You are on page 1of 56

Licence Economie Gestion 3

me
anne Parcours Magistre
Dveloppement conomique









Chapitre II. Optimisation sous contrainte en quation

















Pascale Combes Motel

Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
i


CHAPITRE II. OPTIMISATION SOUS CONTRAINTE EN EQUATION................................................... 1
SECTION 1. RAPPELS ........................................................................................................... 3
A. La mthode de Lagrange ..................................................................................................................... 3
1. Un cas particulier : n variables de choix, une contrainte............................................................... 4
a) Le problme pos ........................................................................................................................ 4
b) Exemples ..................................................................................................................................... 6
(i) max f(x
1
, x
2
) = x
1
2
x
2
sous g(x
1
, x
2
) = 0 dfini par 2x
1
2
+ x
2
2
= 3............................................... 6
(ii) max f(x
1
, x
2
, x
3
) = 2x
1
x
2
x
3
sous g(x
1
, x
2
, x
3
) = 0 dfini par 3 - x
1
2
- x
2
2
- x
3
2
= 0....................... 6
2. Le cas gnral : n variables de choix, m contraintes ...................................................................... 7
a) Le problme pos ........................................................................................................................ 7
b) La condition de qualification....................................................................................................... 8
c) Exemple....................................................................................................................................... 9
B. Conditions du deuxime ordre ............................................................................................................ 9
1. Un cas particulier : 2 variables de choix et une contrainte .......................................................... 10
a) Dmarche .................................................................................................................................. 10
b) Exemple..................................................................................................................................... 12
c) Interprtation : la courbure relative des courbes de niveau de la fonction dobjectif et de la
contrainte.............................................................................................................................................. 12
2. Un cas particulier : n variables de choix, 1 contrainte................................................................. 15
3. Le cas gnral : n variables de choix, m contraintes .................................................................... 16
C. Thorme de lenveloppe et statique comparative .......................................................................... 18
1. Le thorme de lenveloppe........................................................................................................... 18
a) Interprtation du multiplicateur ................................................................................................. 18
(i) Un cas particulier : 2 variables de choix, 1 contrainte, 1 paramtre...................................... 18
(ii) Exemple................................................................................................................................. 20
(iii) Le cas gnral : n variables de choix et m contraintes........................................................... 21
b) Thorme de lenveloppe dans le cas de 2 variables de choix et un paramtre......................... 22
c) Porte du thorme de lenveloppe ........................................................................................... 23
(i) Minimisation du cot............................................................................................................. 24
(ii) Allocation efficace des ressources......................................................................................... 24
2. La statique comparative................................................................................................................ 26
SECTION 2. APPLICATION : LE COMPORTEMENT DU PRODUCTEUR ..................................... 29
A. Conditions du premier et deuxime ordre........................................................................................ 29
B. Les demandes conditionnelles de facteurs........................................................................................ 31
C. Les fonctions de cot .......................................................................................................................... 33
1. Les proprits des fonctions de demande conditionnelle .............................................................. 33
2. Fonctions de cots de long et de court terme................................................................................ 34
SECTION 3. EXEMPLES ...................................................................................................... 37
Table des matires
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
ii
A. Le thorme de Lagrange .................................................................................................................. 37
1. Exemple......................................................................................................................................... 37
2. Exemple......................................................................................................................................... 37
3. Exemple......................................................................................................................................... 40
4. La courbe de Kuznets environnementale....................................................................................... 41
a) Le problme............................................................................................................................... 41
b) Remarque : fonction quasi-concave........................................................................................... 41
c) A rsoudre ................................................................................................................................. 43
5. Le systme de dpense linaire ..................................................................................................... 44
6. La minimisation du cot de production......................................................................................... 44
B. Minimisation du cot dans lhypothse dune technologie de production CES............................ 45
C. Minimisation du cout court et long terme.................................................................................. 47
D. Fonction de cot gnralis de Leontief ........................................................................................... 50
E. Interprtation du multiplicateur....................................................................................................... 52


Dfinition 1. Rang dune matrice ............................................................................................................................ 8
Dfinition 2. Point rgulier...................................................................................................................................... 9
Dfinition 3. La fonction de cot .......................................................................................................................... 33
Dfinition 4. Fonction quasi-concave.................................................................................................................... 42

Figure 1. Optimisation sous contrainte en quation : optimum et tangente............................................................. 3
Figure 2. La minimisation du cot, 2 facteurs de production................................................................................ 30
Figure 3. Effet dune modification de w
1
sur les demandes dintrants .................................................................. 32
Figure 4. La fonction de cot de long terme comme courbe enveloppe de fonctions de cot de court terme,
volution en fonction de y ............................................................................................................................. 36
Figure 5. La fonction de cot de long terme comme courbe enveloppe de fonctions de cot de court terme,
volution en fonction de w
1
........................................................................................................................... 36
Figure 6. Reprsentation graphique du problme de maximisation : max f(x
1
, x
2
) = x
1
2
x
2
sous 2x
1
2
+ x
2
2
3 = 0 39
Figure 7 ................................................................................................................................................................. 46
Figure 8. Fonctions de cot de court et de long terme en fonction de w............................................................... 50
Figure 9. Fonctions de cot de court et de long terme en fonction de Y................................................................ 50

Tableau 1. Les variables et paramtres dans un modle de mnage agricole.......................................................... 2
Tableau 2. Les fonctions de demande dintrant dans les problmes de maximisation du profit et de minimisation
du cot de production.................................................................................................................................... 33
Tableau 3. Allocation efficace des ressources productives dans une conomie.................................................... 52

Thorme 1. Le thorme de Lagrange : n variables et une contrainte ................................................................... 4
Thorme 2. Le thorme de Lagrange, n variables et m contraintes..................................................................... 7
Thorme 3. Matrice non singlulire ...................................................................................................................... 9
Thorme 4. Condition suffisante du deuxime ordre pour un maximum (minimum), 2 variables et 1 contrainte11
Thorme 5. Conditions du deuxime ordre, n variables, une contrainte.............................................................. 15
Thorme 6. Conditions du deuxime ordre, n variables, m contraintes, m < n.................................................... 17
Thorme 7. .......................................................................................................................................................... 18
Thorme 8. Interprtation du multiplicateur de Lagrange, 2 variables de choix, une contrainte......................... 20
Thorme 9. Interprtation du multiplicateur de Lagrange, n variables de choix, m contraintes .......................... 22
Table des illustrations
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
iii
Thorme 10. Interprtation du multiplicateur de Lagrange, n variables de choix, m contraintes ........................ 22
Thorme 11. Les proprits de la fonction de cot ............................................................................................. 33
Thorme 12. Le thorme de Shephard............................................................................................................... 33



2001 Dictionnaire des sciences conomiques, sous la direction de C. Jessua, C. Labrousse, D. Vitry et D.
Gaumont, Presses Universitaires de France.
Andreoni, J. & A. Levinson, 2001 The simple analytics of the environmental Kuznets curve Journal of Public
Economics, vol. 80, pp. 269-86.
Arrow, KJ. & AC. Enthoven, 1961 Quasi-concave programming Econometrica, vol. 29, n 4, October, pp.
779-800.
Benjamin, D. 1992 Household Composition, Labor Markets, and Labor Demand: Testing for Separation in
Agricultural Household Models Econometrica, vol. 60, n 2, March, pp. 287-322.
Bardhan, P. & C. Udry, 1999 Development microeconomics, Oxford University Press.
Diewert, WE. 1971 An Application of the Shephard Duality Theorem The Journal of Political Economy, vol.
79, n 3, May-June, pp. 481-507.
Dixit, AK. 1992 Optimization in Economic Theory, 2
nd
edition, Oxford University Press.
Guerrien, B. 2002 Dictionnaire danalyse conomique. Microconomie, macroconomie, thorie des jeux, etc.
3
me
dition, La Dcouverte. Repres.
Jehle, GA. & PJ. Reny, 2001 Advanced Microeconomic Theory, 2
nd
edition, Addison Wesley. International
Edition.
Lonard, D. & NV. Long, 1998 Optimal Control Theory and Static Optimization in Economics, Cambridge
University Press.
Mishra, S. K. 2007 A Brief History of Production Functions. Disponible en ligne sur SSRN:
http://ssrn.com/abstract=1020577 consult le 23 sept. 09
Silberberg, E. 1990 The Structure of Economics: a Mathematical Analysis, 2
nd
edition, Mac Graw Hill Inc.
Simon, CP. & L. Blume, 1998 Mathmatiques pour conomistes, De Boeck. Ouvertures conomiques, Srie
Prmisses.
Varian, HR. 1992 Microeconomic Analysis, 3rd edition, W.W. Norton & Company.

Bibliographie
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
1
Chapitre II. Optimisation sous contrainte en quation
Lionel Robbins (1932 An Essay on the Nature and Significance of Economic Science) :
lconomie est une science qui tudie le comportement humain comme une relation entre
une hirarchie donne de fins et des moyens rares qui ont des usages alternatifs Cette
dfinition de lconomie signifie que tout problme dallocation des ressources entre des
usages alternatifs est un problme de nature conomique. Dans lapproche noclassique, ce
problme est traduit dans les termes dun problme doptimisation o les variables dintrt
ne peuvent prendre certaines valeurs ou plus gnralement sont contraintes.
( )
n , ,
x , , x , x
x x , x f max
n
L
L
2 1
1 1

sous
Fonction dobjectifs
g(x
1
, x
2
,,x
n
) = 0 Contrainte(s) en quation
h(x
1
, x
2
,,x
n
) 0 Contrainte(s) en inquation
La fonction dobjectif f dpend de n variables et est valeurs sur : f :
n

Les contraintes en quation sont crites de manire gnrale avec un membre droit gal 0.
Lensemble des contraintes en quation forme une application de
n
dans
m
o m est le
nombre de contraintes formant les lignes de la matrice g : g :
n

m

Les contraintes en inquation sont gnralement crites comme une fonction 0 dans les
problmes de minimisation ou 0 dans les problmes de maximisation. Lensemble de ces
contraintes forme une application de
n
dans
p
o p est le nombre de contraintes en
inquation formant les lignes de la matrice h : h :
n

p

Optimiser f sur un ensemble U inclus dans
n
sous les contraintes g et h revient
optimiser f sur lensemble des ralisables encore appel ensemble des solutions admissibles
{x U ; g = (0) ; h (0)}o (0) dsigne le vecteur nul
On dit que les fonctions f et g dfinissent le domaine des ralisables.
Exemples : problme du consommateur, arbitrage consommation loisirs (offre de travail),
maximisation du profit en CPP, modles de mnages agricoles o le problme pos est le
suivant (Bardhan, P. & C. Udry, 1999, voir galement Benjamin, D. 1992) :
{ } { } { }
( )
2 1 2 1
, , , , ,
, , , max
2 , 1 2 , 1 2 , 1
l l c c U
m h h
i
f
i i
m
i i i
A A L L L c
= = =
(1)
sous la contrainte budgtaire :
( ) ( ) ( )
m m m h h
rA L L w A L F rA wL c c p + + + + + +
2 1 2 1
, (2)
sous les contraintes de lexploitation :
h f f
L L L L + + =
2 1
(3)
h f
A A A + = (4)
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
2
sous les contraintes du mnage :
m f A
A A E + = (5)
i
m
i
f
i
L
i
l L L E + + = , i = 1, 2 (6)
Tableau 1. Les variables et paramtres dans un modle de mnage agricole
c
i
Consommation des individus
l
i
Loisir des individus
r , w, p Prix des intrants (terre et travail), prix des biens de consommation
(3)
h f f
L L L L + + =
2 1

La quantit de travail utilise sur lexploitation L est la somme du travail
fourni par les individus sur lexploitation (L
i
f
) et du travail lou en-dehors de
lexploitation L
h

(4)
h f
A A A + =
La quantit de terre utilise sur lexploitation est la somme de la terre du
mnage consacre lexploitation A
f
et de la terre loue A
h


(5)
m f A
A A E + = ;
(6)
i
m
i
f
i
L
i
l L L E + + =
Dotation en ressources (terre et temps) du mnage.
Terre : somme de la terre utilise sur lexploitation et de la terre loue
dautres exploitations ;
Temps : somme du temps consacr au travail sur lexploitation, vendu sur le
march et au loisir par chaque individu
F(L, A) Fonction de production agricole qui dpend de la terre et du travail utiliss sur
lexploitation
U Fonction dutilit qui dpend des quantits consommes de biens et de loisir
par les individus appartenant au mnage
Le problme prcdent peut tre simplifi en substituant (3), (4), (5) et (6) dans (2) :
( ) ( ) ( ) ( ) ( ) ( )
f A f L f L f f f
A E r l L E l L E w A L F A A r L L L w c c p + + + + + +
2 2 2 2 1 1 2 1 2 1
,
aprs simplification :
( ) ( ) ( )
A L L
rE l E l E w A L F rA wL c c p + + + + + +
2 2 2 1 2 1
, aprs arrangement des termes :
( ) ( ) ( ) ( )
A L L
rE E E w rA wL A L F l l w c c p + + + + + +
2 1 2 1 2 1
, soit
( ) ( ) ( ) ( )
A L L
rE E E w r w A L l l w c c p + + + + + +
2 1 2 1 2 1
, ; , avec ( ) ( ) rA wL A L F r w A L , , ; ,
Le membre gauche de linquation est la somme des dpenses du mnage, y compris les
dpenses en loisirs dont le prix est w : le membre droit est le revenu complet du mnage
agricole, somme du profit agricole et des revenus des actifs du mnage (terre, temps). Le
problme devient :
{ } { }
( )
2 1 2 1
, , ,
, , , max
2 , 1 2 , 1
l l c c U
A L l c
i i i i = =
sous la contrainte budgtaire complte du mnage :
( ) ( ) ( ) ( )
A L L
rE E E w r w A L l l w c c p + + + + + +
2 1 2 1 2 1
, ; ,
Ce chapitre II est consacr aux problmes doptimisation sous contraintes en quation ; le
chapitre III est consacr aux problmes doptimisation sous contraintes en inquation. Les
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
3
contraintes ne peuvent pas tre formules comme des ingalits (par ex 0 x ) ou comme des
ingalits strictes : les contraintes en inquations sont toujours formules comme des
ingalits larges.
Plan :
On prsente les rsultats fondamentaux de loptimisation sous contrainte en quation avec
notamment le thorme de Lagrange : Section 1. ;
puis une application conomique (la minimisation du cot) : Section 2. ;
enfin des exercices : Section 3.
Section 1. Rappels
Prliminaire : reprsentation graphique dun problme doptimisation sous contrainte en
quation :
Figure 1. Optimisation sous contrainte en quation : optimum et tangente
x
2






x*
x
2
* x
2
* x*

f
2

f
1

g(x
1
, x
2
) = c f
0

f
0
f
1
f
2

x
1
x
1

x
1
* x
1
*
g(x) c dtermine lensemble des ralisables dans un problme de maximisation ; g(x) c dtermine lensemble
des ralisables dans un problme de minimisation. Le point x* est le seul point o les pentes des courbes de
niveau de la contrainte et de lobjectif sont gales et la contrainte respecte.
A. LA METHODE DE LAGRANGE
On opte pour une prsentation progressive : 1 contrainte puis un nombre quelconque de
contraintes. Le principe du thorme de Lagrange pour rsoudre les problmes doptimisation
avec contraintes en quation est la transformation de celui-ci en un problme doptimisation
non contraint comportant une (des) variable(s) supplmentaire(s), le (les) multiplicateurs de
Lagrange dont le nombre est gal au nombre de contraintes en quation
g(x) c
g(x) c
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
4
1. Un cas particulier : n variables de choix, une contrainte
a) Le problme pos
Le problme pos est le suivant :
Max
x
(Min) f(x
1
,,x
n
) sous g(x
1
,,x
n
) = 0 (P1)
Thorme 1. Le thorme de Lagrange : n variables et une contrainte
Soit f et g deux fonctions de n variables de classe C
2
valeurs sur ;
Soit x* = (x
1
*, x
2
*,, x
n
) une solution au problme de maximisation (minimisation) (P1) :
max (min) f(x
1
, , x
n
) sous la contrainte g(x
1
, , x
n
) = 0 lexception de toute autre
contrainte comme des contraintes de non ngativit des variables de choix
Dans lhypothse o la contrainte de qualification est respecte :
Dg(x*) (0) (7)
Alors il existe un rel * tel que (x
1
*, x
2
*,, x
n
, ) soit un point stationnaire de la fonction de
Lagrange dfinie de
n+1
vers de la manire suivante :
( ) ( ) ( )
n n n
x , , x g x , , x f , x , , x L L L l
1 1 1
+ (8)
En dautres termes (x
1
*, x
2
*,, x
n
, *) est une solution du systme suivant :
( ) ( )
( )

=
=
0 ,
,
* *
* *
x
0 x
l
l
i
x
i = 1, ,n soit
( ) ( )
( )

=
= +
0 ,
0 , ,
* *
* * * * *
x
x x
g
x g x f
i i
i = 1, ,n
(9)
encore not :
( ) ( ) 0 x =
* *
, l
Sources : Simon, CP. & L. Blume, 1998, p. 660 ; Dixit, AK. 1992, p. 26
La contrainte dfinit un ensemble des ralisables. A loptimum, la fonction de Lagrange est
la fonction f compte tenu de la contrainte g. Lintrt du thorme de Lagrange est davoir
dmontr que la fonction de Lagrange est une combinaison linaire de la fonction dobjectif et
de la contrainte. Le thorme de Lagrange complique apparemment le problme
doptimisation que lon pourrait rsoudre par substitution des variables de choix par les
contraintes de la fonction dobjectifs. Il est cependant un outil plus puissant :
Permet de rsoudre des problmes non linaires o la substitution de la contrainte dans la
fonction dobjectifs, est malaise voire impossible ;
Permet de dfinir de nouvelles variables, le(s) multiplicateur(s) qui a (ont) une
interprtation conomique intressante : mesure(nt) leffet marginal du desserrement (ou
du resserrement) de la contrainte sur la fonction dobjectifs value loptimum
(paragraphe C. 1. a) partir de la page 18) ;
Le systme (9) donn par le thorme de Lagrange :
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
5
Nest valable que si la condition de qualification (7) est respecte : celle-ci porte sur la
matrice jacobienne de la contrainte qui doit tre diffrente du vecteur nul. En dautres
termes, pour pouvoir utiliser le thorme de Lagrange, il faut liminer les points
stationnaires de la contrainte.
1
Cela ne signifie pas pour autant que les points stationnaires
de la contrainte doivent tre limins, ils doivent tre considrs en supplment des points
stationnaires identifis par la mthode de Lagrange.
2

Donne une condition ncessaire de 1
er
ordre (CNPO) qui permet de circonscrire la
recherche des optima : est utilisable dans un problme de minimisation ou de maximisation
qui se distinguent par les C2O ;
La condition de qualification, qui stipule quau moins une des drives partielles de la
contrainte nest pas nulle, est importante car est une condition pralable (ncessaire)
lutilisation du thorme de Lagrange. Si elle ntait pas respecte, rien nassurerait que le
multiplicateur * est unique pour un point stationnaire (x
1
*, x
2
*,, x
n
). En outre, tout se
passerait comme si loptimum, la contrainte navait aucun effet sur lobjectif :
( ) ( ) ( ) 0 , 0 , ,
* * * * * * *
= = + x x x
i i i
x f x g x f quel que soit i si (7) nest pas
respecte ;
En bref, une recherche complte dun optimum peut tre faite en recherchant de 2 manires
les points candidats :
Les points candidats qui satisfont lquation (9) cd qui annulent les drives partielles de
la fonction de Lagrange en x et satisfont la contrainte g(x) = 0 (qui dfinit le domaine des
ralisables) ;
Les points candidats qui annulent la matrice jacobienne de la contrainte et la contrainte
g(x) = 0
Le systme (9) est gnralement non linaire par rapport ses arguments ce qui implique
que ni lexistence, ni lunicit ni encore le caractre conomiquement plausible dune solution
ne sont garanties (mais pour un point stationnaire, un multiplicateur et un seul est associ). On

1
Lorsque les points stationnaires appartiennent au domaine des ralisables i.e. satisfont la contrainte alors il faut
les traiter de la mme manire que les points candidats dtermins parla mthode de Lagrange. Il y a donc 2 types
de points candidats. Pour disposer dune mthode unique de dtermination des solutions dun problme de
maximisation (ou de minimisation) sous contrainte, notamment quand on ne prcise pas les formes fonctionnelles
des contraintes, on dispose dune mthode unique, la mthode de Lagrange gnralise. Celle-ci repose sur
lintroduction dun multiplicateur supplmentaire, associ la fonction dobjectifs. Pour plus de dveloppement
sur ce critre, cf. Simon, CP. & L. Blume, 1998, p. 719. Par exemple, il est impossible de dterminer par le
thorme de Lagrange la solution au problme de maximisation suivant : max en choisissant x
1
et x
2
la fonction
f(x
1
, x
2
) = x
1
sous la contrainte h(x
1
, x
2
) x
1
3
+ x
2
2
= 0 alors que graphiquement le point (0, 0) est un point
candidat. En utilisant le thorme de Lagrange gnralis, on peut rsoudre analytiquement le problme.
2
Le non respect de la condition de qualification de la contrainte peut tre galement le rsultat dune contrainte
mal spcifie. Voir Dixit, AK. 1992
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
6
peut cependant sassurer du caractre plausible de la solution, comme par exemple des
quantits ou des prix positifs, en ajoutant des contraintes en inquation, ce qui est notamment
trait par le thorme de Kuhn et Tucker (cf. infra chapitre III) Dans le cas o il existerait
plusieurs solutions, il faut recourir une C2O.
b) Exemples
(i) max f(x
1
, x
2
) = x
1
2
x
2
sous g(x
1
, x
2
) = 0 dfini par 2x
1
2
+ x
2
2
= 3
Donn en exercice : Section 3. La condition de qualification de la contrainte permet de
montrer que les points stationnaires de la contrainte nappartiennent pas au domaine des
ralisables :

0
0
2
1
x
g
x
g

=
=
0
0
2
1
x
x
. Ce point ne satisfait pas la contrainte : nest pas un point candidat
On peut poser le Lagrangien de la manire suivante :
( ) ( ) 3 2
2
2
2
1 2
2
1 2 1
+ x x x x , x , x l
Distinguer 2 cas : x
1
= 0 puis 0. Les 6 points stationnaires sont : (0 ; 3 ; 0), (1 ; 1 ; ),
(-1 ; 1 ; ), (1 ; -1 ; - ), (-1 ; -1 ; - ). On rutilisera cet exemple pour illustrer
linterprtation du multiplicateur : paragraphe C. 1. a) (i) page 18. Remarque : poser la
fonction de Lagrange de la manire suivante ( ) ( ) 3 2
2
2
2
1 2
2
1 2 1
+ + x x x x , x , x l ne change
pas les couples x
1
* et x
2
* et donc la valeur de f*. Cela affecte seulement le signe des
multiplicateurs.
(ii) max f(x
1
, x
2
, x
3
) = 2x
1
x
2
x
3
sous g(x
1
, x
2
, x
3
) = 0 dfini par 3 - x
1
2
- x
2
2
- x
3
2
= 0
Voir Lonard, D. & NV. Long, 1998, p. 29. La condition de qualification de la contrainte
donne le triplet (0, 0, 0) qui nappartient pas au domaine des ralisables. La fonction de
Lagrange correspondante est :
( ) ( )
2
3
2
2
2
1 3 2 1 3 2 1
3 2 , , , x x x x x x x x x + l
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
7
Voir la rsolution p. 40.
2. Le cas gnral : n variables de choix, m contraintes
a) Le problme pos
Le problme est maintenant
Max
x
(Min) f(x
1
,,x
n
) sous
g
1
(x
1
,,x
n
) = 0

g
m
(x
1
,,x
n
) = 0
(P2)
Thorme 2. Le thorme de Lagrange, n variables et m contraintes
Soit f et g
j
j = 1,m des fonctions de n variables de classe C
1
valeurs sur ;
Soit x* = (x
1
*, x
2
*,, x
n
) une solution au problme de maximisation (minimisation) (P2)
suivant :
max (min) f(x
1
, , x
n
) sous les contraintes g(x
1
, , x
n
) = 0 (sans dautres contraintes comme
des contraintes de non ngativit des variables de choix)
Dans lhypothse o la contrainte de qualification en x* est respecte :
Dg(x*) est de rang m (< n) (10)
Alors il existe m rels
j
* tels que (x*, *) soit un point stationnaire de la fonction de
Lagrange dfinie de la manire compacte suivante :
( ) ( ) ( )
( ) ( ) 1 1 1 1
+
m . m
f , x g x x l
(11)
En dautres termes (x*, *) est une solution du systme suivant :
( ) ( )
( ) ( )

= =
= =
m j
n i x
j
i
L l
L l
1 , *,
1 , *,
*
*
0 x
0 x
(12)
ou encore
( ) ( ) 0 x
*
= ,
*
l
Sources : Simon, CP. & L. Blume, 1998, p. 665 ; Jehle, GA. & PJ. Reny, 2001, p. 491 ;
Lonard, D. & NV. Long, 1998, p. 21
Le systme dquations (12) comporte n + m quations et autant dinconnues. La condition
de qualification devient une condition de rang :
Elle garantit lunicit des
j
cest--dire lunicit des coordonnes dun point stationnaire
dans un espace vectoriel dont la dimension est dtermine par le nombre m de contraintes ;
Elle ne garantit pas cependant pas lunicit du point stationnaire, ni son caractre plausible
dun point de vue conomique.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
8
b) La condition de qualification
La condition de qualification concerne la matrice jacobienne de la fonction g , note Dg(x),
reprsente sous la forme dune matrice dont les lignes sont constitues des m gradients des
contraintes g. La gnralisation de la condition de qualification encore appele condition de
rang nonce que le rang de Dg(x) est maximal et gal m. On limine donc les points
stationnaires des contraintes reprsentes par la matrice g.
3
La matrice jacobienne de la
contrainte est de dimension (m x n) et est un vecteur des gradients de la fonction g :
( ) ( ) ( ) ( )


|
|
|
|
|
|

\
|

x x x
m
n
m m
n
g g
x
g
x
g
x
g
x
g
Dg L
L
M O M
L
1
1
1
1
1
avec ( )
( )
( )
|
|
|
|
|

\
|


=
n
x f
x f
g
x
x
x M
1

Si la condition de qualification est vrifie, les contraintes sont linairement indpendantes
i.e. il ny a pas de contrainte redondante. Si le rang de la matrice jacobienne tait infrieur m
cela signifierait quune ou plusieurs contraintes pourraient tre limines sans affecter le
domaine des ralisables. Dire que la matrice jacobienne est de rang m signifie quelle est non
singulire cd quelle est inversible. Limportance de cette condition est mise en vidence
notamment avec linterprtation gomtrique du thorme de Lagrange. En effet, imposer que
les m gradients sont linairement indpendants permet de les considrer comme une base dun
sous-espace vectoriel de dimension m (cf. paragraphe c) page 9)
Dfinition 1. Rang dune matrice
Soit une matrice A de dimension (m x n) dont on considre les lignes A
1
, , A
m
sparment.
Chaque ligne est note A
i
= (a
i1
a
in
) i = 1,,m. Si ces m vecteurs lignes appartiennent un
espace de dimension m alors il est impossible dcrire un de ces vecteurs lignes comme une
combinaison linaire des autres. Autrement dit si k
1
.A
1
++k
m
.A
m
= 0 o les k
i
sont des
scalaires alors k
i
= 0, i = 1,,m. On dit que les A
i
sont linairement indpendants.
Dans une matrice A, le nombre de lignes linairement indpendantes est appel rang de la
matrice. Si A est de dimension (m x n) et n > m alors le rang maximum de A est m.
Source : Silberberg, E. 1990, pp. 151-3

3
La notion de lagrangien gnralis permet de distinguer les points stationnaires de la fonction dobjectifs des
points stationnaires des contraintes (Simon, CP. & L. Blume, 1998, p. 719)
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
9
Thorme 3. Matrice non singlulire
Soit A est une matrice carre de format n. Le rang de A est gal n ssi A 0. On dit alors
quelle est non singulire.
Dfinition 2. Point rgulier
Soit g :
n

p
. On dit que x
0
est un point rgulier de g ssi le rang de la matrice jacobienne
en ce point Dg(x
0
) est gal p
c) Exemple
Daprs Simon, CP. & L. Blume, 1998, p. 665. Le problme est le suivant :
Max f(x
1
, x
2
, ,x
3
) x
1
x
2
x
3
sous les 2 contraintes :
g
1
(x
1
, x
2
, ,x
3
) x
1
2
+ x
2
2
1 = 0
g
2
(x
1
, x
2
, , x
3
) x
1
+ x
3
1 = 0
La premire contrainte dfinit un cylindre dans lespace (x
1
, x
2
, x
3
) alors que la seconde
dfinit un plan. Le domaine des ralisables se situe donc lintersection des 2. La matrice
jacobienne des contraintes est la suivante :
( )
|
|

\
|

|
|
|
|
|
|

\
|

1 0 1
0 2 2
2 1
3
2
2
2
1
2
3
1
2
1
1
1
x x
x
g
x
g
x
g
x
g
x
g
x
g
Dg x
Il faut rechercher les valeurs de x
1
, x
2
, ,x
3
pour lesquels le rang de la matrice est strictement
infrieur 2 : on recherche les valeurs de x
1
, x
2
, ,x
3
pour lesquelles la deuxime ligne est une
combinaison linaire de la premire. On constate que pour les valeurs x
1
= 0 et x
2
= 0, la
condition de rang nest pas satisfaite. De plus pour nimporte quel triplet comportant x
1
= 0 et
x
2
= 0 la premire contrainte nest pas satisfaite, i.e. nappartient pas au domaine des
ralisables : un triplet tel que x
1
= 0 et x
2
= 0 ne peut donc pas tre considr comme un point
candidat. Cf. la rsolution du pb dans Simon, CP. & L. Blume, 1998, pp. 666-7.
B. CONDITIONS DU DEUXIEME ORDRE
Comme dans un problme doptimisation libre, le thorme de Lagrange ne donne que des
conditions ncessaires i.e. identifie seulement les points stationnaires : si x* est un optimum
alors il vrifie les conditions (12). On peut avoir plusieurs problmes : absence de solution,
multiplicit des solutions (on a alors des optima locaux), pas de distinction des minima des
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
10
maxima.. Pour rsoudre ces problmes, on recourt aux C2O. Ces conditions concernent
comme dans un problme doptimisation libre, les drives secondes de la fonction de
Lagrange cest--dire sa courbure et donc la matrice hessienne qui lui est associe.
1. Un cas particulier : 2 variables de choix et une contrainte
a) Dmarche
On considre le problme de maximisation (P1) dans le cas de 2 variables de choix. La
condition du 2
me
ordre repose sur la concavit de la matrice hessienne
*
D
xx
l
2
matrice des
drive seconde de la fonction de Lagrange uniquement par rapport x.
Max f(x
1
, x
2
) sous g(x
1
, x
2
) = 0
On dfinit la fonction de Lagrange associe au problme :
( ) ( ) ( )
2 1 2 1 2 1
, , , , x x g x x f x x + l
Daprs le thorme de Lagrange si x* maximise f sous g alors il existe * tel que les
drives partielles de la fonction de Lagrange sannulent en (x*, *) :
( ) 0
1
=
* *
, x l ; ( ) 0
2
=
* *
, x l ; ( ) 0

=
* *
, x l
Pour tablir les C2O dans un problme de maximisation contrainte de manire analogue
celle utilise dans un problme de maximisation libre, il faut tablir les conditions de la
concavit de la fonction de Lagrange. Dans lhypothse o la fonction de Lagrange est de
classe C
2
, on peut tablir la matrice hessienne
*
D l
2
la matrice hessienne de la fonction de
Lagrange value en (x*, *). Celle-ci est une matrice carre dordre 3 symtrique et borde,
cest--dire :
|
|
|
|

\
|
+ +
+ +
=
0


2 1
2 22 22 12 12
1 12 12 11 11
2
* *
* * * * * * *
* * * * * * *
*
g g
g g f g f
g g f g f
D l
|
|
|
|

\
|
0
2 1
2 22 12
1 12 11
* *
* * *
* * *
g g
g
g
l l
l l

|
|
|

\
|

0
2
*
* *
Dg
Dg D
xx
l

Constitue de
*
D
xx
l
2
la matrice des drives secondes de la fonction de Lagrange par
rapport x, value en (x*,*) ;
Borde par la matrice jacobienne de la fonction reprsentant la contrainte, Dg*
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
11
Le fait que la matrice hessienne de la fonction de Lagrange soit borde simplifie lanalyse
(dans le cas o n = 2). En effet, au lieu dtudier le signe des dterminants des mineurs
principaux de
*
D l
2
, ici au nombre de 3, il suffit dtudier le signe dun seul de ces
dterminants, savoir
*
D l
2
dont lexpression est la suivante :
*
11
2
*
2
*
22
2
*
1
*
2
*
1
*
12
* 2
2 l l l l g g g g D =
Plus prcisment, une condition suffisante du 2
me
ordre pour que x* soit un maximum
(minimum) est que ce dterminant soit strictement positif (ngatif). Ce rsultat est prcis
dans le thorme suivant :
Thorme 4. Condition suffisante du deuxime ordre pour un maximum (minimum), 2 variables et 1
contrainte
Soient f et g deux fonctions de classe C
2
valeurs sur . Soit le problme de maximisation
(minimisation) Max (Min) f(x
1
, x
2
) sous g(x
1
, x
2
) = 0. On forme le Lagrangien correspondant
ce problme :
( ) ( ) ( )
2 1 2 1 2 1
, , , , x x g x x f x x + l
Si (x*, *) est un point stationnaire de la fonction de Lagrange, la condition de qualification
de la contrainte remplie, et le dterminant valu en ce point
*
D l
2
est positif (ngatif) alors
x* est un maximum (minimum) local de f dans lensemble des ralisables {x tels que g(x)
= 0}
Remarques :
Le signe de la bordure importe peu. Si on multiplie la dernire ligne et la dernire colonne
par (-1) on ne change pas le signe de
*
D l
2
car le nombre de multiplications est pair. Ceci
permet par exemple de spcifier la contrainte budgtaire sous la forme p.x R = 0 ou
bien R - p.x = 0. On peut facilement vrifier :
0 0
1 1
1 22 12
1 12 11
1 1
1 22 12
1 12 11
2
* *
* * *
* * *
* *
* * *
* * *
*
g g
g
g
g g
g
g
D

= l l
l l
l l
l l
l
Le dterminant de
*
D l
2
est gal loppose de la forme quadratique suivante ou la
matrice symtrique est la matrice des drives secondes
*
D
xx
l
2
. On constate
immdiatement que la condition du 2
me
ordre dpend de la concavit de la fonction de
Lagrange en x*
( )
|
|

\
|

*
1
*
2 * 2 *
1
*
2
* 2
g
g
D g g D
xx
l l
Comme dans un problme non contraint, la C2O suffisante (avec ingalits strictes) est
valable au moins pour des optima locaux ;
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
12
Si le dterminant nul, le point stationnaire nest ni un maximum ni un minimum. Dans ce
cas, il faut noncer la C2O ncessaire (avec ingalits larges) et tudier (en principe) les
drives dordre 3 et 4
A titre dexercice : cf. Section 3. A. exemples 1. et 2. partir de la page 37.
b) Exemple
On reprend lexemple trait dans le paragraphe A. 1. b) page 6.
c) Interprtation : la courbure relative des courbes de niveau de la fonction
dobjectif et de la contrainte
Cf. Silberberg, E. 1990, pp. 173-6, Dixit, AK. 1992, pp. 109-110.
On reprend le problme prcdent :
Max f(x
1
, x
2
) sous g(x
1
, x
2
) = 0
Et on fait deux hypothses supplmentaires qui sont couramment faites dans les
applications conomiques: f
1
, f
2
et g
1
, g
2
les drives partielles premires de la fonction
dobjectif et de la contrainte sont positives.
Examiner la courbure de la fonction de Lagrange, revient examiner la courbure relative
de la fonction dobjectifs et de la contrainte au voisinage de x*. En considrant la Figure 1 on
peut avoir lintuition des courbures relatives de lobjectif et de la contrainte :
1) Dans un problme de maximisation, les courbes de niveau de la fonction dobjectifs ont
une convexit plus prononce que la contrainte. Par exemple, dans le problme du
consommateur, les courbes dindiffrence sont convexes et la contrainte linaire dans
un plan dfini par les variables de choix. On peut formuler cette proposition dune
manire diffrente : la fonction dobjectif vrifiant la contrainte loptimum est
concave ;
2) Dans un problme minimisation, la courbe de niveau dfinie par la contrainte a une
convexit plus forte que celles correspondant la fonction dobjectifs. Dans le
problme de la minimisation du cot de production, la contrainte est linaire alors que
la frontire des possibilits de production est concave. En dautres termes, la fonction
dobjectifs vrifiant la contrainte est convexe.
On compare les expressions de :
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
13
*
0
2
1
2
2
f
dx
x d
et
*
2
1
2
2
g
dx
x d

En dautres termes on compare le degr de convexit des courbes de niveau reprsentant
lobjectif et la contrainte. On sait que :
*
*
f
f
f
dx
dx
*
2
1
1
2
0
= et que
*
*
g
g
g
dx
dx
*
2
1
1
2
= .
En drivant ces 2 expressions par rapport x
1
en tenant compte que x
2
en dpend, il vient :
3
*
2
2
*
1
*
22
*
12
*
2
*
1
2
*
2
*
11
2
1
2
2
2
*
0
f
f f f f f f f
dx
x d
f
+
=
Avec un raisonnement similaire, on tablit :
3
*
2
2
*
1
*
22
*
12
*
2
*
1
2
*
2
*
11
2
1
2
2
2
*
g
g g g g g g g
dx
x d
g
+
=
Les CPO sont : ( ) 0
1
=
* *
, x l ; ( ) 0
2
=
* *
, x l soit
* *
g f
1 1
= ;
* *
g f
2 2
= . Dans les
hypothses faites sur les drives partielles premires il vient : 0
1 1
> =
* *
g f et
0
2 2
> =
* *
g f do ( ) ( ) ( ) 0
3
1
3
1
3
3
1
> = =
* * *
g signe g signe f signe
Aprs simplifications, on tablit lexpression de la convexit de la fonction dobjectif
loptimum, dont le numrateur est positif. En dautres termes, le signe de lexpression
suivante, dpend de son numrateur :
3
*
2
2
*
1
*
22
*
12
*
2
*
1
2
*
2
*
11
2
1
2
2
2
*
0
g
g f f g g g f
dx
x d
f

+
=
On rduit lexpression de la convexit de la fonction g au mme dnominateur
(multiplication par -) :
3
*
2
2
*
1
*
22
*
12
*
2
*
1
2
*
2
*
11
2
1
2
2
2
*
g
g g g g g g g
dx
x d
g

+
=
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
14
On calcule lexpression suivante qui permet de mesurer la convexit relative des courbes
de niveau de lobjectif et de la contrainte au maximum x* :
*
*
g
f
dx
x d
dx
x d
2
1
2
2
2
1
2
2
0
=
( ) ( ) ( )
3
2
2
1 22 22 12 12 2 1
2
2 11 11

2
*
* * * * * * * * * *
g
g g f g f g g g g f

+ + + +

do
3
2
2
1 22 12 2 1
2
2 11

2
*
* * * * * * *
g
g g g g

+

l l l
et :
3
*
2
* 2
2
1
2
2
2
1
2
2
*
*
0
g
D
dx
x d
dx
x d
g
f

=
l

* 2
2
1
2
2
2
1
2
2
*
*
0
l D signe
dx
x d
dx
x d
signe
g
f
=
|
|
|
|

\
|
puisque 0
3
2
>
*
g
Le numrateur de cette expression dpend du dterminant de la matrice hessienne de la
fonction de Lagrange value au maximum. Si x* est un maximum lexpression prcdente
est positive, soit
0
*
*
0
2
1
2
2
2
1
2
2
>
g
f
dx
x d
dx
x d

Dun point de vue gomtrique, la convexit de la courbe de niveau de lobjectif au
maximum est donc plus prononce que celle de la contrainte comme cela est reprsent Figure
1 page 3. Un raisonnement analogue dans le cas dun problme de minimisation, conduit au
mme rsultat dont il dcoule une relation dordre contraire :
* 2
2
1
2
2
2
1
2
2
*
*
0
l D signe
dx
x d
dx
x d
signe
g
f
=
|
|
|
|

\
|
; 0
3
2
>
*
g do 0
*
*
0
2
1
2
2
2
1
2
2
<
g
f
dx
x d
dx
x d

Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
15
En rsum, la comparaison des courbures relatives de la fonction dobjectif et de la
contrainte, dpend directement de la condition du 2
me
ordre :
minimum un est quand 0
maximum un est quand 0
* 2
2
1
2
2
2
1
2
2
*
*
0
*
*
g
f
x
x
D signe
dx
x d
dx
x d
signe
>
>
=
|
|
|
|

\
|
l
Autrement dit, la convexit de la fonction dobjectifs est plus (moins) prononce lorsque
loptimum est un maximum (minimum).
2. Un cas particulier : n variables de choix, 1 contrainte
On reprend le problme de maximisation (P1) :
Max f(x
1
, , x
n
) sous g(x
1
, , x
n
) = 0
La matrice hessienne borde correspondante dordre n+1 est la suivante :
|
|
|
|
|
|
|

\
|
=
0
1
1
1 1 11
2
*
n
*
*
n
*
nn
*
n
* *
n
*
*
g g
g
g
D
L
l L l
M M O M
l L l
l
|
|
|

\
|

0
2
*
* *
Dg
Dg D
xx
l
avec
xx
D l
2
dordre n
Thorme 5. Conditions du deuxime ordre, n variables, une contrainte
Si le thorme de Lagrange est vrifi et
Si les mineurs principaux bords dordre k de la matrice hessienne borde
*
D l
2
ont le mme
signe que (-1)
k
, k = 2,, n alors on a un maximum ;
Ou bien,
Si les mineurs principaux bords dordre k de la matrice hessienne borde
*
D l
2
sont ngatifs,
k = 2,, n alors on a un minimum
Source : Silberberg, E. 1990, p. 176
Autrement dit, si les (n 1) dterminants des mineurs principaux dordre k , k = 2,, n de
*
D
xx
l
2
borde par Dg(x*) valus en x* alternent en signe avec le mineur dordre 2 positif
alors x* est un maximum local de f dans lensemble des ralisables. Remarque : un mineur
principal bord dordre k comporte k+1 lignes et colonnes.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
16
Par exemple, si n = 2, m = 1 alors il y a 1 mineur principale dordre 2 qui comporte 3 lignes
et 3 colonnes. Si le dterminant de ce mineur principal bord la mme signe que (-1)
2
alors
on a un maximum. Si le dterminant du mineur principal bord est ngatif alors on a un
minimum.
Par exemple, si n = 3 et m = 1 alors il faut tudier le signe de 2 mineurs principaux bords,
dordre 2 et 3 :
0
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
2
* * *
* * * *
* * * *
* * * *
*
g g g
g
g
g
D
l l l
l l l
l l l
l = mineur principal bord dordre 3 (qui comporte 4 lignes et
colonnes) et
0
3 2
3 33 32
2 23 22
2
* *
* * *
* * *
*
g g
g
g
D l l
l l
l = mineur principal bord dordre 2 (qui comporte 3 lignes
et colonnes). Ce mineur est obtenu en enlevant la ime ligne et colonne (ici la 1
re
),
lexception de la bordure.
3. Le cas gnral : n variables de choix, m contraintes
Comme dans le cas prcdent, les C2O dans le cas gnral concernent les drives
secondes croises de la fonction de Lagrange. La matrice hessienne borde est symtrique ; si
dans le cas prcdent elle est (3 x 3), dans le cas gnral elle est de dimension ((n+m) x
(n+m)) Le problme dans le cas gnral est le problme (P2) :
Max (Min) f(x
1
,,x
n
) sous
g
1
(x
1
,,x
n
) = 0

g
m
(x
1
,,x
n
) = 0
La fonction de Lagrange correspondante est :
( ) ( ) ( ) x g x x

+ f , l
Soit la matrice hessienne correspondante dont les colonnes sont les drives secondes
partielles de la fonction de Lagrange, value loptimum, par rapport aux x
i
puis aux
j
:
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
17
( ) ( )
( )
|
|
|

\
|

=
|
|
|
|
|
|
|
|
|
|
|

\
|
=
|
|
|
|
|
|
|
|
|
|
|

\
|




0 x g
x g xx
*
* *
*
1
*
1
*
1
1
*
*
1
* *
1
*
1
*
1
1
* *
1
*
11
* * * *
* * * *
1
* * * *
1
*
1
*
1
*
1
*
11
0 0
0 0
1 1
1 1 1 1 1
1
1
D
D
g g
g g
g g
g g
m
n
m
n
m
n n nn n
m
n
n n
n
n n nn n
n
m m m m
m
m
m
l
L L
M O M M O M
L L
L l L l
M O M M O M
L l L l
l L l l L l
M O M M O M
l L l l L l
l L l l L l
M O M M O M
l L l l L l
(13)
La matrice hessienne (13) de la fonction de Lagrange est symtrique de dimension n+m.
Elle est compose de sous-matrices :
La matrice hessienne de la fonction de Lagrange par rapport aux variables ( xx
*
l ) de
dimension (n x n) ;
La matrice jacobienne des contraintes Dg(x*) de format (m x n) ;
Sa transpose de dimension (n x m) ;
La matrice nulle de dimension (n x m)
La matrice (13) est borde par la matrice jacobienne des contraintes, la bordure ne
comporte plus une seule colonne et une seule ligne mais comprend autant de colonnes et de
lignes quil y a de contraintes (m). On rappelle que dans le cas dune contrainte, la bordure ne
comporte quune seule ligne et quune seule colonne lintersection desquelles on place un 0.
Une premire faon de caractriser les C2O est dutiliser la matrice (13) de la mme faon que
dans un problme doptimisation libre. Mais, on utilise le fait que la matrice est borde.
Thorme 6. Conditions du deuxime ordre, n variables, m contraintes, m < n
On considre (x*, *) satisfaisant les conditions de premier ordre (12) et on considre la
condition de rang remplie.
Si les n-m mineurs principaux bords de la matrice hessienne
*
D l
2
changent alternativement
de signe, le premier tant du mme signe que (-1)
m+1
, alors x* est un maximum local pour le
problme de maximisation (P2) ;
Si les n-m mineurs principaux bords de la matrice hessienne
*
D l
2
ont le mme signe que (-
1)
m
alors x* est un maximum local pour le problme de maximisation (P2)
Source : Lonard, D. & NV. Long, 1998, p. 28
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
18
Thorme 7.
On considre (x*, *) satisfaisant les conditions de premier ordre (12) et on considre la
condition de rang remplie.
La fonction de Lagrange est concave (convexe), ce qui est vrai si la fonction dobjectif est
concave (convexe) et si g est convexe (concave) alors x* est un maximum (minimum) global
pour le problme de maximisation (P2)
Par exemple :
Si n = 2, m = 1 il faut regarder le signe du mineur principal bord qui est dordre 2 (cd
comporte 3 lignes et 3 colonnes). Pour avoir un maximum, le mineur a le mme signe que
(-1)
2
, il doit tre positif ; pour avoir un minimum, le mineur a le mme signe que (-1)
1
, il
doit tre ngatif ;
Si n = 3, m = 2 il faut regarder le signe du mineur principal bord qui est dordre 3 (cd
comporte 4 lignes et 4 colonnes). Pour avoir un maximum, le mineur a le mme signe que
(-1)
3
, il doit tre ngatif ; pour avoir un minimum, le mineur a le mme signe que (-1)
2
, il
doit tre positif ;
A titre dexercice : cf. Section 3. A. exemple 3. page 40.
C. THEOREME DE LENVELOPPE ET STATIQUE COMPARATIVE
On retrouve essentiellement le mme outil que dans le cas de loptimisation libre. La
diffrence vient de linterprtation des multiplicateurs, qui dcoule dun cas particulier du
thorme de lenveloppe.
1. Le thorme de lenveloppe
Linterprtation du multiplicateur est un cas particulier du thorme de lenveloppe :
paragraphe a) ; ensuite on fait la dmonstration dans le cas gnral : paragraphe b) page 22 ;
enfin on illustre la porte du thorme de lenveloppe : paragraphe c) page 23.
a) Interprtation du multiplicateur
(i) Un cas particulier : 2 variables de choix, 1 contrainte, 1 paramtre
On considre le problme (P1) 2 variables o lon introduit un paramtre par rapport
auquel la contrainte est linaire :
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
19
( )
2 1
2 1
x , x f max
x , x
sous la contrainte g(x
1
, x
2
) - = 0
Le lagrangien est :
( ) ( ) ( ) ( )
2 1 2 1 2 1
x , x g x , x f ; , x , x l . On montre :
*
d
* df

= (14)
o f* est la fonction dobjectif value loptimum ;
et * le multiplicateur associ la contrainte.
En effet :
Les CNPO sont les suivantes :
0
*
=

i
x
l
soit
i i
x
g
x
f

*
*
*
, i = 1, 2 et 0
*
=

l

On regarde leffet du paramtre sur lobjectif et la contrainte, valus loptimum :

*
2
2
*
*
1
1
* *
x
x
f
x
x
f
d
df

On substitue les drives partielles de la fonction dobjectifs par leur expression
loptimum (CNPO) :
|
|

\
|

*
2
2
*
*
1
1
*
*
*
x
x
g
x
x
g
d
df
or
La contrainte est respecte loptimum en raison de lannulation de la drive partielle de
la fonction de Lagrange en .
0 1 1
*
2
2
*
*
1
1
* *
=

x
x
g
x
x
g
d
dg

Il vient :
*
*
=
d
df

Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
20
Dans lhypothse o les drives partielles de lobjectif et de la contrainte sont de mme
signe alors le multiplicateur est positif et limpact dune modification du paramtre sur
lobjectif valu loptimum est positif.
Remarque, si on dfinit le lagrangien de la faon suivante :
( ) ( ) ( ) ( )
2 1 2 1 2 1
+ x , x g x , x f ; , x , x l alors on montre : *
d
* df

=
Cela ne change pas le sens de leffet du paramtre du paramtre sur lobjectif. En effet,
dans les mmes hypothses (drives partielles de lobjectif et de la contrainte de mme
signe), leffet de sur f* est positif.
Thorme 8. Interprtation du multiplicateur de Lagrange, 2 variables de choix, une contrainte
Soit f et g deux fonctions de classe C
1
de deux variables. Pour nimporte quelle valeur du
paramtre , soient x*
1
() et x*
2
() la solution du problme de maximisation de f sous g = ,
soit la fonction de Lagrange associe ce problme ( ) ( ) ( ) ( )
2 1 2 1 2 1
x , x g x , x f ; , x , x + l
et soit *() la valeur du multiplicateur loptimum. On fait lhypothse que x*
1
(), x*
2
() et
*() sont de classe C
1
par rapport et que la condition de qualification de la contrainte est
remplie. Alors : ( )
( ) ( ) ( )



2 1
d
* x , * x df
* =
Source : Simon, CP. & L. Blume, 1998, p. 694
Leffet total dune modification de sur la fonction dobjectif value loptimum est
mesur par le multiplicateur lui-mme valu loptimum.
(ii) Exemple
On reprend le problme de maximisation A. 1. b) page 6. Le problme est max f(x
1
, x
2
) =
x
1
2
x
2
sous 2x
1
2
+ x
2
2
= 3 dont la fonction de Lagrange est :
( ) ( ) 3 2
2
2
2
1 2
2
1 2 1
+ x x x x , x , x l . Une solution de ce problme est : (1 ; 1 ; ) ce qui
donne f* = 1. On peut reformuler le problme de la faon suivante : max f(x
1
, x
2
) = x
1
2
x
2
sous
2x
1
2
+ x
2
2
= 3,3 et valuer limpact sur lobjectif. Au lieu de rsoudre nouveau le problme
cd identifier les nouveaux points stationnaires, on utilise le thorme de lenveloppe :
*
d
* df

= lapplication numrique correspondant au problme pos est :


Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
21
5 0
3 0
,
,
* df
= il vient df* = 0,15 do f* = 1,15.
(iii) Le cas gnral : n variables de choix et m contraintes
On considre le problme (P2) o chacune des m (m < n) contraintes est linaire par
rapport un paramtre
j
; x* est une solution :
max f(x
1
,,x
n
) sous g
j
(x
1
,,x
n
) =
j
, j = 1m
On considre une modification d qui affecte le membre droit de lensemble des
contraintes. Cette modification entrane une modification dx* de loptimum. La fonction
dobjectifs et les contraintes loptimum se modifient respectivement de la manire suivante :
df(x*) = f(x*+dx) f(x*) Df(x*).dx o Df(x*) est la matrice jacobienne (dimension (n x 1) )
de f value loptimum ;
dg(x*) = g(x*+dx) g(x*) Dg(x*)dx o Dg(x*) est la matrice jacobienne (dimension (n x 1)
) de g value loptimum. En outre, dg(x*) Dg(x*)dx = d : Dg(x*).dx est lapproximation
linaire de dg(x*) gale d .
En utilisant le thorme de Lagrange (Thorme 2) on a :
Df(x*).dx = *.Dg(x*).dx do df(x*) = .d =
j

j
.d
j
(15)
La modification de la fonction dobjectif value loptimum est gale au produit du
multiplicateur et de la modification de la contrainte. Ce produit correspond galement au
produit vectoriel de et de la variation du membre droit de g. Si un seul des paramtres
j

varie, tous les autres tant constants, d
k
= 0, j k, on retrouve le rsultat :
df(x*) =
j
.d
j
(15a)
On peut crire ce rsultat sous la forme dun thorme :
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
22
Thorme 9. Interprtation du multiplicateur de Lagrange, n variables de choix, m contraintes
Soit f, g
1
, , g
m
des fonctions de classe C
1
dfinies sur
n
. Soit un vecteur de m paramtres,

1
,,
m
. On considre le problme de maximisation de f sous les contraintes g
j
=
j
, j = 1,,
m. Soit la fonction de Lagrange associe ce problme :
( ) ( ) ( ) ( )

+
j
n
j j j
n
m m
n
x , , x g x , , x f , , ; , , , x , , x L L L L L l
1 1
1 1
1

soient les
j
*( ), j = 1,, m les multiplicateurs loptimum et x*
i
( ) la solution ce
problme. On suppose que les
j
* et les x*
i
sont de classe C
1
par rapport et que la
condition de qualification est remplie. Alors, quel que soit j = 1,, m :
( )
( ) ( ) ( )
j
m
n
m
m j
, , * x , , , , * x f
, , *



1 1
1 1

=
L L L
L
Source : Simon, CP. & L. Blume, 1998, p. 695
Thorme 10. Interprtation du multiplicateur de Lagrange, n variables de choix, m contraintes
Soit (x*, *) une solution au problme doptimisation sous contraintes en quation (P2) : max
f(x
1
,,x
n
) sous g
j
(x
1
,,x
n
) =
j
, j = 1m
Il vient :
df(x*)/d
j
=
j
; d
k
= 0 , quel que soit k j, plus gnralement :
df(x*) = .d =
j

j
.d
j
Si f reprsente lutilit ou le profit, mesure le prix implicite dun bien de consommation
quand le revenu varie ou dun facteur de production dont la quantit disponible varie de
manire infinitsimale de d. Quand ce prix implicite est gal au prix de march, la situation
dquilibre obtenue correspond bien un optimum i.e. la meilleure allocation possible des
ressources compte tenu de la technologie, des prfrences et des contraintes qui simposent
aux agents conomiques.
b) Thorme de lenveloppe dans le cas de 2 variables de choix et un paramtre
Les rsultats obtenus sont des cas particuliers dun ensemble de propositions qui
caractrisent les effets des paramtres sur les solutions dun problme doptimisation. Ces
propositions sont connues comme le thorme de lenveloppe. Le problme (P1) est le
suivant :
( )
2 1
2 1
; x , x f max
x , x
sous g(x
1
, x
2
; ) = 0 dont le lagrangien est :
( ) ( ) ( ) ; , ; , ; , ,
2 1 2 1 2 1
x x g x x f x x l
Quel est leffet dune modification du paramtre loptimum ? Leffet sur g* et f* sont
respectivement les suivants :
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
23
0


2
2
1
1
= +

*
*
*
*
*
*
g
x
g
x
g
d
dg
et
*
*
*
*
*
*
f
x
f
x
f
d
df

2
2
1
1

+


Cette galit devient :
*
*
*
*
* *
*
f
x
g
x
g
d
df

2
2
1
1

+
|
|

\
|

: thorme de Lagrange (Thorme 1 page 4) ;


( )
* * *
*
f g
d
df

+ : la contrainte est sature loptimum, do :


=
*
d
* df l
(16)
Leffet total de la modification du paramtre sur lobjectif valu loptimum est gal
leffet marginal de ce paramtre sur la fonction de Lagrange value loptimum. :
Remarque :
Le rsultat (16) gnralise celui de linterprtation du multiplicateur (14) : il faut considrer
le cas o la drive partielle de la contrainte par rapport au paramtre est gale -1 et la
drive partielle de la fonction dobjectifs par rapport au paramtre est nulle ;
Le thorme de lenveloppe tablit comme dans le cas de loptimisation libre une
quivalence entre une diffrentielle totale et une drive partielle : pour estimer leffet total du
paramtre sur la fonction dobjectifs il suffit de regarder leffet partiel du paramtre sur la
fonction de Lagrange correspondant au problme contraint. Il permet dtablir des rsultats
analogues au lemme de Hotelling dans le cas des problmes doptimisation libre.
c) Porte du thorme de lenveloppe
Le thorme de lenveloppe permet de raisonner directement en termes de fonctions de
valeur dfinies comme les fonctions dcoulant du choix optimal x* : fonctions de valeur
maximale dans les problmes de maximisation et fonctions de valeur minimale dans les
problmes de minimisation. Ltude des ces fonctions de valeur constitue un domaine
particulier de lconomie mathmatique : la thorie de la dualit. Celle-ci a des applications en
microconomie mais aussi en conomie internationale ou en conomtrie.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
24
(i) Minimisation du cot
Lonard, D. & NV. Long, 1998, p. 38. Dans lhypothse o on considre 2 intrants x
1
et x
2

le problme (P3) de minimisation du cot de production devient :
2 2 1 1
,
2 1
min x w x w
x x
+ sous la contrainte y = f(x
1
, x
2
) (P4)
Lentreprise est contrainte datteindre un niveau de production y avec une technologie de
production f. La fonction de Lagrange est la suivante :
( ) ( ) ( )
2 1 2 2 1 1 2 1 2 1
, , , ; , , x x f y x w x w y w w x x + + l
Le thorme des fonctions implicites permet de dfinir une fonction de cot minimal C*
C*(w
1
, w
2
, y) w
1
x
1
*+ w
2
x
2
*. Le thorme de lenveloppe permet dtablir les expressions
du cot marginal et des demandes dintrants :
( ) y w w
dy
dC
, ,
2 1
*
*
= ; ( ) y w w x
dw
dC
i
i
, ,
2 1
*
*
= , i = 1, 2
On peut remarquer que les fonctions de demande dintrant ne dpendent pas des mmes
variables que dans la maximisation du profit.
(ii) Allocation efficace des ressources
Lonard, D. & NV. Long, 1998. Dans une conomie, il sagit dallouer les ressources
productives x dans les secteurs productifs de lconomie sous la contrainte de disponibilit de
ces ressources. Le critre maximiser est le revenu tir de ces activits productives.
Dans le cas dune ressource productive allouer entre 2 branches, le problme (P1)
devient :
( )
2 1
,
, max
2 1
x x R
x x
sous X x x = +
2 1

( ) ( )

i
i
i
i
x f p p p x x R
2 1 2 1
, ; , est le revenu total tir des 2 branches ;
p
i
est le prix du bien produit dans la branche i ;
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
25
La technologie de production de la branche i qui utilise la ressource en quantit x
i
, est
( )
i
i
x f
La fonction de Lagrange correspondante est :
( ) ( ) ( )
2 1 2 1 2 1 2 1 2 1
, ; , , , ; , , x x X p p x x R p p X x x + l
Le thorme de lenveloppe permet dtablir :
*
*
=
dX
dR
o
R* est la fonction de revenu maximum : le revenu issu de lallocation efficace des
ressources ; elle dpend de X et des prix p
i

Dans le cas de j = 1,, m ressources productives allouer dans les i = 1,, n branches de
lconomie, le problme (P2) devient :
( )
i
j
i
x x
p x R ; max
2 1
,
sous
j
i
j
i
X x =

, j = 1,, m
( ) ( )

i
m
i i
i
i i
j
i
x x f p p x R , , ;
1
L est le revenu total tir des n branches ;
Dans le cas o il y a i = 1,, n branches et j = 1,, m intrants alors il y a nxm variables de
choix : leur nombre est bien suprieur celui de contraintes (m)
p
i
est le prix du bien produit dans la branche i ;
La technologie de production de la branche i est ( )
j
i i
x f qui utilise les m intrants.
La fonction de Lagrange correspondante est :
( ) ( )

|
|

\
|
+
j i
j
i
j j
i
j
i i
j j j
i
x X p x R p X x ; , ; , l
Le thorme de lenveloppe permet dtablir :
*
*
j j
dX
dR
= , j = 1,, m
R* est la fonction de revenu maximum qui dpend des X
j
et des p
i

Ces rsultats signifient que la modification marginale de la quantit de la ressource j
entrane une modification du produit dun montant
j
*, la valeur du multiplicateur
loptimum de la ressource correspondante. En dautres termes, une unit supplmentaire de la
ressource entrane une augmentation du produit de
j
* $. Le multiplicateur est donc la valeur
marginale de la ressource dont on ne connat pas le prix de march : on parle de prix implicite
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
26
et de valeur impute, notion utilise dans lanalyse de projet. Dans une conomie
dcentralise concurrentielle, o les entreprises de chaque branche maximisent leur profit, on
peut montrer que ce prix implicite est gal au prix de march de la ressource.
2. La statique comparative
Le thorme de lenveloppe permet de mesurer leffet des paramtres sur la fonction
dobjectifs et ne ncessite pas les C2O. Par consquent, le thorme de lenveloppe vaut, pour
les problmes doptimisation libre et sous contrainte en quation, la fois pour la
minimisation et pour la maximisation. Pour connatre leffet des paramtres sur les variables
du problme, il faut recourir aux C2O. Mais comme pour le thorme de lenveloppe, la
statique comparative est faite dans lhypothse que les conditions pour que les variables soient
des fonctions implicites des paramtres, sont remplies. Soit le problme (6) o figure le
paramtre dont on cherche valuer linfluence sur les solutions x* et * :
( ) ( ) ; , min max
2 1
,
2 1
x x f
x x
sous g(x
1
, x
2
; ) = 0 dont le lagrangien est :
( ) ( ) ( )
2 1 2 1 2 1
; x , x g ; x , x f ; , x , x + l
La dmarche consiste partir des CPO et de les diffrencier totalement pour aboutir au
systme suivant :
|
|
|
|
|

\
|

=
|
|
|
|
|

\
|

|
|
|
|

\
|
* *
*
*
g
*
*
d d
d dx
d dx
* g * g
* g * *
* g * *

2
1
2
1
2 1
2 22 21
1 12 11

0
l
l
l l
l l
soit en notation matricielle :
|
|
|
|
|

\
|

=
|
|
|
|
|

\
|

*
2
1
*
*
2
*
1
* 2
*
*
g d d
d dx
d dx
D l
l
l o
* 2
l D est une matrice (3 x 3)
Avec la rgle de Cramer, on peut tablir lexpression des lments du vecteur
( )


2 1
d d d dx d dx
* * *
et dans lhypothse o la condition suffisante du 2
me
ordre est
remplie i.e. 0
* 2
l D :
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
27
* 2
1
*
1
l D
A
d
dx
=

avec
|
|
|
|
|

\
|

0 *
* * *
* * *
2
*
2 22 2
1 12 1
1
g g
g
g
A l l
l l
;
* 2
2
*
2
l D
A
d
dx
=

avec
|
|
|
|
|

\
|

0 *
* * *
* * *
*
1
2 2 21
1 1 11
2
g g
g
g
A l l
l l
et
* 2
l D
A
d
d

=

avec
|
|
|
|
|

\
|

* *
* * *
* * *
2
*
1
2 22 21
1 12 11
g g g
A l l l
l l l

A ce niveau de gnralit on ne peut prjuger les effets du paramtre sur (x*, *). On
connat uniquement le signe du dnominateur, qui dpend de la nature du problme :
minimisation ou maximisation. Dans un problme de maximisation, on a :
Signe de dx
1
*/d = signe A
1
| ; dx
2
*/d = signe A
2
| ; d*/d = signe A

|
Dans un problme de minimisation, on a :
Signe de dx
1
*/d = - signe A
1
| ; dx
2
*/d = - signe A
2
| ; d*/d = - signe A

|
Les rsultats de statique comparative sur les solutions (x*, *) du problme doptimisation
reposent sur lutilisation du thorme des fonctions implicites : la condition suffisante (avec
ingalit stricte) valide lutilisation du thorme.
Dans beaucoup de problmes, les drives secondes croises par rapport au paramtre sont
nulles : f
1
= f
2
= g
1
= g
2
= 0 : les fonctions dobjectifs sont ou bien indpendantes ou
linaires par rapport . Dans ce cas, les expressions de leffet du paramtre sur les variables
(x*, *) sont simplifies. Leffet du paramtre dpend de g

et des drives secondes de la


fonction de Lagrange par rapport aux variables de choix :
|
|
|
|
|

\
|

0 *
* * 0
* * 0
2
*
2 22
1 12
1
g g
g
g
A l
l
do ( ) ( )
2 12 1 22
*
1 22 2 12
*
1
* * * * * * * * g g g g g g A l l l l = =


Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
28
|
|
|
|
|

\
|

0 *
* 0 *
* 0 *
*
1
2 21
1 11
2
g g
g
g
A l
l
do ( )
1 21 2 11 2
* * * * * g g g A l l =


|
|
|
|
|

\
|

* *
0 * *
0 * *
2
*
1
22 21
12 11
g g g
A l l
l l
do ( ) ( )
2
12 22 11
* * * * l l l =

g A
Dans un problme de maximisation, si la fonction de Lagrange value en (x*, *) est
concave (condition de 2
me
ordre) et leffet marginal du paramtre sur la contrainte ngatif
(dans ce cas le multiplicateur * est positif avec les drives partielles en x de mme signe),
alors leffet du paramtre sur le multiplicateur est positif.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
29
Section 2. Application : le comportement du producteur
On traite le problme de la minimisation du cot de production. Le cot de production est
dfini comme la dpense quune entreprise doit faire pour acqurir les facteurs de production.
Une implication importante de la maximisation du profit (cf. chapitre I) par une entreprise est
quil nexiste pas de possibilit de produire la mme quantit avec un cot plus faible. Ceci
motive donc une tude spcifique du problme de minimisation du cot. La minimisation du
cot est une tude intressante :
Etablissement dun certain nombre de rsultats concernant notamment les proprits des
fonctions de cot ;
Dans certaines situations o lentreprise nest pas en CPP il est prfrable de faire une
analyse de la fonction de cot car la fonction de profit nest plus utilisable : tant que la
firme est preneuse de prix sur le march des facteurs de production, les rsultats relatifs la
fonction de cot sont toujours valides, quelle que soit la nature de la concurrence pour le
march du produit ;
Quand la technologie de production est rendements dchelle non dcroissants, les
fonctions de valeur et les solutions du problme se comportent mieux que la fonction de
profit et la fonction doffre dcoulant de la maximisation du profit. En effet, quand les
rendements dchelle sont croissants, la fonction de profit est gale soit 0 soit linfini.
Le problme est le suivant :
2 2 1 1
2 1
x w x w min
x , x
+ sous ( ) y x , x f =
2 1
(P5)
La fonction de Lagrange correspondante :
4

( ) ( ) ( )
2 1 2 2 1 1 2 1 2 1
x , x f y x w x w y , w , w ; , x , x + + l
A. CONDITIONS DU PREMIER ET DEUXIEME ORDRE
Le thorme de Lagrange permet dtablir les 3 conditions suivantes :
0
*
1
*
1
= f w ; 0
*
2
*
2
= f w ; ( ) 0 ,
*
2
*
1
= x x f y
La solution est reprsente de la manire suivante :

4
On sarrange pour que soit positif, mme si le contraire ne change pas le problme et les rsultats qui seront
tablis.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
30
Figure 2. La minimisation du cot, 2 facteurs de production














Les solutions au problme x
1
, x
2
et sont des fonctions des paramtres w
1
, w
2
et y
(thorme des fonctions implicites). Dans lhypothse o les productivits marginales sont
positives
5
, alors le multiplicateur est galement positif. On peut montrer que dans lhypothse
o la fonction de production est concave et les facteurs de production substituables, la matrice
hessienne de la fonction de Lagrange a un dterminant ngatif, ce qui permet dtablir la
CS2O pour un minimum.
( ) ( )
( )
|
|
|

\
|

=
|
|
|
|
|

\
|



=
0
0
*
* * 2
*
2
*
1
*
2
*
22
* *
21
*
*
1
*
12
* *
11
*
* 2
Dg
Dg D
f f
f f f
f f f
D
xx
l
l avec 0
2
<
*
D l
( )
* * * * * * * * *
f f f f f f f D
11
2
2 12 2 1 22
2
1
2
2 + = l
Une condition suffisante pour que le dterminant de la matrice hessienne soit strictement
ngatif est que f
12
0. En outre, Ce dterminant peut tre crit sous une forme quadratique qui
permet de montrer que la CS2O est remplie ssi la fonction de production est strictement
concave.
( )
|
|

\
|

|
|

\
|
=
*
1
*
2
*
22
*
21
*
12
*
11
*
1
*
2
* * 2
f
f
f f
f f
f f D l

5
Dans lhypothse o les conditions dInada sont remplies, le couple (x
1
x
2
) = (+, +) nappartient pas au
domaine des ralisables (contradiction dans la contrainte) : les quantits optimales dintrant sont finies. De la
mme faon le couple (x
1
x
2
) = (0, 0) nappartient pas au domaine des ralisables (contradiction dans les drives
partielles de la fonction de Lagrange par rapport aux x
i
). En outre, les quantits dintrant loptimum sont
simultanment diffrentes de 0. Le problme a donc un sens dans lhypothse o les productivits marginales
sont simultanment strictement positives.
C w
1
.x
1
+ w
2
.x
2
de pente w
1
/w
2

f(x
1
, x
2
) = y
1

f(x
1
, x
2
) = y
0

E
A
x
1

x
2

Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
31
0
* 2
< l D ssi pour tout ( ) ( ) 0 0
*
1
*
2
f f , f est globalement concave (matrice hessienne
dfinie ngative).
B. LES DEMANDES CONDITIONNELLES DE FACTEURS
Lexercice de statique comparative permet dtablir les fonctions de demande
conditionnelle x
1
* et x
2
* en fonction des paramtres : le prix des intrants et le produit. Il sagit
de fonctions de demande traditionnelle qui dpendent des prix, mais conditionnellement la
ralisation dun certain niveau de production y.
Il se pose cependant 3 problmes :
Si la fonction de production nest pas diffrentiable on ne peut tablir les fonctions de
demande :
Les CPO sont uniquement valides sil sagit de solutions intrieures ; si lon a affaire une
solution de coin il faut utiliser le thorme de Kuhn et Tucker (cf. chapitre III) ;
La solution obtenue est un minimum local celui-ci ne devient global que dans certaines
conditions de convexit.
Si on tudie limpact dune modification des prix des intrants sur les solutions, on tudie le
systme suivant :
|
|
|
|

\
|
=
|
|
|
|
|

\
|


0
0
1
1
*
1
*
2
1
*
1
2
w
w x
w x
D l do
( )
0
0 0
0
1
* 2
2
*
2
* 2
*
2
*
2
*
22
*
*
1
*
12
*
1
*
1
< =

l l D
f
D
f
f f
f f
w
x
; 0
0 0
0
1
* 2
*
2
*
1
* 2
*
1
*
2
*
21
*
*
1
*
11
*
1
*
2
> =

l l D
f f
D
f
f f
f f
w
x

Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
32
Figure 3. Effet dune modification de w
1
sur les demandes dintrants

Une hausse de w
1
a un effet non ambigu sur la demande x
1
* qui baisse et sur la demande x
2
* qui augmente, y
tant inchang.
On peut facilement modifier ce systme pour tudier leffet dune modification
infinitsimale de w
2
sur les solutions. Pour tudier limpact dune modification du niveau de
production sur les variables on tudie :
|
|
|
|

\
|
=
|
|
|
|
|

\
|


0
1
0
2
*
2
*
2
2
*
1
2
w
w x
w x
D l ;
|
|
|
|

\
|

=
|
|
|
|
|

\
|


1
0
0
*
*
2
*
1
2
y
y x
y x
D l
On montre que :
0 <

i
*
i
w
x
; 0 >

i
*
j
j
*
i
w
x
w
x
; 0

>

i
*
w

On retrouve bien leffet prix ngatif sur la demande correspondante dintrant. Leffet prix
crois mesure bien un effet de substitution puisque le niveau de production est inchang (ce
qui ntait pas le cas dans les fonctions de demande conditionnelles issues de la maximisation
du profit). Il ne dpend pas de la drive seconde croise de la fonction de production et donc
du caractre substituable des intrants.
6


6
Sil y a plus de 2 facteurs de production alors les effets prix croiss sont de signe indtermin.
x
1

x
2

x
x
y
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
33
Tableau 2. Les fonctions de demande dintrant dans les problmes de maximisation du profit et de
minimisation du cot de production
( )
0
2
12 22 11
22
1
1
<
|

\
|

=

* * *
* *
f f f p
f
w
x

( )
( )
0
2
11
2
2 12 2 1 22
2
1
2
2
1
1
<
+
=

* * * * * * * *
* *
f f f f f f f
f
w
x

( ) 2
*
1
2
*
12
*
22
*
11
*
21
1
*
2
w
x
f f f p
f
w
x

=
|

\
|

ngatif
si f*
12
> 0
( )
0
2
*
11
2 *
2
*
12
*
2
*
1
*
22
2 *
1
*
*
2
*
1
1
*
2
>
+
=

f f f f f f f
f f
w
x

( )
0
2
12 22 11
11
2
2
<
|

\
|

=

* * *
* *
f f f p
f
w
x

( )
( )
0
2
*
11
2 *
2
*
12
*
2
*
1
*
22
2 *
1
*
2
*
1
2
*
2
<
+
=

f f f f f f f
f
w
x

Les conditions suffisantes du 2
me
ordre dans chaque problme sont remplies
Enfin :
0 >

y
x
*
i
;
y
*

de signe indtermin
C. LES FONCTIONS DE COUT
Dfinition 3. La fonction de cot
La fonction de cot (indirecte) mesure le cot minimum de production pour un niveau donn de production :
C*(w
1
,w
2
,y) w
1
.x
1
*(w
1
,w
2
,y) + w
2
.x
2
*(w
1
,w
2
,y). Elle dpend des prix des intrants et du niveau de production y.
On a vu dans le chapitre I comment tablir une fonction de cot de court et de long terme.
On peut faire ici de la mme faon puisque long terme tous les facteurs de productions sont
variables. On sintresse aux proprits de la fonction de cot qui dpendent notamment de
celles des fonctions de demande conditionnelles.
Thorme 11. Les proprits de la fonction de cot
Soit C* la fonction de cot issue du problme de minimisation du cot sous contrainte
technologique. C* est continue et :
est croissante en y ;
est non dcroissante en w ;
est homogne de degr 1 en w
est concave en w
Thorme 12. Le thorme de Shephard
Si C* est de classe C
2
alors x
i
* = C*/ w
i
, i = 1,, n
1. Les proprits des fonctions de demande conditionnelle
Grce aux CPO on peut montrer que les fonctions de demande sont homognes de degr 1.
En effet, puisque par le thorme des fonctions implicites (la CS2O tant remplie), les
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
34
variables sont des fonctions des paramtres, il vient que les productivits marginales le sont
galement (Silberberg, E. 1990, p. 259) :
( ) y , w , w f w
*
i
*
i 2 1
= ; i = 1, 2
On limine le multiplicateur de Lagrange des 2 conditions de premier ordre :
( )
( ) y , w , w f
y , w , w f
w
w
*
*
2 1 2
2 1 1
2
1
=
Si on multiplie tous les paramtres par un mme nombre strictement positif a, on obtient :
( )
( ) y , w , w f
y , w , w f
w
w
aw
aw
*
*
2 1 2
2 1 1
2
1
2
1
= = , a > 0
Si on multiplie tous les paramtres par un mme nombre strictement positif a, loptimum
est inchang : la pente de la tangente est inchange, quel que soit a > 0. On en dduit :
( ) ( ) y w w f ay aw aw f , , , ,
2 1
*
1 2 1
*
1
=
Si tous les paramtres augmentent dans la mme proportion, alors la productivit marginale
est inchange : elle est homogne de degr 0. Comme celle-ci dtermine les demandes
conditionnelles dintrants, on en dduit que celles-ci sont galement homognes de degr 0.
Ce rsultat peut tre tablit dans le cas gnral pour i = 1,, n.
2. Fonctions de cots de long et de court terme
On peut considrer 2 problmes, lun de court terme o la quantit dintrant 2 est fixe, et
lautre de long terme o tous les intrants sont variables. Comme dans le problme de la
maximisation du profit, on peut mettre en vidence le principe Le Chatelier Samuelson. Le
problme de court terme est le suivant :
2 2 1 1
1
min x w x w C
x
+ sous ( ) 0 ,
2 1
= x x f y (P6)
Le problme de long terme est le problme (P5) (cf. page 29)
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
35
Dans le problme de court terme la fonction de cot est ( ) y x w C , ,
2 1
0
, dans le problme de
long terme le cot est ( ) y w w C , ,
2 1
*
. On peut montrer 3 choses :
1) Il existe un niveau
2
x fonction de y i.e. ( )
*
2 0 2
x y x = pour lequel ( ) y x w C , ,
2 1
0
gale
( ) y w w C , ,
2 1
*
;
7

2) La fonction de cot C
0
est suprieure ou gale la fonction de cot libre C* :
( ) y x w C , ,
2 1
0
( ) y w w C , ,
2 1
*
;
3) Elles sont tangentes en ( )
*
2 0 2
x y x = : dC*/dy = C
0
/y en y
0

En effet, on peut choisir
2
x tel que lon minimise la fonction de cot contrainte C
0
quand
le niveau de production est y
0
: ( )
*
2 0 2
x y x = . La fonction de cot de court terme vrifie donc :
( ) ( )
0
, ,
2
0 0 2 1
0
=

x
y y x w C
. Cest dire quil existe un niveau de production pour lequel on peut
trouver
*
2 2
x x = . En outre :
( ) ( ) ( )
dy
y y x w dC
dy
y w w dC
0 0 2 1
0
0 2 1
*
, , , ,
= do
( ) ( ) ( ) ( ) ( )
y
y y x w C
y
x
x
y y x w C
dy
y w w dC

=
0 0 2 1
0
2
2
0 0 2 1
0
0 2 1
*
, , , , , ,
, le premier terme tant nul :
( ) ( ) ( )
y
y y x w C
dy
y w w dC

=
0 0 2 1
0
0 2 1
*
, , , ,

Le point 2) est immdiat. Par construction du problme, la fonction de cot de long terme
est le cot minimal en x
2
, dans les conditions donnes de prix et de produit. Elle ne donc tre
suprieure, dans les mmes conditions, la fonction de cot contrainte o lintrant est fix
2
x . Ceci illustre encore une fois la notion de courbe enveloppe.
Pour un niveau particulier de la production y
0
, les courbes de cot de court et de long terme
sont tangentes. On peut reprsenter cela graphiquement :

7
On pourrait faire un raisonnement analogue et dmontrer quil existe un seul niveau de
2
x
fonction de w
i
pour
lequel la fonction de cot contrainte est confondue avec la fonction de cot libre.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
36
Figure 4. La fonction de cot de long terme comme courbe enveloppe de fonctions de cot de court terme,
volution en fonction de y














On peut faire un raisonnement analogue en ce qui concerne la reprsentation des fonctions
de cot quand le prix des intrants varie.
Figure 5. La fonction de cot de long terme comme courbe enveloppe de fonctions de cot de court terme,
volution en fonction de w
1













( ) y x w C , ,
2
1
1
0

( ) y w w C , ,
2 1
*
( ) y x w C , ,
2
0
1
0

w
1

Cots
w
1
0
w
1
1
( ) ( )
1 1
2 1
0
, , y y x w C
( ) ( )
0 0
2 1
0
, , y y x w C
y
0
y
1

y
( ) y w w C , ,
2 1
*

Cots
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
37
Section 3. Exemples
A. LE THEOREME DE LAGRANGE
1. Exemple
Daprs Jehle, GA. & PJ. Reny, 2001, pp. 488-9
max
x1, x2
f(x
1
, x
2
) - a.x
1
2
b.x
1
2
sous x
1
+ x
2
1 = 0, avec a > 0 et b > 0
Etablir lexpression du triplet (x
1
* x
2
* *) solution du problme ;
Justifier que celui-ci est un maximum.
Le Lagrangien correspondant est :
( ) ( ) 1
2 1
2
2
2
1 2 1
+ + x x bx ax , x , x l
Un point stationnaire (x
1
* x
2
* *) de cette fonction est : (b/(a+b) a/(a+b) 2.a.b/(a+b))
Le dterminant de la matrice borde est 2(a+b) positif. La CS2O pour un maximum est
remplie.
2. Exemple
Trait comme exemple en cours : Section 1. A. 1. b) pour lidentification des points
stationnaires et Section 1. B. 1. page 10 pour les conditions du 2
me
ordre. Ce problme
souligne limportance de la condition de qualification et la non distinction des minima des
maxima par le thorme de Lagrange.
Le problme est max f(x
1
, x
2
) = x
1
2
x
2
sous 2x
1
2
+ x
2
2
= 3
Le vecteur nul ne satisfait pas la condition de qualification. Mais il ne fait pas partie de
lensemble des ralisables : ce nest donc pas un point candidat. La fonction de Lagrange est :
( ) ( ) 3 2
2
2
2
1 2
2
1 2 1
+ x x x x , x , x l . Les points critiques (x
1
* x
2
* *) sont les suivants : (-1
1 0,5) ; (-1 -1 -0,5) ; (1 -1 -0,5), (1 1 0,5) ; (0 3
0,5
0) ; (0 -3
0,5
0). Seuls les 2 premiers
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
38
triplets correspondent un maximum. Pour sen assurer, il faut calculer le dterminant de la
matrice hessienne pour chaque triplet :
|
|
|
|

\
|



=
0 2 4
2 2 2
4 2 4 2
2 1
2 1
1 1 2
2
x x
x x
x x x
D l
La matrice hessienne value pour le triplet (x
1
* x
2
* *) = 0 3
0,5
0) est :
|
|
|
|
|

\
|

=
0 3 2 0
3 2 0 0
0 0 3 2
* 2
m
m l D dont le dterminant est gal 3 24 quand 3
2
= x et est
ngatif dans le cas contraire.
La matrice hessienne value pour le triplet (x
1
* x
2
* *) = (1 1 0,5) est :
|
|
|
|

\
|

=
0 2 4
2 1 2
4 2 0
* 2
m
m
l D dont le dterminant est gal 48.
La matrice hessienne value pour le triplet (x
1
* x
2
* *) = (1 -1 -0,5) est :
|
|
|
|

\
|

=
0 2 4
2 1 2
4 2 0
* 2
m
m
l D dont le dterminant est gal -48.
Pour tous les triplets, les dterminants sont non nuls, les C2O suffisantes sont remplies pour
des maxima (dterminant positif) ou des minima (dterminant ngatif) locaux.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
39
Figure 6. Reprsentation graphique du problme de maximisation : max f(x
1
, x
2
) = x
1
2
x
2
sous 2x
1
2
+ x
2
2
3 = 0




































-10
-8
-6
-4
-2
0
2
4
6
8
10
-2 -1,5 -1 -0,5 0 0,5 1 1,5 2
x1
x
2
f*=2
f*=1
f*=-2
f*=-1
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
40
3. Exemple
Daprs Lonard, D. & NV. Long, 1998, p. 29. Trouver les points maximisant / minimisant
la fonction f(.) sous g(.) = 0 :
( )
3 2 1
2 max x x x f = x
x
sous ( ) 0 3
2
3
2
2
2
1
= = x x x g x
Le vecteur nul qui annule le gradient de la contrainte nappartient pas au domaine des
ralisables. Ce nest donc pas un point candidat. La fonction de Lagrange est :
( ) ( )
2
3
2
2
2
1 3 2 1 3 2 1
3 2 , , , x x x x x x x x x + l
Les CNPO sont :
0
1
*
=

x
l
0 2 2
*
1
* *
3
*
2
= x x x
0
2
*
=

x
l
0 2 2
*
2
* *
3
*
1
= x x x
0
3
*
=

x
l
0 2 2
*
3
* *
2
*
1
= x x x
0
*
=

l
0 3
2 *
3
2 *
2
2 *
1
= x x x
1
er
cas : Dans lhypothse o le multiplicateur est non nul. On peut faire le rapport 2 2 des
3 premires CNPO. Les 8 quadruplets candidats sont (1, 1, 1, 1) ; (-1, -1, -1, -1) ; (1, 1, -1, -
1) ; (-1, -1, 1, 1) ; (1, -1, 1, -1) ; (1, -1, -1, 1) ; (-1, 1, 1, -1) ; (-1, 1, -1, 1)
2
me
cas : considrer * = 0. On peut montrer que les points candidats sont (0, 0, 3, 0) et
(0, 3, 0, 0) et (3, 0, 0, 0)
La matrice hessienne est carre dordre 4. Il faut en examiner le dterminant et celui du
mineur A
1
dordre 3 valus loptimum :
|
|
|
|
|

\
|




=
0 2 2 2
2 2 2 2
2 2 2 2
2 2 2 2
3 2 1
3 1 2
2 1 3
1 2 3
2
x x x
x x x
x x x
x x x
D l et
|
|
|

\
|



=
0 2 2
2 2 2
2 2 2
3 2
3 2
2 1
1
x x
x x
x x
A
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
41
Calcul du dterminant : utiliser Excel
4. La courbe de Kuznets environnementale
Daprs Andreoni, J. & A. Levinson, 2001, p. 272-4.
a) Le problme
On considre un agent conomique dont la fonction dutilit U dpend positivement de la
consommation C et ngativement de la pollution P : zP C U . La pollution est un sous-
produit de la consommation et le consommateur peut diminuer la pollution en consacrant une
partie de ses ressources pour dpolluer. La pollution est donc elle-mme une fonction
croissante de la consommation et dcroissante dun effort E :

E C C P Le problme de
maximisation de lutilit du consommateur sous contrainte budgtaire est formul de la
manire suivante :
( )

E C C z C U
E C,
max sous E C M + =
La pollution est reprsente par lexpression entre parenthses. Le premier terme mesure la
pollution brute qui est proportionnelle la valeur de la consommation ; le second terme
mesure labattement ou encore la dpollution, et sont deux paramtres positifs et
infrieurs 1. Une unit consomme provoque une unit de pollution mais des ressources
peuvent tre consacres un effort environnemental. Leffet marginal de C sur P est positif ;
leffet marginal de E sur P est ngatif. Pour simplifier le problme, le prix relatif de leffort E
et de la consommation est suppos gal 1. Le paramtre z positif mesure la dsutilit
marginale constante de la pollution.
b) Remarque : fonction quasi-concave
La fonction U est quasi-concave en C et P. Cette proprit garantit que les courbes
dindiffrence sont convexes. La dfinition de la concavit est plus restrictive que celle de la
quasi-concavit :
Une fonction f est dite concave ssi ( ) ( ) ( ) ( ) ( )
b a b a
x f x f x x f + + 1 1 pour tout x
a
et
x
b
et pour tout appartenant [0 ;1]. Interprtation : les drives premires sont
dcroissantes
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
42
Une fonction f est dite quasi-concave ssi ( ) ( ) ( ) ( ) ( )
b a b a
x f x f x x f , min 1 + pour tout
x
a
et x
b
et pour tout appartenant [0 ;1]. Interprtation : le rapport des drives
premires (le TMS le long dune courbe dindiffrence par exemple) est dcroissant.
Dfinition 4. Fonction quasi-concave
Condition ncessaire. Si une fonction f est quasi-concave alors le dterminant de la matrice
hessienne borde
0
2 1
2 1
2 2 22 21
1 1 12 11
2
r
r rr r r
r
r
r
f f f
f f f f
f f f f
f f f f
D
L
L
L
L
L
, r = 1,, n avec n le nombre darguments de
la fonction
Alors ses mineurs principaux (matrice borde) dordre r changent de signe : ( ) 0 1
r
r
D . Par
exemple, quand n = 2 :
0
0
1
1 11

f
f f
et 0
0
2 1
2 22 21
1 12 11

f f
f f f
f f f

La rciproque nest pas forcment vraie : la quasi-concavit nimplique pas que les f
ii
soient
non positifs.
Relation entre la concavit et la quasi-concavit:
- Toutes les fonctions concaves sont quasi-concaves, mais la rciproque nest pas vraie ;
- Une transformation monotone dune fonction concave est quasi-concave.
Condition suffisante. Une condition suffisante pour que f soit quasi-concave pour x0 est que
le dterminant D
r
a le mme signe que (-1)
r
pour tout x et tout r = 1, , n.
Source : Arrow, KJ. & AC. Enthoven, 1961, pp. 781-782
La fonction dutilit nest pas concave, mais la condition ncessaire pour que la fonction U
soit quasi-concave en C et P est respecte. En effet :
1
0 1
1 0
= et 0
0 1
0 0
1 0 0
=
z
z
Par consquent, il suppos ici que le rapport U
C
/ U
P
qui est la pente de la courbe
dindiffrence est dcroissant (et ngatif). En revanche, cette fonction nest pas concave car on
suppose la dsutilit marginale de la pollution constante.
La fonction f(x
1
, x
2
) = x
1
x
2
nest pas concave :
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
43
1
0 1
1 0
= : le dterminant de la matrice hessienne nest pas positif ;
Si f est quasi-concave alors :
Pour r = 1, 0
0
0
2
1
1
1
= x
x
x
quel que soit x et pour r = 2,
2 1
1 2
1
2
2
0
0 1
1 0
x x
x x
x
x
= est positif si x
1

et x
2
sont de mme signe.
c) A rsoudre
Poser le problme sous la forme dun problme de maximisation en prenant z = 1, tablir
les conditions de premier ordre et vrifier les conditions suffisantes de second ordre
La fonction dobjectif est

E C qui est concave. La fonction de Lagrange est la suivante :
( ) ( ) C E M E C M z E C +

, ; , , l
Les conditions ncessaires de premier ordre : 0
*

C
l
; 0
*

E
l
; 0
*
=

l

0
*
1
*
=


E C
0
*
1
* *
=

E C
0
* *
= E C M
Les solutions et les proprits de la relation entre le revenu et la pollution dans Andreoni, J.
& A. Levinson, 2001, p. 273. Compte tenu des proprits de la fonction dutilit et de la
technologie dabattement, le niveau optimal de consommation et deffort sont strictement
positifs. La contrainte budgtaire est galement sature. La matrice hessienne est la suivante :
( )
( )
|
|
|
|
|
|
|

\
|



0 1 1
1 1
1 1
2
*
*
* *
*
* *
*
2
*
*
E
U
E C
U
E C
U
C
U

Il sagit de loppose dune forme quadratique impliquant la matrice hessienne de la
fonction dutilit. Or celle-ci est strictement concave. Il vient que le dterminant de la matrice
hessienne de la fonction de Lagrange est strictement positif. La condition suffisante de second
ordre pour un maximum (global) est remplie.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
44
5. Le systme de dpense linaire
Dans le problme du consommateur on considre la fonction dobjectifs reprsente par la
fonction dutilit suivante : u(x
1
, x
2
) =
1
ln(x
1
- x
1
0
) +
2
ln(x
2
- x
2
0
) o x
1
0
et x
2
0
sont 2
constantes arbitraires (seuils minima de consommation par exemple),
1
+
2
= 1. La
contrainte est la contrainte budgtaire sature : p
1
.x
1
+ p
2
.x
2
= R. Rsoudre le problme et
vrifier les conditions du 2
me
ordre.
On peut montrer que les fonctions de dpense qui dcoulent de ce problme doptimisation
sont linaires par rapport leurs arguments.
8
La solution peut tre exprime sous la forme
dun systme de dpense (utile quand on sintresse aux dpenses des mnages agricoles dans
les enqutes, o les mnages enquts ne sont pas interrogs sur les quantits quils
consomment mais plutt sur la dpense par poste de consommation) :
( )
0
1 1
0
2 2
0
1 1 1 1 1
* x p x p x p R x p + = ; ( )
0
2 2
0
2 2
0
1 1 2 2 2
* x p x p x p R x p + = ;
0
2 2
0
1 1 *
1
x p x p R =


La matrice hessienne du Lagrangien est :
( )
( )
|
|
|
|
|
|
|
|

\
|

0
0
0
2 1
2 2
0
2
*
2
2
1 2
0
1
*
1
1
p p
p
x x
p
x x
dont le
dterminant est
( ) ( )
0
2
0
1
*
1
1
2
2
2
0
2
*
2
2
2
1
>

x x
p
x x
p

6. La minimisation du cot de production
On cherche minimiser le cot de production C w.L + r.K sous la contrainte que la
production soit Q i.e. f(K, L) = Q. Rsoudre le problme en prenant alternativement les 2
fonctions de production suivantes :
f(K, L) = K

.L
1-
: Cobb Douglas rendements dchelle constants ;
K
0,5
+ L
0,5


8
Cf. Lonard, D. & NV. Long, 1998, p. 33 pour une gnralisation n variables
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
45
On est dans un cas particulier o la fonction dobjectifs est linaire par rapport aux
paramtres ce qui permet danticiper les proprits de la courbe enveloppe (convexit et
homognit). Les choix optimaux K* et L* sont des fonctions de demande conditionnelle.
1
er
cas : la fonction de production est Cobb-Douglas : f(K, L) = K

.L
1-
;

|

\
|
|

\
|


=
w
r
Q L
1
*
;

|

\
|
|

\
|

=
1 1
*
1 r
w
Q K ;
( )



=
1
1
*
r w
;
( )



=
1
1
*
r w
Q C
2
me
cas : la fonction de production est K
0,5
+ L
0,5
2
*
|

\
|
+
=
w r
rQ
L ;
2
*
|

\
|
+
=
w r
wQ
K ;
w r
wr
Q
+
= 2
*
;
w r
wr
Q C
+
=
2 *

B. MINIMISATION DU COUT DANS LHYPOTHESE DUNE TECHNOLOGIE DE
PRODUCTION CES
On rsout le problme de minimisation du cot (P5) dans lhypothse que la technologie de
production est CES :
2 2 1 1
,
2 1
min x w x w
x x
+ sous ( ) y x x = +


1
2 2 1 1
(P7)
0 est llasticit constante de substitution des facteurs,
1
0 et
2
0 sont deux
paramtres.
1) Etablir les fonctions de demande dintrants et de cot minimum.

1
1

2
1
1
2
1

1
1
1
1
1

1
1
1

|
|

\
|
+
|
|

\
|
= w w
w
y x
*
;

1
1

2
1
1
2
1

1
1
1
1
1

2
2
2

|
|

\
|
+
|
|

\
|
= w w
w
y x
*
;

1
1

2
1
1
2
1

1
1
1
1


|
|

\
|
+ = w w y C
*
do
|
|

\
|
+

+ =
1

2
1
1
2
1

1
1
1
1

1
w w ln y ln C ln
*

2) Montrer que lorsque tend vers 0, et dans lhypothse o
1
+
2
= 1, la fonction de
cot est de type Cob Douglas
Utiliser la rgle de lHpital. Cette rgle stipule que lorsque
( )
( ) x h
x g
x 0
lim

donne une
indtermination 0 / 0 alors cette limite peut tre approxime par
( )
( ) x h
x g
x

0
lim . Rappel :
( )
( )
x
x u
a a
x
u
x
a
ln

. On peut tablir :
( ) ( )
2 2 2 1 1 1
*
0
ln ln ln ln ln ln lim w w y C =

do
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
46
2 1

2

1
w Ayw C
*
= avec
1
+
2
= 1,
2 1

2

1


A
3) Montrer que dans le plan (x
1
, x
2
) les combinaisons optimales dintrants sont aligns.
Faire une reprsentation graphique.
1
1
2
1
1
1
1
2
1 2


|
|

\
|
|
|

\
|
=
w
w
x x
* *

4) Dans lhypothse o la fonction de cot est de type Cobb Douglas montrer que les
cots relatifs des intrants sont constants.
Le cot relatif de lintrant i dans le cot total est Sh(x
i
*) w
i
x
i
* / C*. Utiliser le thorme
de lenveloppe
5) Dans lhypothse o w
1
= 1, comment mesure-t-on, dans le plan (x
1
, x
2
), le cot
(optimal) relatif un niveau de production particulier ?
Dans lhypothse o w
1
= 1, le cot minimum peut tre mesur lintersection du cot et de
laxe des abscisses.
6) Sur le graphe suivant, les points B, C, D sont les quantits dintrants qui minimisent le
cot quand, respectivement, y = y
0
; y = y
1
; y = y
2
. Imposer ensuite
1
2 2 2
x x x = = o x
2
1

est le choix optimal de lintrant 2 quand y = y
1
modifie le cot court terme. Dduire
graphiquement la relation dordre entre le cot de court terme (i.e. quand le choix de x
2

est contraint dtre gal
2
x ) et le cot de long terme (le choix de x
2
est libre)
Figure 7






















x
1

x
2

2
x

A
B
C
D
E
C*
0
C*
1
C*
2

y
0

y
1

y
2

Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
47
C. MINIMISATION DU COUT A COURT ET A LONG TERME
On cherche minimiser le cot de production C wL + rK sous la contrainte que la
production soit ( ) ( ) = =
1
, KL L K f Y

Quelle est la nature des rendements dchelle ?
Si = 2, rendements dchelle constants. Si > (<) 2 rendements dchelle dcroissants
(croissants)
2
1 1
1
1 1


|

\
|


= K L f
KK
: les rendements marginaux sont dcroissants si > 1
Etablir la fonction de Lagrange, les conditions de premier et du second ordre pour les pb de
court et de long terme. Les solutions du pb de long terme seront notes avec lexposant * ;
celles du pb de court terme seront notes avec lexposant 0.
Les fonctions de Lagrange des problmes de long et de court terme sont :
( ) ( )
|

\
|
+ +
1
, , KL Y rK wL L K l et ( ) ( ) |

\
|
+ +

1
; , L K Y K r wL K L l
Les CNPO pour le pb de long terme sont :
( )
( ) 0 0
, ,
1
* *
* * *
= =

L K Y
L K l

La matrice hessienne de la fonction de Lagrange est la matrice borde suivante dont le
dterminant doit tre ngatif (le multiplicateur tant positif) :
|
|
|

\
|



=
0
* *
* * * * *
* * * * *
* 2
L K
L LL LK
K KL KK
f f
f f f
f f f
D l dont le dterminant est
( )
* 2 * * * * * 2 * * * 2
2
KK L KL L K LL K
f f f f f f f D + = l soit
0
* *
* * *
* * *
* * 2
L K
L LL LK
K KL KK
f f
f f f
f f f
D = l soit encore
( )
|
|

\
|
|
|

\
|
=
*
*
*
* *
* *
* * * * 2
K
L
LL LK
KL KK
K L
f
f
f f
f f
f f D l
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
48
Le dterminant de la matrice hessienne de la fonction de production est positif (fonction de
production strictement concave si >1) loppose dune forme quadratique compose dune
fonction concave est ngatif.
Les CNPO pour le pb de court terme sont :
( )
0
1
0
, 1
1
0
1
0
0 0
=

L K w
L
L l

( )
( ) 0 0
,
1
0
0 0
= =

L K Y
L l

Etablir lexpression de la fonction de cot long terme.
Long terme. Les conditions 1 et 2 permettent dtablir que le rapport capital travail est
constant loptimum :
r
w
L
K
=
*
*

En utilisant la condition 3, on peut tablir les fonctions de demande de capital et de travail,
puis la fonction de cot :
2
1
2
*
|

\
|
=

r
w
Y K ;
2
1
2
*

|

\
|
=
r
w
Y L ;
2
1
2
1
2

2 w r Y C
*
=
Court terme. La condition 2 permet dtablir la fonction de demande de travail :
1 0
= K Y L ; K r K wY C + =
1 0

La condition 1 permet dtablir lexpression du multiplicateur.
Etablir la fonction de demande de travail long terme L*. Etablir la fonction de demande
de travail court terme note L
0
quand 1 = K puis 2 = K . Comparer dans ces deux cas la
sensibilit de L
0
et L* une modification de w. Commenter.
Les fonctions de demande de travail de court terme sont immdiates. Faire la drive
partielle par rapport w et montrer que la sensibilit de L w est nulle court terme et
non nulle long terme
1 = K ,
0
Y L =
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
49
2 = K ,
0
2
1
Y L =
Etablir les fonctions de cot de court terme, notes C
0
, quand 1 = K , puis 2 = K . Ensuite
en prenant r = 1 et Y = 1, raliser dans les deux cas, les graphes des fonctions de cot en
fonction de w. En dduire ensuite les taux de salaire pour lesquels C
0
= C*. Enfin, en prenant
r = w = 1 et = 2, raliser dans les deux cas, les graphes des fonctions de cot en fonction de
Y. En dduire ensuite les niveaux de Y pour lesquels C
0
= C*.

1 = K 2 = K
Fonction de cot de court
terme
r wY C + =
0

r Y
w
C 2
2
0
+ =
r = 1 et Y = 1 C
0
= C* quand w = 2 C
0
= C* quand w = 4
r = w = 1 et = 2 C
0
= C* quand Y = 1 C
0
= C* quand Y = 2
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
50
Figure 8. Fonctions de cot de court et de long terme en fonction de w
0
1
2
3
4
5
6
7
8
9
0 1 2 3 4 5 6 7 8
w
C
o

t
s
C* C0(K=1) C0(K=2)

Figure 9. Fonctions de cot de court et de long terme en fonction de Y
0
5
10
15
20
25
30
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Y
C
o

t
s
C* C0(K=1) C0(K=2)

D. FONCTION DE COUT GENERALISE DE LEONTIEF
Diewert (Diewert, WE. 1971) une fonction dune forme gnrale (elle peut tre aussi
utilise comme une reprsentation dune fonction de production voir Mishra, S. K. 2007)
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
51
qui permet de tenir compte de plusieurs intrants. Comme la somme des coefficients gale 1,
elle satisfait aux proprits intressantes dune fonction de cot. Elle est la suivante :
( ) ( )


i j
j i ij
w w y h y C
2
1
2
1
, w , i, j = 1,, n ; w
i
0 ; h(y) 0 soit
( ) ( )
|
|

\
|
+ +
i ii j i ij
w w w y h y C
2
1
2
1
2 , L w
Avec:
h(y) une fonction continue, monotone croissante de y qui tend vers linfini quand y tend vers
linfini et h(0) = 0 ;
B est une matrice symtrique carre dordre n dont les lignes et les colonnes sont constitues
des
ij
avec
ij
non ngatif i.e.
ij
0 et
ij
=
ji

Par exemple, quand n = 2 :
( ) ( )
|
|

\
|
+ +
2
1
2
2
1
2 22
2
1
2
2
1
1 12
2
1
1
2
1
1 11
2 , w w w w w w y h y C w soit
( ) ( )
|
|

\
|
+ +
2 22
2
1
2
2
1
1 12 1 11
2 , w w w w y h y C w
1. Vrifier que la fonction ci-dessus a bien les proprits dune fonction de cot ;
Voir Thorme 11 (Section 2. C. p. 33)
2. Appliquer le lemme de Shephard puis tablir les demandes dintrants et limpact des prix
des intrants sur les demandes ;
i
i
w
C
x

=
*
*
cd ( )


=
j
j i ij i
w w y h x
2
1
2
1
*
; ( )
2
1
2
1 *
2
1

=

j i ij
j
i
w w y h
w
x
i et j
3. Que peut-on dire des proprits de la fonction de production dans le cas o
ij
= 0, i j ?
La matrice B devient :
|
|
|

\
|

=
nn
B
L
M O M
L
0
0
11
. Les demandes dintrants : ( )
2
1
2
1
*
2
1
+
=
i ii i
w y h x soit
( )
ii i
y h x =
*
. Le ratio des demandes dintrants
jj
ii
j
i
x
x

=
*
*
est indpendant du produit et des prix
des facteurs de production. Il vient donc une proportion fixe entre le produit et la demande de
lintrant et par consquent labsence de substitution entre les facteurs. Il sagit donc dune
fonction de production coefficients fixes la Leontief.
Optimisation. Chapitre II. Optimisation sous contrainte en quation
23 sept. 09
P. Combes Motel
52
E. INTERPRETATION DU MULTIPLICATEUR
Daprs Lonard, D. & NV. Long, 1998. Nature du problme : on considre un problme
dallocation efficace des ressources dont on compare la solution avec celle correspondant au
problme dcentralis. On montre que dans lhypothse de CPP, quilibre et optimum
concident : le multiplicateur est le prix implicite de la ressource, gal son prix de march.
Tableau 3. Allocation efficace des ressources productives dans une conomie
Branche i = 1 Branche i = 2
p
i
: prix du bien produit dans la branche i p
1
= 1 p
2
= 3
( )
i i
x f
: technologie de production de la branche i
qui utilise la ressource en quantit x
i

( ) ( )3
1
1 1
1
12 x x f =
( ) ( )3
1
2 2
2
x x f =

X = 72 : quantit disponible de la ressource,
rpartit entre les 2 branches

Etablir les conditions de premier et de second ordre dans les 2 cas (optimum puis quilibre)
Comment un planificateur central alloue-t-il les ressources productives x entre les branches
afin de maximiser le revenu R de lconomie ? Quelle est la modification du revenu maximal
R* quand la quantit disponible de la ressource augmente dune unit ?
x
1
* = 64 ; x
2
* = 8 ; * = 0,25
Maintenant, on suppose que les entreprises de chaque branche, en situation de concurrence
pure et parfaite, maximisent leur profit. On note w le prix unitaire de la ressource productive.
Quelles sont les demandes pour la ressource dans chaque branche, pour lensemble de
lconomie (celle-ci tant note x*) ? Quel est le prix w* de la ressource qui galise loffre la
demande ?
( ) 2
3
1
8

= w x
*
; ( ) 2
3
1

= w x
*
; ( ) 2
3
9

= w x
*
; w* = 0,25
Le prix de march est gal au prix implicite de la ressource. Le march en CPP permet de
raliser une allocation efficace de la ressource.