INSA TOULOUSE Ann´ ee 2014-2015 D´ epartement STPI
3` eme ann´ee MIC
Examen (01/06/2015) – 1h30 UV Mod´ elisation
Partie - Probl` emes inverses
Documents autoris´ es, bar` eme indicatif.
Exercice 1 - Convexit´ e et solutions
On s’int´ eresse au probl` eme d’optimisation suivant :
x∈
min
Rnf (x).
1. Pour commencer, on suppose que f : R
n→ R est une fonction convexe. Est-ce que ce probl` eme admet toujours une solution ? Si oui, justifier, si non, donner un contre-exemple.
Non ce probl` eme n’admet pas forc´ ement de solution. Prendre par exemple f (x) = x : le “minimum” s’il existait se trouverait en −∞.
2. Est-ce que ce lorsqu’une solution existe, ce probl` eme admet une solution unique ? Si oui, justifier, si non, donner un contre-exemple.
Non pas forc´ ement. Par exemple, la fonction d´ efinie par :
f (x) =
|x| − 1 si |x| > 1
0 sinon
admet pour minimiseurs l’intervalle [−1, 1].
3. On suppose maintenant f strictement convexe. Est-ce que ce probl` eme admet toujours une solution ? Si oui, justifier, si non, donner un contre-exemple.
Non. Par exemple, la fonction d´ efinie sur [0, +∞[ par f (x) = 1/x est strictement convexe, mais elle n’admet pas de minimiseur.
4. Est-ce que lorsqu’une solution existe elle est unique ? Si oui, justifier, si non, donner un contre-exemple.
Cette fois si oui. On ne demandait pas de justifier. Une fa¸ con de le faire dans le cas o` u f est C
2est de noter x
∗un minimiseur. On a ∇f (x
∗) = 0 et H
f(x) > 0, ∀x ∈ R
n. Ainsi, pour x 6= x
∗, on peut utiliser une formule de Taylor multi-dimensionnelle avec reste int´ egral :
f (x) = f (x
∗) + Z
1t=0
h∇f (x
∗+ t(x − x
∗)), x − x
∗i dt
= f (x
∗) + Z
1t=0
h∇f (x
∗+ t(x − x
∗)) − ∇f (x
∗), x − x
∗i dt
= f (x
∗) + Z
1t=0
t Z
1s=0
hH
f(x
∗+ s(x
∗+ t(x − x
∗)))(x − x
∗), (x − x
∗)
ds dt
| {z }
>0
> f (x
∗).
Ainsi x
∗est bien minimiseur unique.
5. On pose maintenant f (x) =
12kAx − bk
22o` u A ∈ R
m×net b ∈ R
m. Est-ce que f est convexe (ne pas justifier) ?
Oui c’est un r´ esultat de cours.
1
6. Est-ce que f est strictement convexe ? Justifier en deux mots.
Non, pas si ker(A) 6= {0}.
7. Est-ce qu’elle admet un minimiseur ? Justifier en deux mots.
Oui (voir cours).
8. Est-ce qu’elle admet un minimiseur unique ? Justifier en deux mots.
Non, pas si ker(A) 6= {0}.
Exercice 2 - Pseudo-inverse et projections orthogonales
Note : dans cet exercice, vous pouvez r´ esoudre les questions 4, 5, 6, mˆ eme si vous n’avez pas r´ epondu aux questions 1, 2 et/ou 3. Soit A ∈ R
m×nune matrice ayant une SVD de la forme A = UΣV
To` u U ∈ R
m×met V ∈ R
n×nsont deux matrices orthogonales et Σ ∈ R
m×nest une matrice de la forme :
Σ =
Σ
r0
r,n−r0
m−r,r0
m−r,n−ravec Σ
r=
σ
10 0 . . . 0 0 σ
20 . . . 0 .. . .. . . . . . . . 0 0 0 . . . . . . σ
r
.
On note u
i∈ R
mla i-` eme colonne de U et v
i∈ R
nla i-` eme colonne de V . On rappelle qu’une mani` ere de d´ efinir la pseudo-inverse A
+de A est :
A
+= V Σ
+U
To` u Σ
+=
Σ
−1r0
r,m−r0
n−r,r0
n−r,m−r.
1. Soit P = AA
+. Montrez que P est une matrice de projection orthogonale, c’est-` a-dire que P
2= P (idempotence) et P
∗= P (sym´ etrie hermitienne).
On a P = UΣΣ
+U
T. De plus ΣΣ
+∈ R
n×nest une matrice diagonale contenant seulement des 1 ou des 0 sur sa diagonale. Ainsi
P
2= U(ΣΣ
+)
∗(ΣΣ
+)U
T= U(ΣΣ
+)U
T= P.
De mˆ eme pour P
∗= P.
2. Le but de cette question est de montrer que l’espace de projection est Im(A). Rappeler comment d´ efinir Im(A) en fonction des vecteurs u
iet/ou v
i.
On a Im(A) = vect({u
1, . . . , u
r}) (voir cours).
3. Soit y ∈ R
m. Montrez que le vecteur w = y − P y est orthogonal ` a Im(A) et conclure.
On d´ ecompose y dans la base (u
i). Ainsi y = P
mi=1
α
iu
iavec α
i= hy, u
ii. On note α le vecteur (α
1, ..., α
m). Ainsi, on a
P y = U (ΣΣ
+)α
=
r
X
i=1
α
iu
iet
y − P y =
m
X
i=r+1