% **********************************************************************************
% DEBUT SEMAINE 3
% **********************************************************************************
\pagebreak % Séparation logique entre les semaines
% ==================================================================================
\section{Semaine 3 - Optimisation non contrainte (II)}
% ==================================================================================
\begin{frame}[t]
\frametitle{\iconLivre{} OPTIMISATION POUR ÉCONOMISTES — SEMAINE 3}
\framesubtitle{\iconBoussole{} Thème : Conditions du second ordre (CSO) et nature des points
critiques}
\subsection*{I. Introduction : du point stationnaire au maximum}
\textbf{Le problème :} La Condition du Premier Ordre ($\nabla f = 0$) identifie un point critique, mais
ne dit pas s’il s’agit d’un maximum, d’un minimum ou d’un point-selle.
\textbf{La solution :} Les \textbf{Conditions du Second Ordre (CSO)} — elles sont fondées sur l'analyse
de la courbure de la fonction autour du point critique.
\textbf{Concept clé :} Le signe de la Hessienne détermine la \textbf{stabilité} de l'équilibre.
\end{frame}
\begin{frame}[t]
\frametitle{II. Les Conditions du Second Ordre (CSO)}
\framesubtitle{2.1. Cas d'une seule variable ($n=1$)}
Soit $x^*$ un point critique ($f'(x^*)=0$).
\begin{itemize}
\item Si $f''(x^*) < 0$, alors $x^*$ est un \textbf{maximum local} (la fonction est concave).
\item Si $f''(x^*) > 0$, alors $x^*$ est un \textbf{minimum local} (la fonction est convexe).
\item Si $f''(x^*) = 0$, le test est \textbf{non concluant} (on doit analyser les dérivées d’ordre
supérieur).
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{2.2. Cas de plusieurs variables ($n>1$)}
Soit $x^*$ un point critique ($\nabla f(x^*)=0$). La nature du point est déterminée par la \
textbf{matrice Hessienne} $H(x^*)$.
\textbf{Matrice Hessienne (rappel) :}
\begin{equation*}
H(x) =
\begin{bmatrix}
\frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \dots \\
\frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \dots \\
\vdots & \vdots & \ddots
\end{bmatrix}
\end{equation*}
\end{frame}
\begin{frame}[t]
\frametitle{2.3. Conditions suffisantes ($n>1$)}
\textbf{Conditions suffisantes :}
\begin{itemize}
\item Si $H(x^*)$ est \textbf{définie négative}, $x^*$ est un \textbf{maximum local}.
\item Si $H(x^*)$ est \textbf{définie positive}, $x^*$ est un \textbf{minimum local}.
\item Si $H(x^*)$ est \textbf{indéfinie}, $x^*$ est un \textbf{point-selle} (ni maximum, ni minimum).
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{III. Détermination de la nature de la Hessienne}
\framesubtitle{3.1. Le critère de Sylvester}
Le critère de Sylvester utilise les signes des \textbf{mineurs principaux dominants} ($D_k$) de la
matrice Hessienne.
\textbf{Condition de Maximum (Hessienne définie négative) :}
\begin{itemize}
\item $D_1 < 0$
\item $D_2 > 0$
\item $D_3 < 0$
\item ... (Les signes \textbf{alternent} : $-, +, -, +, \dots$)
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{3.1. Le critère de Sylvester (suite)}
\textbf{Condition de Minimum (Hessienne définie positive) :}
\begin{itemize}
\item $D_1 > 0$
\item $D_2 > 0$
\item $D_3 > 0$
\item ... (Tous les signes sont \textbf{positifs} : $+, +, +, +, \dots$)
\end{itemize}
\textbf{3.2. Le Point-Selle}
Si la Hessienne est \textbf{indéfinie}, le point critique est un point-selle. C’est un \textbf{équilibre
instable}, non désiré en théorie de l'optimisation.
\end{frame}
\begin{frame}[t]
\frametitle{3.3. Interprétation économique des CSO}
\begin{block}{\iconAmpoule{} [Encadré 1 : Interprétation économique]}
Une fonction de profit \textbf{concave} est la condition suffisante qui garantit que le point où le profit
marginal est nul est bien un \textbf{maximum} robuste.
C’est l’expression mathématique des \textbf{rendements marginaux décroissants}.
\end{block}
\end{frame}
\begin{frame}[t]
\frametitle{IV. L'importance de la concavité/convexité globale}
\framesubtitle{4.1. Conditions d'optimalité globale}
\begin{itemize}
\item Si $f(x)$ est \textbf{concave} sur tout le domaine, tout point critique est un \textbf{maximum
global unique}.
\item Si $f(x)$ est \textbf{convexe} sur tout le domaine, tout point critique est un \textbf{minimum
global unique}.
\end{itemize}
\textbf{Avantage économique :} Les fonctions bien comportées garantissent la stabilité et l’unicité des
équilibres.
\end{frame}
\begin{frame}[t]
\frametitle{4.2. Comment tester la concavité/convexité globale ?}
\begin{itemize}
\item La fonction $f$ est \textbf{concave} si $H(x)$ est \textbf{semi-définie négative} pour \
textbf{tout} $x$ dans le domaine.
\item La fonction $f$ est \textbf{convexe} si $H(x)$ est \textbf{semi-définie positive} pour \
textbf{tout} $x$ dans le domaine.
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{\iconCheck{} Réflexion pédagogique – Fin de la Semaine 3}
\framesubtitle{\iconCerveau{} Du calcul au sens : le diagnostic de l’équilibre}
Avec les CSO, vous avez acquis le « scanner » du système économique. Vous en diagnostiquez la \
textbf{qualité} et la \textbf{stabilité}.
\bigskip
\textbf{Les deux commandements de l’optimisation non contrainte :}
\begin{enumerate}
\item **CPO :** L’équilibre est atteint quand toutes les incitations marginales sont \textbf{nulles}.
\item **CSO :** Cet équilibre est un maximum si l’agent fait face à des \textbf{rendements
décroissants}.
\end{enumerate}
\end{frame}
\begin{frame}[t]
\frametitle{\iconBoussole{} Transition vers la Semaine 4}
\begin{block}{Prochain sujet : La Contrainte}
La semaine prochaine, nous intègrerons la réalité la plus fondamentale en économie : la \
textbf{contrainte}. Nous passerons à la méthode de Lagrange.
\end{block}
\textbf{Lagrange :} là où l’ombre des contraintes commence à parler — c'est la \textbf{valeur de
l’ombre}.
\end{frame}
% **********************************************************************************
% DEBUT SEMAINE 4
% **********************************************************************************
\pagebreak % Séparation logique entre les semaines
% ==================================================================================
\section{Semaine 4 - Optimisation contrainte par égalités (I)}
% ==================================================================================
\begin{frame}[t]
\frametitle{\iconLivre{} OPTIMISATION POUR ÉCONOMISTES — SEMAINE 4}
\framesubtitle{\iconBalance{} Thème : Optimisation sous contraintes d’égalité et le Lagrangien}
\subsection*{I. Le problème des choix limités}
\textbf{La réalité économique :} Les agents économiques opèrent sous contraintes (budget, temps,
ressources...). La plupart des modèles exigent des méthodes d'optimisation contraintes.
\textbf{Le problème du consommateur :}
$$ \max_{x,y} U(x,y) \quad \text{s.c.} \quad p_x x + p_y y = R $$
\end{frame}
\begin{frame}[t]
\frametitle{I. Le problème des choix limités (suite)}
\textbf{Le problème de la firme :}
$$ \min_{K,L} C = rK + wL \quad \text{s.c.} \quad Q(K,L) = Q_0 $$
(Minimiser les coûts sous contrainte d'un niveau de production cible $Q_0$)
Nous cherchons l’optimum à la \textbf{frontière} définie par la (ou les) contrainte(s).
\end{frame}
\begin{frame}[t]
\frametitle{II. La méthode du multiplicateur de Lagrange}
\framesubtitle{2.1. Le Lagrangien : transformer un problème contraint en problème non contraint}
Pour un problème : $\max_{x} f(x) \quad \text{s.c.} \quad g(x)=0$, nous construisons la fonction de
Lagrange :
\begin{equation*}
\mathcal{L}(x, \lambda) = f(x) - \lambda g(x)
\end{equation*}
\end{frame}
\begin{frame}[t]
\frametitle{2.1. Le Lagrangien (suite)}
\begin{itemize}
\item $f(x)$ : Fonction objectif (à maximiser/minimiser).
\item $g(x)=0$ : Contrainte.
\item $\lambda$ : \textbf{Multiplicateur de Lagrange} (variable auxiliaire).
\end{itemize}
\textbf{Le principe :} Le maximum du problème contraint est trouvé en cherchant un point stationnaire
de $\mathcal{L}$ par rapport à toutes les variables $\mathbf{x}$ et $\mathbf{\lambda}$.
\end{frame}
\begin{frame}[t]
\frametitle{2.2. Les Conditions du Premier Ordre (CPO) du Lagrangien}
On annule les dérivées partielles du Lagrangien :
\begin{enumerate}
\item \textbf{Dérivée par rapport aux variables de choix ($x_i$)} :
\begin{equation*}
\frac{\partial \mathcal{L}}{\partial x_i} = \frac{\partial f}{\partial x_i} - \lambda \frac{\partial g}{\
partial x_i} = 0 \quad (\mathbf{n} \text{ équations})
\end{equation*}
\item \textbf{Dérivée par rapport à $\lambda$} :
\begin{equation*}
\frac{\partial \mathcal{L}}{\partial \lambda} = -g(x) = 0 \quad (\mathbf{1} \text{ équation} \to \
text{la contrainte elle-même})
\end{equation*}
\end{enumerate}
\end{frame}
\begin{frame}[t]
\frametitle{2.3. Loi du comportement optimal}
La réorganisation des CPO donne :
\begin{equation*}
\frac{\frac{\partial f}{\partial x_1}}{\frac{\partial g}{\partial x_1}} = \frac{\frac{\partial f}{\partial x_2}}
{\frac{\partial g}{\partial x_2}} = \dots = \frac{\frac{\partial f}{\partial x_n}}{\frac{\partial g}{\partial x_n}}
= \lambda
\end{equation*}
\textbf{Interprétation (Consommateur) :} $\frac{\text{UM}_x}{\text{Prix}_x} = \frac{\text{UM}_y}{\
text{Prix}_y} = \lambda$. Le consommateur égalise le \textbf{plaisir marginal par franc dépensé} pour
tous les biens.
\end{frame}
\begin{frame}[t]
\frametitle{III. Le sens profond du multiplicateur $\lambda$}
\framesubtitle{3.1. Valeur d’ombre (Shadow Price)}
$\lambda$ est le \textbf{prix implicite} de la contrainte.
\textbf{Définition :} $\lambda$ mesure l’augmentation de la valeur optimale de la fonction objectif
($f$) pour une relaxation marginale (une unité) de la contrainte.
\textbf{Exemple :}
\begin{itemize}
\item Pour le consommateur, $\lambda$ est l’\textbf{utilité marginale du revenu}.
\item Pour la firme, $\lambda$ est la \textbf{valeur marginale} d'une ressource limitée (ex. temps de
machine).
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{3.2. Signe de $\lambda$}
\begin{itemize}
\item Si $\lambda > 0$, la contrainte est \textbf{liée} (active) et limite l'objectif. L'agent voudrait plus
de cette ressource.
\item Si $\lambda = 0$, la contrainte est \textbf{non liée} (inactive) et ne change rien à l'optimum. La
ressource n'est pas rare à l'optimum.
\end{itemize}
\end{frame}
% **********************************************************************************
% DEBUT SEMAINE 5
% **********************************************************************************
\pagebreak % Séparation logique entre les semaines
% ==================================================================================
\section{Semaine 5 - Optimisation contrainte par égalités (II)}
% ==================================================================================
\begin{frame}[t]
\frametitle{\iconLivre{} OPTIMISATION POUR ÉCONOMISTES — SEMAINE 5}
\framesubtitle{\iconCheck{} Thème : Conditions du second ordre contraintes et le Hessien bordé}
\subsection*{I. Stabilité des équilibres contraints}
Trouver un point stationnaire du Lagrangien ne garantit pas un maximum contraint. Il faut vérifier les
conditions du second ordre (CSO).
\textbf{Le problème :} La Hessienne standard $H_{\mathcal{L}}$ est toujours \textbf{indéfinie} (à cause
de la présence de $\lambda$). Elle n'est pas utilisable.
\textbf{La solution :} Utiliser la \textbf{Matrice Hessienne Bordée} (ou Encadrée) $H_B$.
\end{frame}
\begin{frame}[t]
\frametitle{II. La Matrice Hessienne Bordée ($H_B$)}
\framesubtitle{2.1. Construction de $H_B$}
Pour le problème $\max f(x)$ s.c. $g(x)=0$, la matrice $H_B$ est :
\begin{equation*}
H_B =
\begin{bmatrix}
0 & \frac{\partial g}{\partial x_1} & \dots \\
\frac{\partial g}{\partial x_1} & \frac{\partial^2 \mathcal{L}}{\partial x_1^2} & \dots \\
\vdots & \vdots & \ddots
\end{bmatrix}
\end{equation*}
\textbf{Composition :}
\begin{itemize}
\item La première ligne/colonne est le gradient de la contrainte ($g$).
\item Le bloc central est la Hessienne de $\mathcal{L}$ par rapport à $x$.
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{2.2. Critères des mineurs principaux bordés (CSO contraintes)}
$H_B$ est de dimension $(n+m) \times (n+m)$, avec $m$ contraintes (ici $m=1$).
On examine les mineurs principaux bordés $\det(H_B^{(k)})$, à partir de $k=2m+1$ jusqu’à $n+m$.
\textbf{Condition de Maximum contraint ($m=1$) :}
\begin{itemize}
\item Les signes des mineurs $\det(H_B^{(k)})$ doivent alterner, en commençant par le signe de $(-
1)^{m+1} = (-1)^2 = (+)$.
\item $n=2$ (2 variables, 1 contrainte) : $\det(H_B) > 0$.
\item $n=3$ (3 variables, 1 contrainte) : $\det(H_B^{(3)}) < 0$ et $\det(H_B^{(4)}) > 0$.
\item En général, $\det(H_B^{(k)})$ doit avoir le signe de $(-1)^k$.
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{2.2. Critères des mineurs principaux bordés (suite)}
\textbf{Condition de Minimum contraint ($m=1$) :}
\begin{itemize}
\item Tous les mineurs $\det(H_B^{(k)})$ doivent avoir le signe de $(-1)^m = (-1)^1 = (-)$.
\item $n=2$ (2 variables, 1 contrainte) : $\det(H_B) < 0$.
\item $n=3$ (3 variables, 1 contrainte) : $\det(H_B^{(3)}) < 0$ et $\det(H_B^{(4)}) < 0$.
\item En général, $\det(H_B^{(k)})$ doit avoir le signe de $(-1)^m$.
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{III. Application et interprétation}
\framesubtitle{3.1. Les choix à la frontière}
Les CSO contraintes confirment que l'optimum trouvé n'est pas un point-selle, mais bien le \
textbf{meilleur choix possible à la frontière} définie par la contrainte.
\textbf{Exemple économique (Isoquante) :} Le Hessien bordé confirmera que le point de tangence
entre l’isoquante (contrainte) et l’isocoût (objectif) correspond bien au \textbf{coût minimum}.
\framesubtitle{3.2. Le concept de l’arc de courbe}
La CSO vérifie la convexité/concavité de la fonction objectif le long de l’\textbf{arc de courbe} défini par
la contrainte, et non dans l’espace entier.
\end{frame}
% **********************************************************************************
% DEBUT SEMAINE 6
% **********************************************************************************
\pagebreak % Séparation logique entre les semaines
% ==================================================================================
\section{Semaine 6 - Optimisation sous contraintes d’inégalité}
% ==================================================================================
\begin{frame}[t]
\frametitle{\iconLivre{} OPTIMISATION POUR ÉCONOMISTES — SEMAINE 6}
\framesubtitle{\iconChrono{} Thème : Conditions de Kuhn–Tucker et généralisation des contraintes}
\subsection*{I. Optimisation avec contraintes d’inégalité}
\textbf{Le problème :} Les contraintes sont souvent des inégalités ($h(x) \le 0$) — le budget doit être
dépensé $\le R$.
\textbf{Le problème général :}
\begin{equation*}
\max_{x} f(x) \quad \text{s.c.} \quad h_j(x)\le0 \quad (j=1,\dots,p)
\end{equation*}
\textbf{La solution :} Les Conditions de Karush–Kuhn–Tucker (KKT).
\end{frame}
\begin{frame}[t]
\frametitle{II. Les Conditions de Karush–Kuhn–Tucker (KKT)}
\framesubtitle{2.1. Le Lagrangien de KKT}
La fonction Lagrangienne est construite avec $\mu$ pour les multiplicateurs des contraintes
d’inégalité :
\begin{equation*}
\mathcal{L}(x, \mu) = f(x) - \sum_{j=1}^p \mu_j h_j(x)
\end{equation*}
\end{frame}
\begin{frame}[t]
\frametitle{2.2. Les CPO de KKT (Conditions Nécessaires)}
\begin{enumerate}
\item \textbf{Stationnarité} :
$$ \frac{\partial \mathcal{L}}{\partial x_i} = \frac{\partial f}{\partial x_i} - \sum_{j=1}^p \mu_j \frac{\
partial h_j}{\partial x_i} = 0 $$
\item \textbf{Faisabilité} : $h_j(x) \le 0$
\item \textbf{Non-négativité des multiplicateurs} : $\mu_j \ge 0$
\item \textbf{Condition d'Écarts Complémentaires (C.C.)} :
$$ \mu_j h_j(x) = 0 \quad (\text{pour tout } j) $$
\end{enumerate}
\end{frame}
\begin{frame}[t]
\frametitle{2.3. Interprétation des Écarts Complémentaires ($\mu_j h_j(x) = 0$)}
\textbf{Cas 1 : Contrainte liante (Active)}
\begin{itemize}
\item Si $h_j(x^*) = 0$ (la contrainte est atteinte), alors $\mu_j$ peut être \textbf{strictement positif}
($\mu_j > 0$).
\item \emph{Interprétation :} La contrainte limite le choix ; son assouplissement apporte un gain ($\
mu_j > 0$).
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{2.3. Interprétation des Écarts Complémentaires (suite)}
\textbf{Cas 2 : Contrainte non-liante (Inactive)}
\begin{itemize}
\item Si $h_j(x^*) < 0$ (la contrainte n'est pas atteinte), alors $\mu_j$ doit être \textbf{nul} ($\mu_j =
0$).
\item \emph{Interprétation :} La contrainte n'affecte pas le choix ; son assouplissement n'apporte
aucun gain marginal ($\mu_j = 0$).
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{III. Conditions suffisantes et convexité}
\framesubtitle{3.1. Les CSO de KKT (Simplification)}
Les conditions suffisantes (CSO) de KKT sont complexes à évaluer (Hessien bordé plus général).
\textbf{Simplification majeure (Convexité) :} Si le problème est \textbf{convexe} :
\begin{itemize}
\item Si $f(x)$ est \textbf{concave} (maximisation) ;
\item et les contraintes $h_j(x)$ sont \textbf{convexes} ;
\item Alors, les CPO de KKT sont également des conditions \textbf{suffisantes} pour l'optimalité
globale.
\end{itemize}
\end{frame}
\begin{frame}[t]
\frametitle{3.2. Le principe de la convexité en KKT}
La concavité de la fonction objectif et la convexité du domaine faisable (contraintes) garantissent que
les CPO trouvent le meilleur optimum global.
\begin{block}{Résumé}
Les conditions KKT permettent de gérer la complexité où l’optimum peut se trouver soit à l’intérieur
du domaine, soit sur sa frontière.
\end{block}
\end{frame}
\begin{frame}[t]
\frametitle{\iconEtoile{} Conclusion du module — L’optimisation est une méthode de pensée}
\framesubtitle{Le cycle de la rationalité économique}
\textbf{Le chemin parcouru :}
\begin{enumerate}
\item \textbf{Sans contrainte} ($\nabla f = 0$) : le pur équilibre marginal.
\item \textbf{Sous égalités} (Lagrange) : la valeur d’ombre des ressources rares ($\lambda$).
\item \textbf{Sous inégalités} (KKT) : la distinction entre contraintes actives et inactives ($\mu$).
\end{enumerate}
L’optimisation est votre \textbf{boîte à outils} pour formaliser la rationalité économique dans
n'importe quel contexte de rareté.
\end{frame}
\begin{frame}[t]
\frametitle{Ouverture : Au-delà du modèle statique}
\framesubtitle{Les extensions de l'optimisation}
Les outils que vous maîtrisez sont les instruments de votre futur travail de recherche et de
modélisation.
Vous pouvez désormais aborder :
\begin{itemize}
\item la planification économique et la croissance soutenable,
\item la politique monétaire et budgétaire sous incertitude,
\item ou encore l’économie computationnelle et l’intelligence artificielle économique.
\end{itemize}
\textbf{MATLAB} sera votre laboratoire de pensée.
\end{frame}
\begin{frame}[t]
\frametitle{\iconEtoile{} Message final du professeur}
L’économiste accompli n’est pas celui qui connaît des modèles, mais celui qui comprend les limites de
chaque modèle et la portée de chaque choix.
Poursuivez ce chemin : expérimentez, enseignez, codez, modélisez — mais surtout, \textbf{pensez}.
\begin{center}
\textbf{Merci de m’avoir suivi — et d’avoir pris le temps de comprendre.}
\end{center}
\end{frame}
% **********************************************************************************
% FIN SEMAINE 6
% **********************************************************************************
\end{document}