Chapitre 1: Eléments de base d’optimisation.

Master 1 IABD / ESP

Dr. Mbaye Faye

24 mars 2026

1/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 1 /

 Plan

1 Introduction

2 Généralités sur les fonctions de plusieurs variables

3 Calcul différentiel

4 Fonctions convexes de Rn dans R

2/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 2 /

 1 Introduction

2 Généralités sur les fonctions de plusieurs variables

3 Calcul différentiel

4 Fonctions convexes de Rn dans R

3/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 3 /

 Introduction

Les fonctions de plusieurs variables constituent une généralisation des fonctions

réelles d’une variable réelle que vous étudiez depuis de longues années. Elles
jouent un rôle important dans bien des branches de mathématiques et dans leurs
applications.

En effet, une modélisation mathématique adéquate traitant des questions relatives

à la production, à la consommation, à l’environnement, etc., s’exprime le plus
souvent à l’aide de fonctions de plusieurs variables.

Ce chapitre introduit les fonctions de plusieurs variables réelles en élargissant les

définitions et les propriétés des fonctions d’une seule variable. Nous allons étudier
les limites, la continuité, la différentiabilité, la convexité, etc.

4/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 4 /

 Introduction

Les fonctions de plusieurs variables constituent une généralisation des fonctions

réelles d’une variable réelle que vous étudiez depuis de longues années. Elles
jouent un rôle important dans bien des branches de mathématiques et dans leurs
applications.

En effet, une modélisation mathématique adéquate traitant des questions relatives

à la production, à la consommation, à l’environnement, etc., s’exprime le plus
souvent à l’aide de fonctions de plusieurs variables.

Ce chapitre introduit les fonctions de plusieurs variables réelles en élargissant les

définitions et les propriétés des fonctions d’une seule variable. Nous allons étudier
les limites, la continuité, la différentiabilité, la convexité, etc.

4/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 4 /

 Introduction

Les fonctions de plusieurs variables constituent une généralisation des fonctions

réelles d’une variable réelle que vous étudiez depuis de longues années. Elles
jouent un rôle important dans bien des branches de mathématiques et dans leurs
applications.

En effet, une modélisation mathématique adéquate traitant des questions relatives

à la production, à la consommation, à l’environnement, etc., s’exprime le plus
souvent à l’aide de fonctions de plusieurs variables.

Ce chapitre introduit les fonctions de plusieurs variables réelles en élargissant les

définitions et les propriétés des fonctions d’une seule variable. Nous allons étudier
les limites, la continuité, la différentiabilité, la convexité, etc.

4/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 4 /

 1 Introduction

2 Généralités sur les fonctions de plusieurs variables

3 Calcul différentiel

4 Fonctions convexes de Rn dans R

5/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 5 /

 Généralités sur les fonctions de plusieurs variables

Définitions et Exemples
Soit n un nombre entier, on dit qu’une fonction y = f (x1 , · · · , xn ) est une
fonction de plusieurs n variables indépendantes si à tout système de valeurs des
variables indépendantes x1 , · · · , xn correspond une valeur bien déterminée de la
variable dépendante y .

Définition
Une fonction f de n variables est un procédé qui a tout n-uplet (x1 , · · · , xn ) de
D ⊆ Rn associe un unique nombre réel. Cela se note de la manière suivante :

f : D ⊆ Rn −→ R
(x1 , · · · , xn ) 7−→ f (x1 , · · · , xn ).

• fonction de deux variables : f : R2 −→ R

x2 − y2
(x1 , x2 ) 7−→ .
6/52 Dr. Mbaye Faye () Master 1 Optimisation
x2+ y2 + 1 24 mars 2026 6 /
 Généralités sur les fonctions de plusieurs variables

Définitions et Exemples
Soit n un nombre entier, on dit qu’une fonction y = f (x1 , · · · , xn ) est une
fonction de plusieurs n variables indépendantes si à tout système de valeurs des
variables indépendantes x1 , · · · , xn correspond une valeur bien déterminée de la
variable dépendante y .

Définition
Une fonction f de n variables est un procédé qui a tout n-uplet (x1 , · · · , xn ) de
D ⊆ Rn associe un unique nombre réel. Cela se note de la manière suivante :

f : D ⊆ Rn −→ R
(x1 , · · · , xn ) 7−→ f (x1 , · · · , xn ).

• fonction de deux variables : f : R2 −→ R

x2 − y2
(x1 , x2 ) 7−→ .
6/52 Dr. Mbaye Faye () Master 1 Optimisation
x2+ y2 + 1 24 mars 2026 6 /
 Généralités sur les fonctions de plusieurs variables

Définitions et Exemples
Soit n un nombre entier, on dit qu’une fonction y = f (x1 , · · · , xn ) est une
fonction de plusieurs n variables indépendantes si à tout système de valeurs des
variables indépendantes x1 , · · · , xn correspond une valeur bien déterminée de la
variable dépendante y .

Définition
Une fonction f de n variables est un procédé qui a tout n-uplet (x1 , · · · , xn ) de
D ⊆ Rn associe un unique nombre réel. Cela se note de la manière suivante :

f : D ⊆ Rn −→ R
(x1 , · · · , xn ) 7−→ f (x1 , · · · , xn ).

• fonction de deux variables : f : R2 −→ R

x2 − y2
(x1 , x2 ) 7−→ .
6/52 Dr. Mbaye Faye () Master 1 Optimisation
x2+ y2 + 1 24 mars 2026 6 /
 Généralités sur les fonctions de plusieurs variables

Domaine de définition
On appelle domaine de définition de la fonction
f : Rn → R l’ensemble des n-uplet (x1 , · · · , xn ) pour lesquels cette fonction est
bien définie. On note par Df le domaine de définition de f .

Exemple
Déterminons le domaine de définition des fonctions :
ln(x )
1 f (x1 , x2 ) = √ 2 ;
x1 −x2
p
2 f (x1 , x2 ) = x12 − x22 ;
q
x12 −x2
3 f (x1 , x2 ) = x2 .

7/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 7 /

 Généralités sur les fonctions de plusieurs variables

Domaine de définition
On appelle domaine de définition de la fonction
f : Rn → R l’ensemble des n-uplet (x1 , · · · , xn ) pour lesquels cette fonction est
bien définie. On note par Df le domaine de définition de f .

Exemple
Déterminons le domaine de définition des fonctions :
ln(x )
1 f (x1 , x2 ) = √ 2 ;
x1 −x2
p
2 f (x1 , x2 ) = x12 − x22 ;
q
x12 −x2
3 f (x1 , x2 ) = x2 .

7/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 7 /

 Généralités sur les fonctions de plusieurs variables

Solution
1 La fonction f est bien définie si et seulement si
( ( 
x2 > 0 x2 > 0
=⇒ =⇒ Df = (x1 , x2 ) ∈ R2 x1 > x2 et x2 > 0
x1 − x2 > 0 x1 > x2

2 La fonction f est bien définie si et seulement si

x12 − x22 ≥ 0 ⇒ |x1 | ≥ |x2 |

 
2
=⇒ Df = (x1 , x2 ) ∈ R |x1 | ≥ |x2 |

3 La fonction f est bien définie si et seulement si

( (
x2 > 0 x2 > 0
2
=⇒
x1 − x2 > 0 x12 > x2
 
=⇒ Df = (x1 , x2 ) ∈ R2 x12 > x2 > 0 ou 0 > x2 > x12
8/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 8 /
 Généralités sur les fonctions de plusieurs variables

Fonctions partielles
Soit f : D → R, D ⊂ R2 . Soit A = (a, b) un point intérieur de D. Les fonctions
x 7→ f (x, b) et y 7→ f (a, y ) définies sur des intervalles ouverts, contenant
respectivement b et a sont appelées les fonctions partielles associées à f au point
A.

9/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 9 /

 Généralités sur les fonctions de plusieurs variables

On appelle norme sur Rn toute application

k·k : Rn → [0, +∞[ possédant les propriétés suivantes :
1 kxk = 0 ⇐⇒ x = 0 pour tout x ∈ Rn
2 kλxk = |λ| kxk pour tout x ∈ Rn , pour tout λ ∈ R
3 kx + y k ≤ kxk + ky k pour tout x, y ∈ Rn ,
4 |kxk − ky k| ≤ kxk + ky k pour tout x, y ∈ Rn ,

Soit p ∈ N∗ . Dans Rn , on utilise les normes classiques suivantes définies pour

x = (x1 , · · · , xn ) par :
v
u n
uX p
p
kxkp = t |xi | , (kxk2 est la norme euclidienne) ;
i=1
 
kxk∞ = sup |x1 | , · · · , |xn | la norme infinie.

10/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 10

 Généralités sur les fonctions de plusieurs variables

On appelle norme sur Rn toute application

k·k : Rn → [0, +∞[ possédant les propriétés suivantes :
1 kxk = 0 ⇐⇒ x = 0 pour tout x ∈ Rn
2 kλxk = |λ| kxk pour tout x ∈ Rn , pour tout λ ∈ R
3 kx + y k ≤ kxk + ky k pour tout x, y ∈ Rn ,
4 |kxk − ky k| ≤ kxk + ky k pour tout x, y ∈ Rn ,

Soit p ∈ N∗ . Dans Rn , on utilise les normes classiques suivantes définies pour

x = (x1 , · · · , xn ) par :
v
u n
uX p
p
kxkp = t |xi | , (kxk2 est la norme euclidienne) ;
i=1
 
kxk∞ = sup |x1 | , · · · , |xn | la norme infinie.

10/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 10

 Généralités sur les fonctions de plusieurs variables

Boule ouverte
Dans Rn muni d’une norme on appelle Boule ouverte de centre c ∈ Rn et de
rayon r > 0 l’ensemble
 
B(c, r ) = x ∈ Rn tel que kx − ck < r .

Boule fermée
Dans Rn muni d’une norme on appelle Boule fermée de centre c ∈ Rn et de
rayon r > 0 l’ensemble
 
n
Bf (c, r ) = x ∈ R tel que kx − ck ≤ r .

11/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 11

 Généralités sur les fonctions de plusieurs variables

Boule ouverte
Dans Rn muni d’une norme on appelle Boule ouverte de centre c ∈ Rn et de
rayon r > 0 l’ensemble
 
B(c, r ) = x ∈ Rn tel que kx − ck < r .

Boule fermée
Dans Rn muni d’une norme on appelle Boule fermée de centre c ∈ Rn et de
rayon r > 0 l’ensemble
 
n
Bf (c, r ) = x ∈ R tel que kx − ck ≤ r .

11/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 11

 Généralités sur les fonctions de plusieurs variables

Limite d’une fonction d’une seule variable

Soit f : I −→ R une fonction définie sur un intervalle I de R. Soit x0 ∈ R un point
de I ou une extrémité de I .
• On dit que f a pour limite ` ∈ R quand x tend vers a x0 si
∀ > 0 ∃δ > 0 ∀x ∈ I

|x − x0 | < δ =⇒ |f (x) − `| < 

• On dit que f tend vers +∞ quand x tend vers x0

si ∀M > 0 ∃δ > 0 ∀x ∈ I

|x − x0 | < δ =⇒ f (x) > M

• On dit que f tend vers −∞ quand x tend vers x0

si ∀M > 0 ∃δ > 0 ∀x ∈ I

|x − x0 | < δ =⇒ f (x) < −M

12/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 12

 Généralités sur les fonctions de plusieurs variables

Limite d’une fonction d’une seule variable

• On dit que f a pour limite l ∈ R quand x tend vers +∞ si
∀ > 0 ∃∆ > 0 ∀x ∈ I

x >∆ =⇒ |f (x) − l | < 

• On dit que f tend vers +∞ quand x tend vers +∞

si ∀M > 0 ∃∆ > 0 ∀x ∈ I

x >∆ =⇒ f (x) > M

13/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 13

 Généralités sur les fonctions de plusieurs variables

Limite d’une fonction de plusieurs variables

Soit f : Df −→ R une fonction définie sur Df un ouvert de Rn . Soit
a = (a1 , · · · , an ) ∈ Df .
• On dit que f a pour limite ` ∈ R au point a
si ∀ > 0 ∃δ > 0 ∀x ∈ Df \{a}

kx − ak < δ =⇒ |f (x) − `| < 

• On dit que f tend vers +∞ quand x tend vers a

si ∀M > 0 ∃δ > 0 ∀x ∈ Df \{a}

kx − ak < δ =⇒ f (x) > M

• On dit que f a pour limite −∞ en x0

si ∀M > 0 ∃δ > 0 ∀x ∈ Df \{a}

kx − ak < δ =⇒ f (x) < −M

14/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 14

 Généralités sur les fonctions de plusieurs variables

Propriétés
Si f a pour limite ` en a, alors la restriction de f à toute courbe continue passant
par a admet la même limite `.

Soit a = (x0 , y0 ) ∈ R2 . Des courbes continues passant par a sont par exemple :
? Les droites :
• la droite verticale d’équation x = x0 ;
• les droites d’équation y = k(x − x0 ) + y0 pour tout k ∈ R.
? Les paraboles :
• les paraboles d’équation y = k(x − x0 )2 + y0 pour tout k ∈ R.
• les paraboles d’équation x = k(y − y0 )2 + x0 pour tout k ∈ R.

15/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 15

 Généralités sur les fonctions de plusieurs variables

Propriétés
Si f a pour limite ` en a, alors la restriction de f à toute courbe continue passant
par a admet la même limite `.

Soit a = (x0 , y0 ) ∈ R2 . Des courbes continues passant par a sont par exemple :
? Les droites :
• la droite verticale d’équation x = x0 ;
• les droites d’équation y = k(x − x0 ) + y0 pour tout k ∈ R.
? Les paraboles :
• les paraboles d’équation y = k(x − x0 )2 + y0 pour tout k ∈ R.
• les paraboles d’équation x = k(y − y0 )2 + x0 pour tout k ∈ R.

15/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 15

 Généralités sur les fonctions de plusieurs variables

Continuité d’une fonction d’une seule variable

Soient f : Df → R une fonction d’une variable. Alors on dit que f est continue au
point x0 ∈ Df si f possède en x0 une limite égale à f (x0 ).

En d’autres mots,
si f est continue en x0 , alors f (x0 ) est définie et lorsque x approche x0 , alors f (x)
approche f (x0 ).

Définissons maintenant la notion de continuité dans le contexte des fonctions de

plusieurs variables.

Soit f une fonction définie sur Df ∈ Rn à valeurs dans R. On dit que f est
continue en a ∈ Df si f possède en a une limite égale à f (a).

Remarque
Si f est continue en tout point de Df , on dit que f est continue sur Df .

16/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 16

 Généralités sur les fonctions de plusieurs variables

Continuité d’une fonction d’une seule variable

Soient f : Df → R une fonction d’une variable. Alors on dit que f est continue au
point x0 ∈ Df si f possède en x0 une limite égale à f (x0 ).

En d’autres mots,
si f est continue en x0 , alors f (x0 ) est définie et lorsque x approche x0 , alors f (x)
approche f (x0 ).

Définissons maintenant la notion de continuité dans le contexte des fonctions de

plusieurs variables.

Soit f une fonction définie sur Df ∈ Rn à valeurs dans R. On dit que f est
continue en a ∈ Df si f possède en a une limite égale à f (a).

Remarque
Si f est continue en tout point de Df , on dit que f est continue sur Df .

16/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 16

 Généralités sur les fonctions de plusieurs variables

Continuité d’une fonction d’une seule variable

Soient f : Df → R une fonction d’une variable. Alors on dit que f est continue au
point x0 ∈ Df si f possède en x0 une limite égale à f (x0 ).

En d’autres mots,
si f est continue en x0 , alors f (x0 ) est définie et lorsque x approche x0 , alors f (x)
approche f (x0 ).

Définissons maintenant la notion de continuité dans le contexte des fonctions de

plusieurs variables.

Soit f une fonction définie sur Df ∈ Rn à valeurs dans R. On dit que f est
continue en a ∈ Df si f possède en a une limite égale à f (a).

Remarque
Si f est continue en tout point de Df , on dit que f est continue sur Df .

16/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 16

 Généralités sur les fonctions de plusieurs variables

Continuité d’une fonction d’une seule variable

Soient f : Df → R une fonction d’une variable. Alors on dit que f est continue au
point x0 ∈ Df si f possède en x0 une limite égale à f (x0 ).

En d’autres mots,
si f est continue en x0 , alors f (x0 ) est définie et lorsque x approche x0 , alors f (x)
approche f (x0 ).

Définissons maintenant la notion de continuité dans le contexte des fonctions de

plusieurs variables.

Soit f une fonction définie sur Df ∈ Rn à valeurs dans R. On dit que f est
continue en a ∈ Df si f possède en a une limite égale à f (a).

Remarque
Si f est continue en tout point de Df , on dit que f est continue sur Df .

16/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 16

 Généralités sur les fonctions de plusieurs variables

Les opérations sur les fonctions continues de plusieurs variables telles que la
somme, le produit, le rapport des fonctions jouissent également les mêmes
propriétés que les fonctions continues d’une seule variable.

Propriété
Soient f et g deux fonctions définies sur Df = Dg ⊂ Rn dans R et
A = (a1 , · · · , an ) ∈ Df . Si f et g sont continues en A alors
i) La somme f + g est continue en A,
ii) Le produit f · g est continue en A,
iii) S’il existe un voisinage de A où g (x1 , · · · , xn ) 6= 0, alors
Le rapport gf est continue en A.

17/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 17

 Généralités sur les fonctions de plusieurs variables

Les opérations sur les fonctions continues de plusieurs variables telles que la
somme, le produit, le rapport des fonctions jouissent également les mêmes
propriétés que les fonctions continues d’une seule variable.

Propriété
Soient f et g deux fonctions définies sur Df = Dg ⊂ Rn dans R et
A = (a1 , · · · , an ) ∈ Df . Si f et g sont continues en A alors
i) La somme f + g est continue en A,
ii) Le produit f · g est continue en A,
iii) S’il existe un voisinage de A où g (x1 , · · · , xn ) 6= 0, alors
Le rapport gf est continue en A.

17/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 17

 1 Introduction

2 Généralités sur les fonctions de plusieurs variables

3 Calcul différentiel

4 Fonctions convexes de Rn dans R

18/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 18

 Calcul différentiel

Le calcul différentiel est l’un des piliers d’une branche des mathématiques
indispensable en économie. Si par exmple, on cherche à connaître l’effet d’une
petite évolution d’un paramètre sur une grandeur économique toute chose égale
par ailleurs, c’est la dérivée partielle qui est utilisée.

Dérivées partielles
Rappelons tout d’abord quelques définitions et notations pour les fonctions d’une
seule variable.

Dérivée : fonction d’une variable

Soit f : I ⊆ R −→ R une fonction d’une variable. On dit que f est dérivable en
x0 ∈ I , de dérivée f 0 (x0 ), lorsque la limite suivante est finie :

f (x)−f (x0 ) f (x0 +h)−f (x0 )

f 0 (x0 ) = limx→x0 x−x0 = limh→0 h

19/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 19

 Calcul différentiel

Le calcul différentiel est l’un des piliers d’une branche des mathématiques
indispensable en économie. Si par exmple, on cherche à connaître l’effet d’une
petite évolution d’un paramètre sur une grandeur économique toute chose égale
par ailleurs, c’est la dérivée partielle qui est utilisée.

Dérivées partielles
Rappelons tout d’abord quelques définitions et notations pour les fonctions d’une
seule variable.

Dérivée : fonction d’une variable

Soit f : I ⊆ R −→ R une fonction d’une variable. On dit que f est dérivable en
x0 ∈ I , de dérivée f 0 (x0 ), lorsque la limite suivante est finie :

f (x)−f (x0 ) f (x0 +h)−f (x0 )

f 0 (x0 ) = limx→x0 x−x0 = limh→0 h

19/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 19

 Calcul différentiel

Le calcul différentiel est l’un des piliers d’une branche des mathématiques
indispensable en économie. Si par exmple, on cherche à connaître l’effet d’une
petite évolution d’un paramètre sur une grandeur économique toute chose égale
par ailleurs, c’est la dérivée partielle qui est utilisée.

Dérivées partielles
Rappelons tout d’abord quelques définitions et notations pour les fonctions d’une
seule variable.

Dérivée : fonction d’une variable

Soit f : I ⊆ R −→ R une fonction d’une variable. On dit que f est dérivable en
x0 ∈ I , de dérivée f 0 (x0 ), lorsque la limite suivante est finie :

f (x)−f (x0 ) f (x0 +h)−f (x0 )

f 0 (x0 ) = limx→x0 x−x0 = limh→0 h

19/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 19

 Calcul différentiel

Si f est dérivable en tout x d’un intervalle I on dit que f est dérivable sur I et
on appelle fonction dérivée ou dérivée de f et on note f 0 , la fonction qui à
chaque x de I associe le nombre dérivé de f en x.

Remarque
• La fonction f est dérivable sur I ⊂ Df si elle est dérivable en tout point
x ∈ D.
• À noter qu’une fonction dérivable est forcement continue, et le contraire n’est
pas vrai : être dérivable est une condition plus forte que être continue.

Soit f une fonction dérivable sur un intervalle I ⊆ R.

Propriété
1 Si f 0 (x) ≥ 0 pour tout x de I, alors la fonction f est croissante sur I.
2 Si f 0 (x) ≤ 0 pour tout x de I, alors la fonction f est décroissante sur I.
3 Si f 0 (x) = 0 pour tout x de I, alors la fonction f est constante sur I.

20/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 20

 Calcul différentiel

Si f est dérivable en tout x d’un intervalle I on dit que f est dérivable sur I et
on appelle fonction dérivée ou dérivée de f et on note f 0 , la fonction qui à
chaque x de I associe le nombre dérivé de f en x.

Remarque
• La fonction f est dérivable sur I ⊂ Df si elle est dérivable en tout point
x ∈ D.
• À noter qu’une fonction dérivable est forcement continue, et le contraire n’est
pas vrai : être dérivable est une condition plus forte que être continue.

Soit f une fonction dérivable sur un intervalle I ⊆ R.

Propriété
1 Si f 0 (x) ≥ 0 pour tout x de I, alors la fonction f est croissante sur I.
2 Si f 0 (x) ≤ 0 pour tout x de I, alors la fonction f est décroissante sur I.
3 Si f 0 (x) = 0 pour tout x de I, alors la fonction f est constante sur I.

20/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 20

 Calcul différentiel

Si f est dérivable en tout x d’un intervalle I on dit que f est dérivable sur I et
on appelle fonction dérivée ou dérivée de f et on note f 0 , la fonction qui à
chaque x de I associe le nombre dérivé de f en x.

Remarque
• La fonction f est dérivable sur I ⊂ Df si elle est dérivable en tout point
x ∈ D.
• À noter qu’une fonction dérivable est forcement continue, et le contraire n’est
pas vrai : être dérivable est une condition plus forte que être continue.

Soit f une fonction dérivable sur un intervalle I ⊆ R.

Propriété
1 Si f 0 (x) ≥ 0 pour tout x de I, alors la fonction f est croissante sur I.
2 Si f 0 (x) ≤ 0 pour tout x de I, alors la fonction f est décroissante sur I.
3 Si f 0 (x) = 0 pour tout x de I, alors la fonction f est constante sur I.

20/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 20

 Calcul différentiel

Dérivées partielles
Soient f une fonction à valeurs réelles définie sur une partie Df de Rn et
A = (a1 , ..., an ) un point de Df . Les dérivées partielles d’ordre 1 de f au point A
sont les limites :


∂f (a1 ,...,an ) f a1 +h,...,ai ,...,an −f (a1 ,...,an )
∂a1 = limh→0 h

..
.


∂f (a1 ,...,an ) f a1 ,...,ai +h,...,an −f (a1 ,...,an )
∂ai = limh→0 h

..
.


∂f (a1 ,...,an ) f a1 ,...,ai ,...,an +h −f (a1 ,...,an )
∂an = limh→0 h

21/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 21

 Calcul différentiel
Si on considère une fonction f de n variables, alors le calcul d’une dérivée partielle
implique que l’on fixe les n − 1 variables des n variables, qui dès lors deviennent
des constantes.
Remarque
L’existence de n dérivées partielles en un point n’implique pas que la fonction est
continue en ce point. Il faut pour cela que les dérivées partielles y soient
elles-mêmes continues. Si elles le sont sur l’ensemble de définition, on dit que la
fonction est de classe C 1 .

Si f : D ⊂ Rn −→ R est une fonction réelle différentiable, alors les dérivées

partielles d’ordre 1 sont des fonctions réelles
∂f ∂f
∂x1 , . . . , ∂xn : D ⊂ Rn −→ R

Remarque
La fonction f est (continûment) différentiable sur D ⊂ Df , ou de classe C 1 sur D,
∂f
si toutes les dérivées partielles ∂x i
: D ⊂ Rn −→ R existent et sont des fonctions
continues en tout point x ∈ D.
22/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 22
 Calcul différentiel
Si on considère une fonction f de n variables, alors le calcul d’une dérivée partielle
implique que l’on fixe les n − 1 variables des n variables, qui dès lors deviennent
des constantes.
Remarque
L’existence de n dérivées partielles en un point n’implique pas que la fonction est
continue en ce point. Il faut pour cela que les dérivées partielles y soient
elles-mêmes continues. Si elles le sont sur l’ensemble de définition, on dit que la
fonction est de classe C 1 .

Si f : D ⊂ Rn −→ R est une fonction réelle différentiable, alors les dérivées

partielles d’ordre 1 sont des fonctions réelles
∂f ∂f
∂x1 , . . . , ∂xn : D ⊂ Rn −→ R

Remarque
La fonction f est (continûment) différentiable sur D ⊂ Df , ou de classe C 1 sur D,
∂f
si toutes les dérivées partielles ∂x i
: D ⊂ Rn −→ R existent et sont des fonctions
continues en tout point x ∈ D.
22/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 22
 Calcul différentiel
Si on considère une fonction f de n variables, alors le calcul d’une dérivée partielle
implique que l’on fixe les n − 1 variables des n variables, qui dès lors deviennent
des constantes.
Remarque
L’existence de n dérivées partielles en un point n’implique pas que la fonction est
continue en ce point. Il faut pour cela que les dérivées partielles y soient
elles-mêmes continues. Si elles le sont sur l’ensemble de définition, on dit que la
fonction est de classe C 1 .

Si f : D ⊂ Rn −→ R est une fonction réelle différentiable, alors les dérivées

partielles d’ordre 1 sont des fonctions réelles
∂f ∂f
∂x1 , . . . , ∂xn : D ⊂ Rn −→ R

Remarque
La fonction f est (continûment) différentiable sur D ⊂ Df , ou de classe C 1 sur D,
∂f
si toutes les dérivées partielles ∂x i
: D ⊂ Rn −→ R existent et sont des fonctions
continues en tout point x ∈ D.
22/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 22
 Calcul différentiel

Calculer les dérivées partielles premières des fonctions :

f (x1 , x2 ) = 4x12 x2 − 2x23 + 5 g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2)

Solution

• la fonction f (x1 , x2 ) = 4x12 x2 − 2x23 + 5 :

∂f ∂f
(x1 , x2 ) = 8x1 x2 , (x1 , x2 ) = 4x12 − 6x22
∂x1 ∂x2

• la fonction g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2) :

∂g ∂g ∂g
(x1 , x2 , x3 ) = 8x1 x2 , (x1 , x2 , x3 ) = 4x12 , (x1 , x2 , x3 ) = 10e (2x3 +2)
∂x1 ∂x2 ∂x3

23/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 23

 Calcul différentiel

Calculer les dérivées partielles premières des fonctions :

f (x1 , x2 ) = 4x12 x2 − 2x23 + 5 g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2)

Solution

• la fonction f (x1 , x2 ) = 4x12 x2 − 2x23 + 5 :

∂f ∂f
(x1 , x2 ) = 8x1 x2 , (x1 , x2 ) = 4x12 − 6x22
∂x1 ∂x2

• la fonction g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2) :

∂g ∂g ∂g
(x1 , x2 , x3 ) = 8x1 x2 , (x1 , x2 , x3 ) = 4x12 , (x1 , x2 , x3 ) = 10e (2x3 +2)
∂x1 ∂x2 ∂x3

23/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 23

 Calcul différentiel

Remarque
Une fonction f peut admettre des dérivées partielles en tout point d’un ouvert de
R2 et ne pas être continue en tout point de cet ouvert.

Fonction de classe C 1
Soient D un ensemble de Rn et f : D ⊂ Rn → R une fonction de n variables dont
les dérivées partielles ∂x1 f , ∂x2 f , · · · , ∂xn f existent. On dit que f est de classe C 1
sur D si les dérivées partielles ∂x1 f , ∂x2 f , · · · , ∂xn f sont continues sur D.

24/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 24

 Calcul différentiel

Remarque
Une fonction f peut admettre des dérivées partielles en tout point d’un ouvert de
R2 et ne pas être continue en tout point de cet ouvert.

Fonction de classe C 1
Soient D un ensemble de Rn et f : D ⊂ Rn → R une fonction de n variables dont
les dérivées partielles ∂x1 f , ∂x2 f , · · · , ∂xn f existent. On dit que f est de classe C 1
sur D si les dérivées partielles ∂x1 f , ∂x2 f , · · · , ∂xn f sont continues sur D.

24/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 24

 Calcul différentiel

Dérivée directionnelle
Soit f : Df ⊂ Rn −→ R différentiable sur un ensemble D ⊂ Rn . Pour tout vecteur
~v = (v1 , ..., vn ) ∈ Rn , on appelle dérivée directionnelle de f dans la direction
~v la fonction
∂~v f : D −→ R
∂f ∂f
x 7−→ ∂~v f (x) = v1 ∂x1
(x) + · · · + vn ∂x n
(x)

25/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 25

 Calcul différentiel

Propriété
Soient f : Df ⊂ Rn −→ R de classe C 1 , x ∈ Df et ~v ∈ Rn .
• Si ∂~v f (x) > 0 alors f est croissante au point x dans la direction de ~v
• Si ∂~v f (x) < 0 alors f est décroissante au point x dans la direction de ~v .

26/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 26

 Calcul différentiel

Exemple
La fonction définie par f (x1 , x2 ) = x1 x22 + 3x1
i) est-elle croissante ou décroissante au point (3, 1) dans la direction (1, 1),
ii) est-elle croissante ou décroissante au point (3, 1) dans la direction (1, 2),
iii) est-elle croissante ou décroissante au point (3, 1) dans la direction (1, −2),

Solution
Pour tout vecteur ~v = (v1 , v2 ), on a

∂~v f (x1 , x2 ) = (x22 + 3) v1 + 2x1 x2 v2 ⇒ ∂~v f (3, 1) = 4 v1 + 6 v2

i) ∂(1,1) f (3, 1) = 10 ⇒ f est croissante dans la direction (1, 1) ;

ii) ∂(1,2) f (3, 1) = 16 ⇒ f est croissante dans la direction (1, 2) ;
iii) ∂(1,−2) f (3, 1) = −8 ⇒ f est décroissante dans la direction (1, −2).
~ = (3, 5).
Calculer la dérivée de f (x, y ) = x 2 − y 2 en (1, 2) selon la direction V
27/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 27
 Calcul différentiel

Exemple
La fonction définie par f (x1 , x2 ) = x1 x22 + 3x1
i) est-elle croissante ou décroissante au point (3, 1) dans la direction (1, 1),
ii) est-elle croissante ou décroissante au point (3, 1) dans la direction (1, 2),
iii) est-elle croissante ou décroissante au point (3, 1) dans la direction (1, −2),

Solution
Pour tout vecteur ~v = (v1 , v2 ), on a

∂~v f (x1 , x2 ) = (x22 + 3) v1 + 2x1 x2 v2 ⇒ ∂~v f (3, 1) = 4 v1 + 6 v2

i) ∂(1,1) f (3, 1) = 10 ⇒ f est croissante dans la direction (1, 1) ;

ii) ∂(1,2) f (3, 1) = 16 ⇒ f est croissante dans la direction (1, 2) ;
iii) ∂(1,−2) f (3, 1) = −8 ⇒ f est décroissante dans la direction (1, −2).
~ = (3, 5).
Calculer la dérivée de f (x, y ) = x 2 − y 2 en (1, 2) selon la direction V
27/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 27
 Calcul différentiel

Elasticité
Soit f une fonction à valeurs réelles dfinie sur une partie ouverte D de R2 . Soit
(x0 , y0 ) ∈ D et supposons f dérivable par rapport à x (resp. y ) en (x0 , y0 ) avec
x0 6= 0 (resp. y0 6= 0) et f (x0 , y0 ) 6= 0. L’élasticité de f par rapport à x (resp. y )
en (x0 , y0 ) est donnée par
f (x0 +h,y0 )−f (x0 ,y0 )
f (x0 ,y0 )
Ex (x0 , y0 ) = lim h
h→0
x0
f (x0 ,y0 +h)−f (x0 ,y0 )
f (x0 ,y0 )
Ey (x0 , y0 ) = lim h
h→0
y0

Par conséquent
x0
Ex (x0 , y0 ) = ∂x f (x0 , y0 )
f (x0 , y0 )
y0
Ey (x0 , y0 ) = ∂y f (x0 , y0 )
f (x0 , y0 )
28/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 28
 Calcul différentiel

Elasticité
Soit f une fonction à valeurs réelles dfinie sur une partie ouverte D de R2 . Soit
(x0 , y0 ) ∈ D et supposons f dérivable par rapport à x (resp. y ) en (x0 , y0 ) avec
x0 6= 0 (resp. y0 6= 0) et f (x0 , y0 ) 6= 0. L’élasticité de f par rapport à x (resp. y )
en (x0 , y0 ) est donnée par
f (x0 +h,y0 )−f (x0 ,y0 )
f (x0 ,y0 )
Ex (x0 , y0 ) = lim h
h→0
x0
f (x0 ,y0 +h)−f (x0 ,y0 )
f (x0 ,y0 )
Ey (x0 , y0 ) = lim h
h→0
y0

Par conséquent
x0
Ex (x0 , y0 ) = ∂x f (x0 , y0 )
f (x0 , y0 )
y0
Ey (x0 , y0 ) = ∂y f (x0 , y0 )
f (x0 , y0 )
28/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 28
 Calcul différentiel

Exemple
La fonction de production COBB-DOUGLAS définie par f (x, y ) = x α y β est
dérivable dans (R∗+ )2 et on obtient :
x x
Ex (x, y ) = ∂x f (x, y ) = α β αx α−1 y β = α
f (x, y ) x y
y y
Ey (x, y ) = ∂y f (x, y ) = α β βx α y β−1 = β.
f (x, y ) x y

29/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 29

 Calcul différentiel

Gradient et Matrice jacobienne

Gradient
Soit f : D ⊂ Rn −→ R une fonction réelle différentiable. Le gradient
→
∇ f : D ⊂ Rn −→ Rn est une fonction vectorielle donnée par
 ∂f 
∂x1 (x)
→ .. n
∇ f (x) =  ∈R .
 
.
∂f
∂xn (x)

30/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 30

 Calcul différentiel
Gradient et Matrice jacobienne
Exemple
Déterminer le gradient des fonctions suivantes

f (x1 , x2 ) = 4x12 x2 − 2x23 + 5, g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2)

Solution
• Le gradient de la fonction f (x1 , x2 ) = 4x12 x2 − 2x23 + 5 est
 ∂f   
∂x1 (x1 , x2 ) 8x1 x2
→
∇ f (x) = ∂f =
4x12 − 6x22
.
∂x2 (x1 , x2 )

• Le gradient de la fonction g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2) est

 ∂g  
(x1 , x2 , x3 )

→ ∂x 1
8x 1 x 2
 ∂g
∇ g (x1 , x2 , x3 ) =  ∂x2 (x1 , x2 , x3 )  =  4x12 .

∂g (2x3 +2)
10e
∂x3 (x1 , x2 , x3 )

31/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 31

 Calcul différentiel
Gradient et Matrice jacobienne
Exemple
Déterminer le gradient des fonctions suivantes

f (x1 , x2 ) = 4x12 x2 − 2x23 + 5, g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2)

Solution
• Le gradient de la fonction f (x1 , x2 ) = 4x12 x2 − 2x23 + 5 est
 ∂f   
∂x1 (x1 , x2 ) 8x1 x2
→
∇ f (x) = ∂f =
4x12 − 6x22
.
∂x2 (x1 , x2 )

• Le gradient de la fonction g (x1 , x2 , x3 ) = 4x12 x2 + 5e (2x3 +2) est

 ∂g  
(x1 , x2 , x3 )

→ ∂x 1
8x 1 x 2
 ∂g
∇ g (x1 , x2 , x3 ) =  ∂x2 (x1 , x2 , x3 )  =  4x12 .

∂g (2x3 +2)
10e
∂x3 (x1 , x2 , x3 )

31/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 31

 Calcul différentiel

Gradient et Matrice jacobienne

Matrice jacobienne
Soit f une fonction définie de Rn à valeurs dans Rm :
f : Rn −→ Rm
X 7−→ f (X ) = (f1 (X ), · · · , fm (X ))

La matrice jacobienne de la fonction f est une matrice de m lignes et n colonnes

définie par :
 →t 
 ∂f1 ∂f1 ∂f1
∇ f (X ) ∂x1 (X ) ∂x2 (X ) ··· ∂xn (X )

 →t 1
  ∂f2 ∂f2 ∂f2

 ∇ f2 (X )   ∂x1 (X ) ∂x2 (X )
 ··· ∂xn (X )

Jf (X ) =  =

..   .. .. .. .. 

 .  
 . . . . 
→t ∂fm ∂fm ∂fm
(X ) ∂x2 (X ) ··· ∂xn (X )
∇ fm (X ) ∂x1

32/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 32

 Calcul différentiel

Gradient et Matrice jacobienne

Exemple
Déterminons la matrice jacobienne
de la fonction f définie par
f (x1 , x2 ) = 2x12 + x2 , 4x1 + 2x2 .

33/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 33

 Calcul différentiel

Matrice hessienne
Supposons que la fonction f : Df ⊆ Rn −→ R admet des dérivées partielles
∂f ∂f
premières ∂x 1
, ..., ∂xn
. Si les fonctions dérivées partielles admettent elles-mêmes
des dérivées partielles en (a1 , · · · , an ) ∈ Df , ces dérivées sont appelées dérivées
partielles secondes, ou dérivées partielles d’ordre 2. On peut, de la même façon,
introduire les dérivées partielles d’ordres supérieurs.

Dérivées partielles secondes

Soit f : Df ⊆ Rn −→ R une fonction de n variables. Pour tout i, k ∈ {1, · · · , n},
la dérivée partielle seconde f par rapport à la variable xi puis par rapport à la
variable xk est donnée par :

∂2f ∂2f ∂2f

 
∂f ∂f
= et = si i = k.
∂xk ∂xi ∂xk ∂xi ∂xk ∂xi ∂xi2

34/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 34

 Calcul différentiel

Matrice hessienne
Supposons que la fonction f : Df ⊆ Rn −→ R admet des dérivées partielles
∂f ∂f
premières ∂x 1
, ..., ∂xn
. Si les fonctions dérivées partielles admettent elles-mêmes
des dérivées partielles en (a1 , · · · , an ) ∈ Df , ces dérivées sont appelées dérivées
partielles secondes, ou dérivées partielles d’ordre 2. On peut, de la même façon,
introduire les dérivées partielles d’ordres supérieurs.

Dérivées partielles secondes

Soit f : Df ⊆ Rn −→ R une fonction de n variables. Pour tout i, k ∈ {1, · · · , n},
la dérivée partielle seconde f par rapport à la variable xi puis par rapport à la
variable xk est donnée par :

∂2f ∂2f ∂2f

 
∂f ∂f
= et = si i = k.
∂xk ∂xi ∂xk ∂xi ∂xk ∂xi ∂xi2

34/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 34

 Calcul différentiel

Théorème de Schwarz
Si f est une fonction de classe C 2 sur un ouvert Df de Rp , toutes les dérivées
partielles de f commutent :

∂2f ∂2f
=
∂xi ∂xk ∂xk ∂xi

35/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 35

 Calcul différentiel

Matrice hessienne
Exemple
Soit f une fonction définie par f (x1 , x2 ) = 2x14 + x24 − 3x1 . Vérifier que
∂ 2 f (x1 ,x2 ) ∂ 2 f (x1 ,x2 )
∂x1 ∂x2 = ∂x2 ∂x1 .

Solution
Déterminons d’abord les dérivées partielles d’ordre 1 de f :

∂f (x1 , x2 ) ∂f (x1 , x2 )
= 8x13 − 3 et = 4x23
∂x1 ∂x2
∂ 2 f (x1 ,x2 ) ∂ 2 f (x1 ,x2 )
Vérifions que ∂x1 ∂x2 = ∂x2 ∂x1 :

∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 )
=0 et =0
∂x1 ∂x2 ∂x2 ∂x1

36/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 36

 Calcul différentiel

Matrice hessienne
Exemple
Soit f une fonction définie par f (x1 , x2 ) = 2x14 + x24 − 3x1 . Vérifier que
∂ 2 f (x1 ,x2 ) ∂ 2 f (x1 ,x2 )
∂x1 ∂x2 = ∂x2 ∂x1 .

Solution
Déterminons d’abord les dérivées partielles d’ordre 1 de f :

∂f (x1 , x2 ) ∂f (x1 , x2 )
= 8x13 − 3 et = 4x23
∂x1 ∂x2
∂ 2 f (x1 ,x2 ) ∂ 2 f (x1 ,x2 )
Vérifions que ∂x1 ∂x2 = ∂x2 ∂x1 :

∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 )
=0 et =0
∂x1 ∂x2 ∂x2 ∂x1

36/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 36

 Calcul différentiel

Matrice hessienne
Soit f : Df ⊆ Rn −→ R une fonction de n variables. On appelle matrice hessienne
de la fonction f la matrice des dérivées partielles secondes de f évaluée au point
x = (x1 , · · · , xn ) :

∂2f ∂2f ∂2f

 
∂x12
(x) ∂x2 ∂x1 (x) · · · ∂xn ∂x1 (x)
 ∂2f ∂2f 2
Hf (x) = ∇2 f (x) =  f
· · · ∂x∂n ∂x

 ∂x12∂x2 (x) ∂x22
(x) 2
(x) 

∂ f ∂2f ∂2f
∂x1 ∂xn (x) ∂x2 ∂xn (x) · · · ∂x 2 (x)
n

Grâce aux matrices hessiennes, il est possible d’étudier la convexité d’une fonction
de plusieurs variables et donc de résoudre des problèmes d’optimisation.

37/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 37

 Calcul différentiel

Matrice hessienne
Soit f : Df ⊆ Rn −→ R une fonction de n variables. On appelle matrice hessienne
de la fonction f la matrice des dérivées partielles secondes de f évaluée au point
x = (x1 , · · · , xn ) :

∂2f ∂2f ∂2f

 
∂x12
(x) ∂x2 ∂x1 (x) · · · ∂xn ∂x1 (x)
 ∂2f ∂2f 2
Hf (x) = ∇2 f (x) =  f
· · · ∂x∂n ∂x

 ∂x12∂x2 (x) ∂x22
(x) 2
(x) 

∂ f ∂2f ∂2f
∂x1 ∂xn (x) ∂x2 ∂xn (x) · · · ∂x 2 (x)
n

Grâce aux matrices hessiennes, il est possible d’étudier la convexité d’une fonction
de plusieurs variables et donc de résoudre des problèmes d’optimisation.

37/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 37

 Calcul différentiel

Exemple
Déterminons la matrice hessienne de la fonction f définie par
f (x1 , x2 ) = 2x14 + x24 − 3x1 .

Solution
• Dérivées partielles d’ordre 1 :

∂f (x1 , x2 ) ∂f (x1 , x2 )
= 8x13 − 3 et = 4x23
∂x1 ∂x2
• Dérivées partielles d’ordre 2 :

∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 )

= 24x12 = =0 et = 12x22
∂x12 ∂x1 ∂x2 ∂x2 ∂x1 ∂x22

• Matrice hessienne de la fonction f :

24x12
 
0
Hf (x1 , x2 ) =
0 12x22
38/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 38
 Calcul différentiel

Exemple
Déterminons la matrice hessienne de la fonction f définie par
f (x1 , x2 ) = 2x14 + x24 − 3x1 .

Solution
• Dérivées partielles d’ordre 1 :

∂f (x1 , x2 ) ∂f (x1 , x2 )
= 8x13 − 3 et = 4x23
∂x1 ∂x2
• Dérivées partielles d’ordre 2 :

∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 ) ∂ 2 f (x1 , x2 )

= 24x12 = =0 et = 12x22
∂x12 ∂x1 ∂x2 ∂x2 ∂x1 ∂x22

• Matrice hessienne de la fonction f :

24x12
 
0
Hf (x1 , x2 ) =
0 12x22
38/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 38
 Calcul différentiel

Exercice
Soit f : R2 → R une fonction definie par

f (x1 , x2 ) = x12 + x22 − 3x1 x2 + 4

1 Déterminer les dérivées partielles d’ordre 1 et d’ordre 2.

2 En déduire la matrice hessienne Hf de f en tout point (x, y ) ∈ R2 .

Exercice
Soit f : R3 → R une fonction definie par

f (x1 , x2 , x3 ) = x14 + x24 + e 2x3 +6 + 2x1 x3 .

1 Déterminer les dérivées partielles d’ordre 1 et d’ordre 2.

2 En déduire la matrice hessienne Hf de f en tout point (x, y ) ∈ R2 .
3 Déterminer la nature de la matrice hessienne Hf .
39/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 39
 Calcul différentiel

Exercice
Soit f : R2 → R une fonction definie par

f (x1 , x2 ) = x12 + x22 − 3x1 x2 + 4

1 Déterminer les dérivées partielles d’ordre 1 et d’ordre 2.

2 En déduire la matrice hessienne Hf de f en tout point (x, y ) ∈ R2 .

Exercice
Soit f : R3 → R une fonction definie par

f (x1 , x2 , x3 ) = x14 + x24 + e 2x3 +6 + 2x1 x3 .

1 Déterminer les dérivées partielles d’ordre 1 et d’ordre 2.

2 En déduire la matrice hessienne Hf de f en tout point (x, y ) ∈ R2 .
3 Déterminer la nature de la matrice hessienne Hf .
39/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 39
 1 Introduction

2 Généralités sur les fonctions de plusieurs variables

3 Calcul différentiel

4 Fonctions convexes de Rn dans R

40/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 40

 Fonctions convexes de Rn dans R

Ensembles convexes
• Un ensemble E de Rn est convexe si et seulement si

∀x, y ∈ E , et ∀λ ∈ [0, 1] =⇒ λx + (1 − λ)y ∈ E

• Un ensemble E de Rn est strictement convexe si et seulement si

∀x, y ∈ E , et ∀λ ∈]0, 1[ =⇒ λx + (1 − λ)y ∈ E

Comme la dérivée seconde pour les fonctions d’une seule variable, la matrice
hessienne permet d’étudier la convexité des fonctions de plusieurs.

41/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 41

 Fonctions convexes de Rn dans R

Ensembles convexes
• Un ensemble E de Rn est convexe si et seulement si

∀x, y ∈ E , et ∀λ ∈ [0, 1] =⇒ λx + (1 − λ)y ∈ E

• Un ensemble E de Rn est strictement convexe si et seulement si

∀x, y ∈ E , et ∀λ ∈]0, 1[ =⇒ λx + (1 − λ)y ∈ E

Comme la dérivée seconde pour les fonctions d’une seule variable, la matrice
hessienne permet d’étudier la convexité des fonctions de plusieurs.

41/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 41

 Fonctions convexes de Rn dans R

Fonction convexe
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E .
La fonction f est convexe sur E si et seulement si ∀x, y ∈ E et ∀λ ∈ [0, 1]

f (λx + (1 − λ)y ) ≤ λf (x) + (1 − λ)f (y )

Strictement convexe
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est strictement convexe sur E si et seulement si ∀x, y ∈ E et ∀λ ∈]0, 1[

f (λx + (1 − λ)y ) < λf (x) + (1 − λ)f (y )

42/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 42

 Fonctions convexes de Rn dans R

Fonction convexe
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E .
La fonction f est convexe sur E si et seulement si ∀x, y ∈ E et ∀λ ∈ [0, 1]

f (λx + (1 − λ)y ) ≤ λf (x) + (1 − λ)f (y )

Strictement convexe
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est strictement convexe sur E si et seulement si ∀x, y ∈ E et ∀λ ∈]0, 1[

f (λx + (1 − λ)y ) < λf (x) + (1 − λ)f (y )

42/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 42

 Fonctions convexes de Rn dans R

Fortement convexe
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est dite fortement convexe ou uniformément convexe ou α-convexe ou
α-elliptique sur E s’il existe α > 0 tel que ∀x, y ∈ E et ∀λ ∈ [0, 1]

2
f (λx + (1 − λ)y ) ≤ λf (x) + (1 − λ)f (y ) − αλ(1 − λ) kx − y k

Caractérisation des fonctions convexes

Soient D un ouvert convexe de Rn et f : D → R une fonction de plusieurs
variables.
• Si f est de classe C 1 dans D, alors f est convexe si et seulement si, pour tout
x, y ∈ D, on a
→
h∇ f (x), y − xi ≤ f (y ) − f (x)

• Si f est de classe C 2 dans D, alors f est convexe si et seulement si, pour tout
x ∈ D, la matrice hessienne Hf (x) est sémi-définie positive.

43/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 43

 Fonctions convexes de Rn dans R

Fortement convexe
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est dite fortement convexe ou uniformément convexe ou α-convexe ou
α-elliptique sur E s’il existe α > 0 tel que ∀x, y ∈ E et ∀λ ∈ [0, 1]

2
f (λx + (1 − λ)y ) ≤ λf (x) + (1 − λ)f (y ) − αλ(1 − λ) kx − y k

Caractérisation des fonctions convexes

Soient D un ouvert convexe de Rn et f : D → R une fonction de plusieurs
variables.
• Si f est de classe C 1 dans D, alors f est convexe si et seulement si, pour tout
x, y ∈ D, on a
→
h∇ f (x), y − xi ≤ f (y ) − f (x)

• Si f est de classe C 2 dans D, alors f est convexe si et seulement si, pour tout
x ∈ D, la matrice hessienne Hf (x) est sémi-définie positive.

43/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 43

 Fonctions convexes de Rn dans R

Propriété
Soient p ∈ N∗, E ⊂ Rn un ensemble convexe, f1 , · · · , fp : E → R des convexes et
α1 , · · · , αp des constantes strictement positives. Posons
f (x1 , · · · , xn ) = α1 f1 (x1 , · · · , xn ) + · · · + αp fp (x1 , · · · , xn ).
Alors, on a :

• La fonction f est convexe ;

• Si au moins l’une des fonctions f1 , · · · , fp est strictement convexe alors f est

strictement convexe.

• Si au moins l’une des fonctions f1 , · · · , fp est fortement convexe alors f est

strictement convexe.

44/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 44

 Fonctions convexes de Rn dans R

Fonction concave
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est concave sur E si et seulement si ∀x, y ∈ E et ∀λ ∈ [0, 1]

f (λx + (1 − λ)y ) ≥ λf (x) + (1 − λ)f (y )

Strictement concave
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est strictement concave sur E si et seulement si
∀x, y ∈ E et ∀λ ∈]0, 1[

f (λx + (1 − λ)y ) > λf (x) + (1 − λ)f (y )

45/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 45

 Fonctions convexes de Rn dans R

Fonction concave
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est concave sur E si et seulement si ∀x, y ∈ E et ∀λ ∈ [0, 1]

f (λx + (1 − λ)y ) ≥ λf (x) + (1 − λ)f (y )

Strictement concave
Soit f une fonction de plusieurs variables définie sur un ensemble convexe E . La
fonction f est strictement concave sur E si et seulement si
∀x, y ∈ E et ∀λ ∈]0, 1[

f (λx + (1 − λ)y ) > λf (x) + (1 − λ)f (y )

45/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 45

 Fonctions convexes de Rn dans R

Caractérisation des fonctions concaves

Soient D un ouvert convexe de Rn et f : D → R une fonction de plusieurs
variables.
• Si f est de classe C 1 dans D, alors f est concave si et seulement si, pour tout
x, y ∈ D, on a
→
h∇ f (x), y − xi ≥ f (y ) − f (x)

• Si f est de classe C 2 dans D, alors f est concave si et seulement si, pour tout
x ∈ D, la matrice hessienne Hf (x) est sémi-définie négative.

Propriété
Une matrice symétrique M de dimension n × n est :
• semi-définie positive si : x T Mx ≥ 0, pour tout x ∈ Rn .
• semi-définie négative si : x T Mx ≤ 0, pour tout x ∈ Rn .

46/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 46

 Fonctions convexes de Rn dans R

Caractérisation des fonctions concaves

Soient D un ouvert convexe de Rn et f : D → R une fonction de plusieurs
variables.
• Si f est de classe C 1 dans D, alors f est concave si et seulement si, pour tout
x, y ∈ D, on a
→
h∇ f (x), y − xi ≥ f (y ) − f (x)

• Si f est de classe C 2 dans D, alors f est concave si et seulement si, pour tout
x ∈ D, la matrice hessienne Hf (x) est sémi-définie négative.

Propriété
Une matrice symétrique M de dimension n × n est :
• semi-définie positive si : x T Mx ≥ 0, pour tout x ∈ Rn .
• semi-définie négative si : x T Mx ≤ 0, pour tout x ∈ Rn .

46/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 46

 Fonctions convexes de Rn dans R

Propriété
Une matrice symétrique M de dimension n × n est :
• définie positive si : x T Mx > 0, pour tout x ∈ Rn et x 6= ~0.
• définie négative si : x T Mx < 0 pour tout x ∈ Rn et x 6= ~0.

Remarque
Si aucune des propriétés ci-dessus n’est satisfaite, la matrice M est dite indéfinie.

47/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 47

 Fonctions convexes de Rn dans R

Propriété
Une matrice symétrique M de dimension n × n est :
• définie positive si : x T Mx > 0, pour tout x ∈ Rn et x 6= ~0.
• définie négative si : x T Mx < 0 pour tout x ∈ Rn et x 6= ~0.

Remarque
Si aucune des propriétés ci-dessus n’est satisfaite, la matrice M est dite indéfinie.

47/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 47

 Fonctions convexes de Rn dans R

 
3 0
Déterminer la nature de la matrice M=
0 12

 
T x1
Calculons x Mx pour tout x = ∈ R2
x2
  
T 3 0 x1
x Mx = (x1 , x2 )
0 12 x2
 
x1
= (3x1 , 12x2 )
x2
= 3x12 + 12x22 ≥ 0 pour tout x1 , x2 ∈ R.

La matrice M est donc semi-définie positive.

48/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 48

 Fonctions convexes de Rn dans R

 
3 0
Déterminer la nature de la matrice M=
0 12

 
T x1
Calculons x Mx pour tout x = ∈ R2
x2
  
T 3 0 x1
x Mx = (x1 , x2 )
0 12 x2
 
x1
= (3x1 , 12x2 )
x2
= 3x12 + 12x22 ≥ 0 pour tout x1 , x2 ∈ R.

La matrice M est donc semi-définie positive.

48/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 48

 Fonctions convexes de Rn dans R

Cosidérons par exemple la matrice suivante

 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A= . .. .. ..
 
 ..

. . . 
an1 an2 · · · ann

Une autre manière simple de vérifier si une matrice est définie positive est de
considérer les déterminants des n sous-matrices suivantes de A :

a11 a12 ··· a1n

a11 a12 a21 a22 ··· a2n
d1 = |a11 | , d2 = , · · · , dn = .. .. .. .. .
a21 a22 . . . .
an1 an2 ··· ann
Ces déterminants sont appelés les mineurs principaux dominants. Dans le cas où la
matrice est inversible il est toujours facile de déterminer si une matrice est définie
positive, définie négative ou bien indéfinie.

49/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 49

 Fonctions convexes de Rn dans R

Propriété
Soient d1 , · · · , dn les mineurs principaux dominants d’une matrice symétrique
inversible M de dimension n × n, et e1 , · · · , en les mineurs principaux dominants
de la matrice −M.
• Si di > 0, pour chaque i ∈ {1, · · · , n} alors M est définie positive ;
• Si ei > 0, pour chaque i ∈ {1, · · · , n} alors M est définie négative ;

50/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 50

 Fonctions convexes de Rn dans R

Déterminons les mineurs principaux dominants de la matrice

2 + e x1 −4
 
M=
−4 8

Solution
On a deux mineurs principaux dominants positives :

d1 = |2 + e x1 | = 2 + e x1 > 0,

2 + e x1 −4
d2 = = (2 + e x1 )(8) − (−4)(−4) = 8e x1 > 0.
−4 8
On peut alors conclure que la matrice M est définie positive.

51/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 51

 Fonctions convexes de Rn dans R

Déterminons les mineurs principaux dominants de la matrice

2 + e x1 −4
 
M=
−4 8

Solution
On a deux mineurs principaux dominants positives :

d1 = |2 + e x1 | = 2 + e x1 > 0,

2 + e x1 −4
d2 = = (2 + e x1 )(8) − (−4)(−4) = 8e x1 > 0.
−4 8
On peut alors conclure que la matrice M est définie positive.

51/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 51

 Fonctions convexes de Rn dans R

Propriété
Soient f : Rn → R est une fonction et Hf (x) la matrice Hessienne associée pour
tout x ∈ Rn .
f est une fonction convexe ⇔ Hf (x) est une matrice semi-définie positive.
f est fortement convexe ⇔ f est strictement convexe ⇔ Hf (x) est une
matrice définie positive.

52/52 Dr. Mbaye Faye () Master 1 Optimisation 24 mars 2026 52