MAT2.

1

Rappel Mathmatique
Microconomie 3-851-84


I. Fonctions une seule variable

QUELQUES RGLES DE DRIVATION (rappel)

1. Multiplication de deux fonctions


x d
u d
v +
x d
v d
u = ) v u (
x d
d


Exemple:
x
= u
2

1 + x 2 = v


] x 2 x [
x d
d
2
) 1 ( + = x 2 x 2 + 2
x
2
+ ) 1 (

= x
x
6 = x
x
4 +
x
2
2 2 2
2 2 + +

2. Division de deux fonctions

.
v
dx
dv
u -
dx
du
v
=
v
u

dx
d
2

,
_

Exemple:
x
= u
2

1 + x 2 = v

,
_

+ x 2
x
dx
d
2
1
=
) + x 2 (
) 2 (
x
- x 2 ) + x 2 (
2
2
1
1

MAT2.2


=
) + x 2 (
x 2 +
x
2
=
) + x 2 (
x
2 - x 2 +
x
4
2
2
2
2 2
1 1


3. Rgle de chane

] ) u ( f [
dx
d
=
dx
du
] ) u ( f [
u d
d


Exemple:
u
= ) u ( f , + x 2 = u
2
1

] ) + x 2 ( [
x d
d
2
1 = ) + x 2 ( 4 = 2 ) + x 2 ( 2 1 1


OPTIMISATION (sans contrainte)

Soit ) ( x f la fonction que lon cherche optimiser.
Condition de premier ordre (CPO) : 0 )] ( [
*
x f
dx
d
(condition ncessaire)
Condition de second ordre (CSO) : 0 )] ( [
*
2
2
< x f
dx
d
pour un maximum

: 0 )] ( [
*
2
2
> x f
dx
d
pour un minimum.


FONCTIONS CONCAVES, QUASI CONCAVES, CONVEXES, QUASI CONVEXES


Les thories du consommateur et du producteur que nous allons tudier font rfrence des fonctions
d'utilit et de production sur lesquelles certaines hypothses sont faites. Ces hypothses reposent, entre autres,
MAT2.3

sur les notions de concavit et de convexit des fonctions.

Dfinition:

Une fonction f(x) est une fonction convexe si, pour tous points x
1
, x
2
de son domaine et pour tout
, 1 < < 0 ,
. )
x
( f ) - 1 ( + )
x
( f )
x
) - 1 ( +
x
( f
2 1 2 1


(Une fonction est strictement convexe si la dernire ingalit est stricte, savoir,
)
x
( f ) - 1 ( + )
x
( f < )
x
) - 1 ( +
x
( f
2 1 2 1
et )
x x 2 1
.

Similairement, une fonction concave est dfinie de la mme manire mais le sens de l'ingalit est
renvers.





Exemples:














x
1 x
1
+ (1 - )x
2

x
2
f(x
1
)
f(x
2
)
f(x)
x
x
1
x
1
+ (1 - )x
2

x
2
x
f(x
1
)
f(x
2
)
f(x)
f(x
1
)+(1-)f(x
2
)
f(x
1
+(1-)x
2
)
f(x
1
+(1-)x
2
)
f(x
1
)+(1-)f(x
2
)
Fonction convexe
Fonction concave
MAT2.4

Dfinition:

Une fonction f(x) est quasi convexe si, pour tous points x1 , x2 de son domaine, on a
0<<1
ou, de manire quivalente:
} { ) ( ), ( max ) ) 1 ( (
2 1 2 1
x f x f x x f +


Similairement f(x) est quasi concave si

ou, de manire quivalente:














) ( ) ) 1 ( ( ) ( ) (
2 2 1 2 1
x f x x f x f x f +
) ( ) ) 1 ( ( ) ( ) (
1 2 1 2 1
x f x x f x f x f +
} { ) ( ), ( min ) ) 1 ( (
2 1 2 1
x f x f x x f +
MAT2.5



Exemples:













DIFFRENTIELLE TOTALE

Soit . ) x ( f = y
Alors dx ) x ( f = dy est la diffrentielle totale et on a y dy , i.e. dy est une approximation de
. ) x ( f - ) x + x ( f = y








x
1 x
1
+ (1 - )x
2

x
2
f(x1)
f(x
1
+ (1 - )x
2
)

f(x
2
)
f(x)
x
x
1 x1 + (1 - )x2
x
2
x
f(x
1
+ (1 - )x
2
)

f(x
1
)
f(x
2
)
f(x)
Fonction Quasi Concave Fonction pas Quasi Concave
MAT2.6



Graphiquement:













dy = dx ) x ( f = pente de la tangente en x dx
= AB = CB
CB
AB

AB = . y dy

II. Fonctions deux ou plusieurs variables

DRIVES PARTIELLES
Les fonctions avec lesquelles nous allons travailler sont, en gnral, continues, drivables et
ont des drives partielles de premier ordre et de second ordre qui sont continues. Il faut
donc savoir les calculer leurs drives partielles et aussi les interprter

Exemples de fonctions usuelles :

3 / 2
2
3 / 1
1
x x u
y= f(x)
x
x X+x
f(x)
f(x+x)
A
B
C
dy
y
x
dx
MAT2.7

ny nx u l l 3 2 +
Calcul des drives partielles

Exemple : Soit la fonction de production :

2 2
3 2 36 L K KL Q

L
Q

= L K 6 36 (drive partielle de premier ordre par rapport L)

K
Q

= K L 4 36 (drive partielle de premier ordre par rapport K)

2
2
L
Q

,
_

L
Q
L
= - 6 (drive partielle de second ordre par rapport L)
2
2
K
Q

,
_

K
Q
K
= - 4 (drive partielle de second ordre par rapport K)
K L
Q

2
=

,
_

K
Q
L
=

,
_

L
Q
K
=
L K
Q

2
= 36 (drive partielle croise de second ordre)

Les principales rgles de drivation sappliquent :

1. Produit de deux fonctions
( ) v u
x

=
x
u
v
x
v
u

( ) v u
y

=
y
u
v
y
v
u

Exemple:
2
x u
y x v + 2
MAT2.8

[ ] ) 2 (
2
y x x
x
+

= x y x x 2 ) 2 ( 2
2
+ +
= xy x x 2 4 2
2 2
+ + = xy x 2 6
2
+
[ ] ) 2 (
2
y x x
y
+

= 0 ) 2 ( 1
2
+ + y x x =
2
x

2. Quotient de deux fonctions

,
_

v
u
x
=
2
v
x
v
u
x
u
v

,
_

v
u
y
=
2
v
y
v
u
y
u
v

Exemple:
2
x u
y x v + 2

,
_

y x
x
x 2
2
=
2
2
) 2 (
2 2 ) 2 (
y x
x x y x
+
+

=
2
2 2
) 2 (
2 2 4
y x
x xy x
+
+
=
2
2
) 2 (
2 2
y x
xy x
+
+

,
_

y x
x
y 2
2
=
2
2
) 2 (
1 0 ) 2 (
y x
x y x
+
+
=
2
2
) 2 ( y x
x
+

3. Rgle de chane
[ ] ) (u f
x

= [ ]
x
u
u f
du
d

) (
[ ] ) (u f
y

= [ ]
y
u
u f
du
d

) (
MAT2.9


Exemple: , 2 y x u +
2
) ( u u f
[ ]
2
) 2 ( y x
x
+

= 2 ) 2 ( 2 + y x = 4(2x+y)

[ ]
2
) 2 ( y x
y
+

= 1 ) 2 ( 2 + y x = ) 2 ( 2 y x +


DIFFRENTIELLE TOTALE


Soit ) y , x ( f = Z .

Alors dZ = dy
y
) y ,
x
( f
+ dx
x
) y ,
x
( f
o
o
o
o

est une approximation de

Z = ) y ,
x
( f - ) y + y ,
x
+
x
( f
o o o o
,

i.e., dZ Z


videmment, plus les variations x et y seront petites, meilleure sera l'approximation.

Exemple : x xy y x f z + 3 ) , ( ; ) 2 , 2 ( ) , (
0 0
y x ; 5 , 0 dx et 3 , 0 dy

z = ) , (
0 0
dy y dx x f + + - ) , (
0 0
y x f
= 5 , 2 ( f , ) 3 , 2 - 2 ( f , 2)
= (3 ) 5 , 2 3 , 2 5 , 2 + - (3 ) 2 2 2 +
= 19,75 - 14 = 5,75

MAT2.10

dz =
x
y x f

) , (
0 0
dx +
y
y x f

) , (
0 0
dy
= [ ] ) , ( ) 1 3 (
0 0
y x y + dx + [ ] ) , ( 3
0 0
y x x dy
= 7 0,5 + 6 0,3 = 3,5 + 1,8 = 5,3

HOMOGNIT DES FONCTIONS


Dfinition:

Une fonction )
x
, ... ,
x
,
x
( f
n 2 1
est homogne de degr r si et seulement si pour tout
. )
x
, ... ,
x
,
x
( f = )
x
, ... ,
x
,
x
( f , 0 >
n 2 1
r
n 2 1


Exemple: ) z , y , x ( f =
z
-
z
y +
x
2
3 2 3



) z , y , x ( f = ) z ( - ) z ( ) y ( + ) x ( 2
3 2 3


=
z
-
z
y +
x
2
3 3 2 3 3 3



= )
z
-
z
y +
x
2 (
3 2 3 3

= ) z , y , x ( f
3

f est homogne de degr 3.

Thorme d'Euler:

Une fonction )
x
, ... ,
x
,
x
( f
n 2 1
est homogne de degr r ssi
.
x
x
)
x
, ... ,
x
( f
= )
x
, ... ,
x
( f r
i
i
n 1
n
1 i=
n 1

MAT2.11



Exemple:
z
-
z
y +
x
2 = ) z , y , x ( f
3 2 3



y
) z , y , x ( f
;
x
6 =
x
) z , y , x ( f
2

=
z
3 - z y 2 =
z
) z , y , x ( f
;
z
2 2

z
z
f
+ y
y
f
+ x
x
f

= z )
z
3 - z y 2 ( + y
z
+ x
x
6
2 2 2


=
z
3 -
z
y 3 +
x
6
3 2 3


= )
z
-
z
y +
x
2 ( 3
3 2 3


= ) z , y , (x f 3

f est homogne de degr 3.


FORMES QUADRATIQUES



On peut dterminer si une fonction est convexe ou concave grce au comportement de la forme
quadratique associe sa matrice hessienne (la matrice des drives secondes de la fonction). Voyons
tout d'abord quelques dfinitions et quelques exemples.

Une forme quadratique est une fonction de n variables qui peut tre crite de la faon suivante :

o les a
ij
sont des constantes.

n
i
n
i
j i ij
x x a x f
1 1
) (
MAT2.12

En termes de matrices, la forme quadratique s'crit:

.x

Ax o x est un vecteur de dimension n 1

et A une matrice symtrique n n .

Exemple:



,
x A x



Dfinition:

Une forme quadratique Ax x' est dite dfinie positive si Ax x' > 0, x 0

Dfinition:

Une forme quadratique Ax x' est dite semi-dfinie positive si Ax x' > 0 et s'il existe x 0 pour lequel
Ax x
,
= 0

Note : Pour des formes quadratiques dfinies ngatives ou semi-dfinies ngatives, les dfinitions sont
similaires sauf en ce qui concerne les ingalits qui doivent alors tre renverses (<0 ).

Thorme de Sylvester:

i) Une forme quadratique Ax x' est dfinie positive si et seulement si tous les principaux
mineurs successifs de la matrice A sont positifs (i.e. >0).
2
3 3 1 2 1
2
1 3 2 1
2 4 ) , , ( x x x x x x x x x f + + +
[ ]
1
1
1
]
1

1
1
1
]
1

3
2
1
3 2 1 3 2 1
2 0 2
0 0 5 , 0
2 5 , 0 1
) , , (
x
x
x
x x x x x x f
MAT2.13

ii) Une forme quadratique Ax x' est dfinie ngative si et seulement si tous les principaux
mineurs successifs de la matrice A alternent en signe, le premier tant positif (i.e. >0).
Illustration du thorme :

Soit A la matrice 3 3 suivante:


Les principaux mineurs successifs de A sont les trois dterminants suivants:

(les principaux mineurs successifs de A sont les dterminants des sous-matrices de A obtenues en
enlevant successivement la dernire colonne de droite et la range d'en bas).

La forme quadratique Ax x' est donc dfinie positive si chacun de ces trois dterminants est positif.
Elle sera dfinie ngative si ces dterminants alternent en signe, en commenant par :
11
a < 0, puis
22 21
12 11
a a
a a
> 0, etc
Exemple:



1
1
1
]
1

33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
5 0 2
0 3 1
2 1 2
A
33 32 31
23 22 21
13 12 11
22 21
12 11
11
, ,
a a a
a a a
a a a
a a
a a
a
MAT2.14

Ax x' est dfinie positive.


Remarque :
i) Cependant, pour dterminer si une forme quadratique est semi-dfinie positive, il ne suffit pas que
les principaux mineurs successifs soient non ngatifs (i.e. 0). Il faut que tous les mineurs principaux
soient non ngatifs, ce qui implique le calcul de plusieurs dterminants. Par exemple, dans le cas de A
la matrice 3 3 vue plus haut, il faut vrifier que :
11
a 0, , 0
22
a ; 0
33
a
22 21
12 11
a a
a a
, 0
33 31
13 11
a a
a a
, 0
33 32
23 22
a a
a a
; 0
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
. 0
ii) Pour dterminer si une forme quadratique est semi-dfinie ngative, il faut que tous les mineurs
principaux dordre impair soient non positifs (i.e. 0) et que tous les mineurs principaux dordre pair
soient non ngatifs (i.e. 0). Par exemple, dans le cas de A la matrice 3 3 vue plus haut, il faut
vrifier que :
11
a 0, , 0
22
a ; 0
33
a
22 21
12 11
a a
a a
, 0
33 31
13 11
a a
a a
, 0
33 32
23 22
a a
a a
; 0
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
. 0

Thorme:

i) Une fonction f(x
1
,x
2
,,x
n
) est convexe si et seulement si sa matrice hessienne H (ou la forme
quadratique associe Hx x
'
) est semi-dfinie positive. Si Hx x
'
est dfinie positive, f(x
1
,x
2
,,x
n
) est
strictement convexe.

ii) De la mme manire, si Hx x
'
est semi-dfinie ngative, la fonction f(x
1
,x
2
,,x
n
) est concave (et
strictement concave si Hx x
'
est dfinie ngative).

0 13
5 0 2
0 3 1
2 1 2
; 0 5
3 1
1 2
; 0 2
11
> > > a
MAT2.15

Exemple 1: Soit
2
2 2 1
2
1 2 1
3 2 ) , ( x x x x x x f


= ; 2 2
2 1
x x
2
2 1
) , (
x
x x f

= ; 6 2
2 1
x x
2
1
2 1
2
) , (
x
x x f

= -2;
2
2
2 1
2
) , (
x
x x f

= -6; 2
) , ( ) , (
1 2
2 1
2
2 1
2 1
2

x x
x x f
x x
x x f
, de sorte que:
la matrice hessienne H
1
1
1
1
]
1

2
2
2 1
2
1 2
2 1
2
2 1
2 1
2
2
1
2 1
2
) , ( ) , (
) , ( ) , (
x
x x f
x x
x x f
x x
x x f
x
x x f
=
1
]
1

6 2
2 2


Or, -2 < 0 et H
6 2
2 2


= 8 , 0 > ce qui implique que la forme quadratique Hx x
'
est dfinie
ngative et la fonction
2
2 2 1
2
1 2 1
3 2 ) , ( x x x x x x f est strictement convexe.

Exemple 2 : Soit
2
3 3 2
2
2 2 3 1
2
1 3 2 1
3 ) , , ( x x x x x x x x x x x f + + + +
3 1 1
2 x x f + ;
3 2 2
2 1 x x f + + ;
3 2 1 3
6x x x f + +
; 1 ; 0 ; 2
13 12 11
f f f
; 1 ; 2 ; 0
23 22 21
f f f
, 6 ; 1 ; 1
33 32 31
f f f de sorte que la matrice hessienne
H =
1
1
1
]
1

33 32 31
23 22 21
13 12 11
f f f
f f f
f f f
=
1
1
1
]
1

6 1 1
1 2 0
1 0 2
.
On vrifie facilement que:
1
2 1
) , (
x
x x f

MAT2.16

; 0 2
11
> f et
f f
f f
0 4
2 0
0 2
22 21
12 11
>
6 1 1
1 2 0
1 0 2
= 2
6 1
1 2
- 0
6 1
1 0
+ 1
1 1
2 0
= 20 > 0.
Ainsi, la forme quadratique est Hx x
'
est dfinie positive et la fonction
2
3 3 2
2
2 2 3 1
2
1 3 2 1
3 ) , , ( x x x x x x x x x x x f + + + +
est strictement convexe.
OPTIMISATION AVEC CONTRAINTE

Mthode de Lagrange (prsente laide dun exemple)
Optimiser x xy y x f + 3 ) , ( sous la contrainte que y x y x g 2 8 ) , ( 0,
o ) , ( y x f mesure le rendement dune terre,
x : la quantit de fertilisant
y : la quantit dinsecticide.

1. On forme une nouvelle fonction appele le Lagrangien de la faon suivante :
) , , ( y x L ) , ( y x f + ) , ( y x g
= fonction objectif + multiplicateur fonction contrainte
de Lagrange
) 2 8 ( 3 ) , , ( y x xy y x L +
Note : lintroduction du multiplicateur de Lagrange permet de transformer un problme
doptimisation avec contrainte deux variables ( x et y ) en un problme doptimisation sans
contrainte trois variables ( x , y et ).

2. On optimise cette nouvelle fonction 3 variables, i.e. le Lagrangien ) , , ( y x L . Les conditions de
premier ordre (CPO) scrivent :
MAT2.17

0 1 3 / + y x L
0 2 3 / x y L
0 2 8 / y x L

On solutionne ce systme dquations et on trouve ( ) , ,
* * *
y x :
. 6 / 39 , 6 / 11 , 6 / 26
* * *
y x
Note : En principe, ce stade-ci, on doit calculer les conditions de second ordre (CSO) et vrifier
si le point stationnaire ( ) , ,
* * *
y x reprsente un minimum ou un maximum. Toutefois, en ce qui nous
concerne, ce sont les proprits de la fonction objectif (concave ou convexe) ou encore le contexte
conomique du problme pos qui dterminera la nature du point stationnaire.

III. Calcul matriciel

DFINITIONS
Vecteur : vecteur de dimension n :
1
1
1
1
]
1

n
x
x
x
x
2
1

Matrice : matrice dordre n m :
1
1
1
1
]
1

nm n n
m
m
a a a
a a a
a a a
A
2 1
2 22 21
1 12 11

llment
ij
a de la matrice A se trouve la i
me
ligne et j
me
colonne.

NOTATION

MAT2.18

[ ]
n
x x x x , , ,
2 1
,
(vecteur ligne)

1
1
1
1
]
1

nm m m
n
n
a a a
a a a
a a a
A
2 1
2 22 12
1 21 11
'
(matrice transpose)


1
1
1
1
]
1

1 0 0
0 1 0
0 0 1
I matrice identit.

OPRATIONS

Addition
Multiplication
Exemple :
1
1
1
]
1

0 3
1 2
8 2

1
]
1

2 3 0 1
0 1 4 2
=
1
1
1
]
1

0 3 12 6
2 5 8 3
16 22 8 12


2 3
A
4 2
B =
4 3
C

Note : Pour que la multiplication des matrices puisse se faire, il faut que le nombre de colonnes de la
matrice A soit gal au nombre de lignes de la matrice . B
Produit scalaire : [ ]
n
x x x . . .
2 1

1
1
1
1
]
1

n
y
y
y
2
1
=

i
i i
y x = k
MAT2.19


'
xx
1
1
1
1
]
1

n
x
x
x
2
1
[ ]
n
x x x . . .
2 1
=
1
1
1
1
1
]
1

2
2 1
2
2
2 1 2
1 2 1
2
1
n n n
n
n
x x x x x
x x x x x
x x x x x

matrice carre n n



RSOUDRE UN SYSTME DQUATIONS LINAIRES

b x A o A est une matrice carre dordre n
Il existe diffrentes mthodes :
par substitution
laide de la matrice inverse :
b A x
1
o
A
A adj
A
1

avec A adj matrice transpose des cofacteurs de A
note : 1) la matrice que lon obtient partir de A en supprimant sa i
ime
ligne et sa
j
ime
colonne est note
ij
A ;
2) le (i,j)
ime
mineur de A ou le mineur associ llment
ij
a de A , not
ij
M , est le
dterminant de la matrice
ij
A :
ij ij
A M det ;
3) le (i,j)
ime
cofacteur de A , not
ij
C , est le scalaire :
ij
j i
ij
M C
+
) 1 ( .

par la rgle de Cramer :
pour b x A
MAT2.20


A
x
j
j

o
j
est le dterminant de la matrice que lon obtient ( partir de
A) en remplaant la j
ime
colonne de A par b.

Exemple : soit
2
3 3 2
2
2 2 3 1
2
1 3 2 1
3 ) , , ( x x x x x x x x x x x f + + + + . Touvons le min ou la max
de cette fonction.
Les drives partielles de premier ordre sont donnes par :

3 1 1
2 x x f + ;
3 2 2
2 1 x x f + + ;
3 2 1 3
6x x x f + +
On en dduit les CPO :

3 1 1
2 x x f + = 0

3 2 2
2 1 x x f + + = 0

3 2 1 3
6x x x f + + = 0
qui peuvent aussi scrire sous forme matricielle :

1
1
1
]
1

1
1
1
]
1

1
1
1
]
1

0
1
0
6 1 1
1 2 0
1 0 2
3
2
1
x
x
x


En appliquant la rgle de Cramer, on trouve la solution de ce systme dquations :

20
1 1 0
2 1
) 1 (
6 1 0
1 2 1
1 0 0
3 1
1

+
A A
x


20
11 6 1
1 2
) 1 (
6 0 1
1 1 0
1 0 2
2 2
2

+
A A
x
MAT2.21



20
2 0 1
1 2
) 1 (
0 1 1
1 2 0
0 0 2
1 1
3

+
A A
x .

De plus, puisque la fonction ) , , (
3 2 1
x x x f est strictement convexe (ceci a dj t vrifi dans un
exemple prcedent), nous savons que :



*
x =
1
1
1
]
1

1
1
1
]
1

20 / 2
20 / 11
20 / 1
*
3
*
2
*
1
x
x
x
est un minimum de la fonction ) , , (
3 2 1
x x x f .


PROPRITS DES MATRICES

Matrice symtrique :
'
A A ,
ji ij
a a ) , ( j i
Exemple :
1
1
1
]
1

4 0 3
0 1 2
3 2 1


matrices dfinies et semi-dfinies :
Soit A une matrice carre. x A x
'
donne une forme quadratique qui scrit :
x A x
'
[ ]
1
]
1

1
]
1

2
1
22 21
12 11
2 1
x
x
a a
a a
x x

MAT2.22

= [ ]
1
]
1

+ +
2
1
2 22 1 12 2 21 1 11
,
x
x
x a x a x a x a
=
2
2 22 2 1 12 1 2 21
2
1 11
x a x x a x x a x a + + +

=
2
2 22 2 1 12
2
1 11
2 x a x x a x a + + .
Rappel : la matrice A est dfinie positive si x A x
'
> 0 0 x .

Remarque : Parfois on ne veut pas que la proprit soit satisfaite pour toutes les valeurs de x , mais
seulement pour des valeurs de x qui respectent une certaine contrainte, par exemple, . 0 x b
Exemple : On dira que la matrice A est dfinie positive sous la contrainte 0 x b , si
. 0 : 0
'
> x b que tels x les et x x A x

Exemple : La fonction f est strictement concave si sa matrice hessienne F satisfait la proprit :

. 0 0
'
< x x F x

La fonction g est strictement quasi-concave si sa matrice hessienne G satisfait la
proprit : . 0 0
,
'

1
]
1

< x
x
g
que tels x les et x x G x