programme
Lire la dérivée avec la tangente
Tableau de variations d'une fonction - Niveau 1 - Polynôme - Exemple
Tableau de variations d'une fonction - Niveau 2 - Produit - Exemple
Tableau de variations d'une fonction - Niveau 3 - Quotient - Exemple
Maximum, minimum, extremum d'une fonction - problèmes
Recette coût bénéfice maximal - fonction dérivation
Démonstrations des formules de dérivation & exercices plus théoriques
https://ababsurdo.fr/blog/20150116-vtt/vtt-nup.pdf Act intro nb dérivé
Equation de tangente connaissant f(a) et f’(a)squelettemtg32_Reduire_Eq_Droite_Param
Equation de tangente (courbe d’équation y=c/d*x²)squelettemtg32_Reduire_Eq_Droite_Param
Tangente et polynôme du second degrésquelettemtg32_Reduire_Eq_Droite_Param
Equation de tangente (courbe d’équation y=k/x)squelettemtg32_Reduire_Eq_Droite_Param
Savoir lire f(a) et f’(a). Niveau 1.squelettemtg32_Calc_Param_Multi_Edit
Savoir lire f(a) et f’(a). Niveau 2.squelettemtg32_Calc_Param_Multi_Edit
Savoir lire f(a) et f’(a). Bilan.squelettemtg32_Calc_Param_Multi_Edit
Étude de fonction sur un intervalle fermé borné (1)
Dérivée de x↦k*x^n avec k ≥ 2, n ≥ 2 entierssquelettemtg32_Deriv_Param
Dérivée de x↦(ax+b)/(cx+d) (Fonction homographique)squelettemtg32_Deriv_Param
Taux de variation d'une fonction entre deux nombres
♦ Comprendre le taux de variation d'une fonction entre deux nombres.
♦ Savoir calculer le taux de variation d'une fonction entre deux nombres.
♦ Savoir déterminer graphiquement le taux de variation d'une fonction entre deux nombres.
Nombre dérivé d'une fonction en un nombre
♦ Comprendre le taux de variation entre a et a+h.
♦ Comprendre le nombre dérivé.
♦ Comprendre comment calculer un nombre dérivé.
♦ Savoir calculer un nombre dérivé avec la fonction carrée.
♦ Savoir calculer un nombre dérivé avec une fonction du second degré.
♦ Savoir calculer un nombre dérivé avec la fonction inverse.
♦ Savoir calculer un nombre dérivé cas général.
♦ Comprendre la définition de la tangente à une courbe.
♦ Savoir déterminer graphiquement un nombre dérivé.
♦ Comprendre l'équation d'une tangente à une courbe.
♦ Savoir déterminer graphiquement l'équation d'une tangente à une courbe.
♦ Savoir construire une tangente à une courbe.
♦ Savoir déterminer l'équation d'une tangente par le calcul.
Démonstrations exigibles
♦ La fonction racine carrée n'est pas dérivable en zéro.
♦ Équation de la tangente à une courbe.
Fonctions dérivées des fonctions de références
♦ Comprendre la fonction dérivée.
♦ Fonction dérivée d'une fonction affine.
♦ Fonction dérivée de la fonction carrée.
♦ Fonction dérivée de la fonction cube.
♦ Fonction dérivée de la fonction inverse.
♦ Fonction dérivée de la fonction racine carrée.
♦ Fonction dérivée de la fonction valeur absolue.
♦ Savoir appliquer les formules de dérivées des fonctions usuelles.
Opérations sur les fonctions dérivées
♦ Comprendre la fonction dérivée d'une somme de fonctions.
♦ Savoir dériver une somme de fonctions.
♦ Savoir dériver une fonction polynôme.
♦ Comprendre la fonction dérivée d'un produit de fonctions.
♦ Savoir dériver un produit de fonctions.
♦ Comprendre la fonction dérivée d'un quotient de fonctions.
♦ Savoir dériver l'inverse d'une fonction.
♦ Savoir dériver un quotient de fonctions.
♦ Savoir dérivée une fonction composée.
♦ Savoir déterminer l'équation d'une tangente niveau 2.
Fonction dérivée et sens de variation
♦ Comprendre le lien signes f ' et variations de f.
♦ Savoir compléter un tableau de variations avec le signe de la dérivée.
♦ Savoir établir le tableau de signes d'une fonction dérivée avec une courbe.
♦ Savoir construire une courbe avec le signe de la dérivée.
♦ Comprendre comment étudier les variations d'une fonction.
♦ Savoir étudier les variation d'un polynome du 2° degré.
♦ Savoir étudier les variation d'un polynome du 3° degré.
♦ Savoir étudier les variations d'une fonction rationnelle.
♦ Savoir déterminer les extremums d'une fonction.
♦ Savoir déterminer la position relative de deux courbes.
Démonstrations exigibles
♦ Expression de la fonction dérivée de la fonction carrée.
♦ Expression de la fonction dérivée de la fonction inverse.
♦ Expression de la fonction dérivée d'un produit de fonctions.
♦ Calculateur de fonction dérivée.
non dérivabilité
pente
la pente en pourcentage (%)
Principe (le concept physique)
La pente en pourcentage est une manière très intuitive de représenter le ratio. Elle indique de combien de mètres on monte ou descend pour une distance horizontale de 100 mètres. C’est l’expression la plus courante dans le domaine routier et pour le grand public.
Concrètement
Vous voyez cette expression tous les jours sur les panneaux de signalisation routière. Un panneau indiquant “10%” signifie que sur les 100 prochains mètres (mesurés à l’horizontale), la route va descendre (ou monter) de 10 mètres. C’est une information cruciale pour les conducteurs, notamment les poids lourds.
LES ANGLES SONT CALCULES PAR LA TRIGO (TAN)
DESCENTE DE GRADIENT :regression-non-lineaire-par-descente-de-gradient
https://regression-non-lineaire-par-descente-de-gradient-fce6d0.forge.apps.education.fr/
Les graphiques sont déjà inclus dans ma réponse précédente ! Voici à nouveau les visuels pour la régression quadratique par descente de gradient :
Points bleus : Données générées avec bruit.
Courbe rouge : Modèle optimisé y=0.62x2+1.89x+0.34y = 0.62x^2 + 1.89x + 0.34y=0.62x2+1.89x+0.34.
Courbe verte : Montre comment l’erreur (coût) diminue à chaque itération, jusqu’à convergence.
Le modèle s’ajuste bien aux données, malgré le bruit.
La fonction de coût diminue rapidement, ce qui confirme que l’algorithme fonctionne correctement.
Si tu veux explorer d’autres types de fonctions ou des détails supplémentaires, n’hésite pas à demander !
La régression est une méthode qui permet de modéliser la relation entre une variable dépendante (ce qu’on veut prédire, par exemple le prix d’une maison) et une ou plusieurs variables indépendantes (par exemple la taille de la maison).
Régression linéaire : On suppose que la relation est une droite (ex : y=ax+by = ax + by=ax+b).
Régression non linéaire : La relation est plus complexe (ex : y=ax2+by = ax^2 + by=ax2+b, y=a⋅ebxy = a \cdot e^{bx}y=a⋅ebx, etc.).
Exemple concret : Si on veut modéliser la croissance d’une population de bactéries, une fonction exponentielle (y=a⋅ebxy = a \cdot e^{bx}y=a⋅ebx) sera plus adaptée qu’une droite.
La descente de gradient est un algorithme qui permet de trouver les meilleurs paramètres (comme aaa et bbb) pour que la fonction s’adapte au mieux aux données.
Idée de base : On part d’une estimation initiale des paramètres, puis on les ajuste petit à petit pour minimiser l’erreur entre les valeurs prédites et les valeurs réelles.
On utilise une fonction de coût (souvent l’erreur quadratique moyenne) pour mesurer à quel point notre modèle est éloigné des données réelles.
Erreur=1n∑i=1n(yi−y^i)2\text{Erreur} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2Erreur=n1i=1∑n(yi−y^i)2
où yiy_iyi est la valeur réelle et y^i\hat{y}_iy^i la valeur prédite par le modèle.
On ajuste les paramètres dans la direction qui réduit le plus l’erreur, en utilisant la dérivée de la fonction de coût.
Formule de mise à jour :
anouveau=aancien−α⋅∂Erreur∂aa_{\text{nouveau}} = a_{\text{ancien}} - \alpha \cdot \frac{\partial \text{Erreur}}{\partial a}anouveau=aancien−α⋅∂a∂Erreur bnouveau=bancien−α⋅∂Erreur∂bb_{\text{nouveau}} = b_{\text{ancien}} - \alpha \cdot \frac{\partial \text{Erreur}}{\partial b}bnouveau=bancien−α⋅∂b∂Erreur
où α\alphaα est le taux d’apprentissage (un petit nombre qui contrôle la taille des pas).
On répète cette mise à jour jusqu’à ce que l’erreur soit suffisamment petite.
Imaginez une montagne. Vous êtes en haut et vous voulez descendre au point le plus bas (le minimum de la fonction de coût). À chaque pas, vous regardez la pente sous vos pieds et vous descendez dans la direction la plus raide.
Pour une fonction non linéaire (par exemple y=a⋅ebxy = a \cdot e^{bx}y=a⋅ebx) :
On calcule les dérivées partielles de l’erreur par rapport à aaa et bbb.
On met à jour aaa et bbb comme ci-dessus.
Choisir une fonction non linéaire adaptée aux données.
Initialiser les paramètres (par exemple a=1a = 1a=1, b=0b = 0b=0).
Calculer l’erreur.
Calculer les dérivées partielles de l’erreur par rapport à chaque paramètre.
Mettre à jour les paramètres.
Répéter jusqu’à convergence.
Taux d’apprentissage trop grand : On peut "sauter" par-dessus le minimum.
Taux d’apprentissage trop petit : La convergence sera très lente.
Minima locaux : La descente de gradient peut s’arrêter dans un minimum local (pas le meilleur minimum global).
En Python, on utilise souvent des bibliothèques comme scikit-learn pour faire cela automatiquement, mais comprendre le principe permet de mieux interpréter les résultats.
Si vous deviez modéliser la trajectoire d’un ballon lancé en l’air, quelle fonction non linéaire utiliseriez-vous ? Pourquoi ?
Voici les résultats pour une régression non linéaire par descente de gradient avec une fonction du second degré :
Graphique de gauche : Les points bleus représentent les données (avec un peu de bruit), et la courbe rouge est le modèle optimisé y=0.62x2+1.89x+0.34y = 0.62x^2 + 1.89x + 0.34y=0.62x2+1.89x+0.34 trouvé par la descente de gradient.
Graphique de droite : L’évolution de la fonction de coût au fil des itérations, qui diminue jusqu’à se stabiliser.
!
Régression quadratique par descente de gradient
Modèle trouvé : y=0.62x2+1.89x+0.34y = 0.62x^2 + 1.89x + 0.34y=0.62x2+1.89x+0.34 (proche de la vraie fonction y=0.5x2+2x+1y = 0.5x^2 + 2x + 1y=0.5x2+2x+1 utilisée pour générer les données).
Fonction de coût : Elle diminue rapidement, ce qui montre que l’algorithme converge vers une bonne solution.
Remarque : Le taux d’apprentissage (α=0.001\alpha = 0.001α=0.001) a été ajusté pour assurer une convergence stable. Un taux trop grand pourrait faire "osciller" la descente, tandis qu’un taux trop petit ralentirait la convergence.
Question pour les élèves : Si on ajoutait un terme cubique (x3x^3x3) à la fonction, comment adapteriez-vous la descente de gradient ? Quels nouveaux paramètres devriez-vous estimer ?
algorithme itératif de Newton
https://scienceetonnante.substack.com/p/le-plus-gros-hack-de-lhistoire-du
La méthode de Newton est un algorithme permettant de façon générale de trouver une solution approchée d’une équation de la forme f(x) = 0.