Optimisation classique sans contrainte: Cas de fonctions
d’une variable
Contents
1 Introduction 1
2 Conditions d’optimum du premier ordre 2
3 Condition d’optimum du second ordre 4
4 Analyse de convexité 4
5 Condition d’optimum d’ordre supérieur 4
5.1 Formule de Taylor-Young . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
5.2 Condition suffisante d’optimalité d’ordre supérieur . . . . . . . . . . . . . . . . . 5
Objectifs du cours
L’objectif de ce cours est de présenter les concepts, le définitions et les techniques mathématiques
nécessaires à la détermination de l’optimum d’une fonction d’une variable.
1 Introduction
En gestion, on est souvent confronté à des situations complexes devant lesquelles des décisions
doivent être prises. On utilise alors des modèles pour représenter la réalité, ce qui est appelé
modélisation mathématique.
On s’intéresse ici à la recherche de minimum ou maximum d’une fonction réelle
f : I ⊂ R −→ R.
Définition 1.1 (minimum global et local) Soit f une fonction définie sur I et a ∈ I.
• On dit que f admet un minimum (resp. maximum ) global sur I au point a, si pour tout
x ∈ I,
f (a) ≤ f (x) (resp f (a) ≥ f (x))
• On dit que f admet un minimum (resp. maximum ) local au point a, s’il existe un
intervalle ouvert J ⊂ I contenant a tel que pour tout x ∈ J,
Considérons le graphe de la fonction f définie par f (x) = x3 + 3x2 − 24x sur l’intervalle
] − 6, 8[.
On voit que
• f atteint un maximum absolu en x = 8 et un maximum local en x = −4.
• f atteint un minimum local en x = −6 et un minimum absolu en x = 2.
Un programme (P) de maximisation (respectivement minimisation) de f consiste donc à
déterminer un réel (optimum) qui maximise (respectivement minimise) f. On note
(P) : max f (x) ( respectivement (P) : min f (x))
x x
Résoudre (P) revient à chercher l’ensemble de réels qui réalisent l’optimum.
2 Conditions d’optimum du premier ordre
Un optimum peut se retrouver en 3 types de points:
i) Bornes: extrémités d’un domaine fermé
On a 0 = f (0) ≤ f (x) ≤ f (4) = 8, ∀x ∈ [0, 4]. Les points (0, 0) et (4, 8) sont les points
extrémums.
ii) Point critique ou point stationnaire: point où la dérivée s’annule.
f ′ (0) = 0 et 0 est un point extrémal donc un point critique ou stationnaire.
iii) Point où la dérivée n’existe pas.
0 est un point extrémal, puisque f (0) ≤ f (x), ∀x ∈ R mais f n’est pas dérivable en 0,
f ′ (0) n’existe pas.
Théorème 2.1 (Condition nécessaire d’optimum du premier ordre)
Si une fonction f de classe C 1 sur un intervalle I admet un optimum local (minimum local ou
maximum local) en a ∈ I alors on a nécessairement f ′ (a) = 0.
3 Condition d’optimum du second ordre
Théorème 3.1 (Condition suffisante d’optimalité du second ordre)
Soit f de classe C 2 sur un intervalle ouvert I vérifiant f ′ (a) = 0. Alors
(i) si f ′′ (a) > 0 alors f admet un minimum local en a;
(ii) si f ′′ (a) < 0 alors f admet un minimum local en a.
Remarque 3.1 Le cas où f ′ (a) = f ′′ (a) = 0 nécessite une étude des dérivations d’ordre
supérieures.
4 Analyse de convexité
Définition 4.1
• Une fonction f est dite convexe sur I si pour tout x, y dans I et tout λ dans [0, 1] on a
f (λx + (1 − λ)y) ≤ λf (x) + (1 − λ)f (y).
Lorsque l’inégalité est stricte on dit que f est strictement convexe.
• Une fonction f est dite concave si −f est convexe.
Théorème 4.1 Une fonction f de classe C 2 sur I est convexe si et seulement si f ′′ (x) ≥ 0
pour tout x ∈ I.
Pour les fonctions convexes on a le résultat suivant:
Proposition 4.1 Pour une fonction f de classe C 2 sur un intervalle ouvert I si f est convexe
sur I et f ′ (a) = 0 pour a ∈ I alors f admet un minimum global (ou absolu) en a sur I.
5 Condition d’optimum d’ordre supérieur
5.1 Formule de Taylor-Young
Théorème 5.1
Soit I un intervalle ouvert non vide de R et soit a un point de I. Soit f : I −→ R une fonction
et n un entier supérieur ou égal à 0. On suppose que f est n fois dérivable sur I. Alors, il existe
une fonction ε(x) définie sur I, qui tend vers 0 quand x tend vers a, telle que l’on ait pour tout
x∈I:
(x − a)2 ′′ (x − a)n (n)
f (x) = f (a) + (x − a)f ′ (a) + f (a) + ... + f (a) + (x − a)n ε(x)
2 n!
Démonstration. (Cf TD.)
5.2 Condition suffisante d’optimalité d’ordre supérieur
Théorème 5.2
Soit I un intervalle ouvert non vide de R et soit a un point de I. Soit f : I −→ R une fonction
de classe C k sur I avec k ≥ 2. On suppose que f ′ (a) = f ′′ (a) = ...f (k−1) (a) = 0 et f (k) (a) ̸= 0.
On a
• Si k est pair alors
– f (k) (a) > 0 implique que f admet un minimum local en a
– f (k) (a) < 0 implique que f admet un maximum local en a
• Si k est impair alors f admet un point d’inflexion en a.
Démonstration. La formule de Taylor Young est applicable:
(x − a)2 ′′ (x − a)k (k)
f (x) = f (a) + (x − a)f ′ (a) + f (a) + ... + f (a) + (x − a)k ε(x)
2 k!
avec lim ε(x) = 0. Puisque f ′ (a) = f ′′ (a) = ...f (k−1) (a) = 0 alors au voisinage de a on a
x→a
(x − a)k (k)
f (x) − f (a) ∼ f (a)
k!
(x − a)k (k)
Il en résulte que si k est pair et que f (k) (a) > 0 alors f (a) > 0 et par voie de
k!
conséquence f (x) − f (a) ≥ 0 au voisinage de a. Ce qui montre que f (a) est un minimum local.
(x − a)k (k)
De même que si k est pair et que f (k) (a) < 0 alors f (a) < 0 et par voie de conséquence
k!
f (x) − f (a) ≤ 0 au voisinage de a. Ce qui montre que f (a) est un maximum local.
(x − a)k (k)
Par ailleurs, si k est impair, on voit bien que le signe de f (a) varie selon que x > a
k!
ou non. D’où, au voisinage de a, le signe de f (x) − f (a) n’est pas constant. Donc f (a) n’est
pas un extrémum local mais plutôt f admet un point d’inflexion en a. □