Beruflich Dokumente
Kultur Dokumente
de
mthodes numriques
Avec solutions
Exercices
de
mthodes numriques
Avec solutions
Vincent Goulet
cole dactuariat, Universit Laval
Cette cration est mise disposition selon le contrat Paternit-Partage des conditions
initiales lidentique 2.5 Canada disponible en ligne http://creativecommons.
org/licenses/by-sa/2.5/ca/ ou par courrier postal Creative Commons, 171
Second Street, Suite 300, San Francisco, California 94105, USA.
Historique de publication
Janvier 2008 :
Premire dition
Code source
Le code source LATEX de ce document est disponible ladresse
http://vgoulet.act.ulaval.ca/methodes_numeriques/
ou en communiquant directement avec lauteur.
Avis de marque de commerce
S-Plus est une marque dpose de Insightful Corporation.
ISBN 978-2-9809136-8-6
Dpt lgal Bibliothque et Archives nationales du Qubec, 2008
Dpt lgal Bibliothque et Archives Canada, 2008
Introduction
Ce document est une collection des exercices distribus par lauteur dans
ses cours de Mthodes numriques en actuariat entre 2005 et 2007, cours donns lcole dactuariat de lUniversit Laval. Certains exercices sont le fruit
de limagination de lauteur, alors que plusieurs autres sont des adaptations
dexercices tirs des ouvrages cits dans la bibliographie.
Cest dailleurs afin de ne pas usurper de droits dauteur que ce document
est publi selon les termes du contrat Paternit-Partage des conditions initiales
2.5 Canada de Creative Commons. Il sagit donc dun document libre que
quiconque peut rutiliser et modifier sa guise, condition que le nouveau
document soit publi avec le mme contrat.
Le cours de Mthodes numriques est spar en quatre parties plus ou
moins tanches les unes aux autres :
I. Introduction la programmation en S ;
II. Simulation stochastique ;
III. Analyse numrique ;
IV. Algbre linaire.
Tant la thorie que les exercices de la premire partie se trouvent dans Goulet (2007). Ce document contient donc les exercices relatifs aux parties IIIV.
Nous invitons le lecteur consulter, entre autres, Ripley (1987), Gentle (1998),
Burden et Faires (1988) et Anton (2000) pour dexcellents exposs sur les sujets
pr-cits.
Les rponses des exercices se trouvent la fin de chacun des chapitres et
les solutions compltes en annexe du document.
Nous remercions davance les lecteurs qui voudront bien nous faire part
de toute erreur ou omission dans les exercices ou leurs solutions.
Enfin, nous tenons remercier MM. Mathieu Boudreault, Sbastien Auclair et Louis-Philippe Pouliot pour leur prcieuse collaboration lors de la rdaction des exercices et des solutions.
Vincent Goulet <vincent.goulet@act.ulaval.ca>
Qubec, dcembre 2007
II Simulation stochastique
11
13
17
IV Algbre linaire
21
23
31
Dcomposition LU
35
A Solutions
Chapitre 2
Chapitre 3
Chapitre 4
Chapitre 5
Chapitre 6
Chapitre 7
Chapitre 8
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Bibliographie
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
37
. 37
. 39
. 54
. 58
. 77
. 91
. 102
105
vii
Deuxime partie
Simulation stochastique
2.1 Calculer cinq nombres pseudo-alatoires avec chacun des gnrateurs congruentiels ci-dessous. Dans tous les cas, m = 64. Choisir lamorce.
a) a = 29, c = 17
b) a = 9, c = 1
c) a = 13, c = 0
d) a = 11, c = 0
2.2 a) crire une fonction en S faisant la mise en oeuvre du gnrateur congruentiel multiplicatif avec m = 213 1 et a = 17. Gnrer 500 nombres
pseudo-alatoire, puis faire un graphique des paires ( xi , xi+1 ). Sur combien de lignes les points sont-ils aligns ?
b) Rpter la partie a) avec a = 85.
1 http://cran.r-project.org
| x |
e
,
2
< x < .
1
) u1
( 6
.
( 1) u2
2. Si
1
2( u2 1)
+ v + 2,
1
v
alors retourner le nombre x = ( 1)v. Sinon, si
2 log u2
log v + v 1,
1
alors retourner le nombre x = ( 1)v.
3. Rpter au besoin la procdure depuis ltape 1.
Faire les vrifications empiriques usuelles de la validit de lalgorithme.
3.4 Quelle procdure pourrait-on suivre pour simuler des nombres dune loi
Gamma(, ) o > 1 ?
3.5 a) Dmontrer que si X | Exponentielle() et Gamma(, ), alors
X Pareto(, ). La fonction de densit de probabilit dune loi de
Pareto est
, x > 0.
f (x) =
( x + ) +1
b) Utiliser le rsultat ci-dessus pour proposer un algorithme de simulation de nombres issus dune loi de Pareto. Faire la mise en oeuvre informatique de cet algorithme et les vrifications dusage de sa validit.
,
x +1
x > .
Y1
Bta(, ).
Y1 + Y2
[1] 0.72 0.88 0.76 0.89 0.46 0.17 0.33 0.51 0.73
[10] 0.99
x 1 ,
e x ,
0x1
x > 1.
b) Dvelopper un algorithme dacceptation-rejet pour simuler des observations dune loi Gamma(, 1), 0 < < 1 partir du rsultat en
a).
3.15 On vous donne lingalit suivante, valide pour 1 :
x 1 e x 1 e x/+1 ,
x > 0.
Utiliser cette ingalit pour justifier lalgorithme dacceptation-rejet suivant pour simuler des observations dune loi Gamma(, 1) avec 1 :
1. Simuler deux observations indpendantes v1 et v2 dune loi
Exponentielle(1).
10
ln(5x + 4) dx
Z
0
Rponses
3.6 1619, 1126, 2103
3.10 a) 1/c b) Gomtrique(1/c) commenant 1 c) c
3.11 b) 1/( M (b a))
3.12 a) 9/16 b) 4/5
3.13 b) [1] 0.46 0.33
3.16 Valeur exacte : 1,845969
3.18 Valeur exacte : 0,055292
Troisime partie
Analyse numrique
11
14
2
3
f)
1
100
4.7 Les nombres ci-dessous sont reprsents en format binaire selon la norme
IEEE 754 pour les nombres en simple prcision. Convertir ces nombres en
dcimal.
a) 0 00111101 10010000100000000000000
b) 1 00111101 10010000100000000000000
c) 0 10000100 10010000100000000000000
d) 1 10000100 10010000100000000000000
4.8 Trouver, pour les nombres des parties a) et c) de lexercice 4.7, le nombre
suivant et le nombre prcdent en reprsentation binaire.
Rponses
La notation xb signifie que le nombre x est en base b. On omet gnralement b
pour les nombres en base 10.
4.1 a) 3156 , 11101112
b) 13316 , 1010101112
c) 2406 , 11000002
d) 1116 , 1010112
4.2 a) 2 587 b) 298 c) 2 881 d) 765 950
4.3 a) k + K ( j 1 + J (i 1))
15
Arguments de la fonction S
Bissection
Point fixe
NewtonRaphson
Scante
f ( x ), a, b
f ( x ), x0
f ( x ), f 0 ( x ), x0
f ( x ), x0 , x1
5.2 Trouver la solution des quations suivantes par les mthodes de bissection, de Newton-Raphson et de la scante.
a) x3 2x2 5 = 0 pour 1 x 4
b) x3 + 3x2 1 = 0 pour 4 x 0
c) x 2 x = 0 pour 0 x 1
d) e x + 2 x + 2 cos x 6 = 0 pour 1 x 2
e) e x x2 + 3x 2 = 0 pour 0 x 1
5.3 Dterminer la valeur numrique de 2 laide de la mthode de bissection dans lintervalle [0, 2] avec 10 itrations. Comparer avec la vraie valeur.
5.4 Soit { xn } une suite dfinie par
n
xn =
1
.
k
k =1
Dmontrer que limn ( xn xn1 ) = 0, mais que la suite diverge nanmoins. Ceci illustre que lerreur absolue peut tre un mauvais critre darrt dans les mthodes numriques.
17
18
19
5.13 Refaire lexercice 5.12 en VBA en composant une fonction accessible dans
une feuille Excel et comparer le rsultat avec la fonction Excel TRI().
5.14 a) crire une fonction S pour estimer par la mthode du maximum de
vraisemblance le paramtre dune loi gamma de paramtre de forme
= 3 et de paramtre dchelle = 1/ de moyenne 3, donc
partir dun chantillon alatoire x1 , . . . , xn . Astuce : maximiser la fonction de log-vraisemblance plutt que la fonction de vraisemblance.
b) Simuler 20 observations dune loi gamma avec paramtre de forme
= 3 et moyenne 3 000, puis estimer le paramtre dchelle par le
maximum de vraisemblance.
5.15 Refaire lexercice 5.14 laide dune routine VBA. Comparer votre rponse avec celle obtenue laide du Solveur de Excel.
5.16 laide de la mthode du point fixe, trouver le taux dintrt i tel que
(12)
a 10 i =
1 (1 + i )10
= 8,
i(12)
o
i(12)
1+
12
!12
= 1 + i.
Rponses
5.7 Converge pour x0 [1,5, 2] ; diverge pour x0 1,5 et x0 > 2
5.8 g2 , g1 ; g3 ne converge pas
5.11 0,589755
5.16 0,0470806
Quatrime partie
Algbre linaire
21
1 3 4 7
1 0 8 5 6
a) 0 1 2 2
b) 0 1 4 9 3
0 0 1 5
0 0 1 1 2
1 7 2 0 8 3
1 3 7 1
0 0 1 1 6
5
d) 0 1 4 0
c)
0 0 0 1 3
9
0 0 0 1
0 0 0 0 0
0
6.2 Rsoudre chacun des systmes dquations suivants par llimination gaussienne et llimination de GaussJordan.
a)
x1 + x2 + 2x3 = 8
x1 2x2 + 3x3 = 1
3x1 7x2 + 4x3 = 10
b)
c)
x y + 2z
2x + y 2z
x + 2y 4z
3x
d)
2b + 3c = 1
3a + 6b 3c = 2
6a + 6b + 3c = 5
w = 1
2w = 2
+ w= 1
3w = 3
6.3 Rsoudre chacun des systmes dquations suivants par llimination gaussienne et llimination de GaussJordan.
a)
c)
w + 2x y = 4
x y=3
w + 3x 2y = 7
2u + 4v + w + 7x
=7
b)
23
x1 2x2 + x3 4x4 = 1
x1 + 3x2 + 7x3 + 2x4 = 2
x1 12x2 11x3 16x4 = 5
24
2x1 + x2 + 3x3 = 0
x1 + 2x2
=0
x2 + x3 = 0
c)
2x
w
2w + 3x
2w + x
b)
3x1 + x2 + x3 + x4 = 0
5x1 x2 + x3 x4 = 0
+ 2y + 4z = 0
y 3z = 0
+ y+ z=0
+ 3y 2z = 0
b) AC + D
c) AE + B
d) AB + B
e) E(A + B)
f) E(AC)
g) E T A
h) (A T + E)D
3
A = 1
1
1
D = 1
3
0
2
1
5 2
0 1
2 4
4
B=
0
1
2
6
E = 1
4
1
C=
3
1 3
1 2 .
1 3
b) AB
c) (2D T E)A
e)
(AC)T
+ 5D T
g) B T (CC T A T A)
d) (4B)C + 2B
f) (BA T 2C) T
h) D T E T (ED) T
4
1
2
5
25
i) tr(DD T )
j) tr(4E T D)
a11
0
A= .
..
0
0
a22
..
.
0
0
0
..
.
ann
3 4
1
A = 2 7 1
8 1
5
8
B = 2
3
1
7
4
5
1
1
3
C = 2
2
4
7
7
1
1 .
3
b) E2 B = A
c) E3 A = C
d) E4 C = A
6.15 Utiliser la mthode des oprations lmentaires sur les lignes pour trouver linverse des matrices suivantes, si elle existe. Le cas chant, vrifier
votre rponse par multiplication de la matrice et de son inverse.
26
3 4 1
a) 1 0 3
2 5 4
2 6 6
d) 2 7 6
2 7 7
1
b) 2
4
1
e) 1
0
4
1
9
0 1
1 1
1 0
3
4
2
1
c) 0
1
0
1
1
1
1
0
k 0 0 0
0 0 0 k1
k1 0 0 0
1 k 0 0
0 k2 0 0
0 0 k2 0
c)
a)
b)
0 1 k 0
0 k3 0 0
0 0 k3 0
0 0 1 k
k4 0 0 0
0 0 0 k4
6.17 Soit la matrice
A=
1 0
.
5 2
2 1 2
A = 2 2 2
3 1 1
x1
x = x2 .
x3
2x1 x2 3x3 + x4 = 0
5x2 + 4x3 + 3x4 = 0
x3 + 2x4 = 0
3x4 = 0
b)
5x1 x2 + 4x3 + x4 = 0
2x3 x4 = 0
x3 + x4 = 0
7x4 = 0
27
2 8 1 4
3
2 5 1
,
A=
1
10 6 5
4 6 4 3
expliquer pourquoi det(A) = 0.
6.22 Dterminer si les matrices suivantes sont inversibles.
1 0 1
4 2 8
a) 9 1 4
b) 2 1 4
9 9 1
3 1 6
3 0 1
2
7
0
d) 5 0 6
c) 3 2 3 7 0
8 0 3
5
9
0
6.23 Soit A une matrice 3 3 dont det(A) = 7. Trouver les dterminants
suivants.
a) det(3A)
b) det(A1 )
c) det(2A1 )
d) det((2A)1 )
6.24 Pour quelle(s) valeur(s) de k les matrices ci-dessous ne sont pas inversibles ?
k 3 2
a)
2 k 2
1 2 4
b) 3 1 6
k 3 2
6.25 Soit
4
0
A=
4
4
1 1
6
0 3 3
.
1
0 14
1
3
2
28
Rponses
6.1 a) x1 = 37, x2 = 8, x3 = 5
b) x1 = 10 + 13t, x2 = 5 + 13t, x3 = 2 t, x4 = t
c) x1 = 11 7s + 2t, x2 = s, x3 = 4 3t, x4 = 9 3t, x5 = t
d) pas de solution
6.2 a) x1 = 3, x2 = 1, x3 = 2
b) x1 = 17 37 t, x2 =
1
7
74 t, x3 = t
c) x1 = t 1, x2 = 2s, x3 = s, x4 = t
d) pas de solution
6.3 a) x1 = 2 12t, x2 = 5 27t, x3 = t
b) pas de solution
c) u = 2s 3t 6, v = s, w = t 2, x = t + 3, y = t
6.4 a) solution triviale
b) x1 = s, x2 = t s, x3 = 4s, x4 = t
c) w = t, x = t, y = t, z = 0
6.5 Aucune solution : a = 4. Une seule solution : a 4. Infinit de solutions : a = 4.
6.6 a) non dfini b) 4 2 c) non dfini d) non dfini e) 5 5 f) 5 2 g) non
dfini h) 5 2
7 6 5
12 3
6 3
0 d) non dfini
6.7 a) 2 1 3 b) 4 5 c) 36
7 3 7
4
1
4
7
2 10 11
10 6
0 0 0
40
72
2
5 f) 14 2 g)
e) 13
h) 0 0 0 i) 61 j) 35
26 42
4
3 13
1 8
0 0 0
6.11 d) seulement
6.12 a) non b) oui
0 0 1
0 0 1
1 0 0
1 0 0
6.14 a) 0 1 0 b) 0 1 0 c) 0 1 0 d) 0 1 0
1 0 0
1 0 0
2 0 1
2 0 1
6
11
1 1 1
2
10 5
1
1
1 b) nexiste pas c) 1 1
1
6.15 a) 1
2
1
7
2
1
1 1
10
5
72
1
1
0 3
2
1
2
d) 1 1
0 e) 0 0
2
1
1
1
0 1 1
0
0
c)
1
k
k
k
0
k 4 k 3 k 2 k 1
1 0
1 0
6.17 a) E1 =
, E2 =
5 1
0 21
6.18 x1 =
16
3 ,
29
0
0
1
k
3
0
1
k
2
0
0
1
k
1
0
x2 = 43 , x3 = 11
3
6.24 a) (5 17)/2 b) 1
4 0 1
5 6
2
c) 2 1 0
d) 0 1 8
2 0 1
1 0 2
0 0 2 0
1 0 1 0
e)
0 1 2 0
0 0 0 1
7.2 Dmontrer que si est une valeur propre de la matrice A, alors k est une
valeur propre de Ak .
7.3 Trouver les valeurs et vecteurs propres de A25 si
1 2 2
2
1 .
A= 1
1 1 0
7.4 Soit
( x x1 )( x x2 ) ( x xn ) = x n + c1 x n1 + + cn .
32
2 2 3
A = 2 3 2
4 2 5
7.8 Dmontrer que tout vecteur est un vecteur propre de la matrice identit
correspondant la valeur propre = 1.
7.9 Pour chacune des matrices A ci-dessous :
i) trouver les valeurs propres de la matrice ;
ii) trouver le rang de la matrice I A pour chaque valeur propre ;
iii) dterminer si la matrice est diagonalisable ;
iv) si la matrice est diagonalisable, trouver la matrice P qui diagonalise
A et P1 AP ;
v) vrifier les rponses en iv) avec la fonction eigen de R ou S-Plus.
2 0
4 0 1
a)
1 2
b) 2 3 2
1 0 4
3 0 0
1 4 2
c) 0 2 0
d) 3 4 0
0 1 2
3 1 3
2 0 0 0
0 2 5 5
e)
0
0 3 0
0
0 0 3
Rponses
7.1 a) = 3 avec base ( 21 , 1), = 1 avec base (0, 1)
b) = 4 avec base ( 23 , 1)
c) = 1 avec base (0, 1, 0), = 2 avec base ( 12 , 1, 1), = 3 avec base
(1, 1, 1)
d) = 4 avec base (2, 38 , 1), = 3 avec base (5, 2, 1)
e) = 1 avec base (0, 0, 0, 1) et (2, 3, 1, 0), = 2 avec base (1, 0, 1, 0),
= 1 avec base (2, 1, 1, 0)
33
1
2
1 0 1
3
b) P = 0 1 2, P1 AP = 0
1 0 1
0
0
3
0
0
0
5
c) pas diagonalisable
1 2 1
1 0 0
d) P = 1 3 3, P1 AP = 0 2 0
1 3 4
0 0 3
2
1 0 0 0
0
0 1 1 1 1
e) P =
0 0 1 0 , P AP = 0
0
0 0 0 1
0 0 0
2 0 0
0 3 0
0 0 3
1
3
Dcomposition LU
8.1 Rsoudre le systme dquations
3x1 6x2 3x3 = 3
2x1
+ 6x3 = 22
4x1 + 7x2 + 4x3 =
3
par la dcomposition LU sachant que
3 6 3
3
0 0
1
2
0
6 = 2
4 0 0
4 7
4
4 1 2 0
8.2 Soit
1 0
E1 =
2 3
1
0
3
E2 =
0 13
et
A=
E11 E21
1
0
Rponses
8.1 x1 = 2, x2 = 1, x3 = 3
8.2 x = (1, 2)
35
0
1
2
.
1
2 1
1
2 .
0
1
A Solutions
Chapitre 2
2.1 Dans tous les cas, le gnrateur de nombres alatoires est
xi = ( axi1 + c) mod m
axi1 + c
m
= ( axi1 + c)
m
o m = 64 et x0 = 19. Les suites ont t gnres avec la fonction rand de
la figure A.1.
a) > rand(n = 5, a = 29, c = 17, m = 64, seed = 19)
[1] 56 41 54 47 36
3 39
9 35
Solutions
8000
38
6000
4000
xi++1
2000
0
2000
4000
6000
8000
xi
39
4000
0
2000
xi++1
6000
8000
Solutions
100
200
300
400
500
xi
b) > library(rgl)
> u <- rand(n = 1002, a = 65539, c = 0,
+
m = 2^31, seed = 19)/2^31
> rgl.points(u[1:1000], u[2:1001], u[3:1002])
Chapitre 3
3.1 a) Tout dabord, on a que cos(2U2 ) (1, 1), sin(2U2 ) (1, 1)
et (2 log U1 )1/2 (0, ). Par consquent, X1 (, ) et X2
(, ). On vrifie la bijectivit de faon heuristique avec quelques
valeurs de u1 et u2 .
b) On a
X12 = (2 log U1 ) cos2 (2U2 )
X22 = (2 log U1 ) sin2 (2U2 ).
40
Solutions
Or, puisque sin2 ( x ) + cos2 ( x ) = 1, X12 + x22 = 2 log U1 , do U1 =
2
u1 ( x1 ,x2 ) = e( x1 + x2 )/2
1
x2
u2 ( x1 , x2 ) =
arctan .
2
x1
Les variables alatoires U1 et U2 sont indpendantes, donc leur fonction de densit de probabilit conjointe est le produit des densits marginales :
f U1 ,U2 (u1 , u2 ) = 1, 0 < u1 < 1, 0 < u2 < 1.
La densit conjointe de X1 et X2 est, par dfinition dune transformation,
f X1 ,X2 ( x1 , x2 ) = f U1 ,U2 ( x1 (u1 , u2 ), x2 (u1 ,u2 ))| det( J )|
o
" u
x1
u2
x1
J=
u1
x2
u2
x2
"
x1 e(x1 + x2 )/2
=
x2
1
2
x2 + x2
x2 e(x1 + x2 )/2
x1
1
2 x2 + x2
2
1
Or,
1 ( x2 + x2 )/2
e 1 2
2
2
2
1
1
= e x1 /2 e x2 /2 ,
2
2
| det( J )| =
do
2
2
1
1
f X1 ,X2 ( x1 , x2 ) = e x1 /2 e x2 /2
2
2
u2 <- runif(500)
x1 <- outer(u1, u2, function(x, y) sqrt((-2 * log(x))) * cos(2 *
pi * y))
x2 <- outer(u1, u2, function(x, y) sqrt((-2 * log(x))) * sin(2 *
pi * y))
hist(x1, prob = TRUE)
curve(dnorm(x), add = TRUE)
41
0
3
0.0
0.2
0.4
x2
u2
0.6
0.8
1.0
Solutions
0.0
0.2
0.4
0.6
0.8
1.0
u1
x1
1
ln(2u )
1 ln(2(1 u ))
u < 0,5
u 0,5.
42
Solutions
Z
0
f ( x | )u( ) d
+11 e(+ x) d
() 0
( + 1)
=
( ) ( + x ) +1
=
.
( + x ) +1
Solutions
43
Z x
y +1
dy
x
0,
1
x>
,
(1y)1/
y=0
0 < y < 1.
Pareto translate(, ).
U 1/
1614
463.
En divisant ces nombres par 2 048, on obtient des nombres dans lintervalle (0, 1) :
0,3813 0,7881 0,2261.
Finalement, les observations de la Pareto(2, 1 000) sont
> 1000/sqrt(c(0.3813, 0.7881, 0.2261))
[1] 1619.446 1126.443 2103.051
f X (x) =
i =1
o I Bernoulli(0,6) et
X | I = 0 Lognormale( = 3,1, 2 = 0,6)
X | I = 1 Lognormale( = 4,3, 2 = 0,4).
On peut simuler 1 000 observations dun tel mlange et faire une vrification graphique en S avec les expressions suivantes :
44
Solutions
>
>
+
>
>
+
3.8 On a la transformation
X1 =
U1 cos(2U2 )
X2 =
U1 sin(2U2 )
U1 = X12 + X22
1
X2
U2 =
.
arctan
2
X1
u1 < 1
u2 > 0
u2 < 1
1
= .
45
x2
0.0
1.0
0.2
0.5
0.4
0.0
u2
0.6
0.5
0.8
1.0
1.0
Solutions
0.0
0.2
0.4
0.6
0.8
1.0
1.0
0.5
u1
0.0
0.5
1.0
x1
sont tirs alatoirement sur le carr (0, 1) (0, 1). Le graphique de droite
montre que suite la tranformation ci-dessus, on obtient des points ( x1 , x2 )
distribus uniformment sur un cercle de rayon centr en (0, 0).
3.9 a) On a
1
y 1 e y1 ,
() 1
1
1 y2
f Y2 (y2 ) =
e ,
y
( ) 2
f Y1 (y1 ) =
y1 > 0,
y2 > 0
et
f Y1 ,Y2 (y1 , y2 ) =
1
1
y1 y2 e(y1 +y2 ) ,
()( ) 1
y1 > 0, y2 > 0.
y1
y1 + y2
x2 = y1 + y2
y1 = x1 x2
y2 = x2 x1 x2 .
46
Solutions
Le Jacobien de la transformation est
y
1
1
J = x
y2
x
1
x2
=
x2
y1
x2
y2
x2
x1
1 x1
= x2 .
La fonction de densit de probabilit conjointe de X1 et X2 est donc
f X1 ,X2 ( x1 , x2 ) = f Y1 ,Y2 (y1 , y2 )| J |
1
+ 1 x2
=
e
x 1 (1 x 1 ) 1 x 2
()( ) 1
( + ) 1
1
+ 1 x2
1
=
e
x
(1 x1 )
x
,
()( ) 1
( + ) 2
pour 0 < x1 < 1, x2 > 0, do X1 et X2 sont indpendantes, X1
Bta(, ) et X2 Gamma( + ) (un rsultat connu).
b) La conversion du rsultat en un algorithme est trs simple :
1. Gnrer y1 dune distribution Gamma(, 1).
2. Gnrer y2 dune distribution Gamma( , 1).
3. Poser x = y1 /(y1 + y2 ).
Cet algorithme suppose videmment quune source de nombres provenant dune loi gamma est disponible.
La figure A.7 illustre le fonctionnement de cette transformation. Dans
le graphique de gauche, on a un nuage de points (y1 , y2 ) tirs indpendemment de deux distributions gamma de paramtre dchelle gal
1. On a superpos ce nuage de points aux courbes de niveaux de la
distribution conjointe des deux lois gamma.
Dans le graphique de droite, on a plac en abscisse les points x =
y1 /(y1 + y2 ) rsultant de la transformation. On voit que la rpartition
et la densit de ces points correspond la densit de la loi bta galement reprsente sur le graphique.
c) En S :
> (y <- rgamma(1, alpha, 1))/(y + rgamma(1, beta, 1))
47
1.0
dbeta(x, 2, 3)
0.5
4
0
0.0
y2
1.5
Solutions
0.0
0.2
0.4
0.6
0.8
1.0
y1
Z
f X (Y )
gY (y) dy
=
cgY (Y )
Z
1
f X (y) dy
=
c
1
= .
c
a < x < b,
48
Solutions
b) Lefficacit est
1
1
=
.
c
M(b a)
3.12 a) On dmontre facilement que le mode M dune distribution Bta(, )
se trouve en
1
x=
.
+2
Par consquent, lefficacit de lalgorithme dacceptation-rejet dcrit
lexercice 3.11 et consistant borner la densit par un rectangle de
hauteur M est
1
1
=
M
f (( 1)/( + 2))
1
1
()( )
1
1
=
.
( + ) + 2
+2
Avec = 3 et = 2, on obtient une efficacit de 9/16.
b) On a trouv c = 1,2 dans lexemple 3.7, do une efficacit de 1/c =
5/6. Cet algorithme est videmment plus efficace puisque la surface
de lenveloppe de la densit bta est nettement plus petite.
c) On utilise lalgorithme dvelopp lexemple 3.7 des notes de cours.
Voir le code S la figure A.8 et le code VBA la figure A.9. On vrifie
lexactitude la fonction rbeta.ar avec
Solutions
49
50
Solutions
> x <- rbeta.ar(10000)
> hist(x, prob = TRUE)
> curve(dbeta(x, 3, 2), add = TRUE)
0 < x < 1.
x 1 /(),
e x /(),
0x1
x > 1.
Posons
(
cgY ( x ) =
x 1 /(),
e x /(),
0x1
x > 1.
()
dx +
Z x
e
1
()
dx =
1
()
1 1
+
,
Solutions
51
do
x 1
, 0x1
(1/e)
gY ( x ) = (1/) +
x
e
, x > 1,
(1/) + (1/e)
e
x ,
0x1
+e
x
GY ( x ) =
e
1
, x > 1,
(1/) + (1/e)
et
1/
+e
,
0 x e/( + e)
x
GY1 ( x ) =
e
e x ,
x 1 ,
0x1
x > 1.
(
u2
ey ,
0y1
1
y , y > 1,
1 1 x/
e
e
,
()
do f X ( x ) cgY ( x ) avec
c=
1
e
()
et
gY ( x ) =
1 x/
e
.
x > 0,
52
Solutions
Ainsi, Y Exponentielle(1/). Soit y une observation de la variable
alatoire Y et u une observation dune loi U (0, 1). Selon lalgorithme
dacceptation-rejet, on accepte la valeur y comme observation dune loi
Gamma(, 1) avec 1 si
ey(11/)
f X (y)
= y1 1 (1)
cgY (y)
e
m
y ey/
u1/(1)
e 1
m
h y y
i
ln u ( 1) ln
+1
m
hy
y
i
ln u > ( 1)
ln
1 .
Z 1
0
ln(5u + 4) dx
= E[ln(5U + 4)],
o U U (0, 1), ou encore simplement
= E[ln( X )],
o X U (4, 9). Une approximation de est
1
=
n
ln(xi ),
i =1
3.17 On pose
=
Z 1Z 1
0
= E[e
0
2XY
Solutions
53
Z 1
0
2( ln u2 )2 sin( ln u2 ) du
i =1
Z
0
sin(x )
(1/2)3 2 x/2
x e
dx
(3)
= 16E[sin(X )],
o X Gamma(3, 1/2). Une estimation de est donc
16 n
=
sin(xi )
n i
=1
o x1 , . . . , xn est un chantillon alatoire dune Gamma(3, 1/2). Une
valuation avec R donne
> 16 * mean(sin(pi * rgamma(1e+06, 3, 0.5)))
54
Solutions
[1] -0.060359
[1] -0.9056168
Chapitre 4
La notation xb signifie que le nombre x est en base b. On omet gnralement b
pour les nombres en base 10.
4.1 Lalgorithme de conversion des nombres dcimaux en une base b se rsume essentiellement ceci pour la partie entire :
1. les chiffres du nombre en base b sont obtenus de droite gauche en
prenant le reste de divisions par b ;
2. on divise par b dabord le nombre dcimal dorigine, puis la partie entire de la division prcdente, jusqu ce que celle-ci soit gale 0.
On a donc les rsultats suivants.
a) Conversion en base 6 :
Conversion en binaire :
119 6 = 19 reste 5
119 2 = 59 reste 1
19 6 = 3 reste 1
59 2 = 29 reste 1
3 6 = 0 reste 3,
29 2 = 14 reste 1
do 119 3156 .
14 2 = 7 reste 0
7 2 = 3 reste 1
3 2 = 1 reste 1
1 2 = 0 reste 1,
do 119 11101112 .
Solutions
55
b) Conversion en base 6 :
Conversion en binaire :
343 6 = 57 reste 1
57 6 = 9 reste 3
171 2 = 85 reste 1
9 6 = 1 reste 3
85 2 = 42 reste 1
1 6 = 0 reste 1,
42 2 = 21 reste 0
do 343 13316 .
21 2 = 10 reste 1
10 2 = 5 reste 0
5 2 = 2 reste 1
2 2 = 1 reste 0
1 2 = 0 reste 1,
c) Conversion en base 6 :
do 119 1010101112 .
Conversion en binaire :
96 6 = 16 reste 0
16 6 = 2 reste 4
96 2 = 48 reste 0
48 2 = 24 reste 0
2 6 = 0 reste 2,
24 2 = 12 reste 0
do 96 2406 .
12 2 = 6 reste 0
6 2 = 3 reste 0
3 2 = 1 reste 1
1 2 = 0 reste 1,
d) Conversion en base 6 :
do 96 11000002 .
Conversion en binaire :
43 6 = 7 reste 1
43 2 = 21 reste 1
7 6 = 1 reste 1
21 2 = 10 reste 1
1 6 = 0 reste 1,
10 2 = 5 reste 0
do 43 1116 .
5 2 = 2 reste 1
2 2 = 1 reste 0
1 2 = 0 reste 1,
do 43 1010112 .
4.2 On fait les deux premires conversions laide de la dfinition dun nombre
hexadcimal, puis les deux dernires laide de lalgorithme de conversion des nombres en base b vers la base 10.
a) A1B16 = 10 162 + 1 16 + 11 = 2 587
b) 12A16 = 1 162 + 2 16 + 10 = 298
c) B4116 = (11 16 + 4) 16 + 1 = 2 881
d) BAFFE16 = ((((11 16 + 10) 16) + 15) 16) + 15) +14 = 765 950
56
Solutions
4.3 La gnralisation de lalgorithme de conversion des nombres en base b
vers la base 10 la conversion dun nombre
x = x m 1 x m 2 x 1 x 0
en base [bm1 . . . b0 ] vers la base 10 est la suivante (nombre entiers seulement) :
1. Poser x = 0.
2. Pour i = m 1, m 2, . . . , 0, faire les tapes suivantes.
i) Trouver di , le nombre dcimal correspondant au symbole xi .
ii) Poser x = xbi1 + di , avec b1 = 1.
Cet algorithme permet de trouver les formules demandes.
a) Tel que prsent lexemple 4.6 des notes de cours, on trouve la position de llment aijk dans lordre de la liste des lments du tableau en
convertissant le nombre [i 1 j 1 k 1] de la base [ I J K ] la base
10, puis additionnant 1. laide de lalgorithme ci-dessus, on obtient
[((i 1) J + j 1) K + k 1] + 1 = k + K ( j 1 + J (i 1))
b) Dans lordre S, on convertit le nombre [k 1 j 1 i 1] exprim dans
la base [K J I ] en base 10. On obtient alors
[((k 1) J + j 1) I + i 1] + 1 = i + I ( j 1 + J (k 1))
soit la mme rponse qu lexercice 3.7 b) de Goulet (2007).
4.4 Voir les notes de cours de la section 4.4. Les calculs sont exactement les
mmes que pour les nombres en double prcision.
4.5 Ltendue des nombres admissibles pour le type Byte est [0, 28 1] =
[0, 255]. Les nombres maximaux pour les types Integer et Long sont,
respectivement, 215 1 = 32 767 et 231 1 = 2 147 483 647. Ltendue est
plus grande de 1 pour les nombres ngatifs (32 768 et 2 147 483 648)
parce que les nombres sont en fait stocks en complement deux ; voir
http://fr.wikipedia.org/wiki/Compllment_
a_deux.
4.6 Dans les galits ci-dessous, le ct droit est en binaire.
a) Premirement, 1234 100110100102 . On a donc
Solutions
57
b) On a 55 1101112 , do
55 = (1)0 25 1,10111
10 = (1)1 23 1,010
= (1)1 2130127 1,010
= 1 10000010 01000000000000000000000 .
e) La reprsentation de 32 en binaire est 0,101010 . . . . (La faon la plus
simple dobtenir ce rsultat consiste convertir 23 2n , o n est le
nombre de bits souhait aprs la virgule). Puisque 126 11111102 ,
on a
2
= (1)0 21 1,01010101010101010101010
3
= (1)0 2126127 1,01010101010101010101010
= 0 01111110 01010101010101010101010 .
1
f) La reprsentation binaire de 100
est infinie : 0,000000101000111101 . . . .
Puisque 120 011110002 , on a
1
= (1)0 27 1,01000111101011100001010
100
= (1)0 2120127 1,01000111101011100001010
= 0 01111000 01000111101011100001010
4.7 a) Puisque 1111012 61, on a le nombre
58
Solutions
b) Signe invers par rapport la partie a).
c) Puisque 100001002 = 27 + 22 132, on a le nombre
On remarque que les nombres sont beaucoup plus loigns les uns des
autres ici quen a).
Chapitre 5
5.1 Se baser sur la fonction de point fixe fp prsente au chapitre 5 de Goulet
(2007) pour composer les fonctions de bissection, de NewtonRaphson et
de la scante.
59
5
f (x)
10
10
5
15
f (x)
15
20
25
Solutions
1.0
1.5
2.0
2.5
3.0
3.5
4.0
(b) f ( x ) = x3 + 3x2 1
0.5
f (x)
1.0
1.5
1.0
0.5
f (x)
0.0
0.0
0.5
0.5
(a) f ( x ) = x3 2x2 5
0.2
0.4
0.6
0.8
1.0
1.0
1.2
1.4
1.6
1.8
2.0
(d) f ( x ) = e x + 2 x + 2 cos x 6
0.1
f (x)
0.0
0.1
(c) f ( x ) = x 2 x
0.2
0.0
0.20
0.22
0.24
0.26
0.28
0.30
(e) f ( x ) = e x x2 + 3x 2
60
Solutions
5.2 Les solutions suivantes ont t obtenues laide de nos fonctions de rsolution dquations une variable. Les valeurs intermdiaires sont affiches pour montrer la convergence. La figure A.10 contient les graphiques
des cinq fonctions pour les intervalles mentionns dans lnonc.
a) La fonction na quune seule racine dans [1, 4].
> f1 <- function(x) x^3 - 2 * x^2 - 5
> f1p <- function(x) 3 * x^2 - 4 * x
> bissection(f1, lower = 1, upper = 4, echo = TRUE)
[1] 1.000 4.000 2.500 -1.875
[1] 2.5000 4.0000 3.2500 8.2031
[1] 2.5000 3.2500 2.8750 2.2324
[1] 2.500000 2.875000 2.687500 -0.034424
[1] 2.6875 2.8750 2.7812 1.0432
[1] 2.68750 2.78125 2.73438 0.49078
[1] 2.68750 2.73438 2.71094 0.22481
[1] 2.687500 2.710938 2.699219 0.094355
[1] 2.687500 2.699219 2.693359 0.029757
[1] 2.6875000 2.6933594 2.6904297 -0.0023855
[1] 2.690430 2.693359 2.691895 0.013673
[1] 2.6904297 2.6918945 2.6911621 0.0056403
[1] 2.6904297 2.6911621 2.6907959 0.0016266
[1] 2.69042969 2.69079590 2.69061279 -0.00037968
[1] 2.6906128 2.6907959 2.6907043 0.0006234
[1] 2.69061279 2.69070435 2.69065857 0.00012185
[1] 2.69061279 2.69065857 2.69063568 -0.00012892
[1] 2.6906e+00 2.6907e+00 2.6906e+00 -3.5365e-06
[1] 2.6906e+00 2.6907e+00 2.6907e+00 5.9155e-05
[1] 2.6906e+00 2.6907e+00 2.6906e+00 2.7809e-05
[1] 2.6906e+00 2.6906e+00 2.6906e+00 1.2136e-05
$root
[1] 2.6906
$nb.iter
[1] 21
> nr(f1, f1p, start = 2.5, echo = TRUE)
[1] 2.7143
[1] 2.6910
[1] 2.6906
$root
[1] 2.6906
$nb.iter
[1] 3
> secante(f1, start0 = 1, start1 = 4, echo = TRUE)
[1] 1.5455
[1] 1.9969
[1] 4.1051
Solutions
[1] 2.2947
[1] 2.4787
[1] 2.7514
[1] 2.6831
[1] 2.6904
[1] 2.6906
$root
[1] 2.6906
$nb.iter
[1] 9
61
62
Solutions
$nb.iter
[1] 3
> secante(f2, start0 = -3, start1 = -2, echo = TRUE)
[1] -2.75
[1] -3.0667
[1] -2.862
[1] -2.8772
[1] -2.8794
[1] -2.8794
$root
[1] -2.8794
$nb.iter
[1] 6
Pour trouver la seconde racine, on utilise des valeurs de dpart suprieures au maximum :
> bissection(f2, lower = -1, upper = 0.5, echo = TRUE)
[1] -1.00000 0.50000 -0.25000 -0.82812
[1] -1.000000 -0.250000 -0.625000 -0.072266
[1] -1.00000 -0.62500 -0.81250 0.44409
[1] -0.81250 -0.62500 -0.71875 0.17850
[1] -0.718750 -0.625000 -0.671875 0.050953
[1] -0.671875 -0.625000 -0.648438 -0.011236
[1] -0.671875 -0.648438 -0.660156 0.019719
[1] -0.6601562 -0.6484375 -0.6542969 0.0042058
[1] -0.6542969 -0.6484375 -0.6513672 -0.0035239
[1] -0.65429688 -0.65136719 -0.65283203 0.00033872
[1] -0.6528320 -0.6513672 -0.6520996 -0.0015932
[1] -0.65283203 -0.65209961 -0.65246582 -0.00062736
[1] -0.65283203 -0.65246582 -0.65264893 -0.00014435
[1] -6.5283e-01 -6.5265e-01 -6.5274e-01 9.7175e-05
[1] -6.5274e-01 -6.5265e-01 -6.5269e-01 -2.3592e-05
[1] -6.5274e-01 -6.5269e-01 -6.5272e-01 3.6791e-05
[1] -6.5272e-01 -6.5269e-01 -6.5271e-01 6.5995e-06
[1] -6.5271e-01 -6.5269e-01 -6.5270e-01 -8.4961e-06
[1] -6.5271e-01 -6.5270e-01 -6.5270e-01 -9.4828e-07
[1] -6.5271e-01 -6.5270e-01 -6.5270e-01 2.8256e-06
[1] -6.5270e-01 -6.5270e-01 -6.5270e-01 9.3867e-07
[1] -6.527e-01 -6.527e-01 -6.527e-01 -4.804e-09
$root
[1] -0.6527
$nb.iter
[1] 22
> nr(f2, f2p, start = -1, echo = TRUE)
[1] -0.66667
[1] -0.65278
Solutions
[1] -0.6527
$root
[1] -0.6527
$nb.iter
[1] 3
> secante(f2, start0 = -2, start1 = -1, echo = TRUE)
[1] -0.5
[1] -0.63636
[1] -0.65394
[1] -0.6527
[1] -0.6527
$root
[1] -0.6527
$nb.iter
[1] 5
63
64
Solutions
> nr(f3, f3p, start = 0.6, echo = TRUE)
[1] 0.641
[1] 0.64119
$root
[1] 0.64119
$nb.iter
[1] 2
> secante(f3, start0 = 0.6, start1 = 0.65, echo = TRUE)
[1] 0.64122
[1] 0.64119
$root
[1] 0.64119
$nb.iter
[1] 2
Solutions
$root
[1] 1.8294
$nb.iter
[1] 2
> secante(f4, start0 = 1.8, start1 = 1.85, echo = TRUE)
[1] 1.8289
[1] 1.8294
[1] 1.8294
$root
[1] 1.8294
$nb.iter
[1] 3
e) Encore ici, la fonction na quune seule racine dans lintervalle mentionn et elle se situe autour de 0,25.
> f5 <- function(x) exp(x) - x^2 + 3 * x - 2
> f5p <- function(x) exp(x) - 2 * x + 3
> bissection(f5, lower = 0.24, upper = 0.26,
+
echo = TRUE)
[1] 0.240000 0.260000 0.250000 -0.028475
[1] 0.2500000 0.2600000 0.2550000 -0.0095634
[1] 0.25500000 0.26000000 0.25750000 -0.00011444
[1] 0.2575000 0.2600000 0.2587500 0.0046084
[1] 0.2575000 0.2587500 0.2581250 0.0022471
[1] 0.2575000 0.2581250 0.2578125 0.0010664
[1] 0.25750000 0.25781250 0.25765625 0.00047597
[1] 0.25750000 0.25765625 0.25757812 0.00018077
[1] 2.5750e-01 2.5758e-01 2.5754e-01 3.3166e-05
[1] 2.5750e-01 2.5754e-01 2.5752e-01 -4.0637e-05
[1] 2.5752e-01 2.5754e-01 2.5753e-01 -3.7355e-06
[1] 2.5753e-01 2.5754e-01 2.5753e-01 1.4715e-05
[1] 2.5753e-01 2.5753e-01 2.5753e-01 5.4898e-06
[1] 2.5753e-01 2.5753e-01 2.5753e-01 8.7717e-07
[1] 2.5753e-01 2.5753e-01 2.5753e-01 -1.4291e-06
[1] 2.5753e-01 2.5753e-01 2.5753e-01 -2.7598e-07
[1] 2.5753e-01 2.5753e-01 2.5753e-01 3.0059e-07
$root
[1] 0.25753
$nb.iter
[1] 17
> nr(f5, f5p, start = 0.26, echo = TRUE)
[1] 0.25753
[1] 0.25753
$root
[1] 0.25753
65
66
Solutions
TAB . A.1 Valeurs successives de la mthode de bissection pour lexercice
5.3.
n
an
bn
xn
f ( xn )
1
2
3
4
5
6
7
8
9
10
0
1,00
1,0000
1,250000
1,37500000
1,37500000
1,40625000
1,4062500000
1,41406250
1,41406250
2
2,00
1,5000
1,500000
1,50000000
1,43750000
1,43750000
1,4218750000
1,42187500
1,41796875
1
1,50
1,2500
1,375000
1,43750000
1,40625000
1,42187500
1,4140625000
1,41796875
1,41601562
1
0,25
0,4375
0,109375
0,06640625
0,02246094
0,02172852
0,0004272461
0,01063538
0,00510025
$nb.iter
[1] 2
> secante(f5, start0 = 0.24, start1 = 0.26,
+
echo = TRUE)
[1] 0.25753
[1] 0.25753
$root
[1] 0.25753
$nb.iter
[1] 2
2 = 1,414214.
5.4 On a que
1 n 1 1
k k
k
k =1
=1
n
x n x n 1 =
1
,
n
dx
Solutions
67
diverge elle-mme. Cet exercice illustre donc que le critre | xn xn1 | <
peut tre satisfait mme pour une srie divergente.
5.5 a) On considre la fonction g( x ) = 3 x dans lintervalle [0, 1]. En premier
lieu, 1/3 3 x 1 pour 0 x 1, donc g( x ) [0, 1]. De plus,
g0 ( x ) = 3 x1 (ln 3), do
| g0 ( x )| =
ln 3
ln 3 < 1,
3 x +1
0 x 1.
Solutions
0.0
0.2
0.4
g (x)
0.6
0.8
1.0
68
0.0
0.2
0.4
0.6
0.8
1.0
x3 + 4x2 10
.
3x2 + 8x
2.5
2.6
2.7
2.8
2.9
3.0
3.0
2.9
2.5
2.6
2.7
g (x)
2.8
2.9
2.8
g (x)
2.7
2.6
2.5
2.5
2.6
2.7
g (x)
2.8
2.9
3.0
69
3.0
Solutions
2.5
2.6
2.7
2.8
2.9
3.0
2.5
(a) Fonction g1 ( x )
(b) Fonction g2 ( x )
2.6
2.7
2.8
2.9
3.0
(c) Fonction g3 ( x )
21 x3
2 14
g20 ( x ) = 3
3
x
5 84x3 + 21x2 + 441
2x
g30 ( x ) = 1
.
( x2 21)2
g10 ( x ) =
70
Solutions
5.9 On considre la fonction g( x ) = 2 x dans lintervalle [ 31 , 1]. En premier
| g0 ( x )| =
71
0.4
x^2
0.6
0.8
1.0
Solutions
0.0
0.2
0.0
0.2
0.4
0.6
0.8
1.0
f (i ) =
CFt
(1 + i ) t
t =0
72
Solutions
et
n
tCFt
.
t +1
t =0 (1 + i )
f 0 (i ) =
1 2 x/
x e
,
2 3
x > 0.
Solutions
73
74
Solutions
l ( ) =
ln f (xi ; )
i =1
n
2 ln xi
i =1
n
= 2 ln xi
i =1
xi
ln 2 3 ln
1 n
xi n ln 2 3n ln .
i
=1
1
2
i =1
3n
= 0.
2
3
3n
xi + 2 .
i =1
Solutions
75
[1] 1006.8
5.15 La figure A.17 prsente le code VBA dune fonction emvGamma trs similaire la fonction S de lexercice prcdent. Pour lutiliser dans Excel, il suffit de lui passer en argument une plage (verticale) contenant un
chantillon alatoire dune loi Gamma(3, 1/ ).
5.16 On cherche rsoudre lquation
(12)
a 10 i =
1 (1 + i )10
=8
i(12)
1 (1 + i )10
8 = 0.
12(1 + i )1/12 1
0.00
0.02
0.04
0.06
0.08
0.10
0.08
0.00
0.02
0.04
g(i)
0.06
0.08
0.06
g(i)
0.04
0.02
0.00
0.00
0.02
0.04
g(i)
0.06
0.08
0.10
Solutions
0.10
76
0.10
0.00
0.02
0.04
0.06
0.08
0.10
0.00
(a) Fonction g1 ( x )
0.02
0.04
0.06
0.08
0.10
(b) Fonction g2 ( x )
(c) Fonction g3 ( x )
(12)
97 (1 + i )10
96
12
1.
f (i )
f 0 (i )
$fixed.point
[1] 0.047081
$nb.iter
[1] 40
> pointfixe(g3, start = 0.05)
Solutions
77
$fixed.point
[1] 0.047081
$nb.iter
[1] 2
Chapitre 6
6.1 a) On a une solution unique. Le systme dquations correspondant est
x1 3x2 + 4x3 = 7
x2 + 2x3 = 2
x3 = 5.
Par substitution successive, on obtient x3 = 5, x2 = 2 2(5) = 8 et
x1 = 7 + (3)(8) 4(5) = 37.
b) Le systme est sous-dtermin : il compte plus dinconnues que dquations. Il y a donc une infinit de solutions. Le systme dquations correspondant est
x1 + 8x3 5x3 = 6
x2 + 4x3 9x4 = 3
x3 + x4 = 2.
On utilise la variable libre x4 = t. Ainsi, la solution gnrale du systme dquations est x3 = 2 t, x2 = 3 4(2 t) + 9t = 5 + 13t et
x1 = 6 8(2 t) + 5t = 10 + 13t.
c) On avait lorigine un systme dquations quatre quations et cinq
inconnues. La matrice chelonne contient une ligne complte de zros, ce qui indique que la quatrime quation tait une combinaison
linaire des trois autres. Ne reste donc quun systme sous-dtermin
trois quations et cinq inconnues :
x1 + x2 2x3 8x5 = 3
x3 + x4 + 6x5 = 5
x4 + 3x5 = 9.
Ce systme a une infinit de solutions et il faudra, pour les exprimer,
poser deux variables libres. Les candidates sont les variables correspondant aux colonnes sans un 1 sur la diagonale. On pose donc x2 = s
et x5 = t. On a alors x4 = 9 3t, x3 = 5 (9 3t) 6t = 4 3t et
x1 = 3 7s + 2(4 3t) + 8t = 11 7s + 2t.
d) La dernire ligne de la matrice chelonne correspond lquation impossible satisfaire
0x1 + 0x2 + 0x3 = 1,
do le systme na pas de solution.
78
Solutions
6.2 a) On donne la solution pour llimination gaussienne seulement. La matrice augmente est
1
1 2 8
1 2 3 1 .
3 7 4 10
Les oprations lmentaires effectuer sur cette matrice pour lexprimer sous forme chelonne sont, dans lordre :
1. additionner la premire ligne la seconde ;
2. additionner 3 fois la premire ligne la troisime ;
3. additionner 3 fois la premire ligne la troisime ;
4. multiplier la deuxime ligne par 1 ;
5. additionner 10 fois la deuxime ligne la troisime ;
6. diviser la troisime ligne par 52.
On obtient alors la matrice chelonne
1 1 2
8
0 1 5 9 ,
0 0 1
2
do x3 = 2, x2 = 9 + 5(2) = 1 et x1 = 8 1 2(2) = 3.
b) On donne la solution pour llimination de GaussJordan seulement.
La matrice augmente est
2 2 2 0
2 5 2 1 .
8 1 4 1
Les oprations lmentaires effectuer sur cette matrice pour lexprimer sous forme chelonne rduite sont les suivantes :
1. multiplier la premire ligne par
1
2
1
7
1 0 3/7 1/7
0 1 4/7 1/7 .
0 0
0
0
En posant x3 = t, on a la solution gnrale x2 =
1
7
47 t et x1 = 17 37 t.
Solutions
79
1 1 2 1 1
2
1 2 2 2
.
1 2 4 1
1
3
0
0 3 3
Les oprations lmentaires effectuer sur cette matrice pour lexprimer sous forme chelonne sont, dans lordre :
1. additionner 2 fois la premire ligne la seconde ;
2. additionner la premire ligne la troisime ;
3. additionner 3 fois la premire ligne la quatrime ;
4. additionner 1 fois la deuxime ligne la quatrime ;
5. multiplier la deuxime ligne par
1
3
1 1 2 1
0 1 2 0
0 0
0
0
0 0
0
0
1
0
,
0
0
do x3 = s, x4 = t, x2 = 2s et x1 = 1 + 2s 2s + t = 1 + t.
d) En changeant les premire et troisime quations, on a la matrice augmente
6 6
3
5
3 6 3 2 .
0 2 3
1
Aprs les oprations lmentaires
1. multiplier la premire ligne par
1
6
1
3
1 1 1/2
0 1 3/2
0 0
0
5/6
3/2 .
2
80
Solutions
6.3 La procdure de rduction des matrices augmentes sous forme chelonne est similaire celle utilise dans les solutions de lexercice 6.2. On ne
donne, ici que les rsultats de cette procdure.
a) La matrice chelonne est
1
0
2/5 6/5 0
1
27 5
2
.
5
1 2
1
0 1 6/5
0 0
0
4
1
6/5 1/5 .
0
6
1 2 1/2
0 0
1
0 0
0
0 0
0
7/2
2
1
0
0 7/2
1
4
1
3
0
0
1 2 0 0 3
0 0 1 0 1
0 0 0 1 1
0 0 0 0 0
6
2
.
3
0
2
0
0
1
3
0
3 0
3 0 ,
6 0
Solutions
b) La somme des deux quations donne une nouvelle quation 4x1 + x3 =
0, do x3 = 4x1 . De la premire quation, on a galement x2 =
3x1 x3 x4 = x1 x4 . En posant x1 = s et x4 = t, on a la solution
gnrale x3 = 4s et x2 = s t. Il y a videmment de multiples autres
faons dexprimer la solution gnrale en utilisant des variables libres
diffrentes.
c) La matrice chelonne de ce systme dquations est
1 0 1 3
0 1 1 7/3
.
0 0 0
1
0 0 0
1
On a donc z = 0 et, en posant y = t, x = t, w = t.
6.5 Aprs des oprations lmentaires sur la matrice augmente du systme
dquations, on obtient
1 2
3
4
0 7
14
10 .
0 0 a2 16 a 4
On constate alors que le systme dquations na pas de solution si a2
16 = 0 et a 4 0, donc lorsque a = 4. En revanche, si a2 16 = 0
et a 4 = 0, soit lorsque a = 4, le systme a une infinit de solutions.
Finalement, si a2 16 0 a | a| 4, le systme a une solution unique.
6.6 La somme (ou la diffrence) entre deux matrices est dfinie si les dimensions des matrices sont identiques. Les dimensions du rsultat seront les
mmes. Quant au produit, il est dfini si le nombre de colonnes de la premire matrice est gal au nombre de lignes de la seconde ; le rsultat est
une matrice dont le nombre de lignes est gal celui de la premire matrice et le nombre de colonnes celui de la seconde matrice.
a) Le produit BA nest pas dfini.
b) Le rsultat de AC est une matrice 4 2, donc lopration AC + D est
dfinie et le rsultat est une matrice 4 2.
c) Le rsultat de AE est une matrice 4 4, donc lopration AE + B nest
pas dfinie.
d) Le produit AB nest pas dfini.
e) La somme A + B est dfinie, tout comme le produit E(A + B). Le rsultat est une matrice 5 5.
f) Le rsultat du produit AC est une matrice 4 2, donc E(AC) est une
matrice 5 2.
g) Puisque E T est une matrice 4 5, le produit E T A nest pas dfini.
h) Le rsultat de A T + E est une matrice 5 4, donc (A T + E)D est une
matrice 5 2.
81
82
Solutions
6.7 a) On a
1
D + E = 1
3
5 2
6 1 3
7
0 1 + 1 1 2 = 3
2 4
4 1 3
7
6 5
1 3
3 7
b) On a
3
AB = 1
1
0
4
2
0
1
12
1
= 4
2
4
3
5 .
1
c) On a
(2D T E)A =
1 1 3
6 1
2 5 0 2 1 1
2 1 4
4 1
2 2 6
6 1
10 0 4 1 1
4
2 8
4 1
4 3 3
3 0
11 1 2 1 2
0
1 5
1 1
6 3
36
0 .
4
7
3
3
2 1
3
1
3
3
2 1
3
1
0
2
1
0
2
1
T
T
3 0
1 5 2
1 2 1 4 2 + 5 1 0 1
3 1 5
1 1
3 2 4
T
3 12 6
5 5 15
5 2 8 + 25 0 10
4 5 7
10 5 20
3 5 4
5 5 15
12 2 5 + 25 0 10
6 8 7
10 5 20
2 10 11
13
2
5 .
4
3 13
(AC)T + 5D T =
Solutions
83
f) On a
T
1 1
2 8 4
(BA 2C) =
2 1
6 2 10
T
12 6 3
2 8 4
=
0
4 2
6 2 10
10 6
= 14 2
1 8
T
1
2
4
0
3
0
g) On a
CC T =
1
3
1
2
4
5
2
4
1
3
21
1 =
17
5
17
35
et
3
AT A =
0
3 0
1 1
11 1
1 2 =
,
2 1
1 5
1 1
do
B T (CC T A T A) =
4
1
0
2
10
18
18
40
=
30
26
72
42
i =1
n
i =1
aii + bii
(aii + bii )
i =1
= tr(A + B).
6.9 a) On a que (AA T ) T = (A T ) T A T = AA T , do AA T est symtrique. On
procde de mme pour le second rsultat.
84
Solutions
b) On a que (A A T ) T = A T A = (A A T ), do A A T est antisymtrique.
6.10 Tout dabord, A T = (A T A) T = A T A = A, do A T A est symtrique. De
plus, si A est symtrique, alors A = A T A = AA = A2 . La matrice A est
donc idempotente.
6.11 a) Deux vecteurs de R3 sont ncessairement linairement indpendants
moins que lun ne soit un multiple de lautre. Ce nest pas le cas ici.
b) Trois vecteurs sont linairement dpendants si lun est une combinaison linaire des deux autres. Si cest le cas, le dterminant de la
matrice forme des coordonnes des vecteurs sera nul. Or, ici,
3 5 1
0 1 1 = 39 0.
4
2 3
Les vecteurs sont donc linairement indpendants.
c) Le second vecteur nest pas un multiple du premier, donc les vecteurs
sont linairement indpendants.
d) Un ensemble de quatre vecteurs de R3 est ncessairement linairement dpendant.
6.12 Les trois vecteurs se trouvent dans un plan si seulement deux vecteurs
sont linairement indpendants (ceux-ci engendrent un plan dont fait
alors partie le troisime).
a) Soit la matrice
2
A = 2
0
6
1
4
2
0 .
4
2
0
0
6
7
4
2
2 .
4
6 3 4
A = 7 2 1 .
2 4 2
Solutions
la suite doprations lmentaires sur les lignes, on obtient
6 3 4
0 3 2 .
0 0 0
Il ny a donc que deux vecteurs linairement indpendants formant
un plan dans cet ensemble.
6.13 La condition in=1 aii 0 peut, dune part, signifier que det(A) 0 ou,
dautre part, quil ny aucun zro sur la diagonale et, par consquent,
aucune ligne de zros dans la matrice. Dans un cas comme dans lautre,
cela signifie que linverse existe. En utilisant la technique consistant
transformer la matrice [A|I] en [I|A1 ], on voit immdiatement que
1
a11
0
0
1
0
0
a22
.
A= .
.
..
..
..
.
1
0
0
a
nn
6.14 Une matrice lmentaire est le rsultat dune opration lmentaire sur
la matrice identit.
a) On souhaite inverser les premire et troisime ligne de la matrice A.
Par consquent,
0 0 1
E1 = 0 1 0 .
1 0 0
b) Mme chose que ci-dessus.
c) La matrice C est obtenue partir de la matrice A en additionnant 2
fois la premire ligne la troisime ligne. Par consquent,
1 0 0
E3 = 0 1 0 .
2 0 1
d) De faon similaire, on obtient la matrice A en additionnant 2 fois la
premire ligne de la matrice C la troisime ligne. On a donc
1 0 0
E4 = 0 1 0 .
2 0 1
6.15 Par des oprations lmentaire sur les lignes, on cherche transformer la
matrice [A|I] en [I|A1 ]. Ci-dessous, Li identifie la ligne i dune matrice,
le symbole signifie quune ligne est remplace et le symbole que
deux lignes sont changes.
85
86
Solutions
a) Matrice de dpart
L1 L2
L2 3L1 + L2
L3 2L1 + L3
L3 L2 + L3
L2 L3
L3 4L2 + L3
L3 L3 /10
L1 3L3 + L1
b) Matrice de dpart
L2 2L1 + L2
L3 4L1 + L3
L3 L2 + L3
3 4
1 0
2 5
1 0
3 4
2 5
1 0
0 4
0 5
1 0
0 1
0 4
1 0
0 1
0 0
1 0
0 1
0 0
1
2
4
1
0
0
1
0
0
1 1 0 0
3 0 1 0
4 0 0 1
3 0 1 0
1 1 0 0
4 0 0 1
1 0
3 0
2 1
3
10
10
0
1
0
3
0
10
0
1
1
1 0
1 1
3 0
3
0
10
0
1
5
1
1
7
3
2
11
10
1
1
7
21
10
0
0
1
3
4
2
2
5
4 1 0 0
1 0 1 0
9 0 0 1
3
10
10
3
10
0
0
1
4
65
1
4
7
7
4
7
0
1 0 0
2 1 0
4 0 1
1 0 0
2 1 0
2 1 1
1 0 1 1 0 0
c) Matrice de dpart
0 1 1 0 1 0
1 1 0 0 0 1
1 0
1
1 0 0
L3 L1 + L3
0 1
0 1 0
1
0 1 1 1 0 1
Solutions
87
1 0
0 1
0 0
1 0
0 1
0 0
2 6
2 7
2 7
2 6
0 1
0 1
1 3
0 1
0 0
1 3
0 1
0 0
1 3
0 1
0 0
1
1
0
1 0
0 1
0 1
1 0
0 1
0 0
1 0
0 1
0 0
L3 L2 + L3
L3 L3 /2
L2 L3 + L2
L1 L3 + L1
d) Matrice de dpart
L2 L1 + L2
L3 L1 + L3
L1 L1 /2
L3 L2 + L3
L1 3L3 + L1
L1 3L2 + L1
e) Matrice de dpart
L2 L3
L3 L1 + L3
L3 L2 + L3
L3 L3 /2
L1 L3 + L1
1
0
0
1
1
2
1
2
0
0
1
1
2
21
1
2
6
6
7
1
0
0
6
0
1
1 0 0
1 1 0
1 0 1
3
0
1
0
0
1
0
0
1
0
1
1
1
0
2
1
0
1
0
0
1
k1
0
0
0
1
0
k
0
0
2
1
0
0
k
0
3
1
k
4
0
0
1
1
1
12
21
1
2
1
2
0
1
0
1
2
1
2
12
0
0
1
1
2
0 0
1 0
1 1
1
2
3
1
1
1
0
3
1
0
0
1
7
0 3
2
1
1
0
0 1
1
1 1 0 0
1 0 1 0
0 0 0 1
1 0 0
0 0 1
1 1 0
1 0
0
0 0
1
1
1
1
2
2 2
1
1
1
2 2
2
0
0
1
1
1
1
2
2 2
88
Solutions
b) Pour obtenir linverse de cette matrice par la mthode utilise lexercice 6.15, il suffit dchanger les lignes de bas en haut, puis de diviser
celles-ci par k4 , k3 , k2 et k1 , respectivement. On trouve alors que linverse est
1
0
0
0
k
1
1
0
0
k
0
2
1
0
k
0
0
3
1
k
4
L1 L1 /k
L2 L1 + L2
L2 L2 /k
1 0 0 0
0 1 0 0
0 1 k 0
0 0 1 k
k 1
k 2
0
0
L3 L2 + L3
L3 L3 /k
1 0 0 0
0 1 0 0
0 0 1 0
0 0 1 k
k 1
k 2
k 3
0
L4 L3 + L4
L4 L4 /k
k 1
k 2
k 3
k 4
k
1
0
0
1
0
0
0
0 0 0
k 0 0
1 k 0
0 1 k
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
0
1
0
0
0
0
0
1
0
0
1
0
0 0
k 1 0 0
0 1 0
0 0 1
0
0
k 1
k 2
0
0
k 1
k 2
k 3
0 0
0 0
k 1 0
0 1
0
0
k 1
k 2
0
0
k 1
1
E1 =
5
0
1
et
1
E2 =
0
0
1
2
= E2 E1 =
5
2
1
2
.
.
Solutions
89
c) Du thorme 6.7 des notes de cours, une matrice lmentaire est inversible et son inverse est aussi une matrice lmentaire. Par consquent, on peut isoler A dans lquation E2 E1 A = I pour obtenir A =
E11 E21 . Or,
E11
1
=
5
0
1
E21
et
1
=
0
0
,
2
do
1
A=
5
0
1
1
0
0
.
2
1
A = 1
1
2 1
1 1 ,
1 0
1
b = 3 .
4
1
1
1
=
3
2
1
1
1
3
0 .
3
Par consquent,
16
1
x = A 1 b = 4 .
3
11
6.19 a) On a Ax = x a x Ax = 0 a (I A)x = 0. On veut par la suite
rsoudre ce systme dquations homogne, o
1 1 2
I A = 2 1 2 .
3 1 0
Or, on peut vrifier que le dterminant de cette matrice est non nul,
ce qui signifie que le systme dquations nadmet que la solution
triviale x1 = x2 = x3 = 0. On verra au chapitre 7 que cela signifie que
1 nest pas une valeur propre de la matrice A.
b) On procde comme ci-dessus en rsolvant cette fois le systme dquations linaires homogne (4I A)x = 0. Or,
2
4I A = 2
3
1 2
2
2 .
1 3
90
Solutions
Aprs quelques oprations lmentaires sur les lignes de cette matrice, on obtient
2 1 2
0 1
0 .
0 0
0
Le systme dquations a donc une infinit de solutions. En posant
x3 = t, on a x2 = 0 et x1 = t. Autrement dit, tout vecteur de la forme
t 0 t
est une solution de lquation Ax = 4x. Encore une fois, on verra au
chapitre 7 que 4 est une valeur propre de la matrice A et que (t, 0, t)
est un vecteur propre correspondant.
6.20 Tel que vu au thorme 6.13 des notes de cours, les concepts dinversibilit et de solution dun systme dquations linaires homogne sont
lis : une matrice carre A est inversible si et seulement si Ax = 0 nadmet que la solution triviale.
a) Les quatre quations sont linairement indpendantes, donc la matrice des coefficients est inversible et la seule solution du systme est
la solution triviale.
b) Puisque que le coefficient de x2 est 0 dans la seconde quation, les
quations sont linairement dpendantes, do la matrice des coefficients est singulire et il existe une infinit de solution pour le systme
dquations homogne.
6.21 On voit que la troisime ligne de la matrice est la somme des deux premires. Les lignes ntant pas linairement indpendantes, le dterminant est nul.
6.22 a) Les lignes (et les colonnes) sont linairement indpendantes, donc la
matrice est inversible.
b) La troisime colonne est un multiple de la premire. Par consquent,
les colonnes ne sont pas linairement indpendantes et la matrice est
singulire.
c) Le dterminant est clairement nul, donc la matrice est singulire.
d) Idem.
6.23 On utilise les proprits du dterminant nonces dans le thorme 6.11
des notes de cours.
a) det(3A) = 33 det(A) = 189
b) det(A1 ) = 1/ det(A) = 71
c) det(2A1 ) = 23 / det(A) = 87
1
d) det((2A)1 ) = 23 / det(A) = 56
6.24 Une matrice nest pas inversible si son dterminant est nul.
Solutions
91
2
a) Le dterminant de la matrice
est k 5k + 2, donc la matrice est singulire lorsque k = (5 17)/2.
b) Le dterminant de la matrice est 8k + 8, donc la matrice est singulire
lorsque k = 1.
6.25 a) On a
M13
donc C13 = 0.
b) On a
4
M23 = 4
4
0
= 4
4
0
1
1
3
14 = 0,
2
1 6
1 14 = 4(12) 4(8) + 4(20) = 96
1
2
= 96.
6
14 = 4(42) 4(16) + 4(14) = 48
2
48.
1
0
3
6
14 = (12) 3(20) = 72
2
Chapitre 7
7.1 Dans tous les cas, la matrice mentionne dans lnonc est note A.
a) On a
3
0
det(I A) =
8 + 1
= ( 3)( + 1).
Les valeurs propres sont donc 1 = 3 et 2 = 1. Dune part, la forme
chelonne du systme dquations (3I A)x = 0 est
0 0
x1
0
=
,
0
1 21 x2
92
Solutions
soit x1 = s/2 et x2 = s. Une base de vecteurs propres correspondant
= 3 est donc ( 12 , 1). Dautre part, le systme dquations (I A)x =
0 se rduit
1 0 x1
0
=
,
0 0 x2
0
soit x1 = 0 et x2 = s. Une base de vecteurs propres correspondant
= 1 est donc (0, 1). Vrification :
> m <- matrix(c(3, 8, 0, -1), nrow = 2)
> eigen(m)
$values
[1] 3 -1
$vectors
[,1] [,2]
[1,] 0.4472136
0
[2,] 0.8944272
1
On remarque que les vecteurs propres obtenus avec eigen sont normaliss de sorte que leur norme soit toujours gale 1.
b) On a
10
det(I A) =
4
9
+ 2
= ( 10)( + 2) + 36
= ( 4)2 .
On a donc une seule valeur propre : = 4. Le systme dquations
(4I A)x = 0 se rduit
1
0
23
0
x1
0
=
,
x2
0
Solutions
93
c) On a
4
det(I A) = 2
2
0
1
0
1
0
1
= ( 3)( 1)2 + 2( 1)
= ( 1)( 2)( 3).
Les valeurs propres sont donc 1 = 1, 2 = 2 et 3 = 3. En premier
lieu, le systme dquations (I A)x = 0 se rduit
1
0
0
0
0
0
0
x1
0
1 x2 = 0 ,
0
x3
0
1 0
0 1
0 0
1
2
x1
0
1 x2 = 0 ,
x3
0
0
soit x1 = s/2, x2 = s et x3 = s. Une base de vecteurs propres correspondant = 2 est donc ( 12 , 1, 1). Finalement, le systme dquations (3I A)x = 0 se rduit
1
0
0
0
1
0
1
x1
0
1 x2 = 0 ,
0
x3
0
soit x1 = s, x2 = s et x3 = s. Une base de vecteurs propres correspondant = 2 est donc (1, 1, 1). Vrification :
> m <- matrix(c(4, -2, -2, 0, 1, 0, 1, 0,
+
1), nrow = 3)
> eigen(m)
$values
[1] 3 2 1
$vectors
[,1]
[,2] [,3]
[1,] 0.5773503 -0.3333333
0
[2,] -0.5773503 0.6666667
1
[3,] -0.5773503 0.6666667
0
94
Solutions
d) On a
5
det(I A) = 0
1
6
2
+1
8
0
+ 2
= ( 5)( + 1)( + 2) 2( + 1) + 48
= 3 22 15 + 36
= ( 3)2 ( + 4).
Les valeurs propres sont donc 1 = 3 et 2 = 3 = 4. En premier
lieu, le systme dquations (3I A)x = 0 se rduit
1
0
0
0
1
0
5
x1
0
2 x2 = 0 ,
0
x3
0
soit x1 = 5s, x2 = 2s et x3 = s. Une base de vecteurs propres correspondant = 3 est donc (5, 2, 1). Deuximement, le systme dquations (4I A)x = 0 se rduit
1 0
0 1
0 0
2
x1
0
8 x = 0 ,
3
2
x3
0
0
$vectors
[,1]
[,2]
[,3]
[1,] 0.5746958 -0.9128709 0.9128709
[2,] -0.7662610 0.3651484 -0.3651484
[3,] -0.2873479 -0.1825742 0.1825742
Solutions
95
e) On a
0
2
0
1
0
1 + 2
0
0
0
1
0
2
1
= ( 1) 1
0 1 + 2
1
det(I A) =
0
0
= ( 1)(3 + 22 2)
= ( 1)2 ( + 1)( + 2).
Les valeurs propres sont donc 1 = 2 = 1, 3 = 1 et 4 = 2. En
premier lieu, le systme dquations (I A)x = 0 se rduit
x1
1 0 2 0
0
0 1 3 0 x2 0
= ,
0 0 0 0 x3 0
0 0 0 0
0
x4
soit x1 = 2s, x2 = 3s, x3 = s et x4 = t. Or, (2s, 3s, s, t) = s(2, 3, 1, 0) +
t(0, 0, 0, 1). Une base de vecteurs propres correspondant = 1 est
donc compose des vecteurs (2, 3, 1, 0) et (0, 0, 0, 1). Deuximement, le
systme dquations (I A)x = 0 se rduit
x1
1 0 2 0
0
0 1 1 0 x2 0
0 0 0 1 x3 = 0 ,
0 0 0 0
0
x4
soit x1 = 2s, x2 = s, x3 = s et x4 = 0. Une base de vecteurs propres
correspondant = 1 est donc (2, 1, 1, 0). Finalement, le systme
dquations (2I A)x = 0 se rduit
1 0 1 0
x1
0
0 1 0 0 x2 0
0 0 0 1 x3 = 0 ,
0 0 0 0
x4
0
soit x1 = s, x2 = 0, x3 = s et x4 = 0. Une base de vecteurs propres
correspondant = 2 est donc (1, 0, 1, 0). Vrification :
> m <- matrix(c(0, 1, 0, 0, 0, 0, 1, 0,
+
2, 1, -2, 0, 0, 0, 0, 1), nrow = 4)
> eigen(m)
$values
[1] -2 -1
96
Solutions
$vectors
[,1]
[,2] [,3]
[,4]
[1,] -7.071068e-01 0.8164966
0 -0.5345225
[2,] 4.317754e-16 -0.4082483
0 -0.8017837
[3,] 7.071068e-01 -0.4082483
0 -0.2672612
[4,] 0.000000e+00 0.0000000
1 0.0000000
7.2 On procde par induction. Premirement, lnonc est clairement vrai pour
k = 1. On suppose par la suite quil est vrai pour k = n, soit que si
Ax = x, alors An x = n x. Ainsi,
An+1 x = A(An x) = A(n x) = n (Ax) = n (x) = n+1 x,
do lnonc est vrai pour k = n + 1. Ceci complte la preuve.
7.3 On va utiliser les rsultats de lexercice 7.2. Tout dabord,
+ 1
2
2
2 1
det(I A) = 1
1
1
= ( + 1)( 1)2 ,
do les valeurs propres de A sont 1 = 2 = 1 et 3 = 1. Par consquent, les valeurs propres de A25 sont 1 = 2 = 125 = 1 et 3 =
(1)25 = 1. Toujours par le rsultat de lexercice 7.2, les vecteurs propres
de A correspondant = 1 et = 1 sont galement des vecteurs
propres de A25 . Or, le systme dquations (I A)x = 0 se rduit
1 1 1
x1
0
0 0 0 x2 = 0 ,
0 0 0
x3
0
soit x1 = s t, x2 = s et x3 = t. Puisque (s t, s, t) = s(1, 1, 0) +
t(1, 0, 1), une base de vecteurs propres correspondant = 1 est compose de (1, 1, 0) et (1, 0, 1). Dautre part, le systme dquations (I
A)x = 0 se rduit
1 0 2
x1
0
0 1 1 x2 = 0 ,
0 0 0
x3
0
soit x1 = 2s, x2 = s et x3 = s. Une base de vecteurs propres correspondant = 1 est donc (2, 1, 1).
7.4 On peut dmontrer les deux rsultats simultanment. Tout dabord, les
rsultats sont clairement vrais pour n = 1, cest--dire c1 = cn = x1 . On
suppose ensuite que les rsultats sont vrais pour n = k, soit
!
k
( x xi ) = x k +
i =1
xi
i =1
x k 1 + + x i .
i =1
Solutions
97
Si n = k + 1, on a
k +1
i =1
i =1
( x xi ) = x xi
=
( x x k +1 )
k
x +
xi
!
x
i =1
=x
k +1
k 1
+ + xi
+ x i + x k +1
i =1
= x k +1 +
xi
( x x k +1 )
i =1
k +1
i =1
x k + + x k +1 x i
i =1
k +1
x k + + xi .
i =1
A=
a11
a21
a12
.
a22
= 3 62 + 11 6
= ( 1)( 2)( 3),
do les valeurs propres de A sont 1 = 1, 2 = 2 et 3 = 1. Par consquent, les valeurs propres de A1 sont 1 = 1, 2 = 21 et 3 = 13 . Toujours
par le rsultat de lexercice 7.6, les vecteurs propres de A correspondant
= 1, = 2 et = 3 sont galement des vecteurs propres de A1
98
Solutions
correspondant 1 = 1, 2 = 12 et 3 = 13 . Or, le systme dquations
(I A)x = 0 se rduit
1 0 1
x1
0
0 1 0 x2 = 0 ,
0 0 0
x3
0
soit x1 = s, x2 = 0 et x3 = s. Une base de vecteurs propres correspondant
= 1 est donc (1, 0, 1). Dautre part, le systme dquations (2I A)x = 0
se rduit
x1
0
1 21 0
0 0 1 x2 = 0 ,
x3
0
0 0 0
soit x1 = s/2, x2 = s et x3 = 0. Une base de vecteurs propres correspondant = 2 (ou = 12 ) est donc ( 12 , 1, 0). Finalement, le systme
dquations (3I A)x = 0 se rduit
1 0 1
x1
0
0 1 1 x2 = 0 ,
0 0 0
x3
0
soit x1 = s, x2 = s et x3 = s. Une base de vecteurs propres correspondant
= 3 (ou = 31 ) est donc (1, 1, 1).
7.8 Le rsultat dcoule simplement du fait que lquation Ix = x est vraie
pour tout vecteur x.
7.9 a) Le polynme caractristique est 2 4 + 4 = ( 2)2 , donc les valeurs propres sont 1 = 2 = 2. On a donc
0 0
2I A =
,
1 0
do rang(2I A) = 1. Puisque la matrice A ne possde quun seul
vecteur propre, elle nest pas diagonalisable. Vrification :
> m <- matrix(c(2, 1, 0, 2), nrow = 2)
> eigen(m)
$values
[1] 2 2
$vectors
[,1]
[,2]
[1,]
0 4.440892e-16
[2,]
1 -1.000000e+00
1 0 1
0 0 0 ,
0 0 0
Solutions
99
1 0 1
0 1 2
0 0 0
do rang(5I A) = 2. La base de vecteurs propres correspondant
= 5 est (1, 2, 1). Bien que les valeurs propres de la matrice A ne sont
pas toutes distinctes, les vecteurs propres (1, 0, 1), (0, 1, 0) et (1, 2, 1)
sont linairement indpendants. Par consquent, la matrice
1 0 1
P = 0 1 2
1 0 1
diagonalise A et
3
P1 AP = 0
0
0
3
0
0
0 .
5
Vrification :
> m <- matrix(c(4, 2, 1, 0, 3, 0, 1, 2,
+
4), nrow = 3)
> eigen(m)
$values
[1] 5 3 3
$vectors
[,1] [,2]
[,3]
[1,] 0.4082483
0 -0.7071068
[2,] 0.8164966
1 0.0000000
[3,] 0.4082483
0 0.7071068
0 1 0
0 0 1 ,
0 0 0
do rang(3I A) = 2. La base de vecteurs propres correspondant
= 3 est (1, 0, 0). Dautre part, la forme chelonne de la matrice
2I A est
1 0 0
0 1 0
0 0 0
100
Solutions
do rang(2I A) = 2. La base de vecteurs propres correspondant
= 2 est (0, 0, 1). Par consquent, la matrice A na pas trois vecteurs
linairement indpendants, donc elle nest pas diagonalisable. Vrification :
> m <- matrix(c(3, 0, 0, 0, 2, 1, 0, 0,
+
2), nrow = 3)
> eigen(m)
$values
[1] 3 2 2
$vectors
[,1] [,2]
[,3]
[1,]
1
0 0.000000e+00
[2,]
0
0 4.440892e-16
[3,]
0
1 -1.000000e+00
1 0 1
0 1 1 ,
0 0 0
do rang(I A) = 2. La base de vecteurs propres correspondant
= 1 est (1, 1, 1). Deuximement, la forme chelonne de la matrice
2I A est
1 0 23
0 1 1
0 0 0
do rang(2I A) = 2 et la base de vecteurs propres correspondant
= 2 est (2, 3, 3). Enfin, la forme chelonne de la matrice 3I A est
1 0 14
0 1 3
4
0 0 0
do rang(3I A) = 2 et la base de vecteurs propres correspondant
= 3 est (1, 3, 4). Par consquent,
1 2 1
P = 1 3 3
1 3 4
diagonalise A et
1
P1 AP = 0
0
0
2
3
0
0 .
0
Solutions
101
Vrification :
> m <- matrix(c(-1, -3, -3, 4, 4, 1, -2,
+
0, 3), nrow = 3)
> eigen(m)
$values
[1] 3 2 1
$vectors
[,1]
[,2]
[,3]
[1,] 0.1961161 0.4264014 -0.5773503
[2,] 0.5883484 0.6396021 -0.5773503
[3,] 0.7844645 0.6396021 -0.5773503
0 0 1 0
0 0 0 1
0 0 0 0 ,
0 0 0 0
do rang(2I A) = 2 et la base de vecteurs propres correspondant
= 2 est compose des vecteurs (1, 0, 0, 0) et (0, 1, 0, 0). Dautre
part, la forme chelonne de la matrice 3I A est
1 0 0 0
0 1 1 1
0 0 0 0
0 0 0 0
do rang(2I A) = 2 et la base de vecteurs propres correspondant
= 3 est compose des vecteurs (0, 1, 1, 0) et (0, 1, 0, 1). Les valeurs
propres de la matrice A ne sont pas toutes distinctes, mais les vecteurs
propres (1, 0, 0, 0), (0, 1, 0, 0), (0, 1, 1, 0) et (0, 1, 0, 1) sont linairement
indpendants. Par consquent, la matrice
1 0 0 0
0 1 1 1
P=
0 0 1 0
0 0 0 1
diagonalise A et
2 0
0 2
P1 AP =
0
0
0
0
Vrification :
0 0
0 0
.
3 0
0 3
102
Solutions
> m <- matrix(c(-2, 0, 0, 0, 0, -2, 0, 0,
+
0, 5, 3, 0, 0, -5, 0, 3), nrow = 4)
> eigen(m)
$values
[1] 3 3 -2 -2
$vectors
[1,]
[2,]
[3,]
[4,]
[,1]
[,2] [,3] [,4]
0.0000000 0.0000000
1
0
0.7071068 -0.7071068
0
1
0.7071068 0.0000000
0
0
0.0000000 0.7071068
0
0
Chapitre 8
8.1 La matrice
A= 2
4
6 3
0
6
7
4
3
0 0
4 0
L= 2
4 1 2
et
1
U = 0
0
2 1
1
2 .
0
1
Solutions
103
8.2 On cherche tout dabord des matrices triangulaires infrieure et suprieure L et U, respectivement, tel que A = LU. On nous donne dans
lnonc
1 1 1 2
A = E1 E2
,
0 1
do
1
U=
0
2
,
1
E11 =
E21
= 3I
et, par consquent,
3 0
L=
.
2 1
Pour rsoudre par dcomposition LU le systme dquations Ax = LUx =
b, o b = (0, 1), on pose Ux = y et rsout dabord Ly = b par substitution. On a donc le systme dquations
3 0 y1
0
=
,
2 1 y2
1
dont la solution est y1 = 0 et y2 = 1. Par la suite, on a
1 2 x1
0
=
,
0 1
x2
1
do, finalement, x1 = 1 et x2 = 2.
Bibliographie
Abraham, B. et J. Ledolter. 1983, Statistical methods for forecasting, Wiley, New
York, ISBN 0-4718676-4-0.
Anton, H. 2000, Elementary linear algebra, 8e d., Wiley, ISBN 0-4711705-5-0.
Brockwell, P. J. et R. A. Davis. 1996, Introduction to time series and forecasting,
Springer, New York, ISBN 0-3879471-9-1.
Burden, R. L. et J. D. Faires. 1988, Numerical analysis, 4e d., PWS-Kent, Boston,
ISBN 0-5349158-5-X.
Draper, N. R. et H. Smith. 1998, Applied regression analysis, 3e d., Wiley, New
York, ISBN 0-4711708-2-8.
Gentle, J. E. 1998, Random number generation and Monte Carlo methods, Springer,
New York, ISBN 0-3879852-2-0.
Goulet, V. 2007, Introduction la programmation en S, Document libre publi
sous licence GNU FDL, ISBN 978-2-9809136-7-9. URL http://vgoulet.
act.ulaval.ca/intro_S.
Monahan, J. F. 2001, Numerical methods of statistics, Cambridge University
Press, Cambridge, UK, ISBN 0-5217916-8-5.
Ripley, B. D. 1987, Stoschastic simulation, Wiley, New York, ISBN 0-4718188-4-4.
Rubinstein, R. Y. 1981, Simulation and the Monte Carlo method, Wiley, New York,
ISBN 0-4710891-7-6.
105
ISBN
978-2-9809136-8-6