Cours Complet de Calcul Différentiel en Dimension
superieur
2
Table des matières
1 La Matrice Jacobienne 7
1.1 Définition et Interprétation Géométrique . . . . . . . . . . . . . . . . . . . 7
1.2 Propriétés Fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Règle de Chaı̂ne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 La Matrice Hessienne 9
2.1 Définition et Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Géométrie Riemannienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Apprentissage Automatique . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3
4 TABLE DES MATIÈRES
Introduction
Ce cours propose une étude exhaustive du calcul différentiel en dimension supérieure.
Conçu pour des étudiants exigeants, il combine :
— Une approche rigoureuse avec preuves complètes
— Des exemples détaillés et exercices corrigés
— Des liens vers des sujets avancés (géométrie, IA)
5
6 TABLE DES MATIÈRES
Chapitre 1
La Matrice Jacobienne
1.1 Définition et Interprétation Géométrique
Définition 1.1.1 (Différentielle). Soit f : Rn → Rm différentiable en a. La différentielle
dfa est l’unique application linéaire vérifiant :
f (a + h) = f (a) + dfa (h) + o(∥h∥)
Remarque 1.1.1. Dans R, dfa (h) = f ′ (a)h. En dimension supérieure, c’est une combi-
naison linéaire des dérivées partielles.
Définition 1.1.2 (Matrice Jacobienne). La matrice Jf (a) ∈ Mm×n (R) est définie par :
∂f1 ∂f1
∂x1
(a) · · · ∂xn
(a)
Jf (a) = ... .. ..
. .
∂fm ∂fm
∂x1
(a) ··· ∂xn
(a)
Exemple 1.1.2 (Fonction vectorielle explicite). Soit f : R3 → R2 définie par :
f (x, y, z) = (x2 + yz, sin(xy))
Calculons Jf (1, 2, 3) :
2x z y 2 3 2
Jf = ⇒ Jf (1, 2, 3) =
y cos(xy) x cos(xy) 0 2 cos(2) cos(2) 0
1.2 Propriétés Fondamentales
1.2.1 Règle de Chaı̂ne
Théorème 1.2.1 (Forme différentielle). Soient f : Rn → Rm et g : Rm → Rp différentiables.
Alors :
d(g ◦ f )a = dgf (a) ◦ dfa
Remarque 1.2.2. Ce théorème permet de calculer des dérivées de fonctions composées
complexes, omniprésentes en physique et ingénierie.
Théorème 1.2.3 (Forme matricielle).
Jg◦f (a) = Jg (f (a)) · Jf (a)
7
8 CHAPITRE 1. LA MATRICE JACOBIENNE
Démonstration. Soient f = (f1 , ..., fm ) et g = (g1 , ..., gp ). Pour chaque composante (g◦f )i :
m
∂(gi ◦ f ) X ∂gi ∂fk
(a) = (f (a)) · (a)
∂xj k=1
∂y k ∂x j
Ce qui correspond au produit matriciel ligne-colonne :
[Jg (f (a))]ik · [Jf (a)]kj = [Jg (f (a)) · Jf (a)]ij
Chapitre 2
La Matrice Hessienne
2.1 Définition et Propriétés
Définition 2.1.1 (Matrice Hessienne). Pour f : Rn → R de classe C 2 , la hessienne est :
2
∂ f ∂2f
2 (a) · · · ∂x1 ∂xn
(a)
∂x1. . ..
Hf (a) =
.
. . . .
2
∂ f 2
∂ f
∂xn ∂x1
(a) · · · ∂x2
(a)
n
f (x)
Convexe Concave
Figure 2.1 – Interprétation géométrique de la convexité via la Hessienne
9
10 CHAPITRE 2. LA MATRICE HESSIENNE
Ouverture : Applications Modernes
2.2 Géométrie Riemannienne
La Hessienne devient un tenseur fondamental en géométrie différentielle. Pour une
variété riemannienne (M, g), le tenseur hessien d’une fonction f ∈ C ∞ (M ) s’écrit :
Hess(f )(X, Y ) = g(∇X ∇f, Y )
où ∇ est la connexion de Levi-Civita.
2.3 Apprentissage Automatique
— Descente de gradient de 2nd ordre : Utilisation de la Hessienne pour accélérer
la convergence
xk+1 = xk − Hf (xk )−1 ∇f (xk )
— Étude des minima : La Hessienne caractérise la ”forme” des minima dans les
réseaux de neurones
11
12 CHAPITRE 2. LA MATRICE HESSIENNE
Conclusion
Ce cours exhaustif a couvert les aspects fondamentaux et avancés du calcul différentiel
multivarié. Les matrices jacobienne et hessienne se révèlent être des outils indispensables
pour :
— L’analyse locale des fonctions
— L’optimisation non-linéaire
— La modélisation physique
— Les algorithmes d’apprentissage automatique modernes
Le calcul différentiel multivarié est le langage naturel
de la modélisation mathématique moderne.
13