Optimisation

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?

cette fonction :
∂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.

cette fonction :

cette fonction :
Condition de deuxième ordre :

∂ 2 π
< 0.
(∂q)2 q?
Cette condition nous assure que q ? est un optimum “local”.


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
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.
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

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

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 )
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.

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.

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.
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.
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 définie négative )

M est dite définie négative si et seulement si :
A0 MA < 0 ∀A 6= 0
≤ 0.
Définition (Matrice semi-définie négative )

M est dite semi-définie négative si et seulement si :
A0 MA ≤ 0 ∀A
≥ 0.
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

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

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

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).
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).
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.

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.

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.
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.
Définition (Fonctions strictement quasi-concaves)

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 ]

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 »)
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.
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)

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.
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.
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)
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.
Exemple : Trouver une condition suffisante sur x et y permettant

d’affirmer que la fonction f(xy) = xy est quasi-concave.
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
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
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.
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
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
Exemple 2
Soit
x 2 − 3xy + y 3 − 7 = 0
On veut trouver dy /dx |x =4,y =3

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

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 . . .
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
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 ∗.
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
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.
Autre illustration
Cette figure est telle que la dérivée à chaque point est donnée par
∂y ∗
= x ∗ (a)
∂a
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 )
∂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.
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 )
∂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
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.
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
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
Exemple # 2
budgétaire :
1 1
max U = x 2 y 2
s/c x + y = I
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
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
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

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

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

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

Optimisation

Transféré par

Droits d'auteur :

Formats disponibles

Optimisation

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optimisation

Transféré par

Droits d'auteur :

Formats disponibles

Rappel de notions mathématiques (Vade Mecum)

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

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

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

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

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

Condition de deuxième ordre :

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

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

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

Soit la fonction suivante :

Les dérivées partielles sont définies ainsi :

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

• 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.

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.

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

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

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

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

• 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

• 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

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

Définition : Matrice Hessienne

• La Matrice hessienne est définie par :

Cette matrice est symétrique d’ordre n.

Définition : Matrice Hessienne bordée

• La Matrice hessienne bordée est définie par :

Cette matrice est symétrique d’ordre n + 1.

Définition : Matrice Jacobienne

• La Jacobienne est définie par :

Cette matrice est symétrique d’ordre n.

Définition (Matrice définie positive )

Définition (Matrice définie positive )

Définition (Matrice semi-définie positive )

Définition (Matrice définie négative )

Définition (Matrice définie négative )

Définition (Matrice semi-définie négative )

Caractérisation des matrices

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

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

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

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

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

Fonctions à une seule variable

Fonctions à plusieurs variables

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

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

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

Définition (Fonctions quasi-concaves)

Définition (Fonctions quasi-concaves)

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