Académique Documents
Professionnel Documents
Culture Documents
d dv du
( u • v )= u +v
dx dx dx
Exemple: u=x2
v= 2 x +1
d
[ x 2 • (2 x + 1) ] = x • 2 + (2 x + 1) • 2 x
2
dx
= 2 x 2 + 4 x 2 + 2x = 6 x 2 + 2x
du dv
v• -u•
d ⎛ u ⎞ dx dx .
⎜ ⎟=
dx ⎝ v ⎠ v
2
Exemple: u=x2
v= 2 x +1
d ⎛ x2 ⎞ ( 2 x +1 ) • 2 x - x 2 ( 2 )
⎜ ⎟⎟ =
dx ⎜⎝ 2 x + 1 ⎠ ( 2 x +1 ) 2
1
4 x 2+2 x - 2 x 2 2 x 2+2 x
= =
( 2 x +1 ) 2 ( 2 x +1 ) 2
3. Règle de chaîne
d d du
[ f (u)] = [ f ( u )]•
dx du dx
Exemple: u = 2 x +1 , f ( u )= u 2
d
[ ( 2 x +1 ) 2 ] = 2 ( 2 x +1 ) • 2 = 4 ( 2 x +1 )
dx
d
Condition de premier ordre (CPO) : [ f ( x * )] = 0 (condition nécessaire)
dx
d2
Condition de second ordre (CSO) : [ f ( x * )] < 0 pour un maximum
dx 2
d2
: 2
[ f ( x * )] > 0 pour un minimum.
dx
Les théories du consommateur et du producteur que nous allons étudier font référence à des
fonctions d'utilité et de production sur lesquelles certaines hypothèses sont faites. Ces hypothèses
reposent, entre autres, sur les notions de concavité et de convexité des fonctions.
2
Définition:
Une fonction f(x) est une fonction convexe si, pour tous points x1, x2 de son domaine et pour tout
λ , 0 < λ < 1,
f ( λ x 1 + ( 1- λ ) x 2 ) ≤ λ f ( x 1 ) + ( 1- λ ) f ( x 2 ) .
(Une fonction est strictement convexe si la dernière inégalité est stricte, à savoir,
f ( λ x1 + ( 1 - λ ) x 2 ) < λ f ( x1 ) + ( 1 - λ ) f ( x 2 ) et x1 ≠ x 2 ) .
Similairement, une fonction concave est définie de la même manière mais le sens de l'inégalité est
renversé.
Exemples:
f(x) Fonction convexe f(x)
Fonction concave
f(x2)
f(x2)
f(λx1+(1-λ)x2)
λf(x1)+(1-λ)f(x2) λf(x1)+(1-λ)f(x2)
f(λx1+(1-λ)x2)
f(x1)
f(x1) λx1 + (1 - λ)x2 x2
x
x1
x1 λx1 + (1 - λ)x2 x2 x
Définition:
Une fonction f(x) est quasi convexe si, pour tous points x1 , x2 de son domaine, on a
3
f ( x1 ) ≤ f ( x 2 ) ⇒ f ( λx1 + (1 − λ ) x 2 ) ≤ f ( x 2 )
0<λ<1
f (λx1 + (1 − λ ) x 2 ) ≤ max{ f ( x1 ), f ( x2 ) }
f ( x1 ) ≤ f ( x 2 ) ⇒ f ( λx1 + (1 − λ ) x 2 ) ≥ f ( x1 )
Similairement f(x) est quasi concave si
f (λx1 + (1 − λ ) x 2 ) ≥ min{ f ( x1 ), f ( x 2 ) }
ou, de manière équivalente:
4
Exemples:
f(x2)
f(x2)
f(λx1 + (1 - λ)x2)
f(x1)
f(x1)
f(λx1 + (1 - λ)x2)
x1 λx1 + (1 - λ)x2 x2
x x1 λx1 + (1 - λ)x2
x2
x
• DIFFÉRENTIELLE TOTALE
Soit y = f ( x ) .
de Δy = f ( x + Δx ) - f ( x ) .
5
Graphiquement:
y= f(x)
A
f(x+Δx)
dy
Δy
C
f(x)
B
Δx
dx
x x+Δx x
dy = f ’ ( x ) dx = pente de la tangente en x • dx
AB
= • CB = AB
CB
AB = dy ≈ Δy .
• DÉRIVÉES PARTIELLES
Les fonctions avec lesquelles nous allons travailler sont, en général, continues, dérivables
et ont des dérivées partielles de premier ordre et de second ordre qui sont continues. Il
faut donc savoir les calculer leurs dérivées partielles et aussi les interpréter
6
u = x11 / 3 x 22 / 3
u = 2Anx + 3Any
Q = 36 KL − 2 K 2 − 3L2
∂Q
= 36 K − 6 L (dérivée partielle de premier ordre par rapport à L)
∂L
∂Q
= 36 L − 4 K (dérivée partielle de premier ordre par rapport à K)
∂K
∂ 2Q ∂ ⎛ ∂Q ⎞
= ⎜ ⎟ =-6 (dérivée partielle de second ordre par rapport à L)
∂L 2
∂L ⎝ ∂L ⎠
∂ 2Q ∂ ⎛ ∂Q ⎞
= ⎜ ⎟ =-4 (dérivée partielle de second ordre par rapport à K)
∂K 2
∂K ⎝ ∂K ⎠
∂ 2Q ∂ ⎛ ∂Q ⎞ ∂ ⎛ ∂Q ⎞ ∂ 2Q
= ⎜ ⎟ = ⎜ ⎟ = = 36 (dérivée partielle croisée de second ordre)
∂L∂K ∂L ⎝ ∂K ⎠ ∂K ⎝ ∂L ⎠ ∂K∂L
∂
(u • v ) = u ∂v + v ∂u
∂x ∂x ∂x
7
∂
(u • v ) = u ∂v + v ∂u
∂y ∂y ∂y
Exemple: u = x 2
v = 2x + y
∂ 2
∂x
[ ]
x • ( 2 x + y ) = x 2 • 2 + (2 x + y ) • 2 x
= 2 x 2 + 4 x 2 + 2 xy = 6 x 2 + 2 xy
∂ 2
∂y
[ ]
x • (2 x + y ) = x 2 • 1 + (2 x + y ) • 0 = x 2
∂u ∂v
v• −u•
∂ ⎛u⎞ ∂x ∂x
⎜ ⎟ =
∂x ⎝ v ⎠ v 2
∂u ∂v
v• −u•
∂ ⎛u⎞ ∂y ∂y
⎜ ⎟ =
∂y ⎝ v ⎠ v 2
Exemple: u = x 2
v = 2x + y
∂ ⎛ x2 ⎞ (2 x + y ) • 2 x − x 2 • 2
⎜ ⎟⎟ =
∂x ⎜⎝ 2 x + y⎠ (2 x + y ) 2
4 x 2 + 2 xy − 2 x 2 2 x 2 + 2 xy
= =
(2 x + y )2 (2 x + y ) 2
8
∂ ⎛ x 2 ⎞ (2 x + y ) • 0 − x 2 • 1 − x2
⎜⎜ ⎟⎟ = =
∂y ⎝ 2 x + y ⎠ (2 x + y ) 2 (2 x + y ) 2
3. Règle de chaîne
∂
[ f (u )] = d [ f (u )] • ∂u
∂x du ∂x
∂
[ f (u )] = d [ f (u )] • ∂u
∂y du ∂y
Exemple: u = 2 x + y , f (u ) = u 2
∂
∂x
[ ]
( 2 x + y ) 2 = 2( 2 x + y ) • 2 = 4(2x+y)
∂
∂y
[ ]
( 2 x + y ) 2 = 2 ( 2 x + y ) • 1 = 2( 2 x + y )
• DIFFÉRENTIELLE TOTALE
Soit Z = f ( x , y ) .
∂ f ( xo , yo ) ∂ f ( xo , yo )
Alors dZ = • dx + • dy est une approximation de
∂x ∂y
ΔZ = f ( x o + Δ x , y o + Δ y ) - f ( x o , y o ) ,
9
i.e., dZ ≅ ΔZ
Δz = f ( x 0 + dx, y 0 + dy ) - f ( x 0 , y 0 )
= f (2,5 , 2,3) - f ( 2 , 2)
= 19,75 - 14 = 5,75
∂f ( x0 , y 0 ) ∂f ( x 0 , y 0 )
dz = dx + dy
∂x ∂y
= (3 y + 1)[( x 0 , y 0 )] dx + 3 x[( x 0 , y 0 )] dy
Définition:
10
f ( λx , λy , λz ) = 2 ( λ x ) 3 + ( λy ) ( λz ) 2 - ( λz ) 3
= 2 λ3 x 3 + λ3 y z 2 - λ3 z 3
λ (2x +yz -z )
3 3 2 3
=
λ f ( x,y,z )
3
=
Théorème d'Euler:
Exemple: f ( x , y , z ) = 2 x 3 + y z 2 - z3
∂f ∂f ∂f
•x+ •y+ •z = 6x 2 • x + z2 • y +( 2 y z - 3 z2 ) • z
∂x ∂y ∂z
= 6 x3+3 y z2-3z3
= 3( 2 x3+ y z2- z3 )
= 3 f (x , y , z )
11
• FORMES QUADRATIQUES
On peut déterminer si une fonction est convexe ou concave grâce au comportement de la forme
quadratique associée à sa matrice hessienne (la matrice des dérivées secondes de la fonction).
Voyons tout d'abord quelques définitions et quelques exemples.
Une forme quadratique est une fonction de n variables qui peut être écrite de la façon suivante :
n n
f ( x ) = ∑∑ a ij x i x j
i =1 i =1
Exemple:
f ( x1 , x 2 , x 3 ) = x12 + x1 x 2 + 4 x1 x 3 + 2 x 32
12
⎡ 1 0,5 2⎤ ⎡ x1 ⎤
f ( x1 , x 2 , x3 ) = [x1 x 2 x3 ] ⎢⎢0,5 0 0⎥⎥ ⎢x ⎥
⎢ 2⎥
⎢⎣ 2 0 2⎥⎦ ⎢⎣ x3 ⎥⎦
,
x A x
Définition:
Une forme quadratique x' Ax est dite définie positive si x' Ax > 0, ∀x ≠0
Définition:
Une forme quadratique x' Ax est dite semi-définie positive si x' Ax > 0 et s'il existe x ≠0 pour
lequel x , Ax = 0
Note : Pour des formes quadratiques définies négatives ou semi-définies négatives, les
définitions sont similaires sauf en ce qui concerne les inégalités qui doivent alors être renversées
(< 0 ).
Théorème de Sylvester:
i) Une forme quadratique x' Ax est définie positive si et seulement si tous les
principaux mineurs successifs de la matrice A sont positifs (i.e. > 0).
ii) Une forme quadratique x' Ax est définie négative si et seulement si tous les
principaux mineurs successifs de la matrice A alternent en signe, le premier étant
négatif (i.e. > 0).
Illustration du théorème :
13
⎡ a11 a12 a13 ⎤
⎢a a 22 a 23 ⎥
⎢ 21 ⎥
⎢⎣a 31 a 32 a 33 ⎥⎦
(les principaux mineurs successifs de A sont les déterminants des sous-matrices de A obtenues en
enlevant successivement la dernière colonne de droite et la rangée d'en bas).
La forme quadratique x' Ax est donc définie positive si chacun de ces trois déterminants est
positif. Elle sera définie négative si ces déterminants alternent en signe, en commençant par :
a a12
a11 < 0, puis 11 > 0, etc…
a 21 a 22
Exemple: 2 1 2
A= 1 3 0
2 0 5
2 1 2
2 1
a11 = 2 > 0; = 5 > 0; 1 3 0 = 13 > 0
1 3
2 0 5
14
Remarque :
i) Cependant, pour déterminer si une forme quadratique est semi-définie positive, il ne suffit
pas que les principaux mineurs successifs soient non négatifs (i.e. ≥ 0). Il faut que tous les
mineurs principaux soient non négatifs, ce qui implique le calcul de plusieurs déterminants. Par
exemple, dans le cas de A la matrice 3 × 3 vue plus haut, il faut vérifier que :
ii) Pour déterminer si une forme quadratique est semi-définie négative, il faut que tous les
mineurs principaux d’ordre impair soient non positifs (i.e. ≤ 0) et que tous les mineurs
principaux d’ordre pair soient non négatifs (i.e. ≥ 0). Par exemple, dans le cas de A la matrice 3
× 3 vue plus haut, il faut vérifier que :
Théorème:
i) Une fonction f(x1,x2,…,xn) est convexe si et seulement si sa matrice hessienne H (ou la forme
quadratique associée x ' Hx ) est semi-définie positive. Si x ' Hx est définie positive, f(x1,x2,…,xn)
est strictement convexe.
15
∂f ( x1 , x 2 ) ∂f ( x1 , x2 )
= − 2 x1 − 2 x 2 ; = − 2 x1 − 6 x2 ;
∂x1 ∂x2
∂ 2 f ( x1 , x 2 ) ∂ 2 f ( x1 , x 2 ) ∂ 2 f ( x1 , x 2 ) ∂ 2 f ( x1 , x 2 )
= -2; = -6; = = − 2 , de sorte que:
∂x12 ∂x 22 ∂x1 x 2 ∂x 2 x1
⎡ ∂ 2 f ( x1 , x2 ) ∂ 2 f ( x1 , x2 ) ⎤
⎢ ⎥ ⎡ − 2 − 2⎤
∂x 2 ∂x1 x2 ⎥
la matrice hessienne H = ⎢ 2 1 = ⎢ ⎥
⎢ ∂ f ( x1 , x2 ) ∂ f ( x1 , x2 ) ⎥ ⎣− 2 − 6⎦
2
⎢ ∂x x ∂x22 ⎥
⎣ 2 1 ⎦
−2 −2
Or, -2 < 0 et H = = 8 > 0, ce qui implique que la forme quadratique x ' Hx est
−2 −6
f 1 = 2 x1 + x3 ; f 2 = − 1 + 2 x2 + x3 ; f 3 = x1 + x2 + 6x3
f 11 = 2; f 12 = 0; f13 = 1;
f 21 = 0; f 22 = 2; f 23 = 1;
16
2 0 1
f11 f12 2 0 2 1 0 1 0 2
f11 = 2 > 0; = = 4 > 0 et 0 2 1 = 2 -0 +1 = 20 > 0.
f 21 f 22 0 2 1 6 1 6 1 1
1 1 6
x : la quantité de fertilisant
y : la quantité d’insecticide.
L ( x, y , λ ) = f ( x, y ) + λ g ( x, y )
de Lagrange
L ( x, y , λ ) = 3 xy + x + λ (8 − x − 2 y )
17
2. On optimise cette nouvelle fonction à 3 variables, i.e. le lagrangien L(x, y, λ) . Les
conditions de premier ordre (CPO) s’écrivent :
∂L / ∂x = 3y + 1 − λ = 0
∂L / ∂y = 3x − 2λ = 0
∂L / ∂λ = 8 − x − 2 y =0
x * = 26 / 6, y * = 11 / 6, λ* = 39 / 6.
Note : En principe, à ce stade-ci, on doit calculer les conditions de second ordre (CSO) et
vérifier si le point stationnaire ( x* , y * , λ* ) représente un minimum ou un maximum.
Toutefois, en ce qui nous concerne, ce sont les propriétés de la fonction objectif (concave ou
convexe) ou encore le contexte économique du problème posé qui déterminera la nature du
point stationnaire.
• DÉFINITIONS
⎡ x1 ⎤
⎢x ⎥
→ Vecteur : vecteur de dimension n : x = ⎢ 2 ⎥
⎢ ⎥
⎢ ⎥
⎣ xn ⎦
• NOTATION
⎡a11 a 21 a n1 ⎤
⎢a a 22 a n 2 ⎥⎥
A = ⎢ 12
'
(matrice transposée)
⎢ ⎥
⎢ ⎥
⎣a1m a 2 m a nm ⎦
⎡1 0 0⎤
⎢0 1 0⎥⎥
I =⎢ matrice identité.
⎢ ⎥
⎢ ⎥
⎣0 0 1⎦
• OPÉRATIONS
→ Addition
→ Multiplication
⎡ 2 8 ⎤ ⎡ 12 8 22 16 ⎤
⎢− 2 ⎡ 2 4 − 1 0⎤
Exemple : ⎢ 1 ⎥⎥ ⎢1 0
⎢
⎥ = ⎢− 3 − 8 5 2 ⎥⎥
⎢⎣ 3 0 ⎥⎦ ⎣ 3 2 ⎦ ⎢⎣ 6 12 − 3 0⎥⎦
19
Note : Pour que la multiplication des matrices puisse se faire, il faut que le nombre de
colonnes de la matrice A soit égal au nombre de lignes de la matrice B.
⎡ y1 ⎤
⎢y ⎥
→ Produit scalaire : [x1 x2 ... xn ] ⎢ 2⎥ =
⎢ ⎥ ∑x y i i = k
i
⎢ ⎥
⎣ yn ⎦
⎡ x1 ⎤ ⎡ x12 x1 x 2 x1 x n ⎤
⎢x ⎥ ⎢ 2
⎥
→ xx = ⎢ 2 ⎥
'
[x1 x2 ... xn ] = ⎢ x 2 x1 x 2 x2 xn ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣ xn ⎦ ⎢⎣ x n x1 xn x2 x n2 ⎥⎦
matrice carrée n × n
→ par substitution
adj A
x = A −1 b où A −1 =
A
20
avec adj A = matrice transposée des cofacteurs de A
pour A x = b
Δj
xj = où Δ j est le déterminant de la matrice que l’on obtient (à
A
partir de A ) en remplaçant la j ième colonne de A par b .
f 1 = 2 x1 + x3 ; f 2 = − 1 + 2 x2 + x3 ; f 3 = x1 + x2 + 6 x3
f1 = 2 x1 + x3 = 0
f2 = −1 + 2 x 2 + x3 = 0
f3 = x1 + x 2 + 6 x3 = 0
21
qui peuvent aussi s’écrire sous forme matricielle :
⎡2 0 1⎤ ⎡ x1 ⎤ ⎡0 ⎤
⎢0 2 1⎥⎥ ⎢ x ⎥ = ⎢1 ⎥
⎢ ⎢ 2⎥ ⎢ ⎥
⎢⎣1 1 6 ⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣0⎥⎦
0 0 1
1 2 1 1 2
(−1)1+3
0 1 6 0 1 1
x1 = = =
A A 20
2 0 1
0 1 1 2 1
(−1) 2+ 2
1 0 6 1 6 11
x2 = = =
A A 20
2 0 0
0 2 1 2 1
(−1)1+1
1 1 0 1 0 −2
x3 = = = .
A A 20
De plus, puisque la fonction f ( x1 , x 2 , x3 ) est strictement convexe (ceci a déjà été vérifié
22
⎡ x1* ⎤ ⎡ 1 / 20 ⎤
⎢ *⎥
x = ⎢ x 2 ⎥ = ⎢⎢ 11 / 20 ⎥⎥
*
est un minimum de la fonction f ( x1 , x 2 , x3 ) .
⎢ x* ⎥ ⎢⎣− 2 / 20⎥⎦
⎣ 3⎦
⎡1 2 3⎤
Exemple :
⎢2 −1 0 ⎥⎥
⎢
⎢⎣ 3 0 4 ⎥⎦
⎡ a11 a12 ⎤ ⎡ x1 ⎤
x' A x = [ x1 x2 ] ⎢a ⎥ ⎢ ⎥
⎣ 21 a 22 ⎦ ⎣ x 2 ⎦
⎡ x1 ⎤
= [a11 x1 + a21 x2 , a12 x1 + a 22 x 2 ] ⎢x ⎥
⎣ 2⎦
= a11 x12 + a 21 x 2 x1 + a12 x1 x 2 + a 22 x 22
Remarque : Parfois on ne veut pas que la propriété soit satisfaite pour toutes les valeurs de x ,
mais seulement pour des valeurs de x qui respectent une certaine contrainte, par exemple,
b x = 0.
23
Exemple : On dira que la matrice A est définie positive sous la contrainte b x = 0 , si
x ' F x < 0 ∀x ≠ 0.
⎡ ∂g ⎤
,
24