Fiche de révision : Analyse et optimisation en espace vectoriel

📋 Plan du Cours

1. Logique et ensembles
2. Fonctions de deux variables
3. Dérivées partielles
4. Continuité en deux variables
5. Dérivées partielles et composition
6. Extremums locaux
7. Points critiques
8. Applications linéaires et matrices
9. Déterminant et rang d’une matrice
10. Sous-espaces vectoriels
11. Orthogonalité et projections
12. Formes linéaires et hyperplans

📖 1. Logique et ensembles

🔑 Notions clés & Définitions

• Proposition : Énoncé mathématique pouvant être vrai (V) ou faux (F). Exemple : "x > 0".
• Connecteurs logiques :
  • Non (¬) : Négation d'une proposition. Si P est vraie, ¬P est fausse.
  • Ou (∨) : Disjonction inclusive. P ∨ Q est vrai si P ou Q ou les deux sont vrais.
  • Et (∧) : Conjonction. P ∧ Q est vrai si P et Q sont vrais simultanément.
  • Implication (⇒) : Si P alors Q. Vrai sauf si P est vrai et Q faux.
  • Équivalence (⇔) : P si et seulement si Q. Vrai si P et Q ont la même valeur de vérité.
• Table de vérité : Outil pour vérifier la validité des connecteurs logiques en listant toutes les combinaisons de V et F.
• Quantificateurs :
  • ∀ (pour tout) : Proposition valable pour tous les éléments d’un ensemble.
  • ∃ (il existe) : Existence d’au moins un élément vérifiant la propriété.
  • ∃! (il existe un unique) : Existence d’un seul élément vérifiant la propriété.

📝 Points essentiels

• La logique permet d’articuler des propositions en utilisant des connecteurs, facilitant la démonstration et la vérification.
• La notion d’équivalence logique repose sur la table de vérité : deux propositions sont équivalentes si elles ont la même valeur de vérité dans toutes les situations.
• La négation d’un quantificateur change son sens : non(∀x, P(x)) ≡ ∃x, ¬P(x) et non(∃x, P(x)) ≡ ∀x, ¬P(x).
• La vérification d’une proposition fausse se fait souvent par contre-exemple.

💡 À retenir

La logique mathématique repose sur des propositions, des connecteurs, et des quantificateurs, permettant de formaliser et de prouver des assertions avec rigueur. La compréhension des tables de vérité et des négations est essentielle pour analyser la validité des énoncés.

📖 2. Fonctions de deux variables

🔑 Notions clés & Définitions

• Fonction de deux variables : Fonction $f : \mathbb{R}^2 \to \mathbb{R}$, associant à chaque point $(x, y)$ un réel $f(x, y)$.

• Domaine de définition : Ensemble $D \subseteq \mathbb{R}^2$ où la fonction est définie.

• Dérivées partielles : Limites du taux de variation de $f$ par rapport à chaque variable, en fixant l’autre variable. Notées $\frac{\partial f}{\partial x}$ et $\frac{\partial f}{\partial y}$.

• Continuité en un point : $f$ est continue en $(x_0, y_0)$ si $\lim_{(x,y) \to (x_0,y_0)} f(x,y) = f(x_0,y_0)$.

• Extremums locaux : Points où $f$ atteint un maximum ou un minimum dans un voisinage, souvent étudiés via dérivées partielles et tests de second ordre.

📝 Points essentiels

• La différentiabilité de $f$ implique la continuité de ses dérivées partielles, mais pas l'inverse.

• Les dérivées partielles permettent d’étudier le comportement local de la fonction, notamment la croissance ou décroissance dans chaque direction.

• La recherche d’extremums locaux se fait en résolvant le système : $\frac{\partial f}{\partial x} = 0, \quad \frac{\partial f}{\partial y} = 0,$ puis en utilisant le test de la matrice Hessienne pour déterminer la nature du point critique.

• La notion de tangent au graphe de $f$ en un point est liée à la dérivée partielle, notamment par la notion de plan tangent.

• La métaphore géométrique : $f(x,y)$ définit une surface dans l’espace, et les dérivées partielles donnent la pente dans la direction de chaque axe.

💡 À retenir

Les fonctions de deux variables s’étudient principalement à travers leurs dérivées partielles, qui permettent d’analyser leur comportement local, de rechercher des extremums, et de comprendre la géométrie de leur graphe. La continuité et la différentiabilité sont des notions fondamentales pour assurer une étude précise du comportement de la fonction.

📖 3. Dérivées partielles

🔑 Notions clés & Définitions

• Dérivée partielle : La dérivée d'une fonction à plusieurs variables par rapport à une de ses variables, en considérant les autres variables comme constantes. Notée généralement ∂f/∂x, ∂f/∂y, etc.

• Fonction à plusieurs variables : Fonction définie sur un domaine de R^n, prenant des valeurs dans R ou R^m, par exemple f : ℝ^2 → ℝ.

• Dérivées partielles secondes : Dérivées partielles de second ordre, notées ∂²f/∂x², ∂²f/∂x∂y, etc., représentant la variation de la dérivée partielle.

• Dérivée directionnelle : La limite du taux de variation de la fonction dans une direction donnée, notée D_vf(x), où v est un vecteur direction.

• Fonction différentiable : Fonction dont toutes ses dérivées partielles existent en un point et sont continues dans un voisinage, permettant de l'approximer localement par une application linéaire (son gradient).

• Gradient : Vecteur formé des dérivées partielles d'une fonction, ∇f(x, y, ...), indiquant la direction de la plus forte augmentation.

📝 Points essentiels

• La dérivée partielle mesure la variation de la fonction lorsque l'on fait varier une seule variable, en maintenant les autres constantes.

• La formule de la différentielle : pour une fonction f : ℝ^n → ℝ, la différentielle en un point x est donnée par df(x) = ∑ ∂f/∂x_i (x) dx_i.

• La relation entre dérivées partielles et dérivées totales : si toutes les dérivées partielles sont continues, la fonction est dite différentiable en ce point, et la différentiation peut s'appliquer comme en une seule variable.

• Théorème de Schwarz (symétrie des dérivées secondes) : si les dérivées secondes sont continues, alors ∂²f/∂x∂y = ∂²f/∂y∂x.

• La différentiabilité locale implique que la fonction peut être approchée par une application linéaire (son gradient) dans un voisinage.

• La notion de dérivée directionnelle généralise la dérivée partielle en considérant une direction arbitraire, pas seulement les axes.

💡 À retenir

Les dérivées partielles permettent d'étudier le comportement local d'une fonction à plusieurs variables, en fournissant une approximation linéaire via le gradient, et sont essentielles pour analyser la différentiabilité, la croissance, et les extrema locaux.

📖 4. Continuité en deux variables

🔑 Notions clés & Définitions

• Fonction de deux variables : Fonction $f : D \subseteq \mathbb{R}^2 \to \mathbb{R}$, où $D$ est un sous-ensemble de $\mathbb{R}^2$. Elle associe à chaque point $(x,y)$ une valeur réelle $f(x,y)$.

• Continuité en un point : La fonction $f$ est continue en un point $(x_0, y_0)$ si, pour toute suite $(x_n, y_n)$ convergeant vers $(x_0, y_0)$, on a $f(x_n, y_n) \to f(x_0, y_0)$.

• Limite en un point : La limite $\lim_{(x,y) \to (x_0, y_0)} f(x,y)$ existe si, pour toute suite $(x_n, y_n)$ tendant vers $(x_0, y_0)$, la suite $f(x_n, y_n)$ converge vers une même valeur $L$.

• Critère de continuité : $f$ est continue en $(x_0, y_0)$ si et seulement si $\lim_{(x,y) \to (x_0, y_0)} f(x,y) = f(x_0, y_0)$.

• Continuité uniforme : La fonction $f$ est uniformément continue sur un ensemble $E$ si, pour tout $\varepsilon > 0$, il existe $\delta > 0$ tel que, pour tous $(x,y), (x', y') \in E$, si $\sqrt{(x - x')^2 + (y - y')^2} < \delta$, alors $|f(x,y) - f(x', y')| < \varepsilon$.

📝 Points essentiels

• La continuité en deux variables généralise celle en une variable, en utilisant la limite dans $\mathbb{R}^2$.

• La limite $\lim_{(x,y) \to (x_0, y_0)} f(x,y)$ doit être indépendante du chemin par lequel on approche $(x_0, y_0)$. La non-indépendance indique une discontinuité.

• La continuité en un point peut être vérifiée via la définition $\forall \varepsilon > 0, \exists \delta > 0$ tel que $\|(x,y) - (x_0, y_0)\| < \delta \Rightarrow |f(x,y) - f(x_0, y_0)| < \varepsilon$.

• La continuité en un ensemble est souvent étudiée à l’aide de la propriété de limite uniforme ou par la continuité de fonctions composées.

• La différentiabilité implique la continuité, mais la réciproque n’est pas toujours vraie en deux variables.

💡 À retenir

La continuité en deux variables se caractérise par la convergence de la fonction vers sa valeur en un point, indépendamment du chemin d’approche, ce qui garantit une stabilité locale de la fonction.

📖 5. Dérivées partielles et composition

🔑 Notions clés & Définitions

• Dérivée partielle : La dérivée d'une fonction à plusieurs variables par rapport à une variable donnée, en maintenant les autres constantes. Notée généralement ∂f/∂x, ∂f/∂y, etc.

• Fonction multivariée : Fonction dont le domaine est un espace à plusieurs dimensions, généralement ℝ^n, et à valeurs dans ℝ ou ℂ.

• Dérivées partielles secondes : Dérivées partielles de second ordre, notées ∂²f/∂x², ∂²f/∂x∂y, etc. Leur symétrie (∂²f/∂x∂y = ∂²f/∂y∂x) est assurée sous certaines conditions (théorème de Schwarz).

• Différentiabilité locale : La fonction f est dite différentiable en un point si elle admet une approximation affine locale, ce qui implique l'existence de toutes ses dérivées partielles en ce point.

• Changement de variable (composition) : Opération consistant à remplacer une variable par une fonction de cette variable, par exemple, g(x) = f(φ(x)), où φ est une fonction de ℝ en ℝ.

• Règle de la chaîne (pour plusieurs variables) : Formule permettant de calculer la dérivée d'une composition de fonctions multivariées, impliquant les dérivées partielles de chaque fonction.

📝 Points essentiels

• Calcul des dérivées partielles : Utiliser la définition limite ou les règles de dérivation usuelles en traitant chaque variable comme une constante lors de la différentiation.

• Règle de la chaîne en plusieurs variables : Si z = f(u, v), avec u = φ(x, y) et v = ψ(x, y), alors :

  $\frac{\partial z}{\partial x} = \frac{\partial f}{\partial u} \frac{\partial u}{\partial x} + \frac{\partial f}{\partial v} \frac{\partial v}{\partial x}$

  $\frac{\partial z}{\partial y} = \frac{\partial f}{\partial u} \frac{\partial u}{\partial y} + \frac{\partial f}{\partial v} \frac{\partial v}{\partial y}$

• Symétrie des dérivées secondes : Sous régularité (continuité des dérivées partielles de second ordre), on a ∂²f/∂x∂y = ∂²f/∂y∂x (théorème de Schwarz).

• Conditions de différentiabilité : La continuité des dérivées partielles dans un voisinage est une condition suffisante pour la différentiabilité.

• Application de la composition : La dérivée partielle d'une composition s'obtient en appliquant la règle de la chaîne, en tenant compte des dérivées partielles de chaque fonction.

💡 À retenir

Les dérivées partielles permettent d'étudier la variation locale d'une fonction multivariée. La règle de la chaîne est essentielle pour différencier des compositions complexes, et la symétrie des dérivées secondes repose sur la régularité de la fonction.

📖 6. Extremums locaux

🔑 Notions clés & Définitions

• Extremum local : Un point $x_0$ d'une fonction $f$ est un extremum local si, dans un voisinage de $x_0$, $f$ ne prend que des valeurs inférieures ou égales (pour un maximum) ou supérieures ou égales (pour un minimum) à $f(x_0)$.

  • Maximum local : $\exists \delta > 0$ tel que $\forall x$ dans $(x_0 - \delta, x_0 + \delta)$, $f(x) \leq f(x_0)$.
  • Minimum local : $\exists \delta > 0$ tel que $\forall x$ dans $(x_0 - \delta, x_0 + \delta)$, $f(x) \geq f(x_0)$.

• Extremum strict : L'extremum est strict si, dans le voisinage, toutes les valeurs de $f$ sont strictement inférieures ou supérieures à $f(x_0)$.

• Point critique : Un point $x_0$ où la dérivée $f'(x_0)$ est nulle ou n'existe pas, souvent associé à un extremum.

• Critère du premier ordre : Si $f$ est dérivable en $x_0$ et que $x_0$ est un extremum local, alors $f'(x_0) = 0$.

• Critère du second ordre : Si $f$ est deux fois dérivable en $x_0$, alors :

  • Si $f'(x_0) = 0$ et $f''(x_0) > 0$, alors $x_0$ est un minimum local.
  • Si $f'(x_0) = 0$ et $f''(x_0) < 0$, alors $x_0$ est un maximum local.
  • Si $f''(x_0) = 0$, le test est indéterminé.

📝 Points essentiels

• Identification des extremums : La recherche d'extremums locaux repose principalement sur l'étude de la dérivée $f'$ (premier ordre) et de la dérivée seconde $f''$ (second ordre).
• Points critiques : Tous points où $f'(x) = 0$ ou $f'$ n'existe pas sont candidats à un extremum.
• Test du second ordre : Permet de confirmer si un point critique est un maximum, un minimum ou un point d'inflexion.
• Extremums locaux vs globaux : Un extremum local ne garantit pas que c'est le maximum ou le minimum global sur tout le domaine.
• Notion de voisinage : La définition d'un extremum local concerne un voisinage immédiat du point considéré.

💡 À retenir

Un extremum local se caractérise par un point critique où la dérivée s'annule, et sa nature est confirmée par le signe de la dérivée seconde : positive pour un minimum, négative pour un maximum.

📖 7. Points critiques

🔑 Notions clés & Définitions

• Proposition : Énoncé mathématique qui peut être vrai (V) ou faux (F). Exemple : "x > 0".
• Connecteurs logiques :
  • Non (¬) : Négation d'une proposition. Exemple : ¬P.
  • Ou (∨) : Disjonction inclusive. P ou Q est vrai si au moins l’un est vrai.
  • Et (∧) : Conjonction. P et Q sont vrais si les deux le sont.
  • Implication (⇒) : Si P alors Q. Vrai sauf si P est vrai et Q faux.
  • Équivalence (⇔) : P si et seulement si Q. Les deux propositions ont la même valeur de vérité.
• Quantificateurs :
  • ∀ (pour tout) : Proposition valable pour tous les éléments d’un ensemble.
  • ∃ (il existe) : Il existe au moins un élément vérifiant la propriété.
  • ∃! (il existe un seul) : Unicité de l’existence.
• Raisonnement analyse-synthèse : Méthode consistant à décomposer une propriété nécessaire puis vérifier la suffisance.

📝 Points essentiels

• La logique permet de formaliser et de prouver des propositions à l’aide de connecteurs et de quantificateurs.
• La table de vérité est essentielle pour vérifier la validité des implications et équivalences.
• La réciproque d’une implication doit toujours être vérifiée séparément ; une implication vraie n’implique pas forcément sa réciproque.
• La négation d’une implication : ¬(P ⇒ Q) ≡ P ∧ ¬Q.
• La méthode "analyse-synthèse" consiste à déduire des conditions nécessaires, puis à vérifier leur suffisance.
• L’ordre des quantificateurs est crucial : par exemple, ∀x ∈ R, ∃y, P(x, y) n’est pas équivalent à ∃y, ∀x ∈ R, P(x, y).

💡 À retenir

La logique formelle, avec ses connecteurs et quantificateurs, est la base pour structurer, analyser et prouver rigoureusement toutes propositions mathématiques. La vérification des réciproques et l’attention à l’ordre des quantificateurs sont essentielles pour éviter les erreurs de raisonnement.

📖 8. Applications linéaires et matrices

🔑 Notions clés & Définitions

• Application linéaire : Fonction $f : E \to F$ entre deux espaces vectoriels telle que $f(\alpha u + \beta v) = \alpha f(u) + \beta f(v)$ pour tous $u, v \in E$ et tous scalaires $\alpha, \beta$. Elle préserve la structure vectorielle (addition et multiplication par un scalaire).

• Noyau (ou kernel) : Ensemble des vecteurs $u \in E$ tels que $f(u) = 0$. Noté $\ker(f)$. C’est un sous-espace vectoriel de $E$.

• Image (ou range) : Ensemble des vecteurs $f(u)$ pour $u \in E$. Noté $\operatorname{Im}(f)$. C’est un sous-espace vectoriel de $F$.

• Matricielle d’une application linéaire : Représentation d’une application linéaire $f : \mathbb{K}^n \to \mathbb{K}^m$ par une matrice $A \in M_{m \times n}(\mathbb{K})$ telle que $f(x) = Ax$.

• Rang d’une matrice : Dimension de l’image de la transformation associée. Correspond au nombre de colonnes ou lignes linéairement indépendantes.

• Inverse d’une matrice : Matrice $A^{-1}$ telle que $AA^{-1} = A^{-1}A = I$. Elle existe si et seulement si $\det(A) \neq 0$.

📝 Points essentiels

• Toute application linéaire entre espaces vectoriels de dimension finie peut être représentée par une matrice. La base choisie dans l’espace de départ et d’arrivée détermine cette matrice.

• La composition de deux applications linéaires correspond à la multiplication des matrices associées : si $f : E \to F$ et $g : F \to G$, alors $g \circ f$ est représentée par la matrice $BA$ si $A$ et $B$ sont les matrices de $f$ et $g$.

• Le noyau et l’image sont liés par le théorème du rang : $\dim(E) = \operatorname{rang}(f) + \dim(\ker(f))$.

• La matrice d’une application linéaire dépend du choix des bases. La transformation d’une matrice par changement de base est donnée par conjugaison : si $P$ est la matrice de changement de base, alors la nouvelle matrice est $P^{-1}AP$.

• La résolution d’un système linéaire $Ax = b$ revient à étudier la matrice $A$ et le vecteur $b$. La solution existe si et seulement si $b$ appartient à l’image de $A$.

• La matrice est inversible si et seulement si son déterminant est non nul. La formule de l’inverse utilise la comatrice ou la méthode de Gauss-Jordan.

• La notion de rang permet de déterminer si une application est injective (rang maximal) ou surjective (rang égal à la dimension de l’espace d’arrivée).

💡 À retenir

Les applications linéaires se représentent par des matrices, dont le rang, le noyau et l’image déterminent leurs propriétés fondamentales (injectivité, surjectivité, bijectivité). La compréhension de ces notions est essentielle pour manipuler efficacement les transformations dans l’espace vectoriel.

📖 9. Déterminant et rang d’une matrice

🔑 Notions clés & Définitions

• Déterminant d’une matrice : Fonction associée à une matrice carrée qui donne un scalaire, noté généralement det(A). Il mesure l’orientation, le volume (en dimension 2 ou 3), et la singularité de la matrice.

• Matrice inversible : Une matrice carrée A est inversible si et seulement si son déterminant est non nul (det(A) ≠ 0). Elle possède alors une inverse A⁻¹.

• Rang d’une matrice : Le nombre maximal de vecteurs linéairement indépendants parmi ses lignes ou colonnes. Il indique la dimension de l’espace engendré par ces vecteurs.

• Propriétés du déterminant :

  • Linéarité par rapport à une ligne ou colonne.
  • Changement de signe si deux lignes ou colonnes sont échangées.
  • Multiplication par un scalaire lors de la multiplication d’une ligne ou colonne par ce scalaire.
  • Le déterminant d’une matrice triangulaire (supérieure ou inférieure) est le produit des éléments de la diagonale.

• Critère de singularité : Une matrice est singulière si det(A) = 0, ce qui implique qu’elle n’est pas inversible et que ses lignes ou colonnes sont linéairement dépendantes.

📝 Points essentiels

• Le déterminant permet de tester l’inversibilité d’une matrice carrée : det(A) ≠ 0 ⇔ A est inversible.
• Le calcul du déterminant peut se faire par développement (règle de Sarrus pour 3x3, développement par cofacteurs, ou réduction par élimination).
• La propriété du rang : rang(A) = n (pour une matrice n×n) si et seulement si det(A) ≠ 0.
• Le rang d’une matrice peut aussi se déterminer par la réduction en forme échelonnée et en comptant le nombre de pivots.
• La relation entre déterminant et rang : si det(A) ≠ 0, alors rang(A) = n ; sinon, rang(A) < n.
• La formule du déterminant pour une matrice 2×2 : det([[a, b], [c, d]]) = ad - bc.
• La formule du déterminant pour une matrice 3×3 (règle de Sarrus) : $\det(A) = a_{11}a_{22}a_{33} + a_{12}a_{23}a_{31} + a_{13}a_{21}a_{32} - a_{13}a_{22}a_{31} - a_{12}a_{21}a_{33} - a_{11}a_{23}a_{32}$
• La propriété multiplicative : pour deux matrices carrées A et B de même dimension, det(AB) = det(A) × det(B).

💡 À retenir

Le déterminant d’une matrice est un outil essentiel pour analyser sa singularité, son inverse, et son rang. Sa valeur permet de caractériser si la matrice est inversible ou non, et sa calculabilité repose sur des propriétés fondamentales qui simplifient son évaluation.

📖 10. Sous-espaces vectoriels

🔑 Notions clés & Définitions

• Espace vectoriel : Ensemble d'objets (vecteurs) muni de deux opérations (addition et multiplication par un scalaire) vérifiant des axiomes (associativité, commutativité, existence d’un vecteur nul, etc.).

• Sous-espace vectoriel : Sous-ensemble d’un espace vectoriel qui est lui-même un espace vectoriel pour l’addition et la multiplication par un scalaire, c’est-à-dire qu’il contient le vecteur nul, est stable par addition et par multiplication par un scalaire.

• Critère de sous-espace : Un sous-ensemble $F$ d’un espace vectoriel $E$ est un sous-espace si :

  1. $\vec{0} \in F$,
  2. $ \forall \vec{u}, \vec{v} \in F, \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \

📖 11. Orthogonalité et projections

🔑 Notions clés & Définitions

• Espace vectoriel : Ensemble de vecteurs avec opérations d’addition et de multiplication par un scalaire, respectant certaines propriétés (associativité, commutativité, etc.).

• Orthogonalité : Deux vecteurs $u$ et $v$ sont orthogonaux si leur produit scalaire $u \cdot v = 0$.

• Produit scalaire : Fonction $\langle \cdot, \cdot \rangle$ associée à un espace vectoriel, vérifiant la linéarité, la symétrie et la positivation. Exemple dans $\mathbb{R}^n$ : $u \cdot v = \sum_{i=1}^n u_i v_i$.

• Projection orthogonale : Opération qui associe à un vecteur $x$ son image $p$ sur un sous-espace $V$, tel que $x - p$ soit orthogonal à $V$. Notée $P_V(x)$.

• Projection orthogonale sur un sous-espace : Si $V$ est un sous-espace de dimension finie, la projection $P_V$ est une application linéaire idempotente ($P_V^2 = P_V$).

📝 Points essentiels

• Propriétés de l’orthogonalité :

  • Si $u \perp v$, alors $u \cdot v = 0$.
  • La somme d’un vecteur $x$ dans un espace $E$ peut être décomposée en une composante dans $V$ et une dans $V^\perp$ (orthogonal à $V$) : $x = P_V(x) + (x - P_V(x))$.

• Projections orthogonales :

  • La projection $P_V$ est linéaire, positive, et idempotente.
  • La norme de la différence $\| x - P_V(x) \|$ est minimale parmi tous les vecteurs de $V$.

• Calcul de la projection :

  • Sur un espace euclidien, si $V$ est engendré par une base orthogonale $(e_1, \dots, e_k)$, alors : $P_V(x) = \sum_{i=1}^k \frac{\langle x, e_i \rangle}{\langle e_i, e_i \rangle} e_i$
  • En général, la projection peut se calculer via la formule $P_V(x) = A (A^T A)^{-1} A^T x$, où $A$ est une matrice dont les colonnes forment une base de $V$.

• Orthogonalité dans un espace de dimension finie :

  • La notion d’orthogonalité permet de décomposer un espace en somme directe $E = V \oplus V^\perp$.

💡 À retenir

L’orthogonalité permet de décomposer un vecteur en une composante dans un sous-espace et une autre orthogonale, ce qui facilite la résolution de nombreux problèmes en géométrie, analyse et algèbre linéaire. La projection orthogonale est un outil clé pour minimiser la distance à un sous-espace dans un espace euclidien.

📖 12. Formes linéaires et hyperplans

🔑 Notions clés & Définitions

• Forme linéaire : Fonction $f : E \to \mathbb{R}$ (ou $\mathbb{C}$) sur un espace vectoriel $E$ qui vérifie la propriété d'additivité et d'homogénéité :
  $\forall x, y \in E, \quad f(x + y) = f(x) + f(y), \quad \text{et} \quad \forall \lambda \in \mathbb{R}, \quad f(\lambda x) = \lambda f(x).$

• Hyperplan : Sous-ensemble affine de l’espace vectoriel $E$ défini par une forme linéaire $f$ et un scalaire $c$ :
  $H = \{ x \in E \mid f(x) = c \}.$ Si $c=0$, l’hyperplan est un sous-espace vectoriel appelé noyau de $f$.

• Noyau d’une forme linéaire : Ensemble $\ker(f) = \{ x \in E \mid f(x) = 0 \}$, qui est un sous-espace vectoriel de $E$.

• Rang d’une famille de formes linéaires : Dimension de l’espace engendré par ces formes. Elle indique le nombre maximal de formes linéairement indépendantes.

📝 Points essentiels

• Formes linéaires : Fonctions linéaires qui permettent de projeter un vecteur sur une droite (dans $\mathbb{R}^n$, par exemple, la forme $f(x_1, \dots, x_n) = a_1 x_1 + \dots + a_n x_n$).

• Hyperplans : Leur définition par une forme linéaire permet de caractériser des sous-ensembles de l’espace qui séparent l’espace en deux parties (côté positif et côté négatif).

• Propriétés fondamentales :

  • Le noyau d’une forme linéaire est un hyperplan si la forme n’est pas nulle.
  • La dimension du noyau d’une forme linéaire $f$ sur un espace de dimension $n$ est $n - 1$ si $f \neq 0$.

• Application : La compréhension des hyperplans est essentielle pour la définition des notions de séparation, de convexité, et pour l’étude des espaces vectoriels.

💡 À retenir

Les formes linéaires permettent de définir des hyperplans, qui jouent un rôle clé dans la géométrie de l’espace vectoriel, notamment dans la séparation de convexes et dans la définition de sous-espaces. La dimension du noyau d’une forme linéaire non nulle est toujours un hyperplan de l’espace.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre implication logique (⇒) avec équivalence (⇔).
2. Oublier que la différentiabilité implique la continuité, mais pas l'inverse.
3. Croire qu’une dérivée partielle n’existe pas si la fonction n’est pas continue.
4. Confondre la limite d’une fonction en deux variables avec la limite le long d’un chemin spécifique.
5. Négliger que la continuité en deux variables nécessite que la limite soit la même dans toutes les directions.
6. Confondre dérivée partielle et dérivée totale ou directionnelle.
7. Utiliser le test de la dérivée seconde sans vérifier la symétrie des dérivées secondes (théorème de Schwarz).

✅ Checklist Examen

• Définir une proposition et ses connecteurs logiques.
• Établir la table de vérité pour une expression donnée.
• Expliquer la différence entre implication et équivalence.
• Rédiger la négation d’un quantificateur.
• Définir une fonction de deux variables et son domaine.
• Calculer les dérivées partielles d’une fonction donnée.
• Résoudre le système de dérivées partielles nulles pour trouver des points critiques.
• Appliquer le test de la matrice Hessienne pour déterminer la nature d’un point critique.
• Démontrer la continuité d’une fonction en un point ou sur un ensemble.
• Vérifier la limite d’une fonction en deux variables en utilisant la définition epsilon-delta.
• Calculer le gradient d’une fonction.
• Vérifier si une fonction est différentiable en un point.
• Déterminer si une famille de vecteurs forme un sous-espace vectoriel.
• Calculer le déterminant et le rang d’une matrice.
• Vérifier si un vecteur appartient à un sous-espace.
• Effectuer une projection orthogonale sur un sous-espace.
• Définir une application linéaire à partir de sa matrice.
• Déterminer si un hyperplan est défini par une forme linéaire.
• Vérifier l’orthogonalité de deux vecteurs.
• Résoudre un problème d’extremum local à l’aide des dérivées.
• Identifier un point critique et analyser sa nature.
• Résoudre un problème d’application linéaire ou de matrice.
• Déterminer le rang d’une matrice.
• Vérifier si un sous-espace est stable par addition et multiplication par un scalaire.
• Calculer une projection orthogonale.
• Définir une forme linéaire et son hyperplan associé.