Mathématiques II Printemps 18-19

Chapitre 6 - Calcul matriciel

6.0 Calcul vectoriel
Définition : Un vecteur est une collection ordonnée de nombres. On porte une grande attention à l’ordre. On note un
𝑎1
vecteur de la façon suivante : 𝑎⃗ = (𝑎1 , … , 𝑎𝑛 ) = ( … )
𝑎𝑛
Graphiquement, un vecteur les une flèche dans un graphique qui va de (0, … , 0) à (𝑎1 , … , 𝑎𝑛 ).

La longueur d’un vecteur est également appelée norme et se calcule ainsi : ‖𝑎⃗‖ = (𝑎12 + ⋯ + 𝑎𝑛2 )1/2

Les opérations :

1. Égalité : 𝑎⃗ = 𝑏⃗⃗ 𝑠𝑖 𝑎𝑖 = 𝑏𝑖 ∀ 𝑖
𝑎1 𝜆𝑎1
2. Multiplication par un scalaire : 𝜆𝑎⃗ = 𝜆 ( … ) = ( 𝜆 … )
𝑎𝑛 𝜆𝑎𝑛
⃗⃗
3. Addition: 𝑎⃗ + 𝑏 = 𝑐⃗ 𝑜ù 𝑐𝑖 = 𝑎𝑖 + 𝑏𝑖 ∀ 𝑖

Le produit scalaire : 𝑎⃗ ∙ 𝑏⃗⃗ = 𝑎1 𝑏1 + ⋯ + 𝑎𝑛 𝑏𝑛

Il a certaines propriétés :

1. Égalité : 𝑎⃗ ∙ 𝑏⃗⃗ = 𝑏⃗⃗ ∙ 𝑎⃗

2. Distributivité : 𝑎⃗ ∙ (𝑏⃗⃗ + 𝑐⃗) = 𝑎⃗ ∙ 𝑏⃗⃗ + 𝑎⃗ ∙ 𝑐⃗ donc ∑𝑛𝑖=1 𝑎𝑖 ∗ (𝑏𝑖 + 𝑐𝑖 )
3. Multiplication par un scalaire : (𝜆𝑎⃗) ∙ 𝑏⃗⃗ = 𝜆(𝑎⃗ ∙ 𝑏⃗⃗) donc ∑(𝜆𝑎𝑖 )𝑏𝑖 = 𝜆 ∑ 𝑎𝑖 𝑏𝑖

Deux vecteurs sont orthogonaux (perpendiculaires) si leurs produits scalaires sont nuls.

On peut également définir un vecteur grâce à son angle avec l’axe des abscisses et sa norme, donc dans un domaine
à deux dimensions : 𝑎1 = ‖𝑎⃗‖ ∗ cos 𝛼 et 𝑎2 = ‖𝑎⃗‖ ∗ sin 𝛼

Un vecteur unitaire se définit comme suit : 𝑛 = ⋯ , 𝑎𝑙𝑜𝑟𝑠 ⃗𝑒⃗⃗𝑗 = (0, … , 1, … , 0) avec le 1 se situant en position j. Une
𝑎1
particularité de ces vecteurs unitaires est qu’ils sont tous orthogonaux entre eux (logiquement), donc : 𝑎⃗ = (𝑎 ) =
2
𝑎1 0 1 0
( ) + ( ) = ( ) 𝑎1 + ( ) 𝑎2 = 𝑎1 ⃗⃗⃗⃗ 𝑒1 + 𝑎2 ⃗⃗⃗⃗
𝑒2
0 𝑎2 0 1
Note : 𝑎⃗ ∙ 𝑎⃗ = ∑ 𝑎𝑖2 = ‖𝑎⃗‖2 donc ‖𝑎⃗‖ = (𝑎⃗ ∙ 𝑎⃗)1/2

Indépendance linéaire : Soit {𝑎 ⃗⃗⃗⃗⃗,

1 … , ⃗⃗⃗⃗⃗}
𝑎𝑟 un ensemble de r vecteurs dans l’espace à n dimensions, alors l’équation
vectorielle 𝑘1 ⃗⃗⃗⃗⃗
𝑎1 + ⋯ + ⃗⃗⃗⃗⃗
𝑎𝑟 = 0⃗⃗. Il y a de toute façon une solution (tous les [k] sont nul). Si c’est l’unique solution, alors
les r vecteurs sont dits linéairement indépendants. Or, s’il existe au moins une autre solution, alors on a un kj (au moins
1) qui n’est pas nul. On peut donc poser :

𝑘𝑗 ⃗⃗⃗⃗
𝑎𝑗 = −(𝑘1 ⃗⃗⃗⃗⃗
𝑎1 + ⋯ + 𝑘𝑗−1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗−1 + 𝑘𝑗+1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗+1 + ⋯ + 𝑘𝑟 ⃗⃗⃗⃗⃗)
𝑎𝑟 Or, 𝑘 ≠ 0 donc :
1
𝑎𝑗 = −
⃗⃗⃗⃗ (𝑘 ⃗⃗⃗⃗⃗
𝑎 + ⋯ + 𝑘𝑗−1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗−1 + 𝑘𝑗+1 ⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑎𝑗+1 + ⋯ + 𝑘𝑟 ⃗⃗⃗⃗⃗)
𝑎𝑟
𝑘𝑗 1 1

1
Mathématiques II Printemps 18-19

6.1 Les matrices

𝑎11 𝑎12 𝑎1𝑛
𝐴 = [ 𝑎21 𝑎22 𝑎2𝑛 ]
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛
𝑎𝑖𝑘 est donc l’élément de la ligne i et de la colonne k. En général, 𝑛 ≠ 𝑚 (matrice rectangulaire), il y a des cas
particuliers :

• 𝑛 = 𝑚 (matrice carrée)
• 𝑚 = 1 (vecteur ligne)
• 𝑛 = 1 (vecteur colonne)

Notation : 𝐴𝑚×𝑛

6.2 Opérations sur les matrices

Pour faire des opérations sur deux matrices, elles doivent être de même dimension !

• Égalité : 𝐴 = 𝐵 𝑠𝑖 𝑎𝑖𝑘 = 𝑏𝑖𝑘 ∀ 𝑖, 𝑘

• Addition : 𝐶 = 𝐴 + 𝐵 donc 𝑐𝑖𝑘 = 𝑎𝑖𝑘 + 𝑏𝑖𝑘 ∀ 𝑖, 𝑘
• Multiplication par un scalaire : 𝐶 = 𝜆𝐴 donc 𝑐𝑖𝑘 = 𝜆𝑎𝑖𝑘 ∀ 𝑖, 𝑘
• Transposition : 𝐶 = 𝐴𝑇 ici, les ligne deviennent des colonnes et inversement. Donc : 𝑐𝑖𝑘 = 𝑎𝑘𝑖 ∀ 𝑖, 𝑘
• Produit matriciel : 𝐶𝑚×𝑛 = 𝐴𝑚×𝑝 ∙ 𝐵𝑝×𝑚 𝑐𝑖𝑘 = au produit scalaire entre la ligne i de A et la colonne k de B.

6.3 Algèbre des matrices

• Identité : 𝐴 = 𝐵 ↔ 𝐵 = 𝐴
• Addition :
o Commutativité : 𝐴 + 𝐵 = 𝐵 + 𝐴
o Associativité : (𝐴 + 𝐵) + 𝐶 = 𝐴 + (𝐵 + 𝐶) ↔ 𝑎𝑖𝑗 + 𝑏𝑖𝑗 + 𝑐𝑖𝑗
0 ⋯ 0
o Elément neutre de l’addition : 𝐴𝑚×𝑛 0𝑚×𝑛 = 𝐴𝑚×𝑛 où 0𝑚×𝑛 = [ ⋮ ⋱ ⋮ ]
0 ⋯ 0 𝑚×𝑛
• Multiplication par un scalaire :
o Commutativité : 𝜆𝐴 = 𝐴𝜆
o Distributivité : 𝜆(𝐴 + 𝐵) = 𝜆𝐴 + 𝜆𝐵
• Produit matriciel :
o Généralement : 𝐴𝐵 ≠ 𝐵𝐴
o Mais : (𝐴𝐵)𝐶 = 𝐴(𝐵𝐶) = 𝐴𝐵𝐶 Il faut à tout prix garder l’ordre.
o Distributivité : 𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶
1 0 0
o Elément neutre du produit matriciel : 𝐴𝑚×𝑛 𝐼𝑛×𝑛 = 𝐴𝑚×𝑛 où 𝐼𝑛×𝑛 = [0 1 0] On parle de la
0 0 1
matrice identité, elle est diagonale et donc carrée. À noter :𝐼 2 = 𝐼𝐼 = 𝐼
• Transpostions :
o Double transpostions : (𝐴𝑇 )𝑇 = 𝐴
o Addition transposée : (𝐴 + 𝐵)𝑇 = 𝐴𝑇 + 𝐵𝑇
o Multiplication transposée : (𝐴𝐵)𝑇 = 𝐵𝑇 𝐴𝑇 Attention à l’ordre inversé !

Une matrice symétrique si 𝐴𝑇 = 𝐴, cela doit donc être une matrice carrée et 𝑎𝑖𝑘 = 𝑎𝑘𝑖 . On peut constater un axe de
symétrie sur la diagonale. Elle est antisymétrique si 𝐴𝑇 = −𝐴 et donc 𝑎𝑖𝑘 = −𝑎𝑘𝑖 .

2
Mathématiques II Printemps 18-19

D est une diagonale si elle est une matrice carrée et que les éléments 𝑑𝑖𝑘 = 0 ∀ 𝑖 ≠ 𝑘. On va les noter de la façon
suivante ; 𝐷 = 𝑑𝑖𝑎𝑔(𝑑11 , 𝑑22 , … , 𝑑𝑛𝑛 ). On peut noter que 𝐷 𝑇 = 𝐷 et donc symétrique.

6.4 Rang d’une matrice

Rappelons qu’un vecteur est une suite ordonnée de nombres. De ce fait, si l’on a une matrice 𝐴𝑚×𝑛 , on aura des
vecteurs formés par les lignes et des vecteurs formés par les colonnes, qui vont donner :

• L’espace des lignes : sous-espace de ℝ𝑛 engendré par les vecteurs donnés par les lignes.
• L’espace des colonnes : sous-espace de ℝ𝑚 engendré par les vecteurs donnés par les colonnes.

Pour une matrice Amxn quelconque, l’espace des lignes et des colonnes ont la même dimension, qui est appelée le rang.
On écrit :

𝑟𝑎𝑛𝑔(𝐴) = dim(𝑒𝑠𝑝𝑎𝑐𝑒 𝑑𝑒𝑠 𝑙𝑖𝑔𝑛𝑒𝑠) = dim(𝑒𝑠𝑝𝑎𝑐𝑒 𝑑𝑒𝑠 𝑐𝑜𝑙𝑜𝑛𝑛𝑒𝑠) ≤ min (𝑚; 𝑛)

Opérations élémentaires sur les lignes : elles ne changent en aucun cas l’espace des lignes !

• Remplacer la ligne i par k fois la ligne i : 𝐿𝑖 → 𝑘𝐿𝑖 𝑘≠0

• Remplacer la ligne i par la ligne i et k fois la ligne j : 𝐿𝑖 → 𝐿𝑖 + 𝑘𝐿𝑗 𝑘≠0
• Echanger la ligne i avec la ligne j : 𝐿𝑖 ↔ 𝐿𝑗

Définition : Une base est un ensemble de vecteurs qui peuvent engendrer un (sous-) espace donné.

Théorie : Les vecteurs non nuls dans une matrice sous forme d’échelon forment une base pour l’espace des lignes de
A. Donc pour trouver le rang d’une matrice, il nous suffit de la mettre sous forme d’échelon et compter le nombre de
lignes non nulles.

Le déterminant d’une matrices carrée A(nxn) est un nombre :

• Ce nombre = 0 si rang(A) < n

• Ce nombre ≠ 0 si rang(A) = n
• Le signe et la grandeur du déterminant sont quand même importants parce que le déterminant interviendra
dans une autre méthode pour trouver l’inverse d’une matrice.
1 2 1 2
• Notations : 𝐴=[ ] → det(𝐴) = | |
3 4 3 4
• det(𝐴) = ∑ ±𝑎1𝑗1 ∗ 𝑎2𝑗2 ∗ … ∗ 𝑎𝑛𝑗𝑛 En faisant toutes les permutations possibles de j. C’est une somme de
produits signé, donc le signe sera :
o Positif si on a des permutations paires.
o Négatif si on a des permutations impaires.
• La règle de Sarrus est une aide pour calculer les déterminants.
• Interprétation géométrique :
o 𝑛 = 1 une longueur
o 𝑛 = 2 une aire
o 𝑛 = 3 un volume
o 𝑛 = 𝑘 un « hyper-volume »

3
Mathématiques II Printemps 18-19

𝑎11 𝑎12 𝑎13 𝑎14

0 𝑎22 𝑎23 𝑎24
Si l’on a une matrice triangulaire haute (supérieure), c’est-à-dire de la forme suivante : | 𝑎33 𝑎34 |
0 0
0 0 0 𝑎44
le seul produit non nul dans la somme des n ! produits signés peut seulement être ±𝑎11 ∗ 𝑎22 ∗ 𝑎33 ∗ 𝑎44 .
Mais même ce produit peut être nul s’il y a un zéro sur la diagonale principale. On va donc effectuer des opérations
élémentaires sur les lignes pour obtenir une matrice triangulaire haute afin de se simplifier le calcul du déterminant.
Il faut néanmoins tenir compte de trois règles :

• Échanger 2 lignes (𝐿𝑖 ↔ 𝐿𝑗 ) change le signe du déterminant.

• Multiplier une ligne par une constante k (𝐿𝑖 → 𝑘𝐿𝑖 ) multiplie également le déterminant par k.
• Ajouter à une ligne un multiple d’une autre ligne (𝐿𝑖 → 𝐿𝑖 + 𝑘𝐿𝑗 ) ne change pas le déterminant.

Les propriétés du déterminant (A et B sont des matrices carrées nxn) :

• 𝑑𝑒𝑡(𝐴𝑇 ) = 𝑑𝑒𝑡(𝐴) Car la diagonale principale est la même.

• 𝑑𝑒𝑡(𝑘𝐴) = 𝑘 𝑛 𝑑𝑒𝑡 (𝐴)
• 𝑑𝑒𝑡(𝐴 + 𝐵) ≠ 𝑑𝑒𝑡(𝐴) + 𝑑𝑒𝑡(𝐵)
• 𝑑𝑒𝑡(𝐴 ∗ 𝐵 ∗ … ∗ 𝑌 ∗ 𝑍) = 𝑑𝑒𝑡(𝐴) ∗ 𝑑𝑒𝑡(𝐵) ∗ … ∗ 𝑑𝑒𝑡(𝑌) ∗ 𝑑𝑒𝑡(𝑍)
Développement en cofacteur :

Définition : Si A est une matrice carrée, le mineur de l’élément aij est symbolisé par Mij et est définit comme
le déterminant de la sous-matrice obtenue de l’élimination de la ligne i et de la colonne j.

Définition : le cofacteur de aij est 𝐶𝑖𝑗 = (−1)𝑖+𝑗 𝑀𝑖𝑗

Théorème : Le déterminant de A (carré, nxn) peut être calculé en multipliant tous les éléments d’une ligne
(ou colonne) par leurs cofacteurs et en sommant les produits résultants :

det(𝐴) = 𝑎𝑖1 𝐶𝑖1 + ⋯ + 𝑎𝑖𝑛 𝐶𝑖𝑛 (= 𝑎1𝑗 𝐶1𝑗 + ⋯ + 𝑎𝑛𝑗 𝐶𝑛𝑗 )

6.5 Inversion de Matrices

Définition : Si A est une matrice carrée quelconque et qu’il existe une matrice B qui est tel que 𝐴𝐵 = 𝐵𝐴 = 𝐼, alors A
est dite inversible et B est appelée l’inverse de A (B=A-1). On a un certain nombre de propriétés :

• Si A est inversible, alors sa matrice inverse A-1 est unique. Donc : 𝐴−1 𝐴 = 𝐼 𝑒𝑡 𝐴𝐴−1 = 𝐼
• (𝐴−1 )−1 = 𝐴
• (𝐴𝑇 )−1 = (𝐴−1 )𝑇 Donc si A est, A-1 l’est également.
• A et B de même dimension (mxn, A et B quelconque) : (𝐴𝐵)−1 = 𝐵−1 𝐴−1
• Une matrice A carrée est inversible si et seulement si det(A)≠0
1
• det(𝐴−1 ) =
det(𝐴)

Peut-on représenter les opérations élémentaires sur les lignes/colonnes par des produits matriciels ? Oui ! Ci-dessous
sont seulement celles sur les lignes et pour n=3, mais c’est totalement analogue pour n≠3 et on fait l’opération dans
l’autre sens pour les faire sur les colonnes :

0 1 0 𝑎 𝑏 𝑐 𝑑 𝑒 𝑓
• Echanger la ligne 1 avec la ligne 2 : [1 0 0] ∗ [𝑑 𝑒 𝑓 ] = [𝑎 𝑏 𝑐]
0 0 1 𝑔 ℎ 𝑖 𝑔 ℎ 𝑖
Il faut simplement inverser les lignes de I des lignes concernées.

4
Mathématiques II Printemps 18-19

1 0 0 𝑎 𝑏 𝑐 𝑎 𝑏 𝑐
• Multiplier k fois la ligne 3 : [0 1 0 ] ∗ [ 𝑑 𝑒 𝑓] = [ 𝑑 𝑒 𝑓]
0 0 𝑘 𝑔 ℎ 𝑖 𝑘𝑔 𝑘ℎ 𝑘𝑖
Il faut remplacer le 1 de la diagonale par k de la ligne que l’on veut multiplier par k.

1 0 0 𝑎 𝑏 𝑐 𝑎 𝑏 𝑐
• Ajouter k fois la ligne 1 à la ligne 3 : [0 1 0 ] ∗ [ 𝑑 𝑒 𝑓] = [ 𝑑 𝑒 𝑓 ]
𝑘 0 1 𝑔 ℎ 𝑖 𝑔 + 𝑘𝑎 ℎ + 𝑘𝑏 𝑖 + 𝑘𝑐
Il faut mettre un k à la ligne que l’on veut manipuler à la colonne qui porte le numéro de colonne de la ligne
que l’on veut ajouter. Par exemple, ici, k va à la place I31.

Déterminant : les opérations élémentaires sur les lignes/colonnes changent le déterminant de la même
manière que d’habitudes.

Recherche de la matrice inverse A-1 : 𝐴𝐵 = 𝐼 où 𝐵 = 𝐴−1

𝑑11 ⋯ 0 1/𝑑11 ⋯ 0
• Cas spécial : matrice diagonale [D] : Si : 𝐷 = [ ⋮ 𝑑𝑖𝑖 ⋮ ] alors : 𝐷 −1 = [ ⋮ 1/𝑑𝑖𝑖 ⋮ ]
0 ⋯ 𝑑𝑛𝑛 0 ⋯ 1/𝑑𝑛𝑛
• Cas général : on a 𝐴𝐵 = 𝐼 où 𝐵 = 𝐴−1 et on faire des opérations élémentaires sur les lignes/colonnes jusqu’à ce
que A soit une matrice identité. On aura donc les équations suivantes :
𝐴𝐵 = 𝐼 ↔ 𝐼𝐵 = 𝐵 = 𝐴−1
On peut arriver à cela avec soit les opérations élémentaires sur les lignes ou celles sur les colonnes, mais on ne
peut pas alterner entre les deux.

Méthode de la matrice adjointe (appelée également la méthode des mineurs/cofacteurs)

𝑐11 ⋯ 𝑐1𝑛
La matrice des cofacteurs est 𝑐𝑜𝑓(𝐴) = [ ⋮ ⋱ ⋮ ] avec cij étant le déterminant que l’on trouve si l’on
𝑐𝑛1 ⋯ 𝑐𝑛𝑛
trace la colonne i et la ligne j.

La transposée de la matrice des cofacteurs de A est appelée la matrice adjointe de A. Elle est définie comme la
transposée de la matrice des cofacteurs de A : 𝑎𝑑𝑗(𝐴) = 𝑐𝑜𝑓(𝐴)𝑇
1
Théorème : Si A est inversible (det(𝐴) ≠ 0, 𝑟𝑎𝑛𝑔(𝐴) = 𝑛)), alors 𝐴−1 = det(𝐴) 𝑎𝑑𝑗(𝐴)

1 𝑑 −𝑏
Le cas de la matrice 2x2, cas général : 𝐴−1 = 𝑎𝑑−𝑏𝑐 [ ]
−𝑐 𝑎

6.6 Applications économiques

Le calcul matriciel a beaucoup d’application, comme l’enchainement du processus de fabrications ou des commandes.
Pour ce faire, on va modeler des problèmes avec des matrices.
𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑜𝑢𝑡 𝐼𝑛
[ ] [𝑝𝑢𝑡𝑠] =[ ]
𝑡𝑒𝑐ℎ𝑛𝑖𝑞𝑢𝑒 𝑚𝑥𝑚 𝑚𝑥1 𝑝𝑢𝑡𝑠 𝑚𝑥1

6.7 Enoncés équivalents

Si A est une matrice carrée nxn, alors les énoncés suivants sont équivalents, si l’un est vrai, les autres le sont
également :

• A peut être transformée par des opérations élémentaires sur les lignes en Inxn.
• A est inversible, en d’autres mots, A-1 existe.
5
Mathématiques II Printemps 18-19

• AX = B possède une solution unique.

• Det(A) ≠ 0
• Rang(A) = n
• Les vecteurs lignes de A sont linéairement indépendants.
• Les vecteurs colonnes de A sont linéairement indépendants.
• Toutes les valeurs propres de A sont nulles.

Chapitre 7 – Développement mathématiques

7.1 formes linéaires
Définition : soient a1, …, an des constantes et x1, …, xn des variables réels Une forme linéaire est une fonction de la
forme a1x1 + … + anxn .

Remarque : Il s’agit d’une fonction de n variables indépendantes qui a une ordonnée

à l’origine nulle.

Notation : Si f(x) est une fonction linéaire, alors 𝑓(𝑥1 , … , 𝑥𝑛 ) = 𝑎1 𝑥1 + ⋯ + 𝑎𝑛 𝑥𝑛 =

𝑎1 𝑥1
𝑛 𝑇
∑𝑖=1 𝑎𝑖 𝑥𝑖 = 𝐴 𝑋, où 𝐴 = [ ] et 𝑋 = [ ⋮ ] On appelle gradient le vecteur colonne A.
⋮
𝑎𝑛 𝑥𝑛
Remarque : si on fixe n-1 des x ; 𝑎1 x1 + ⋯ + ak−1 xk−1 + ak+1 xk+1 … + an xn et que l’on fait varier xk, alors :
𝑥𝑘 →+∞
• 𝑓() → + ∞ 𝑠𝑖 𝑎𝑘 > 0
𝑥𝑘 →+∞
• 𝑓() → − ∞ 𝑠𝑖 𝑎𝑘 < 0
𝑥𝑘 →−∞
• 𝑓() → + ∞ 𝑠𝑖 𝑎𝑘 < 0
𝑥𝑘 →−∞
• 𝑓() → − ∞ 𝑠𝑖 𝑎𝑘 > 0
Si tous les xi sont fixés, alors :

• Si 𝑓(𝑥1 , … , 𝑥𝑛 ) > 0, alors 𝑓(−𝑥1 , … , −𝑥𝑛 ) < 0

• Si 𝑓(𝑥1 , … , 𝑥𝑛 ) < 0, alors 𝑓(−𝑥1 , … , −𝑥𝑛 ) > 0
• Si 𝑓(𝑥1 , … , 𝑥𝑛 ) = 0, alors 𝑓(−𝑥1 , … , −𝑥𝑛 ) = 0
(𝑓(𝑥1 ,…,𝑥𝑘−1 ,𝑥𝑘+1 ,…,𝑥𝑛 )−𝑓(𝑥1 ,…,𝑥𝑛 ))
Si on fixe les n variables et que l’on considère = 𝑎𝑘 ak étant la pente dans la
ℎ
direction de xk.

Une ligne de niveau est l’ensemble des points qui donnent à une fonction la même valeur, c’est-à-dire (si n=2), les x1
et x2 tel que 𝑓(𝑥1 , 𝑥2 ) = 𝑐 ↔ 𝑎1 𝑥1 + 𝑎𝑛 𝑥𝑛 = 𝑐. Dans le cas de n = 2, une ligne de niveau est une droite, avec n = 3 ce
sera un plan et avec n = 4 un hyperplan.

Un autre moyen de noter une ligne de niveau (n=2) est : 𝐴𝑇 𝑋 = ‖𝐴𝑇 ‖ ∗ ‖𝑋‖ cos 𝜑 = 𝑐

7.2 Transformations linéaires

𝑎11 𝑥1 ⋯ 𝑎1𝑛 𝑥1
On considère plusieurs formes linéaires : ⋮ ⋱ ⋮ } 𝐴𝑋 = 𝑌𝑚𝑥1
𝑎𝑚1 𝑥𝑚 ⋯ 𝑎𝑚𝑛 𝑥𝑚

6
Mathématiques II Printemps 18-19

Si on donne des valeurs numériques, chaque ligne donne une valeur (y1, …, yn). Sous la forme matricielle, cela nous
𝑎11 ⋯ 𝑎1𝑛 𝑥1 𝑦1
donne : [ ⋮ ⋱ ⋮ ] [ ⋮ ] = [ ⋮ ] ↔ 𝐴𝑚𝑥𝑛 𝑋𝑛𝑥1 = 𝑌𝑚𝑥1
𝑎𝑚1 ⋯ 𝑎𝑚𝑛 𝑥𝑛 𝑦𝑛
𝑦1 cos 𝜃 − sin 𝜃 𝑥1
Rotation en deux dimensions : [𝑦 ] = [ ] [ ] ↔ 𝑌 = 𝐴𝑋 = 𝑅𝑜𝑡𝜃 𝑋
2 sin 𝜃 cos 𝜃 𝑥2
Une homothétie est une transformation géométrique correspondant à un agrandissement ou à
une réduction. Pour ce faire, on applique un vecteur d’échelle k au vecteur X pour obtenir un
𝑘 0 𝑥1
vecteur 𝑌 = 𝑘𝑋 = [ ] [ ] si k > 0, alors le sens de la transformation est identique à l’originale, mais si k < 0, alors
0 𝑘 𝑥2
elle sera dans le sens inverse. De plus, si |k|> 1, on aura une dilatation (agrandissement) et si |k| < 1, on aura une
contraction (réduction).

Les propriétés des transformations linéaires :

• 𝐴(𝑋 + 𝑌) = 𝐴𝑋 + 𝐴𝑌
• 𝐴(𝑘𝑋) = 𝑘(𝐴𝑋), k scalaire
• Si X est donné, Y est connu et unique, car Y = AX
• Si Y est donné, il y a soit aucun, un ou plusieurs X (r = rang de A)
o Si r = m : une solution existe toujours
o Si r < m : une solution existe seulement pour certains Y
o Si r = n : Si une solution existe, elle est unique
o Si r < n : Si une solution existe, elle n’est pas unique
o Si m = n : 𝐴𝑛𝑥𝑛 𝑋𝑛𝑥1 = 𝑌𝑛𝑥1 où Y est donné. Il s’agit d’un système de n équations linéaires en n
inconnues. A résoudre pour X
▪ Si rang(A) = m = n : A-1 existe et det(A) est non nul : 𝐴𝑋 = 𝑌 ↔ 𝐴−1 𝐴𝑋 = 𝐴−1 𝑌 ↔ 𝑋 = 𝐴−1 𝑌
est solution unique du système d’équations linéaires
▪ Si rang(A) < m = n : On n’a pas de solution ou une infinité de solutions

7.3 Résolution de systèmes d’équations linéaires

𝑎11 𝑥1 ⋯ 𝑎1𝑛 𝑥𝑛 = 𝑦1
On veut trouver x1, …,xn, tel que le système d’équations linéaire est satisfait : { ⋮ ⋱ ⋮ = ⋮
𝑎𝑚1 𝑥1 ⋯ 𝑎𝑚𝑛 𝑥𝑛 = 𝑦𝑚
Logiquement, m et n sont des entiers positifs arbitraires. Il y a trois cas possibles :

• m < n : il existe une solution unique • m > n : il y a une infinité de solutions

• m = n : il n’y a pas de solutions
Les méthodes pour traiter ces trois cas :

• Utiliser la méthode des opérations élémentaires sur les lignes.

• Appliquer les mêmes opérations de part et d’autre à l’équation.
• (Tenter de) rendre A triangulaire

On peut également résoudre des systèmes d’équations linéaires sous formes de vecteurs :
𝑎11 𝑎1𝑛 𝑦1
( ⋮ ) 𝑥1 + ⋯ + ( ⋮ ) 𝑥𝑛 = ( ⋮ )
𝑎𝑛1 𝑎𝑛𝑛 𝑦𝑛
Si l’on plus d’équations que d’inconnues, les trois cas étudiés sont encore et toujours possibles. Or, il y a une solution
unique seulement si les lignes excédentaires sont des combinaisons linéaires des autres. Si on a moins d’équations

7
Mathématiques II Printemps 18-19

que d’inconnues, il est impossible d’avoir une solution unique, donc une famille de solutions à un ou plusieurs
paramètres.
𝑏 𝑎 𝑥
𝑎11 𝑥1 + 𝑎12 𝑥2 = 𝑏1 𝑥2 = 𝑎 1 − 𝑎11 1
12 12
Cas n = 2, deux équations à deux inconnues ↔ 𝑎 𝑥 :
𝑎21 𝑥1 + 𝑎22 𝑥2 = 𝑏2 𝑏
𝑥2 = 𝑎 2 − 𝑎21 1
22 22

• Solution unique si les pentes sont différentes, donc det(A) ≠ 0

• Pas de solution si les pentes sont les mêmes, donc det(A) = 0 et que les droites ne se confondent pas.
• Infinité de solutions si les pentes sont les mêmes, donc det(A) = 0 et que les droites se confondent.

7.4 Les formes quadratiques

𝑓(𝑥1 , … , 𝑥2 ) : fonction de n variables.

A) Formules générales :
a. n=2 : 𝑓(𝑥1 , 𝑥2 ) = 𝑎11 𝑥12 + 2𝑎12 𝑥1 𝑥2 + 𝑎22 𝑥22
b. n=3 : 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = 𝑎11 𝑥12 + 2𝑎12 𝑥1 𝑥2 + 2𝑎13 𝑥1 𝑥3 + 𝑎22 𝑥12 + 2𝑎23 𝑥2 𝑥3 + 𝑎33 𝑥32
B) Types d’une forme quadratique :
a. Si f(x1, …,xn) > 0 (sauf si x1 = … = xn = 0), la forme quadratique est dite définie positive.
b. Si f(x1, …,xn) < 0 (sauf si x1 = … = xn = 0), la forme quadratique est dite définie négative.
c. Si f(x1, …,xn) prend des valeurs positives et négatives, la forme quadratique est dite indéfinie.
d. Si f(x1, …,xn) ≥ 0 et que f(x1, …,xn) = 0 dans au moins un cas non trivial, la forme quadratique est dite semi-
définie positive.
e. Si f(x1, …,xn) ≤ 0 et que f(x1, …,xn) = 0 dans au moins un cas non trivial, la forme quadratique est dite semi-
définie négative.
C) Cas particulier : aij = 0 pour i ≠ j. On a que des xi dans la forme quadratique.
𝑛

𝑓(𝑥1 , … , 𝑥𝑛 ) = ∑ 𝑎𝑖𝑗 𝑥𝑖2 = 𝑎11 𝑥12 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛2

𝑖=1

1. La forme quadratique est définie positive si a11 > 0, …, ann > 0

2. La forme quadratique est définie négative si a11 < 0, …, ann < 0
3. La forme quadratique est indéfinie s’il y a des aii de signes différents
4. La forme quadratique est semi-définie positive si aii ≥ 0 et au moins un aii = 0
5. La forme quadratique est semi-définie positive si aii ≤ 0 et au moins un aii = 0
D) Cas général : On veut se ramener au cas particulier, ce qui ne va pas toujours être possible :
𝑎11 𝑎12
|𝑎 |
12 𝑎22
a. n = 2 : 𝑓(𝑥1 , 𝑥2 ) = 𝑎11 𝑥12 + 2𝑎12 𝑥1 𝑥2 + 𝑎22 𝑥22 = 𝑎11 (… )2 + 𝑎11
(… )2 Pour trouver le type, il faut
examiner le signe des coefficients de la forme quadratique sous cette forme.
𝑎11 𝑎12 𝑎13
𝑎11 𝑎12 |𝑎12 𝑎22 𝑎23 |
|𝑎 |
12 𝑎22 𝑎13 𝑎23 𝑎33
b. n = 3 : 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = 𝑎11 (… )2 + 𝑎11
(… )2 + 𝑎11 𝑎12 (… )2 Pour trouver le type, il faut examiner
|𝑎 |
12 𝑎22
le signe des coefficients de la forme quadratique sous cette forme.
Le « problème » est que la complétion de carrés n’est pas toujours passible et donc la réduction ne fonctionne
pas.

Ecriture matricielle pour les formes quadratiques

𝑥1
𝑇
𝑓(𝑥1 , … , 𝑥𝑛 = 𝑋 𝐴𝑋, 𝑜ù 𝑋 = [ ⋮ ] 𝑒𝑡 𝐴 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑠𝑦𝑚é𝑡𝑟𝑖𝑞𝑢𝑒
)
𝑥𝑛
8
Mathématiques II Printemps 18-19

𝑛 𝑛 𝑛

𝑓(𝑥1 , … , 𝑥𝑛 ) = ∑ ∑ 𝑎𝑖𝑗 𝑥𝑖 𝑥𝑗 = ∑ 𝑎𝑖𝑖 𝑥𝑖2 + 2 ∑ 𝑎𝑖𝑗 𝑥𝑖 𝑥𝑗

𝑖=1 𝑗=1 𝑖=1 𝑖<𝑗

Les lignes de niveau : n = 2, ce sont les (x1, x2) tel que f(x1, x2) = c.

Théorème : Si A est une matrice symétrique, alors des vecteurs propres correspondants à des valeurs propres
différentes sont orthogonaux.

• A symétrique : AT = A
• V1, V2 des vecteurs propres correspondant aux valeurs propres λ1, λ2 (λ1 ≠ λ2).

Donc : 𝐴𝑉1 = 𝜆1 𝑉1 , 𝐴𝑉2 = 𝜆2 𝑉2 , 𝑉1𝑇 𝑉2 = 0 Nos n vecteurs sont orthogonaux si les valeurs propres de la
matrice associés à la forme quadratique sont distinctes.

Exprimée par des valeurs et vecteurs propres :

Si A est symétrique et λ1 ≠ λ2 (de A), alors V1 et V2 sont orthogonaux (propriété des vecteurs propres). Donc :

𝑓(𝑥1 , 𝑥2 ) = 𝑋 𝑇 𝐴𝑋 = λ1 𝑦12 ‖𝑉1 ‖2 + λ2 𝑦22 ‖𝑉2 ‖2

Les normes au carré de V1 et V2, ainsi que les carrés de y1 et y2 sont toujours positives, sauf dans les cas triviaux. Pour
déterminer le type de la forme quadratique, il nous suffit donc d’examiner le signe des valeurs propres. On a même
pas besoins de déterminer les vecteurs propres, sauf si on veut connaitre le graphique, ce que l’on ne fait
généralement pas.

7.5 Vecteurs propres

A est une matrice carrée nxn X est un vecteur colonne nx1 En général AX n’est pas proportionnel à X (𝐴𝑋 ≠ 𝜆𝑋)

Définition : Si X (≠0nx1) est un vecteur tel que AX = λX, alors X est un vecteur propre et λ est une valeur propre de la
matrice A.

Observation : Si X est tel que AX = λX (pour un certain λ), alors Y = cX (c≠0) satisfait aussi l’équation AY = λY, car
AcX = λcX.

Donc, X et Y sont des vecteurs propres associés à la valeur propre λ. Pour une valeur donnée, il y a une infinité de
vecteurs associés : ils sont tous proportionnels entre eux.

Conséquence : AX = λY a une infinité de solutions, λ un nombre et X ≠ 0nx1. Il faut une infinité de solution et donc que
𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0, car si 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) ≠ 0 on a une solution unique pour laquelle X devrait être égal à 0nx1, ce qui
est exclu.

Donc, λ est une valeur propre de A si 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0

Durant la résolution de problème, on peut soit nous demander un vecteur propre ou la famille de vecteurs propre. Si
l’on nous en demande qu’un, on va devoir fixer une variable arbitrairement, on n’aura donc pas tous la même réponse.
De plus, un vecteur propre est toujours associé à l’une de plusieurs valeurs propres que l’on détermine avec le système
d’équation 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0.
𝑎11 − 𝜆 𝑎12 ⋯ 𝑎1𝑛
𝑎 𝑎22 − 𝜆 ⋯ 𝑎2𝑛
Matrice nxn : 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = | 21 | = 0 On aura donc un polynôme de degré n en λ. La
⋮ ⋮ ⋱ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 − 𝜆
conséquence est qu’il y aura au maximum n solutions réelles pour les valeurs propres. Dans le cas où n = 3,
𝑑𝑒𝑡(𝐴 − 𝜆𝐼) est un polynôme du 3ème degré. Si l’on nous donne une des valeurs propres, on peut trouver les deux

9
Mathématiques II Printemps 18-19

autres en faisant au préalable une division polynômiale. Ceci résulte en un polynôme du 2ème degré duquel on peut
déduire λ2 et λ3.

On remarquera que :

• Dans 𝑑𝑒𝑡(𝐴 − 𝜆𝐼), le terme constant est égal au déterminant de A. ex :

o 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 𝜆2 + 9𝜆 + 20 ↔ det(𝐴) = 20
• det(𝐴) = 𝜆1 ∗ 𝜆2 ∗ … ∗ 𝜆𝑛
Le polynôme caractéristique [det(A-λI)] peut aussi être définit comme det(λI-A).

Si on nous donne un vecteur propre [V1] et que l’on nous demande à quelle valeur propre [λ1] il est associé, il nous
suffit de trouver la matrice AV1. Cette matrice va par définition être de sorte à ce que 𝐴𝑉1 = 𝜆𝑉1.

𝐴𝑛 𝑉1 = 𝜆1𝑛 𝑉1

Chapitre 8 – Applications économiques

8.1 – Modèle d’input-output de Leontiev
Le modèle :

On décompose l’économie d’un pays (région, canton, etc.) en n secteurs numérotés. On considère une certaine
période de temps (année, mois, etc.). Dans se modèle toutes les valeurs sont monétaires.

• xik : ventes du secteur i au secteur k. Si i = k, on parle d’autoconsommation.

• yk : importations du secteur k.
• zk : exportations du secteur k.
• xk : production du secteur k.

Donc : 𝑥𝑖 = 𝑥𝑖1 + ⋯ + 𝑥𝑖𝑛 + 𝑧𝑖

On a deux hypothèses :

1. xik est proportionnel à xk et donc 𝑥𝑖𝑘 = 𝑎𝑖𝑘 𝑥𝑘

a. aik : coefficient des échanges (ou de consommation).
b. Si i = k, on parle du coefficient d’autoconsommation.
2. Importations : yk est proportionnel à xk et donc 𝑦𝑘 = 𝑑𝑘 𝑥𝑘

Formulation matricielle pour les exportations :

𝑥𝑖 = 𝑥𝑖1 + ⋯ + 𝑥𝑖𝑛 + 𝑧𝑖 = 𝑎𝑖1 𝑥1 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 + 𝑧𝑖

𝑥1 𝑎11 ⋯ 𝑎1𝑛 𝑥1 𝑧1
[ ]=[ ⋮
⋮ ⋱ ⋮ ] [ ⋮ ] + [ ⋮ ] ↔ 𝑋 = 𝐴𝑋 + 𝑍 ↔ 𝑋 = (𝐼 − 𝐴)−1 𝑍
𝑥𝑛 𝑎𝑛1 ⋯ 𝑎𝑛𝑛 𝑥𝑛 𝑧𝑛
On va surtout résoudre avec les opérations élémentaires sur les lignes au lieu d’utiliser l’inverse pour (I-A).

Viabilité d’un secteur :

Un secteur est viable s’il produit une plus-value, donc s’il produit plus que ce qu’il consomme et importe.

𝑥1𝑖 + ⋯ + 𝑥𝑛𝑖 + 𝑦𝑖 < 𝑥𝑖 ↔ 𝑎1𝑖 + ⋯ + 𝑎𝑛𝑖 + 𝑑𝑖 < 1 , où d = coefficient d’importation

10
Mathématiques II Printemps 18-19

Formulation matricielle pour les importations :

𝑦1 𝑑1 𝑥1 𝑑1 ⋯ 0 𝑥1
⋮
𝑌=[ ]=[ ⋮ ]=[ ⋮ 𝑑𝑖 ⋮ ] [ ⋮ ] ↔ 𝑌 = 𝐷𝑋
𝑦𝑛 𝑑𝑛 𝑥𝑛 0 ⋯ 𝑑𝑛 𝑥𝑛
Balance commerciale :

C’est la différence entre les exportations et les importations :

𝑛 𝑛 𝑛 𝑧1 − 𝑦1
∑ 𝑧𝑖 − ∑ 𝑦𝑖 = ∑(𝑧𝑖 − 𝑦𝑖 ) = [1 ⋯ 1] [ ⋮ ] = 𝑆 𝑇 (𝑍 − 𝑌) = 𝑆 𝑇 (𝐼 − 𝐷(𝐼 − 𝐴)−1 )𝑍
𝑖=1 𝑖=1 𝑖=1 𝑧𝑛 − 𝑦𝑛

Chapitre 9 – Fonction de plusieurs variables indépendantes

9.1 Objet de l’étude
Une fonction de plusieurs variables indépendantes x1, …, xn de domaine D est une règle (relation) qui assigne un
nombre spécifique f(x1, …, xn) à chaque n-tuplets x1, …, xn de D. Elles peuvent prendre plusieurs formes :

• Formes linéaires : f(x1, …, xn) = AX • Fonctions quadratiques : f(x1, …, xn) = XTAX + AX + c

• Formes quadratiques : f(x1, …, xn) = XTAX
Fonction d’une variable indépendante : 𝑦 = 𝑓(𝑥)

Fonction de deux variables indépendantes : 𝑦 = 𝑓(𝑥1 , 𝑥2 )

Les lignes de niveau : Ce sont les lignes dont les points (x1, …, xn) sont tels que f(x1, …, xn) = c.

Problèmes : comportement local, extrema libre, extrema liés (optimisation sous contrainte).

9.2 Dérivées partielles

Base x1 x2 y = f(x1, x2)
Cas: n = 2
Variations simultanées ∆x1 ∆x2 ∆𝑦 = 𝑓(𝑥1 + ∆𝑥1 , 𝑥2 + ∆𝑥2 ) − 𝑓(𝑥1 , 𝑥2 )
Variations partielles, 1 ∆x1 x2 ∆𝑦 = 𝑓𝑥′1 (𝑥1 , 𝑥2 )
Variations partielles, 2 x1 ∆x2 ∆𝑦 = 𝑓𝑥′2 (𝑥1 , 𝑥2 )

Notations :
𝑑𝑓 𝑑𝑦
• Une variable : 𝑦 = 𝑓(𝑥) → 𝑓 ′ (𝑥) = 𝑦 ′ (𝑥) = 𝑑𝑥 = 𝑑𝑥
𝜕𝑓 𝜕𝑦
• Plusieurs variables : 𝑦 = 𝑓(𝑥1 , . . , 𝑥𝑛 ) → 𝑓𝑥′𝑖 (𝑥1 , … , 𝑥𝑛 ) = 𝑦𝑥′ 𝑖 (𝑥1 , … , 𝑥𝑛 ) = 𝜕𝑥 = 𝜕𝑥
𝑖 𝑖

∆𝑦
𝑦 𝑥𝑖 𝜕𝑦
Elasticités de f(x1, …,xn) : 𝐸𝑥𝑖 (𝑦) = lim ∆𝑥𝑖 = 𝑦
∗ 𝜕𝑥
∆𝑥𝑖 →0 𝑖
𝑥𝑖

9.3 – Differentielles totales

Rappel : Polynôme de Taylor : 𝑔(𝑥) ≈ 𝑔(𝑥0 ) + 𝑔′ (𝑥0 )(𝑥 − 𝑥0 ) + 𝑡𝑒𝑟𝑚𝑒 𝑎𝑢 𝑐𝑎𝑟𝑟é 𝑒𝑡 +. Le terme au carré et plus est
négligé. Posons également ∆x = x – x0.

′ ′
∆𝑦 = 𝑓 ( 𝑥⏟1 + ∆𝑥 ⏟2 ) − 𝑓(𝑥1 , 𝑥2 ) ≈ 𝑓
⏟1 , 𝑥⏟2 + ∆𝑥 ⏟𝑥1 (𝑥1 , 𝑥2 )∆𝑥1 + 𝑓𝑥2 (𝑥1 , 𝑥2 )∆𝑥2
𝑓𝑖𝑥𝑒 𝑣𝑎𝑟𝑖𝑒 𝑓𝑖𝑥𝑒 𝑣𝑎𝑟𝑖𝑒 𝑓𝑜𝑟𝑚𝑒 𝑙𝑖𝑛é𝑎𝑖𝑟𝑒 𝑒𝑛 ∆𝑥1 𝑒𝑡 ∆𝑥2

11
Mathématiques II Printemps 18-19

Et ceci nous donne la différentielle totale du premier ordre : 𝑑𝑦 = 𝑓𝑥′1 (𝑥1 , 𝑥2 )𝑑𝑥1 + 𝑓𝑥′2 (𝑥1 , 𝑥2 )𝑑𝑥2

Les lignes de niveau sont l’ensemble des points tels que f(x1, x2) = c.
𝑓𝑥′1 𝑑𝑥
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓 = [
Le gradient de f aux points x1 et x2 : 𝑔𝑟𝑎𝑑 ] et si on prend : 𝑑𝑥⃗ = [ 1 ], alors :
𝑓𝑥′2 𝑑𝑥2

𝑑𝑦 = ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓‖ ∗ ‖𝑑𝑥⃗‖ ∗ cos 𝜑, où ϕ est l’angle entre les deux normes. On a des cas particuliers :
𝑔𝑟𝑎𝑑𝑓 𝑇 ∗ 𝑑𝑥⃗ = ‖𝑔𝑟𝑎𝑑

• Si ϕ = +90 ou -90, cos(ϕ) = 0, donc dy = 0, car les deux droites seront perpendiculaires.
• Si ϕ = 0, cos(ϕ) = 1 (valeur maximale du cosinus), donc 𝑑𝑦 = ‖𝑔𝑟𝑎𝑑⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓‖ ∗ ‖𝑑𝑥⃗‖
• ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓‖ ∗ ‖𝑑𝑥⃗‖v
Si ϕ = 180, cos(ϕ) = -1, donc 𝑑𝑦 = −‖𝑔𝑟𝑎𝑑

9.4 Dérivées d’ordres supérieurs

𝑑 𝑑
Fonction d’une variable : 𝑑𝑥 peut être vu comme un opérateur. Donc 𝑑𝑥 𝑓(𝑥) = 𝑓 ′ (𝑥) → 𝑓 ′′ (𝑥) → ⋯ → 𝑓 𝑛 (𝑥).

𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 )
𝑓𝑥′1 (𝑥1 , 𝑥2 ) → {
𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 ) ← 𝑑é𝑟𝑖𝑣é𝑒 𝑚𝑖𝑥𝑡𝑒
Fonction de 2 variables : 𝑓(𝑥1 , 𝑥2 ) → , 𝑒𝑡𝑐.
′
𝑓𝑥′′2 𝑥1 (𝑥1 , 𝑥2 ) ← 𝑑é𝑟𝑖𝑣é𝑒 𝑚𝑖𝑥𝑡𝑒
𝑓𝑥2 (𝑥1 , 𝑥2 ) → {
{ 𝑓𝑥′′2 𝑥2 (𝑥1 , 𝑥2 )

On peut prouver que 𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 ) = 𝑓𝑥′′2 𝑥1 (𝑥1 , 𝑥2 ), c’est la loi de Jung.
𝜕2 𝑓 𝜕2 𝑓
Autre notation : 𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 ) = 𝑒𝑡 𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 ) = 𝑒𝑡𝑐.
𝜕𝑥12 𝜕𝑥1 𝜕𝑥2

9.5 Différentielle totale du second ordre

Résultat général pour n = 2 :

Point de référence : (x1, x2) Point de voisinage : (x1 + ∆x1, x2 + ∆x2)

𝑓(𝑥1 + ∆𝑥1 , 𝑥2 + ∆𝑥2 )

≈ 𝑓(𝑥1 , 𝑥2 ) + 𝑓𝑥′1 (𝑥1 , 𝑥2 )∆𝑥1 + 𝑓𝑥′2 (𝑥1 , 𝑥2 )∆𝑥2
1
+ [𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 )(∆𝑥1 )2 + 2𝑓 ′′ ′′ 2
⏟ 𝑥1 𝑥2 (𝑥1 , 𝑥2 ) ∆𝑥1 ∆𝑥2 + 𝑓𝑥2 𝑥2 (𝑥1 , 𝑥2 )(∆𝑥2 ) ]
2 ′′ ′′𝑓𝑥1 𝑥2 +𝑓𝑥2𝑥1

De cela, on peut trouver la différentielle totale de second ordre :

𝑑2 𝑦 = 𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 )(𝑑𝑥1 )2 + 2𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 )𝑑𝑥1 𝑑𝑥2 + 𝑓𝑥′′2 𝑥2 (𝑥1 , 𝑥2 )(𝑑𝑥2 )2
1
Il s’en suit que : 𝑓(𝑥 + 𝑑𝑥) = 𝑓(𝑥) + 𝑑𝑓 + 2 𝑑2 𝑓

Avec chaque terme en plus, on a une amélioration de l’estimation.

Le signe de d2f :

𝑑2 𝑦 = 𝑓𝑥′′1 𝑥1 (𝑥1 , 𝑥2 ) (𝑑𝑥

⏟ 1 )2 + 2𝑓𝑥′′1 𝑥2 (𝑥1 , 𝑥2 ) ⏟
𝑑𝑥1 𝑑𝑥2 + 𝑓𝑥′′2 𝑥2 (𝑥1 , 𝑥2 ) (𝑑𝑥
⏟ 2 )2
≥0 ≷0 ≥0

Souvent il va nous falloir la forme quadratique (n=2) : 𝑎11 𝑥12 + 2𝑎12 𝑥1 𝑥2 + 𝑎22 𝑥22 avec 𝑎𝑖𝑗 = 𝑓𝑥′′𝑖𝑥𝑗 𝑒𝑡 𝑥𝑖 = 𝑑𝑥𝑖
𝑎11 𝑎12
𝑎11 𝑎12 2 2
|𝑎
12 𝑎22
|
2
𝐴 = 𝐻 = [𝑎
12 𝑎22 ] et donc 𝑑 𝑦 = 𝑎11 (… ) + 𝑎11 (… )
12
Mathématiques II Printemps 18-19

9.6 – Développement de Taylor

∆𝑥1
𝑦 = 𝑓(𝑥1 , … , 𝑥𝑛 ) Le point de référence : (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) ∆𝑥𝑖 = 𝑥𝑖 − 𝑥̇ 𝑖 ∆𝑋 = [ ⋮ ]
∆𝑥𝑛
𝑓𝑥′1 𝑓𝑥′′1 𝑥1 ⋯ 𝑓𝑥′′1 𝑥𝑛
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑔𝑟𝑎𝑑 𝑓 = [ ⋮ ] 𝐻=[ ⋮ ⋱ ⋮ ] Donc :
𝑓𝑥′𝑛 𝑓𝑥′′𝑛 𝑥1 ⋯ 𝑓𝑥′′𝑛 𝑥𝑛

1
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓 𝑇 ∗ ∆𝑋 + (∆𝑋)𝑇 𝐻(∆𝑋)
𝑓(𝑥1 , … , 𝑥𝑛 ) ≈ 𝑓(𝑥̇ 1 , … , 𝑥̇ 𝑛 ) + 𝑔𝑟𝑎𝑑
2

9.7 – Extrema libres

Une condition nécessaire, mais pas suffisante, pour que la fonction f(x1, …, xn) possède un maximum local ou un
minimum local au point (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) est que :

𝑓𝑥′1 (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) = 0
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑔𝑟𝑎𝑑𝑓 = 0𝑛𝑥1 ↔{ ⋮
𝑓𝑥′𝑛 (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) = 0

⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓 = 0𝑛𝑥1, il faut les utiliser pour trouver le type d’extremum. Pour
Après avoir trouvé les (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑔𝑟𝑎𝑑
cela on va trouver Taylor en (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) tel que le gradient s’annule :
1 2
𝑓(𝑥1 , … , 𝑥𝑛 ) ≈ 𝑓(𝑥̇
⏟ 1 , … , 𝑥̇ 𝑛 ) + 𝑑𝑓
⏟ + 𝑑⏟ 𝑓
2
𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓∗∆𝑋
𝑔𝑟𝑎𝑑
⏟ 𝑓𝑞
⃗⃗
0

Il nous suffit donc de déterminer le type de d2f, étant une forme quadratique, pour connaitre le type de notre extrema :

• Si d2f est une forme quadratique définie positive, alors on a un minimum local en (𝑥̇ 1 , … , 𝑥̇ 𝑛 ).
• Si d2f est une forme quadratique définie négative, alors on a un maximum local en (𝑥̇ 1 , … , 𝑥̇ 𝑛 ).
• Si d2f est une forme quadratique indéfinie, alors on n’a pas d’extremum, (𝑥̇ 1 , … , 𝑥̇ 𝑛 ) est un point de selle.
• Si d2f est une forme quadratique semi-définie positive, alors il n’y a pas de maximum local, mais un minimum
local est encore possible.
• Si d2f est une forme quadratique semi-définie négative, alors il n’y a pas de minimum local, mais un maximum
local est encore possible.

Méthode des moindres carrés :

On a des observations (xi, yi), i = 1, …, n. De plus, on a une certaine tendance linéaire. On pense qu’il y a une relation
linéaire entre x et y, de forme « y = ax + b ». Donc : yi = axi + b + ei, ei étant l’erreur. On veut trouver une droite qui
passe le plus près des points (xi, yi). Le critère va être la minimisation de la somme des erreurs au carré. Si on avait un
ajustement parfait, cela voudrait dire que ∑𝑛𝑖=1 𝑒𝑖2 = 0 et donc que tous les points reposent sur une droite.

Posons : 𝑓(𝑎, 𝑏) = ∑𝑛𝑖=1 𝑒𝑖2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏)2 . Il n’y a pas de conditions sur a et b, on est donc dans le cas d’un
extrema libre. Il va falloir remplir les conditions de premier et de second ordre.
1
∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 −𝑛(∑𝑖=1 𝑦𝑖 ∑𝑖=1 𝑥𝑖 ) ∑𝑛 ̅𝑥̅
𝑖=1 𝑥𝑖 𝑦𝑖 −𝑛𝑦
• CPO : 𝑓𝑎′ (𝑎, 𝑏) = 𝑓𝑏′ (𝑎, 𝑏) = 0 ↔ 𝑎∗ = 1 2 = ∑𝑛 2 2 ↔ 𝑏 ∗ = 𝑦̅ − 𝑎∗ 𝑥̅
∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 −𝑛(∑𝑖=1 𝑥𝑖 ) 𝑖=1 𝑥𝑖 −𝑛𝑥̅

′′ (𝑎,
𝑓𝑎𝑎 𝑏) = 2 ∑𝑛𝑖=1 𝑥𝑖2
2 ∑𝑛 𝑥𝑖2 2 ∑𝑛𝑖=1 𝑥𝑖
• ′′ (𝑎,
CSO : 𝑓𝑎𝑏 𝑏) = 2 ∑𝑛𝑖=1 𝑥𝑖 } 𝐻 = [ 𝑖=1 ] → La fq est définie positive, on a un min en (a*, b*).
′′ (𝑎, 2 ∑𝑛𝑖=1 𝑥𝑖 2𝑛
𝑓𝑏𝑏 𝑏) = 2𝑛
13
Mathématiques II Printemps 18-19

9.8 – Extrema Liés

On cherche un maximum ou un minimum de f(x1, x2) sous la contrainte que (x1, x2) se
trouvent sur la ligne définie par : ϕ(x1, x2) = 0. Une condition nécessaire est que (x1, x2)
⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝑓 doit être proportionnel au 𝑔𝑟𝑎𝑑
doit être tel que 𝑔𝑟𝑎𝑑 ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝜑, car cela se produit quand les
tangentes se confondent.

On a donc ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ 𝜑

𝑔𝑟𝑎𝑑𝑓 = 𝜆𝑔𝑟𝑎𝑑

𝑓𝑥′ 𝜑𝑥′
[ 1] = 𝜆 [ ′ 1]
On aura trois équations à trois inconnues qui devront être satisfaites : { 𝑓𝑥2 𝜑𝑥2
𝜑(𝑥1 , 𝑥2 ) = 0
Méthode des multiplicateurs de Lagrange :

C’est la recherche des extrema de la fonction f(x1, x2) sous la contrainte ϕ(x1, x2) = 0.

1. Définir la fonction de Lagrange :

𝐿(𝑥1 , 𝑥2 , 𝜆) = 𝑓(𝑥1 , 𝑥2 ) − 𝜆𝜑(𝑥1 , 𝑥2 )
2. Trouver x1, x2 et λ tel que le gradient est nul :
𝜕𝐿 𝜕𝑓 𝜕𝜑
= −𝜆 =0
𝜕𝑥1 𝜕𝑥1 𝜕𝑥1
𝜕𝐿 𝜕𝑓 𝜕𝜑
= −𝜆 =0
𝜕𝑥2 𝜕𝑥2 𝜕𝑥2
𝜕𝐿
= −𝜑(𝑥1 , 𝑥2 ) = 0
𝜕𝜆
On ne va pas traiter les conditions du second ordre pour le Lagrangien. Il ne faut donc pas utiliser les dérivées du
deuxième ordre.

Méthode de substitution :

Elle marche surtout bien lorsque les contraintes sont linéaires. Nous avons f(x1, x2) quelconque et ϕ(x1, x2) de la forme
ax1 + bx2 – c = 0. Il faut isoler l’une des deux variables de la contrainte et la mettre dans f(x1, x2) qui deviendra donc
une équation à une variable f(x). Puis il faudra simplement trouver les extrema de celle-ci et définir leurs types :

1. 𝑓𝑥′ (𝑥) = 0
𝑓𝑥′′ (𝑥) > 0 → 𝑚𝑖𝑛𝑖𝑚𝑢𝑚
2. {𝑓𝑥′′ (𝑥) < 0 → 𝑚𝑎𝑥𝑖𝑚𝑢𝑚
𝑒𝑡𝑐.

14