Understanding Derivatives
What Is a Derivative?
The derivative of a function measures how the output changes as the input changes. Formally, f'(x) = lim[h→0] (f(x+h) − f(x))/h. It gives the slope of the tangent line at any point on the curve.
The Power Rule
For a polynomial term axⁿ, the derivative is a·n·xⁿ⁻¹. This is the power rule — the most fundamental differentiation rule. It reduces the exponent by 1 and multiplies by the original exponent.
Geometric Interpretation
The derivative at a point is the slope of the tangent line to the curve at that point. A positive derivative means the function is increasing, negative means decreasing, and zero means it has a horizontal tangent (potential maximum or minimum).
Higher-Order Derivatives
The second derivative f''(x) measures the rate of change of the first derivative. It indicates concavity: positive means concave up (bowl-shaped), negative means concave down (dome-shaped). Inflection points occur where f''(x) = 0.
Applications
Derivatives are used in physics (velocity = derivative of position, acceleration = derivative of velocity), optimization (finding maxima and minima), economics (marginal cost, marginal revenue), biology (population growth rates), and machine learning (gradient descent).
La dérivée en analyse mathématique
La dérivée est le concept fondamental du calcul différentiel. Définition : f'(x) = lim(h→0) [f(x+h)-f(x)]/h, le taux de variation instantané. Interprétation géométrique : pente de la tangente à la courbe en chaque point. Les dérivées usuelles : (xⁿ)' = nxⁿ⁻¹, (sin x)' = cos x, (cos x)' = -sin x, (eˣ)' = eˣ, (ln x)' = 1/x. Les règles : somme (f+g)' = f'+g', produit (fg)' = f'g+fg', quotient (f/g)' = (f'g-fg')/g², composition (fog)' = f'(g(x))×g'(x). La dérivée seconde : f''(x) donne la concavité de la courbe. Positive = convexe (en U), négative = concave (en ∩). Point d'inflexion : où f'' change de signe, marquant un changement de comportement de la courbe. Les applications en physique : position → vitesse = dérivée de la position, accélération = dérivée de la vitesse = dérivée seconde de la position. L'optimisation : trouver les extrema en résolvant f'(x) = 0 et en vérifiant le signe de f'' pour confirmer s'il s'agit d'un maximum ou d'un minimum local.
Les dérivées partielles et le gradient
Les fonctions à plusieurs variables nécessitent des dérivées partielles. Définition : ∂f/∂x est la dérivée de f par rapport à x en traitant les autres variables comme des constantes fixes. Exemple : f(x,y) = x²y + y³. ∂f/∂x = 2xy. ∂f/∂y = x² + 3y². Le gradient : ∇f = (∂f/∂x, ∂f/∂y) est un vecteur qui pointe dans la direction de la plus forte croissance de la fonction. La ligne de plus grande pente suit le gradient. Les dérivées secondes : ∂²f/∂x², ∂²f/∂y² et ∂²f/∂x∂y caractérisent la courbure locale. L'équation de Laplace : ∂²f/∂x² + ∂²f/∂y² = 0 gouverne la chaleur, l'électrostatique et les écoulements potentiels en physique. Le gradient en machine learning : la descente de gradient minimise les fonctions de coût en suivant la direction opposée au gradient, la base de l'apprentissage des réseaux de neurones profonds.
Les dérivées dans l'économie
L'analyse marginale est l'application des dérivées en économie. Le coût marginal : Cm(x) = C'(x), coût de production d'une unité supplémentaire. Si Cm < prix de vente, produire plus est rentable. Le revenu marginal : Rm(x) = R'(x), revenu d'une unité supplémentaire. L'élasticité : ε = (dQ/Q)/(dP/P) = P/Q × dQ/dP, mesure la sensibilité de la demande au prix. Élasticité > 1 (élastique) : hausse de prix réduit les revenus. < 1 (inélastique) : hausse de prix augmente les revenus. Le profit maximal : P'(x) = R'(x) - C'(x) = 0, le profit est maximisé quand le revenu marginal égale le coût marginal. L'utilité marginale décroissante : U'(x) > 0 mais U''(x) < 0, chaque unité supplémentaire apporte moins de satisfaction que la précédente, un principe fondamental de la microéconomie néoclassique depuis la révolution marginaliste du 19e siècle. La convexité : f''(x) > 0 indique un rendement croissant (effet réseau), f''(x) < 0 un rendement décroissant (loi des rendements marginaux).
Les dérivées d'ordre supérieur
Les dérivées seconde, troisième et au-delà ont des interprétations riches. La dérivée seconde f''(x) : accélération si f est la position, concavité si f est une courbe. f''>0 = convexe (accelère), f''<0 = concave (décélère). Point d'inflexion : f''(x) change de signe, la courbe change de comportement de concavité. La dérivée troisième f'''(x) : le « jerk » en mécanique, mesure la variation de l'accélération. Un jerk élevé est inconfortable (montagnes russes, freinages brusques). Les formules de Taylor : f(x) = f(a) + f'(a)(x-a) + f''(a)(x-a)²/2! + f'''(a)(x-a)³/3! + ... Approximation linéaire : f(x) ≈ f(a)+f'(a)(x-a). Quadratique : + f''(a)(x-a)²/2. Cubique : + f'''(a)(x-a)³/6. Applications : sin x ≈ x - x³/6 + x⁵/120 (3 termes suffisent pour une précision remarquable). eˣ ≈ 1 + x + x²/2 + x³/6 + x⁴/24. Les calculateurs utilisent ces développements limités pour évaluer les fonctions transcendantes avec une précision contrôlée.
La dérivée en physique
En physique, la dérivée est partout : vitesse = dérivée de la position, accélération = dérivée de la vitesse, courant = dérivée de la charge. La force est la dérivée de l'énergie potentielle. Le gradient (dérivée en plusieurs dimensions) pointe vers la plus forte pente. Les équations différentielles (contenant des dérivées) modélisent la quasi-totalité des phénomènes physiques : mécanique, électromagnétisme, thermodynamique, mécanique quantique. Sans la notion de dérivée, la physique moderne n'existerait tout simplement pas.
Dérivées partielles et multivariables
Les dérivées partielles étendent la dérivée aux fonctions de plusieurs variables : ∂f/∂x mesure le changement selon x en gardant les autres variables constantes. Le gradient ∇f est le vecteur des dérivées partielles. Le laplacien ∇²f apparaît dans l'équation de la chaleur, l'équation d'onde et l'équation de Schrödinger. Ces outils sont indispensables en physique mathématique, en optimisation et en apprentissage automatique pour l'entraînement des réseaux de neurones profonds.