Exercices Methodes Numeriques

Exercices
de
mthodes numriques
Avec solutions
Exercices
de
mthodes numriques
Avec solutions
Vincent Goulet
cole dactuariat, Universit Laval
2008 Vincent Goulet
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
Table des matires

Introduction
II Simulation stochastique
Gnration de nombres alatoires
Simulation de variables alatoires
III Analyse numrique
11
Arithmtique des ordinateurs
13
Rsolution dquations une variable
17
IV Algbre linaire
21
Rvision dalgbre linaire
23
Valeurs propres, vecteurs propres et diagonalisation
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

Lexercice 2.3 requiert dinstaller le package R rgl, disponible sur CRAN1 .
Pour un utilisateur ayant les privilges dadministrateur, entrer simplement
la ligne de commande
> install.packages("rgl")
Pour utiliser les fonctions du package, il faut ensuite charger le package en

mmoire avec
> library(rgl)
Un utilisateur sans droit dcriture dans le dossier C:\Program Files

(sous Windows) devra installer le package dans le dossier de son choix et
spcifier celui-ci avec largument lib de la fonction install.packages. Il
faudra galement utiliser largument lib.loc de la fonction library lors
du chargement du package. Par exemple :
> install.packages("rgl", lib = "R:/R/library")
> library(rgl, lib.loc = "R:/R/library")
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

2.3 Le gnrateur RANDU, qui a longtemps t le plus populaire gnrateur
de nombres pseudo-alatoires, est dfini ainsi :
xi = 65539xi1 mod 231 .
Les nombres alatoires obtenus avec ce gnrateur prsentent une excellente structure alatoire en une et en deux dimensions. On peut toutefois dmontrer mathmatiquement quen trois dimensions, les triplets
( xi , xi+1 , xi+2 ) se retrouvent sur quinze plans ou moins, rendant ainsi assez prvisible la valeur de xi+2 tant donn les deux autres valeurs.
a) Gnrer une suite { xi } de longueur 20 002 avec le gnrateur RANDU
et poser ui = 231 xi . Pour tous les triplets (ui , ui+1 , ui+2 ), slectionner
les cas o 0,5 ui+1 0,51 et faire un graphique de ui+2 en fonction
de ui . Commenter le graphique obtenu.
b) Gnrer une suite { xi } de longueur 1 002 avec le gnrateur RANDU.
laide de R, placer les triplets (ui , ui+1 , ui+2 ) dans un graphique en
trois dimensions avec la fonction rgl.points du package rgl, puis
faire pivoter le graphique jusqu ce que les quinze plans sur lesquels
se trouvent les points soient visibles. (On peut galement utiliser la
fonction spin de S-Plus.)

3.1 La transformation de BoxMuller est populaire pour simuler des nombres
normaux partir de nombres uniformes. Soit U1 U (0, 1) et U2 U (0, 1)
deux variables alatoires indpendantes et
X1 = (2 log U1 )1/2 cos(2U2 )
X2 = (2 log U1 )1/2 sin(2U2 ).
Les questions ci-dessous font appel des notions de transformation de
variables alatoires tudies dans le cours ACT-16384.
a) Vrifier de manire heuristique que la transformation ci-dessus est bijective de {(u1 , u2 ); 0 < u1 < 1, 0 < u2 < 1} {( x1 , x2 ); < x1 <
, < x2 < }, cest--dire quelle associe un point (u1 , u2 ) un et
un seul point ( x1 , x2 ).
b) Dmontrer que la transformation inverse est
2
U1 = e(X1 +X2 )/2

X2
1
arctan
.
U2 =
2
X1
c) Dmontrer que X1 et X2 sont deux variables alatoires indpendantes
chacune distribue selon une N (0, 1).
d) Vrifier la validit de ces formules laide de Excel, R ou S-Plus. La
procdure suivre en S est explique ici.
i) Simuler deux sries de nombres uniformes sur lintervalle (0, 1)
avec la fonction runif.
ii) Transformer les nombres uniformes en nombres normaux sans utiliser de boucles grce la fonction outer et deux fonctions anonymes.
iii) Tracer un histogramme des rsultats avec
> hist(x, prob = TRUE)
pour voir si la distribution des nombres transforms est approximativement normale.

iv) On peut ajouter une courbe normale thorique au graphique avec
5

> curve(dnorm(x), add = TRUE)
pour fins de comparaison.

3.2 La distribution de Laplace, ou double exponentielle, est obtenue comme
la diffrence entre deux distributions exponentielles identiques et indpendantes. Sa fonction de densit de probabilit est
f (x) =
| x |
e
,
2
< x < .
Proposer une ou plusieurs faons de simuler des nombres issus de cette

distribution.
3.3 Faire la mise en oeuvre informatique (dans le langage de votre choix) de
lalgorithme de simulation suivant. Il sagit dun algorithme pour simuler
des observations dune loi Gamma(, 1), o > 1.
1. Gnrer u1 et u2 indpendemment dune loi U (0, 1) et poser
v=
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.
3.6 La fonction de densit de probabilit de la loi de Pareto translate est

f (x) =
,
x +1
x > .
Simuler trois valeurs dune telle distribution avec = 2 et = 1 000

laide de la mthode de linverse et du gnrateur congruentiel linaire
suivant :
xn = (65xn1 + 1) mod 2 048.
Utiliser une amorce de 12.
3.7 Simuler laide de R, S-Plus ou Excel des observations du mlange
0,6 f 1 ( x ) + 0,4 f 2 ( x ),
o f 1 ( x ) et f 2 sont les densits de deux lois log-normales, la premire de
paramtres = 3,1 et 2 = 0,6 ; la seconde de paramtres = 4,3 et
2 = 0,4. Tracer par la suite un histogramme des observations, y superposer la densit thorique de la distribution simule et vrifier que les deux
graphiques correspondent.
3.8 Soit U1 et U2 deux variables alatoires indpendantes uniformment distribues sur lintervalle (0, 1) et soit la transformation
p
X1 = U1 cos(2U2 )
p
X2 = U1 sin(2U2 ).
Dmontrer que la distribution conjointe de X1 et X2 est uniforme sur le
disque de rayon de 1 centr en ( x1 , x2 ) = (0, 0). quoi ce rsultat peut-il
servir ?
3.9 a) Soit Y1 Gamma(, 1) et Y2 Gamma( , 1) deux variables alatoires
indpendantes. Dmontrer que
X=
Y1
Bta(, ).
Y1 + Y2
b) Utiliser le rsultat en a) pour proposer un algorithme de simulation

dobservations dune loi Bta(, ).
c) Faire la mise en oeuvre informatique de lalgorithme en b) ainsi que les
vrifications dusage.
3.10 a) Dans la mthode dacceptation-rejet, un nombre y tir dune variable
alatoire Y avec fonction de densit de probabilit gY () est accept
comme ralisation dune variable alatoire X avec fonction de densit
de probabilit f X () si
f (y)
,
U X
cgY (y)

o U U (0, 1). Calculer la probabilit daccepter une valeur lors de
toute itration de la mthode dacceptation-rejet, cest--dire

f (Y )
Pr U X
.
cgY (Y )
Astuce : utiliser la loi des probabilits totales en conditionnant sur Y =
y.
b) Dterminer la distribution du nombre dessais avant daccepter un
nombre y dans la mthode dacceptation-rejet.
c) Dterminer le nombre moyen dessais avant daccepter un nombre y
dans la mthode dacceptation-rejet.
3.11 Soit X une variable alatoire continue dfinie sur lintervalle ( a, b), o a et
b sont des nombres rels. Pour simuler des observations de cette variable
alatoire par la mthode dacceptation-rejet, on peut toujours inscrire la
fonction de densit de probabilit de X dans un rectangle de hauteur M,
ou M est le mode de X.
a) noncer lalgorithme dacceptation-rejet dcoulant dune telle procdure.
b) Calculer lefficacit de lalgorithme en a), soit la probabilit daccepter
une valeur lors dune itration de lalgorithme.
3.12 Considrer le problme de simulation dobservations dune loi Bta(3, 2)
laide de la mthode dacceptation-rejet.
a) Calculer lefficacit de lalgorithme dvelopp au problme 3.11 lorsque
adapt au cas prsent.
b) Calculer lefficacit de lalgorithme dvelopp dans lexemple 3.7 des
notes de cours, o lon a dtermin que
(
3x,
0 < x < 0,8
f X (x)
12 12x, 0,8 x < 1.
c) Faire la mise en oeuvre en S et/ou VBA de lalgorithme le plus efficace
entre celui de la partie a) et celui de la partie b). Vrifier la fonction en
superposant lhistogramme dun grand chantillon obtenu avec cette
fonction et la vraie fonction de densit de la loi bta.
3.13 La fonction S de la figure 3.1 permet de simuler des observations de la
distribution Bta(, ).
a) Identifier le type dalgorithme utilis dans cette fonction.
b) On vous donne galement les valeurs suivantes, obtenues dans R :
> set.seed(12345)
> runif(10)
simul <- function(n, alpha, beta)

{
M <- dbeta((alpha - 1)/(alpha + beta - 2),
alpha, beta)
x <- numeric(n)
i <- 1
repeat
{
u <- runif(1)
if (M * runif(1) <= dbeta(u, alpha, beta))
{
x[i] <- u
i <- i + 1
}
if (i > n)
break
}
x
}
F IG . 3.1 Fonction de simulation dune loi Bta(, ) pour lexercice 3.13.
[1] 0.72 0.88 0.76 0.89 0.46 0.17 0.33 0.51 0.73
[10] 0.99
valuer le rsultat des expressions suivantes :

> set.seed(12345)
> simul(2, alpha = 2, beta = 3)
3.14 a) Dmontrer que, si 0 < < 1,

(
x 1 e x
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

2. Si v2 < ( 1)(v1 ln v1 1), poser x = v1 . Sinon, retourner ltape 1.
3.16 valuer lintgrale
Z 1
0
ln(5x + 4) dx
exactement ainsi qu laide de lintgration Monte Carlo. Comparer les

rponses.
3.17 valuer lintgrale
Z 1Z 1
0
e2xy ln(3x + y2 ) dxdy
laide de lintgration Monte Carlo. Comparer la rponse obtenue avec

la vraie valeur, 1,203758, obtenue laide de Maple.
3.18 Soit lintgrale
=
Z
0
x2 sin(x )e x/2 dx.
a) valuer cette intgrale par Monte Carlo en effectuant un changement

de variable.
b) valuer cette intgrale par Monte Carlo par chantillonnage direct
dune loi de probabilit approprie.
3.19 Soit X1 , . . . , X25 un chantillon alatoire de taille 25 dune distribution
N (0, 1) et soit X(1) X(25) les statistiques dordre de cet chantillon, cest--dire les donnes de lchantillon tries en ordre croissant.
Estimer E[ X(5) ] par intgration Monte Carlo. Comparer la rponse obtenue avec la vraie esprance, 0,90501.
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

4.1 Convertir les nombres dcimaux suivants en base 6, puis en binaire.
a) 119
b) 343
c) 96
d) 43
4.2 Convertir les nombres hexadcimaux suivants en nombres dcimaux.
a) A1B
b) 12A
c) B41
d) BAFFE
4.3 a) Utiliser lalgorithme de conversion des nombres en base b vers la base
10 et les ides de lexemple 4.6 des notes de cours pour trouver une
formule gnrale donnant la position de llment aijk dun tableau de
dimensions I J K dans lordre de la liste des lments du tableau.
Utiliser lordre lexicographique, o le tableau est rempli dans lordre
a111 , a112 , . . . , a11K , a121 , a122 , . . .
b) Rpter la partie a) en utilisant lordre S, o le tableau est plutt rempli
dans lordre a111 , a211 , . . . , a I11 , a121 , a221 , . . . . Comparer la rponse avec
celle de lexercice 3.7 b) de Goulet (2007).
4.4 La norme IEEE 754 pour les nombres en virgule flottante (S, E, F ) en simple
prcision est le suivant :
longueur totale de m = 32 bits ;
1 bit pour le signe S (valeur de 0 pour un nombre positif) ;
8 bits pour lexposant E, avec un biais de 127 ;
23 bits pour la partie fractionnaire F.
Un nombre x est donc reprsent comme
x = (1)S 2E127 1,F.
Trouver les valeurs , xmax et xmin pour les nombres en simple prcision.
Comparer les rsultats avec les limites du type Single en VBA.
13
14

4.5 Outre les types Single et Double pour reprsenter des nombres en virgule flottante, le VBA dispose galement des types Integer, Long et
Byte pour reprsenter des nombres entiers. Comme son nom lindique, le
type Byte utilise huit bits despace mmoire et ne sert que pour les entiers
positifs. Les types Integer et Long requirent 16 et 32 bits, respectivement, et peuvent contenir des nombres ngatifs. En supposant quun bit
est rserv pour le signe dans ces deux derniers types (ce qui nest pas
exactement le cas), trouver le plus grand nombre admissible pour chaque
type de donnes.
4.6 Reprsenter les nombres suivants comme des nombres en virgule flottante
en simple prcision selon la norme IEEE 754.
a) 1 234
b) 55
c) 8 191
d) 10
e)
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))

b) i + I ( j 1 + J (k 1))
4.4 = 223 = 1,192 107 , xmax = (2 223 ) 2127 = 3,403 1038 , xmin =
2126 = 1,175 1038 (nombre normal) ou xmin = 2149 = 1,401 1045
(nombre sous-normal)
4.5 Type Byte : 255 ; type Integer : 32 767 ; type Long : 2 147 483 647.
4.6 a) 1 10001001 00110100100000000000000
b) 0 10000100 10111000000000000000000
c) 0 10001011 11111111111100000000000
d) 1 10000010 01000000000000000000000
e) 0 01111110 01010101010101010101010
f) 0 01111000 01000111101011100001010
4.7 a) 2,120 229 346 1020 b) 2,120 229 346 1020 c) 50,0625 d) 50,0625
4.8 a) 2,120 229 508 1020 et 2,120 229 185 1020 c) 50,062 503 815 et 50,062 496 185
15
Rsolution dquations une

variable
5.1 crire des fonctions S pour effectuer les calculs des algorithmes de bissection, du point fixe, de NewtonRaphson et de la scante. Outre les arguments communs toutes les fonctions que sont le niveau de tolrance ,
le nombre maximal ditrations Nmax et une valeur boolenne spcifiant
si les valeurs successives des itrations doivent tre affiches lcran, les
fonctions doivent compter les arguments mentionns dans le tableau cidessous.
Mthode dapproximation
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

5.5 Considrer la fonction g( x ) = 3 x sur lintervalle [0, 1].
a) Vrifier si les hypothses du thorme 5.1 des notes de cours quant
lexistence et lunicit dun point fixe dans [0, 1] sont satisfaites.
b) Dterminer graphiquement lexistence et lunicit dun point fixe de
g( x ) dans [0, 1] puis, le cas chant, calculer ce point fixe.
5.6 Vrifier que les cinq fonctions g1 , . . . , g5 de lexemple 5.4 des notes de
cours ont toutes un point fixe en x lorsque f ( x ) = 0, o f ( x ) = x3 +
4x2 10.
5.7 Soit g( x ) = 4x2 14x + 14. Pour quels intervalles de valeurs de dpart la
procdure de point fixe converge-t-elle et diverge-t-elle ?
5.8 Les trois fonctions ci-dessous sont toutes des candidates
pour faire lap
proximation, par la mthode du point fixe, de 3 21 :
20x + 21x 2
21
x3 21
g2 ( x ) = x
3x2
4
x 21x
.
g3 ( x ) = x 2
x 21
g1 ( x ) =
Classer ces fonctions en ordre dcroissant de vitesse de convergence de

lalgorithme du point fixe. Astuce : comparer les valeurs des drives autour du point fixe.
5.9 Dmontrer, laide du thorme 5.1 des notes de cours, que la fonction
g( x ) = 2 x possde un point fixe unique dans lintervalle [ 13 , 1]. Calculer
par la suite ce point fixe laide de votre fonction S.
5.10 Vrifier graphiquement que le thorme 5.1 des notes de cours demeure
valide si la condition | g0 ( x )| k < 1 est remplace par g0 ( x ) k < 1.
5.11 Utiliser la mthode de NewtonRaphson pour trouver le point sur la
courbe y = x2 le plus prs du point (1, 0). Astuce : minimiser la distance
entre le point (1, 0) et le point ( x, x2 ).
5.12 Le taux de rendement interne dune srie de flux financiers {CFt } est le
taux i tel que
n
CFt
(1 + i)t = 0.
t =0
crire une fonction S permettant de calculer le taux de rendement interne dune srie de flux financiers quelconque laide de la mthode de
NewtonRaphson. Les arguments de la fonction sont un vecteur CF et
un scalaire erreur.max. Au moins un lment de CF doit tre ngatif
pour reprsenter une sortie de fonds. Dans tous les cas, utiliser i = 0,05
comme valeur de dpart.
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.
Comparer les rsultats obtenus avec la mthode de NewtonRaphson.
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

6.1 Pour chaque cas ci-dessous, supposer que la matrice donne est une matrice augmente dun systme dquations linaires exprime sous forme
chelonne. Rsoudre le systme dquations.
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)
2x1 + 2x2 + 2x3 = 0

2x1 + 5x2 + 2x3 = 1
8x1 + x2 + 4x3 = 1
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)
5x1 2x2 + 6x3 = 0

2x1 + x2 + 3x3 = 1
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

6.4 Rsoudre les systmes dquations homognes suivants.
a)
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
6.5 Pour quelle valeur de a le systme dquations

x + 2y
3z = 4
3x y
5z = 2
4x + y + ( a2 14)z = a + 2
naura-t-il aucune solution ? Une seule solution ? Une infinit de solutions ?
6.6 Soit les matrices A45 , B45 , C52 , D42 et E54 . Lesquelles des expressions matricielles suivantes sont dfinies ? Pour les expressions dfinies,
donner les dimensions de la matrice rsultante.
a) BA
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
6.7 Soit les matrices
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
Calculer les expressions suivantes (lorsque possible).

a) D + E
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)
6.8 Dmontrer que si A et B sont deux matrices n n, alors tr(A + B) =

tr(A) + tr(B), o tr(A) = in=1 aii .
6.9 Une matrice A est dite symtrique si A T = A et antisymtrique si A T = A.
Dmontrer les noncs suivants, tant donn une matrice carre A.
a) AA T et A T A sont symtriques.
b) A A T est antisymtrique.
6.10 Dmontrer que si A T A = A, alors A est symtrique et A = A2 . Une
matrice qui satisfait cette dernire galit est dite idempotente.
6.11 Lesquels des ensembles de vecteurs dans R3 suivants sont linairement
dpendants ?
a) (4, 1, 2), (4, 10, 2)
b) (3, 0, 4), (5, 1, 2), (1, 1, 3)
c) (8, 1, 3), (4, 0, 1)
d) (2, 0, 1), (3, 2, 5), (6, 1, 1), (7, 0, 2)
6.12 Soit v1 , v2 , v3 R3 . Dterminer si les trois vecteurs se trouvent dans un
plan.
a) v1 = (2, 2, 0), v2 = (6, 1, 4), v3 = (2, 0, 4)
b) v1 = (6, 7, 2), v2 = (3, 2, 4), v3 = (4, 1, 2)
6.13 Soit la matrice
a11
0
A= .
..
0
0
a22
..
.
0
0
0
..
.
ann
o in=1 aii 0. Dmontrer que A est inversible et trouver son inverse.

6.14 Soit les matrices
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
Trouver les matrices lmentaires E1 , E2 et E3 satisfaisant les quations

suivantes.
a) E1 A = B
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
6.16 Trouver linverse des matrices suivantes, o k, k1 , . . . k4 sont des constantes

non nulles.
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
a) Trouver des matrices lmentaires E1 et E2 tel que E2 E1 A = I.

b) crire A1 comme le produit de deux matrices lmentaires.
c) crire A comme le produit de deux matrices lmentaires.
6.18 Rsoudre le systme dquations suivant par la mthode de la matrice
inverse :
x1 + 2x2 + x3 = 1
x1 x2 + x3 = 3
x1 + x2
= 4.
6.19 Soit la matrice et le vecteur
2 1 2
A = 2 2 2
3 1 1

x1
x = x2 .
x3
a) Vrifier que lquation Ax = x peut scrire sous la forme (I A)x =

0 et utiliser cette formule pour rsoudre Ax = x pour x.
b) Rsoudre Ax = 4x.
6.20 Sans faire aucun calcul, dterminer si les systmes dquations homognes ci-dessous admettent une solution autre que la solution triviale,
puis dterminer si la matrice des coefficients est inversible.
a)
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
6.21 Par simple inspection visuelle de la matrice
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
Trouver les valeurs suivantes.

a) M13 et C13
b) M23 et C23
c) M22 et C22
d) M21 et C21
e) det(A)
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

1
k
0
0
0
0
1
1
0
0
k
0
0
2
b)
6.16 a)
1
0
0
k
0 0
3
1
0
0
0
k
k 1
4
1
4
k
0
0
0
k 2 k 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
6.20 a) solution triviale seulement, matrice inversible b) infinit de solutions,

matrice singulire
6.22 a) oui b) non c) non d) non
1
6.23 a) 189 b) 17 c) 87 d) 56
6.24 a) (5 17)/2 b) 1
6.25 a) M13 = 0, C13 = 0

b) M23 = 96, C23 = 96
c) M22 = 48, C22 = 48
d) M21 = 72, C21 = 72
e) 216
Valeurs propres, vecteurs propres et

diagonalisation
7.1 Trouver lquation caractristique, les valeurs propres et les bases de vecteurs propres des matrices suivantes. Vrifier les rponses obtenues laide
de la fonction eigen de R ou S-Plus.

3 0
10 9
a)
b)
8 1
4 2
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 .
Dmontrer par induction les identits suivantes.

a) c1 = in=1 xi
b) cn = (1)n in=1 xi
7.5 Dmontrer que lquation caractristique dune matrice A22 est
2 tr(A) + det(A) = 0.
31
32

7.6 Dmontrer que si est une valeur propre de la matrice inversible A et que
x est un vecteur propre correspondant, alors 1 est une valeur propre de
A1 et x est un vecteur propre correspondant.
7.7 Trouver les valeurs propres et les bases de vecteurs propres de A1 , o
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
7.3 = 1 avec base (1, 1, 0) et (1, 0, 1), = 1 avec base (2, 1, 1)

7.7 = 1 avec base (1, 0, 1), =
1
2
avec base ( 12 , 1, 0), =
7.9 a) pas diagonalisable
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
avec base (1, 1, 1)
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
Rsoudre le systme dquations

Ax =
par la dcomposition LU.
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
b) > rand(n = 5, a = 9, c = 1, m = 64, seed = 19)

[1] 44 13 54 39 32
c) > rand(n = 5, a = 13, c = 0, m = 64, seed = 19)

[1] 55 11 15
3 39
d) > rand(n = 5, a = 11, c = 0, m = 64, seed = 19)

[1] 17 59
9 35
2.2 a) On utilise de nouveau la fonction rand de la figure A.1. Le graphique

de la figure A.2 a t cr avec les commandes
rand <- function(n, a, c, m, seed)

{
x <- numeric(n + 1)
x[1] <- seed
for (i in seq(n))
x[i + 1] <- (a * x[i] + c) %% m
x[-1]
}
F IG . A.1 Code de la fonction rand.

37
Solutions
8000
38
6000
4000
xi++1
2000
0
2000
4000
6000
8000
xi
F IG . A.2 Paires de valeurs du gnrateur congruentiel multiplicatif avec m =

231 1 et a = 17.
> x <- rand(n = 500, a = 17, c = 0, m = 2^13 +

1, seed = 19)
> plot(x[-length(x)], x[-1], xlab = expression(x[i]),
+
ylab = expression(x[i + 1]), pch = 19)
On compte 17 lignes dans le graphique.

b) Similaire la partie a), sauf que les nombres sont gnrs avec
> x <- rand(n = 500, a = 85, c = 0, m = 2^13 +
1, seed = 19)
Ce gnrateur semble prfrable celui en a) puisque les points sont

plus uniformment disposs sur le graphique (voir figure A.3.
2.3 a) On obtient environ 200 points aligns sur 10 lignes.
> u <- rand(n = 20002, a = 65539, c = 0,
+
m = 2^31, seed = 19)/2^31
> mat <- matrix(c(u[1:20000], u[2:20001],
+
u[3:20002]), ncol = 3)
> mat <- mat[(0.5 <= mat[, 2]) & (mat[,
+
2] <= 0.51), c(1, 3)]
39
4000
0
2000
xi++1
6000
8000
Solutions
100
200
300
400
500
xi
F IG . A.3 Paires de valeurs du gnrateur congruentiel multiplicatif avec m =

231 1 et a = 85.
> plot(mat, xlab = expression(u[i]), ylab = expression(u[i +

+
2]))
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
e(X1 + X2 )/2 . Dautre part, sin( x )/ cos( x ) = tan( x ), donc tan(2U2 ) =

X2 /X1 ou, de manire quivalente, U2 = (2 )1 arctan X2 /X1 .
c) Soit les fonctions

x1 (u1 , u2 ) = (2 log u1 )1/2 cos(2u2 )
x2 (u1 , u2 ) = (2 log u1 )1/2 sin(2u2 )
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
et, donc, X1 et X2 sont deux variables alatoires N (0, 1) indpendantes.

d) > u1 <- runif(500)
>
>
+
>
+
>
>
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
F IG . A.4 Dmonstration graphique du fonctionnement de la transformation de

BoxMuller.
La figure A.4 illustre dune autre faon que la transformation de Box

Muller fonctionne bel et bien. Dans le graphique de gauche, on a plusieurs
couples de points (u1 , u2 ) o chaque composante provient dune distribution uniforme sur lintervalle (0, 1).
Chacun de ces points a t transform en un point ( x1 , x2 ) selon la transformation de BoxMuller, puis plac dans le graphique de droite. On a
superpos le nuage de points ainsi obtenu aux lignes de niveau dune
distribution normale bivarie (avec paramtre = 0). On observe que la
rpartition et la densit du nuage de points correspond effectivement aux
lignes de niveau.
3.2 Deux suggestions :
1. Simuler deux nombres indpendants x1 et x2 dune loi exponentielle
de paramtre et poser y = x1 x2 .
2. La fonction de rpartition de la distribution de Laplace est
(
1 x
e ,
x<0
FY (y) = 2 1 x
1 2e
, x 0,
do
(
FY1 (u)
1
ln(2u )
1 ln(2(1 u ))
u < 0,5
u 0,5.
On peut donc utiliser la mthode inverse.

3.3 Voir la fonction S de la figure A.5. On vrifie graphiquement la validit de
lalgorithme :
> hist(rgamma2(1000, 5), prob = TRUE)
> curve(dgamma(x, 5, 1), add = TRUE)
42
Solutions
rgamma2 <- function(nsim, alpha)

{
x <- numeric(nsim)
i <- 0
while (i < nsim)
{
u <- runif(2)
v <- (alpha - 1/(6 * alpha)) * u[1] /
((alpha - 1) * u[2])
if ((2 * (u[2] - 1)/(alpha - 1) +
v + 1/v <= 2) |
(2 * log(u[2])/(alpha - 1) log(v) + v <= 1))
x[i <- i + 1] <- (alpha - 1) * v
}
x
}
F IG . A.5 Fonction de simulation dune distribution Gamma(, 1), > 1.
3.4 Deux suggestions.

1. Si X Gamma(, 1), alors Y = X/ Gamma(, ). On peut donc
gnrer un nombre x dune loi Gamma(, 1) avec lalgorithme de lexercice 3.A, puis poser y = x/.
2. Si est entier, on peut gnrer nombres (indpendants) x1 , . . . , x
dune distribution Exponentielle() et poser y = i=1 xi .
3.5 a) On a X | Exponentielle() et Gamma(, ). Par la loi des
probabilits totales,
f X (x) =
Z
0
f ( x | )u( ) d
+11 e(+ x) d
() 0
( + 1)
=
( ) ( + x ) +1
=
.
( + x ) +1
b) Pour gnrer un nombre dune distribution de Pareto de paramtres

et avec le rsultat en a), on gnre dabord un nombre dune
distribution gamma de mmes paramtres, puis on gnre un nombre
x dune distribution exponentielle de paramtre . En S :
Solutions
43
> rexp(1, rgamma(1, alpha, lambda))
3.6 La fonction de rpartition est

F(x) =
Z x
y +1
dy
x
0,
1

x>
et son inverse est

(
F 1 ( y ) =
,
(1y)1/
y=0
0 < y < 1.
Soit U U (0, 1). Alors

X = +
Pareto translate(, ).
U 1/
Les trois premires valeurs retournes par le gnrateur

xn = (65xn1 + 1) mod 2 048
avec une amorce de 12 sont :
781
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
3.7 Le mlange f X ( x ) = 0,6 f X1 ( x ) + 0,4 f X2 ( x ) est quivalent

2
f X (x) =
f X| I (x|i) Pr( I = i),
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
>
>
+
>
>
+
w <- sum(runif(10000) <= 0.6)

x <- c(rlnorm(w, meanlog = 3.1, sdlog = sqrt(0.6)), rlnorm(10000 w, meanlog = 4.3, sdlog = sqrt(0.4)))
hist(x, prob = TRUE)
curve(0.6 * dlnorm(x, meanlog = 3.1, sdlog = sqrt(0.6)) + 0.4 *
dlnorm(x, meanlog = 4.3, sdlog = sqrt(0.4)), add = TRUE)
3.8 On a la transformation
X1 =
U1 cos(2U2 )
X2 =
U1 sin(2U2 )
U1 = X12 + X22
1
X2
U2 =
.
arctan
2
X1
Cette transformation associe les points de lespace {(u1 , u2 ) : 0 < u1 <

1, 0 < u2 < 1} ceux de lespace {( x1 , x2 ) : x12 + x22 < 1\(0, 0)}. Cela se
vrifie aisment en examinant les limites de lespace de dpart :
u1 > 0
x12 + x22 > 0
u1 < 1
u2 > 0
u2 < 1
x12 + x22 < 1

x2
>0
x1
x2
< 0.
x1
Les troisime et quatrime ingalits dfinissent les quadrants I et III, puis

II et IV de R2 , respectivement. On remarque galement que le point (0, 0),
qui a probabilit zro, ne se trouve pas dans lespace image.
Le Jacobien de la transformation est

u1 u1
x1 x2
J = u2 u2
x

x2
1

2x1
2x2

x1
= 1 x2
1
2 x2 + x2 2 x2 + x2 ,
1
1
= .
La fonction de densit de probabilit conjointe de X1 et X2 est donc

f X1 ,X2 ( x1 , x2 ) = f U1 ,U2 (u1 , u2 )| J |
q
q
1
=
1 < x1 < 1, 1 x12 < x2 < 1 x12 ,
soit une distribution uniforme sur le cercle unit.

Le rsultat peut videmment servir simuler des points uniformment
rpartis dans un cercle de rayon 1 centr en (0, 0). La figure A.6 illustre
dailleurs cette transformation. Les points (u1 , u2 ) du graphique de gauche
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

lexercice 3.8.
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.
Soit X1 = Y1 /(Y1 + Y2 ) et X2 = Y1 + Y2 (le choix de X2 tant justifi

par lexposant de la distribution conjointe de Y1 et Y2 ). On cherche la
distribution conjointe de X1 et X2 , f X1 ,X2 ( x1 , x2 ). On a la transformation
x1 =
y1
y1 + y2
x2 = y1 + y2
y1 = x1 x2
y2 = x2 x1 x2 .
Cette transformation associe de manire vidente les points de lespace

{(y1 , y2 ) : y1 > 0, y2 > 0} ceux de lespace {( x1 , x2 ) : 0 < x1 <
1, x2 > 0}.
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

lexercice 3.9.
3.10 a) On a
Z

f X (Y )
f X (Y )
=
|Y = y gY (y) dy
Pr U
Pr U
cgY (Y )
cgY (Y )
Z
f X (Y )
gY (y) dy
=
cgY (Y )
Z
1
f X (y) dy
=
c
1
= .
c

b) Les essais tant indpendants, la distribution du nombre dessais avant

davoir un succs (accepter un nombre y) est gomtrique de paramtre 1/c, cest--dire

1 z
1
1
, z = 1, 2, . . . ,
Pr[ Z = z] =
c
c
o Z reprsente le nombre dessais avant daccepter un nombre.
c) On a E[ Z ] = 1/(1/c) = c.
3.11 a) On pose
cgY ( x ) = M,
a < x < b,
soit Y U ( a, b) et c = M(b a). Lalgorithme dacceptation-rejet est

donc le suivant :
1. Simuler deux nombres indpendants u1 et u2 dune loi
U (0, 1).
2. Poser y = a + (b a)u1 .
3. Si u2 f X (y)/M, poser x = y. Sinon, retourner ltape
1.
48
Solutions
rbeta.ar <- function(n)

{
g <- function(x)
ifelse(x < 0.8, 2.5 * x, 10 - 10 * x)
Ginv <- function(y)
ifelse(y < 0.8, sqrt(0.8 * y),
1 - sqrt(0.2 - 0.2 * y))
x <- numeric(n)
i <- 0
while(i < n)
{
y <- Ginv(runif(1))
if(1.2 * g(y) * runif(1) <=
dbeta(y, shape1 = 3, shape2 = 2))
x[i <- i + 1] <- y
}
x
}
F IG . A.8 Code S de la fonction rbeta.ar.
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
Private Function sqrt(x)

sqrt = x ^ 0.5
End Function
Private Function g(x As Double)
DensiteTriangle = IIf(x < 0.8, 2.5 * x,
10 - 10 * x)
End Function
Private Function Ginv(u As Double)
InverseTriangle = IIf(u < 0.8, sqrt(0.8 * u),
1 - sqrt(0.2 - 0.2 * u))
End Function
Private Function dbeta(x As Double, shape1 As Double,
shape2 As Double)
Dim cte As Double
With WorksheetFunction
cte = Exp(.GammaLn(shape1 + shape2) .GammaLn(shape1) .GammaLn(shape2))
dbeta = cte * x ^ (shape1 - 1) *
(1 - x) ^ (shape2 - 1)
End With
End Function
Function betasim()
Dim u1 As Double, u2 As Double, y As Double
Do
u1 = Rnd
u2 = Rnd
y = Ginv(u1)
Loop Until u2 <= dbeta(y, 3, 2) / (1.2 * g(y))
SimuleBeta = y
End Function
F IG . A.9 Code VBA de la fonction betasim.
50
Solutions
> x <- rbeta.ar(10000)
> hist(x, prob = TRUE)
> curve(dbeta(x, 3, 2), add = TRUE)
Pour un exemple dutilisation de la fonction VBA, voir le fichier betasim.xls.

3.13 a) On reconnat lalgorithme dacceptation-rejet de lexercice 3.11.
b) On doit simuler deux observations dune loi Bta(2, 3) dont la fonction de densit de probabilit est
f ( x ) = 12x (1 x )2 ,
0 < x < 1.
Le mode de cette densit se trouve en x = 1/3 (voir la solution de

lexercice 3.12) et la valeur de ce mode est M = f (1/3) = 16/9. Pour
obtenir le rsultat de lappel de la fonction simul, il faut sassurer
dutiliser les nombres uniformes dans le bon ordre. Quatre itrations
de la boucle repeat seront ncessaires ; voici leurs rsultas.
1. On a u = 0,72, puis (16/9)(0,88) > f (0,72), donc u est rejet.
2. On a u = 0,76, puis (16/9)(0,89) > f (0,76), donc u est rejet.
3. On a u = 0,46, puis (16/9)(0,17) > f (0,46), donc u est accept :
x1 = 0,46.
4. On a u = 0,33, puis (16/9)(0,51) > f (0,33), donc u est accept :
x2 = 0,33.
Le rsultat est donc le vecteur x = (0,46, 0,33).
3.14 a) Si 0 x 1, e1 < e x < 1, do x 1 e x x 1 . De mme, puisque
0 < < 1, x 1 < 1 pour x > 1, do x 1 e x e x pour x > 1.
b) On veut borner la densit f X ( x ) = x 1 e x /(), x > 0 et 0 < < 1.
Du rsultat en a), on a
(
f X (x)
x 1 /(),
e x /(),
0x1
x > 1.
Posons
(
cgY ( x ) =
x 1 /(),
e x /(),
0x1
x > 1.
Laire totale sous la fonction cgY ( x ) est

Z 1 1
x
0
()
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
ln[((1/) + (1/e))(1 x )], e/( + e) < x 1.

On remarque que
f X (x)
=
cgY ( x )
e x ,
x 1 ,
0x1
x > 1.
On a donc lalgorithme de simulation suivant :

1. Simuler deux nombres u1 et u2 dune U (0, 1).
2. Poser y = GY1 (u1 ).
3. Si
(
u2
ey ,
0y1
1
y , y > 1,
alors poser x = y. Sinon, retourner ltape 1.

3.15 On veut simuler des observations de la fonction de densit de probabilit
f X ( x ) = x 1 e x /() avec 1. Or, on nous donne
f X (x)
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 .
Or, tant la distribution de ln U que celle de Y/ est une Exponentielle(1),

do lalgorithme donn dans lnonc.
3.16 On a
=
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
o x1 , . . . , xn est un chantillon alatoire dune distribution U (4, 9). Une

valuation avec R donne
> mean(log(runif(1e+06, 4, 9)))
[1] 1.845911
3.17 On pose
=
Z 1Z 1
0
= E[e
0
2XY
e2xy ln(3x + y2 ) dxdy

ln(3X + Y 2 )],
Solutions
53
o X U (0, 1), Y U (0, 1) et X et Y sont indpendantes. Ainsi, leur

densit conjointe est uniforme sur (0, 1) (0, 1). Une approximation de
est
1 n
= e2xi yi ln(3xi + y2i )
n i =1
o x1 , . . . , xn et y1 , . . . , yn sont deux chantillons alatoires indpendants
dune distribution U (0, 1). Une valuation avec R donne
> x <- runif(1e+06)
> y <- runif(1e+06)
> mean(exp(2 * x * y) * log(3 * x + y^2))
[1] 1.203179
3.18 a) Soit le changement de variable u = e x/2 a x = ln u2 , do

2du = e x/2 dx. On a donc
=
Z 1
0
2( ln u2 )2 sin( ln u2 ) du
= 2E[( ln U 2 )2 sin( ln U 2 )],

o U U (0, 1). Une estimation de est
2
=
n
( ln u2i )2 sin( ln u2i ),
i =1
o u1 , . . . , un est un chantillon alatoire dune distribution U (0, 1).

Une valuation avec R donne
> u <- runif(1e+06)
> 2 * mean((-log(u^2))^2 * sin(pi * (-log(u^2))))
[1] -0.07674176
b) On remarque que la fonction intgrer contient, une constante prs,

la fonction de densit de probabilit dune loi Gamma(3, 1/2). Ainsi,
= 16
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
3.19 On peut faire lestimation en R simplement avec les expressions suivantes :

> x <- replicate(10000, rnorm(25))
> mean(apply(x, 2, function(x) sort(x)[5]))
[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 :
343 6 = 57 reste 1
343 2 = 171 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 .
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 .
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
1 234 = (1)1 210 1,001101001

= (1)1 2137127 1,1010010.
Or, puisque 137 100010012 , on a la reprsentation en simple prcision
1 10001001 00110100100000000000000
Solutions
57
b) On a 55 1101112 , do
55 = (1)0 25 1,10111
= (1)0 2132127 1,10111.

Or, puisque 132 100001002 , on a la reprsentation en simple prcision
0 10000100 10111000000000000000000
c) On a 8 191 11111111111112 et 149 10001011, do
8 191 = (1)0 212 1,111111111111
= (1)0 2149127 1,111111111111

= 0 10001011 11111111111100000000000 .
d) On a 10 10102 et 130 10000010, do
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
(1)0 261127 1,100100001 = (1)0 266 1,100100001

= 266 (1 + 21 + 24 + 29 )
2,120 229 346 1020 .
58
Solutions
b) Signe invers par rapport la partie a).
c) Puisque 100001002 = 27 + 22 132, on a le nombre
(1)0 2132127 1,100100001 = (1)0 25 1,100100001

= 25 (1 + 21 + 24 + 29 )
50,062 5.
d) Signe invers par rapport la partie c).
4.8 a) Le nombre suivant est
0 00111101 10010000100000000000001 ,
soit
266 (1 + 21 + 24 + 29 + 223 ) 2,120 229 508 1020 .
Le nombre prcdent est
0 00111101 10010000011111111111111 ,
soit
266 (1 + 21 + 24 + 29 223 ) 2,120 229 185 1020 .
c) Le nombre suivant est
0 10000100 10010000100000000000001 ,
soit
25 (1 + 21 + 24 + 29 + 223 ) 50,062 503 815.
Le nombre prcdent est

0 10000100 10010000011111111111111 ,
soit
25 (1 + 21 + 24 + 29 223 ) 50,062 496 185.
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
F IG . A.10 Fonctions de lexercice 5.2.
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
b) La fonction possde deux racines dans [4, 0]. La convergence se fera

vers lune ou lautre selon la position de la ou des valeurs de dpart
par rapport lextremum de la fonction dans lintervalle. Ici, il sagit
dun maximum x = 2. Ainsi, avec des valeurs de dpart infrieures
au maximum, on trouve la premire racine :
> f2 <- function(x) x^3 + 3 * x^2 - 1
> f2p <- function(x) 3 * x^2 + 6 * x
> bissection(f2, lower = -3, upper = -2.8, echo = TRUE)
[1] -3.000 -2.800 -2.900 -0.159
[1] -2.90000 -2.80000 -2.85000 0.21838
[1] -2.900000 -2.850000 -2.875000 0.033203
[1] -2.900000 -2.875000 -2.887500 -0.062014
[1] -2.887500 -2.875000 -2.881250 -0.014185
[1] -2.8812500 -2.8750000 -2.8781250 0.0095642
[1] -2.8812500 -2.8781250 -2.8796875 -0.0022966
[1] -2.8796875 -2.8781250 -2.8789062 0.0036373
[1] -2.87968750 -2.87890625 -2.87929688 0.00067121
[1] -2.87968750 -2.87929688 -2.87949219 -0.00081245
[1] -2.8795e+00 -2.8793e+00 -2.8794e+00 -7.0567e-05
[1] -2.87939453 -2.87929688 -2.87934570 0.00030034
[1] -2.87939453 -2.87934570 -2.87937012 0.00011489
[1] -2.8794e+00 -2.8794e+00 -2.8794e+00 2.2161e-05
[1] -2.8794e+00 -2.8794e+00 -2.8794e+00 -2.4203e-05
[1] -2.8794e+00 -2.8794e+00 -2.8794e+00 -1.0210e-06
[1] -2.87938538 -2.87938232 -2.87938385 0.00001057
$root
[1] -2.8794
$nb.iter
[1] 17
> nr(f2, f2p, start = -3, echo = TRUE)
[1] -2.8889
[1] -2.8795
[1] -2.8794
$root
[1] -2.8794
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
On remarquera que les deux valeurs de dpart de la mthode de la

scante nont pas se trouver de part et dautre de la racine.
c) La fonction na quune seule racine dans [0, 1] et elle est lgrement
suprieure 0,6.
> f3 <- function(x) x - 2^(-x)
> f3p <- function(x) 1 + log(2) * 2^(-x)
> bissection(f3, lower = 0.6, upper = 0.65,
+
echo = TRUE)
[1] 0.60000 0.65000 0.62500 -0.02342
[1] 0.6250000 0.6500000 0.6375000 -0.0053259
[1] 0.6375000 0.6500000 0.6437500 0.0037029
[1] 0.63750 0.64375 0.64062 -0.00081
[1] 0.6406250 0.6437500 0.6421875 0.0014468
[1] 0.6406250 0.6421875 0.6414062 0.0003185
[1] 0.64062500 0.64140625 0.64101562 -0.00024573
[1] 6.4102e-01 6.4141e-01 6.4121e-01 3.6390e-05
[1] 0.64101562 0.64121094 0.64111328 -0.00010467
[1] 6.4111e-01 6.4121e-01 6.4116e-01 -3.4140e-05
[1] 6.4116e-01 6.4121e-01 6.4119e-01 1.1251e-06
[1] 6.4116e-01 6.4119e-01 6.4117e-01 -1.6507e-05
[1] 6.4117e-01 6.4119e-01 6.4118e-01 -7.6910e-06
[1] 6.4118e-01 6.4119e-01 6.4118e-01 -3.2830e-06
[1] 6.4118e-01 6.4119e-01 6.4118e-01 -1.0789e-06
[1] 6.4118e-01 6.4119e-01 6.4119e-01 2.3101e-08
[1] 6.4118e-01 6.4119e-01 6.4119e-01 -5.2791e-07
$root
[1] 0.64119
$nb.iter
[1] 17
63
64
Solutions
[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
d) La fonction na quune seule racine dans [1, 2] et elle est lgrement

suprieure 1,8.
> f4 <- function(x) exp(x) + 2^(-x) + 2 * cos(x) +
6
> f4p <- function(x) exp(x) - 2^(-x) * log(2) +
2 * sin(x)
+
echo = TRUE)
[1] 1.800000 1.850000 1.825000 -0.017913
[1] 1.825000 1.850000 1.837500 0.033517
[1] 1.825000 1.837500 1.831250 0.007667
[1] 1.8250000 1.8312500 1.8281250 -0.0051567
[1] 1.8281250 1.8312500 1.8296875 0.0012468
[1] 1.8281250 1.8296875 1.8289063 -0.0019571
[1] 1.82890625 1.82968750 1.82929688 -0.00035568
[1] 1.8292969 1.8296875 1.8294922 0.0004454
[1] 1.8293e+00 1.8295e+00 1.8294e+00 4.4827e-05
[1] 1.82929688 1.82939453 1.82934570 -0.00015544
[1] 1.8293e+00 1.8294e+00 1.8294e+00 -5.5307e-05
[1] 1.8294e+00 1.8294e+00 1.8294e+00 -5.2405e-06
[1] 1.8294e+00 1.8294e+00 1.8294e+00 1.9793e-05
[1] 1.8294e+00 1.8294e+00 1.8294e+00 7.2762e-06
[1] 1.8294e+00 1.8294e+00 1.8294e+00 1.0178e-06
$root
[1] 1.8294
$nb.iter
[1] 15
[1] 1.8301
[1] 1.8294
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
+
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
[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
5.3 On trouve la racine de f ( x ) = x2 2 dans lintervalle [0, 2] par la mthode

de bissection avec un maximum de 10 itrations. Le tableau A.1 contient
les valeurs successives de a, b, x = ( a + b)/2 et f ( x ). On obtient donc une
rponse
de 1,41601562, alors que la vraie rponse est le nombre irrationnel
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
do limn ( xn xn1 ) = limn n1 = 0. Or, nk=1 k1 est la srie

harmonique qui est connue pour diverger. On peut, par exemple, justifier
ceci par le fait que lintgrale
Z
1
1
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.
Par le thorme 5.1 des notes de cours, la fonction g possde un point

fixe unique dans lintervalle [0, 1].
b) Le graphique de la fonction g se trouve la figure A.11. On constate
que la fonction a effectivement un point fixe unique dans lintervalle
[0, 1] et que celui-ci se trouve prs de x = 12 . On peut donc utiliser cette
valeur comme point de dpart de lalgorithme du point fixe :
> pointfixe(function(x) 3^(-x), start = 0.5)
$fixed.point
[1] 0.54781
$nb.iter
[1] 24
On remarque que la rponse est indpendante de la valeur de dpart :

> pointfixe(function(x) 3^(-x), start = 0)
$fixed.point
[1] 0.54781
$nb.iter
[1] 29
$fixed.point
[1] 0.54781
$nb.iter
[1] 28
$fixed.point
[1] 0.54781
$nb.iter
[1] 29
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
F IG . A.11 Fonction g( x ) = 3 x dans [0, 1].
5.6 Les cinq fonctions sont les suivantes :

g1 ( x ) = x x3 4x2 + 10
1/2

10
4x
g2 ( x ) =
x
1
g3 ( x ) = (10 x3 )1/2
2

1/2
10
g4 ( x ) =
4+x
g5 ( x ) = x
x3 + 4x2 10
.
3x2 + 8x
Soit f ( x ) = x3 + 4x2 10. On peut rcrire lquation f ( x ) = 0 de diffrentes faons :

a) x = x f ( x ) ;
b) x3 = 10 4x2 x2 = 10/x 4x x = (10/x 4x )1/2 ;
c) 4x2 = 10 x3 x2 = (10 x3 )/4 x = 12 (10 x3 )1/2 ;
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 )
F IG . A.12 Fonctions de lexercice 5.8.

d) 4x2 + x3 = 10 x2 = 10/(4 + x ) x = (10/(4 + x ))1/2 ;
e) x = x f ( x )/ f 0 ( x ).
Les fonctions g1 g5 correspondent, dans lordre, au ct droit de chacune
des quations ci-dessus. On remarquera que la fonction g5 est celle prconise par la mthode de NewtonRaphson et celle qui converge le plus
rapidement.
5.7 La fonction g( x ) = 4x2 14x + 14 est une parabole ayant deux points
fixes. On observe graphiquement que lun se trouve en x = 2 et que
g(1,5) = g(2). Or, pour toute valeur de dpart x0 < 1,5 de lalgorithme
du point fixe, on constate que les valeurs de x1 , x2 , . . . se retrouveront de
plus en plus loin sur la branche droite de la parabole. Il en va de mme
pour tout x0 > 2. La procdure diverge donc pour de telles valeurs de dpart. En revanche, il est facile de vrifier graphiquement que la procdure
converge pour toute valeur de dpart dans lintervalle [1,5, 2]. Si x0 = 1,5,
on obtient le point fixe x = 2 aprs une seule itration.
5.8 En premier lieu, on remarque que les fonctions g1
, g2 et g3 sont dveloppes partir de lquation x3 = 21 pour calculer 3 21 par la mthode du
point fixe. La figure A.12 prsente ces trois fonctions. On a
20
2
21 x3
2 14
g20 ( x ) = 3
3
x
5 84x3 + 21x2 + 441
2x
g30 ( x ) = 1
.
( x2 21)2
g10 ( x ) =
Considrons lintervalle [2,5, 3] autour du point fixe. On a que | g20 ( x )| <

| g1 ( x )| pour tout x dans cet intervalle, donc la procdure du point fixe
converge plus rapidement pour g2 (la fonction de la mthode de Newton
Raphson). Cela se vrifie aisment sur les graphiques de la figure A.12.
Toujours laide des graphiques, on voit que la procdure diverge avec la
fonction g3 .
70
Solutions
5.9 On considre la fonction g( x ) = 2 x dans lintervalle [ 31 , 1]. En premier
lieu, on a g( x ) [ 21 , 1/ 3 2] [ 13 , 1] pour x [ 13 , 1]. De plus, on a g0 ( x ) =

2 x1 (ln 2), do
ln 2
1
ln 2 < 1,
x 1.
x
+
1
3
2
Par le thorme 5.1 des notes de cours, la fonction g possde donc un point
fixe unique dans lintervalle [ 13 , 1]. La valeur de ce point fixe est
| g0 ( x )| =
> pointfixe(function(x) 2^(-x), start = 2/3)

$fixed.point
[1] 0.64119
$nb.iter
[1] 14
5.10 La condition | g0 ( x )| k < 1 du thorme 5.1 assure lunicit dun point

fixe. Cette condition est ncessaire pour que la fonction g( x ) ne puisse
repasser au-dessus de la droite y = x aprs lavoir dj croise une premire fois pour crer un point fixe. Or, il est seulement ncessaire de limiter la croissance de la fonction soit les valeurs positives de sa pente.
Peu importe la vitesse de dcroissance de la fonction dans lintervalle
[ a, b] (mais toujours sujet ce que g( x ) [ a, b]), la fonction ne peut croiser la droite y = x quune seule fois. La condition g0 ( x ) k < 1 est donc
suffisante pour assurer lunicit du point fixe dans [ a, b].
5.11 La distance entre deux points ( x1 , y1 ) et ( x2 , y2 ) de R2 est
q
d = ( x1 x2 )2 + ( y1 y2 )2 .
Par consquent, la distance entre le point ( x, x2 ) et le point (1, 0) est une
fonction de x
q
p
d( x ) = ( x 1)2 + ( x2 0)2 = x4 + x2 2x + 1.
On cherche la valeur de minimisant d( x ) ou, de manire quivalente,
d2 ( x ). On doit donc rsoudre
d 2
d ( x ) = f ( x ) = 4x3 + 2x 2 = 0
dx
laide de la mthode de Newton-Raphson. Cela requiert galement
f 0 ( x ) = 12x2 + 2.
Le point sur la courbe y = x2 le plus du point (1, 0) est donc la limite de
la suite
4x3 + 2xn1 2
x n = x n 1 n 1 2
, n = 1, 2, . . . ,
12xn1 + 2
avec x0 une valeur de dpart prs de la solution. On obtient
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 IG . A.13 Point de y = x2 le plus prs du point (1, 0).
> nr(function(x) 4 * x^3 + 2 * x - 2, function(x) 12 *

+
x^2 + 2, start = 0.6)
$root
[1] 0.58975
$nb.iter
[1] 2
On voit la figure A.13 que la solution, disons le point ( x , ( x )2 ), est la

projection du point (1, 0) sur la courbe y = x2 ; autrement dit, la droite
passant par ( x , ( x )2 ) et (1, 0) est perpenticulaire la tangente de y = x2
en x = x .
5.12 La fonction devra utiliser la mthode de NewtonRaphson pour trouver
la racine de f (i ) = 0, o
n
f (i ) =
CFt
(1 + i ) t
t =0
72
Solutions
tri <- function(CF, erreur.max = 1E-6)

{
if (!any(CF < 0))
stop("au moins un flux financier doit tre
ngatif")
t <- 0:(length(CF) - 1)
f <- function(i) sum(CF/(1 + i)^t)
fp <- function(i) sum((-CF * t)/((1 + i)^(t + 1)))
nr(f, fp, start = 0.05, TOL = erreur.max)$root
}
F IG . A.14 Fonction S de calcul du taux de rendement interne dune srie de flux

financiers.
et
n
tCFt
.
t +1
t =0 (1 + i )
f 0 (i ) =
La fonction tri de la figure A.14 calcule le taux de rendement interne

dun vecteur de flux financiers en utilisant notre fonction de Newton
Raphson nr.
5.13 La figure A.15 contient le code dune fonction VBA tri2 effectuant le
calcul du taux de rendement interne dun ensemble de flux financiers.
Ceux-ci sont passs en argument la fonction par le bais dune plage horizontale ou verticale de montants priodiques conscutifs. La procdure
de NewtonRaphson est code mme cette fonction. On peut vrifier
facilement que le rsultat de cette fonction est identique celui de la
fonction Excel TRI().
5.14 a) On veut estimer par la mthode du maximum de vraisemblance le
paramtre dune loi Gamma(3, 1/ ), dont la fonction de densit de
probabilit est
f ( x; ) =
1 2 x/
x e
,
2 3
x > 0.
La fonction de log-vraisemblance dun chantillon alatoire x1 , . . . , xn
Solutions
Function tri2(flux As Range, Optional ErreurMax

As Double = 0.000000001)
Dim nrow As Integer, ncol As Integer, n As Integer
Dim CF() As Double, f As Double, fp As Double,
i As Double, it As Double
nrow = flux.Rows.Count
ncol = flux.Columns.Count
n = IIf(nrow > 1, nrow, ncol) - 1
ReDim CF(0 To n)
For t = 0 To n
CF(t) = flux.Cells(t + 1, 1)
Next t
If CF(0) > 0 Then
tri2 = "Erreur"
Exit Function
End If
i = 0.05
Do
f = 0
fp = 0
it = i
For t = 0 To n
f = f + CF(t) / (1 + i) ^ t
fp = fp - t * CF(t) / (1 + i) ^ (t + 1)
Next t
i = i - f / fp
Loop Until Abs(i - it) / i < ErreurMax
tri2 = i
End Function
F IG . A.15 Fonction VBA de calcul du taux de rendement interne dune srie de

flux financiers.
73
74
Solutions
emv.gamma <- function(x, erreur.max = 1E-6)

{
n <- length(x)
xsum <- sum(x)
f <- function(theta) xsum/theta^2 (3 * n)/theta
fp <- function(theta) -2 * xsum / theta^3 +
(3 * n)/theta^2
nr(f, fp, xsum / n /3, TOL = erreur.max)$root
}
F IG . A.16 Fonction S destimation du paramtre dchelle dune loi gamma par le

maximum de vraisemblance.
tir de cette loi est

n
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
On cherche le maximum de la fonction l ( ), soit la valeur de tel que

l 0 ( ) =
1
2
i =1
3n
= 0.
Rsoudre cette quation laide de la mthode de NewtonRaphson

requiert galement
l 00 ( ) =
2
3
3n
xi + 2 .
i =1
La figure A.16 prsente une fonction S pour effectuer le calcul laide

de notre fonction de NewtonRaphson nr. On remarquera que la
somme des valeurs de lchantillon qui ne change pas durant la
procdure itrative est calcule une fois pour toute ds le dbut de
la fonction. De plus, on utilise comme valeur de dpart lestimateur
des moments de , x/3.

b) On a, par exemple,
> x <- rgamma(20, shape = 3, scale = 1000)
> emv.gamma(x)
Solutions
75
Function emvGamma(Data As Range, Optional ErreurMax

As Double = 0.000000001)
Dim n As Integer
Dim sData As Double, f As Double,
fp As Double, x As Double, xt As Double
n = Data.Rows.Count
sData = WorksheetFunction.Sum(Data)
x = sData / n / 3
Do
f = sData / x ^ 2 - (3 * n) / x
fp = -2 * sData / x ^ 3 + 3 * n / x ^ 2
xt = x
x = x - f / fp
Loop Until Abs(x - xt) / x < ErreurMax
emvGamma = x
End Function
F IG . A.17 Fonction VBA destimation du paramtre dchelle dune loi gamma

par le maximum de vraisemblance.
[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)
ou, de manire quivalente,

f (i ) =
1 (1 + i )10
8 = 0.
12(1 + i )1/12 1
Pour rsoudre le problme laide de la mthode du point fixe, on peut

considrer la fonction
g1 ( i ) = i f ( i ) ,
mais, comme le graphique de la figure A.18(a) le montre, la procdure
itrative divergera. En posant
1 (1 + i )10
= 12[(1 + i )1/12 1],
8
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)
F IG . A.18 Trois fonctions pour rsoudre a 10 i = 8 par la mthode du point fixe.
puis en isolant i du ct droit de lquation, on obtient une alternative

g2 ( i ) =
97 (1 + i )10
96
12
1.
Cette fonction satisfait les hypothses pour lexistence et lunicit dun

point fixe, mais sa pente est toutefois prs de 1, donc la convergence sera
lente ; voir la figure A.18(b). Enfin, on peut considrer la fonction
g3 ( i ) = i
f (i )
f 0 (i )
120(1 + i )11 [(1 + i )1/12 1] [1 (1 + i )10 ](1 + i )11/12

.
144[(1 + i )1/12 1]2
On remarquera que cette dernire est la fonction utilise dans la mthode

de NewtonRaphson et sa pente est presque nulle, do une convergence
trs rapide ; voir la figure A.18(c). On obtient les rsultats suivants :
>
+
>
+
+
+
>
+
>
>
f <- function(i) (1 - (1 + i)^(-10))/(12 *

((1 + i)^(1/12) - 1)) - 8
fp <- function(i) (120 * (1 + i)^(-11) * ((1 +
i)^(1/12) - 1) - (1 - (1 + i)^(-10)) *
(1 + i)^(-11/12))/(144 * ((1 + i)^(1/12) 1)^2)
g2 <- function(i) ((97 - (1 + i)^(-10))/96)^12 1
g3 <- function(i) i - f(i)/fp(i)
pointfixe(g2, start = 0.05)
$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 ;
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
2. additionner 2 fois la premire ligne la deuxime ;

4. additionner la deuxime ligne la troisime ;
5. multiplier la deuxime ligne par
1
7
6. additionner 1 fois la deuxime ligne la premire.

On obtient alors la matrice chelonne rduite
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
c) On donne la solution pour llimination gaussienne seulement. La matrice augmente est
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 ;
1
3
6. additionner 1 fois la deuxime ligne la troisime.

On obtient alors la matrice chelonne
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
4. additionner 2 fois la deuxime ligne la troisime,

on obtient la matrice chelonne
1 1 1/2
0 1 3/2
0 0
0
5/6
3/2 .
2
La troisime quation tant impossible satisfaire, le systme na pas

de solution.
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
et la matrice chelonne rduite est

1 0 12
0 1 27

2
.
5
Par consquent, la solution gnrale est x3 = t, x2 = 5 27t et x1 =

2 12t.
b) La matrice chelonne rduite est
1 2
1
0 1 6/5
0 0
0
4
1
6/5 1/5 .
0
6
Ce systme na donc pas de solution.

c) La matrice chelonne est
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
et la matrice chelonne rduite est
1 2 0 0 3
0 0 1 0 1
0 0 0 1 1
0 0 0 0 0
6
2
.
3
0
Par consquent, la solution gnrale est v = 2, y = t, x = 3 + t, w =

2 t et u = 6 3t 2s.
6.4 a) Aprs quelques oprations lmentaires sur les lignes de la matrice
augmente correspondant ce systme dquations, on obtient
2
0
0
1
3
0
3 0
3 0 ,
6 0
do x3 = x2 = x1 = 0, soit la solution triviale.
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
d) On a (4B)C + 2B = 2B(2C + I). Or la somme entre parenthses nest

pas dfinie puisque la matrice C nest pas carre.
e) On a
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
h) On a D T E T (ED) T = (ED) T (ED) T = 033 .

i) Pour calculer la trace, il suffit de connatre les lments de la diagonale.
Or llment dii de DD T est la somme des carrs des lments de la
ligne i de la matrice D. Par consquent, tr(DD T ) = (1 + 25 + 4) + (1 +
0 + 1) + (9 + 4 + 16) = 61.
j) Encore une fois, on se concentre seulement sur les lments de la diagonale de 4E T D. La transpose ne joue donc aucun rle, ici. Ainsi,
tr(4E T D) = (24 1) + (4 0) + (12 4) = 35.
6.8 Puisque tr(A) = in=1 aii , alors
tr(A) + tr(B) =
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
En additionnant la premire et la deuxime ligne, on obtient
2
0
0
6
7
4
2
2 .
4
La troisime ligne ntant pas un multiple de la deuxime, on voit

que la seule solution du systme dquations homogne Ax = 0 est la
solution triviale. Par consquent, les trois vecteurs sont linairement
indpendants et ne se trouvent pas dans un plan. On pourrait galement vrifier que det(A) 0.
b) Soit la matrice
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
Linverse nexiste pas puisque lon obtient une ligne de zros du ct

gauche de la matrice augmente.
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
6.16 a) Tel que dmontr lexercice 6.13, linverse est

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
c) On utilise la mthode de lexercice 6.15.

Matrice de dpart
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
6.17 a) Les oprations lmentaires effectuer pour transformer la matrice A

en la matrice identit sont, dans lordre :
2. multiplier la deuxime ligne par 12 .
Les matrices lmentaires correspondantes sont

1
E1 =
5
0
1
et
1
E2 =
0
0
1
2
b) De la partie a), on a que

A
= 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
6.18 On a le systme dquations linaires Ax = b avec
1
A = 1
1
2 1
1 1 ,
1 0
1
b = 3 .
4
Par la mme technique que les exercices prcdents, on trouve

A 1
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
et C23 = (1)5 (96)

c) On a

4 1

M22 = 4 0
4 3
= 96.

6
14 = 4(42) 4(16) + 4(14) = 48
2
et C22 = (1)4 (48) =

d) On a

1

M21 = 1
1
48.
1
0
3

6
14 = (12) 3(20) = 72
2
et C21 = (1)3 (72) = 72.

e) En dveloppant par la deuxime ligne, on a det(A) = 3C23 + 3C24 .
Or, de ce qui prcde, C23 = 96 et C24 = M24 = 24. Par consquent,
det(A) = 216.
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
soit x1 = 3s/2 et x2 = s. Une base de vecteurs propres correspondant

= 4 est donc ( 23 , 1). Vrification :
> m <- matrix(c(10, 4, -9, -2), nrow = 2)
> eigen(m)
$values
[1] 4 4
$vectors
[,1]
[,2]
[1,] -0.8320503 0.8320503
[2,] -0.5547002 0.5547002
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
soit x1 = x3 = 0 et x2 = s. Une base de vecteurs propres correspondant

= 1 est donc (0, 1, 0). Deuximement, le systme dquations (2I
A)x = 0 se rduit
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
soit x1 = 2s, x2 = 8s/3 et x3 = s. Une base de vecteurs propres

correspondant = 4 est donc (2, 38 , 1). Vrification :
> m <- matrix(c(5, 0, 1, 6, -1, 0, 2, -8,
+
-2), nrow = 3)
> eigen(m)
$values
[1] -4 3
$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
Les rsultats sont donc vrais pour n = k + 1. Ceci complte la preuve.

7.5 Soit

A=
a11
a21

a12
.
a22
Le polynme caractristique de cette matrice est

a11
a12
det(I A) =
a21
a22
= ( a11 )( a22 ) a12 a21

= 2 ( a11 + a22 ) + ( a11 a22 a12 a21 )
= 2 tr(A) + det(A),
do lquation caractristique est 2 tr(A) + det(A) = 0.
7.6 On a Ax = x. En multipliant de part et dautre (par la gauche) par A1 ,
on obtient x = A1 x, soit A1 x = 1 x. Par consquent, 1 est une
valeur propre de A1 et x est un vecteur propre correspondant.
7.7 On utilise le rsultat de lexercice 7.6 pour viter de devoir calculer linverse de la matrice. Le polynme caractristique de la matrice A est

+ 2
2
3

3
2
det(I A) = 2
4
2 5
= 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
b) Le polynme caractristique est ( 3)(2 8 + 15) = ( 3)2 (

5), donc les valeurs propres sont 1 = 2 = 3 et 3 = 5. La forme
chelonne de la matrice 3I A est
1 0 1
0 0 0 ,
0 0 0
Solutions
99
do rang(3I A) = 1. La base de vecteurs propres correspondant

= 3 est compose des vecteurs (1, 0, 1) et (0, 1, 0). Dautre part, la
forme chelonne de la matrice 5I A est
1 0 1
0 1 2
0 0 0
= 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
c) La matrice tant triangulaire, on sait immdiatement que les valeurs

propres sont 1 = 3 et 2 = 3 = 2. La forme chelonne de la matrice
3I A est
0 1 0
0 0 1 ,
0 0 0
= 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
= 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
d) Le polynme caractristique est 3 62 + 11 6 = ( 1)(

2)( 3), donc les valeurs propres sont 1 = 1, 2 = 2 et 3 = 3.
Les valeurs propres tant distinctes, la matrice est diagonalisable. Or,
la forme chelonne de la matrice I A est
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
= 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
e) La matrice est triangulaire : les valeurs propres sont donc 1 = 2 =

2 et 3 = 4 = 3. La forme chelonne de la matrice 2I A est
0 0 1 0
0 0 0 1
0 0 0 0 ,
0 0 0 0
= 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
= 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
est exprime sous la forme A = LU, o
3
0 0
4 0
L= 2
4 1 2
et
1
U = 0
0
2 1
1
2 .
0
1
Ainsi, le systme dquations Ax = b (o b = (3, 22, 3) T ) peut tre

exprim sous la forme LUx = b, soit Ly = b et Ux = y. On rsoud tout
dabord Ly = b par simple substitution successive. On trouve
y1 = 1
22 2y1
y2 =
= 5
4
3 + 4y1 + y2
= 3.
y3 =
2
Par la suite, on rsoud de mme Ux = y, ce qui donne
x3 = 3
x2 = 5 2x3 = 1
x1 = 1 + 2x2 + x3 = 2.
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
et L = E11 E21 . Or,

1 3 0
3 2 1

3 0
=
0 3
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

Exercices Methodes Numeriques

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Exercices Methodes Numeriques

Hochgeladen von

Copyright:

Verfügbare Formate

Exercices

2008 Vincent Goulet

Table des matires

Gnration de nombres alatoires

Simulation de variables alatoires

III Analyse numrique

Arithmtique des ordinateurs

Rsolution dquations une variable

Rvision dalgbre linaire

Valeurs propres, vecteurs propres et diagonalisation

Gnration de nombres alatoires

Pour utiliser les fonctions du package, il faut ensuite charger le package en

Un utilisateur sans droit dcriture dans le dossier C:\Program Files

Gnration de nombres alatoires

Simulation de variables alatoires

U1 = e(X1 +X2 )/2

pour voir si la distribution des nombres transforms est approximativement normale.

Simulation de variables alatoires

pour fins de comparaison.

Proposer une ou plusieurs faons de simuler des nombres issus de cette

Simulation de variables alatoires

3.6 La fonction de densit de probabilit de la loi de Pareto translate est

Simuler trois valeurs dune telle distribution avec = 2 et = 1 000

b) Utiliser le rsultat en a) pour proposer un algorithme de simulation

Simulation de variables alatoires

Simulation de variables alatoires

simul <- function(n, alpha, beta)

F IG . 3.1 Fonction de simulation dune loi Bta(, ) pour lexercice 3.13.

valuer le rsultat des expressions suivantes :

3.14 a) Dmontrer que, si 0 < < 1,

Simulation de variables alatoires

exactement ainsi qu laide de lintgration Monte Carlo. Comparer les

e2xy ln(3x + y2 ) dxdy

laide de lintgration Monte Carlo. Comparer la rponse obtenue avec

x2 sin(x )e x/2 dx.

a) valuer cette intgrale par Monte Carlo en effectuant un changement

Arithmtique des ordinateurs

Arithmtique des ordinateurs

Arithmtique des ordinateurs

Rsolution dquations une

Rsolution dquations une variable

Classer ces fonctions en ordre dcroissant de vitesse de convergence de

Rsolution dquations une variable

Comparer les rsultats obtenus avec la mthode de NewtonRaphson.

Rvision dalgbre linaire

2x1 + 2x2 + 2x3 = 0

5x1 2x2 + 6x3 = 0

Rvision dalgbre linaire

6.5 Pour quelle valeur de a le systme dquations

6.7 Soit les matrices

Calculer les expressions suivantes (lorsque possible).

Rvision dalgbre linaire

6.8 Dmontrer que si A et B sont deux matrices n n, alors tr(A + B) =

o in=1 aii 0. Dmontrer que A est inversible et trouver son inverse.

Trouver les matrices lmentaires E1 , E2 et E3 satisfaisant les quations

Rvision dalgbre linaire

6.16 Trouver linverse des matrices suivantes, o k, k1 , . . . k4 sont des constantes

a) Trouver des matrices lmentaires E1 et E2 tel que E2 E1 A = I.

a) Vrifier que lquation Ax = x peut scrire sous la forme (I A)x =

Rvision dalgbre linaire

6.21 Par simple inspection visuelle de la matrice

Trouver les valeurs suivantes.

Rvision dalgbre linaire