L1 MIASHS S2 – Mathématiques pour l’économie – COURS

I – Convexité/concavité
1. Ensembles convexes
• Définition générale (ensemble convexe) : Un sous-ensemble 𝐶 ⊂ ℝ𝑛 est dit convexe si :
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝜆𝑋 + (1 − 𝜆)𝑌 ∈ 𝐶
Il s’agit de la définition générale en 𝑛 variables, mais pour l’année de L1, on va se limiter aux cas 𝑛 = 1
(convexes de ℝ) et 𝑛 = 2 (convexes de ℝ2 ). Interprétons le cas 𝑛 = 2 en premier.

• Convexes de ℝ2 ∶
Soient 𝑋, 𝑌 ∈ ℝ2 fixés. L’ensemble {𝜆𝑋 + (1 − 𝜆)𝑌 ; 𝜆 ∈ [0; 1]} est le segment reliant 𝑋 à 𝑌 ; on le note [𝑋, 𝑌].
L’ensemble 𝐶 est donc convexe si : ∀𝑋, 𝑌 ∈ 𝐶 ; [𝑋, 𝑌] ⊂ 𝐶.
Autrement dit : L’ensemble C est convexe si, lorsqu’il contient deux points, il contient tout le segment qui
relie ces deux points.

• Convexes de ℝ ∶
Pour les convexes de ℝ, la caractérisation précédente est toujours valable, mais on a résultat plus précis :
Théorème : Les convexes de ℝ sont les intervalles : ]𝑎, 𝑏[ ; [𝑎, 𝑏], [𝑎, 𝑏[, ]𝑎, 𝑏] avec 𝑎, 𝑏 ∈ ℝ ∪ {−∞; +∞}.
En particulier, ℝ est convexe.

Convexes Non convexe

2. Fonctions convexes ; fonctions concaves

• Définition générale (fonction convexe) : Soit 𝐶 ⊂ ℝ𝑛 un ensemble convexe.
La fonction 𝑓: 𝐶 → ℝ est dite convexe si :
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝑓 (𝜆𝑋 + (1 − 𝜆)𝑌) ≤ 𝜆𝑓(𝑋) + (1 − 𝜆)𝑓(𝑌)

• Fonctions convexes d’une variable : 𝑋 = 𝑥, 𝑌 = 𝑦 donc 𝑓 est convexe si :

∀𝑥, 𝑦 ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝑓 (𝜆𝑥 + (1 − 𝜆)𝑦) ≤ 𝜆𝑓(𝑥) + (1 − 𝜆)𝑓(𝑦)

Interprétation graphique : 𝑓 est convexe si entre deux points 𝐴(𝑥 ; 𝑓(𝑥)) et 𝐵(𝑦 ; 𝑓(𝑦)), la courbe est située en
dessous du segment qui relie 𝐴 à 𝐵. En particulier, une fonction convexe sur ℝ à une courbe « tournée vers le haut ».

(changer 𝜃 en 𝜆 sur le graphique)

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 1 sur 29

 • Fonctions convexes de deux variables : 𝑋 = (𝑥1 , 𝑥2 ), 𝑌 = (𝑦1 , 𝑦2 ) donc 𝑓 est convexe si :
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝑓 (𝜆𝑋 + (1 − 𝜆)𝑌) ≤ 𝜆𝑓(𝑋) + (1 − 𝜆)𝑓(𝑌)
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝑓(𝜆(𝑥1 , 𝑥2 ) + (1 − 𝜆)(𝑦1 , 𝑦2 )) ≤ 𝜆𝑓((𝑥1 , 𝑥2 )) + (1 − 𝜆)𝑓((𝑦1 , 𝑦2 ))
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝑓 (𝜆𝑥1 + (1 − 𝜆)𝑦1 , 𝜆𝑥2 + (1 − 𝜆)𝑦2 ) ≤ 𝜆𝑓(𝑥1 , 𝑥2 ) + (1 − 𝜆)𝑓(𝑦1 , 𝑦2 )

Autres notations : On préfère souvent les notations 𝑋 = (𝑥, 𝑦) et, à la place de 𝑌 : 𝑋′ = (𝑥′, 𝑦′)
La caractérisation de la convexité s’écrit alors :
∀𝑋, 𝑋′ ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝑓 (𝜆𝑥 + (1 − 𝜆)𝑥′ , 𝜆𝑦 + (1 − 𝜆)𝑦′ ) ≤ 𝜆𝑓(𝑥, 𝑦) + (1 − 𝜆)𝑓(𝑥′, 𝑦′)

Exemples de fonctions convexes en 2 variables : (surfaces « tournées vers le haut »)

f ( x, y ) = x 2 + y 2

L’ « inverse » de la convexité est la concavité ; cela correspond à une courbe ou une surface « tournée vers le bas ».
Exemples en 2 variables :

• Définition générale (fonction concave) : Soit 𝐶 ⊂ ℝ𝑛 un ensemble convexe.

La fonction 𝑓: 𝐶 → ℝ est dite concave si −𝑓 est convexe, ce qui revient à dire que :
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ [0; 1] ; 𝑓 (𝜆𝑋 + (1 − 𝜆)𝑌) ≥ 𝜆𝑓(𝑋) + (1 − 𝜆)𝑓(𝑌)

Remarque : la notion d’ « ensemble concave » n’existe pas.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 2 sur 29

Interprétation graphique : En une variable, 𝑓 est concave si entre deux points 𝐴(𝑥 ; 𝑓(𝑥)) et 𝐵(𝑦 ; 𝑓(𝑦)), la courbe
est située au dessus du segment qui relie 𝐴 à 𝐵. En particulier, une fonction concave sur ℝ à une courbe « tournée
vers le bas » ; et en deux variables, c’est la surface qui est « tournée vers le bas ».
schémas
Remarques :
• Beaucoup de fonctions ne sont ni convexes ni concaves ! Exemples :

Exemple de fonction ni convexe ni concave en 2 variables :

Définitions : Le point où il y a un changement de convexité (convexe->concave ou concave->convexe) s’appelle un

« point d’inflexion » en 1 variable et un « point selle » ou « point col » en 2 variables.

• Une fonction peut donc être convexe, concave, ni l’un ni l’autre (dans ce dernier cas, elle peut être convexe
sur certains intervalles et concave sur d’autres) ou alors, les deux à la fois ! par exemple, les fonctions
constantes et les fonctions affines sont à la fois convexes et concaves sur ℝ.
schéma

Plus « fort » que la convexité, il y a la stricte convexité et aussi la stricte concavité, et, contrairement à ce que l’on
vient de dire dans la remarque, une fonction ne peut pas être strictement convexe et strictement concave.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 3 sur 29

 • Définitions générale (fonction strictement convexe/concave) : Soit 𝐶 ⊂ ℝ𝑛 un ensemble convexe et une
fonction 𝑓: 𝐶 → ℝ.
𝑓 est dite strictement convexe si :
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ ]𝟎, 𝟏[ ; 𝑿 ≠ 𝒀 ⟹ 𝑓 (𝜆𝑋 + (1 − 𝜆)𝑌) < 𝜆𝑓(𝑋) + (1 − 𝜆)𝑓(𝑌)
𝑓 est dite strictement concave si −𝑓 est strictement convexe, ce qui revient à dire que :
∀𝑋, 𝑌 ∈ 𝐶 ; ∀𝜆 ∈ ]𝟎, 𝟏[ ; 𝑿 ≠ 𝒀 ⟹ 𝑓 (𝜆𝑋 + (1 − 𝜆)𝑌) > 𝜆𝑓(𝑋) + (1 − 𝜆)𝑓 (𝑌)

Interprétations :
• En une variable, 𝑓 est strictement convexe si entre deux points 𝑥 et 𝑦, la courbe est située strictement en dessous du segment qui relie 𝑥 à 𝑦.
En particulier, une fonction strictement convexe sur ℝ à sa courbe qui est « strictement tournée vers le haut » ; et en deux variables, c’est la
surface qui est « strictement tournée vers le haut ».
• En une variable, 𝑓 est strictement concave si entre deux points 𝑥 et 𝑦, la courbe est située strictement au-dessus du segment qui relie 𝑥 à 𝑦.
En particulier, une fonction strictement concave sur ℝ à sa courbe qui est « strictement tournée vers le bas » ; et en deux variables, c’est la
surface qui est « strictement tournée vers le bas ».

Remarques :
• Toute fonction strictement convexe est convexe, la réciproque est fausse.
• Toute fonction strictement concave est concave, la réciproque est fausse.

3. Caractérisations des fonctions convexes/concaves.

Dans ce paragraphe, nous allons voir des critères plus pratiques que les définitions qui permettent de déterminer si
une fonction est convexe ou concave. Si la fonction est « assez régulière », on a des résultats intéressants, on est
donc amené à définir la notion de fonction de « classe C2 ».
• Définition générale (fonction de classe C2) : 𝑓: 𝐶 ⊂ ℝ𝑛 → ℝ est dite de classe C2 si toutes les dérivées
partielles premières et seconde de 𝑓 existent et sont continues (on dit aussi que 𝑓 est deux fois continument
différentiable).

• Caractérisation des fonctions d’une variable de classe C2 :

En une variable, 𝑓 est donc de classe C2 si 𝑓′ et 𝑓′′ existent et sont continues.
𝑑²𝑓
Rappel : Si f ' est dérivable, la dérivée seconde de f est la dérivée de f ' ; on la note 𝑓′′ ou .
𝑑𝑥²

Théorème : Soit I un intervalle de et f : I → une fonction deux fois dérivable.

• f est convexe sur I ⟺ 𝑓′ est croissante sur I ⟺ 𝑓′′ ≥ 0 sur I.
• f est concave sur I ⟺ 𝑓′ est décroissante sur I ⟺ 𝑓′′ ≤ 0 sur I.
• 𝑓 ′′ > 0 sur I ⟹ f est strictement convexe sur I.
• 𝑓 ′′ < 0 sur I ⟹ f est strictement concave sur I.

Remarque : On a le résultat plus précis sur la stricte convexité/concavité suivant :

• f est strictement convexe sur I ⟺ 𝑓′′ est strictement positive sur I et les zéros de 𝑓′′ sont isolés (c’est-à-dire, qu’il n’existe pas d’intervalle ouvert dans I
sur lequel 𝑓′′ est identiquement nulle ; ou, autrement dit, que l’ensemble des zéros de 𝑓′′ est d’intérieur vide).
• f est strictement concave sur I ⟺ 𝑓′′ est strictement négative sur I et les zéros de 𝑓′′ sont isolés (c’est-à-dire, qu’il n’existe pas d’intervalle ouvert dans I
sur lequel 𝑓′′ est identiquement nulle ; ou, autrement dit, que l’ensemble des zéros de 𝑓′′ est d’intérieur vide).

Autre caractérisation : 𝑓 est convexe ⟺ ∀𝑎, 𝑥 ∈ 𝐶, 𝑓(𝑥) ≥ 𝑓(𝑎) + 𝑓′(𝑎)(𝑥 − 𝑎) ⟺ le graphe de 𝑓 est au dessus de ses tangentes.

Exemples :

• f ( x) = x − 5 x + 4 ;
2

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 4 sur 29

• g ( x) = − x
2

• ℎ(𝑥) = 𝑥 4

Propriété : Si 𝑓′′ s’annule en changeant de signe en un point 𝑎 ; alors, 𝑎 est un point d’inflexion ; il correspond à un
changement de convexité/concavité.

Exemple : 𝑘 (𝑥) = 𝑥 3

1
Autre exemple : h( x) =
x

• Caractérisation des fonctions de deux variables de classe C2 :

Le critère pour une fonction de 2 variables de classe C² utilise la matrice Hessienne qui joue le rôle de la dérivée
seconde.

Notations : Pour une fonction f de 2 variables C², on utilisera les notations r, s et t pour la matrice Hessienne de f
r s
(notation de Monge) : H ( x , y ) f =   . C’est possible de n’utiliser que 3 lettres puisque la matrice est symétrique.
s t

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 5 sur 29

Propriété (convexité/concavité des fonctions de 2 variables avec les notations de Monge) :
• f est convexe ⟺ pour tout couple ( x, y ) , r t − s ²  0 ; r  0 et 𝑡 ≥ 0
• f est concave ⟺ pour tout couple ( x, y ) , r t − s ²  0 ; r  0 et 𝑡 ≤ 0

Remarques :
• Si rt − s2 n’est pas positif pour tout couple (𝑥, 𝑦), alors 𝑓 n’est ni convexe ni concave.
• Les fonctions affines, de la forme f ( x, y ) = ax + by + c (a, b, c ∈ ℝ) sont à la fois convexes et concaves.

Propriété (stricte convexité/concavité des fonctions de 2 variables avec les notations de Monge) :
• Si pour tout couple ( x, y ) , r t − s ²  0 et r  0 ; alors f est strictement convexe.
• Si pour tout couple ( x, y ) , r t − s ²  0 et r  0 ; alors f est strictement concave.

Remarques :
• Si r t − s ²  0 ; alors forcément, r  0 donc, il n’y a pas de 3e cas ; de plus : r  0  t  0 et r  0  t  0
donc il est inutile de rajouter la condition t  0 ou t  0 dans la propriété.
• Les conditions pour la stricte convexité/concavité sont des conditions suffisantes non nécessaires (la
réciproque est fausse). Autrement dit, f peut être strictement convexe (ou strictement concave) avec
r t − s ² = 0 mais la propriété ne permet pas de le prouver. Il faudra dans ce cas, revenir à définition de la
stricte convexité ou de la stricte concavité.
• Si pour tout couple (x,y), 𝑟𝑡 − 𝑠 2 ≥ 0, 𝑟 > 0 et que l’ensemble {(𝑥, 𝑦) ; 𝑟𝑡 − 𝑠 2 = 0} ne contient aucun segment [𝑥, 𝑦] de longueur non nulle, alors 𝑓
est strictement convexe.

Exemples : Etudier la convexité ou la concavité des fonctions suivantes :

• 𝑓: (𝑥, 𝑦) ↦ 𝑥 2 + 𝑦 2 + 𝑥𝑦

• 𝑔: (𝑥, 𝑦) ↦ −𝑥 4 − 𝑦 4 + 𝑥

• ℎ: (𝑥, 𝑦) ↦ −𝑥 4 − 𝑦 4 + 𝑥𝑦

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 6 sur 29

 • Opérations sur les fonctions convexes/concaves
Avant de commencer des calculs, on regarde si la convexité peut être déduite sans calcul, en utilisant des règles sur
les opérations sur les fonctions convexes si on a un « catalogue » de fonctions convexes/concaves connues.
Propriété : tout ce qui suit est également si on remplace le mot « convexe » par « concave ».
• Une somme de fonctions convexes est une fonction convexe. Si l’une au moins des fonctions de la somme est
strictement convexe, alors la somme est une fonction strictement convexe.
• Si 𝑓 est (strictement) convexe et si 𝛼 > 0 ; alors la fonction 𝛼𝑓 est (strictement) convexe.

Catalogue de fonctions convexes/concaves :

• Les fonctions affines sont convexes et concaves
• 𝑓 (𝑥) = 𝑥 2 ; 𝑓 (𝑥, 𝑦) = 𝑥 2 + 𝑦 2 ; 𝑓 (𝑥) = 𝑒 𝑥 sont des fonctions strictement convexes.
• 𝑓 (𝑥) = 𝑥 4 est strictement convexe (alors que sa dérivée seconde s’annule en 0).
• 𝑓(𝑥) = ln 𝑥 est une fonction strictement concave sur ]0; +∞[

Par contre 𝑓 (𝑥, 𝑦) = 𝑥𝑦 n’est ni convexe ni concave.

II Optimisation sans contrainte des fonctions de deux variables.

L’objectif de ce paragraphe est de savoir comment déterminer un extremum c’est un maximum ou un minimum (local
→ (deux variables) de classe C². On notera ( x0 ; y0 ) 
2 2
ou global) pour une fonction f : un point quelconque.

1. Condition nécessaire d’optimalité

Définition (extremum local) :
• f admet un minimum local en ( x0 ; y0 ) si pour 𝑥 suffisamment proche de x0 et 𝑦 suffisamment proche de y0 ,
on a : f ( x, y )  f ( x0 , y0 )
• f admet un maximum local en ( x0 ; y0 ) si pour 𝑥 suffisamment proche de x0 et 𝑦 suffisamment proche de y0 ,
on a : f ( x, y )  f ( x0 , y0 )

2
Définition (extremum global) : Soit S un sous-ensemble de

• f admet un minimum global sur S en ( x0 ; y0 ) si pour tout ( x, y )  S , f ( x, y )  f ( x0 , y0 )

• f admet un maximum global sur S en ( x0 ; y0 ) si pour tout ( x, y )  S , f ( x, y )  f ( x0 , y0 )

Comment effectuer la recherche des extremums ? Rappel : en une variable, tous les extremums sont des points
critiques (valeur qui annulent la dérivée) ; c’est toujours le cas en 2 variables.

Théorème (condition nécessaire du premier ordre) : Si f admet un extremum en ( x0 ; y0 ) (local ou global) ; alors

( x0 ; y0 ) est un point critique pour f ; c’est-à-dire :

f f
( x0 , y0 ) = 0 et ( x0 , y0 ) = 0
x y

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 7 sur 29

Attention : il se peut que ( x0 ; y0 ) soit un point critique sans être un extremum ! Exemple : f ( x, y ) = x ² − y ² . (0,0)
est un point critique sans être un extremum (on l’étudiera plus tard).
Pour savoir si les points critiques sont des extremums (ou pas), on a besoin d’au moins une condition supplémentaire,
une condition suffisante d’optimalité que l’on va étudier au paragraphe suivant.
Ces conditions sont les mêmes formules que la convexité/concavité mais ce n’est pas la même chose car ce sont des
conditions locales (c’est-à-dire, uniquement aux points critiques).

2. Conditions suffisantes locales d’optimalité

Théorème (conditions suffisantes du second ordre ; étude locale) : Soit ( x0 ; y0 ) un point critique pour f. On note par
r s
r,s et t la matrice Hessienne de f en ( x0 ; y0 ) . H ( x , y ) f =  .
s t 
0 0

• Si r t − s ²  0 et r  0 ; alors ( x0 ; y0 ) est un minimum (au moins) local.

• Si r t − s ²  0 et r  0 ; alors ( x0 ; y0 ) est un maximum (au moins) local.
• Si r t − s ²  0 , il n’y a pas d’extremum (point-selle ou col).
• Si r t − s ² = 0 , on ne peut pas conclure (extremum possible mais pas certain).

Remarque : Ce sont les mêmes formules que la convexité/concavité mais ce n’est pas la même chose car ce sont des
conditions locales (c’est-à-dire, uniquement aux points critiques).

En résumé : Soit ( x0 ; y0 ) un point critique de f . Pour étudier sa nature, on est confronté aux cas suivants :

r>0 min local

rt-s² > 0
r<0 max local

H(x0,y0)f
rt-s² = 0 On ne peut pas conclure

rt-s² < 0 Pas un extremum (point selle)

Remarque : Dans le cas « 𝑟𝑡 − 𝑠 2 > 0 », le cas « r = 0 » est impossible.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 8 sur 29

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 9 sur 29
Exemples : Rechercher les extremums locaux des fonctions suivantes :

• f ( x, y) = x3 + 3xy

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 10 sur 29

• g ( x, y) = − x3 + 6 x2 − y3 + 6 y 2

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 11 sur 29

 3. Conditions suffisantes globales d’optimalité
Pour obtenir un extremum global, on utilisera la convexité ou concavité de la fonction. C’est l’intérêt des fonctions
convexes ou concaves dans les problèmes d’optimisation : Pour une fonction convexe ou concave, la condition
nécessaire pour un extremum d’être un point critique, est en fait suffisante (valable aussi en une variable).
Théorème (extremum global et convexité/concavité) : Soit ( x0 ; y0 ) un point critique pour f (s’il en existe).
• Si f est convexe, alors f admet un minimum global sur 2
en ( x0 ; y0 ) .
• Si f est concave, alors f admet un maximum global sur 2
en ( x0 ; y0 ) .

Remarque : En particulier :
• Si (𝑥0 ; 𝑦0 ) est un minimum local pour 𝑓 et que 𝑓 est convexe, alors (𝑥0 ; 𝑦0 ) est un minimum global.
• Si (𝑥0 ; 𝑦0 ) est un maximum local pour 𝑓 et que 𝑓 est concave, alors (𝑥0 ; 𝑦0 ) est un maximum global.
Remarque 2 :
• Si 𝑓 est convexe, alors : (𝑥0 ; 𝑦0 ) 𝑒𝑠𝑡 𝑢𝑛 𝑝𝑜𝑖𝑛𝑡 𝑐𝑟𝑖𝑡𝑖𝑞𝑢𝑒 ⟺ 𝑓 admet un minimum global en (𝑥0 ; 𝑦0 ).
• Si 𝑓 est concave, alors : (𝑥0 ; 𝑦0 ) 𝑒𝑠𝑡 𝑢𝑛 𝑝𝑜𝑖𝑛𝑡 𝑐𝑟𝑖𝑡𝑖𝑞𝑢𝑒 ⟺ 𝑓 admet un maximum global en (𝑥0 ; 𝑦0 ).

Remarque : Si la convexité ou la concavité est stricte, alors l’extremum (𝑥0 ; 𝑦0 ) est un extremum strict, c’est-à-dire
que : ∀(𝑥, 𝑦) ∈ ℝ2 , (𝑥, 𝑦) ≠ (𝑥0 ; 𝑦0 ) ⟹ 𝑓 (𝑥, 𝑦) ≠ 𝑓(𝑥0 ; 𝑦0 ) (autrement dit, (𝑥0 ; 𝑦0 ) est l’unique point en lequel 𝑓
atteint son extremum).

Exemples : Etudier les extremums globaux des fonctions suivantes :

ex + y2
2
• f : ( x, y )

• g : ( x, y) − x 2 − y 2 + xy

Remarque : si la matrice Hessienne est constante, tout extremum local est aussi global.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 12 sur 29

 4. Synthèse et Applications
Résumé de la démarche à suivre pour rechercher les extremums d’une fonction de 2 variables :
• On recherche les points critiques (valeurs pour lesquelles les dérivées partielles sont nulles) en résolvant un
système de 2 inconnues à 2 équations.
• On calcule la matrice Hessienne.
Si on peut prouver que la fonction est convexe ou concave, on obtient un extremum global.
Sinon, on fait une étude locale : pour chaque point critique, on teste la condition suffisante sur la matrice Hessienne.
Les applications en économie de l'optimisation d'une fonction à plusieurs variables sont nombreuses : minimisation
d’un coût total de production ; maximisation d'une fonction d'utilité ; minimisation d'un risque de placement sur les
marchés boursiers ; maximisation du bénéfice d'une entreprise, 𝑥 étant la quantité de biens produits et 𝑦 étant un
paramètre annexe du bien (qualité, sophistication...) : voir exemple en TD.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 13 sur 29

III – Optimisation avec contrainte de type égalité des fonctions de deux variables.

L’optimisation sous contrainte est une des techniques les plus utilisées en économie. Il est important de comprendre
que les résultats obtenus de cette façon peuvent être tout à fait différents de ceux obtenus lors d’une optimisation
sans contrainte. Par exemple, si vous voulez acheter une maison, vous choisirez peut-être un château à la campagne
s’il n’y a pas de contraintes. Cependant, en présence de contraintes (budget, emplacement à rechercher proche du
travail, garage pour la voiture), peut-être vous rabattrez-vous sur un studio en banlieue.
Ce paragraphe est aussi très important en microéconomie où l’on sera amené à maximiser l’utilité d’un consommateur
sous une contrainte de budget.

Situation motivante : On dispose d’une corde de 20 mètres. Comment tracer le rectangle ayant la plus grande aire
possible en utilisant toute la corde ? 20m

D 9 C

1 9 m² 1
A B
9

D 6 C

4 24 m² 4

A B
6
D 3 C

21 m² 7

A B
3
Peut-on faire mieux que 24 m² en respectant la contrainte sur le périmètre qui est doit être égal à 20 m ?
Notons x la longueur du rectangle formé et y sa largeur.

D x C

y y
x.y m²

A B
x

L’aire du rectangle est x y et la longueur de la corde est 2 x + 2 y . Le problème revient donc à trouver le maximum
de f ( x, y) = x  y sous la contrainte 2 x + 2 y = 20 c’est-à-dire g ( x, y ) = 0 avec g ( x, y ) = 2 x + 2 y − 20 .
Ici, la réponse est « connue », c’est pour x = y = 5 (un carré) mais le problème est plus général.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 14 sur 29

Dans tout ce paragraphe, on s’intéresse au problème (P) suivant : trouver le maximum ou le minimum d’une fonction
de 2 variables f ( x, y) de classe C² sous la contrainte g ( x, y ) = 0 où g est une fonction de 2 variables.
(P) : Optimiser f ( x, y) s.c g ( x, y ) = 0 où g est une fonction de classe C².

Pour résoudre ce problème, on introduit une nouvelle notion : le Lagrangien.

Définition (Lagrangien) : Le Lagrangien est une fonction L : 3
→ de 3 variables x, y,  défini par :
L ( x, y ,  ) = f ( x , y ) +  g ( x , y )

1. Conditions nécessaires d’optimalité

Le théorème qui donne les conditions nécessaires d’optimalité utilise le Lagrangien et une « condition de qualification
de la contrainte » que l’on va définir tout de suite :

Définition (condition de qualification de la contrainte) : La « condition de qualification de la contrainte » est vérifiée

en un ( x0 ; y0 ) , si l’une des conditions suivantes au moins est vérifiée :
𝜕𝑔 𝜕𝑔
• ( (𝑥0 ; 𝑦0 ) ; (𝑥0 ; 𝑦0 )) ≠ (0 ; 0) (Au moins une dérivée partielle de la contrainte n’est pas nulle en (𝑥0 ; 𝑦0)).
𝜕𝑥 𝜕𝑦

• La contrainte 𝑔 est affine, c’est-à-dire de la forme : 𝑔(𝑥, 𝑦) = 𝑎. 𝑥 + 𝑏. 𝑦 + 𝑐 avec 𝑎, 𝑏, 𝑐 ∈ ℝ.

La condition de qualification de la contrainte garantit simplement qu’il n’y a pas de contraintes potentiellement contradictoires.

Théorème (condition nécessaire du 1er ordre au problème (P) : Optimiser 𝒇(𝒙, 𝒚) s.c 𝒈(𝒙, 𝒚) = 𝟎) :
Supposons que ( x0 ; y0 ) soit une solution du problème (P) et que la « condition de qualification de la contrainte » est
vérifiée en ( x0 ; y0 ) ; alors il existe un   tel que : grad ( x0 , y0 , ) L = 0 ; c’est-à-dire que (𝑥0 ; 𝑦0 ; 𝜆) est solution
du système de trois équations à 3 inconnues suivant :
𝜕𝐿
(𝑥, 𝑦, 𝜆) = 0
𝜕𝑥
𝜕𝐿
(𝑥, 𝑦, 𝜆) = 0
𝜕𝑦
𝜕𝐿
( )
{𝜕𝜆 𝑥, 𝑦, 𝜆 = 0
Autrement dit : une solution du problème (P) est forcément un point critique du Lagrangien. C’est une condition
nécessaire mais pas suffisante : un point critique du Lagrangien n’est pas forcément une solution de (P).

Définition (multiplicateur) : Le nombre réel  est appelé multiplicateur de Lagrange associés à ( x0 ; y0 ) .

Remarque : la condition grad ( x0 , y0 , ) L = 0 s’écrit sous la forme d’un système de 3 équations à 3 inconnues.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 15 sur 29

Exemple : Optimiser f ( x, y) = x + y sous la contrainte x + y = 1 .
2 2 2

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 16 sur 29

 2. Conditions suffisantes locales d’optimalité
La condition suffisante d’optimalité au problème d’optimisation avec contrainte est plus compliquée, elle nécessite en
prérequis de maitriser une notion : le déterminant d’une matrice (cette notion sera étudiée en détail en début de
deuxième année).

a b
Définition 1 (déterminant de taille 2) : Le déterminant d'une matrice carrée de taille 2 ; A =   est :
c d 
a b
det A = = ad −bc .
c d

r s
Remarque : Pour une matrice Hessienne, H ( x , y ) f =   ; alors det H ( x , y ) f = r t − s ; formule utilisée pour
2

s t
l’optimisation et la convexité à deux variables.

Exemples :
•

 a11 a12 a13 

 
Définition 2 (déterminant de taille 3) : Le déterminant d'une matrice carrée de taille 3 ; A =  a21 a22 a23  est :
a a33 
 31 a32
det A = a11 (a22 a33 − a23a32 ) − a21 (a12 a33 − a13a32 ) + a31 (a12 a23 − a13a22 ).

a22 a23 a a13 a a13

Remarque : det A = a11 − a21 12 + a31 12
a32 a33 a32 a33 a22 a23

Exemples :
 1 2 3
 
• A =  4 5 6
7 8 9
 

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 17 sur 29

 2 0 0 
 
• B =  0 1 −1
0 3 4 
 

1 0 1
 
• C =  2 4 3
 3 0 2
 

On peut maintenant donner une condition suffisante d’optimalité locale au problème (P) : Optimiser (trouver le
maximum ou le minimum) d’une fonction de 2 variables f ( x, y) de classe C² sous la contrainte g ( x, y ) = 0 où g est
une fonction de classe C².

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 18 sur 29

Théorème (condition suffisante d’optimalité locale au problème (P) : Optimiser 𝒇(𝒙, 𝒚) s.c 𝒈(𝒙, 𝒚) = 𝟎) :
On suppose que la condition de qualification de la contrainte est vérifiée et soit ( x0 ; y0 ; 0 ) un point critique du
Lagrangien (s’il en existe) :
*Si det H( x0 , y0 ,0 ) L( x, y,  )  0 alors f admet un minimum (au moins) local en ( x0 ; y0 ) sous la contrainte g ( x, y ) = 0

*Si det H( x0 , y0 ,0 ) L( x, y,  )  0 alors f admet un maximum (au moins) local en ( x0 ; y0 ) sous la contrainte g ( x, y ) = 0

Remarque 1 : si det H( x0 , y0 ,0 ) L( x, y,  ) = 0 , on ne peut rien dire.

 2 L 2 L 2 L   2 L 2L g 
   
 x
2
xy x   x 2 xy x 
 2 L 2 L 2 L   2 L 2L g 
Remarque 2 : H( x , y , ) L( x, y,  ) =  =  ; c’est la Hessienne du
 xy y 2 y   xy y 2 y 
 2 L 2 L  2 L   g g 
   0 
 x y  2   x y 

Lagrangien mais on l’appelle aussi matrice Hessienne de la fonction 𝑓 bordée de la contrainte ou juste : Hessienne
bordée.

Exemple : On reprend le problème précédent : (P) Optimiser f ( x, y) = x + y s.c x + y = 1 .

2 2 2

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 19 sur 29

 3. Conditions suffisantes globales d’optimalité
(P) : Optimiser 𝑓 (𝑥, 𝑦) s.c 𝑔(𝑥, 𝑦) = 0
On suppose que la condition de qualification de la contrainte est vérifiée ; avec de la convexité/concavité, on peut
obtenir des extremums globaux au problème d’optimisation avec contrainte. On va donner deux critères, en
commençant par la situation la plus simple.

1er critère : 𝑓 est convexe/concave et 𝑔 est affine, c’est-à-dire de la forme 𝑔(𝑥, 𝑦) = 𝑎. 𝑥 + 𝑏. 𝑦 + 𝑐 avec 𝑎, 𝑏, 𝑐 ∈ ℝ.
Théorème 1 : Si f est convexe ou concave et g est affine ; alors, les solutions du problème (P) sont les points critiques
du Lagrangien (s’il y en a) et ce sont des extremums globaux. Plus précisément :
Soit ( x0 ; y0 ; 0 ) un point critique du Lagrangien (s’il existe) :
• Si f est convexe, alors ( x0 ; y0 ) est un minimum global de f sous la contrainte g ( x, y ) = 0 .
• Si f est concave, alors ( x0 ; y0 ) est un maximum global de f sous la contrainte g ( x, y ) = 0 .

Remarque : dans cette situation simple, il ne sert à rien de calculer la matrice Hessienne du Lagrangien.
Remarque : autrement dit, (𝑥0 ; 𝑦0 ) est un extremum global sur l’ensemble des contraintes 𝐷 = {(𝑥, 𝑦); 𝑔(𝑥, 𝑦) = 0} de 𝑓.

2e critère : Le Lagrangien évalué avec le 𝜆 critique est une fonction de deux variables convexe ou concave.
Théorème 2 : Soit ( x0 ; y0 ; 0 ) un point critique du Lagrangien (s’il existe) et soit la fonction de deux variables :
𝐿0 (𝑥, 𝑦) = 𝑓(𝑥, 𝑦) + 𝜆0 𝑔(𝑥, 𝑦)
• Si 𝐿0 est convexe, alors ( x0 ; y0 ) est un minimum global de f sous la contrainte g ( x, y ) = 0 .
• Si 𝐿0 est concave, alors ( x0 ; y0 ) est un maximum global de f sous la contrainte g ( x, y ) = 0 .

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 20 sur 29

Exemple 1 : Optimiser f ( x, y) = x + y + 1 sous la contrainte x + 2 y = 1
2 2

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 21 sur 29

Exemple 2 : Optimiser 𝑓 (𝑥, 𝑦) = 𝑥 2 + 𝑦 2 sous la contrainte 𝑥𝑦 = 1

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 22 sur 29

 4. Synthèse et applications
Résumé de la méthode pour optimiser 𝒇(𝒙, 𝒚) sous la contrainte g ( x, y ) = 0 :

• On calcule le Lagrangien 𝐿, associé au problème : L ( x, y,  ) = f ( x, y ) +  g ( x, y )

• Condition nécessaire d’optimalité : On cherche les points critiques du Lagrangien : grad ( x , y , ) L = 0 et on

vérifie la condition de qualification de la contrainte : Cette condition est vérifiée si l’une des conditions
suivantes au moins est vérifiée :
𝜕𝑔 𝜕𝑔
∗( (𝑥0 ; 𝑦0 ); (𝑥0 ; 𝑦0 )) ≠ (0; 0) pour chaque point critique du Lagrangien (𝑥0 ; 𝑦0 ).
𝜕𝑥 𝜕𝑦

* La contrainte 𝑔 est affine, c’est-à-dire de la forme : 𝑔(𝑥, 𝑦) = 𝑎. 𝑥 + 𝑏. 𝑦 + 𝑐 avec 𝑎, 𝑏, 𝑐 ∈ ℝ.

• Soit ( x0 ; y0 ; 0 ) un point critique du Lagrangien.

* Conditions suffisantes locales d’optimalité : On calcule la Hessienne du Lagrangien ou Hessienne bordée.
Si det H( x0 , y0 ,0 ) L( x, y,  )  0 alors f admet un minimum (au moins) local en ( x0 ; y0 ) sous la contrainte g ( x, y ) = 0
Si det H( x0 , y0 ,0 ) L( x, y,  )  0 alors f admet un maximum (au moins) local en (𝑥0 ; 𝑦0 ) sous la contrainte g ( x, y ) = 0

* Conditions suffisantes globales d’optimalité : prise en compte de la convexité.

Si f est convexe et 𝑔 est affine, alors ( x0 ; y0 ) est un minimum global de f sous la contrainte g ( x, y ) = 0
Si f est concave et 𝑔 est affine, alors ( x0 ; y0 ) est un maximum global de f sous la contrainte g ( x, y ) = 0
Si 𝐿0 (𝑥, 𝑦) = 𝑓 (𝑥, 𝑦) + 𝜆0 𝑔(𝑥, 𝑦) est convexe, alors ( x0 ; y0 ) est un minimum global de f s.c g ( x, y ) = 0
Si 𝐿0 (𝑥, 𝑦) = 𝑓 (𝑥, 𝑦) + 𝜆0 𝑔(𝑥, 𝑦) est concave, alors ( x0 ; y0 ) est un maximum global de f s.c g ( x, y ) = 0

Les applications en économie de l'optimisation d'une fonction à plusieurs variables sous contrainte, sont nombreuses.
On peut par exemple citer :
• La minimisation du coût total de production de fabrication de différents biens sous contrainte d'en livrer un
certain nombre au total.
• La maximisation d'une fonction d'utilité provenant de la consommation de plusieurs biens, sous contrainte de
respecter un budget donné.
• La minimisation d'un risque de placement sur les marchés boursiers sous contrainte d'acheter une certaine
somme d'argent en actions.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 23 sur 29

Exemple 1 : Un consommateur possède un budget de 26€ pour l'achat de deux biens A et B. Les prix de A et B sont
respectivement de 1 et 2 euros. On note x et y les quantités respectives des biens A et B acquises. La fonction d'utilité
du consommateur est : U ( x, y) = − x − y + 8x + 12 y.
2 2

Déterminer la quantité d'articles A et B qu'il doit acheter pour maximiser son utilité sous la contrainte de dépenser
tout le budget.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 24 sur 29

Exemple 2 : Un investisseur décide de se constituer un portefeuille d'actions de deux types : A et B.
On note x et y le montant respectif (en milliers d'euros) consacré à chaque type d'action. Les deux actions ont un rendement moyen respectif
de 200 euros pour 1000 investis et 100 euros pour 1000 investis. Le rendement moyen du placement est donc (en milliers d'euros) :

2 1
r ( x, y) = x+ y
10 10
1 2 1 2 2
Ce placement comporte un risque, mesuré par sa variance. Elle est ici estimée à : V ( x, y) = x + y + xy.
5 25 25
L'investisseur souhaite connaitre le placement à risque minimum qui garantit un rendement moyen de 1000 euros.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 25 sur 29

Exemple n°3 : Une firme produit des ordinateurs portables dans deux usines différentes.
• Coût de production (en euros) dans l’usine 1 : f1 ( x) = x + 3x + 20 pour x ordinateurs produits.
2

Coût de production (en euros) dans l’usine 2 : f 2 ( y) = y + y + 100 pour y ordinateurs produits.
2

• Coût du transport depuis l’usine 1 : 3€ par ordinateur

Coût du transport depuis l’usine 2 : 1€ par ordinateur
• La firme a une commande de 50 ordinateurs.

Déterminer le nombre d'appareils devant être produits dans chaque usine pour lui assurer un coût minimal de revient
sur cette commande.

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 26 sur 29

Exemple n°4 : retour sur le problème de la corde.
(P) : Trouver le maximum de f ( x, y ) = x  y sous la contrainte 2 x + 2 y = 20 .

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 27 sur 29

Exemples supplémentaires :

• Trouver le maximum de la fonction f ( x, y) = − x − 3 y + 2 sous la contrainte 2 x − 3 y = 7

2 2

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 28 sur 29

Exemple : Optimiser f ( x, y) = x + y s.c. x + y = 1
3 2 2 2

L1 MIASHS S2 – Mathématiques pour l’économie – COURS Page 29 sur 29