1 Maximums, minimums, points selles

Pour les fonctions d’une variable sur un intervalle ouvert, vous avez étudié les points critiques, et appris à déterminer
si ces derniers sont des maximums, minimums, ou points selles en fonction du comportement de la dérivée seconde. Dans
cette section, nous allons faire une étude similaire pour les fonctions de plusieurs variables.

1.1 Points critiques

Définition 1.1. Soit f une fonction différentiable sur un sous-ensemble ouvert U de Rn , et soit a ∈ U. Le point a est
appelé point critique de f si :
(∇ f ) (a) = 0.
Ainsi, si f est une fonction de deux variables x et y, les points critiques sont à chercher parmi les solutions du système :

∂f


 =0
∂x
∂ f

 =0
∂y
On considère la fonction définie par :
2 +y2
f (x, y) = e−(x ).

Les dérivées partielles de f sont,

∂f

2 2

 = −2xe−(x +y )
∂x
∂f 2 2

 = −2ye−(x +y ) .
∂y
Il n’y a qu’un seul point pour lequel les deux dérivées partielles s’annulent : (0, 0). Ce dernier est donc l’unique point
critique de f .
Remarque 1.1. De manière analogue au cas des fonctions réelles, si une fonction est différentiable sur un ouvert U, et si
elle admet un extremum en un point a ∈ U, alors a est un point critique de f . La réciproque n’est cependant pas vraie.
Écrivons maintenant ceci de manière rigoureuse.
Définition 1.2. Soit f une fonction, différentiable ou non, définie sur un ouvert U de Rn . La fonction f admet un maximum
local (resp. minimum local) au point a ∈ U, s’il existe un réel r > 0 tel que la boule ouverte B = B (a, r) ⊂ U, et :

f (x) ≤ f (a) , ∀x ∈ B, (resp. f (x) ≥ f (a) , ∀x ∈ B).

Le maximum local (minimum local) est dit strict si l’inégalité ci-dessus est stricte. La fonction f admet un extremum
local au point a ∈ U, si elle admet soit un maximum, soit un minimum local en ce point.

Remarquer que dans le cas de dimension 1, une boule ouverte est un intervalle ouvert, de sorte que vous retrouvez la
définition du cours d’analyse réelle.
Théorème 1.1. Soit f une fonction différentiable sur un ensemble ouvert U de Rn . Si f admet un extremum local en un
point a ∈ U, alors a est un point critique de f .
Preuve. Supposons que f admette un maximum local en a (le cas d’un minimum est symétrique). Soit la fonction d’une
variable g (t) = f (a + th). Alors, pour h suffisamment petit, a + th est dans la boule ouverte B, de sorte que :

g (t) ≤ g (0) .

Ainsi, la fonction d’une variable g, admet un maximum local en 0, donc sa dérivée en 0 est nulle. En utilisant la dérivation
des fonctions composées pour calculer g0 (0), on obtient :

g0 (0) = (∇ f ) (a) · h = 0,

pour tout h suffisamment petit, ce qui est équivalent à dire que (∇ f ) (a) = 0.

1
1.2 Formes quadratiques
Avant d’établir une classification des points critiques, il nous semble utile de faire un rappel sur les formes quadra-
tiques. Par définition, une forme quadratique sur Rn est un polynôme homogène de degré 2 en les variables x1 , · · · , xn . Un
polynôme est dit homogène si tous les monômes ont le même degré.
Exemple 1.1.
1. Le polynôme q (x, y, z) = z2 + 3y2 + 4xy + xz est une forme quadratique sur R3 .
2. Le polynôme p (x, y, z) = x3 + yx + 4xyz n’est pas un polynôme homogène de degré 3.
Proposition 1.1. Soit
n
q (x) = ∑ aii xi2 + ∑ ai j xi x j
i=1 1≤i< j≤n

une forme quadratique sur Rn . Alors, on peut écrire q de la manière suivante :

q (x) = t x Qx

où t x est la transposée du vecteur x, et Q est la matrice n × n, symétrique, définie par :


aii si i = j
Qi j = 1
2 ai j si i < j.

On appelle Q la matrice de la forme quadratique q.

Voici quelques définitions qui seront utiles pour déterminer la nature des points critiques.
Définition 1.3. Une forme quadratique est dite définie positive (resp. définie négative) si :

q (x) > 0, ∀x 6= 0, (resp. q (x) < 0, ∀x 6= 0).

Elle est dite semi-définie positive ou semi-définie négative si l’inégalité ci-dessus n’est pas stricte. Une forme quadratique
est dite non-semi-définie, si il existe x1 6= 0 et x2 6= 0, tels que q (x1 ) < 0 et q (x2 ) > 0, c’est à dire, si elle n’est ni
semi-définie positive, ni semi-définie négative.
Les critères suivants sont utiles pour déterminer si une forme quadratique est définie positive. Etant donné qu’ils sont
classiques, et appartiennent plutôt à un cours d’algèbre linéaire, nous les donnons sans démonstration.
Proposition 1.2. Les assertions suivantes sont équivalentes :
1. La forme quadratique q est définie positive.
2. La matrice Q de la forme quadratique q satisfait :
t
xQx > 0, ∀x 6= 0.

3. Les valeurs propres de Q sont toutes strictement positives.

4. Pour k = 1, · · · , n, les déterminants des k × k coins supérieurs gauches de Q sont strictement positifs.
Pour les formes quadratiques semi-définies et non semi-définies, on a la correspondance suivante avec les valeurs
propres de la matrice Q.
Proposition 1.3.
1. La forme quadratique q est semi-définie positive (négative), si et seulement si les valeurs propres de Q sont ≥ 0
(≤ 0).
2. La forme quadratique q est non-semi-définie, si et seulement si Q a au moins une valeur propre positive et une
négative.

2
1.3 Classification des points critiques
Dans cette section, nous établissons la généralisation du critère de la deuxième dérivée pour déterminer si en un point
critique une fonction de plusieurs variables admet un maximum local, minimum local ou un point selle. On considère une
fonction f définie sur un ouvert U de Rn , qui est de classe C 3 dans un voisinage d’un point critique a de U. On peut écrire
le développement de Taylor à l’ordre 2 :

(h · ∇)2 f (a)
f (a + h) = f (a) + + R2 (h) ,
2

où limh→0 R2 (h)2 = 0.
khk

Définition 1.4. On appelle

(h · ∇)2 f (a) 1 n 2 2
qa (h) = = ∑ hi Di f (a) + ∑ hi h j Di D j f (a) ,
2 2 i=1 1≤i< j≤n

la forme quadratique associée de la fonction f au point critique a.

Remarque 1.2. Dans ce cas, la matrice symétrique associée à q où les coefficients sont multipliés par 2, revêt une impor-
tance particulière, et est appelée la matrice hessienne de f au point a, notée H f (a) .
En vertu de la section précédente la matrice hessienne de f au point x est une matrice de taille n × n, définie par :

D2i f (x) si i = j



H f (x) i j =
Di D j f (x) si i < j.

Voici le théorème qui permet la classification des points critiques.

Théorème 1.2. Soit f une fonction définie sur un ouvert U de Rn , qui est de classe C 3 dans le voisinage d’un point
critique x de U.
1. Si la forme quadratique qx est définie positive, f admet un minimum local strict en x.
2. Si la forme quadratique qx est définie négative, f admet un maximum local strict en x.
3. Si la forme quadratique qx est non-semi-définie, alors f n’admet ni maximum, ni minimum en x.
Preuve. L’idée de la preuve pour les deux premiers points est la suivante (il manque des détails techniques). Si q est
définie positive, alors pour h suffisamment petit, f (x + h) − f (x) > 0, de sorte que x est un minimum local strict. En effet,
on peut montrer que le reste est négligeable par rapport à la forme quadratique, ainsi localement, le comportement de la
fonction est le même que celui de la forme quadratique. Pour le troisième point, on montre la contraposée : si f admet un
minimum (maximum) local (pas forcément strict), alors la forme quadratique qx est semi-définie positive (négative).
Remarque 1.3.
1. Il est IMPORTANT de noter que si la forme quadratique est semi-définie positive, ou semi-définie négative, le
Théorème ci-dessus ne permet pas de conclure. En effet, tout peut arriver comme l’illustre l’Exemple 1.3 ci-dessous.
remarquer qu’au niveau de la matrice hessienne, ce cas se présente lorsque le déterminant est 0, et que les valeurs
propres sont soit toutes ≥ 0, soit toutes ≤ 0.
2. Un point critique qui n’est ni un minimum, ni un maximum est appelé un point selle, pour des raisons géométriques
expliquées ci-dessous, et illustrées dans l’Exemple 1.2.
3. Voici une description géométrique de ce qui se passe. Comme la matrice hessienne est symétrique, elle peut être
diagonalisée dans une base orthogonale. De sorte que l’on peut écrire

qx (h) = λ1 a21 + · · · + λn a2n ,

où h = ∑ni=1 ai vi est décomposé dans une base orthogonale, et λ1 , · · · , λn sont les valeurs propres de H f (x) . De plus,
dans les cas sus-mentionnés la forme quadratique approche bien la fonction f , de sorte que q décrit le comportement
de f au voisinage de x. Dans le premier cas les valeurs propres sont positives, ainsi on voit bien que q admet un
minimum en 0. On raisonne de manière analogue dans le deuxième cas. Dans le troisième cas, si on considère
le sous-espace vectoriel engendré par les vecteurs propres des valeurs propres positives, alors f a un minimum
local sur ce sous-espace. De manière analogue, f a un maximum local sur le sous-espace engendré par les vecteurs
propres des valeurs propres négatives. Cela donne une idée géométrique de ce qui se passe pour les points selles.
Remarque 1.4.

3
 1. Lorsque n = 1, la matrice hessienne est simplement la dérivée seconde, de sorte que l’on retrouve le critère déjà
connu pour les fonctions d’une variable.
2. Lorsque n = 2, la matrice hessienne H f (x) est donnée par :

D21 f (x)
 
D1 D2 f (x)
D1 D2 f (x) D22 f (x)

Donc en utilisant le critère 4 de la Proposition 1.2, et le fait qu’une forme quadratique q est définie négative si −q
est définie positive, on déduit le critère suivant. Une fonction f de deux variables qui est de classe C 3 dans un
voisinage d’un point critique x, admet :
(a) un minimum local si H f (x) > 0 et D21 f (x) > 0,
(b) un maximim local si H f (x) > 0, et D21 f (x) < 0,
(c) un point selle si H f (x) < 0,
(d) si H f (x) = 0, on ne peut pas conclure.
Exemple 1.2. On suppose que n = 2, et que f est une fonction de classe C 3 au voisinage d’un point critique x. Soit qx la
forme quadratique associée à f au point x. Voici quelques exemples pour qx .
1. Si qx (h1 , h2 ) = h21 + h22 , alors la forme quadratique est définie positive, et f admet un minimum local au point x. Si
qx (h1 , h2 ) = −h21 − h22 , alors la forme quadratique est définie négative, et f admet un maximum local au point x.
2. Si qx (h1 , h2 ) = h21 − h22 , alors la forme quadratique est non-semi-définie, car qx (2, 1) > 0 et qx (1, 2) < 0, donc f
admet un point selle en x.
3. Si qx (h1 , h2 ) = h22 ou qx (h1 , h2 ) = 0, le Théorème 1.2 ne s’applique pas, donc on ne peut rien dire sur le point
critique de f .
Exemple 1.3. Soit f (x, y) = x2 − 2xy + y2 + x4 + y4 , et g (x, y) = x2 − 2xy + y2 − x4 − y4 . Pour ces deux fonctions la forme
quadratique au point critique (0, 0) est :
q (h1 , h2 ) = (h1 − h2 )2 ,
qui est semi-définie positive, donc le Théorème 1.2 ne permet pas de conclure. En effet, f peut s’écrire f (x, y) = (x − y)2 +
x4 + y4 , de sorte que (0, 0) est un minimum local pour f . Par contre pour g, on a :

g (t,t) = −2t 4 , g (t, −t) = 2t 2 2 − t 2 ,

de sorte que (0, 0) est un point selle de g. Ceci illustre le fait que lorsque la forme quadratique est semi-définie positive,
tout peut arriver.

1.4 Multiplicateurs de Lagrange

Dans cette section nous allons étudier les points critiques d’un problème d’optimisation sous contrainte. La contrainte
est déterminée par une surface S définie de la manière suivante.
• La surface en question
Soit g : U → R, une fonction de classe C 1 sur un ouvert U de Rn , et soit S la surface définie par :

S = {x ∈ U : g (x) = 0} .

Dans la suite, on suppose que ∇g (x) 6= 0, pour tout x ∈ U ∩ S.

Exemple 1.4. Soit g : R3 → R la fonction définie par g (x, y, z) = x2 + y2 + z2 − 1, alors la surface S correspondante est la
sphère de rayon 1 dans R3 .
Remarque 1.5. On a défini le plan tangent en un point x de S, noté Tx , comme le plan passant pas x, et orthogonal au
gradient en ce point, i.e.
Tx = {y ∈ Rn : (y − x) · ∇g (x) = 0} .
Sous les hypothèses ci-dessus, on peut montrer que le plan tangent Tx est aussi le plan engendré par les vecteurs tangents
aux courbes sur la surface S passant par x.
• Le problème d’optimisation
Soit f : U → R une fonction de classe C 1 sur un ouvert U de Rn (le même que celui de la fonction g). On souhaite
trouver l’ensemble des points x ∈ S tels que f (x) soit un extremum local (maximum local ou minimum local) de f sur

4
la surface S, c’est à dire, on cherche tous les points x ∈ U tels que g (x) = 0, et tel qu’il existe une boule ouverte B ⊂ U
vérifiant :
f (x) ≥ f (y), pour tout y ∈ B ∩ S,
ou,
f (x) ≤ f (y), pour tout y ∈ B ∩ S.
Si x satisfait une des deux conditions, on dit que la fonction f soumise à la contrainte g admet un extremum local au point
x. Elle admet un extremum strict si les inégalités ci-dessus sont strictes.
Définition 1.5. Un point x ∈ U ∩ S pour lequel il existe λ tel que ∇ f (x) = λ ∇g (x) s’appelle un point critique pour le
problème d’optimisation de la fonction f sous la contrainte g. Le nombre λ correspondant s’appelle le multiplicateur de
Lagrange en x.
Théorème 1.3. Soit g : U → R une fonction de classe C 1 sur un ouvert U de Rn , et soit S la surface correspondante. On
suppose que ∇g (x) 6= 0, ∀x ∈ U ∩ S. Soit f : U → R une fonction de classe C 1 sur le même ouvert U. Si la fonction f
soumise à la contrainte g admet un extremum local au point x, alors il existe un nombre λ , tel que :
∇ f (x) = λ ∇g (x) . (1)
Preuve. Supposons que f admette un extremum local au point x, et supposons que ce soit un maximum local. Soit γ : I → S
une courbe sur la surface S qui passe par x, i.e. il existe t0 ∈ I tel que γ (t0 ) = x. Alors, la fonction composée f ◦ γ : I → R
admet un maximum en t0 , de sorte que sa dérivée en t0 s’annule, i.e.
∇ f (x) · γ (t0 ) = 0.
Ainsi ∇ f (x) est orthogonal à toute courbe sur la surface S passant par x. En utilisant la Remarque 1.5, cela signifie que
∇ f (x) est orthogonal au plan tangent Tx à S au point x. D’autre part, on peut montrer que l’espace orthogonal au plan
tangent est de dimension 1, de sorte qu’il existe λ tel que,
∇ f (x) = λ ∇g (x) .

Nous souhaitons maintenant classifier les points critiques du problème d’optimisation sous contrainte. Pour cela, nous
introduisons la fonction auxiliaire L : U → R définie par :
L (x) = f (x) − λ g (x) .
Remarquer que si x est un point critique du problème d’optimisation de la fonction f sous la contrainte g, alors x est un
point critique de la fonction L. Supposons de plus que f et g soient de classe C 3 . La forme quadratique du problème
d’optimisation de la fonction f soumise à la contrainte g au point x est, par définition, la forme quadratique de la fonction
L au point critique x, et est notée qLx :
(h · ∇)2 L (x) 1 n 2 2
qLx (h) = = ∑ hi Di L (x) + ∑ hi h j Di D j L (x) .
2 2 i=1 1≤i< j≤n

On a alors le théorème suivant :

Théorème 1.4. Soit g : U → R une fonction de classe C 3 sur un ouvert U de Rn , et soit S la surface correspondante.
Supposons que ∇g (x) 6= 0, pour tout x ∈ S ∩ U. Soit f : U → R une fonction de classe C 3 , et x un point critique du
problème d’optimisation de la fonction f soumise à la contrainte g. Soit L la fonction auxiliaire ci dessus, et qLx la forme
quadratique associée. Alors, f soumise à la contrainte g admet :
1. un minimum local si qLx est définie positive sur le plan tangent Tx à S au point x.
2. un maximum local si qLx est définie négative sur le plan tangent Tx à S au point x.
3. un point selle si qLx est non semi-définie sur le plan tangent Tx à S au point x.
Preuve. Soit x un point critique du problème d’optimisation sous contrainte. Nous souhaitons déterminer le signe de
f (x + h) − f (x), lorsque x, x + h ∈ S. Par hypothèse, la fonction auxiliaire L est de classe C 3 . Effectuons son développe-
ment de Taylor à l’ordre 2 au point x :
L (x + h) = L (x) + qLx (h) + r2 (h) .
Si x et x + h ∈ S, alors L (x + h) = f (x + h) et L (x) = f (x), de sorte que :
f (x + h) = f (x) + qLx (h) + r2 (h) .
De plus, si x + h ∈ S, et h est suffisamment petit, le point x + h est proche du plan tangent Tx de S au point x. On peut
montrer que le comportement de f (x + h) − f (x) est décrit par le comportement de la forme quadratique restreinte au
plan tangent Tx , dans les limite données dans le théorème.

5
Exemple 1.5. Voici un exemple pour illustrer la méthode. On souhaite minimiser la surface totale d’un parallélépipède
qui a pour volume 1 000.
Soit f : U = R3∗+ → R la fonction définie par

f (x, y, z) = 2 (xy + xz + yz) ,

et soit g : U → R la fonction définie par g (x, y, z) = xyz − 1 000. Alors, résoudre notre problème revient à trouver le
minimum de la fonction f sous la contrainte g. Remarquons que U est un ouvert, et que f et g sont de classe C 3 sur U.
De plus ∇g (x, y, z) = (yz, xz, xy) 6= 0 si (x, y, z) ∈ S. Ainsi, si f admet un extremum au point (x, y, z), alors (x, y, z) est un
point critique du problème d’optimisation. Cherchons ces points critiques. On veut résoudre :

∇ f (x) = λ ∇g (x)
g (x) = 0

Ceci est équivalent à résoudre : 


 2y + 2z = λ yz
2x + 2z = λ xz


 2x + 2y = λ xy
xyz = 1 000


En multipliant la première équation par x, la deuxième par y et la troisième par z, on obtient :

xy + xz = xy + yz = xz + yz = 500λ .

De plus, comme (x, y, z) ∈ U, on a x, y, z 6= 0. De là, on déduit que x = y = z. En utilisant la dernière équation, on conclut
qu’il n’y a qu’un seul point critique pour le problème d’optimisation : (x, y, z) = (10, 10, 10), et que le multiplicateur de
2
Lagrange correspondant est λ = . La fonction auxiliaire est :
5
2
L (x, y, z) = 2xy + 2xz + 2yz − xyz + 400.
5
Après calculs, on montre que la forme quadratique de L au point (10, 10, 10) est :

q (x, y, z) = −2xy − 2xz − 2yz.

Cette forme quadratique est non-semi-définie, mais ce qui nous intéresse est son comportement sur le plan tangent Tx à
S au point critique (x, y, z) = (10, 10, 10). Le plan tangent T(x,y,z) est par définition le plan orthogonal au gradient en ce
point, i.e. c’est le plan orthogonal au point ∇g (x, y, z) = (100, 100, 100). Il est engendré par les vecteurs :

v1 = (1, −1, 0) , v2 = (1, 0, −1) .

Ainsi, si v ∈ T(x,y,z) , on peut écrire v = sv1 + tv2 = (s + t, −s, −t). En remplaçant, on déduit :

q (v) = 2s2 + st + 2t 2 .

Cette forme quadratique est définie positive, de sorte que l’on a un minimum local en ce point.

1.5 Maximums et minimums absolus

Toute la théorie développée jusqu’à maintenant ne donne que des extremas locaux. Quels outils avons-nous pour
trouver des extremas globaux ?

Théorème 1.5. Si f : K → R est une fonction continue sur un compact K de Rn , alors f admet un maximum et un
minimum sur K. Si f est suffisamment régulière, on utilisera la stratégie suivante pour les trouver.
1. Chercher les extremums locaux dans int (K) qui est ouvert avec la théorie élaborée à la sous section précédente.
2. Chercher les extremums locaux sur le bord ∂ K. Ce problème peut parfois se ramener à une question de multiplica-
teurs de Lagrange.
3. On sait que les extremums globaux se trouvent parmis ces extremums locaux. Comparer la valeur de la fonction en
ces différents points, et en déduire quels sont les extremums globaux.