Rappel Mathématique

I. Fonctions à une seule variable

• QUELQUES RÈGLES DE DÉRIVATION (rappel)

1. Multiplication de deux fonctions

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

2. Division de deux fonctions

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

• OPTIMISATION (sans contrainte)

Soit f (x ) la fonction que l’on cherche à optimiser.

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

• FONCTIONS CONCAVES, QUASI CONCAVES, CONVEXES,

QUASI CONVEXES

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

ou, de manière équivalente:

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:

Fonction Quasi Concave Fonction pas Quasi Concave

f(x) f(x)

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 ) .

Alors dy = f ’ ( x ) dx est la différentielle totale et on a dy ≠ Δy , i.e. dy est une approximation

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 .

II. Fonctions à deux ou plusieurs variables

• 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

→ Exemples de fonctions usuelles :

6
 u = x11 / 3 x 22 / 3

u = 2Anx + 3Any

→ Calcul des dérivées partielles

Exemple : Soit la fonction de production :

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

→ Les principales règles de dérivation s’appliquent :

1. Produit de deux fonctions

∂
(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

2. Quotient de deux fonctions

∂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

Évidemment, plus les variations Δx et Δy seront petites, meilleure sera l'approximation.

Exemple : z = f ( x, y ) = 3 xy + x ; ( x0 , y 0 ) = ( 2,2) ; dx = 0,5 et dy = 0,3

Δz = f ( x 0 + dx, y 0 + dy ) - f ( x 0 , y 0 )
= f (2,5 , 2,3) - f ( 2 , 2)

= (3 • 2,5 • 2,3 + 2,5) - (3 • 2 • 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

= 7 • 0,5 + 6 • 0,3 = 3,5 + 1,8 = 5,3

• HOMOGÉNÉITÉ DES FONCTIONS

Définition:

Une fonction f ( x1 , x 2 , ... , xn ) est homogène de degré r si et seulement si pour tout

Exemple: f ( x,y,z ) = 2 x3+y z2- z3

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
=

f est homogène de degré 3.

Théorème d'Euler:

Une fonction f ( x1 , x 2 , ... , xn ) est homogène de degré r ssi

n
∂ f ( x1 , ... , xn )
r f ( x1 , ... , xn ) = ∑ • xi .
i=1 ∂ xi

Exemple: f ( x , y , z ) = 2 x 3 + y z 2 - z3

∂ f ( x,y,z ) ∂ f ( x,y,z ) ∂ f ( x,y,z )

=6x2; = 2
z ; =2y z-3z2
∂x ∂y ∂z

∂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 )

f est homogène de degré 3.

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

où les aij sont des constantes.

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

.x’Ax où x est un vecteur de dimension n × 1

et A une matrice symétrique n × n .

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 :

Soit A la matrice 3 × 3 suivante:

13
⎡ a11 a12 a13 ⎤
⎢a a 22 a 23 ⎥
⎢ 21 ⎥
⎢⎣a 31 a 32 a 33 ⎥⎦

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

a11 a12 a13

a11 a12
a11 , , a21 a22 a23
a21 a22
a31 a32 a33

(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

x' Ax est définie positive.

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 :

a11 a12 a13

a a12 a11 a13 a 22 a 23
a11 ≥ 0, a 22 ≥ 0, a33 ≥ 0; 11 ≥ 0, ≥ 0, ≥ 0; a21 a22 a23 ≥ 0.
a21 a22 a31 a33 a32 a33
a31 a32 a33

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 :

a11 a12 a13

a a12 a11 a13 a 22 a 23
a11 ≤ 0, a 22 ≤ 0, a33 ≤ 0; 11 ≥ 0, ≥ 0, ≥ 0; a21 a22 a23 ≤ 0.
a 21 a 22 a31 a33 a32 a33
a31 a32 a33

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.

ii) De la même manière, la fonction f(x1,x2,…,xn) est concave si et seulement si sa matrice

hessienne (ou la forme quadratique associée x ' Hx ) est semi-définie négative. Si x ' Hx est
définie négative, f(x1,x2,…,xn) est strictement concave.

Exemple 1: Soit f ( x1 , x2 ) = − x12 − 2 x1 x2 − 3x22

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

définie négative et la fonction f ( x1 , x2 ) = − x12 − 2 x1 x2 − 3 x22 est strictement convexe.

Exemple 2 : Soit f ( x1 , x 2 , x3 ) = x12 + x1 x3 − x 2 + x 22 + x 2 x3 + 3 x32

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;

f 31 = 1; f 32 = 1; f 33 = 6, de sorte que la matrice hessienne

⎡ f11 f12 f13 ⎤ ⎡2 0 1⎤

H = ⎢f f 22 f 23 ⎥⎥ = ⎢0 2 1 ⎥ .
⎢ 21 ⎢ ⎥
⎢⎣ f 31 f 32 f 33 ⎥⎦ ⎢⎣1 1 6⎥⎦

On vérifie facilement que:

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

Ainsi, la forme quadratique est x ' Hx est définie positive et la fonction

f ( x1 , x2 , x3 ) = x12 + x1 x3 − x2 + x22 + x2 x3 + 3 x32 est strictement convexe.

• OPTIMISATION AVEC CONTRAINTE

Méthode de Lagrange (présentée à l’aide d’un exemple)

Optimiser f ( x, y ) = 3 xy + x sous la contrainte que g ( x, y ) = 8 − x − 2 y = 0,

où f ( x, y ) mesure le rendement d’une terre,

x : la quantité de fertilisant

y : la quantité d’insecticide.

1. On forme une nouvelle fonction appelée le lagrangien de la façon suivante :

L ( x, y , λ ) = f ( x, y ) + λ g ( x, y )

= fonction objectif + multiplicateur × fonction contrainte

de Lagrange

L ( x, y , λ ) = 3 xy + x + λ (8 − x − 2 y )

Note : l’introduction du multiplicateur de Lagrange permet de transformer un problème

d’optimisation avec contrainte à deux variables ( x et y ) en un problème d’optimisation
sans contrainte à trois variables ( x , y et λ ).

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

On solutionne ce système d’équations et on trouve ( x * , y * , λ* ) :

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.

III. Calcul matriciel

• DÉFINITIONS

⎡ x1 ⎤
⎢x ⎥
→ Vecteur : vecteur de dimension n : x = ⎢ 2 ⎥
⎢ ⎥
⎢ ⎥
⎣ xn ⎦

⎡a11 a12 a1m ⎤

⎢a a 22 a 2 m ⎥⎥
→ Matrice : matrice d’ordre n × m : A = ⎢ 21
⎢ ⎥
⎢ ⎥
⎣a n1 a n 2 a nm ⎦
18
 l’élément a ij de la matrice A se trouve à la ième ligne et jème colonne.

• NOTATION

x , = [x1 , x 2 , , xn ] (vecteur ligne)

⎡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⎥⎦

A3×2 × B2×4 = C 3×4

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

• RÉSOUDRE UN SYSTÈME D’ÉQUATIONS LINÉAIRES

A x = b où A est une matrice carrée d’ordre n

Il existe différentes méthodes :

→ par substitution

→ à l’aide de la matrice inverse :

adj A
x = A −1 b où A −1 =
A

20
 avec adj A = matrice transposée des cofacteurs de A

note : 1) la matrice que l’on obtient à partir de A en supprimant sa i ième ligne et sa

j ième colonne est notée Aij ;

2) le (i,j) ième mineur de A ou le mineur associé à l’élément a ij de A , noté M ij ,

est le déterminant de la matrice Aij : M ij = det Aij ;

3) le (i,j) ième cofacteur de A , noté Cij , est le scalaire : Cij = (−1) i + j M ij .

→ par la règle de Cramer :

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 .

Exemple : soit f ( x1 , x 2 , x3 ) = x12 + x1 x3 − x 2 + x 22 + x 2 x3 + 3 x32 . Trouvons le min ou la

max de cette fonction.

Les dérivées partielles de premier ordre sont données par :

f 1 = 2 x1 + x3 ; f 2 = − 1 + 2 x2 + x3 ; f 3 = x1 + x2 + 6 x3

On en déduit les CPO :

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⎥⎦

En appliquant la règle de Cramer, on trouve la solution de ce système d’équations :

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

dans un exemple précédent), nous savons que :

22
 ⎡ x1* ⎤ ⎡ 1 / 20 ⎤
⎢ *⎥
x = ⎢ x 2 ⎥ = ⎢⎢ 11 / 20 ⎥⎥
*
est un minimum de la fonction f ( x1 , x 2 , x3 ) .
⎢ x* ⎥ ⎢⎣− 2 / 20⎥⎦
⎣ 3⎦

• PROPRIÉTÉS DES MATRICES

→ Matrice symétrique : A = A ' , a ij = a ji ∀ (i , j )

⎡1 2 3⎤
Exemple :
⎢2 −1 0 ⎥⎥
⎢
⎢⎣ 3 0 4 ⎥⎦

→ matrices définies et semi-définies :

Soit A une matrice carrée. x ' A x donne une forme quadratique qui s’écrit :

⎡ 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

= a11 x12 + 2 a12 x1 x 2 + a 22 x 22 .

Rappel : la matrice A est définie positive si x ' A x > 0 ∀x ≠ 0 .

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 ' A x > 0 ∀x et les x tels que : b x = 0.

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

x ' F x < 0 ∀x ≠ 0.

La fonction g est strictement quasi-concave si sa matrice hessienne G satisfait la

⎡ ∂g ⎤
,

propriété : x ' G x < 0 ∀x et les x tels que ⎢ ⎥ x = 0.

⎣ ∂x ⎦

24