1 Espaces vectoriels normés de dimension finie
1.1 Rappel sur les espaces vectoriels normés de dimension
finie
1.1.1 Espaces vectoriels normés
i) Espaces vectoriels
ii) Dimension finie
iii) Les normes
iv) Espaces vectoriels normés de dimension finie
1.2 Résultats topologiques
1.2.1 Équivalence des normes
i) Deux normes équivalentes
ii) Cas de dimension finie
1.2.2 Complétude et fermé
i) Espace vectoriel normé complet
ii) Cas de dimension finie
iii) Contre-exemple
iv) Fermé d’un espace vectoriel normé
v) Cas de dimension finie
vi) Contre-exemple
1.3 Continuité des applications linéaires
1.3.1 Application linéaire
i) Définition d’une application linéaire
ii) Quelques propriétés d’une application linéaire
1.3.2 Continuité
i) Continuité d’une application linéaire dans le cas général
ii) Cas de dimension finie
1.4 Compacité
1.4.1 Espace métrique compact
i) Définition de compacité dans le cas général
ii) Théorème de Bolzano-Weierstrass
iii) Caractérisation des compacts
1
1.4.2 Compacité des boules fermées
i) Lemme de Riesz
ii) Théorème de Riesz
iii) Autres résultats
2 Espaces hilbertiens et projection
2.1 Généralités
2.1.1 Projections dans un espace de Hilbert
(i) Propriété d’existence et d’unicité de la projection sur un convexe fermé
(ii) Projection orthogonale sur un sous-espace vectoriel fermé
(iii) Cas particulier : dimension finie et existence automatique d’un minimum
de distance
2.1.2 Adjoint d’un opérateur
(i) Définition de l’adjoint par le produit scalaire
(ii) Propriétés fondamentales de l’adjoint
⊤
(iii) Exemples matriciels en dimension finie : T ∗ = T ⊤ sur Rn , T ∗ = T sur
Cn
2.1.3 Dualité et orthogonalité
(i) Décomposition orthogonale : E = F ⊕ F ⊥
(ii) Lien entre injectivité et densité de l’image via l’adjoint
(iii) Applications en dimension finie : identification des espaces et des ortho-
gonaux
2.2 Application aux séries de Fourier
2.2.1 Structure hilbertienne de l’espace D
(i) Définition du produit scalaire sur D
(ii) Norme hilbertienne associée
(iii) Famille orthonormale des exponentielles (en )n∈Z
2.2.2 Projection sur des sous-espaces de dimension finie
(i) Décomposition D = Pn ⊕ Pn⊥
(ii) Approximation optimale par projection orthogonale
(iii) Inégalité de Bessel et interprétation quadratique
(iv) Lien avec l’égalité de Parseval (en dimension finie : somme finie)
2
2.3 Application aux polynômes
2.3.1 Interpolation de Lagrange
(i) Définition et existence du polynôme interpolateur
(ii) Expression explicite via les ℓi
2.3.2 Erreur d’interpolation
(i) Erreur d’approximation : formule avec πn+1 (x)
(ii) Dépendance à la répartition des points
(iii) Cas particulier : points équidistants
2.3.3 Meilleure approximation uniforme
(i) Existence d’un unique polynôme minimisant ∥f − qn ∥∞
(ii) Difficulté de calcul explicite
(iii) Approche par les polynômes de Jackson
3 Différentiabilité
3.1 Généralités sur la différentiabilité
3.1.1 Définitions fondamentales
(i) Définition de la différentiabilité en un point
(ii) Dérivée selon un vecteur
(iii) Dérivées partielles
(iv) Matrice jacobienne
3.1.2 Propriétés spécifiques à la dimension finie
(i) Indépendance de la norme pour la différentiabilité
(ii) Continuité automatique des applications linéaires
(iii) Comparaison avec le cas de dimension infinie
3.2 Quelques résultats d’optimisation
3.2.1 Outils analytiques
(i) Définition d’une fonction C k
(ii) Théorème de Schwarz
(iii) Matrice hessienne et symétrie
3
3.2.2 Conditions d’optimalité
(i) Points critiques
(ii) Conditions nécessaires d’ordre 1 et 2
(iii) Test du second ordre pour un extremum
3.2.3 Extrema liés
(i) Théorème des multiplicateurs de Lagrange
(ii) Conditions de régularité
(iii) Exemple de l’inégalité arithmético-géométrique