Semaine 10

Une semaine, un classique

Probabilités et analyse : minimisation d'une espérance

Thème : Analyse

Année : ECG2

Option : Maths appliquées, Maths approfondies

Durée indicative : 90 minutes

Objectif : Maîtriser les fondamentaux sur les fonctions de deux variables

Trois questions de cours pour te lancer

Teste ton cours en répondant aux questions suivantes, à l’oral ou en écrivant ta réponse sur une feuille. Ensuite, envoie une photo de ta réponse et demande à l’IA d’analyser ce qui est juste, ce qui manque et comment t’améliorer.

Donner la définition rigoureuse de l’espérance d’une variable aléatoire discrète et énoncer ses principales propriétés.

Glisse-dépose ta photo ici
ou clique pour choisir un fichier
Voir un corrigé possible
  • Définition. Soit \(X\) une variable aléatoire discrète prenant ses valeurs dans un ensemble dénombrable \(\{x_n,\ n\in\mathbb{N}\}\).

    On dit que \(X\) admet une espérance si et seulement si la série

    \[ \sum_{n\in\mathbb{N}} x_n\,\mathbb{P}(X=x_n) \]

    est absolument convergente.

    Dans ce cas, l’espérance de \(X\) est le réel \(\mathbb{E}(X)\) défini par

    \[ \mathbb{E}(X)=\sum_{n\in\mathbb{N}} x_n\,\mathbb{P}(X=x_n) \]

  • Propriétés.

    • Linéarité. Si \(X\) et \(Y\) admettent une espérance et si \(a,b\in\mathbb{R}\), alors la variable aléatoire \(aX+bY\) admet une espérance et

      \[ \mathbb{E}(aX+bY)=a\mathbb{E}(X)+b\mathbb{E}(Y) \]

    • Croissance. Si \(X\) et \(Y\) admettent une espérance et si \(X \leqslant Y\) presque sûrement, alors

      \[ \mathbb{E}(X) \leqslant \mathbb{E}(Y) \]

Énoncer la condition nécessaire d’extremum pour une fonction définie sur un ouvert de \(\mathbb{R}^2\).

Glisse-dépose ta photo ici
ou clique pour choisir un fichier
Voir un corrigé possible

Soit \(f\) une fonction de classe \(\mathcal C^1\) définie sur un ouvert \(U\) de \(\mathbb{R}^2\).

Si \(f\) admet un extremum local en un point \((x_0,y_0)\in U\), alors le gradient de \(f\) en \((x_0,y_0)\) est nul, c’est-à-dire

\[ \partial_1 f(x_0,y_0)=0 \qquad \text{et} \qquad \partial_2 f(x_0,y_0)=0 \]

Si \(f\) est de classe \(\mathcal C^1\) sur \(U\) et si \(\nabla f(x_0,y_0)=0\), alors le point \((x_0,y_0)\) est appelé point critique de \(f\).

Énoncer les conditions suffisantes permettant de déterminer la nature d’un extremum local pour une fonction définie sur un ouvert de \(\mathbb{R}^2\).

Glisse-dépose ta photo ici
ou clique pour choisir un fichier
Voir un corrigé possible

Soit \(f\) une fonction de classe \(\mathcal C^2\) définie sur un ouvert \(U\) de \(\mathbb{R}^2\) et \((x_0,y_0)\in U\) un point critique.

  • Si toutes les valeurs propres de la matrice hessienne \(\nabla^2 f(x_0,y_0)\) sont strictement positives, alors \(f\) admet un minimum local en \((x_0,y_0)\).

  • Si toutes les valeurs propres de la matrice hessienne \(\nabla^2 f(x_0,y_0)\) sont strictement négatives, alors \(f\) admet un maximum local en \((x_0,y_0)\).

  • Si la matrice hessienne \(\nabla^2 f(x_0,y_0)\) admet au moins deux valeurs propres de signes opposés, alors le point critique \((x_0,y_0)\) n’est pas un extremum local.

  • Si toutes les valeurs propres de \(\nabla^2 f(x_0,y_0)\) sont de même signe et si \(0\) est une valeur propre de \(\nabla^2 f(x_0,y_0)\), on ne peut pas conclure sur la nature du point critique : tous les cas sont possibles.


Mini-exercices : vérifie que les bases sont maîtrisées

Quelques exercices rapides pour passer du cours à l’action. L’objectif : réfléchir, répondre à la question, puis laisser l’IA te dire où tu en es et comment progresser.

On considère une variable aléatoire discrète \(X\) prenant ses valeurs dans \(\mathbb{N}\) et telle que, pour tout \(n\in\mathbb{N}\),

\[\mathbb{P}(X=n)=\frac{1}{2^{n+1}}\]

Montrer que \(X\) admet une espérance et calculer \(\mathbb{E}(X)\).

Glisse-dépose ta photo ici
ou clique pour choisir un fichier

Voir un corrigé possible

La variable \(X\) prend ses valeurs dans \(\mathbb{N}\). Elle admet une espérance si et seulement si la série

\[ \sum_{n\in\mathbb{N}} n\,\mathbb{P}(X=n) \]

est absolument convergente.

Or on a

\[ \begin{align*} \forall n\in\mathbb{N},\ n\,\mathbb{P}(X=n) &=\frac{n}{2^{n+1}}\\ &=\frac14\,n\left(\frac12\right)^{n-1} \end{align*} \]

Or \(\frac12\in \left]-1,1 \right[\), donc la série \(\sum_{n\geqslant 1} n\left(\frac12\right)^{n-1}\) est absolument convergente. Ainsi, la série \(\sum_{n\in\mathbb{N}} n\,\mathbb{P}(X=n)\) est absolument convergente, donc \(X\) admet une espérance.

On considère la fonction \(f\) définie sur \(\mathbb{R}^2\) par

\[f(x,y)=x^2+xy+y^2-2x-4y\]

Déterminer les points critiques de \(f\).

Glisse-dépose ta photo ici
ou clique pour choisir un fichier

Voir un corrigé possible

La fonction \(f\) est une fonction polynôme, donc elle est de classe \(\mathcal C^1\) sur \(\mathbb{R}^2\). De plus, \(\mathbb{R}^2\) est un ouvert.

Ainsi, les points critiques de \(f\) sont exactement les points de \(\mathbb{R}^2\) en lesquels le gradient de \(f\) s’annule.

Or on a

\[ \forall (x,y)\in\mathbb{R}^2,\ \begin{cases} \partial_1 f(x,y)=2x+y-2\\ \partial_2 f(x,y)=x+2y-4 \end{cases} \]

Donc, pour tout \((x,y)\in\mathbb{R}^2\),

\[ \begin{align*} \nabla f(x,y)=0 &\Longleftrightarrow \begin{cases} 2x+y-2=0\\ x+2y-4=0 \end{cases}\\ &\Longleftrightarrow \begin{cases} y=2-2x\\ x+2(2-2x)-4=0 \end{cases}\\ &\Longleftrightarrow -3x=0\\ &\Longleftrightarrow x=0\\ &\Longleftrightarrow y=2 \end{align*} \]

Ainsi, le seul point critique de \(f\) sur \(\mathbb{R}^2\) est le point \((0,2)\).

On considère la fonction \(f\) définie sur \(\mathbb{R}^2\) par

\[f(x,y)=x^2+2xy+3y^2\]

  1. Déterminer les points critiques de \(f\).
  2. Montrer que \(f\) admet un unique extremum local sur \(\mathbb{R}^2\) et préciser sa nature.
  3. \(f\) admet-elle un maximum global ? Admet-elle un minimum global ?

Glisse-dépose ta photo ici
ou clique pour choisir un fichier

Voir un corrigé possible
  1. La fonction \(f\) est une fonction polynôme, donc elle est de classe \(\mathcal C^2\) sur \(\mathbb{R}^2\). De plus, \(\mathbb{R}^2\) est un ouvert.

    Les points critiques de \(f\) sont donc les points de \(\mathbb{R}^2\) en lesquels le gradient de \(f\) s’annule.

    Or on a

    \[ \forall (x,y)\in\mathbb{R}^2,\ \begin{cases} \partial_1 f(x,y)=2x+2y\\ \partial_2 f(x,y)=2x+6y \end{cases} \]

    Donc, pour tout \((x,y)\in\mathbb{R}^2\),

    \[ \begin{align*} \nabla f(x,y)=0 &\Longleftrightarrow \begin{cases} 2x+2y=0\\ 2x+6y=0 \end{cases}\\ &\Longleftrightarrow \begin{cases} x+y=0\\ x+3y=0 \end{cases}\\ &\Longleftrightarrow 2y=0\\ &\Longleftrightarrow y=0\\ &\Longleftrightarrow x=0 \end{align*} \]

    Ainsi, le seul point critique de \(f\) sur \(\mathbb{R}^2\) est le point \((0,0)\), donc c'est le seul point en lequel \( f \) peut admettre un extremum.

  2. De plus on a

    \[ \forall (x,y) \in \mathbb{R}^2,\ \nabla^2 f(x,y)= \begin{pmatrix} 2 & 2\\ 2 & 6 \end{pmatrix} \]

    donc en particulier \[ \nabla^2 f(0,0)= \begin{pmatrix} 2 & 2\\ 2 & 6 \end{pmatrix} \]

    On cherche les valeurs propres de \(\nabla^2 f(0,0)\). Pour tout \(\lambda\in\mathbb{R}\), on a

    \[ \begin{align*} \det\big(\nabla^2 f(0,0)-\lambda I_2\big) &= \det \begin{pmatrix} 2-\lambda & 2\\ 2 & 6-\lambda \end{pmatrix}\\ &=(2-\lambda)(6-\lambda)-4\\ &=\lambda^2-8\lambda+8 \end{align*} \]

    Les valeurs propres de \(\nabla^2 f(0,0)\) sont donc les solutions de l’équation

    \[ \lambda^2-8\lambda+8=0 \]

    Il s’agit d’une équation du second degré dont les solutions \(r_1\) et \(r_2\) vérifient

    \[ r_1+r_2=8 \qquad\text{et}\qquad r_1r_2=8 \]

    Le produit \(r_1r_2\) est strictement positif, donc \(r_1\) et \(r_2\) sont de même signe et non nuls. Comme de plus \(r_1+r_2>0\), on en déduit que \(r_1\) et \(r_2\) sont tous deux strictement positifs.

    Ainsi, toutes les valeurs propres de \(\nabla^2 f(0,0)\) sont strictement positives. Par le critère du second ordre, la fonction \(f\) admet un minimum local en \((0,0)\). Comme ce point est l’unique point critique de \(f\), cet extremum local est unique.

  3. La fonction \(f\) n’admet pas de maximum local donc pas de maximum global sur \(\mathbb{R}^2\).

    De plus, pour tout \((x,y)\in\mathbb{R}^2\), on a

    \[ \begin{align*} f(x,y)-f(0,0) &=x^2+2xy+3y^2\\ &=x^2+2xy+y^2+2y^2\\ &=(x+y)^2+2y^2\\ &\geqslant 0 \end{align*} \]

    On en déduit que

    \[ \forall (x,y)\in\mathbb{R}^2,\quad f(x,y)\geqslant f(0,0)=0 \]

    Ainsi, \(f(0,0)=0\) est le minimum global de \(f\) sur \(\mathbb{R}^2\).


Un exercice sur un thème classique pour t’entraîner

Place maintenant tout en contexte avec un exercice d’annales choisi pour sa difficulté raisonnable et sa forte valeur d’entraînement. C’est l’occasion de tester ta compréhension, de te confronter à une vraie question de concours, et de profiter de l’aide de l’IA si tu en as besoin.

error: Ce contenu est protégé !