Documente Academic
Documente Profesional
Documente Cultură
Analyse Num
erique
SANS AU CU N E DIFFICULTE
Sidi Madjid
sidimadjid@gmail.com
Version du
Derni`ere mise `
a jour sur :
http://sites.google.com/site/sidimadjid/Home
Sommaire
1 Notion derreur
1.1 Introduction . . . . . . . .
1.2 Definitions . . . . . . . . .
1.3 Chiffres significatifs . . .
1.4 Notion de chiffres exactes
.
.
.
.
3
3
4
4
5
.
.
.
.
7
7
8
9
13
.
.
.
.
.
17
17
17
21
21
23
4 Int
egration Num
erique
4.1 Les Principes Generaux . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Les methodes de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . .
4.3 Methode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
28
28
34
5 Syst`
emes Lin
eaires
5.1 Les methodes directes : . . . . . . .
5.2 Algorithme delimination de Gauss
5.3 Programme delimination de Gauss,
5.4 Methode de Gauss-Jordan : . . . . .
35
35
36
37
39
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
. . .
sans
. . .
. . . .
. . . .
pivot
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introduction
UNE des preoccupations majeures dun chercheur en face dun phenom`ene physique, est : comment mettre en equation ce phenom`ene tout en prenant en consideration tous les details qui laccompagnent. Une fois cette etape effectuee, vient alors
la preoccupation suivante qui est : comment resoudre ces equations et obtenir un
resultat, qui va servir a` concretiser son travail de recherche.
Supposant maintenant que les equations sont posees, dans certains cas leurs
solutions peuvent se calculer analytiquement, alors que dans dautres cas ceci est
impossible. Alors, la solution sera effectuee en utilisant une methode numerique.
Ces derni`eres sont des methodes approximatives de resolution des probl`emes mathematiques. Ce qui signifie quelles ne donnent pas la solution exacte mais une
solution approchee. Ces methodes sont en general a` caract`ere iteratif. En plus, le
nombre diteration a` effectuer est dautant plus grand que la precision recherchee
est grande. Ainsi, La resolution dun probl`eme de grande taille manuellement prend
beaucoup de temps a` cause du nombre doperations `a effectuer.
Lav`enement de linformatique a eu un effet positif sur les utilisateurs des methodes numeriques. En effet, lordinateur a reduit considerablement les temps de
calculs et `a augmenter la precision des resultats obtenus. De nos jours, la mise en
oeuvre des methodes de calculs numeriques sous-entend automatiquement lutilisation doutils informatiques et particuli`erement un langage de programmation.
Le module analyse numerique a pour but en premier lieu dexposer les methodes
numeriques de fac on claire, et en second lieu de montrer comment les traduire sous
forme de programmes informatiques prets `a lutilisation.
Chapitre
Sommaire
1.1
1.2
1.3
1.4
Introduction
Dfinitions
Chiffres significatifs
Notion de chiffres exactes
1
Notion derreur
1.1
Introduction
Notion derreur
1.2
Dfinitions
D
efinition 1
Soit x un nombre et x une approximation de ce nombre. Lerreur absolue est
definie par :
x = | x x |
(1.2.1)
D
efinition 2
Soit x un nombre et x une approximation de ce nombre. Lerreur relative est
definie par :
E r ( x) =
| x x | x
=
| x|
| x|
(1.2.2)
En pratique, il est difficile devaluer les erreurs absolue et relative, car on ne connat
generalement pas la valeur exacte de x et on na que x . Dans le cas de quantites mesurees dont on ne connat que la valeur approximative, il est impossible de
calculer lerreur absolue ; on dispose en revanche dune borne superieure pour cette
erreur qui depend de la precision des instruments de mesure utilises. Cette borne est
quand meme appelee erreur absolue, alors quen fait on a :| x x | 6 x. Ce qui peut
egalement secrire : x = x x. Lerreur absolue donne une mesure quantitative de
lerreur commise alors que lerreur relative en mesure limportance.
Cela nous am`ene a` parler de precision et de chiffres significatifs au sens de la definition suivante.
1.3
Chiffres significatifs
D
efinition 3
Si lerreur absolue verifie : x 6 0, 5.10n alors le chiffre correspondant a` la n ieme
puissance de 10 est dit significatif et tous ceux a` sa gauche (correspondants aux
puissances de 10 superieures a` n ) le sont aussi.
Exemple 1
On obtient une approximation de ( x = = 3, 141592...) au moyen de la quantite :
22 22
(x =
= 3, 142857...). On en conclut que :
7
7
x = |
22
| = 0, 001265...
7
Puisque lerreur absolue est plus petite que : 0, 5 102 le chiffre des centi`emes
est significatif et on a en tout 3 chiffres significatifs (3, 14).
Remarque 1
Inversement, si un nombre est donne avec n chiffres significatifs, cela signifie
que lerreur absolue est inferieure `a 0, 5 fois la puissance de 10 correspondant
au dernier chiffre significatif.
1.4
O`
u:
mn+1 : ni`
eme chiffre significatif
eme chiffre significatif
10mn+1 : rang du ni`
Notons a = | A a| lerreur absolue du nombre approche a.
D
efinition 4
Les n premiers chiffres significatifs de a sont dits exacts si lerreur absolue de
a ne depasse pas la moitie du rang du ni`eme chiffre significatif, cest a
` dire :
a = | A a| 6
1 mn+1
10
2
Exemple 2
A = 35.97, a = 36.00 ici m = 1 car a = 3.101 + 6.100
1
a = | A a| = 0.03 < 0.05 = 101 m n + 1 = 1 n = 3
2
a est une approximation de A avec 3 chiffres exacts.
La notion de chiffre exact est purement mathmatiques, elle ne veut pas dire que les
n premiers chiffres significatifs de a concident avec n premiers chiffres significatifs
de A , lexemple ci - dessus lillustre bien.
Chapitre
Sommaire
2.1 Position du problme dapproximation
2.2 Minimum dune fonction relle plusieurs
variables
2.3 Approximation dans le cas discret
2.4 A.M.C. : Cas continu
Soit X = { x i / i = 1..N } [a, b] R les x i peuvent etre par exemple des mesures
experimentales, supposons qu`a chaque x i , on associe yi R comme resultat dune
experience et posons Y = { yi / i = 1..n}. On a donc le tableau suivant :
mesure i
x1
x2
xn
y1
y2
yn
D =
{( x i , yi ) / i = 1..n}
G = {( x i , f ( x i )) / i = 1..n}
Supposons quon peut definir une distance entre D et G , notee d (D,G ). Alors :
D
efinition 1
X Le probl`eme dapproximation consiste a` trouver f dun type choisi pour
que d (D,G ) soit minimale.
X Le probl`eme dinterpolation consiste `a trouver f dun type choisi telle que
D G.
8
Remarque 1
On peut aussi approximer
mathematique.
2.2
Rb
a
h( x) dx ou h0 ( x),
(2.2.1)
O`
u n > 1 et f C 2 (Rn ).
f
f
f
grad f ( x) = f ( x) =
( x),
( x ), ,
( x)
x1
x2
xn
Matrice d
efinie positive
Soit A une matrice symetrique reelle dordre n. Elle est dite definie positive si
x 6= 0Rn
O`
u bien, si toutes les valeurs propres de A sont strictement positives.
D
efinition 2
On dit quun point x Rn est un minimum global de f si les deux conditions
suivantes sont verifiees :
1. grad f ( x ) = 0Rn
2. La matrice A = (a i j )16 i, j6n , o`
u : ai j =
2 f
xi x j
Cas particulier
Le cas n = 1 est trivial, cest `a dire si f : R R, le gradient devient derivee
premi`ere et la matrice derivee seconde.
Proposition 1. Matrice d
efinie positive
Si A est symetrique `a diagonale positive alors A est definie positive.
2.3
D =
{( x i , yi ) / i = 1..n}
G = {( x i , f ( x i )) / i = 1..n}
O`
u, le mod`ele propose f : R 7 R est dun type prealablement choisi. Exemple de
mod`eles :
f ( t) =
f ( t) =
f ( t) =
c (constante)
at + b
at2 + bt + c
m
P
a i ti
f ( t)
i =0
i = 1..n.
D
efinition 3
Lapproximation (ou ajustement )aux moindres
es consiste `a minimiser
carr
k ek2 norme euclidienne. Cest `
a dire : min
les param`etres de f ,
2.3.1
n
P
i =1
e2i o`
u le minimum est pris sur
(a,b)R2
min
n
X
(a,b)R2 i =1
[ yi (ax i + b)]2
min F (a, b)
(a,b)R2
10
Avec F (a, b) =
n
X
[ yi (ax i + b)]2 , F C 2 R2
i =1
X
X
X
F
(
a,
b
)
x
y
=
a
x
+
b
xi
i i
i
=0
i =1
i =1
i =1
a
n
n
n
X
X
X
F (a, b) = 0
yi = a
xi + b 1
b
i =1
i =1
i =1
(2.3.1)
n
X
=1
A = iX
n
n
X
x2i
xi
i =1
xi
i =1
yi
n
X
x i yi = 9,
n
X
i =1
i =1
x2i = 5,
n
X
i =1
x i = 3 et
n
X
yi = 5
i =1
Donc, f (x) = 2x
a=2
5a + 3b = 9
1
=
b=
3a + 3b = 5
3
1
est la droite qui realise le meilleure approximation de lensemble
3
11
Remarque 2
Concernant les points ( x i , yi ) i[1,n] , il est couramment admis que les conditions
de mesures (temperature, pression, etc) ne peuvent pas etre rigoureusement,
les memes pour tous les i [1, n]. Certaines valeurs seront par consequent plus
precises que dautres. Toutes ces raisons nous am`enent a` affecter (associer) `a la
i-`eme mesure, un poids ou coefficient i > 0, i [1, n].
D
efinition 4
En general, le probl`eme dapproximation aux moindres carres revient a` chercher
le minimum de
min
n
X
param`etres de f i =1
2.3.2
e2i i
(2.3.2)
m
X
c j f j ( x)
j =1
O`
u x R ( o`
u x R p , p > 1) , f j : R p R fonctions connues de type bien choisi, non
nulles et lineairement independantes.
Ce mod`ele est lineaire par rapport `a c j , j = 1 m.
12
e i = yi f ( x i ),
i = 1..n
m
X
c j f j ( x i ),
i = 1..n
= yi
(2.3.3)
(2.3.4)
j =1
D
efinition 5
Nous definissons la meilleure approximation aux moindres carres comme etant
celle qui minimise lerreur au sens de la norme euclidienne au-quelle on adjoint
le poids i , associe `a la i-`eme mesure ( i = 1..n).
Probl`
eme 2
Le probl`eme dapproximation aux moindres carres, revient donc `a chercher le
minimum de
min
c=(c 1 ,c 2 ,...,c m )
F ( c1 , c2 , . . . , c m ) =
n
X
e2 i
c=(c 1 ,c 2 ,...,c m ) i =1 i
min
(2.3.5)
D
emonstration
La premi`ere condition que doit verifier c pour que F soit minimale est :
F
k = 1..m
= 0,
ck
!
n
X
e2i i
i =1
cest `
a dire :
Donc :
ck
n
X
e i i
i =1
Or :
e i
ck
e i
ck
= 0,
k = 1..m
= 0,
k = 1..m
= f k (x i ),
i = 1..n, k = 1..m
n
X
i yi
i =1
Cest `
a dire :
m
X
j =1
m
X
c j f j (x i ) f k (x i ) = 0
j =1
cj
n
X
i f j (x i ) f k (x i ) =
i =1
n
X
i yi f k (x i )
i =1
Posons :
bk =
n
X
i =1
i yi f k (x i ),
a k j = a jk =
n
X
i =1
(2.3.6)
13
m
X
c j ak j = bk,
k = 1..m
i= j
O`
u, sous forme matricielle A.c t = b suivant
a 11
a
21
.
..
a k1
..
.
a m1
a 12
a 22
a1 j
a2 j
..
.
..
.
..
.
..
.
a k2
ak j
..
.
..
.
..
.
..
.
a m2
am j
a 1m
c1
b1
a 2m
c2 b2
. .
..
. .
.
. .
. =
a km c j b j
.. .. ..
. . .
a mm
cm
bm
n
X
i =1
(2.3.7)
#
i f k2 (x i ) > 0.
Donc, la matrice A est definie positive, cest `a dire que la deuxi`eme condition est
verifiee.
Conclusion
En resume, lapproximation aux moindres carres de n points ( x i , yi ) par un
mod`ele f ( x) =
m
X
c j f j ( x) se ram`ene `
a la resolution du syst`eme (2.3.7) lineaire
j =1
dordre m .
Remarque 3. Les types courants de mod`
eles utilis
es
Mod`ele polynomial :
f ( x) =
m
X
c j f j ( x)
o`
u
f j ( x) = x j1
j =1
= c 1 + c 2 x + + c m x m1
Mod`ele trigonometrique :
f j ( x) = c j + a j cos jx + b j sin jx
Mod`ele exponentiel :
f j ( x) = a j e b j x
2.4
Cas continu :
Approximation aux moindres carrs
Soit E un R-Hilbertien, M un sous espace vectoriel de E de dimension finie (complet, donc ferme). Soit f fixe (mais quelconque) dans E ,
14
D
efinition 6
k f gk = mink f hk
h M
k f k2 =< f , f >
Rappel
On rappelle que :
X f E, ! g M telle que g est la meilleure approximation de f dans M .
X g est la meilleure approximation de f dans M < f g, h >= 0, h M .
Dans tout ce qui suit, on suppose que E = C ([a, b]) muni du produit scalaire :
b
Z
< f , g >=
f ( x) g( x) dx
a
Quon generalise a` :
b
Z
< f , g >=
( x) f ( x) g( x) dx
(2.4.1)
O`
u, la fonction poids : [a, b] R , ( x) > 0, x [a, b] a un nombre fini de
racines, en pratique, on prend souvent : 1.
2.4.1
Soit M lensemble des polynomes reels de degre inferieur ou egal `a n, cest `a dire
dim M = n + 1, et f C ([a, b]) = E , ( M est un convexe et ferme ).
Probl`
eme 3
On cherche P M telle que P realise la meilleure approximation aux moindres
carres de f dans M .
D
emonstration
P existe et il est unique, il v
erifie :
P >= 0, P M
< f P,
Posons,
P(x)
=
n
X
ai x i
P(x) =
i =0
n
X
ajxj
j =0
< f (x)
n
X
ai x i , x j >= 0,
j = 0, 1, 2, .., n
i =0
Donc,
n
X
i =0
ai
b
a
i j
(x)x x dx =
b
a
j = 0, 1, 2, .., n
(2.4.2)
15
Exercice 1
Trouver le polynome de degre inferieur ou egal `a 2 qui realise la meilleure
approximation aux moindres carres de f ( x) = | x| sur [a, b] = [1, +1] avec 1.
Correction de lexercice 1
En posant P(x)
= a0 + a1 x1 + a2 x2 , on trouve dapr`
es le syst`eme precedent :
2a0
0a
2 0
3 a0
+0a1
+ 23 a1
+0a1
+ 23 a2
+0a2
+ 25 a2
=1
a0
a
= 0 =
1
a2
= 12
3
= 16
= 0
15
= 16
Donc,
3
3 15 2
+
x =
1 + 5x2
P(x)
=
16 16
16
Est le polyn
ome de degre 2 qui realise la meilleure approximation aux moindres carres
de f (x) = | x| sur [1, +1], voir figure.
Chapitre
Sommaire
3.1
3.2
3.3
3.4
3.5
Interpolation
3.1
Soit sur [a, b] un syst`eme de (n+1) points donnes ( x i , yi ), i = 0, 1, .., n tel que :
a 6 x0 < x1 < < xn 6 b et yi des valeurs associees a
` x i . Les points donnes peuvent
etre des mesures dune experience ou des valeurs dune certaine fonction inconnue f
en ces points.
Probl`
eme 1
Le but du probl`eme de linterpolation consiste `a chercher une fonction F (fonction dinterpolation) qui appartient a` une certaine classe connue et qui passe
par les points M i ( x i , yi ) i=0..n donnes, cest a` dire :
F ( x i ) = yi ,
i = 0..n
x [a, b]. Le probl`eme ainsi pose, peut avoir une infinite de solution ou pas de
solution. Toutefois, le probl`eme admet une seule et unique solution si lon cherche
non pas une fonction arbitraire mais un polyn
ome P n de degre inferieur ou egal a`
n et verifiant :
P ( x i ) = yi ,
i = 0..n
3.2
17
Interpolation
18
Qui peut secrire sous la forme :
P n ( x) =
n
X
i xi
i =0
Proposition 1
Les polynomes
1, ( x x0 ), ( x x0 )( x x1 ), . . . , ( x x0 )( x x1 ) . . . ( x xn1 )
3.2.1
D
efinition 1
Soit un syst`eme de (n + 1) points donnes ( x i , yi ), i = 0, .., n et x i = x i+1 x i =
h i 6= 0, i = 0..n. On definit les differences divisees du premier ordre par
[ x i , x j ] =
y j yi
x j xi
= [ x j , x i ]
pour 0 6 i, j 6 n, i 6= j
(3.2.2)
[ x j , xk ] [ x i , x j ]
xk x i
pour 0 6 i, j, k 6 n, i 6= j 6= k
(3.2.3)
n1 [ x1 , x2 , . . . , xn ] n1 [ x0 , x1 , . . . , x(n1) ]
x n x0
(3.2.4)
Remarque 1
Les differences divisees sont symetriques, et elles sont independantes des la position des points sur lesquels elles sont prises. Si est une permutation de
{0, 1, 2, . . . , k}, on a
k [ x0 , x1 , . . . , xk ] = k [ x(0) , x(1) , . . . , x(n) ]
19
Exemple 1
Donner la table des differences divisees des points suivants :
xi
yi
1 0 1 2 3
1 0 1 2 3
Solution
Sachant que :
0 [x i ] =
k [x0 , . . . , xk ] =
yi
k = 1, 2, 3, 4
3.2.2
xi
yi
0
1
2
3
4
-1
0
1
2
3
0
1
2
3
-1
-1
3
1
0
2
-1
2/3
-1
- 5/12
Si x = x2 , on obtient
P2 ( x2 ) = 0 [ x0 ] + 1 [ x0 , x1 ]( x2 x0 ) + a 2 ( x2 x0 )( x2 x1 ) = y2 a 2 = 2 [ x0 , x1 , x2 ]
i =0
Exemple 2
Donner le polynome dinterpolation de Newton P4 de lexemple 1 precedent.
Interpolation
20
Solution
De la table des differences divisees, on tire les coefficients du polynome
a0
= 0 [x0 ] = 1
a1
= 1 [x0 , x1 ] = 1
a2
= 2 [x0 , x1 , x2 ] = 0
a3
= 3 [x0 , x1 , x2 , x3 ] =
a4
= 4 [x0 , x1 , x2 , x3 , x4 ] =
2
3
5
12
Do`
u, le polyn
ome dinterpolation de Newton secrit :
P4 (x) =
4
X
k [x0 , , xk ]
3
Y
(x x i )
i =0
k=0
2
5
= 1 (x + 1) + (x + 1) x (x 1)
(x + 1) x (x 1) (x 2)
3
12
1
x 5x3 18x2 5x + 30
=
12
3.2.3
D
efinition 2
Dans le cas o`
u les points donnes x i , i = 0, .., n sont equidistants, cest a` dire que
x i = x i+1 x i = h 6= 0, i = 0, .., n, on definit les differences finies comme suit
[ x1 , x0 ] =
y1 y0 y1 y0
=
x1 x0
h
y2 y1 y1 y0
y2 2 y1 + y0
h
h
2 [ x2 , x1 , x0 ] =
=
2! h
2! h2
(3.2.6)
(3.2.7)
n
1 X
(1)k C nk f ( x0 + ( n k) h)
n! h n k=0
(3.2.8)
n
nY
1
y1 y0
1 X
k k
( x x0 ) + +
(
1)
C
f
(
x
+
(
n
k
)
h
)
(x xi )
0
n
h
n! h n k=0
i =0
(3.2.9)
3.3
21
Deuxi`
eme PIN, avec x i = x i+1 x i = h i variable
P n ( x) = a 0 + a 1 ( x xn ) + a 2 ( x xn )( x xn1 ) + + a n ( x xn )( x xn1 ) . . . ( x x1 )
(3.3.1)
Dans le cas des differences finies x i = x i+1 x i = h 6= 0, i = 0, .., n, P n ( x) secrit
Deuxi`
eme PIN, avec x i = x i+1 x i = h constant
P n ( x) = yn +
n
yn1
2 yn2
n y0 Y
( x xn ) +
(
x
x
)(
x
x
)
+
+
(x xi )
n
n
1
h
n! h n i=1
2! h2
(3.3.2)
Remarque 2. Inconv
enients de linterpolation de Newton
1. On remarque que les points ( x i , yi ), i = 0, .., n situes dans la partie finale ( i =
n, i = n 1, . . . ) ninterviennent que rarement dans le calcul des coefficients
du premier polynome dinterpolation de Newton. Dans le cas du deuxi`eme
polynome dinterpolation de Newton cest les points du debut qui seront
les moins touches par loperation dinterpolation.
2. Le calcul des differences divisees peut etre ardu (difficile) si le nombre de
points est relativement grand (en fait, meme pour n = 6, 7, 8, 9, . . . ).
Pour surmonter ces difficultes, on utilise le polynome dinterpolation de Lagrange.
3.4
1
0
i= j
( i, j symbole de Kronecker)
i 6= j
Le polyn
ome L i (x) sannule en x0 , x1 , , x i1 , x i+1 , , xn , donc il secrit sous la forme :
L i (x) = C i (x x0 )(x x1 )(x x2 ) (x x i1 )(x x i+1 ) (x xn )
Interpolation
22
Do`
u
L i (x j ) = 0 si i 6= j
L i (x i ) = 1 = C i (x i x0 )(x i x1 ) (x i x i1 )(x i x i+1 ) (x i xn )
On deduit la valeur de C i :
Ci =
1
(x i x0 )(x i x1 ) (x i x i1 )(x i x i+1 ) (x i xn )
Et, on tire :
L i (x) =
(3.4.1)
n
X
L i (x).yi
L n (x j ) =
n
X
L i (x j ).yi = y j
(3.4.2)
i =0
i =0
L n est un polyn
ome de d 6 n recherche et qui passe par les points (x i , yi ) i=0,..,n .
D
efinition 3
Le polynome dinterpolation de LAGRANGE (P.I.L.) qui passe par les points
( x i , yi ) i=0,..,n , secrit sous la forme
L n ( x) =
n
X
yi
i =0
n
Q
(x x j )
j =0, j 6= i
n
Q
(xi x j )
j =0, j 6= i
Lemme 1
Le polynome dinterpolation de Lagrange est unique.
D
emonstration
Supposons quon a deux polynomes de Lagrange L n et L0n telle que :
L n (x i ) = L0n (x i ) = yi ,
i = 0, .., n
23
Lemme 2
Le polynome dinterpolation de Lagrange et le polynome dinterpolation de
Newton sont deux formes differentes dun meme polynome.
D
emonstration
Il suffit de prendre le polyn
ome L0n du lemme precedent comme etant le polynome
dinterpolation de Newton.
3
Exemple 3
On a
P ( x) = x2 2 x + 3 = 6 + 4( x 3) + ( x 3)2 = ( x 1)2 + 2
0
1
0
1
4
1,386
2
6
1,791
1. Ecrire
le polynome dinterpolation de Lagrange pour le syst`eme de points.
2. Estimer levaluation numerique de L 2 (2) et lerreur relative associee sachant que ln 2 = 0.69315 - valeur supposee exacte -
3.5
3.5.1
Estimation de lerreur
Erreur dinterpolation de LAGRANGE ( cas ou f est connue)
Supposons que pour i = 0, .., n les points ( x i , yi ) soient associes `a une fonction f
telle que yi = f ( x i ). Partant des points ( x i , yi ), i = 0, .., n, on peut faire varier f entre
ces points sans changer de polynome dinterpolation.
Par consequent, lerreur dinterpolation ( x) = f ( x) L n ( x) en un point x [a, b], ou
a 6 x0 < x1 < x2 < < xn 6 b na pas de sens puisque ne dependant pas seulement
de x mais aussi de f 00 .
Pour estimer ( x), nous devons mieux connaitre f . Dans ce contexte, on a :
Interpolation
24
Th
eor`
eme 1
Si la fonction f est (n + 1) fois continument differentiable sur [a, b], cest a` dire
f C n+1 [a, b]. Alors x [a, b], = x [a, b] telle que
( x) =
1
L( x) f (n+1) ( x )
( n + 1)!
O`
u
L( x) = ( x x0 )( x x1 ) ( x xn ) =
n
Y
(x xi )
i =0
D
emonstration
cas 1 : Sil existe i [0, n] telle que x = x i (x) = L(x) = 0
cas 2 : Si x 6= x i , i [0, n] considerons
F(t) = f (t) L n (t)
f (x) L n (x)
L(t)
L(x)
O`
u L n est le PIL de dr 6 n, t [a, b] et x fixe et x 6= x i , i comme f est (n + 1)
fois continument differentiable sur [a, b] et L est un polynome d (n + 1) donc F
est (n + 1) fois continument differentiable sur [a, b].
De plus, F(x i ) = 0, i [0, n] et F(x) = 0 = F a au moins (n + 2) racines distinctes
dans [a, b] (les (n + 1) points plus le point x) alors dapr`es le theor`eme de Rolle,
F 0 a au moins (n + 1) racines dans [a, b], F" a au moins n racines dans [a, b],
F (k) a au moins (n k + 2) racines dans [a, b], (0 6 k 6 n + 1).
Pour k = n + 1, F (n+1) a au moins une racine dans [a, b], notons par x cette
racine, on a :
F (n+1) (t) = f (n+1) (t) 0
f (x) L n (x)
.(n + 1)!
L(x)
f (x) L n (x)
.(n + 1)!
L(x)
1
L(x). f (n+1) ( x )
(n + 1)!
3.5.2
25
Th
eor`
eme 2
Si f C n+1 [a, b]. Alors x [a, b], = x [a, b] telle que
( x) =
f ( x) P n ( x)
= n+1 ( x, x0 , x1 , , xn )
n
Q
(x xi )
i =0
On tire :
( x) =
f (n+1) ( x )
(n+1)! .L( x)
O`
u P n est le Polynome dInterpolation de Newton d 6 n et L( x) =
n
Q
( x x i ).
i =0
Cons
equence :
On a :
|( x)| =
1
.|L( x)|| f (n+1) ( x )|
( n + 1)!
n
Q
i =0
( x x i ), on a
Chapitre
Sommaire
4.1 Les Principes Gnraux
4.2 Les mthodes de Newton-Ctes
4.3 Mthode de Gauss
Intgration Numrique
[...] jaime les mathematiques pour elles-memes comme nadmettant pas lhypocrisie et le
vague, mes deux betes daversion.
Stendhal
..
Intgration Numrique
28
4.1
lintegrale
Rb
Alors, on a :
Rb
f ( x) dx =
nP
1 xRi+1
f ( x) dx
i =0 x i
4.2
4.2.1
Proposition 1
La valeur approchee de lintegrale par la methode des rectangles sur [ x i , x i+1 ]
xZi+1
xi
f ( x) dx ' h i f ( i ),
i [ x i , x i+1 ] ,
h i = x i+1 x i
(4.2.1)
29
nX
1
f ( x) dx =
h i f ( i )
(4.2.2)
i =0
D
emonstration
Pour la methode des rectangles `
a gauche, il suffit decrire que laire du rectangle sur
[x i , x i+1 ] est (x i+1 x i ) f (x i ) avec x i+1 x i = h i et de sommer les aires des rectangles ...
De meme pour rectangle `
a droite !
Rb
a
4.2.2
valuation de lerreur
Th
eor`
eme 1. Rectangles `
a gauche ou `
a droite
si f est de classe C 1 sur [a, b], alors n N , on a
x
Zi+1
h2i
f
(
x
)
dx
x
f
(
x
)
6
M
ou
M
=
max
f ( x )
(
)
i +1
i
i
1
1
a
6
x
6
b
2
(4.2.3)
xi
ba
constant :
n
Z
0
nX
1
( b a )2
6
f ( x) dx h
f
(
x
)
M
,
ou
M
=
max
f ( x )
i
1
1
a6 x6 b
2n
i =0
(4.2.4)
D
emonstration . Pour la m
ethode des rectangles `
a gauche
b
nX
1
f (x)dx
f (x i ) (x i+1 x i )
i =0
n1 Zxi+1
nX
1
X
f (x)dx
f (x i ) (x i+1 x i )
i=0
i =0
xi
n1 Zxi+1
n1 Zxi+1
X
X
| f (x) f (x i )| dx
( f (x) f (x i )) dx 6
i=0
i=0
xi
6
6
xi
x i+1
nX
1 Z
| x x i | M1 dx dapr`
es le teeor`eme des accroissements finis
i =0 x
i
x i+1
Z
nX
1
nX
1
i =0 x
i
i =0
(x x i ) M1 dx 6
nX
1
i =0
(x x i )2
2
h2
h2
(b a)2
M1 6 n M1 =
M1
2
2
2n
xi+1
M1
xi
Intgration Numrique
30
4.2.3
Proposition 2
La valeur approchee de lintegrale par la methode des rectangles du point milieu
sur [ x i , x i+1 ] , 0 6 i 6 n 1
xZi+1
f ( x) dx ' h i f
xi
x +x
i
i +1
,
2
h i = x i+1 x i
(4.2.5)
nX
1
x +x
i
i +1
f ( x) dx =
hi f
2
i =0
(4.2.6)
D
emonstration
Meme principe que precedemment, il suffit de calculer laire des rectangles ...
4.2.4
valuation de lerreur
Th
eor`
eme 2. Rectangles du point milieu
Dans ce cas, on obtient une methode dordre 1 exacte pour toute fonction
lineaire bien quon interpole par une constante, si f est de classe C 2 sur [a, b],
alors n N , on a la formule composee avec le pas h =
ba
constant :
n
00
nX
1
f ( x) dx h
6 M2 ( b a) h2 ou M2 = max f ( x)
f
(
x
)
i
+
1/2
a6 x6 b
24
i =0
a
(4.2.7)
31
D
emonstration
Rb
nP
1
f (x)dx valeur exacte de lint
egrale et I n =
f ( i ) (x i+1 x i ) sa valeur
a
i =0
x i + x i+1
approchee. Pour i =
= x i+1/2 et M2 = max f 00 (x), on remarque que :
a6 x6 b
2
On pose I =
Zxi+1
Zxi+1
ba
ba
0
f ( i ) =
(x i ) f 0 ( i )dx si x i+1 + x i =
(x i ) f ( i )dx = 0 et
n
n
xi
xi
Donc, on a :
n1 Zxi+1
n1 Zxi+1
X
ba
ba
f ( i ) 6
f ( i )
|e n| = |I I n| =
f (x)dx
f (x)dx
n
n
i=0
i=0
xi
xi
x
i +1
nX
1 Z
0
6
f (x) f ( i ) (x i ) f ( i ) dx
i =0
xi
x i+1
nX
1 Z
f (x) f ( i ) (x i ) f 0 ( i ) dx
i =0 x
i
M2
es linegalite de Taylor Lagrange
(x i )2 dapr`
2
x i+1
1 Z
1
M2 nX
M2 nX
(x i+1 i )3 (x i i )3
(x i )2 dx =
2 i=0
2 i=0
3
3
f (x) f ( i ) (x i ) f 0 ( i ) 6
|I I n| 6
xi
M2
6
( h)3
nh3
=
M2
8
8
24
nX
1 h3
i =0
ba
, alors
n
b
nX
1
(b a)3
| I I n | = f (x)dx
f ( i ) (x i+1 x i ) 6
M2
24n2
i =0
Sachant que h =
f ( x) dx '
1
ba nP
f (xi )
i =0
f ( x) dx '
1
ba nP
i =0
f ( x i+1 )
x i + x i+1
= x i+1/2
2
ba
n
Intgration Numrique
32
Rb
a
4.2.5
f ( x) dx '
1
ba nP
x i + x i+1
f
n
2
i =0
Principe
On remplace f par son interpole lineaire sur chaque segment [ x i , x i+1 ]
de la subdivision, cest a` dire, par le
segment de droite qui relie ( x i , f ( x i ))
a` ( x i+1 , f ( x i+1 )), qui represente le polynome de Lagrange de degre 1.
Proposition 3
La valeur approchee de lintegrale par la methode des trap`ezes sur chaque intervalle partiel [ x i , x i+1 ] , 0 6 i 6 n 1 est de
xZi+1
xi
1
f ( x) dx ' h i ( f ( x i ) + f ( x i+1 )) , h i = x i+1 x i
2
(4.2.8)
Tn =
f ( x) dx '
nX
2
i =0
h i + h i+1
1
f ( x i+1 ) + ( h 0 f ( x0 ) + h n1 f ( xn ))
2
2
Tn =
"
f ( x) dx ' h
a
nX
2
i =0
ba
,
n
(4.2.9)
0 6 i 6 n 1
#
1
f ( x i+1 ) + ( f ( x0 ) + f ( xn ))
2
(4.2.10)
D
emonstration
grande base + petite base
Rappel : laire dun trap`eze = hauteur .
2
Il suffit donc de calculer laire des trap`ezes sur chaque segment [x i , x i+1 ], qui est de
(x i+1 x i ).
4.2.6
( f (x i ) + f (x i+1 ))
puis de faire la somme pour les 0 6 i 6 n 1.
2
valuation de lerreur
33
Th
eor`
eme 3. M
ethode des trap`
ezes
Si f est de classe C 2 sur [a, b], alors n N , lerreur pour h =
ba
constant
n
( b a)3
| e n | = f ( x) dx T n 6
M2 ou M2 = max f 00 ( x)
2
a6 x6 b
12 n
(4.2.11)
D
emonstration
4
4.2.7
Mthode de Simpson
Principe
On interpole f aux points x i , x i+1 et i = xi +2xi+1 par un polynome du second degre
definissant un arc de parabole passant par les points dordonnees f ( x i ), f ( x i+1 ) et
f ( i ), cette methode consiste donc `
a remplacer f par le polynome dinterpolation
de Lagrange de degre 2 sur chaque segment [ x i , x i+1 ] ayant les memes valeurs
que f aux bornes de lintervalle et en son milieu.
Proposition 4
La valeur approchee de lintegrale par la methode de Simpson sur chaque intervalle partiel [ x i , x i+1 ] , 0 6 i 6 n 1 est pour h i = x i+1 x i de
xZi+1
xi
1
f ( x) dx ' h i ( f ( x i ) + 4 f ( x i+1/2 ) + f ( x i+1 ))
6
(4.2.12)
Sn =
f ( x) dx '
a
nX
2 1
i =0
x i + x i+1
) + f ( x i+1 )
( x i+1 x i ) f ( x i ) + 4 f (
6
2
(4.2.13)
Intgration Numrique
34
Sn =
a
"
#
nX
2
nX
2
h
f ( x) dx '
f ( x0 ) + f ( xn ) + 2
f ( x i+1 ) + 4
f ( x i+1/2 )
6
i =0
i =0
(4.2.14)
S=
a
4
4.2.8
1
a+b
f ( x) dx ' ( b a) f (a) + f ( b) + 4 f (
)
6
2
(4.2.15)
Th
eor`
eme 4. M
ethode de Simpson
si f est de classe C 4 sur [a, b], alors n N , pour h pas constant, on a
b
M4
(IV )
ou
M
=
max
f
(
x
)
|E n | = f ( x) dx S n 6 ( b a)5
(4.2.16)
4
a6 x6 b
2880 n4
4.3
Mthode de Gauss
Principe
Les methodes dintegration numerique de Gauss utilisent une subdivision particuli`ere de lintervalle [a, b], les points x j sont les racines dune famille de polynomes orthogonaux qui ne sont pas reguli`erement espaces, contrairement aux
methodes composees. La fonction a` integrer est approximee par une interpolation de Lagrange sur les points x j .
Soit donc $ une fonction poids definie sur lintervalle ]a, b[, cest-`a-dire une fonction continue et strictement positive. On sinteresse aux methodes dintegration
approchee du type :
Zb
a
f ( x)$( x) dx '
n
X
j f ( x j ) dx,
j =0
Avec :
j =
Zb
a
L j ( x)$( x) dx
x j ]a, b[
(4.3.1)
Chapitre
Sommaire
5.1
5.2
5.3
5.4
Systmes Linaires
En analyse numerique, la resolution des syst`emes lineaires se fait par deux methodes : Les methodes directes et les methodes iteratives.
Soit un syst`eme de n equations `a n inconnues
a 11 x1 + a 12 x2 + a 13 x3 + + a 1n xn
a 21 x1 + a 22 x2 + a 23 x3 + + a 2n xn
a n1 x1 + a n2 x2 + a n3 x3 + + a nn xn
=
=
=
=
b1
b2
bn
(5.0.1)
Ecriture
matricielle du syst`
eme :
A.x = b
(5.0.2)
Avec :
a 11 a 12
a
21 a 21
A=
a n1 a n2
5.1
5.1.1
a 1n
x1
b1
a 2n
x
2
b2
; x = ; b =
a nn
xn
bn
Si la matrice A est reguli`ere i.e det A 6= 0 ; le syst`eme (5.0.1) admet une solution
unique.
A.x = b x = A 1 .b
(5.1.1)
5.1.2
Mthode de Gauss :
Systmes Linaires
36
5.1.3
Description de la mthode :
a(k)
ik
a(k)
kk
lk
(5.1.2)
xn =
bn
a nn
1
P
ai j x j + bi
xi =
a ii
j> i
1
P
a1 j x j + b1
x1 =
a 11
j >1
5.1.4
Le nombre dopration
5.2
Entr
ees :
La matrice A = a i j 16 i, j6n et le second membre b = (b i )16 i6n du syst`eme initial.
Sorties :
La nouvelle matrice triangulaire superieure et du nouveau second membre.
Triangularisation :
Algorithme
pour i = 1 a` n
1
p=
a ii
pour j = i + 1 a` n
ai j = p ai j
b
i = p b i
pour k = i + 1 a` n
`n
pour j = i + 1 a
a k j = a k j a ki a i j
b k = b k a ki b i
37
1
a nn
bn = p bn
p=
5.2.1
pour i = n 1 a` 1
bi = bi
n
P
j = i +1
ai j bi
|det A |
1/2
n
n
Q
P
2
ai j
j =1 i =1
5.3
Systmes Linaires
38
5.3.1
Comme nous venons de le voir, la methode de Gauss ne peut etre execute que si
les pivots successifs sont non nuls a(k)
6= 0, cest a
` dire que toutes les sous matrices
kk
principales de A sont reguli`eres.
Si le pivot est tr`es petit, lalgorithme conduit a` des erreurs darrondi importantes.
Cest pourquoi des algorithmes qui echangent les elements de facon `a avoir le pivot
le plus grand possible ont ete developpes.
La methode du pivot partiel consiste a` intervertir les lignes a` chaque etape de facon
a` mettre comme pivot (le coefficient diagonal) le terme de coefficient le plus eleve
de la ligne en valeur absolue.
(k)
a(k)
=
max
a
ik
pk
p= k,..,n
(5.3.1)
La methode du pivot total consiste `a intervertir les lignes et les colonnes `a chaque
etape de facon `a mettre comme pivot (le coefficient diagonal) le terme de coefficient
le plus eleve de la matrice en valeur absolue.
(k)
a(k)
=
max
a
pq
ij
p,q= k,..,n
(5.3.2)
5.3.2
Entr
ees : La matrice A et le second membre b du syst`eme lineaire original.
Sorties : La solution contenue dans le vecteur x.
Programme 2. M
ethode de Gauss avec pivot
function x = GaussPivot(A,b)
% x = GaussPivot(A,b): Gauss elimination with pivoting.
% input:
% A = coefficient matrix et b = right hand side vector
% output: x = solution vector
[m,n]=size(A);
if m~=n, error(Matrix A must be square); end
nb=n+1;
Aug=[A b];
% forward elimination
for k = 1:n-1
% partial pivoting
[big,i]=max(abs(Aug(k:n,k)));
ipr=i+k-1;
if ipr~=k
Aug([k,ipr],:)=Aug([ipr,k],:);
end
39
for i = k+1:n
factor=Aug(i,k)/Aug(k,k);
Aug(i,k:nb)=Aug(i,k:nb)-factor*Aug(k,k:nb);
end
end
% back substitution
x=zeros(n,1);
x(n)=Aug(n,nb)/Aug(n,n);
for i = n-1:-1:1
x(i)=(Aug(i,nb)-Aug(i,i+1:n)*x(i+1:n))/Aug(i,i);
end
5.3.3
5.4
pour i = n 1 a` 1
bi = bi
n
P
j = i +1
ai j bi
Mthode de Gauss-Jordan :
2 8 4 x1
1
2 10 6 x2 = 1
1 8 2 x3
1
1 0 0 x1
1/4
0 1 0 x2 = 1/8
0 0 1 x3
1/8
5.4.1
Le meme algorithme est utilise pour calculer linverse dune matrice. On ecrit A
sous la forme AI et on applique a` lidentite I toutes les operations elementaires que
subit A, i.e : AI I A 1
Meme exemple que precedemment :
2 8 4 1 0 0
AI = 2 10 6 0 1 0
1 8 2 0 0 1
Systmes Linaires
40
apr`es une suite doperation, on trouve :
1 0 0
7/4
3 1/2
1
1/4
I A 1 = 0 1 0 1/8
0 0 1 3/8 1/2 1/4
Do`
u
7/4
3 1/2
1
1/4
A 1 = 1/8
3/8 1/2 1/4
Le nombre doperation : La methode de Gauss-Jordan necessite n(n2 1)/2 multiplications, n(n2 1)/2 additions et n(n + 1)/2 divisions.
5.4.2
Description de la mthode :
5.4.3
Soit le syst`eme :
(5.4.1)
(5.4.2)
5.4.4
Conclusion :
Bien que les syst`emes (3.1) et (3.2) sont proches leurs solution sont tr`es differentes.
On dit que les syst`emes sont mal conditionnes.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
4
4
5
2.3.1 Etude
dun mod`ele simple : lineaire `a 2 param`etres
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
9
9
11
13
14
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Interpolation
17
3.1 Position du probl`eme dinterpolation . . . . . . . . . . . . . . . . . . . 17
3.2 Premier polynome dinterpolation de Newton . . . . . . . . . . . . . . 17
3.2.1 Notion de differences divisees . . . . . . . . . . . . . . . . . . . 18
3.2.2 Coefficients du polynome dinterpolation de Newton . . . . . 19
3.2.3 Notions de differences finies . . . . . . . . . . . . . . . . . . . . 20
3.3 Deuxi`eme polynome dinterpolation de Newton . . . . . . . . . . . . . 21
3.4 Polynome dinterpolation de LAGRANGE . . . . . . . . . . . . . . . 21
3.5 Estimation de lerreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5.1 Erreur dinterpolation de LAGRANGE ( cas ou f est connue) 23
3.5.2 Erreur dinterpolation de NEWTON . . . . . . . . . . . . . . . 24
4 Int
egration Num
erique
4.1 Les Principes Generaux . . . . .
4.2 Les methodes de Newton-Cotes
4.2.1 Methode des rectangles `a
4.2.2 Evaluation
de lerreur . .
. . . . . . . . . . . .
. . . . . . . . . . . .
gauche et `a droite
. . . . . . . . . . . .
41
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
28
28
28
29
42
4.3
4.2.4 Evaluation
de lerreur . . . . . . . . . . .
4.2.5 Methode des trap`ezes . . . . . . . . . . .
4.2.6 Evaluation
de lerreur . . . . . . . . . . .
4.2.7 Methode de Simpson . . . . . . . . . . .
4.2.8 Evaluation
de lerreur dintegration . . .
Methode de Gauss . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 Syst`
emes Lin
eaires
5.1 Les methodes directes : . . . . . . . . . . . . . . . . . . . .
5.1.1 La formule de Cramer . . . . . . . . . . . . . . . .
5.1.2 Methode de Gauss : . . . . . . . . . . . . . . . . . .
5.1.3 Description de la methode : . . . . . . . . . . . . .
5.1.4 Le nombre doperation . . . . . . . . . . . . . . . .
5.2 Algorithme delimination de Gauss . . . . . . . . . . . . .
5.2.1 Resolution du syst`eme triangulaire superieur . . .
5.3 Programme delimination de Gauss, sans pivot . . . . . .
5.3.1 Elimination
de Gauss avec changement de pivot :
(Strategie de pivot) . . . . . . . . . . . . . . . . . .
5.3.2 Programme delimination de Gauss avec choix du
pivot : . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.3 Resolution du syst`eme triangulaire superieur . . .
5.4 Methode de Gauss-Jordan : . . . . . . . . . . . . . . . . . .
5.4.1 Cucul de la matrice inverse : . . . . . . . . . . . . .
5.4.2 Description de la methode : . . . . . . . . . . . . .
5.4.3 Syst`emes mal conditionnes : . . . . . . . . . . . .
5.4.4 Conclusion : . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
30
30
32
32
33
34
34
.
.
.
.
.
.
.
.
35
35
35
35
36
36
36
37
37
. . . . . . .
plus grand
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
38
38
39
39
39
40
40
40
Introduction a`
A n al ys e N u me ri q u e
N ISBN : 978-2-35209-149-3
N EAN : ?