Oui, c'est vrai que en 1d c'est direct plus evident

On a vu l'algorithme en cours mais je n'implemente rien, l'interet etait juste theorique.
Merci encore

La derivee premiere est 1/2 (A + A^T)x - b . Si l'on suppose A symetrique, la derivee seconde par rapport a x est A + A^T = A . A est donc la matrice hessienne de la fonctionnelle. Si on suppose aussi qu'elle est diagonalisable et positive, ses valeurs propres sont strictement positives. Donc la fon...

Merci pour la reponse!
Je vois que on a $ x^T A x > 0 $ du coup, mais je n'arrive pas a l'utiliser pour montrer qu'il y a un minimum et pas de maximum

Si l'on veut caluculer x, Ax = b , on peut utiliser la methode du gradient en calculant x* = argmin_{x} 1/2 * (x^T * A * x) - b * x = argmin_{x} \phi (x) . En effet, en calculant le gradient par rapport a x de cette derniere expression, on tombe sur la premiere. Je me demandais si, plutot que de min...