UNIVERSITE DE LOME Chargés du Cours: Pr Egbendéwé

Faculté des Sciences Economiques et de Gestion (FASEG)

Département des Sciences Economiques
Année académique 2023-2024

ECO 500 : MATHEMATIQUES POUR ECONOMISTES

OBJECTIF DU COURS: Ce cours vise à approfondir les notions de mathématiques à l’étudiant

de master d’économie en vue de le préparer à suivre avec succès les cours de base de théorie
économique qui sont la microéconomie, la macroéconomie et l’économétrie. En l’exposant à ces
concepts, ce cours prépare aussi l’étudiant à poursuivre ses études de PhD et d’être capable de
lire et de comprendre les articles écrits dans des revues de renommée internationale pour un
succès dans la vie professionnelle d’économiste et de chercheur.

MANUELS DE BASE:

Simon, C.P, Blume, L. (1994), Mathematics for Economists, 1st edition, Norton, New York

Mas-Colell, A., Whinston, M.D., Green, J.R., (1995), Microeconomic Theory, Oxford
University Press, Oxford

AUTRE MANUEL

Chiang, A., Wainwright, K. (2005), Fundamental Methods of Mathematics, 4th edition, Toronto:
McGraw Hill

LE PROGRAMME DU COURS

CHAP 1 : LES NOTIONS DE LIMITES, D’ENSEMBLES OUVERTS, D’ENSEMBLES

FERMES ET D’ENSEMBLES COMPACTS

CHAP 2: OPTIMISATION SOUS CONTRAINTES

CHAP 3: FONCTIONS HOMOGENES ET HOMOTHETIQUES

CHAP 4: LES FONCTIONS CONCAVES ET QUASICONCAVES

CHAP 5: LES VALEURS PROPRES ET LEVECTEURS PROPRES

1
 CHAP 1 : LES NOTIONS DE LIMITES, D’ENSEMBLES OUVERTS, D’ENSEMBLES
FERMES ET D’ENSEMBLES COMPACTS

Une préoccupation centrale en théorie économique est de connaitre l’effet d’un petit
changement d’une variable 𝑥 sur une autre variable 𝑦. Comment est-ce que le changement de 𝑥
dans un voisinage de 𝑥 ′ affecte 𝑦 ? Pour ce faire nous avons besoins de comprendre les notions
de petits changements et de voisinage. Pour atteindre les objectifs de ce chapitre nous allons
étudier les notions de suites de nombres réels, de limites, de voisinage, d’ensemble fermé,
d’ensemble ouvert et d’ensemble compact.

1.1. Les suites de nombre réels

Une suite de nombre réels consiste à affecter un nombre à chaque nombre naturel. Une suite est
généralement écrite comme{𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 } , où 𝑥1 est le nombre réel affecté au nombre naturel
1 et 𝑥2 est le nombre réel affecté au nombre naturel 2, etc…

Exemple de suites de nombres réels :

a) {1, 2, 3, 4, … }
1 1 1
b) {1, 2 , 3 , 4 , … }
c) {−1, 1, −1,1, … }

Note que le nième nombre de chaque suite est bien-défini(𝑥𝑛 ). Par exemple le nième nombre de la
suite a) est 𝑛, le nième nombre de la suite b) est 1/𝑛 et le nième nombre de suite c) est (−1)𝑛 .
Généralement une suite {𝑥1, 𝑥2 , 𝑥3 , … } est noté {𝑥𝑛 }∞
𝑛=1 .

Limites d’une suite

Il y a fondamentalement trois sortes de suites.

(i) Les suites dont les valeurs deviennent de plus en plus proches d’une valeur limite (ex.
b)
(ii) Les suites dont les valeurs croissent sans limite (ex. a)
(iii) Les suites qui ne croissent ni ne convergent mais font des sauts

Nous nous intéresseront plus aux suites qui approche une valeur et qui reste proche de cette
valeur appelé limite d’une suite.

Définition : Supposons que {𝑥1 , 𝑥2, 𝑥3 , … } est une suite de nombres réels et 𝑟 est un nombre réel.
Nous disons que 𝒓 est la limite de cette suite si pour tout petit nombre réel 𝜀, il y a un entier
positif 𝑁 tel que pour tout 𝑛 ≥ 𝑁, 𝑥𝑛 est dans l’intervalle autour de 𝑟; c’est-à-dire:

|𝑥𝑛 − 𝑟| < 𝜀,

Dans ce cas nous disons que la suite converge vers 𝑟 et on écrit

2
 lim 𝑥𝑛 = 𝑟 𝑜𝑢 lim 𝑥𝑛 = 𝑟 𝑜𝑢 𝑠𝑖𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡 𝑥𝑛 → 𝑟.
𝑛→∞

Exemple : Voici des suites qui convergent vers 0

1 1
1, 0, , 0, , 0, …,
2 3
1 1 1
1, − , , − , …,
2 3 4
Théorème 1.1 : Une suite peut avoir au plus une seule limite.

Preuve (omise)

Les propriétés algébriques des limites

Théorème 1.2: Supposons que {𝑥𝑛 }∞ ∞

𝑛=1 et {𝑦𝑛 }𝑛=1 sont des suites ayant pour limites 𝑥 𝑒𝑡 𝑦,
respectivement. Les suites {𝑥𝑛 + 𝑦𝑛 }∞
𝑛=1 convergent à la limite 𝑥 + 𝑦.

Preuve1 : Choisi et fixe un petit nombre positif 𝜀. [presque toutes preuves sur les limites
commence de cette manière]. Puisque nous savons que 𝑥𝑛 → 𝑥 et 𝑦𝑛 → 𝑦, il existe un entier 𝑁1
tel que :
𝜀
|𝑥𝑛 − 𝑥| < 𝑝𝑜𝑢𝑟 𝑛 ≥ 𝑁1
2
Et un entier 𝑁2 tel que:
𝜀
|𝑦𝑛 − 𝑦| < 𝑝𝑜𝑢𝑟 𝑛 ≥ 𝑁2
2
Soit 𝑁 = max{𝑁1 , 𝑁2 }. Donc pour tout 𝑛 ≥ 𝑁,

|(𝑥𝑛 + 𝑦𝑛 ) − (𝑥 + 𝑦)| = |(𝑥𝑛 − 𝑥) + (𝑦𝑛 − 𝑦)|

≤ |(𝑥𝑛 − 𝑥)| + |(𝑦𝑛 − 𝑦)|Par inégalité triangulaire

𝜀 𝜀
≤ +
2 2

𝜀. ∎

On peut aussi prouver que si 𝑥𝑛 → 𝑥 et 𝑦𝑛 → 𝑦, donc 𝑥𝑛 𝑦𝑛 → 𝑥𝑦.

1
Les preuves de la plupart des théorèmes sur les suites sont faites en utilisant l’inégalité triangulaire |𝑥 + 𝑦| ≤ |𝑥| +
|𝑦|, ∀𝑥, 𝑦. Certaines preuves utilisent une variante avec soustraction ||𝑥| − |𝑦|| ≤ |𝑥 − 𝑦|, ∀𝑥, 𝑦.

3
Théorème 1.3 : Supposons que {𝑥𝑛 }∞ ∞
𝑛=1 et {𝑦𝑛 }𝑛=1 sont des suites ayant pour limites 𝑥 𝑒𝑡 𝑦,
respectivement. La suite des produits {𝑥𝑛 𝑦𝑛 }∞
𝑛=1 converge à la limite 𝑥𝑦.

Preuve : (omise)

Théorème 1.4 : Supposons que {𝑥𝑛 }∞ 𝑛=1 est une suite ayant pour limites 𝑥, et supposons que 𝑏
est un nombre tel que 𝑥𝑛 ≤ 𝑏 pour tout 𝑛. Donc, 𝑥 ≤ 𝑏. Si 𝑥𝑛 ≥ 𝑏 pour tout 𝑛 donc 𝑥 ≥ 𝑏.

Preuve : Nous prouverons seulement la première partie du théorème et la preuve de la deuxième

partie est similaire.

Supposons que 𝑥𝑛 ≤ 𝑏 pour tout 𝑛 et supposons que 𝑥 ≥ 𝑏. Choisi 𝜀 tel que 0 < 𝜀 < 𝑥 − 𝑏;
donc 𝑏 < 𝑥 − 𝜀 et 𝐼𝜀 (𝑥) = (𝑥 − 𝜀, 𝑥 + 𝜀) est à droite de 𝑏 sur la ligne des nombres réels. Il y a
un entier 𝑁 tel que pour tout 𝑛 ≥ 𝑁, 𝑥𝑛 ∈ 𝐼𝜀 (𝑥). Pour ces 𝑥𝑛, 𝑏 < 𝑥𝑛 ; ce qui contredit
l’hypothèse que tous ces 𝑥𝑛 étaient inferieur à 𝑏. ∎

Exercices

Les suites dans 𝑹𝒎

Une suite dans 𝑅𝑚 affect un vecteur dans 𝑅𝑚 à tout entier naturel 𝑛: {𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , … } Pour
chacune des suites nous devons faire attention à deux types d’indices ; l’indice 𝑚 des coordonnes
de chaque vecteur et l’indice 𝑛 des éléments de la suite. Avant d’aborder l’étude de convergence,
nous devons définir la notion de proximité dans 𝑅𝑚 .

𝒅(𝑿, 𝒀) = ‖𝑿 − 𝒀‖ = √(𝑥1 − 𝑦1 )2 + ⋯ + (𝑥𝑛 − 𝑦𝑛 )2.

Par cette définition la distance entre deux nombres est la longueur de la ligne segment entre eux
comme indique la Figure 1.

(𝑥1 , 𝑥2 )

||X-Y||

(𝑦1 , 𝑦2 )

Figure 1: Distance entre deux vecteurs dans le plan

4
La distance définie par la norme Euclidienne de la différence est appelé la métrique
Euclidienne. L’inégalité triangulaire pour trois vecteurs X, Y, Z est donnée par,

‖𝑿 − 𝒁‖ = ‖(𝑿 − 𝒀) + (𝒀 − 𝒁)‖

≤ ‖𝑋 − 𝑌‖ + ‖𝑌 − 𝑍‖, Ou bien

𝑑(𝑿, 𝒁) ≤ 𝑑(𝑿, 𝒀) + 𝑑(𝒀, 𝒁).

La généralisation de l’intervalle de rayon 𝜀, 𝐼𝜀 (𝑟) autour d’un réel 𝑟 dans 𝑅1, est un ballon ou
une sphère dans 𝑅𝑚 .

Définition : Soit 𝒓 un vecteur dans 𝑹𝒎 et 𝜀 un nombre positif. La sphère autour de 𝒓 est notée

𝑩(𝒓) = {𝑿 ∈ 𝑹: ‖𝑿 − 𝒓‖ < 𝜀}.

Définition : Une suite de vecteurs {𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , … } converge au vecteur X si pour tout choix d’un
entier réel positif 𝜀, il y a un entier N tel que pour tout 𝑛 ≥ 𝑁, 𝑿𝒏 ∈ 𝐵(𝑿), c’est-à-dire,

𝑑(𝑿𝒏 , 𝑿) = ‖𝑿𝒏 − 𝑿‖ < 𝜀.

Le vecteur X est appelé limite de la suite.

𝑎 𝑎
Exemple : Construisons une suite {𝑿𝒏 }∞ 𝑛 𝑛+1
𝑛=1 dans laquelle 𝑿𝒏 = ( 𝑛 , 𝑛+1 ) ;

1 1 1 1 1 1 1 1 1
{(1, ) , ( , − ) , (− , − ) , (− , ) , ( , ) … }.
2 2 3 3 4 4 5 5 6

Notons que les 𝑿𝒏 bougent comme une montre dans 𝑹𝟐 de quadrant en quadrant et convergent
vers l’origine comme dans la Figure 2.

∎𝑥1

∎𝑥4
∎𝑥5

∎𝑥3
∎𝑥2

Figure 2: Convergence d’une suite dans Rm

5
Théorème 1.5 : Une suite de vecteurs dans 𝑹𝒎 converge si et seulement si tous les éléments
composants convergent dans 𝑹𝟏 .

Preuve (omise).

Théorème 2.6: Supposons que {𝑿𝑛 }∞ ∞ 𝒎

𝑛=1 et {𝒀𝑛 }𝑛=1 sont des suites de vecteurs dans 𝑹 ayant
pour limites 𝑿 𝑒𝑡 𝒀, respectivement, et supposons que {𝑐𝑛 }∞𝑛=1 est une suite de nombres réels qui
∞
converge à une limite 𝑐. La suite {𝑐𝑛 𝑿𝒏 + 𝒀𝑛 }𝑛=1converge vers la limite 𝒄𝑿 + 𝒀.

Preuve : (omise).

Définition : Le vecteur X est un point d’accumulation de la suite {𝑿𝑛 }∞

𝑛=1 si pour tout 𝜀 > 0 il
y a infiniment plusieurs entiers 𝑛 pour lesquels ‖𝑿𝒏 − 𝑿‖ < 𝜀.

Bien qu’une suite numérique puisse avoir plusieurs points d’accumulation, la limite d’une suite
est toujours unique.

Définition : Une suite {𝒀𝑛 }∞ 𝑚 ∞

𝑛=1 de vecteurs dans 𝑅 est une sous-suite de la suite {𝑿𝑛 }𝑛=1 dans
𝑹𝒎 si il existe un nombre infini croissant d’entier naturel {𝑛𝑗 } avec :

𝑛1 < 𝑛2 < 𝑛3 < 𝑛4 < ⋯,

Tel que 𝑌1 = 𝑋𝑛1 , 𝑌2 = 𝑋𝑛2 , 𝑌3 = 𝑋𝑛3 et ainsi de suite.

Une suite ayant des points d’accumulation peut ne pas avoir de limite.

Exercices

Ensembles ouverts
Notre discussion sur les suites numériques nous conduit naturellement à l’étude des notions
d’ensemble ouverts et d’ensemble fermé sur 𝑹𝒎 . Pour un vecteur z dans 𝑹𝒎 et un nombre
positif 𝜀, le 𝜀-sphère (𝜀 − 𝑏𝑎𝑙𝑙)autour de z est 𝐵𝜀 (𝒛) = {𝑿 ∈ 𝑹𝒎 : ‖𝑿 − 𝒛‖ < 𝜺}. Quelque fois
𝐵𝜀 (𝒛) est appelé 𝜀-sphère ouvert du 𝜀-sphère fermé{𝑿 ∈ 𝑹𝒎 : ‖𝑿 − 𝒛‖ ≤ 𝜺}, qui inclut aussi les
frontières de la sphère.

Définition : Un ensemble S défini dans 𝑹𝒎 est dit ouvert si pour chaque 𝑿 ∈ 𝑆, il existe une
sphère ouverte de rayon 𝜀 autour de 𝑿 complètement contenu dans S.

Un ensemble ouvert S contenant le point X est appelé un voisinage ouvert de X. Le mot ouvert
implique qu’il n’y a pas de frontière.

Exemple d’ensemble ouvert :

L’intervalle (0,1) ≡ {𝑥 ∈ 𝑅: 0 < 𝑥 < 1} est un ensemble ouvert. Si b est un point dans (0,1)
donc b doit être diffèrent de 0 et 1.

6
Théorème 1.7 Une sphère ouverte est un ensemble ouvert.

Preuve : Soit une sphère ouverte B autour de x; et y un point arbitraire dans B. Nous voudrons
montrer qu’il y a une sphère autour de y qui est complètement dans B. Soit 𝛿 = ‖𝑿 − 𝒚‖ ≤ 𝜀.
Nous allons montrer qu’une sphère ouverte V de rayon 𝜺 − 𝜹 autour de y est contenue dans B
comme le montre la Figure 3. Soit z un point arbitraire dans V.

Par l’inégalité triangulaire,

‖𝒛 − 𝑿‖ ≤ ‖𝒛 − 𝒚‖ + ‖𝒚 − 𝑿‖ < (𝜀 − 𝛿) + 𝛿 = 𝜀.

Donc 𝑉 ⊂ 𝐵. ∎

𝜀−𝛿 V
●y

●x

𝜀
B

Figure 3 : 𝑆𝑖 𝑦 ∈ 𝐵𝜀 (𝑋) 𝑒𝑡 𝛿 = ‖𝑋 − 𝑦‖, 𝑑𝑜𝑛𝑐 𝐵𝜀−𝛿 (𝑦) ⊂ 𝐵𝜀 (𝑋)

Théorème 1.8

(a) Toute union d’ensembles ouverts est ouverte

(b) Toute intersection de nombre fini d’ensembles ouverts est ouverte

Preuve (omise)

Intérieur d’un ensemble

Définition : Supposons que S est un sous ensemble de 𝑹𝒎 . Supposons que 𝒊𝒏𝒕 𝑺 dénote l’union
de tous les ensembles ouverts contenus dans S. L’ensemble ouvert S est appelé intérieur de S.

7
Par cette définition on peut dire que l’intérieur d’un ensemble est le plus large ensemble ouvert
contenu dans cet ensemble. Ex : l’intérieur de [a,b) est (a,b).

Ensemble Fermé
Définition : Un ensemble S dans 𝑹𝒎 est fermé lorsque pour toute suite convergente {𝑿𝑛 }∞
𝑛=1
complétement contenu dans S, la limite de la suite est aussi contenue dans S.

Contrairement à un ensemble ouvert, un ensemble fermé contient aussi les points de ses
frontières. En fait, la notion d’ensemble fermé et d’ensemble ouvert sont complémentaires.

Théorème 2.9 : Un ensemble S dans 𝑹𝒎 est fermé si et seulement si son complément 𝑺𝒄 =

𝑹𝒎 − 𝑺, est ouvert.

Preuve : (Omise)

Théorème 1.10

(a) Toute intersection d’ensembles fermés est fermée.

(b) Toute union finie d’ensembles fermés est fermée.

Définition : Supposons que S est un sous ensemble de 𝑹𝒎 . Dénotons par 𝑐𝑙𝑺 l’intersection de
tous les ensembles fermés contenant S. L’ensemble fermé 𝑐𝑙𝑺 est appelé fermeture de S.

Théorème 1.11 Supposons que S est un ensemble dans 𝑹𝟏 . Donc x est dans la fermeture de S si
et seulement si une suite de points dans S converge vers x.

Définition : Un point x est à la frontière d’un ensemble S si une sphère ouverte autour de x
contient les points dans S et dans son complément.

Théorème 1.12 : L’ensemble des points à la frontière d’un ensemble S est égal à 𝑐𝑙𝑺 ∩ 𝑐𝑙𝑺𝑐 .

Ensemble compact
Définition : Un ensemble S dans 𝑹𝒏 est compact si et seulement s’il est fermé et est borné.

Rappelons qu’un ensemble S dans 𝑹𝒏 est dit borné s’il existe un nombre B tel que‖𝑿‖ ≤ 𝑩,
pour tout 𝑋 ∈ 𝑆, c’est-à-dire si S est contenu dans une sphère dans 𝑹𝒏 .

Théorème 1.13 Toute suite contenue dans un intervalle fermé et borné [0, 1] a une sous-suite
convergente.

Preuve (Omise)

Théorème 2.14 Soit C un sous ensemble compact dans 𝑹𝒎 et {𝒙𝒏}∞ 𝒏=𝟏 une suite en C. Donc
∞
{𝒙𝑛 }𝑛=1 a une sous-suite convergente dont la limite est contenue dans C.

8
 CHAP 2: OPTIMISATION SOUS CONTRAINTES

Une préoccupation économique importante est de connaitre la valeur optimale d’une certaine
décision économique sous certaines conditions appelées contraintes. Le problème mathématique
qui se pose donc consiste à maximiser, ou à minimiser une fonction objective (utilité, profit,
coût, etc…) à plusieurs variables où ces variables sont limitées par certaines équations
contraignantes.

Exemple 1 : (Problème de Maximisation de l’Utilité)

𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒 𝑈(𝑥1, … , 𝑥𝑛 )

Sous contrainte de : 𝑝1 𝑥1 + 𝑝1 𝑥2 … + 𝑝𝑛 𝑥𝑛 ≤ 𝐼,

𝑥1 ≥ 0, 𝑥2 ≥ 0, … , 𝑥𝑛 ≥ 0.

Pour être cohérent on peut écrire les contraintes de non négativité comme−𝑥𝑖 ≤ 0.

Exemple 2 : (Problème de Maximisation de l’Utilité avec choix Travail/Loisirs)

𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒 𝑈(𝑥1, … , 𝑥𝑛 , 𝑙1 )

Sous contrainte de : 𝑝1 𝑥1 + 𝑝1 𝑥2 … + 𝑝𝑛 𝑥𝑛 ≤ 𝐼 ′ + 𝑤𝑙0 ,

𝑙0 + 𝑙1 = 24,

𝑥1 ≥ 0, … , 𝑥𝑛 ≥ 0, 𝑙0 ≥ 0, 𝑙1 ≥ 0.

Dans cet exemple 𝑤 est le taux de salaire, 𝐼 ′ est le revenu non salariale, 𝑙0 est le temps de travail
et 𝑙1 est temps de loisirs.

Exemple 3 : (Problème de Maximisation de Profit d’une Firme en Concurrence Parfaite)

Si 𝑦 = 𝑓(𝑥1 , … , 𝑥𝑛 ) est une fonction de production avec plusieurs inputs 𝑥1 , … , 𝑥𝑛, 𝑝 le prix
unitaire de l’output, et 𝑤𝑖 est prix de ‘l’input 𝑖 donc le but de la firme est de maximiser son
profit.

Maximise Π(𝑥1 , … , 𝑥𝑛 ) = 𝑝𝑓(𝑥1 , … , 𝑥𝑛 ) − ∑𝑛𝑖=1 𝑤𝑖 𝑥𝑖

Sous contraintes de : 𝑝𝑓(𝑥1 , … , 𝑥𝑛 ) − ∑𝑛𝑖=1 𝑤𝑖 𝑥𝑖 ≥ 0,

𝑔1 (𝑥) ≤ 𝑏1 , … , 𝑔𝑘 (𝑥) ≤ 𝑏𝑘 ,

𝑥1 ≥ 0, … , 𝑥𝑛 ≥ 0.

9
2.1 Les contraintes avec égalité

Nous allons considérer le problème de maximisation et de minimisation de la fonction

𝑓(𝑥1, … , 𝑥𝑛 ) à 𝑛 variables et 𝑚 contraintes d’égalité. Les fonctions de contraintes
sont ℎ1 (𝑿), … , ℎ𝑚 (𝑿).

𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒 𝑜𝑢 𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑒 𝑓(𝑥1 , … , 𝑥𝑛 )

Sous contraintes de : 𝐶ℎ = {𝑿 = (𝑥1 , … , 𝑥𝑛 )|ℎ1 (𝑿) = 𝑎1 , … , ℎ𝑚 (𝑿) = 𝑎𝑚 }.

Dans le cas d’une seule contrainte, les conditions de qualification des contraintes exigent que
certaines dérivées premières partielles de ℎ ne sont pas nulles a l’optimum de 𝑿∗ :

𝜕ℎ ∗ 𝜕ℎ 𝜕ℎ
( (𝑿 ), (𝑿∗ ), … , (𝑿∗ )) ≠ (0,0, … ,0)
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛

Dans le cas de 𝑚 > 1, le rang de la matrice Jacobienne 𝐷𝒉(𝑿∗ ) des dérivées des fonctions de
contraintes au point 𝑿∗ est de rang inférieur à𝑚. La généralisation des contraintes de
qualification est que le rang de la matrice 𝐷𝒉(𝑿∗ ) soit la plus large possible. D’une façon
formelle nous disons que (ℎ1 , … , ℎ𝑚 ) satisfait les conditions de nondegenerate constraint
qualification (NDCQ).

Théorème 2.1 Soit 𝑓, ℎ1 , … , ℎ𝑚 des fonctions de 𝐶 1 à 𝑛 variables. Considérons le problème de

maximisation (ou de minimisation) de 𝑓(𝑿) sous des contraintes

𝐶ℎ = {𝑿 = (𝑥1, … , 𝑥𝑛 )|ℎ1 (𝑿) = 𝑎1 , … , ℎ𝑚 (𝑿) = 𝑎𝑚 }.

Supposons que 𝑿∗ ∈ 𝐶ℎ et que 𝑿∗ est un maximum ou un minimum (local) de 𝑓 sur 𝐶ℎ .

Supposons que 𝑿∗ satisfait les conditions de NDCQ. Donc il existe 𝜇1∗ , … , 𝜇𝑚 ∗
tel que
∗ ∗ ∗ ∗ ∗ ∗
(𝑥1 , … . , 𝑥𝑛 , 𝜇1 , … , 𝜇𝑚 ) ≡ (𝑿 , 𝜇 ) est un point critique du Lagrangien :

𝐿(𝑿, 𝝁) = 𝑓(𝑿) − 𝜇1 [ℎ1 (𝑿) − 𝑎1 ] − ⋯ − 𝜇𝑚 [ℎ𝑚 (𝑿) − 𝑎𝑚 ].

En d’autres termes :

𝜕𝐿 𝜕𝐿
(𝑿∗ , 𝝁∗ ) = 0, … , (𝑿∗ , 𝝁∗ ) = 0,
𝜕𝑥1 𝜕𝑥𝑛

𝜕𝐿 𝜕𝐿
(𝑿∗ , 𝝁∗ ) = 0, … , (𝑿∗ , 𝝁∗ ) = 0.
𝜕𝜇1 𝜕𝜇𝑚

2.2 Les contraintes avec inégalité

10
Théorème 3.2 Soit 𝑓, 𝑔1 , … , 𝑔𝑘 des fonctions de 𝐶 1 à 𝑛 variables. Supposons que 𝑿∗ ∈ 𝑅𝑛
maximise localement 𝑓 sous 𝑘 contraintes d’inégalités définies par :

𝒈𝟏 (𝑥1, … , 𝑥𝑛 ) ≤ 𝑏1 , … . , 𝒈𝒌 (𝑥1 , … , 𝑥𝑛 ) ≤ 𝑏𝑘 .

Supposons que les premières 𝑘0 sont satisfait avec égalité à 𝑿∗ et que 𝑘 − 𝑘0 sont satisfaites sont
satisfaites avec inégalité. Supposons que les contraintes qui sont satisfaites aves égalité
respectent les conditions de NDCQ, c’est-à-dire que le rang de la matrice Jacobienne à 𝑿∗ de ces
contraintes est 𝑘0 ou plus large que possible.

A partir de Lagrangien,

𝐿(𝑿, 𝝀) = 𝑓(𝑿) − 𝜆1 [𝑔1 (𝑿) − 𝑏1 ] − ⋯ − 𝜆𝑘 [𝑔𝑘 (𝑿) − 𝑏𝑘 ].

Il existe 𝜆∗1 , … , 𝜆∗𝑘 tel que :

𝜕𝐿 𝜕𝐿
(a) (𝑿∗ , 𝝀∗ ) = 0, … , (𝑿∗ , 𝝀∗ ) = 0,
𝜕𝑥1 𝜕𝑥𝑛

(b) 𝜆∗1 [𝑔1 (𝑿∗ ) − 𝑏1 ] = 0, … , 𝜆∗𝑘 [𝑔𝑘 (𝑿∗ ) − 𝑏𝑘 ] = 0,

(c) 𝜆∗1 ≥ 0, … , 𝜆∗𝑘 ≥ 0,

(d) 𝑔1 (𝑿∗ ) ≤ 𝑏1 , … , 𝑔𝑘 (𝑿∗ ) ≤ 𝑏𝑘 .

2.3 Les contraintes mixtes avec égalité et inégalité

Théorème 3.3 Soit 𝑓, 𝑔1 , … , 𝑔𝑘 , ℎ1 , … , ℎ𝑚 des fonctions de 𝐶 1 à 𝑛 variables. Supposons que

𝑿∗ ∈ 𝑅𝑛 maximise localement 𝑓 sous 𝑘 contraintes d’inégalités et 𝑚 contraintes d’égalité
définies par :

𝒈𝟏 (𝑥1, … , 𝑥𝑛 ) ≤ 𝑏1 , … . , 𝒈𝒌 (𝑥1 , … , 𝑥𝑛 ) ≤ 𝑏𝑘

𝒉𝟏 (𝑥1, … , 𝑥𝑛 ) = 𝑐1 , … . , 𝒉𝒎 (𝑥1 , … , 𝑥𝑛 ) = 𝑐𝑚

Supposons que les premières 𝑘0 sont satisfait avec égalité à 𝑿∗ et que 𝑘 − 𝑘0 sont satisfaites avec
inégalité. Supposons que les contraintes qui sont satisfaites avec égalité respectent les conditions
de NDCQ, c’est-à dire que le rang de la matrice Jacobienne à 𝑿∗ de ces contraintes est 𝑘0 + 𝑚 ou
plus large que possible.

A partir du lagrangien :

𝐿(𝑿, 𝝀, 𝝁) ≡ 𝑓(𝑿) − 𝜆1 [𝑔1 (𝑿) − 𝑏1 ] − ⋯ − 𝜆𝑘 [𝑔𝑘 (𝑿) − 𝑏𝑘 ] − 𝜇1 [ℎ1 (𝑿) − 𝑐1 ] − ⋯

− 𝜇𝑚 [ℎ𝑚 (𝑿) − 𝑐𝑚 ]

Il existe des multiplicateurs 𝜆∗1 , … , 𝜆∗𝑘 , 𝜇1∗ , … , 𝜇𝑘∗ tel que :

11
 𝜕𝐿 𝜕𝐿
(a) (𝑿∗ ) = 0, … , (𝑿∗ ) = 0,
𝜕𝑥1 𝜕𝑥𝑛

(b) 𝜆∗1 [𝑔1 (𝑿∗ ) − 𝑏1 ] = 0, … , 𝜆∗𝑘 [𝑔𝑘 (𝑿∗ ) − 𝑏𝑘 ] = 0,

(c) ℎ1 (𝑿∗ ) = 𝑐1 , … , ℎ𝑚 (𝑿∗ ) = 𝑐𝑚

(d) 𝜆∗1 ≥ 0, … , 𝜆∗𝑘 ≥ 0,

(e) 𝑔1 (𝑿∗ ) ≤ 𝑏1 , … , 𝑔𝑘 (𝑿∗ ) ≤ 𝑏𝑘 .

2.4 La Formulation de Kuhn-Tucker

La plupart des problèmes économiques sont formulés comme des problèmes de maximisation
avec des contraintes d’inégalités et des contraintes de non-négativités comme suit :
𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒 𝑓(𝑥1 , … , 𝑥𝑛 )

Sous contrainte de : 𝒈𝟏 (𝑥1, … , 𝑥𝑛 ) ≤ 𝑏1 , … . , 𝒈𝒌 (𝑥1 , … , 𝑥𝑛 ) ≤ 𝑏𝑘 ,

𝑥1 ≥ 0, … , 𝑥𝑛 ≥ 0

Le Lagrangien de ce problème peut s’écrire comme :

𝐿(𝑿, 𝝀, 𝝂) = 𝑓(𝑿) − 𝜆1 [𝑔1 (𝑿) − 𝑏1 ] − ⋯ − 𝜆𝑘 [𝑔𝑘 (𝑿) − 𝑏𝑘 ] + 𝑣1 𝑥1 + ⋯ + 𝑣𝑛 𝑥𝑛 .

Les conditions de premier ordre est :

𝜕𝐿 𝜕𝑓 𝜕𝑔1 𝜕𝑔𝑘
= − 𝜆1 − ⋯ − 𝜆𝑘 + 𝑣1 = 0,
𝜕𝑥1 𝑥1 𝑥1 𝑥1

𝜕𝐿 𝜕𝑓 𝜕𝑔1 𝜕𝑔𝑘
= − 𝜆𝑛 − ⋯ − 𝜆𝑘 + 𝑣𝑛 = 0,
𝜕𝑥𝑛 𝑥𝑛 𝑥𝑛 𝑥𝑛

𝜕𝐿
𝜆∗1 [𝑔1 (𝑿∗ ) − 𝑏1 ] = −𝜆1 = 0,
𝜕𝜆1

12
 𝜕𝐿
𝜆∗𝑘 [𝑔𝑘 (𝑿∗ ) − 𝑏𝑘 ] = −𝜆𝑘 = 0,
𝜕𝜆𝑘

𝑣1 𝑥1 = 0,

. (a)

𝑣𝑛 𝑥𝑛 = 0,

𝜆1 , … , 𝜆𝑘 , 𝑣1 , … , 𝑣𝑛 ≥ 0,

Plus les contraintes du problème.

Kuhn et Tucker ont travaillé avec un lagrangien qui n’a pas inclut les contraintes de non-
négativité comme suit :

𝐿̅ (𝑿, 𝝀) ≡ 𝑓(𝑿) − 𝜆1 [𝑔1 (𝑿) − 𝑏1 ] − ⋯ − 𝜆𝑘 [𝑔𝑘 (𝑿) − 𝑏𝑘 ]

Nous appellerons 𝐿̅ le Lagrangien de Kuhn et Tucker.

Notons que :

𝐿(𝑿, 𝝀) = 𝐿̅ (𝑿, 𝝀) + 𝑣1 𝑥1 + ⋯ + 𝑣𝑛 𝑥𝑛 . Donc les conditions de premier ordre par rapport a 𝑥𝑗

pour 𝑗 = 1, … , 𝑛 peuvent être réécrites comme :
𝜕𝐿 𝜕𝐿̅ 𝜕𝐿̅
= 𝜕𝑥 + 𝑣𝑗 = 0, ⇒ 𝜕𝑥 = −𝑣𝑗 (b)
𝜕𝑥𝑗 𝑗 𝑗

Par la condition (a) et (b) et l’équation 𝑣𝑗 ≥ 0,

𝜕𝐿̅ 𝜕𝐿̅
≤ 0 𝑒𝑡 𝑥𝑗 𝑥 = 0 (c)
𝑥𝑗 𝑗

D’autre part pour tout 𝑿 nous avons

𝜕𝐿̅ 𝜕𝐿
= 𝜕𝜆 = 𝑏𝑗 − 𝑔𝑗 (𝑋) ≥ 0 (d)
𝜕𝜆𝑗 𝑗

En combinant (a), (c) et (d), Nous trouvons que les conditions de premier ordre en terme du
Lagrangien de Kuhn-Tucker sont :
𝜕𝐿̅ 𝜕𝐿̅ 𝜕𝐿̅ 𝜕𝐿̅
≤ 0, … , 𝑥 ≤ 0, ≥ 0, … , 𝜆 ≥ 0,
𝑥1 𝑛 𝜆1 𝑘

13
 𝜕𝐿̅ 𝜕𝐿̅ 𝜕𝐿̅ 𝜕𝐿̅
𝑥1 𝑥 = 0, … , 𝑥𝑛 𝑥 = 0, 𝜆1 𝜆 = 0, … , 𝜆𝑘 𝜆 = 0
1 𝑛 1 𝑘

L’avantage de la formulation de Kuhn-Tucker c’est que cela implique moins d’équations et

d’inconnues(𝑛 + 𝑘) que la formulation ordinaire(2𝑛 + 𝑘).

Exemple : Pour le problème de maximisation de l’utilité du consommateur, les conditions de

premier ordre de Kuhn-Tucker seront :

𝐿̅ (𝑥1 , 𝑥2 , 𝜆) = 𝑈(𝑥1, 𝑥2 ) − 𝜆(𝑝1 𝑥1 + 𝑝2 𝑥2 − 𝐼),

Et les conditions de premier ordre sont :

𝜕𝑈 𝜕𝑈
− 𝜆𝑝1 ≤ 0, − 𝜆𝑝2 ≤ 0
𝜕𝑥1 𝜕𝑥2

𝜕𝑈 𝜕𝑈
𝑥1 (𝜕𝑥 − 𝜆𝑝1 ) = 0, 𝑥2 (𝜕𝑥 − 𝜆𝑝2 ) = 0
1 2

𝜕𝐿̅ 𝜕𝐿̅
= 𝐼 − 𝑝1 𝑥1 − 𝑝2 𝑥2 ≥ 0, 𝜆 𝜕𝜆 = 𝜆(𝐼 − 𝑝1 𝑥1 − 𝑝2 𝑥2 ) = 0.
𝜕𝜆

2.5 La signification du multiplicateur de Lagrange

Nous allons monter dans cette section que le multiplicateur de Lagrange mesure la sensitivité de
la valeur optimale de la fonction objective aux valeurs situées à droite des contraintes. Comme
résultat, ils donnent la mesure de la valeur des ressources rares dans les problèmes
d’optimisation économiques.

Problème avec une seule contrainte et deux variables (1)

𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒 𝑓(𝑥, 𝑦)

Sous contrainte de : ℎ(𝑥, 𝑦) = 𝑎

Théorème 2.4 : Soit 𝑓 𝑒𝑡 ℎ des fonctions de 𝐶 1 a deux variables. Pour toute valeur fixée du
paramètre 𝑎 supposons que (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎)) est la solution du problème (1) avec pour
multiplicateur de Lagrange correspondant 𝜇∗ (𝑎). Supposons que 𝑥 ∗ , 𝑦 ∗ , 𝑒𝑡 𝜇 ∗ sont des fonctions
de 𝐶 1 de 𝑎 et que la condition de NDCQ est satisfaite a (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇 ∗ (𝑎)). Donc,
𝑑
𝜇 ∗ (𝑎) = 𝑑𝑎 𝑓(𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎)) (2)

Preuve :

Le Lagrangien du problème (1) est :

𝐿(𝑥, 𝑦, 𝜇; 𝑎) ≡ 𝑓(𝑥, 𝑦) − 𝜇[ℎ(𝑥, 𝑦) − 𝑎] (3)

14
La solution (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇∗ (𝑎)) satisfait les équations suivantes :
𝜕𝐿
0= (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇 ∗ (𝑎); 𝑎)
𝜕𝑥

𝜕𝑓 𝜕ℎ
= 𝜕𝑥 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇∗ (𝑎)) − 𝜇∗ (𝑎) 𝜕𝑥 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇 ∗ (𝑎)),

𝜕𝐿
0 = 𝜕𝑦 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇∗ (𝑎); 𝑎) (4)

𝜕𝑓 𝜕ℎ
= 𝜕𝑦 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇 ∗ (𝑎)) − 𝜇∗ (𝑎) 𝜕𝑦 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎), 𝜇 ∗ (𝑎)), ∀ 𝑎

En plus puisque ℎ(𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎)) = 𝑎, ∀ 𝑎, nous avons :

𝜕ℎ ∗ ∗ 𝑑𝑥 ∗ 𝜕ℎ ∗ ∗ 𝑑𝑦 ∗
(𝑥 , 𝑦 ) (𝑎) + (𝑥 , 𝑦 ) (𝑎) = 1
𝜕𝑥 𝑑𝑎 𝜕𝑦 𝑑𝑎

Maintenant en utilisant the Chain Rule et les équations (4) et (5), nous avons :

𝑑 ∗ (𝑎), ∗ (𝑎))
𝜕𝑓 ∗ ∗
𝑑𝑥 ∗ 𝜕𝑓 ∗ ∗
𝑑𝑦 ∗
𝑓(𝑥 𝑦 = (𝑥 (𝑎), 𝑦 (𝑎)) (𝑎) + (𝑥 (𝑎), 𝑦 (𝑎)) (𝑎)
𝑑𝑎 𝜕𝑥 𝑑𝑎 𝜕𝑦 𝑑𝑎
𝜕ℎ 𝑑𝑥 ∗ 𝜕ℎ 𝑑𝑦 ∗
= 𝜇 ∗ 𝜕𝑥 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎)) (𝑎) + 𝜇 ∗ (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎)) (𝑎)
𝑑𝑎 𝜕𝑦 𝑑𝑎

𝜕ℎ 𝑑𝑥 ∗ 𝜕ℎ 𝑑𝑦 ∗
= 𝜇 ∗ [𝜕𝑥 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎)) 𝑑𝑎 (𝑎) + 𝜕𝑦 (𝑥 ∗ (𝑎), 𝑦 ∗ (𝑎)) (𝑎)]
𝑑𝑎

= 𝜇 ∗ . 1∎

2.6 Le théorème de l’enveloppe

Le théorème de l’enveloppe nous informe sur la sensibilité de la fonction objectif suite au

changement d’un paramètre cette fonction.

Théorème 3.5 : Soit 𝑓(𝑿; 𝑎) une fonction de 𝐶 1 de 𝑿 ∈ 𝑅𝑛 et 𝑎 un scalaire. Pour tout choix de
𝑎, considérons le problème de maximisation sans contrainte suivant :

𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒 𝑓(𝑿; 𝑎) sur X. (5)

Soit 𝑿∗ (𝑎) une solution du problème (5). Supposons que 𝑿∗ (𝑎) est une fonction de 𝐶 1 de 𝑎,
donc

𝑑 𝜕
𝑓(𝑿∗ (𝑎); 𝑎) = 𝑓(𝑿∗ (𝑎); 𝑎).
𝑑𝑎 𝜕𝑎
Preuve :

15
En utilisant the Chain Rule nous avons :

𝑑 ∗ (𝑎);
𝜕𝑓 ∗ 𝑑𝑥𝑖∗ 𝜕
𝑓(𝑿 𝑎) = ∑ (𝑿 (𝑎); 𝑎). + 𝑓(𝑿∗ (𝑎); 𝑎). 1
𝑑𝑎 𝜕𝑥𝑖 𝑑𝑎 𝜕𝑎
𝑖

𝜕
= 𝜕𝑎 𝑓(𝑿∗ (𝑎) ; 𝑎),

𝜕𝑓
Puisque les conditions de premier ordre exigent que (𝑿∗ (𝑎); 𝑎) = 0 pour tout 𝑖 = 1, … , 𝑛. ∎
𝜕𝑥𝑖

La généralisation du théorème de l’enveloppe traite avec les problèmes avec contraintes dans
lesquels il y a des paramètres aussi bien dans la fonction objective que dans les contraintes. Cette
généralisation du théorème est donnée dans le théorème suivant.

Théorème 2.6 : Soit 𝑓, ℎ1 , … , ℎ𝑘 : 𝑅𝑛 × 𝑅1 → 𝑅1 soit 𝐶 1 fonctions. Soit 𝑿∗ (𝑎) =

(𝑥1∗ (𝑎), … , 𝑥𝑛∗ (𝑎)) la solution du problème de maximisation 𝑋 → 𝑓(𝑿; 𝑎) sur l’ensemble des
contraintes,

ℎ1 (𝑋; 𝑎) = 0, … , ℎ𝑘 (𝑋; 𝑎) = 0,

pour tout choix du paramètre 𝑎. Supposons que 𝑿∗ (𝑎) et les multiplicateurs de Lagrange
𝜇1 (𝑎), … , 𝜇𝑘 (𝑎) sont des fonctions de 𝐶 1 de 𝑎 et que les conditions de NDCQ sont satisfaits,
Alors,

𝑑 𝜕𝐿 ∗
𝑓(𝑿∗ (𝑎); 𝑎) = (𝑿 (𝑎), 𝜇(𝑎); 𝑎),
𝑑𝑎 𝜕𝑎
Avec 𝐿 étant le Lagrangien naturel du problème.

16
 CHAP 3: FONCTIONS HOMOGENES ET HOMOTHETIQUES

Les économistes travaillent souvent avec des fonctions qui ont des propriétés désirables telles
que l’homogénéité et la convexité. Par exemple la fonction de demande est homogène de dégrée
zéro dans les prix et le revenu. Comme nous le verrons par la suite, les notions d’homogénéité et
de concavité sont des propriétés cardinales alors que l’homothéticité est une propriété ordinale
analogue à l’homogénéité et la quasi-concavité est la propriété ordinale analogue à la concavité.

3.1 Les fonctions homogènes

Définition : Pour tout scalaire 𝑘, une fonction de valeur réelle 𝑓(𝑥1, … , 𝑥𝑛 ) est homogene de
dégrée 𝑘 si :

𝑓(𝑡𝑥1, … , 𝑡𝑥𝑛 ) = 𝑡 𝑘 𝑓(𝑥1 , … 𝑥𝑛 ), pour tout 𝑥1, … , 𝑥𝑛 et tout 𝑡 > 0.

Les propriétés des fonctions homogènes

Théorème 3.1 : Soit 𝑧 = 𝑓(𝑿) une fonction de 𝐶 1, sur un cône ouvert dans 𝑹𝑛 . Si 𝑓 est
homogène de dégrée 𝑘, ses dérivées partielles de premier ordre sont homogènes de dégrée 𝑘 − 1.

Preuve :

Par définition des fonctions homogènes nous avons :

𝑓(𝑡𝑥1, … , 𝑡𝑥2 ) = 𝑡 𝑘 𝑓(𝑥1 , … 𝑥𝑛 ),

En prenant la dérivée partielle de l’expression ci-dessus par rapport 𝑥1 utilisant le Chain Rule,
nous avons

𝜕 𝜕
𝑓(𝑡𝑥1, … , 𝑡𝑥2 ). 𝑡 = 𝑡 𝑘 𝑓(𝑥1, … 𝑥𝑛 ),
𝜕𝑥1 𝜕𝑥1

En divisant cette expression par 𝑡 nous avons :

𝜕 𝜕
𝑓(𝑡𝑥1, … , 𝑡𝑥2 ) = 𝑡 𝑘−1 𝑓(𝑥1 , … 𝑥𝑛 ), ∎
𝜕𝑥1 𝜕𝑥1

Théorème 3.2 : Soit 𝑈(𝑿) une fonction d’utilité définit sur 𝑹𝑛 qui est homogènes de dégrée 𝑘.
Alors,

(i) Le taux marginal de substitution (TMS) est constant le long des sentiers d’expansion
partant de l’origine

(ii) Le sentier d’expansion du revenu passe par l’origine

(iii) La fonction de demande correspondant dépend linéairement du revenu.

17
 (iv) L’élasticité de la demande par rapport au revenu est identiquement égale à l’unité

Soit 𝑞 = 𝑓(𝑿) une fonction de production sur 𝑹𝑛+ qui est homogène de dégrée 𝑘. Alors,

(i) Le taux marginal de substitution technique(TMST) est constant le long du sentier

d’expansion passant par l’origine et
1
(ii) La fonction de cout correspondante est homogène de dégrée 𝑘 : 𝐶(𝑞) = 𝑏𝑞1/𝑘 .

Théorème 3.2 : (Théorème d’Euler) Soit 𝑓(𝑿) une fonction de 𝐶 1 définit sur 𝑹𝑛 qui est
homogènes de dégrée 𝑘. Alors, pour tout 𝑿,

𝜕𝑓 𝜕𝑓 𝜕𝑓
𝑥1 (𝑿) + 𝑥2 (𝑿) + ⋯ + 𝑥𝑛 (𝑿) = 𝑘𝑓(𝑿)
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛

Ou en termes de gradient,

𝑿. ∇𝑓(𝑿) = 𝑘𝑓(𝑿).

Preuve :

Simplement différentions l’équation donnée dans la définition d’une fonction homogènes par
rapport a 𝑡 et remplaçons 𝑡 = 1.

𝑑 𝑑𝑓 𝑑𝑓
𝑓(𝑡𝑥1 , … , 𝑡𝑥𝑛 ) = (𝑡𝑿). 𝑥1 + ⋯ + (𝑡𝑿). 𝑥𝑛
𝑑𝑡 𝜕𝑥1 𝜕𝑥𝑛

𝜕 𝑘
[𝑡 𝑓(𝑥1 , … 𝑥𝑛 )] = 𝑘𝑡 𝑘−1 𝑓(𝑥1, … 𝑥𝑛 ).
𝜕𝑡
Les expressions de droite de ces deux équations sont identiques par définition des fonctions
homogènes. Le résultat final est obtenu en posant que 𝑡 = 1. ∎

Homogénéisation d’une fonction

Théorème 3.3 : Soit (𝑥1, … 𝑥𝑛 ) → 𝑓(𝑥1 , … 𝑥𝑛 ) soit une fonction d’un cône C définit dans 𝑹𝑛 .
Soit 𝑘 un entier. Définissons une nouvelle fonction de 𝑛 + 1 variables par
𝑥1 𝑥𝑛
𝐹(𝑥1 , … 𝑥𝑛 , 𝑧) = 𝑧 𝑘 . 𝑓 ( , … , ).
𝑧 𝑧
Alors, 𝐹 est une fonction homogène de dégrée 𝑘 sur le cône 𝐶 × 𝑹+ dans 𝑹𝒏+𝟏 . Comme 𝑓(𝑿) =
𝐹(𝑿, 1) pour tout 𝑿 ∈ 𝐶, nous pouvons considérer 𝑓 comme la restriction de 𝐹 a un ensemble de
𝑛 −dimensions de 𝑹𝒏+𝟏 .

Preuve : Pour tout 𝑡 ∈ 𝑅+ et (𝑿, 𝒛) ∈ 𝑪 × 𝑹+ ,

18
 1
𝐹(𝑡𝑋, 𝑡𝑧) = (𝑡𝑧)𝑘 𝑓( 𝑡𝑿)
𝑡𝑧
1
= 𝑡 𝑘 . 𝑧 𝑘 𝑓( 𝑿)
𝑧
= 𝑡 𝑘 𝐹(𝑿, 𝑧)∎

Exemple 1:

Si 𝑓(𝑥) = 𝑥 𝑎 𝑠𝑢𝑟 𝑹+, donc son homogénéisation de degré 1 est:

𝑥 𝑎
𝐹(𝑥, 𝑦) = 𝑦 ( ) = 𝑥 𝑎 𝑦 1−𝑎
𝑦

Exemple 2 :

Si 𝑓 est une fonction non homogène 𝑥 → 𝑥 − 𝑎𝑥 2, donc son homogénéisation de degré 1 est:
𝑥
𝐹(𝑥, 𝑦) = 𝑦. 𝑓 ( )
𝑦

𝑥 𝑥 2
= 𝑦 [(𝑦 ) − 𝑎 (𝑦) ]

𝑥2
= 𝑥 −𝑎𝑦 .

3.2 Les fonctions homothétiques

Définition : Une fonction 𝑣: 𝑹𝑛+ → 𝑹 est dite homothétique si elle est une transformation
monotone d’une fonction homogène, c’est-à-dire si il y a une transformation monotone 𝑧 → 𝑔(𝑧)
de 𝑹+et une fonction homogène 𝑢: 𝑹𝑛+ → 𝑹 telle que 𝒗(𝑿) = 𝒈(𝒖(𝑿)) pour tout 𝑋 dans le
domaine.

Caractérisation des fonctions homothétiques

Définition : Si 𝑋, 𝑌 ∈ 𝑹𝑛 , nous avons :

𝑿 ≥ 𝒀 𝑠𝑖 𝑥𝑖 ≥ 𝑦𝑖 𝑝𝑜𝑢𝑟 𝑖 = 1, … , 𝑛

𝑿 > 𝒀 𝑠𝑖 𝑥𝑖 > 𝑦𝑖 𝑝𝑜𝑢𝑟 𝑖 = 1, … , 𝑛

Une fonction 𝑢: 𝑹𝑛+ → 𝑹 est monotone si pour tout 𝑿, 𝒀 ∈ 𝑹𝒏+ ,

𝑿 ≥ 𝒀 ⇒ 𝑢(𝑿) ≥ 𝑢(𝒀)

La fonction 𝑢 est strictement monotone si pour tout 𝑿, 𝒀 ∈ 𝑹𝒏+ ,

19
 𝑿 > 𝒀 ⇒ 𝑢(𝑿) > 𝑢(𝒀).

La monotonicité et la stricte monotonicité sont des propriétés naturelles des fonctions d’utilité
qui capturent l’essence de l’aspect « plus est mieux » des préférences.

Théorème 3.4 : Soit 𝑢: 𝑹𝑛+ → 𝑹 une fonction strictement monotone. Alors, 𝑢 est homothétique si
et seulement si pour tout 𝑿, 𝒀 ∈ 𝑹𝒏+ ,

𝑢(𝑿) ≥ 𝑢(𝒀) ⟺ 𝑢(𝛼𝑿) ≥ 𝑢(𝛼𝒀) pour tout 𝛼 > 0.

Preuve :

20
 CHAP 4: LES FONCTIONS CONCAVES ET QUASICONCAVES

Les fonctions concaves jouent un rôle similaire au rôle des fonctions homogènes en théorie
économique. Par exemple les fonctions de demandes sont homogènes, les fonctions de dépenses
sont concaves et les fonctions de profits et de couts sont naturellement homogènes et concaves.
La concavité et la quasi-concavité sont des propriétés désirables pour les fonctions d’utilité et les
fonctions de productions. Ces deux propriétés sont propriétés cardinales et ont besoins d’être
modifier pour une bonne utilisation en théorie économique. Une fonction homogène n’est pas
forcement convexe ou concave et vice versa.

4.1 Les fonctions concaves et convexes

Définition : Une fonction a valeur réelle 𝑓 définie sur un ensemble convexe 𝑈 de 𝑹𝑛 est
concave si pour tout 𝑿, 𝒀 ∈ 𝑈, et pour tout 𝑡 entre 0 et 1,

𝑓(𝑡𝑿 + (1 − 𝑡)𝒀) ≥ 𝑡𝑓(𝑿) + (1 − 𝑡)𝑓(𝒀).

Une fonction a valeur réelle 𝑔 définie sur un ensemble convexe 𝑈 de 𝑹𝑛 est convexe si pour tout
𝑿, 𝒀 ∈ 𝑈, et pour tout 𝑡 entre 0 et 1,

𝑔(𝑡𝑿 + (1 − 𝑡)𝒀) ≤ 𝑡𝑔(𝑿) + (1 − 𝑡)𝑔(𝒀).

Remarque 1 : Notons que 𝑓 est concave si et seulement si – 𝑓 est convexe. Pour toute propriété
des fonctions concaves, il y a naturellement une propriété correspondante pour les fonctions
convexes.

Remarque 2 : Ne confondez pas la notion de fonctions convexes avec la notion d’ensemble

convexe. Un ensemble 𝑈 est un ensemble convexe si pour tous points tout 𝑿, 𝒀 ∈ 𝑈, la ligne du
segment joignant 𝑿 𝑒𝑡 𝒀

ℓ(𝑿, 𝒀) ≡ {𝑡𝑿 + (1 − 𝑡)𝒀: 0 ≤ 𝑡 ≤ 1}

est contenue dans 𝑈.

La définition de fonction concave ou convexe 𝑓exige que lorsque la fonction 𝑓est définie en 𝑿 et
en 𝒀, c’est aussi défini sur le segment ℓ(𝑿, 𝒀). Donc les fonctions convexes et concaves sont
exigées à avoir des domaines de définition convexes. On peut aussi montrer que si une fonction
𝑓 est concave si et seulement si {(𝑥, 𝑦): 𝑦 ≤ 𝑓(𝑥) est une ensemble convexe.

21
 𝑓(𝑡𝑥 + (1 − 𝑡)𝑦)
𝑡𝑓(𝑥) + (1 − 𝑡)𝑓(𝑦)

𝑓(𝑦)

y 𝑡𝑥 + (1 − 𝑡)𝑦 x

Figure 1 : Interprétation géométrique de la définition d’une fonction concave

Le graphique d’une fonction convexe 𝑦 = 𝑥 2

22
Théorème 4.1 : Soit 𝑓 une fonction de 𝐶 1 sur un intervalle 𝐼 dans 𝑹. Alors 𝑓 est concave sur 𝐼 si
et seulement si

𝑓(𝑦) − 𝑓(𝑥) ≤ 𝑓 ′ (𝑥)(𝑦 − 𝑥), ∀𝑥, 𝑦 ∈ 𝐼 (3)

La fonction 𝑓 est convexe sur 𝐼 si et seulement si :

𝑓(𝑦) − 𝑓(𝑥) ≥ 𝑓 ′ (𝑥)(𝑦 − 𝑥), ∀𝑥, 𝑦 ∈ 𝐼.

Remarque : La condition (3) signifie que 𝑓 ′ est une fonction décroissante. Divise la partie
gauche et droite de l’équation par (𝑦 − 𝑥).

Preuve du théorème 4.1 :

Suppose que 𝑓 est une fonction concave définie sur 𝐼. Soit 𝑥, 𝑦 ∈ 𝐼 et soit 𝑡 ∈ (0,1]. Alors,

𝑡𝑓(𝑦) + (1 − 𝑡)𝑓(𝑥) ≤ 𝑓(𝑡𝑦 + (1 − 𝑡)𝑥)

Ou bien

𝑓(𝑥 + 𝑡(𝑦 − 𝑥)) − 𝑓(𝑥)

𝑓(𝑦) − 𝑓(𝑥) ≤
𝑡
𝑓(𝑥+𝑡(𝑦−𝑥))−𝑓(𝑥)
= (𝑦 − 𝑥)
𝑡(𝑦−𝑥)

Condition (3) suit naturellement en laissant 𝑡 → 0.

Théorème 4.2 : Soit 𝑓 une fonction de 𝐶 1 sur un sous-ensemble convexe 𝑈 de 𝑹𝒏 . Alors 𝑓 est
concave sur 𝑈 si et seulement si, pour tout 𝑿, 𝒀 𝑑𝑎𝑛𝑠 𝑈 :

𝑓(𝒀) − 𝑓(𝑿) ≤ 𝐷𝑓(𝑿)(𝒀 − 𝑿);

C’est-à-dire,

𝜕𝑓 𝜕𝑓
𝑓(𝒀) − 𝑓(𝑿) ≤ (𝑋)(𝑦1 − 𝑥1 ) + ⋯ + (𝑋)(𝑦𝑛 − 𝑥𝑛 ) (4)
𝜕𝑥1 𝜕𝑥𝑛

D’une façon similaire, 𝑓 est convexe sur 𝑈 si et seulement si 𝑓(𝒀) − 𝑓(𝑿) ≥ 𝐷𝑓(𝑿)(𝒀 −
𝑿), ∀ 𝑋, 𝑌 ∈ 𝑈.

Preuve : Soit 𝑿 𝑒𝑡 𝒀 des points arbitraires dans 𝑈. Soit,

𝑔𝑋,𝑌 (𝑡) ≡ 𝑓(𝑡𝒀 + (1 − 𝑡)𝒀)

= 𝑓(𝑥1 + 𝑡(𝑦1 − 𝑥1 ), … , 𝑥𝑛 + 𝑡(𝑦𝑛 − 𝑥𝑛 ))

23
Alors par le Chain Rule,

𝑛
′ 𝜕𝑓
𝑔𝑿,𝒀 (0) =∑ (𝑿)(𝑦𝑖 − 𝑥𝑖 ) = 𝐷𝑓(𝑿)(𝒀 − 𝑿).
𝜕𝑥𝑖
𝑖=1

Par le théorème 4.1, 𝑔𝑿,𝒀 est concave si et seulement si,

′ (0)(0 ′ (0)
𝑔𝑋,𝑌 (1) − 𝑔𝑋,𝑌 (0) ≤ 𝑔𝑋,𝑌 − 1) = 𝑔𝑋,𝑌

Si et seulement si pour tout 𝑋, 𝑌 ∈ 𝑈,

𝑓(𝒀) − 𝑓(𝑿) ≤ 𝐷𝑓(𝑿)(𝒀 − 𝑿). ∎

Corolaire : Si 𝑓 une fonction de 𝐶 1 définie sur un ensemble convexe U et si 𝑿0 ∈ 𝑈, alors

𝐷𝑓(𝑿0 )(𝒀 − 𝑿0 ) ≤ 0 ⟹ 𝑓(𝒀) ≤ 𝑓(𝑿0 )

En particulier, si 𝐷𝑓(𝑿0 )(𝒀 − 𝑿0 ) ≤ 0, ∀ 𝑌 ∈ 𝑈, donc 𝑿0 est un maximum global.

Exemple 1 : Appliquons le théorème 4.2 pour montrer que 𝑓(𝑥1′ 𝑥2) = 𝑥12 + 𝑥22 est une fonction
convexe sur R.

La fonction 𝑓 est convexe si et seulement si :

𝑦1 − 𝑥1
(𝑦12 + 𝑦22 ) − (𝑥12 + 𝑥22 ) ≥ (2𝑥1 2 𝑥2 ) (𝑦 − 𝑥 )
2 2

= 2𝑥1𝑦1 − 2𝑥12 + 2𝑥2𝑦2 − 2𝑥22

Si et seulement si

𝑦12 + 𝑦22 + 𝑥12 + 𝑥22 − 2𝑥1 𝑦1 − 2𝑥2𝑦2 ≥ 0

Si et seulement si

(𝑦1 − 𝑥1)2 + (𝑦2 − 𝑥2 )2 ≥ 0,

Ce qui est vrai pour tout (𝑥1 , 𝑥2) et (𝑦1 , 𝑦2 ) dans 𝑅2

Théorème 4.3 : Soit 𝑓 une fonction de 𝐶 2 définie sur un sous-ensemble convexe ouvert 𝑈 de
𝑹𝑛 . Alors, 𝑓 est une fonction concave sur 𝑈 si et seulement si la matrice Hessienne 𝐷2 𝑓(𝑿) est
semi-définie négative en tout point 𝑿 dans U. La fonction 𝑓 est une fonction convexe sur U si et
seulement si la matrice Hessienne 𝐷2 𝑓(𝑿) est semi-définie positive en tout point 𝑿 dans U.

24
Remarque : Une matrice 𝐻 est définie positive si et seulement si 𝒗𝑻 𝑯𝒗 > 0, ∀𝑣 ≠ 0 𝑑𝑎𝑛𝑠 𝑹𝑛 ;
𝐻 définie négative si et seulement si 𝒗𝑻 𝑯𝒗 < 0, ∀𝑣 ≠ 0 𝑑𝑎𝑛𝑠 𝑹𝑛 . En remplaçant les inégalités
strictes par les inégalités faibles nous avons la définition de la matrice semi-définie positive et
semi-définie négative. Du point de vue analytique, les conditions nécessaires et suffisantes pour
qu’une matrice soit définie ou semi-définie sont :

(1) Une matrice 𝐻 est définie positive si et seulement si ses 𝑛 principaux mineurs sont tous
positifs.

(2) Une matrice 𝐻 est définie négative si et seulement si ses 𝑛 principaux mineurs alternent
en signe avec les mineurs d’ordre impaires de signes négatifs et les mineurs d’ordre paire
de signes positifs.

(3) Une matrice 𝐻 est semi-définie positive si et seulement si ses 2𝑛 − 1 principaux mineurs
sont tous positifs ou nuls.

(4) Une matrice 𝐻 est semi-définie négative si et seulement si ses 2𝑛 − 1 principaux

mineurs alternent en signe avec les mineurs d’ordre impaires de signes négatifs ou nuls et
les mineurs d’ordre paire de signes positifs ou nuls.

Preuve (omise).

Exemple 2: Le Hessien de la fonction 𝑓(𝑥, 𝑦) = 𝑥 4 + 𝑥 2 𝑦 2 + 𝑦 4 − 3𝑥 − 8𝑦 est :

2 12𝑥 2 + 2𝑦 2 4𝑥𝑦
𝐷 𝑓(𝑥, 𝑦) = ( ).
4𝑥𝑦 2𝑥 + 12𝑦 2
2

Pour (𝑥, 𝑦) ≠ (0,0), les deux principaux mineurs, 12𝑥 2 + 2𝑦 2 et 24𝑥 4 + 132𝑥 2 𝑦 2 + 24𝑦 4 sont
tous positifs, donc 𝑓 est une fonction convexe sur 𝑹𝑛 .

Exemple 3: Une fonction d’utilité communément utilisée est 𝐹(𝑥, 𝑦) = 𝑥𝑦. Sont Hessien est :

0 1
𝐷2 𝐹(𝑥, 𝑦) = ( ),
1 0

Le mineur principal de second ordre de cette matrice qui est 𝑑𝑒𝑡𝐷2 𝐹(𝑥, 𝑦) = −𝟏. Puisque le
mineur principal de second ordre de cette matrice est négatif, 𝐷2 𝐹 est indéfinie et la fonction F
n’est ni concave ni convexe. Cependant on peut montrer que la transformation monotone de de F
par 𝑔(𝑧) = 𝑧 1/4 ce qui donne 𝐺(𝑥, 𝑦) = 𝑥 1/4 𝑦1/4 est une fonction concave sur 𝑹2+ .

Exemple 4 : Considérons la fonction générale de Cobb-Douglas sur 𝑹2+ : 𝑈(𝑥, 𝑦) = 𝑥 𝑎 𝑦 𝑏 . Son

Hessien est :

25
 𝑎(𝑎 − 1)𝑥 𝑎−2 𝑦 𝑏 𝑎𝑏𝑥 𝑎−1 𝑦 𝑏−1
𝐷2 𝑈(𝑥, 𝑦) = ( ),
𝑎𝑏𝑥 𝑎−1 𝑦 𝑏−1 𝑏(𝑏 − 1)𝑥 𝑎 𝑦 𝑏−2

Et son déterminant est 𝑑𝑒𝑡𝐷2 𝑈(𝑥, 𝑦) = 𝒂𝒃(𝟏 − 𝒂 − 𝒃)𝒙𝟐𝒂−𝟐 𝒚𝟐𝒃−𝟐 .

Pour que U soit concave sur 𝑹2+ , nous avons besoins que 𝑎(𝑎 − 1) < 0 et 𝑎𝑏(1 − 𝑎 − 𝑏) > 0 ;
c’est-à-dire que nous avons besoins que 0 < 𝑎 < 1,0 < 𝑏 < 1, 𝑒𝑡 𝑎 + 𝑏 ≤ 1. En conclusion, une
fonction Cobb-Douglas définie sur 𝑹2+ est concave si et seulement elle est a échelle décroissante
ou constante.

4.2 Les propriétés des fonctions concaves

Les propriétés qui donnent l’importance aux fonctions concaves en économie sont le fait que
leurs points criques sont des optimums globaux, la pondération des fonctions concaves est une
autre fonction concave et aussi la forme de ces fonctions et les ensembles constitués par leurs
courbes de niveaux sont juste pour la théorie de consommation et de production.

Théorème 4.3 : Soit 𝑓 une fonction concave (convexe) sur un ensemble ouvert convexe 𝑈 de
𝑹𝑛 . Si 𝑿0 est un point critique de 𝑓 c’est-à-dire 𝐷𝑓(𝑿0 ) = 𝟎, alors 𝑋0 ∈ 𝑈 est un maximum
(minimum) global de 𝑓 sur 𝑈.

Preuve (omise)

Théorème 4.4 : Soit 𝑓 une fonction de 𝐶 2 définie sur un sous-ensemble convexe ouvert 𝑈 de
𝑹𝑛 . Si 𝑓 est une fonction concave et 𝑿0 est un point dans U qui satisfait 𝐷𝑓(𝑿0 )(𝒀 − 𝑿0 ) ≤ 0
pour tout 𝒀 ∈ 𝑈, alors 𝑿0 est un maximum global de 𝑓 sur U. Si 𝑓 est une fonction convexe et
𝑿0 est un point dans U qui satisfait 𝐷𝑓(𝑿0 )(𝒀 − 𝑿0 ) ≥ 0 pour tout 𝒀 ∈ 𝑈, alors 𝑿0 est un
minimum global de 𝑓 sur U

Théorème 4.5 : Soit 𝑓1 … 𝑓𝑘 des fonctions concaves (convexes) chacune définie sur le même
sous ensembles 𝑈 𝑑𝑒 𝑹𝑛 . Soit 𝑎1 , … , 𝑎𝑘 des nombres positifs. Alors, 𝑎1 𝑓1 + ⋯ + 𝑎𝑘 𝑓𝑘 est une
fonction concave (convexe) sur U.

Théorème 4.6 : Soit 𝑓 une fonction définie sur un sous-ensemble convexe ouvert 𝑈 de 𝑹𝑛 . Si 𝑓
est concave, alors pour tout 𝑿0 ∈ 𝑈, l’ensemble

𝐶𝑥+0 ≡ {𝑋 ∈ 𝑈: 𝑓(𝑿) ≥ 𝑓(𝑿0 )}

est un ensemble convexe. Si 𝑓 est convexe donc pour tout 𝑋0 ∈ 𝑈, l’ensemble

𝐶𝑥−0 ≡ {𝑋 ∈ 𝑈: 𝑓(𝑿) ≤ 𝑓(𝑿0 )}

est un ensemble convexe.

26
4.3 Les fonctions quasi-concaves et quasi-convexes

Puisque la concavité d’une fonction est une propriété cardinale, une transformation monotone
d’une fonction concave n’est pas forcement concave. Cependant, les fonctions concaves ont une
propriété fondamentale qui est que leurs courbes de niveaux sont les bornes des ensembles
convexes. Toute fonction ayant cette propriété ordinal des fonctions concaves est appelé fonction
quasi-concave.

Définition : Une fonction 𝑓 définie sur un sous-ensemble convexe 𝑈 𝑑𝑒 𝑹𝑛 est quasi-concave,

si pour tout nombre réels 𝑎,

𝐶𝑎+ ≡ {𝑋 ∈ 𝑈: 𝑓(𝑿) ≥ 𝑎}

est un ensemble convexe. Si 𝑓 est quasi-convexe donc pour tout nombre réels 𝑎,

𝐶𝑎− ≡ {𝑋 ∈ 𝑈: 𝑓(𝑿) ≤ 𝑎}

est un ensemble convexe.

Théorème 4.7 : Soit 𝑓 une fonction définie sur un ensemble convexe 𝑈 de 𝑹𝑛 . Alors, les
déclarations suivantes sont équivalentes l’un a l’autre :

(1) 𝑓 une fonction quasi-concave sur U.

(2) Pour tout 𝑿, 𝒀 ∈ 𝑈, et tout 𝑡 ∈ [0,1],

𝑓(𝑿) ≥ 𝑓(𝒀) ⟹ 𝑓(𝑡𝑿 + (1 − 𝑡)𝒀) ≥ 𝑓(𝒀).

(3) Pour tout 𝑿, 𝒀 ∈ 𝑈, et tout 𝑡 ∈ [0,1],

𝑓(𝑡𝑿 + (1 − 𝑡)𝒀) ≥ min{𝑓(𝑿), 𝑓(𝒀)}.

Théorème 4.8 : Toute fonction Cobb-Douglas 𝐹(𝑥, 𝑦) = 𝐴𝑥 𝑎 𝑦 𝑏 avec des valeurs positives de
𝐴, 𝑎, 𝑏 est quasi-concave.

4.3 Les fonctions pseudo-concaves

Définition : Soit U un sous-ensemble convexe ouvert sur 𝑹𝑛 . Une fonction de 𝐶 1 𝐹: 𝑈 → 𝑹 est

pseudo-concave au point 𝑋 ∗ ∈ 𝑈, si

𝐷𝐹(𝑿∗ )(𝒀 − 𝑋 ∗ ) ≤ 0 ⟹ 𝐹(𝒀) ≤ 𝐹(𝑿∗ ), ∀ 𝒀 ∈ 𝑈

La fonction pseudo-convexe est définie en renversant le sens de l’inégalité

Théorème 4.9 : Soit U un sous-ensemble convexe de 𝑹𝑛 .et soit 𝐹: 𝑈 → 𝑹 une fonction pseudo-
concave de 𝐶 1. Si 𝑿∗ ∈ 𝑼 à la propriété 𝐷𝐹(𝑿∗ )(𝒀 − 𝑋 ∗ ) ≤ 0 pour tout 𝑌 ∈ 𝑈, par exemple

27
𝐷𝐹(𝑿∗ ) = 0, alors 𝑿∗ est un maximum global de F sur U. Un résultat analogue tient aussi pour
les fonctions pseudo-convexes.

28
 CHAP 5: LES VALEURS PROPRES ET LE VECTEURS PROPRES

Ce chapitre introductif des valeurs propres et des vecteurs propres d’une matrice carrée nous
aidera à étudier les systèmes d’équations linéaires et non-linéaires. Plus encore les signes des
valeurs propres d’une matrice déterminent la stabilité des équilibres dans les modèles non-
linéaires dynamiques.

5.1 Définition et Exemples

Définition : Soit 𝐴 une matrice. La valeur propre de 𝐴 est le nombre 𝑟 qu’il faut soustraire de
chaque élément de la diagonal d’une matrice pour la rendre singulière. Alors, 𝑟 est une valeur
propre de 𝐴 si et seulement si 𝐴 − 𝑟𝐼 est une matrice singulière.

Exemple 1: On peut quelque fois découvrir la valeur propre d’une matrice par un regard a l’œil
nu. Considérons par exemple la matrice

3 1 1
𝐴 = (1 3 1)
1 1 3
Une soustraction de 2 de chaque diagonal transforme A en une matrice singulière

1 1 1
(1 1 1)
1 1 1
Donc, 2 est une valeur propre de A.

2 0
Exemple 2 : Considérons maintenant la matrice diagonale( ) . La soustraction de 2 et de 3
0 3
0 0 −1 0
de la diagonale de cette matrice donne respectivement des matrices ( ) et ( ) qui sont
0 1 0 0
diagonales.

Théorème 5.1 : Les éléments de la diagonale d’une matrice diagonale D sont des valeurs
propres.

Théorème 5.2 : Une matrice carre A est singulière si et seulement si 0 est une valeur propre de
A.

La technique principale permettant de déterminer si une matrice est singulière c’est de calculer
son déterminant; une matrice est singulière si et seulement si son déterminant est égal à zéro.
Donc, 𝑟 est une valeur propre de A, veut dire que 𝐴 − 𝑟𝐼 est une matrice singulière si et
seulement si

det(𝐴 − 𝑟𝐼) = 0. (1)

29
Pour une matrice 𝐴𝑛×𝑛 l’expression à droite de l’équation (1) est appelée polynôme
caractéristique de A. Le nombre 𝑟 est une valeur propre de A si et seulement si 𝑟 est un zéro du
polynôme caractéristique de A.

Rappelons qu’une matrice B, est non singulière si et seulement si la seule solution du système
𝑩𝑿 = 0 est 𝑿 = 0. Réciproquement, B est singulière si et seulement si le système 𝑩𝑿 = 0 a une
solution différente de zéro pour 𝑿. Le fait que la matrice carrée 𝐴 − 𝑟𝐼 est une matrice singulière
quand 𝑟 est une valeur propre de A signifie que le système d’équations (𝐴 − 𝑟𝐼)𝒗 = 0 a une
solution autre que zéro pour 𝒗 telle que :

(𝐴 − 𝑟𝐼)𝒗 = 0 (4)

𝒗 est appelé vecteur propre de A.

Théorème 5.3 : Soit A une matrice de dimension 𝑛 × 𝑛 et soit 𝑟 un scalaire. Alors les
déclarations suivantes sont équivalentes :

(a) La soustraction de 𝑟 de chaque élément de la diagonal transforme A en une matrice

singulière.

(b) 𝐴 − 𝑟𝐼 est une matrice singulière.

(c) det(𝐴 − 𝑟𝐼) = 0.

(d) (𝐴 − 𝑟𝐼)𝒗 = 0 pour des valeurs non nulles du vecteur 𝒗.

(e) 𝐴𝑣 = 𝑟𝑣 pour des valeurs non nulles du vecteur 𝒗.

Exemple 3: Trouver les valeurs propres et les vecteurs propres de la matrice de dimension 2 × 2
suivante :

−1 3
𝐴=( )
2 0
Solution :

−1 − 𝑟 3
det(𝐴 − 𝑟𝐼) = 𝑑𝑒𝑡 ( )
2 0−𝑟

= 𝑟(𝑟 + 1) − 6 = 𝑟 2 + 𝑟 − 6 = (𝑟 + 3)(𝑟 − 2).

Donc, -3 et 2 sont les valeurs propres de A. Les vecteurs propres correspondant aux valeurs
propres ci-dessus sont les suivantes. Le vecteur propre correspondant à la valeur propre -3 est :
𝑣
(𝐴 − (−3)𝐼 )𝒗 = (2 3) (𝑣1 ) = (0)
2 3 2 0

30
Ces équations sont souvent résolues en regardant attentivement les équations. Par exemple 𝑣1 =
3 𝑒𝑡 𝑣2 = −2 est solution de l’équation. On peut conclure que le premier vecteur propre
3 1 −3 −3/2
est ( ). Il y encore d’autres tels que ( ), ( ), et ( ). Souvent on choisit la solution
−2 −2/3 2 1
la plus simple.

Le vecteur propre correspondant à la valeur propre 2 est :

−3 3 𝑣1 0
(𝐴 − 2𝐼)𝒗 = ( ) (𝑣 ) = ( )
2 −2 2 0
1
La solution la plus simple est ( ), mais aussi tout multiple de ce vecteur est un autre vecteur
1
propre de la valeur propre 2.

Théorème 5.4 : Soit A une matrice 𝑘 × 𝑘. Soit 𝒓𝟏 , … , 𝒓𝒌 des valeurs propres de A, et 𝒗𝟏 , … , 𝒗𝒌

les vecteurs propres correspondant aux valeurs propres. A partir des vecteurs propres :

𝑃 = [𝒗𝟏 , … , 𝒗𝒌 ]

Dont les colonnes sont les 𝑘 vecteurs propres. Si 𝑃 est inversible, donc

𝑟1 ⋯ 0
𝑃−1 𝐴𝑃 = ( ⋮ ⋱ ⋮)
0 ⋯ 𝑟𝑘

Réciproquement si 𝑃−1 𝐴𝑃 est une matrice diagonale D, les colonnes de P doivent être des
vecteurs propres de A et les éléments de la diagonale de D doivent être des valeurs propres de A.

Théorème 5.5 : Soit A une matrice 𝑘 × 𝑘. Supposons qu’il y une matrice non singulière P telle
que

𝑟1 ⋯ 0
−1
𝑃 𝐴𝑃 = ( ⋮ ⋱ ⋮ ),
0 ⋯ 𝑟𝑛

est une matrice diagonale. Alors

𝑟1𝑛 ⋯ 0
𝑛
𝐴 = 𝑃( ⋮ ⋱ ⋮ ) 𝑃−1
0 ⋯ 𝑟𝑛𝑛

La solution correspondant au système d’équation en différence finie 𝑍𝑛+1 = 𝐴𝑍𝑛 avec un

vecteur initial 𝑍0 est :

𝑟1𝑛 ⋯ 0
𝑍𝑛 = 𝑃 ( ⋮ ⋱ ⋮ ) 𝑃−1 𝑍0
0 ⋯ 𝑟𝑛𝑛
31
Stabilité de l’équilibre

Si la valeur initiale de 𝑍0 = 0, donc la solution de 𝑍𝑛+1 = 𝐴𝑍𝑛 est 𝑍𝑛 = 0 pour tout 𝑛. Donc ce
cas cet équilibre sera appelé l’équilibre stationnaire solution de l’équation en différence. On
dira que cette solution est asymptotiquement stable si lorsque 𝑛 → ∞, la solution demeure a
𝑍𝑛 = 0.

Puisque chaque 𝑟𝑛 est une valeur propre de A, 𝑟𝑛 → 0 si et seulement si |𝑟| < 1.

Théorème 5.6 : Si la matrice A de dimension 𝑘 × 𝑘 a 𝑘 valeurs propres réelles, alors toute

solution du système d’équation linéaire en différences 𝑍𝑛+1 = 𝐴𝑍𝑛 tend vers 0 si et seulement si
toutes les valeurs propres de A sont inférieures à 1 en valeur absolue.

5.2 Propriétés des valeurs propres

Théorème 5.7 : Soit A une matrice 𝑘 × 𝑘 avec pour valeurs propres 𝒓𝟏 , … , 𝒓𝒌 . Alors,

(a) 𝑟1 + 𝑟2 + ⋯ + 𝑟𝑘 = 𝑡𝑟𝑎𝑐𝑒 𝑑𝑒 𝐴 et

(b) 𝑟1 . 𝑟2 . . . 𝑟𝑘 = 𝐷𝑒𝑡 𝐴

32
CHAP 6: OPTIMISATION DYNAMIQUE ET THEOREMES DU POINT FIXE

Certains problèmes économiques surtout en macroéconomie sont dynamiques. Nous ferons appel
à d’autres techniques d’optimisation pour résoudre de tels problèmes. Nous utiliserons
notamment le lagrangien dynamique et le Bellman Equation. Nous étudierons aussi les
théorèmes de séparation de l’hyperplan et du point fixe qui sont très utiles dans les preuves
d’existence de l’équilibre en équilibre général.

6.1 Optimisation dynamique à horizon fini

Max ∑𝑇𝑡=1 𝛽𝑡−1 𝑢(𝑐𝑡 ) (fonction d’utilité a temps séparable)

{𝑐𝑡 ,𝑎𝑡+1 }𝑇
𝑡=1

S.C 𝑎𝑡+1 = (1 + 𝑟)𝑎𝑡 − 𝑐𝑡

𝑎1est donné et 𝑎 𝑇+1 ≥ 0

Le Lagrangien de ce problème est :

𝑇
𝐿=∑ 𝛽𝑡−1 [𝑢(𝑐𝑡 ) + 𝜆𝑡 ((1 + 𝑟)𝑎𝑡 − 𝑐𝑡 − 𝑎𝑡+1 )] + 𝛽𝑇 𝜆 𝑇+1 𝑎 𝑇+1
𝑡=1

Les conditions de premier ordre sont :

𝜕𝐿
= 𝑢 ′ (𝑐𝑡 ) − 𝜆𝑡 = 0, ∀𝑡 = 1, … , 𝑇 (1)
𝜕𝑐𝑡

𝜕𝐿
= −𝜆𝑡 + 𝛽𝜆𝑡+1 (1 + 𝑟𝑡+1 ) = 0, ∀𝑡 = 1, … , 𝑇 (2)
𝑎𝑡+1

𝜕𝐿
= (1 + 𝑟)𝑎𝑡 − 𝑐𝑡 − 𝑎𝑡+1 = 0, ∀𝑡 = 1, … , 𝑇
𝜕𝜆𝑡

𝜕𝐿
= −𝛽𝑇 𝜆 𝑇 + 𝛽𝑇 𝜆 𝑇+1 = 0
𝜕𝑎 𝑇+1

𝜕𝐿
= −𝛽𝑇 𝑎 𝑇+1
𝜕𝜆 𝑇+1
𝜕𝐿
(Complementary slackness condition) 𝜆 𝑇+1 ≥ 0, 𝜆 𝑇+1 =0
𝜕𝜆𝑇+1

𝜕𝐿
𝜆 𝑇+1 = 𝜆 𝑇+1 𝛽𝑇 𝑎 𝑇+1 ⟹ 𝑎 𝑇+1 = 0
𝜕𝜆 𝑇+1

Equation d’Euler : 𝑢 ′ (𝑐𝑡 ) = 𝛽 (1 + 𝑟𝑡+1 )𝑢 ′ (𝑐𝑡+1 ), en utilisant les conditions de premier ordre
(1) et (2).

33
L’allocation optimale est la séquence {𝑐𝑡 , 𝑎𝑡+1 }𝑇𝑡=1 telle que

𝑢 ′ (𝑐𝑡 ) = 𝛽(1 + 𝑟𝑡+1 )𝑢 ′ (𝑐𝑡+1 ),

𝑎𝑡+1 = (1 + 𝑟)𝑎𝑡 − 𝑐𝑡

𝑎 𝑇+1 = 0, et 𝑎1est donné

6.2 Optimisation dynamique à horizon infini (problème de croissance optimale)

∞
Max ∑ 𝛽𝑡 𝑢(𝑐𝑡 )
{𝑐𝑡 ,𝑘𝑡+1 } 𝑡=0

SC : 𝑐𝑡 + 𝑘𝑡+1 = 𝑦𝑡

𝑦𝑡 = 𝑘𝑡𝛼 0 < 𝛼 < 1

𝑘0 est donné,

Dans ce problème on pose le Bellman Equation comme suit :

𝑉(𝑘𝑡 ) = Max 𝑢(𝑐𝑡 ) + 𝛽𝑉(𝑘𝑡+1 )

{𝑐𝑡 ,𝑘𝑡+1 }

SC : 𝑘𝑡+1 = 𝑘𝑡𝛼 − 𝑐𝑡 , 𝑘0 est donné

La condition de premier ordre (par rapport à la variable de contrôle 𝒄𝒕 ) est :

𝜕𝑘𝑡+1
𝑢 ′ (𝑐𝑡 ) + 𝛽𝑉 ′ (𝑘𝑡+1 ) =0
𝜕𝑐𝑡

Condition de l’enveloppe par rapport à la variable d’état 𝒌𝒕 est :

𝜕𝑉(𝑘𝑡+1 )
𝑉 ′ (𝑘𝑡 ) = 𝑢 ′ (𝑐𝑡 )𝑓 ′ (𝑘𝑡 ) + 𝛽
𝜕𝑘𝑡

On peut ignorer le second terme à droite (Condition de Benveniste-Scheinkman). Un

changement marginal de 𝑘𝑡 ne change pas l’utilité a l’optimum.

Ramener la condition de l’enveloppe a la date suivante :

𝑉 ′ (𝑘𝑡+1 ) = 𝑢 ′ (𝑐𝑡+1 )𝑓 ′ (𝑘𝑡+1 )

La condition d’Euler (condition de premier ordre et la condition de l’enveloppe)

𝑢 ′ (𝑐𝑡 ) = 𝛽𝑢 ′ (𝑐𝑡+1 )𝑓 ′ (𝑘𝑡+1 )

34
6.2 Séparation d’hyperplan (separating hyperplane )

Définition : Soit 𝑃 ∈ ℝ𝑛 avec 𝑃 ≠ 0, et 𝑐 ∈ ℝ, l’hyperplan génère par 𝑃 et 𝐶 est

l’ensemble 𝐻𝑝,𝑐 = {𝑍 ∈ ℝ𝑛 : 𝑃. 𝑍 = 𝑐}. Les ensemble {𝑍 ∈ ℝ𝑛 : 𝑃. 𝑍 ≥ 𝑐} et {𝑍 ∈ ℝ𝑛 : 𝑃. 𝑍 ≤ 𝑐}
sont respectivement appelés le demi-espace au-dessus et le demi-espace au-dessous de
l’hyperplan.

Les hyperplans et les demi-espaces sont des ensembles convexes.

P
Demi-space au-dessus 𝐻𝑝,𝑐

Demi-space au-dessous 𝐻𝑝,𝑐

𝐻𝑝,𝑐

Figure 1 : L’hyperplan et les demi-espaces

Théorème (Separating hyperplane theorem) : Supposons que 𝐵 ⊂ ℝ𝑛 est convexe et fermé et

que 𝑋 ∉ 𝐵. Alors il existe 𝑃 ∈ ℝ𝑛 avec 𝑃 ≠ 0, et une valeur 𝑐 ∈ ℝ telle que 𝑃. 𝑋 > 𝑐 et 𝑃. 𝑌 < 𝑐
pour tout 𝑌 ∈ 𝐵.

Plus généralement, supposons que les ensembles convexes 𝐴, 𝐵 ⊂ ℝ𝑛 sont disjoints (c’est-a-dire
que 𝐴⋂𝐵 =⊘). Alors il existe 𝑃 ∈ ℝ𝑛 avec 𝑃 ≠ 0 et une valeur 𝑐 ∈ ℝ telle que 𝑃. 𝑋 ≥ 𝑐, ∀ 𝑋 ∈
𝐴 et 𝑃. 𝑌 ≤ 𝑐, ∀ 𝑌 ∈ 𝐵. C’est-à-dire qu’il y a un hyperplan séparant A et B laissant A et B de part
et d’autre.

6.3 Les Théorème du point fixe

En économie, la technique la plus fréquente pour établir l’existence de solution pour system
d’équations consiste à la recherche d’un point fixe.

Théorème (théorème du point fixe de Brouwer) : Supposons que 𝐴 ⊂ ℝ𝑛 est un ensemble non-
vide, compact et convexe et que 𝑓: 𝐴 → 𝐴 est une fonction continue de A dans lui-même. Alors,
𝑓(. ) a un point fixe ; c’est-à-dire qu’il y a un𝑋 ∈ 𝐴 tel que 𝑥 = 𝑓(𝑥).

35
 TD1 DE MATHEMATIQUES POUR MASTER ECONOMIE

Exercice 1

xy = x y
Montrer que pour tout x, y .
Exercice2
x+ y+z  x + y + z
Montrer que pour tout x, y, z
Exercice3
 x  , et  yn n=1 sont des suites ayant pour limites
 

Montrer que si n n =1 x et y , respectivement, alors

 x y  , et  yn n=1 converge vers la limite xy .
 

la suite n n n =1
Exercice 4
 xn n =1 soit une suite réelle


Supposons que qui converge vers x0 pour tout xn et x0 différent de

zéro.
x 
a)Montrer qu’il existe un nombre positif  tel que n pour tout n .
1 1
   
b) Utilisant a) montrer que  xn 
converge vers  0  .
x
Exercice 5
 xn n =1 et  yn n =1 des suites convergeant vers les limites
 

Soient x et y , respectivement. Supposons


 xn 
 
 yn n =1


soient non nuls. Montrer que la suite  n n =1 converge vers x / y .

y
que les éléments de
Exercice 6
x 

x 
Une suite est dite bornée s’il existe un réel  tel que n pour tout n .Montrer que si n n =1
 yn n =1 est bornée, alors la suite produit converge vers zéro.


converge vers zéro et si

Exercice 7
x  y 
 

Montrer que si n n =1 et n n =1 sont deux suites vectorielles dans R k qui convergent vers x et y ,
x .y 


respectivement, alors n n n =1 converge vers x. y .

Exercice 8
m
Montrer qu’une suite convergente dans R ne peut avoir qu’un seul point d’accumulation et
donc une seule limite.
Exercice 9

36
Montrer que les ballons ouverts sur une ligne réelle sont exactement des intervalles ouverts : des

ensembles ouverts de la forme (a,b)= x : a x b

, définis par les réels a et b.
Exercice 10

Montrer que les intervalles fermés dans R - des ensembles de la forme 

x : a  x  b
pour a et b
fixés-sont des ensembles fermés.
Exercice 11
,,
Montrer que les ballons fermés dans R -ensembles de la forme
 x : xz    pour z et  fixés-
sont des ensembles fermés.
Exercice 12
Pour chacun des sous-ensembles suivants du plan, représenter l’ensemble et établir si oui ou non
il est ouvert ou fermé ou pas, et justifier votre réponse avec un ou deux mots.

37
 TD2 DE MATHEMATIQUES POUR MASTER ECONOMIE

Exercice1
a)Trouver la distance maximum et minimum a partir de l’origine l’ellipse x + xy + y = 3
2 2

[Aide : utiliser x + y comme fonction objective.].

2 2

b) Trouver le point sur la parabole y = x qui soit le plus proche de (2,1).

2

Exercice 2
Trouver l’expression générale (en fonction des paramètres) pour le panier de biens ( x1 , x2 ) qui
U ( x1 , x2 ) = kx1a x21− a
maximise la fonction d’utilité Cobb-Douglas sur l’ensemble budgétaire
p1 x1 + p2 x2 = I .
Exercice 3
Maximiser f ( x, y, z ) = yz − xz sous contrainte de y + z = 1 et xz = 3 .
2 2

Exercice 4
Trouver le maximum de f ( x, y) = x + y sous les contraintes 2 x + y  2 , x  0 , y  0 .
2 2

Exercice 5
Considérons le problème de maximisation suivant f ( x, y, z ) = xyz + z sous les contraintes
x2 + y 2 + z 2  6 , x  0 , y  0 , z  0 .
a)Donner les conditions de premier ordre du problème.
b) Déterminer si oui ou non la contrainte x + y + z  6 est contraignante pour toute solution.
2 2 2

c)Trouver une solution a partir des conditions de premier ordre qui inclut x = 0 .
d) Trouver trois équations avec trois inconnues x, y, z qui devront être valides si dans la solution
on a x  0 .
e) Montrer que x = 1, y = 1, z = 4 satisfait ces équations.
Exercice 6
Minimiser x − 2 y sous contraintes de x + y  1, x  0, y  0
2 2 2

Exercice 7
Ecrire la formulation de Khun-Tucker pour un problème de minimisation sous contrainte.
Exercice 8
Utiliser le théorème 19.3 (inequality contraint) et l’exercice 5 pour estimer la valeur maximum
de f ( x, y, z ) = xyz + z sous contrainte de x + y + z  6.2 , x  0 , y  0 et z  0 .
2 2 2

Exercice 9
Utiliser l’exercice 1 a)et le théorème de l’enveloppe pour estimer la distance maximum et
minimum à la partir de l’origine l’ellipse x + xy + 0.9 y = 3
2 2

38
 TD 3 DE MATHEMATIQUE POUR MASTER ECONOMIE

Exercice 1

Montrer que le produit de deux fonctions homogènes est homogène.

Exercice 2
F ( x1 , x2 ) = A(a0 + a1 x1 + ax  )1/ 
Considérons la fonction de production CES . Montrer que F a
des rendements constants a l’échelle lorsque a0 = 0 .
Exercice 3
Si y = f ( x1 , x2 ) est C et homogène de degré r , montrer que
2

x12 f x1x2 + 2 x1 x2 f x1x2 + x12 f x2 x2 = r (r − 1) f

Exercice 4
Montrer que si f et g sont des fonctions sur R et homogènes de degrés différents alors f + g
n

n’est pas homogène.

Exercice 5
Donner l’homogénéisation de degré 1 des fonctions suivantes :
x x 2 + x23 x 2 + x2 2
a) e ; b) ln x ; c) 5 ; d) 1 ; e) 1 .
Exercice 6
Parmi les fonctions suivantes dire lesquelles sont équivalentes a xy . Pour celles qui la sont,
quelle est la transformation monotone qui la donne ?
a) 7 x y + 2 ; b) ln x + ln y + 1 ; c) x y ; d) x y .
2 2 1/ 3 1/ 3

Exercice 7
Lesquelles des fonctions suivantes sont homothétique. Donner une raison pour chaque réponse.
x2 y 2
; b) 2 log x + 3log y ; c) x y + 3x y + 6 xy + 9 ; d) x y + xy ;e) xy + 1 .
2
x xy 2 3 6 2 4 2 2
a) e e

39
 TD 4 DE MATHEMATIQUE POUR MASTER ECONOMIE

Exercice 1
Montrer que toute fonction linéaire est homogène, concave et convexe.
Exercice 2
Montrer que toute fonction homogène dans R+ est concave ou convexe.
Exercice 3
Pour quelles fonctions concaves f , 1/ f est une fonction convexe.
Exercice 4
Le produit de deux fonctions homogènes est toujours homogène. Donner les conditions sous
lesquelles le produit de deux fonctions concaves donne une fonction concave.
Exercice 5
Pour chacune des fonctions sur R , déterminer si elle quasi -concave, quasi -convexe, ou les deux
à la fois. a) e ; b) ln x ; c) x + x ; d) x − x ; e) x − x ; f) x + x ; g) 3x − 5 x + 7 x ; h)
x 3 3 4 4 2 3 2

sin x
Exercice 6
f ,....., f k
Soient 1 des fonctions concaves. Soit g ( z ) une transformation monotone. Montrer que
F ( x1 ,....xk ) = g ( f1 ( x1 ) + .... + f k ( xk ))
est une fonction quasi-concave.

40
 TD 5 DE MATHEMATIQUE POUR MASTER ECONOMIE

Exercice 1
1   1 0 2
   
0
   0 5 0

1 
Vérifier que   est un vecteur propre pour r = −1 pour la matrice 
3 0 2  .
Exercice 2
Pour chacune des matrices carrées n chercher les valeurs propres et les vecteurs propres. Essayer
de trouver au moins un vecteur propre par inspection.
 0 0 −2 
 
 3 0  −1 3   0 −2  0 7 0 
       1 0 −3 
a)  4 5  ; b)  −2 4  ;c)  1 −3  ; d)  
Exercice 3
Montrer que les valeurs propres d’une matrice triangulaire supérieure (inferieure) sont
précisément ses entrées diagonales.

Exercice 4
T
W =   t u (ct )
a) Soit le problème de maximisation suivant Max i =0 ,0  1 , sous contrainte

ct1−
u (ct ) =
a = (1 + rt )at − ct 1−  .
de t +1 .
1.a) Identifier les variables d’état.
2.a)Former l’équation de Bellman.
3.a)Ecrire les conditions de premier ordre.
4.a)Déterminer le taux marginal de substitution entre la consommation en période t et la
consommation en période t + 1 .
c + kt +1 = yt yt = kt 
b) Reprendre les mêmes questions comme en a) avec une contrainte t ou
.N.B. l’horizon est infini.
Exercice 5
p c c
Former le Lagrangien de minimisation de la dépense individuelle jt jt par rapport a jt ,
 /( −1)
1 
Ct    c jt ( −1) / dj 
consommation individuelle, sous contrainte de 0  avec  1 . Déterminer la
valeur du multiplicateur de Lagrange, qui représente le niveau général des prix.
Exercice 6

41
  C 1−

  M t +i 
1−b
Nt +i1+ 
 = Et    t +i
+t
  −  
i =0  1 −  1 − b  Pt +i  1 + 

Soit la fonction de bien être suivante :
M t Bt +1  Wt  M t −1 B
Ct + + =  Nt + + (1 + it −1 ) t −1 + t
0  1 , sous contrainte de Pt Pt  Pt  Pt Pt
. Ct , M t , Wt , N t ,
i , B , t représentent la consommation, la masse monétaire, le salaire nominal, la population, le
taux d’intérêt nominal, la valeur nominale des bonds de trésor, et le profit.
a)Nommer les variables d’état.
b) Former l’équation de Bellman en fonction des valeurs réelles.
c)Poser les conditions de premier ordre (Aide : utiliser la condition de l’enveloppe et celle
d’Euler).
d) Déterminer le taux marginal de substitution entre la monnaie et la consommation.
e) Déterminer le taux marginal de substitution entre le travail et la consommation.

Exercice 7

W =   t u (ct , mt )
Soit la fonction de bien être suivante : i =0 , 0  1 . m, c représentent la masse
monétaire et la consommation réelles.
a) Identifier les variables d’état et écrire l’équation de Bellman sachant qu’il faut maximiser
le bien être sous contrainte de
m
ct + mt + bt = yt + t −1 + (1 + it −1 )bt −1
1+ t y b 
. t , t et t étant le revenu, le bond de trésor, et l’inflation a
la période t.
b) Ecrire les conditions de premier ordre.
c) Ecrire la condition de transversalité.
d) Déterminer le taux marginal de substitution entre la monnaie et la consommation.
e) Reprendre les étapes précédentes avec une fonction d’utilité de la forme
(c1− m )1− mt +1
u (c, m) =
1 − et calculer le rapport mt .
Exercice 8
a) Reprendre les mêmes étapes comme en 3 en considérant la fonction de bien être suivante :

ct1−
W =   t u (ct ) u (ct ) =
i =0 B + Pc
t t + M t  M t −1 + (1 + it −1 ) Bt −1 . 1−  .
sous contrainte (CIA) et t
b) Reprendre la même question en supposant que la contrainte CIA devient
t t + ( At +1 − At (1 + rt ))  M t −1 .
Pc

42