Leçon 219 Extrema, existence, caractérisations,

recherche, exemples et applications

Dorian Cacitti-Holland
2020-2021

Références.
1. Analyse de Xavier Gourdon
2. Objectif agrégation
3. Calcul différentiel de Mohammed El Amrani
4. Cours d’analyse fonctionnel de Daniel Li
5. Analyse complexe d’Amar et Matheron
6. Eléments d’analyse réelle de Jean-Etienne Rombaldi
7. Petit guide de calcul différentiel de François Rouvière
8. Analyse numérique et équations différentielles de Jean-Pierre Demailly
9. Oraux X-ENS Analyse 4
10. Analyse matricielle de Jean-Etienne Rombaldi
11. Algèbre linéaire de Joseph Grifone

Développements.
1. Théorème de projection sur un convexe fermé non vide
2. Minimisation de fonctionnelle quadratique

Table des matières

1 Existence et unicité d’extrema 3
1.1 Fonctions continues sur un compact et fonctions coercives . . . . . . . . . . . 3
1.2 Fonctions et parties convexes . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Pour les fonctions à valeurs complexes . . . . . . . . . . . . . . . . . . . . . 4

2 Lien avec le calcul différentiel 5

2.1 Conditions du premier ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Conditions du second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Extrema sous contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1
3 Recherche numérique 6
3.1 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Minimisation de fonctionnelle quadratique . . . . . . . . . . . . . . . . . . . 7
3.3 Méthode des moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2
1 Existence et unicité d’extrema
1.1 Fonctions continues sur un compact et fonctions coercives
(Chapitres 1.3 d’Analyse de Xavier Gourdon et 1.6 d’Objectif agrégation, 5.1 de Calcul
différentiel de Mohammed El Amrani)
On considère U un ouvert de Rn , f : U −→ R et a ∈ U .
1. Définition : On dit que f admet un maximum (respectivement minimum) local en a
s’il existe V ∈ V(a) tel que ∀x ∈ V, f (x) ≤ f (a) (respectivement ≥), et on dit que f
admet un extremum local en a si f admet un maximum ou un minimum local en a
2. Défintion : On dit que f admet un maximum (respectivement minimum) global en a
si ∀x ∈ U, f (x) ≤ f (a) (respectivement ≥), et on dit que f admet un extremum global
si f admet un maximum ou un minimum global en f
3. Remarque : Un extremum global est local, mais pas l’inverse en général, x 7−→ x3 − x
admet un minimum local et un maximum local mais pas d’extrema globaux
4. Théorème : Une fonction continue sur un compact est bornée et atteint ses bornes
5. Application : Soit K1 et K2 deux compacts de Rn , alors il existe (x1 , x2 ) ∈ K 2 tel que
d(x1 , x2 ) = d(K1 , K2 ) (Exercice 1.3.3 d’Analyse de Xavier Gourdon)
6. Application : Soit E compact et f : E −→ E tel que ∀(x, y) ∈ E 2 , x 6= y ⇒
d(f (x), f (y)) < d(x, y), alors f admet un unique point fixe (Exercice 1.3.4 d’Analyse
de Xavier Gourdon)
7. Définition : On dit que f : Rn −→ R est coercive si f (x) −→ +∞
kxk→+∞

8. Exemple : f (y) = kx − yk est coercive par inégalité triangulaire

9. Proposition : Soit F fermé de E, si f : Rn −→ R coercive alors f est minorée sur F et
atteint son minimum
10. Application : Si F sous-espace de dimension finie de E alors d(x, F ) est atteint

1.2 Fonctions et parties convexes

(Chapitres 5.3 de Calcul différentiel de Mohammed El Amrani, II.2 du Cours d’analyse
fonctionnelle de Daniel Li et 3.1.3 d’Objectif agrégation)
1. Définition : Soit A ⊂ E avec E espace vectoriel, alors on dit que A est convexe si
∀(x, y) ∈ A2 , [x, y] ⊂ A
2. Exemple : Si A est un sous-espace vectoriel alors A est une partie convexe
3. Définition : Soit A convexe de E et f : A −→ R, alors on dit que f est convexe
(respectivement strictement convexe) si ∀(x, y) ∈ A2 , ∀t ∈ [0, 1], f ((1 − t)x + ty) ≤
(1 − t)f (x) + tf (y) (respecitivement < si x 6= y et t ∈ ]0, 1[)
4. Exemple : Une norme est convexe par inégalité triangulaire
5. Théorème : Si f : A −→ R strictement convexe avec A convexe alors il existe au plus
un point de A minimisant f sur A

3
 6. Théorème de projection sur un convexe fermé : Soit H de Hilbert, C convexe fermé
non vide de H, alors, pour tout x ∈ H, il existe un unique pC (x) ∈ C tel que d(x, C) =
kx − pC (x)k, de plus on a la caratérisation, pour y ∈ H, y = pC (x) si et seulement si
y ∈ C, ∀z ∈ C, Re(hx − y, z − yi) ≤ 0
7. Application : Théorème de représentation de Riesz : Soit H de Hilbert et φ ∈ H ∗ , alors
il existe un unique y ∈ H tel que ∀x ∈ H, φ(x) = hy, xi
8. Corollaire : Dans ce cas, soit ψ(x) = 21 kxk2 − Re(ϕ(x)), alors ψ admet un minimum
qu’elle atteint en un unique poitn y ∈ H
9. Théorème de Lax-Milgram : Soit H de Hilbert, B forme bilinéaire continue coercive
(ie il existe a ∈ R∗+ tel que ∀x ∈ H, B(x, x) ≥ α kxk2 ) et L ∈ H ∗ , alors il existe un
unique u ∈ H tel que ∀y ∈ H, L(y) = B(u, y) (Exercice II.5.14 du Cours d’analyse
fonctionnelle de Daniel Li)
10. Corollaire : Dans ce cas, si B est symétrique et J(x) = B(x, x) − 2L(x) alors u est
caractérisé par J(u) = min(J(x)) (Exercice II.5.14 du Cours d’analyse fonctionnelle
x∈H
de Daniel Li)

1.3 Pour les fonctions à valeurs complexes

(Chapitres 4.8 d’Analyse complexe d’Amar et Matheron et 7.3 d’Analyse complexe de
Patrice Tauvel)
On considère Ω ouvert de C et u ∈ C(Ω).
1. Définition : On dit que u vérifie la propriété de laRmoyenne (respectivement de la
1 2π
sous-moyenne) dans Ω si ∀D(z0 , r) ⊂ Ω, u(z0 ) = 2π 0
u(z0 + reit )dt (respectiement
≤)
2. Exemple : Si u holomorphe alors u vérifie la propriété de la moyenne
3. Remarque : Si u vérfie la propriété de la moyenne alors Re(u) et Im(U ) également et
|u| la sous-moyenne
4. Proposition : Si Ω connexe et u vérfiant la propriété de la moyenne et admettant un
maximum global alors u constante
5. Corollaire : Si Ω connexe et u holomorphe tel que |u| admette un maximum local alors
u constante
6. Corollaire : Si Ω connexe et u holomorphe non constante admettant un minimum local
alors ce minimum est nul, en particulier u s’annule au moins une fois
7. Théorème : Principe du maximum : Si Ω borné, u ∈ C(Ω) vérifiant la propriété de la
sous-moyenne alors ∀z0 ∈ Ω, u(z0 ) ≤ sup |u(z)| avec inégalté stricte si Ω connexe et u
z∈∂Ω
non constant
8. Corollaire : Si Ω borné et u ∈ C(Ω) ∩ H(Ω) alors ∀z0 ∈ Ω, |u(z0 )| ≤ sup |u(z)| avec
z∈∂Ω
inégalité stricte si Ω connexe et u non constante
9. Application : Lemme de Schwarz : Soit f ∈ H(D(0, 1) tel que f (0) = 0 et |f | < 1,
alors ∀z ∈ D(0, 1), |f (z)| ≤ |z|, |f 0 (0)| ≤ 1 et s’il y a égalité alors f = λid avec |λ| = 1

4
 z−a
10. Exemple : Les automorphismes de D(0, 1) sont exactement de la forme z 7−→ λ 1−az
avec |λ| = 1 et a ∈ D(0, 1)

2 Lien avec le calcul différentiel

2.1 Conditions du premier ordre
(Chapitres 5.1 de Calcul différentiel de Mohammed El Amrani et 9.1 des Eléments d’ana-
lyse réelle de Jean-Etienne Rombaldi)
On considère U ouvert de E de Banach.
1. Définition : Soit f : U −→ R différentiable et a ∈ U , alors on dit que a est un point
critique de f si df (a) = 0
2. Proposition : Si f différentiable en a extremum local alors df (a) = 0
3. Remarque : La réciproque est fausse, f (x) = x3 en 0
4. Remarque : Il ne faut pas oublier de regarder les points où f n’est pas différentiable
5. Exemple : f (x) = kxk admet un minimum global en 0 mais n’y est pas différentiable
◦
6. Théorème de Rolle : Soit K compact de E et f : K −→ R différentiable sur K,
◦
constante sur ∂K, alors il existe a ∈ K tel que df (a) = 0
7. Théorème : Soit f : [a, b] −→ R continue, dérivable sur ]a, b[ tel que f (a) = f (b) alors
il existe c ∈]a, b[ tel que f 0 (c)
8. Remarque : Dans ce cas f admet un extremum local en c

2.2 Conditions du second ordre

(Chapitres 5.1 de Calcul différentiel de Mohammed El Amrani)
On considère f : U ⊂ E −→ R deux fois différentiables et a ∈ U .
1. Proposition : Si f admet un minimum (respectivement maximum) local en a alors
df (a) = 0 et ∀h ∈ E, d2 f (a)(h, h) ≥ 0 (respectivement ≤)
P ∂2f
2. Remarque : ∀h ∈ E, d2 f (a)(h, h) = H(f )(a)(h, h) = ∂xi ∂xj
(a)hi hj , forme qua-
 2 1≤i,j≤n
dratique définie par la matrice symétrique ∂x∂i ∂x f
j
(a)
1≤i,j≤n
3. Définition : On dit que a est un point critique non dégénéré si la forme quadratique
hessienne h 7−→ d2 f (a)(h, h) est non dégénérée
4. Théorème : Si a point critique de f alors :
— Si q = d2 f (a) forme coercive positive (ie il existe ε ∈ R∗+ tel que q(h) ≥ ε khk2 )
alors f admet un minimum local strict en a (en dimension finie il suffit que q soit
définie positive)
— Si q = d2 f (a) forme coercive négative (ie il existe ε ∈ R∗+ tel que q(h) ≤ −ε khk2 )
alors f admet un maximum local strict en a (en dimension finie il suffit que q soit
définie négative)

5
 5. Remarque : Si la forme quadratique q est dégénérée alors il y a ambiguïté
6. Exemple : Si f (x, y) = x2 + λy 4 avec λ ∈ R alors (0, 0) est un minimum local si λ ≥ 0
et un col si λ < 0

2.3 Extrema sous contraintes

(Chapitre 6.3 du Calcul différentiel de Mohammed El Amrani)
On considère U ouvert de Rn .
1. Théorème des multiplicateurs de Lagrange (sous une contrainte) : Soit (f, g) ∈ C 1 (U, R)2
et Γ = g −1 ({0}) tels que f|Γ admette un extremum local en a ∈ Γ tel que dg(a) 6= 0,
alors il existe un unique λ ∈ R tel que d(f + λg)(a) = 0
2. Remarque : λ est appelé multiplicateur de Lagrange associé à la contrainte g = 0
3. Exemple : Si f (x, y) = x + y et Γ = {(x, y) ∈ R2 , x4 + y 4 = 1} alors f|Γ admet un
1 1 1 1
minimum en (−2− 4 , −2− 4 ) et un maximum en (−2 4 , 2− 4 )
4. Théorème des multiplicateurs de Lagrange (sous plusieurs contraintes) : Soit (f, g) ∈
C 1 (U, R) × C 1 (I, Rp ) et Γ = g −1 ({0}) tels que f|Γ admette un extremum  local ena ∈ Γ
p
P
et dg(a) soit surjective, alors il existe λ1 , ..., λp ∈ R uniques tels que d f + λi gi (a) =
i=1
0
2 2 2
 x √+ z et√ g(x,√y,z) = (x + y + z − 1, z − y)alors
5. Exemple : Si f (x, y, z) = f|Γ admet
√ √ √ 
un minimum global en − 3 , − 6 , − 6 et un maximum globale en 3 , 66 , 66
6 6 6 6

6. Théorème : Si U convexe, soit (f, g) ∈ C(U, R) × C(I, Rp ) et Γ = g −1 ({0}) tels qu’il

Pp
existe a ∈ Γ et λ1 , ..., λp ∈ R uniques tels que f et g différentiables en a, f + λi gi
i=1
p
 
P
convexe et d f + λi gi (a) = 0, alors f|Γ admet un minimum global en a
i=1
7. Remarque : Dans ce cas les hypothèses sur g sont plus faibles car le résultat ne repose
pas sur le théorème des fonctions implicites

3 Recherche numérique
3.1 Méthode de Newton
(Chapitres 4.49 du Petit guide de calcul différentiel de François Rouvière et IV.2.4 et
IV.3.3 d’Analyse numérique et équations différentielles de Jean-Pierre Demailly)
On considère f : [c, d] ⊂ R −→ R de classe C 2 avec f (c) < 0 < f (d) et f 0 > 0.
1. Lemme : f admet un admet un unique point fixe a ∈ ]c, d[ et pour tout x ∈ [c, d], il
00 (z)
existe z ∈ [a, x] tel que F (x) − a := x − ff0(x)
(x)
− a = 21 ff 0 (x) (x − a)2
2. Lemme : Il existe C ∈ R∗+ tel que ∀x ∈ [c, d], |F (x) − a| ≤ C|x − a|2 et il existe α ∈ R∗+
tel que I = [a − α, a + α] soit stable par F

6
 3. Théorème : Méthode de Newton : Soit x0 ∈ I, alors xn −→ a avec xn+1 = F (xn )
n→+∞
00
4. Corollaire : Si f > 0 alors I = [a, d] est stable par F et pour tout x0 ∈ I, (xn )n∈N est
strictement décroissante (ou constante) avec 0 ≤ xn+1 −a ≤ C(xn −a)2 et xn+1 −a ∼
n→+∞
1 f 00 (a)
2 f 0 (a)
(xn − a)2
5. Application : Soit y ∈ R∗+ et f (x) = x2 − y, alors la méthode de Newton permet
√
d’approcher y
6. Théorème : Méthode de Newton-Raphson : Soit U ouvert de Rn , f : U −→ Rn de classe
C 2 et a ∈ U tel que f (a) = 0 et df : U −→ GL(Rn ), alors a est un point fixe attractif
que l’on peut approcher par la suite (un )n∈N définie par un+1 = un − df (un )−1 (f (un ))
 2
x + xy − 2y 2 = 4
7. Exemple : On peut approcher la solution (x, y) de
xex + yey = 0

3.2 Minimisation de fonctionnelle quadratique

(Chapitre 5.15 d’Analyse matricielle de Jean-Etienne Rombaldi)
On considère A ∈ Sp++ (R) et b ∈ Rp .
1. Théorème : Soit U ouvert de Rp et ϕ : U −→ R différentiable en x0 ∈ U tel que ϕ
admette un extremum local en x0 , alors dϕ(x0 ) = 0
2. Définition : La fonctionnelle quadratique associée à A et b est ϕ(x) = 21 hAx, xi − hb, xi
3. Lemme : La fonctionnelle quadratique précédente ϕ est différentiable sur Rp et ∇ϕ(x) =
Ax − b
4. Théorème : La solution de Ax = b réalise le minimum global de la fonctionnelle ϕ
5. Lemme : Soit α = inf (Sp(A)) ∈ R∗+ , alors ∀x ∈ Rp , hAx, xi ≥ α kxk2
6. Proposition : La fonctionnelle quadratique précédente ϕ est différentiable sur Rn et
∇f (x) = Ax − b
7. Corollaire : Pour tout x ∈ Rp , Hf (x) = A ∈ Sp++ (R), donc f est strictement convexe
8. Propositon : f est coercive, ie f (x) −→ +∞
kxk→+∞
9. Théorème : La solution de Ax = b réalise l’unique minimum global de la fonctionnelle
ϕ
10. Théorème : Soit (xn )n∈N par xn+1 = xn − ρn ∇f (xn ) avec ∀n ∈ N, ρn = argmin(f (xn −
ρ∈R∗+
ρ∇f (xn )), alors xn −→ x∗ avec x∗ ∈ Rp unique minimum global de f
n→+∞
11. Application : On peut donc approcher numériquement la solution x ∈ Rp de Ax = b

3.3 Méthode des moindres carrés

(Exercice 7.23 d’Algèbre linéaire de Joseph Grifone)
On considère E et F deux espaces euclidiens et f ∈ L(E, F ).
1. Proposition : Il existe un unique f ∗ ∈ L(F, E) tel que ∀(x, y) ∈ E × F, hf (x), yi =
hx, f ∗ (y)i

7
2. Lemme : Si q = dim(E) ≤ dim(F ) = n et f injective alors det(f ∗ ◦ f ) 6= 0
3. Proposition : Spot p : F −→ F la projection orthogonale sur Im(f ), alors p = f ◦ (f ∗ ◦
f )−1
4. Définition : f − := (f ∗ ◦ f )−1 ◦ f ∗ est appelé l’inverse généralisé de f
 −
2 1  
1 18 15 −1
5. Exemple : A :=  1 −1  = 50
2 −10 14
1 3
6. Remarque : f − ◦ f = idE , f ◦ f − = p et si f bijective alors f − = f −1
7. Définition : Soit b ∈ F , si f injective alors on appelle solution des moindres carrés de
f (x) = b le vecteur x0 ∈ E tel que kf (x0 ) − bk = inf kf (x) − bk
x∈E

8. Théorème : La solution des moindres carrés de f (x) = b est donnée par x0 = f − (b)
 
1  
1 48 − a
9. Exemple : La solution des moindres carrés de Ax =  2  est x0 = 50
−22 + 14a
a