Année universitaire 2023/2024

Semestre 1
Licence 2 Économie et gestion

Mathématiques 2

Partie 1 Révisions
Chapitre 2
Dérivations et optimisation des fonctions à plusieurs variables

Enseignants : Christophe BOILLEY, [email protected] & Marie Boltz, [email protected]

Espace Moodle du cours : L2S3Maths3 Lien Moodle

1 Introduction

Objectifs de cette Partie Révisions de L1

— Nous allons faire des rappels des notions étudiées l’an dernier en Analyse et voir
une série d’exemples/cas pratiques dans lesquels vous serez amenés en économie à
utiliser ces notions mathématiques

→ Notions étudiées l’an dernier que l’on révisera ici

— Analyse de fonctions et dérivation de fonctions à une variable
— Dérivation de fonctions à plusieurs variables
— Optimisation de fonctions avec et sans contrainte
2 Dérivation des fonctions à une variable
2.1 Rappels des notions, définitions et propriétés clés

Lien entre nombre dérivé et tangente à une courbe

— Le nombre dérivé f ′ (x0 ) est défini comme la pente (coef. directeur) de la tan-
gente à la courbe d’équation y = f (x) au point de coordonnées (x0 , f (x0 )).

— L’équation de la tangente au graphique y = f (x) au point de coordonnées (x0 , f (x0 ))

est alors :
y = f (x0 ) + f ′ (x0 ) · (x − x0 )

Définition d’un nombre dérivé

Soit f une fonction réelle d’une variable réelle. Le nombre dérivé de la fonction f au
point x0 est la limite, si elle existe, du taux d’accroissement noté alors f ′ (x0 ) et défini
par :

f (x0 + h) − f (x0 )
f ′ (x0 ) = lim
h→0 h
ou
f (x) − f (x0 )
f ′ (x0 ) = lim
x→x0 x − x0

Exemple avec la fonction f (x) = x2

1. Calculer f ′ (x0 ) pour cette fonction.

2. Déterminer f ′ (1/2) et f ′ (−1).

3. Donner l’équation de la tangente au point (1/2; 1/4).

1. Calculer f ′ (x0 ) pour cette fonction.

2. f ′ (1/2) = 2 × 1/2 = 1 ; f ′ (−1) = 2 × (−1) = −2

3. équation de la tangente au point (1/2; 1/4) :

Page 2
Qu’est-ce qu’une fonction dérivée ?

Définition : Si le nombre dérivé d’une fonction réelle de la variable réelle existe en tout
point x0 d’un intervalle I ∈ R, alors f admet sur I une fonction dérivée, notée f ′ et définie
par :

f′ : I → R
x0 7→ f ′ (x0 )

On dit alors que f est dérivable sur I.

df
Notation : la fonction dérivée de f se note f ′ ou dx .

La dérivée d’une fonction f ′ (x) ou simplement f ′ est donc soi-même une fonction qui
mesure à la fois pente de la courbe de f et le taux de croissance instantané de la fonction
d’origine f (x) en un point.

√
Fonction dérivée - Exemple avec la fonction x Montrer que la fonction f suivante
est dérivable sur R∗+ et déterminer f ′ (x) :

f : R+ → R+
√
x 7→ x

Solution :

Rappels sur quelques règles de dérivation importantes

— La règle de la somme/différence : La dérivée de la somme/différence de deux
fonctions = la somme/différence des dérivées de chaque fonction

— La règle du produit : soit f (x) = g(x) · h(x), avec h(x) et g(x) deux fonctions
dérivables alors :
f ′ (x) = g(x) · h′ (x) + g ′ (x) · h(x)

Page 3
 g(x)
— La règle du quotient : soit f (x) = h(x) , avec h(x) et g(x) deux fonctions dérivables
et h(x) ̸= 0 alors :
h(x) · g ′ (x) − h′ (x) · g(x)
f ′ (x) =
h(x)2

— La règle de la fonction puissance : la dérivée d’une fonction puissance : f (x) =

kxn avec k une constante et n ∈ R :

f (x) = kxn ⇒ f ′ (x) = k · n · xn−1

— La règle de la fonction puissance généralisée : f (x) = k[g(x)]n avec k une

constante, g une fonction dérivable, n ∈ R :

f ′ (x) = k · n · g ′ (x) · [g(x)]n−1

— La règle de la fonction composée : soit y une fonction de u, i.e. y = f (u) et u

une fonction de x, i.e. u = g(x), alors y = f [g(x)] et la dérivée de y par rapport à
x est égale ) la dérivée de la première fonction par rapport à u fois la dérivée de la
seconde fonction par rapport à x :

dy dy du
= ·
dx du dx

Dérivées du second-ordre ou plus..

On peut obtenir la dérivée d’ordre deux, notée f ′′ (x) en dérivant la dérivée d’ordre 1, f ′ (x).
Et ainsi de suite. La dérivée d’ordre 2 mesure la pente et le taux d’accroissement de la
première dérivée, de la même manière que la première dérivée mesure la pente et le taux
d’accroissement de la fonction "première" ou primitive.

Notations : Étant donnée y = f (x), les notations communes pour désigner une dérivée
d’ordre 2 sont :
d2 y
f ′′ (x); ; y ′′ ; D2 y.
dx2
d3
Pour la dérivée d’ordre 3 : f ′′′ (x); f (3) ; dx3
, y ′′′ , y (3) , D3 y. et ainsi de suite.

Exemple : si f (x) = 2x4 +5x3 +3x2 , alors : que vaut f ′ (x), f ′′ (x), f ′′′ (x) et f (4) (x), f (5) (x) ?
Solution :

f ′ (x) = 8x3 + 15x2 + 6x

f ′′ (x) = 24x2 + 30x + 6
f ′′′ (x) = 48x + 30
f (4) (x) = 48
f (5) (x) = 0

Page 4
2.2 Applications des dérivées en économie

Fonctions croissantes et décroissantes

— Une fonction f (x) est dite croissante (décroissante) en x = a si dans le voisinage
immédiat du point [a, f (a)] la courbe de la fonction croît (décroît) lorsque l’on se
déplace de la gauche vers la droite.

— Or que représente la dérivée première d’une fonction ?

La première dérivée représente le taux de variation et la pente de la fonction : donc
une dérivée première positive en x = a indique une fonction croissante en a.
Une dérivée première négative indique une fonction décroissante :

f ′ (a) > 0 ⇒ fonction croissante enx = a (1)

f ′ (a) < 0 ⇒ fonction décroissante enx = a (2)

— Une fonction qui est croissante (décroissante) sur tout son domaine de définition est
dite une fonction monotone, on dit qu’elle est croissante (décroissante) monotone.

Concavité et convexité
— Une fonction f (x) est concave en x = a si ...
— si dans un voisinage proche du point [a, f (a)], la courbe de la fonction se trouve
en dessous de sa tangente .
— si sa dérivée du second ordre, si elle existe, est négative en x = a.
— Une fonction f (x) est convexe en x = a si ...
— si dans un voisinage proche du point [a, f (a)], la courbe de la fonction se trouveau-
dessus de sa tangente .
— si sa dérivée du second ordre , si elle existe, est positive en x = a.

Page 5
 En bref, on a :

f ′′ (a) > 0 : f (x) est convexe en x = a

f ′′ (a) < 0 : f (x) est concave en x = a

— Si f ′′ (x) > 0 pour tout x dans le domaine de définition de f , alors f est strictement
convexe.
— Si f ′′ (x) < 0 pour tout x dans le domaine de définition de f , alors f est strictement
concave.

Page 6
Extrema locaux
— Un extremum local est un point où la fonction atteint un maximum ou mini-
mum local/relatif.

— Pour être un maximum ou minimum local au point a, la fonction doit atteindre un

plateau relatif, i.e. elle ne doit être ni croissante ni décroissante en a.

→ Qu’est ce que cela signifie pour la dérivée de f en a ?

— Si la fonction n’est ni croissante ni décroissante en a, alors sa dérivée première
en a doit être égale à 0 ou ne pas être définie !

— Un point du domaine de définition de f où la dérivée s’annule ou n’est pas définie,

est appelé un point critique ou valeur critique.
— Comment distingue-t-on mathématiquement un maximum local d’un minimum lo-
cal ? On fait le test de la dérivée seconde !
Supposons que f ′ (a) = 0,

1. Si f ′′ (a) > 0, cela indique la fonction est convexe et que la courbe se situe
totalement au-dessus de sa tangente en ce point x = a → alors la fonction
atteint un minimum local en x = a.

2. Si f ′′ (a) < 0, cela indique la fonction est concave et que la courbe se situe
totalement en-dessous de sa tangente en ce point x = a → alors la fonction
atteint un maximum local en x = a.

3. Si f ′′ (a) = 0, le test ne permet pas de conclure.

— Pour des fonctions dérivables en tout point x du domaine de définition, on a besoin

de regarder uniquement les cas où f ′ (x) = 0 pour trouver les points critiques (pas
de pb de dérivée non définie en certains points à traiter).

— En résumé :

f ′ (a) = 0 f ′′ (a) > 0 : minimum relatif en x = a

f ′ (a) = 0 f ′′ (a) < 0 : maximum relatif en x = a

Page 7
Points d’inflexion
— Un point d’inflexion est un point sur la courbe où ... la fonction croise sa tangente et
passe de concave à convexe ou inversement.

— Le signe de la première dérivée n’est pas important.

— En résumé et graphiquement : on a un point d’inflexion en a si :

1. f ′′ (a) = 0 ou n’est pas définie.
2. La concavité change en x = a.
3. La courbe de f traverse sa tangente en x = a.

Optimisation de fonctions
— En économie, on cherche souvent les maxima ou minima locaux d’une fonction (coût,
production, utilité, ...).

— Sans l’aide d’un graphiquement, on les trouve en analysant la fonction étudiée comme
on vient de le faire précédemment.

— Méthode de recherche d’extrema locaux : soit une fonction usuelle dérivable,

1. Calcul de la dérivée première de la fonction et recherche du(des) point(s)

où elle s’annule → recherche des points critiques : f ′ (x) = 0

Cette étape représente une condition nécessaire à un extremum local, il s’agit de la

condition de premier ordre (CPO).

Cela permet d’identifier tous les points où la fonction n’est ni croissante ni décrois-
sante mais est à un plateau ! Tous ces points sont des candidats potentiels à un
minimum ou maximum local.

2. Calcul de la dérivée seconde, on l’évalue au(x) point(s) critique(s) et on

vérifie son(ses) signe(s).

Si à un point critique a :
— f ′′ (a) < 0 : la fonction est concave en a on a donc un maximum local
— f ′′ (a) > 0 : la fonction est convexe en a on a donc un minimum local

Page 8
 — f ′′ (a) = 0 : on ne peut pas conclure : cf. point d’inflexion vu précédemment.

Si la CPO, condition nécessaire, est satisfaite, alors cette étape, la condition de

second ordre (CSO) (ou test de la dérivée seconde) est une condition suffisante !
→ En bref

— NB : si une fonction est strictement concave (convexe), alors il n’y aura qu’un seul
maximum (minimum), on l’appelle maximum (minimum) global.

Exemple : la fonction suivante a-t-elle un ou des extrema locaux ? En d’autres termes

optimisez cette fonction.

Concept du raisonnement à la "marge"

— Retour à des notions d’économie vues en L1 (microéconomie)

— Le coût marginal Cm correspond à la variation du coût total CT induite par la pro-

duction d’une unité supplémentaire de bien.
— Le revenu marginal Rm correspond à la variation de revenu total RT induite par la
vente d’une unité supplémentaire de bien.
— Comme le coût total (CT) et le revenu total (RT) sont toutes les deux des fonctions
de la production Q, on peut expexprimer mathématiquement le coût marginal Cm et
le revenu marginal Rm comme les dérivées de ces fonctions respectivement :

∂CT
Cm =
∂Q

∂RT
Rm =
∂Q
— En bref : le concept "marginal" de toute fonction économique correspond à la dérivée
de sa fonction totale.

Optimisation d’une fonction économique

— Un économiste est souvent appelé à aider une entreprise à maximiser ses profits, niveaux
de production et productivité, ou à minimiser ses coûts, ses niveaux de pollution, et
l’utilisation de ressources naturelles rares.

— Pour ce faire, les techniques mathématiques développées l’an dernier et vues précédem-
ment vous permettent de répondre à ces problèmes d’optimisation.

Exemple : Maximiser les profits π d’une entreprise dont le revenu total est R = 4000Q−
33Q2 et dont le coût total C = 2Q3 − 3Q2 + 400Q + 5000, en supposant que la production
est strictement positive : Q > 0.

Page 9
3 Fonctions à deux variables
3.1 Définitions
— Beaucoup d’activités économiques impliquent des fonctions qui dépendent de plus d’une
variable indépendante.
— z = f (x1 , x2 ) est définie comme une fonction à deux variables indépendantes
s’il existe une et une seule valeur de z pour chaque paire ordonnée des nombres réels
(x1 , x2 ) dans le domaine de définition de f .
— Par convention, z est appelée la variable dépendante ; x1 et x2 les variables indépen-
dantes.

→ Définition 1 - Une fonction réelle de deux variables réelles est une application d’une
partie de R2 vers R.

— Exemples :

1. Les projections (x1 , x2 ) 7→ x1 et (x1 , x2 ) 7→ x2 sont définies sur R2 .

2. Les fonctions linéaires sont des combinaisons linéaires des projections :

3. Les monômes de 2 variables sont les produits de projections et d’une constante :

4. Les fonctions polynômes de deux variables sont les combinaisons linéaires des mo-
nômes. Les fonctions quadratiques sont le cas particulier des fonctions polynômes
de degré inférieur ou égal à 2.

→ Définition 2 - Soit f une fonction à deux variables. Le graphe de la fonction est

l’ensemble : (x1 , x2 , z) ∈ R3 : z = f (x1 , x2 )


→ Définition 3 - Soit f une fonction de deux variables et k ∈ R. La courbe de niveau k

(ou ligne de niveau) est l’ensemble des vecteurs (x1 , x2 ) tels que f (x1 , x2 ) = k.

— Exemples - fonctions d’utilité

Page 10
4 Les dérivées partielles
Avec z = f (x1 , x2 ), pour mesurer l’effet d’une variation d’une seule variable indépendante
(x1 ou x2 ) sur la variable dépendante z dans une fonction multivariée, on a besoin du
concept de dérivée partielle.

La dérivée partielle de z par rapport à x1 mesure le taux de variation instantané de z par

rapport à x1 quand x2 est maintenu constant.

Notations :

∂z ∂f (x1 , x2 )
; ; fx1 (x1 , x2 ), fx1 , zx1
∂x1 ∂x1

De manière symétrique, on peut obtenir la dérivée partielle de z par rapport à x2 , avec x1

constant :
∂z ∂f (x1 , x2 )
; ; fx2 (x1 , x2 ), fx2 , zx2
∂x2 ∂x2

→ Définition - soit f une fonction de deux variables. Les dérivées partielles de f sont les
∂f ∂f
fonctions de deux variables ∂x1 et ∂x2 définies par :

Les dérivées partielles répondent aux mêmes règles d’opération que les dérivées vues
précédemment.
→ Exemple. Soit une fonction z = (x3 + 7y 2 )4 , donner les dérivées partielles.

Page 11
→ Définition - extremum local - Soit f une fonction de deux variables. On dit que f
admet un minimum local (resp. un maximum local ) en un point a ∈ R2 s’il existe un
réel r > 0 tel que pour tout x ∈ B(a, r) on ait f (x) ≥ f (a) (resp. f (x) ≤ f (a)).
On dit que F admet un extremum local en a si elle admet un maximum local ou un
minimum local en a.

→ Propriété - Soit f une fonction de deux variables définie sur un voisinage de a ∈ R2 .

Si f admet un extremum local et des dérivées partielles en a,
alors ces dérivées partielles s’annulent en a.
→ Définition - On appelle point critique d’une fonction f tout point en lequel les dérivées
partielles existent et s’annulent.
Attention : Tout extremum local intérieur est atteint en un point critique mais la
réciproque est fausse !

4.1 Les dérivées secondes

— Soit une fonction z = f (x, y), la dérivée partielle (directe) de second-ordre ou
d’ordre 2 signifie que cette fonction a été dérivée deux fois par rapport à cette variable
indépendante pendant que l’autre indépendante a été maintenue constante :
DéfinitionSoit F une fonction de deux variables admettant des dérivées partielles. Les
dérivées d’ordre 2 sont les dérivées partielles des dérivées partielles. On note i,jF la
dérivée partielle par rapport à la i-ème variable de la dérivée par rapport à la j-ième
variable, si elles existent.

— Les dérivées partielles croisées fxy ou fyx indiquent que la fonction première f
a été dérivée partiellement par rapport une des variables indépendantes et puis une
nouvelle fois par l’autre var indépendantes :

— Par le théorème de Schwartz : si la fonction f admet deux dérivées partielles secondes

qui sont toutes continues : alors elles sont identiques fxy = fyx !

Page 12
4.2 L’optimisation de fonctions à plusieurs variables
Pour déterminer si l’on se trouve à un minimum ou maximum local d’une fonction à
plusieurs variables z = f (x, y), trois conditions doivent être satisfaites :
1. ...

Cela signifie que l’on se trouve à un point critique : en ce point (a, b) la fonction ne
croit pas et ne décroît pas par rapport aux axe principaux.

2. ...

Cela nous assure que depuis le plateau à (a, b) :

— dans le cas d’un maximum : la fonction est concave et est décroissante autour du
point pour les différents axes
— dans le cas d’un minimum : la fonction est convexe et croissante autour du point
dans la direction des axes.

3. Le produit des dérivées partielles directes d’ordre 2 évaluées au point critique (a, b) doit
être supérieur aux produits des dérivées partielles d’ordre 2 croisées également évaluées
en ce point.

Page 13
En bref

Important : Max/min global vs max/min local : si la fonction est strictement

concave (convexe) en x et y sur le domaine de définition alors il n’y aura qu’un seul
maximum (minimum) : appelé maximum (minimum) global/absolu.

Si la fonction est simplement concave (convexe) en x et en y sur un intervalle, alors le

point critique est un maximum(minimum) local ou relatif.

Pour aller plus loin : que ce passe-t-il si dans la contrainte 3 nous n’avons pas :
fxx · fyy > (fxy )2 mais fxx · fyy < (fxy )2 ?

Indices :

Page 14
4.3 L’optimisation sous contrainte : Lagrangien
— En économie : il s’agit presque toujours de maximiser/minimiser une fonction objective
(utilité, profit, cout) sous une contrainte (budget, technologie)

— On veut chercher l’extremum (max ou min) d’une fonction f (x, y) sous la contrainte
g(x, y) = k avec k une constante.

— On forme alors le Lagrangien !

— NB : le produit λ[k − g(x, y)] = 0 par construction, donc l’ajout de ce terme ne change
en rien la valeur de la fonction objective !

— Résolution : On trouve les valeurs critiques (x0 , y0 , λ0 ) qui optimisent la fonction (min
ou max) en prenant la dérivée partielle de L par rapport à chacune des 3 variables
indépendantes et en les égalisant à 0 : puis en résolvant le système de 3 équations, 3
inconnues simultanément !

- Signification du multiplicateur de Lagrange λ =

— NB 2 : λ[k − g(x, y)] ou λ[g(x, y) − k] les deux versions n’affectent pas les valeurs x0 et
y0 obtenues. Par contre pour ne pas se tromper dans l’interprétation donnée à λ juste
au dessus il faut bien respecter le sens dans la forme du Lagrangien.

Page 15
4.4 Optimisation avec des contraintes d’inégalité

Jusqu’à présent, les contraintes que vous avez étudié étaient des égalités strictes (de la forme
x+y = 3). Or certains problèmes économiques requièrent des contraintes plus faibles basées
sur des inégalités. Par exemple c’est le cas lorsque des individus cherchent à maximiser
leur utilité/satisfaction sous la contrainte de ne pas dépenser plus que x euros. Ou encore,
lorsqu’une entreprise cherche à minimiser ses coûts de production sous la contrainte de ne
pas produire moins que x unités.

Pour résoudre ce type de problème économique, on parle de "optimisation convexe"

car la fonction objective (utilité, profit, coût) et les fonctions des contraintes sont toutes
supposées concaves ou convexes. Il s’agit de la résolution d’un programme non linéaire.

NB : Lien fonctions convexes/concaves :

Les conditions de Kuhn et Tucker

Soit un problème d’optimisation sous une contrainte d’inégalité avec la fonction objective f
et la fonction de contrainte g concaves et dérivables suivantes : g(x1 , x2 ) ≥ 0 et x1 ≥ 0,
x2 ≥ 0

On forme le Lagrangien suivant :

Alors, les conditions de premier ordre nécessaires et suffisantes pour la maximisation,

appelées conditions de Kuhn et Tucker sont :

Page 16
Remarques :
— On appelle les conditions

— La condition

Cela implique que la programmation concave cherche un point selle dans la fonction
du Lagrangien afin d’optimiser la fonction objective sous la contrainte d’une inégalité.

— En toute généralité, les conditions de KT sont des conditions nécessaires : autre-

ment dit, si on se trouve à un optimum (min ou max), ces conditions sont toujours
réalisées. Mais elles ne sont pas forcément suffisantes : autrement dit, ce n’est pas
parce qu’elles sont réalisées en un point (x, λ) que ce point est une obligatoirement un
optimum.

— Dans le cas comme présenté ici où les deux fonctions f et g sont concaves : les
conditions de KT sont bien nécessaires et suffisantes ! Dans cette situation, un
point est un optimum si et seulement si les conditions sont toutes réalisées. Si jamais
une seule des conditions n’était pas réalisée, le point ne peut être une solution optimale
du problème.

— Dans certains livres, le problème peut être présenté légèrement différemment : dans
le cas d’une maximisation, on présente bien f comme concave mais la fonction de la
contrainte h comme convexe,
→ Attention ! alors la contrainte est inversée : h(x1 , x2 ) ≥ 0 et donc l’écriture du
Lagrangien change également : L(x1 , x2 , λ) = f (x1 , x2 )−λ·(h(x)−0). Les conditions de
KT restent les mêmes ! Attention donc au sens de l’écriture et à la concavité/convexité
de la fonction de la contrainte ! !

— Dans le cas de la programmation linéaire, alors si les conditions de KT sont réalisées,

on est bien à un maximum car ce sont des conditions nécessaires et suffisantes, car une
fonction linéaire est à la fois convexe et concave !

Page 17
Références
— Luis Moises Pena-Levano, Schaum’s Outline of Calculus for Business, Economics and
Finance, Fourth Edition, McGraw Hill, 2021
— Carl P. Simon and Lawrence Blume, Mathematiques pour Economistes, Norton and
Company, 1994.
— Alpha C. Chiang and Kevin Wainwright, Fundamental Methods of Matehamtical Eco-
nomics, 4th edition, McGraw Hill, 2005.
— Christophe Boilley : https ://boilley.ovh/cours/fonctions-deux-variables.html

Annexe : Formulaire de dérivation

Fonction f Df Fonction dérivée f ′ Df ′

xn , n ∈ N R nxn−1 R

1 n
= x−n , n ∈ N \ {0} R \ {0} − = −nx−n−1 R \ {0}
xn xn+1

xα , α ∈]0, +∞[ ]0, +∞[ αxα−1 ]0, +∞[

ex R ex R
1
ln |x| R \ {0} R \ {0}
x

Page 18
Page 19