Analyse Numerique

A AN NA AL LY YS SE E N NU UM ME ER RI IQ QU UE E
G GM M 2 20 03 3

C CO OU UR RS S
E ET T
T TR RA AV VA AU UX X D DI IR RI IG GE ES S

S Sl li im m G GU UE ER RM MA AZ ZI I

Table des matires

I. Rsolution numrique des quations non linaires 6
I.1 La mthode des dichotomies 6
I.1.1 Thorme des valeurs intermdiaires : 6
I.1.2 Algorithme 6
I.1.3 Convergence 7
I.1.4 Rapidit 7
I.2 La mthode Regula-Falsi ou Fausse position 8
I.2.1 Algorithme 9
I.2.2 9
I.2.3 Convergence et rapidit 9
I.3 Mthode des approximations successives ( ou du point fixe) 10
I.3.1 Algorithme 10
I.3.2 Thorme 10
I.4 Mthode de Newton 10
I.4.1 Algorithme 11
I.4.2 Thorme 11
I.5 La mthode de la scante 11
I.5.1 Algorithme 12
I.5.2 Thorme 12
I.6 Rsolution dun systme non linaire 12
I.6.1 Algorithme 13
I.6.2 Thorme 13
I.7 La mthode de Newton 13
I.7.1 Algorithme 14
I.7.2 Remarque 14

I.8 EXERCICES : 15
I.8.1 Exercice 1 : 15
I.8.2 Exercice 2 : 16
II. Thorie de linterpolation 17
II.1 Introduction 17
II.2 Interpolation polynomiale : Forme de Lagrange 17
II.2.1 Thorme 18
II.2.2 Dfinition 19
II.3 Forme de Newton : diffrences divises 19
II.3.1 Dfinition 20
II.3.2 Lemme 21
II.3.3 Proposition 1 21
II.3.4 Proposition 2 : Forme de Newton du polynme dinterpolation 23
II.4 Interpolation en des points quidistants : Diffrences finies 23
II.4.1 Lemme 24
II.4.2 Proposition 24
II.5 Interpolation dhermite 24
II.5.1 Thorme 24
II.6 Exercices : 25
II.6.1 Exercice 1 : 25
III. Intgration numrique 27
III.1 Introduction 27
III.1.1 Ide de lintgration numrique : 27
III.1.2 Dfinition 28
III.2 Formules de Newton-Cotes fermes 29

III.2.1 Lemme 1 30
III.2.2 Lemme 2 30
III.2.3 Lemme 3 30
III.2.4 Proposition 31
III.2.5 Exemples 31
III.3 Formules de Newton-Cotes composes 32
III.3.1 Thorme 32
III.3.2 Exemples 33
III.4 Formule de quadrature de Gauss 33
III.4.1 Exemple 34
III.4.2 Polynmes orthogonaux 34
IV. RAPPELS ET COMPLEMENTS 37
IV.1 Introduction 37
IV.1.1 Exemple 1 37
IV.1.2 Exemple 2 38
IV.2 Notations et dfinitions 38
IV.2.1 Produit scalaire 39
IV.2.2 Produit hermitien dans
n
39
IV.2.3 Norme euclidienne 40
IV.3 Rappel et complment sur les matrices 40
IV.3.1 Proprits 40
IV.3.2 Dfinitions 40
IV.3.3 Proprits 41
IV.3.4 Dfinition 42
IV.3.5 Dfinition 42
IV.3.6 Proprit 42
IV.3.7 Corollaire 42

IV.4 Norme vectorielle et norme matricielle 43
IV.4.1 Norme vectorielle 43
IV.4.2 Norme matricielle 43
IV.5 Conditionnement dun systme linaire 44
IV.5.1 Norme matricielle subordonne 44
V. Mthodes directes pour la rsolution des systmes linaires 45
VI. Mthodes itratives pour la rsolution des systmes linaires 61
VI.1 Mthodes du gradient 61
VI.2 Mthode de J acobi 67
VI.3 Mthode de Gauss-Sedel 69
VII. Chapitre VI : Calcul des valeurs propres 71
VII.1 Mthode de la puissance 71
VII.2 Mthode de la puissance inverse 71

I. Rsolution numrique des quations non linaires

Il sagit de rsoudre numriquement des quations du style f(x) =0 pour des raisons de
complexit de leur rsolution analytique.
Les mthodes de rsolution sont gnralement itratives : partant de x
0
estimation initiale, on
construit une suite x
1
, x
2
, x
n
,
x
n+1
=fonction de (x
n
) convergente vers solution du problme. (f() =0).
Pour chaque mthode, nous dcrirons :
Lalgorithme de construction de la suite (x
n
)
Dans quelles conditions la suite (x
n
) converge vers un zro de f
La rapidit de cette convergence

Dfinition
On dira quune mthode itrative est dordre p pour la recherche dun zro de f si la suite
(x
n
) converge vers et si :
|x
n+1
| =0(|x
n
|
p
) c'est--dire que
p
n
n
x
x
+1
reste born pour n assez grand
I .1 La mthode des dichotomies
I.1.1 Thorme des valeurs intermdiaires :
Soit f une fonction dfinie et continue sur un segment [a,b] de .
Si f(a). f(b) <0 [a,b] / f() =0
I.1.2 Algorithme
On choisit lintervalle de dpart [a
0
,b
0
] tel que f(a
0
). f(b
0
) <0
Soit >0 assez petit : erreur absolue sur la solution
N
max
entier naturel : nombre maximum des itrations
n =0
Rpter n =n +1
Chapitre I : Rsolution numrique des quations non linaires Page 6
x
n
=
2
n n b a +

si f(a
n
).f(x
n
) <0 alors a
n+1
=a
n

b
n+1
=x
n
sinon a
n+1
=x
n

b
n+1
=b
n
jusqu f(x
n
) =0 ou |x
n
a
n
| ou n =N
max
+
a
0
+
b
0
+
a
1
+
b
1
+
a
n
+
b
n
+

+

x
n
+ + +

I.1.3 Convergence
Daprs le thorme des valeurs intermdiaires, la mthode est toujours convergente pour f
continue sur [a,b] et tell que f(a). f(b) <0
I.1.4 Rapidit
Pour cette mthode relativement simple on peut valuer davance le nombre n ditrations
ncessaires pour atteindre une prcision souhaite on crivant que :
|x
n
|
2
n n a b
=
1
2
1
+ n
(b
0
a
0
) <
|x
n
a
n
|
(n +1) Log 2 Log

0 0
a b

exemple : b
0
a
0
=1 =10
5

(n+1) Log 2 5 Log 10
n >15 itrations : ce qui est assez lent
I .2 La mthode Regula- Falsi ou Fausse position
Elle ne diffre de la prcdente que par le choix de x
n
chaque itration.

+
x
2
x
1
+
+
x
3
y b
a

y = f(x)

x

On choisit labscisse du point dintersection avec laxe des abscisses de la corde joignant les 2
points de la courbe (a
n
, f(a
n
)) (b
n
, f(b
n
)) dquation :
y f(a
n
) =(x a
n
)
n n
n n
a b
a f b f
) ( ) (
(1)
pour y =0 x
n
=
n n
n n n n
a b
a f b b f a
) ( ) (

Etant donn que f(a
n
). f(b
n
) <0 et en supposons que f(a
n
) <0 et f(b
n
) >0
On a alors f(a
n
) et f(a
n
). f(b
n
) de mme signe ce qui implique que
) ( ) (
) (
n n
n
b f a f
a f
0 b
n
a
n
0
(1) (x
n
a
n
) =
) ( ) (
) (
n n
n
b f a f
a f
.(b
n
a
n
) 0
x
n
a
n
de mme f(a
n
) f(a
n
) f(b
n
)
0
) ( ) (
) (
n n
n
b f a f
a f
1 0
n n
n n
a b
a x
1
x
n
b
n
I.2.1 Algorithme
a
0
, b
0
donns tel que f(a
0
). f(b
0
) <0
>0 assez petit : prcision souhaite
N
m
>0 : Nombre ditration quon juge maximal et au-del duquel on arrtera les calculs.
n =0
Rpter n =n +1
x
n
=
n n
n n n n
a b
a f b b f a
) ( ) (

si f(a
n
). f(x
n
) <0 alors a
n+1
=a
n
b
n+1
=x
n
sinon a
n+1
=x
n
b
n+1
=b
n
J usqu f(x
n
) =0 ou |x
n+1
x
n
| < ou n =N
max
I.2.2
I.2.3 Convergence et rapidit
I.2.3.1 Thorme 1
Soit f : [a
0
,b
0
] continue sur [a
0
,b
0
] tel que : f(a
0
). f(b
0
) <0
On suppose que f admet un zro unique dans [a
0
,b
0
] / f() =0
Alors la suite x
n
dfinie dans lalgorithme converge vers
I.2.3.2 Thorme 2
f : [a
0
,b
0
] dfinie et continue sur I =[a
0
,b
0
] f(a
0
). f(b
0
) <0
! I / f() =0
Si f est 2 fois drivable sur [a
0
,b
0
] et est telle que f " 0 ou bien f " 0 sur [a
0
,b
0
]
Alors c /
+
+
n
n
x
x
x
1
lim =c
Et la mthode est convergence linaire (dordre 1) dans ce cas.
I .3 Mthode des approximations successives ( ou du point fixe)
Cette mthode consiste dabord remplacer lquation f(x) =0 par x =g(x) o g est une
fonction dterminer.
Exemple : f(x) =x
3
+x 1
On peut choisir g(x) =1 x
3
; g(x) =
2
1
1
x +
; g(x) =
3
) 1 ( x
1

Gnralement g(x) =x +
) (
2
x h
) (x f

O h
2
est une fonction qui ne sannule pas.
I.3.1 Algorithme
x
0
, , Nm donns.
n =0
Rpter n =n +1
x
n+1
=g(x
n
)
jusqu |x
n+1
x
n
| < ou n >N
max
I.3.2 Thorme
Soit g : [a,b] [a,b] de classe C
1
sur [a,b] (C
1
: drivable et drive continue)
Si |g(x)| <1 x [a,b] alors lalgorithme converge vers lunique point fixe de g
I .4 Mthode de Newton
Soit f une fonction de classe C
2
au voisinage dune solution de lquation f(x) =0.
La mthode de Newton consiste construire partir de (x
0
) une suite (x
n
)
n IN
/
x
n+1
=intersection de la tangente la courbe au point (x
n
, f(x
n
)) et laxe des abscisses.
x
n+1
=x
n

) '(
) (
n
n
x f
x f

+
x
1
+
x
0
y
x +
x
2

y = f(x)

I.4.1 Algorithme
- x
0
donne
- prcision, prcision donnes
- N
max
donne
n =0
Rpter si f '(x
n
) =0 alors la mthode ne converge pas
x
n+1
=x
n

) '(
) (
n
n
x f
x f

n =n +1
jusqu |x
n
x
n-1
| < ou |f(x
n
)| ou n >N
max
La mthode de Newton amne a la mthode des approximations successives si on prend :
g(x) = x
) '(x f
) (x f

I.4.2 Thorme
Soit f une fonction de classe C
2
dans un voisinage I de racine simple de f(x) =0 La
mthode de Newton est localement convergente et convergence quadratique (dordre 2).
I .5 La mthode de la scante
Elle correspond la mthode de regula falsi si on remplace a
n
et b
n
par x
n
et x
n1
Elle correspond la mthode de Newton si on approche f '(x
n
)
1
1
) ( ) (
n
n
n
n
x x
x f x f

Partant de x
0
et x
1
, on dfinit x
n+1
=
) ( ) (
) ( ) (
1
1 1
n
n
n
n n
n
x f x f
x f x x f x

x
n+1
=(Axe des x) ( (x
n
, f(x
n
)) , (x
n-1
, f(x
n-1
)) )
I.5.1 Algorithme
- x
0
, x
1
rels donns
- , donns
- N
max
donn
n =1
Rpter x
n+1
=
) ( ) (
) ( ) (
1
1 1
n
n
n
n n
n
x f x f
x f x x f x

n =n +1
jusqu |x
n
x
n-1
| < ou |f(x
n
)| < ou n N
max
I.5.2 Thorme
f de classe C
2
au voisinage dune racine simple de f(x) =0 / f '() 0
La mthode de la scante est localement convergente et il existe un voisinage I de /
x
0
, x
1
I, la suite (x
n
) soit convergente vers .
De plus, lordre de convergence est =
2
5 1+

I .6 Rsolution dun systme non linaire
f
1
(x
1
, x
2
, , x
n
) =0
f
2
(x
1
, x
2
, , x
n
) =0

f
n
(x
1
, x
2
, , x
n
) =0
(I)
f
i
dfinies sur un ouvert
n
valeurs dans et de classe C
2
dans un voisinage V dune
racine =(
1
,
2
, ,
n
) du systme (I) f
i
() =0, i =1 . n
On pose X =(x
1
, x
2
, , x
n
)
F =(f
1
, f
2
, , f
n
)
Alors le systme (I) est quivalent F(X) =0
Soit G / F(X) =X G(X) avec G =(g
1
, g
2
, , g
n
)
Le systme pos est quivalent X =G(X)
solution de F(X) =0 solution de G(X) =X
=point fixe de G
I.6.1 Algorithme
X
n
donn
X
n+1
=G(X
n
)
I.6.2 Thorme
Soit U ferm born de
n
et G une fonction dfinie sur U de classe C
1
et tel que :
max [ ]
n
vec g
2
= j i
x j
x g
i
<1 a
1 ,
,
) ( '
j,xi
= ) (x
x
g
i
j

lalgorithme
X
0
U
X
n+1
=G(X
n
)
converge vers U, vrifiant G() =
I .7 La mthode de Newton
Elle consiste linariser le systme de dpart :
f
1
(x
1
, x
2
, , x
n
) =0
f
2
(x
1
, x
2
, , x
n
) =0

f
n
(x
1
, x
2
, , x
n
) =0
F(X) =0

Ou encore, on remplace par une suite de systmes linaires quon rsout successivement
(gnralement par une mthode directe).
On suppose que les fonctions f
i
sont de classe C
2
dans un voisinage U de la racine
=(
1
,
2
, ,
n
)
Si ont crit la formule de Taylor au point X dun voisinage de en ngligeant le terme
dordre 2, on obtient :
F() F(X) =F(X).( X)
F(X) +F(X).( X) =0
o F(X) est une application linaire dont la matrice quon appelle la matrice jacobienne est :
F(X) =
) ( ' ) ( '
) ( '
) ( ' ) ( ' ) ( '
,
1 ,
1 , 2
, 1 2 , 1 1 , 1
X f X f
X f
X f X f X f
n n
n
n

Si on construit une suite itrative (x
k
) approximant , on obtient :
F(x
k
) +F(x
k
) (x
k+1
x
k
) =0
On obtient x
k+1
en rsolvant :
F(x
k
) (x
k+1
) =F(x
k
) x
k
F(x
k
)
Dans la mesure o F(x
k
) est inversible.
I.7.1 Algorithme
X
0
dans U
prcision
N
max
nombre ditrations maximum
k =1
Rpter
Rsolution du systme : F(x
k
) (x
k+1
) =F(x
k
) x
k
F(x
k
)
k =k +1
jusqu ||X
k
X
k-1
|| < ou k N
max
I.7.2 Remarque
- La mthode de Newton est trs efficace
- La convergence est quadratique au voisinage de la solution
- Linconvnient est davoir calculer chaque itration la matrice jacobienne
(n
2
fonctions
j
i
x
f
calculer)
Pour surmonter ce problme, plusieurs variantes de la mthode de Newton existent :
I.7.2.1 1) Mthode de Newton Jacobienne par diffrences finies
j
i
x
f
(X
k
)
h
X f X X X X f
k
i
k
n
k
h j
k
j
k
i
) (. ) ,.... , ,..... (
1 1

+

h suffisamment petit.
I.7.2.2 2) Mthode de Newton simplifie
Consiste conserver la matrice J acobienne constante pendant un certain nombre ditrations.
I.7.2.3 3) Mthode de Newton itration linaire
On rsout : F(X
k
) (X
k+1
) =F(X
k
) X
k
F(X
k
) par une mthode itrative (J acobi, Gauss
Sedel, relaxation) mais en faisant un nombre ditrations r limit
mthode de Newton itrations linaires r (r =1, 2 ou 3) pas.
I.7.2.4 4) Newton Gauss Sedel r pas
I.7.2.5 5) Newton Relaxation r pas
I .8 EXERCI CES :
I.8.1 Exercice 1 :
On se propose de rsoudre dans IR lquation ( E ) : sin(x) - x/2 = 0
1) Montrer par ltude de la fonction sin(x) - x/2 que lquation ( E ) admet deux
racines opposs et une racine vidente prciser. On pourra utiliser le thorme des valeurs
intermdiaires pour localiser ces solutions.
2) Etudier le fonction Sinus et le fonction x/2 , tracer leurs courbes reprsentatives
et confirmer les rsultats de la premire question.
3 ) Rsoudre dans R lquation ( E ) avec une prcision de 10
-1
par :
a- la mthode des dichotomies
b- la mthode de la fausse position
c La mthode de Newton
d- La mthode de la scante
c- La mthode du point fixe ( on choisira la bonne fonction g)
I.8.2 Exercice 2 :

On considre lquation suivante (E1) : tg ( x ) = x
1) On pose la plus petite solution strictement positive de cette quation.
Dterminer un intervalle contenant dans lequel cette solution serait unique.
2) Dterminer une valeur approche de par la mthode de Newton et ce avec une
prcision de 10
3
.
3) Peut-on appliquer la mthode du point fixe pour rsoudre lquation (E1) en
prenant g ( x ) = tg ( x ) ? . J ustifier votre rponse.

II. Thorie de linterpolation

I I .1 I ntroduction
Soit f une fonction dont on connat les valeurs y
i
=f(x
i
) en un nombre fini de points,
(x
i
) i=0,1,,n
Linterpolation consiste dterminer une fonction P(x) dans un ensemble donn de fonctions
telle que :
f(x
i
) =P(x
i
) i{0,1,,n}
Dans le prsent chapitre on se limitera au cas o P est polynomiale.
Les applications possibles de linterpolation sont les suivantes :
- L Intgration numrique
- La rsolution numrique dquations diffrentielles
- La mthode des lments finis.
I I .2 I nterpolation polynomiale : Forme de Lagrange
Soient x
0
, x
1
,, x
n
n+1 nombres distincts deux deux
f(x
0
) =y
0
, f(x
1
)=y
1
, f(x
n
) =y
n
les valeurs dune fonction f en ces points
Problme : Existe-t-il un polynme P / P(x
i
) =y
i
i{0,1,,n} ?
Si oui quel est son degr ? Est-il unique et quelle est lexpression de P(x) en fonction de x
i
,y
i
?
Rponse :
P(x) =a
0
+a
1
x
1
+ +a
m
x
m
est entirement dtermin par la donne des a
i
, i{0,1,,m}
Les quations P(x
i
) = y
i
i{0,1,,n} imposent n+1 quations.
On considre donc (raisonnablement) le cas n =m et on va chercher P dans IP
n
espace
vectoriel des polynmes de degr n.

Chapitre II : Thorie de linterpolation Page 17
II.2.1 Thorme
! P IP
n
/ P(x
i
) =y
i
i{0,1,,n}
De plus : P(x) = o L
=
n
k
k k
x L y
0
) (
k
(x) =
=
n
k i i
i k
i
x x
x x
, 0

Dmonstration :
Unicit : Supposons que P et Q / P(x
i
) =Q(x
i
) =y
i
R =P Q a n+1 zro distincts
or d(R) =n R 0
Existence :
Dem 1 :
Posons P
n
(x) =a
0
+a
1
x
1
+ +a
n
x
n
avec a
i
dterminer
P
n
(x
i
) =y
i
i{0,1,,n}
a
0
+a
1
x
0
+ +a
n
x
0
n
=y
0

a
0
+a
1
x
n
+ +a
n
x
n
n
=y
n
=
n
n n
n
x x
x x

1
1
0 0
n a
a
n y
y
0
M A = Y
rsoudre MA =Y systme linaire n+1 inconnues
M inversible ? oui car :
si Y =0 A =0 daprs lunicit M injective dun espace de dimension finie
dans un espace de mme dimension
M inversible, do lexistence du polynme P

Dem 2 :
L
k
(x) =
=
n
k i i
i k
i
x x
x x
, 0
k =0,1,,n
Posons P(x) =
= k
k k
x L y
0
) (
n
On a L
k
IP
n
(dL
k
=n). De plus :
L
k
(x
j
) =0 pour j k
L
k
(x
k
) =1
P IP
n
et P
n
(x
i
) =y
i
i =0,1,,n , do lexistence.
II.2.1.1 Exemples
1- Interpolation linaire (n =1)
x
0
, x
1
f(x
0
) =y
0
f(x
1
) =y
1
P(x) =y
0

1 0
1
x x
x x
+y
1

0 1
0
x x
x x
=
0 1
0 1
x x
y y
(x x
0
) +y
0
2- Interpolation quadratique (n =2)

2 1 0
2 1 0
, ,
, ,
y y y
x x x
P(x) =y
0
) )( (
) )( (
2 0 1 0
2 1
x x x x
x x x x

+y
1
) )( (
) )( (
2 1 0 1
2 0
x x x x
x x x x

+y
2
) )( (
) )( (
1 2 0 2
1 0
x x x x
x x x x

II.2.2 Dfinition
Lexpression P(x) =
sappelle Forme de Lagrange du polynme P dinterpolation

de f aux points x
=
n
k
k k
x L y
0
) (
0
, x
1
, , x
n
Les polynmes L
k
sont les polynmes de base de Lagrange associs aux points x
0
, x
1
, , x
n
.
I I .3 Forme de Newton : diffrences divises
Notons P
k
: polynme IP
k
polynme dinterpolation de Lagrange de la fonction f relatif aux
points x
0
, x
1
, , x
k
.
Considrons le polynme :
Q
k
(x) =P
k
(x) P
k -1
(x) k{1,,n}
Q
k
est de d =k et Q
k
(x
i
) =P
k
(x
i
) P
k-1
(x
i
) =0
pour i{0,,k-1} Q
k
peut scrire :
Q
k
(x) =
k
(x x
0
) (x x
1
) (x x
k-1
) =
k

avec
1 k
1 k
=

0
) (
i
i
x x
k
=cte
dQ
k
=dP
k
=k P
k-1
=degr k1 le coefficient a
k
de x
k
dans P
k
=
k
de x
k
dans Q
k
a
k
=
k
Posons
k
=

=

0
) (
i
i
x x
On a alors P
k
(x) =
k

k
+P
k -1
(x)

P
k
P
k-1
y = f(x)
x
0
x
x
x
x
x
x
x
k
x
k-1
x
2
x
1
x

II.3.1 Dfinition
k
(=a
k
) sappelle diffrences divises de f dordre k aux points x
0
, x
1
, , x
k
et lon note : a
k
=f [x
0
, x
1
, , x
k
]
II.3.2 Lemme
f [x
0
, x
1
, , x
k
] =
=

k
i
j i
i j
k
j
i
x x
x f
0
0
) (
) (

Dmonstration
Polynmes de Lagrange =
P
k
(x) =
= i
i i
x L x f
0
) ( ) (
k
L
i
(x) =
j i
j
i j
k
j x x
=0
x x

P
k
(x) =
=
=
j i
j
i j
k
j
i
k
i
x x
x x
x f
0
0
) ( =
=
=
) (
) (
) (
0
0
0
j i
i j
k
j
i
j
i j
k
j
k
i
x x
x f
x x
=
) (
) (
) (
0
0
0
j i
i j
k
j
i
i
j
i j
k
j
x x
x f
x x

=
=
=

k

a
k
=
) (
) (
0
0
j i
i j
k
j
i
i
x x
x f

=
=
k

Remarque
k+1
=
=

j
j
x x
0
) (
k
k
k+1
(x
i
) = ) (
0
j i
i j
j
x x

a
k
=
= +
i i k
i
x
x f
0 1
) ( '
) (
k
II.3.3 Proposition 1

1) f [x
i
] =f(x
i
) i{0,1,,n}
2) f [x
0
, x
1
, , x
k
] =
0
x x
k
1 0
] ,..., [ ] x x f
k

Exemple
1
,..., [ x x f
k

f [x
0
, x
1
] =
0 1
0 1
] [ ] [
x x
x f x f
=
0 1
0 1
) ( ) (
x x
x f x f

f [x
0
, x
1
, x
2
] =
0
x
2
1 0 2 1
] , [ ] , [
x
x x f x x f

Dem
f [x
1
, , x
k
] =
=

i
j i
i j
k
j
i
x x
x f
1
1
) (
) (
k
=
i
j i
i j
k
j
i i
x x
x f x x
1
0
0
) (
) ( ) (

k
f [x
0
, , x
k-1
] =
=

0
1
0
) (
) (
i
j i
i j
k
j
i
x x
x f
1 k
=
i
j i
i j
k
j
i k i
x x
x f x x
0
0
) (
) ( ) (

k
f [x
1
, , x
k
] f [x
0
, , x
k-1
] =
k
i
j i
i j
k
j
i k
x x
x f x x
0
0
0
) (
) ( ) (
=f [x
0
, , x
k
] (x
k
x
0
)
3) f [x
i
, , x
i+k
] =
i k i
k i i k i i
x x
x x f x x f
+
+ + +
] ,..., [ ] ,..., [
1 1

i{0,1,,n1} ; k{0,1,,ni}

x
0

x
1
f(x
1
)
f [x
0
, x
1
]
f [x
1
, x
2
]
f(x
0
)
f [x
0
, x
1
, x
2
]
x
2
f(x
2
)

x
n
f(x
n
)

Si on pose D
ik
=f [x
i
, , x
i+k
]
D
i0
=f (x
i
) i{0,1,,n}
vant :
x
0
,,x
0 jusqu n, faire D
i0
=y
i
;
n, faire
ik

On peut crire lalgorithme sui

n
y
0
,,y
n
donnes
Pour i =
Pour k =1 jusqu
Pour i =0 jusqu nk, faire
D =
i k i
x x
+
k i
D
1 ,

P si : Forme de Newton du polynme dinterpolation
k i
D
+ , 1
II.3.4 ropo tion 2
P
n
(x) =f(x
0
) +

n
=
k k
x x x f
0
) ( ] ,..., [
k 1
o
k
(x) =
=
1
)
k
j
x
0
(
j
x
P
n
(x) =a
0
+a
1
(x x
0
) +a
2
(x x
0
) (x x
1
) + +a
n
(x x
0
) (x x
n-1
)
II.3.4.1 Algorithme

o n fai
n-k
+(x x
n-k
)
x, x
0
, , x
n
a
0
, , a
n
t
0
:=a
n
Pour k =0 t re
t =a

I I .4 I nterpolation en des points quidistants : Diffrences finies
x
0
, x
1
, , x
n
n+1 points quidistants de h 0
x
i
=x
0
+i h ; f =f(x
i
)
On
)
n
i+1

0
f
i
re k
dfinit loprateur des diffrences finies progressives :
f(x) =f(x+h f(x)
O note :
1
f
i
=f
i+1
f
i
=
0
f

k
f
i
=
k-1
f
i+1

k-1
f
i
diffrences finies dord

0
f
i
=f
i
II.4.1 Lemme
[x
k
f
i
=f
i +

Dem :
i
, , x
k
] h k! k{0,1,,ni}
k
currence
ion
par r
II.4.2 Proposit
P
n
(x) =
n k
f
k
k
k
x
0
0
) (
k h !
P
k
k
0
n
(x) =
n
k
t
f
0

=

!
) 1 )......( 2 )( 1 (
k
k t t t t +

0
t
=1 t =
h
x x
0
k
t
=
I I .5 I nterpolation dhermite
II.5.1 Thorme
{x
0
, x
1
, , x
k
} {
0
,
1
, ,
k
} entiers
f dfinie sur [
i
aux points x
i

l l
+
k
+1 quations n+1 inconnues)
a,b], drivable admettant des drives dordre
P
n
unique IP
n
/
P
n
(x
i
) =f(x
i
)
P
n
(x
i
) =f (x
i
)
l
i
n =k +
0
+
1
+
(n
On calcule P
n
(x) en fonction dune base de polynmes de IP
n
. P
i,l
i{0,1,,n}

l{0,1,,
i
}
k

vec : P
i
i
(x) =
P
n
(x) =

= =
l i i
l
i
x P x f
0
,
0
) ( ) (
i
l
!
) (
i
i
i
x x

a

q
i
(x
i
)
l
il
(x) =
!
) (
l
x x
l
i
q
i
(x)
q
i
(x) =
+ =
i
l j
j i i
l j
i
x P x q
j
l
1
,
) ( ) (
1 +
0
) (
) (
j
j i
j
i j
k
j
x x
x x

I I .6 Exercices :
II.6.1 Exercice 1 :
Soit f une fonction dont on connat les valeurs aux points suivants :

x 2 3 4 5 6
F(x) 25 141 461 1147 2409

1) Dterminer le polynme la fonction f aux points 2, 4,
n utilisant la forme de LAGRANGE. On donnera la forme canonique de ce polynome.
en utilisant la forme de NEWTON. On donnera la forme canonique de ce polynome.
P dinterpolation de et 6
e

2) Dterminer le polynme P dinterpolation de la fonction f aux points 3,5 et 6

II.6.2 Exercice 2 :
x
i
2 3 4 5 6
Soit f une fonction dont on connat les valeurs aux points suivants :

F(x
i
) 16.39 34.09 75.6 178.4 444.4

1) Dterminer par la mthode des diffrences finies le polynme P dinterpolation de la
fonction f aux points 2, 4, et 6 .
2) Donner une approximation de lintgrale I de la fonction f sur lintervalle [2,6] en
tgrant ce polynme.
II.6.3 Exercice 3 :
in

ivante :
iffrences divises le polynme P dinterpolation de F aux points 0 ,
1, 3 , et 4.
2) comparer P(2) e
2
et P(10) e
10
. Conclure.

Soit la fonction variable relle su
F(x) = e
x

1) Dterminer par les d
III. Intgration numrique

I I I .1 I ntroduction
On cherche calculer I =
b
a
dx x x f ) ( ) (
avec :
(x) et f(x) fonctions dfinies sur [a,b]
(x) >0 x[a,b]
f(x) (x) intgrable sur [a,b]
Les mthodes analytiques exactes sont quelquefois possibles :
- Si on connat une primitive de f I =F(b) F(a)
- En utilisant une intgration par parties
- En usant dun changement de variable
III.1.1 Ide de lintgration numrique :
Subdivision uniforme de [a,b] par x
0
=a, x
1
, , x
i
, , x
n
=b
pour i{0,1,,n} x
i
=a +i
n
a b

Approcher lintgrale I =

= +E
b
a
dx x x f ) ( ) ( ) (
0
i i
n
i
x f
=
) (
0
i i
n
i
x f
=
n
(f)

Cest la formule de quadrature

poids nuds
Lide pour rechercher {x
i
} et les coefficients
i
est de remplacer la fonction f par un
polynme dinterpolation
2 cas seront prsents :
Les formules de Newton-Cotes
Les formules de quadrature de Gauss

Chapitre III : Intgration numrique Page 27
Remarques
1. Lorsque les poids
i
sont indpendants de f (cest le cas pour les formules de type
interpolation), les applications : f sont linaires. ) (
1
i i
n
i
x f
=
2. =
b
a
dx x g ) (

+
+

1
1
)
2 2
(
2
dt
a b
t
a b
g
a b

On peut alors ramener lintgration dune fonction sur [a,b] une intgration sur l intervalle
de rfrence [1,+1] .
Exemples
) Interpolation sur [a,b] par P
n
sur n+1 points x
0
=a, x
1
, , x
i
, , x
n
=b
P
n
(x) = ) ( ) (
0
x L x f
i i
i
=
n
b
n
b
=
b
a
i i
n
i
dx x L x f ) ( ) (
0
= =
a
n dx x P ) ( ) ( ) (
0
x L x f
i i
i
a

i
) Intgrale de Riemann : x
i
=a +i
n
a b

I =
a
dx x x f ) ( ) (
b
n
) ( ) ( ) (
1
1 i
i
i i i
f x x
=
+
) ( ) (
1
i
i
i
n
n
a

=
b
f
b
=S
n
avec
i
[x
i-1
,x
i
]
et on a =I = n
n
S

lim

a
dx x x f ) ( ) (
III.1.2 Dfinition
La formule de quadrature I = =
0 i
+E
b
a
dx x x f ) ( ) ( ) (
i i
n
x f
=
n
(f) est de degr k si E
n
(f) =0
pour tout f dans et sil existe P IP
k+1
/ E
n
(f) 0

Exemples
1) Formule du Rectangle gauche :
i
=x
i-1
(x) =1
a
dx x f ) (
b x
n 1
1
1
0
i i i
n
i
x f x x
+
=
= dx x f
i
i
x
i
) (
1
0

+
=
= (
+E ) ( )
n
(f)
=
n
b
+E
a
i
n
i
x f ) (
1
1

=
n
(f)
avec E
n
(f) =
n 2
a b ) (
2
f '() o [a,b]
exacte pour un polynme de d 0
2) Rectangle droite :
b
a
dx x f ) ( =
n
a b
) (
1
i
i
x f
=
n
+
n 2
a b ) (
2
f '() [a,b]
3) Formule du point milieu :
i
=
2
1 i i
x x +
b
et (x) =1
a
dx x f ) ( =
n
a b
)
2
(
1
0
+
=
i i
i
x x
f
1
+
n
+E
n
(f)
E
n
(f) =
2
24n
3
) ( a b
f "() avec [a,b]
I I I .2 Formules de Newton- Cotes fermes
On considre lintervalle de rfrence [1,+1]
Il sagit de mettre : =2
+E
1
1
) ( dt t g ) (
,
0 i
i p i
p
t g
=
p+1
(g)
I
p
(g)
avec :
t
i
quidistants t
0
=1 t
p
=1
t
i
=1 +
p
2
i i =0,1,,p

i,p
tels que I
p
(g) =
o P
1
1
) ( dt t Pp
p
est le polynme dinterpolation de Lagrange de g relativement aux points t
0
, t
1
, ,
t
p
.
III.2.1 Lemme 1
i,p
=
1
1
) (
2
1
dt t L
i

L
i
polynme de base de Lagrange relativement aux points t
0
, t
1
, , t
p
.
L
i
(t) =
) (
) (
0 j i
j
i j
j
t t
t t
p

i,p
= dt
j i
j t
p
i j
j
p
) (
) (
1
0
0
p
i{0,1,,p}
Dem :
par un changement de variable t =1 +
p
2
s
III.2.2 Lemme 2
i{0,1,,p} p fix
p-i,p
=
i,p
= i{0,1,,p}
Dem :
p-i,p
= ds
j i p
j s
p
i j
j
p
) ) ((
) (
1
0
0
p

On pose t =p s
III.2.3 Lemme 3
Si f est une fonction impaire sur [1,1] lerreur darrondi E
p+1
(f) =0
=2
1
1
) ( dt t f ) (
,
0
i p i
i
t f
=
p

Dem :
f(0) =0 =0 E
1
1
) ( dt t f
p+1
(f) =2 =0 ) (
,
0
i p i
i
t f
=
p
III.2.4 Proposition
Si p impair La formule dintgration est de degr p
Si p pair La formule dintgration est de degr p+1
III.2.5 Exemples
III.2.5.1 Formule du trapze
p =1 (t) =1 t
0
=1, t
1
=1
0,1
=
1,1
=
2
1
1

On obtient f(1) +f(1) +E
1
) ( dt t f
=
b
a
dx x f ) (
2
a b
(f(a) +f(b))
12
) (
3
a b
f "() [a,b]
III.2.5.2 Formule de Simpson
p =2 (t) =1
0,2
=
2,2
=
6
1

1,3
=
3
2
2

dt t t t ) 2 )( 1 (
2
0

=
15
4

b
a
dx x f ) ( =
6
a b
(f(a) +4 f(
2
b a+
) +f(b))
2880
) (
5
a b
f "() [a,b]
E(f)
III.2.5.3 Formule de Boole
p =4
0,4
=
4,4
=
90
7

1,4
=
3,4
=
45
16

2,4
=
15
2

En posant h =
4
a b
b

a
dx x f ) ( =
90
a b
(7 f(a) +32 f(a+h) +12 f(a+2h) +32 f(a+3h) +7 f(b)) +
=
945
8
( )
7
4
a b
f "() [a,b]
I I I .3 Formules de Newton- Cotes composes
On a intrt ce que ba soit petit ces formules sont utilises de manire compose :
On subdivise lintervalle [a,b] en n sous-intervalles [x
i
,x
i+1
], i{0,1,,n1} avec :
x
0
=a
x
n
=b
x
i
=a +i
n
a b
b x
n

=
a
dx x f ) ( dx x f
i
i
x
i
) (
1
0

+
=
On pose h =
n
a b
et on applique la formule sur [x
i
,x
i+1
]
III.3.1 Thorme
p, n
*
h =
n
a b

i
=
i,p
= dt
j i
j t
p
i j
j
p
) (
) (
1
0
0
p
1 n
i{0,1,,p}
=h (
b
a
dx x f ) (
0
(f(a)+f(b)) +2
0
) (
1
ih a f
i
+
=
+ ) (
1 0
p
h
j ih a f
j
i
i
+ +

= =

1
1
p
n

) +
III.3.2 Exemples
III.3.2.1 Formule du trapze compose
p =1, n
*
a
dx x f ) (
b
=
n
a b
2
(f(a) +f(b) +2 ) (
1
n
a b
i a f
i
=
1 n
) +
=
2
12n
3
) ( a b
f "()
III.3.2.2 Formule de Simpson compose
p =2, n
*
a
dx x f ) (
b
=
n
a b
6
(f(a) +f(b) +2 ) (
1
n
a b
i a f
i
=
1 n
+4 ) )
2
1
( (
0
n
a b
i a f
i
+ +
=
1 n
) +
= ( )
5
4
2 90
1 a b
n
f "()
III.3.2.3 Formule de Boole compose
p =4, n
*
a
dx x f ) (
b
=
n
a b
90
(7 f(a) +32 f(a+h) +12 f(a+2h) +32 f(a+3h) +7 f(b)) +

=
90
h
(7 (f(a) +f(b)) +14 +32 ) (
1
ih a f
i
+
=
1 n
( ) ) )
4
3
( ( ) )
4
1
( (
0
h i a f h i a f
i
+ + + + +
=
1 n
+
12 ) )
2
1
( (
0
h i a f
i
+ +
=
1 n
) +
I I I .4 Formule de quadrature de Gauss
On considre la formule de quadrature :
b
a
dx x x f ) ( ) ( = +E ) (
0
i i
i
x f
=
p
p+1
(f)
Il sagit de choisir les poids
i
ainsi que les points x
i
tels que la formule soit de degr le plus
lev possible.

III.4.1 Exemple
p =1 (x) =1 [a,b] =[1,1]
Cherchons
0
,
1
, x
0
, x
1
tels que :
a
dx x x f ) ( ) (
b
1
1
1
=
0
f(x
0
) +
1
f(x
1
) +E
2
(f)
avec E
2
(f) =0 pour f(x) =x
k
avec k le plus lev possible.
dx 1
1
=
0
+
1
=2
xdx
1
=
0
x
0
+
1
x
1
=0
4 quations non
linaires 4 inconnues
dx x
2
1
=
0
x
0
2
+
1
x
1
2
=
3
2

dx x
3
1
1
=
0
x
0
3
+
1
x
1
3
=0
Solutions :
0
=
1
=1 x
0
=x
1
=
3
3

=f( dx x f ) (
1
1
3
3
) +f(
3
3
) +E
2
(f)
Rsum : p+1 points
p+1 poids
2p+2 inconnues
III.4.2 Polynmes orthogonaux
Soit : [a,b] /
soit continue sur ]a,b[ (x) >0 x]a,b[
x x
k
(x) soit intgrable sur [a,b] k
*
On dfinit le produit scalaire dans IP :
(P,Q)
a
dx x Q x P x ) ( ) ( ) (
b
Deux polynmes sont orthogonaux suivant le poids (x) si (P,Q) =0
III.4.2.1 Thorme
Il existe une suite unique de polynmes Q
n
telle que :
1. deg(Q
n
) =n et Q
n
est monique (coefficient de x
n
=1)
2. P IP
n-1
(P,Q
n
)
=0
avec :
Q
0
(x) =1
Q
1
(x) =x
) 1 , 1 (
) , 1 ( x

Q
n
(x) =(x
n
) Q
n-1
(x) -
n
Q
n-2
(x)
n
=
1
1 1
) , (

n
n n
Q xQ
n
=
2
1
n
n
n
=(Q
k
, Q
k
)
III.4.2.2 Dfinition
Les polynmes (Q
n
)
nIN
sappellent les polynmes orthogonaux sur [a,b] relativement la
fonction .
III.4.2.3 Exemples
1) [a,b] =[1,1] (x) =1 polynmes de Legendre
Q
0
(x) =1
Q
1
(x) =x
Q
2
(x) =x
2

3
1

Q
3
(x) =x (x
2

5
3
)
Q
4
(x) =x
4

7
6
x
2
+
35
3

1) [a,b] =[1,1] (x) =
2
1 x
1

Q
0
(x) =1
Q
n
(x) =
1
2
n
1
cos (n Arcos(x)) n
*
Ce sont les polynmes de Tchebytchev et sont nots :
T
n
(x) =
1
2
n
1
cos (n Arcos(x)) n
*
III.4.2.4 Thorme
Soit (Q
n
)
nIN
la suite de polynmes sur [a,b] orthogonaux relativement les racines de
Q
n
sont relles, distinctes et ]a,b[ n
*
III.4.2.5 Thorme
n
*
il existe une formule de quadrature unique :
a
dx x x f ) ( ) (
b
n
= +E ) (
0
i i
i
x f
=
n+1
(f)
de degr 2n+1 :
1. Les nuds x
i
sont les racines de Q
n+1

2.
i
=
L
b
a
i
dx x x L ) ( ) (
i
(x) =
) (
) (
0 j i
j
i j
n
j
x x
x x
i{0,1,,n}

Rappels et complments Page 37
IV. RAPPELS ET COMPLEMENTS
I V.1 I ntroduction
IV.1.1 Exemple 1

~f
Plaque encastre
f densit de force
u dplacement
transversal de la plaque

x
2
x
1
u est solution de lquation :
u =f dans
u =
v
u
=0 sur
oprateur Laplacien u =
=

1
2
i
i
x
2 2
u

v : normale unitaire extrieure
On ne sait pas rsoudre cette quation dans le cas dun problme une infinit dinconnues do
lutilisation de la mthode des lments finis qui conduit rsoudre :
KU =F
Efforts aux nuds
connus
Matrice de rigidit
connue Dplacements aux nuds
inconnus
K : (nn)
U : (n) Rsolution des systmes linaires
F : (n)
Sous certaines hypothses, le problme de vibrations conduit rsoudre : u = u
ou encore sous forme discrte : K u = u
ce qui conduit un problme des valeurs propres.
IV.1.2 Exemple 2
Notion de conditionnement dun systme linaire.
2 x
1
+6 x
2
=8
2 x
1
+6,00001 x
2
=8,00001
(I)
Solution : x
1
=1
x
2
=2

2 x
1
+6 x
2
=8
2 x
1
+5,99999 x
2
=8,00002
(II)
Solution : x
1
=10 x
2
=2
Systme A x =b
|| x|| =9
|| A|| +|| b|| =2 10
-5
|| x|| =4,5 10
-5
(|| A|| +|| b||)
conditionnement de la matrice
dans ce cas, A est mal conditionne une petite perturbation sur b engendre une grande
perturbation sur x.
I V.2 Notations et dfinitions
B =( n e e ,....,
1
) B.O.N. de
n
x
n
x =
i i
n
i
e x
=1
x =
n x
x
x
2
1
x
T
=(x , x ,..., x ) transpos de
1 2 n
x
x : conjugu de x
x
*
=( n x x ,....,
1
) transconjugu
A matrice nn coefficients rels ou complexes.
A =(a
ij
)
1i,jn
On dsigne par :
A
T
=(a
t
ij
)
1i,jn
=(a
ji
)
1i,jn
la transpose de A
A =(
ij
a ) la conjugue de A
A
*
=la transconjugue de A
IV.2.1 Produit scalaire
x , y
n

( x , y ) = =
i i
i
y x
=1
n
x
T
. y avec ( x , y ) = ( x , y )
( x , y ) = ( x , y )
IV.2.2 Produit hermitien dans
n

x , y
n
( x , y ) =
i i
i
y x
=1
n
=y
*
. x
avec , ( x , y ) = ( x , y )
( x , y ) = ( x , y )
IV.2.3 Norme euclidienne
||x ||
2
=( x , x )
=
2
1
2
1

=
i
n
i
x dans
n

2
1

=
i i
n
i
x x
1
=
2
2
1

=
i
n
i
x
1
si x
n
|Z| =module dun nombre complexe.
x , y sont orthogonaux si ( x , y ) =0
I V.3 Rappel et complment sur les matrices
IV.3.1 Proprits
1. x
n
, y
n
, A =(a
ij
), a
ij
, i,j {1,,n}
(A x , y ) =( x , A
T
y )
2. x
n
, y
n
, A =(a
ij
), a
ij
, i,j {1,,n}
(A x , y ) =( x , A
*
y )
IV.3.2 Dfinitions
1 1) Soit A matrice
n
( ) ensemble des matrices relles de dimension n.
A est symtrique si A
T
=A.
On a alors a
ij
=a
ji
i,j {1,,n}
(A x , y ) =( x , A y )
2) A matrice
n
( ) est hermitienne si A
*
=A
On a alors a
ij
=
ji
a
(A x , y ) =( x , A y )
2 A
n
( ) ou
n
( ) est dite inversible
B / AB =BA =I
B est alors unique et est note B =A
-1
Proprit : Si A est inversible A
T
est inversible
(A
T
)
-1
=(A
-1
)
T
3 1) A est orthogonale si A
T
A =A A
T
=I
relle A
-1
=A
T
A est inversible
x
n
||A x || =||
2
x ||
2
2) A complexe est unitaire si A
*
A =A A
*
=I
4 A normale si elle commute avec sa transconjugue :
A
*
A =A A
*
5 A : triangulaire suprieure si : a
ij
=0 i >j i,j {1,,n}
triangulaire infrieure si : a
ij
=0 i <j
diagonale si : a
ij
=0 i j
A diagonale =(a
ii
)
IV.3.3 Proprits
1. Si A est triangulaire suprieure et infrieure A est diagonale
2. Si A est triangulaire suprieure, A est inversible
A
-1
est triangulaire suprieure
(idem triangulaire infrieure)
3. Si A est triangulaire suprieure A
T
est triangulaire infrieure
(et vice versa)
4. Si A est triangulaire det(A) =
ii
n
i
a
=1
5. Si A est triangulaire
A est inversible a
ii
0 i {1,,n}
6. Si A est triangulaire suprieure et B aussi AB est triangulaire suprieure
Dem
A faire en exercices
IV.3.4 Dfinition
A
n
( ) matrice symtrique
A est dfinie positive si :
1. x
n
, (A x , x ) 0
2. (A x , x ) =0 x =0
Si A vrifie uniquement la premire condition elle est semi dfinie positive.
IV.3.5 Dfinition
A
n
( )
valeur propre de A si elle est racine du polynme caractristique :
P
A
() =det (A I) =0
IV.3.6 Proprit
A
n
( ) valeur propre de A
- La matrice A I est non inversible
- x
n
/ A x = x ( x 0)
x est vecteur propre de A associ .
IV.3.7 Corollaire
A matrice symtrique est dfinie positive ssi toutes les valeurs propres de A sont strictement
positives.
I V.4 Norme vectorielle et norme matricielle
IV.4.1 Norme vectorielle
Dfinitions
||-|| : application de
n

+
x ||x || /
- ||x || =0 x =0
- ||x +y || ||x || +|| y || x , y
- || x || =|| ||x || , x
||x||
1
=
i
n
i
x
=1
norme indice 1
||x||
2
=
2
2
1

=
i
n
i
x
1
norme euclidienne
||x||
=
i
n i
x
1
max norme indice linfini
||x||
p
=
p
p
i
n
i
x
1

=
1
dfinit une norme
Ces normes sont quivalentes.
IV.4.2 Norme matricielle
IV.4.2.1 Dfinition
|||-||| : application de
n
( )
+
vrifiant :
A |||A|||
- |||A||| =0 A =0
- |||A +B||| |||A||| +|||B||| A,B
- ||| A||| =|| |||A||| , A
- |||A B||| |||A||| |||B||| A,B
IV.4.2.2 Exemples
|||A||| =
2
1
2
1 ,

=
ij
n
j i
a est une norme matricielle
On utilisera la notation || || la place de ||| |||
IV.4.2.3 Exemple
||A||
1
=
ij
n
i
n j
a
=

1
1
max ||A||
=
ij
n
j
i
a
=1
max =||A
*
||
1
||A||
2
= *) (AA =||A
*
||
2
= (B) =
i
i
max =rayon spectral de B
I V.5 Conditionnement dun systme linaire
IV.5.1 Norme matricielle subordonne
On dit que || || est une norme matricielle subordonne une norme vectorielle v ||v || si :
||A|| =
v
v A
v
sup
IV.5.1.1 Dfinition
Soit || || est une norme matricielle subordonne :
Cond (A) =||A|| ||A
-1
|| est une application conditionnement de A relativement la norme
matricielle considre.
V. Mthodes directes pour la rsolution des systmes
linaires

Mthodes itratives pour la rsolution des systmes linaires Page 45











.




VI. Mthodes itratives pour la rsolution des systmes
linaires

Les mthodes directes que nous avons tudies dans le chapitre prcdent sont trs
efficaces : elles donnent la solution exacte (aux erreurs darrondi prs) du systme linaire
considr. Elles ont linconvnient de ncessiter une assez grande place mmoire car elles
ncessitent le stockage de toute la matrice en mmoire vive.
Si la matrice est pleine, c'est--dire si la plupart des coefficients de la matrice sont non nuls
et quelle est trop grosse pour la mmoire vive de lordinateur dont on dispose, il ne reste plus
quà grer habilement le swapping cestàdire lchange de donnes entre mmoire
disque et mmoire vive pour pouvoir rsoudre le systme.
Cependant, si le systme a t obtenu à partir de la discrtisation dquations aux drivs
partielles, il est en gnral creux, c.à. d. quun grand nombre des coefficients de la matrice
du systme sont nuls ; de plus la matrice a souvent une structure bande, i.e. les lments
non nuls de la matrice sont localiss sur certaines diagonales.
On a vu au chapitre prcdent que dans ce cas, la mthode de CHOLESKI conserve le
profil.
Lorsquon a affaire à de trs gros systmes issus par exemple de lingnierie (Calcul des
structures, mcanique des fluides, . . .), o la taille de la matrice N peut tre de lordre de
plusieurs milliers, on cherche à utiliser des mthodes ncessitant le moins de mmoire
possible.
Pour ces systmes il est souvent avantageux dutiliser des mthodes itratives qui ne
donnent pas toujours la solution exacte du systme en un nombre fini ditrations, mais qui
donnent une solution approche à cot moindre quune mthode directe, car elles ne font
appel quà des produits matrice vecteur.

VI .1 Mthodes du gradient







VI .2 Mthode de J acobi
Soit le systme linaire n quations et n inconnues suivant :
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
=b
1

a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
=b
n

(S)
Le systme (S) peut tre crit sous forme matricielle :
A.x =b avec A = matrice (n,n)
nn
p n
n
n
a a a
a a a
a a a
2 1
2 22 21
1 12 11
b = vecteur (n) x = vecteur (n)
n b
b
b
2
1
n x
x
x
2
1
A et b tant donns, x tant linconnue du problme
On pose :
A =D E F
A =
D

F
E

avec :

D : Matrice diagonale tell que D
i i
=A
i i
i=1,.n
E : Matrice triangulaire infrieur diagonale nulle tell que E
i j
=- A
i j
pour i >j .
F : Matrice triangulaire suprieur diagonale nulle tell que F
i j
=- A
i j
pour i <j .

La mthode de J ACOBI consiste construire une suite de vecteurs de R
n
nots X
k
selon
lalgorithme suivant :

X
0
Donn
A litration k on calcule X
k+1
partir de X
k
en rsolvant le systme

D X
k+1
=(E+F) X
k
+b

La condition || X
k+1
- X
k
|| < permet darrter les itrations.
est la prcision choisie
VI .3 Mthode de Gauss- Sedel
Soit le systme linaire n quations et n inconnues suivant :
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
=b
1

a
n1
x
1
+a
n2
x
2
+ +a
nn
x
n
=b
n

Le systme (S) peut tre crit sous forme matricielle :
A.x =b avec A = matrice (n,n)
nn
p n
n
n
a a a
a a a
a a a
2 1
2 22 21
1 12 11
b = vecteur (n) x = vecteur (n)
n b
b
b
2
1
n x
x
x
2
1
A et b tant donns, x tant linconnue du problme
On pose :
A =D E F
A =
D

F
E
(S)

avec :

D : Matrice diagonale tell que D
i i
=A
i i
i=1,.n
E : Matrice triangulaire infrieur diagonale nulle tell que E
i j
=- A
i j
pour i >j .
F : Matrice triangulaire suprieur diagonale nulle tell que F
i j
=- A
i j
pour i <j .

La mthode de GAUSS SEIDEL consiste construire une suite de vecteurs de R
n
nots X
k

selon lalgorithme suivant :

X
0
Donn
A litration k on calcule X
k+1
partir de X
k
en rsolvant par une descente le
systme

( D-E ) X
k+1
= F X
k
+b

La condition || X
k+1
- X
k
|| < permet darrter les itrations.
est la prcision choisie

VII. Chapitre VI : Calcul des valeurs propres
Dans le chapitre 4 on prsent la mthode classique de recherche des valeurs propres dune
matrice se basant sur le polynme caractristique de celle-ci. Dans le chapitre 5 on prsent
une mthode directe de recherche de valeurs propres se basant sur la factorisation LU.
Dans ce chapitre on prsentera deux mthodes itratives pour la recherche de la plus
grande et la plus petite valeur propre dune matrice. Ces mthodes consistent construire une
suite de vecteurs propre x
k
et une suite de valeurs propres
k
selon les algorithmes suivants.
VI I .1 Mthode de la puissance
Ax =x avec ||x|| =1 x
T
Ax =
x
0
donn
y
k+1
=Ax
k
x
k+1
=
1 + k
y
1 + k
y

k
=x
k
Ax
k
= x
k
T
y
k+1
Cette mthode converge vers la plus grande valeur propre.
VI I .2 Mthode de la puissance inverse
y
k+1
=A
-1
x
k
(Ay
k+1
=x
k
)
x
k+1
=
1 + k
y
1 + k
y

k
=x
k
A
-1
x
k
= x
k
y
k+1
=
1
=plus petite valeur propre

Calcul des valeurs propres Page 71

Analyse Numerique

Hochgeladen von

Dokumentinformationen

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

Analyse Numerique

Hochgeladen von

Copyright:

Verfügbare Formate

A AN NA AL LY YS SE E N NU UM ME ER RI IQ QU UE E

sappelle Forme de Lagrange du polynme P dinterpolation

(7 f(a) +32 f(a+h) +12 f(a+2h) +32 f(a+3h) +7 f(b)) +

Das könnte Ihnen auch gefallen