Académique Documents
Professionnel Documents
Culture Documents
Edition 2017
x [°C] x1 x2 .. xn
y [cm 3 ] y1 y2 .. yn
y5
y4
y3
y2
y1
x1 x2 x3 x4 x5
Pour des raisons physiques, on postule que y est une fonction affine de x:
y = ax+b
Etant donné l'imprécision des mesures, la loi théorique n'est vérifiée qu'approximativement:
⇀
y5 e5
⇀
y4 e4
⇀
y3 e3
⇀
e2 y2
⇀
e1 y1
x1 x2 x3 x4 x5
y2 - a x 2 - b y2 x2 1
∥ ∥ = ∥ -a -b ∥
... ... ... ...
yn - a x n - b yn xn 1
Autrement dit, dans ℝn , on donne le vecteur
y1
y2
y=
...
yn
et le sous-espace G, engendré par les vecteurs
x1 1
x2 1
g1 = , g2 = , dont les éléments sont g = a g 1 + b g2
... ...
xn 1
Déterminez les nombres a, b tels que
2
∥y - g ∥ = min
g1 .g1 g2 .g1
y.g
a
= 1
g1 .g2 g2 .g2 b y.g2
Les coefficients du système sont
n
g1 .g1 = x21 + x22 + ... + x2n = x2i
i=1
n
g2 .g1 = x1 + x2 + ... + xn = xi = g1 .g2
i=1
2 2 2
g2 .g2 = 1 + 1 + ... + 1 = n
n
y.g1 = y1 x1 + y2 x2 + ... + yn xn = xi yi
i=1
n
y.g2 = y1 + y2 + ... + yn = yi
i=1
x 1 3 4 6 8 9 11 14
y 1 2 4 4 5 7 8 9
n = Length[x]
longueur
g1 =
x
g2 = Table[1, {n}]
table
{1, 1, 1, 1, 1, 1, 1, 1}
524 56
56 8
v = {y.x, y.g2}
{364, 40}
{a, b} = LinearSolve[m, v]
résous équation linéaire
7 6
,
11 11
Les valeurs de a et b peuvent aussi être estimées approximativement à partir d'un graphique:
10
⇀
e8
⇀
8 e7
⇀
e6
⇀
e5
⇀ ⇀
4 e3 e4
⇀
2 e2
⇀
e1
0 2 4 6 8 10 12 14
Fit[data, funs, vars] finds a least-squares fit to a list of data as a linear combination of the functions funs of variables vars.
{{1, 1}, {3, 2}, {4, 4}, {6, 4}, {8, 5}, {9, 7}, {11, 8}, {14, 9}}
Comme la lettre x est déjà utilisée pour désigner la liste des abscisses, on doit choisir une autre
lettre pour désigner la variable. Si on choisit comme variable le symbole t, les fonctions de base sont
f1 (t) = t, f2 (t) = 1
et la fonction que l'on cherche est une combinaison linéaire des deux fonctions de base
a t + b = a f1 (t) + b f2 (t)
f[t_] = Fit[donnees, {t, 1}, t]
ajuste
0.545455 + 0.636364 t
1
En prenant un autre exemple, Fitdonnees, t2 , , t signifie que l'on combine les fonctions
t
1 1
t ↦ t2 et t ↦ t
pour obtenir la fonction d'ajustement t ↦ a· t 2 + b · t
dans laquelle a et b sont les
deux inconnues du problème d'ajustement.
Remarque: pour définir la fonction, utiliser une assignation immédiate "=" plutôt qu'une assignation
différée ":=".
x 1 3 4 6 8 9 11 14
y 1 2 4 4 5 7 8 9
x [an] 1915 1920 1925 1930 1935 1940 1945 1950 1955
y [pour mille par an] 25. 23.7 21.3 18.9 16.9 17.9 19.5 23.6 24.6
24
22
20
18
16
On y remarque l'effet de la crise de 1929. Fixons l'origine du temps au premier juillet 1935
x [an] - 20 - 15 - 10 - 5 0 5 10 15 20
y [pour mille par an] 25. 23.7 21.3 18.9 16.9 17.9 19.5 23.6 24.6
24
22
20
18
16
-20 -10 10 20
x [kg] 70 68 63 72 60 66 70 74 65 62 67 65
y [cm] 155 152 150 180 135 156 168 178 160 132 145 139
Ajustons d'abord la droite y = a x + b au sens des moindres carrés; cette droite est aussi appelée
- 60.7461 + 3.21565 t
Ajustons ensuite la droite x = m y + p au sens des moindres carrés; cette droite est aussi appelée
droite de régression de x en fonction de y; on obtient
Fit[Transpose[{y, x}], {t, 1}, t]
aju⋯ transposée
31.1078 + 0.231733 t
Questions:
a) Pourquoi les deux fonctions affines ne sont-elles pas réciproques ?
b) Ajustez la droite y = a x + b en minimisant la somme des carrés des résidus horizontaux.
§ 3.2 Moindres carrés pondérés [Pour OS PAM seulement]
On peut donner plus d'importance à certaines mesures en les répétant. Reprenons l'exemple
numérique du § 3.1 en répétant deux fois la première mesure et trois fois la dernière:
x = {1, 1, 3, 4, 6, 8, 9, 11, 14, 14, 14};
y = {1, 1, 2, 4, 4, 5, 7, 8, 9, 9, 9};
x 1 1 3 4 6 8 9 11 14 14 14
y 1 1 2 4 4 5 7 8 9 9 9
Alors, dans l'expression des moindres carrés apparaissent des coefficients appelés "poids":
2 (1 - a 1 - b)2 + (2 - a 3 - b)2 + (4 - a 4 - b)2 + (4 - a 6 - b)2 +
(5 - a 8 - b)2 + (7 - a 9 - b)2 + (8 - a 11 - b)2 + 3 (9 - a 14 - b)2
Avec de tels poids, la réponse obtenue est différente:
donnees = Transpose[{x, y}];
transposée
Fit[donnees, {t, 1}, t]
ajuste
0.579315 + 0.619147 t
Avec ce nouveau produit scalaire pondéré, la norme des vecteurs ne sera plus la norme euclidienne
usuelle mais sera aussi pondérée par les coefficients souhaités:
→ 2 → →
∥ e ∥ = e e = c1 e21 + c2 e22 + ... + cn e2n
Pour que la norme de ce vecteur soit minimale, il suffit de calculer la projection orthogonale en
remplaçant le produit scalaire usuel par le nouveau produit scalaire pondéré.
n = Length[x]
longueur
g2 = Table[1, {n}]
table
{1, 1, 1, 1, 1, 1, 1, 1}
917 85
85 11
{0.619147, 0.579315}
x 0 1 2 3 4 5 6 7
y 100 103 107 109 111 114 117 121
c 0.05 0.1 0.15 0.2 0.2 0.15 0.1 0.05
Ajustez la droite y = a x + b au sens des moindres carrés pondérés en prenant pour poids les
fréquences ci .
Directive: répétez toute la démarche en 5 étapes.
§ 3.3 Ajustement par une combinaison linéaire de fonctions à plusieurs variables
Exercice 3.3-1
On a choisi 12 garçons au hasard et on a mesuré
x = l'âge, en années;
y = le tour de taille, en cm;
z = le tour de poitrine, en cm.
x = {8, 10, 6, 11, 8, 7, 10, 9, 10, 6, 12, 9};
y = {57, 59, 49, 62, 51, 50, 55, 48, 52, 42, 61, 57};
z = {64, 71, 53, 67, 55, 58, 77, 57, 56, 51, 76, 68};
x [an] 8 10 6 11 8 7 10 9 10 6 12 9
y [cm] 57 59 49 62 51 50 55 48 52 42 61 57
z [cm] 64 71 53 67 55 58 77 57 56 51 76 68
Exemple
Ajustez les paramètres c0 , ..., c5 de la fonction
f (x) = c 0 + c1 cos (x) + c2 sin (x) + c3 cos (2 x) + c4 sin (2 x) + c5 cos (3 x)
aux données
2π 2π 2π 2π
(0, 0), , 0.2 , 2 , 0.5 , 3 , 0.3 , 4 , -0.2 ,
9 9 9 9
2π 2π 2π 2π
5 , -0.4 , 6 , -0.1 , 7 , 0.1 , 8 , -0.1
9 9 9 9
Dans un premier temps, résolvons ce problème comme un ajustement au sens des moindres carrés
selon la méthode générale du § 3.1:
2π 2π 2π
p = {0, 0}, , 0.2, 2 , 0.5, 3 , 0.3,
9 9 9
2π 2π 2π 2π 2π
4 , - 0.2, 5 , - 0.4, 6 , - 0.1, 7 , 0.1, 8 , - 0.1;
9 9 9 9 9
x = Transpose[p][[1]]
transposée
2π 4π 2π 8π 10 π 4π 14 π 16 π
0, , , , , , , ,
9 9 3 9 9 3 9 9
n = Length[x]
longueur
{1, 1, 1, 1, 1, 1, 1, 1, 1}
g[1] = Cos[x]
cosinus
2π π 1 π π 1 π 2π
1, Cos , Sin , - , - Cos , - Cos , - , Sin , Cos
9 18 2 9 9 2 18 9
g[2] = Sin[x]
sinus
2π π 3 π π 3 π 2π
0, Sin , Cos , , Sin , - Sin , - , - Cos , - Sin
9 18 2 9 9 2 18 9
g[3] = Cos[2 x]
cosinus
π π 1 2π 2π 1 π π
1, Sin , - Cos , - , Cos , Cos , - , - Cos , Sin
18 9 2 9 9 2 9 18
g[4] = Sin[2 x]
sinus
π π 3 2π 2π 3 π π
0, Cos , Sin , - , - Sin , Sin , , - Sin , - Cos
18 9 2 9 9 2 9 18
g[5] = Cos[3 x]
cosinus
11 1 1 1 1
1, - , - , 1, - , - , 1, - , -
2 2 2 2 2 2
k=6
6
y = Transpose[p][[2]]
transposée
c = LinearSolve[m, v]
résous équation linéaire
0.4
0.2
1 2 3 4 5 6
-0.2
-0.4
Généralisation
Fonctions de base de Fourier
2π
Généralisons à des fonctions périodiques de période T. En posant ω = T
, choisissons les k fonc-
tions suivantes
f0 (t) = 1,
f1 (t) = cos (ω t), f2 (t) = sin (ω t),
f3 (t) = cos (2 ω t), f4 (t) = sin (2 ω t),
f5 (t) = cos (3 ω t), f6 (t) = sin (3 ω t),
f7 (t) = cos (4 ω t), ...,
fk-1 (t) = ⋯
c'est-à-dire
cos j+1
2
ω t si j est impair
f0 (t) = 1, fj (t) = , j = 1, 2, ..., k - 1
sin j2 ω t si j est pair
T
tj = j , j = 0, 1, ... , n - 1
n
On suppose que k ≤ n.
En ces abscisses, on donne les valeurs correspondantes
y0 , y1 , y2 , ..., yn-1
Vecteurs de base
Les vecteurs de base de l'espace vectoriel sur lequel on effectue la projection orthogonale sont
g0 , g1 , ..., gk-1
cos (0) cos (0)
1 cos 2nπ cos 4nπ fk-1 (t0 )
1 2π 4π
fk-1 (t1 )
1 cos 2 n
cos 2 n
fk-1 (t2 )
g0 = , g1 = , .., g3 = , .., gk-1 =
1 cos 3 2π
cos 3 4π
fk-1 (t3 )
n n
... ...
... ...
1 2π 4π fk-1 (tn-1 )
cos (n-1)
n
cos (n-1)
n
Théorème 3.4
Avec les choix effectués ci-dessus, les vecteurs g0 , g1 , ..., gk-1 sont orthogonaux, c'est-à-dire
gi .gj = 0 pour i≠j
En d'autres termes, les équations normales sont un système diagonal. (Voir exercices).
Corollaire
Pour ajuster la fonction
f (t) = c0 f0 (t) + c1 f1 (t) + ... + ck-1 fk-1 (t)
aux données, le calcul des coefficients peut s'effectuer simplement au moyen de la formule
y.gj
cj = , j = 0, 1, ..., k - 1
gj .gj
Ces coefficients sont appelés "coefficents de Fourier".
La fonction d'ajustement est périodique de période T .
Les résidus suivants sont minimaux au sens des moindres carrés:
e0 = y0 - f (t0 ), ..., ek-1 = yk-1 - f (tk-1 )
Application
Dans le cas où le nombre de points d'échantillonnage est élevé, la résolution des équations nor-
males peut prendre un temps excessif. On peut éviter de former la matrice m, le vecteur v et d'exé-
cuter LinearSolve[m, v]. En lieu et place, on utilise la forme explicite de la réponse:
y.g[j]
c = Table , {j, 0, k - 1}
table g[j].g[j]
Il est encore possible d'améliorer la vitesse de calcul (par exemple, on peut donner les valeurs de
g[i].g[j]) mais cela sortirait du cadre de ce cours. La méthode de calcul optimalisée s'appelle
"transformée de Fourier rapide" (en anglais "Fast Fourier Transform" abrégé FFT).
Cas particulier de l'interpolation
Dans le cas où k = n, les résidus sont nuls et la fonction d'ajustement passe par les points donnés:
y0 = f (t0 ), ..., yn-1 = f (tn-1 )
Au lieu d'ajustement, on parle alors d'interpolation. Un chapitre entier est consacré à ce thème.
Exercice 3.4 - 1
Voici le tableau des températures diurnes moyennes collectées en un lieu imaginaire
Jan Févr Mars Avr Mai Juin Juil Août Sept Oct Nov Dec
-1 -2 3 5 8 12 15 14 10 8 5 0
Exercice 3.4 - 2
Ecrivez explicitement les assertions du théorème 3.4 sous la forme d'énoncés trigonométriques. Par
exemple,
n-1 2π
g0 · g1 = cos i =0
i=0 n
Indications
Le point O(0, 0) désignant l'origine, définissons les points Eij tels que
2π
cos i · j · n
OEji = 2π
sin i · j · n
12
15
14
18
17
1
4
8
9
4
1
Septembre
Novembre
Décembre
Octobre
Janvier
Février
Juillet
Mars
Août
Avril
Juin
Mai
Question a)
Ajustez la famille de fonctions
f (t) = a + b cos ( ω t) + c sin (ω t)
à ces températures.
Indications pour la question a)
1) Pour ajuster les 12 points donnés par une simple sinusoïde, nous ne prenons que
2π 2π
les 3 premières fonctions de base données dans la théorie : 1, cos 365 t, sin 365 t.
2) Associer les températures au 15 de chaque mois ne convient qu'approximativement
car les mois ont des durées inégales; par ailleurs, l'ajustement se calcule plus
T 2T 11 T
aisément pour la suite des abscisses 0, ,
12 12,
, ..., 12
; divisons l'année de 365
365 365 365 365 1825 365 2555 730 1095 1825 4015
0, , , , , , , , , , ,
12 6 4 3 12 2 12 3 4 6 12
365 365 365 365 1825 365 2555 730 1095 1825 4015
t [d] 0
12 6 4 3 12 2 12 3 4 6 12
y [°C] - 1 1 4 8 12 15 18 17 14 9 4 1
{0, 30, 61, 91, 122, 152, 182, 213, 243, 274, 304, 335}
16 septembre
16 novembre
17 décembre
17 octobre
16 janvier
15 février
17 juillet
18 mars
17 août
17 avril
18 mai
17 juin
122
152
182
213
243
274
304
335
30
61
91
0
Question b)
Ajustez la fonction
f (t) = a + d cos ( ω t - φ)
à ces températures.
Indications pour la question b)
Le point de départ est le résultat de la partie a)
f (t) = a + b cos(ω t) + c sin(ω t) que nous allons mettre sous la forme désirée. Pour ce faire, calcu-
lons les coordonnées polaires du vecteur suivant
b cos (φ)
=d
c sin (φ)
où d est la norme du vecteur (d est dénommé amplitude)
d= b2 + c 2
1 b
φ désigne l'angle entre les vecteurs et :
0 c
b c
cos (φ) = , sin (φ) =
d d
L'angle φ, dénommé déphasage, peut s'écrire
b
φ = sign (c) · arccos
d
En utilisant la relation trigonométrique (voir Formulaires et tables)
cos (α - β) = cos (α) cos (β) + sin (α) sin (β)
la fonction ajustée peut être transformée sous la forme souhaitée
b c
f (t) = a + d cos ( ω t) + sin (ω t)
=
d d
a + d ( cos ( ω t) cos (φ) + sin (ω t) sin (φ)) = a + d cos ( ω t - φ)
Question c)
Donnez une interprétation physique et graphique des grandeurs suivantes
1) a = température annuelle moyenne (en degrés Celsius);
2) d = amplitude thermique annuelle (en degrés Celsius);
φ
3) ω
= décalage temporel (en jours);
4) φ = déphasage (en radians).
Liens
Vers les corrigés des exercices du § 3 :
https://www.deleze.name/marcel/sec2/applmaths/csud/corriges/ajustements/3-ajust-cor.pdf
Partie a)
n n n n
ei = (yi - (a xi + b)) = yi - a xi + b n = 0 d ' après (éq. II)
i=1 i=1 i=1 i=1
Partie b)
n n n n n
xi ei = xi (yi - (a xi + b)) = xi yi - a x2i + b xi = 0 d ' après (éq. I)
i=1 i=1 i=1 i=1 i=1
y - a x2 y2 x2
∥ 2 ∥ = ∥ -a ∥
... ... ...
yn - a x n yn xn
Autrement dit, dans ℝn , on donne le vecteur
y1
y2
y=
...
yn
et le sous-espace G, engendré par le vecteur
x1
x2
g1 = , dont les éléments sont g = a g1
...
xn
Déterminez le nombres a tel que
2
∥ y - g ∥ = min
Numériquement,
x = {1, 3, 4, 6, 8, 9, 11, 14};
y = {1, 2, 4, 4, 5, 7, 8, 9};
x.y
a=
x.x
91
131
y2 - b y2 1
(y1 - b)2 + (y2 - b)2 + ... + (yn - b)2 = ∥ ∥ = ∥ -b ∥
... ... ...
yn - b yn 1
Autrement dit, dans ℝn , on donne le vecteur
y1
y2
y=
...
yn
et le sous-espace G, engendré par le vecteur
1
1
g1 = , dont les éléments sont g = b g1
...
1
Déterminez le nombres b tel que
2
∥ y - g ∥ = min
Numériquement,
y = {1, 2, 4, 4, 5, 7, 8, 9};
Apply[Plus, y]
b=
Length[y]
5
Interprétation : la moyenne arithmétique des nombres {y1 , y2 , ..., yn } est la quantité b pour
laquelle la somme des carrés des écarts est minimale:
(y1 - b)2 + (y2 - b)2 + ... + (yn - b)2 = min
26
24
22
20
18
16
-20 -10 10 20
Première méthode:
1°) permuter (x, y);
2°) ajuster la fonction affine aux données modifiées (y, x); c'est la droite de régres-
sion de x en fonction de y.
Ajustons la droite x = m y + p au sens des moindres carrés:
Fit[Transpose[{y, x}], {t, 1}, t]
aju⋯ transposée
31.1078 + 0.231733 t
- 60.7461 + 3.21565 t
180
170
160
150
140
130
62 64 66 68 70 72 74
tandis que, dans la première méthode, lorsqu'on calcule la droite de régression de x en fonction de
y, les écarts, qui sont de la forme
f i = xi - m y i - p
sont - dans le même repère (x, y) - représentés par des vecteurs horizontaux
180
170
160
150
140
130
62 64 66 68 70 72 74
Comme il s'agit de deux problèmes différents, on obtient généralement des résultats différents.
31.1078 + 0.231733 t
y1
y2
y=
...
yn
et le sous-espace G, engendré par le vecteur
x1 1
x2 1
g1 = , g2 = , dont les éléments sont g = a g1 + b g2
... ...
xn 1
Déterminez les nombres a, b tels que
-
y g
y - g = min
g1 g1 g2 g1
y g1
a
=
g1 g2 g2 g2 b y g2
∑ni=1 ci x2i ∑ni=1 ci xi a ∑ni=1 ci xi yi
=
∑ni=1 ci xi ∑ni=1 ci b ∑ni=1 ci yi
5-ème étape: résolution des équations normales
Numériquement,
x = {0, 1, 2, 3, 4, 5, 6, 7};
y = {100, 103, 107, 109, 111, 114, 117, 121};
c = {0.05, 0.1, 0.15, 0.2, 0.2, 0.15, 0.1, 0.05};
g1 = x; g2 = Table[1, {Length[x]}];
table longueur
ps[u_List, v_List] := (c * u).v;
m = ps[g1, g1] ps[g1, g2]
ps[g2, g1] ps[g2, g2]
{{15.5, 3.5}, {3.5, 1.}}
{a, b} = LinearSolve[m, v]
résous équation linéaire
{2.75385, 100.562}
120
115
110
105
2 4 6 8
x y a x + b e = y-(a x+b) c
0 100 100.562 - 0.561538 0.05
1 103 103.315 - 0.315385 0.1
2 107 106.069 0.930769 0.15
3 109 108.823 0.176923 0.2
4 111 111.577 - 0.576923 0.2
5 114 114.331 - 0.330769 0.15
6 117 117.085 - 0.0846154 0.1
7 121 119.838 1.16154 0.05
z2 - a x 2 - b y 2 - c z2 x2 y2 1
∥ ∥ = ∥ -a -b -c ∥
... ... ... ... ...
zn - a x n - b y n - c zn xn yn 1
Autrement dit, dans ℝn , on donne le vecteur
z1
z2
z=
...
zn
et le sous-espace G, engendré par les vecteurs
x1 y1 1
x2 y2 1
g1 = , g2 = , g3 = dont les éléments sont g = a g 1 + b g2 + c g3
... ... ...
xn yn 1
Déterminez les nombres a, b, c tels que
2
∥y - g ∥ = min
{a, b, c} = LinearSolve[m, v]
résous équation linéaire
5947 241 4805
, ,
3948 282 1316
N[{a, b, c}]
valeur numérique
n = Length[y]
longueur
12
Calculs:
2π
T = 12; ω = ;
T
T
t = Tablej , {j, 0, n - 1}
table n
{1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1}
g[1] = Cos[ω t ]
cosinus
3 1 1 3 3 1 1 3
1, , , 0, - , - , - 1, - , - , 0, ,
2 2 2 2 2 2 2 2
g[2] = Sin[ω t]
sinus
1 3 3 1 1 3 3 1
0, , , 1, , , 0, - , - , - 1, - ,-
2 2 2 2 2 2 2 2
k=3
3
y.g[j]
c = Table , {j, 0, k - 1}
table g[j].g[j]
77 1 1
, - 21 - 14 3 , - 5 - 2 3
12 6 6
15
10
2 4 6 8 10 12
5
Avec Mathematica, il est encore possible d'obtenir le résultat au moyen de la méthode Fit[..]
Clear[x];
efface
Fit[Transpose[{t, y}], {1, Cos[ω x], Sin[ω x]}, x]
aju⋯ transposée cosinus sinus
πx πx
6.41667 - 7.54145 Cos - 1.41068 Sin
6 6
365 365 365 365 1825 365 2555 730 1095 1825 4015
0, , , , , , , , , , ,
12 6 4 3 12 2 12 3 4 6 12
2π
T = 365; ω = ;
T
f[t_] := a + b Cos[ω t] + c Sin[ω t];
cosinus sinus
Le problème des moindres carrés consiste à déterminer le minimum de la somme des carrés des
résidus
(y1 - f (x1 ))2 + (y2 - f (x2 ))2 + ... + (y12 - f (x12 ))2
{1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1}
3 1 1 3 3 1 1 3
1, , , 0, - , - , - 1, - , - , 0, ,
2 2 2 2 2 2 2 2
1 3 3 1 1 3 3 1
0, , , 1, , , 0, - , - , - 1, - ,-
2 2 2 2 2 2 2 2
Le minimum est atteint lorsque le vecteur écart est orthogonal à chaque vecteur de la base du sous-
espace sur lequel on projette:
→ → →
e.g0 = 0, e.g1 = 0, e.g2 = 0
→ → →
y - a g0 - b g1 - c g2 .g0 = 0, y - a g0 - b g1 - c g2 .g1 = 0, y - a g0 - b g1 - c g2 .g2 = 0
→
a g0 .g0 + b g1 .g0 + c g2 .g0 = y.g0
→
a g0 .g1 + b g1 .g1 + c g2 .g1 = y.g1
→
a g0 .g2 + b g1 .g2 + c g2 .g2 = y.g2
→
g0 .g0 g1 .g0 g2 .g0 a y.g0
→
g0 .g1 g1 .g1 g2 .g1 b = y .g1
c →
g0 .g2 g1 .g2 g2 .g2 y.g2
m = {{g0.g0, g0.g1, g0.g2}, {g1.g0, g1.g1, g1.g2}, {g2.g0, g2.g1, g2.g2}};
MatrixForm[m]
apparence matricielle
12 0 0
0 6 0
0 0 6
102, - 28 - 15 3 , -2 - 3
{a, b, c} = LinearSolve[m, v]
résous équation linéaire
17 1 1
, - 28 - 15 3 , - 2 - 3
2 6 6
f[t]
17 1 17 1 2π 1 2π
+ - 28 - 15 3 , + - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 2 6 365 6 365
17 1 4π 1 4π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 365 6 365
17 1 6π 1 6π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 365 6 365
17 1 8π 1 8π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 365 6 365
17 1 2π 1 2π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 73 6 73
17 1 12 π 1 12 π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 365 6 365
17 1 14 π 1 14 π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 365 6 365
17 1 16 π 1 16 π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 365 6 365
17 1 18 π 1 18 π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 365 6 365
17 1 4π 1 4π
+ - 28 - 15 3 Cos + - 2 - 3 Sin ,
2 6 73 6 73
17 1 22 π 1 22 π
+ - 28 - 15 3 Cos + - 2 - 3 Sin
2 6 365 6 365
15
10
-5
Pour la correspondance avec le calendrier, on se réfère au tableau donné dans l'énoncé; par exem-
ple la température journalière moyenne au 17 octobre est, en degrés Celsius,
N[f[274]]
valeur numérique
9.08328
9.01827
N[c]
valeur numérique
- 0.622008
c est négatif
b
φ = - 1 ArcCos
d
arc cosinus
- 3.07257
Redéfinissons la fonction f
Clear[f]; f[t_] := a + d Cos[ω t - φ]; f[t]
efface cosinus
Il s'agit de la même fonction f que dans la partie a) mais récrite sous une autre forme.
d est l'amplitude thermique annuelle (la moitié de l'écart entre les températures extrêmes):
20
15
d
10
-5
Le décalage temporel
φ
Δt =
ω
- 178.49
Δt
jours
0 50 100 150 200 250 300 350
Le déphasage
φ
rad
π 3π
0 π 2π
2 2