Optimisation (2) G2FED

Chapter Premier
Notes de Cours de Mathématique II (L2 (LMD) FED) Dr. LUNGIAMBUDILA Oscar FED/UCC
c 2019
Chapter Deux
c 2019
Chapter Trois
c 2019
Chapter Quatre
Optimisation sous contraintes et ses

Applications
4.1 Notion de fonctions de plusieurs variables

Définition 4.1.
On appelle fonction(réelle) de n variables, toute application d’une partie D de Rn à valeurs

réelles. On la note :
f : D ⊂ Rn −→ R
(x1 , ...xn ) 7−→ f (x1 , ...xn )
D est dit domaine de définition de f .
Exemple 4.1.
Déterminer les domaines de définition des fonction suivantes :

xy x2 + y 2 p
(1)f (x, y) = (2)f (x, y) = (3)z = 1 − (x2 + y 2 )
x + y2
2 x−y
y
(4)z = ln
x2 + y 2 − 1
Les domaines de ces fonctions sont respectivement :
D1 = {(x, y) ∈ R2 ; x2 + y 2 6= 0} = R2 − {(0, 0)}
D2 = {(x, y) ∈ R2 ; x 6= y} = R2 − (la droite y = x)

D3 = {(x, y) ∈ R2 ; 1 − (x2 + y 2 ) > 0} = B((0, 0), 1)
y
D4 = {(x, y) ∈ R2 ; 2 > 0}
x + y2 − 1
4.1.1 Application projection, application restriction

Définition 4.2.
c 2019
Notion de fonctions de plusieurs variables 5
1. On appelle ième projection, l’application définie par :

πi : D ⊂ Rn −→ R
(x1 , ...xn ) 7−→ πi (x1 , ...xn ) = xi
2. Soit f : D ⊂ Rn −→ R, une fonction définie dans D ; A une partie de D. On appelle

restriction de f sur A et on note f |A , l’application définie par :
f |A : A ⊂ D ⊂ Rn −→ R
(x1 , ...xn ) 7−→ f |A (x1 , ...xn ) = f (x1 , ...xn )
Exemple 4.2.
Soit Γ une direction de R2 définie par la droite y = λx ; et soit f , la fonction définie par :
xy

 x2 + y 2 si (x, y) 6= (0, 0)


f (x, y) =


 0 si (x, y) = (0, 0)
La restriction de f sur la direction Γ est donc définie par :


λ

 si (x, y) 6= (0, 0)
1 + λ2

2
f |Γ : Γ ⊂ R −→ R : (x, y) 7−→


 0 si (x, y) = (0, 0)
4.1.2 Fonctions homogènes

Définition 4.3.
Soit f : D ⊂ Rn −→ R. On dit que f est une fonction homogène de degré p si:
∀(x1 , ..., xn ) ∈ D et ∀λ ∈ R, f (λx1 , ..., λxn ) = λp f (x1 , ..., xn )
Exemple 4.3.
3y 4 + x2 y 2
2
On considére la fonction définie par: f (x, y) = 3x − 5x y + . On a pour tout (x, y) ∈
2x − 3y
D ⊂ R2 et pour tout λ ∈ R,
(λy)4 + (λx)2 (λy)2
f (λx, λy) = 3(λx)3 − 5(λx)2 (λy) +
2(λx) − 3(λy)
λ (y + x2 y 2 )
4 4
= 3λ3 x3 − 5λ3 x2 y +
λ(x − 3y)
y + x2 y 2
4

3 3 2
= λ 3x − 5x y +
x − 3y
3
= λ f (x, y)
Donc f est homogène de degré 3.
c 2019
Limite et continuité d’une fonction de n variables 6
4.2 Limite et continuité d’une fonction de n variables

Définition 4.4.
1. Soit x = (x1 , ..., xn ) ∈ Rn . On définit la norme euclidienne de x par le réel positif :

q
kxk = x21 + x22 + ... + x2n
2. On définit par boule ouverte (fermée)de centre x0 , de rayon α, l’ensemble :
B(x0 , α) = {x ∈ Rn , kx − x0 k < α} B(x0 , α) = {x ∈ Rn , kx − x0 k 6 α}

3. On définit par sphère de centre x0 , de rayon α, l’ensemble :
B(x0 , α) = {x ∈ Rn , kx − x0 k = α}
4. Une partie A de Rn est dite voisinage de x0 = (x01 , ..., x0n ), s’il existe α > 0 tel que B(x0 , α) ⊂
A. Il est clair que la boule ouverte est voisinage de tous ses éléments.
Définition 4.5. (Point d’accumulation-Point isolé)
1. Soit A une partie de Rn et x0 ∈ Rn . On dit que x0 est un point d’accumulation de A si tout

voisinage de x0 contient un point de A autre que x0 .
2. Le point x0 est dit point isolé de la partie A de Rn , s’il n’est pas un point d’accumulation
de A.
Exemple 4.4.
Soit une partie A = {(x, y) ∈ R2 ; x2 + y 2 < 1} de R2 .
1. Les points (0, 1), (−1, 0), (1, 0), (0, −1) sont des points d’accumulation de la partie A.
2. Le point (1, 1) est un point isolé de la partie A.
Définition 4.6. (Limite d’une fonction)
Soient f : D ⊂ Rn −→ R, x0 un point d’accumulation du domaine D et l un nombre réel.
1. On dit que la fonction f (x) tend vers l lorsque x tend vers x0 , on note lim0 f (x) = l si et
x→x
seulement si
∀ > 0, ∃η = η() > 0; ∀x ∈ D, kx − x0 k < η =⇒ |f (x) − l| <
2. On dit que la fonction f (x) tend vers +∞ lorsque x tend vers x0 , on note lim0 f (x) = +∞
x→x
si et seulement si
∀R > 0, ∃η = η(R) > 0; ∀x ∈ D, kx − x0 k < η =⇒ f (x) > R
c 2019
3. On dit que la fonction f (x) tend vers −∞ lorsque x tend vers x0 , on note lim0 f (x) = −∞
x→x
si et seulement si
∀R > 0, ∃η = η(R) > 0; ∀x ∈ D, kx − x0 k < η =⇒ f (x) < −R
Remarque 4.1.
1. Les opérations sur les limites des fonctions d’une variable sont aussi applicables aux limites
des fonctions de plusieurs variables.
2. En pratique, si ϕ est une fonction croissante telle que
kf (x) − lk 6 ϕ(kx − x0 k),
alors quel que soit > 0, on choisit le réel η tel que η = ϕ−1 ().
En effet,
kx − x0 k < η =⇒ kf (x) − lk 6 ϕ(kx − x0 k) < ϕ(η) = .
3. Si l est la limite de la fonction f (x) lorsque x tend vers x0 , cette limite reste la même si x
tend vers x0 suivant n’importe quelle direction.
Exemple 4.5.
x2 + 2y 1
1. lim =−
(x,y)→(1,−1) x − xy 2
sin(x + y) sint
2. lim = lim =1
(x,y)→(0,0) x+y t→0 t
3. Etudier la limite de la fonction

x2 − y 2
f (x, y) = xy .
x2 + y 2
La fonction f est définie dans D = R2 − {(0, 0)}.

1) lim f (x, y) = f (x0 , y0 ) quel que soit (x0 , y0 ) dans le domaine D.
(x,y)→(x0 ,y0 )
p
2) Au point (x0 , y0 ) = (0, 0), puisque |x| 6 x2 + y 2 , on a :
|x2 − y 2 |
|f (x, y)| = |xy| 6 |xy| 6 k(x, y)k2 .
|x2 + y 2 |
En considérant la fonction croissante ϕ(t) = t2 sur l’intervalle [0, +∞[, on pose = ϕ(η) = η 2 ,
c’est à dire η = 1/2 . Ainsi,
k(x, y)k < η =⇒ |f (x, y)| 6 k(x, y)k2 6 η 2 = ,
c’est à dire lim f (x, y) = 0.

(x,y)→(0,0)
c 2019
Définition 4.7. (Continuité d’une fonction)
Soit f : D ⊂ Rn −→ R, une fonction de n variables définie sur D.
1. On dit que f est continue en x0 ∈ D si et seulement si
∀ > 0, ∃η = η() > 0; ∀x ∈ D, kx − x0 k < η =⇒ |f (x) − f (x0 )| < .
On peut donc dire que la fonction f est dite continue en x0 ∈ D si et seulement si lim f (x) =
x→x0
f (x0 ).
2. On dit que f est continue sur une partie E ⊂ Rn , si f est continue en chaque point de E.
3. Comme pour les fonctions à une variable, si f et g sont continues en x0 alors: f + g est
continue en x0 ; f g est continue en x0 ; fg est continue en x0 si g(x0 ) 6= 0.
Exemple 4.6.
La fonction f : R2 −→ R définie par :
x2 − y 2

xy 2 si (x, y) 6= (0, 0)

f (x, y) = x + y2
0 si (x, y) = (0, 0)

La fonction f est continue en (0, 0), car lim f (x, y) = 0 (d’après l’exemple ci-dessus).
(x,y)→(0,0)
Exemple 4.7.
Etudier la continuité (0, 0) de la fonction f : R2 −→ R définie par :

( xy
si (x, y) 6= (0, 0)
f (x, y) = x2 + y 2
0 si (x, y) = (0, 0)
En considérant les directions Γλ définies par y = λx, λ ∈ R du domaine de f , on a :
λx2 λ
lim f |Γλ (x, y) = lim = .
(x,y)→(0,0) (x,y)→(0,0) (1 + λ2 )x2 1 + λ2
Ainsi, f (x, y) n’admet pas de limite en (0, 0). Par conséquent f n’est pas continue en (0, 0).
Remarque 4.2.
Toutes les fonctions algébriques sont continues dans leurs domaines de définition.
c 2019
Les dérivées partielles 9
4.3 Les dérivées partielles

4.3.1 Applications partielles
Soit f une fonction de n variables.On appelle application partielle en xk , l’application obtenue,
à partir de f , en fixant toutes les variables à des constantes sauf la variable xk . Cette application
est notée parfois fx01 ,x02 ,..,x0k−1 ,x0k+1 ,...,x0n (xk ). Ainsi si f : Rn −→ R est de n variables alors la fonction
fx01 ,x02 ,..,x0k−1 ,x0k+1 ,...,x0n : R −→ R définie par fx01 ,x02 ,..,x0k−1 ,x0k+1 ,...,x0n (xk ) = f (x01 , x02 , ...x0k−1 , xk , x0k+1 , ..., x0n )
est une fonction d’une seule variable xk .
Exemple 4.8.
Considérons la fonction :
f (x, y, z) = x2 + y 2 + 2x2 yz − 4z 3 .
On peut définir les applications partielles suivantes:
fx0 ,y0 (z) = x20 + y02 + 2x20 y0 z − 4z 3 avec x0 et y0 des constantes.
fx0 ,z0 (y) = x20 + y 2 + 2x20 z0 y − 4z03 avec x0 et z0 des constantes.
fy0 ,z0 (x) = x2 + y02 + 2y0 z0 x2 − 4z03 avec y0 et z0 des constantes.
Exemple 4.9.
Soit la fonction f (x, y, z) = x2 + y 2 + 2x2 yz − 4z 3 . On définie la fonction f1,2 (z) par
f1,2 (z) = 5 + 4z − 4z 3 .
4.3.2 Dérivées partielles d’ordre 1

La dérivée (si elle existe) de l’application partielle fx01 ,x02 ,..,x0k−1 ,x0k+1 ,...,x0n au point x0k est définie
par:
fx01 ,x02 ,..,x0k−1 ,x0k+1 ,...,x0n (xk ) − fx01 ,x02 ,..,x0k−1 ,x0k+1 ,...,x0n (x0k )
lim (4.1)
xk →x0k xk − x0k
En posant fx01 ,x02 ,..,x0k−1 ,x0k+1 ,...,x0n ≡ fk0 , (4.1) devient
fk0 (xk ) − fk0 (x0k )
lim 0 .
xk →xk xk − x0k
On retrouve ainsi la notion de dérivée comme dans le cas des fonctions à une variable.
Définition 4.8.
On appelle dérivée partielle de f par rapport à xk au point x0 = (x01 , x02 , ..., x0n ), le réel noté
∂f
∂xk
(x0 ) et définie par:
∂f 0 df 0 f 0 (xk ) − fk0 (x0k )
(x ) = k (x0k ) ≡ lim 0 k .
∂xk dxk xk →xk xk − x0k
On appelle gradient de f au point x0 , le vecteur défini par
∂f 0 ∂f 0
∇f (x0 ) = ( (x ), ..., (x ))
∂x1 ∂xn
c 2019
Exemple 4.10.
On donne f (x, y, z) = 3x3 − 5x2 y + 4z 5 . On a:
∂f dfy0 ,z0
(x0 , y0 , z0 ) = (xo ) = 9x20 − 10x0 y0 ,
∂x dx
∂f dfx0 ,z0
(x0 , y0 , z0 ) = (yo ) = −5x20 et
∂y dy
∂f dfx0 ,y0
(x0 , y0 , z0 ) = (zo ) = 20z04 .
∂z dz
Remarque 4.3.
1. Une fonction à n variables admet n dérivées partielles du premier ordre par rapport aux
∂f
variables x1 , x2 , ..., xn . Plus simplement on note ∂xk
(ou fxk ou encore fk ) la dérivée partielle
de f par rapport à xk .
Exemple 4.11.
Soit f (x, y) = x2 + y 2 + 3x3 y − 2y. Alors on a :
∂f ∂f
fx = = 2x + 9x2 y et fy = = 2y + 3x3 − 2.
∂x ∂y
Exemple 4.12.
2
Soit la fonction f (x, y) = xyex y . On a :
∂f 2 ∂f 2
fx = = (y + 2x2 y 2 )ex y et fy = = (x + x3 y)ex y .
∂x ∂y
∂f
Les fonctions fxk (ou ∂xk
) sont appelées des fonctions dérivées partielles du premier ordre.
2. Les règles de dérivation des fonctions à une variable s’appliquent également aux dérivées
partielles. Plus particulièrement on a:
∂c
= 0, ∀k, ( où c est une constante),
∂xk
∂xk ∂xj
= 1, ∀k et = 0 si j 6= k.
∂xk ∂xk
Définition 4.9.
Une fonction f de n variables est dite de classe C 1 sur un domaine D si ses fonctions dérivées
∂f
partielles du premier ordre fxk (ou ∂xk
) sont définies et continues sur D. L’ensemble de ces fonctions
1
est noté par C (D)
c 2019
4.3.3 Dérivées partielles d’ordre 2

Soit f une fonction à n variables. Les fonctions dérivées partielles fxk (k = 1...n) sont des
fonctions de n variables, leurs dérivées partielles sont appelées les dérivées partielles secondes. La
2f
dérivée partielle seconde par rapport aux variables xk et xl est notée ∂x∂k ∂x l
(ou fxl xk ou encore
flk ) et est définie par:
∂ 2f

∂ ∂f
= .
∂xk ∂xl ∂xk ∂xl
Exemple 4.13.
2
Pour la fonction f (x, y) = xyex y de l’exemple ci-dessus, on a :

∂ ∂f 2 2 2
fxy = = (1 + 4x2 y)ex y + (x2 y + 2x4 y 2 )ex y = (1 + 5x2 y + 2x4 y 2 )ex y
∂y ∂x

∂ ∂f 2 2 2
fyx = = (1 + 3x2 y)ex y + (2x2 y + 2x4 y 2 )ex y = (1 + 5x2 y + 2x4 y 2 )ex y
∂x ∂y
Définition 4.10.
Une fonction f de n variables est dite de classe C 2 sur un domaine D si ses n2 fonctions dérivées
2f
partielles secondes ∂x∂k ∂xl
(ou fxl xk ) sont définies et continues sur D. L’ensemble de ces fonctions
2
est noté par C (D)
Remarque 4.4.
1. Il est clair que C 2 (D) ⊂ C 1 (D).
2. Toutes fonction polynôme ou rationnelle est de classe C 2 sur son domaine de définition.
3. Si une fonction f de n variables est de classe C 2 sur le domaine D, alors on a :

∂ 2f ∂ 2f
= sur D.
∂xk ∂xl ∂xl ∂xk
4.3.4 Matrice hessienne

On appelle matrice hessienne en un point x0 = (x01 , ..., x0n ) d’une fonction f de n variables, la
matrice notée Hess(f ) ou H(f ) et définie par :
∂2f ∂2f ∂2f
 
∂x21
(x0 ) ∂x1 ∂x2
(x0 ) ... ∂x1 ∂xn
(x0 )
2
∂ f 2
∂ f 2
∂ f
(x0 ) (x0 ) ... (x0 )
 
∂x2 ∂x1 ∂x22 ∂x2 ∂xn
0
 
Hess(f )(x ) =  .. .. ..

. . .
 
 
∂2f ∂2f ∂2f
∂xn ∂x1
(x0 ) ∂xn ∂x2
(x0 ) ... ∂x2
(x0 )
n
Exemple 4.14.
La matrice de Hesse de la fonction f (x, y) = x2 + y 2 − 2x − 4 au point (x0 , y0 ) est donnée par :

2 0
H(f )(x0 , y0 ) =
0 2
c 2019
Extrema d’une fonction de deux variables 12
4.4 Extrema d’une fonction de deux variables

Définition 4.11.
Soit f : D ⊂ R2 −→ R, une fonction de deux variables définie sur la domaine D.
1. Un point (x0 , y0 ) ∈ D est dit point critique de la fonction f si :
∂f ∂f
(x0 , y0 ) = 0 et (x0 , y0 ) = 0
∂x ∂y
2. Un point critique (x0 , y0 ) est dit un maximum local (relatif) de f s’il existe un voisinage
V ⊂ D tel que :
f (x, y) 6 f (x0 , y0 ), ∀(x, y) ∈ V.
3. Un point critique (x0 , y0 ) est dit un minimum local (relatif) de f s’il existe un voisinage
V ⊂ D tel que :
f (x, y) > f (x0 , y0 ), ∀(x, y) ∈ V.
Remarque 4.5.
Dans la définition ci-dessus si V = D, alors le maximum ou le minimum local est dit global.
Exemple 4.15.
Soit la fonction f (x, y) = x4 + 2x2 y + 2y 2 + y de domaine D = R2 . Les dérivées partielles du
premier ordre sont données par :
∂f ∂f
= 4x3 + 4xy et = 2x2 + 4y + 1.
∂x ∂y
En résolvant le système d’équations :
3
4x + 4xy = 0
2x2 + 4y + 1
On obtient comme points critiques de la fonction f , les points suivants :
√ √
1 2 1 2 1
(0, − ), ( , − ), et (− ,− )
4 2 2 2 2
4.4.1 Optimisation d’une fonction de deux variables

On admettra que f est deux fois dérivable . On désigne par ∆ le déterminant de la matrice
hessienne de f en (x0 , y0 ).
2
∂2f

∂ f (x , y ) (x , y )
∂x2 0 0 ∂x∂y 0 0
∆ =

∂2f ∂2f

∂x∂y
(x0 , y0 ) ∂y2 (x0 , y0 )
h i2
∂2f 2 ∂2f
= ∂x2
(x0 , y0 ) ∂∂yf2 (x0 , y0 ) − ∂x∂y
(x0 , y0 ) .
c 2019
Extrema d’une fonction de deux variables 13
En posant
r = fxx (x0 , y0 ), s = fxy (x0 , y0 ) et t = fyy (x0 , y0 ),
on obtient
r s
Hess(f ) = et ∆ = rt − s2 .
s t
On suppose que (x0 , y0 ) est un pont critique pour f , on parle de la condition d’ordre 1, c’est
à dire fx (x0 , y0 ) = 0 et fy (x0 , y0 ) = 0.
Notre objectif est de voir si le point (x0 , y0 ) est un minimum ou un maximum pour la surface
représentative de f , on utilise la condition d’ordre 2. Pour cela on distinguera quatre cas:
∂2f
1. Premier cas: ∆ > 0 et r = ∂x2
(x0 , y0 ) > 0 alors le point (x0 , y0 ) est un minimum pour la
surface de f .
∂2f
2. Deuxième cas: ∆ > 0 et r = ∂x2
(x0 , y0 ) < 0, alors le point (x0 , y0 ) est un maximum pour
la surface de f .
3. Troisième cas: ∆ < 0. Alors le point (x0 , y0 ) est un point selle ou un point d’inflexion pour
la surface de f (il n’y a pas d’extremum).
∂2f ∂2f
(a) Le point (x0 , y0 ) est un point selle si r = ∂x2
(x0 , y0 ) et t = ∂y 2
(x0 , y0 ) sont des signes
différents.
∂2f ∂2f
(b) Le point (x0 , y0 ) est un point d’inflexion si r = ∂x2
(x0 , y0 ) et t = ∂y 2
(x0 , y0 ) sont de
même signe.
4. Quatrième cas: ∆ = 0. C’est un cas indéterminé.
Exemple 4.16.
Trouver les extrema de la fonction (x, y) 7−→ f (x, y) = ax2 + by 2 , où (a, b) ∈ R2 sont des
constantes non nulles (a 6= 0 et b 6= 0).
fx (x0 , y0 ) = 2ax0 et fy (x0 , y0 ) = 2by0 ; (x0 , y0 ) est un point critique de f si fx (x0 , y0 ) = 0 et
fy (x0 , y0 ) = 0. On obtient ainsi x0 = 0 et y0 = 0. Voyons si le point (0, 0) est un minimum ou un
maximum.
fxx (x, y) = 2a; fyy (x, y) = 2b et fxy (x, y) = 0. Par conséquent r = fxx (0, 0) = 2a; t =
fyy (0, 0) = 2b; s = fxy (0, 0) = 0 et ∆ = rt − s2 = 4ab.
1. Si a et b sont positifs alors r > 0 et ∆ > 0. Dans ce cas le point (0, 0) est un minimum.
2. Si a et b sont négatifs alors r < 0 et ∆ > 0. Dans ce cas le point (0, 0) est un maximum.
3. Si a et b sont de signes contraires alors ∆ < 0; On a un point selle: il n’existe pas d’extremum.
c 2019
Optimisation d’une fonction de n variables 14
4.5 Optimisation d’une fonction de n variables

4.5.1 Matrice et forme quadratique associée :
Soit A une matrice carrée, la fonction f (X) = X t AX est appelée forme quadratique associée
à A. Tout polynôme homogène de degré 2 peut être écrit sous cette forme, en choisissant A
symétrique.
Exemple 4.17.

2 2 t 1 −4 x
1. x − 8xy + 5y = X AX, où X = et A =
−4 5 y
  
2 2 0 x
2 2 2

2. 2x + y − z + 4xy − 6yz = x y z  2 1 −3   y 
0 −3 −1 z
En utilisant les valeurs propres et les mineurs principaux, on définit la matrice carrée A ou encore
la forme quadratique associée X t AX comme suit :
Matrice symétrique A Définition Valeurs propres Mineurs principaux
Définie positive X t AX > 0, ∀X 6= 0 toutes > 0 tous les Mii > 0
Semi-définie positive X t AX > 0, ∀X tous > 0 tous les Mii > 0
Définie négative X t AX < 0, ∀X 6= 0 toutes < 0 Mjj = (−1)j , ∀j
Semi-définie négative X t AX 6 0, ∀X toutes 6 0 ceux de −A sont > 0
Indéfinie ailleurs > 0 et < 0 ailleurs
4.5.2 Conditions et critères d’optimisation

En général, pour optimiser une fonction de n variables z = f (x1 , ..., xn ), il faut qu’outre la
condition de premier ordre :
fx1 = 0, ..., fxn = 0
qui nous permet d’obtenir les points critiques, les conditions de deuxième ordre sont offertes par
le Hessien. Un Hessien |H(f )| est un déterminant composé de toutes les dérivées partielles de
deuxième ordre. C’est à dire

fx1 x1 fx1 x2 ... fx1 xn f11 f12 ... f1n

fx x fx x ... fx x f21 f22 ... f2n
2 1 2 2 2 n
|H(f )| = . .. = ..

.. ..
. . .
fx x fx x ... fx x fn1 fn2 ... fnn
n 1 n 2 n n
c 2019
Optimisation d’une fonction de n variables 15
En calculant ensuite les mineurs principaux de la hessienne, on obtient l’optimum comme suit :
(a) Si tous les mineurs principaux |Hi (f )| > 0, i = 1, ..., n, la Hessienne est dite définie posi-
tive, par conséquent on a un minimum.
(b) Si les mineurs principaux |Hi (f )|, i = 1, ..., n sont tels que |H1 (f )| < 0, |H2 (f )| > 0,...,
(−1)n |Hn (f )| > 0, alors la Hessienne est dite définie négative, par conséquent on a un
maximum.
Exemple 4.18.
La fonction
f (x, y, z) = −5x2 + 10x + xz − 2y 2 + 4y + 2yz − 4z 3
Les conditions de premier ordre sont les suivantes :
fx = −10x + 10 + z = 0
fy = −4y + 2z + 4 = 0
fz = x + 2y − 8z = 0
sous forme matricielle, elles s’écrivent :
−10 −10
    
0 1 x
 0 −4 2   y  =  −4 
1 2 −8 z 0
Utilisant la méthode de Cramer, on obtient les déterminants suivant :D = −276, Dx = −288,

Dy = −336 te Dz = −120. Alors le point critique est (x0 , y0 , z0 ) = (1, 04; 1, 22; 0, 43)
Les dérivées partielles secondes au point crique sont définies par :
fxx = −10 fxy = 0 fxz = 1

fyx = 0 fyy = −4 fyz = 2
fzx = 1 fzy = 2 fzz = −8
Alors le Hessien est défini par :

−10 0 1

|H| =
0 −4 2

1 2 −8
Enfin, vérifions avec le Hessien en examinant les signes respectifs des premier, deuxième et
troisième mineurs principaux :

−10 0
|H1 | = −10 < 0, |H2 | = = 40 > 0, |H3 | = |H| = −276 < 0
0 −4
Comme le signe des mineurs principaux alterne dans le sens qui convient, La matrice de Hesse
est définie négative, par conséquent la fonction f est maximisée au point x0 = 1, 04, y0 = 1, 22 et
z0 = 0, 43.
c 2019
Optimisation sous contraintes d’une fonction de deux variables 16
4.6 Optimisation sous contraintes d’une fonction de deux

variables
Dans la pratique, les fonctions de plusieurs variables à optimiser sont souvent soumises à de
certaines restrictions ou contraintes.
Exemple 4.19.
1. Maximiser le profit d’une entreprise en réduisant la quantité de production. administrés.
2. Minimiser l’aire d’un rectangle S(L, l) en fixant son périmètre L + l = c
4.6.1 Motivation économique

Une entreprise peut être modélisée en terme d’une fonction dont les entrées sont déterminées
par le capital k et le travail l et dont les sorties (outputs) sont les volumes de production de quantité
q. Ainsi la valeur du volume de production dépend de k et de l. Nous noterons cette fonction de
production par q(k, l) dont la forme dépendra de l’entreprise considérée. La combinaison de k et
l préférable sera sûrement celle qui coûtera moins chère pour la production de l’output q ∗ . Le
problème devient alors celui de la minimisation des coûts.

M in C(k, l)
S.C q(k, l) = q ∗
Ceci est appelé problème d’optimisation sous contrainte. La fonction à optimiser est appelée
fonction objectif et la condition à satisfaire est la contrainte.
4.6.2 Résolution du problème

Considérons le problème :
Optimiser f (x, y)
S.C g(x, y) = c
Pour résoudre ce problème, on utilise la méthode de multiplicateur de Lagrange, en procédant
comme suit :
1. Etape 1: Définir la fonction :
L(x, y, λ) = f (x, y) − λ(g(x, y) − c),
appelée le lagrangien, où λ est le multiplicateur de Lagrange.
2. Etape 2 (Conditions d’ordre 1): On détermine les points critiques de la fonction L(x, y, λ)
en résolvant le système suivant :
 ∂L  ∂f ∂g

 ∂x
(x, y, λ) = 0 
 ∂x
(x, y) = λ ∂x (x, y)

 


 

∂L ∂f ∂g
∂y
(x, y, λ) = 0 ⇐⇒ ∂y
(x, y) = λ ∂y (x, y)

 


 


 ∂L 
(x, y, λ) = 0 g(x, y) = c

∂z
c 2019
Optimisation sous contraintes d’une fonction de deux variables 17
3. Etape 3 (Conditions d’ordre 2): On définit le Hessien de la fonction L(x, y, λ) noté

|H|(L) et appelé Hessien bordé, sous l’une ou l’autre de deux formes suivantes :

Lxx Lxy gx 0 gx gy

|H|(L) = Lyx Lyy gy ou gx Lxx Lxy

g gy 0 g L
yx Lyy

x y
(a) Si |H|(L) < 0, la Hessienne bordée est dite définie positive, ce qui est une condition
suffisante pour un un minimum.
(b) Si |H|(L) > 0, la Hessienne bordée est dite définie négative, ce qui est une condition
suffisante pour un un maximum.
Notons que ces critères sont des conditions suffisantes et non nécessaires. Si ils ne sont pas
satisfaits, il faut effectuer d’autres vérifications (méthode des valeurs propres).
Exemple 4.20.
Maximiser la fonction f (x, y) = 6 − 4x − 3y si les variables x et y sont liées par la contrainte

x2 + y 2 = 1.
Soit la fonction de Lagrange :
L(x, y, λ) = 6 − 4x − 3y − λ(x2 + y 2 − 1).
En résolvant le système : 
 −4 − 2λx = 0
−3 − 2λy = 0
 2
x + y2 − 1 = 0
On obtient les point critiques de la fonction de Lagrange suivants :
4 3 5 4 3 5
( , , − ) et (− , − , ).
5 5 2 5 5 2
Par calcul, on a :
Lxx = −2λ = Lyy , Lxy = 0 = Lyx , gx = 2x, et gy = 2y.
Ainsi
−λ 0 x

|H|(L)(x, y, λ) = 8 0 −λ y = 8λ(x2 + y 2 )

x y 0
par conséquent :
4 3 5 4 3 5
|H|(L)( , , − ) < 0 et |H|(L)(− , − , ) > 0.
5 5 2 5 5 2
4 3 4 3 5 4 3 4 3 5
Il en résulte que f ( , ) = L( , , − ) = 1 est le minimum et f (− , − ) = L(− , − , ) = 11
5 5 5 5 2 5 5 5 5 2
est le maximum.
c 2019
Optimisation d’une fonction de n variables sous plusieurs contraintes 18
4.7 Optimisation sous contraintes d’une fonction de n vari-

ables
Dans le cas d’une fonction de n variables f (x1 , ..., xn ) soumise à la contrainte g(x1 , ..., xn ) = c.
Le Lagrangien est défini par :
L(x1 , ..., xn , λ) = f (x1 , ..., xn ) − λ(g(x1 , ..., xn ) − c).
Le Hessien bordé est défini par :

L11 L12 ... L1n g1 0 g1 g2 ... gn

L
21 L22 ... L2n g2 g1 L11 L12 ... L1n

|H|(L) = ... ... ... ... ... ou g2 L21 L22 ... L2n

Ln1 Ln2 ... Lnn gn ... ... ... ... ...

g1 g2 ... gn 0 gn Ln1 Ln2 ... Lnn
On définit les principaux mineurs bordés de la Hessienne bordée comme suit :

0 g1 g2 g3
0 g1 g2
g1 L11 L12 L13

|H 2 |(L) = g1 L11 L12 , |H 3 |(L) = , ... |H n |(L) = |H|(L)

g L g2 L21 L22 L23
21 L22

2
g3 L31 L32 L33
Les critères d’optimalité sont définis sur les principaux mineurs bordés comme suit :
(a) Si |H 2 |(L), |H 3 |(L), .., |H n |(L) < 0, la Hessienne bordée est dite définie positive, ce qui est
une condition suffisante pour un un minimum.
(b) Si |H 2 |(L) > 0, |H 3 |(L) < 0, |H 4 |(L) > 0, ..., (−1)n |H n |(L) > 0, la Hessienne bordée est dite
définie négative, ce qui est une condition suffisante pour un un maximum.
Notons que ces critères sont des conditions suffisantes et non nécessaires. Si ils ne sont pas satisfaits,
il faut effectuer d’autres vérifications (méthode des valeurs propres).
4.8 Optimisation d’une fonction de n variables sous plusieurs

contraintes
Pour le cas d’une fonction de n variables f (x1 , ..., xn ) soumise à m contraintes, m < n de la
forme g j (x1 , ..., xn ) = cj . Le Lagrangien sera défini par :
m
X
L(x1 , ..., xn , λ1 , ..., λm ) = f (x1 , ..., xn ) − λj (g j (x1 , ..., xn ) − cj ).
j=1
c 2019
Optimisation d’une fonction de n variables sous plusieurs contraintes 19
Le Hessien bordé est défini par :

0 0 ... 0 | g11 g21 ... gn1

0 0 ... 0 | g12 g22 ... gn2

... ... ... ... | ... ... ... ...

m m
gnm

0 0 ... 0 | g1 g2 ...

|H|(L) = − − − − − − − − − − − −
| −−− −−− −−− −−−

g1 g12 ... g1m | L11 L12 ... L1n
1
g21 g22 ... g2m | L21 L22 ... L2n

|

... ... ... ... ... ... ... ...

gn1 2
gnm

gn ... | Ln1 Ln2 ... Lnn
∂g j
où gij = . Les principaux mineurs bordés de la Hessienne bordée sont définis comme suit :
∂xi
g11 g21

0 0 ... 0 |

0 0 ... 0 | g12 g22
...
... ... ... | ... ...
|H m+1 |(L) = 0 0 ... 0 | g1m g2m

−−− −−− −−− −−− | −−− −−−

g11 g 2
1 ... g1
m
| L 11 L 12

g1 g 2
... g m
| L L
2 2 2 21 22

0 0 ... 0 | g11 g21 g31

0 0 ... 0 | g12 g22 g32

|

... ... ... ... ... ... ...

0 0 ... 0 | g1m g2m g3m
|H m+2 |(L) =
−−− −−− −−− −−− | −−− −−− −−−

g1 g12 ... g1m | L11 L12 L13
1
g21 g22 ... g2m | L21 L22 L23

g31 g32 g3m

... | L31 L32 L33
jusque |H n |(L) = |H|(L). Les critères d’optimalité sont définis sur les principaux mineurs
bordés comme suit :
(a) Si les principaux mineurs bordés |H m+1 |(L), |H m+2 |(L), .., |H n |(L) ont tous le signe (−1)m ,
la Hessienne bordée est dite définie positive, ce qui est une condition suffisante pour un
un minimum.
(b) Si les principaux mineurs bordés alternent les signes à partir de (−1)m+1 comme signe de
|H m+1 |(L), alors la Hessienne bordée est dite définie négative, ce qui est une condition
suffisante pour un un maximum.
c 2019
Fonction et firme de Cobb-Douglass 20
4.9 Fonction et firme de Cobb-Douglass

4.9.1 Exemple introductif
Soit à résoudre le problème :

 Optimiser C(k, l) = 5k + 4l
S.C 8k 1/2 l1/4 = q ∗


Le Lagrangien du problème est défini par :
L(k, l, λ) = 5k + 4l − λ(8k 1/2 l1/4 − q ∗ )
Les conditions d’ordre 1 sont définies par :



 Lk = 5 − 4λk −1/2 l1/4 = 0




Ll = 4 − 2λk 1/2 l−3/4 = 0





Lλ = q ∗ − 8k 1/2 l1/4 = 0

En résolvant ce système, on obtient comme solution (le point critique) :

2/3 2/3
1 ∗4/3 5 ∗4/3 5
(k ∗ , l∗ , λ∗ ) = ( q , q , q ∗1/3 )
8.51/3 64 4
Les dérivées d’ordre 2 sont définies par :
3
Lkk = 2λk −3/2 l1/4 , Lkl = Llk = −λk −1/2 l−3/4 , Lll = λk 1/2 l−7/4
2
Les dérivées premières de la contrainte sont définies par :
gk = 4k −1/2 l1/4 et gl = 2k 1/2 l−3/4
Ainsi le Hessien bordé est le suivant :

0 4k −1/2 l1/4 2k 1/2 l−3/4

|H|(L) = 4k −1/2 l1/4 2λk −3/2 l1/4 −λk −1/2 l−3/4 = −48λk −1/2 l−5/4

1/2 −3/4
2k l −λk −1/2 l−3/4 32 λk 1/2 l−7/4
Il en résulte d’après les coordonnées du point critique que
|H|(L)(k ∗ , l∗ , λ∗ ) = −48λ∗ k ∗−1/2 l∗−5/4 < 0
c’est à dire que la fonction objectif C(k, l) = 5k + 4l est minimale au point critique et sa valeur
est
5 52/3 ∗4/3 3
C(k ∗ , l∗ ) = 1/3
q ∗4/3
+ q = 52/3 q ∗4/3
8.5 16 16
c 2019
4.9.2 Définitions
Définition 4.12.
Une fonction de deux variables f : R+ × R+ → R+ , (k, l) 7→ q(k, l) = Ak α lβ avec α, β, A > 0,
k = capital et l = travail est une fonction de Cobb-Douglass. C’est une fonction à rendement
d’échelle.
Définition 4.13.
Une firme dont la fonction de production est modélisée par la fonction de Cobb-Douglass est
une firme de Cobb-Douglass.
Si les coûts unitaire du capital et du travail sont respectivement a et b, le coût minimal

pour obtenir une quantité de production q, peut être obtenu en minimisant la fonction linéaire
C(k, l) = ak + bl sous la contrainte q = Ak α lβ .
En terme de k et l, la fonction coût total est définie en fonction de la production, comme

solution du problème d’optimisation sous contrainte par
1
C(q) = B(A, α, β, a, b)q γ , avec γ = (4.2)
α+β
• Si α + β = 1, c’est à dire q(k, l) est à rendement d’échelle constant.
C(q) = B(A, α, β, a, b)q (4.3)
est une fonction linéaire en q.
• Si α + β < 1, c’est à dire q(k, l) est à rendement d’échelle décroissant.

1
C(q) = B(A, α, β, a, b)q γ , avec γ = >1 (4.4)
α+β
est une fonction super-linéaire à partir d’un coût C(q) = B(A, α, β, a, b) pour q > 1.
• Si α + β > 1, c’est à dire q(k, l) est à rendement d’échelle croissant.

1
C(q) = B(A, α, β, a, b)q γ , avec γ = <1 (4.5)
α+β
est une fonction sous-linéaire à partir d’un coût B(A, α, β, a, b) pour q > 1.
Graphiquement, ces trois cas se représentent comme suit :
c 2019
Conclusion :
1. Lorsqu’il y a rendement d’échelle croissant, les coût sont plus bas par rapport à la production.
Lorsque les rendements d’échelle sont décroissants les coûts sont plus élevés par rapport à
la production.
2. Si la production est faible i.e inférieur à l’unité et que le rendement d’échelle est croissant,
les coûts sont élevés.
3. Si d’autres par la production est faible mais le rendement d’échelle est décroissant le coût
est moins élevé.
4.9.3 Fonction de profit

Définition 4.14.
La fonction profit d’une entreprise est définie en terme de recette et du coût de production
totale par
π(q) = R(q) − C(q) (4.6)
Pour la firme de Cobb-Douglass cette fonction devient

1
π(q) = pq + B(A, α, β, a, b)q α+β
π(p, q) = pq + B(A, α, β, a, b)q γ
c 2019
Pour optimiser cette fonction il faut passer aux conditions marginales (i.e. dérivées) d’ordre
un et deux.
0
(1) πp (q) = p − B(A, α, β, a, b)q γ−1 γ.
La production critique (en volume) est celle qui vérifie
γ−1 ∗ p∗ γ−1
1
p − B(A, α, β, a, b)q γ=0 i.e q =( )
Bγ
00 γ−2 p∗
(2) πp (q ∗ ) = −B(A, α, β, a, b)γ(γ − 1)q ∗ = (1 − γ) , avec p∗ > 0 et q ∗ > 0.
q∗
00
• Si γ = 1, πp (q ∗ ) = 0 et q ∗ est ni un maximum, ni un minimum.
00
• Si γ < 1, πp (q ∗ ) > 0 et q ∗ est un minimum. Ainsi pour 0 < q < q ∗ , le profit πp (q) est
décroissant et pour q ≥ q ∗ , πp (q) est croissant.
00
• Si γ > 1, πp (q ∗ ) < 0 et q ∗ est un maximum. Pour 0 < q < q ∗ , πp (q) est croissant, il atteint
le maximum au point q ∗ .
Graphiquement on a:
On remarque que pour une petite entreprise à quantité de production limité au volume L, il
est plus rentable de produire en rendement d’échelle décroissant (i.e γ > 1) et produire q ∗ si q ∗ ≤ L.
Mais dans le cas de rendement d’échelle croissant (i.e γ < 1), si πp (L) < 0 la firme ne gagne
rien et dans ce cas on a:
pL − BLγ < 0 ı.e p < BLγ−1
Dès lors, si p > BLγ−1 , on peut avoir πp (L) > 0, et dans ce cas la firme peut produire L.
Exemple 4.21.
c 2019
Soit q(k, l) = Ak 1/4 l1/3 , avec A = 1, a = 60 et b = 10. On suppose que la capacité de produc-
tion de la firme est limité à un volume L > 0.
Le problème d’optimisation est de minimiser le coût de production C(k, l) = 60k + 10l sous la
contrainte k 1/4 l1/3 = q.
Le Lagrangien est défini par :
L = 60k + 10l − λ(k 1/4 l1/3 − q)
Les conditions d’ordre un sont :



 Lk = 60 − 41 λk −3/4 l1/3 = 0




Ll = 10 − 13 λk 1/4 l−2/3 = 0





Lλ = k 1/4 l1/3 − q = 0

En égalisant les expressions de λ dans les deux premières équations, on a l = 2k et en substituant

dans la troisième équation, on obtient q = k 1/4 2l1/3 = 2k 7/12 . Ainsi l’optimum est donné par :
q q
k ∗ = ( )12/7 et l∗ = 8( )12/7
2 2
L’expression du coût de production minimal dépendant de la production q est donnée par :
q 1
C(q) = 60k + 10l = 140( )12/7 = Bq 12/7 , avec B = 140( )12/7
2 2
Le profit est exprimé par :
π(q) = pq − Bq 12/7
Par passage aux conditions d’ordre un et deux, on a :
0 0 12
π (q) = 0 ⇐⇒ p = C (q) = B.q 5/7 , avec q > 0
7
Ainsi
00 60 −2/7
π (q) = − Bq
49
0 00
Pour la solution q ∗ > 0 de l’équation π (q) = 0, on a π (q ∗ ) < 0 i.e q ∗ est une production
maximisant le profit.
12
Notons que si 0 < q ∗ < L, le couple (p, q ∗ ) vérifie la relation p = Bq ∗5/7 , par conséquent le
7
prix vérifie la relation suivante :
12
0 < p < BL5/7
7
12
D’où la firme produit la quantité L lorsque le prix p tend vers la valeur BL5/7 .
7
c 2019
Théorie élémentaire du consommateur 25
4.10 Théorie élémentaire du consommateur

Considérons un consommateur (une ménagère) qui achète un panier de bien x = (x1 , ..., xn )
au prix p = (p1 , ..., pn ) avec une certaine contrainte de budget. Supposons que ce consommateur
cherche à maximiser sa fonction d’utilité avec un budget M .
On peut écrire sa contrainte de budget sous la forme :
n
X
(p, x) = p i xi 6 M
i=1
Le problème du consommateur devient :


 M ax u(x), x = (x1 , ..., xn )
(P )
S.C (p, x) = ni=1 pi xi 6 M
 P
Le Lagrangien de (P ) est donné par :

Xn
L = u(x) − λ( p i xi − M )
i=1
Les conditions d’ordre un sont :

n
∂u ∂u ∂u X
− λp1 = 0, − λp2 = 0, ... , − λpn = 0 et p i xi = M
∂x1 ∂x2 ∂xn i=1
La solution de ce problème nous donne le panier optimal du consommateur pour un budget M .
Remarque 4.6.
∂L
En considérant la variation du Lagrangien par rapport au budget : ∂M
= λ, on a :
• Si M augmente d’une unité L(x) = u(x) sous la contrainte, varie d’une valeur de λ.
• Si λ = 0, l’utilité u(x) ne change pas quelle que soit la variation de M .
• Si λ > 0, l’utilité u(x) croit d’une valeur de λ lorsqu’on ajoute une unité à M .
• Si λ < 0, l’utilité u(x) diminue d’une valeur de |λ| lorsqu’on ajoute une unité à M .
Exemple 4.22. Supposer qu’une dame achète deux biens x1 et x2 aux prix unitaires de p1 = 2
1/3 1/2
et p2 = 5 avec un budget de M = 40. Si fonction d’utilité est u(x1 , x2 ) = x1 x2 , Trouver son
panier optimal.
Le problème à résoudre est :


1/3 1/2
 Optimiser u(x1 , x2 ) = x1 x2


 S.C 2x1 + 5x2 = 40
c 2019
Fonctions Marchalliènnes de la demande 26
Le Lagrangien du problème est défini par :

1/3 1/2
L(x1 , x2 , λ) = x1 x2 − λ(2x1 + 5x2 − 40)


1 −2/3 1/2
 L1 = 3 x1 x2 − 2λ = 0



1 1/3 −1/2
L 2 = x 1 x2 − 5λ = 0


 2
1 + 5x2 − 40 = 0
 L = 2x
λ
En résolvant ce système, on obtient comme solution (point critique) :

24 1 1/2
x∗1 = 8, x∗2 = et λ∗ = ( )
5 120
Ainsi, puisque λ∗ > 0, le degré de satisfaction (l’utilité) u(x∗1 , x∗2 ) devient
∗1/3 ∗1/2 1 1/2

u(x∗1 , x∗2 ) = x1 x2 +( ) pour M = 41
120
Utilisant les dérivées d’ordre deux, le Hessien bordé est le suivant :

0 2 5

2 −5/3 1/2 1 −2/3 −1/2
|H|(L) = 2
− x 1 x2 x x2
9 6 1

1 −2/3 −1/2 1 1/3 −3/2

5 x1 x2 − x1 x2

6 4
1 1/3 −3/2 7 −2/3 −1/2 10 −5/3 1/2

= x x + x1 x2 + x1 x2
2 1 2 6 9
Il en résulte d’après les coordonnées du point critique que
|H|(L)(k ∗ , l∗ , λ∗ ) > 0
1/3 1/2
c’est à dire que la fonction objectif(l’utilité) u(x1 , x2 ) = x1 x2 est maximale au point critique
et sa valeur est
24 24 6
u(8, ) = 81/3 ( )1/2 = 4( )1/2
5 5 5
4.11 Fonctions Marchalliènnes de la demande

Définition 4.15. Une fonction marchalliènne de la demande est une fonction qui exprime la
quantité d’un bien qu’achètera un consommateur en fonction des prix des biens et du revenu
disponible.
c 2019
Fonctions Marchalliènnes de la demande 27
La fonction marchalliènne de la demande est déduite d’une maximisation de l’utilité sous une
contrainte budgétaire.
Exemple 4.23.
Soit une utilité u(q1 , q2 ) = q1 q2 et la contrainte p1 q1 + p2 q2 = M , où M est le budget ou revenu

disponible. Le Lagrangien s’écrit :
L(q1 , q2 , λ) = q1 q2 − λ(p1 q1 + p2 q2 − M )


 L1 = q2 − λp1 = 0
L = q1 − λp2 = 0
 2
L λ = p1 q1 + p2 q2 − M = 0
La résolution de simultanée de deux premières équations donne :

q2 q1
=λ=
p1 p2
Alors ,
q1 p1 q2 p2
q2 = et q1 =
p2 p1
Remplaçons tour à tour ces expressions dans la troisième equation du système, on obtient comme
solution :
M M
q1 = et q2 =
2p1 2p2
Ces sont les fonctions marchalliènnes de la demande pour q1 et q2 qui maximisent la satisfaction
du consommateur, compte tenu de son revenu et des prix des biens.
En effet, vérifions les conditions d’ordre deux. On a
L11 = 0, L22 = 0, L12 = L21 = 1, g1 = p1 , et g2 = p2
Il en résulte que
0 p1 p2

|H|(L) = p1 0 1 = 2p1 p2 > 0
p 1 0
2
Comme |H 2 | = |H| > 0, le Hessien bordé |H| est défini négatif et l’utilité u(q1 , q2 ) est maximisé.
Ainsi, par exemple pour M = 250. On déduit comme suit la fonction marchalliènne de la
demande de q1 pour p1 = 5, 10 et 25 en s’inspirant de la présentation précédente. On a :
250 250 250
q1 = = 25 q1 = = 12, 5 et q1 = =5
2(5) 2(10) 2(25)
c 2019

Optimisation (2) G2FED

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optimisation (2) G2FED

Transféré par

Droits d'auteur :

Formats disponibles

Chapter Premier

Optimisation sous contraintes et ses

4.1 Notion de fonctions de plusieurs variables

On appelle fonction(réelle) de n variables, toute application d’une partie D de Rn à valeurs

Déterminer les domaines de définition des fonction suivantes :

D1 = {(x, y) ∈ R2 ; x2 + y 2 6= 0} = R2 − {(0, 0)}

D2 = {(x, y) ∈ R2 ; x 6= y} = R2 − (la droite y = x)

4.1.1 Application projection, application restriction

1. On appelle ième projection, l’application définie par :

2. Soit f : D ⊂ Rn −→ R, une fonction définie dans D ; A une partie de D. On appelle

La restriction de f sur la direction Γ est donc définie par :

4.1.2 Fonctions homogènes

∀(x1 , ..., xn ) ∈ D et ∀λ ∈ R, f (λx1 , ..., λxn ) = λp f (x1 , ..., xn )

Donc f est homogène de degré 3.

4.2 Limite et continuité d’une fonction de n variables

1. Soit x = (x1 , ..., xn ) ∈ Rn . On définit la norme euclidienne de x par le réel positif :

2. On définit par boule ouverte (fermée)de centre x0 , de rayon α, l’ensemble :

B(x0 , α) = {x ∈ Rn , kx − x0 k < α} B(x0 , α) = {x ∈ Rn , kx − x0 k 6 α}

3. On définit par sphère de centre x0 , de rayon α, l’ensemble :

Définition 4.5. (Point d’accumulation-Point isolé)

1. Soit A une partie de Rn et x0 ∈ Rn . On dit que x0 est un point d’accumulation de A si tout

Soit une partie A = {(x, y) ∈ R2 ; x2 + y 2 < 1} de R2 .

2. Le point (1, 1) est un point isolé de la partie A.

Définition 4.6. (Limite d’une fonction)

Soient f : D ⊂ Rn −→ R, x0 un point d’accumulation du domaine D et l un nombre réel.

∀ > 0, ∃η = η() > 0; ∀x ∈ D, kx − x0 k < η =⇒ |f (x) − l| < 

∀R > 0, ∃η = η(R) > 0; ∀x ∈ D, kx − x0 k < η =⇒ f (x) > R

∀R > 0, ∃η = η(R) > 0; ∀x ∈ D, kx − x0 k < η =⇒ f (x) < −R

2. En pratique, si ϕ est une fonction croissante telle que

kf (x) − lk 6 ϕ(kx − x0 k),

3. Etudier la limite de la fonction

La fonction f est définie dans D = R2 − {(0, 0)}.

k(x, y)k < η =⇒ |f (x, y)| 6 k(x, y)k2 6 η 2 = ,

c’est à dire lim f (x, y) = 0.

Définition 4.7. (Continuité d’une fonction)

Soit f : D ⊂ Rn −→ R, une fonction de n variables définie sur D.

1. On dit que f est continue en x0 ∈ D si et seulement si

∀ > 0, ∃η = η() > 0; ∀x ∈ D, kx − x0 k < η =⇒ |f (x) − f (x0 )| < .

La fonction f : R2 −→ R définie par :

Etudier la continuité (0, 0) de la fonction f : R2 −→ R définie par :

En considérant les directions Γλ définies par y = λx, λ ∈ R du domaine de f , on a :

4.3 Les dérivées partielles

4.3.2 Dérivées partielles d’ordre 1

On donne f (x, y, z) = 3x3 − 5x2 y + 4z 5 . On a:

Soit f (x, y) = x2 + y 2 + 3x3 y − 2y. Alors on a :

4.3.3 Dérivées partielles d’ordre 2

3. Si une fonction f de n variables est de classe C 2 sur le domaine D, alors on a :

4.3.4 Matrice hessienne

4.4 Extrema d’une fonction de deux variables

4.4.1 Optimisation d’une fonction de deux variables

4. Quatrième cas: ∆ = 0. C’est un cas indéterminé.

4.5 Optimisation d’une fonction de n variables

Matrice symétrique A Définition Valeurs propres Mineurs principaux

Définie positive X t AX > 0, ∀X 6= 0 toutes > 0 tous les Mii > 0

Semi-définie positive X t AX > 0, ∀X tous > 0 tous les Mii > 0

Définie négative X t AX < 0, ∀X 6= 0 toutes < 0 Mjj = (−1)j , ∀j

Semi-définie négative X t AX 6 0, ∀X toutes 6 0 ceux de −A sont > 0

Indéfinie ailleurs > 0 et < 0 ailleurs

4.5.2 Conditions et critères d’optimisation

sous forme matricielle, elles s’écrivent :

Utilisant la méthode de Cramer, on obtient les déterminants suivant :D = −276, Dx = −288,

fxx = −10 fxy = 0 fxz = 1

Alors le Hessien est défini par :

∀ > 0, ∃η = η() > 0; ∀x ∈ D, kx − x0 k < η =⇒ |f (x) − l| <

k(x, y)k < η =⇒ |f (x, y)| 6 k(x, y)k2 6 η 2 = ,

∀ > 0, ∃η = η() > 0; ∀x ∈ D, kx − x0 k < η =⇒ |f (x) − f (x0 )| < .