Introduction Le problème Méthode Interpolation Interpolation polynomiale de f Exemple Introduction Interpolation de L AGRANGE Spline Cubique V IET H UNG N GUYEN - FABIEN R ICO Régression linéaire [email protected] EPU Pierre et Marie Curie - Sicence de la Terre - p. 1/42 Introduction - p. 2/42 Le problème L’interpolation sert à transformer un ensemble de points en une courbe Ensemble discret 7→ fonction continue Introduction ■ Le problème Méthode Interpolation polynomiale de f Exemple Soit une fonction f que l’on connaît sur un petit nombre de points. C’est à dire que l’on connaît les valeurs a0 < a1 < · · · < an et f0 , f1 , . . . fn telles que : ∀i ∈ {0, 1, . . . , n} Interpolation de L AGRANGE fi = f (ai ) Spline Cubique ■ Synthèse d’images (dessin vectoriel) ■ Fonts ■ Étude mathématique d’un ensemble de valeurs ■ Prévisions Introduction Le problème Méthode Interpolation polynomiale de f Exemple Interpolation de L AGRANGE Spline Cubique Régression linéaire Régression linéaire ■ On souhaite mieux connaître f , ◆ calculer f (x) sur un grand nombre de points ◆ connaître des propriétés mathématiques de f (par ex l’intégrale). ■ Mais on ne connaît pas f explicitement ◆ échantillonage, ◆ fonction calculée par un code dont l’exécution est coûteuse ⇒Il faut « représenter » f par une fonction simple Comment choisir cette fonction ? Introduction - p. 3/42 Introduction - p. 4/42 Interpolation polynomiale de f Méthode Soit g la fonction qui « représente » f . ■ Introduction Le problème g doit être proche de f c’est à dire : ◆ Méthode Interpolation polynomiale de f coïncider avec f sur les points ai (i=0. . . n) ■ polynôme d’interpolation de L AGRANGE ■ splines Exemple Interpolation de L AGRANGE Spline Cubique Régression linéaire ■ ■ Nous ne nous intéresserons d’abord qu’au cas où g est une fonction polynomiale ou polynomiale par morceaux. ou minimiser l’erreur sur les ai (moindre carré). Par exemple : ◆ avoir des dérivées qui coïncident avec celles de f (B EZOUT). ■ polynômes de TAYLOR ■ polynômes de C HEBYSHEV ■ polynômes Minimax Introduction Le problème Méthode Interpolation polynomiale de f Bases mathématiques Théorème (S TONE -W EIERSTRASS) Toute fonction continue sur un intervalle [a, b] de IR est limite uniforme d’une suite de polynômes ◆ g doit être simple ◆ fonctions polynomiales, ◆ fonctions polynomiales par morceaux ◆ fonctions rationnelles ◆ fonctions trigonométriques g doit avoir de bonnes propriétés ◆ régulière (C n ) ◆ comportement entre les points d’interpolation ◆ avoir des bornes d’erreurs sur f (x) − g(x) Introduction Exemple Interpolation de L AGRANGE Spline Cubique Régression linéaire Cela ne fonctionne que sur un intervalle fini de IR - p. 5/42 Introduction - p. 6/42 Exemple Introduction Introduction Le problème Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE Méthode Interpolation polynomiale de f Exemple Interpolation de L AGRANGE Interpolation de L AGRANGE Spline Cubique Exemple Calcul de l’erreur d’interpolation Exemple Étude de la formule d’erreur Exemple Régression linéaire Autres méthodes Spline Cubique TAYLOR en 0 Minimax sur [−4.5, 4.5] Introduction Régression linéaire sin(x) x3 x5 x7 x− + − 6 5! 7! −.818764947 × 10−8 + .9016098105x +.961831992 × 10−8 x2 − 0.1238187316x3 −.1711139741 × 10−8 x4 + .3418771013 × 10−2 x5 - p. 7/42 Interpolation de L AGRANGE - p. 8/42 Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE Introduction Dans ce chapitre g sera le polynôme de degré n qui est égal à la fonction f sur tous les point a0 , a1 , . . . an . Théorème (Polynôme d’interpolation) Soient les n + 1 points distincts (a0 < a1 < · · · , an ) ∈ IRn+1 , il existe un unique polynôme P de degré n qui coupe la fonction f sur ces points i.e. tel que : Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE Soient les n + 1 points distincts (a0 < a1 < · · · , an ) ∈ IRn+1 , on appelle base de L AGRANGE les polynômes de la forme : Li (x) Exemple Calcul de l’erreur d’interpolation n Y = k=0,k6=i Exemple Étude de la formule d’erreur Exemple Spline Cubique ∀i, j Régression linéaire Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE Exemple Calcul de l’erreur d’interpolation Exemple Étude de la formule d’erreur ( Autres méthodes ∀i ∈ {0, . . . , n} x − ak ai − ak Introduction Li (aj ) = Exemple Autres méthodes 1 0 si i = j si i 6= j Spline Cubique Régression linéaire Le polynôme : P (ai ) = f (ai ) P (x) = f0 L0 (x) + f1 L1 (x) + · · · + fn Ln (x) Convient. On l’appelle polynôme d’interpolation de L AGRANGE L’unicité est à démontrer en exercice. Introduction - p. 9/42 Introduction - p. 10/42 Exemple Calcul de l’erreur d’interpolation Introduction Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE b b a5 a4 Exemple Calcul de l’erreur d’interpolation b b b a6 a3 a0 b b Théorème ∀x ∈ [a, b] il existe η ∈ [a0 , an ] tel que Exemple 1 f (x) − P (x) = f (n+1) (η)φ(x) (n + 1)! avec φ(x) = (x − a0 )(x − a1 ) · · · (x − an ) Étude de la formule d’erreur Exemple Autres méthodes Spline Cubique a2 a1 Si on interpole la fonction f C n+1 sur l’intervalle [a, b], par le polynôme P (x) de degré n, grâce au points d’interpolation a0 < a1 < · · · < an . Régression linéaire Introduction Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE Exemple Calcul de l’erreur d’interpolation Exemple Étude de la formule d’erreur Exemple Autres méthodes Spline Cubique Régression linéaire Idée de la preuve : φ(z) On étudie la fonction g(z) = f (z) − P (z) − (f (x) − P (x)) φ(x) ⇒ g ′ s’annule n + 1 fois ... ⇒ g (n+1) s’annule une fois en η = (n + 1)! et P (n+1) = 0. g s’annule n + 2 fois Or φ(n+1) Introduction - p. 11/42 Introduction - p. 12/42 Exemple Étude de la formule d’erreur Introduction Introduction f (x) − P (x) = Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE b avec 1 (n+1) (η)φ(x) (n+1)! f φ(x) = (x − a0 )(x − a1 ) · · · (x − an ) Exemple Calcul de l’erreur d’interpolation Exemple Étude de la formule d’erreur Exemple b b b b b b b b b b b b Autres méthodes Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE Exemple L’erreur dépend de : 1 ■ (n+1)! qui tend vers 0 si n → ∞. ■ Spline Cubique Régression linéaire ■ 2 f (x) = 0.5 + 2 × e10x Calcul de l’erreur d’interpolation Exemple Étude de la formule d’erreur Exemple φ(x) qui tend vers ∞ quand x → ∞ . ⇒ problèmes quand x → ∞ (n+1) f (η) qui dépend de la fonction f et de l’intervalle [a0 , an ]. ⇒ problèmes si un point est très différent des autres (f (n+1) >> 1) ⇒ le polynôme a tendance à osciller entre les points d’interpolations Autres méthodes Spline Cubique Régression linéaire Certaines fonctions simples seront mal interpolées par un polynôme. Introduction - p. 13/42 Introduction Exemple - p. 14/42 Autres méthodes Introduction Comment améliorer l’interpolation ? Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE ■ On découpe l’intervalle en petits morceaux, ■ On utilise des polynômes de petit degré pour approcher la fonction sur chaque sous-intervalle. Exemple Calcul de l’erreur d’interpolation Exemple Étude de la formule d’erreur Exemple b Introduction b b b b b b b b b b b b Interpolation de L AGRANGE Polynôme d’interpolation de L AGRANGE Preuve et polynôme de L AGRANGE Exemple Calcul de l’erreur d’interpolation Exemple Étude de la formule d’erreur Exemple Autres méthodes Autres méthodes Spline Cubique Par exemple : Régression linéaire ■ Fonctions linéaires par morceaux ■ Fonctions quadratiques par morceaux ■ Les splines cubiques (polynôme de degré 3 par morceau). - p. 15/42 Introduction Introduction Spline Cubique Régression linéaire - p. 16/42 Définition Introduction Interpolation de L AGRANGE Spline Cubique Définition Étude de g Spline Cubique ′′ Étude de g ′ Étude de g Cas des points réguliers Algorithme Exemple Régression linéaire Définition On appelle spline cubique d’interpolation une fonction notée g qui vérifie : ■ g(ai ) = f (ai ) pour i = 0, 1 . . . , n ■ g coïncide avec un polynôme de degré 3 sur chaque sous intervalle [ai , ai+1 ] ■ g est C 2 sur [a0 , an ] (deux fois continue et dérivable). Cette définition ne permet pas de déterminer la fonction de façon unique. Souvent on rajoute une condition par exemple : g ′′ (a0 ) = g ′′ (an ) = Introduction Interpolation de L AGRANGE Spline Cubique Définition Étude de g Étude de g Étude de g ′′ ′ Cas des points réguliers Algorithme Exemple Régression linéaire 0 Ce qui définit une spline naturelle. Spline Cubique Introduction - p. 17/42 - p. 18/42 Étude de g ′′ g coïncide avec un polynôme de degré 3 sur chaque intervalle [ai , ai + 1]. Soit gi ce polynôme. On peut intégrer gi′′ ce qui donne : Introduction Interpolation de L AGRANGE (ai+1 − x)2 (x − ai )2 − mi + ui 2hi 2hi 3 3 (ai+1 − x) (x − ai ) + mi + ui (x − ai ) + vi gi (x) = mi+1 6hi 6hi gi′ (x) = mi+1 Spline Cubique gi′′ est une droite sur [ai , ai + 1]. Définition ′′ Étude de g Étude de g Donc g ′′ est complètement déterminé par les valeurs : Étude de g ′ Cas des points réguliers = g ′′ (ai ) mi Étude de g Algorithme Exemple avec ui , vi ∈ IR2 On cherche à éliminer les inconnues ui et vi . On connaît les valeurs de g sur les points ai donc Régression linéaire On appelle les valeurs mi les moments au noeud numéro i. On note aussi hi = ai+1 − ai Alors : gi′′ (x) = mi+1 fi = gi (ai+1 ) = Ce qui donne fi+1 = ai+1 − x x − ai + mi hi hi et Introduction Étude de g = 6 mi hi−1 2 mi h2i 6 + vi + ui hi + vi hi 1 hi (fi+1 − fi ) − 6 (mi+1 − mi ) hi−1 1 (f − f ) − i i−1 hi−1 6 (mi − mi−1 ) Par exemple, si les points ai sont équidistants i.e. Introduction Interpolation de L AGRANGE ∀i, hi = h. + ui−1 Spline Cubique Définition 1 1 (fi+1 − fi ) − (fi − fi−1 ) hi hi−1 pour i = 1, 2, . . . n − 1. Cela nous donne n − 1 équations en les variables mi à résoudre. Donc n − 1 équations et n + 1 inconnues. Pour obtenir une solution unique, il faut rajouter deux équations : m0 mn = Cas des points réguliers En combinant cela avec les deux résultats précédents, on trouve : hi−1 mi−1 + 2(hi + hi−1 )mi + hi mi+1 = = h2i 6 mi+1 - p. 20/42 ′ Enfin, on doit avoir continuité des dérivées donc : ′ = gi′ (ai ) = gi−1 (ai ) = ui ui−1 3 i) + vi mi (ai+16h−a i Introduction - p. 19/42 − h2i mi + ui gi (ai ) = = 0 = 0 Alors, le système à résoudre est : 1 1 4 1 0 . . . .. .. .. − → 1 4 1 m = .. .. .. . . . 1 4 1 0 1 Étude de g 0 6 h2 (f0 − 2f1 + f2 ) .. . 6 h2 (fi−1 − 2fi + fi+1 ) .. 6 . 2 (fn−2 − 2fn−1 + fn ) h 0 Étude de g Étude de g ′′ ′ Cas des points réguliers Algorithme Exemple Régression linéaire Cela permet d’obtenir la valeur des moments mi et d’en déduire les formules de gi (x). Introduction - p. 21/42 Introduction - p. 22/42 Exemple Algorithme ■ Calcul des gi : ◆ Calcul des moments mi par la résolution du système linéaire ◆ ∀i ∈ {0, 1, . . . , n − 1} calculer les valeurs hi ui vi ■ Introduction Interpolation de L AGRANGE b Spline Cubique Définition Étude de g = ai+1 − ai 1 hi = (fi+1 − fi ) − (mi+1 − mi ) hi 6 h2i = fi − mi 6 ′′ Étude de g ′ Étude de g Cas des points réguliers Algorithme b b b b b b b Exemple b b b b b Régression linéaire Calcul de g(x) : ◆ Trouver l’intervalle qui contient x i.e. trouver i tel que x ∈ [ai , ai+1 ] ◆ Calculer g(x) = Introduction gi (x) 3 3 −x) i) = mi+1 (x−a + mi (ai+1 + ui (x − ai ) + vi 6hi 6hi - p. 23/42 Introduction - p. 24/42 Problème de lissage Introduction Introduction 4 Interpolation de L AGRANGE Spline Cubique 3 Régression linéaire Régression linéaire Problème de lissage Le problème Projection orthogonale Remarques Cas des matrices inversibles 0 Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général (suite) La méthode Exemple Moindres carrés Conclusion Régression linéaire - p. 25/42 b b b b b b b Interpolation de L AGRANGE b b Spline Cubique b b b 1 Équation normale Cas général b 2 Formulation matricielle b b Régression linéaire b Problème de lissage Le problème b Formulation matricielle Projection orthogonale b Remarques b 0 b Équation normale Cas des matrices inversibles b Cas des matrices orthogonales 1 2 3 On a une famille de points du plan (xi , yi )1≤i≤m et on cherche à approcher cette famille par une fonction f . ■ polynôme d’interpolation : minimisation de l’erreur sur les points d’interpolation pas sur les autres ■ Spline cubique : fonction complexe et seulement C 2 ■ approximation au moindres carrés par une famille de fonctions : minimisation de l’erreur générale. Introduction Cas des matrices triangulaires Cas des matrices triangulaires (suite) 4 Cas général Cas général (suite) La méthode Exemple Moindres carrés Conclusion - p. 26/42 Le problème On a : une famille de points (xi , yi ), i = 1, . . . , m ■ une famille de fonctions φj j = 1, . . . n linéairement indépendantes (n ≤ m) et on cherche la fonction de la forme ■ φ = n X Spline Cubique Régression linéaire Problème de lissage Le problème ■ Projection orthogonale u j φj Équation normale Remarques Cas des matrices inversibles ■ Cas des matrices orthogonales telle que la suite (φ(xi ))i=1,...,m représente au mieux la suite (yi )i=1,...,m c’est à dire qui minimise : f (u) = ■ Interpolation de L AGRANGE Formulation matricielle j=1 m X Introduction (φ(xi ) − yi ) 2 Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général C’est un système avec n degrés de liberté et m contraintes. ◆ En général, m > n. ◆ Il n’y a pas de résultat exacte. ◆ C’est une méthode d’approximation. On trouve toujours une solution. ◆ En générale la fonction φ ne passe pas par les points. ◆ On trouve la solution la moins mauvaise. Minimisation de l’erreur générale ◆ On doit connaître le comportement de la fonction représentée ◆ Lissage du bruit Introduction Interpolation de L AGRANGE Spline Cubique Régression linéaire Problème de lissage Le problème Formulation matricielle Projection orthogonale Équation normale Remarques Cas des matrices inversibles Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général Cas général (suite) Cas général (suite) La méthode La méthode Exemple Exemple Moindres carrés Moindres carrés Conclusion Conclusion i=1 On parle alors de lissage ou de régression Introduction - p. 27/42 Introduction - p. 28/42 Formulation matricielle Soit la matrice rectangulaire A ∈ Mm,n (IR) et le vecteur y définis par : . . . φn (x1 ) φ1 (x1 ) φ2 (x1 ) y1 . . . φn (x2 ) φ1 (x2 ) φ2 (x2 ) y2 et y = . A = . .. .. .. .. . . . . . ym φ1 (xm ) φ2 (xm ) . . . φn (xm ) Projection orthogonale Introduction Interpolation de L AGRANGE Spline Cubique Si u décrit l’espace vectoriel IRn , alors, Au décrit Im(A). On cherche ū qui minimise kAu − yk donc Aū est le projeté orthogonal de y sur Im(A) : Régression linéaire y Problème de lissage Le problème Formulation matricielle Projection orthogonale Équation normale Remarques hai , yi Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Le problème ai Aū t Cas général Cas général (suite) La méthode Projection orthogonale Équation normale Remarques Cas des matrices inversibles Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général (suite) La méthode Exemple AAū Moindres carrés f (u) = kAu − yk Formulation matricielle Cas général Donc ū est un vecteur tel que : Exemple On cherche alors à minimiser la fonction : Spline Cubique Problème de lissage = hai , Aūi + hai , vi = Interpolation de L AGRANGE Régression linéaire = Aū + v Avec v ∈ Im(A)⊥ Soit ai la ie colonne de la matrice A, alors ∀i ∈ {1, . . . , n} Cas des matrices inversibles Introduction t Conclusion = Ay Moindres carrés t Conclusion 2 C’est ce qu’on appelle problème des moindres carrés. Introduction - p. 29/42 Introduction Remarques Équation normale Inversement, tout vecteur ū tel que AAū t = Introduction Interpolation de L AGRANGE Ay t Spline Cubique minimise la norme : kAū − yk En effet, si tAAu = tAy = tAAū alors : t AAu − tAAū = 0 t AA(u − ū) = 0 u − ū ∈ Ker(tAA) ⊥ Or Ker( A) = (Im(A)) , donc u − ū ∈ Ker( AA) implique t t u − ū ∈ Ker(A) Donc Au = Aū kAu − yk = kAū − yk Cette équation est appelée équation normale Introduction - p. 30/42 Régression linéaire Problème de lissage Le problème Formulation matricielle Projection orthogonale Équation normale Remarques Cas des matrices inversibles Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général Cas général (suite) La méthode Exemple Moindres carrés Conclusion - p. 31/42 Soit A ∈ Mm,n (IR), n ≤ m alors L’équation normale tAAu = tAy admet toujours au moins une solution. ◆ pour toute matrice M on a : ⊥ Ker(tM ) = (Im(M )) et Ker(tM M ) = Ker(M ). ⊥ ◆ Donc, tAy ∈ (Ker(A)) . ⊥ ◆ Et (Ker(A)) = (Ker(tAA))⊥ = Im (t(tAA)) = Im (tAA) . ◆ Donc tAy ∈ Im (tAA) et l’équation admet une solution. ■ Si rang(A) = n, la solution est unique. − → ◆ Car Ker(A) = { 0 } ■ Introduction Introduction Interpolation de L AGRANGE Spline Cubique Régression linéaire Problème de lissage Le problème Formulation matricielle Projection orthogonale Équation normale Remarques Cas des matrices inversibles Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général Cas général (suite) La méthode Exemple Moindres carrés Conclusion - p. 32/42 Cas des matrices inversibles Si A est une matrice carrée (m = n) et que A est de rang n. ■ Cas des matrices orthogonales Introduction Alors A est inversible, Interpolation de L AGRANGE Le système Régression linéaire Revenons au cas où n ≤ m, si les colonnes de la matrice A sont orthonormées, c’est à dire si ∀i, j ∈ {1, . . . , n}2 Spline Cubique ai aj t ■ = δij (δij = 0 si i 6= j et δii = 1) Problème de lissage Le problème Au = y ■ ū = A−1 y Remarques La méthode R Moindres carrés Conclusion Introduction - p. 34/42 Cas des matrices triangulaires (suite) Introduction Interpolation de L AGRANGE Quel que soit le choix de u, les m − n dernières coordonnées de Au seront nulles, donc Spline Cubique 2 kAu − yk Problème de lissage Le problème Formulation matricielle ■ Projection orthogonale Équation normale Remarques Cas des matrices inversibles Cas des matrices orthogonales Conclusion ■ ■ ■ On décompose A en Q ∈ Omm (orthogonale) et R ∈ Mmn (triangulaire supérieure) ; on calcule Z = tQY ; ◆ les n premières lignes de Z forment le vecteur c qui est le projeté orthogonale de Y sur Im(A) ; ◆ les m − n dernières lignes de Z forment le vecteur d ; ◆ les n premières lignes de R forment la matrice S, qui est triangulaire supérieure ; on calcule u solution du système linéaire Su = c ; alors u est solution du problème des moindres carré et l’erreur kAu − Y k = Introduction Régression linéaire Problème de lissage Formulation matricielle Projection orthogonale Équation normale Remarques Cas des matrices inversibles ■ On peut donc trouver ū tel que Ru = c, car on dans le cas d’une matrice carrée inversible. Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général Cas général (suite) La méthode Exemple ■ La valeur minimisant cette norme est u = R −1 c. Introduction Moindres carrés Conclusion - p. 36/42 Cas général (suite) Introduction Interpolation de L AGRANGE Spline Cubique Régression linéaire Problème de lissage Le problème Formulation matricielle Projection orthogonale Q est une matrice orthogonale donc elle ne modifie par la norme : ∀v ∈ IRm , p tv tQQv kQvk = √ t = vv = kvk Équation normale Remarques Cas des matrices inversibles Interpolation de L AGRANGE Spline Cubique Régression linéaire Problème de lissage Le problème Formulation matricielle Projection orthogonale Remarques Cas des matrices inversibles Cas des matrices orthogonales Cas des matrices orthogonales kQRu − yk Cas des matrices triangulaires Cas des matrices triangulaires (suite) = k QQRu − Qyk t t = kRu − tQyk Cas général Cas général (suite) Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général Cas général (suite) La méthode La méthode Exemple Moindres carrés Introduction Équation normale En particulier, Exemple où R est une matrice triangulaire de même rang que A. On se ramène alors au problème précédant. Introduction Moindres carrés Conclusion - p. 38/42 Exemple La méthode ■ Interpolation de L AGRANGE Le problème Exemple - p. 37/42 kAu − Y k = kRu − ck + kdk Si A est de rang n, alors R est inversible. La méthode Conclusion Soient m ≥ n, A ∈ Mmn et Y un vecteur de IRm . Pour chercher u tel que u soit le vecteur qui mminimise 2 Minimiser la valeur kAu − yk revient à minimiser la valeur kRu − ck Cas général Introduction 2 ■ Cas général (suite) Moindres carrés Introduction Spline Cubique Régression linéaire - p. 35/42 Dans le cas général, A n’est pas orthogonale ni triangulaire. Par contre si A est de rang n, il est possible de décomposer la matrice A en le produit de deux matrices : ■ une matrice carrée orthogonale Q ∈ Mmm ■ une matrice triangulaire R ∈ Mmn de rang n. r11 R r22 .. Q A = . r nn La méthode Exemple Cas général Introduction Cas général (suite) Conclusion Cas des matrices triangulaires Cas des matrices triangulaires (suite) Alors posons ! c ■ y = où c est le vecteur formé des n premières d coordonnées de y et d celui formé par les m − n suivantes. ■ R ∈ Mn,n (IR) la matrice carrée triangulaire supérieure formée par les n premières lignes de A. Cas général t Moindres carrés Cas des matrices triangulaires = Cas des matrices triangulaires Cas des matrices triangulaires (suite) Ay Ay t Exemple - p. 33/42 Si A est une matrice triangulaire de rang n : Cas des matrices orthogonales AAū = ū = Cas général (suite) Introduction Cas des matrices inversibles t Cas général − → ū minimise kAu − yk car Au − y = 0 A Équation normale Alors le calcul de ū est simple : Cas des matrices triangulaires Cas des matrices triangulaires (suite) par une méthode de résolution de système linéaire ■ Projection orthogonale Remarques Il suffit donc de calculer : Régression linéaire Formulation matricielle AA = Inn t Équation normale Cas des matrices orthogonales Spline Cubique Le problème Projection orthogonale Cas des matrices inversibles Interpolation de L AGRANGE Problème de lissage Cela signifie que Formulation matricielle a une solution ū unique. Introduction Introduction Interpolation de L AGRANGE Trouver la parabole qui passe au plus près des points (−4, 3) ,(−1, −3) ,(0, −1) ,(1, 3) ,(2, 9) Introduction Interpolation de L AGRANGE Spline Cubique Spline Cubique Régression linéaire Régression linéaire Problème de lissage Problème de lissage Le problème Le problème Formulation matricielle Formulation matricielle Projection orthogonale Projection orthogonale Équation normale Équation normale Remarques Remarques Cas des matrices inversibles Cas des matrices inversibles Cas des matrices orthogonales Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général Cas général Cas général (suite) Cas général (suite) La méthode La méthode Exemple Exemple Moindres carrés Moindres carrés Conclusion Conclusion kdk - p. 39/42 Introduction - p. 40/42 Conclusion Moindres carrés ■ ■ ■ Le problème étudié est un problème de régression linéaire, ◆ la fonction φ est une combinaison linéaire des paramètres u 1 , . . . , un ◆ utilisation d’une nouvelle décomposition A = QR Il est possible d’avoir des problèmes non linéaires, ◆ Par exemple approximation d’un ensemble de points par une fonction de la forme aebx où a et b sont les paramètres. Cas des matrices de rangs inférieurs à n. Introduction Interpolation de L AGRANGE Introduction ■ Spline Cubique Régression linéaire Problème de lissage Le problème Formulation matricielle Projection orthogonale Équation normale Polynôme d’interpolation ◆ autres méthodes de calcul (base de N EWTON) ◆ fonctions polynomiales (régulières ?) ◆ problème en ∞ ◆ problème de convergence (augmenter le nombre de points d’interpolation n’améliore pas la fonction). Remarques Cas des matrices inversibles Cas des matrices orthogonales Cas général Cas général (suite) La méthode Exemple Moindres carrés Spline cubique ◆ généralisable aux splines de degré n (C n−1 ). ◆ augmenter le nombre de points d’interpolation améliore la fonction ◆ fonction complexe (Régulière ?). Conclusion Régression linéaire Problème de lissage Le problème Formulation matricielle Projection orthogonale Équation normale Cas des matrices inversibles Cas des matrices orthogonales Cas des matrices triangulaires Cas des matrices triangulaires (suite) Cas général Cas général (suite) La méthode Exemple Moindres carrés Conclusion ■ - p. 41/42 Spline Cubique Remarques ■ Cas des matrices triangulaires Cas des matrices triangulaires (suite) Introduction Interpolation de L AGRANGE Régression linéaire ◆ fonction régulière ◆ passe au plus près de tous les points ◆ l’utilisateur impose la forme (il y a toujours une « solution ») ◆ la fonction obtenue ne passe pas par les points. Introduction - p. 42/42