Introduction au Calcul Différentiel : Fonctions de Plusieurs

Variables
Ralena
26 octobre 2025

Table des matières

1 Motivation et Définitions Préliminaires 2
1.1 Fonctions de Plusieurs Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Dérivées Partielles 2
2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Calcul Pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

3 Gradient 3
3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Propriété Géométrique (Schéma) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

4 Différentielle (Introduction) 3
4.1 Définition (Cas R2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2 Interprétation et Différentiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

5 Exercices Corrigés 4

6 Dérivées Partielle d’Ordre Supérieur et Matrice Hessienne 4

6.1 Dérivées Partielle Secondes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
6.2 Théorème de Schwarz (Égalité des dérivées croisées) . . . . . . . . . . . . . . . . . . . . . . . . . 5
6.3 Matrice Hessienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

7 Formule de Taylor-Young (Ordre 2) 5

7.1 Rappel : Ordre 1 (Approximation Linéaire) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
7.2 Formule de Taylor-Young à l’Ordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

8 Exercices Corrigés (Ordre Supérieur et Taylor) 6

9 Prochaine Étape 7

10 Application : Recherche des Extremums Locaux 7

10.1 Points Critiques (Conditions Nécessaires) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
10.2 Test des Dérivées Secondes (Conditions Suffisantes) . . . . . . . . . . . . . . . . . . . . . . . . . . 7
10.3 Illustration Graphique (Point Selle) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

11 Exercice Corrigé Complet 8

12 Prochaine Étape 9

13 Différentiation des Fonctions Composées (Règle de la Chaîne) 9

13.1 Cas général : Rp → Rn → Rm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
13.2 Application : Cas Classique (R2 → R) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
13.3 Application : Dérivée d’une fonction le long d’une courbe de niveau . . . . . . . . . . . . . . . . . 9

14 Extremums sous Contrainte (Multiplicateurs de Lagrange) 9

14.1 Cadre Théorique (Une Contrainte) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
14.2 Méthode Pratique : La Fonction de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
14.3 Exercice Corrigé (Lagrange) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1
15 Dernière Étape du Cours 10

16 Théorèmes Fondamentaux : Inversion Locale et Fonctions Implicites 11

16.1 Théorème d’Inversion Locale (TIL) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
16.2 Théorème des Fonctions Implicites (TFI) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

17 Conseils pour Maîtriser le Calcul Différentiel (Niveau L3) 12

1 Motivation et Définitions Préliminaires

Le calcul différentiel étudie la variation des fonctions. Alors qu’en une seule variable, la **dérivée** donne la
pente de la tangente, en plusieurs variables, nous avons besoin de concepts plus riches pour décrire la variation
dans différentes directions.

1.1 Fonctions de Plusieurs Variables

Une fonction de plusieurs variables est une application f : D → R, où D est un sous-ensemble de Rn (avec
n ≥ 2).

. La fonction f (x, y) = x2 + y 2 est une fonction de deux variables, f : R2 → R. Son graphe est un paraboloïde.

2 Dérivées Partielles
La notion la plus simple de variation en plusieurs variables est de regarder comment la fonction varie lorsque
l’on ne fait varier qu’une seule variable, en fixant les autres.

2.1 Définition
Soit f (x1 , x2 , . . . , xn ) une fonction de n variables. La dérivée partielle de f par rapport à la variable xi
est la dérivée de la fonction par rapport à xi , en considérant toutes les autres variables comme des constantes.
∂f
Elle est notée ∂x i
ou fx′ i .
Pour f (x, y), les dérivées partielles sont :

∂f f (x + h, y) − f (x, y)
(x, y) = lim
∂x h→0 h
∂f f (x, y + k) − f (x, y)
(x, y) = lim
∂y k→0 k

2.2 Calcul Pratique

Pour calculer ∂f
∂x , on dérive f en traitant y comme une constante. Pour calculer
∂f
∂y , on dérive f en traitant
x comme une constante.

. Soit f (x, y) = x3 y + sin(x2 ) + y 4 .

— Dérivée partielle par rapport à x (y est constant) :

∂f ∂ 3 ∂ ∂ 4
= (x y) + (sin(x2 )) + (y )
∂x ∂x ∂x ∂x
∂f
= 3x2 y + 2x cos(x2 ) + 0 = 3x2 y + 2x cos(x2 )
∂x
— Dérivée partielle par rapport à y (x est constant) :

∂f ∂ 3 ∂ ∂ 4
= (x y) + (sin(x2 )) + (y )
∂y ∂y ∂y ∂y
∂f
= x3 · 1 + 0 + 4y3 = x3 + 4y3
∂y

2
3 Gradient
Le gradient est un vecteur qui regroupe toutes les dérivées partielles. Il est fondamental car il indique la
direction de la plus forte pente de la fonction.

3.1 Définition
Le gradient d’une fonction f (x1 , . . . , xn ) est le vecteur noté ∇f (ou gradf ) :
 
∂f ∂f ∂f
∇f (x1 , . . . , xn ) = , ,...,
∂x1 ∂x2 ∂xn

Pour une fonction de deux variables f (x, y) :

 
∂f ∂f
∇f (x, y) = (x, y), (x, y)
∂x ∂y

3.2 Propriété Géométrique (Schéma)

Le gradient ∇f (P ) au point P est orthogonal aux courbes ou surfaces de niveau de f passant par P . Il
pointe dans la direction où f croît le plus rapidement.
y

∇f (P )
P

Courbe de niveau f (x, y) = C

x

4 Différentielle (Introduction)
La différentielle d’une fonction en un point est la meilleure approximation linéaire de l’accroissement de
la fonction au voisinage de ce point. C’est l’extension de la formule df = f ′ (x)dx aux fonctions de plusieurs
variables.

4.1 Définition (Cas R2 )

Si une fonction f (x, y) est différentiable au point (x0 , y0 ), sa différentielle df est une application linéaire
qui s’écrit :
∂f ∂f
df(x0 ,y0 ) (dx, dy) = (x0 , y0 )dx + (x0 , y0 )dy
∂x ∂y
où dx et dy sont les accroissements (variations) des variables x et y.

4.2 Interprétation et Différentiabilité

— L’accroissement total ∆f ≈ df .
— La différentiabilité est une condition plus forte que l’existence des dérivées partielles.
— Théorème (Condition suffisante) : Si les dérivées partielles ∂f ∂f
∂x et ∂y existent et sont continues sur
un ouvert, alors f est différentiable sur cet ouvert. Une telle fonction est dite de classe C 1 .

. Soit f (x, y) = xexy .

— ∂f ∂x = 1 · e
xy
+ x · (yexy ) = exy (1 + xy)
∂f
— ∂y = x · (xexy ) = x2 exy

3
 — Les dérivées partielles sont continues. La fonction est donc différentiable.
— La différentielle est :
df (dx, dy) = exy (1 + xy)dx + x2 exy dy

5 Exercices Corrigés
. Soit la fonction f (x, y) = ln(x2 + y 2 ).
∂f ∂f
1. Calculer les dérivées partielles ∂x et ∂y .
2. Déterminer le gradient ∇f (x, y).
′
d
. 1. Rappel : du ln(u) = uu .
∂f
— Pour ∂x , y est constant :
∂f 2x
= 2
∂x x + y2
∂f
— Pour ∂y , x est constant :
∂f 2y
= 2
∂y x + y2
2. Le gradient est le vecteur formé par ces dérivées :
 
2x 2y
∇f (x, y) = ,
x2 + y 2 x2 + y 2

. Soit la fonction g(x, y, z) = x cos(yz).

1. Calculer les dérivées partielles premières.
2. Écrire la différentielle dg(dx, dy, dz).
∂g
. 1. — Pour ∂x (y, z sont constants) :

∂g
= 1 · cos(yz) = cos(yz)
∂x
∂g
— Pour ∂y (x, z sont constants) :

∂g ∂
=x· (cos(yz)) = x · (−z sin(yz))
∂y ∂y
∂g
= −xz sin(yz)
∂y
∂g
— Pour ∂z (x, y sont constants) :

∂g ∂
=x· (cos(yz)) = x · (−y sin(yz))
∂z ∂z
∂g
= −xy sin(yz)
∂z
2. La différentielle est :
∂g ∂g ∂g
dg(dx, dy, dz) = dx + dy + dz
∂x ∂y ∂z
dg(dx, dy, dz) = cos(yz)dx − xz sin(yz)dy − xy sin(yz)dz

6 Dérivées Partielle d’Ordre Supérieur et Matrice Hessienne

Après les dérivées partielles premières, nous pouvons dériver à nouveau pour obtenir des informations sur la
concavité et la convexité de la fonction.

4
6.1 Dérivées Partielle Secondes
Pour une fonction f (x, y), il existe quatre dérivées partielles secondes :
1. Les dérivées pures :
∂2f ∂2f
   
∂ ∂f ∂ ∂f
2
= et 2
=
∂x ∂x ∂x ∂y ∂y ∂y
2. Les dérivées croisées (ou mixtes) :

∂2f ∂2f
   
∂ ∂f ∂ ∂f
= et =
∂x∂y ∂x ∂y ∂y∂x ∂y ∂x

. Reprenons f (x, y) = x3 y + 2x cos(y). Nous avons calculé les dérivées premières :

∂f ∂f
= 3x2 y + 2 cos(y) et = x3 − 2x sin(y)
∂x ∂y
Calculons les dérivées secondes :
∂2f ∂f
— ∂x 2 (Dériver ∂x par rapport à x) :

∂2f ∂
= (3x2 y + 2 cos(y)) = 6xy
∂x2 ∂x
∂2f ∂f
— ∂y2 (Dériver ∂y par rapport à y) :

∂2f ∂ 3
= (x − 2x sin(y)) = 0 − 2x cos(y) = −2x cos(y)
∂y 2 ∂y
∂2f ∂f
— ∂x∂y (Dériver ∂y par rapport à x) :

∂2f ∂ 3
= (x − 2x sin(y)) = 3x2 − 2 sin(y)
∂x∂y ∂x
∂2f ∂f
— ∂y∂x (Dériver ∂x par rapport à y) :

∂2f ∂
= (3x2 y + 2 cos(y)) = 3x2 − 2 sin(y)
∂y∂x ∂y

6.2 Théorème de Schwarz (Égalité des dérivées croisées)

Si la fonction f est de classe C 2 (c’est-à-dire que toutes ses dérivées partielles secondes sont continues), alors
l’ordre de dérivation n’a pas d’importance :

∂2f ∂2f
=
∂x∂y ∂y∂x
C’est pourquoi, dans l’exemple précédent, nous avons trouvé le même résultat pour les deux dérivées croisées.

6.3 Matrice Hessienne

La Matrice Hessienne, notée H ou Hf , regroupe toutes les dérivées partielles secondes. C’est l’équivalent
de la dérivée seconde en une variable, mais sous forme matricielle. Elle est fondamentale pour le critère des
extremums locaux. Pour f (x, y), la Matrice Hessienne au point (x0 , y0 ) est :
∂2f ∂2f
!
∂x2 (x0 , y0 ) ∂x∂y (x0 , y0 )
Hf (x0 , y0 ) = ∂ 2 f ∂2f
∂y∂x (x0 , y0 ) ∂y 2 (x0 , y0 )

Grâce au Théorème de Schwarz (si f est C 2 ), cette matrice est une matrice symétrique.

7 Formule de Taylor-Young (Ordre 2)

La Formule de Taylor généralise l’approximation linéaire (la différentielle) en y ajoutant des termes d’ordre
supérieur (la Matrice Hessienne) pour obtenir une meilleure approximation polynomiale locale de la fonction.

5
7.1 Rappel : Ordre 1 (Approximation Linéaire)

∂f ∂f
f (x0 + h, y0 + k) ≈ f (x0 , y0 ) + (x0 , y0 )h + (x0 , y0 )k
∂x ∂y

7.2 Formule de Taylor-Young à l’Ordre 2

Pour un point (x0 , y0 ) et des accroissements h et k tendant vers 0, la formule est :

∂2f ∂2f ∂2f

   
∂f ∂f 1
f (x0 + h, y0 + k) = f (x0 , y0 ) + h +k + h2 2 + 2hk + k 2 2 +o(∥(h, k)∥2 )
∂x ∂y 2! ∂x ∂x∂y ∂y
| {z } | {z }
T ermed′ ordre1 T ermed′ ordre2

où toutes les dérivées partielles sont évaluées au point (x0 , y0 ) et o(∥(h, k)∥2 ) est le reste.

8 Exercices Corrigés (Ordre Supérieur et Taylor)

. Soit f (x, y) = x4 y 2 − 3x2 y + y 3 .
1. Calculer toutes les dérivées partielles secondes.
2. Écrire la Matrice Hessienne Hf (x, y).

. 1. Commençons par les dérivées premières :

∂f ∂f
= 4x3 y 2 − 6xy et = 2x4 y − 3x2 + 3y 2
∂x ∂y
Maintenant, les secondes :
∂2f ∂f
— ∂x 2 (Dériver ∂x par x) :

∂2f
= 12x2 y2 − 6y
∂x2
∂2f ∂f
— ∂y2 (Dériver ∂y par y) :
∂2f
= 2x4 + 6y
∂y2
∂2f ∂f
— ∂x∂y (Dériver ∂y par x) :
∂2f
= 8x3 y − 6x
∂x∂y
∂2f ∂f
(Vérification rapide : ∂y∂x (Dériver ∂x par y) = 8x3 y − 6x. Le Théorème de Schwarz est vérifié.)
2. La Matrice Hessienne est :
12x2 y 2 − 6y 8x3 y − 6x
 
Hf (x, y) =
8x3 y − 6x 2x4 + 6y

. Utiliser la formule de Taylor à l’ordre 2 pour approximer f (0.1, −0.2) pour la fonction f (x, y) = ex cos(y),
autour du point (0, 0).

. Le point de développement est (x0 , y0 ) = (0, 0). Les accroissements sont h = 0.1 et k = −0.2.
1. Calcul des dérivées au point (0, 0) :
— f (0, 0) = e0 cos(0) = 1.
— ∂f x ∂f
∂x = e cos(y) =⇒ ∂x (0, 0) = 1.
— ∂y = −ex sin(y) =⇒ ∂f
∂f
∂y (0, 0) = 0.
∂2f x ∂2f
— ∂x2 = e cos(y) =⇒ ∂x2 (0, 0) = 1.
2
∂ f x ∂2f
— ∂y 2 = −e cos(y) =⇒ ∂y 2 (0, 0) = −1.
∂2f x ∂2f
— ∂x∂y = −e sin(y) =⇒ ∂x∂y (0, 0) = 0.
2. Application de la formule de Taylor à l’ordre 2 :

1 2 ∂2f ∂2f 2
   
∂f ∂f 2∂ f
f (h, k) ≈ f (0, 0) + h +k + h + 2hk + k
∂x ∂y 2 ∂x2 ∂x∂y ∂y 2

6
 1
(0.1)2 (1) + 2(0.1)(−0.2)(0) + (−0.2)2 (−1)

f (0.1, −0.2) ≈ 1 + [(0.1)(1) + (−0.2)(0)] +
2
1
f (0.1, −0.2) ≈ 1 + [0.1] + [0.01 + 0 − 0.04]
2
1
f (0.1, −0.2) ≈ 1.1 + (−0.03) = 1.1 − 0.015
2
f (0.1, −0.2) ≈ 1.085

9 Prochaine Étape
La prochaine étape naturelle est l’étude des **Extremums Locaux** (maxima et minima) pour les fonctions
de deux variables, en utilisant les notions de gradient (conditions nécessaires) et de Matrice Hessienne (conditions
suffisantes).

10 Application : Recherche des Extremums Locaux

L’objectif principal du calcul différentiel en plusieurs variables est de trouver les points où la fonction atteint
un maximum ou un minimum local, ce qui est essentiel en optimisation.

10.1 Points Critiques (Conditions Nécessaires)

Un point (x0 , y0 ) est un point critique (ou stationnaire) de f si le gradient de f est le vecteur nul en ce
point.
∇f (x0 , y0 ) = 0
Cela signifie que toutes les dérivées partielles premières s’annulent :
(
∂f
∂x (x0 , y0 ) = 0
∂f
∂y (x0 , y0 ) = 0

Les extremums locaux ne peuvent exister qu’en ces points critiques. Attention : un point critique n’est pas
nécessairement un extremum (il peut être un point selle).

10.2 Test des Dérivées Secondes (Conditions Suffisantes)

Pour déterminer la nature d’un point critique (x0 , y0 ), on utilise la Matrice Hessienne H et son déter-
minant, noté D.
2
Soit D(x0 , y0 ) = det(Hf (x0 , y0 )) et A = ∂∂xf2 (x0 , y0 ).

∂2f ∂2f
 
A B
D = det = AC − B 2 où B= (x0 , y0 ) et C = (x0 , y0 )
B C ∂x∂y ∂y 2

Le critère est le suivant :

1. Si D > 0 : Il y a un extremum local.
2
— Si A > 0 ( ∂∂xf2 > 0), c’est un Minimum local.
2
— Si A < 0 ( ∂∂xf2 < 0), c’est un Maximum local.
2. Si D < 0 : Le point est un Point Selle (ni maximum, ni minimum).
3. Si D = 0 : Le test est inconcluant ; il faut étudier la fonction localement par d’autres méthodes (étude
du signe de f (x0 + h, y0 + k) − f (x0 , y0 )).

10.3 Illustration Graphique (Point Selle)

Un point selle est un point critique où la fonction est concave dans une direction et convexe dans l’autre.

7
 Projection d’un
y Point Selle

x
Point Selle

11 Exercice Corrigé Complet

. Déterminer et classifier les points critiques de la fonction :

f (x, y) = x2 + 4y 2 − 2x + 8y − 3

. Étape 1 : Trouver les points critiques (Conditions Nécessaires)

On annule les dérivées partielles premières (le gradient) :
∂f
1. ∂x :
∂f
= 2x − 2
∂x
∂f
2. ∂y :
∂f
= 8y + 8
∂y
Résolution du système ∇f = 0 : 
2x − 2 = 0 =⇒ x = 1
8y + 8 = 0 =⇒ y = −1
Le seul point critique est P = (1, −1).
Étape 2 : Calculer la Matrice Hessienne (Conditions Suffisantes)
On calcule les dérivées secondes au point (x, y) :
∂2f
1. A = ∂x2 :
∂
A= (2x − 2) = 2
∂x
∂2f
2. C = ∂y2 :
∂
C= (8y + 8) = 8
∂y
∂2f
3. B = ∂x∂y :
∂
B= (2x − 2) = 0
∂y
La Matrice Hessienne au point P (1, −1) est :
 
2 0
Hf (1, −1) =
0 8

Étape 3 : Classifier le point critique

On calcule le déterminant D de Hf (1, −1) :

D = AC − B 2 = (2)(8) − (0)2 = 16

— D = 16 > 0 : Il y a un extremum local.

— A = 2 > 0 : Il s’agit d’un Minimum local.
Le point P (1, −1) est un Minimum local. La valeur minimale de la fonction est f (1, −1) = (1)2 + 4(−1)2 −
2(1) + 8(−1) − 3 = 1 + 4 − 2 − 8 − 3 = −8.

8
12 Prochaine Étape
La prochaine étape, pour rendre le cours complet, serait d’aborder la notion de **Différentielle des Fonctions
Composées** (Règle de la Chaîne) et les **Extremums Sous Contrainte** (Multiplicateurs de Lagrange).

13 Différentiation des Fonctions Composées (Règle de la Chaîne)

La dérivation des fonctions composées (ou Règle de la Chaîne) est essentielle pour calculer les dérivées
partielles lorsque les variables de f dépendent elles-mêmes d’autres variables. Elle permet de généraliser la
formule h′ (t) = f ′ (g(t)) · g ′ (t).

13.1 Cas général : Rp → Rn → Rm

Soient E, F , et G des espaces vectoriels normés (typiquement Rp , Rn , Rm ). Soient g : E → F et f : F → G
deux applications différentiables. L’application composée h = f ◦ g est différentiable, et sa différentielle au point
a ∈ E est la composée des différentielles :

dha = dfg(a) ◦ dga

En termes de Matrices Jacobiennes (qui représentent les différentielles df et dg), la règle devient une multi-
plication matricielle :
Jh (a) = Jf (g(a)) · Jg (a)

13.2 Application : Cas Classique (R2 → R)

Soit z = f (x, y) où x = x(t) et y = y(t) (trajectoire paramétrée). Alors z est une fonction de t.

dz ∂f dx ∂f dy
= +
dt ∂x dt ∂y dt

. Soit f (x, y) = x2 + y 3 , avec x(t) = cos(t) et y(t) = t2 .

— Dérivées partielles de f : ∂f ∂f
∂x = 2x, ∂y = 3y .
2

dx dy
— Dérivées de x et y par rapport à t : dt = − sin(t), dt = 2t.
Application de la Règle de la Chaîne :
df
= (2x)(− sin(t)) + (3y 2 )(2t)
dt
En remplaçant x et y par leurs expressions en t :
df
= −2 cos(t) sin(t) + 6t5
dt

13.3 Application : Dérivée d’une fonction le long d’une courbe de niveau

Si f (x, y) est une fonction, et (x(t), y(t)) est une courbe de niveau de f , alors f (x(t), y(t)) = C (constante).
Par la Règle de la Chaîne, la dérivée dfdt est nulle, ce qui donne :

∂f dx ∂f dy
+ =0
∂x dt ∂y dt
 
dx dy
Cette relation exprime l’orthogonalité du vecteur Gradient ∇f et du vecteur tangent dt , dt à la courbe de
niveau, confirmant la propriété géométrique du gradient.

14 Extremums sous Contrainte (Multiplicateurs de Lagrange)

Dans de nombreux problèmes d’optimisation (physique, économie), on cherche à maximiser ou minimiser
une fonction f soumise à une ou plusieurs contraintes g(x, y) = c.

9
14.1 Cadre Théorique (Une Contrainte)
On cherche les extremums de f (x) soumis à la contrainte g(x) = c, avec x ∈ Rn .
Si x0 est un extremum local de f soumis à la contrainte g(x) = c et si ∇g(x0 ) ̸= 0, alors il existe un scalaire
λ ∈ R (appelé Multiplicateur de Lagrange) tel que :

∇f (x0 ) = λ∇g(x0 )

Géométriquement, cela signifie que le gradient de f et le gradient de g sont colinéaires au point d’extremum
x0 .

14.2 Méthode Pratique : La Fonction de Lagrange

Pour trouver les points candidats, on introduit la Fonction de Lagrange (ou Lagrangien) :

L(x, y, λ) = f (x, y) − λ(g(x, y) − c)

Les points candidats sont les points critiques du Lagrangien, c’est-à-dire les solutions du système :
 ∂L ∂f ∂g
 ∂x = 0 ( =⇒ ∂x = λ ∂x )
∂L ∂f ∂g
 ∂L∂y = 0 ( =⇒ ∂y = λ ∂y )
∂λ = 0 ( =⇒ g(x, y) = c qui est la contrainte)

14.3 Exercice Corrigé (Lagrange)

. Trouver les extremums locaux de f (x, y) = xy sous la contrainte x2 + y 2 = 1 (cercle unité).

. 1. Définir le Lagrangien : f (x, y) = xy (fonction objectif) et g(x, y) = x2 + y 2 = 1 (contrainte).

L(x, y, λ) = xy − λ(x2 + y 2 − 1)

2. Résoudre le système des dérivées partielles nulles :

 ∂L
 ∂x = y − 2λx = 0 (1)
∂L
∂y = x − 2λy = 0 (2)
 ∂L 2 2
∂λ = −(x + y − 1) = 0 (3)

— De (1) : y = 2λx.
— De (2) : x = 2λy.
En substituant y dans la deuxième équation : x = 2λ(2λx) = 4λ2 x. Cela donne x(1 − 4λ2 ) = 0. Deux cas sont
possibles :
1. x = 0 : De (1), y = 0. Le point (0, 0) ne vérifie pas la contrainte (3) car 02 + 02 ̸= 1. =⇒ Rejeté.
2. 1 − 4λ2 = 0 : λ2 = 1/4 =⇒ λ = ±1/2.
3. Trouver les points candidats avec λ = ±1/2 : √
2 2 2
— λ = 1/2 : De (1),√y = x. √ (3) : x + x = 1 =⇒ 2x = 1 =⇒ x = ±1/ 2.
√ En utilisant la contrainte
√
Points : P1 = (1/ 2, 1/ 2) et P2 = (−1/ 2, −1/ 2). √
2 2 2
— λ = −1/2 : De (1), √y = −x. √ (3) : x +(−x) = 1 =⇒ 2x = 1 =⇒ x = ±1/ 2.
√ En utilisant la contrainte
√
Points : P3 = (1/ 2, −1/ 2) et P4 = (−1/ 2, 1/ 2).
4. Conclusion (Classification) : On évalue f (x, y) = xy sur ces quatre points (puisque la contrainte est
un compact, l’existence d’extremums
√ √ globaux est assurée par le théorème de Weierstrass) :
— f (P1 ) = f (P2 ) = (1/√2)(1/ √
2) = 1/2 (Maximum)
— f (P3 ) = f (P4 ) = (1/ 2)(−1/ 2) = −1/2 (Minimum)
Le maximum sous contrainte est 1/2 et le minimum est −1/2.

15 Dernière Étape du Cours

Pour parfaire le niveau L3, la dernière étape devrait être une brève introduction à l’**Inversion Locale** et
aux **Fonctions Implicites** (Théorèmes Fondamentaux), qui sont des conséquences directes de la différentia-
bilité.

10
16 Théorèmes Fondamentaux : Inversion Locale et Fonctions Impli-
cites
Ces théorèmes sont des conséquences puissantes de la différentiabilité. Ils permettent de savoir si l’on peut
"inverser" localement une fonction ou si une équation définit une variable en fonction des autres.

16.1 Théorème d’Inversion Locale (TIL)

Le TIL donne une condition suffisante pour qu’une fonction soit localement inversible avec une inverse
différentiable.
Soit f : U ⊂ Rn → Rn une fonction de classe C 1 sur l’ouvert U . Soit a ∈ U .
Si la Matrice Jacobienne Jf (a) est inversible (c’est-à-dire si son déterminant, le **Jacobien**, est non
nul : det(Jf (a)) ̸= 0), alors :
1. Il existe un voisinage ouvert V de a et un voisinage ouvert W de f (a) tels que f est une bijection de V
sur W .
2. La fonction inverse f −1 : W → V est également de classe C 1 .
De plus, la matrice jacobienne de l’inverse est donnée par :

Jf −1 (f (a)) = (Jf (a))−1

. Soit f : R2 → R2 définie par f (x, y) = (x3 + y, ey − x). La Matrice Jacobienne est :

! 
∂f1 ∂f1
3x2 1

∂x ∂y
Jf (x, y) = ∂f2 ∂f2 =
∂x ∂y
−1 ey

Le Jacobien est J = det(Jf ) = 3x2 ey − (1)(−1) = 3x2 ey + 1. Puisque 3x2 ey + 1 > 0 pour tout (x, y) ∈ R2 , le
Jacobien est toujours non nul. Le TIL garantit que f est un difféomorphisme local en tout point de R2 .

16.2 Théorème des Fonctions Implicites (TFI)

Le TFI permet de déterminer si une relation (une contrainte) F (x1 , . . . , xn , y) = 0 définit localement y
comme une fonction de x1 , . . . , xn .
Soit F : U ⊂ Rn+1 → R de classe C 1 et soit P0 = (x0 , y0 ) un point tel que F (x0 , y0 ) = 0. Si la dérivée
partielle par rapport à la variable que l’on veut isoler est non nulle au point P0 :
∂F
(P0 ) ̸= 0
∂y

Alors, il existe un voisinage de x0 dans Rn sur lequel l’équation F (x, y) = 0 définit localement y comme une
fonction de x, notée y = ϕ(x), et cette fonction ϕ est de classe C 1 .
De plus, la dérivée de cette fonction implicite ϕ est donnée par :
∂F
∂ϕ
= − ∂x
∂F
i

∂xi ∂y

. L’équation F (x, y) = x2 + y 2 − 1 = 0 (le cercle unité) est donnée. On cherche à savoir si y est une fonction de
x près du point P0 = (0, 1).
— F (0, 1) = 02 + 12 − 1 = 0. Condition F (P0 ) = 0 vérifiée.
— ∂F
∂y = 2y.
∂F
— ∂y (0, 1) = 2(1) = 2 ̸= 0. Condition essentielle vérifiée.
√
Le TFI garantit que près de (0, 1), l’équation définit bien y comme une fonction de x, ϕ(x) = 1 − x2 (même
si on pouvait l’isoler ici).
On peut calculer ϕ′ (x) au point x = 0 :
∂F
(0, 1) 2x|(0,1) 2(0)
ϕ′ (0) = − ∂F
∂x
=− =− =0
∂y (0, 1) 2y|(0,1) 2(1)

11
17 Conseils pour Maîtriser le Calcul Différentiel (Niveau L3)
Maîtriser le calcul différentiel ne repose pas uniquement sur la mémorisation des formules, mais sur la
compréhension de la structure linéaire derrière chaque concept.
1. Compréhension Conceptuelle
* **Différentielle : La Clé de Voûte** : Comprenez que la différentielle dfa est l’application linéaire qui
approxime le mieux l’accroissement ∆f . En Rn , elle est représentée par la **Matrice Jacobienne**. Tout le
cours s’articule autour de cette idée. * **Gradient : Toujours un Vecteur** : Le gradient ∇f est un vecteur qui
vit dans l’espace des variables (Rn ). Il donne la direction et la magnitude de la plus forte pente. C’est l’outil
de la recherche d’extremum **sans contrainte**. * **Contraintes vs. Extrema Libres** : Les Multiplicateurs
de Lagrange ne sont rien d’autre que l’expression de l’**alignement des gradients** (∇f = λ∇g) au point
d’extremum. Visualisez : si vous marchez sur une surface (f) en restant sur un chemin (g), l’optimum est atteint
lorsque la pente est parallèle au chemin.
2. Conseils pour les Exercices Techniques (Le "Comment Faire")
* **Maîtriser le Switching** : Entraînez-vous à calculer les dérivées partielles en traitant les autres variables
comme des constantes, comme si c’était votre réflexe. C’est la base des dérivées secondes et de la Règle de la
Chaîne. * **Règle de la Chaîne (Arbre)** : Pour les compositions complexes (où z = f (x, y) et x = x(u, v), y =
y(u, v)), dessinez un **diagramme en arbre** pour lister tous les chemins possibles, c’est la meilleure garantie
de ne pas oublier un terme. * **Méthode pour les Extrema Libres (Hessienne)** : 1. Calculer le gradient ∇f .
2. Résoudre ∇f = 0 pour trouver les **points critiques**. 3. Calculer les trois dérivées secondes (A, B, C).
4. Établir la Matrice Hessienne. 5. Calculer le déterminant D = AC − B 2 pour conclure. * **Multiplicateurs
de Lagrange (Systèmes)** : La difficulté principale réside dans la résolution du système à n + 1 équations et
n + 1 inconnues. **Astuce** : Exprimez λ à partir de deux équations (si possible) et égalisez, ou substituez les
expressions de x et y en fonction de λ dans l’équation de contrainte g(x, y) = c.
3. Étude des Théorèmes (Le "Pourquoi")
* **Focus sur l’Hypothèse de la Jacobienne** : Les théorèmes d’Inversion Locale et des Fonctions Implicites
reposent sur la condition que la Jacobienne (ou une partie d’elle) soit **inversible** au point d’étude. C’est
la condition qui garantit que l’approximation linéaire locale (la différentielle) est suffisamment "forte" pour
déterminer le comportement non linéaire de la fonction. * **Lien avec l’Algèbre Linéaire** : Revoyez la notion
de matrice inversible. Si la différentielle (une application linéaire) est inversible, alors la fonction originale est
localement inversible. Le calcul différentiel est en réalité de l’Algèbre Linéaire appliquée aux fonctions non
linéaires.

12