Professional Documents
Culture Documents
admet des drives partielles au point (0, 0), mais nest pas continue en (0, 0).
2. Soit E, un R-espace vectoriel muni dun produit scalaire h, i. Montrer la continuit,
puis la diffrentiabilit et calculer la diffrentielle de lapplication produit scalaire
: E2 R dfinie par ( x, y) = h x, yi pour tous ( x, y) E2 .
3. Soit A Mn,m (R), avec (n, m) N 2 .
(a) Montrer que lapplication J : Rm R dfinie par J ( X ) = k AX k2 , o la notation k k
dsigne la norme euclidienne de Rn , est diffrentiable et calculer sa diffrentielle.
(b) Soit f C 1 (R). Montrer que lapplication G : Rm R dfinie par G ( X ) = f ( J ( X ))
est diffrentiable et calculer sa diffrentielle.
Corrig de lexercice
02 f (t, 0) f (0, 0)
1. On a pour tout t R , f (t, 0) f (0, 0) = t = 0, ce qui montre que lim = 0,
t 0 t
f
donc f admet une drive en (0, 0) selon le vecteur (1, 0), et que x (0, 0) = 0. De mme, f (0, t) =
f
t pour tout t R, donc f est drivable en (0, 0) selon le vecteur (0, 1) et y (0, 0) = 1.
2. Lapplication tant bilinaire, sa continuit sur E2 est quivalente sa continuit en (0, 0). De
plus, daprs
p lingalit de Cauchy-Schwarz, |( x, y)| k x k kyk pour tous ( x, y) E2 , o
k x k = h x, x i.
tudions la diffrentiabilit de . Fixons ( x, y) E2 et (h, k) E2 . On a :
en prenant par exemple N (h, k ) = max{khk, kkk}. De plus, L est linaire et continue car
pour tout h Rm .
x 3 + y3
(
si ( x, y) 6= (0, 0)
On considre la fonction f : R2 R dfinie par f ( x, y) = x 2 + y2 .
0 sinon
La fonction f est-elle continue sur R2 ? de classe C 1 sur R2 ?
Corrig de lexercice
La fonction f est C sur R2 \{(0, 0)} en tant que produit, quotient ne sannulant pas etc. de fonctions
qui le sont. Reste tudier la rgularit en (0, 0). On a
| x |3 | y |3
( x, y) R2 \{(0, 0)}, | f ( x, y)| + 2 = | x | + |y| 0.
x2 y ( x,y)(0,0)
f est donc continue en (0, 0). En revanche, f nest pas C1 en ce point car elle nest mme pas diffrentiable
en (0, 0). En effet, soit t 6= 0 et ( x, y) 6= (0, 0). On a
Or, si f tait diffrentiable en (0, 0), cette limite conciserait avec d(0,0) f ( x, y) et serait en particulier
linaire par rapport ( x, y) ce qui nest pas le cas.
f ( x, y) = x4 + y4 2( x y)2 .
f ( x, y) k( x, y)k2 +
f ( x, y) (2 4) x2 + (2 4)y2 24 .
f ( x, y) 2( x2 + y2 ) 162 +,
k( x,y)k+
ce qui prouve que f est coercive sur R2 qui est ferm et de dimension finie. Daprs le thorme
du cours, le problme (P ) admet au moins une solution.
2C sur R ), calculons
2. Pour tudier la convexit de f (qui est de classe 2 2 sa matrice hessienne en
3x 1 1
tout point ( x, y) de R2 . On a Hess f ( x, y) = 4 .
1 3y2 1
Rappelons que f est convexe sur R2 si, et seulement si sa matrice hessienne est semi-dfinie
positive en tout point. Or, on vrifie aisment que les valeurs propres de Hess f (0, 0) sont 0 et
2. Par consquent, f nest pas convexe.
3. Les points critiques de f sont donns par les solutions de f ( x, y) = (0, 0), autrement dit, les
points critiques sont solutions du systme :
3 3
x + y3 = 0
x ( x y) = 0 y = x
y3 + ( x y ) = 0 y3 + ( x y ) = 0 x3 2x = 0
On en dduit que f admet trois points critiques : O(0, 0), A( 2, 2) et B( 2, 2).
f tant de classe C 2 , on va utiliser la caractrisation des points critiques laide de la hessienne
calcule la question prcdente.
20 4
Point A : Hess f ( A) = donc la trace de Hess f ( A) vaut 40 et son dterminant 384.
4 20
On en dduit que Hess f ( A) possde deux valeurs propres strictement positives donc que A
est un minimiseur local pour f .
Point B : Hess f ( B) = Hess f ( A ), donc la mme conclusion que pour le point A simpose.
4 4
Point O : Hess f (O) = , donc la trace de Hess f (O) vaut 8 et son dterminant
4 4
est nul. Il vient que ses valeurs propres sont 0 et 8. On ne peut donc rien conclure dans ce
cas laide de la matrice hessienne. En revanche, on peut donner un argument la main : soit
x R tel que | x | < 2. On a f ( x, x ) = 2x4 8x2 = 2x2 (4 x4 ). Or, | x | < 2 donc 4 x2 > 0
et on en dduit que f ( x, x ) < 0. De mme, soit x R. On a f ( x, x ) = 2x4 0. Puisque
les ingalits prcdentes sont obtenues pour des x arbitrairement petits, on en dduit que le
point (0, 0) est un point-selle pour f .
En conclusion, puisque le problme (P ) possde une solution, la caractrisation des points cri-
tiques de f nous assure que
inf f ( x, y) = f ( A) = f ( B) = 8.
( x,y)R2
1
inf n J ( X ) avec J (X) = h AX, X i hb, X i, (Q)
X R 2
avec A Sn (R), b Rn . On devra donc expliciter n, A et b.
On utilisera la notation Sk = iN=1 tik .
2. Discuter de lexistence des solutions dun tel problme.
3. On suppose que la matrice A est dfinie positive. Dmontrer que (Q) possde une
unique solution.
Corrig de lexercice
1. Le problme scrit
a N
inf J ( X )
X R3
avec X = b et J (X) = (xi at2i bti c)2 .
c i =1
t21
t1 1 x1
crivons J ( X ) = k MX k k2 avec M = ... .. .. et k = .. . Daprs le cours sur la
. . .
t2N tN 1 xN
mthode des moindres carrs, on a
1
J (X) = h AX, X i hb, X i
2
S4 S3 S2
avec n = 3, A = M> M S3 (R) et b = M> k R3 . On calcule A = S3 S2 S1 .
S2 S1 N
2. Ce problme est quivalent au problme de minimiser la distance euclidienne de k au sous es-
pace vectoriel (de dimension finie) Im( M ). Cest donc un problme de projection orthogonale, et
il admet une solution.
3. Dans ce cas, on sait que Hess J ( X ) = A qui est dfinie positive. Par consquent, J est strictement
convexe, et J possde au plus un minimum dans R N . Comme on a vu quelle en possde au
moins un, on conclut lexistence et lunicit.
On considre la fonction f dfinie sur lintervalle [1, 1] par f ( x ) = x3 . Lespace C0 ([1, 1]) des
R1
fonctions continues sur [1, 1] est muni du produit scalaire dfini par hh, gi = 1 h( x ) g( x ) dx
p
et on note k k la norme associe, dfinie par k hk = hh, hi, pour tous (h, g) (C0 ([1, 1])2 .
On souhaite dterminer le polynme P de degr infrieur ou gal 1 qui approche le mieux f
au sens des moindres carrs, cest--dire qui minimise k f Pk2 parmi tous les polynmes de
degr infrieur ou gal 1 (sous rserve quil existe et soit unique).
1. Mettre ce problme sous la forme dun problme de moindres carrs de dimension finie.
Quelle est cette dimension ?
2. tudier lexistence/lunicit des solutions de ce problme.
3. Rsoudre ce problme.
Corrig de lexercice
1. Le problme doptimisation sous-jacent scrit
Z 1
inf J ( a, b), avec J ( a, b) = ( x3 ax b)2 dx.
( a,b)R3 1
On calcule alors
Z 1
1 X i + c,
J ( a, b) = ( x6 + a2 x2 + b2 2ax4 2bx3 + 2abx ) dx = h AX, X i hb,
1 2
4/3 0 4/5
avec X = ( a, b)> ,
A = ,b = et c = 27 . On sest ainsi ramen un problme
0 4 0
doptimisation de dimension 2.
2. Le problme doptimisation prcdent est un problme doptimisation quadratique donc la ma-
trice hessienne associe est dfinie positive (cela se retrouve dailleurs en utilisant le formalisme
des problmes de moindres carrs menant lquation normale). On en dduit que la fonction J
est coercive sur R2 qui est ferm et de dimension finie donc ce problme possde une solution
unique.
3/5
3. Lquation normale scrit AX = b qui se rsout directement. On obtient : X =
0
Corrig de lexercice
1. La fonction f a est C sur R2 car polynmiale. Pour tudier
la convexit de f , calculons sa hes-
2 a
sienne : pour tous ( x, y) R , hess f ( x, y) =
2 . Cette matrice ne dpend pas de x et
a 2
y. Etant symtrique relle, elle est diagonalisable et on note 1 et 2 ses valeurs propres. On a
tr(hess f a ( x, y)) = 1 + 2 = 4 > 0, donc f a nest jamais concave. De plus, det(hess f a ( x, y)) =
1 2 = 4 a2 . On en dduit que f a est convexe si, et seulement si a [2, 2], strictement convexe
si, et seulement si a ] 2, 2[ et nest ni convexe, ni concave sinon.
2. Souvenons-nous du cours sur loptimisation de fonctions quadratiques :
si a ] 2, 2[, hess f a est constante et appartient Sn++ (R). Par consquent, f a est strictement
convexe et coercive (cf. cours) sur R2 qui est ferm et de dimension finie. Par consquent, le
problme infR2 f a a une unique solution.
si a R\[2, 2], la matrice hess f a a une valeur propre strictement ngative , et il existe une
direction ~e R2 (vecteur propre associ ) dans laquelle f (t~e) quand t +. Par
consquent, le problme infR2 f a na pas de solution.
Cas a {2, 2}. Dans ce cas, la matrice hess f a est semi-dfinie positive, mais pas dfinie
positive. Daprs le cours, le problme infR2 f a a une solution si, et seulement si (2, 2)>
Im(hess f a ). Or, puisque a = 2,
h1 2h1 + ah2 2 a 2
hess f a = = h1 + h2 Im hess f a = vect .
h2 ah1 + 2h2 a 2 a
Corrig de lexercice
1. f est C sur Rn \{0Rn } en tant que quotient de fonctions polynmiales dont le dnominateur ne
sannule quen 0Rn .
2. Remarquons que, pour tout x Rn , f ( x ) = h A k xxk , k xxk i et que lapplication x Rn \{0Rn } 7
x
kxk
est une surjection de Rn \{0Rn } dans la sphre unit Sn1 = {y Rn | kyk = 1}. Il sensuit
que
inf f ( x ) = inf h Ay, yi et sup f ( x ) = sup h Ay, yi.
x Rn \{0Rn } y S n 1 x Rn \{0Rn } y S n 1
La fonction y 7 h Ay, yi est continue sur Sn1 qui est compact. Ces problmes ont donc une
solution.
3. Pour x 6= 0Rn , on a :
2Ax 2h Ax, x i x
f ( x ) = 0 = 0 Ax f ( x ) x = 0.
k x k2 k x k4
Or, daprs le thorme spectral, la matrice A est diagonalisable dans une base orthonorme de
vecteurs propres. On note ( A) = {1 , . . . , n } son spectre, avec 1 n . Si lquation
Ax = f ( x ) x possde une solution, alors ncessairement x est un vecteur propre de A. Rcipro-
quement, si x est un vecteur propre associ ( A), alors f ( x ) = et donc Ax f ( x ) x = 0.
On en dduit que lensemble des points critiques de f est lensemble des vecteurs propres x
Rn \{0Rn } de A.
4. Puisque les deux problmes ont une solution, on cherche les minimiseurs (resp. maximiseurs)
parmi les points critique. Si x est un vecteur propre de A associ la valeur propre , on vrifie
que f ( x ) = . Par consquent, les minimiseurs de f sont les vecteurs propres de Rn \{0Rn }
associs 1 et les maximiseurs de f sont les vecteurs propres de Rn \{0Rn } associs n . De
plus,
min f ( x ) = 1 et max f ( x ) = n .
x Rn \{0Rn } x Rn \{0Rn }
1
en utilisant que 1+ u = 1 u + u2 + o(u2 ). On retrouve lexpression de la diffrentielle de f et on
en dduit que
Si nest pas la plus petite ou la plus grande valeur propre de A, il suffit alors de choisir 0 valeur
propre strictement infrieure puis suprieure , et on montre que lexpression ci-dessus peut
tre strictement ngative ou positive selon le choix de v. On en dduit que x est un point-selle.
Dterminer les points les plus proches et les plus loigns de lorigine (sils existent) de la
courbe dquation x6 + y6 = 1. On illustrera la rponse laide dun dessin.
Corrig de lexercice
Lensemble H est compact (en effet, il est ferm en tant quimage rciproque du ferm {1} par la fonction
continue ( x, y) 7 x6 + y6 , born car pour tout ( x, y) H, | x | 1 et |y| 1 et inclus dans R2 de
dimension finie) et J est continue sur R2 car polynmiale. Par consquent, les deux problmes ci-dessus
admettent une solution.
Caractrisons-la en crivant les conditions doptimalit. On a : h( x, y) = 0 ( x, y) = (0, 0) / H, donc
les contraintes sont qualifies en tout point. Soit ( x, y), une solution de lun ou lautre des problmes
ci-dessus. Daprs le thorme des extrema lis, il existe R tel que J ( x, y) = h( x, y), soit
2x = 6x5 x (1 3x4 ) = 0 ( x, y) = (0, 1), = 31
2y = 6y 5 4
y(1 3y ) = 0 ou ( x, y) = (1, 0), = 13
6 6 6 6 2/3
x +y = 1 x +y = 1 ou ( x, y) = (21/6 , 21/6 ) ' (0.89, 0.89), = 2 3
Or, J (0, 1) = J (1, 0) = 1 et J ((21/6 , 21/6 )) = 2.21/3 ' 1.59. Par consquent, le problme inf H J
a pour solutions (0, 1) et (1, 0) et linfimum vaut 1, tandis que le problme sup H J a pour solutions
(21/6 , 21/6 ) et linfimum vaut 2.21/3 .
Une entreprise fabrique deux modles de petites voitures, les modles X et Y. Le modle X, le
plus abordable, se vend 1 e pice. Quant au modle Y, beaucoup plus sophistiqu, il se vend
3 e. Le cot de fabrication, exprim en e, est donn par la fonction suivante :
C ( x, y) = 5x2 + 5y2 2xy 2x 1000.
o x est le nombre de petites voitures du modle X et y est le nombre de petites voitures du
modle Y. On suppose que les jouets fabriqus sont tous couls sur le march.
Dans tout lexercice, on notera C+ = (R+ )2 .
Corrig de lexercice
1. Le profit est la diffrence entre le gain et le cot de production, donc P( x, y) = x + 3y C ( x, y),
puis
P( x, y) = 5x2 5y2 + 2xy + 3x + 3y + 1000.
10 2
2. P tant C , on peut tudier sa convexit laide de sa hessienne. On a hess P( x, y) = .
2 10
De plus, tant symtrique relle, la matrice hess P est diagonalisable de valeurs propres 1 et 2
telles que 1 + 2 = Tr hess P = 20 et 1 2 = det(hess P) = 96. On en dduit que 1 et 2 sont
strictement ngative et P est donc concave sur R2 .
3. La contrainte sur la capacit de production scrit x + y = 20. On est donc amen rsoudre le
problme doptimisation sous contrainte suph( x,y)=0 P( x, y) avec h( x, y) = x + y 20. Puisque P
est quadratique et strictement concave, P est coercive (cf. cours), et lensemble {( x, y) R2 |
h( x, y) = 0} est un ferm de dimension finie (image rciproque de {0} par h qui est continue).
Par consquent, le problme prcdent a une solution.
tudions les conditions doptimalit (qui sont donc des CNS). Puisque pour tous ( x, y) R2 ,
h( x, y) 6= 0, les contraintes sont qualifies en tout point. Le thorme des extrema lis fournit
alors lexistence de R tel que P( x, y) = h( x, y), soit
10x + 2y + 3 =
x = y = 10
10y + 2x + 3 =
= 77
x + y = 20
f ( x, y) = ( x 1)2 + k ( x2 y)2 .
Corrig de lexercice
1. Une possibilit est de traiter la contrainte laide dune pnalisation, en traitant le problme sans
contrainte :
1
infn J ( x ) avec J ( x ) = J ( x ) + (h x, bi c)2 ,
x R
o le paramtre est choisi petit. On peut alors mettre en uvre une mthode de gradient sur ce
problme. De plus, J ( x ) = Ax + 2 (h x, bi c)b. Lalgorithme scrit alors :
- on se donne R, a priori assez petit et une initialisation x (0)
- poser k =
0
tant que (
x (k+1) x (k)
n ) et (k kmax ) :
R
calculer d(k) = J ( x (k) )
poser x (k+1) = x (k) + d(k)
fin tant que
2. On pose X = ( x, y). Lalgorithme du gradient pas optimal scrit :
- on se donne une initialisation X (0)
- poser k =
0
tant que (
X (k+1) X (k)
2 ) et (k kmax ) :
R
calculer d(k) = f ( X (k) )
calculer (k) = argmin f ( X (k) + d(k) )
poser X (k+1) = X (k) + (k) d(k)
fin tant que
2( x 1) + 4kx ( x2 y)
2
f ( x, y) = et donc f (0, 0) = .
2k( x2 y) 0
Puisque
f ((0, 0)> f (0, 0)) = f (2, 0) = (2 1)2 + 16k4 ,
le pas optimal est solution du problme infR () avec () = (2 1)2 + 16k4 . On vrifie
aisment que cette fonction est coercive sur R qui est ferm de dimension finie, donc le pro-
blme prcdent une solution. De plus, les points critiques de rsolvent lquation 2(2
1) + 64k3 = 0. Or, en tant que somme de deux fonctions strictement croissantes, la fonction 7
2(2 1) + 64k3 est strictement croissante, vaut 2 en = 0 et lquation 2(2 1) + 64k3 = 0
possde donc une unique solution sur R qui est de surcrot positive. Cette solution est donc la
valeur du pas optimale du pas. Notons dailleurs que daprs le thorme des valeurs interm-
diaires, cette solution est dans ]0, 1[.
De faon plus gnrale, on peut implmenter numriquement un algorithme de dichotomie ou
de la section dore pour rsoudre le problme (k) = argmin f ( X (k) + d(k) ) (problme dopti-
misation de dimension 1).
Lorsque k prend des valeurs trop importantes, on rencontre des soucis numriques car le terme
k( x2 y)2 est prdominant devant le terme ( x 1)2 . Donc, numriquement, tout se passe comme
si on rsolvait inf( x,y)R2 ( x2 y)2 au lieu du problme souhait (on dit alors que le problme est
mal conditionn, ce qui dpasse largement le cadre de ce cours).