Programmes des classes
préparatoires aux Grandes Ecoles
Filière : économique et commerciale Option : Scientifique (ECS)
Discipline : Mathématiques- Informatique
Seconde année
Table des mati` eres
1 Objectifs g´ en´ eraux de la formation 3
2 Comp´ etences d´ evelopp´ ees 3
3 Architecture des programmes 4
ENSEIGNEMENT DE MATH´ EMATIQUES DU TROISI` EME SEMESTRE 5
I - Alg` ebre lin´ eaire et bilin´ eaire 5
1 - Compl´ ements d’alg` ebre lin´ eaire . . . . 5
a) Changement de base . . . . 5
b) Trace . . . . 5
2 - ´ El´ ements propres des endomorphismes et des matrices carr´ ees, r´ eduction . . . . 6
a) Vecteurs propres et espaces propres . . . . 6
b) Recherche d’´ el´ ements propres . . . . 6
c) Propri´ et´ es g´ en´ erales . . . . 6
d) R´ eduction des endomorphismes et des matrices carr´ ees . . . . 6
3 - Alg` ebre bilin´ eaire . . . . 7
a) Produit scalaire . . . . 7
b) Espaces euclidiens . . . . 7
II - Fonctions r´ eelles d´ efinies sur R
n8 1 - Introduction aux fonctions d´ efinies sur R
n. . . . 8
2 - Calcul diff´ erentiel . . . . 9
a) D´ eriv´ ees partielles, gradient . . . . 9
b) D´ eriv´ ee directionnelle . . . . 9
c) Recherche d’extremum : condition d’ordre 1 . . . . 9
III - Compl´ ements de probabilit´ es ; couples et n-uplets de variables al´ eatoires r´ eelles 10 1 - Compl´ ements sur les variables al´ eatoires r´ eelles . . . . 10
a) G´ en´ eralit´ es sur les variables al´ eatoires r´ eelles . . . . 10
b) Esp´ erance et conditionnement pour les variables al´ eatoires discr` etes . . . . 11
c) Compl´ ements d’analyse . . . . 11
d) Compl´ ements sur les variables al´ eatoires ` a densit´ e . . . . 11
e) Compl´ ements sur les lois usuelles . . . . 12
2 - Couples de variables al´ eatoires . . . . 13
a) Cas g´ en´ eral ; ind´ ependance . . . . 13
b) Couples de variables al´ eatoires r´ eelles discr` etes . . . . 13
c) Couples de variables al´ eatoires r´ eelles ` a densit´ e . . . . 14
3 - n-uplets de variables al´ eatoires r´ eelles ; g´ en´ eralisation des propri´ et´ es de l’esp´ erance et de la variance . . . . 15
ENSEIGNEMENT DE MATH´ EMATIQUES DU QUATRI` EME SEMESTRE 16 I - Compl´ ements d’alg` ebre bilin´ eaire 16 1 - Endomorphismes sym´ etriques d’un espace euclidien, matrices sym´ etriques . . . . 17
2 - Projection orthogonale . . . . 17
3 - R´ eduction des endomorphismes et des matrices sym´ etriques . . . . 17
II - Fonctions r´ eelles de n variables ; recherche d’extrema 18 1 - Extension de la notion de fonction r´ eelle de n variables . . . . 18
2 - Fonctions de classe C
2. . . . 18
3 - Recherche d’extrema . . . . 19
a) D´ efinition . . . . 19
b) Extrema sur un ensemble ferm´ e born´ e . . . . 19
c) Condition d’ordre 1 . . . . 20
d) Exemples de recherches d’extrema sous une contrainte quelconque . . . . 20
e) Condition d’ordre 2 . . . . 21
f) Recherche d’extrema sous contrainte d’´ egalit´ es lin´ eaires . . . . 21
III - Probabilit´ es : convergences, estimation 21 1 - Convergences et approximations . . . . 21
a) Convergence en probabilit´ e . . . . 22
b) Convergence en loi . . . . 22
2 - Estimation . . . . 23
a) Estimation ponctuelle . . . . 24
b) Estimation par intervalle de confiance, intervalle de confiance asymptotique . . . . 25
TRAVAUX PRATIQUES DE MATH´ EMATIQUES AVEC SCILAB 26 I - Liste des exigibles 26 1 - Savoir-faire et comp´ etences . . . . 26
2 - Nouvelles commandes . . . . 27
II - Liste des th` emes 27 1 - Statistiques descriptives univari´ ees . . . . 27
2 - Statistiques descriptives bivari´ ees . . . . 27
3 - Chaˆınes de Markov . . . . 27
4 - Fonctions de plusieurs variables . . . . 28 5 - Simulation de lois . . . . 28 6 - Estimation ponctuelle et par intervalle de confiance . . . . 29
1 Objectifs g´ en´ eraux de la formation
Les math´ ematiques jouent un rˆ ole important en sciences ´ economiques et en gestion, dans les domaines notamment de la finance ou de la gestion d’entreprise, de la finance de march´ e, des sciences sociales.
Les probabilit´ es et la statistique interviennent dans tous les secteurs de l’´ economie et dans une grande vari´ et´ e de contextes (actuariat, biologie, ´ epid´ emiologie, finance quantitative, pr´ evision ´ economique...) o` u la mod´ elisation de ph´ enom` enes al´ eatoires ` a partir de bases de donn´ ees est indispensable.
L’objectif de la formation dans les classes pr´ eparatoires ´ economiques et commerciales n’est pas de former des professionnels des math´ ematiques, mais des personnes capables d’utiliser des outils math´ e- matiques ou d’en comprendre l’usage dans diverses situations de leur parcours acad´ emique et profes- sionnel.
Les programmes d´ efinissent les objectifs de l’enseignement de ces classes et d´ ecrivent les connaissances et les capacit´ es exigibles des ´ etudiants. Ils pr´ ecisent ´ egalement certains points de terminologie et certaines notations.
Les limites du programme sont clairement pr´ ecis´ ees. Elles doivent ˆ etre respect´ ees aussi bien dans le cadre de l’enseignement en classe que dans l’´ evaluation.
Une fonction fondamentale de l’enseignement des math´ ematiques dans ces classes est de structurer la pens´ ee des ´ etudiants et de les former ` a la rigueur et ` a la logique en insistant sur les divers types de raisonnement (par ´ equivalence, implication, l’absurde, analyse-synth` ese...).
2 Comp´ etences d´ evelopp´ ees
L’enseignement de math´ ematiques en classes pr´ eparatoires ´ economiques et commerciales vise en par- ticulier ` a d´ evelopper chez les ´ etudiants les comp´ etences suivantes :
•
Rechercher et mettre en œuvre des strat´ egies ad´ equates : savoir analyser un probl` eme,
´
emettre des conjectures notamment ` a partir d’exemples, choisir des concepts et des outils math´ e- matiques pertinents.
•
Mod´ eliser : savoir conceptualiser des situations concr` etes (ph´ enom` enes al´ eatoires ou d´ eterministes) et les traduire en langage math´ ematique, ´ elaborer des algorithmes.
•
Interpr´ eter : ˆ etre en mesure d’interpr´ eter des r´ esultats math´ ematiques dans des situations concr` etes, avoir un regard critique sur ces r´ esultats.
•
Raisonner et argumenter : savoir conduire une d´ emonstration, confirmer ou infirmer des conjec- tures.
•
Maˆ ıtriser le formalisme et les techniques math´ ematiques : savoir employer les symboles math´ ematiques ` a bon escient, ˆ etre capable de mener des calculs de mani` ere pertinente et efficace.
Utiliser avec discernement l’outil informatique.
•
Communiquer par ´ ecrit et oralement : comprendre les ´ enonc´ es math´ ematiques, savoir r´ ediger
une solution rigoureuse, pr´ esenter une production math´ ematique.
3 Architecture des programmes
Le programme de math´ ematiques de deuxi` eme ann´ ee de la fili` ere EC voie scientifique se situe dans le prolongement de celui de premi` ere ann´ ee et permet d’en consolider les acquis. Son objectif est de fournir aux ´ etudiants le bagage n´ ecessaire pour suivre les enseignements sp´ ecialis´ es de math´ ematiques,
´
economie et gestion dispens´ es en Grande ´ Ecole ou en troisi` eme ann´ ee de Licence ` a l’universit´ e.
Il s’organise autour de quatre points forts :
•
En alg` ebre lin´ eaire, on introduit la r´ eduction des endormorphismes et des matrices carr´ ees ainsi que les structures euclidiennes. Ces notions d’alg` ebre lin´ eaire trouveront des applications en analyse lors de l’optimisation des fonctions de plusieurs variables, mais aussi en probabilit´ es (´ etudes de chaˆınes de Markov) et en analyse de donn´ ees (statistiques descriptives bivari´ ees).
•
En analyse, on compl` ete l’´ etude des int´ egrales g´ en´ eralis´ ees d´ ebut´ ee en premi` ere ann´ ee de classe pr´ eparatoire et on introduit les fonctions de plusieurs variables d´ efinies sur R
nainsi que la notion de gradient. Au quatri` eme semestre, on poursuit cette ´ etude dans le but de r´ esoudre des probl` emes d’optimisation avec ou sans contraintes, cruciaux en ´ economie et en finance.
•
En probabilit´ es, l’´ etude des variables al´ eatoires discr` etes, initi´ ee au lyc´ ee et poursuivie en premi` ere ann´ ee, se prolonge au troisi` eme semestre par l’´ etude des couples et des suites de variables al´ eatoires discr` etes ; au quatri` eme semestre, les notions sur les variables al´ eatoires ` a densit´ e, abord´ ees d` es la premi` ere ann´ ee, sont compl´ et´ ees. L’ensemble des notions sera pr´ esent´ e en lien avec la simulation informatique des ph´ enom` enes al´ eatoires. Un des objectifs est de permettre, en fin de formation, une approche plus rigoureuse (et une compr´ ehension plus aboutie) des m´ ethodes de l’estimation ponctuelle ou par intervalles de confiance.
•
Les travaux pratiques de math´ ematiques avec Scilab sont organis´ es autour de six th` emes faisant intervenir divers points du programme de math´ ematiques. L’objectif est d’apprendre aux ´ etudiants
`
a utiliser Scilab de mani` ere judicieuse et autonome ainsi que de leur permettre d’illustrer ou de mod´ eliser des situations concr` etes en mobilisant leurs connaissances math´ ematiques. Les savoir- faire et comp´ etences que les ´ etudiants doivent acqu´ erir lors de ces s´ eances de travaux pratiques sont sp´ ecifi´ es dans la liste des exigibles et rappel´ es en pr´ eambule de chaque th` eme. Les nouvelles notions math´ ematiques introduites dans certains th` emes ne font pas partie des exigibles du pro- gramme. L’enseignement de ces travaux pratiques se d´ eroulera sur les cr´ eneaux horaires d´ edi´ es ` a l’informatique.
Au fur et ` a mesure de la progression, on aura ` a cœur de mettre en valeur l’interaction entre les diff´ e- rentes parties du programme.
Le programme de math´ ematiques est organis´ e en deux semestres. Ce d´ ecoupage en deux semestres d’enseignement doit ˆ etre respect´ e. En revanche, au sein de chaque semestre, aucun ordre particulier n’est impos´ e et chaque professeur conduit en toute libert´ e l’organisation de son enseignement, bien que la pr´ esentation par blocs soit fortement d´ econseill´ ee.
Le programme se pr´ esente de la mani` ere suivante : dans la colonne de gauche figurent les contenus exigibles des ´ etudiants ; la colonne de droite comporte des pr´ ecisions sur ces contenus ou des exemples d’activit´ es ou d’applications.
Les d´ eveloppements formels ou trop th´ eoriques doivent ˆ etre ´ evit´ es. Ils ne correspondent pas au cœur
de formation de ces classes pr´ eparatoires.
Les r´ esultats mentionn´ es dans le programme seront admis ou d´ emontr´ es selon les choix didactiques faits par le professeur. Pour certains r´ esultats, marqu´ es comme
«admis», la pr´esentation d’une d´ e- monstration en classe est d´ econseill´ ee.
Les s´ eances de travaux dirig´ es permettent de privil´ egier la prise en main, puis la mise en œuvre par les ´ etudiants, des techniques usuelles et bien d´ elimit´ ees, inscrites dans le corps du programme. Cette maˆıtrise s’acquiert notamment par l’´ etude de probl` emes que les ´ etudiants doivent
in fineˆ etre capables de r´ esoudre par eux-mˆ emes.
Le logiciel Scilab comporte de nombreuses fonctionnalit´ es permettant d’illustrer simplement certaines notions math´ ematiques. Ainsi, on utilisera d` es que possible l’outil informatique en cours de math´ ema- tiques pour visualiser et illustrer les notions ´ etudi´ ees.
ENSEIGNEMENT DE MATH´ EMATIQUES DU TROISI` EME SEMESTRE
I - Alg` ebre lin´ eaire et bilin´ eaire Dans tout ce chapitre K d´ esignera R ou C.
1 - Compl´ ements d’alg` ebre lin´ eaire
a) Changement de base
Matrice d’un endomorphisme dans une base. Rappels.
Matrice de passage de
Bvers
B0. Notation P
B,B0. P
B−10,B= P
B,B0.
Formules de changement de base. X
B= P
B,B0X
B0.
Mat
B0(f ) = P
B,B−10Mat
B(f ) P
B,B0.
Matrices semblables. Deux matrices A et B carr´ ees sont semblables s’il existe une matrice inversible P telle que B = P
−1AP .
A et B peuvent ˆ etre interpr´ et´ ees comme les matrices d’un mˆ eme endomorphisme dans des bases diff´ erentes.
D´ efinition d’un sous-espace stable par un endo- morphisme.
Seule la d´ efinition est exigible des ´ etudiants.
b) Trace
La trace d’une matrice carr´ ee est introduite uniquement comme outil simple et efficace en vue de la recherche de valeurs propres. Tout d´ eveloppement th´ eorique est exclu. Aucun autre r´ esultat concernant la trace n’est au programme.
Trace d’une matrice carr´ ee.
Lin´ earit´ e de la trace.
Notation Tr(A).
Invariance de la trace par changement de base. Tr(A) = Tr(P
−1AP ).
2 - ´ El´ ements propres des endomorphismes et des matrices carr´ ees, r´ eduction
Les espaces vectoriels consid´ er´ es dans ce chapitre sont d´ efinis sur K. Dans toute cette partie, f d´ esignera un endomorphisme d’un espace vectoriel E de dimension finie, et A une matrice carr´ ee.
a) Vecteurs propres et espaces propres Valeurs propres, vecteurs propres, sous-espaces propres d’un endomorphisme de E et d’une ma- trice carr´ ee.
Valeurs propres des matrices triangulaires.
Spectre d’un endomorphisme et d’une matrice carr´ ee.
Notations Sp(f) et Sp(A).
Si Q est un polynˆ ome, obtention d’´ el´ ements propres de Q(f ) ` a partir d’´ el´ ements propres de f .
Si f (x) = λx alors Q(f)(x) = Q(λ)x.
Si AX = λX alors Q(A)X = Q(λ)X.
b) Recherche d’´ el´ ements propres
Polynˆ omes annulateurs d’un endomorphisme, d’une matrice carr´ ee.
Exemples des homoth´ eties, des projecteurs et des sym´ etries.
Si Q est un polynˆ ome annulateur de f (respec- tivement A) et λ une valeur propre de f (res- pectivement A), alors λ est racine de Q.
Tout endomorphisme d’un espace de dimension finie admet au moins un polynˆ ome annulateur non nul.
Toute matrice carr´ ee admet au moins un poly- nˆ ome annulateur non nul.
Aucune autre connaissance sur les polynˆ omes annulateurs ne figure au programme.
c) Propri´ et´ es g´ en´ erales
Un endomorphisme d’un espace de dimension finie admet un nombre fini de valeurs propres et ses sous-espaces propres sont en somme directe.
X
λ∈Sp(f)
dim ker(f
−λId
E)
6dim(E).
Une concat´ enation de familles libres de sous- espaces propres associ´ es ` a des valeurs propres distinctes forme une famille libre de E.
En particulier, une famille de vecteurs propres associ´ es ` a des valeurs propres distinctes est une famille libre.
Un endomorphisme d’un espace vectoriel de di- mension n a au plus n valeurs propres.
d) R´ eduction des endomorphismes et des matrices carr´ ees f est diagonalisable si et seulement s’il existe
une base
Bde E compos´ ee de vecteurs propres de f .
Mat
B(f ) est alors une matrice diagonale.
Caract´ erisation des endomorphismes diagonali- sables ` a l’aide des dimensions des sous-espaces propres.
f est diagonalisable si et seulement si
Xλ∈Sp(f)
dim ker(f
−λId
E) = dim(E).
f est diagonalisable si et seulement si E est somme directe des sous-espaces propres de f.
Si dim(E) = n, tout endomorphisme de E ad- mettant n valeurs propres distinctes est diago- nalisable et les sous-espaces propres sont tous de dimension 1.
Matrices diagonalisables, diagonalisation d’une matrice carr´ ee.
Interpr´ etation matricielle des r´ esultats pr´ ec´ e- dents.
A est diagonalisable si et seulement s’il existe une matrice P inversible telle que P
−1AP est une matrice diagonale. Les colonnes de P forment une base de
Mn,1(R) constitu´ ee de vec- teurs propres de A.
Application au calcul des puissances d’un endo- morphisme ou d’une matrice carr´ ee.
3 - Alg` ebre bilin´ eaire
L’objectif de ce chapitre est d’introduire les notions fondamentales de l’alg` ebre bilin´ eaire dans le cadre euclidien, utilis´ ees en particulier lors de l’´ etude des fonctions de n variables. L’´ etude des endomor- phismes sym´ etriques sera faite au quatri` eme semestre.
Les espaces vectoriels consid´ er´ es dans ce chapitre sont des R-espaces vectoriels. On identifiera R et
M1(R).
a) Produit scalaire
Produit scalaire, norme associ´ ee. Un produit scalaire est une forme bilin´ eaire sy- m´ etrique, d´ efinie positive.
Produit scalaire canonique sur R
n; exemples de produits scalaires.
In´ egalit´ e de Cauchy-Schwarz. Cas de l’´ egalit´ e.
Vecteurs orthogonaux, sous-espaces orthogo- naux.
Familles orthogonales, familles orthonormales ou orthonorm´ ees.
On ne consid` erera que des familles finies.
Toute famille orthogonale ne contenant pas le vecteur nul est libre.
Th´ eor` eme de Pythagore.
b) Espaces euclidiens
Dans ce paragraphe x, y d´ esignent des vecteurs d’un espace vectoriel et X, Y sont les colonnes coor- donn´ ees correspondantes dans une base.
Espace euclidien. Un espace euclidien est un espace vectoriel de
dimension finie sur R, muni d’un produit sca- laire.
Existence de bases orthonorm´ ees. On pourra introduire la m´ ethode de l’orthonor- malisation de Schmidt.
Coordonn´ ees et norme d’un vecteur dans une base orthonorm´ ee.
x =
Xi
hx, eiiei
,
||x||2=
Xi
hx, eii2
. Expression matricielle du produit scalaire et de
la norme euclidienne en base orthonorm´ ee.
hx, yi
=
tXY ;
||x||2=
tXX.
Changement de bases orthonorm´ ees. La matrice de passage est orthogonale : P
−1=
tP .
Aucune autre connaissance sur les matrices or- thogonales n’est au programme.
Suppl´ ementaire orthogonal d’un sous-espace vectoriel.
Compl´ etion d’une famille orthonorm´ ee en une base orthonorm´ ee.
Notation F
⊥.
II - Fonctions r´ eelles d´ efinies sur R
n1 - Introduction aux fonctions d´ efinies sur R
nAu troisi` eme semestre, l’objectif est de confronter les ´ etudiants ` a la notion de fonction r´ eelle de n variables, aux principales d´ efinitions tout en ´ evitant les probl` emes de nature topologique. C’est pourquoi le domaine de d´ efinition des fonctions sera syst´ ematiquement R
n, muni de sa structure euclidienne canonique. L’´ etude de la continuit´ e d’une fonction en un point pathologique est hors programme, ainsi que l’´ etude des recollements de formules lorsque f est d´ efinie sur R
npar plusieurs formules.
D` es que possible, les notions introduites seront illustr´ ees ` a l’aide du logiciel Scilab.
Fonctions d´ efinies sur R
n` a valeurs dans R. On donnera de nombreux exemples de fonctions de 2, 3 ou n variables r´ eelles.
Les fonctions polynomiales de n variables donnent des exemples simples de fonctions d´ e- finies sur R
n.
Equation du graphe d’une fonction d´ ´ efinie sur R
n.
Cas des fonctions affines de n variables.
Lignes de niveau pour les fonctions de deux va- riables.
On se limitera ` a des exemples simples.
Continuit´ e d’une fonction de R
ndans R. Une fonction f , d´ efinie sur R
n, est continue au point x
0de R
nsi :
∀ε >0,
∃α >0,
∀x∈R
n,
||x−
x
0||6α =
⇒ |f(x)
−f (x
0)|
6ε.
f est continue sur R
nsi et seulement si f est continue en tout point de R
n.
Aucune difficult´ e ne sera soulev´ ee sur ce sujet.
On mettra en avant l’analogie avec la notion de continuit´ e des fonctions d’une variable vue en premi` ere ann´ ee.
Les fonctions polynomiales de n variables sont continues sur R
n. R´ esultat admis.
Op´ erations sur les fonctions continues. Somme, produit, quotient.
La composition d’une fonction continue sur R
n`
a valeurs dans un intervalle I de R par une fonc- tion continue de I ` a valeurs dans R est continue.
R´ esultats admis.
2 - Calcul diff´ erentiel
L’introduction des notions diff´ erentielles concernant les fonctions num´ eriques de plusieurs variables r´ eelles se fait en se limitant aux fonctions d´ efinies sur R
n. La d´ etermination de la classe d’une fonction n’est pas au programme.
La recherche d’extremum est abord´ ee ici, jusqu’` a la condition n´ ecessaire du premier ordre.
Les fonctions sont d´ esormais suppos´ ees d´ efinies et continues sur R
n. a) D´ eriv´ ees partielles, gradient
Fonctions partielles en un point.
D´ eriv´ ees partielles d’ordre 1. Notation ∂
i(f ).
Gradient en un point x. Notation
∇(f)(x).∇(f
)(x) est l’´ el´ ement de R
n´ egal ` a (∂
1(f)(x), . . . , ∂
n(f)(x)).
Fonctions de classe C
1sur R
n. Les fonctions polynomiales de n variables sont des fonctions de classe C
1sur R
n. R´ esultat ad- mis.
Op´ erations sur les fonctions de classe C
1. Somme, produit, quotient.
La composition d’une fonction de classe C
1sur R
n` a valeurs dans un intervalle I de R par une fonction de classe C
1sur I ` a valeurs dans R est de classe C
1.
R´ esultats admis.
Pour une fonction de classe C
1: existence et unicit´ e d’un d´ eveloppement limit´ e d’ordre 1 en un point.
f (x + h) = f (x) +
h∇(f)(x), hi +
||h||ε(h) o`u ε(0) = 0 et ε continue en 0. R´ esultat admis.
b) D´ eriv´ ee directionnelle
Droite
Dpassant par x, de vecteur directeur u. Param´ etrisation : t
7→x + tu, t
∈R.
Si f est de classe C
1, d´ eriv´ ee de la fonction g d´ efinie sur R par :
g(t) = f (x + th).
g
0(t) =
h∇(f)(x + th), hi.
D´ eriv´ ee directionnelle de f au point x dans la direction h.
g
0(0) =
h∇(f)(x), hi.
On en d´ eduira une interpr´ etation g´ eom´ etrique du gradient dans le cas o` u h est un vecteur de norme 1.
c) Recherche d’extremum : condition d’ordre 1 D´ efinition d’un extremum local, d’un extremum global.
Condition n´ ecessaire du premier ordre.
Point critique.
Si une fonction f de classe C
1sur R
nad- met un extremum local en un point x, alors
∇(f
)(x) = 0.
Les points o` u le gradient s’annule sont appel´ es
points critiques. Toutes les d´ eriv´ ees direction-
nelles en ces points sont nulles.
III - Compl´ ements de probabilit´ es ; couples et n-uplets de variables al´ eatoires r´ eelles
L’objectif est double :
•
d’une part, consolider les acquis de premi` ere ann´ ee concernant les variables al´ eatoires discr` etes, et enrichir le champ des probl` emes ´ etudi´ es, avec, en particulier, l’´ etude simultan´ ee de variables al´ eatoires (vecteurs al´ eatoires de R
n) ;
•
d’autre part, effectuer une ´ etude ´ el´ ementaire des lois continues usuelles discr` etes ou ` a densit´ e.
On fera des liens entre certaines lois dans le cadre des approximations et des convergences, ainsi que les liens entre statistique et probabilit´ es dans le cadre de l’estimation.
Pour l’´ etude du cas discret, on pourra utiliser les notions et les ´ enonc´ es classiques suivants sur les familles sommables absolument convergentes. Tout cours th´ eorique sur les familles sommables est fortement d´ econseill´ e et on se limitera ` a une approche heuristique.
On admet que les manipulations ensemblistes classiques (produits finis, r´ eunions d´ enombrables) d’en- sembles d´ enombrables fournissent encore des ensembles d´ enombrables. On remarquera en particulier que l’ensemble N
×N est d´ enombrable. Aucune difficult´ e ne sera soulev´ ee sur ces notions, qui ne sont pas exigibles des ´ etudiants, et tout exercice ou probl` eme y faisant r´ ef´ erence devra imp´ erativement les rappeler.
Soit I un ensemble d´ enombrable infini, index´ e par N sous la forme I =
{ϕ(n);n
∈N} o` u ϕ est une bijection de N dans I. Si la s´ erie
Pu
ϕ(n)converge absolument, alors sa somme est ind´ ependante de l’indexation ϕ, et pourra ´ egalement ˆ etre not´ ee
Pi∈I
u
i. L’´ etude de cette convergence n’est pas un objectif du programme. On dira alors que la s´ erie est absolument convergente (ou converge absolument). Toutes les op´ erations (somme, produit, regroupement par paquets, etc.) sont alors licites. Ainsi :
•
Si I =
Fj∈J
I
j(union disjointe) avec J un ensemble d´ enombrable et I
jdes ensembles d´ enombrables pour tout j, alors :
Pi∈I
u
i=
Pj∈J
P
k∈Ij
u
k.
•
Si I et J sont des ensembles d´ enombrables, alors :
P
i∈I
u
i
× P
j∈J
v
j!
=
P(i,j)∈I×J
u
iv
j.
On admettra que les th´ eor` emes ou les techniques classiques concernant les s´ eries s’´ etendent dans ce cadre.
1 - Compl´ ements sur les variables al´ eatoires r´ eelles
a) G´ en´ eralit´ es sur les variables al´ eatoires r´ eelles
σ-alg` ebre
Bdes bor´ eliens. Aucun d´ eveloppement th´ eorique sur la tribu des bor´ eliens n’est au programme.
On admettra que pour tout bor´ elien B et pour toute variable al´ eatoire r´ eelle X d´ efinie sur (Ω,
A), [X ∈B ] appartient ` a
A.σ-alg` ebre associ´ ee ` a une variable al´ eatoire X. Notation
AX. C’est la plus petite tribu conte- nant les ´ ev´ enements [X
6x] pour tout r´ eel x.
Elle repr´ esente l’information fournie par X.
Une somme, un produit de variables al´ eatoires sont des variables al´ eatoires.
R´ esultat admis.
b) Esp´ erance et conditionnement pour les variables al´ eatoires discr` etes
Existence d’une esp´ erance par domination. Si X et Y sont deux variables al´ eatoires dis- cr` etes v´ erifiant 0
6 |X| 6Y presque sˆ ure- ment, et si Y admet une esp´ erance, alors X admet ´ egalement une esp´ erance. Dans ce cas,
|E(X)|6
E(Y ). R´ esultat admis.
Croissance de l’esp´ erance pour les variables al´ eatoires discr` etes.
R´ esultat admis.
Esp´ erance conditionnelle. Si A est un ´ ev´ enement de probabilit´ e non nulle, E(X|A) est l’esp´ erance de X, si elle existe, pour la probabilit´ e conditionnelle P
A.
Formule de l’esp´ erance totale. Soit X une variable al´ eatoire discr` ete d´ efinie sur (Ω,
A, P), soit (A
n) un syst` eme complet d’´ ev´ e- nements et J l’ensemble des entiers n tels que P (A
n)
6= 0. AlorsX admet une esp´ erance pour P si et seulement si la s´ erie :
X
(x,n)∈X(Ω)×J
x P
An([X = x]) P (A
n) converge absolument. Dans ce cas, pour tout n dans J , l’esp´ erance E(X|A
n) est d´ efinie et
E(X) =
Xn∈J
E(X|A
n)P(A
n).
c) Compl´ ements d’analyse Reste d’une int´ egrale convergente.
Pratique de l’int´ egration par parties pour les int´ egrales sur un intervalle quelconque.
L’int´ egration par parties sera pratiqu´ ee pour des int´ egrales sur un segment, on effectuera en- suite un passage ` a la limite.
Changement de variables. Si f est continue sur ]a, b[, si ϕ est une bi- jection de ]α, β[ sur ]a, b[, croissante et de classe C
1, alors les int´ egrales
Z b a
f (u)du et
Z βα
f(ϕ(t))ϕ
0(t)dt sont de mˆ eme nature et en cas de convergence sont ´ egales.
Enonc´ ´ e analogue dans le cas o` u ϕ est d´ ecrois- sante.
Les changements de variables non affines de- vront ˆ etre indiqu´ es aux candidats.
d) Compl´ ements sur les variables al´ eatoires ` a densit´ e
La notion g´en´erale d’esp´erance ou des moments d’ordre sup´erieur d’une variable al´eatoire r´eelle quel- conque est hors d’atteinte dans le cadre de ce programme. N´eanmoins, on admettra que le th´eor`eme de transfert permet de calculer l’esp´erance de
g(X)
dans le cas o`uX
est une variable al´eatoire `a densit´e.Exemples simples de calculs de fonctions de r´ epartition et de densit´ es de fonctions d’une va- riable al´ eatoire ` a densit´ e.
Rappels de premi` ere ann´ ee pour des densit´ es de variables al´ eatoires de la forme aX + b (a
6= 0).En compl´ ement de la premi` ere ann´ ee, les ´ etu- diants devront savoir retrouver les lois de X
2et ϕ(X) avec ϕ de classe C
1strictement monotone sur X(Ω).
Th´ eor` eme de transfert. Si X est une variable al´ eatoire ayant une den- sit´ e f
Xnulle en dehors de l’intervalle ]a, b[, avec
−∞6
a < b
6+∞, et si g est une fonction continue sur ]a, b[ ´ eventuellement priv´ e d’un nombre fini de points, E(g(X)) existe et est
´ egale ` a
Z b a
g(t)f
X(t)dt si et seulement si cette int´ egrale converge absolument.
On pourra le d´ emontrer dans le cas o` u g est de classe C
1, avec g
0strictement positive (ou strictement n´ egative) et le v´ erifier dans des cas simples.
Cette d´ emonstration n’est pas exigible.
Croissance de l’esp´ erance pour les variables al´ eatoires ` a densit´ e.
R´ esultat admis.
Variance, ´ ecart-type. Variables al´ eatoires cen- tr´ ees, centr´ ees r´ eduites.
Variance d’une variable al´ eatoire suivant une loi usuelle (uniforme sur un intervalle, exponen- tielle, normale).
Exemples de variables al´ eatoires n’admettant pas d’esp´ erance ou de variance.
Moment d’ordre r (r
∈N
∗). Notation m
r(X) = E(X
r).
e) Compl´ ements sur les lois usuelles
Lois γ . Esp´ erance et variance d’une variable al´ eatoire suivant une loi γ .
X suit une loi γ (ν), avec ν > 0, si X admet comme densit´ e :
f
X(t) =
0 si t
60
1
Γ(ν ) t
ν−1e
−tsi t > 0, avec Γ(ν ) =
Z +∞
0
t
ν−1e
−tdt. Pour le calcul des moments de la loi γ, on pourra ´ etablir Γ(ν + 1) = νΓ(ν) et Γ(n + 1) = n! pour tout entier n de N.
Transform´ ees affines de variables al´ eatoires sui- vant des lois normales.
Si X suit une loi normale, et si a et b sont deux r´ eels, avec a
6= 0, alors la variable al´ea- toire aX + b suit ´ egalement une loi normale.
Propri´ et´ e de la fonction de r´ epartition de la loi normale centr´ ee r´ eduite.
Pour tout r´ eel x : Φ(−x) = 1
−Φ(x).
2 - Couples de variables al´ eatoires
a) Cas g´ en´ eral ; ind´ ependance
Loi d’un couple de variables al´ eatoires r´ eelles. La loi d’un couple (X, Y ) de variables al´ eatoires r´ eelles est donn´ ee par la fonction F
(X,Y)d´ efinie sur R
2par :
F
(X,Y)(x, y) = P ([X
6x]
∩[Y
6y]).
Si deux couples (X
1, Y
1) et (X
2, Y
2) ont mˆ eme loi et si g est une fonction continue sur R
2`
a valeurs dans R, alors les variables al´ eatoires g(X
1, Y
1) et g(X
2, Y
2) ont la mˆ eme loi.
R´ esultat admis.
Ind´ ependance de deux variables al´ eatoires. Deux variables al´ eatoires X et Y sont ind´ epen- dantes si et seulement si pour tous r´ eels x et y : P([X
6x]
∩[Y
6y]) = P ([X
6x]) P ([Y
6y]).
Caract´ erisations de l’ind´ ependance de deux va- riables al´ eatoires.
•
Deux variables al´ eatoires X et Y sont ind´ e- pendantes si et seulement si
P ([X
∈I]
∩[Y
∈J]) = P ([X
∈I ])P ([Y
∈J]) pour tous intervalles I et J de R.
•
X et Y sont deux variables al´ eatoires ind´ e- pendantes si et seulement si tout ´ ev´ enement A de
AXest ind´ ependant de tout ´ ev´ enement B de
AY.
R´ esultats admis.
Esp´ erance conditionnelle dans le cas de l’ind´ e- pendance.
Soit X une variable al´ eatoire discr` ete. Si Y est ind´ ependante de X et si A
∈ AYest de proba- bilit´ e non nulle, alors E(X) = E(X|A).
b) Couples de variables al´ eatoires r´ eelles discr` etes Caract´ erisation de la loi d’un couple (X, Y ) de variables al´ eatoires discr` etes.
La loi d’un couple (X, Y ) de variables al´ ea- toires discr` etes est caract´ eris´ ee par la donn´ ee des valeurs P ([X = x]
∩[Y = y]) pour tout (x, y)
∈X(Ω)
×Y (Ω).
Caract´ erisation de l’ind´ ependance de deux va- riables al´ eatoires discr` etes.
Deux variables al´ eatoires X et Y discr` etes sont ind´ ependantes si et seulement si pour tout (x, y)
∈X(Ω)
×Y (Ω),
P ([X = x]
∩[Y = y]) = P ([X = x])P ([Y = y]).
Loi de la somme de deux variables al´ eatoires dis- cr` etes et ind´ ependantes, produit de convolution discret.
P([X+Y =z]) = P
x∈X(Ω)
P([X =x])P([Y =z−x]).
Stabilit´ e des lois binomiales et de Poisson.
•Si X
1et X
2sont deux variables al´ ea- toires ind´ ependantes suivant respective- ment des lois
B(n1, p) et
B(n2, p), alors X
1+ X
2,
→ B(n1+ n
2, p).
•
Si X
1et X
2sont deux variables al´ eatoires in-
d´ ependantes suivant respectivement des lois
P(λ
1) et
P(λ
2), alors X
1+ X
2,
→ P(λ1+ λ
2).
Loi d’une variable al´ eatoire Z = g(X, Y ) o` u g est une fonction d´ efinie sur l’ensemble des va- leurs prises par le couple (X, Y ).
On remarquera que
AZ⊂ A(X,Y).
On se limitera ` a des cas simples tels que min(X, Y ), max(X, Y ), X + Y .
Esp´ erance de Z = g(X, Y ) et th´ eor` eme de transfert.
Sous r´ eserve de convergence absolue :
E(Z ) =
X(x,y)∈X(Ω)×Y(Ω)
g(x, y)P ([X = x]
∩[Y = y]).
R´ esultat admis.
Lin´ earit´ e. R´ esultat admis.
Esp´ erance d’un produit de variables al´ eatoires discr` etes ind´ ependantes.
Si X et Y sont deux variables al´ eatoires dis- cr` etes ind´ ependantes admettant une esp´ erance, alors XY admet ´ egalement une esp´ erance et E(XY ) = E(X)E(Y ). On pourra admettre ce r´ esultat.
Covariance de deux variables al´ eatoires dis- cr` etes admettant un moment d’ordre 2. Propri´ e- t´ es.
Notation Cov(X, Y ).
Bilin´ earit´ e, sym´ etrie, positivit´ e de la covariance.
Formule de Huygens. Cov(X, Y ) = E(XY )
−E(X)E(Y ).
Si X et Y sont ind´ ependantes et admettent un moment d’ordre 2, leur covariance est nulle. La r´ eciproque est fausse.
Cœfficient de corr´ elation lin´ eaire.
Propri´ et´ es.
Notation ρ(X, Y ).
|ρ(X, Y
)|
61. Interpr´ etation dans le cas o` u ρ(X, Y ) =
±1.Variance de la somme de deux variables al´ ea- toires discr` etes.
c) Couples de variables al´ eatoires r´ eelles ` a densit´ e
En cas d’utilisation du produit de convolution, la preuve de sa l´ egitimit´ e n’est pas exigible des candi- dats.
Lin´ earit´ e, positivit´ e et croissance de l’esp´ erance. R´ esultat admis.
Densit´ e de la somme Z = X + Y de deux va- riables al´ eatoires ` a densit´ e ind´ ependantes, pro- duit de convolution.
Si la fonction h d´ efinie par la relation h(x) =
Z +∞
−∞
f
X(t)f
Y(x
−t)dt est d´ efinie et continue sauf peut-ˆ etre en un nombre fini de points, c’est une densit´ e de Z .
C’est le cas si f
X(ou f
Y) est born´ ee.
Stabilit´ e de la loi γ pour la somme. Si X
1et X
2sont deux variables al´ eatoires ind´ e- pendantes suivant respectivement des lois γ (ν
1) et γ (ν
2), alors X
1+ X
2,
→γ (ν
1+ ν
2).
Stabilit´ e de la loi normale pour la somme.
Esp´ erance d’un produit de variables al´ eatoires
`
a densit´ e ind´ ependantes.
Si X et Y sont deux variables al´ eatoires ` a den-
sit´ e ind´ ependantes admettant une esp´ erance,
alors XY admet ´ egalement une esp´ erance et
E(XY ) = E(X)E(Y ). R´ esultat admis.
Variance de la somme de deux variables al´ ea- toires ` a densit´ e ind´ ependantes.
R´ esultat admis.
3 - n-uplets de variables al´ eatoires r´ eelles ; g´ en´ eralisation des propri´ et´ es de l’esp´ erance et de la variance
Dans cette partie, on ´ etend la notion de loi de couple de variables al´ eatoires ` a un vecteur al´ eatoire, puis, de mani` ere intuitive, la notion d’esp´ erance ` a une somme de variables al´ eatoires admettant chacune une esp´ erance. La d´ efinition de l’esp´ erance g´ en´ erale ou des moments d’une variable al´ eatoire dans un cadre quelconque n’´ etant pas au programme, toute difficult´ e s’y ramenant est ` a ´ ecarter. On admettra que les propri´ et´ es op´ eratoires usuelles de l’esp´ erance et la variance se g´ en´ eralisent aux variables al´ eatoires quelconques.
Loi d’un vecteur al´ eatoire ` a valeurs dans R
n. Loi marginale.
La loi d’un vecteur (X
1, . . . , X
n) de variables al´ eatoires r´ eelles est donn´ e par la fonction F
(X1,...,Xn)d´ efinie sur R
npar :
F
(X1,...,Xn)(x
1, . . . , x
n) = P
nT
i=1
[X
i 6x
i]
. Aucune difficult´ e ne sera soulev´ ee sur cette no- tion.
Caract´ erisation de la loi d’un vecteur al´ eatoire discret ` a valeurs dans R
n.
Si deux vecteurs (X
1, X
2, . . . , X
n) et (Y
1, Y
2, . . . , Y
n) ont mˆ eme loi et si g est une fonction continue sur R
n` a valeurs dans R, alors les variables al´ eatoires r´ eelles g(X
1, X
2, . . . , X
n) et g(Y
1, Y
2, . . . , Y
n) ont mˆ eme loi.
Aucune difficult´ e ne sera soulev´ ee.
R´ esultat admis.
Esp´ erance d’une somme de variables al´ eatoires. Si X et Y admettent une esp´ erance, X + Y ad- met une esp´ erance et E(X +Y ) = E(X)+E(Y ).
G´ en´ eralisation ` a n variables al´ eatoires.
R´ esultats admis.
Croissance de l’esp´ erance. Si X
6Y presque sˆ urement et si X et Y ad- mettent une esp´ erance, alors E(X)
6E(Y ).
R´ esultat admis.
Existence d’une esp´ erance par domination. Si X et Y sont deux variables al´ eatoires v´ eri- fiant 0
6 |X| 6Y presque sˆ urement, et si Y admet une esp´ erance, alors X admet ´ egalement une esp´ erance. Dans ce cas,
|E(X)|6E(Y ).
R´ esultat admis.
Ind´ ependance mutuelle de n variables al´ eatoires r´ eelles.
X
1, . . ., X
nsont mutuellement ind´ ependantes si et seulement si :
F
(X1,...,Xn)(x
1, . . . , x
n) =
n
Q
k=1
F
Xk(x
k)
pour tous r´ eels x
1, . . . , x
n.
Caract´ erisation de l’ind´ ependance mutuelle de n variables al´ eatoires r´ eelles.
•
X
1, . . ., X
nsont mutuellement ind´ ependantes si et seulement si :
P
nT
i=1
X
i∈I
i=
n
Q
i=1
P ([X
i ∈I
i]) pour tous intervalles I
1, . . ., I
nde R.
•
X
1, . . ., X
nsont mutuellement ind´ ependantes si et seulement si toute famille d’´ ev´ enements (A
1, . . . , A
n), avec A
k´ el´ ement de
AXk, est une famille d’´ ev´ enements mutuellement ind´ e- pendants.
R´ esultat admis.
Caract´ erisation de l’ind´ ependance mutuelle de n variables al´ eatoires r´ eelles discr` etes.
P
nT
i=1
[X
i= x
i]
=
n
Q
i=1
P([X
i= x
i]) pour tout (x
1, . . . , x
n)
∈X
1(Ω)
×. . .
×X
n(Ω).
R´ esultat admis.
Lemme des coalitions. Si X
1, X
2,. . ., X
n, sont ind´ ependantes, toute variable al´ eatoire fonction de X
1, X
2, . . ., X
pest ind´ ependante de toute variable al´ eatoire fonc- tion de X
p+1, X
p+2,. . ., X
n.
R´ esultat admis.
Esp´ erance du produit de variables al´ eatoires in- d´ ependantes.
Si X et Y admettent une esp´ erance et sont ind´ ependantes, XY admet une esp´ erance et E(XY ) = E(X)E(Y ).
G´ en´ eralisation ` a n variables al´ eatoires mutuel- lement ind´ ependantes.
R´ esultats admis.
Variance d’une somme de variables al´ eatoires ind´ ependantes.
Si X et Y sont ind´ ependantes et admettent une variance, X + Y admet une variance et V (X + Y ) = V (X) + V (Y ).
G´ en´ eralisation ` a n variables al´ eatoires mutuel- lement ind´ ependantes.
R´ esultats admis.
Somme de variables al´ eatoires de Bernoulli in- d´ ependantes de mˆ eme param` etre.
La somme de n variables al´ eatoires de Bernoulli ind´ ependantes et de mˆ eme esp´ erance p suit la loi binomiale
B(n, p).Sommes de variables al´ eatoires ind´ ependantes suivant des lois de Poisson, des lois binomiales.
Loi de la somme de n variables al´ eatoires ind´ e- pendantes de loi
E(1).Pour ´ etudier la somme de n variables al´ eatoires ind´ ependantes de loi
E(λ), on se ram`enera apr` es multiplication par λ ` a une somme de n variables al´ eatoires ind´ ependantes de loi
E(1).Ind´ ependance mutuelle d’une suite infinie de va- riables al´ eatoires r´ eelles discr` etes.
ENSEIGNEMENT DE MATH´ EMATIQUES DU QUATRI` EME SEMESTRE
I - Compl´ ements d’alg` ebre bilin´ eaire
1 - Endomorphismes sym´ etriques d’un espace euclidien, matrices sym´ etriques
Endomorphismes sym´ etriques. Un endomorphisme f d’un espace vectoriel eu- clidien E est sym´ etrique si et seulement si pour tout couple (x, y) de vecteurs de E, on a :
hf
(x) , yi =
hx , f(y)i.Un endomorphisme est sym´ etrique si et seule- ment si sa matrice dans une base orthonorm´ ee est sym´ etrique.
Si f est un endomorphisme sym´ etrique et si F est un sous-espace vectoriel stable par f , alors F
⊥est stable par f .
Les sous-espaces propres d’un endomorphisme sym´ etrique f d’un espace vectoriel de dimension finie sont deux ` a deux orthogonaux.
Si (u
k)
16k6psont p vecteurs propres d’un endo- morphisme sym´ etrique f associ´ es ` a des valeurs propres distinctes, alors la famille (u
k)
16k6pest une famille orthogonale.
2 - Projection orthogonale
Projection orthogonale sur un sous-espace vec- toriel F .
Notation p
F. Si (u
1, . . . , u
k) est une base orthonorm´ ee de F ,
alors :
p
F(x) =
k
P
i=1
hx, uiiui
.
Si
Best une base orthonorm´ ee de E et si U
1, . . . , U
ksont les vecteurs colonnes associ´ es aux vecteurs u
1, . . . , u
kdans la base
B, alors :Mat
B(p
F) =
k
X
i=1
U
itU
i. Si p est un projecteur, alors p est un projecteur
orthogonal si et seulement si c’est un endomor- phisme sym´ etrique.
Caract´ erisation par minimisation de la norme. v = p
F(x)
⇐⇒ ||x−v|| = min
u∈F ||x−
u||.
Application au probl` eme des moindres carr´ es : minimisation de
||AX−B
||avec A
∈ Mn,p(R) de rang p, B
∈ Mn,1(R) et X
∈ Mp,1(R).
La formule donnant la valeur de X r´ ealisant le minimum n’est pas exigible.
3 - R´ eduction des endomorphismes et des matrices sym´ etriques Si E est un espace vectoriel euclidien, tout endo-
morphisme sym´ etrique de E est diagonalisable et ses sous-espaces propres sont orthogonaux.
R´ esultat admis.
Il existe une base
Bde E orthonorm´ ee compos´ ee
de vecteurs propres de f.
Toute matrice sym´ etrique r´ eelle est diago- nalisable avec une matrice de changement de base orthogonale.
Si A est sym´ etrique r´ eelle, il existe une matrice orthogonale P et une matrice diagonale D telles que D = P
−1AP =
tP AP.
Si X
1, . . . , X
nsont les colonnes de P, alors (X
i)
16i6nest une base orthonorm´ ee de
Mn,1(R), form´ ee de vecteurs propres de A as- soci´ es aux valeurs propres λ
1, . . . , λ
n. On a :
A =
n
X
i=1
λ
iX
itX
i.
II - Fonctions r´ eelles de n variables ; recherche d’extrema
L’objectif est d’arriver ` a une bonne maˆıtrise des probl` emes d’extrema ` a partir d’un minimum d’outils th´ eoriques. L’espace R
nsera muni de la norme euclidienne usuelle.
La d´ etermination de la nature topologique d’un ensemble n’est pas un objectif du programme ; elle devra toujours ˆ etre pr´ ecis´ ee. N´ eanmoins, il est n´ ecessaire de sensibiliser les ´ etudiants aux notions d’ouverts et de ferm´ es. Les ´ etudiants ont ´ et´ e familiaris´ es avec les fonctions continues sur R
nau troisi` eme semestre, aussi on s’appuiera, pour mener une initiation ` a la topologie de R
n, sur les sous-ensembles de R
nd´ efinis par des in´ egalit´ es du type
{x∈R
n/ϕ(x) < a} ou
{x∈R
n/ϕ(x)
6a} o` u ϕ est une fonction continue sur R
n. On donnera ´ egalement la d´ efinition d’un ensemble born´ e.
L’´ etude de fonctions de n variables ` a valeurs dans R se limitera ` a des fonctions d´ efinies sur des sous- ensembles de R
npouvant ˆ etre d´ efinis simplement (r´ eunion, intersection finies) ` a l’aide des ensembles ferm´ es ou ouverts pr´ ec´ edents.
Les r´ esultats seront ´ enonc´ es dans le cas de fonctions de n variables. Pour les d´ emonstrations, on pourra se limiter aux cas n = 2 ou n = 3.
Aucune des d´ emonstrations de ce chapitre n’est exigible des ´ etudiants.
Dans ce paragraphe, h d´ esigne un vecteur de R
net H la colonne coordonn´ ee correspondante.
1 - Extension de la notion de fonction r´ eelle de n variables
Dans ce paragraphe, on ´ etend ` a des fonctions d´ efinies sur un sous-ensemble de R
n, les notions et d´ efinitions vues au troisi` eme semestre pour des fonctions d´ efinies sur R
n. Toute difficult´ e concernant la d´ etermination de la classe d’une fonction est exclue.
Extension de la notion de continuit´ e aux fonc- tions d´ efinies sur un sous-ensemble de R
n.
Aucune difficult´ e th´ eorique ne sera soulev´ ee.
Extension de la notion de fonctions C
1aux fonc- tions d´ efinies sur un ouvert de R
n.
Aucune difficult´ e th´ eorique ne sera soulev´ ee.
Pour les fonctions C
1d´ efinies sur un ouvert de R
n: extension des notions de d´ eriv´ ees par- tielles, gradient, d´ eriv´ ee directionnelle, d´ evelop- pement limit´ e d’ordre 1.
2 - Fonctions de classe C
2D´ eriv´ ees partielles d’ordre 2. Notation ∂
i,j2(f ).
∂
i,j2(f) = ∂
i(∂
j(f )).
Fonctions de classe C
2sur un ouvert
Ode R
n. Les fonctions polynomiales de n variables sont
de classe C
2sur R
n. R´ esultat admis.
Op´ erations sur les fonctions de classe C
2. Somme, produit, quotient.
La composition d’une fonction de classe C
2sur
O` a valeurs dans un intervalle I de R par une fonction de classe C
2sur I ` a valeurs dans R est de classe C
2.
R´ esultats admis.
Th´ eor` eme de Schwarz. Si f est de classe C
2sur un ouvert
Ode R
n, alors pour tout point x de
Oet pour tout couple (i, j) d’entiers compris entre 1 et n :
∂
i,j2(f )(x) = ∂
j,i2(f )(x).
Th´ eor` eme admis.
Matrice hessienne en un point x. Notation
∇2(f )(x).
Si f est de classe C
2sur un ouvert
O, alors lamatrice hessienne est sym´ etrique en tout point de
O.Forme quadratique d´ efinie sur R
nassoci´ ee ` a une matrice sym´ etrique r´ eelle A.
q(h) =
tHAH.
Existence et unicit´ e d’un d´ eveloppement limit´ e d’ordre 2 d’une fonction de classe C
2sur un ouvert
O.f (x + h) = f (x) +
h∇(f)(x), hi + 1
2 q
x(h) +
||h||2ε(h) o` u ε(0) = 0, ε continue en 0 et q
xest la forme quadratique associ´ ee ` a la matrice hes- sienne
∇2(f )(x).
R´ esultat admis.
D´ eriv´ ee seconde directionnelle de f au point x dans la direction h.
La d´ eriv´ ee seconde directionnelle de f au point x dans la direction h est q
x(h).
Si g(t) = f (x + th), alors g
00(t) = q
x+th(h) et donc g
00(0) = q
x(h).
3 - Recherche d’extrema
Dans un premier temps, on ´ etendra rapidement les notions vues au troisi` eme semestre ` a une fonction d´ efinie sur un sous-ensemble de R
n.
a) D´ efinition
D´ efinition d’un extremum local, d’un extremum global.
b) Extrema sur un ensemble ferm´ e born´ e Une fonction continue sur une partie ferm´ ee born´ ee admet un maximum global et un mini- mum global.
R´ esultat admis.
Application ` a l’encadrement d’une forme qua- dratique sur R
n.
Si q est une forme quadratique associ´ ee ` a une matrice sym´ etrique A, alors q admet un maxi- mum global et un minimum global sur le ferm´ e born´ e
{x∈R
n/||x|| = 1}.
Il existe alors deux r´ eels α et β tels que pour tout ´ el´ ement h de R
n:
α||h||
26q(h)
6β||h||
2. c) Condition d’ordre 1
Condition n´ ecessaire du premier ordre.
Point critique.
Si une fonction de classe C
1sur un ouvert
Ode R
nadmet un extremum local en un point x
0de
O, alors∇(f)(x
0) = 0.
Les points o` u le gradient s’annule sont appel´ es points critiques. Toutes les d´ eriv´ ees direction- nelles en ces points sont nulles.
d) Exemples de recherches d’extrema sous une contrainte quelconque
Dans tout ce paragraphe,
Od´ esigne un ouvert de R
net ϕ d´ esigne une fonction de classe C
1sur
O. Onnote alors
C=
{x∈ O/ϕ(x) =c} l’ensemble des points v´ erifiant la contrainte ϕ(x) = c. On se placera dans le cadre o` u
∇(ϕ)(x)est non nul pour tout ´ el´ ement x de
C; on dira alors que la contrainte est non critique. L’´ etude d’une fonction le long de sa fronti` ere est l’une des applications de la maximisation sous contrainte.
Sur des exemples, on sensibilisera les ´ etudiants ` a une interpr´ etation graphique de l’optimisation sous contrainte.
D´ efinition d’un extremum local ou global sous la contrainte ϕ(x) = c d’une fonction f d´ efinie sur
O.Condition n´ ecessaire du premier ordre pour un extremum sous la contrainte non critique
C.Si f est une fonction de classe C
1sur
O, pourque f atteigne un extremum local en x
0sous la contrainte non critique
C, il faut qu’il existe unr´ eel λ tel que :
(
ϕ(x
0) = c
∇(f
)(x
0) = λ
∇(ϕ)(x0) . R´ esultat admis.
On ne soul` evera pas de difficult´ e th´ eorique et on se limitera ` a des exemples simples.
Application ` a l’encadrement d’une forme qua- dratique : cas d’´ egalit´ e.
Si q est une forme quadratique associ´ ee ` a une
matrice sym´ etrique A, alors q admet un maxi-
mum global (respectivement un minimum glo-
bal ) sous la contrainte
||x||= 1, en un point
correspondant ` a un vecteur propre de la ma-
trice A associ´ e ` a la plus grande valeur propre
(respectivement la plus petite).
e) Condition d’ordre 2
Etude locale d’une fonction ´ f de classe C
2sur un ouvert
Oen un point critique.
Si x
0est un point critique de f :
•
si Sp(∇
2f (x
0))
⊂R
∗+, alors f admet un mi- nimum local en x
0,
•
si Sp(∇
2f(x
0))
⊂R
∗−, alors f admet un maxi- mum local en x
0,
•
si Sp(∇
2f (x
0)) contient deux r´ eels non nuls de signes distincts, f n’admet pas d’extre- mum en x
0.
On fera le lien avec le signe de la forme quadra- tique q
x0.
Point selle (ou col).
Exemples de recherche d’extrema globaux. On pourra faire une ´ etude directe du signe sur
Ode f (x)
−f(x
0).
Dans les situations qui s’y prˆ etent, on pourra
´
etudier le cas o` u pour tout x de
O,q
xest posi- tive (ou n´ egative), par exemple en appliquant la formule de Taylor avec reste int´ egral ` a la fonc- tion g d´ efinie par g(t) = f (x
0+ th).
f) Recherche d’extrema sous contrainte d’´ egalit´ es lin´ eaires
Dans tout ce paragraphe
Cd´ esigne l’ensemble des solutions d’un syst` eme lin´ eaire
g
1(x) = b
1.. . .. . g
p(x) = b
pet
Hl’ensemble des solutions du syst` eme homog` ene associ´ e.
Condition n´ ecessaire du premier ordre sous la contrainte
C.Si f est une fonction de classe C
1sur un ou- vert
O, et si la restriction def ` a
Cadmet un extremum local en un point x
0, alors
∇(f)(x
0) est dans Vect(∇(g
1)(x
0), . . . ,
∇(gp)(x
0)). Pour tout h de
H, la d´eriv´ ee de f en x
0dans la di- rection h est nulle.
On remarquera que :
H⊥
= Vect(∇(g
1)(x
0), . . . ,
∇(gp)(x
0)).
Point critique pour l’optimisation sous contrainte.
Exemples de recherche d’extrema globaux sous contrainte d’´ egalit´ es lin´ eaires.
On pourra faire une ´ etude directe du signe sur
Ode f(x)
−f (x
0). On pourra, dans les situa- tions qui s’y prˆ etent, ´ etudier le cas o` u pour tout x de
C ∩ Oet tout h de
Hon a q
x(h)
>0 (res- pectivement q
x(h)
60).
III - Probabilit´ es : convergences, estimation
1 - Convergences et approximations
a) Convergence en probabilit´ e
On pourra d´ emontrer ces in´ egalit´ es dans le cas d’une variable al´ eatoire discr` ete ou ` a densit´ e.
In´ egalit´ e de Markov. Si X est une variable al´ eatoire positive ad- mettant une esp´ erance, alors pour tout r´ eel a strictement positif :
P ([X
>a])
6E(X) a .
On pourra appliquer cette in´ egalit´ e ` a Y =
|X|r, r
∈N
∗.
In´ egalit´ e de Bienaym´ e-Tchebychev. Si X est une variable al´ eatoire admettant un moment d’ordre 2, alors :
∀ε >
0, P ([|X
−E(X)|
>ε])
6V (X) ε
2. Convergence en probabilit´ e. La suite (X
n)
n∈N∗converge en probabilit´ e vers
X si :
∀ε >
0, lim
n→+∞
P ([|X
n−X|
>ε]) = 0.
Notation X
n−P→X.
Loi faible des grands nombres pour une suite de variables al´ eatoires ind´ ependantes admettant une mˆ eme esp´ erance et une mˆ eme variance.
Soit (X
n)
n∈N∗une suite de variables al´ eatoires ind´ ependantes ayant mˆ eme esp´ erance m et mˆ eme variance et soit X
n= X
1+ . . . + X
nn .
Alors :
∀ε >
0, lim
n→+∞
P([|X
n−m|
>ε]) = 0.
Composition par une fonction continue. Si X
n−P→
X et si f est une fonction continue sur R ` a valeurs r´ eelles, alors f (X
n)
−→Pf (X).
R´ esultat admis.
b) Convergence en loi
D´ efinition de la convergence en loi d’une suite (X
n)
n∈N∗de variables al´ eatoires vers X.
Notation X
n−→LX.
La suite (X
n)
n∈N∗converge en loi vers X si et seulement si en tout point de continuit´ e x de F
X:
n→+∞
lim F
Xn(x) = F
X(x).
Cas o` u les X
net X prennent leurs valeurs dans Z.
La suite (X
n)
n∈N∗converge en loi vers X si et seulement si :
∀k∈
Z, lim
n→+∞