noté Im(A) ou A(IR n )) Sous-espace orthogonal à un ensemble S : c est l ensemble des vecteurs orthogonaux à tous les vecteurs de S, noté : S = {x IR n x,y =, y S} Il est facile de montrer que S est un sous-espace. Si B est la matrice (l n) dont les lignes sont les générateurs de lin{s}, alors on peut représenter S par : (on dit aussi le noyau de B, noté Ker(B)) Propriétés : S = {x IR n Bx = }
4 4 CHAPTER. DU LINEAIRE AU CONVEXE. (S ) = lin{s} 2. S T = S T 3. (S T) = S T 4. {} = IR n 5. L image de A est orthogonale au noyau de A T 6. lin{s} S = IR n La somme directe signifie que, pour tout z de IR n, la décomposition z = x+y avec x lin{s} et y S est unique. Représentation des sous-espaces Tout sous-espace de IR n peut être représenté de deux manières différentes: comme ensemble des combinaisons linéaires d un nombre fini de générateurs (c est alors le sous-espace Image de la matrice dont les colonnes sont ses générateurs); comme ensemble des solutions d un système d équations linéaires homogènes (c est alors le sous-espace Noyau de la matrice associée aux lignes du système d équations). Exemple : Dans IR 3, soit le sous-espace L engendré par a = Donc L = Im(A) avec A = et a 2 = et diml = rang(a) = 2 On [ peut représenter ] L par L = {x IR 3 x + x 2 + x 3 = }, soit L = Ker(B) avec B = et diml = n rang(b) = 2 Variétés linéaires : Soit L un sous-espace de dimension m et x IR n. L ensemble des vecteurs x de IR n tels que x = x + z,z L est une variété linéaire (ou sous-espace affine). Toute variété linéaire qui passe par l origine est un sous-espace vectoriel. La deuxième représentation d une variété linéaire est l ensemble des solutions d un système d équations linéaires : Soit L = {x IR n Bx = }, et soit x tel que Bx = b, alors l ensemble V = {x }+L = {x IR n Bx = b} est une variété linéaire parallèle au sous-espace L. Comme la dimension de ce sous-espace est égale à n rang(b) = m, on dira que la variété a pour dimension m (par analogie sur le nombre de degrés de liberté de sa représentation paramétrique). Définition.2 : On appelle sous-espace affine engendré par S, l ensemble aff{s} des combinaisons linéaires, de somme égale à, d éléments de S. aff{s} = {x IR n x = α a +...+α k a k, i α i = ;a i S,i =,...k}
5 .3. CÔNES POLYÈDRIQUES 5 On vérifie immédiatement que aff{s} est une variété linéaire en écrivant aff{s} = {a }+{x IR n x = α 2 a α k a k ;a i = a i a }. Obs. : D une manière générale, on dira que la dimension d un ensemble S est d si dim(aff{s}) = d. Une variété linéaire de dimension n est un hyperplan. Donc, un hyperplan peut être représenté au moyen d une seule équation linéaire :.3 Cônes polyèdriques H = {x IR n a,x = b} Définition.3 Un ensemble C de IR n est un cône ssi : x C et λ, λx C Cette définition implique donc qu un cône contient l origine. Elle inclut également des cônes non convexes mais on ne s intéressera ici qu aux cônes convexes (voir définition de la convexité à la section suivante). Définition.4 Le cône convexe engendré par l ensemble S, noté cone{s}, est l ensemble de toutes les combinaisons linéaires non négatives d éléments de S. cone{s} = {x IR n x = α a +...+α k a k,α i ;a i S,i =,...,k} On vérifie aisément que cone{s} est un cône convexe. C est le plus petit cône convexe qui contient S. Observations :. Contrairement aux sous-espaces, les cônes convexes n ont pas toujours une représentation finie. Ceux qui en possèdent une sont appelés cônes polyédriques. 2. En toute généralité, un cône convexe peut contenir un sous-espace (non trivial). Le plus grand sous-espace contenu dans un cône C est clairement défini par L = C ( C). On appelle cône pointé un cône qui ne contient que le sous-espace trivial {}. En d autres termes, un cône pointé est un cône C tel que C ( C) = {}. Comme précédemment, on peut se poser la question d une représentation minimale (ou essentielle) d un cône polyèdrique. La réponse est moins simple que dans le cas du sous-espace. On doit introduire la notion de rayon extrème du cône : Définition.5 Soit C un cône convexe de IR n ; r C est un rayon extrème de C ssi on ne peut trouver r C et r C tels que r,r / cone{r} et r = r +r. On associera souvent un rayon extrème r avec la demi-droite cone{r} engendrée par r, appelée direction extrème. Ainsi, on peut considérer le problème de la génération d un cône par ses rayons extrèmes : Proposition. : Soit C un cône polyèdrique pointé et soit S l ensemble de ses rayons extrèmes. Alors il existe un sous-ensemble fini S de S tel que C = cone{ S}. De plus, cette représentation est de cardinalité minimale.
6 6 CHAPTER. DU LINEAIRE AU CONVEXE a 2 C a Figure.: Cône de IR 2 Démonstration Par induction, cf. Rockafellar,[4] p. 66. Pour introduire la seconde représentation d un cône polyèdrique, on définit le cône polaire : Définition.6 On appelle cône polaire d un ensemble S l ensemble S p défini par : S p = {x IR n x,y, y S} Il est clair que S p est un cône convexe. Si C est le cône polyèdrique engendré par les vecteurs a,...,a k, alors : C p = {a,...,a k } p = {x IR n x,a i,i =,...,k} Proposition.2 : Si S est un cône polyèdrique, S p est aussi un cône polyèdrique. Démonstration Ce résultat fondamental a été découvert par Minkovski en 9 [3], et démontré formellement par Weyl (935, [6]) qui démontra également sa forme duale : tout cône polyèdrique peut être représenté comme l ensemble des solutions d un système d inégalités linéaires homogènes. Une démonstration constructive peut être lue dans Stoer et Witzgall ([5],97). En résumé, tout cône polyèdrique peut être représenté de deux manières : comme ensemble des combinaisons linéaires non négatives d un nombre fini de générateurs (les rayons extrèmes du cône). comme ensemble des solutions d un système d inégalités linéaires homogènes. Exemple : Figure. C = {x IR 2 x = α a +α 2 a 2,α,α 2 } où a = C = {x IR 2 x +x 2, x 2 } [ ] et a 2 = [ ]
7 .4. ENSEMBLES CONVEXES ET POLYÈDRES 7.4 Ensembles convexes et polyèdres Définition.7 Un ensemble K de IR n est convexe si et seulement si : x,x 2 K et λ (,), x = λx +( λ)x 2 K On montre facilement que les objets linéaires décrits précédemment, sous-espaces, vectoriels et affines, et cônes polyèdriques, sont des ensembles convexes. Propriétés des ensembles convexes : On admettra que l ensemble vide est convexe. Si C est convexe, alors il en est de même pour int(c), rint(c) ainsi que pour cl(c). Par ailleurs, on tire immédiatement de la définition les propriétés suivantes : Soient K et K 2 deux convexes de IR n ;. K K2 est convexe 2. ak +bk 2 est convexe pour tous réels a et b Exercices : Démontrer les résultats suivants :. les parties convexes de IR sont les intervalles; 2. l image par une transformation affine d un convexe est un convexe; 3. Pour tout convexe C, λ,µ,λc +µc = (λ+µ)c Le théorème suivant établit l équivalence de la définition d un convexe avec sa génération par des combinaisons convexes, c est-à-dire, des combinaisons linéaires à coefficients positifs de somme égale à. Théorème.2 Un ensemble C est convexe si et seulement si il contient toutes les combinaisons convexes de ses éléments. Démonstration Il est clair que si C contient toutes les combinaisons convexes de ses éléments, il contient toutes les combinaisons convexes de deux éléments. Donc, C satisfait la définition ci-dessus et est un ensemble convexe. Si C est convexe, soit z = k i= λ i x i, avec k i= λ i =,λ i,i =,...,k et x i C,i =,...,k. Montrons que z est dans C par la construction suivante, en supposant sans perte de généralité que λ > : λ y = x + λ 2 x 2 C λ +λ 2 λ +λ 2 y 2 λ +λ 2 = y λ 3 + x 3 C λ +λ 2 +λ 3 λ +λ 2 +λ 3 y n = λ + +λ n y n 2 + λ n xn C On peut alors vérifier que y n = z, donc z C. Cette caractérisation peut être simplifiée dans le cas d un cône : un cône est convexe ssi, pour tout x et y C, x+y C (Preuve : Exercice).
8 8 CHAPTER. DU LINEAIRE AU CONVEXE Définition.8 L enveloppe convexe d un ensemble S, notée conv(s), est l ensemble de toutes les combinaisons convexes des éléments de S, c.a.d. : conv{s} = {x IR n x = α a +...+α k a k, i α i =,α i,a i S,i =,...,k} On vérifie que conv{s} est bien un ensemble convexe; conv{s} est le plus petit ensemble convexe qui contient S. Observation : l enveloppe convexe d un ensemble fermé n étant pas nécessairement fermée (prendre par exemple dans IR 2 l ensemble S = {x IR 2 x x 2,x } {x IR 2 x x 2,x }, Figure (.2)), on utilisera fréquemment la fermeture de cette enveloppe, notée cl(conv{s}. C C 2 C = conv{c C 2 } Figure.2: L enveloppe convexe de l union n est pas fermée Comme précédemment, on s intéresse au cas où l ensemble générateur est fini. On obtient alors un polytope. Définition.9 On appelle polyèdre un ensemble P qui peut s écrire comme la somme d un sous-espace L, d un cône polyèdrique C et d un polytope K. Il correspond donc au cas le plus général et ses générateurs peuvent être de 3 types. P = {x IR n x = α a +...+α k a k +α k+ a k α l a l +α l+ a l α m a m, α i IR,i =,...,m,α i,i = k+,...,m, Un polyèdre borné est donc un polytope (k = l = ). m i=l+ α i = } Définition. On appelle point extrème d un ensemble convexe K de IR n tout vecteur x K tel qu il n existe pas x,x K avec x x, x x et x conv{x,x }. Exemple : n = 3,k =,l = 2,m = 4 a = a 2 = a 3 = a 4 =
9 .4. ENSEMBLES CONVEXES ET POLYÈDRES 9 a a a 4 3 a 2 Figure.3: Génération d un polyèdre de IR 3 P = lin{a }+cone{a 2 }+conv{a 3,a 4 } = {x IR 3 x, x 2 x } Le polyèdre est représenté sur la figure.3. Grâce à la transformation Ω de IR n dans IR n+ : x (x,), tout polyèdre P de IR n peut se transformer en un cône polyèdrique de IR n+ : Ω(P) = cone{(x,) x P} et on peut étendre les résultats du paragraphe précédent aux polyèdres. Ainsi, tout polyèdre peut s écrire comme l ensemble des solutions d un système d égalités et d inégalités linéaires. Dans sa représentation minimale, les égalités représentent le sous-espace affine engendré par P et chaque inégalité est un demi-espace qui contient P. L intersection de l hyperplan frontière du demi-espace avec P est une face de P.
10 CHAPTER. DU LINEAIRE AU CONVEXE.5 Projection et séparation avec des ensembles convexes Les objets linéaires étudiés dans les paragraphes précédents, sous-espaces, sous-espaces affines, cônes polyèdriques et polyèdres sont des ensembles convexes dont les représentations sont finies. On peut considérer les ensembles convexes comme une généralisation naturelle au cas d un nombre infini de générateurs. Cette situation particulière qui place le convexe à la frontière du linéaire et la relation intime entre les deux représentations qu on appelle dualité sont basées sur deux concepts fondamentaux : la projection et la séparation. Définition. Soit C un ensemble de IR n et u un élément quelconque de IR n. On appelle meilleure approximation de u sur C le point p de C tel que : u p = min x C u x La définition de la meilleure approximation fait donc appel à un problème d optimisation sous contraintes. On verra plus tard que la fonction norme est une fonction convexe. Or, dans le cas où C est un ensemble convexe fermé, on a le résultat suivant : Théorème.3 (de projection) Soit C un ensemble convexe fermé non vide de IR n. Tout élément u de IR n possède une unique meilleure approximation p sur C appelée projection de u sur C. De plus, p est caractérisé par: p u,p x, x C Démonstration Supposons que u / C (le résultat est trivial avec u = p si u C). Soit δ = inf x C x u >. L existence d une meilleure approximation (en abrégé m.a.) sur C est garantie par l existence d une boule compacte centrée en u et d intersection non vide avec C (on peut prendre la boule de rayon 2δ). La norme étant continue, elle atteint donc sa borne inférieure sur cette intersection (théorème de Weierstrass). Démontrons alors l inégalité caractérisant une meilleure approximation pour en déduire l unicité. i) Soit y C et λ (,); si p est la m.a. de u sur C, p C = ( λ)p+λy C, d où : ii) u p 2 u ( λ)p λy 2 (u p)+λ(p y) 2 u p 2 +λ 2 p y 2 +2λ u p,p y = λ p y 2 +2 p u,p y On peut alors faire tendre λ vers pour obtenir l inégalité recherchée par passage à la limite. p u,p x = p u,p u+u x = p u 2 u p,u x Donc p u 2 u p,u x p u u x qui est vrai pour tout x C; comme p u, on peut simplifier et on a bien montré que p est la m.a. de u sur C.
11 .5. PROJECTION ET SÉPARATION AVEC DES ENSEMBLES CONVEXES Pour l unicité de p, on introduit p p, m.a. de u sur C et on applique l inégalité de caractérisation dans les deux sens pour obtenir une contradiction. Ce résultat peut être démontré dans des espaces plus généraux que IR n qui sont les espaces de Hilbert, c.a.d. les espaces vectoriels normés complets. La démonstration du théorème peut être trouvée dans Luenberger[2]. Une conséquence immédiate de cette représentation est le fait que l opérateur de projection, noté Proj C, qui,à u IR n associe sa projection sur C, p = Proj C (u) est monotone et non expansif, c est-à-dire, qu il contracte les distances euclidiennes : Théorème.4 Soit C un ensemble convexe fermé non vide de IR n. Alors, pour tout u,u IR n, on a : Proj C (u) Proj C (u ),u u (.) Proj C (u) Proj C (u ) u u (.2) Démonstration On applique la caractérisation du théorème de projection deux fois : Proj C (u ) Proj C (u),u Proj C (u) dans un sens, puis, en inversant le rôle de u et u : Proj C (u) Proj C (u ),u Proj C (u ) et on additionne les deux expressions pour obtenir (.). On applique alors l inégalité de Schwartz pour obtenir (.2). Revenons à la preuve du théorème de projection et observons que, si u / C, p u et l inégalité précédente peut s écrire : a,x b, x C avec a = u p et b = a,p. De plus, il est clair que : a,u = a,u p+p = a 2 + a,p > b Ces deux inégalités signifient que l hyperplan H = {x IR n a,x = b} sépare strictement u et C. On a donc prouvé le résultat fondamental suivant : Théorème.5 Soit C un ensemble convexe fermé non vide de IR n et soit u / C. Alors, il existe un hyperplan séparant u de C, c est-à-dire, il existe a IR n et b IR tel que a,x b, x C et a,u > b. La séparation implique que l ensemble convexe est contenu dans un demi-espace associé à l hyperplan séparateur. On en déduit immédiatement la caractérisation suivante : Corollaire. Soit C un ensemble convexe fermé de IR n. Alors C est l intersection de tous les demi-espaces qui le contiennent. L existence de ces hyperplans séparateurs caractérise la convexité et on a plus généralement :
12 2 CHAPTER. DU LINEAIRE AU CONVEXE Théorème.6 (de séparation) Soient deux ensembles convexes non vides C et C 2 de IR n ne possèdant pas de points intérieurs communs. Alors, il existe un hyperplan H séparant C et C 2 tel que C C2 H Démonstration Fenchel[] Observations : On doit comprendre ici point intérieur relatif à la topologie induite par le sous-espace affine engendré par l ensemble. Le théorème de séparation a plusieurs formes utiles dans des espaces plus généraux. Sa forme la plus célèbre est le théorème de Hahn-Banach (cf. Luenberger [2]). La représentation d un ensemble convexe comme intersection des demi-espaces qui le contiennent est une conséquence directe du théorème de séparation. Si on exploite ce concept dans la recherche de la projection sur un convexe, on obtient une première interprétation de la dualité en optimisation convexe. Définissons tout d abord une relaxation du problème de projection sur un convexe fermé : Problème primal Problème relaxé Minimiser u x Minimiser u x x C x H + oùh + est un demi-espace qui contient C limité par un hyperplan séparateur deuetc (dont l existence est garantie par le théorème de séparation). Soit p H la solution du problème relaxé, i.e. la projection de u sur H. Comme toute solution réalisable du problème primal est réalisable pour le problème relaxé, on a (inégalité de dualité faible) : u p H u x, x C La valeur optimale du problème relaxé est donc une borne inférieure de la valeur optimale du problème primal. Par ailleurs, le problème relaxé est plus facile à résoudre car l ensemble des solutions réalisables est un objet linéaire simple. On appellera problème dual celui qui consiste à rechercher la meilleure borne inférieure donc à rechercher l hyperplan séparateur H tel que u p H est maximal : Problème dual Maximiser u p H p H est la projection de u sur un hyperplan H séparant u de C En effet, si H + est le demi-espace associé à l hyperplan séparateur H et contenant C, le problème de minimiser u x sur H + est une relaxation du problème primal, ce qui implique que sa valeur optimale u p H (u) est une borne inférieure de la valeur optimale u p. Le problème dual revient donc à chercher la plus grande borne inférieure qui s avère égale à la valeur optimale du primal. On note le caractère implicite du problème dual qui sera étudié plus en détail sous sa forme générale au chapitre 4. La figure (.4) illustre la construction de H et permet de visualiser le résultat dit de dualité forte pour la paire de problème primal et dual : max H u p H = min x C u x
13 .5. PROJECTION ET SÉPARATION AVEC DES ENSEMBLES CONVEXES 3 u H p H p* C Figure.4: Projection, séparation et dualité En effet, l hyperplan H = {x u p,x = u,p p 2 } qui définit la m.a. p C de u sur C satisfait bien l égalité ci-dessus avec p H = p. Bibliographie du chap. [] W. Fenchel, Convex cones, sets and functions, mimeographed lecture notes, Princeton U., 95. [2] D.G. Luenberger, Optimization by vector space methods, John Wiley, 969. [3] H. Minkovski, Theorie der konvexen Körper, insbesondere Begründung ihres Oberflächenbegriffs, Gesammelte Abhandlungen, Leipzig, 9. [4] R.T. Rockafellar, Convex Analysis, Princeton U. Press, 97. [5] J. Stoer et C. Witzgall, Convexity and Optimization, Springer V., 97. [6] H. Weyl, Elementare Theorie der konvexen Polyeder, Commentarii Helvetici, 935.
Programmation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 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 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 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 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 détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
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 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 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 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 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 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 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 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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
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 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 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 détailGéométrie dans l espace Produit scalaire et équations
Chapitre 11. 2ème partie Géométrie dans l espace Produit scalaire et équations Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES 2ème partie Produit scalaire Produit scalaire
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 détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
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 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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
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 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 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 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 détail[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 détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
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 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 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 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 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 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 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 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 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 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 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 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 détailCours d Analyse 3 Fonctions de plusieurs variables
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
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 détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
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 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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
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 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 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 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 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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
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 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 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 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 détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailRappels et compléments, première partie : Nombres complexes et applications à la géométrie
Rappels et compléments, première partie : Nombres complexes et applications à la géométrie 1 Définition des nombres complexes On définit sur les couples de réels une loi d addition comme suit : (x; y)
Plus en détailRECHERCHE OPERATIONNELLE
RECHERCHE OPERATIONNELLE 0. Introduction. Ce cours a été enseigné jusqu en 2002, en année de licence, à la MIAGE de NANCY. L objectif principal de ce cours est d acquérir une connaissance approfondie de
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 détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailCorps des nombres complexes, J Paul Tsasa
Corps des nombres complexes, J Paul Tsasa One Pager Février 2013 Vol. 5 Num. 011 Copyright Laréq 2013 http://www.lareq.com Corps des Nombres Complexes Définitions, Règles de Calcul et Théorèmes «Les idiots
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 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
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 détail1 Première section: La construction générale
AMALGAMATIONS DE CLASSES DE SOUS-GROUPES D UN GROUPE ABÉLIEN. SOUS-GROUPES ESSENTIEL-PURS. Călugăreanu Grigore comunicare prezentată la Conferinţa de grupuri abeliene şi module de la Padova, iunie 1994
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 détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
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 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 détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailOn ne peut pas entendre la forme d un tambour
On ne peut pas entendre la forme d un tambour Pierre Bérard Institut Fourier Laboratoire de Mathématiques Unité Mixte de Recherche 5582 CNRS UJF Université Joseph Fourier, Grenoble 1 Introduction 1.1 Position
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détail