Ensemble convexe

déterminer le nombre de régions déterminées par ces n droites. 17. * : Inégalité de convexité. Soit f une fonction définie sur un intervalle I et vérifiant ∀x1 , x2 ∈ I ∀t ∈ [0, 1] f ((1 − t) x1 + tx2 ) (1 − t) f (x1 ) + tf (x2 ) (définition d’une fonction convexe). Montrer par récurrence que pour toute suite de n nombres (t1 , ..., tn ) positifs ou nuls de somme égale à 1 et toute suite (x1 , ..., xn ) de n réels appartenant à I 3 EXERCICES MPSI A1. II. SOMMES, RECURRENCES, BINOME n f R. FERRÉOL 13/14

son époque : l'astronomie, les sciences physiques et les mathématiques, où il met au premier plan le concept de fonction avec la notation f(x). On lui doit aussi la relation entre les nombres de sommets, d'arêtes et de faces (S-A+F=2) d'un polyèdre convexe (ex : le cube, le tétraèdre...), la fonction exponentielle, le logarithme et les fonctions trigonométriques. Ses travaux ont permis l'essor de l'analyse grâce aux équations différentielles et intégrales. Il aborda également la géométrie différentielle

l’ensemble des solutions. Si est vide, le problème n’a pas de solution réalisable. Sinon le problème possède une solution optimale, à moins que Z ne soit pas borné sur . On distingue les contraintes lâches et saturées. Propositions est un polyèdre convexe (par construction). S’il existe une solution optimale finie, c’est un sommet de . Forme canonique & standard Transformation d’écriture et Forme standard  Un problème est dit sous forme standard si et seulement si toutes les vraies contraintes

Prouver que la droite (RT) est contenue dans le plan (P). UTILISATION DE GEOSPACE : Ouvrir "Nouvelle figure de l'espace". Créer quatre points libres dans l'espace A, B, C et D. Utilisez la touche "bis" ! Puis : Créer – Solide – Polyèdre convexe – Défini par ses sommets : ABCD. On peut appeler t le tétraèdre créé. Ctrl + clic droit de la souris : pour déplacer la figure. Pour tracer en pointillés les arêtes cachées : Cliquer sur l'icône "styles" Choisir Motif O puis cliquer sur R

Si [pic] est vide, le problème n’a pas de solution réalisable. Sinon le problème possède une solution optimale, à moins que Z ne soit pas borné sur [pic]. On distingue les contraintes lâches et saturées. Propositions - [pic] est un polyèdre convexe (par construction). - S’il existe une solution optimale finie, c’est un sommet de [pic]. Forme canonique & standard Transformation d’écriture - [pic] - [pic] - [pic] et [pic] - [pic] Forme standard  Un problème est dit sous

Conditions de KKT :  L(x,λ,μ)=J(x)+ λigi(x)+ μifj(x) 1≤i≤m 1≤j ≤p (1≤i≤m), (1≤j ≤p), (1≤j ≤p), (1≤j ≤p),  ∇xL(xmin, λ, μ) = 0, fj(xmin) ≤ 0 μ≥0  j  μjfj(xmin) = 0 2.4 Optimisation convexe Optimisation convexe (i) ; (ii) ; (iii) ; (iv) ; (v).   g(x)=0 i min  La notion de convexité possède un rôle privilégié en théorie de l’optimisa- tion car elle permet d’obtenir des conditions globales d’existence, mais aussi par l’existence de conditions nécessaires et suffisantes d’optimalité

Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 OPTIMISATION 43 5.1 Extremums locaux . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2 Fonctions convexes . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 6 TRANSFORMATIONS DE L’ESPACE EUCLIDIEN 6.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2 Transformations

usuelles que la microéconomie pose sur les relations de préférences pour qu’elles puissent être représentées par une fonction d’utilité sont qu’elles soient rationnelles (c’est-à-dire complètes et transitives), monotones, localement non saturées, convexes, et continues. Nous allons ci-dessous définir ces différentes propriétés. Définition 1 {Rationalité de } : La relation de préférence sur X si elle est complète et transitive : • Complète. Pour tout x, y ∈X, ona x et/ou y x. • Transitive. Pour tout x

L’Hospital . . . . . . II.4 Fonctions convexes . . . . . . . . . . . . . . . . . . II.5 Applications des dérivées . . . . . . . . . . . . . . . II.6 Dérivabilité forte et dérivabilité au sens de Schwarz Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . II.1 Dérivée d’une fonction réelle . . . . . . . . . . . . . II.2 Théorème des accroissements finis . . . . . . . . . . II.3 Formule de Taylor et règle de L’Hospital . . . . . . II.4 Fonctions convexes . . . . . . . . . . . . . . . . .

convexité, étude des ensembles et des fonctions convexes, constitue une branche de la géométrie et de l'analyse qui unie des phénomènes à première vue totalement dissemblables. Elle intervient à divers niveaux dans des branches très variées des mathématiques (théories des nombres, problèmes combinatoires, théories des jeux, optimisation, analyse fonctionnelle... ), de la phisique et aussi en économie. Minkowski (1864-1909) fut le premier à étudier systématiquement les ensembles convexes et ses oeuvres