Introduction au calcul numérique

Correction des exercices

L3 SPI
Laurent Trassoudaine
25 mars 2024
2
Chapitre 1

Racines d'équations

1.1 Dichotomie - exo 1

Quel est le nombre d'itérations N nécessaire pour déterminer la racine d'une fonction comprise
dans l'intervalle [x0 ; x1 ] avec une précision ϵ ?
Application numérique : x0 = 1; x1 = 2; ϵ = 10−3 .

Dans l'algorithme de dichotomie, le découpage en deux de l'intervalle de recherche initial se poursuit

jusqu'à ce que la longueur de cet intervalle soit inférieure à 2ϵ. Initialement, la longueur de l'intervalle
est x1 − x0 . A la première itération, elle est divisée par deux, puis par quatre, etc ... Ainsi le nombre
N d'itérations nécessaires pour atteindre la précision requise est tel que :

x1 − x0
≤ 2ϵ
2N

A la limite on doit donc avoir

x1 − x0
= 2ϵ
2N

Ainsi
−x0
x1 − x0 ln x12ϵ
N = log2 =
2ϵ ln 2

Comme le nombre d'itération doit être entier, on a nalement :

!
−x0
ln x12ϵ
N = ent +1
ln 2

A.N. : N = 9

1.2 Dichotomie - exo 2

√
√ Calculer 2 à 10 près. On sait que la racine est comprise entre 1 et 2. √
−3
√
2 est racine de f (x) = x2 −2. On ne peut naturellement pas choisir f (x) = x− 2 car 2 est inconnue.

1
2 CHAPITRE 1. RACINES D'ÉQUATIONS

x0 x1 x2 f (x2 ) signe de f (x0 ).f (x2 )

1.00000000 2.00000000 1.50000000 0.25000000 -
1.00000000 1.50000000 1.25000000 -0.43750000 +
1.25000000 1.50000000 1.37500000 -0.10937500 +
1.37500000 1.50000000 1.43750000 0.06640625 -
1.37500000 1.43750000 1.40625000 -0.02246094 +
1.40625000 1.43750000 1.42187500 0.02172852 -
1.40625000 1.42187500 1.41406250 -0.00042725 +
1.41406250 1.42187500 1.41796875 0.01063538 -
1.41406250 1.41796875 1.41601562 0.00510025 -
1.41406250 1.41601562 1.41503906 0.00233555 -
1.41406250 1.41503906 1.41455078
√
Ainsi 2 = 1.414 ± 10−3 .

1.3 Newton
√
- Calculer 2 à 10−5 près. On sait que la racine est proche de 1.

On applique la suite :
f (xn )
xn+1 = xn − avec f (x) = x2 − 2
f ′ (xn )
Ainsi
x2n − 2
xn+1 = xn −
2xn
2x2n − x2n + 2
=
2xn
2
x +2
= n
2xn

xn xn+1
1.00000000 1.50000000
1.50000000 1.41666667
1.41666667 1.41421569
1.41421569 1.41421356
√
Ainsi 2 = 1.41421 ± 10−5 .
Chapitre 2

Méthodes numériques d'intégration

2.1 Intégration 1
π
On cherche à calculer I = f (x)dx pour la fonction numérique suivante :
R 2
0

x f (x)
0 0
π
8 0,382683
π
4 0,707107
3π
8 0,923880
π
2 1
1. calculer IT en approchant I par la méthode des trapèzes,
2. calculer IT C en approchant I par la méthode des trapèzes corrigée,
3. calculer IS en approchant I par la méthode des Simpson.
La méthode des trapèzes donne la valeur de l'intégrale à travers cette relation :
N −1 
" #
b − a f (a) + f (b) X b−a
IT = + f a+n
N 2 N
n=1

Dans cet exemple, N = 4, ∆x = b−a

N = π8 , a = 0; b = π2 , ainsi
 
f (a) + f (b)
IT = ∆x + f (x1 ) + f (x2 ) + f (x3 )
2
 
π π
= + 0, 382683 + 0, 707107 + 0, 923880
8 2×2
= 0, 987116

La correction de la méthode des trapèzes intervient comme suit :

∆x2  ′
f (b) − f ′ (a)

IT C = IT −
12
Les dérivées premières sont évaluées en utilisant le diérence nie à droite (respect. à gauche) pour la
dérivée à l'extrémité inférieure (resp. supérieure) de l'intervalle d'intégration :
∆x2 f (b) − f (x3 ) f (x1 ) − f (a)
 
IT C = IT − −
12 ∆x ∆x
∆x
= IT − [f (b) − f (x3 ) − f (x1 ) + f (a)]
12
π
= 0, 987116 − [1 − 0, 923880 − 0, 382683 + 0]
8 × 12
= 0, 997148

3
4 CHAPITRE 2. MÉTHODES NUMÉRIQUES D'INTÉGRATION

L'intégrale par la méthode de Simpson est donnée par :

 N N 
2 2
∆x  X X
IS = f (x0 ) + f (xN ) + 4 f (a + (2n − 1)∆x) + 2 f (a + (2n − 2)∆x)
3
n=1 n=2
2 2
" #
∆x X X
= f (a) + f (b) + 4 f (a + (2n − 1)∆x) + 2 f (a + (2n − 2)∆x)
3
n=1 n=2
∆x
= [f (a) + f (b) + 4(f (x1 ) + f (x3 )) + 2f (x2 )]
3
π
= [0 + 1 + 4(0, 382683 + 0, 923880) + 2 × 0, 707107]
8.3
= 1, 000135
Si l'on considère que les valeurs de la fonction numérique sont prises sur une arche de sinusoïde, la
valeur IS est plus proche de la valeur théorique de I . Même si cela est eectivement probable, on ne
peut pas tirer de conclusion dénitive car on ne connait pas formellement f (x). Si elle faisait apparaître
des lignes brisées entre les points, la méthodes des trapèzes serait à ce moment là exacte.

2.2 Intégration 2
Rπ
Calculer 0 sin(x)dx par la méthode des trapèzes et celle de Simpson pour ∆x = π
4 et ∆x = 10 .
π

Comme rappelé dans l'exercice précédent, pour la méthode des trapèzes, on a :

N −1
" #
f (a) + f (b) X
IT = ∆x + f (a + n∆x)
2
n=1
Ainsi
 
f (a) + f (b)
IT4 = ∆x + f (x1 ) + f (x2 ) + f (x3 )
2
  
π sin(0) + sin(π) π  π  3π
= + sin + sin + sin
4 2 4 2 4
= 1, 8961
De même
 
f (a) + f (b)
IT10 = ∆x + f (x1 ) + f (x2 ) + f (x3 ) + f (x4 ) + f (x5 ) + f (x6 ) + f (x7 ) + f (x8 ) + f (x9 )
2
        
π sin(0) + sin (π) π 2π 3π 4π 5π
IT10 = + sin + sin + sin + sin + sin +
10 2 10 10 10 10 10
       
6π 7π 8π 9π
sin + sin + sin + sin
10 10 10 10
IT10 = 1, 9835
Pour la méthode de Simpson, on a :
 N N 
2 2
∆x  X X
IS4 = f (x0 ) + f (xN ) + 4 f (a + (2n − 1)∆x) + 2 f (a + (2n − 2)∆x)
3
n=1 n=2
∆x
= [f (a) + f (b) + 4 (f (x1 ) + f (x3 )) + 2.f (x2 )]
3       
π π 3π 2π
= sin(0) + sin(π) + 4 sin + sin + 2 sin
12 4 4 4
= 2, 0045
2.3. INTÉGRATION 3 5

De même, pour ∆x = π
10 :

∆x
IS10 = [f (a) + f (b) + 4 (f (x1 ) + f (x3 ) + f (x5 ) + f (x7 ) + f (x9 )) + 2 (f (x2 ) + f (x4 ) + f (x6 ) + f (x8 ))]
3

           
π π 3π 5π 7π 9π
IS10 = sin(0) + sin(π) + 4 sin + sin + sin + sin + sin +
30 10 10 10 10 10
        
2π 4π 6π 8π
2 sin + sin + sin + sin
10 10 10 10

IS10 = 2, 0001
La méthode de Simpson donne de meilleurs résultats (proches de 2) car elle fait passer une parabole
par trois points consécutifs qui se rapproche davantage de la forme de la sinusoïde. Ceci est également
vrai si l'on compare IS4 et IT10 .

2.3 Intégration 3
R8
Calculer la solution exacte et la solution par la méthode de Simpson pour ∆x = 1 de 0 f (x)dx
pour f (x) successivement égale x, x2 , x3 et x4 .

R8
f (x) I= 0 f (x)dx IS

8
x2 1
x = 2 0 = 32 = 3 (0 + 8 + 4(1 + 3 + 5 + 7) + 2(2 + 4 + 6)) = 32

8
x3 1
x2 02 + 82 + 4(12 + 32 + 52 + 72 ) + 2(22 + 42 + 62 ) = 170, 67


= 3 0 = 170, 67 = 3

8
x4 1
x3 03 + 83 + 4(13 + 33 + 53 + 73 ) + 2(23 + 43 + 63 ) = 1024


= 4 0 = 1024 = 3

8
x5 1
x4 04 + 84 + 4(14 + 34 + 54 + 74 ) + 2(24 + 44 + 64 ) = 6554, 67


= 5 0 = 6553, 6 = 3

Simpson donne bien un résultat exact pour les polynômes jusqu'à l'ordre 3.
6 CHAPITRE 2. MÉTHODES NUMÉRIQUES D'INTÉGRATION
Chapitre 3

Intégration numérique des équations

diérentielles
On se propose d'appliquer les méthodes à l'exemple suivant :
 dy
dt = y + t
y(0) = 1

1. Donner la solution exacte de cette équation diérentielle. Application numérique : donner y(0, 1)
et y(0, 2).

La solution est obtenue en ajoutant la solution générale de l'équation sans second membre (ESSM)
et une solution particulière de l'équation avec second membre (EASM).

ESSM :
y ′ (t) − y(t) = 0
Une solution générale est de la fore y(t) = λet .

EASM :

Une solution particulière est de la forme yEASM = αt + β soit yEASM

′ = α.

En reportant les expressions dans l'EASM, on a donc


α=β
α − αt − β = t soit par identication
α = −1

La solution générale de l'EASM est donc :

y(t) = λet − t − 1

En appliquant les conditions initiales, on a :

y(0) = λ − 1 = 1 soit λ = 2

Finalement,
y(t) = 2et − t − 1 (3.1)
On trouve donc les deux valeurs de référence pour évaluer les méthodes numériques à venir :

y(0, 1) = 1, 110341
y(0, 2) = 1, 242805

2. Donner les équations de récurrence et 2 valeurs successives de y(t) avec ∆t = 0, 1 pour

7
8 CHAPITRE 3. INTÉGRATION NUMÉRIQUE DES ÉQUATIONS DIFFÉRENTIELLES

(a) la méthode d'Euler

On a la relation de récurrence

yn+1 = yn + ∆t.f (tn , yn )
tn = t0 + n.∆t

Dans notre cas particulier, f (tn , yn ) = tn + yn , ainsi :


yn+1 = yn + ∆t(tn + yn ) = (1 + ∆t)yn + ∆t.tn
tn = t0 + n.∆t
L'application numérique donne :

yn+1 = 1, 1 yn + 0, 1 tn
tn = 0, 1.n
et donc

y1 = 1, 1y0 + 0, 1t0
y1 = 1, 1 × 1 + 0, 1 × 0 = 1, 1
y2 = 1, 1.y1 + 0, 1.t1
y2 = 1, 1 × 1, 1 + 0, 1 × 0, 1 = 1, 22

(b) la méthode d'Euler à l'ordre 2

La relation de récurrence est

∆t2
 
∂f ∂f
yn+1 = yn + ∆t.f (tn , yn ) + . + f. (tn , yn )
2 ∂t ∂y
Dans notre cas, nous avons : 
 f (t, y) = t + y

∂f
∂t = 1
 ∂f = 1

∂y

Ainsi,  
∂f ∂f
+ f. (tn , yn ) = 1 + tn + yn
∂t ∂y
On a donc :
∆t2
yn+1 = yn + ∆t.(tn + yn ) + (1 + tn + yn )
2
∆t2 ∆t2 ∆t2
   
yn+1 = + tn ∆t + + yn 1 + ∆t +
2 2 2
yn+1 = 5.10−3 + 0, 105 tn + 1, 105 yn

Ainsi

y1 = 5.10−3 + 0, 105 × 0 + 1, 105 × 1 = 1, 11

y2 = 5.10−3 + 0, 105 × 0, 1 + 1, 105 × 1, 11 = 1, 24205

(c) la méthode de Heun

La relation de récurrence est

∆t
yn+1 = yn + [f (tn , yn ) + f (tn + ∆t, yn + ∆t.f (tn , yn ))]
2
 9

Ainsi,

∆t
yn+1 = yn + [(tn + yn ) + (tn + ∆t + yn + ∆t.(tn + yn )]
 2
∆t2 ∆t2 ∆t2
  
yn+1 = yn 1 + ∆t + + tn ∆t + +
2 2 2
yn+1 = 1, 105 yn + 0, 105 tn + 5.10−3

On obtient donc la même expression que précédemment.

y1 = 1, 11
y2 = 1, 24205

(d) RK2

La relation de récurrence est


 k1 = f (tn , yn )
k = f (tn + ∆t 2 , yn +
∆t
2 k1 )
 2
yn+1 = yn + ∆t.k2

Dans notre cas :

k1 = tn + yn
∆t ∆t
k2 = tn + + yn + k1
2 2
∆t ∆t
k2 = tn + + yn + (tn + yn )
2  2  
∆t ∆t ∆t
k2 = + tn 1 + + yn 1 +
2 2 2
yn+1 = yn + ∆t.k2
∆t2
   
∆t ∆t
yn+1 = yn + + ∆t.tn 1 + + ∆t.yn 1 +
2 2 2
2 2 2
   
∆t ∆t ∆t
yn+1 = yn 1 + ∆t + + tn ∆t + +
2 2 2
yn+1 = 1, 105 yn + 0, 105 tn + 5.10−3

On obtient donc la même expression que précédemment.

y1 = 1, 11
y2 = 1, 24205

(e) RK4

La relation de récurrence est


 k1 = f (tn , yn )
 k2 = f (tn + ∆t ∆t

2 , yn + 2 .k1 )


k3 = f (tn + ∆t ∆t
2 , yn + 2 .k2 )
k = f (tn + ∆t, yn + ∆t.k3 )

 4



yn+1 = yn + ∆t 6 (k1 + 2k2 + 2k3 + k4 )

Dans notre cas :

10 CHAPITRE 3. INTÉGRATION NUMÉRIQUE DES ÉQUATIONS DIFFÉRENTIELLES

k 1 = t n + yn
∆t ∆t
k2 = tn + + yn + k1
2 2
∆t ∆t
k2 = tn + + yn + (tn + yn )
2  2  
∆t ∆t ∆t
k2 = + tn 1 + + yn 1 +
2 2 2
    
∆t ∆t ∆t ∆t ∆t
k3 = tn + + yn + . + tn 1 + + yn 1 +
2 2 2 2 2
2 2 ∆t2
   
∆t ∆t ∆t ∆t
k3 = tn 1 + + + yn 1 + + + ∆t +
2 4 2 4 4
2 ∆t ∆t2 ∆t ∆t2
     
∆t ∆t
k4 = tn + ∆t + yn + ∆t tn 1 + + + yn 1 + + + +
2 4 2 4 2 4
2 3 2 3 2 ∆t3
   
∆t ∆t ∆t ∆t ∆t
k4 = tn 1 + ∆t + + + yn 1 + ∆t + + + ∆t + +
2 4 2 4 2 4

Ainsi,
    
∆t ∆t ∆t ∆t ∆t
yn+1 =yn + (tn + yn ) + + tn 1 + + yn 1 + +
6 3 2 2 2
∆t ∆t2 ∆t ∆t2 ∆t ∆t2
     
∆t
tn 1 + + + yn 1 + + + + +
3 2 4 2 4 2 4
∆t2 ∆t3 ∆t2 ∆t3 ∆t2 ∆t3
     
∆t
tn 1 + ∆t + + + yn 1 + ∆t + + + ∆t + +
6 2 4 2 4 2 4
soit
∆t ∆t ∆t2 ∆t ∆t2 ∆t3 ∆t ∆t2 ∆t3 ∆t4
 
yn+1 =yn 1 + + + + + + + + + + +
6 3 6 3 6 12 6 6 12 24
∆t ∆t ∆t2 ∆t ∆t2 ∆t3 ∆t ∆t2 ∆t3 ∆t4
 
tn + + + + + + + + + +
6 3 6 3 6 12 6 6 12 24
∆t2 ∆t2 ∆t3 ∆t2 ∆t3 ∆t4
+ + + + +
6 3 12 6 12 24

∆t2 ∆t3 ∆t4

 
yn+1 =yn 1 + ∆t + + + +
2 6 24
∆t2 ∆t3 ∆t4
 
tn ∆t + + + +
2 6 24
∆t2 ∆t3 ∆t4
+ +
2 6 24
Application numérique :
1, 1 × 24 + 12.10−2 + 4.10−3 + 10−4 2, 4 + 12.10−2 + 4.10−3 + 10−4
yn+1 = yn + tn +
24 24
12.10−2 + 4.10−3 + 10−4
24
265241 yn + 25241 tn + 1241
yn+1 =
240000
Ainsi
y1 = 1, 11034166
y2 = 1, 2428051
 11

L'annexe A présente de plus amples résultats obtenus sur cette équation par ces diérentes mé-
thodes.
12 CHAPITRE 3. INTÉGRATION NUMÉRIQUE DES ÉQUATIONS DIFFÉRENTIELLES
Chapitre 4

Interpolation
4.1 Formules de Newton-Cotes à l'ordre 1

n
X
I˜ = f (xk )αk
k=0
avec Z b
αk = Lk (x) dx
a

Pour qu'il y ait égalité stricte lorsque l'on remplace f (x) par un polynôme quelconque de degré
inférieur ou égal à 1, le système ne fait apparaître que deux équations :
Z b
pour f (x) = 1 : 1 dx = b − a = α0 + α1
a
b
b2 − a2
Z
pour f (x) = x : x dx = = α0 a + α1 b
a 2

Il s'agit donc de résoudre le système


α0 + α1 = b − a
2 2
α0 a + α1 b = b −a
2

De la première expression on déduit,

α0 = b − a − α1

que l'on substitue dans la seconde :

2ab − 2a2 − 2aα1 + 2bα1 = b2 − a2

ainsi
a2 + b2 − 2ab (a − b)2 b−a
α1 = = =
2b − 2a 2(b − a) 2
et donc
b−a b−a
α0 = b − a − =
2 2
Finalement
b−a
I˜ = (f (a) + f (b))
2
On retrouve donc la méthode des trapèzes.

13
14 CHAPITRE 4. INTERPOLATION

4.2 Splines naturelles

Soient les points de mesure (1 ; 1,1), (1,8 ; 2,3), (3,1 ; 2,4) et (4,2 ; 0,9). Calculer g(1, 5), g(2, 6) et
g(4) sachant que l'on interpole ces points de mesure par des splines naturelles.

An de se donner une idée d'un éventuel résultat, la gure 4.1 donne une représentation lissée de
l'interpolation des points de mesure susceptible d'être obtenue

Figure 4.1  Interpolation envisageable des points de mesure

En adoptant les notations vues en cours, pour les n + 1 mesures (n = 3), on a :

x0 = 1 f (x0 ) = 1, 1
∆x0 = 0, 8 x1 = 1, 8 f (x1 ) = 2, 3
∆x1 = 1, 3 x2 = 3, 1 f (x2 ) = 2, 4
∆x2 = 1, 1 x3 = 4, 2 f (x3 ) = 0, 9

La première étape consiste à déterminer les dérivées secondes aux abscisses des points de mesure.
En utilisant les splines naturelles, on impose g ′′ (x0 ) = g ′′ (x3 ) = 0 et on résout le système suivant pour
i = 1 et i = 2 :

∆xi−1 ′′ ∆xi + ∆xi−1 ′′ ∆xi ′′

g (xi−1 ) + g (xi ) + g (xi+1 )
6 3 6
f (xi+1 ) − f (xi ) f (xi ) − f (xi−1 )
= −
∆xi ∆xi−1

Pour i = 1
∆x1 + ∆x0 ′′ ∆x1 ′′ f (x2 ) − f (x1 ) f (x1 ) − f (x0 )
g (x1 ) + g (x2 ) = −
3 6 ∆x1 ∆x0
Pour i = 2
∆x1 ′′ ∆x2 + ∆x1 ′′ f (x3 ) − f (x2 ) f (x2 ) − f (x1 )
g (x1 ) + g (x2 ) = −
6 3 ∆x2 ∆x1
Soit à résoudre   
 2 × 2, 1 g ′′ (x1 ) + 1, 3 g ′′ (x2 ) = 6 0,1 − 1,2
 1,3 0,8 
 1, 3 g ′′ (x1 ) + 2 × 2, 4 g ′′ (x2 ) = 6 −1,5 − 0,1
1,1 1,3

Ainsi
h    i
−1,5
2 × 2, 4 × 6 0,1
1,3 −
1,2
0,8 − 1, 8 × 6 1,1 − 0,1
1,3
g ′′ (x1 ) = 2
2 × 2 × 2, 1 × 2, 4 − 1, 3
= −1, 610622543
h    i
0,1
1, 3 × 6 1,3 − 1,2
0,8 − 2 × 2, 1 × 6 −1,5
1,1 −
0,1
1,3
g ′′ (x2 ) = 2
2 × −1, 3 − 4 × 2, 1 × 2, 4
= −1, 364488246
4.2. SPLINES NATURELLES 15

Pour déterminer les valeurs de la spline, on applique la formule de g(x) dans le bon intervalle [xi ; xi+1 ].

g ′′ (xi ) (xi+1 − x)2

 
g(x) = (xi+1 − x) − ∆xi +
6 ∆xi
g ′′ (xi+1 ) (x − xi )2
 
(x − xi ) − ∆xi +
6 ∆xi
f (xi ) f (xi+1 )
(xi+1 − x) + (x − xi )
∆xi ∆xi
x0 < 1, 5 < x1 , on applique donc la formule avec i = 0

g ′′ (x1 ) (1, 5 − x0 )2
 
f (x0 ) f (x1 )
g(1, 5) = (1, 5 − x0 ) − ∆x0 + (x1 − 1, 5) + (1, 5 − x0 )
6 ∆x0 ∆x0 ∆x0
(1, 5 − 1)2
 
−1, 610622543 1, 1 2, 3
= (1, 5 − 1) − 0, 8 + (1, 8 − 1, 5) + (1, 5 − 1)
6 0, 8 0, 8 0, 8
= 1, 915

x1 < 2, 6 < x2 , on applique donc la formule avec i = 1

g ′′ (x1 ) (x2 − 2, 6)2

 
g(x) = (x2 − 2, 6) − ∆x1 +
6 ∆x1
′′ (2, 6 − x1 )2
 
g (x2 )
(2, 6 − x1 ) − ∆x1 +
6 ∆x1
f (x1 ) f (x2 )
(x2 − 2, 6) + (2, 6 − x1 )
∆x1 ∆x1
(3, 1 − 2, 6)2
 
−1, 610622543
= (3, 1 − 2, 6) − 1, 3 +
6 1, 3
(2, 6 − 1, 8)2
 
−1, 364488246
(2, 6 − 1, 8) − 1, 3 +
6 1, 3
2, 3 2, 4
(3, 1 − 2, 6) + (2, 6 − 1, 8)
1, 3 1, 3
=2, 657

x2 < 4 < x3 , on applique donc la formule avec i = 2

g ′′ (x2 ) (x3 − 4)2

 
f (x2 ) f (x3 )
g(x) = (x3 − 4) − ∆x2 + (x3 − 4) + (4 − x2 )
6 ∆x2 ∆x2 ∆x2
(4, 2 − 4)2
 
−1, 364488246 2, 4 0, 9
= (4, 2 − 4) − 1, 1 + (4, 2 − 4) + (4 − 3, 1)
6 1, 1 1, 1 1, 1
= 1, 221

L'annexe B présente une comparaison d'interpolations de Lagrange et Spline de points de mesure

pris sur une fonction de référence.
16 CHAPITRE 4. INTERPOLATION
Chapitre 5

Approximation
5.1 Application numérique de la régression linéaire

Déterminer a, b et r pour les points de mesures (1 ; 0,95), (2,1 ; 2,15), (7,8 ; 8,1).

On rappelle que Pn Pn Pn
n i=1 xi yi − i=1 xi i=1 yi
a=
n i=1 xi − ( i=1 xi )2
Pn 2
Pn
Pn 2
Pn Pn Pn
i=1 xi i=1 yi − i=1 xi i=1 xi yi
b= Pn Pn 2
2
n i=1 xi − ( i=1 xi )
(n i=1 xi yi − ni=1 xi ni=1 yi )2
Pn P P
r=  P  P 
n ni=1 x2i − ( ni=1 xi )2 n ni=1 yi2 − ( ni=1 yi )2
P P

Dans notre cas particulier, n = 3 et


 x1 = 1 y1 = 0, 95
x2 = 2, 1 y2 = 2, 15
x3 = 7, 8 y3 = 8, 1


3
X
xi = 1 + 2, 1 + 7, 8 = 10, 9
i=1
3
X
yi = 0, 95 + 2, 15 + 8, 1 = 11, 2
i=1
3
X
xi .yi = 1 × 0, 95 + 2, 1 × 2, 15 + 7, 8 × 8, 1 = 68, 645
i=1
3
X
x2i = 12 + 2, 12 + 7, 82 = 66, 25
i=1
3
X
yi2 = 0, 952 + 2, 152 + 8, 12 = 71, 135
i=1
ainsi
3 × 68, 645 − 10, 9 × 11, 2
a= = 1, 0489
3 × 66, 25 − 10, 92
66, 25 × 11, 2 − 10, 9 × 68, 645
b= = −0, 0779
3 × 66, 25 − 10, 92
(3 × 68, 645 − 10, 9 × 11, 2)2
r= = 0, 9999628
(3 × 66, 25 − 10, 92 )(3 × 66, 25 − 10, 92 )

17
18 CHAPITRE 5. APPROXIMATION

Compte tenu que les points de mesure semblaient relativement alignés sur la première bissectrice, on
trouve bien un coecient directeur proche de 1, une ordonnée à l'origine proche de 0, et un coecient
de corrélation proche de 1 car il est cohérent de faire passer une droite par ces trois points.

5.2 Application à la recherche des paramètres d'un cercle passant au

mieux par les points de mesure (xi , yi )

Déterminer le système de 3 équations à 3 inconnues à résoudre pour déterminer le centre (a, b) du
cercle ainsi que le paramètre c = R2 − (a2 + b2 ) dépendant du rayon R

L'équation d'un cercle de centre (a, b) et de rayon R est :

(x − a)2 + (y − b)2 = R2

En développant, on obtient :

x2 − 2ax + a2 + y 2 − 2by + b2 − R2 = 0

En posant c = R2 − a2 + b2 , il vient

x2 + y 2 − 2ax − 2by − c = 0

Pour un point de mesure (xi , yi ) donné, le résidu ri entre cette mesure et le modèle est donc

ri = x2i + yi2 − 2axi − 2byi − c

Le critère à minimiser an que le cercle passe au mieux par les points de mesure est donc
n n
X X
2
S(a, b, c) = ri2 = x2i + yi2 − 2axi − 2byi − c
i=1 i=1

S sera minimum lorsque chacune de ses dérivées partielles par rapport aux paramètres s'annulent. On
doit donc avoir  ∂S Pn
 ∂a = Pi=1 −4xi x2i + yi2 − 2axi − 2byi − c
= 0


∂S n 2 2
∂b = Pi=1 −4yi xi + yi − 2axi − 2byi −
c = 0
 ∂S n 2 2
∂c = i=1 −2 xi + yi − 2axi − 2byi − c = 0
soit  Pn
 Pi=1 xi x2i + yi2 − 2axi − 2byi − c
= 0


n 2 2
i=1 yi xi + yi − 2axi − 2byi −
c = 0
P n 2 2
i=1 xi + yi − 2axi − 2byi − c = 0


et enn le système
Pn Pn Pn Pn
 2a Pi=1 x2i + 2b P 3 2


i=1 xi yi + c P i=1 xi = P i=1 xi + yi xi

2a Pni=1 xi yi + 2b n 2
Pn i=1 yi + c i=1
n n 2 3
Pnyi = 2 i=12
xi yi + yi
n
2a i=1 xi + 2b i=1 yi + c.n = i=1 xi + yi


La gure 5.1 présente une illustration avec 15 points de mesure pris sur un cercle bleu de centre (2, 2) et
de rayon 1. L'écart-type du bruit ajouté vaut 0, 03. Le cercle vert ajusté a pour centre (2, 0026; 2, 0017)
et un rayon égal à 1, 0076.
5.2. APPLICATION À LA RECHERCHE DES PARAMÈTRES D'UN CERCLE PASSANT AU MIEUX PAR LES

Figure 5.1  Ajustement d'un cercle sur des points de mesure

20 CHAPITRE 5. APPROXIMATION
Chapitre 6

Résolutions de systèmes
6.1 Systèmes linéaires

Polynômes d'interpolation

On cherche le polynôme d'interpolation P passant par les points (xi , yi ) : (0, 0), (1, 1), (4, 2), (9,
3). Les coecients du polynôme sont déterminés directement en résolvant le système P (xi )) = yi ∀i =
0, · · · , 3 par la méthode du pivot de Gauss. Le polynôme est de la forme P (x) = a0 + a1 x + a2 x2 + a3 x3 .


 x 0 = 0 y0 = 0
x 1 = 1 y1 = 1

x = 4 y2 = 2
 2


x 3 = 9 y3 = 3
Chaque mesure vériant l'équation du polynôme, on a

a0 + 0.a1 + 02 .a2 + 03 .a3


 =0
a0 + 1.a1 + 12 .a2 + 13 .a3

=1

a + 4.a1 + 42 .a2 + 43 .a3 =2
 0


a0 + 9.a1 + 92 .a2 + 93 .a3 =3

soit sous forme matricielle      

1 0 0 0 a0 0
1 1 1 1  a1  1
 .  =  
1 4 16 64  a2  2
1 9 81 729 a3 3
On débute donc le processus de Gauss dans la conguration suivante, même si la valeur de a0 étant
immédiate, on aurait pu se contenter de traiter un système avec 3 équations uniquement.
 
1 0 0 0 0
 L2 ← L2 − L1
 1 1 1 1 1 

 1 4 16 64 2  L3 ← L3 − L1
1 9 81 729 3 L4 ← L4 − L1

On a ensuite les conguration suivante en vue de triangulariser la matrice puis de résoudre le système :
 
1 0 0 0 0
 0 1 1 1 1 
 
 0 4 16 64 2  L3 ← L3 − 4L2
0 9 81 729 3 L4 ← L4 − 9L2
 
1 0 0 0 0
 0 1 1 1 1 
 
 0 0 12 60 −2  L3 ← L3 /12
0 0 72 720 −6

21
22 CHAPITRE 6. RÉSOLUTIONS DE SYSTÈMES

 
1 0 0 0 0
 0 1 1 1 1 
 
 0 0 1 5 −1/6 
0 0 72 720 −6 L4 ← L4 − 72L3
 
1 0 0 0 0
 0 1 1 1 1 
 
 0 0 1 5 −1/6 
0 0 0 360 6 L4 ← L4 /360
 
1 0 0 0 0
 L2 ← L2 − L4
 0 1 1 1 1 

 0 0 1 5 −1/6  L3 ← L3 − 5L4
0 0 0 1 1/60
 
1 0 0 0 0
 L2 ← L2 − L3
 0 1 1 0 59/60 

 0 0 1 0 −15/60 
0 0 0 1 1/60
 
1 0 0 0 0
 0 1 0 0 74/60 
 
 0 0 1 0 −15/60 
0 0 0 1 1/60

On trouve donc x0 = 0, x1 = 30 ,
37
x2 = 4 ,
−1
x3 = 60 .
1

Illustration de la stratégie du pivot maximal

Soit le système

x1 + x2 = 1
avec ϵ > 0 et ϵ ≪ 1
ϵ.x1 + x2 = 21
Déterminer, par la méthode du pivot de Gauss,
a) la solution exacte du système
 
1 1 1
ϵ 1 1/2 L2 ← L2 − ϵL1

 
1 1 1
1
0 1−ϵ 2 −ϵ L2 ← L2 /(1 − ϵ)
!
1 1 1 L1 ← L1 − L2
1
−ϵ
0 1 2
1−ϵ
 1

−ϵ
 1 0 1 −1 1−ϵ 
2

−ϵ
0 1 2
1−ϵ

1
!
1 0 2(1−ϵ)
1
−ϵ
0 1 2
1−ϵ
1
−ϵ
Les solutions exactes sont donc x1 = 1
2(1−ϵ) et x2 = 1−ϵ .
2
Tout calcul fait, les solutions approchées
des solutions exactes sont x1 = 1
2 et x2 = 1
2 du fait que ϵ ≪ 1.
6.1. SYSTÈMES LINÉAIRES 23

b) la solution approchée, les équations étant prises dans cette ordre (pivot maximum)

Les approximations liées au fait que ϵ ≪ 1 sont prises en compte au l des calculs
 
1 1 1
ϵ 1 1/2 L2 ← L2 − ϵL1
 
1 1 1
1
0 1−ϵ 2 −ϵ
 
1 1 1 L1 ← L1 − L2
0 1 12
1
 
1 0 2
1
0 1 2

On a respecté la règle du pivot maximal : les solutions x1 = 1

2 et x2 = 1
2 sont bien des solutions
approchées des solutions exactes.
c) le solution approchée, l'ordre des équations étant inversé
 
ϵ 1 1/2 L1 ← L1 /ϵ
1 1 1
1
1 1ϵ 2ϵ
 

1 1 1 L2 ← L2 − L1
1 1
 
1 ϵ 2ϵ
 
1 1
0 1 − ϵ 1 − 2ϵ
1 1
 
1 ϵ 2ϵ
0 − 1ϵ 1
− 2ϵ L2 ← L2 (−ϵ)
1 1ϵ 1
 
2ϵ L1 ← L1 − L2/ϵ
1
0 1 2
1 1
 
1 0 2ϵ − 2ϵ
1
0 1 2
 
1 0 0
0 1 12
On n'a respecté la règle du pivot maximal : les solutions x1 = 0 et x2 = 1
2 ne sont pas des
solutions approchées des solutions exactes.

Inverse et déterminant par par la méthode du pivot de Gauss

Déterminer l'inverse et le déterminant de la matrice

 
1 2
A=
3 4
 
1 2 1 0
d=1
3 4 0 1 L2 ← L2 − 3L1
 
1 2 1 0
d=1
0 −2 −3 1 L2 ← −L2 /2
 
1 2 1 0 L1 ← L1 − 2L2
d = −2
0 1 3/2 −1/2
24 CHAPITRE 6. RÉSOLUTIONS DE SYSTÈMES

 
1 0 −2 1
d = −2
0 1 3/2 −1/2
Ainsi |A| = −2 et  
−1 −2 1
A =
3/2 −1/2

Méthode de Jacobi

Soit à résoudre le système : 

 7x + 3y − 3z = 11
2x + 8y + 3z = 40
−4x + y + 6z = 19


On sait que la solution x0 = (1 1 1)t est proche de la racine. La méthode de Jacobi est-elle utilisable
dans ce cas particulier ? Si oui, déterminer x1 .

La méthode est utilisable dans ce cas particulier car les éléments diagonaux sont bien dominants :

 |7| > |3| + | − 3|
|8| > |2| + |3|
|6| > | − 4| + |1|


On a    
7 3 −3 11
A=  2 8 3  et b = 40

−4 1 6 19
ainsi    
0 3/7 −3/7 11/7
A∗ =  2/8 0 3/8  et b∗ = 40/8
−4/6 1/6 0 19/6
Comme
xk+1 = −A∗ xk + b∗
on a
x1 = −A∗ x0 + b∗
soit     
0 3/7 −3/7 1 11/7
x1 = −  2/8 0 3/8  1 + 40/8
−4/6 1/6 0 1 19/6
   
11/7 1, 57
x1 = 35/8 ≃ 4, 37
  
11/3 3, 66
Ce résultat apparaît également à la première itération des résultats de l'annexe C.

6.2 Systèmes sur-déterminé

6.2.1 Solution d'un système surdéterminé

Soit le système : 
 2x1 + x2 = 1
x1 − x2 = 1
x1 + x2 = 3


Déterminer x1 et x2 au sens des moindres carrés.

6.2. SYSTÈMES SUR-DÉTERMINÉ 25

Résolution du système

   
2 1   1
x1
A = 1 −1 x= b = 1
x2
1 1 3
 
t 2 1 1
A =
1 −1 1
 
  2 1  
2 1 1  6 2
At A = 1 −1 =
1 −1 1 2 3
1 1
 
  1  
t 2 1 1   6
Ab= 1 =
1 −1 1 3
3
 
6 2 6 L1 ← L1 /6
2 3 3
 
1 1/3 1
2 3 3 L2 ← L2 − 2L1
 
1 1/3 1
0 7/3 1 L2 ← 3/7 L1
 
1 1/3 1 L1 ← L1 − L2 /3
0 1 3/7
 
1 0 6/7 L1 ← L1 − L2 /3
0 1 3/7
Ainsi x1 = 6/7 et x2 = 3/7. On constate, si on remplace x1 et x2 par leurs valeurs dans les équations
du système qu'elles ne sont pas franchement bien vériées. L'objet de cette exercice était de mettre en
÷uvre la méthode des moindres carrés sur un cas d'école mais sans réalisme particulier.

Utilisation de la pseudo-inverse

 
t 6 2
AA=
2 3
Déterminons son inverse :  
6 2 1 0 L1 ← L1 /6
2 3 0 1
 
1 1/3 1/6 0
2 3 0 1 L2 ← L2 − 2L1
 
1 1/3 1/6 0
0 7/3 −1/3 1 L2 ← 3/7L2
 
1 1/3 1/6 0 L1 ← L1 − L2 /3
0 1 −1/7 3/7
 
1 0 9/42 −1/7
0 1 −1/7 3/7
26 CHAPITRE 6. RÉSOLUTIONS DE SYSTÈMES

Ainsi 

9/42 −1/7
t −1
(A A) =
−1/7 3/7
    
t −1 t 9/42 −6/42 2 1 1 12/42 15/42 3/42
(A A) A = =
−6/42 18/42 1 −1 1 6/42 −24/42 12/42
 
  1  
t −1 t 12/42 15/42 3/42   36/42
(A A) A b = 1 =
6/42 −24/42 12/42 18/42
3
Ainsi, on a également x1 = 6/7 et x2 = 3/7.

6.2.2 Ajustement de paramètres

1. Un processus est régi par le modèle y = ax2 + b. Poser le problème sous forme matricielle dès
lors que l'on dispose de n couples de mesures (xi , yi ). Déterminer les paramètres a et b dans le
cas où 3 couples de mesure sont à disposition :

 (0; 2, 1)
(2; 9, 9)
(3; 19, 5)


Chacune des trois mesures est régi par le modèle, ainsi :

 ax21 + b = y1


ax22 + b = y2
ax23 + b = y3


Soit sous forme matricielle Ax = d avec

 2   
x1 1   y1
a
A = x22 1
 x= d = y2 

b
x23 1 y3
Ainsi    
0 1 2, 1
A = 4 1 d =  9, 9 
9 1 19, 5
De sorte que
   
  0 1     2, 1  
0 4 9  97 13 0 4 9  215, 1
At A = 4 1 =
 At d = 9, 9 =

1 1 1 13 3 1 1 1 31, 5
9 1 19, 5
La résolution du système faiblement surdéterminé donne
 
1, 9328
x=
2, 1246
Elle est illustrée sur la gure 6.1.
2. Un processus est régi par le modèle y = C1 + C2 e−x . Poser le problème sous forme matricielle
dès lors que l'on dispose de n couples de mesures (xi , yi ).

De la même manière que précédemment, mais avec un autre modèle, on peut écrire que chaque
mesure est régie de la même façon :
−x1 = y

 C1 + C2 e
 1
 C1 + C2 e−x2 = y2

..

 .
C1 + C2 e−xn = yn


6.3. SYSTÈME NON LINÉAIRE 27

Figure 6.1  Ajustement du modèle y = ax2 + b

Soit sous forme matricielle Ax = b avec

1 e−x1
   
y1
1 e−x2     y2 
C1
A = . x= b= . 
   
.. 
 C2  .. 
1 e−xn yn

6.3 Système non linéaire

Le système 
 2 cos α − sin β +3 cos γ +3 = 0
sin α +2 cos β − sin γ −3 = 0
sin 2α − cos β + cos γ +2 = 0

 
1
a pour solution approchée X0 = 0, 5.
3
Déterminer X1 .

J(X0 )∆X = −F (X0 ) (6.1)

   
2 cos α0 − sin β0 + 3 cos γ0 + 3 −2sinα0 − cos β0 −3 sin γ0
F (X0 ) =  sin α0 + 2 cos β0 − sin γ0 − 3  J(X0 ) =  cos α0 −2 sin β0 − cos γ0 
sin 2α0 − cos β0 + cos γ0 + 2 2 cos 2α0 sin β0 − sin γ0
   
0, 6312 −1, 6829 −0, 8776 −0, 4234
F (X0 ) = −0, 5445
  J(X0 ) =  0, 5403 0 , 9589 0, 9900 
1, 0417 −0, 8323 0, 4794 −0, 1411
   
0, 9373 1, 9373
∆X = −0, 7475 X1 = −0, 2475
−0, 6855 2, 3145
L'annexe D présente la convergence vers la solution
 
π/2
X= 0 
π
28 CHAPITRE 6. RÉSOLUTIONS DE SYSTÈMES
Chapitre 7

Estimation des moindres carrés

Une solution matricielle intégrée
7.1 Application à la recherche des paramètres d'un cercle passant au

mieux par les points de mesure (xi , yi )

Poser le problème an de déterminer le centre (a, b) du cercle ainsi que le paramètre c = R2 −(a2 +b2 )
dépendant du rayon R.

L'équation d'un cercle de centre (a, b) et de rayon R est :

(x − a)2 + (y − b)2 = R2

En développant, on obtient :

x2 − 2ax + a2 + y 2 − 2by + b2 − R2 = 0

En posant c = R2 − a2 + b2 , il vient

x2 + y 2 − 2ax − 2by − c = 0

puis
2ax + 2by + c = x2 + y 2
En écrivant cette expression sous forme matricielle pour n points de mesures, on obtient la forme
M p = y avec :  2
x1 + y12
  
2x1 2y1 1  
 2x2 2y2 1 a  x2 + y 2 
 2 2
M = .  p= b y= ..
 
 ..
 
.

c
  
2xn 2yn 1 2 2
x n + yn
On détermine p tel que
p = (M t M )−1 M t y
La gure 7.1 présente une illustration avec 15 points de mesure pris sur un cercle bleu de centre (2, 2) et
de rayon 1. L'écart-type du bruit ajouté vaut 0, 03. Le cercle vert ajusté a pour centre (2, 0129; 1, 9939)
et un rayon égal à 1, 0007.

7.2 Application à la recherche de paramètres non linéaires dans un

système surdéterminé

On cherche les paramètres C1 , C2 et C3 du modèle C1 + C2 e−C3.x = y . On dispose de n mesures

(xi , yi ) et d'une solution initiale p0 = (C10 , C20 , C30 )t . Déterminer p1 .

29
30CHAPITRE 7. ESTIMATION DES MOINDRES CARRÉSUNE SOLUTION MATRICIELLE INTÉGRÉE

Figure 7.1  Ajustement d'un cercle sur des points de mesure

Chaque mesure est régie par le modèle ainsi :

C1 + C2 e−C3 .x1 = y1



 C1 + C2 e−C3 .x2 = y2

..

 .
C1 + C2 e−C3 .xn = yn



Ainsi z = h(p) avec

C1 + C2 e−C3 .x1
   
y1  
 y2  C1  C1 + C2 e−C3 .x2 
z =  .  p = C2  et h(p) =  ..
   
 ..  .

C3
 
yn −C
C1 + C2 e 3 .x n

Pour déterminer la solution p1 , il faut tout d'abord déterminer l'erreur δ̂ commise avec p0 . On détermine
tout d'abord la matrice jacobienne :

1 e−C30 .x1 −C20 x1 e−C30 .x1

 
1 e−C30 .x2 −C20 x2 e−C30 .x2 
J(p0 ) =  .
 
.. 

1 e −C 30 .x n −C20 xn e −C 30 .x n

−1
Ainsi le calcul de l'erreur δ̂ = J(p0 )t J(p0 ) J(p0 )t (z − h(p0 )) permet de remettre à jour les para-
mètres :
p1 = p0 + δ̂
Par exemple, pour une série de mesures z = h(p) générée avec p = (2 4 1, 2)t et x = (0 1 2 3 4 5 6 7 8)t ,
bruitée par un bruit gaussien d'écart-type 0, 3, on obtient successivement, à partir de p0 = (4 7 2)t :
     
1, 9494 1, 8900 1, 8890
p1 = 3, 8109 p2 = 3, 8886 p3 = 3, 8898
0, 8931 0, 9463 0, 9470

L'évolution du modèle est donné gure 7.2.

7.2. APPLICATION À LA RECHERCHE DE PARAMÈTRES NON LINÉAIRES DANS UN SYSTÈME SURDÉT

Figure 7.2  Ajustement des paramètres d'un modèle non linéaire

32CHAPITRE 7. ESTIMATION DES MOINDRES CARRÉSUNE SOLUTION MATRICIELLE INTÉGRÉE
Chapitre 8

Courbes de Bézier
8.1 Calcul d'un point d'une courbe Bézier cubique

Soient P0 = (0, 0), P1 = (0, 1), P2 = (1, 1), P3 = (2, 0). Déterminez le point M situé sur la courbe
de Bézier cubique dénie par les points de contrôle P0 , P1 , P2 et P3 pour t = 41 en utilisant l'algorithme
de De Casteljau.

On rappelle que l'on peut trouver les barycentres successifs par la relation de récurrence suivante :

g+1 g g g = 0, · · · , n − 1
Mi+1 = (1 − t).Mi + t.Mi+1 où
i = g, · · · , n − 1

Avec t = 14 , on a
M11 = (1 − t).M00 + t.M10
soit      
3 1 3 1 3 0 1 0 0
M11 = M00 + .M10 = P0 + .P1 = + = 1
4 4 4 4 4 0 4 1 4
de même
1
     
3 1 3 1 3 0 1 1
M21 = M10 + .M20 = P1 + .P2 = + = 4
4 4 4 4 4 1 4 1 1
5
     
3 1 3 1 3 1 1 2
M31 = M20 + .M30 = P2 + .P3 = + = 4
3
4 4 4 4 4 1 4 0 4
A la génération suivante, on a
1 1
     
3 1 3 0 1
M22 = M11 + .M21 = 1 + 4 = 16
7
4 4 4 4 4 1 16

1 5 8
     
3 1 3 1
M32 = M21 + .M31 = 4 + 4
3 = 16
15
4 4 4 1 4 4 16
Enn
1 8 11 11
       
1 3 1 3 1
M ( ) = M33 = M22 + .M32 = 16
7 + 16
15 = 64
36 = 64
9
4 4 4 4 16 4 16 64 16

33
34 CHAPITRE 8. COURBES DE BÉZIER
Annexe A

Intégration des équations diérentielles

35
Annexe B

Interpolation

Figure B.1  Interpolation de Lagrange et spline de 7 points de mesure pris sur la fonction f (x) = 1
1+x2

Figure B.2  Interpolation de Lagrange et spline de 11 points de mesure pris sur la fonction f (x) =
1
1+x2

41
42 ANNEXE B. INTERPOLATION
Annexe C

Méthode de Jacobi

43
>> jacobi

A=

7 3 -3
2 8 3
-4 1 6

b=

11
40
19

ans =

2.0000
3.0000
4.0000

A=

0 0.4286 -0.4286
0.2500 0 0.3750
-0.6667 0.1667 0

b=

1.5714
5.0000
3.1667

r=

Columns 1 through 9

1.0000 1.5714 1.2679 1.6798 1.6130 1.7627 1.7838 1.8436 1.8719

1.0000 4.3750 3.2321 3.3761 3.2776 3.2003 3.1734 3.1259 3.1040
1.0000 3.6667 3.4851 3.4732 3.7239 3.6958 3.8084 3.8269 3.8747

Columns 10 through 18

1.9017 1.9221 1.9392 1.9522 1.9626 1.9707 1.9770 1.9820 1.9859

3.0790 3.0631 3.0490 3.0386 3.0302 3.0237 3.0186 3.0146 3.0114
3.8973 3.9213 3.9376 3.9513 3.9617 3.9700 3.9765 3.9816 3.9855

Columns 19 through 26

1.9889 1.9913 1.9932 1.9947 1.9958 1.9967 1.9974 1.9980

3.0090 3.0070 3.0055 3.0043 3.0034 3.0027 3.0021 3.0016
3.9887 3.9911 3.9930 3.9945 3.9957 3.9966 3.9974 3.9979
Annexe D

Résolution itérative d'un système non

linéaire

45