Cours Analyse Numeric PDF

Cours d’Analyse Numérique
Ines Abdeljaoued Tej
ESSAI-LIM-EPT
Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 1 / 223

Introduction
L’analyse numérique est l’étude des algorithmes permettant de

résoudre les problèmes de mathématiques continues
Le champ d’application de l’analyse numérique précède de
nombreux siécles l’invention des calculatrices et ordinateurs
modernes.

Introduction
L’analyse numérique est l’étude des algorithmes permettant de

résoudre les problèmes de mathématiques continues
Le champ d’application de l’analyse numérique précède de
nombreux siécles l’invention des calculatrices et ordinateurs
modernes.

Introduction
Bon nombre de mathématiciens du passé étaient préoccupés par

l’analyse numérique, comme en témoignent évidemment les noms des
algorithmes les plus importants tels que la méthode de Newton,
l’interpolation lagrangienne ou l’élimination de Gauss-Jordan.

Introduction
L’accroissement de la disponibilité et de la puissance des ordinateurs

depuis les années 50 a permis l’application de l’AN dans de nombreux
domaines scientifiques, techniques et économiques, avec souvent des
effets révolutionnaires.

Introduction

Introduction
Entre 1980 et 2000, la taille de la mémoire des ordinateurs a

augmenté. La taille des systèmes qu’on peut résoudre sur ordinateur a
donc également augmenté, selon l’ordre de grandeur suivant :
1980 : matrice pleine n = 102
matrice creuse n = 106
2000 : matrice pleine n = 106
matrice creuse n = 108
Le développement des méthodes de résolution de systèmes linéaires
est lié a l’évolution des machines informatiques. Un grand nombre de
recherches sont d’ailleurs en cours pour profiter au mieux de
l’architecture des machines (par exemple, il y a des méthodes de
décomposition en sous domaines pour profiter des architectures
parallèles).

Introduction
Certains problèmes de mathématique continue peuvent être résolus

de façon exacte par un algorithme. Ces algorithmes sont appelés
méthodes directes. Des exemples sont l’élimination de Gauss-Jordan
pour la résolution d’un système d’équations linéaires et l’algorithme du
simplexe en programmation linéaire.

Introduction
Cependant, aucune méthode directe n’est connue pour certains

problèmes (de plus, pour une classe de problèmes dits NP complets,
aucun algorithme de calcul direct en temps polynomial n’est connu à
ce jour).
Dans de tels cas, il est parfois possible d’utiliser une méthode itérative
pour tenter de déterminer une approximation de la solution. Une telle
méthode démarre depuis une valeur devinée ou estimée
grossièrement et trouve des approximations successives qui devraient
converger vers la solution sous certaines conditions.

Introduction
L’étude des erreurs introduites dans la solution d’un problème :

les erreurs d’arrondis surviennent car il est impossible de
représenter en pratique tous les nombres réels exactement sur
une machine à états finis (ce que sont les ordinateurs numériques
par opposition au Calcul Formel).
les erreurs de troncature sont commises par exemple quand une
méthode itérative est terminée et que la solution approchée
obtenue diffère de la solution exacte.

Introduction


Introduction


Introduction
Une fois que l’erreur est générée, elle se propagera généralement

tout au long du calcul. Cela conduit à la notion de stabilité
numérique :
un algorithme est numériquement stable si une erreur, une fois
générée, ne croît pas trop durant le calcul (dans certains cas ça
peut faire diverger l’algorithme).
Cela n’est possible que si le problème est bien conditionné.

Introduction

numérique :

Introduction

numérique :

Table des matières
1 Introduction
2 Interpolation et Approximation
3 Intégration
Formules de Newton-Côtes
Méthode du trapèze et de Simpson
Remarque sur la Formule Composite
4 Equations non linéaires
Méthode de dichotomie
Méthode de Newton-Raphson
Méthode de la sécante
Méthode du point-fixe
5 Systèmes linéaires
Décomposition LU
Méthode de Cholesky
Conditionnement
Valeurs et Vecteurs propres de matrices
6 Equations différentielles ordinaires
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Un peu d’Histoire
Joseph Louis Lagrange (1736-1813)

Charles Hermite (1822-1901)
Alexander Craig Aitken (1895-1967)
Eric Harold Neville (1889-1961)

Interpolation polynomiale
Soient n + 1 couples : (x0 , f0 ), (x1 , f1 ), . . ., (xn , fn ) ∈ R × R tels que les

xi soient tous distincts. On cherche un polynôme P : R −→ R tel que
P(xi ) = fi pour i = 0..n.

Interpolation linéaire


Séparateurs de Lagrange

Séparateurs de Lagrange
Cette image montre, pour 4 points ((-9, 5), (-4, 2), (-1, -2), (7, 9)),
l’interpolation polynomiale de degré 3.Le polynôme d’interpolation
passe par les 4 points de contrôle, et chaque polynôme de base passe
par son point de contrôle respectif et vaut 0 pour les x correspondant
aux autres points de contrôle.

Théorème
Soient (xi , fi ) pour i = 0..n des points réels ou complexes, avec xi 6= xj
pour i 6= j. Il existe un unique polynôme P de degré inférieur ou égal à
n vérifiant P(xi ) = fi pour i = 0..n.

La preuve du théorème 1 se base sur les polynômes d’interpolation de

Lagrange
Yj=n x − xj
Li (x) =
j=0,j6=i xi − xj
qui vérifient Li (xi ) = 1 et pour j 6= i : Li (xj ) = 0. Le polynôme P est

Pi=n
alors égal à P(x) = i=0 fi Li (x) et il est appelé polynôme ou formule
de Lagrange.

Exemple
Notons x0 = 0, x1 = 2, x2 = 4 et x3 = 6 représentent la vitesse en

km/h et f0 = 0,f1 = 4, f2 = 0 et f3 = 4 les distances de freinage
associées. Un modèle du freinage en fonction de la vitesse est obtenu
grâce au polynôme de Lagrange.

Fin de la séance S1 .

Rappel
En analyse numérique, un certain nombre de calculs sont faits de

manière répétitive. Par exemple :
Résoudre un système linéaire,
Inverser une matrice,
Calculer le déterminant, valeurs propres, vecteurs propres
Interpoler une fonction
Extrapoler une fonction
Décomposer une fonction sur une base de fonctions (ex : TF)
« fitter » des points de mesure avec des fonctions connues
Etc. . .
Des algorithmes performants existent souvent, mais qui ont chacun
des spécificités. En fonction de nos besoins, il faudra choisir
l’algorithme adapté.

Question
Soient n + 1 couples : (x0 , f0 ), (x1 , f1 ), . . ., (xn , fn ) ∈ R × R tels que les

xi soient tous distincts. On cherche un polynôme P : R −→ R tel que
P(xi ) = fi pour i = 0..n.
Quelle est la valeur de P sur les points intermédiaire ?
Pour cela on doit supposer un modèle mathématique de P
(polynôme, somme de sinus etc. . . )
On doit aussi savoir :
1 Les P(xi ) sont-elles des valeurs exactes ?
2 Les P(xi ) sont-elles des valeurs approchées (ex : pts de mesure) ?
Des algorithmes performants existent souvent, mais qui ont chacun
des spécificités. En fonction de nos besoins, il faudra choisir
l’algorithme adapté.

sage : var(’x’)
sage : def lagrange(f, xdata) :
... n=len(xdata)-1
... P=0
... for i in range(n+1) :
... L=1
... for j in range(n+1) :
... if i<>j :
... L=L*(x-xdata[j])/(xdata[i]-xdata[j])
... P=P+f(xdata[i])*L
... return(expand(P))

Algorithme d’Aitken
Soit la relation de récurrence suivante :

(
Fk ,0 (x) = fk , k = 0..n
Fj,j (x)(xk −x)−Fk ,j (x)(xj −x)
Fk ,j+1 (x) = xk −xj , k = j + 1..n
Théorème
Le polynôme de Lagrange P(x) sur les points x0 , x1 , . . . , xn est égal à
Fn,n (x).

Algorithme d’Aitken
On calcule P(x) = Fn,n (x) à l’aide du tableau triangulaire suivant :

k /j 0 1 2 ... j −1 j ... n−1 xk −x
0 F0,0 x0 −x
1 F1,0 F1,1 x1 −x
2 F2,0 F2,1 F2,2 x2 −x
3 F3,0 F3,1 F3,2 F3,3 x3 −x
. .
. .
. ... .
k Fk ,0 Fk ,1 Fk ,2 Fk ,3 Fk ,j Fk ,j+1 xk − x
. .
. .
. .
n Fn,0 Fn,1 Fn,2 Fn,n xn − x

Algorithme de Newton
Soient n ∈ N et 0 ≤ i < j ≤ n deux entiers distincts. Notons Di,j (x) le

polynôme de Lagrange sur xi , xi+1 , . . . , xj . C’est un polynôme de degré
inférieur ou égal à j − i vérifiant Di,j (xk ) = fk pour i ≤ k ≤ j.

La méthode des différences divisées
Proposition (relation des différences divisées)

Notons ci,j le coefficient de x j−i dans Di,j (x). Alors, on a la relation
suivante :

 ci,i = fi
 pour i = 0..n,
ci+1,j −ci,j−1
 ci,j = pour 0 ≤ i < j ≤ n.

xj −xi

Formule de Newton
Définition
Le polynôme de Lagrange P(x) sur les points x0 , x1 , . . . , xn est donné
par la formule de Newton :
kX
=n
P(x) = D0,n (x) = f0 + c0,k (x − x0 )(x − x1 ) . . . (x − xk −1 ) .
k =1
c0,k est le coefficient de x k appelée la différence divisée d’ordre k aux

points x0 , x1 , . . . , xk .

Algorithme de Neville
L’algorithme de calcul du polynôme de Lagrange P(x) = D0,n (x) pour
x fixé est constitué des n étapes suivantes
tape 1 Pour i allant de 0 à n − 1, calculer
fi+1 (x − xi ) − fi (x − xi+1 )
Di,i+1 (x) =
xi+1 − xi
tape 2 Pour i allant de 0 à n − 2, calculer
Di+1,i+2 (x)(x − xi ) − Di,i+1 (x)(x − xi+2 )

Di,i+2 (x) =
xi+2 − xi
...
e n − 1 Pour i allant de 0 à 1, calculer
Di+1,i+n−1 (x)(x − xi ) − Di,i+n−2 (x)(x − xi+n−1 )

Di,i+n−1 (x) =
xi+n−1 − xi
tape n Pour i = 0 Calculer Di,i+n (x) = P(x).

Phénomène de Runge
Théorème
Soient f une fonction de classe C n+1 sur un intervalle [a, b] et P le
polynôme de Lagrange de f en les points x0 < x1 < · · · < xn ∈ [a, b].
Alors
(x − x0 )(x − x1 ) . . . (x − xn ) (n+1)
f (x) − P(x) = f (ζ) (1)
(n + 1)!
où a ≤ min(x, x0 ) < ζ < max(x, xn ) ≤ b.

Preuve
La relation est triviale pour x = xi ∀i = 0..n. Soit x 6= xi , pour tout

f (x)−P(x)
i = 0..n. On pose k (x) = (x−x0 )(x−x 1 )...(x−xn )
et w(t) un polynôme qui
s’annule en x0 , x1 , . . ., xn , et x définit par :
w(t) = f (t) − P(t) − (t − x0 )(t − x1 ) . . . (t − xn )k (x). Il s’annule en
(n + 2) points. En appliquant le thórème de Rolle, on montre que
w (n+1 )(t) s’annule en au moins un point ζ :
f (n+1) (ζ)
w (n+1) (ζ) = f (n+1) (ζ)−(n+1)! k (x) = 0 et k (x) = .
(n + 1)!

Exercice à faire sur SAGEmath :
1 Soit f (x) = sin(x) et une subdivision de l’intervalle [−1, 1] en

n = 5 sous-intervalles equidistants. Posons x0 = −1, x1 = −0.5,
x2 = 0, x3 = 0.5 et x4 = 1.
Implémenter l’algorithme de Lagrange se basant sur les
polynômes d’interpolation de base. On prendra fi = f (xi ) pour
i = 0..n.
Dessiner dans un même graphique la fonction f , le polynôme P
ainsi que les points (xi , fi ). Reprendre les calculs pour n = 13.
1
2 Refaire le même travail avec la fonction f (x) = 1+14x 2 , puis avec
2i+1
xi = cos( 2n+2 π) pour i = 0..n et n = 5 puis n = 13.

Les graphiques suivants donnent la fonction sin et son polynoôme de
Lagrange sur n = 5 puis sur n = 13 points :

1
Si on calcule le polynôme de Lagrange sur la fonction f = 1+14x 2
, on
obtient :

Phénomène de Runge
Théorème
Soient f une fonction de classe C n+1 sur un intervalle [a, b] et P le
polynôme de Lagrange de f en les points x0 < x1 < · · · < xn ∈ [a, b].
Alors
(x − x0 )(x − x1 ) . . . (x − xn ) (n+1)
f (x) − P(x) = f (ζ)
(n + 1)!
où a ≤ min(x, x0 ) < ζ < max(x, xn ) ≤ b.

Enfin, si on considère à la place des abscisses xi équidistants, les
zéros de Tchebychev, nous obtenons les figures suivantes pour n = 5
et n = 13 :
sage : a=-1 ; b=1 ; n=5 ;
sage : ydata=[simplify((a+b)/2+(b-a)/2*cos((2*k+1)*3.14/(2*n+2))) for
k in range(n+1)]
sage : f=1/(1+14*x 2 )
sage : P=lagrange(f, ydata)
sage : A=plot(f, -1,1,rgbcolor=(0,2,1))
sage : B=plot(P, -1,1,rgbcolor=(1,0,0))
sage : A+B

Interpolation sur les zéros de Tchebychev pour n = 5
et n = 13

L’interpolation polynomiale ne doit-être utilisée que :
Si on a peu de points (moins de 10)
Si on est sur que les fi sont des valeurs EXACTES (pas de pts de
mesure)
Pour résoudre ce problème d’instabilité en conservant un approche
polynomiale : Méthode simple : Ne pas utiliser tous les points, mais
seulement les voisins
1 point : P est constante par morceaux (mais discontinue)
2 points : P est affine par morceaux (mais de non dérivable,
classe C 0 )
3 points : P est parabolique par morceaux (dérivable 1 fois, classe
C 1)

Interpolation par morceaux
La figure montre la valeur de l’action du groupe Accor dans la période

10/09/2009, 10/08/2010. A partir de ces données, on aimerait
"deviner" le comportement de l’action au début du mois de Juillet 2010.

Ces méthodes sont plutôt stables. . . souvent très utiles. . . mais ont de
mauvaises propriétés de dérivabilités. . .
Pour les calculer : On utilise les polynômes de Legendre.
On veut calculer P(x) en utilisant les p plus proches voisins (p=1, 2 ou
3) : xj1 , . . . , xjp . On a alors pour xj1 ≤ x ≤ xjp :
i=jp j=jp
X Y x − xj
P(x) = ai .
xi − xj
i=j1 j=j1 ,j6=i

Dans le cas à 1 point : P(x) = fp0 (associé à xp0 est le pt
immédiatement inférieur à x).
x−xp0
Dans le cas à 2 points : P(x) = xp1 −xp0 (fp1 − fp0 ) et c’est une
simple interpolation linéaire.
Une méthode d’interpolation populaire s’appelle "Cubic Spline" :
elle utilise 4 points => F est de classe C3 (polynôme d’odre 3)

Interpolation spline
Etant donnée une fonction f définie sur [a, b] et un ensemble de

noeuds a ≤ x0 < x1 < · · · < xn ≤ b. Nous appelons spline d’ordre 3 ou
spline cubique interpolant f aux noeuds, une fonction S vérifiant les
conditions suivantes :

Interpolation spline
1 S coïncide avec un polynôme Pi de degré 3 sur chacun des

intervalles [xi−1 , xi ] pour i = 1..n.
2 S(xi ) = Pi (xi ) = fi pour i = 0..n.
3 Pi (xi ) = Pi+1 (xi ) pour i = 0..n − 1, (continuité de S).
0 0 0
4 Pi (xi ) = Pi+1 (xi ) pour i = 0..n − 1, (continuité de S ).
00 00 00
5 Pi (xi ) = Pi+1 (xi ) pour i = 0..n − 1, (continuité de S ).
6 S satisfait une des conditions au bord suivantes :
00 00 0 0
S (x0 ) = S (xn ) = 0 (spline libre) ou bien S (x0 ) = f0 et
0 0
S (xn ) = fn (spline forcée lorsque f est dérivable).

Il existe encore d’autres méthodes d’interpolation exactes : On peut
aussi décomposer en fractions rationnelles qui sont moins instables
que les polynômes mais moins faciles à coder. Elles peuvent
modéliser des fonctions avec des pôles (complexes) etc. . .

Approximation
Souvent en physique, on obtient des points de mesures fi aux points
xi :
- température d’un solide en fct de la température
-Nombre d’atomes radio-actifs en fonction du temps :

Si les fi sont des points de mesures, ils sont soumis à des erreurs, des
fluctuations (on appelle cela du bruit) qui rend une interpolation exacte
INSTABLE et invariablement FAUSSE ! !

Dans ce genre de problème, typiquement on veut trouver quelle est la
meilleure fonction mathématique qui représente les données. => Elle
ne passe pas exactement par les points, mais elle s’en approche. On
appelle souvent cela « fitter » une fonction (en français « adapter »).

Fitter un nuage de points par une droite

Fitter un nuage de points par une exponentielle

Le problème ici n’est donc pas d’interpoler MAIS De trouver le meilleur
modèle mathématique qui représente les données.
Ce modèle sera choisit en fonction :
-Soit de la physique du problème
-Soit de la « forme » des données expérimentales.
"Sachez que « l’oeil humain » est un excellent outil pour analyser
rapidement un ensemble de données . . . ne jamais négliger cela ! !"
dixit Sébastien Charnoz & Adrian Daerr

Modèle mathématique d’Approximation
Modèles description paramètres

Y = aX + b Régression linéaire a et b
Y = aebx exponentielle a et b
Y = acos(ωx + φ) Sinus/Cosinus a, ω, φ.
Moins on a de paramètres libres, plus robuste sera le modèle (moins

sujet aux instabilités) , mais le fit sera plus difficile.

Fitter un nuage de points
L’objectif n’est pas de reproduire tous les points exactement (comme

c’est le cas pour l’interpolation). L’objectif est de trouver la fonction qui
passe au plus prés des points de mesure : => Minimiser la distance
entre chaque point de la fonction et chaque pts de mesure

Exemple de régression linéaire
Le Xhi2 est la somme des carrés des erreurs qu’on cherche à

minimiser.
Approximation au sens des moindres carrés
On considère les abscisses x0 , x1 , . . . , xn ∈ R et f une fonction de R

dans R telle que f (xi ) = yi pour i = 0..n. On veut approcher l’ensemble
discret des points (xi , yi )0≤i≤n par un polynôme de degré p à
coefficient dans R :
Pp (x) = a0 x p + a1 x p−1 + · · · + ap−1 x + ap .

Lorsque p = 1, on parle de régression et dans ce cas, on cherche une
droite P1 (x) = a0 x + a1 tel que
i=n
X i=n
X
2
(yi − a0 xi − a1 ) ≤ (yi − α0 xi − α1 )2 ∀α0 , α1 ∈ R .
i=0 i=0
Le système est alors équivalent à :

 Pi=n 2
Pi=n    Pi=n 
i=0 xi i=0 xi a0 i=0 xi yi
  =  . (2)
Pi=n Pi=n
i=0 xi n+1 a1 i=0 yi
En posant X = (x0 , x1 , . . . , xn ) et Y = (y0 , y1 , . . . , yn ), on obtient à l’aide des

formules de la covariance et de la moyenne :
σ(X ,Y ) 1
Pi=n
a0 = σ(X 2 )
avec σ(X , Y ) = n+1 i=0 (xi − X̄ )(yi − Ȳ )
1
P i=n
a1 = Ȳ − a0 X̄ et X̄ = n+1 i=0 xi
Le point moyen (X̄ , Ȳ ) appartient à la droite d’équation P1 (x) = a0 x + a1 .

D’une façon générale, pour une approximation sous la forme
Pp (x) = a0 x p + a1 x p−1 + · · · + ap−1 x + ap , le système est donné par :
Pi=n 2p Pi=n 2p−1 Pi=n 2p−2 Pi=n p
a0
  
i=0 xi i=0 xi i=0 xi i=0 xi
... ... P p
yi xi
 
  
 P
i=n 2p−1 Pi=n 2p−2 Pi=n p−1   a1
    
i=0 xi i=0 xi i=0 xi
... ... ... p−1
   P 







 yi xi 

 . 
 .
 
.

 P
i=n 2p−2 .  .
 
.

i=0 xi .
   


 .
 =
  . 

 . .  .
  
.

 . .  .
 
.

. .
P.
   
  .   
. yi xi
    
 .
.
   
 Pi=n  .   
 . i=0 xi
 .  P
Pi=n p Pi=n p−1 Pi=n yi
i=0 xi i=0 xi ... ... i=0 xi p+1 ap

D’autres approximations possibles
Nous avons vu une mesure courante : la minimisation du Xhi2 ou la

moindre carrés.
Mais, il y a d’autres modèles possibles : description exponentielle,
Sinus/Cosinus, etc...l’objectif est de minimiser la distance entre
chaque point de la fonction et chaque point de mesure.

Conclusion
il n’y a pas de manière " idéale " d’interpoler/extrapoler une fonction

car on a besoins d’hypothèses sur P. ⇔ Différentes hypothèses
donneront des interpolations/extrapolations différentes... Donc ce sera
à nous de savoir, en fonctions de la physique du problème, quelle est
la meilleur hypothèse sur la forme de P à effectuer.
1 Si lesfi sont des valeurs exactes on fera une décomposition sur
une base de fonctions (des polynômes le plus souvent)
2 Si les fi sont des valeurs approchées on essaiera d’adapter (de
fitter en anglais) un modèle mathématique aux points de de
mesure.

Problématique
Soit f une fonction continue d’un intervalle [a, b] dans R. On désire

approcher numériquement la quantité
Z b
f (x) dx .
a

La méthode des rectangles
On subdivise l’intervalle [a, b] en n intervalles : xi = a + ih, i = 0..n − 1

Rb
et h = b−a
n . On peut alors approcher a f (x) dx par la somme des airs
x +x
des rectangles de longueur f ( i+12 i ) et de largeur xi+1 − xi .

sage : def calcul_integral(f,n) :
... X = [a+i*(b-a)/n for i in range(n+1)]
... print X
... I = add([(X[i+1]-X[i])*f((X[i+1]-X[i])/2) for i in range(n)])
... p = plot(f, x, a, b)
... q = line([(a,0), (a,f(a))])
... r = line([(b,0), (b,f(b))])
... s = Graphics()
... for i in range(n) :
... s += line([(X[i],f((X[i+1]+X[i])/2)),
(X[i+1],f((X[i+1]+X[i])/2))], rgbcolor=’red’)
... s += line([(X[i],0),(X[i],f((X[i+1]+X[i])/2))],
rgbcolor=’red’)
... s += line([(X[i+1],0),(X[i+1],f((X[i+1]+X[i])/2))],
rgbcolor=’red’)
... show(p+q+r+s)
... return(n(I))

Subdivision en 5 sous intervalles

Subdivision en 15 sous intervalles

La méthode de Newton-Côtes
On utilise les polynômes de Lagrange P(x) pour approcher la fonction

f (x) sur [a, b] ; on considère comme valeur approchée de l’intégrale de
f entre a et b : Z b
P(x) dx .
a

Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Soit n ∈ N∗ . On considère la subdivision uniforme xi = a + ih avec
i = 0..n et h = b−a
n . Soit P le polynôme d’interpolation de Lagrange de
degré ≤ n vérifiant P(xi ) = f (xi ), i = 0..n. On obtient alors
Rb Rb R b Pi=n
a f (x) dx ' a P(x) dx = a i=0 f (xi ) Li (x) dx. En utilisant le
changement de variables x = a + ht dans les Li (x), on obtient :
b i=n n kY
=n
t −k
Z X Z
P(x) dx = h f (xi ) αi et αi = dt .
a 0 k =0,k 6=i i −k
i=0
Les nombres rationnels αi sont indépendants de f et de [a, b].

Remarque
Si f = 1, a = 0 et b = 1, on obtient que le polynôme de Lagrange
associé à f soit égal à 1, d’où :
Z 1 i=n
X i=n
X
1= dx = h f (xi ) αi = h αi .
0 i=0 i=0
Pi=n
Ce qui donne i=0 αi = n.

Remarque
Pour n = 1, on obtient α0 = α1 = 21 , d’où
b
b−a
Z
f (x) dx = (f (a) + f (b)) .
a 2
Pour n = 2, on obtient α0 = 13 , α1 = 4
3 et α2 = 13 . D’où :
b
b−a
Z
f (x) dx = (f (a) + 4f (a + h) + f (b)) .
a 6

Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
La méthode du trapèze
On appliquer la méthode de Newton-Côtes avec n = 1 sur chaque

intervalle [xi , xi+1 ], i = 0..N − 1. On obtient :
Z b N−1
X Z xi+1
f (x) dx = f (x) dx ' T (h)
a i=0 xi
et
N−1
X h
T (h) = (f (xi ) + f (xi+1 ))
2
i=0

La methode des trapeze
sage : def trapeze(f,N) :
... X = [a+i*(b-a)/N for i in range(N+1)]
... print X
... I = add([(b-a)/N*(f(X[i])+f(X[i+1]))/2 for i in range(N)])
... p = plot(f, x, a, b)
... q = line([(a,0), (a,f(a))])
... r = line([(b,0), (b,f(b))])
... s = Graphics()
... for i in range(N) :
... s += line([(X[i],0), (X[i],f(X[i]))], rgbcolor=’red’)
... s += line([(X[i],f(X[i])),(X[i+1],f(X[i+1]))],
rgbcolor=’red’)
... s += line([(X[i+1],0),(X[i+1],f(X[i+1]))],
rgbcolor=’red’)
... show(p+q+r+s)
... return(n(I))

Méthode des trapèze pour exp(−x 2 ) et n = 4



Théorème
La méthode du trapèze est d’ordre deux. Plus précisément, si f est
suffisamment dérivable et h = b−a
N , alors il existe c ∈]a, b[ tel que
b
b − a 2 00
Z
f (x) dx − T (h) = − h f (c) .
a 12

Posons g(t) = f (x) + (t − x) f (x+h)−f
h
(x)
pour t ∈ R. Comme g(x) = f (x)
et g(x + h) = f (x + h), le polynôme g(t) est le polynôme qui interpole f
en x et en x + h de degré ≤ 1.
La formule de l’estimation de l’erreur d’interpolation montre que
∀t ∈ [x, x + h], il existe c ∈ [x, x + h] tel que
(t − x)(t − x − h)
f (t) − g(t) = f ”(c)
2
On montre aussi que
x+h x+h
(t − x)(t − x − h)
Z Z
(f (t) − g(t))dt = ( dt)f ”(c)
x x 2
Or
x+h h
(t − x)(t − x − h) u(u − h) h3
Z Z
dt = du = −
x 2 0 2 12

D’autre part, comme g(t) = f (x) + (t − x) f (x+h)−f
h
(x)
, on obtient
x+h
h2 f (x + h) − f (x)
Z
f (x + h) + f (x)
g(t)dt = hf (x) + =h
x 2 h 2
Il s’ensuit que pour un c ∈ [x, x + h] :

x+h
f (x + h) + f (x) h3
Z
f (t)dt = h − f ”(c)
x 2 12
Enfin, si on pose xk = a + kh. On a :

Rb R xk +1 f (a )+f (a )
= n−1
P
a f (x) dx − T (h) k =0 [ xk f (x)dx − h k 2 k +1 ]
Pn−1 h3
= − k =0 12 f ”(ck )
3
= − h12n ( n1 n−1
P
k =0 f ”(ck )).
1 Pn−1
Par le théorème de la moyenne, n k =0 f ”(ck ) = f ”(c) pour un certain
c ∈ [a, b]. Comme nh = b − a, le théorème en résulte.

On montre facilement que
n−1
h T (h) X h
T( ) = + f (a + kh + )
2 2 2
k =0
Ce qui permet de calculer T ( h2 ) à partir de T (h) grâce à une

multiplication, deux divisions, n additions et n évaluations de f .

La méthode de Simpson
On considère la subdivision uniforme xi = a + ih, i = 0..2N avec

h = b−a
2N . La méthode de Simpson consiste à appliquer la méthode de
Newton-Côtes avec n = 2 sur chaque intervalle [x2i , x2i+2 ],
i = 0..N − 1. On obtient :
Z b N−1
X Z x2i+2
f (x) dx = f (x) dx ' S(h)
a i=0 x2i
et
N−1
X h
S(h) = (f (x2i ) + 4f (x2i+1 ) + f (x2i+2 ))
3
i=0

Théorème
La méthode de Simpson est d’ordre quatre. Plus précisément, si f est
suffisamment dérivable et h = b−a
2N , alors il existe c ∈]a, b[ tel que
b
b − a 4 (4)
Z
f (x) dx − S(h) = − h f (c) .
a 180

Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Les méthodes du rectangle, du trapèze et de simpson sont des cas

particuliers de la formule composite définie par :
N−1 j=n
X xi+1 − xi X tj + 1
αj f (xi + (xi+1 − xi ) ) .
2 2
i=0 j=0
Les n + 1 points −1 ≤ t0 ≤ · · · ≤ tn ≤ 1 sont appelés points

d’intégration et les n + 1 points α0 , . . . , αn sont appeés poids de la
formule de quadrature.

Remarque
Pour la méthode du rectangle, on prends n = 0, t0 = 0 et α0 = 2. La
formule composite devient
N−1
X xi+1 − xi xi + xi+1
f( ) .
2 2
i=0

Remarque
Pour la méthode du trapèze, on prends n = 1, t0 = −1, t1 = 1, α0 = 1
et α1 = 1. La formule composite devient
N−1
X xi+1 − xi
(f (xi ) + f (xi+1 )) .
2
i=0

Remarque
Pour la méthode de Simpson, on prends n = 2, t0 = −1, t1 = 0, t2 = 1,
α0 = 13 , α1 = 43 et α2 = 13 . La formule composite devient
N−1
X xi+1 − xi xi + xi+1
(f (xi ) + 4f ( ) + f (xi+1 )) .
6 2
i=0

Exemple
On veut calculer le taux de rente moyen i d’un fond de placement sur

plusieurs années. On a investi dans le fond v = 1000D chaque année
et on se retrouve après 5 ans avec un montant p = 6000D.
On sait que la relation qui lie p, v , i et le nombre d’années n est
kX
=n
1+i
p=v (1 + i)k = v [(1 + i)n − 1].
i
k =1
Ce problème est donc ramené à trouver i tel que
1+i
ψ(i) = p − v [(1 + i)n − 1] = 0.
i
Il s’agit de résoudre une équation non linéaire, dont on n’est pas
capable de trouver une solution exacte.

Une équation à une inconnue
En étudiant les méthodes de résolution d’une équation f , on se posera

deux questions :
1 La méthode converge-t-elle vers x ∗ où f (x ∗ ) = 0. En d’autre
termes la suite (xn )n∈N générée par la méthode converge-t-elle
vers la solution x ∗ .
2 Dans l’affirmative, avec quelle rapidité (ceci permet de comparer
les méthodes entre-elles).

Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Méthode de Bissection
On considère une fonction f continue et on cherche x ∗ solution de

f (x) = 0. On suppose qu’on a localisé par tâtonnement un intervalle
[a, b] dans lequel la fonction f change de signe : f (a).f (b) < 0.

Exemple de Dichotomie avec f (x) = cos(x) − x
Exemple de Dichotomie avec f (x) = cos(x) − x
Algorithme (Dichotomie)
Entrée : a et b, f, .
Sortie : Une approximation c de la racine x ∗ de f
ou bien un message d’erreur.
1. Si f (a).f (b) > 0 Alors Imprimer(pas de solution).
Sinon
n := 1 ;
2. Tant que n ≤ N Faire
3. c := a+b 2
;
4. Si f (c) = 0 ou b−a 2
≤ Alors
5. Imprimer(c) ; n := N + 1 ;
Fin Si ;
6. n := n + 1 ;
6. Si f (a).f (c) > 0 Alors a := c ; Sinon b := c ; Fin Si ;
Fin Tant que ;
Si n = N + 2 Alors Imprimer(c)
Sinon Imprimer(Après N itérations l’approximation de x ∗
obtenue est c et l’erreur maximale est b−a2
);
Fin Si ;
Fin Si ;
Fin.
Le nombre d’itérations nécessaire pour obtenir une précision de calcul
égal à est définie par :
log (b − a) − log
n≥ .
log 2
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Cet algorithme se base sur la suite suivante (donner une explication

géométrique) : (
x0 donné
xn+1 = xn − ff0(x n)
(x )
.
n
Exemple de Newton-Raphson avec f (x) = cos(x) − x
Exemple de Newton-Raphson avec f (x) = cos(x) − x
Théorème
[Convergence globale de la méthode de Newton] Soit f une fonction de
Classe C 2 sur [a, b] et g(x) = x − ff0(x)
(x)
. Si f vérifie :
1 f (a).f (b) < 0
0
2 ∀x ∈ [a, b], f (x) 6= 0 (c’est la stricte monotonie),
00
3 ∀x ∈ [a, b], f (x) 6= 0 (concavité dans le même sens).
00
Alors en choisissant x0 ∈ [a, b] tel que f (x0 ).f (x0 ) > 0, la suite (xn )
définie par x0 et xn+1 = g(xn ) converge vers l’unique solution de
f (x) = 0 dans [a, b].
Algorithme (Newton)
Entrée : Une approximation initiale x0 , la précision souhaitée
et N le nombre maximum d’itérations.
Sortie : Une approximation c de la racine x ∗ de f ou une erreur.
1. n := 1 ;
c := x0 − ff0(x(x0 )) ;
0
3. Si | c − x0 |≤ Alors c ; n := N + 1 Fin Si ;
n := n + 1 ;
x0 := c ;
Fin Tant que ;
Si n = N + 2 Alors Imprimer(c) Sinon
Imprimer(La méthode a échoué après N itérations) ;
Fin Si ;
Fin.
Définition
La méthode définie par xn+1 = g(xn ) est dite d’ordre p si la limite de
e
| en+1
p | lorsque n −→ +∞ est une constante réelle strictement positive.
n
Théorème
Soit f une fonction de Classe C 2 . Si x ∗ est une racine simple de f ,
alors la méthode de Newton est au moins d’ordre 2.
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
La méthode de la sécante est une méthode itérative à deux pas en ce

sens que xn+1 dépend de xn et de xn−1 . Dans la méthode de
Newton-Raphson xn+1 ne dépend que de xn . C’est une méthode à un
pas.
Algorithme (Algorithme de la sécante)
Entrée : Deux approximations initiale x0 et x1 ,

la précision souhaitée et N
Sortie : Une approximation c de x ∗ ou un message d’erreur.
1. n := 2 ; q0 := f (x0 ) ; q1 := f (x1 ) ;
−x0
c := x1 − q1 qx11 −q0
;
3. Si | c − x1 |≤ Alors n := N + 1 ; Fin.
4. n := n + 1 ; x0 := x1 ; x1 := c ;
q0 := q1 ; q1 := f (c) ;
Fin Tant que ;
Si n = N + 1 alors Imprimer(La méthode a échoué)
sinon Imprimer(c) ;
Fin.
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
On peut toujours transformer un problème du type f (x) = 0 en un
problème de la forme g(x) = x et ce d’une infinité de façons. Par
exemple, la méthode de Lagrange est donnée par xn+1 = g(xn ) où
g(x) = aff (x)−f
(x)−xf (a)
(a) (on pose alors x0 = b).
Théorème
Si dans l’intervalle [a, b], g vérifie les conditions suivantes :
1 x ∈ [a, b] alors g(x) ∈ [a, b],
2 l’application g est strictement contractante, c’est-à-dire
0
max x∈[a,b] | g (x) |= L < 1 .
Alors pour tout x0 ∈ [a, b], la suite définie par xn+1 = g(xn ) converge
vers l’unique point fixe x ∗ de g sur [a, b].
0
Soit x ∗ une solution de l’équation x ∗ = g(x ∗ ). Si g est continue au
0
voisinage de x ∗ et si | g (x ∗ ) |> 1 alors pour tout x0 ∈ [a, b] différent de
x ∗ , la suite xn+1 = g(xn ) ne converge pas vers x ∗ .
Théorème
0
Soit x ∗ une solution de l’équation x ∗ = g(x ∗ ). Si g est continue et
0
| g (x ∗ ) |< 1 alors il existe un intervalle [a, b] contenant x ∗ pour lequel
la suite définie par x0 ∈ [a, b] et xn+1 = g(xn ) converge vers x ∗ .
Accélération de la convergence
Dans les méthodes d’ordre 1 (i.e. g 0 (x ∗ ) 6= 0), on considère la suite
(xn+1 − xn )2
yn = xn − .
xn+2 − 2xn+1 + xn
On utilise alors une autre écriture équivalente à la précédente mais
plus stable :
1
yn = xn+1 + 1 1
.
xn+2 −xn+1 − xn+1 −xn
Méthode de Steffensen
On poursuit les itérations en remplaçant xn par yn et on calcule ainsi

g(yn ) = zn et g(g(yn )) = g(zn ). On construit formellement la méthode
xg(g(x))−g(x)2
de Steffensen zn+1 = G(zn ) où G(x) = g(g(x))−2g(x)+x .
Exemple de Ludovico Ferrari
Soit l’équation générale du quatrième degré suivante :
ax 4 + bx 3 + cx 2 + dx + e = 0,
b
Le changement de variable affine x = z − 4a donne une équation de la
forme
z 4 + pz 2 + qz + r = 0
qui s’écrit encore :
z 4 = −pz 2 − qz − r .
f (x) = 0 est équivalent aux 3 équations suivantes :
x 4 +6x 2 +36
60 = x,
x 4 +6x 2 +36
60 = x,
−36
x 3 +6x−60
= x,
x 4 +6x 2 +36
60 = x,
1
−6x 2 + 60x − 36 4
= x.
x 4 +6x 2 +36
60 = x,
Economie : analyse de l’offre et de la demande
On veut déterminer la situation d’équilibre entre l’offre et la demande
d’un certain nombre de produits. Considérons n entreprises qui
fabriquent n produits différents. Elles doivent adapter leures
productions aux besoins internes (i.e. à la quantité de produit
nécessaire aux autres entreprises pour leures productions) et aux
besoins du marché. On note xi , i = 1, . . . , n le nombre total de produits
fabriqués par l’entreprise i, bi , i = 1, . . . , n la demande correspondante
provenant du marché et ci,j la quantité de la production de l’entreprise
i nécessaire à l’entreprise j pour fabriquer une unité de produit. Si on
suppose que la relation qui lie les différents produits est linéaire, alors
à l’équilibre le vecteur x = [x1 , . . . , xn ]T satisfait
x = Cx + b
où C = (ci,j ) et b = [b1 , . . . , bn ]T . En conséquence, la production totale
x est solution du système linéaire :
Ax = b, o A=I−C
Méthode de Gauss
Recherche de pivot
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Méthode de la décomposition LU
Interprétation algébrique de l’algorithme de Gauss
Théorème
Soit Pp la matrice de permutation des lignes d’indices p et q (p ≤ q).
Alors pour k < p :
0
Pp Lk Pp = Lk
0
où Lk se déduit de Lk par simple permutation des coefficients des
lignes p et q dans la colonne k .
Lemme
Soit (mk )1≤k ≤n−1 une suite de n − 1 vecteurs de dimension n tels que
les k premières composantes de mk soient nulles, alors :
(I + m1 e1t )(I + m2 e2t ) . . . (I + mn−1 en−1

t
) = I + m1 e1t + · · · + mn−1 en−1
t
Théorème
Soit A une matrice carrée régulière d’ordre n. Il existe une matrice de
permutation P et deux matrices L (triang. inf.) et U(triang. sup.) telles
que :
PA = LU
L’écriture matricielle de l’algorithme d’élimination est :
A(k +1) = Mk Pk A(k ) 1≤k ≤n−1
Par itération, on obtient :
A = A(1) = P1 L1 P2 L2 . . . Pn−1 Ln−1 U
Nous vérifions que :

0 0 0
A = P1 P2 . . . Pn−1 L1 L2 . . . Ln−1 U
0
où Lk = Pn−1 Pn−2 . . . Pk +1 Lk Pk +1 . . . Pn−2 Pn−1 .
Théorème
Une matrice carrée régulière A d’ordre n possède une factorisation
A = LU où L est triang. inf. et U est triang. sup., si et seulement si,
toutes les sous-matrices principales de A sont régulières.
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Table des matières
1 Introduction
3 Intégration
Décomposition LU
Conditionnement
Méthode de la puissance
http ://www-pequan.lip6.fr/ jmc/polycopies/cours5-puissanceiteree.pdf
Méthode de la puissance inverse
Rappel
On dit qu’une fonction g définie sur un intervalle [a, b] est

lipschitzienne de constante L si
| g(x) − g(x 0 ) |≤ L | x − x 0 | ∀ x, x 0 ∈ [a, b]
En pratique, la fonction g est de classe C 1 sur [a, b] et cette inégalité

est une conséquence de la formule des accroissements finis :
g(x) − g(x 0 ) = g 0 (c)(x − x 0 ) c ∈ (x, x 0 )
et on pose L = maxx∈[a,b] | g 0 (x) |.
Lemme
1 On montre par récurrence que si un+1 ≤ un α + β pour tout n alors
n −1
un ≤ u0 αn + β αα−1 .
2 On montre gràce à une étude de fonction que si X > 0 alors
(1 + X )n ≤ enX .
Problème de Cauchy
Soient f une fonction de [a, b] × R dans R continue et τ ∈ R. Le

problème de Cauchy ou problème de la condition initiale est le
suivant : existe-t-il une fonction y (x) définie sur [a, b] à valeurs dans R
dérivable sur [a, b] et vérifiant :

y (a) = τ
(3)
y (x) = f (x, y (x))
Théorème (admis)
On supprose que f est lipschitzienne par rapport à sa deuxième
variable uniformément par rapport à sa première variable. Il existe
donc L > 0 tel que
| f (x, z1 ) − f (x, z2 ) |≤ L | z1 − z2 | , ∀x ∈ [a, b] , z1 , z2 ∈ R. (4)
Alors le probmème de Cauchy admet une solution unique.
La condition (4) sera satisfaite si f admet une dérivée partielle par
rapport à sa deuxième variable qui soit bornée dans [a, b] × R. On
obtient gràce au Théorème des Accroissements Finis :
∂f
f (x, z1 ) − f (x, z2 ) = (x, zc )(z1 − z2 )
∂z
∂f
⇒ | f (x, z1 ) − f (x, z2 ) | ≤ max x∈[a,b] | (x, zc ) | | z1 − z2 | .
∂z
On présente des méthodes d’approximation de la solution y (x) de (3).
Pour cela, on subdivise l’intervalle [a, b] uniformément et on approche
la fonction y en ces points.
Soit n un entier naturel non nul. On pose xi = a + ih avec h = b−a n et
i = 0..n. On va calculer une approximation yi de y (xi ) pour i = 0..n et
estimer l’erreur d’approximation ei = yi − y (xi ).
Algorithme d’Euler :
Entrée : n, τ , a et b, et la fonction f .
Sortie : Une approximation de yx.
x0 := a ;
y0 := τ ;
h := b−an ;
Pour i allant de 0 à n Faire
xi+1 := xi + h ;
yi+1 := yi + hf (xi , yi ) ;
Fin Pour ;
Imprimer(La méthode d’Euler donne une approximation de y
Fin.
Théorème
Si f est continue sur [a, b] × R, lipshitzienne par rapport à sa deuxième
variable uniformément par rapport à sa première variable et si la
soltion y de l’EDO est de Classe C 2 sur [a, b], alors :
(eL(b−a) − 1) max x∈[a,b] | y 00 (x) |

| en |≤ h .
L 2
Définition
Une méthode de calcul numérique qui fournit une erreur | en |≤ khp
est dite d’ordre p. La méthode d’Euler est d’ordre 1.
Méthode de Taylor d’ordre 2
L’idée consiste à remplacer la courbe y sur un intervalle [xi , xi+1 ] par

une parabole (et non pas une droite comme dans la méthode d’Euler).
En utilisant la formule de Taylor sur y au voisinage de xn , on obtient :
2 3
y (xn+1 ) = y (xn ) + hy 0 (xn ) + h2 y 00 (xn ) + h6 y (3) (cn ) avec cn ∈ [xn , xn+1 ].
Comme y 0 (x) = f (x, y (x)), on a : y 00 (x) = ( ∂x ∂f ∂f
+ f ∂z )(x, y (x)). On pose
2
h ∂f ∂f
yn+1 = yn + hf (xn , yn ) + 2 ( ∂x + f ∂z )(xn , yn ).
Algorithme de Taylor d’ordre 2 :
Entrée : n, τ , a et b, et la fonction f .
Sortie : Une approximation de yx.
x0 := a ;
y0 := τ ;
h := b−an ;
Pour i allant de 0 à n Faire
xi+1 := xi + h ;
2 ∂f
yi+1 := yi + hf (xi , yi ) + h2 ( ∂x ∂f
+ f ∂z )(xi , yi ) ;
Fin Pour ;
Imprimer(La méthode de Taylor d’ordre 2 donne une
approximation de y en (xi , yi ), i = 0..n).
Fin.
Théorème
Si f est de Classe C 2 sur [a, b] × R, lipshitzienne par rapport à sa
deuxième variable uniformément par rapport à sa première variable
∂f ∂f
(avec la constante L) et si ∂x + f ∂z est lipshitzienne par rapport à sa
deuxième variable uniformément par rapport à sa première variable
(avec la constante L1 ), alors pour h ∈ [0, h0 ] on a :
h0
(e(b−a)(L+ 2 L1 ) − 1) max x∈[a,b] | y (3) (x) | 2
| en |≤ h .
L 6
Méthode de Runge-Kutta
Définition
Une méthode générale à un pas est définie par
yn+1 = yn + h.φ(xn yn , h) où φ est continue sur [a, b] × R × [0, h0 ]
lipshitzienne par rapport à sa seuxième variable uniformément par
rapport à la première et à la troisième de constante Lφ .
Théorème
Soit une méthode à un pas définie par yn+1 = yn + h.φ(xn yn , h) où φ
est continue sur [a, b] × R × [0, h0 ] lipshitzienne par rapport à sa
seuxième variable uniformément par rapport à la première et à la
troisième de constante Lφ et telle que
y (x + h) − y (x)
− φ(x, y (x), h) ≤ khp
h
où y est solution de l’EDO y 0 (x) = f (x, y (x)) et f de Classe C p sur
[a, b] × R. Alors
| en | ≤ K hp .
1 P.G. Ciarlet, P. Lascaux et R. Theodor
M. Sibony
2 http ://www.eudil.fr/eudil/jbeuneu/Systemes01.html
3 http ://www-pequan.lip6.fr/j̃mc/

Cours Analyse Numeric PDF

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

Cours Analyse Numeric PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Cours d’Analyse Numérique

Ines Abdeljaoued Tej

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 1 / 223

L’analyse numérique est l’étude des algorithmes permettant de

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 2 / 223

L’analyse numérique est l’étude des algorithmes permettant de

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 2 / 223

Bon nombre de mathématiciens du passé étaient préoccupés par

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 3 / 223

L’accroissement de la disponibilité et de la puissance des ordinateurs

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 4 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 5 / 223

Entre 1980 et 2000, la taille de la mémoire des ordinateurs a

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 6 / 223

Certains problèmes de mathématique continue peuvent être résolus

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 7 / 223

Cependant, aucune méthode directe n’est connue pour certains

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 8 / 223

L’étude des erreurs introduites dans la solution d’un problème :

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 9 / 223

L’étude des erreurs introduites dans la solution d’un problème :

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 9 / 223

L’étude des erreurs introduites dans la solution d’un problème :

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 9 / 223

Une fois que l’erreur est générée, elle se propagera généralement

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 10 / 223

Une fois que l’erreur est générée, elle se propagera généralement

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 10 / 223

Une fois que l’erreur est générée, elle se propagera généralement

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 10 / 223

Joseph Louis Lagrange (1736-1813)

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 12 / 223

Soient n + 1 couples : (x0 , f0 ), (x1 , f1 ), . . ., (xn , fn ) ∈ R × R tels que les

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 13 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 14 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 15 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 16 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 17 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 18 / 223

La preuve du théorème 1 se base sur les polynômes d’interpolation de

qui vérifient Li (xi ) = 1 et pour j 6= i : Li (xj ) = 0. Le polynôme P est

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 19 / 223

Notons x0 = 0, x1 = 2, x2 = 4 et x3 = 6 représentent la vitesse en

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 20 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 21 / 223

En analyse numérique, un certain nombre de calculs sont faits de

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 22 / 223

Soient n + 1 couples : (x0 , f0 ), (x1 , f1 ), . . ., (xn , fn ) ∈ R × R tels que les

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 23 / 223

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 24 / 223

Soit la relation de récurrence suivante :

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 25 / 223

On calcule P(x) = Fn,n (x) à l’aide du tableau triangulaire suivant :

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 26 / 223

Soient n ∈ N et 0 ≤ i < j ≤ n deux entiers distincts. Notons Di,j (x) le

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 27 / 223

Proposition (relation des différences divisées)

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 28 / 223

c0,k est le coefficient de x k appelée la différence divisée d’ordre k aux

Ines Abdeljaoued Tej ( ESSAI-LIM-EPT ) Analyse Numérique Année 2010-2011 29 / 223

tape 2 Pour i allant de 0 à n − 2, calculer

Di+1,i+2 (x)(x − xi ) − Di,i+1 (x)(x − xi+2 )

Di+1,i+n−1 (x)(x − xi ) − Di,i+n−2 (x)(x − xi+n−1 )