Optimisation

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 87

Rappel de notions mathématiques (Vade Mecum)

Guy Lacroix
Université Laval

Automne 2019
Optimisation
Optimisation avec une variable

Soit π(q) une fonction de profit. On cherche à déterminer q ? qui maximise


cette fonction :
Conditions de premier ordre :
∂π
=0
∂q q?
Optimisation avec une variable

Soit π(q) une fonction de profit. On cherche à déterminer q ? qui maximise


cette fonction :
Conditions de premier ordre :
∂π
=0
∂q q?

• q ? correspond-t-elle à la quantité optimale ?


• Non, la CPO est nécessaire, mais non suffisante pour un optimum. q ?
pourrait très bien correspondre à un minimum.
Optimisation avec une variable

Soit π(q) une fonction de profit. On cherche à déterminer q ? qui maximise


cette fonction :
Optimisation avec une variable

Soit π(q) une fonction de profit. On cherche à déterminer q ? qui maximise


cette fonction :

Condition de deuxième ordre :



∂ 2 π
< 0.
(∂q)2 q?

Cette condition nous assure que q ? est un optimum “local”.


Optimisation avec une variable

Soit π(q) une fonction de profit. On cherche à déterminer q ? qui maximise


cette fonction :
La condition de deuxième ordre ne nous garantit pas l’atteinte d’un optimum
“global”

Nous allons généralement faire l’hypothèse que la fonction est “continue”,


différentiable et concave.
Optimisation avec plusieurs variables

Soit la fonction suivante :

y = f (x1 , x2 , . . . , xn )

Les dérivées partielles sont définies ainsi :

∂f ∂f ∂f
≡ f1 , ≡ f2 , . . . , ≡ fn
∂x1 ∂x2 ∂xn
La condition de premier ordre pour un maximum (ou un minimum) est :

f1 = f2 = . . . = fn = 0

La condition de deuxième ordre pour un maximum quand il y a deux variables


est de la forme suivante :

f11 < 0
f11 f22 − (f12 )2 > 0

Remarque : f22 < 0 est vérifiée implicitement par la CDO puisque si f11 et f22
sont de signe opposé, la condition f11 f22 − (f12 )2 > 0 ne peut pas être respectée.
Convexité et concavité

Définitions

• La fonction f (x ) est convexe sur l’intervalle (a, b) si :

f [λx1 + (1 − λ)x2 ] ≤ λf (x1 ) + (1 − λ)f (x2 )

∀a ≤ x1 , x2 ≤ b, 0 ≤ λ ≤ 1. Elle est strictement convexe en cas d’égalité.


• La fonction f (x ) est concave sur l’intervalle (a, b) si :

f [λx1 + (1 − λ)x2 ] ≥ λf (x1 ) + (1 − λ)f (x2 )

∀a ≤ x1 , x2 ≤ b, 0 ≤ λ ≤ 1. Elle est strictement concave en cas d’égalité.


• Une droite est à la fois convexe et concave, mais pas strictement
Convexité et concavité

Généralisation

• La fonction f (x1 , x2 , . . . , xn ) est convexe sur un intervalle si :


(1) (2) (1) (2)
f [λx1 + (1 − λ)x1 , λx2 + (1 − λ)x2 , . . . , λxn(1) + (1 − λ)xn(2) ] ≤
   
(1) (1) (2) (2)
λf x1 , x2 , . . . , xn(1) + (1 − λ)f x1 , x2 , . . . , xn(2)

(1) (1) (1) (2) (2) (2)


pour tous les points (x1 , x2 , . . . xn ) et (x1 , x2 , . . . xn ) sur l’intervalle.
Convexité et concavité

Généralisation

• La fonction f (x1 , x2 , . . . , xn ) est convexe sur un intervalle si :


(1) (2) (1) (2)
f [λx1 + (1 − λ)x1 , λx2 + (1 − λ)x2 , . . . , λxn(1) + (1 − λ)xn(2) ] ≤
   
(1) (1) (2) (2)
λf x1 , x2 , . . . , xn(1) + (1 − λ)f x1 , x2 , . . . , xn(2)

(1) (1) (1) (2) (2) (2)


pour tous les points (x1 , x2 , . . . xn ) et (x1 , x2 , . . . xn ) sur l’intervalle.

Quasi-convexité

• Une fonction est quasi-convexe sur une région si :

f [λx(1) + (1 − λ)x(2) ] ≤ max f [x(1) , x(2) ]

pour tous les points x(1) et x(2) dans la région, et pour 0 ≤ λ ≤ 1


Convexité et concavité

Quasi-concavité

• Une fonction est quasi-concave sur une région si :

f [λx(1) + (1 − λ)x(2) ] ≥ min f [x(1) , x(2) ]

pour tous les points x(1) et x(2) dans la région, et pour 0 ≤ λ ≤ 1


Convexité et concavité

Continuité

• Une fonction f (x ) est continue au point x = a si :


1. limx →a f (x ) existe
2. f (a) existe
3. f (a) = limx →a f (x )
Convexité et concavité

Définition : Matrice Hessienne


Soit f : U → R une fonction de n variables (x1 , x2 , . . . , xn ) à valeurs réelles dont
l’ensemble de définition U constitue un sous-ensemble de Rn . On suppose que
f est continue et deux fois différentiable (C 2 ).

• La Matrice hessienne est définie par :


 
f11 f12 ... f1n
f21 f22 ... f2n 
H(x1 , x2 , . . . , xn ) =  .
 
.. .. .. 
 .. . . . 
fn1 fn2 ... fnn

Cette matrice est symétrique d’ordre n.


Convexité et concavité

Définition : Matrice Hessienne bordée


Soit f : U → R une fonction de n variables (x1 , x2 , . . . , xn ) à valeurs réelles dont
l’ensemble de définition U constitue un sous-ensemble de Rn . On suppose que
f est continue et deux fois différentiable (C 2 ).

• La Matrice hessienne bordée est définie par :


 
0 f1 f2 ... fn

 f1 f11 f12 ... f1n 

H(x1 , x2 , . . . , xn ) = 
 f2 f21 f22 ... f2n 

 .. .. .. .. 
 . . . . 
fn fn1 fn2 ... fnn

Cette matrice est symétrique d’ordre n + 1.


Convexité et concavité

Définition : Matrice Jacobienne


Soit G = (g1 , g2 , . . . , gm ) une fonction définie de Rn → Rm . À tout vecteur
x̃ = (x1 , x2 , . . . , xn ), la fonction G(·) associe le vecteur de fonctions
(g1 (x̃ ), g2 (x̃ ), . . . , gm (x̃ )). On appelle matrice jacobienne de G la matrice de
dimension (m × n) JG (x1 , x2 , . . . , xn ) des dérivées partielles des m fonctions qui
composent G(·) :

• La Jacobienne est définie par :


 ∂g1 ∂g1 ∂g1 
∂x1
(x̃ ) ∂x2
(x̃ ) ... ∂xn
(x̃ )
∂g2 ∂g2 ∂g2

∂x1
(x̃ ) ∂x2
(x̃ ) ... ∂xn
(x̃ ) 
JG (x1 , x2 , . . . , xn ) = 
 
.. .. .. .. 
 . . . . 
∂gm ∂gm ∂gm
∂x1
(x̃ ) ∂x2
(x̃ ) ... ∂xn
(x̃ )

Cette matrice est symétrique d’ordre n.


Matrices (semi) définies négatives et (semi) définies positives

Définition (Matrice définie positive )


Soit M une matrice carrée symétrique. Soit A un vecteur colonne quelconque.
On note A0 sa transposée. M est dite définie positive si et seulement si :

A0 MA > 0 ∀A 6= 0
N.B. : Les éléments diagonaux aii d’une matrice définie positive sont tous > 0.
Matrices (semi) définies négatives et (semi) définies positives

Définition (Matrice définie positive )


Soit M une matrice carrée symétrique. Soit A un vecteur colonne quelconque.
On note A0 sa transposée. M est dite définie positive si et seulement si :

A0 MA > 0 ∀A 6= 0
N.B. : Les éléments diagonaux aii d’une matrice définie positive sont tous > 0.

Définition (Matrice semi-définie positive )


M est dite semi-définie positive si et seulement si :

A0 MA ≥ 0 ∀A
N.B. : Les éléments diagonaux aii d’une matrice définie positive sont tous < 0.
Matrices (semi) définies négatives et (semi) définies positives

Définition (Matrice définie négative )


M est dite définie négative si et seulement si :

A0 MA < 0 ∀A 6= 0

N.B. : Les éléments diagonaux aii d’une matrice définie positive sont tous
≤ 0.
Matrices (semi) définies négatives et (semi) définies positives

Définition (Matrice définie négative )


M est dite définie négative si et seulement si :

A0 MA < 0 ∀A 6= 0

N.B. : Les éléments diagonaux aii d’une matrice définie positive sont tous
≤ 0.

Définition (Matrice semi-définie négative )


M est dite semi-définie négative si et seulement si :

A0 MA ≤ 0 ∀A

N.B. : Les éléments diagonaux aii d’une matrice définie positive sont tous
≥ 0.
Matrices (semi) définies négatives et (semi) définies positives

Caractérisation des matrices


Soit M une matrice carrée symétrique d’ordre n.

• M définie positive ⇒ Ses n mineurs principaux diagonaux Dk sont > 0.


• M semi-définie positive ⇒ tous ses mineurs principaux (et pas seulement
diagonaux !) Dk sont > 0.
• M définie négative ⇒ ses n mineurs principaux diagonaux Dk sont
alternativement < 0 (k impair) et > 0 (k pair).
• M semi-définie négative ⇒ tous ses mineurs principaux Dk (et pas
seulement diagonaux !) sont alternativement ≤ 0 (k impair) et ≥ 0 (k
pair).
Exemples. Fonctions strictement convexes (concaves)

Figure 1 – Fonction (strictement) concave : f (x ) = 10 − x 2


Exemples. Fonctions strictement convexes (concaves)

Figure 2 – Fonction (strictement) concave : f (x , y ) = 6 − (x − 2)2 − (y − 2)2


Exemples. Fonctions strictement convexes (concaves)

Figure 3 – Fonction (strictement) convexe : f (x ) = x 2


Exemples. Fonctions strictement convexes (concaves)

Figure 4 – Fonction (strictement) convexe f (x , y ) = (x − 2)2 + (y − 2)2


Caractérisation des fonctions

Fonctions à une seule variable

• f concave ⇒ f 00 (x ) ≤ 0 ∀x ∈ R
00
• f (x ) < 0 ∀ x ∈ R ⇒ f strictement concave (attention : la
réciproque n’est pas nécessairement vraie).
• f convexe ⇒ f 00 (x ) ≥ 0 ∀ lx ∈ R.
00
• f (x ) > 0 ∀ x ∈ R ⇒ f strictement convexe (attention : la
réciproque n’est pas nécessairement vraie).
Caractérisation des fonctions

Fonctions à plusieurs variables

• f concave ⇒ la matrice hessienne de f est semi-définie négative


∀x ∈ Rn
• Si la matrice hessienne de f est définie négative ∀x ∈ Rn ⇒ f
strictement concave (attention : la réciproque n’est pas
nécessairement vraie).
• f concave ⇒ la matrice hessienne de f est semi-définie positive
∀x ∈ Rn
• Si la matrice hessienne de f est définie négative ∀x ∈ Rn ⇒ f
strictement convexe (attention : la réciproque n’est pas
nécessairement vraie).
Caractérisation des fonctions

Montrer que la fonction f(x, y, z) = x2 + 2y2 + 3z2 + 2xy + 2xz est


strictement convexe.
Solution Soit H la matrice hessienne de f . Elle s’écrit :
   
fxx fxy fxz 2 2 2
H = fyx fyy fyz  = 2 4 0
fzx fzy fzz 2 0 6

Noter qu’ici, la matrice hessienne est indépendante de ses arguments x , y et z


(ce n’est pas toujours le cas). Les mineurs principaux diagonaux de H sont
D1 = 2 > 0, D2 = 4 > 0 et D3 = 8 > 0. Donc H est définie positive ⇒ f est
strictement convexe.
Exemples, Fonctions quasi-convexes (quasi-concaves)

Définition (Fonctions quasi-concaves)


Une fonction à valeurs réelles f définie sur Rn est dite quasi-concave ssi ses
contours supérieurs forment des ensembles convexes, c.-à-d. ssi l’ensemble
P = {x̃ ∈ Rn : f (x̃ ) ≥ c} est convexe pour toutes les valeurs de c.
Exemples, Fonctions quasi-convexes (quasi-concaves)

Définition (Fonctions quasi-concaves)


Une fonction à valeurs réelles f définie sur Rn est dite quasi-concave ssi ses
contours supérieurs forment des ensembles convexes, c.-à-d. ssi l’ensemble
P = {x̃ ∈ Rn : f (x̃ ) ≥ c} est convexe pour toutes les valeurs de c.

Figure 5 – Fonction (strictement) quasi-concave f (x ) = exp(−x 2 ).

La fonction est quasi-concave car l’ensemble des valeurs x telles que f (x ) ≥ c


est un ensemble (ici un segment) (strictement) convexe.
Exemples, Fonctions quasi-convexes (quasi-concaves)

Définition (Fonctions quasi-concaves)


Une fonction à valeurs réelles f définie sur Rn est dite quasi-concave ssi ses
contours supérieurs forment des ensembles convexes, c.-à-d. ssi l’ensemble
P = {x̃ ∈ Rn : f (x̃ ) ≥ c} est convexe pour toutes les valeurs de c.

Figure 6 – Fonction qui n’est pas quasi-concave

L’ensemble des valeurs x telles que f (x ) ≥ c est un ensemble (constitué ici de


la réunion de deux segments) non convexe.
Exemples, Fonctions quasi-convexes (quasi-concaves)

Définition (Fonctions strictement quasi-concaves)


Une fonction à valeurs réelles f définie sur Rn est dite strictement
quasi-concave ssi ses contours supérieurs forment des ensembles strictement
convexes, c.-à-d. ssi l’ensemble P = {x̃ ∈ Rn : f (x̃ ) ≥ c} est strictement
convexe pour toutes les valeurs de c.
Exemples, Fonctions quasi-convexes (quasi-concaves)

Définition (Fonctions strictement quasi-concaves)


Une fonction à valeurs réelles f définie sur Rn est dite strictement
quasi-concave ssi ses contours supérieurs forment des ensembles strictement
convexes, c.-à-d. ssi l’ensemble P = {x̃ ∈ Rn : f (x̃ ) ≥ c} est strictement
convexe pour toutes les valeurs de c.

Figure 7 – Fonction (strictement) quasi-concave f (x ) = exp[(x − 2)2 − (y − 2)2 ]


Exemples, Fonctions quasi-convexes (quasi-concaves)

Dans le cas à une seule variable, une fonction ne sera strictement


quasi-concave que si sa courbe ne comporte aucune section horizontale. Dans
le cas à deux variables, une fonction quasi-concave ne sera strictement
quasi-concave que si ses contours supérieurs ne présentent pas de sections
horizontales et si la fonction ne comporte pas de « replats »(qui se traduisent
par des courbes d’indifférence « épaisses »)
Exemples, Fonctions quasi-convexes (quasi-concaves)

Dans le cas à une seule variable, une fonction ne sera strictement


quasi-concave que si sa courbe ne comporte aucune section horizontale. Dans
le cas à deux variables, une fonction quasi-concave ne sera strictement
quasi-concave que si ses contours supérieurs ne présentent pas de sections
horizontales et si la fonction ne comporte pas de « replats »(qui se traduisent
par des courbes d’indifférence « épaisses »)

Figure 8 – Courbes d’indifférence de fonctions quasi-concaves, mais pas strictement


quasi-concaves
Exemples. Fonctions quasi-convexes (quasi-concaves)

Définition (Fonctions quasi-convexes)


Une fonction à valeurs réelles f définie sur Rn est dite quasi-convexe ssi ses
contours inférieurs forment des ensembles convexes, c.-à-d. ssi l’ensemble
P = {x ∈ Rn : f (x ) ≤ c} est convexe pour toutes les valeurs de c.
Exemples. Fonctions quasi-convexes (quasi-concaves)

Définition (Fonctions quasi-convexes)


Une fonction à valeurs réelles f définie sur Rn est dite quasi-convexe ssi ses
contours inférieurs forment des ensembles convexes, c.-à-d. ssi l’ensemble
P = {x ∈ Rn : f (x ) ≤ c} est convexe pour toutes les valeurs de c.

Définition (Fonctions strictement quasi-convexes)


Une fonction à valeurs réelles f définie sur Rn est dite strictement
quasi-convexe ssi ses contours inférieurs forment des ensembles convexes,
c.-à-d. ssi l’ensemble P = {x ∈ Rn : f (x ) ≤ c} est strictement convexe pour
toutes les valeurs de c.
Exemples. Fonctions quasi-convexes (quasi-concaves)

Figure 9 – Fonction (strictement) quasi-convexe f (x ) = 1 − exp(−x 2 ) : l’ensemble des


valeurs x telles que f (x ) ≤ c est un ensemble (segment) convexe.
Exemples. Fonctions quasi-convexes (quasi-concaves)

Figure 9 – Fonction (strictement) quasi-convexe f (x ) = 1 − exp[−(x − 2)2 − (y − 2)2 ]


Fonctions quasi-convexes et quasi-concaves : Récapitulation

Propriétés importantes

• f concave (resp. convexe) ⇒ f quasi-concave (resp.


quasi-convexe) (attention : la réciproque n’est pas vraie).
• f quasi-concave ⇒ (−f ) quasi-convexe.
• La somme de deux fonctions quasi-concaves (resp. quasi-convexes)
n’est pas nécessairement une fonction quasi-concave (resp.
quasi-convexe).
• Toute transformation monotone d’une fonction concave (resp.
convexe) est une fonction quasi-concave (resp. quasi-convexe) : si
f est une fonction concave (resp. convexe) et g est une fonction
monotone, alors la fonction g(f (x )) est quasi-concave (resp.
quasi-convexe)
Fonctions quasi-convexes et quasi-concaves : Récapitulation

Caractérisation

• f quasi-concave ⇒ les mineurs principaux diagonaux Dk de la


matrice hessienne bordée de f alternent en signe à partir de k = 3,
avec Dk ≥ 0 pour k impair et Dk ≤ 0 (k pair) ∀x ∈ Rn
(attention : la réciproque n’est pas nécessairement vraie).
• Les mineurs principaux diagonaux Dk de la matrice hessienne
bordée de f alternent en signe à partir de k =2, avec Dk > 0 pour
k impair et Dk < 0 (k pair) ∀x ∈ Rn ⇒ f quasi-concave.
• f quasi-convexe ⇒ les mineurs principaux diagonaux Dk de la
matrice hessienne bordé de f sont tous ≤ 0 à partir de k = 3
∀x ∈ Rn (attention : la réciproque n’est pas nécessairement vraie).
• Les mineurs principaux diagonaux Dk de la matrice hessienne
bordée de f sont tous < 0 à partir de k = 2 ∀x ∈ Rn ⇒ f
quasi-convexe.
Fonctions quasi-convexes et quasi-concaves : Récapitulation

Exemple : Trouver une condition suffisante sur x et y permettant


d’affirmer que la fonction f(xy) = xy est quasi-concave.
Fonctions quasi-convexes et quasi-concaves : Récapitulation

Exemple : Trouver une condition suffisante sur x et y permettant


d’affirmer que la fonction f(xy) = xy est quasi-concave.

Solution
Soit H la matrice hessienne bordée de f . Elle s’écrit :
   
0 fx fy 0 y x
H(x , y ) = fx fxx fxy  = y 0 1
fy fxy fyy x 1 0

Le mineur diagonal principal d’ordre 3 de H est D3 = 2xy . Une condition


suffisante pour que f soit quasi-concave est que D3 > 0. Ce sera le cas
en particulier si x > 0 et y > 0.
Fonctions implicites
Fonctions implicites - 1

Toute fonction peut être exprimée dans une forme implicite ou une forme
explicite :
Exemples

1. y = mx + b. Forme explicite
2. y − mx − b = 0. Forme implicite
3. f (y , x ; m, b) = 0. Forme implicite
En économie (et en économétrie), on utilise des fonctions en forme implicite
dans lesquelles apparaissent les variables endogènes et exogènes. Bien que y (x )
peut ne pas avoir de forme explicite, ses dérivées (∂y /∂x ) peuvent souvent
(pas toujours) être calculées.
Exemple spécifique
Fonctions implicites - 2

L’équation précédente peut être écrite sous sa forme implicite :

f (x ∗ , y (x ∗ )) = 0

Plus précisément, on peut écrire :

x2 + y2 − 1 = 0

En différentiant, on obtient :

2xdx + 2ydy = 0
dy f1 x
=− =−
dx f2 y

Cette dérivée n’est pas définie lorsque y = 0.

Interprétation

• Comment interpréter la non-existence de dy /dx au point (x , y ) = (1, 0) ?


• En fait, la dérivée peut être aussi bien négative que positive ⇒ non-définie
Fonctions implicites - 3

Supposons qu’il existe une solution continue y = y (x ) pour l’équation


F (x , y ) = c. Cela implique que l’on peut écrire :

F (x , y (x )) = c

On désire connaître ∂y /∂x à un point donné, (x0 , y (x0 )). On doit faire appel à
la “Chain rule” :

Dérivation

dF (x0 , y (x0 )) ∂F (x0 , y (x0 )) dx ∂F (x0 , y (x0 )) dy (x0 )


= + =0
dx ∂x dx ∂y dx
∂F (x0 , y (x0 )) ∂F (x0 , y (x0 )) 0
0= + y (x0 )
∂x ∂y
∂F (x0 , y (x0 )) ∂F (x0 , y (x0 ))
y 0 (x0 ) = − /
∂x ∂y

∂F (x0 ,y (x0 ))
Pour que y 0 (x0 ) existe, il faut que ∂y
6= 0. Cette condition est
suffisante.
Fonctions implicites - 4

Exemple 1
Soit

2x 2 + y 2 = 225
y ≥0

On veut trouver dy /dx .

• Première méthode :
p
y= 225 − 2x 2
dy 1 1
= (225 − 2x 2 )− 2 (−4x )
dx 2
−4x
= √
2 225 − 2x 2
2x
=−
y
Fonctions implicites - 4

Exemple 1
Soit

2x 2 + y 2 = 225
y ≥0

On veut trouver dy /dx .

• Deuxième méthode : fonction implicite :

2x 2 + y 2 − 225 = 0
Dérivée totale : 4xdx + 2ydy = 0
dy 2x
Donc : =−
dx y
Fonctions implicites - 5

Exemple 2
Soit

x 2 − 3xy + y 3 − 7 = 0

On veut trouver dy /dx |x =4,y =3


Fonctions implicites - 5

Exemple 2

• Dérivée totale :

2xdx − 3ydx − 3xdy + 3y 2 dy = 0


3y 2 dy − 3xdy = −2xdx + 3ydx
dy 3y − 2x
=
dx 3y 2 − 3x

En substituant :
dy 9−8 1

= =
dx x =4,y =3 27 − 12 15

Fonctions implicites - 5

Exemple 2

• Combien vaut y lorsque x = 4.3 ?


• Par approximation :

dy

y (4) + × (0.3)
dx x =4
1
y (4) ≈ 3 + 0.3 × = 3.02
15
La solution numérique lorsque x = 4.3 donne y = 3.01475. Pas si mal . . .
Fonctions implicites - 6

Exemple 3
Les fonctions implicites sont utilise lorsque l’on traite les fonctions d’utilité.

Le long d’une courbe d’indifférence, on a :

U(x , y ) = U

Évidemment, la fonction implicite U(x ∗ , y ∗ (x ∗ )) indique combien de y il faut sacrifier


pour une augmentation marginale de x , tout en maintenant U constant :

U(x ∗ , y ∗ (x ∗ )) = U
∂U ∂U
dx + dy = 0
∂x ∂y
∂y U 0 (x )
=− 0
∂x U (y )
Théorème de l’enveloppe
Théorème de l’enveloppe - 1

Theorème de l’enveloppe en situation non-contrainte


Ce théorème permet de calculer les dérivées de fonctions “optimisées” (lien
avec les fonctions de vraisemblance “concentrées”)

Théorème
Soit f (x , a) une fonction C 1 de x ∈ R n et de scalaire a. Pour chaque a, soit la
maximisation non-contrainte suivante :

max f (x ; a)
x

Soit x (a) la solution de ce problème. Supposons que x ∗ (a) est également une

fonction C 1 de a. Alors :

d ∂
f (x ∗ (a), a) = f (x ∗ (a), a)
da ∂a
Théorème de l’enveloppe - 1

Theorème de l’enveloppe en situation non-contrainte


Ce théorème permet de calculer les dérivées de fonctions “optimisées” (lien
avec les fonctions de vraisemblance “concentrées”)

Démonstration.

d X ∂f ∗ ∂x ∗ (a) ∂f (x ∗ (a), a)
f (x ∗ (a), a) = (x (a), a) i +
da ∂xi ∂a ∂a
| {z }
=0
∂f (x ∗ (a), a)
=
∂a
Le premier terme est égal à zéro car :

∂f ∗
(x (a), a) = 0 ∀ i = 1, 2, . . . , n.
∂xi
Ce sont les conditions de premier ordre qui assure que a est une solution à
x ∗.
Théorème de l’enveloppe - 2

Exemple
Soit :
y = −x 2 + ax
1. Trouver x ∗ et substitution de la valeur optimale :

dy
= −2x + a = 0
dx
a
x∗ =
2
a2
 2
a a
 
y∗ = − +a =
2 2 4
dy ∗ a
= = x∗
da 2
2. Trouver la dérivée en utilisant le théorème de l’enveloppe :

y ∗ = −(x ∗ )2 + ax ∗
∂y dy ∗

∗=
∂a x =x da
Théorème de l’enveloppe - 3

Illustration du théorème de l’enveloppe


Soit y = −x 2 + ax et y ∗ = f (a, x ∗ (a)) = a2 /4

Le théorème de l’enveloppe est ainsi dénoté car il évalue les valeur maximales
de la fonction pour des valeurs données de a.
Théorème de l’enveloppe - 4

Autre illustration

Cette figure est telle que la dérivée à chaque point est donnée par

∂y ∗
= x ∗ (a)
∂a
Théorème de l’enveloppe - 4

Rappel : Le théorème de l’enveloppe est valide pour les fonctions


multidimensionnelles :

y ∗ = f [x1∗ (a), x1∗ (a), . . . , xn∗ (a)]


dy ∗ ∂f ∂x1 ∂f ∂x2 ∂f ∂xn ∂f
= + + ... + +
da ∂x1 ∂a ∂x2 ∂a ∂xn ∂a ∂a
| {z }
=0

dy ∂f
=
da ∂a
Maximisation sous contrainte d’égalité :
Multiplicateur de Lagrange
Maximisation sous contrainte - 1

Le multiplicateur de Lagrange
Soit le problème suivant :

max y = f (x1 , x2 , . . . , xn )
s/c g(x1 , x2 , . . . , xn ) = 0

On peut réécrire le problème sous la forme suivante :

L = f (x1 , x2 , . . . , xn ) + λg(x1 , x2 , . . . , xn )
Maximisation sous contrainte - 1

Conditions de premier ordre :

∂L
= f1 + λg1 = 0
∂x1
∂L
= f2 + λg2 = 0
∂x2
..
.
∂L
= fn + λgn = 0
∂xn
∂L
=g =0
∂λ

On doit trouver x1∗ , x2∗ , . . . , xn∗ et λ qui solutionnent simultanément ce


problème.
Maximisation sous contrainte - 2

Exemple # 1
On veut maximiser la surface rectangulaire d’une clôture de périmètre p. Le
problème s’écrit :
max xy s/c 2x + 2y = p

On peut réécrire le problème sous la forme suivante :

L = xy + λ(p − 2x + 2y )
Maximisation sous contrainte - 2

Conditions de premier ordre :

∂L
= y − 2λ
∂x
∂L
= x − 2λ
∂y
∂L
= p − 2x − 2y = 0
∂λ

Solution :

y x
= =λ
2 2
p
x =y =
4
p
λ=
8
Maximisation sous contrainte - 2

Interprétation :

1. La clôture est carrée : y = x .


2. λ = p/8. Interprétation ?
f1 f2
3. Écrivons f (x , y ) = xy . Aussi λ = −g1
= −g2

4. Donc f1 est l’accroissement du Lagrangien dû à une hausse d’une


unité de x . Inversement pour f2 . De son côté, g1 correspond au
coût marginal de l’accroissement de x qui rend plus serrée la
contrainte, et donc qui doit être compensée par une baisse de y .
5. λ est le “prix d’ombre” ou le “shadow price” de la contrainte.
6. λ indique de combien la surface peut augmenter lorsque le
périmètre augmente d’une unité.
7. Donc λ = p/8 indique que la surface augmente de 1/8 lorsque p
augmente de 1.
Maximisation sous contrainte - 2

Vérification :

• Soit p = 40 ⇒ x = y = 10, A = 100.


• Posons p = 41 ⇒ x = y = 10, 25 et A = 105, 625.
• ∆A = 5.0625 ≈ 40/8
Maximisation sous contrainte - 3

Exemple # 2
On veut maximiser la fonction d’utilité suivante sous une contrainte
budgétaire :
1 1
max U = x 2 y 2
s/c x + y = I
Maximisation sous contrainte - 3

Exemple # 2
On veut maximiser la fonction d’utilité suivante sous une contrainte
budgétaire :
1 1
max U = x 2 y 2
s/c x + y = I

Conditions de premier ordre :

1 1
L = x 2 y 2 + λ(I − x − y )
∂L 1 1 1
= x−2 y 2 − λ = 0
∂x 2
∂L 1 1 1
= x 2 y−2 − λ = 0
∂y 2
∂L
=I −x −y =0
∂λ
I I
x = y = ,λ =
2 2
Maximisation sous contrainte - 3

Interprétation de λ :

1 1
f (x , y , 4) = 2 2 2 2 = 2
1 1
f (x , y , 5) = 2.5 2 2.5 2 = 2.5
1
∆f (·) = =λ
2
Maximisation sous contrainte d’inégalité :
Conditions Kuhn-Tucker
Le problème

Nous voulons maximiser une fonction f tout en respectant une série de


contraintes d’inégalité.

Énoncé du problème :

max f (x) sous les contraintes :


g1 (x) ≤ c1
g2 (x) ≤ c2
..
.
gm (x) ≤ cm
xi ≥ 0

Lagrangien :

L = f (x) + λ1 (c1 − g1 (x)) + · · · + λm (cm − gm (x))


Le problème

Exemple # 1 :

max f (x ) s/c g(x ) ≤ c


x
Le problème

Exemple # 2 :

max − (x1 − 4)2 − (x2 − 4)2


x1 ,x2

s/c x1 + x2 ≤ 4 et x1 + 2x2 ≤ 9
Le problème

Conditions Kuhn-Tucker :

L(x1 , x2 ) = −(x1 − 4)2 − (x2 − 4)2 − λ1 (x1 + x 2 − 4) − λ2 (x1 + 3x2 − 0)


− 2(x1 − 4) − λ1 − λ2 = 0
− 2(x2 − 4) − λ1 − 3λ2 = 0
x1 + x2 ≤ 4, λ1 ≥ 0, et λ1 (x1 + x2 − 4) = 0
x1 + 3x2 ≤ 9, λ2 ≥ 0, et λ2 (x1 + 3x2 − 9) = 0

De façon générale, on écrit :

∂L ∂L
≤ 0, xi ≥ 0, xi =0 ∀i = 1 . . . n
∂xi ∂xi
gj (x) ≤ cj , λj ≥ 0, λj (cj − gj (x)) = 0 ∀j = 1 . . . m

• Pour chaque xi , trois conditions doivent être satisfaites !


• Pour chaque gj , trois conditions doivent être satisfaites !
• Les conditions sont dénotées “Complementary Slackness Conditions”
ou “Conditions de complémentarité”
Théorème de l’enveloppe sous contrainte
Théorème de l’enveloppe sous contrainte

Soit x ∗ (a) la solution du problème suivant :

max y = f (x )
s/c g(x ; a) = 0

Écrivons le problème sous forme de Lagrangien :

L = f (x ) + λg(x ; a)

On peut montrer (et interpréter) le résultat suivant :

d ∂g(x ; a) ∂
f (x ∗ (a)) = λ = L(x ∗ (a), λ(a), a)
da
| {z } ∂a }
| {z ∂a
| {z }
Dérivée totale Dérivée partielle de la contrainte Dérivée partielle du Lagrangien
Théorème de l’enveloppe sous contrainte - 2

Comment obtient-on ce résultat ?

Chain Rule :
d X ∂f (x ∗ (a); a) dx ∗
f (x ∗ (a)) = i
da ∂∂xi da
i

Conditions de premier ordre du Lagrangien :


∂L(x , λ, a) ∂f (x ) ∂g
= + λ∗ =0
∂xi ∂xi ∂xi

Donc :
d X ∂g dx ∗
f (x ∗ (a)) = −λ i
da ∂xi da
i

Mais la dérivée de g(x; a) = 0 par rapport à a donne :


X ∂g dx ∗ ∂g X ∂g dx ∗ ∂g
i i
+ =0⇒ =−
∂xi da ∂a ∂xi da ∂a
i i
Théorème de l’enveloppe sous contrainte - 3

Considérons notre exemple portant sur la fonction d’utilité :

Exemple # 2
On veut maximiser la fonction d’utilité suivante sous une contrainte
budgétaire :
1 1
max U = x 2 y 2
s/c x + y = I

La solution était : x ∗ = y ∗ = 2I , λ∗ = I
2

Exercice : Trouver
∂ ∗ ∗
f (x (a), y (a), a) =?
∂x ∗
∂ ∗ ∗
f (x (a), y (a), a) =?
∂y ∗
dx ∗ (a)
=?
da
dy ∗ (a)
=?
da
Dualité
Dualité - 1

Primal vs Dual

Tout problème primal de maximisation d’une fonction sous contrainte


correspond à un problème dual qui minimise la contrainte sujet au respect de
la fonction objective originale.
Dualité - 1

Primal vs Dual

Tout problème primal de maximisation d’une fonction sous contrainte


correspond à un problème dual qui minimise la contrainte sujet au respect de
la fonction objective originale.

Primal :

max z = f (x , y )
s/c x + y = k̄
z ∗ = f (x ∗ , y ∗ )
Dualité - 1

Primal vs Dual

Tout problème primal de maximisation d’une fonction sous contrainte


correspond à un problème dual qui minimise la contrainte sujet au respect de
la fonction objective originale.

Primal :

max z = f (x , y )
s/c x + y = k̄
z ∗ = f (x ∗ , y ∗ )

Dual :

min k = x + y
s/c f (x , y ) = z ∗
k ∗ = k̄
Dualité - 1

Primal vs Dual

Tout problème primal de maximisation d’une fonction sous contrainte


correspond à un problème dual qui minimise la contrainte sujet au respect de
la fonction objective originale.

Le dual et le primal donnent la même solution

xP∗ = xD∗
yP∗ = yD∗
zP∗ = zD∗
Dualité - 2

Conclusion

Problème Primal :
1 1
max z = x 2 y 2
s/c x + y = 4
1 1
LP = x 2 y 2 + λ(4 − x − y )
1 ∗
xP∗ = yP∗ = 2, λ∗P = ,z = 2
2
Dualité - 2

Conclusion

Problème Primal :
1 1
max z = x 2 y 2
s/c x + y = 4
1 1
LP = x 2 y 2 + λ(4 − x − y )
1 ∗
xP∗ = yP∗ = 2, λ∗P = ,z = 2
2

Problème Dual :

min k = x + y
1 1
s/c 2 = x 2 y 2
1 1
LD = x + y + λ(2 − x 2 y 2 )
1 ∗
xD∗ = yD∗ = 2, λ∗D = , z = 2, k = 4
2
Dualité - 2

Conclusion

Dans le Primal, on a :
fi
λP = −
gi
Dans le Dual, on a :
gi
λD = −
fi
Donc :
1
λP =
λD

• La maximisation des profits est le primal et la minimisation des


coûts en est le dual
• La minimisation de la fonction de dépense est le dual de la
maximisation de l’utilité

Vous aimerez peut-être aussi