Exercise 1 On considère l’équation
x(1 + ex ) = ex .
1. Montrer que cette équation admet une unique solution réelle x∗ dans [0, 1].
2. Écrire la méthode de Newton pour approcher la solution x∗ .
3. Proposer une autre méthode de point fixe pour approcher x∗ . Justifier
votre réponse.
4. Calculer l’ordre de convergence de la méthode de point fixe. (indication :
la pécision ε = 10−3 ).
Exercise 2 Trouver le polynome p(x) = a + bx qui ajuste les données suivantes
au sens des moindres carrés.
x 1 2 3 4
y 3 4 7 8
Soit f (x) = x2 −2x+3. Trouver le polynôme linéaire meilleur approximation
de f (x) au sens des moindres carrés sur l’intervalle [−1, 1] .
Exercise 3 (Décomposition LU )
Certaines matrices symétriques mènent à une factorisation de la forme LLt,
où L est une matrice triangulaire inférieure.
1. Expliquer pourquoi on s’intéresse à ce cas particulier de la factorisation
LU (par rapport à la méthode de Croute).
2. Résoudre le système linéaire
9x + 3y + 3z = 15
3x + 5y + z = 9
3x + y + 5z = 9
à l’aide d’une factorisation LLt .
Exercise 4 (Méthodes itératives)
Soit le système d’équations algébriques suivant :
1 α 0 x 1
α 1 α y = 1
0 α 1 z 1
√
où α est un paramètre réel tel que α ̸= ± 22 .
1. Pour α = −12, faire trois itérations de la méthode de Gauss-Seidel en
partant de l’approximation initiale X(0) = (0, 0, 0)t .
1
2. Pour qu’elles valeurs de α, la convergence de la méthode de Gauss-Seidel
est-elle assurée?
3. Pour α = −12, donner la matrice d’itérations TJ de la méthode de Jacobi.
√
Sachant √ que la matrice TJ possède les valeurs propres λ1 = 0; λ2 = − 22
et λ3 = 22,est-ce que la méthode Gauss-Seidel converge pour ce système
linéaire?
Exercise 5 Un capteur mesure un signal analogique de type sinusoı̈dal bruité.
A cause de limitations de bande passante, seules certaines mesures peuvent être
transmises. On cherche à reconstruire le signal manquant par interpolation.
Le signal f est mesuré aux instants suivants (en millisecondes) :
t0 = 0, t1 = 1, t2 = 2.5, t3 = 4, t4 = 6
avec les valeurs mesurées correspondantes :
f (t0 ) = 0, f (t1 ) = 1.2, f (t2 ) = 0.8, f (t3 ) = −0.5, f (t4 ) = −1
1. Construire le polynôme P (t) d’interpolation de Lagrange de degré 4 pas-
sant par les 5 points.
2. Tracer la courbe du polynôme P (t) sur l’intervalle [0, 6].
3. Application Télécom : Signal reconstruit
On suppose que la vraie forme du signal est
πt
f (t) = sin
6
mais qu’un bruit aléatoire a été ajouté à chaque mesure. Calculer l’erreur
quadratique moyenne (EQM) entre la fonction réelle et le polynôme de
Lagrange P (t).
Exercise 6 On s’intéresse à la modélisation du signal échantillonné à des in-
stants discrets. Soient les points d’échantillonnage :
x0 = 0, x1 = 1, x2 = 2, x3 = 4, x4 = 5
et les valeurs correspondantes du signal :
f (x0 ) = 1, f (x1 ) = 2, f (x2 ) = 0, f (x3 ) = 2, f (x4 ) = 1
1. Interpolation de Lagrange
a Construire le polynôme d’interpolation P (x) de degré 4 passant par ces
5 points à l’aide de la formule de Lagrange.
b évaluer ce polynôme en x = 3 et interpréter ce résultat dans le contexte
de la reconstitution d’un signal échantillonné.
2
2. Interpolation de Newton
(a) Construire la table des différences divisées associée aux données précédentes.
(b) écrire le polynôme de Newton N (x) correspondant. Vérifier que
N (3) = P (3).
3. Application: Rétablissement d’un signal audio perdu
Supposons que la valeur du signal à x = 3 a été corrompue. En utilisant
votre polynôme d’interpolation, proposer une estimation de cette valeur.
Que peut-on dire de la fiabilité de cette approximation ?
4. Question bonus : Réduction du degré du polynôme
Est-il possible de construire un polynôme d’interpolation de degré 3 (ou
moins) pour approximer les données sans perte de précision à un sous-
ensemble des points ? Si oui, lesquels choisiriez-vous et pourquoi ?
Exercise 7 Dans les systèmes de télécommunications, la résolution efficace de
systèmes linéaires symétriques définis positifs apparaı̈t dans plusieurs domaines
: estimation de canaux, filtrage de Kalman, ou encore dans l’égalisation de sig-
naux. Une méthode performante pour ces cas est la décomposition de Cholesky,
appelée aussi décomposition LLT .
Exercice :
On considère un système linéaire issu d’un modèle d’istimation de paramètres
dans une chaı̈ne de transmission, défini par :
Exercise 8
Ax = b,
où
9 3 3 15
A= 3 5 1 , b= 9
3 1 5 9
1. Pourquoi utiliser une décomposition LLT ?
Expliquer pourquoi, dans le contexte des télécoms, on privilégie parfois la
décomposition LLT (Cholesky) par rapport à la décomposition LU générale,
en lien avec la méthode de Crout.
2. Résolution par la décomposition LLT
(a) Vérifier que la matrice A est symétrique définie positive.
(b) Effectuer la décomposition A = LLT , avec L matrice triangulaire
inférieure.
(c) Résoudre le système Ax = b en deux étapes :
Résoudre Ly = b
3
Puis résoudre LT x = y
(d) Donner la solution finale x.
3. Interprétation :
En quoi cette méthode est-elle avantageuse en termes de stabilité numérique
et de complexité de calcul, notamment dans le cas où le système Ax = b
doit être résolu plusieurs fois avec différentes valeurs de b ?
Exercise 9 La capacité C d’un canal de communication en présence de bruit
additif est donnée par la formule de Shannon :
C = B · log2 (1 + SN R),
où:
C est la capacité en bits par seconde (bps),
B est la bande passante du canal (en Hz),
SN R est le rapport signal sur bruit (sans unité).
Supposons qu’un système impose une capacité minimale de C0 = 106 bps (1
Mbps), sur une bande passante de B = 200 000 Hz.
Objectif : Déterminer numériquement le niveau minimal de SN R nécessaire
pour atteindre cette capacité.
1. Formulation du problème : Montrer que la résolution revient à trouver
la solution réelle positive de lâéquation suivante :
C0
log2 (1 + x) = ,
B
où x = SN R.
1. Montrer que cette équation admet une unique solution réelle x∗ dans
[0, +∞[.
2. Écrire la méthode de Newton pour approcher la solution x∗ .
3. Proposer une autre méthode de point fixe pour approcher x∗ . Justifier
votre réponse.
4. Calculer l’ordre de convergence de la méthode de point fixe. (indication :
la pécision ε = 10−3 ).
Exercise 10 Un capteur intégré dans un système de télécommunications délivre
un signal de tension y(t) qui suit un comportement non linéaire :
at
y(t) = , t ∈ [0, 2],
1 + bt2
4
où a et b sont des constantes inconnues. Pour simplifier le traitement numérique
embarqué, on souhaite approximer ce signal par une fonction polynomiale de
degré 2 :
ŷ(t) = α0 + α1 t + α2 t2 .
On dispose des mesures suivantes :
ti 0.0 0.5 1.0 1.5 2.0
yi 0.0 0.44 0.66 0.63 0.50
1. Formulation du problème : Écrire le problème d’approximation au sens
des moindres carrés consistant à minimiser l’erreur quadratique entre les
valeurs mesurées yi et l’approximation ŷ(ti ), sous forme matricielle.
2. Système normal : Déterminer explicitement le système linéaire à résoudre
pour obtenir les coefficients α0 , α1 , α2 .
3. Résolution numérique : Résoudre ce système (à la main ou à l’aide
d’un logiciel) et donner le polynôme approximatif ŷ(t).
4. Qualité de l’approximation : Calculer l’erreur quadratique moyenne
(EQM) entre les valeurs mesurées yi et les valeurs approchées ŷ(ti ).
5. Discussion : Expliquer pourquoi il est utile, dans un système embarqué,
de remplacer une fonction non linéaire par une approximation quadratique.
Quels compromis ce choix implique-t-il ?