Rédigé et vérifié par un professeur diplômé de l’École Polytechnique, avec le niveau d’exigence attendu en classe préparatoire. Découvrir le professeur
Le gradient d’une fonction de plusieurs variables est le vecteur qui regroupe ses dérivées partielles. Noté \(\nabla f\), il indique en chaque point la direction de plus forte croissance de la fonction et la vitesse de cette croissance. C’est l’objet central du calcul différentiel en prépa, à la charnière entre l’analyse et la géométrie.
En une seule variable, la dérivée \(f^\prime(a)\) contient toute l’information locale sur les variations de \(f\) : signe, pente, extremum. Dès que la fonction dépend de deux, trois ou \(n\) variables, un seul nombre ne suffit plus : il faut préciser dans quelle direction on regarde. Le gradient est exactement l’outil qui résout ce problème. Il condense les dérivées partielles en un vecteur unique, et sa lecture géométrique — plus forte pente, orthogonalité aux lignes de niveau — est réclamée à chaque concours. Cet article te donne la définition rigoureuse, les démonstrations exigibles, la méthode de calcul et les pièges classiques.
I. Qu’est-ce que le gradient d’une fonction ?
Le gradient est un vecteur attaché à un point. Sa définition repose entièrement sur les dérivées partielles : commençons par la poser proprement avant d’en dégager le sens.
A. Définition formelle
Définition — Gradient
Soit \(f\) une fonction définie sur un ouvert \(U \subset \mathbb{R}^n\), à valeurs dans \(\mathbb{R}\), admettant des dérivées partielles au point \(a = (a_1, \dots, a_n) \in U\). On appelle gradient de \(f\) en \(a\) le vecteur de \(\mathbb{R}^n\) :
\(\nabla f(a) = \left( \displaystyle\frac{\partial f}{\partial x_1}(a),\ \displaystyle\frac{\partial f}{\partial x_2}(a),\ \dots,\ \displaystyle\frac{\partial f}{\partial x_n}(a) \right)\)
Retiens la nature des objets en jeu : \(f\) est un champ scalaire (elle renvoie un nombre), mais son gradient \(\nabla f\) est un champ vectoriel (il renvoie un vecteur en chaque point). En dimension 2, pour \(f(x,y)\) :
\(\nabla f(x,y) = \left( \displaystyle\frac{\partial f}{\partial x}(x,y),\ \displaystyle\frac{\partial f}{\partial y}(x,y) \right)\)B. Notation, vocabulaire et conventions
Le symbole \(\nabla\) se lit « nabla ». On rencontre trois écritures équivalentes selon les auteurs :
- \(\nabla f(a)\) : la plus courante en prépa ;
- \(\mathrm{grad}\, f(a)\) : notation « en toutes lettres », fréquente en physique ;
- \(\overrightarrow{\mathrm{grad}}\, f(a)\) : notation fléchée qui insiste sur le caractère vectoriel.
L’opérateur nabla peut lui-même être vu comme le « vecteur symbolique » \(\nabla = \left( \displaystyle\frac{\partial}{\partial x_1}, \dots, \displaystyle\frac{\partial}{\partial x_n} \right)\). Cette vision est commode pour retrouver la divergence et le laplacien, mais c’est un abus formel à manier avec prudence : \(\nabla\) n’est pas un vecteur ordinaire.
Le gradient n’est pas la dérivée. En une variable, la dérivée est un nombre. Le gradient, lui, est un vecteur : il possède une direction et une norme. Écrire « \(\nabla f = 2x\) » pour \(f(x,y)=x^2+y\) est une faute — la bonne réponse est \(\nabla f = (2x,\,1)\).
C. La formule à retenir
Le lien entre gradient et différentielle est la relation fondamentale de tout le chapitre. Si \(f\) est différentiable en \(a\), sa différentielle \(\mathrm{d}f_a\) s’écrit comme un produit scalaire avec le gradient :
Formule clé : pour tout vecteur \(h \in \mathbb{R}^n\),
\(\mathrm{d}f_a(h) = \langle \nabla f(a),\, h \rangle = \displaystyle\sum_{i=1}^{n} \displaystyle\frac{\partial f}{\partial x_i}(a)\, h_i\)
Le gradient est donc le vecteur qui représente la différentielle via le produit scalaire canonique. C’est le théorème de représentation de Riesz appliqué à la forme linéaire \(\mathrm{d}f_a\).
Cette écriture explique tout ce qui suit : la dérivée directionnelle, la plus forte pente et l’orthogonalité aux lignes de niveau en découlent directement. Pour le calcul concret des composantes, tout repose sur la maîtrise des dérivées partielles et de la dérivation à une variable.
II. Interprétation géométrique : plus forte pente et lignes de niveau
La force du gradient tient à sa lecture géométrique. Deux propriétés le résument : il pointe vers la montée la plus raide, et il est perpendiculaire aux courbes où la fonction reste constante.
A. Dérivée directionnelle
Pour mesurer la variation de \(f\) au point \(a\) dans une direction donnée par un vecteur unitaire \(v\) (avec \(\|v\| = 1\)), on introduit la dérivée directionnelle :
\(D_v f(a) = \displaystyle\lim_{t \to 0} \displaystyle\frac{f(a + tv)- f(a)}{t}\)Lorsque \(f\) est différentiable en \(a\), la formule clé de la section I donne immédiatement :
\(D_v f(a) = \langle \nabla f(a),\, v \rangle\)Autrement dit, la variation dans n’importe quelle direction se lit comme la projection du gradient sur cette direction. C’est cette égalité qui va tout expliquer.
B. Direction de plus forte pente
Parmi toutes les directions unitaires \(v\), laquelle rend \(D_v f(a)\) maximale ? La réponse est le cœur géométrique du gradient.
Propriété — Plus forte pente
Si \(\nabla f(a) \neq 0\), la fonction \(f\) croît le plus rapidement dans la direction du gradient \(\displaystyle\frac{\nabla f(a)}{\|\nabla f(a)\|}\). La valeur maximale de la dérivée directionnelle vaut alors exactement \(\|\nabla f(a)\|\). À l’opposé, \(f\) décroît le plus vite dans la direction \(-\nabla f(a)\).
La norme du gradient a donc un sens très concret : c’est la pente maximale du terrain au point considéré. Un gradient long signale un relief abrupt, un gradient court une zone quasi plate.
La fiche gradient prête à réviser
Définition, formule clé, plus forte pente, orthogonalité et méthode de calcul : tout le gradient sur 2 pages PDF.
📄 Télécharger la fiche gradientIdéale pour les révisions de dernière minute avant une colle ou un DS.
C. Orthogonalité aux lignes de niveau
Une courbe de niveau (ou ligne de niveau) est l’ensemble des points où \(f\) prend une valeur constante : \(\{ x : f(x) = c \}\). En dimension 3, on parle de surface de niveau.
À retenir : en tout point, \(\nabla f(a)\) est orthogonal à la ligne (ou surface) de niveau passant par \(a\). Le gradient donne ainsi une normale au niveau, ce qui sert à écrire l’équation d’un plan tangent.
Cette propriété est intuitive : pour monter le plus vite, il faut couper les courbes de niveau perpendiculairement, jamais les suivre (les suivre laisserait \(f\) constante, donc \(D_v f = 0\)). On la démontre rigoureusement dans la section suivante.
III. Propriétés et théorèmes du gradient
Voici les résultats structurants, avec leurs démonstrations. Les deux premières sont exigibles et tombent régulièrement en colle ou à l’écrit.
A. Règles de calcul
Le gradient hérite de la linéarité de la dérivation. Pour \(f, g\) différentiables et \(\lambda, \mu \in \mathbb{R}\) :
- Linéarité : \(\nabla(\lambda f + \mu g) = \lambda\, \nabla f + \mu\, \nabla g\) ;
- Produit : \(\nabla(fg) = g\, \nabla f + f\, \nabla g\) ;
- Quotient : \(\nabla\!\left( \displaystyle\frac{f}{g} \right) = \displaystyle\frac{g\, \nabla f- f\, \nabla g}{g^2}\) (là où \(g \neq 0\)) ;
- Composition avec une fonction d’une variable : si \(\varphi : \mathbb{R} \to \mathbb{R}\) est dérivable, \(\nabla(\varphi \circ f) = \varphi^\prime(f)\, \nabla f\).
B. Démonstration — Direction de plus forte pente ⋆
Théorème. Soit \(f\) différentiable en \(a\) avec \(\nabla f(a) \neq 0\). Alors \(\displaystyle\max_{\|v\|=1} D_v f(a) = \|\nabla f(a)\|\), atteint pour \(v = \displaystyle\frac{\nabla f(a)}{\|\nabla f(a)\|}\).
Démonstration. Pour tout vecteur unitaire \(v\), on a \(D_v f(a) = \langle \nabla f(a), v \rangle\). L’inégalité de Cauchy-Schwarz donne :
\(\big| \langle \nabla f(a),\, v \rangle \big| \leq \|\nabla f(a)\| \cdot \|v\| = \|\nabla f(a)\|\)Donc \(D_v f(a) \leq \|\nabla f(a)\|\) pour toute direction. Le cas d’égalité de Cauchy-Schwarz est atteint si et seulement si \(v\) est colinéaire et de même sens que \(\nabla f(a)\), c’est-à-dire pour \(v = \displaystyle\frac{\nabla f(a)}{\|\nabla f(a)\|}\). La borne \(\|\nabla f(a)\|\) est donc bien atteinte, ce qui prouve le résultat. ∎
Ce raisonnement utilise le produit scalaire et la norme d’un vecteur : deux prérequis à maîtriser parfaitement avant d’aborder le gradient.
C. Démonstration — Orthogonalité aux lignes de niveau ⋆
Théorème. Soit \(f\) de classe \(\mathcal{C}^1\) sur un ouvert et \(a\) un point tel que \(f(a) = c\). Alors \(\nabla f(a)\) est orthogonal à tout vecteur tangent en \(a\) à la ligne de niveau \(\{ f = c \}\).
Démonstration. Soit \(\gamma : \, ]-\varepsilon, \varepsilon[ \, \to \mathbb{R}^n\) un arc dérivable tracé sur la ligne de niveau, avec \(\gamma(0) = a\) et \(f(\gamma(t)) = c\) pour tout \(t\). Le vecteur \(\gamma^\prime(0)\) est, par définition, tangent au niveau en \(a\).
La fonction \(t \mapsto f(\gamma(t))\) est constante égale à \(c\), donc sa dérivée est nulle. Or, par la règle de la chaîne :
\(\displaystyle\frac{\mathrm{d}}{\mathrm{d}t}\, f(\gamma(t)) = \langle \nabla f(\gamma(t)),\, \gamma^\prime(t) \rangle\)En \(t = 0\) : \(\langle \nabla f(a),\, \gamma^\prime(0) \rangle = 0\). Le gradient est donc orthogonal à tout vecteur tangent, donc à la ligne de niveau elle-même. ∎
D. Gradient et points critiques
Un point \(a\) où \(\nabla f(a) = 0\) est appelé point critique. C’est une condition nécessaire pour un extremum local sur un ouvert : si \(f\) atteint un extremum local en \(a\) et est différentiable, alors \(\nabla f(a) = 0\). La réciproque est fausse (penser au point selle). L’étude de la nature d’un point critique passe ensuite par la matrice hessienne ; c’est tout l’enjeu de la recherche d’un extremum d’une fonction de plusieurs variables.
Point critique ≠ extremum. Annuler le gradient ne suffit jamais à conclure à un minimum ou un maximum. Pour \(f(x,y) = x^2- y^2\), on a \(\nabla f(0,0) = (0,0)\), pourtant l’origine est un point selle : ni maximum, ni minimum.
IV. Calculer un gradient : méthode pas à pas
Le calcul d’un gradient se ramène toujours à une succession de dérivations partielles. Voici la démarche à appliquer systématiquement.
A. Les 3 étapes
- Étape 1 — Identifier les variables. Repère si \(f\) dépend de 2, 3 ou \(n\) variables : le gradient aura autant de composantes.
- Étape 2 — Dériver partiellement. Pour chaque variable \(x_i\), calcule \(\displaystyle\frac{\partial f}{\partial x_i}\) en traitant toutes les autres variables comme des constantes.
- Étape 3 — Assembler le vecteur. Range les dérivées partielles dans l’ordre des variables pour former \(\nabla f = \left( \displaystyle\frac{\partial f}{\partial x_1}, \dots, \displaystyle\frac{\partial f}{\partial x_n} \right)\). Évalue au point demandé si nécessaire.
Exemple : calculer le gradient de \(f(x,y) = x^2 y + 3y\) au point \(a = (1, 2)\).
Dérivée partielle en \(x\) (on traite \(y\) comme constante) : \(\displaystyle\frac{\partial f}{\partial x} = 2xy\).
Dérivée partielle en \(y\) (on traite \(x\) comme constante) : \(\displaystyle\frac{\partial f}{\partial y} = x^2 + 3\).
Donc \(\nabla f(x,y) = (2xy,\ x^2 + 3)\), puis \(\nabla f(1,2) = (4,\ 4)\).
Vérification du sens : \(\|\nabla f(1,2)\| = \sqrt{16 + 16} = 4\sqrt{2}\) est la pente maximale au point \((1,2)\).
B. Et en coordonnées polaires, cylindriques ou sphériques ?
Attention : la formule \(\nabla f = (\partial_x f, \partial_y f)\) n’est valable qu’en coordonnées cartésiennes. Dès que tu travailles en coordonnées polaires, cylindriques ou sphériques, l’expression du gradient fait apparaître des facteurs \(1/\rho\) liés à la base locale mobile. Le détail de ces expressions et leurs démonstrations sont traités sur la page dédiée : expression du gradient en coordonnées cylindriques et sphériques. Nous ne les reproduisons pas ici pour éviter toute confusion.
Passe aux exercices d’analyse vectorielle une fois la méthode maîtrisée.
V. Exemples résolus
Quatre applications en difficulté croissante, du calcul direct à la question de raisonnement. Cherche avant de dérouler la correction.
Exercice 1 — Gradient d’un polynôme ★
Soit \(f(x,y) = 3x^2- 2xy + y^3\). Calculer \(\nabla f(x,y)\) puis \(\nabla f(1,-1)\).
Voir la correction de l’exercice 1
Dérivée partielle en \(x\) : \(\displaystyle\frac{\partial f}{\partial x} = 6x- 2y\).
Dérivée partielle en \(y\) : \(\displaystyle\frac{\partial f}{\partial y} = -2x + 3y^2\).
Donc \(\nabla f(x,y) = (6x- 2y,\ -2x + 3y^2)\).
Au point \((1,-1)\) : \(6(1)- 2(-1) = 8\) et \(-2(1) + 3(-1)^2 = 1\).
Résultat : \(\nabla f(1,-1) = (8,\ 1)\).
Exercice 2 — Gradient d’une norme ★★
Soit \(r(x,y,z) = \sqrt{x^2 + y^2 + z^2}\), la distance à l’origine. Montrer que pour tout point \(M \neq O\), \(\nabla r\) est un vecteur unitaire, et donner sa direction.
Voir la correction de l’exercice 2
On dérive \(r = (x^2+y^2+z^2)^{1/2}\). Par la règle de la chaîne :
\(\displaystyle\frac{\partial r}{\partial x} = \displaystyle\frac{x}{\sqrt{x^2+y^2+z^2}} = \displaystyle\frac{x}{r}\)De même \(\displaystyle\frac{\partial r}{\partial y} = \displaystyle\frac{y}{r}\) et \(\displaystyle\frac{\partial r}{\partial z} = \displaystyle\frac{z}{r}\). Donc :
\(\nabla r = \displaystyle\frac{1}{r}(x,y,z) = \displaystyle\frac{\vec{OM}}{r}\)Sa norme vaut \(\|\nabla r\| = \displaystyle\frac{1}{r}\sqrt{x^2+y^2+z^2} = \displaystyle\frac{r}{r} = 1\) : le gradient est bien unitaire.
Sa direction est celle du vecteur \(\vec{OM}\) : le gradient de la distance pointe radialement, vers l’extérieur. C’est cohérent : pour s’éloigner le plus vite de l’origine, il faut suivre le rayon. ∎
Exercice 3 — Dérivée directionnelle ★★
Soit \(f(x,y) = e^{x} \cos y\). Calculer la dérivée de \(f\) au point \((0, 0)\) dans la direction du vecteur \(u = (3, 4)\).
Voir la correction de l’exercice 3
Attention : la dérivée directionnelle exige un vecteur unitaire. Or \(\|u\| = \sqrt{9+16} = 5\), donc on pose \(v = \displaystyle\frac{1}{5}(3,4)\).
Gradient : \(\displaystyle\frac{\partial f}{\partial x} = e^x \cos y\) et \(\displaystyle\frac{\partial f}{\partial y} = -e^x \sin y\), d’où \(\nabla f(0,0) = (1,\ 0)\).
Enfin : \(D_v f(0,0) = \langle \nabla f(0,0),\, v \rangle = \left\langle (1,0),\ \displaystyle\frac{1}{5}(3,4) \right\rangle = \displaystyle\frac{3}{5}\).
Résultat : \(D_v f(0,0) = \displaystyle\frac{3}{5}\). Si on avait oublié de normer \(u\), on aurait trouvé \(3\), soit cinq fois trop.
Exercice 4 — Plan tangent à une surface de niveau ★★★
Soit \(g(x,y,z) = x^2 + y^2- z\). La surface \(\{ g = 0 \}\) est le paraboloïde \(z = x^2 + y^2\). Déterminer l’équation du plan tangent au point \(A = (1, 1, 2)\).
Voir la correction de l’exercice 4
Le gradient de \(g\) est orthogonal à la surface de niveau : c’est donc un vecteur normal au plan tangent.
\(\nabla g = (2x,\ 2y,\ -1)\), donc \(\nabla g(A) = (2,\ 2,\ -1)\).
Le plan tangent en \(A=(1,1,2)\) de normale \((2,2,-1)\) a pour équation :
\(2(x-1) + 2(y-1)- (z-2) = 0\)soit après simplification : \(2x + 2y- z- 2 = 0\).
Le gradient fournit directement la normale — c’est l’usage géométrique le plus rentable de \(\nabla g\).
VI. Application : la descente de gradient en apprentissage automatique
Le gradient n’est pas qu’un objet de cours : c’est le moteur de l’optimisation numérique moderne, notamment de l’entraînement des réseaux de neurones. Voici l’idée mathématique, sans code.
On cherche à minimiser une fonction \(f : \mathbb{R}^n \to \mathbb{R}\) — typiquement une « fonction de coût » qui mesure l’erreur d’un modèle. Comme \(-\nabla f(x)\) est la direction de plus forte décroissance (démontré en section III), il est naturel de partir d’un point \(x_0\) et de se déplacer à chaque étape dans cette direction :
\(x_{k+1} = x_k- \eta\, \nabla f(x_k)\)Le réel \(\eta\) > \(0\) est le pas (ou « taux d’apprentissage »). Tant que \(\nabla f(x_k) \neq 0\), on peut montrer que pour \(\eta\) assez petit, \(f(x_{k+1})\) < \(f(x_k)\) : la suite des valeurs décroît. L’algorithme s’arrête quand le gradient devient (presque) nul, c’est-à-dire au voisinage d’un point critique.
Pourquoi ça marche : par le développement limité à l’ordre 1, \(f(x_k- \eta \nabla f) \approx f(x_k)- \eta\, \|\nabla f(x_k)\|^2\). Le terme retranché est strictement positif tant que le gradient est non nul, donc \(f\) diminue. C’est toute la magie : suivre \(-\nabla f\) garantit localement la descente.
Les subtilités (choix du pas, convergence vers un minimum global vs local, variante « stochastique ») dépassent le programme, mais l’essentiel est à ta portée dès la prépa : l’apprentissage automatique repose sur une propriété de calcul différentiel que tu sais démontrer. C’est un excellent exemple à glisser dans un oral pour montrer la portée du chapitre.
VII. Pièges classiques
Voici les erreurs qui reviennent le plus souvent en copie, avec leur diagnostic et la correction.
Piège n°1 — Oublier de normer la direction. La dérivée directionnelle \(D_v f(a) = \langle \nabla f(a), v \rangle\) n’a le sens géométrique de « pente » que si \(\|v\| = 1\). Beaucoup d’élèves calculent le produit scalaire avec un vecteur non unitaire et obtiennent une valeur fausse (souvent proportionnelle à la bonne). Réflexe : toujours vérifier \(\|v\|\) et diviser par la norme si besoin.
Piège n°2 — Confondre gradient et dérivée d’un champ de vecteurs. Le gradient s’applique à un champ scalaire \(f : \mathbb{R}^n \to \mathbb{R}\). Il n’a pas de sens direct pour un champ de vecteurs \(F : \mathbb{R}^n \to \mathbb{R}^m\) (là, on parle de matrice jacobienne). Écrire « le gradient d’un vecteur » sans précision est source de fautes de dimension.
Piège n°3 — Manipuler \(\nabla\) comme un vecteur ordinaire.
- ❌ Copie fautive : « comme \(\nabla \cdot F\) est la divergence, on a \(\nabla \cdot F = F \cdot \nabla\) par commutativité du produit scalaire ».
- 🔍 Diagnostic : \(\nabla\) contient des opérateurs de dérivation, pas des nombres. \(F \cdot \nabla\) est un opérateur différentiel (il attend une fonction à droite), tandis que \(\nabla \cdot F\) est un scalaire. Ce ne sont pas les mêmes objets.
- ✅ Correction : traiter \(\nabla\) comme une notation mnémotechnique et revenir à la définition composante par composante en cas de doute. L’ordre des facteurs n’est jamais anodin avec nabla.
VIII. Rédaction au concours
Sur ce chapitre, le correcteur ne cherche pas seulement le bon résultat : il veut voir que tu justifies les hypothèses avant d’appliquer un théorème.
A. Ce que le correcteur attend
- Vérifie la différentiabilité (ou la classe \(\mathcal{C}^1\)) avant d’écrire \(D_v f(a) = \langle \nabla f(a), v \rangle\). Cette formule n’est valable que sous hypothèse de différentiabilité — l’existence des dérivées partielles seule ne suffit pas. Une somme, un produit ou un quotient de fonctions \(\mathcal{C}^1\) est \(\mathcal{C}^1\) : dis-le en une ligne.
- Pour la plus forte pente, invoque explicitement Cauchy-Schwarz et son cas d’égalité. Les points sont sur la justification du maximum, pas sur le résultat.
- Pour un plan tangent, énonce d’abord l’orthogonalité du gradient à la surface de niveau, puis conclus. Ne parachute pas l’équation.
B. Les formulations qui coûtent des points
« Le gradient donne la pente » (sans préciser maximale et direction unitaire), « on dérive et on met dans un vecteur » (sans nommer les dérivées partielles), ou encore appliquer la formule de la dérivée directionnelle sans avoir vérifié la différentiabilité : autant de raccourcis qui font perdre des demi-points en cascade. Une phrase de justification par théorème utilisé, c’est le standard attendu à l’écrit comme en colle.
IX. Questions fréquentes
Quelle est la différence entre gradient et dérivée ?
La dérivée \(f^\prime(a)\) d’une fonction d’une seule variable est un nombre. Le gradient \(\nabla f(a)\) d’une fonction de plusieurs variables est un vecteur, qui rassemble toutes les dérivées partielles. Il possède une direction (celle de plus forte croissance) et une norme (la pente maximale). Le gradient généralise la dérivée à la dimension supérieure.
Quelle est la différence entre gradient et différentielle ?
La différentielle \(\mathrm{d}f_a\) est une application linéaire qui, à un vecteur \(h\), associe le nombre \(\mathrm{d}f_a(h)\). Le gradient est le vecteur qui représente cette application via le produit scalaire : \(\mathrm{d}f_a(h) = \langle \nabla f(a), h \rangle\). La différentielle est l’objet abstrait, le gradient est sa traduction concrète en vecteur.
Pourquoi le gradient est-il perpendiculaire aux lignes de niveau ?
Parce que suivre une ligne de niveau laisse \(f\) constante, donc la variation dans la direction tangente est nulle. Or cette variation vaut \(\langle \nabla f(a), v \rangle\) : si elle est nulle pour tout vecteur tangent \(v\), c’est que le gradient est orthogonal à la ligne de niveau. On le démontre en dérivant \(t \mapsto f(\gamma(t))\) le long d’un arc du niveau.
Que signifie un gradient nul en un point ?
Un point où \(\nabla f(a) = 0\) est un point critique. C’est une condition nécessaire d’extremum local sur un ouvert, mais pas suffisante : ce peut aussi être un point selle. Pour trancher, on étudie la matrice hessienne au point critique.
Faut-il un vecteur unitaire pour la dérivée directionnelle ?
Oui, si l’on veut lui donner le sens de « pente dans la direction \(v\) ». La formule \(D_v f(a) = \langle \nabla f(a), v \rangle\) est linéaire en \(v\) : avec un vecteur deux fois plus long, on obtient une valeur deux fois plus grande. Il faut donc toujours normaliser \(v\) avant de conclure sur la pente.
X. Pour aller plus loin
Tu maîtrises maintenant le vecteur gradient, ses propriétés et son calcul. Pour consolider et élargir :
- Tableau de variation d’une fonction
- Fonctions Trigonométriques : Cours Complet du Lycée à la Prépa
- Limites de Fonctions : Cours Complet (Terminale)
- 24 Exercices Corrigés sur les Matrices : Maths Expertes, Prépa & Concours (PDF)
Le gradient est aussi la porte d’entrée vers le laplacien (défini comme la divergence du gradient) et vers l’ensemble des opérateurs de l’analyse vectorielle.
Tu veux progresser plus vite et sécuriser tes points sur le calcul différentiel ? Découvre les cours particuliers Excellence Maths pour la prépa scientifique. Nos élèves gagnent en moyenne 3 points, avec un premier cours « satisfait ou remboursé ».
