Ph.

Guerlain

« En mathématiques,
on ne comprend pas les choses, on s’y habitue. »

John Von Neumann, 1903-1957,

mathématicien et physicien américano hongrois,

père des ordinateurs modernes et de la théorie des jeux

pour une économie encore mathématiquement peu rigoureuse vers 1930
Ph. Guerlain

©Greg

1. Les modèles
4. L’optimisation
2. Les fonctions 1. Sans contraintes
1. Définitions 2. Avec contrainte unique
2. Limites 3. Avec contraintes multiples
3. Dérivation
5. La régression linéaire
1. Simple
3. Les systèmes linéaires 2. Multiple
1. Définition
2. Résolution
2
Ph. Guerlain
Bibliographie partielle
1. Objectif Bac Terminale ES ou S, Ed. Hachette

2. Mathématiques pour l’économie en 27 fiches

N.Hayek, J.P.Leca, Ed.Dunod

3. Modèles mathématiques en gestion

J.Bair, Y.Crama, V.Henry, D.Justens, éd. Cassini

4. Mathématiques et statistiques appliquées à l’économétrie

M.F.Bara, D.Barnichon,…, Ed. Breal, col. Grand Amphi Economie

5. Mathématiques pour économistes

C.P.Simon, L.Blume,Ed. De Boeck

6. Econométrie, W. Greene, Ed.Pearson

7. Le modèle linéaire par l’exemple,

J.M.Azaïs, J.M.Bardet, Ed.Dunod

8. Simulation, modélisation et décision en pratique

J.P.Rennard, M.Humbert, R.Duymedjian, Ed. Vuibert

… et bien sûr de nombreux autres ouvrages de votre choix !!! 3

Ph. Guerlain
Bibliographie partielle

4
 Ph. Guerlain
Notations usuelles
Symbole Signification Exemple
 x=2
 Simultanéité x = 2

y = 3
Eventuellement

 ou
 x = −2


 Equivalence x = 2  2x = 4

 Relation Cause->Effet x = 2  x² = 4 Réciproque non vraie !

, Ecart x = 2

, Appartient, N’appartient pas x

5
 Ph. Guerlain
Notations usuelles
Symbole Signification Exemple

 Il existe
x, y  ,  r  | x²+y²  r ²

Quelques soient les réels x et y,

 Environ Il existe un réel r tel que
X²+y² soit inférieur à r².

En clair, quelque soit le point (x;y) il

| Tel que est possible de trouver un cercle qui le
contienne.

 Quelque soit

6
 Ph. Guerlain
Notations usuelles
Symbole Signification Exemple

{} Ensemble listé {1;3;5;6} Seulement les nombres 1,3,5 et 6

 Ensemble fermé 1,5 ; 3,7 Tous les nombres de 1,5 à 3,7 inclus
 Ensemble ouvert à droite  2 ; 5 Tous les nombres de 2 inclu à 5 exclu
 Ensemble ouvert à gauche − ; 2 Tous les nombres de -∞ à 2 inclu
 Ensemble ouvert −3 ; +2 Tous les nombres de -3 exclu à +2 exclu
 Union 1;3  5;6 = {1;3;5;6}
 Intersection 1;5  5;6 = 5
 Ph. Guerlain
Notations usuelles
Symbole Signification Exemple

Réels 12,5
Entiers naturels 0 ; 1 ; 2 ; 3 ….
Entiers relatifs -3 ; -2 ; -1 ; 0 ; 1 ; 2 …
*
Réels sans la valeur 0
+
Réels positifs uniquement

n 3

x i Somme 2x
i =1
i = 2 x1 + 2 x2 + 2 x3
3
i =1
= 2( x1 + x2 + x3 ) = 2 xi
i =1
 1

Ph. Guerlain
1.Les modèles

Décrire une situation à partir de données existantes

Construire des modèles

Estimer des résultats à venir Déterminer des valeurs optimales

Faciliter la prise de décision

©Walt Disney

9
 1

Ph. Guerlain
Le modèle
◼ C’est une description simplifiée de la réalité
◼ Seuls les facteurs utiles pour résoudre le
problème sont pris en compte
Entrés

Modèle boîte noire

Sorties
sorties = f (entrées)

Retro contrôle (=feedback)

10
 1

Ph. Guerlain
Modèle et réalité
Src: modèles mathématiques en gestion

Collecte de données
Problème & Modèle
modélisation

Imperfections
Résolution
dues aux décisions

Interprétation des résultats

Implantation des Solutions proposées
&
décisions ajustement par le modèle

Réel Interface Abstrait 11

 1

Intérêt
Ph. Guerlain
Exemple
La police de San Francisco a optimisé le redéploiement
de ses forces en prenant en compte les vacances, les
absences, le secteur et le degré d’urgence des
interventions, etc.

Economies:
◼ 11 millions de $/an

◼ Temps d’attente raccourci de 20%

◼ 3 million de $/an de PV supplémentaires

Source « La recherche Opérationnelle », Yves Nobert, éd. Gaëtan Morin

12
 City of San Francisco Police Department, EDELMAN AWARD, 1988 1

"A Break from Tradition for the San Francisco Police: Patrol Officer
Ph. Guerlain
Scheduling Using an Optimization-Based Decision Support System“

Données historiques + contraintes

Prévision des besoins au regard du passé

Proposition d’organisation !

13
 1

Même simplifiés, certains modèles

Ph. Guerlain
restent très complexes
http://brandenburg.geoecology.uni-
potsdam.de/projekte/opaque/larsim.php

http://www.aria.fr/english/aria_industry.php

http://fvcom.smast.umassd.edu/research_projects/Satilla/meteorological.html

Modèles Météorologiques

14
 1

Ph. Guerlain
Limites d’un modèle
◼ Le modèle décrit une situation….

◼ …mais 4 types d’erreurs peuvent apparaître:

◼ L’effet réducteur du modèle (manque
d’ajustement car simplification)
◼ La valeur des paramètres
◼ La formulation approximative du problème
◼ Les problèmes d’arrondis
15
 1

Ph. Guerlain
Limites d’un modèle
« La modélisation mathématique est
un art difficile, proche peut-être de
celui du caricaturiste. Il faut obtenir
un maximum de ressemblance en un
minimum de traits. Il faut savoir
Jean L. Mawhin (1942- )
négliger a priori ce qui sera a Pr. émérite Université Catholique de Louvain
Membre de l’Académie Royale de Belgique
posteriori négligeable. »
Photo : Martina Šaradínová

Jean Mawhin

16
 1

Ph. Guerlain
Validation d’un modèle
Identification Le modèle doit toujours être validé par
du problème
comparaison à la réalité pour évaluer
l’erreur commise !

Formulation Développement Collecte

du problème d’un modèle des données

Détermination
du modèle
Validation
Prise des décisions du modèle
&
implémentation des
solutions

Source « La recherche Opérationnelle », Yves Nobert, éd. Gaëtan Morin 17

 1
Malgré tout,
ça ne fonctionne pas toujours
Ph. Guerlain
exemple du FMI

Selon O. Blanchard, les économistes du FMI ont

largement sous estimé l’augmentation du chômage
src.: Internet

et la chute de la demande intérieure associés à la

réduction de la dépense publique.

Le modèle utilisé par le FMI incorpore des formules du genre de:

Dépenses publiques * multiplicateur = évolution du PIB

Un multiplicateur budgétaire faux (0,5 au lieu de 1,5 ou 2) a été utilisé.

→l’austérité est donc en partie le résultat d’une erreur de calcul ! 18
 1

Ph. Guerlain
Exemple de modèle 1
120
y = 0,9905x2 + 0,2042x + 0,8917
100 2
R = 0,996
80
Réel
60
Polynomial (Réel)
40

20

0
1 2 3 4 5 6 7 8 9 10

Interpolation linéaire de 2ème ordre

19
 1

Ph. Guerlain
Exemple de modèle 2
◼ Equation de Maxwell-Faraday pour les phénomènes
d’induction 
  B
ro t.E = −
t
◼ Loi Gaussienne centrée réduite pour décrire des
populations statistiques
t2
1 −
 (t ) = .e 2 pour  :  → 
+

2
◼ Chiffre d’affaire
CA =  quantité * prix
produits

20
 1

Ph. Guerlain
Autres modèles

Exemple de
modèle 3

21
 1

Exemple de modèle 4
Ph. Guerlain
(économie)
Consommation = f(revenus) selon Keynes

C = f (revenus ) =  +  .revenus
Propension marginale à consommer
Consommation = variation de la consommation pour
une unité de revenu supplémentaire
Consommation incompressible

Règle de Taylor (1993) pour l’arbitrage des banques centrales

ri =  +  ( t −  * ) +  ( yt − y * )

Taux d’intérêt à court terme Inflation cible Production à terme

Inflation courante Production courante

22
 1

Exemple de modèle 5
Ph. Guerlain
(économie)

Un modèle peut aussi être graphique

Ex: modèle économétrique de l’agriculture française

(MAGALI)

Src://www.persee.fr/doc/ecoru_0013-0559_1985_num_165_1_3123 23
 1

Ph. Guerlain
En économétrie (≈1930)
Modélisation
=
Etude des relations entre les variables
économiques à l’aide de modèles
théoriques obtenus grâce à des données
disponibles et des approximations.

©Tome & Janry 24

 2

Ph. Guerlain
2.Les fonctions

Toute discipline scientifique (dont l’économie)

recourt à des éléments d’analyse (domaine des

maths) et notamment à l’étude des fonctions.

25
 2

Ph. Guerlain
Définition
◼ Une fonction f() est une application qui associe une
valeur x à une valeur image y=f(x)

y
x

Domaine des antécédents Domaine des images 26

 2

Ph. Guerlain
Application injective
◼ Tout élément du domaine F est l’image d’au plus un
seul élément du domaine E

Domaine E Domaine F 27
 2

Ph. Guerlain
Application surjective
◼ Tout élément du domaine F est l’image d’au moins un
élément du domaine E

Domaine E Domaine F 28
 2

Ph. Guerlain
Application bijective
◼ L’application f est surjective et injective

◼ Dans ce cas, la fonction f-1() est la fonction

réciproque telle que x=f-1(y) et bien sur x=f-1(f(x))

Domaine E Domaine F 29
 2

Ph. Guerlain
Notation
Variable indépendante = exogène

Variable dépendante = endogène

 x  f ( x) Transformation appliquée à x
f :
 DA  DI Domaines de définition
des antécédents et des images (≈valeurs pour
lesquelles f est applicable)
Le nom de
la fonction
simultanéité

30
 2

Ph. Guerlain
Exemples
 2
x
f : x −3
−;3  3; + *


 1
x
g : x+2
−2; + *+


 x x2 + 2
h: +

©Turk & De Groot 31
 2

Ph. Guerlain
Représentation graphique
La représentation graphique d’une
fonction s’appelle la
Courbe représentative


x x2 + 2
f : +


La courbe représentative correspond à
l’ensemble des points M(x; f(x)) du
domaine de définition.

Dessin obtenu en utilisant l’extension ‘Microsoft

Mathematics Add-In for Word and OneNote’ 32
 2

Ph. Guerlain
Représentation graphique
La courbe représentative peut être obtenue à partir d’un tableau de valeurs

x -3 -2 -1 0 1 2 3 …
f(x)=x2+2 11 6 3 2 3 6 11 …

Problème: comment se comporte la courbe en dehors de ces points ?

Il faut étudier la fonction et notamment:

•la monotonie
•la parité
•la majoration

©Franquin 33
 2

Ph. Guerlain
Monotonie
Si x  x'  f ( x)  f ( x' ) x, x '
alors la fonction est strictement croissante f ( x) quand x

Si x  x'  f ( x)  f ( x' ) x, x '

alors la fonction est strictement décroissante f ( x ) quand x

Remarque: si ≤ ou ≥ au lieu de < et >, alors le terme ‘strictement’ disparaît

34
 2

Ph. Guerlain
Monotonie
Exemple f ( x) = x + 2
2
x 
la fonction est strictement décroissante sur − ;0
la fonction est strictement croissante sur 0;+
La monotonie est résumée dans un tableau de variations (ex. pour x  − 2;+3 )
x -2 0 3

6 11
f(x)

Que se passe-t-il lorsque l’on s’éloigne vers -∞ ou +∞ ? Il faut calculer les limites !
Comment identifier les extrema ? Il faut dériver ! 35
 2

Ph. Guerlain
Parité
Si f ( x) = f (− x) x  D
alors la fonction est paire (symétrie par rapport à Oy)

Si f ( x ) = − f ( − x ) x  D
alors la fonction est impaire (symétrie centrale par rapport à l’Origine)

Si f ( x) = f ( x + T ) x, x + T  D
alors la fonction est périodique de période T (translation de longueur T)

36
 2

Ph. Guerlain
Majoration
Si f ( x)  m x  I
et si m admet au moins un antécédent par f ( x  I f ( x) = m )

alors m est un minimum de f sur l’intervalle I

Si f ( x)  M x  I
et si M admet au moins un antécédent par f ( x  I f ( x) = M )

alors M est un maximum de f sur l’intervalle I

37
 2

Ph. Guerlain
Opérations sur les fonctions
Les fonctions f et g sont définies sur ID

 x  f ( x) + g ( x)
Somme f + g :
I  D

 x  f ( x).g ( x)
Produit f .g : 
I  D

 1
1  x 
Inverse : f ( x) seulement si f ( x )  0, x  I
f 
I  D 38
 2

Ph. Guerlain
Opérations sur les fonctions

 x  f ( x)  x  g ( x)
Composition soient f : et g :
I  D J  D

 x  g ( f ( x))
si f (I )  J alors f  g :
I  D

39
 2

Ph. Guerlain
Opérations sur les fonctions
 x  f ( x)
Soit f :
I  D
−1  x  f −1
( x)
Si f est une bijection, sa réciproque est f :
D  J

Exemple, tableau de conversion €/$

1 € (v) 1 10 144,77
x x 1,3815
1.3815 $(u) 1,3815 13,815 100

u = f (v) = 1,3815.v
−1 u
v = f (u ) =
1,3815 40
 2

Ph. Guerlain
Limites
Toute fonction f(x) admet une limite L en a si f ( x) − L  

Cette limite s’écrit lim f ( x) = L

x→a

La fonction f est continue en a si et seulement si lim f ( x) = f (a)

(ssi en maths) x →a

©Tome & Janry 41

 2

Ph. Guerlain
Exemple 1
Approche intuitive f ( x) = 2 x 2 + 5 x + 9 limites à l’infini ?

lim f ( x) = lim (2 x 2 ) + lim (5 x + 9) = +

x →+ x →+ x →+

+ +

lim f ( x) = lim (2 x 2 ) + lim (5 x + 9) = ? Forme indéterminée ???

x →− x →− x →−

+ −

42
 2

Ph. Guerlain
Exemple 1
En fait, on peut factoriser f ( x) = 2 x 2 + 5 x + 9
5 9
lim f ( x) = lim (2 x 2 (1 + + 2 )) = +
x →− x →− 2x 2x
+ →0 →0

Toute fonction polynomiale admet en l’infini la

même limite que son terme de plus haut degré

Donc, pour l’exemple:

lim f ( x) = lim ( x 2 ) = +
x → x →
43
 2

Ph. Guerlain
Exemple 2
 2
2  x
Approche intuitive f ( x) = définit par f : x −3
x −3  − {3}

Que se passe-t-il en x=3 ? Le dénominateur tend vers 0 quand x tend vers 3 !

lim+ f ( x) = + ou lim f ( x) = +
x →3 x →3
x 3

lim− f ( x) = − ou lim f ( x) = −
x →3 x →3
x 3

44
 2

Ph. Guerlain
Exemple 2
 2
2  x
Approche intuitive f ( x) = définit par f : x −3
x −3  − {3}

Que se passe-t-il à l’infini ?

lim f ( x) = 0−
x →−

lim f ( x) = 0+
x →+

45
 2

Ph. Guerlain
Exemple 3
x2 − 5x + 6
g ( x) =
x −3 lim x 2 − 5 x + 6 = 0
x →3
Que se passe-t-il en x=3 ? lim g ( x) = 1 Pas facile à voir car
x →3 lim x − 3 = 0
x →3

En calculant les valeurs on observe la limite

x 2,5 2,9 2,99 2,999 2,9999 3

g(x) 0,5 0,9 0,99 0,999 0,9999 /0

x 3,5 3,1 3,01 3,001 3,000001 3

g(x) 1,5 1,1 1,01 1,001 1,000001 /0

46
 2

Ph. Guerlain
Remarques

Parfois, la recherche aboutit à des formes

indéterminées mais ça ne veut pas dire que la
limite n’existe pas !!!

Remarque: dans le cas de l’exemple, il existe une factorisation possible quand x≠3:

x 2 − 5 x + 6 ( x − 3)( x − 2)
g ( x) = = = x−2
x −3 x −3

©Tome & Janry

et donc lim g ( x) = lim( x − 2) = 1
x →3 x →3
47
 2

Ph. Guerlain
Exemple 3
x 2 − 5x + 6
f ( x) =
x−3
Que se passe-t-il en à l’infini ?

lim f ( x) = −
x →−

lim f ( x) = +
x →+

Toute fonction rationnelle admet en l’infini la même

limite que le rapport de ses termes de plus haut degré
Donc, pour l’exemple:
lim f ( x) = lim ( x) = 
x → x → 48
 2

Limites
Ph. Guerlain
(additions et multiplications)
lim f lim g lim( f + g ) lim( f  g )
a a a a

l l ' l +l' l l '

l0 + + +
l0 + + −
l0 − − −
l0 − − +
l=0 + +
l=0 − −
+ + + +
+ − −
© Fournier − − − + 49
 2

Limites
Ph. Guerlain
(divisions)
lim g f
lim f a
lim
a a g

l ' ,l '  0 l
l
l'
l0 0 
0 0
l  0
 l 
 
© Franquin 50
 2

Limites
Ph. Guerlain
(théorèmes)

Composition des limites

Si lim f ( x) = L et si lim g ( y ) = L ' alors lim g f ( x) = L '

x→a y→L x →a

Théorèmes des gendarmes

Si g ( x)  f ( x)  h( x), x  I

et si lim g ( x) = lim h( x) = L
x →a x →a

alors lim f ( x) = L
x→a

© Kox & Cauvin 51

 2

Limites
Ph. Guerlain
(résolution d’indétermination)
Type d’indétermination Méthode

Observer le rapport des termes de plus haut degré si

+ −  la fonction est polynomiale sinon factoriser la
fonction

0   Développer le produit en somme

 Observer le rapport des termes de plus haut degré si

la fonction est rationnelle sinon factoriser numérateur
 et dénominateur

0 Si la limite est demandée en ‘a’, factoriser

0 numérateur et dénominateur par (x-a)

52
 2

Courbes Asymptotiques
Ph. Guerlain
Exemple 1

La courbe f et la courbe g sont asymptotes lorsqu’au moins 1 des 2 conditions

suivantes est vérifiée:
y=f(x)
lim ( f ( x) − g ( x)) = 0
x →− y=g(x)
et/ou

lim ( f ( x) − g ( x)) = 0
x →+

x2 − 5x + 8
f ( x) =
Si g(x)=ax+b, on parle d’asymptote oblique x −3

Un valeur impossible de x peut engendrer une asymptote verticale 53

 2

Courbes Asymptotiques
Ph. Guerlain
Exemple 1
Détermination par réécriture de l’équation en f ( x) = ax + b + h( x)
x2 − 5x + 8 ( x − 3)( x − 2) + 2 avec lim h( x) = 0
f ( x) = = x →
x −3 x−3
( x − 3)( x − 2) 2
= +
x−3 x−3
2
= x−2+
x−3

Quand x grand, f(x)≈x-2

Donc, y=x-2 est vraisemblablement l’asymptote oblique de f(x)!

Vérification:
2
lim ( f ( x) − ( x − 2)) = lim ( )=0
x → x → x − 3
54
 2

Courbes Asymptotiques
Ph. Guerlain
Exemple 1
Détermination par division euclidienne
x − 5x + 8
2
f ( x) =
x −3
x − 5x + 8
2
x−3
−( x − 3 x )
2
x−2
−2 x + 8 Asymptote

−(−2 x + 6)
Donc:
2 2
f ( x) = x − 2 +
x −3
55
 2

Courbes Asymptotiques
Ph. Guerlain
Exemple 2
3
x +1
Autre exemple f ( x) =
x+2

x3 + 1 2
3
x+2
−( x + 2 x )
−2 x 2 + 1 x − 2x + 4
2

Asymptote
−(−2 x 2 − 4 x)
4x +1 Donc:
−(4 x + 8) 7
f ( x) = x − 2 x + 4 −
2
−7 x+2
56
 2

Courbes Asymptotiques
Ph. Guerlain
Exemple 2

Asymptote verticale
x3 + 1
f ( x) =
x+2

Asymptote courbe
7
f ( x) = x − 2 x + 4 −
2

x+2
x 2 − 2 x + 4 quand x → 
57
 2

Ph. Guerlain
Accroissement moyen
x f ( x)
Soit f : et deux variables a, b  I
I
f (b) − f (a)
On définit l’accroissement moyen de f entre a et b par: T ( a, b) =
b−a

f(x)

f(b) L’accroissement moyen ne tient

pas compte des variations de f
f(a) entre a et b

x
a b
58
 2

Ph. Guerlain
Taux d’accroissement

Pour affiner, on peut définir une fonction taux d’accroissement

f ( a + h) − f ( a )
Ta (h) =
h

L’étude de cette fonction quand h tend vers 0

conduit à la notion de dérivabilité !

©Tome & Janry 59

 2

Ph. Guerlain
Dérivabilité
Définition:

f est dérivable en a ssi la fonction Ta(h) admet une limite finie quand h tend vers 0.

Cette limite est appelée nombre dérivé de f en a.

f ( a + h) − f ( a ) • df ( x)
lim = f '(a) = f (a) =
h →0 h dx

Notation de Newton Notation de Leibniz

Notation anglo-saxonne
60
 2

Ph. Guerlain
Exemple 1
Soit f ( x) = x 2 , x 

f ( a + h) − f ( a ) ( a + h) 2 − a 2
Le taux d’accroissement est Ta (h) = =
h h
a 2 + 2ah + h 2 − a 2
=
h
= 2a + h

Comme lim Ta (h) = 2a est une valeur finie, f est dérivable en a et f’(a)=2a
h →0

61
 2

Ph. Guerlain
Exemple 2
+
Soit r ( x) = x , x 

x+h − x h 1
Le taux d’accroissement en 0 est Tx =0 (h) = = =
h h h

lim+ T0 (h) = + est une valeur non finie

h →0

donc r(x) n’est pas dérivable en 0 !!!

62
 2

Ph. Guerlain
Exemple 3
Soit v( x) = x , x 
0+h − 0 h
Le taux d’accroissement en 0 est T0 (h) = =
h h

h0 h =h
La valeur absolue se traite en 2 cas:
h  0  h = −h
Ainsi autour de 0, on a:
h −h
lim+ T0 (h) = lim+ =1 et lim− T0 (h) = lim− = −1
h →0 h →0 h h →0 h →0 h

To(h) a 2 valeurs possibles en 0 donc v(x) n’est pas dérivable en 0 !!!

63
 2

Ph. Guerlain
Interprétation géométrique
Le nombre dérivé est le taux d’accroissement instantané

c’est à dire la pente de la tangente à la courbe représentative

f(x)
y = f ( x)

f(a) (T ) : y = f (a ) + f '(a)( x − a )
x
a

Si la fonction n’est pas dérivable en a, elle peut quand même admettre:

2 demi-tangentes (valeur absolue par ex.)
ou
1 tangente verticale si le taux d’accroissement est infini (racine carrée par ex.)
64
 2

Ph. Guerlain
Exemple
Trouver la tangente en a =3 de f ( x) = x 2 , x 

f '(a ) = 2a  f '(3) = 6

La tangente est alors

y = f (3) + f '(3)( x − 3) = 9 + 6( x − 3) = 6 x − 9

65
 2

Ph. Guerlain
Variation locale
Il est aussi possible de calculer f la variation locale en a d’une fonction f
f = f (a + h) − f (a ) pour h proche de 0

Grace à l’équation de la tangente

f (a + h)  f (a ) + f '(a )(a + h − a )  f (a + h) − f (a )  f '(a )h
On peut écrire
f = f (a + h) − f (a )  f '(a )h

Ce même résultat s’obtient par un jeu d’écriture grâce aux notations de Newton / Leibniz

df ( x)
= f '( x)  df ( x) = f '( x)dx
dx
f h 66
 2

Ph. Guerlain
Variation locale

Cf

f (a + h) Tangente à Cf
f
df (a ) = f '(a )h
f (a)
h
a a+h

Approximation en ‘a’ par f = f (a + h) − f (a )  f '(a )h

67
 2

Ph. Guerlain
Exercice
Le prix d’une pierre précieuse dépend de son poids selon la fonction ci-dessous:

+
p( x) = x 2 , x 
masse de la pierre en grammes
prix en milliers d’€ d’une pierre précieuse

Sachant que la masse moyenne d’une pierre précieuse est de 1,5 grammes, donner une
approximation des variations absolue et relative du prix si on achète une pierre 4%
plus lourde que la moyenne

68
 2

Ph. Guerlain
Fonctions dérivées
Une fonction f est dérivable sur un intervalle I
lorsqu’elle est dérivable en tout point x  I

On peut calculer f’(x) pour tout x  I

f’(x) s’appelle la dérivée première de f(x)

69
 2

Ph. Guerlain
Dérivées usuelles
f ( x) Intervalle de
Type de fonction f '( x ) Conditions
dérivabilité
Constantes c 0
Affines ax + b a
Puissance entières xp px p −1
positives
Puissances entières
xn nx n −1 −;0  0; +
négatives
Autres puissances x  x −1 0; +  1
0; + 0  1 ou  0
Sinus sin( x) cos( x )
Cosinus cos( x ) − sin( x)
  
Tangente tan( x) 1 + tan 2 ( x) − 2 ; + 2 
 
u '( x)
Logarithme ln(u ( x )) u ( x)  0 u(x) dérivable
u ( x)
Exponentielle eu ( x ) u '( x).eu ( x ) u ( x)  u(x) dérivable 70
 2

Ph. Guerlain
Exemples

f ( x) = x 9 est dérivable sur et sa dérivée est f '( x) = 9 x8

1 −2 1
f ( x) = = x −1 est dérivable sur *
et sa dérivée est f '( x) = − x = − 2
x x
1
1 − 12 1
f ( x) = x = x = x 0,5 est dérivable sur
2 *+
et sa dérivée est f '( x) = x =
2 2 x

71
 2

Ph. Guerlain
Opérations sur les dérivées
Opération f ( x) f '( x ) Conditions

Somme u+v u '+ v '

Multiplication
par un réel
ku ku ' k

Produit uv u ' v + uv '

1 1 Si v ne s’annule
Inverse − 2 pas sur I
v v
u u ' v − uv ' Si v ne s’annule
Quotient
v v2 pas sur I
72
 2

Ph. Guerlain
Exemples

f ( x) = 3x5 + 2 x 3 + 5 x + 3 est dérivable sur et sa dérivée est

f '( x) = 3*5 x 4 + 2*3 x 2 + 5 = 15 x 4 + 6 x 2 + 5

f ( x) = (4 x 2 + 1)(5 x + 3) est dérivable sur et sa dérivée est

f '( x) = 8 x *(5 x + 3) + (4 x 2 + 1) *5 = 60 x 2 + 24 x + 5

5x2 + 1 1 
f ( x) = est dérivable sur −   et sa dérivée est
2x −1 2
10 x *(2 x − 1) − (5 x 2 + 1)* 2 10 x 2 − 10 x − 2
f '( x) = =
(2 x − 1) 2
(2 x − 1)2 73
 2

Dérivation
Ph. Guerlain
de fonctions composées
Soient les fonctions x → g ( x) et u → f (u )

La fonction composée f g : x → f ( g ( x )) se dérive comme suit:

( f g ) ' = g '.( f ' g )  ( f ( g ( x))) ' = g '( x). f '( g ( x))

Cas particulier de fonction composée:

( f  ( x)) ' =  . f '( x). f  −1 ( x)

(a u ( x ) ) ' = u '( x).ln(a).a u ( x )

74
 2

Ph. Guerlain
Exercices

Dériver les fonctions g ( x) = sin(2 x + 3)

h( x) = ( x 4 + 5)7 ©Widenlocher

©Widenlocher 75
 2

Ph. Guerlain
Application à la monotonie
Si f '( x)  0 sur I alors f ( x) est croissante sur I
Si f '( x)  0 sur I alors f ( x) est décroissante sur I

Exemple f ( x) = x3 − 6 x 2 + 9 x + 2 sur I =  0; +

f ( x ) est dérivable sur I et f '( x) = 3 x − 12 x + 9
2

point critique point critique

x 0 1 3 +∞

f’(x) + 0 - 0 +
f(x) lim( f ( x)) = +
f(1)=6 x →
maximum global
maximum local
f(0)=2 f(3)=2
minimum local & global
minimum local & global
76
 2

Ph. Guerlain
Extremum local
Si f '( x ) change de signe sur I en M, M est un extremum local

Attention f '( x) = 0 est insuffisant pour définir un extremum

Exemple

f ( x) = x 3

f '( x) = 3 x 2 qui s’annule en x=0

mais est toujours ≥0

En x=0, on a simplement une tangente horizontale !

77
 2

Ph. Guerlain
Types de courbures
y y y T
C
C C
A

A T A
T
x x x

La courbe C se situe La courbe C se situe La courbe C

au dessus de T en dessous de T est traversée par T

Convexe en A Concave en A Point d’inflexion en A

78
 2

Ph. Guerlain
Interprétation Economique
La fonction de production d’un bien dans une usine est Q = f ( L)
Le point d’inflexion indique un changement de régime de la production

Q T

C
Rendement
optimum du travail Rendements d’échelle décroissants
(difficile de produire plus malgré les efforts)
Production
optimale de Q0
l’usine P
Rendements d’échelle croissants
(produire plus demande peu d’efforts)

0 L
79
 2

Ph. Guerlain
Dérivée seconde
Rappel: si ‘a’ est un point critique de la fonction, alors f '(a) = 0

La nature de la courbe est obtenue par l’analyse de la dérivée seconde

Si f "( x)  0 sur I alors f ( x) est convexe sur I

Si f "( x)  0 sur I alors f ( x) est concave sur I

Si f "(a ) = 0 et si f "( x ) change de signe en a alors a est un point d’inflexion

80
 2

Ph. Guerlain
Dérivée seconde
Exemple f ( x) = x3 − 6 x 2 + 9 x + 2 sur I =  0; +
f ( x ) est dérivable sur I et f '( x) = 3 x − 12 x + 9
2

f '( x ) est dérivable sur I et f "( x) = 6 x − 12

x 0 1 2 3 +∞
f '( x ) + 0 - 0 +
f "( x ) - 0 +
Type Concave Inflexion Convexe

6 +∞
f ( x)
2 2

81
 2

Ph. Guerlain
Exercices
Etude de la fonction

f ( x) = x 4 − x 3 + 0,5

©Widenlocher

Etudier le coût marginal Cm d’une unité supplémentaire pour Q0

1
©Widenlocher C (Q) = Q + 2

82
 2

Ph. Guerlain
Graphes correspondants
Etude de la fonction f ( x) = x 4 − x 3 + 0,5

Tracé avec le logiciel gratuit

Microsoft Mathematics 83
 2

Ph. Guerlain
Graphes correspondants
1
C (Q) = Q 2 + Cm (Q ) = C '(Q )
Q
C(Q) C’(Q)

84
 2

Ph. Guerlain
Extension de la dérivation
Fonction de coût C (Q ) = 10 + 4Q Coût fixe 10€ puis 4€/pièce

On peut vouloir étudier le coût marginal d’une unité supplémentaire:

dC (Q)
=4 On retrouve heureusement 4€/pièce, il n’y a pas d’économie d’échelle
dQ

Si on veut être plus fin, Q dépend de K (capital) et L (travail) et peut s’écrire :

Q( K ; L) = 5 K 2 + KL + 2 L2
et donc

C (Q) = C (Q( K ; L)) = C ( K ; L) = 10 + 4(5K 2 + KL + 2 L2 )

= 10 + 20 K 2 + 4 KL + 8 L2
85
 2

Ph. Guerlain
Extension de la dérivation
C (Q( K ; L)) = 10 + 20 K 2 + 4 KL + 8L2

Coût marginal par rapport à chacun des 2 facteurs

Coût marginal par rapport au travail Coût marginal par rapport au capital

C C
= 16 L + 4 K = 4 L + 40 K
L K

Ces dérivées d’une seule variable parmi plusieurs sont appelées dérivées partielles !

86
 2

Ph. Guerlain
Dérivation partielle
Si on utilise des fonctions de plusieurs variables telles que

z = f ( x; y ) pour 2 variables par exemple

Si toutes les variables sont fixées sauf une (x par exemple), la fonction devient

z  f ( x) éventuellement dérivable par rapport à x

On parle alors de dérivation partielle de z par rapport à x et on note:

z f 
= = f ( x; y )
x x x

87
 2

Ph. Guerlain
Principe
Définition (idem à la définition de la dérivée précédemment étudiée):

f ( x; y ) f ( x + h; y ) − f ( x; y ) (une seule variable change – ici x - )

= lim
x h →0 h
Notations classiques:

 Variation entre 2 valeurs

 Apport élémentaire

d Petite variation entre 2 valeurs proches

 Petite variation entre 2 valeurs proches, mais d’autres valeurs interviennent

88
 2

Ph. Guerlain
Dérivation partielle
Le procédé peut être utilisé pour chaque variable indépendante de f

z = f ( x; y ) pour 2 variables par exemple

z f  z f 
= = f ( x; y ) = = f ( x; y )
x x x y y y

Exemple: z = 3 x 2 + xy − 2 y 2

z z
donne = 6x + y et = x − 4y
x y
y  Cste x  Cste 89
 2

Ph. Guerlain
Application économique
Etude du profit  = F ( K ; L).P − wL − rK
Capital utilisé

Fonction de production Coût d’utilisation du capital

= quantité produite = taux d’intérêt
Prix unitaire
Durée du travail
Salaire nominal


= Profit marginal pour une unité de travail supplémentaire
L

= Profit marginal pour une unité de capital supplémentaire
K
90
 2

Ph. Guerlain
Dérivation partielle seconde
Le procédé peut être appliqué pour les dérivées secondes partielles de z = f ( x; y )

2 z 2    
On obtient ainsi = f ( x; y ) =  f ( x; y ) 
x 2 x 2 x  x 

2 z 2    
et = f ( x; y ) =  f ( x; y ) 
y 2 y 2 y  y 

Mais aussi 2 z 2    
= f ( x; y ) =  f ( x; y ) 
xy xy x  y 

2 z 2    
et = f ( x; y ) =  f ( x; y ) 
yx yx y  x 
91
 2

Ph. Guerlain
Exemple
Dérivées secondes partielles de z = −2 x 2 + 3xy 2 − y 3

1ère dérivées partielles

z et
z
= −4 x + 3 y 2 = 6 xy − 3 y 2
x y

2 z 2 z 2 z 2 z
= −4 = 6y = 6y = 6x − 6 y
x 2
xy yx y 2

2ème dérivées partielles

Identiques si les dérivées partielles existent
et sont continues (lemme de Schwarz)

Ce principe peut être étendu aux dérivées nième 92

 2

Extrema d’une fonction

Ph. Guerlain
de 2 variables
z = f ( x; y ) est extremum s’il existe un plan tangent horizontal en ce point

f ( x; y )
=0
x
et

f ( x; y )
=0 z = x2 + y 2
y
93
 2

Ph. Guerlain
Equation du plan de tangence

f ( x; y ) f ( x; y )
A proximité du point de tangence: dz = dx + dy
x y

 dx = x − x0

Si le point de tangence est (x0; y0; z0), on peut poser: dy = y − y0
 dz = z − z
 0

L’équation du plan de tangence devient alors :

f ( x; y ) f ( x; y )
dz = ( x − x0 ) + ( y − y0 ) + z0
x y
94
 2

Extrema d’une fonction

Ph. Guerlain
de 2 variables
f ( x; y ) f ( x; y )
=0 et =0 n’est pas une condition suffisante !!!
x y
Au point selle, les deux
dérivées sont nulles
mais les courbures sont opposées

Il existe une condition suffisante:

le critère de MONGE
(déterminant de la seconde forme
quadratique fondamentale)

2
 f  f  f 
2 2 2
z = x2 − y 2
 = 2 . 2 − 
x y  xy 
95
 2

Ph. Guerlain
Critère de Monge
f ( x; y ) f ( x; y )
Soit P(x;y) le point où =0 et =0
x y
2
 f  f  f 
2 2 2
le critère de MONGE est  = 2 . 2 − 
x y  xy 

2 f
Si  0 et 0 alors P est un minimum
x 2

2 f
Si  0 et 0 alors P est un maximum
x 2

Si  0 alors P est un point selle

Si  =0 alors on ne peut pas conclure !

96
 2

Ph. Guerlain
Exemple
Chercher les extrema de z = 3x 2 + 2 y 2

z z
Dérivées 1ère = 6x et = 4y
x y

Point critique correspondant aux dérivées 1ère nulle P(x=0; y=0)

2
 f  f  f 
2 2 2
Critère de MONGE  = 2 . 2 −  = (6)(4) − (0) 2
= 24
x y  xy 

 0 2 f
et =60 P est donc un minimum
x 2

97
 2

Généralisation
Ph. Guerlain
du critère de Monge
Pour des fonctions de plusieurs variables, toute la réflexion se fait sur la matrice des
dérivées secondes, la matrice Hessienne.

 2 f 2 f 2 f 
 ... 
  x1
2
x1 x2 x1 xn 
 2 f 2 f 2 f 
 ... 
Hess ( f ( x )) =  x2 x1 x22 x2 xn 
 ... ... ... ... 
 
 2 f 2 f  f 
2

 x x xn x2
...
xn2 
 n 1
98
 2

Généralisation
Ph. Guerlain
du critère de Monge
On calcul le polynôme caractéristique du Hessien

P ( ) = det( Hess( f ( x )) −  . Id )

Les racines du polynôme telles que P ( ) = 0 sont les valeurs propres de la matrice.

Au point critique:

Si toutes les valeurs propres du Hessien sont positives, f admet un minimum

Si toutes les valeurs propres du Hessien sont négatives, f admet un maximum

Si les valeurs propres du Hessien sont de signes différents, f admet un point selle

99
 2

Ph. Guerlain
Exemple à 3 variables
Trouver l’optimum de f ( x, y, z ) = x 2 + y 2 + z 2 − xy + xz , ( x, y, z )  3

f ( x; y; z )
On résout: = 2x − y + z = 0
x
f ( x; y; z )
grad ( f ( x, y, z )) = 0  = 2y − x = 0
y
f ( x; y; z )
= 2z + x = 0
z
x=0
Le point critique évident est: y=0
z=0 100
 2

Ph. Guerlain
Exemple à 3 variables
Le Hessien correspondant à f ( x, y, z ) = x 2 + y 2 + z 2 − xy + xz , ( x, y, z )  3

est :

 ² f ² f ² f 
 x ² xy xz 
  2 −1 1 
 ² f ² f ² f   
Hess ( f ( x; y; z )) =   = − 1 2 0
 yx y ² yz   
 1 0 2 
 ² f ² f ² f 
 
 zx zy z ² 

101
 2

Ph. Guerlain
Exemple à 3 variables
 2 −1 1 
Le Hessien étant : Hess( f ( x; y; z )) =  −1 2 0 
 1 0 2 
Son polynôme caractéristique est:
  2 −1 1  1 0 0   2 −  −1 1
 
P( ) = det   −1 2 0  −  0 1 0   = −1 2− 0 = (2 −  )((2 −  ) 2 − 2)
  1 0 2 0 0 1   2−
  1 0

1 = 2  0
Au point critique, les racines de P ( ) = 0 sont: 2 = 2 + 2  0
3 = 2 − 2  0
Au point f(0;0;0), toutes les racines sont positives et f(0;0;0) est donc un minimum !!!
102
 2

Ph. Guerlain
Exemple à 3 variables
Au point critique, les racines de P ( ) = 0 sont toutes positives → f(0;0;0) est un minimum

3 = 2 − 2  0 2 = 2 + 2  0

1 = 2  0

103
 2

Ph. Guerlain
Exercice

Chercher les extrema de f ( x, y ) = 4 x 2 − xy + y 2 − x 3

©Widenlocher

104
 2

Solution
Ph. Guerlain
f ( x, y ) = 4 x 2 − xy + y 2 − x 3
Les points critiques respectent :
f ( x, y )
= 8 x − y − 3x 2 = 0 8 x − y − 3x 2 = 0
x 
f ( x, y ) 2y = x
= −x + 2 y = 0
y

16 y − y − 3(2 y ) 2 = 0 y (15 − 12 y ) = 0
 
2y = x 2y = x

Deux points critiques existent donc:

 5 5
( x = 0; y = 0 ) et x = ;y = 
 2 4 105
 2
Solution
Ph. Guerlain
f ( x, y ) = 4 x 2 − xy + y 2 − x 3
Nature des points critiques, application du critère de Monge:
2
2 f 2 f  2 f 
 = 2 . 2 −  = (8 − 6 x)(2) − (−1) = 15 − 12 x
2

x y  xy 

 5 5
En x = ;y = 
 2 4
En ( x = 0; y = 0 ) c’est un point selle car:
c’est un minimum car:  = −15  0
 = 15  0 Par ailleurs :
2 f
et = −7  0 max
x 2

2 f 2 f
= (8 − 6 x) = 8  0 = 2  0 min
x 2
y 2
106
 2

Solution avec le Hessien

Ph. Guerlain
f ( x, y ) = 4 x 2 − xy + y 2 − x 3

Construction de la matrice Hessienne:

 ² f ² f 
 x ² xy  8 − 6 x −1
Hess ( f ( x; y; z )) =  =
 ² f  ² f   −1 2 
 yx y ² 


Détermination du polynôme caractéristique:

 8 − 6 x −1 1 0   8 − 6 x −  −1
P ( ) = det    −   = = (8 − 6 x −  )(2 −  ) − 1
  −1 2 0 1   −1 2−
= 16 − 12 x − 2 − 8 + 6 x +  ² − 1 =  ² + (6 x − 10) + 16 − 12 x
107
 2

Solution avec le Hessien

Ph. Guerlain
f ( x, y ) = 4 x 2 − xy + y 2 − x 3

Polynôme caractéristique du Hessien P ( ) =  ² + (6 x − 10) + 16 − 12 x

Au point critique (x=0; y=0) : P ( ) =  ² − 10 + 16 = 0

 = 2
2 solutions >0 :   minimum
 = 8

 5 5
Au point critique x = ;y =  : P ( ) =  ² − 5 − 14 = 0
 2 4
  =7
2 solutions de signes différents :   point selle
 = −2
108
 2

Ph. Guerlain
Différentielle totale exacte
Soit une fonction f ( x, y , z )

Si x, y et z varient d’une faible quantité dx, dy et dz

alors la fonction varie globalement d’une quantité:

f f f
df ( x, y , z ) = .dx + .dy + .dz
x y z

109
 2

Ph. Guerlain
Notation utile
 f ( x, y , z ) 
  x 
 
 f ( x, y , z ) 
f ( x, y , z ) = grad ( f ( x, y , z )) =
 y 
 
 f ( x, y , z ) 
 
Nabla Gradient  z 

110
 3

Ph. Guerlain
3.Les systèmes linéaires
◼ On s’intéresse uniquement aux modèles
linéaires de la forme:

3q1 + 5q2 = facture

avec qn = quantité du produit n

Remarque: ces équations ne contiennent que des

additions et des multiplications par des constantes
(pas de produits croisés de variables) 111
 3

Ph. Guerlain
Règles de composition
fonction variables

f (u + v) = f (u ) + f (v)
Si et
f (u ) = f (u )

constante

Alors f est une application linéaire

Important:
1) La somme de 2 applications linéaires →une application linéaire
2) Le produit d’une application linéaire par une constante → une application linéaire

En résumé: f (u + v) = f (u ) +  f (v) avec  ,  constants

si f est une application linéaire 112
 3

Ph. Guerlain
Test de linéarité
f ( x) = x 2
 f (u + v) = (u + v) 2 = u 2 + v 2 + 2uv = f (u ) + f (v) + 2uv  f (u ) + f (v)
Pas linéaire

f ( x) = 2 x
 f (u + v) = 2(u + v) = 2u + 2v = f (u ) + f (v)
Linéaire

113
 3

Ph. Guerlain
Signification économique
La linéarité présuppose 2 hypothèses:

◼ Proportionnalité dans l’ensemble des valeurs

possibles ➔ pas de coûts de démarrage, pas
d’économies d’échelle, …

◼ Additivité des ressources ➔ Pas de synergies

114
 3

Ph. Guerlain
Exercice
◼ Résolution d’un système de plusieurs
équations linéaires à respecter
simultanément

2 x1 + 3x2 = 8
Que valent x1 et x2 ?
©Widenlocher x1 + 2 x2 = 5

115
 3

Ph. Guerlain
Exercice à 3 variables

1x1 + 4 x2 + 3 x3 = 21
2 x1 + 5 x2 + 1x3 = 14
6 x1 + 3 x2 + 9 x3 = 60

©Widenlocher
Que valent x1 , x2 et x3 ?

116
 3

Ph. Guerlain
Pivot de Gauss-Jordan

Johann Carl Friedrich Gauß (1777-1855) Wilhelm Jordan (1842-1899)

Jordan a développé l’algorithme en utilisant les résultats précédemment obtenu par Gauβ

117
 3

Ph. Guerlain
Pivot de Gauss-Jordan
◼ Principe:
effectuer des combinaisons linéaires
judicieuses
◼ Multiplier une ligne par une constante
◼ Additionner/soustraire 2 lignes entre elles

◼ Objectif:
transformer le système en un système
triangulaire ou identitaire 118
 3

Ph. Guerlain
Algorithme
Vérifier que les équations sont linéairement indépendantes
et qu’il y a autant d ’équations que d’inconnues
(pas de ligne multiples les unes des autres !)

Attention, plusieurs non oui

ou aucune solutions Vérification OK 1 solution unique

Choisir un pivot
(dans une ligne/colonne où il n’y en a pas déjà un !)

Annuler tous les coefficients de la colonne du pivot sauf le pivot

(avec une opération linéaire µ.(Ligne à traiter) - η.(Ligne du pivot) )

Système diagonal Fin

(lecture directe de la solution)
119
 3

Ph. Guerlain
Exemple à 2 variables
2 x1 + 3x2 = 8 = pivot
L1
L2 x1 + 2 x2 = 5 1er pivot sélectionné

L1 2 x1 + 3x2 = 8 2nd pivot sélectionné

dans une autre rangée et autre colonne
2L2-L1 0 x1 + 1x2 = 2

L1-3L2 2 x1 + 0 x2 = 2
Système ok mais simplification possible
L2 0 x1 + 1x2 = 2
©Franquin

L1/2 1x1 + 0 x2 = 1 x1 = 1
D’où solution du système
L2 0 x1 + 1x2 = 2 x2 = 2
120
 3

Ph. Guerlain
Même exemple avec des matrices
x1 x2 Second membre = pivot

L1  2 3 8 1er pivot sélectionné

L2  1 2 5
 
L1 2 3 8 2nd pivot sélectionné

0 1 2 dans une autre rangée

et autre colonne
2L2-L1  
L1-3L2 2 0 2 ©Warner Bros.

L2 0 1 2 Système ok mais simplification possible

 
L1/2 1 0 1  x1 = 1
0 1 2  D’où solution du système
L2   x2 = 2
121
 3

Ph. Guerlain
Attention à la précision

x − y =1 x = 100001
est solution du système
x − 1, 00001y = 0 y = 100000

Ecart = 0,00001 Ecart = 200 000 !!!!!

x − y =1 x = −99999
est solution du système
x − 0,99999 y = 0 y = −100000

122
 3

Ph. Guerlain
Exercice à 3 variables
◼ Utiliser la méthode du pivot de gauss-Jordan pour
résoudre le programme linéaire suivant:

1x1 + 4 x2 + 3 x3 = 21
2 x1 + 5 x2 + 1x3 = 14
6 x1 + 3 x2 + 9 x3 = 60
©Widenlocher

Que valent x1 , x2 et x3 ?

123
 3

Ph. Guerlain
Exercice à 3 variables
On retranscrit le problème sous forme matricielle
= pivot
L1 1 4 3 21
L2  2 5 1 14  A la fin, on peut simplifier:
L3  6 3 9 60 
L1 / 78 1 0 0 2 
1 4 3 21  L2 / (−78) 0 1 0 1 
L2 − 2 L1 0 −3 −5 −28  L3 / 26 0 0 1 5 
L3 − 6 L1 0 −21 −9 −66   x1 = 2

3L1 + 4 L2  3 0 −11 −49  Il est facile d’identifier:  x2 = 1
0 −3 −5 −28 
  x = 5
L3 − 7 L2 0 0 26 130 
 3
26 L1 + 11L3 78 0 0 156  Suggestion:
26 L2 + 5 L3  0 −78 0 −78 - simplifiez les lignes à chaque étape si possible
 0 0 26 130  - choisissez bien les pivots pour faire simple 124
 4

Ph. Guerlain
4.Optimisation

◼ Recherche d’un optimum (minimum ou maximum)

◼ Faisable si:
◼ Modèle décrit mathématiquement
◼ Critères clairement définis
◼ Contrainte(s) éventuelle(s) prises en compte

125
 4

Ph. Guerlain
Optimisation sans contrainte

Soit une fonction de coût : C (t ) = 3t + 10

2

Pour quelle(s) valeur(s) de t le coût est-il minimum ?

126
 4

Ph. Guerlain
Optimisation sans contrainte
L’extremum est obtenu lorsque la dérivée
première s’annule
dC (t )
C (t ) = 3t + 10 
2
= C '(t ) = 6t
dt
C '(t ) = 0
 6t = 0
t =0

Ici, l’extremum est C(t)=10 pour t=0

mais est-ce un minimum ou un maximum ?
127
 4

Ph. Guerlain
Nature de l’extremum
Le signe de la dérivée seconde indique la
nature de l’extremum
C(t)
C" (t )
C (t ) = 3t + 10
2

 C ' (t ) = 6t <0 >0

 C" (t ) = 6
maximum minimum

Ainsi C(t)=10 pour t=0 est un minimum !!!

128
 4

Optimisation respectant
Ph. Guerlain
une contrainte
Comment prendre en compte la contrainte ?

Exemple :

Trouver: max( f ( x ) = x1 x2 )

en respectant la contrainte : 3 x1 + 5 x2 = 8

129
 4

Optimisation respectant
Ph. Guerlain
une contrainte
Méthode par substitution (si possible !!!)
8 − 3x1 8 − 3x1 8 x1 − 3x12
f ( x ) = x1 x2 avec x2 =  f ( x ) = x1. =
5 5 5

Solution obtenue en annulant la dérivée 1ère.

8 − 6 x1 4 8 − 3x1 4
f '( x ) = 0 =  x1 = et x2 = =
5 3 5 5

La dérivée 2nde négative indique la nature

 −6
f ' ' (x) = C’est un maximum !
5
130
 4

Optimisation respectant
Ph. Guerlain
plusieurs contraintes
L’étude des variations de la fonction ne suffit plus!

Le petit chaperon rouge

va de la ville à la ferme
de sa grand-mère.

Où doit-elle s’arrêter pour

y écouter au plus près le bruit
C de la rivière mais assez loin
du loup (A, B ou C) ?

B
A

x
131
 4

Optimisation respectant
Ph. Guerlain
plusieurs contraintes
L’étude des variations de la fonction ne suffit plus!

Trouver le point le plus haut

de la colline tout en restant
sur le trajet en rouge

Src: Wikipédia 132

 3

Optimisation respectant
Ph. Guerlain
plusieurs contraintes
La contrainte oblige à bouger l’optimum de la fonction initialement non contrainte

133
 4

Optimisation respectant
Ph. Guerlain
plusieurs contraintes
Utilisation des multiplicateurs de Lagrange
N

L( x ;  ) = f ( x )  i gi ( x )
i =1
avec gi ( x ) = 0

ième contrainte
Fonction de Lagrange Fonction à Multiplicateur de
= optimiser la ième contrainte
« Lagrangien » (inconnu)

Attention

La condition de qualification des contraintes doit être respectée

 Les points critiques de f(x) ne sont pas simultanément solution de
toutes les contraintes
134
 4

Ph. Guerlain
Ne pas confondre !!
Le Lagrangien des multiplicateurs de Lagrange
N

L( x ;  ) = f ( x )  i gi ( x )
i =1
avec gi ( x ) = 0

Le Lagrangien de la mécanique lagrangienne

L = T −V
Lagrangien Energie potentielle
Energie cinétique

135
 4

Optimisation respectant
Ph. Guerlain
plusieurs contraintes
But: relâcher les contraintes

pendant

x l’évaluation de  et L( x;  ) afin de minimiser
le Lagrangien (dérivées 1ère nulles)
 
 dL( x;  )
 =0
 dx1 
 dL( x;  ) Les solutions sont appelées
 =0 « points critiques »
 dx2
...
 

 dL( x;  ) Nature des points critiques ?

©Widenlocher  = gi ( x ) = 0
 di 136
 4

Optimisation respectant
Ph. Guerlain
plusieurs contraintes
La dérivée 2ème aide à déterminer la nature des
extrema. Dans le cas d’un système de 2 variables,
on définit le critère  *
 N
L( x; y;  ) = f ( x; y ) −  i g i ( x; y )
i =1

   2
 L( x; y;  )  L( x; y;  )   L( x; y;  ) 
2 2 2
* = . −  

x 2
y 2
 x  y 

137
 4

Optimisation respectant
Ph. Guerlain
plusieurs contraintes
   2
 L( x; y;  )  L( x; y;  )   L( x; y;  ) 
2 2 2
* = . −  

x 2
y 2
 x  y 

*  0 *  0
 
 L( x; y;  )
2
 L( x; y;  )
2
0 0
x 2
x 2

Indéfini, and and

 
L( x; y;  ) doit  L( x; y;  )
2
 L( x; y;  )
2

être observée près 0 0

du point critique. y 2
y 2

minimum maximum
138
 4

Ph. Guerlain
Exemple
Soient x et y, 2 facteurs de production coutant respectivement 10€ et 2€.

La fonction de production d’une entreprise est : Q ( x; y ) = 7 xy

Les achats sont limités à 10000€ d’où la contrainte : 10 x + 2 y = 10000

Quelle est la production optimale de l’entreprise ?

©Widenlocher 139
 4

Ph. Guerlain
Faisabilité
Points critiques de Q ( x; y ) = 7 xy
Q( x; y )
=0 x=0
x
Q( x; y ) y=0
=0
y

Ce point critique (x=0; y=0) ne respecte pas la contrainte 10 x + 2 y = 10000

La contrainte est qualifiée ! (i.e. c’est bien une contrainte)

140
 4

Ph. Guerlain
Faisabilité
Utilité de la condition de qualification des contraintes

Si on est sur la
contrainte à l’optimum,
y la contrainte ne sert En simplifiant, le
plus à rien ! gradient oriente les
recherches et si on est
déjà à l’optimum, vers
A
où faut-il aller ?
B

grad(f)
x

141
 4

Ph. Guerlain
Résolution
Le lagrangien s’écrit :

L( x; y;  ) = Q( x; y ) −  (10 x + 2 y − 10000)
Les points critiques sont obtenus en résolvant le système:

 L( x; y;  )
 = 7 y − 10 = 0
 x ©Widenlocher

 L( x; y;  )
 = 7 x − 2 = 0
 y
 L( x; y;  )
 = −(10 x + 2 y − 10000) = 0
 
142
 4

Ph. Guerlain
Résultat
 10  10

y =
10
  y =   y = 
 7 
7

7
  2  2
 2  x =   x = 
 x =  7 7
7  
  2 10 20 + 20 − 70000 = 0
10 x + 2 y − 10000 = 0 10.
 7  + 2.  − 10000 = 0 
  7 


 10  10
 y =   y = (1750) = 2500
7 7
 
 2  2
 x =    x = (1750) = 500
 7  7
 70000  70000
  = = 1750   = = 1750
 40  40

143
 4

Ph. Guerlain
Vérification
L( x; y;  )
= 7(2500) − 10(1750) = 0
x
x = 500
L( x; y;  )
y = 2500 Vérification = 7(500) − 2(1750) = 0
Ok !
y
 = 1750
L( x; y;  )
= 10(500) + 2(2500) − 10000 = 0


Quantité optimale produite:

Q( x; y ) = Q(500; 2500) = 7 xy = 7(500)(2500) = 8.750.000

144
 4

Ph. Guerlain
Nature de l’optimum
2
 L( x; y;  )  L( x; y;  )   L( x; y;  ) 
2 2 2
* = . −  = −49
x 2
y 2
 xy 

0 0 7

Nature indéfinie mais, vu Q(x;y), tout porte à croire qu’il s’agit d’un maximum !

En effet, Q(0;0)=0, or:

Q(500; 2500) = 7 xy = 7(500)(2500) = 8.750.000

145
 4

Ph. Guerlain
Signification de λ
exemple si x augmente

Si x augmente légèrement d’une valeur dx, la quantité produite augmente de

dQ = 7(dx)( y )
Si on relâche la contrainte de 1€ pour produire ce dx supplémentaire:

10( x + dx) + 2 y = 10001 au lieu de 10 x + 2 y = 10000

1
Donc: 10dx = 1  dx =
10

dQ = 7(dx)( y ) = 7( )(2500) = 1750 = 

1
Dans ce cas,
10
 est la rentabilité marginale de l’argent investit pour relâcher la contrainte de 1€ !!!
146
 4

Ph. Guerlain
Signification de λ
exemple si x augmente

Si y augmente légèrement d’une valeur dy, la quantité produite augmente de

dQ = 7( x)(dy )
Si on relâche la contrainte de 1€ pour produire ce dy supplémentaire:

10 x + 2( y + dy ) = 10001 au lieu de 10 x + 2 y = 10000

1
Donc: 2dy = 1  dy =
2

dQ = 7( x)(dy ) = 7(500)( ) = 1750 = 

1
Dans ce cas,
2
 est la rentabilité marginale de l’argent investit pour relâcher la contrainte de 1€ !!!
147
 4

Ph. Guerlain
Signification de λ
exemple si x et y augmentent tous les deux

Si x et y augmentent légèrement d’une valeur dx et dy à parts égales,

la quantité produite augmente de
dQ = 7(dx)(dy )
Si on relâche la contrainte de 1€ pour produire ces dx et dy supplémentaires:

10( x + dx) + 2( y + dy ) = 10001 au lieu de 10 x + 2 y = 10000

Si on partage le 1€ à parts égales (autres partages possibles) entre les x et les y:
10dx = 0,5  dx = 0, 05
10dx + 2dy = 1   
 2dy = 0,5 dy = 0, 25
Dans ce cas,
dQ = 7( x)(dy ) + 7( dx)( y ) = 7(500)(0, 25) + 7(2500)(0.05) = 1750 = 
 est la rentabilité marginale de l’argent investit pour relâcher la contrainte de 1€ !!!
148
 4

Ph. Guerlain
Signification de λ

Donc, à l’optimum:

Rentabilité marginale
=
Coût marginal

Attention:
Si  =0 , la contrainte n’est pas active

149
 3

Ph. Guerlain
Exemple
Fonction f ( x; y ) = x ² y Contrainte g ( x; y ) = x ² + y ² − 3 = 0

150
 3

Ph. Guerlain
Exemple
Surface sur laquelle on cherche des extrema

f ( x; y ) = x ² y

x
Contrainte
g ( x; y ) = x ² + y ² − 3 = 0 x

C’est un cylindre de rayon R = 3

centré en (x = 0; y = 0)

Src: Wikipedia.org
151
 3

Ph. Guerlain
Exemple
Surface sur laquelle on cherche des extrema

f ( x; y ) = x ² y
Points critiques de la fonction x
 f ( x; y )
 x = 2 xy = 0 x = 0 x
 f ( x; y ) 
 = x² = 0 y = 0
 y
x
La contrainte est qualifiée car:

g (0;0) = x ² + y − 3 = −3  0
Src: Wikipedia.org
152
 3

Ph. Guerlain
Exemple
Lagrangien

L( x; y;  ) = x ² y +  ( x ² + y ² − 3)

Points critiques du Lagrangien

x
 L( x; y;  )
 = 2 xy + 2 x = 0
 x  x( y +  ) = 0 x
 L( x; y;  ) 
 = x ² + 2 y  = 0   x ² = −2 y
  y  x² + y ² − 3 = 0
 L( x; y;  ) 
 = x² + y ² − 3 = 0
 
x

Src: Wikipedia.org
153
 3

Ph. Guerlain
Exemple
 L( x; y;  )
 = 2 xy + 2 x = 0
 x  x( y +  ) = 0 x=0 ou y = −
 L( x; y;  ) 
 = x ² + 2 y = 0   x ² = −2 y
 y  x² + y ² − 3 = 0
 L( x; y;  ) 
 = x² + y ² − 3 = 0
 

Si x=0 0( y +  ) = 0  x = 0
  Deux solutions
 0² = − 2 y     =0
 0² + y ² = 3  Quatre solutions
 y =  3
Si  = −y  x( y +  ) = 0   = − y   = −y   = −y   = −y
    
 x ² = −2 y    x ² = 2 y ²   x ² = 2 y ²   x ² = 2 y ²  x =  2
 x² + y ² = 3  x ² + y ² = 3 2 y ² + y ² = 3  y = 1  y = 1
    
Solutions :
( x; y;  ) (0; − 3;0) (0; + 3;0) ( − 2;1; −1)( ) ( − 2; −1;1) (
2;1; −1 2; −1;1 ) 154
 3

Ph. Guerlain
Exemple
Nature des solutions :
2
 L( x; y;  )  L( x; y;  )   L( x; y;  ) 
2 2 2
= −  (
= +  )( ) ( )
 −
2
.  2 y 2 2 2 x
x 2
y 2
 xy 
En ( ) ( )
0; − 3;0 ,  * = −2 3 ( 0 ) − ( 0 ) = 0
2
indéfini

En (0; + 3;0) , * = ( +2 3 ) (0) − (0) = 0

2
indéfini

( − 2;1; −1) , * = (0)( −2) − ( −2 2 ) = −8

2
En indéfini

( 2;1; −1) , * = (0)( −2) − ( 2 2 ) = −8

2
En indéfini

( − 2; −1;1) , * = ( −4)( −2) − ( −2 2 ) = 0

2
En indéfini

( 2; −1;1) , * = ( −4)( −2) − ( 2 2 ) = 0

2
En indéfini
155
 3

Ph. Guerlain
Exemple ( )
f 0; + 3 =0
Minimum local
Etude locale f ( x; y ) = x ² y
Contrainte g ( x; y ) = x ² + y ² − 3 = 0

( )
f  2;1 = 2
x
En étudiant le Hessien

Maximum global

(
f  2; −1 = −2 ) x

Minimum global

(
f 0; − 3 =0 )
Maximum local x
156
 4

Ph. Guerlain
Contraintes ≤0 ou ≥0
Le principe peut être étendu aux contraintes de type g (x)  0 ou g( x)  0

On parle alors du Lagrangien généralisé ou des multiplicateurs de Kuhn & Tucker….

Dans ce cas, on rajoute des variables d’écart ou de surplus:

g (x)  0  g( x) + a² = 0

g( x)  0  g( x) − a² = 0

©Cazenove & William

157
 3

Ph. Guerlain
Dualité
Tout problème d’optimisation sous contrainte admet un
problème dual, une minimisation devient alors une
maximisation et réciproquement

Les agents maximisent leur utilité sous contrainte de budget.

Les agents minimisent leurs dépenses pour atteindre une

utilité donnée.
158
 5

Ph. Guerlain
5.La régression linéaire
Objectifs
1. Etablir un lien
entre les caractères

2. Synthétiser le
comportement du
système par un modèle
mathématique
Src: wikipédia

159
 5

Ph. Guerlain
Etablir le modèle
Système réel

Variables indépendantes Système Variables dépendantes

« boîte noire »

Système modélisé

Variables indépendantes Erreur résiduelle

Variables dépendantes

Modèle f (x) +  = y
160
 5

Ph. Guerlain
Aspect stochastique
Une même valeur de ‘x’ peut entrainer plusieurs réponses ‘y’ différentes
distribuées « aléatoirement » selon la loi normale,
d’où l’aspect stochastique de l’erreur résiduelle

Variable dépendante Variable indépendante

y = ax + b + 

Erreur résiduelle
Composante déterministe =
composante stochastique161
 5

Ph. Guerlain
Remarque
Quand on parle de régression linéaire, le terme linéaire s’applique aux
coefficients recherchés

y = ax + b + 

L’estimation se décrit à l’aide d’un accent circonflexe

ŷ = ax + b
162
 5

Ph. Guerlain
Hypothèses du modèle

Variances identiques des résidus

pour tout X (= homoscédasticité)
V ( i ) = s 2

Indépendance linéaire des résidus

Cov( i ;  j ) = 0, i  j

Idéalement, n>5 voire n>15

pour des raisons de Normalité

163
 Hypothèses du modèle
Ph. Guerlain
Décodage des gros mots

◼ Normalité du bruit

◼ Variance du bruit indépendante de la

variable à expliquer et de la variable
explicative

◼ Pas de structure de corrélation dans le

bruit. C’est un vrai bruit !
164
 5

Ph. Guerlain
Déterminer les paramètres
Relever 1 nuage de points

Choisir 1 relation fonctionnelle

entre les variables

Identifier les paramètres de

la fonction d’interpolation

yˆ i = f ( xi ) 165
 5

Ph. Guerlain
Méthode simple
En pratique, si le modèle est une droite, il existe une méthode simple:

1) La droite yˆ i = a.xi + b
passe au mieux (D minimum) quand elle passe par le barycentre du nuage de
points G( x; y )
Cov( x; y )
1) La pente de la droite idéale est: a=
V ( x)
1 1
Rappel : Cov ( X , Y ) =  ij i
n 1i  k
n ( x − x )( y j − y ) =  nij xi y j − ( xy )
n 1i  k
1 j l 1 j l
166
 5

Ph. Guerlain
Mais…
…le modèle peut inclure plusieurs variables indépendantes

zˆi = a.x + b.xi + c. y + d . yi + e

2
i
2
i

voire être autre chose qu’un polynôme

yˆi = k .e axi

©Widenlocher
La méthode simple ne suffit pas !

167
 5

Méthode des
Ph. Guerlain
Moindres Carrés Ordinaires (MCO)

Réduire l’écart entre les N points du nuage et la fonction censée l’approximer

Trouver la fonction

yˆ = f ( x )
qui minimise:
N
D =  di
di

i =0
168
 5

Ph. Guerlain
Calcul des distances
Distance euclidienne (la plus connue)

di = x 2 + y 2

Distance L1

di = x 2 + y 2

Distance L0

di di = x + y

Distance sur une composante

(la plus pratique ici)

di = ( y − y )
ˆ 2
169
 5

Ph. Guerlain
Détermination des paramètres
N
D =  ( yˆi − yi )2 Minimum, avec: yˆi = f a ,b ,... ( xi )
i =1

 D Toutes les dérivées premières selon les paramètres

 a = 0 de la fonction doivent s’annuler simultanément !

 D = 0
 b Attention: les variables sont a,b,…
 tous les points (xi; yi;…) sont connus et fixes
 ...

Système d’équations à résoudre plus ou moins complexe

selon la fonction d’approximation choisie
 5

Ph. Guerlain
Exemple pour une droite
N
D =  ( yˆi − yi )2 Minimum, avec: yˆ i = a.xi + b
i =1

D   (a.xi + b − yi ) D   (a.xi + b − yi )
2 2

= =0 et = =0
a a b b

 2( xi )(a.xi + b − yi ) = 0
N

i =1
et  2(1)(a.x + b − y ) = 0
i =1
i i

N N
2 (a.x + bxi − xi yi ) = 0
2
i et 2 (a.xi + b − yi ) = 0
i =1 i =1

N N N
a. x + b. xi −  xi . yi = 0
N N
a. xi + b.N −  yi = 0
2
i et
i =1 i =1 i =1 i =1 i =1

171
 5

Ph. Guerlain
Exemple pour une droite

Pour identifier les paramètres ‘a’ et ‘b’ de la droite ŷ = ax + b

il faut donc résoudre le système suivant:

 D  N 2 N N

 a = 0  a  xi + b xi =  xi . yi
 i =1 i =1 i =1
 
 D
N N
= 0  a  xi + bN =  yi
 b  i =1 i =1

172
 5

Ph. Guerlain
Exemple chiffré
Soient les points du tableau ci-dessous:

Point i= 1 2 3 4
x -2 -1 1 2
y -1 1 5 7

Application de la méthode des moindres carrés pour déterminer les paramètres :

 N 2 N N

 a  xi + b xi =  xi . yi 10a + 0b = 20 a = 2
 i =1 i =1 i =1
  
N
 a x + bN =
N
 0a + 4b = 12  b=3
 
i =1
i 
i =1
yi

Résultat: yˆ i = axi + b = 2 xi + 3 173

 5

Même exemple
Ph. Guerlain
sous forme matricielle
Soient les points du tableau ci-dessous:
x -2 -1 1 2
y -1 1 5 7

Application de la méthode des moindres carrés pour déterminer les paramètres :

 N 2 N
  N 
  xi  xi    xi . yi 
 .   =  i =1  = 
a 10 0   a   20 
 i =1 i =1
 .  =  
 N  b  N
  0 4   b   12 
  xi N    yi 
 i =1   i =1 
Résultat: yˆ i = axi + b = 2 xi + 3
Y = XA dont la solution est
ou pour les plus motivés, résolution matricielle de

( X T X ) −1 X T Y = ( X T X ) −1 X T XA = A 174
 5

Ph. Guerlain
Qualité de la régression
y Estimation
Point réel yˆ i = f ( xi )
yi
N
SCE =  ( yi − yˆi )2
N yˆ i
SCT =  ( yi − y ) 2 i =1
N
i =1
SCR =  ( yˆi − y ) 2
y i =1
y
SCT = SCR + SCE
car ( y − y ) = ( y − yˆ ) + ( yˆ − y )

xi x
La qualité se mesure en terme d’écart entre réalité et approximation ! 175
 5

Ph. Guerlain
Tableau de régression
Les écarts peuvent être synthétisés dans le tableau de régression suivant:

Ecarts Somme des carrés DDL Carré Moyen F

N
p-1
SCR =  ( yˆi − y ) 2
SCR CMR
CMR = F=
Ecart dû à la régression
i =1 p −1 CME
N-p
N SCE
SCE =  ( yi − yˆi ) 2 CME =
Erreur résiduelle N−p
i =1
N N-1
SCT =  ( yi − y ) 2

Ecart total i =1
=(p-1)+(N-p)
= SCR + SCE

p=nombre de paramètres du modèle

N=nombre de points utilisés pour la détermination des paramètres

176
 5

Ph. Guerlain
Qualité de la régression
Variance expliquée par la régression

Coefficient de détermination SCR SCE

(≠de R coefficient de corrélation)
R =
2
= 1−
SCT SCT

Variance totale observée

Coefficient F de fisher : il permet de tester H0: ’tous les paramètres sont nuls ’

177
 5

Ph. Guerlain
Cas de l’exemple chiffré
xi -2 -1 1 2
yi -1 1 5 7 y =3 R2 =
SCR
SCT
= 1−
SCE 40
=
SCT 40
=1
yˆi = 2 xi + 3 -1 1 5 7

Ecarts Somme des carrés DDL Carré Moyen F

N
SCR =  ( yˆi − y ) 2 = 40 1 CMR =
SCR
= 40 F=
CMR
→ +
Ecart dû à la régression i =1 1 CME
N
SCE
Erreur résiduelle
SCE =  ( yi − yˆi ) 2 = 0 2 CME = =0
i =1 2
N
SCT =  ( yi − y ) 2 = 40 3
Ecart total i =1

= SCR + SCE 178

 5

Ph. Guerlain
Utilité des paramètres
Il est possible de vérifier l’utilité d’un paramètre en vérifiant que:

paramètre
 t , p −1 où : p est le nombre de paramètre du modèle
 paramètre t est le fractile de la loi de Student bilatérale

avec :

 paramètre = V ( paramètre)
et:
1
V ( paramètre) = V (résidus) dans le cas d’un modèle polynomial
N

Remarque: V(résidus)=Carré moyen des résidus lu dans le tableau 179

 5

Intervalles de confiance
Ph. Guerlain
dans le cas d’une droite
Les variances des paramètres ‘a’ et ‘b’
sont calculées à partir de la variance s2 des résidus

   
1 x 2   
b = s  + N  1
 a2 = s 2  N 
2 2

N 2   ( x − x )2 
 
i =1
( xi − x )
   i 
i =1

Les intervalles de confiance des paramètres a et b de la fonction yˆ i = a.xi + b

sont alors donnés par :

b  t ,n − p −1. b et a  t ,n − p −1. a

180
 5

Intervalles de confiance
Ph. Guerlain
dans le cas d’une droite
y Erreur sup

ŷ = ax + b

b
Erreur inf
y
Pente min

Ordonnée max

Ordonnée min a
x
Pente max x
La droite de régression est inscrite entre les 2 courbes rouges!

Plus on s ’éloigne du barycentre, plus l’erreur est importante ! 181

 5

Ph. Guerlain
Remarques
◼ D’après les formules des intervalles de confiance, pour diminuer les
variances, il faut:
◼ Augmenter la taille N de l’échantillon
◼ Augmenter l’étendue des N données observées
◼ Diminuer la variance des résidus de l’échantillon
(réduire le bruit)

◼ Plus l’échantillon est grand plus les relations faibles sont identifiables, un
petit échantillon ne permettra d’identifier que de très fortes relations

◼ Pour éviter les biais de calcul, il est préférable de travailler avec des
variables centrées
X = x−x
yˆ i = a.xi + b Yˆi = a. X i + b
Y = y− y
◼ Ne pas oublier de filtrer les points fous ou alors de choisir un algorithme
robuste plus compliqué 182
 Importance du filtrage 5

Ph. Guerlain
Exemple (Introduction à la méthode statistique, B.Goldfarb,
données « Que choisir ? » N°422 bis, 2005)

Eau minérale Fluorures Sodium

Arcens 1,30 439,00
Les eaux minérales
Arvie 0,90 650,00 1800,00
Badoit 1,00 150,00
Beckerich 0,60 34,00 1600,00
Chateauneuf 3,00 651,00
Eau de Perrier 0,05 11,50 1400,00
Faustine 2,00 230,00
La Salvetat 0,25 7,00 1200,00

Perrier 0,05 11,50

1000,00
Sodium
Puits St-Georges 0,50 434,00
Pyrénées 0,05 31,00
Quézac 2,10 255,00 800,00 Série1
San Pellegrino 0,60 35,00
600,00
St-Diéry 0,30 385,00
St-Jean 1,10 228,00
400,00
St-Pierre 1,70 383,00
St-Yorre 9,00 1708,00
200,00
Vernet 1,30 120,00
Vernière 0,05 154,00
0,00
Vichy-Célestins 5,00 1172,00
0,00 2,00 4,00 6,00 8,00 10,00
Wattwiller 1,60 3,00
Fluorures
Moyenne
Ecart type
183
 5

Ph. Guerlain
Exemple non filtré
Eau minérale Fluorures Sodium
Arcens 1,30 439,00
Les eaux minérales
Arvie 0,90 650,00
Badoit 1,00 150,00
Beckerich 0,60 34,00 2000,00
Chateauneuf 3,00 651,00
1800,00
Eau de Perrier 0,05 11,50
1600,00
Faustine 2,00 230,00
La Salvetat 0,25 7,00 1400,00
y = 185,23x + 51,488
Perrier 0,05 11,50 R² = 0,8103
1200,00

Sodium
Puits St-Georges 0,50 434,00
Pyrénées 0,05 31,00 1000,00
Série1
Quézac 2,10 255,00 800,00
San Pellegrino 0,60 35,00 F=a.S+b
600,00
St-Diéry 0,30 385,00
St-Jean 1,10 228,00 400,00

St-Pierre 1,70 383,00 200,00

St-Yorre 9,00 1708,00
0,00
Vernet 1,30 120,00 0,00 2,00 4,00 6,00 8,00 10,00
Vernière 0,05 154,00
Vichy-Célestins 5,00 1172,00
Wattwiller 1,60 3,00 Fluorures
Moyenne 1,55 337,71
Ecart type 2,03 417,03
184
 5

Ph. Guerlain
Exemple non filtré
Les eaux minérales

Quartiles 25% 0,3 34

2000,00
Quartiles 75% 1,7 434 1800,00
St-Yorre
1600,00
EIQ 1,4 400
1400,00
Vichy y = 185,23x + 51,488
Borne Inf -1,1 -366 R² = 0,8103
1200,00

Borne sup 3,1 834 Sodium 1000,00

Série1
800,00
F=a.S+b
600,00
2 eaux se trouvent hors des bornes
400,00
(1,5x l’écart inter quartiles):
200,00

0,00
•Vichy Celestins 0,00 2,00 4,00 6,00 8,00 10,00
•St-Yorre
Fluorures

185
 5

Ph. Guerlain
Exemple filtré
Eau minérale Fluorures Sodium
Arcens 1,30 439,00
Les eaux minérales
Arvie 0,90 650,00 700,00
Badoit 1,00 150,00
Beckerich 0,60 34,00
600,00
Chateauneuf 3,00 651,00
Eau de Perrier 0,05 11,50
Faustine 2,00 230,00 500,00
La Salvetat 0,25 7,00
Perrier 0,05 11,50
Puits St-Georges 0,50 434,00 400,00
Sodium
Pyrénées 0,05 31,00
Quézac 2,10 255,00
300,00 Série1
San Pellegrino 0,60 35,00
St-Diéry 0,30 385,00
St-Jean 1,10 228,00 200,00
St-Pierre 1,70 383,00
St-Yorre
Vernet 1,30 120,00 100,00
Vernière 0,05 154,00
Vichy-Célestins
0,00
Wattwiller 1,60 3,00
0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50
Moyenne 0,97 221,68
Fluorures
Ecart type 0,81 208,09
186
 5

Ph. Guerlain
Exemple filtré
Eau minérale Fluorures Sodium
Arcens 1,30 439,00
Les eaux minérales
Arvie 0,90 650,00
Badoit 1,00 150,00
Beckerich 0,60 34,00 700,00
Chateauneuf 3,00 651,00
Eau de Perrier 0,05 11,50 600,00
Faustine 2,00 230,00
La Salvetat 0,25 7,00 500,00

Perrier 0,05 11,50

400,00

Sodium
Puits St-Georges 0,50 434,00
y = 129,27x + 96,154
Pyrénées 0,05 31,00
300,00 R² = 0,2534
Quézac 2,10 255,00
F=a.S+b
San Pellegrino 0,60 35,00
200,00
St-Diéry 0,30 385,00
St-Jean 1,10 228,00
100,00
St-Pierre 1,70 383,00
St-Yorre
0,00
Vernet 1,30 120,00 0,00 1,00 2,00 3,00 4,00
Vernière 0,05 154,00
Fluorures
Vichy-Célestins
Wattwiller
Moyenne
1,60
0,97
3,00
221,68
Corrélation quasi inexistante (R2=0,253) !!!
Ecart type 0,81 208,09
187
Ph. Guerlain

188
Les tribulations apeupréhistoriques de Nabuchodinosaure ©Widenlocher & Herlé