Linéaire B

Chapitre 5 Algebre lineaire, enonces Lorsque la dimension est in nie, on admettra que tout sous-espace vectoriel d'un espace vectoriel possede des supplementaires et que tout espace vectoriel possededes bases. K designe toujours un corps commutatif. 1. Soit E un K -espace vectoriel. Soit F un sous-espace vectoriel de E . On de ni sur E la relation R suivante : (x R y) () (x ? y 2 F ). (a) Veri er que R est une relation d'equivalence. On note E 0 = E /F l'ensemble des classes d'equivalence pour cette

Au collège 4 glaces coûtent 5 €. Quel sera le prix de 10 glaces ? 15 Utilisation de la fonction linéaire associée à la situation Version dans le cadre algébrique de la technique précédente (COLLEGE): Soit f la fonction linéaire qui associe, au nombre n de glaces, la mesure du prix p à payer, l’unité de prix étant l’euro : p = f(n) = a × n avec a coefficient de la fonction linéaire On sait que f(4) = 5 donc 4 a = 5 soit a = 5 : 4 = 1,25 D’où p = f(n) = 1,25 n. Chercher le prix de 10 glaces

Algèbre linéaire Sommes-nous dans la matrice ? Aller voir Matrix. Qu’est ce qu’un problème linéaire ? Demandons en premier lieu qu’est ce qu’un problème ? Soient E et S deux ensembles. L’ensemble E est l’ensemble des entrées ( ou des données) et S l’ensemble des sorties. Un problème P est un élément du sous-ensemble Ensuite, quand ce problème est-il linéaire ? Quand il existe une relation linéaire entre les entrées et le sorties. Illustration : la linéarisation d’un problème

Ajustement linéaire : Méthode des moindres carrées Le nuage de points permet de spécifier la forme de la relation , c’est à dire de trouver la courbe qui ajuste le mieux le nuage de point ainsi représenté. Cette courbe peut être : - une droite en parle dans ce cas d’ajustement linéaire - parabolique en parle d’ajustement non linéaire L’objectif donc du nuage de point est de trouver la courbe qui passe la plus proche possible de tous les points. 6 Soit l’équation Yt = aX t + b Où Y est

. . . . . . . . . . . . . . . . . . . . . 2 Optimisation et LMI 2.1 Généralités . . . . . . . . . . . . . 2.2 Minimisation sans contraintes . . . 2.3 Minimisation avec contraintes . . . 2.4 Optimisation convexe . . . . . . . . 2.5 Programmation linéaire . . . . . . 2.6 Programmation semi-définie - LMI 2.7 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 7 13 23 28 28

réelle . . . . . . . . . . . . . . . . 2.2 Notion de limite . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Fonctions continues . . . . . . . . . . . . . . . . . . . . . . . . 2.4 Cas particulier : applications linéaires et multilinéaires continues 2.4.1 Applications linéaires continues . . . . . . . . . . . . . 2.4.2 Applications multilinéaires continues . . . . . . . . . . 2.5 Coordonnées polaires . . . . . . . . . . . . . . . . . . . . . . . 2.6 Propriétés des fonctions continues sur un

usuels . . . . . . 7 7 12. Applications Linéaires 12.1. Applications linéaires . . . . . . . . 8 12.2. s-e-v stable par f . . . . . . . . . . 8 12.3. Image et noyau . . . . . . . . . . . 8 12.4. Projecteur . . . . . . . . . . . . . . 8 12.5. Théorème du rang . . . . . . . . . 12.6. Système linéaire . . . . . . . . . . . 8 9 9 13. Matrices 13.1. Généralités . . . . . . . . . . . . . . 13.2. Généralités sur les matrices carrées 9 13.3. Matrice d’une application linéaire . 9 13.4. Matrice de Passage . .

est représentée en mathématiques par une fonction …………. Une fonction affine est une relation de la forme f(x) = …………………. Une droite, non parallèle à l’axe des ordonnées, est la représentation graphique d’une ……………... Le graphique d'une fonction linéaire est ……………………………………….. Exercice II (2 points) Tracer un repère orthogonal, prendre : en abscisse : 1 cm pour 1 unité, en ordonnée : 1 cm pour 1 unité, Représenter graphiquement les fonctions suivantes : f :x ® - 2x + 3 (en rouge) g :x ® 4x

8 2 x1 + 3 x2 - x3 + x4 ( 10 Résolvez par la méthode du simplexe le problème obtenu lorsque la fonction objectif est donnée par: |a) |max z |= | 2x1 |+ x2 |- 3x3 |+ 5x4 | |b) |max z |= |- 2x1 |+ 6x2 |+ 3x3 |- 2x4 | |c) |max z |= | 3x1 |- x2 |+ 3x3 |+ 4x4 | |d) |min z |= | 5x1 |- 4x2 |+ 6x3 |+ 8x4 | |e) |min z |= | 3x1 |+

SOMMAIRE INTRODUCTION GENERALE 3 1. LA NOTION DE MODELE 3 2. CONSTRUCTION DES MODELES ECONOMETRIQUES-ROLE DE L’ECONOMETRIE 3 CHAPITRE I : REGRESSION LINEAIRE SIMPLE ET REGRESSION LINEAIRE MULTIPLE 7 I- REGRESSION LINEAIRE SIMPLE 7 1. Description du modèle : exemple introductif 7 2. Le modèle et ses hypothèses 8 3. Formulation des estimateurs : les moindres carrées 8 4. Hypothèse de normalité des erreurs 12 5. Equation et tableau d’analyse de la variance 13 II- LE