MAT2.

Rappel Mathématique
Microéconomie 3-851-84

I. HOMOGÉNÉITÉ DES FONCTIONS

Définition:

Une fonction f ( x1 , x 2 , ... , xn ) est homogène de degré r si et seulement si pour tout

λ > 0 , f ( λ x1 , λ x2 , ... , λ xn ) = λ r f ( x1 , x2 , ... , xn ) .

Exemple: f ( x,y,z ) = 2 x3+ y z2- z3

f ( λx , λy , λz ) = 2 ( λ x ) 3 + ( λy ) ( λz ) 2 - ( λz ) 3

= 2 λ3 x 3 + λ3 y z 2 - λ3 z 3

3
λ (2x +yz -z )
3 2 3
=

3
= λ f ( x,y,z )

f est homogène de degré 3.

Théorème d'Euler:

Une fonction f ( x1 , x 2 , ... , xn ) est homogène de degré r ssi

n
∂ f ( x1 , ... , xn )
r f ( x1 , ... , xn ) = ∑ • xi .
i=1 ∂ xi
 MAT2.2

Exemple: f ( x , y , z ) = 2 x 3 + y z 2 - z3

∂ f ( x,y,z ) ∂ f ( x,y,z ) ∂ f ( x,y,z )

=6x 2; = 2
z ; =2y z-3z2
∂x ∂y ∂z

∂f ∂f ∂f
•x+ •y+ •z = 6x 2 • x + z2 • y +( 2 y z - 3 z2 ) • z
∂x ∂y ∂z

= 6 x3+3 y z2-3 z3

= 3( 2 x3+ y z2- z3 )

= 3 f (x , y , z )

f est homogène de degré 3.

II. QUELQUES RAPPELS SUR LE CALCUL DES DÉRIVÉES

1. Multiplication de deux fonctions de x

d dv du
(u• v )=u +v .
dx dx dx

Exemple: u=x2
v =2x+ y

d
[ x2•( 2 x + y )] = x •2+( 2 x + y )•2 x
2

dx

= 2 x2+4 x2+2 x y=6 x2+2 x y.

 MAT2.3

2. Division de deux fonctions de x

du dv
v• -u•
d  u  dx dx .
 = 2
dx  v  v

Exemple: u=x2
v =2x+ y

d  x2  ( 2 x + y )•2 x - x2( 2)
  =
dx  2x+y  ( 2 x + y )2

4x2+2x y-2x2 2x2+2x y

= = .
( 2 x + y )2 ( 2 x + y )2

3. Règle de chaîne

d d du
[ f (u)] = [ f (u)]• .
dx du dx

Exemple: u=2 x + y , f (u )=u2

∂ 2
[(2x+y ) ] = 2 ( 2 x + y ) • 2 = 4 ( 2 x + y ).
∂x
 MAT2.4

III. DIFFÉRENTIELLE TOTALE

Soit y = f ( x ) .

Alors dy = f ’ ( x ) dx est la différentielle totale et on a dy ≠ ∆y , i.e. dy est une approximation de

∆y = f ( x + ∆x ) - f ( x ) .

Graphiquement:

y= f(x)

A
f(x+∆x)
∆y dy
C
f(x)
B
∆x
dx

x X+∆x x

dy = f ’ ( x ) dx = pente de la tangente en x x dx

AB
= x CB = AB
CB
AB = dy ≈ ∆y .

De la même manière, si z = f ( x , y ) alors

 MAT2.5

∂ f ( xo , yo ) ∂ f ( xo , yo )
dz = • dx + • dy est une approximation de
∂x ∂y

∆z = f ( xo + ∆ x , yo + ∆ y ) - f ( xo , yo ) .

Évidemment, plus les variations ∆x et ∆y seront petites, meilleure sera l'approximation.

IV. FONCTIONS CONCAVES, QUASI CONCAVES, CONVEXES,

QUASI CONVEXES

Les théories du consommateur et du producteur que nous allons étudier font référence à des fonctions
d'utilité et de production sur lesquelles certaines hypothèses sont faites. Ces hypothèses reposent, entre autres,
sur les notions de concavité et de convexité des fonctions.

Définition:

Une fonction f(x) est une fonction convexe si, pour tous points x1, x2 de son domaine et pour tout
λ , 0 < λ < 1,
f ( λ x 1 + ( 1- λ ) x 2 ) ≤ λ f ( x 1 ) + ( 1- λ ) f ( x 2 ) .

(Une fonction est strictement convexe si la dernière inégalité est stricte, à savoir,
f ( λ x1 + ( 1 - λ ) x 2 ) < λ f ( x1 ) + ( 1 - λ ) f ( x 2 ) , et x1 ≠ x2 ) .

Similairement, une fonction concave est définie de la même manière mais le sens de l'inégalité est
renversé.
 MAT2.6

Exemples:
f(x) Fonction convexe f(x) Fonction concave

f(x2)
f(x2)
f(λx1+(1-λ)x2)

λf(x1)+(1-λ)f(x2)
λf(x1)+(1-λ)f(x2)
f(λx1+(1-λ)x2)
f(x1)
f(x1)
x1 λx1 + (1 - λ)x2 x2
x x1 λx1 + (1 - λ)x2 x2 x

Définition:

Une fonction f(x) est quasi convexe si, pour tous points x1 , x2 de son domaine, on a
f ( x1 ) ≤ f ( x 2 ) ⇒ f ( λx1 + (1 − λ ) x 2 ) ≤ f ( x 2 )
0<λ<1

ou, de manière équivalente:

f (λx1 + (1 − λ ) x 2 ) ≤ max{ f ( x1 ), f ( x 2 ) }

Similairement f(x) est quasi concave si

f ( x1 ) ≤ f ( x 2 ) ⇒ f ( λx1 + (1 − λ ) x 2 ) ≥ f ( x1 )

ou, de manière équivalente:

f (λx1 + (1 − λ ) x 2 ) ≥ min{ f ( x1 ), f ( x 2 ) }
 MAT2.7

Exemples:

f(x) f(x)
Fonction Quasi Concave Fonction pas Quasi Concave
f(x2)
f(x2)

f(λx1 + (1 - λ)x2)

f(x1)
f(x1)
f(λx1 + (1 - λ)x2)

x1 λx1 + (1 - λ)x2 x2 x1 λx1 + (1 - λ)x2 x2

x x

Remarque: Une fonction concave (convexe) est une fonction quasi concave (quasi convexe)
mais une fonction quasi concave (quasi convexe) n'est pas nécessairement une fonction concave
(convexe).

V. FORMES QUADRATIQUES

On peut déterminer si une fonction est convexe ou concave grâce au comportement de la forme
quadratique associée à sa matrice hessienne (la matrice des dérivées secondes de la fonction).
Voyons tout d'abord quelques définitions et quelques exemples.
 MAT2.8

Une forme quadratique est une fonction de n variables qui peut être écrite
n n
f ( x ) = ∑∑ a ij x i x j
i =1 i =1

où les aij sont des constantes.

En termes de matrices, la forme quadratique s'écrit:

.xTAx où x est un vecteur de dimension n × 1

et A une matrice symétrique n × n .

Exemple:

f ( x1 , x 2 , x 3 ) = x12 + x1 x 2 + 4 x1 x 3 + 2 x 32

 1 0,5 2  x1 
f ( x 1 , x 2 , x 3 ) = [x 1 x2 x 3 ]0,5 0 0  x 2 
  
 2 0 2  x 3 
xT A x

Définition:

Une forme quadratique xTAx est dite définie positive si xTAx >0, ∀x ≠0

Définition:

Une forme quadratique xTAx est dite semi-définie positive si xTAx >0 et s'il existe x ≠0 pour lequel
xTAx = 0
 MAT2.9

Pour des formes quadratiques définies négatives ou semi-définies négatives, les définitions sont
similaires sauf en ce qui concerne les inégalités qui doivent alors être renversées (< ou ).

Théorème de Sylvester:

Une forme quadratique xTAx est définie positive si et seulement si tous les principaux mineurs
successifs de la matrice A sont positifs (i.e. > 0).

Soit A la matrice 3 × 3 suivante:

 a11 a12 a13 
a a 22 a 23 
 21 
a 31 a 32 a 33 

Les principaux mineurs successifs de A sont les trois déterminants suivants:

 a11 a12 a13 

a a a12
a 22 a 23 , 11 ,a
 21  a a 22 11
a 31 a 32 a 33  21

(ce sont les déterminants des sous-matrices de A obtenues en enlevant successivement la dernière
colonne de droite et la rangée d'en bas).

La forme quadratique xTAx est donc définie positive si chacun de ces trois déterminants est
positif.

Exemple: 2 1 2
A= 1 3 0
2 0 5
 MAT2.10

2 1 2
2 1
a11 = 2 > 0; = 5 > 0; 1 3 0 = 13 > 0
1 3
2 0 5

.xTAx est définie positive.

Cependant, pour déterminer si une forme quadratique est semi-définie positive, il ne suffit pas
que les principaux mineurs successifs soient non négatifs (i.e. ≥0). Il faut que tous les mineurs
principaux soient non négatifs, ce qui implique le calcul de plusieurs déterminants.

Théorème:

Une fonction f(x1,x2,…,xn) est convexe si et seulement si sa matrice hessienne H(x) (ou la forme
quadratique associée xTHx ) est semi-définie positive. Si xTHx est définie positive, f(x1,x2,…,xn)
est strictement convexe.

De la même manière, si xTHx est semi-définie négative, la fonction f(x1,x2,…,xn) est concave (et
strictement concave si xTHx est définie négative).

Exemple: Soit f(x1,x2) = x12+2x1x2+3x22

∂f ( x1 , x 2 ) ∂f ( x1 , x 2 )
= 2x1 + 2x2 ; = 2x1 + 6x2
∂x1 ∂x 2

∂ 2 f ( x1 , x 2 ) = 2 ; ∂ 2 f ( x1 , x 2 ) =2 =2
2 2
∂x1 ∂x1
=2 H(x) =
∂ 2 f ( x1 , x 2 )  2 2
∂x1∂x 2  2 6
 

2 2
Or |2|=2>0 et = 2 6 8 > 0 ; xTHx définie positive
 MAT2.11

F(x1,x2)=x12 +2x1x2 + 3x22 est une fonction strictement convexe.

VI. THÉORÈME DES FONCTIONS IMPLICITES

Soit f ( x , y ) = 0 une fonction continuement dérivable. Soit un point ( x o , y o ) tel que

f ( x o , y o ) = 0 et f x ( x o , y o ) ≠ 0 . Il existe des points au voisinage de ( x o , y o ) tels qu'à tout y

dans ce voisinage correspond une valeur unique de x tel que x = g ( y ) .

Ce théorème nous dit que pour une fonction f ( x , y ) = 0 dont la dérivée par rapport à x existe

et est différente de 0 au point ( x o , y o ) , on peut alors exprimer x en fonction de y ( x = g ( y ) )

autour de ce point, et avoir f ( g ( y ) , y ) = 0 .

Exemple: f (x,y) = 2x +3y=0

∂f (x,y)
1 = 2≠0
∂x

3y
et on peut écrire x = - = g ( y ).
2

Ce qui nous intéresse, c'est une formulation plus générale de ce théorème. On pourra par
exemple l'utiliser dans la théorie du consommateur pour montrer que les fonctions de demande existent
ou, dans la théorie du producteur, pour montrer que les fonctions d'offre nette existent.

Supposons qu'on ait les fonctions suivantes:

z 1 = z 1 ( x 1 , x 2 , ... , x n , y 1 , y 2 , ... , y m )
 MAT2.12

z 2 = z 2 ( x 1 , x 2 , ... , x n , y 1 , y 2 , ... , y m )

z n = z n ( x 1 , x 2 , ... , x n , y 1 , y 2 , ... , y m )

La généralisation du théorème nous dit que si z 1 = z 2 = ... = z n = 0 au point

( x 1* , x *2 , ... , x *n , y 1* , ... , y *m ) et si la matrice

 ∂ z 1 ∂ z 1 ... ∂ z 1 
 
 ∂x1 ∂x 2 ∂xn 
 
 ∂ z 2 ∂ z 2 ... ∂ z 2 

 ∂x1 ∂x 2 ∂xn 
 
 . 
 
 . 
 
 . 
 
 
 ∂ z n ∂ z n ... ∂ z n 
 ∂x1 ∂x 2 ∂xn 
 

est de rang maximal (i.e. son déterminant est ≠ 0) en ce point,

alors les fonctions,

x 1 = x 1 ( y 1 , ... , y m )
x 2 = x 2 ( y 1 , ... , y m )
.
.
.
x n = x n ( y 1 , ... , y m )

existent autour de ce point.

 MAT2.13

Exemple:

Supposons qu'on désire maximiser l'utilité d'un consommateur µ = x y en tenant compte de sa

contrainte de budget R = p x x + p x y .

Pour ce faire, on maximise le Lagrangien suivant:

l = x y -λ[ p x x +p y y - R ] ( p x ≠ 0 , py ≠ 0 ) .

Les conditions de premier ordre sont

∂l
= y - λ px = 0
∂x

∂l
= x - λ py = 0
∂y

∂l
= - px x - p y y + R = 0 .
∂λ

Posons z1 = z 1 ( x , y , λ , px , py , R ) = y - λ px

z2 = z 2 ( x , y , λ , px , p y , R ) = x - λ py

z3 = z 3 ( x , y , λ , px , p y , R ) = - px x - p y y + R .

∂ Z1 ∂ Z1 ∂ Z1
On a alors = 0 = 1 = - px 2
∂x ∂y ∂λ

∂ Z2 ∂ Z2 ∂ Z2
= 1 = 0 = - py
∂x ∂y ∂λ
 MAT2.14

∂ Z3 ∂ Z3 ∂ Z3
= - px = - py = 0.
∂x ∂y ∂λ

0 1 _ px
1 _ py 1 0
Or 1 0 _ py = _ - px
_ px 0 _ px _ p y
_ px _ py 0

= px p y + p x p y = 2 p x p y ≠ 0 .

Le théorème des fonctions implicites nous permet d'affirmer qu'il est possible d'exprimer x, y et
λ en fonction de px, py et R, i.e.

x = x ( px , py , R )

y = y ( px , p y , R )

λ = λ ( px , py , R )

En général, dans les cas précis qui nous préoccupent, il ne sera pas nécessaire de vérifier à tout moment
si le théorème des fonctions implicites s'applique. On peut en effet montrer que les conditions
nécessaires à l'application de ce théorème seront généralement respectées dans ces cas particuliers.