CONNEXION
  • RetourJeux
    • Sorties
    • Hit Parade
    • Les + populaires
    • Les + attendus
    • Soluces
    • Tous les Jeux
    • Gaming
  • RetourActu Gaming
    • News
    • Astuces
    • Tests
    • Previews
    • Toute l'actu gaming
  • RetourBons plans
    • Bons plans
    • Bons plans Smartphone
    • Bons plans Hardware
    • Bons plans Image et Son
    • Bons plans Amazon
    • Bons plans Cdiscount
    • Bons plans Decathlon
    • Bons plans Fnac
    • Tous les Bons plans
  • RetourJVTech
    • Actus High-Tech
    • Intelligence Artificielle
    • Smartphones
    • Mobilité urbaine
    • Hardware
    • Image et son
    • Tutoriels
    • Tests produits High-Tech
    • Guides d'achat High-Tech
    • JVTech
  • RetourCulture
    • Actus Culture
    • Culture
  • RetourVidéos
    • A la une
    • Gaming Live
    • Vidéos Tests
    • Vidéos Previews
    • Gameplay
    • Trailers
    • Chroniques
    • Replay Web TV
    • Toutes les vidéos
  • RetourForums
    • Hardware PC
    • PS5
    • Switch 2
    • Xbox Series
    • Switch
    • Pokemon pocket
    • FC 25 Ultimate Team
    • League of Legends
    • Tous les Forums
  • PC
  • PS5
  • Xbox Series
  • Switch 2
  • PS4
  • One
  • Switch
  • iOS
  • Android
  • MMO
  • RPG
  • FPS
En ce moment Genshin Impact Valhalla Breath of the wild Animal Crossing GTA 5 Red dead 2
Liste des sujets

La convexité d'un gradient

CrotteDeKaaris
CrotteDeKaaris
Niveau 6
02 octobre 2020 à 13:07:04

Soit f(x,y)=x^4/y
Grad f(x,y)= (4x^3/y) et (-x^4/y^2)
Une fonction est dite convexe si sa derivee est croissante sur I
Ici I = ]0,+oo[

Comment je fais pour le gradient ?

[Ban]PTSI-PT
[Ban]PTSI-PT
Niveau 10
02 octobre 2020 à 13:17:28

Quand tu as plus d'une dimension un gradient croissant ça n'a pas vraiment de sens effectivement, mais cela revient à dire que la dérivée seconde de ta fonction positive et ça ça se généralise quand tu as plusieurs variables; pour que ta fonction soit convexe il faut et il suffit que sa matrice hessienne soit définie positive en tout point, la matrice hessienne étant l'analogue de la dérivée seconde pour une fonction de plusieurs variables soit la matrice dont les coefficients sont les d2f/dxidxj

Message édité le 02 octobre 2020 à 13:17:41 par [Ban]PTSI-PT
CrotteDeKaaris
CrotteDeKaaris
Niveau 6
02 octobre 2020 à 13:22:37

Le 02 octobre 2020 à 13:17:28 [Ban]PTSI-PT a écrit :
Quand tu as plus d'une dimension un gradient croissant ça n'a pas vraiment de sens effectivement, mais cela revient à dire que la dérivée seconde de ta fonction positive et ça ça se généralise quand tu as plusieurs variables; pour que ta fonction soit convexe il faut et il suffit que sa matrice hessienne soit définie positive en tout point, la matrice hessienne étant l'analogue de la dérivée seconde pour une fonction de plusieurs variables soit la matrice dont les coefficients sont les d2f/dxidxj

Merci ! Ca justifie aussi la stricte convexité ?

[Ban]PTSI-PT
[Ban]PTSI-PT
Niveau 10
02 octobre 2020 à 13:38:07

[13:22:37] <CrotteDeKaaris>

Le 02 octobre 2020 à 13:17:28 [Ban]PTSI-PT a écrit :
Quand tu as plus d'une dimension un gradient croissant ça n'a pas vraiment de sens effectivement, mais cela revient à dire que la dérivée seconde de ta fonction positive et ça ça se généralise quand tu as plusieurs variables; pour que ta fonction soit convexe il faut et il suffit que sa matrice hessienne soit définie positive en tout point, la matrice hessienne étant l'analogue de la dérivée seconde pour une fonction de plusieurs variables soit la matrice dont les coefficients sont les d2f/dxidxj

Merci ! Ca justifie aussi la stricte convexité ?

Je suis plus trop sur j'ai pas envie de dire de la merde :hap:

Ah et j'ai supposé sans vergognent que ta fonction était C2 mais si elle est juste C1 il faut que <gradf(x)-gradf(y)|x-y> soit positif pour tout x et y

Sous forums
  • Histoire
  • Environnement & Nature
  • Politique
  • Cours et Devoirs
  • Philosophie
  • Métiers & Orientation
La vidéo du moment