Leçon 229 - Fonctions monotones. Fonctions convexes.

Exemples et – Une fonction f : [a, b] → R est à variations bornées ssi il existe M tel que pour toute
Pn−1
applications. subdivision σ de [a, b], k=0 |f (xk+1 ) − f (xk )| ≥ M .
1. Fonctions monotones. — – Def : Vab (f )
On se place ici sur I un intervalle de R. – Les fonctions monotones sont à variations bornées. Rb
– Les fonction de C 1 ([a, b], R) sont à variations bornées, et on a Vab (f ) = a |f 0 (x)|dx
1. Définition et premières propriétés. — via Taylor-intégral à l’ordre 1 + le th des accroissements finis.
– Définition d’une fonction monotone f : I → R, strictement monotone. – Les fonctions à variation bornées sont la somme d’une fonct croiss et d’une fonct
– Ex : f (x) = ax + b, f (x) = 2x sur R+ , f (x) = x21+1 sur R+ . décroiss. Ainsi, BV ([a, b]) est le R-ev engendré par les fonctions monotones. (Poser
– La combi lin à coeffs positifs de fonctions croiss est croiss. Si f croiss, -f décroiss. Si g(x) = Vax (f ) et h(x)
 = g(x)1 − f (x)).
 [Link]( ) si x 6= 0
f croiss positive, 1/f décroiss. Si f,g croiss, f ◦ g aussi. Si f,g décroiss, f ◦ g croiss. – Contre-ex : f (x) =  x est continue sur [0, 1] mais pas à variations
– Le produit de fonctions monotones n’est pas forcément monotone (ex : f (x) = x∗x). 0 sinon
bornées.
Pareil pour l’inverse si f non-nulle. Croiss + décroiss = n’importe quoi.
– La fonction de répartition d’une v.a. réelle est croissante.
2. Fonctions convexes. —
2. Régularité et caractérisation des fonctions monotones. — Dans le cas général, on regarde f : U → R où U est un ouvert convexe d’un R-ev E :
– Pour xn → x et f monotone, la suite f (xn ) est convergente. ∀x, y ∈ U ∀λ ∈ [0, 1] λ.x + (1 − λ).y ∈ U .
– Les fonctions monotones sont réglées. 1. Définitions et premières propriétés. —
– L’ensemble des points de discontinuité d’une fonction monotone est au plus dénom-
– Def de convexité, stricte convexité, forte convexité, concavité.
brable.  1
 n si ϕ(n) < x P – Ex : une norme sur E, < Ax, x > sur Rn pour A ∈ Sn++ , exp sur R.
– ex : Pour ϕ : N → Q∩]0, 1[ bijective, un (x) :=   2 , et f = n≥0 un , – La somme de fonct convexes est convexe, la limite simple aussi. Si f est convexe, -f
0 sinon
f est strict croiss sur ]0, 1[ et discontinue en tout point rationnel. est concave.
– Une fonction monotone est continue ssi son image est un intervalle. – Le produit de fonct convexes n’est pas forcément convexe (f (x) = x2 .x non-convexe).
– Une fonction strictement monotone est injective. – (cas réel)La composée de fonct convexes n’est pas forcément convexe (f (x) = (ex )2 −
– Si f : I → R est strictement monotone et continue, alors c’est un homéomorphisme 1000ex non-convexe)(sa dérivée seconde en 0 est strict négative)
sur son image. – (cas réel) Si f continue, bijective sur son image, et convexe, alors f −1 est concave.
– Si f de classe C 1 , f monotone ssi f 0 ≥ 0 ou f 0 ≤ 0, avec stricte monotonie ssi Ex : exp et log.
l’ensemble des zéros de z’ est d’intérieur vide. – Def de la log-convexité. Une fonction log-convexe est convexe.
– Les fonctions monotones sont dérivables presque partout (admis) – Ex : exp et Γ. (admis) Γ est l’unique fonction log-convexe qui vaut 1 en 0 et tq
Γ(x + 1) = xΓ(x).
3. Suites de fonctions monotones. —
2. Caractérisation des fonctions convexes. —
– Une limite simple de fonctions croiss est croiss. f (x)+f (y)
n – Une fonct cont est convexe ssi f ( x+y 2 )≤ . Contre-ex : Indicatrice de Q.
– Ex : f (x) = n≥0 n.x2 est croiss sur [0, 1[.
P 2
f (x)−f (x0 )
– Théorèmes de Dini : Soit fn : [a, b] → R suite de fonctions continues convergeant – Propriété des 3 cordes. x ∈ I − {x0 } 7→ x−x0 est croissante.
simplement vers une fonction f continue. Si la suite des fn est croissante, alors la – Si f est différntiable sur U, alors pour x, y ∈ U , D(f ) est croissante sur [x, y]. Dans
convergence est uniforme. le cas réel, f’ est croissante sur I.
– Ou bien, si les fn sont des fonctions croissantes et f est continue, alors la convergence – Les fonct convexes ne sont pas toutes différentiables, ex |x|.
est uniforme. – Si f est D2 en x, alors sa hessienne est positive. Ex : < Ax, x >, f (x) = x4 .
– Contre-ex : fn (x) = 1 − xn sur [0, 1]. Les fn sont une suite croissante de fonctions – f (x) = 21 < Ax, x > − < b, x > est fortement convexe ssi A définie positive, et on
croissantes qui cv simplement, mais leur limite n’est pas continue et la cv ne peut connaît la constante de forte convexité. Donc < Ax, x > est coercive.
donc pas être uniforme. 3. Propriétés de régularité. —
4. Fonctions à variations bornées. — – f est convexe et concave ssi elle est affine
 – f : R → R convexe est majorée/minorée ssi elle est constante. d’adhérence pour la convergence faible, et une telle valeur d’adhérence α vérifie
– Appli aux solutions non-nulles de y” − q(x).y = 0, elles sont convexes non-bornées.f (α) = inf (f ).
– Une fonction convexe est continue dans toutes les directions. – Rem : L’existence de valeur d’adhérence faibles de suites minimisantes, et leur pro-
– Une fonction convexe sur une boule de Rn est continue. priété de minimisation, permet l’étude de solutions faibles d’équations différentielles
– (cas réel) Une fonction convexe est dérivable à gauche et à droite en tout point. dans des espaces de Hilberts comme les espaces de Sobolev.
– (cas réel) l’ensemble des points tq fd0 6= f 0 g est au plus dénombrable. Références
– Si f est convexe et dérivable alors f’ est C 1 . Ramis-Deschamps-Odoux : Partie fonctions monotones.
– En dim n on a l’existence de dérivées partielles en tout point et une différentiabilité
Gourdon : Th de Dini, Partie sur les variations bornées, suites récurrentes monotones.
pp (admis) Briane-Pagès : Inégalités de Hölder, Minkowski.
Rombaldi : Fonctions convexes, régularité, Inégalités de monotonie.
3. Applications de la monotonie et de la convexité. — Hiriart-Urruty : f (x) = 12 < Ax, x > − < b, x > , Gradient à pas conjugué.
1. Etude de suites et de séries. — Gonnord,Tosel : Différentiabilité pp d’une fonction convexe en dim n.
– Trucs sur la monotonie de suties récurrentes ??. Exemple du sinus, comparaison Ciarlet : Optimisation dans un Hilbert.(Dev)
série-intégrale, application à la série harmonique. Ouvrard : Processus de Galton-Watson.(Dev)
– Dev : Processus de Galton-Watson. Hauchecorne : Contre-exemples.

2. Inégalités de monotonie. —
July 7, 2017
– cf : Rombaldi
Vidal Agniel, École normale supérieure de Rennes

3. Inégalités de convexité. —
– Inégalité arithmético-géométrique (via exp et ln)
p q
– Inégalité de Young : ab ≤ ap + bq pour a, b ∈ R+ et p1 + 1q = 1, avec égalité ssi
ap = bq . (le cas p=q=2 se démontre polynômialement. le cas général se démontre
avec l’inégalité arithmético-géométrique)
– Inégalité de Jensen : Pour g : [0, 1] →]a, b[ continue et f :]a, b[→ R convexe,
R1 R1
f ( 0 g(x)dx ≤ 0 f (g(x))dx. Donc pour X v.a. réelle intégrable, f (E[X]) ≤
E[f (X)].
– Inégalité de Hölder : kf gkr ≤ kf kp .kgkq , où 1r = p1 + 1q . (Vrai aussi pour p = ∞ et
q = 1).
– Inégalité de Minkowski : kf + gkp ≤ kf kp + kgkp Les Lp sont des evn et L2 est
préhilbertien.
– Si f ∈ Lp ∩ Lq alors f ∈ LRr pour tout
R p ≤ r ≤ q.
– Lemme de Fatou : lim inf( fn ) ≤ lim inf(fn ). Les Lp sont complets pour [Link] .
4. Optimisation. —
– Si f est convexe, tout min local est global. Si f admet des extrema et est strictement
convexe, le minimum est unique. Si f est fortement convexe et continue, elle est
coercive donc elle admet un unique minimum.
– Méthode du gradient à pas optimal/conjugué
– Dev : Optimisation dans un Hilbert : Soit H un espace de Hilbert et f : H → R
une fonction continue, coercive, et convexe. Alors f atteint son minimum dans H.
De plus, pour une suite (an )n telle que f (an ) → inf (f ), (an )n possède des valeurs