Vous êtes sur la page 1sur 556

FI

hi
MANUEL DE CALCUL
NUMÉRIQUE APPLIQUÉ
s

L
‘4cl

Christian Guilpin
Maître de Conférence, responsable de 1 ‘enseignement des mathématiques appliquées
en maîtrise de Physique et Applications à l’université Paris VII-Denis Diderot

/EDPI
SCIENCES

7, avenue du Hoggar
Parc d’activité de Courtabœuf, BP 112
91944 Les Ulis Cedex A, France

Avant-propos

Ce livre de calcul appliqué trouve son origine dans un cours dispensé aux étudiants de maîtrise
de physique et applications (MPA) à l’université Paris VII depuis 1984, ainsi que dans quelques
préoccupations de recherche au laboratoire.
Ce manuel ne constitue pas à proprement parler un cours au sens usuel du mot, et si certains
chapitres ont des liens évidents et s’enchaînent naturellement, d’autres, plus isolés, ont été réunis
sous forme d’annexes pour préserver au mieux l’unité, mais leur importance n’est pas secondaire.
L’organisation de cet ouvrage vise à une présentation suffisamment concise et assimilable des
algorithmes numériques fondamentaux, développés jusqu’à leur mise en œuvre, de telle sorte
qu’ils soient susceptibles d’aider l’étudiant, le chercheur et l’ingénieur dans l’exercice quotidien
de leur art : il s’agit de pouvoir obtenir des résultats numériques convenables chaque fois qu’une
méthode analytique fait défaut.
Pour ce qui concerne certains théorèmes très importants, nous nous sommes parfois borné
à les énoncer sans les démontrer, le contraire eut risqué de nous éloigner de notre préoccupa-
tion majeure : le résultat numérique ; cependant, les indications bibliographiques permettent
d’obtenir aisément ces démonstrations qui sont classiques.
Les objectifs poursuivis se situent sur deux plans que l’on a coutume de séparer mais qui sont
indissociables de notre point de vue : l’acquisition d’algorithmes numériques indispensable à la
résolution de problèmes usuels et la maîtrise du traitement des données expérimentales selon la
méthode statistique. Traiter les données de l’expérience impose l’usage de techniques numériques
appropriées, et l’examen des résultats entachés d’erreur et d’incertitude impose l’usage de la
statistique. La propagation des erreurs à travers les algorithmes relève d’une analyse subtile qui
est éternellement omise tant elle est délicate. Nous avons tenté de l’effleurer et c’est une des
raisons qui nous a poussé à développer l’étude des lois de distribution ainsi que leurs fondements
dans une partie qui est davantage dévolue aux statistiques.
De même qu’il est impensable de vouloir apprendre à jouer du piano la veille de donner un
concert, de même il est impensable de vouloir apprendre l’algorithmique numérique le jour où
le besoin s’impose. Dans les deux cas, il convient de recourir aux gammes afin d’acquérir une
solide expérience. En calcul numérique il n’y a pas de voie royale, et aucun algorithme n’est
capable de fournir de résultats corrects quelles que soient les données fournies. Il est toujours
possible de mettre en défaut une procédure et d’obtenir des résultats abérrants pourvu que l’on
s’en donne la peine... Un très bel exemple est étudié à l’occasion de la résolution des systèmes
linéaires dépendant d’une matrice de Hilbert.
L’expérience pratique prend alors toute sa valeur, et c’est ainsi que notre enseignement
comporte une séance hebdomadaire de trois heures sur calculateur arithmétique. Peu importe

3

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

le langage et la manière, seul le «résultat correct 8 compte et ce n’est pas une mince affaire
que de se faire une opinion sur les erreurs qui entachent les résultats finals. Ensuite viendront
éventuellement se greffer les problèmes d’élégance et d’optimisation.
En aucun cas, cet enseignement n’a pour but d’explorer et de recenser tous les algorithmes
ayant trait à un type de problèmes. Nous avons voulu présenter ceux qui se sont montrés
paradigmatiques soit sous l’angle de la simplicité soit sous l’angle de l’efficacité. Il s’agit de
construire des programmes que nous aurons soigneusement testés, dont nous connaîtrons les
limites et qui rempliront peu à peu notre boîte à outils.
Pour simplifier, nous dirons que ce livre peut se subdiviser en trois parties à savoir :
1. Études d’algorithmes numériques et leur mise en oeuvre.
2. Analyse statistique des résultats d’expériences.
3. Annexes, problèmes et corrigés.
Nous l’avons déjà dit, les deux premières parties interfèrent partiellement, et c’est une des
raisons pour laquelle nous avons renoncé à présenter un ouvrage où tout ce qui est étudié dans
un chapitre s’appuie nécessairement sur ce qui a été établi précédemment. Par souci d’unité nous
avons préféré regrouper les titres par centre d’intérêt. Ainsi, il nous est apparu plus intéressant
d’avoir rassemblé l’étude des polynômes orthogonaux plutôt que d’avoir dispersé l’information
dans différents chapitres concernant l’interpolation et l’intégration numérique.
Il aurait été dommage de ne pas avoir abordé, ne serait-ce que rapidement, les méthodes de
Monte-Carlo d’une part, et les problèmes mal posés d’autre part. Ces domaines illustrent bien
la synthèse des deux premières parties, d’autant plus qu’ils s’intègrent remarquablement dans
les préoccupations des chercheurs et des ingénieurs. Qui, en physique, n’a pas eu à résoudre
numériquement une équation de convolution? Qui n’a pas tenté la résolution d’un problème au
moyen d’une simulation?
Pour terminer nous proposons un avant-dernier chapitre constitué d’un ensemble de problèmes
et d’exercices qui illustrent quelques usages des méthodes qui ont été présentées; ils servent
également à éclairer quelques points de théorie qui seraient venus alourdir le cours s’ils avaient
été intégrés dans les divers chapitres : on montre par exemple que le coefficient de conformité
de Pearson obéit bien à une loi du x2. Le dernier chapitre donne les solutions des problèmes
présentés.
La plupart des chapitres font l’objet d’une illustration et se terminent par des programmes
écrits dans le langage C : il s’agit du langage de base qui assure la portabilité. Ce point de vue
s’explique par la facilité qu’il y a à changer de langage : Fortran, Pascal, etc., sans avoir grand
chose à modifier dans le programme source. On n’est pas obligé de partager ces vues, mais il est
très facile de modifier les programmes proposés pour qu’ils apparaissent moins « archaïques ».
Pour en finir avec les algorithmes choisis et les programmes présentés, nous dirons qu’ils
sont fournis sans garantie d’aucune sorte malgré le grand soin porté à ce travail. Ils peuvent
comporter des imprécisions voire des imperfections, à ceci s’ajoute le fait qu’aucun algorithme
n’est irréprochable dans la mesure où il est toujours possible de trouver des valeurs numériques
qui le mette en défaut.
Bien sûr, nous formons le vœu que cet ouvrage puisse apporter une aide solide aux étudiants,
ingénieurs et chercheurs pour lesquels il constituera un outil dont le rôle favorise la réalisation
de sa propre boîte à outils.
La rédaction d’un ouvrage ne se réalise jamais dans l’isolement, et il m’a fallu bien des oreilles
attentives, bien des lecteurs vigilants, bien des conseillers éclairés. L’instant est venu de remercier
tous ceux qui, à quelque titre que ce soit, m’ont apporté une aide inconditionnelle, je citerai
par ordre alphabétique : Claude Bardos, Jean Bornarel, Jacques Gacougnolle, Patricia Guilpin,

AVANT-PROPOS

Michel Jacques, Claude Marti, Yvan Simon ainsi que l’équipe de physique théorique de Chaouqui
Misbah.
Pour terminer, j’ajouterai une mention particulière à EDP Sciences qui m’a offert un contexte
de travail optimum afin d’obtenir la meilleure réalisation possible.

Christian GUILPIN

PROGRAMMES SOURCES ACCOMPAGNANT CE MANUEL

Les programmes sources cités dans ce livre sont disponibles sur le site Web d’EDP Sciences
(adresse : http://www. edpsciences . com/guilpin/).

Chapitre 2 rutisacc. c sn-x. txt dfftinv.h Chapitre 26
aitken-0.c dani1ev.c un-x. txt tf-image.c regres.c
epsilon-0.c dsys1in.h vn-x.txt inv-imag.c
richard.h Annexe A
richar-0.c Chapitre 6 Chapitre 12 Chapitre 17
sturm.c
epsilon-1.c 1agpoly.c argent.c fredh-1.c
epsilon-2.c ascend.c cotes-l. c gaussien.h
Annexe F
epsilon-3.c descend.c cotes-2.c dconvo1.c
bessel1n.c
epsilon-4.c 1ispline.c dconvo1.h
bessel1f.c
aitken-2.c sp1ine.h Chapitre 13 intm0nte.h
xa1eamen.h bessel2n.c
kacmarz1.c sudeter . c epsi1on.h bessel2f.c
fredho1m.c multma. h combina. h
newton-1.c Chapitre 18 besse1jf.h
transpos . h retr0gra.c
calcu1pi.c besse1jn.h
dsys1in.h runge . c besse12f.h
Chapitre 4 invers.h matmont e . c
pendu1e.c
intm0nte.c
dichot0.c moulton. c
recuit .c Annexe 1
itera.c Chapitre 7 bashf0rt.c
newton1d.c 1egendre.c tayl0r.c dzeta0.c
newt0npp.c Chapitre 20 dzeta1.c
decom1eg.c
kacmarz . c r-1egend.c Chapitre 14
gauss1eg.h grosys1.c
newton2d.c getneme . h
jacobi0.c
triode.c Chapitre 22 jacobi1.c
bairst0w.c
chaleur.~ khi2.h pendule0.c
bairst0w.h Chapitre 9 corde.~ student.h predcor0.c
racine.h
1aguerre.c souriau0.c
r-1aguer.c Chapitre 15 Chapitre 24 sudeter. c
Chapitre 5
syst1in.c echanti1.c hist0gra.c sys1init.c
Chapitre 10 gibbs.c
triangle. c ko1mogor.c tangent2.c
trian1in.c hermite . c dirac.c gradc0nj.c
hi1bert.c r-hermit.c fi1tre.c Chapitre 25 refrig1.c
trianinv.c teststat . c mathieu9.c
1everier.c Chapitre 11 Chapitre 16 varian-1.c vanderp0.c
givens.c rn-x.txt dfftO.h varian-2.c card0.c

Sommaire

AVANT-PROPOS 3

1. GÉNÉRALITÉS SUR LE CALCUL NUMÉRIQUE 17

1 . La notion d’algorithme en calcul numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2. Le calcul numérique ne concerne que les nombres entiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3. Le calcul numérique traite du problème pratique de l’approximation de fonctions
explicites ou implicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 . Solutions littérales et solutions analytiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5 . Que sait-on calculer rigoureusement? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6. Les erreurs et les incertitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7. Un problème difficile : la propagation des erreurs en calcul automatique . . . . . . . . . . . . . . . 22
8. Réexamen des erreurs du point de vue statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
9. Sur la représentation des nombres en machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
10. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2. QUELQUES ALGORITHMES ACCÉLÉRATEURS
DE LA CONVERGENCE DES SUITES 31

1. L’algorithme A2 d’Aitken (1895-1967). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2. Le procédé d’extrapolation de Richardson (1881-1953). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3. Présentation de l’epsilon-algorithme scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4. L’epsilon-algorithme vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5. L’epsilon-algorithme matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6. Remarques et propriétés de l’epsilon-algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
7. Propriétés remarquables du procédé A2 d’Aitken et de l'epsilon-algorithme ............ 39
8. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

7

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

3. LESDÉVELOPPEMENTSASYMPTOTIQUES 43

1. Un exemple de développement asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2. Quelques propriétés utiles des développements asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3. Développement asymptotique de quelques fonctions spéciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4. RÉSOLUTIONDES ÉQUATIONSNUMÉRIQUES 51

1. Généralités sur la résolution des équations f(z) = 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2. Résolution d’un système non linéaire de deux équations à deux inconnues ............. 59
3. Racines d’un polynôme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5. ÉLÉMENTS DECALCULMATRICIEL 69

1. Multiplication de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2. Résolution d’un système linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3. Inversion d’une matrice carrée d’ordre n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4. Calcul des valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

6. L'INTERPOLATION 89

1. De la légitimité de l’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
2. Le polynôme de Lagrange (173661813). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3. Évaluation de l’erreur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4. Comment minimiser E(z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5. Autre disposition pratique du calcul du polynôme de Lagrange ........ . 94
6. Cas où les abscisses sont en progression arithmétique . . . . . . . . . . . . . . . . . . . 95
7. Les polynômes d’interpolation de Newton (164331727) . . . . . . . . . . . . . . . . . . . 96
8. Le polynôme d’interpolation de Stirling (169221770) . . . . . . . . . . . . . . . . . . . . . 98
9. Le polynôme d’interpolation de Bessel (178441846). . . . . . . . . . . . . . . . . . . . . . . 100
10. Erreurs commises en utilisant les polynômes d’interpolation ............ . 100
11. Programmes déterminant les polynômes d’interpolation . . . . . . . . . . . . . . . . . . 101
12. Interpolation par les fonctions-spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
13. Les fonctions-spline du troisième degré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
14. Résolution d’un système linéaire dépendant d’une matrice tridiagonale 104
15. Une application simple des polynômes d’interpolation . . . . . . . . . . . . . . . . . . . . 105
16. L’algorithme d’interpolation d’Aitken (1932) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
17. Approximation par une combinaison linéaire de fonctions . . . . . . . . . . . . . . . . 109
18. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

7. LESPOLYNÔMESDELEGENDRE.
MÉTHODED'INTÉGRATIONDEGAUSS-LEGENDRE 113

1. Les polynômes de Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 3
2. Méthode d’intégration de Gauss-Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 2

8

SOMMAIRE

8. LES POLYNÔMES DE TCHEBYCHEFF.
APPLICATION À LA MÉTHODE DE GAUSS-TCHEBYCHEFF 133

1. Les polynômes de Tchebycheff (1821-1894) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
2. Une propriété essentielle des polynômes de Tchebycheff à coefficient principal réduit . 134
3. Les racines des polynômes de Tchebycheff &+I(Z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4. Calcul des poids Hk correspondant aux racines zk du polynôme T,+r(x). . . . . . . . . . . . . . . 135
5. Méthode d’intégration de Gauss-Tchebycheff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6. Calcul de l’intégrale 1 = ~a f(x)
7 dM dz ................................................ 136

7. Calcul de l’erreur commise lors de l’approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
8. Fonctions génératrices des polynômes de Tchebycheff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
9. Un exemple d’intégration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

9. LES POLYNÔMES DE LAGUERRE.
MÉTHODE D’INTÉGRATION DE GAUSS-LAGUERRE 141

1. Relation de récurrence entre trois polynômes consécutifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2. Relation de récurrence faisant intervenir la dérivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
3. Les premiers polynômes de Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4. Calcul des coefficients des n premiers polynômes de Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5. Orthogonalité des polynômes de Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
6. Calcul des racines des premiers polynômes de Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
7. Calcul des poids HI, correspondant aux racines X~C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
8. Calcul numérique des poids Hk associés aux racines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
9. Calcul des intégrales du type 1 = Sexp(-z)f(s) dx . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
10. Calcul de l’erreur commise lors de’l’approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
11. Fonction génératrice des polynômes de Laguerre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
12. Calcul numérique de la transformée de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
13. Appendice : Les polynômes de Laguerre généralisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

10. LES POLYNÔMES D’HERMITE.
LA MÉTHODE D’INTÉGRATION DE GAUSS-HERMITE 153

1. Relation de récurrence entre trois polynômes consécutifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
2. Relation de récurrence entre polynômes et dérivées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
3. Les premiers polynômes d’Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4. Calcul des coefficients des premiers polynômes d'Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5. Orthogonalité des polynômes d’Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
6. Calcul des racines des premiers polynômes d’Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
7. Calcul des poids HI, correspondant aux racines xk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8. Technique de calcul des intégrales du type 1 = 7 exp (-x2/2) f(x) dz . . . . . . . . . . . . . . . . 156

9. Autres notations très utiles . . . . . . . . . . . . . . . . . . . . . .y:. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
10. Calcul de l’erreur commise lors de l’approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
11. Fonction génératrice des polynômes d’Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
12. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

9

SOMMAIRE

15. LES SÉRIES DEFOURIER 229
1. Petit aperçu historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
2. Orthogonalité des fonctions sinus et cosinus sur une période.. . . . . . . 231
3. Série de Fourier associée à une fonction périodique . . . . . . . . . . . ... 232
4. Conditions d’égalité de f(z) et de la série de Fourier associée . . . ... 233
5. Quelques propriétés remarquables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... 234
6. Approximation des fonctions par une série de Fourier tronquée.. ... 235
7. Cas où la fonction est discontinue à l’origine . . . . . . . . . . . . . . . . . . . . . . . 238
8. Le phénomène de Gibbs (1839-1903) et l’epsilon-algorithme . . . . ... 238
9. Représentation des séries de Fourier avec un terme de phase . . . . ... 241
10. Écriture du développement sous forme complexe.. . . . . . . . . . . . . . ... 241
11. Approximation des fonctions au sens de Tchebycheff . . . . . . . . . . . . ... 242
12. Application des séries de Fourier au filtrage numérique.. . . . . . . . ... 244
13. À propos du développement des fonctions non périodiques.. . . . . . ... 246
14. Calcul des séries de Fourier à coefficients approchés dans L2 . . . . ... 246
15. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... 247

16. LESTRANSFORMÉESDEFOURIER 249
1. Extension des séries de Fourier au cas où la période est infinie . . . . . . . . . . . . . . . . . . . . . . . . . . 249
2. Conditions d’existence des transformées de Fourier dans les espaces L1 et L2 .......... 252
3. La transformée de Fourier dans l’espace L1 ................................................ 253
4. Les transformées de Fourier dans l’espace L2 .............................................. 255
5. Produit de convolution dans les espaces L1 ou L2 ........................................ 256
6. Sur le calcul numérique des transformées de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
7. Cas des fonctions échantillonnées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
8. Calcul par un algorithme ordinaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
9. L’algorithme de Cooley-Tukey (1915- ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
10. Programmes de calcul des transformées de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
11. Un problème fondamental : quelle doit être la période d’échantillonnage
de la fonction f(z)? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
12. La distribution de Dirac (190221984) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
13. Transformées de Fourier multidimensionnelles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
14. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272

17. INITIATION AUX PROBLÈMES MAL POSÉS:
ÉQUATIONS INTÉGRALE~,SYSTÈMES LIN ÉAIRES MAL CONDITIONNÉS
ETÉQUATIONSDECONVOLUTI~N 273

1. Un exemple de problème mal posé :
le calcul des séries de Fourier à coefficients approchés dans L2 .......................... 273
2. L’équation intégrale de Fredholm (186661927) de première espèce . . . . . . . . . . . . . . . . . . . . . . 274
3. Notion de problèmes bien et mal posés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
4. Méthode de régularisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
5. Application à la résolution approchée des équations intégrales
de Fredholm de première espèce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
6. Résolution d’un système linéaire mal conditionné . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
7. Résolution des équations de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
8. Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285

11

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

18. INTRODUCTION AUX MÉTHODES DE MONTE-CARLO 287

1. Le problème de Buffon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
2. Générateurs de nombres pseudo aléatoires à distribution uniforme . . . . . . . . . . . . . . . . . . . . . . 288
3. Calcul de 7r . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
4. Calcul d’une intégrale définie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
5. Intégration de l’équation de Laplace en un point . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292
6. Inversion d’une matrice carrée d’ordre n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
7. Méthode du recuit simulé : recherche du minimum absolu d’une fonction .............. 294
8. Simulation d’autres lois de distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
9. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297

19. ÉLÉMENTS DE CALCUL DES PROBABILITÉS 299
1. Introduction et notions fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
2. Évaluation de la probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
3. Notion de variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
4. Somme et produit d’événements. Théorèmes fondamentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
5. Lois de répartition des variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
6. L’inégalité de Bienaymé (1796-1878) - Tchebycheff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
7. Le théorème de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
8. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309

20. LA LOI BINOMIALE, LA LOI DE POISSON ET LA LOI DE GAUSS-LAPLACE 311

1. La loi binomiale, schéma de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
2. Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
3. Loi de Gauss-Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
4. Changement de variable aléatoire dans les lois de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
5. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 324

21. LA FONCTION CARACTÉRISTIQUE 325

1 . Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
2. La distribution du x2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 328
3. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329

22. LA LOI DU x2 ET LA LOI DE STUDENT 331
1. La loi du x2n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
2. Distribution d’une somme de deux variables aléatoires indépendantes
obéissant chacune à une distribution du x27L . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
3. La loi du J& à m degrés de liberté tend asymptotiquement vers la loi de Gauss
quand m tend vers l’infini.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
4. Distribution d’une variable aléatoire fonction de deux variables aléatoires indépendantes 334
5. La distribution de Student (W. Gosset) (187661937) . . . . . . . . . . . . . . . . . . . . . . . . . 336
6. La distribution d’une somme de deux variables aléatoires
indépendantes obéissant à une distribution de Student est-elle encore une distribution
de Student? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339
7. La loi de Student à m degrés de liberté tend asymptotiquement vers la loi de Gauss
quand m tend vers l’infini................................................................... 339
8. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340

12

SOMMAIRE

23. SYSTÈMES À PLUSIEURS VARIABLES ALÉATOIRES 341

1. Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
2. Système de variables aléatoires, fonction de répartition . . . . . . . . . . . . 341
3. Variables aléatoires liées et indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
4. Caractéristiques numériques, covariance, coefficient de corrélation 343
5. Généralisation au cas de plusieurs variables . . . . . . . . . . . . . . . . . . . . . . . . . 345
6. Quelques théorèmes importants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
7. Propriétés du coefficient de corrélation (démonstrations). . . . . . . . . . . 348
8. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349

24. CRITÈRES DE CONFORMITÉ 351

1 . Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351
2. Représentation des données numériques. Histogramme . . . . . . . . . . . . . . . . . . . . . . . . 352
3. Conformité entre une répartition théorique et une répartition expérimentale
(ou répartition statistique) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
4. Le xi de Pearson (1857-1936) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
5. Critère de Kolmogorov (190331987) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356
6. Estimation des paramètres d’une loi inconnue. Estimateurs . . . . . . . . . . . . . . . . . . . 356
7. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359

25. ÉTUDE DES D ÉPENDANCE S DANS LE CAS L I N ÉA IRE 361

1. Les types de schémas de dépendance linéaire . . . . . . . . . . . . . . . . . . . . . . . . 361
2. Fondements de l’analyse de corrélation-régression. . . . . . . . . . . . . . . . . . . 364
3. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369
4. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370

26. ANALYSE DE CORRÉLATION ET DE RÉGRESSION 371

1. La corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
2. Régression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
3. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379

ANNEXES 381

A. LES SUITES DE STURM. APPLICATION À LA DÉTERMINATION
DU NOMBRE DE RACINES RÉELLES D’UN POLYNÔME 383

1. Notion de variations d’une suite numérique . . . . . . . . . . . . . . . . . . . . . . . . . . 383
2. Suite de Sturm générée à partir d’un polynôme . . . . . . . . . . . . . . . . . . . . . 383
3. Quelques propriétés des suites de Sturm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
4. Le théorème de Sturm (1829) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
5. Disposition des calculs, schéma de Routh (1831-1907) . . . . . . . . . . . . . 386
6. Quelques exemples de suites de Sturm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 386
7. Mise en œuvre du théorème de Sturm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 386
8. Éléments de bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387

13

Difficultés liées à la recherche d’une généralisation . . . . . . . . . . . Développement en fractions continues de séries usuelles . . . 389 2. . . . . . . . . . . . . . . . . . . . . . LESAPPROXIMANTSDEPADÉETDEMAEHLY 405 1. . . . . . . . . . . . Éléments de bibliographie . . . . . . . . . . . . Développement en fraction continue à partir d’un développement en série entière . . . . . . . . . . . . . . . . 426 6. . . . . . . .. . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . +~CI) 425 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419 E. . . . . . . . Racines des polynômes orthogonaux . . . . 393 5. . . . . . Calcul de exp(z) pour x appartenant à (-CO. . . . . $00) . . 421 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398 3. . . . . . . . . . . 419 8. . . . . . . . . . . . . 393 6. . . . . Décomposition d’une fonction f(z) sur la base des polynômes IV~(Z) orthogonaux sur l’intervalle (u. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 427 9. . . . . . . . . . . . . . .. . . . . . Développements de quelques fonctions en approximants de Padé . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . +oo) . . . . . . . CALCULDESFONCTIONSDEBIBLI~THÈQUEÉLÉMENTAIRES 421 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . 427 14 . . . . . . . . . . . 405 2. méthode de Maehly . . . . . 408 5. . . . . . . . . . . . . . .. . . . . . . . 390 3. . . . . 423 3. . . . Calcul de sin(z) et COS(X) pour 2 appartenant à (-CO. Calcul de la racine carrée pour 2 appartenant à (0. Généralisation de la notion de polynômes orthogonaux . . . . . . . . . .. . . . Les fractions continues infinies . . . . . . . 418 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Erreur liée à l’usage des approximants de Maehly . . . . 397 2. . . . . . . Relation de récurrence entre trois polynômes orthogonaux consécutifs . 402 6. . . . . . . . . . . . . . . . . . Calcul de arcsin et arccos pour 2 appartenant à (0. . . . . . . . . . . . . . . . . Calcul de arctan pour z appartenant à (0. . . . . . . . . . . . . . .. . . . . . . . Sur le calcul effectif des coefficients . . Généralisation des approximants de Padé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 426 8. . . . . . . . . . . . . . Éléments de bibliographie . . . . . . . . . . . . . . . . . . Un exemple de fraction continue . . . . . . . . . . . . . . . . . . . . . . . 407 3. .. . . . . . . . . . . . . . . . . 407 4. . . . . . . . . . .. . . . . . . . . . . . Développement en fraction continue à partir d’un produit infini . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 404 D. . . . . . . . . . . . . . . . . .. . . . Calcul de tangente et cotangente pour 5 appartenant à (-00. . . . . . . . . . . . . . . . . oo). 395 C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .l). . . . . . . Calcul de loge(z) pour z appartenant à (0. . . Éléments de bibliographie . . Estimation de l’erreur commise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 426 7. . . . . Calcul de argtanh(z) pour z appartenant à (0. . . . . . . . . . . . . .. . . . . . . . . 392 4. POLYNÔMES ORTHOGONAUX RELATIVEMENT À UNE FONCTION POIDS. . . . . Généralisation de la méthode de Gauss . . . . . . . . . . . . . . 394 7. . . . . . . . . . . . . . . . . Les fractions continues finies . . . . . . . 403 7 . . . . . . . . 425 4. . . Éléments de bibliographie . . . . . . . . . . . . . . . . Expression de l’erreur en remplaçant 1 par J . . . . . +oo) . . . . . . . . . . LES FRACTIONS CONTINUES 397 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le théorème fondamental de Padé . . . . . . . . . . . . . . . . . . .M ANUEL DE CALCUL NUMÉ RIQUE APPLIQUÉ B. . 400 4. . . . . . . . . 414 6. . . . . . . . . . . .b) . . . . . . +co) .l) . . GÉNÉRALISATIONDELAMÉTHODEDEGAUSS 389 1. . .

. . . . . .. . . . . . . . . . CALCULNUMÉRIQUEDES FONCTIONSDEBESSEL 429 1. . . . .. . . . . . 447 4. . .. . . . . .. . . . . L’équation différentielle des fonctions de Bessel (1784. . . Notion de bruit . .. . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .. .. . Technique de calcul . . . .. . . . ... . . . . . . . .. . . . . . . . . . Éléments de calcul matriciel . Relations de récurrence. . . . . .. . . . . .. .. . . . . . . . . . . . . . . . . . . . .. . . . 431 5. 1846) . . .. . . . . . . . .. . . .. . . . . .. . . . . Éléments de bibliographie . . . . .. . . . . . .. . .. .. .. . . . . . . . . . . . . . . . . . .. . . . . . . .. . . .. . . . . . 485 17. . . . . . . . . . . . .. ÉLÉMENTS SUCCINCTS SURLETRAITEMENTDU SIGNAL 433 1. . . . . . 441 7. . . . .. . . . . .. . . .. . . . . . . . . . . . . ... . . . . . . . . . .. ... .. . . . . . . .. Étude des dépendances dans le cas linéaire .. . . . .. . .. . . . . . ... . . . . .. . Éléments de calcul des probabilités . . .. . . . . . . . . . . . . .. . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . .. . . 471 12. . 461 7. . . .. . . . . . . . . 433 2. . . . . . .. 437 4. . . . . . . . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . . .. .. . .. . . . . . . .. . . . . . Éléments de bibliographie . . . . . 487 18. . .. . Notions sur le filtrage . . . .. . . . . 432 G. . . .. . . . . . . . .. . . . . 440 6.. . . . . . . . . .. . . . . . . . . . . . . . . . Éléments de traitement du signal . . Algorithmes accélérateurs de la convergence des suites . . . . . .. . . . . .. . . . . . . . . Poisson.. . . . . . . . . . . . . . . . . . . . . . .. . . . . .. ... . .. . . . . . . . . .. . . Analyse de corrélation . . . . . . . . . . . . . . . . . . .. .. . . . . . . . . .. . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . .. . . .. .. . . . . . . . .. .. 485 16. . . . . . . . . . . .. . . . . . . . . . . . .. . .. . . . . . . . . . .. . Puissance et énergie d’un signal . . . . . . . . . 462 8. . ... . . . 447 5. . . . . . . .. Gauss-Laplace) . . .. . . . . . . . . .. . . . . . Les transformées de Fourier . . . . . . . . .. .. . . . . . . . . . . . . . . . . . . . . . . . . ... .. . . . 470 11. . . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . . . .. . . . . . . . . . . . .. . . .. . . . . Les fractions continues . . . . . . . . . . . . . . . . . . . La convolution . . . . . . .. . .. . . . . .. . . . . . . . ... Systèmes à plusieurs variables aléatoires .. . . Critères de conformité . . 431 4. . . . . . . . . .. ... . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . . . .. .. . . . . . . . . . . . . . . . . . . . . . . . .. ... . . . . . . La corrélation et ses propriétés . . . . . .. . . . .. . 439 5. . . . . . . . . 446 3. . . . . . . . . . La loi du x2 et la loi de Student . . . . PROBLÈMESETEXERCICES 443 1. . . . 430 3. .. . 443 2.... . . . . . . . . . . . . . .. .. . . . .. Calcul de l’erreur sur Jo(z) . 465 9. . . . . . . . .. . . . . . . .. Intégration des équations aux dérivées partielles . .. . . . . . . . . ... . . .. . . . . . ... .. . . . . . .. . . .. . . . . . . . . . . . . . . . . .. . . .. .. . . .. . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .. . . . . .. . . . . . . . . . . . . . . .. . . . . . . . ... . . .. . . .. . . . . Applications de la corrélation. . . .. . . . .. . . . . . . . . . . . . . .. . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . ... . . . . . . . . . 480 14. . 442 H. 481 15. .. . . . . . . . . . . Résolution des équations numériques .. . . . . 495 15 . . . . . . ... .. . . . . .. . . . . . . . . . . . . .. . . 491 19. . . . . . . . . . . . . . . . .. . . . . . . . . . .. . . . . .. . . . . . . . . . . . . . . . . .. . . . .. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . Représentation de Jy(z) par une intégrale définie. . . .. . . . . .. . . . . . 467 10. .. . . . . . . . . . .. . . . . . .. . .. . . . . . .. . . . . . .. . . . . . . . . . ... . . . . . .. . . L’interpolation . . . . . . . . . . 472 13. . Lois (Binomiale. . . . . . . . . . .. . . . . . . . . . Introduction aux méthodes de Monte-Carlo . . . .. . . . . . . . .. . . .. . . . . . . . La fonction caractéristique . . . . . . . . . . . . . .. . . . 494 20. . . . . . 429 2. . . . . . . . . . .. . . . . Les développements asymptotiques . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . .. . . . . . . . . . .. . . . .. . . . . . . .. . . . .. . . Intégration des équations différentielles dans le champ réel . . . 453 6. . . . . 435 3. .. . . . . . . .. .. . . . . . . . . .. . . . . . . . . . . . . . Généralités sur le calcul numérique . . . . .. . . . . .. . . . . .. . SOMMAIRE F. . . . . . . .. . . . . . . .. . . . 432 6. . . .. . . . . . . .. . . . . . . . . . .. .

... . . .. . . ... . . .. . .. . ... ... .. . . Éléments de calcul matriciel ... . . . . .. . .. .... . .. . ..... .. 563 20. .. . . . . . .... ... . .. . . . . . . . 513 6.. . . ..M ANUEL DE CALCUL NUMÉ RIQUE APPLIQUÉ 1. .. 551 17.... . 505 5.. .. . . . .. . . . Éléments de traitement du signal .. . . . . .... ... . .. .. .. . .... . . . ... ... . . . .. . . .. .. . . .. .. .. ... .... ..... .. . . .. .. . ... .. . . .. . .. . . . .. .. . . . . . . . . .... . ... . ... . .. . .. . . . . ... . . .. . ... 543 14. . .. . . 530 10. . . . . .. 532 12. . ... .. . . .... . . .. . . .. .. . .. . . . . Les fractions continues .. . ... Les développements asymptotiques . . . .. .... .. ... . . . . .. ... . . . 530 9. .. . . . Résolution des équations numériques . ... . ..... .. . . ... ... . . .. . . Critères de conformité . .. . . ..... .. . . .. . . .. . . .. . .... Interpolation . . . . . 523 7.. . .. .. . .. . . . . . .. . . .. . . . ... . . 523 8. . . . . . Systèmes à plusieurs variables aléatoires . . .. . . .. . . . ... . . . ... . . .. .. . .. ... . . . . .. Les transformées de Fourier ... . .. . Algorithmes accélérateurs .. .. . .. . . .. . . . ... . . ... 497 2. . . . . Éléments de calcul des probabilités. . . . . La fonction caractéristique . .. . 550 16.... . . . ... ... . . . . . . .... . Lois ... . . . . ... Généralités sur le calcul numérique... . . . .. . . .. .. . . . .. .. 553 18. . ... 564 INDEX 567 16 ... . . ... . . . .. . . . .. . . . . . .. . .. . . Analyse de régression-corrélation . . . . . . . . 545 15.... .. . . .. . . .. .. .... .. .. . . . . . . ... . . . . .. . .. . . . . . . . . ... . . . . .. 504 3. . ... ... . ..... . . ... .. . . . . .... . . . . .. .. . . . .. .. .. ... . ... .. . ... . . . . . . ......... . . . . . .. . .. ... .. . . .. . ... .. . . . .. .. . . 532 11. .... .. . . . . . . . . 560 19. . .. . . .. . . . ... . .. .. ... ... .. . . .... . . . . ... .. .. . .. . . . Introduction aux méthodes de Monte-Carlo . .. Intégration des équations aux dérivées partielles . . . 534 13.. . .... . . . . ..... .. . .. . .. . . . ... . . .. . . . . . . . .. . Étude des dépendances dans le cas linéaire .. ... .. .. .. .. . ... .. .. .. . . . . .. ... . . .. .. . . . . ... . . ... .. .. . .. CORRIGÉS DES PROBLÈMES ET EXERCICES 497 1... . .. .. . 504 4.. . .. . . . . . ... .... ... . . . . .. ... .. . . . . ... La loi du x2 et la loi de Student . . . . . . .... .. Intégration des équations différentielles dans le champ réel .. .. . .. . .. .. ... . . .. . . .. . . . . .. . . . . .. ... ... . . .. . . . . . .. . . . . . . . . .. . .

. soustraction.. cela implique que l’on ne peut manipuler que des nombres admettant une représentation finie ce qui conduit à effectuer des troncatures et des arrondis au cours des opérations successives. La plupart du temps. etc. procédure. 1. la première 17 . Cependant sa portée ne dépasse pas celle de la « prose que chacun fait sans le savoir ».Le calcul numérique est une branche des mathématiques appliquées qui étudie les méthodes pratiques destinées à fournir des solutions numériques aux problèmes formalisés dans le langage des mathématiques pures.. L’étymologie de ce mot est arabe et c’est une altération du nom du mathématicien Al- Khwârizmi (t812?). c’est le cas des développements en série de fonctions : série entière. Cette remarque en apparence triviale doit pourtant être présente à l’esprit lorsque l’on fait usage d’une machine arithmétique (mais aussi du calcul manuel. ils devront obtenir un ensemble de valeurs numériques qui pourra servir par exemple soit à la réalisation d’un édifice ou d’un prototype.. par exemple. ce sont les ingénieurs et les chercheurs qui se trouvent concernés par l’usage de ces méthodes pratiques. technique de calcul.) : la première division venue. Il s’agit donc d’un concept commode mais peu fécond qui sert à désigner un certain type d’organisation de propositions à caractère mathématique. L’examen des mathématiques montre que le nombre d’opérations proposées dans un algorithme peut être infini (mais dénombrable). série de Fourier. Face à un jeu d’équations plus ou moins complexes. on peut évoquer.& le nombre. la technique de résolution des équations du deuxième degré à coefficients réels à condition toutefois d’admettre que l’on dispose outre les quatre opérations fondamentales (addition. il est tout à fait possible de remplacer ce mot par procédé de calcul. En outre. probablement sous l’influence du mot grec (repris par les latins) 0 ccptOl. et en aucun cas cette définition ne permet de donner une manière de construction des algorithmes. Pour illustrer ce concept. Quoi qu’il en soit. c’est une dénomination commode qui sert à désigner l’ensemble des opérations qui interviennent au cours d’une démonstration conduisant à l’énoncé d’un théorème. soit à la confrontation des résultats expérimentaux et théoriques etc. Sans que rien ne soit changé. multiplication et division) de l’opération racine carrée. La notion d’algorithme en calcul numérique Un algorithme est un procédé de calcul qui ne met en œuvre que des opérations arithmétiques et logiques. car ce sont en définitive les nombres qui vont retenir leur attention. Le concept d’algorithme en calcul numérique est quelque peu plus restrictif : le nombre d’opérations élémentaires arithmétiques et logiques est obligatoirement fini.

En revanche. 2. et force est de répondre non à la question posée. Le calcul numérique traite du problème pratique de l’approximation de fonctions explicites ou implicites Un problème d’analyse se trouvant modélisé dans le langage des mathématiques pures.M ANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ racine carrée venue ont toutes les chances d’introduire un nombre dont la représentation impose une infinité de chiffres significatifs.. de Cardan (1501-1576) qui parvinrent à la solution au travers de défis et de provocations qui semblaient être coutumiers à cette époque. il faudra les tronquer. Le problème général de l’évaluation des incertitudes et erreurs est délicat qui plus est lorsque l’on fait usage d’une machine. les deux représentations. on peut dire qu’il revient à Al-Khwârizmi (fin VIII~. Le choix retenu est en général un compromis entre ces deux situations extrêmes. qui illustre cette difficulté : la recherche des racines d’un polynôme de degré quelconque à coefficients réels. mais ce n’est pas la seule source. à chaque opération élémentaire sur les nombres il y a une opération de cadrage suivie d’une opération arithmétique sur les nombres entiers. on retiendra à son propos les noms de Tartaglia (1500?-1557). Cette conception n’est pas tellement restrictive en soi. et il faut bien admettre que l’on ne peut manipuler (au sens étymologique) que des représentations finies. Pour ce qui concerne les machines arithmétiques. nous l’aborderons un peu plus en détail dans quelques paragraphes. 3. une faible précision n’imposera qu’une petite taille du mot-machine ainsi qu’un faible temps de calcul. car les seules opérations arithmétiques pratiques que 1’Homme est susceptible de réaliser ne peuvent que concerner les nombres admettant une représentation finie de symboles (chiffres significatifs) donc en fait des entiers. on trouvera un paragraphe traitant de quelques représentations assez générales. Dès lors. sous l’angle de l’histoire. 18 . En fin de chapitre. elle-même suivie éventuellement d’une opération de troncature ou d’arrondi. début IX~) et à Luca Pacioli (1445?-1514?) le fait d’avoir raffiné les solutions. Si l’équation du deuxième degré est connue depuis l’ilntiquité. on comprend tres bien que la recherche d’une grande précision imposera une grande taille de mots-machine et par conséquent un grand temps de calcul. il suffit de considérer un exemple. la première préoccupation consiste à rechercher la solution sous forme littérale à l’aide des fonctions connues qui sont les polynômes et les fonctions transcendantes élémentaires. La connaissance de la manière dont les nombres sont représentés dans la machine utilisée est fondamentale en ce sens qu’elle permet l’estimation de la précision attachée aux résultats d’un calcul. Pour s’en convaincre. La représentation dite en virgule flottante éclaire ce point de vue car en fait elle traite de nombres ayant une certaine quantité fixe de chiffres significatifs (agrémenté d’un facteur de cadrage appelé exposant) et dans la réalité.. Signalons toutefois que les bases de l’étude sont dues à Del Fero (1465??1526). L’école italienne de Bologne s’attaque à l’équation du troisième degré. ne doivent pas masquer la réalité et il faut voir là uniquement deux représentations commodes. entière et flottante. Cette dernière étape intervient lors de l’évaluation de l’incertitude qui entache les résultats d’un calcul. Tous les problèmes ne sont pas algorithmiquement solubles. Le calcul numérique ne concerne que les nombres entiers Ce n’est pas une boutade. On peut se poser la question de savoir si cette façon de concevoir est toujours possible.

On écrit traditionnellement l’équation à laquelle obéit son mouvement : d’Q(t) + w2 sin O(t) = 0. l’équation du deuxième degré par exemple. GÉNÉRALITÉ~ PUR LE CALCUL NUMÉRIQUE Ensuite l’équation du quatrième degré fut abordée et résolue par Ferrari (152221565) qui fut un élève de Cardan. le travail conduisit à l’énoncé d’un résultat négatif. Aujourd’hui. on sait que les problèmes que l’on peut se poser sont de trois types à savoir : a. on sait qu’il existe des propositions vraies que l’on ne peut pas démontrer. par exemple. 1. 00. Pourtant. il s’agit de l’équation du pendule pesant assujetti à osciller dans un plan. c. w”) à l’aide des transcendances usuelles (0. on apprend que l’on ne peut pas obtenir la solution sous forme littérale (t. Alors. 1. on verra comment calculer les racines d’un polynôme de degré quelconque à coefficients réels. les mathématiciens s’intéressèrent tout naturellement à l’équation du cinquième degré et les recherches furent très riches d’enseignements dans la mesure où. Souvenons-nous d’une des premières équations différentielles que nous avons rencontrée en Physique. Oo. Du reste. les problèmes algorithmiquement solubles. Gode1 (190661978)). Alors. et 190 sont les conditions initiales sur l’angle et la vitesse angulaire). w étant une constante dépendant de la longueur du pendule et de l’accélération. dans une axiomatique donnée. nous remarquerons que les problèmes de calcul numérique sont uniquement des problèmes d’approximation de fonctions au sens le plus large. Rothe (??1617) émit une proposition selon laquelle toute équation algébrique de degré n possédait n racines réelles ou complexes. on sait 19 . Il fallut attendre la publication des travaux d’Abel (180221829) pour obtenir la démonstration définitive de la proposition de Ruffini (1826). les problèmes algorithmiquement non solubles. dans ce cas particulier. On peut se rappeler à ce propos le problème de la trisection de l’angle qui n’est pas algorithmiquement soluble si les moyens de construction autorisés sont la règle et le compas. dt2 où Q(t) est l’angle que le pendule fait avec la verticale à un instant donné. 2. En terminant ce paragraphe. Ce résumé de l’histoire des équations algébriques nous mène à deux types de remarques : Remarque 1 : Le fait de poser un problème dont la solution existe n’est pas suffisant pour permettre d’exhiber effectivement ladite solution selon des moyens donnés. En 1608. et Gauss (177771855) en effectua la démonstration rigoureuse en 1799. b. La tradition veut également que l’on ne s’intéresse qu’au cas des petits angles pour lesquels on peut écrire le développement de sin O(t) au premier ordre. Remarque 2 : Ce n’est pas parce qu’un problème est algorithmiquement insoluble que l’on n’est pas en mesure de proposer une solution approchée ~ généralement avec une précision fixée à l’avance ~ et c’est justement la raison d’être du calcul numérique que de fournir de telles solutions. les problèmes indécidables pour lesquels on ne peut rien démontrer. à condition de considérer toutefois que les axiomes de l’arithmétique ne sont pas contradictoires (cf. le théorème de Cauchy-Lipschitz nous permet d’affirmer l’existence et l’unicité d’une telle solution qui est de surcroît une fonction analytique. Cette même année Ruffini (176551822) affirma l’impossibilité formelle d’obtenir la résolution des équations algébriques de degré supérieur à quatre. selon toute vraisemblance pour la première fois dans l’histoire des sciences. par exemple la quadrature du cercle à l’aide de la règle et du compas. Plus tard.

M ANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ obtenir la solution sous forme littérale. À ce sujet. À ce propos. D’ailleurs. on peut affirmer que toutes les solutions numériques sont des valeurs numériques de fonctions analytiques. 00. il convient de distinguer l’expression formelle d’une fonction avec son expression analytique. indispensable au calcul des coefficients du développement en série. La première division venue a statistiquement toutes les chances d’introduire un résultat comportant un nombre infini de chiffres significatifs. Cela ne signifie nullement que la solution n’est pas une fonction analytique. 4. où R~+I est l’expression du reste lorsque l’on tronque par nécessité le développement à l’ordre 72.+l tend vers zéro quand 20 . C’est le rôle du calcul numérique que d’apporter une réponse à ces types de problèmes et l’on verra chaque fois de quelle manière. nous avons dit que la solution e(t. Il est quasiment impossible de connaître 6 et. la soustraction et la multiplication donneront des résultats rigoureux lors de l’exécution des différentes opérations (encore avons-nous fait abstraction des réels problèmes de la taille réservée pour représenter les nombres). que la fonction soit réelle ou complexe. w2) ne pouvait être exprimée sous forme littérale c’est-à-dire que l’on ne pouvait pas donner une expression formelle en fonction des transcendances usuelles et des polynômes. rappelons qu’une fonction est dite analytique lorsqu’elle est développable en série entière. dérivable autant de fois que l’on veut dans un domaine D contenant a et a + h. sans préjuger de la suite. seules l’addition. on peut ajouter que le calcul numérique fait amplement appel aux développements en série dans de nombreuses méthodes. En résumé. conformément à l’usage. Cependant. Sur le plan du calcul des fonctions. chacun sait que les pendules sont capricieux. Ce reste s’écrit : R f@+‘)(t) hTZ+l n+l = ( n + l ) ! où < est un nombre compris entre a et (a + h). seuls les polynômes (dont le degré est évidemment fini) sont susceptibles d’être calculés rigoureusement (ou avec une précision souhaitée à l’avance dans la mesure où le calcul peut faire intervenir la division). a + h). Considérons une fonction f(x) régulière c’est-à-dire continue. 5. Que sait-on calculer rigoureusement? Comme nous ne pouvons traiter que de nombres admettant une représentation finie de chiffres significatifs. Solutions littérales et solutions analytiques À propos du pendule. Au passage. il est bon de noter que l’on sait en général réaliser une opération formelle importante : la dérivation. que les arguments soient réels ou complexes. pour éviter tout abus et toute ambiguïté. on cherche un majorant de GI dans l’intervalle (a. rappelons que si R. Là repose le grand intérêt des développements en série (de MacLaurin (1698-1746) et Taylor (168551731)) qui fournit une expression calculable sachant que l’on se fixe à l’avance une précision donnée et sachant que l’on peut majorer convenablement l’expression du reste de la série. et d’une façon tout à fait générale. et tous n’ont pas le bon goût de vouloir limiter l’amplitude de leurs oscillations. son développement en série de Taylor s’écrit : f(a + h) = f(a) + f”(a) f(“)(a) -h2+-+ -+” -t R~+I n.

il faut évoquer l’erreur au sens trivial du terme.. c’est ce que le physicien dénomme incertitude. nous ne savons calculer que peu de choses avec une extrême rigueur. elle mérite quelques commentaires tout simplement parce qu’elle est polymorphe et qu’elle n’est pas toujours évidente à détecter. sollicitons le jugement éclairé d’un collègue. on peut envisager l’étude des erreurs entachant les résultats numériques obtenus. il est impératif de réécrire la donnée communiquée et c’est du reste une bonne façon de la voir figurer sur la feuille de résultats. et cela leur confère un rôle particulièrement intéressant en calcul numérique. et que sa programmation apparaît sans faille (ce qui implique de surcroît que l’algorithme soit adapté aux données traitées). . on arrive à connaître un majorant raisonnable des restes qui sont abandonnés. GÉNÉR.~LITÉ~ suRLE ~AL~~LNuMÉRIQuE n tend vers l’infini. des produits infinis. car même dans le premier cas.5 puis à tronquer le résultat. Tout d’abord. cela met en relief une autre facette du théorème d’approximation de Weierstrass (1815-1897) qui date de 1885 et sur lequel nous aurons le loisir d’insister ultérieurement à propos de l’interpolation (chapitre 6). malheureusement. ce qui permet de diviser les erreurs machine par deux. alors que le programme est tout à fait convenable. mais les polynômes en font partie. on doit se demander inévitablement quelle est la précision du résultat final. il n’y a pas de règles universelles qui permettent d’éviter la bévue. etc. Erreurs liées à l’exécution des calculs Les données numériques confiées à une machine ont deux origines : ce sont des nombres d’origine strictement mathématique (calcul d’une intégrale par exemple) ou des données provenant de mesures lesquelles sont déterminées dans un intervalle (autrement dit à une certaine précision près). les données comportent une erreur ou une incertitude. Après l’exécution de tous les calculs. Ici. c’est-à-dire la méprise.1. sont entachés d’erreurs dont les sources proviennent d’origines différentes. Quelle que soit leur origine. pour une fonction pourvue d’une infinité de dérivées. Que d’ennuis liés à la transmission de mauvaises données. Maintenant. évitons les compilateurs tolérants. 6. À bien y réfléchir. les opérations de conversion et d’arrondi introduisent statistiquement une erreur. Il s’agit de voir comment l’incertitude finale a été propagée au cours de toutes 21 . C’est la raison pour laquelle. 1. dans l’hypothèse où l’algorithme retenu est adéquat. 6. vérifions que nous retrouvons les résultats connus liés à certains types de problèmes. comme ailleurs. le développement de Taylor devient une série entière appelée série de MacLaurin. Erreurs à caractère mathématique La différence entre la solution strictement mathématique et la solution approchée fournit un terme d’erreur : c’est le cas fréquemment rencontré lors de l’étude des séries infinies. 6. En définitive. derrière toute instruction de lecture. lors de la phase de mise au point. Cela peut aller de l’erreur de méthode ou d’algorithme à la simple faute de copie ou de transcription. La machine traite ces données selon un certain algorithme et procède à chaque étape élémentaire à une opération d’arrondi. cependant. Les erreurs et les incertitudes Un algorithme donné permet d’obtenir des résultats numériques qui. des suites infinies. Dans tous les cas classiques. L’arrondi est une opération qui consiste à ajouter à la mantisse du nombre la valeur 0.2.

cela fournit une valeur bien plus raisonnable de l’erreur qui serait sans cela toujours exagérément surestimées. Pour cela développons au premier ordre l’expression : N = (ao + e0)2. Que peut-on conclure quant à la précision des résultats finals? Il n’est pas possible d’apporter une réponse à la question ainsi posée car les erreurs dépendent de la manière dont l’algorithme les propage et la limite supérieure de l’erreur finale n’est pas nécessairement un majorant de la somme de la borne supérieure du module des erreurs évaluées à chaque opération élémentaire. incertitudes qui dépendent.Calcul de la racine carrée d’un nombre positif N. la procédure n’a d’intérêt que dans la mesure où la suite générée est convergente. Les calculs itératifs Comme nous l’avons dit ce sont des calculs répétitifs que l’on limite nécessairement à un certain ordre. . il n’y a aucune chance pour que toutes les opérations du calcul soient systématiquement l’objet d’une erreur maximum.. logarithme. 7. L’algorithme propage des erreurs. en règle générale. Un problème difficile : la propagation des erreurs en calcul automatique Si les calculs font intervenir des fonctions transcendantes usuelles que l’on trouve sur toutes les machines. arc cosinus. racine carrée (annexe E). Toutefois les erreurs affectant les résultats (fournies par le fabricant) ne sont pas la majoration de l’erreur relative ou absolue mais plus simplement l’écart quadratique moyen . et qui consistent à réintroduire dans le calcul la dernière valeur calculée. Le plus souvent. En résumé.). Nous faisons allusion plus spécialement aux fonctions dites fonctions de bibliothèque : sinus. . Le problème n’est pas si simple que cela et dépend essentiellement de la manière dont l’algorithme propage les erreurs indépendamment des calculs effectués. les calculs sont réalisés au moyen d’opérations introduisant des arrondis et de fonctions de bibliothèque affectées d’une précision limitée. 22 . il faut alors avoir recours au manuel du fabricant de logiciels pour connaître l’incertitude attachée à l’usage de telle ou telle fonction. de ce point de vue. arc sinus. mais pour bien situer le problème disons que.. on rencontre deux types d’algorithmes : ceux qui font appel à des calculs cumulatifs reposant sur l’addition (au sens large) et les calculs itératifs reposant sur la répétition du calcul avec chaque fois une nouvelle valeur donnée par le précédent tour. en effet. il convient d’ajouter qUe le cumul des erreurs au cours d’un tour de calcul interviendra au niveau de la vitesse de convergence du processus. arc tangente. Nous allons essayer d’obtenir une approximation de eo. Pour s’en convaincre. de la taille de l’argument. Cependant. tangente.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ les opérations d’arrondi.. cosinus. On a la relation : ~4 = a0 + eo. mais cette hypothèse admet des limites qu’il convient de ne pas franchir et nous en verrons un exemple un peu plus loin. Cette conception est tout à fait convenable dans la mesure où l’on peut supposer que les erreurs obéissent à la loi de Gauss-Laplace. exponentielle. Exemple de calcul répétitif . La limite obtenue ne dépend alors que de la précision de la machine utilisée (représentation des nombres.1. 7. fonctions de bibliothèque. Désignons par ao une première approximation de fl et par eo l’erreur liée à cette estimation. il suffit de procéder selon cette technique et l’on s’apercevra bien vite que cette façon de concevoir les incertitudes se révèle très exagérée et très surestimée.

Pour fixer les idées. La somme ao + eh constitue une meilleure approximation que ao sous réserve toutefois que le développement soit convergent. chapitre 4). Les exemples les plus immédiats concernent la somme d’une série numérique ou encore le calcul d’une intégrale. parce que nous avons affaire à des erreurs de troncature.lr. < 10-“. expression dans laquelle es est remplacée par eh qui en est une approximation. Dans ce dernier cas. l’erreur pouvant devenir quasiment infinie. si la précision relative fournie par la machine est 10. car la somme partielle S. 1. et ceci jusqu’à ce que l’on ait obtenu le meilleur résultat que la précision de la machine puisse permettre d’obtenir. encore faut-il que la suite de nombres générée soit convergente. mais cela peut avoir pour effet de donner une suite (ak) qui. On déduit : 4 = (N/~O -a~)/% soit encore : a1 = a0 + eh = (N/u0 + ao)/2. on peut intégrer d’autres types d’algorithmes qui relèvent de la même analyse parmi lesquels on peut citer la dichotomie (cf. Le calcul effectif de la série divergente ~~=rl/n donne toujours un résultat fini en faisant usage des machines usuelles. À cet égard. L’erreur sur le calcul dépend de la limite de l’erreur mathématique ej qui ne tend pas vers zéro du point de vue numérique. obtenue par sommation des p premiers termes qui apportent effectivement une contribution à la somme est toujours très inférieure à la taille du plus grand nombre représentable dans lesdites machines. une méfiance toute particulière doit être manifestée lorsque l’on traite des séries lentement convergentes ou lentement divergentes. lorsque k est grand. GÉNÉRALITÉSSUR LE CALCUL NUMÉRIQUE On obtient : N = ao(a0 + 2eh). Autrement dit le terme (p + 1) ne peut plus modifier la somme partielle déjà calculée. rien ne nous empêche de recommencer les calculs avec la dernière approximation évaluée ur (itération). Nous aurons l’occasion d’examiner plus en détail ce problème en étudiant les racines des équations. car il est possible d’obtenir à peu près n’importe quoi. Les calculs cumulatifs Il s’agit de calculs dont le résultat dépend de tout l’ensemble des calculs intermédiaires. il faudra choisir un critère tel que le nombre d’itérations soit fini. il faut et il suffit que : Donc pour débuter les itérations on peut prendre uo = N par exemple.2. e0. toujours du point de vue de la précision. Dans cette classe de problèmes où les erreurs ne sont pas cumulées dès le début de l’algorithme. admet une limite non nulle e.l)/S. Le résultat définitif dépend évidemment. il en sera de même des termes suivants qui sont encore plus petits. fournit alternativement deux valeurs limites. le nombre p sera obtenu lorsque : l/(p . Pour s’assurer de cette convergence. 23 . De toute façon. Cela conditionne la précision de la valeur finale. 7. L’exemple le plus connu qui illustre parfaitement ces propos repose sur la série harmonique qui est très lentement divergente. du nombre de termes calculés et du nombre de chiffres significatifs dont la machine dispose.

Cet exemple montre à l’évidence que les fonctions de bibliothèque ne sont certainement pas calculées au moyen de développements de ce type.(n) . Soit n = 2 718. Nous pensons plus particulièrement aux séries de Fourier (1768-1830) lorsque les coefficients décroissent comme l/n. Il n’est peut-être pas inutile d’insister sur la taille immense des nombres intermédiaires qui doivent être calculés (2 718! . 12 = 1 .+ 1 +. 1x2 3x4 4x5 n x (n+l) 24 . . d’où l o g . Il est facile de donner un tel exemple en considérant le développement de exp(z) : x2 x3 exp(x) = z + 2 + 3 +. + 5 +. à la technique de calcul des fonctions de bibliothèque. . donc lorsque 1000” N n!.10s154) et qui dépasse de très loin la capacité des mots- mémoire les plus optimistes. elles constituent un piège redou- table car rien ne permet de se défier du résultat si ce n’est justement un calcul d’erreur. nous aurions pu être alerté par un dépassement de capacité qui aurait arrêté l’exécution des calculs c’est-à-dire qu’à partir d’un certain rang la somme partielle aurait dépassé le plus grand nombre représentable en machine. Nous savons que cette valeur est très petite. soit : &‘+&+i+L+.. Ces considérations sur les séries attirent deux autres remarques : 1.n. . Utilisons ce développement toujours convergent (rayon de convergence infini) pour calculer exp(-1000). Le calcul numérique n’exclut pas de ses méthodes l’usage de certaines séries divergentes (encore appelées séries semi-convergentes) : on verra des applications lors de l’étude des déve- loppements asymptotiques et lors de l’étude de l’epsilon-algorithme appliqué aux fonctions admettant un prolongement analytique (chapitre 2). mais bien que le développement de exp(x) soit absolument convergent le calcul de la série alternée va poser des problèmes quasiment insurmontables. on aboutit au résultat suivant : 72 10g. malheureusement il n’en a rien été.Dans le simple but de supprimer les cadrages des nombres intermédiaires. Revenons un instant sur les séries lentement convergentes.(n!) = nlog. En passant aux logarithmes puis en faisant usage de la formule de Stirling log. Un dépassement de capacité signalé ne signifie pas obligatoirement que l’algorithme utilisé est divergent.. Dans ce domaine. rien n’est simple car la majoration abusive des erreurs conduit tout aussi inévitablement à pénaliser voire à rejeter des résultats qui pourraient être acceptables.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Si la série avait divergé plus rapidement.. et donc de raisonner plus facilement sur les erreurs absolues. E. ( 1000 ) On obtient n. 2. Nous avons consacré les annexes C.n.(n) . en écrivant que n/l 000 = e (e est la base des logarithmes népériens). nous allons examiner en détail le calcul d’une série banale et connue dont la somme vaut l’unité.(1000) = R log. Un exemple de calcul d’erreur sur la somme d’une série convergente . Grosso modo la somme partielle va croître jusqu’à ce que n! l’emporte sur xn. mais tout simplement qu’au cours du calcul la somme partielle s’est montrée supérieure au plus grand nombre représentable.. D.

Comme il n’y a pas d’erreur sur les multiplications (pas de troncature). Tableau 1. /1 . la probabilité pour que l’erreur soit effectivement égale à Eg est pratiquement nulle.502 77. GÉNÉRALITÉS SUR LE CALCUL NUMÉRIQUE Comme 1 1 ~~ n(n + 1) .88 50 000 0. Il est bien préférable de raisonner en termes de probabilité.999 975 3.l).31 1.66 1.822 0.931 0. 25 . Quand on limite la somme aux m premiers termes.999 950 1. on en conclut que la limite de la série est égale à 1. (m.06 2. On peut majorer Eg : E. ce terme est désigné par erreur réelle dans le tableau. et pour m = 50000..30 100 000 0. on peut majorer l’erreur de troncature de cette série. 108 err.440 30 000 0.672 0. Chaque étape du calcul introduit une erreur de l’ordre de (cf.999 900 0.(mkl) À présent supposons que les calculs soient réalisés sur une machine qui travaille avec des nombres représentés sur 5 octets.. Eg est environ 500 fois trop grand. puis de passer à la valeur 100 000.& . seules sont prises en compte les erreurs sur les inversions et sur les additions : soient au total 2m opérations susceptibles d’apporter une contribution à ce que nous appellerons l’erreur globale J!&. réelle 106 10 000 0.S . Ce n’est pas l’examen mathématique de cette série qui va retenir notre attention.86 0. 1. m.329 20 000 0. Du reste. Nous donnons ci-dessous un tableau (Tab. En effectuant un passage à la limite quand m devient infini. mais uniquement le calcul numérique effectif ainsi que l’erreur qui en résulte.79 0.0 Il est facile de constater que les erreurs globales Eg majorées a priori ne représentent pas du tout la réalité. 106 err. globa. 09) : f& = 10-9J32.n (ni 1)’ on voit que la somme partielle limitée au me terme s’écrit : STn=l. Nous avons choisi de faire varier m de 10 000 en 10 000 jusqu’à 50 000. l’erreur globale.1) où sont portés m.475 0.& 1est un terme qui représente les erreurs cumulées au cours des opérations réalisées en machine.999 967 2.999 980 4. stat. c’est une erreur mathématique qui est majorée par le premier terme abandonné de la série convergente alternée : e --. 1.255 40 000 0. S. On en conclut que cette manière de concevoir les erreurs n’apporte rien et surtout n’est pas réaliste.72 0.1. l’erreur statistique et 1 ~ S . m S err.950 2. = 2me.999 991 9.

7%.083 3. s0 d’où l’on tire o = 0. à 2a. on peut associer à l’erreur une variable aléatoire X. À chaque opération. pour ce type de problèmes. c’est-à-dire que l’on va arrêter les calculs lorsque S. la division va introduire une erreur systématique qui va garder le même sens très longtemps. les grandeurs statistiques ne sont plus des estimateurs acceptables de l’erreur.2. On voit très bien que. S’il y a N opérations dans la procédure globale et si l’on suppose que les erreurs sont indépendantes.25. À partir d’un certain rang K < n. 8. 26 .288 7. Y est une variable aléatoire gaussienne de moyenne m et d’écart quadratique moyen CT : CT. cependant elles le demeurent pour n allant jusqu’à 50 000 environ. Grosso modo. et cy = 0. ce qui divise chaque erreur élémentaire par 2. est 99. Cas où X n’est plus à distribution rectangulaire Reprenons l’exemple précédent et cherchons à calculer la somme de la série « à la précision de la machine ».MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 8. = Na2 ce qui donne en définitive une mesure de l’erreur donnée par l’écart type : cy = 0. soit CT = 0. fly constitue en général une bonne estimation de l’erreur et nous rappelons à ce sujet que la probabilité pour que l’erreur soit inférieure en module à gy est 68%. Cas où la distribution des X peut être considérée comme rectangulaire On peut aisément calculer les caractéristiques de la variable aléatoire X. Réexamen des erreurs du point de vue statistique Supposons que l’on utilise une machine qui travaille sur des mantisses de n chiffres significatifs. En réalité la variable aléatoire X” prend ses valeurs sur l’intervalle (0. 0./(n + l)/(n + 2) sera plus grand que 10g932 si l’on dispose de 4 octets pour représenter la mantisse. la précision optimum est obtenue pour une valeur de n voisine de 100000 que nous avons portée dans le tableau. On calcule d’abord la moyenne : 1 m = (X) = XdX = 0. est 95% et à 3a. s0 puis l’écart quadratique moyen 0’ : o2 = I(X .102fi.5) puisque la machine effectue non pas des troncatures mais des arrondis.1.102.5.042 10P2. On va alors raisonner sur la valeur absolue de la mantisse considérée comme un nombre entier.m)2dX = 0. Il s’ensuit que : m = (X) = 0.l). l’erreur totale sera la variable aléatoire : Y=&. 8.288 74%. La distribution ne sera plus du tout rectangulaire et les estimations effectuées au moyen des erreurs gaussiennes deviennent caduques. Faisons l’hypothèse que l’erreur de troncature puisse être considérée comme une variable aléatoire continue que l’on désigne par X à valeur sur (0. 3=1 D’après le théorème central limite. g2 = 1.

On suppose que le mot-mémoire a la taille d’un octet (8 bits). donc on peut représenter 256 configurations différentes. considérons un nombre de l’ordre de 101”. même si la taille de la mémoire devait être considérable. puis à changer le symbole zéro en symbole un et le symbole un en symbole zéro. le problème des très petits nombres fractionnaires resterait entièrement posé. En définitive. GÉNÉRALITÉS SUR LE CALCUL NUMÉRIQUE 9. il y a un dépassement de la capacité du mot-mémoire. Avant d’envisager la manière de stocker un 27 . Ainsi. Pour fixer les idées. Le nombre de configurations différentes susceptibles d’être obtenues est alors 2”. Tout bien considéré. Cette propriété sera exploitée pour générer des nombres pseudo- aléatoires (cf. Nous allons montrer de quelle façon se réalisent ces représentations sur une machine travaillant sur des mots-mémoire de k bits (bit est la contraction de binary digit signifiant chiffre binaire). Exemple . on préfère utiliser la représentation en complément à deux qui permet alors d’effectuer l’addition des nombres et non la soustraction.. la représentation en complément à deux consiste à écrire le nombre en binaire pur. soit encore les nombres de -128 à +127. on peut donc représenter 2” nombres entiers en binaire. 9. chapitre 19). Si l’on se limite au point de vue opératoire. +2’-l ~ 1). de cette façon. Ajoutons que l’on gagne un chiffre dans la représentation car il n’y a qu’une seule configuration pour zéro alors qu’il y en aurait deux en signant les nombres négatifs : une pour les positifs et une pour les négatifs. qu’à l’exécution. et enfin à ajouter un. Les nombres entiers Pour les entiers positifs la représentation retemre est la représentation binaire pure et pour les entiers négatifs la représentation binaire en complément à deux. On désire réaliser l’opération c = a + b avec a = 57 et b = -36. on représente les nombres sur l’intervalle fini (-2”-l. ce qui a une incidence directe sur le temps d’exécution des opérations et la taille de la mémoire centrale. La plupart du temps il est convenu d’utiliser le premier bit à gauche pour exprimer le signe du nombre et l’on adopte la valeur zéro pour désigner un nombre positif et la valeur un pour désigner un nombre négatif..1. cela montre que la machine passerait le plus clair de son temps à travailler pour rien. Sur la représentation des nombres en machine 9. 1. Il faudrait des mots-mémoire constitués de 300 à 350 bits pour le représenter en binaire pur ce qui est prohibitif dans la mesure où statistiquement peu de nombres aussi grands sont utilisés.2. alors que toutes les opérations arithmétiques devront porter sur tous les bits sans exception . il s’agit de trouver un compromis acceptable entre la précision de la repré- sentation et la taille du mot-machine. La plupart des compilateurs masquent ce dépassement de capacité (report) et l’on génère des nombres entiers modulo 2’. Les représentations binaires sont les suivantes : a 00111001 Ibl 00100100 b 11011100 C 100010101 report On s’aperçoit alors. En ce qui concerne les nombres négatifs. Les nombres décimaux ou flottants ou réels La représentation entière ne permet pas une large dynamique et se trouve mal adaptée à la représentation des nombres de grande taille (grand module de l’exposant).

Pm. Sa raison d’être s’explique par la recherche d’une représentation optimum qui permet d’occuper la place mémoire la plus petite. la convention veut que les configurations comprises entre 0 et 64 soient attribuées aux exposants négatifs (et l’exposant nul) et les configurations comprises entre 65 et 127 aux exposants positifs. Comme précédemment le signe plus est codé par un 0 et le signe moins par un 1 (premier bit). on stocke uniquement la mantisse et l’exposant . 2. 5. Ce n’est généralement pas la solution retenue.Une représentation des nombres flottants sur quatre octets . Pour ce qui concerne l’exposant. A. F. Le mot-machine est constitué de quatre octets numérotés de gauche à droite de 1 à 4. Comme la base n’a pas besoin d’être explicitement exprimée. négatifs ou nuls). a . B. Il s’agit donc d’une représentation semi-logarithmique particulière dans la mesure où le premier chiffre significatif est différent de zéro. (B . 28 . . Pour ce faire. L’octet 1 contient le signe du nombre dans le premier bit et l’exposant dans les sept bits suivants. 8. On s’aperçoit sans difficulté que l’écriture en chiffres romains n’est pas bien adaptée à la réalisation effective de cette opération.C’est une représentation qui a été fréquemment retenue par les constructeurs de grosses machines dans les années 60. pour s’en convaincre il suffit d’écrire deux nombres en chiffres romains et d’en effectuer la division. et la base implicite est 16. le premier demiioctet de l’octet 2 doit être différent de zéro. il suffit d’ajouter 64 à l’exposant avant de procéder au stockage. s’exprime soit dans le vocabulaire écrit courant. Ceci peut apparaître comme une évidence. m2 + l}. Pm-2 Pm2-1.. chacun de ces symboles peut être codé en binaire sur un demi-octet.1)). 2.. . Un nombre. ce qui limite la représentation à 6 chiffres hexadécimaux. 6. Comme on peut représenter 128 configurations possibles sur les 7 bits affectés à l’exposant. 9. Les chiffres utilisés sont donc les symboles hexadécimaux 0. 7. on pourrait concevoir une représentation entière affectée d’un signe puisque les exposants peuvent être négatifs ou positifs. En définitive. car un chiffre hexadécimal se code sur quatre bits.&. n=TlLl On remarque que mi et rn2 sont des nombres entiers finis dès qu’il s’agit de calculs effectifs (positifs. 3. C. il n’en est rien. aussi mérite-t-elle qu’on s’y attarde un peu. soit au moyen d’une représentation symbolique écrite dans une base donnée (à l’aide de chiffres) . 3 et 4. Un nombre peut toujours être représenté dans une base B quelconque selon l’expression : N = ” /lnBn avec {Bk} = (0. E. . D. la base est une donnée implicite qui n’est pas stockée avec le nombre mais qui est évidemment indispensable pour effectuer les calculs. On peut encore écrire : Cette dernière représentation est dite normalisée à condition toutefois d’avoir . 1.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ nombre en machine. la mantisse s’exprime sur les octets 2. c’est évidemment la seconde option qui est utilisée pour représenter l’information codée. il nous faut parler des nombres normalisés qui permettent d’optimiser la représentation. # 0. on écrira N sous la forme : N = (0. Par convention. 4. Comme les nombres sont normalisés. quel qu’il soit. la suite ordonnée des & s’appelle la mantisse tandis que la puissance de la base s’appelle l’exposant. 1.

Ce type de représentation permet d’obtenir une dynamique s’étendant de 10V78 à 10-75 approximativement. La dynamique n’est pas affectée tandis que la précision relative de la représentation est passée à 10-16 environ.54 10e7. le premier bit de l’octet 2 est inévitablement 1. Comme le nombre est normalisé en notation binaire. tandis que le plus grand est de l’ordre de 1038. Le premier octet permet de représenter 256 configurations qui se décomposent de la façon suivante : les exposants négatifs ou nuls sont représentés de 0 à 127 et les exposants positifs de 128 à 255.5 10Vj. Le plus petit nombre représentable est de l’ordre de 10V3’. ou une suite infinie de 1 en notation binaire). soit 0 si le nombre est positif et 1 si le nombre est négatif. 29 . il s’ensuit que l’erreur relative la plus défavorable vaut : e.La plupart du temps la représentation s’effectue sur 5 octets et la base implicite est 2. Cette conception conduit. GÉNÉRALITÉSSUR LE CALCUL NUMÉRIQUE b . 1. aussi préfère-t-on raisonner en terme d’erreur relative sur la représentation du nombre. L’octet 1 est utilisé pour représenter l’exposant tandis que les 4 derniers octets servent au stockage de la mantisse. Toujours est-il que cette suite infinie. soit environ 1OW.710V10. Compte tenu de la présence d’un digit supplémentaire utilisé en mémoire centrale lors de l’exécution. représente une erreur absolue de 1 unité sur le dernier chiffre significatif de la mantisse du nombre stocké. on aura une erreur absolue de 1 unité sur la mantisse considérée comme un nombre entier. a pour limite l’unité. c . Puisque la représentation est hexadécimale et normalisée. = 9. Il existe également une double précision qui occupe huit octets. quelle que soit sa base. à une précision plus grande mais aussi à une dynamique plus faible que celle précédemment étudiée. Cette façon de concevoir n’est pas toujours la mieux adaptée au calcul des erreurs. autrement dit. Les quatre octets supplémen- taires sont uniquement affectés à la mantisse. et par conséquent. comme on va le voir. Dans le cas le plus défavorable on aura négligé une suite infinie de F en notation hexadécimale (ce serait une suite infinie de 9 en notation décimale. Cela constitue une information sans grand intérêt et certains constructeurs utilisent ce bit pour y stocker le signe du nombre.Précision de la représentation . soit : e. = mantisse Ici encore le cas le plus défavorable se rencontre lorsque la mantisse est la plus petite possible. la plus petite mantisse vaut 16”. qui se réduit à l’erreur relative sur la mantisse : 1 e. on ne réalise pas des troncatures mais des arrondis ce qui a pour conséquence de diviser les erreurs par deux. = 0.La troncature du nombre porte sur la mantisse seule- ment.Représentation usuelle des nombres flottants dans les Basics . = 1/231 = 4. La précision relative est majorée par : e.

Le système est identique à celui utilisé pour les Basics à la différence près toutefois qu’on ne dispose plus que de 3 octets au lieu de 4 pour écrire la mantisse. Tomes 1 et II. DORN (1964) Numerical Methods and Fortran Programming. BERNARD~.5. Wiley. Dans le cas de deux octets. VERFURTH (1996) A review of a posteriori errer estimation and adaptive mesh-refinement techniques. B. 4 voire 8 octets : en binaire pur pour les entiers positifs et en complément à deux pour les entiers négatifs. La plus petite mantisse est donc 8 x 1612 sur laquelle l’erreur d’arrondi est 0.1 où k est le nombre d’octets retenus pour la représentation. RUTISHAUSER (1990) Lectures on numerical mathematics. La précision relative la plus défavorable est donc de l’ordre de 0. en arithmétique entière. 30 . STOER et R. en C. Éditions MIR. En conséquence de quoi la dynamique est évidemment la même.210F7. GIRARD (1989) Le théorème de Godel. 10. Wiley. MARON (1979) El. Springer-Verlag. soit 16 demi-octets. NEWMAN. D. Remarque : En général. ce qui permet une dynamique de l’ordre de 10~so8 à 10308 . Éléments de bibliographie N. Seuil.Par exemple. éments de Calcul Numérique. Cette propriété sera utilisée pour générer des nombres pseudo-aléatoires. on dispose de nombres compris dans l’intervalle (-32 768. HENRICI (1964) Elements of Numerical Analysis. GODEL et J. HILDEBRAND (1956) Introduction to the numerical analysis. La mantisse est représentée sur les treize demi-octets restants. JACQUES (1975) La Technique Informatique.S. et M. WILF (1965) Méthodes mathématiques pour calculateurs arithmétiques. elle se situe au voisinage de : e. NAGEL. +32 767). tandis que la précision se trouve un peu réduite. La représentation des nombres flottants s’effectue sur des doubles mots soit 4 octets. E. Springer-Verlag. H. RALSTON et H. e . = 1/223 = 1. la représentation entière s’effectue sur 2. DÉMIDOVITCH et L. BESTOUGEFF.-Y. C. au cours des calculs les dépassements de capacité sont automatiquement masqués et les calculs sont effectués modulo 2m.La double précision . J. J. B. F. Wiley.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ d . Mc Graw-Hill. A. GUILPIN Ch. H. METIVET et R. P. BAKHVALOV (1976) Méthodes Numériques. Mc CRACKEN et W. la repré- sentation des nombres en double précision s’effectue sur 8 octets. Les trois premiers demi-octets contiennent le bit de signe du nombre suivi de l’exposant. BULIRSCH (1993) Introduction to numerical analysis. Dunod. Masson. Éditions MIR.Selon les logiciels et les ordinateurs utilisés.Représentation des entiers et des flottants dans certains langages utilisés avec les micro-ordinateurs . K. dans les micro-ordinateurs usuels.2 10p16. avec m = 8k .

À partir de cette suite de (n + 1) termes. Brézinski : Algorithmes d’accélération de la Convergence. Étude Numérique. et que d’autre part il est relié aux approximants de Padé et aux fractions continues (cf. il est possible de dire que d’une part l’epsilon-algorithme est une généralisation du procédé d’ilitken. .. Pour tout ce qui a trait aux procédures d’accélération de la convergence. Paris (1978). aux Éditions Technip. Si. Wynn. nous allons présenter quelques algorithmes très puissants qui ont pour but d’accélérer la vitesse de convergence des suites. Nous définissons une procédure récurrente. Nous nous attacherons essentiellement à leur présentation et à leur mise en ceuvre dans la mesure où nous ferons souvent appel à eux au cours des différents chapitres. annexes C et D). et pour les besoins de la cause. . Sans entrer dans des considérations théoriques de haut niveau. nous allons construire une autre suite de n termes et ainsi de suite. Cependant. ce dernier ayant vu le jour en 1956 à la suite des travaux de P. il est nécessaire d’insister sur le fait que les résultats proposés ne concernent que les nombres susceptibles de pouvoir être effectivement calculés avec une précision suffisante. S. n 31 . 1 de la convergence des suites Au cours de ce chapitre. Il n’est pas question d’effectuer ici les justifications théoriques relatives à ces algorithmes et nous limiterons nos ambitions à en apprendre le maniement. nous allons numéroter des suites ainsi formées au moyen d’un exposant placé entre parenthèses. ou encore par la suite des approximations successives de la racine d’une équation f(x) = 0 obtenues par une méthode itérative. le lecteur intéressé par les fondements des techniques d’accélération de convergence pourra avoir recours à l’excellent ouvrage de C. 1. la suite initiale s’écrit : s(O) cyx 0 > 1 >“‘> S(O). Dans cet ouvrage figurent d’autres procédures d’accélération de la convergence. . Par exemple les Sk peuvent être constitués par les sommes partielles d’une série. Ainsi. . L’algorithme A* d’Aitken (1895-1967) Supposons que nous connaissions une suite numérique convergente So. Il s’agit de l’algorithme d’Aitken. du procédé d’extrapolation de Richardson et de l’epsilon-algorithme. de nombreux exemples d’applications et des programmes rédigés en Fortran.

&y1 . Un exemple numérique On se propose d’appliquer cet algorithme à la suite des sommes partielles obtenue par la sommation de la série : qui est bien connue pour sa convergence lente. on obtient une autre suite au moyen du même procédé.2.1) k . il est aisé de s’apercevoir qu’il s’agit <d .3 10P2 à 5. Autrement dit. . et S. la suite initiale que l’on désire voir converger plus rapidement.sp = a$‘. . alors. l’erreur relative sur T passe de 6.l 10V4. On trouvera sur le Web(*) un programme aitken0. Présentation de la méthode Considérons une suite numérique S. 2. Dans la mesure où les x. d’un algorithme en triangle et que S$+r) est une combinaison linéaire de SC. sont indépendants des Sg’.s&] 2 s(l) = &pj2 - k s(O) k + s. À partir de la suite des S(o). SP) . . Le terme général s’écrit alors : s(“+l) . n. Le procédé d’extrapolation de Richardson (1881-1953) On désigne toujours par S’(O) avec j = 0. on forme une nouvelle suite Sj” obtenue de la manière suivante : $0) lct2 . TX. On note qu’à chaque construction d’une nouvelle suite..2sg1 . c mettant en œuvre cet algorithme. celle des S(1).. que le procédé de Richardson est une transformation linéaire de suites. Remarque : Dans le cas particulier où l’on choisit comme suite auxiliaire la suite : 2 m -. 1.2.. La méthode de Richardson consiste à former une suite de « vecteurs » au moyen de la relation suivante : (2. 1. .edpsciences. Ic = 0. s’ensuit. . page ci-contre.s(4) (2.785 526. S’$a). *http://www. avec les mêmes nombres. La succession des opérations est symbolisée par le tableau 2. L’application successive de ce processus nous conduit à l’obtention de la suite qui n’est plus constituée que d’un seul terme à condition toutefois que le nombre de termes de la suite initiale soit impair.834 920.2.com/guilpin/ 32 .2) avec m. L’usage de l’algorithme d’Aitken. permet de trouver S = 0. En retenant les cinq premiers termes de la suite on trouve S = 0.MANUEL DE CALCUL NUMÉRIQUE APPLIQUE 1. À partir de la dernière suite formée.1.11 . et par 2: une suite auxiliaire « choisie convenablement » Nous aborderons un peu plus loin le problème du choix de la suite auxiliaire. k+2- 1. le nombre d’éléments de la suite diminue de deux unités.1.(O). S$” dont la convergence est lente.

. mais dont nous ne donnons pas la démonstration. La relation générale est donnée par l’expression : As(“)s’k’ . . ..$k) = x: ‘... xj+k . .. . .ASE)tk+lSgJ m s(L+l) _ m m+l (2.. 1 xj . xj+k . x3" . .j+ k. .3) AS(“’ . . Sj”’ est la valeur en zéro du polynôme d’interpolation de degré Ic. En effet.. a ... . . . .j+l. quel que soit m > N. xt+k 33 . lequel. . . $0) 0 Sp $) Sf ’ Sp SO”’ Sp 42) 1 @ Sj3) s(O) Sp 2 s(l) 3 s(O) 4 on obtient alors un algorithme qui n’est plus en triangle et qui n’est plus linéaire. 2. . ce qui constitue une autre expression de ce théorème : s(O) . S!O) 3 J+k xj .Pour que S!“) 3 tende vers S quel que soit j > N. les Sj’) peuvent s’exprimer sous la forme d’un rapport de deux déterminants. x:+k 3 1 .. .. z-r aixi. aux abscisses xpr prend les valeurs SF’ p o u r p=j.1.. Quelques éléments de théorie Revenons à la suite initiale Si”’ qui converge vers S ainsi qu’à la suite auxiliaire 21.. Autrement dit.. ..... Le procédé d’extrapolation de Richardson est fondé sur la formule de Neville-Aitken qui donne une façon de construire les polynômes d’interpolation pour une valeur particulière de la variable (cJ chapitre 6 sur l’interpolation)..ASEik+l ’ 2. .1. il faut et il suffit que sg’=s+g. À présent nous allons énoncer quelques théorèmes importants.Théorème / .. indépendante des Sj”’ que l’on suppose d’une part strictement décroissante et d’autre part tendre vers zéro lorsque n tend vers l’infini. . QUELQUESALGORITHMESACCÉLÉRATEURSDE LA CONVERGENCE DE~ SUITES Tableau 2...

On obtient alors la relation : S!“+I) = P(%I . Cependant.2). alors S/“) tend vers S lorsque k tend vers l’infini. Généralisation du procédé de Richardson On considère une fonction Q(x) définie.Théorème II . 2. dans la relation (2.) Dans le cas où les conditions du théorème II sont satisfaites. pour que la suite Si”:+‘) converge plus vite que la suite S!“I 3 ’ il faut et il suffit que : lim ~ quand m tend vers l’infini.2. 34 . alors S.[fqZj+. il est raisonnable de retenir la suite x. = om et de l’assortir de la condition 0 < Q < 1.Pour que S!“) 3 tende vers S quel que soit j > N. /3) avec /3 > 0. il faut et il suffit que : sg = s-t &@Xj) . d .(k) tend vers S quand 1 tend vers l’infini. décroissante et tendant vers zéro lorsque n tend vers l’infini) vérifie la relation : pour tout n. Ce théorème nous donne des indications sur les choix possibles de la suite des xj.Dans le cas où Sj(O) = @(xj) e t que a(x) est suffisamment dérivable. alors la limite de la suite Sj”’ tend vers S quand k tend vers l’infini.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ b .4) Le théorème 1 s’énonce alors de la façon suivante : Théorème V .q(o)1 sj+1 .q(o)). Alors.) .Q(O)] sj”’ . La condition énoncée est nécessaire et suffisante.(l +x). et que le module de la dérivée (k + 1)” demeure borné sur l’intervalle 1 (1 est le plus petit intervalle contenant le point zéro et toute la suite 2.Si la suite X~C (formée de nombres réels positifs. Si de plus M est indépendant de k. continue et strictement croissante sur l’intervalle (0.+. on peut remplacer zq par [a(~~) .) par un nombre M indépendant de ~ç. Par exemple.Q(O)] sans que rien de ce qui vient d’être établi ne soit modifié.Théorème IV . c .(Ce théorème concerne l’accélération de la convergence. 3 '(xj) -*bj+k+l) (2.Théorème III . force nous est de reconnaître que cette condition n’est pas aisément vérifiable dans les cas pratiques. i=l Voici quelques choix possibles pour les fonctions *I(Z) : @I(x) = xq avec 4 2 1 Q(x) = cf avec a > 1 Q(x) = log.

Nous allons appliquer l’algorithme de Richardson à la suite des sommes partielles de la série : szl+. la suite initiale s’écrit : St). 2. . à l’exception toutefois de la suite initiale qui prend le rang 1 au lieu du rang zéro.sec&. alors les fonctions : g1(2) = a191(2) + a2*2(5) 92(x) = @l(X) .2s!O) S!OI . En comparant avec le résultat connu on voit que l’erreur relative sur la somme est de 5. Les termes de la deuxième suite s’expriment au moyen des relations suivantes : $2) = s(O) + 1 k k+l s(1) . Présentation de I’epsilon-algorithme scalaire Il s’agit sans doute. du plus puissant algorithme permettant d’accélérer la convergence des suites. .+$+.s(1) k+l *http://www. Elle vérifie les conditions des théorèmes précédents. Autrement dit. 3+2 3+1 + 3 On reconnaît le procédé d’Aitken en réduisant au même dénorn~.. 3. par &S’~“‘. dans l’état actuel des connaissances. et nous avons retenu arbitrairement la suite classique 2. = 6 convergente et qu’il ne faut pas confondre avec la série harmonique qui diverge.644941. Relation entre le procédé A* d’Aitken et celui de Richardson Revenons à l’expression (2. Comme précédemment on conserve les notations introduites au cours de ce chapitre. Nous avons effectué les calculs avec les 25 premières sommes.605 723 403 S(Richardson) = 1. On trouvera sur le Web (*) un sous-programme richar0. c qui réalise cet algorithme.@2(x) vérifient aussi les conditions de la généralisation. Ici il nous faut en plus choisir une suite auxiliaire. Un exemple numérique .$eur l’expression (2. et du reste on verra un peu plus loin que ce vecteur de composantes Sj est également la deuxième colonne du tableau de l’epsilon-algorithme.+$+.=g = 1.0 10-‘. 2.com/guilpin/ 35 .. et voici les résultats trouvés : S(25) = 1.3. et si l’on fait Ic = 0. nous obtenons : s(O) $1 3+2 .edpsciences.3).644 934 066 8. QU E L Q U E S ALGORITHMES A C C ÉL ÉR A T E U R S DE LA CONVERGENCE DES SUITES Remarque : Si *i(X) et *z(X) vérifient les conditions de la généralisation. s(1) = 3 3 S!OI .3) obtenue en remplaçant 2.

3 0. . Exemples numériques On désire calculer la somme de la série alternée déjà évoquée au cours du premier paragraphe : sd+. Calcul de la somme d’une série de Fourier La fonction qui vaut -1 entre -T et 0 et +1 entre 0 et T admet le développement en série de Fourier : f(x) = . .1. . (n.783 333 3 0.+. (siy Isiy I. et avec comme convention S(o) = 0 quel que soit k.666 666 6 0.l) _ s(P-1) k où k = 0. Sur le tableau 2.785 585 .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ où k = 0.834 920 6 L’erreur relative sur la valeur donnée par St) est 2. .786 309 5 +9 0. . 3. Il s’agit maintenant non plus d’un algorithme en triangle mais d’un algorithme en losange. . pour que le terme SC’ soit une approximation de la limite de la suite Sa (l).791666 6 +5 -115 0.723 809 5 0.866 666 6 0. s(1) s(2) s(3) 94) s(5) 1 . . On poursuit les calculs jusqu’à ce que l’on n’obtienne plus qu’un seul terme qui est SP’. .-.= +J8539&2.1). .2) + $+.) 36 . On se persuade facilement que les résultats intéressants figurent dans les suites de rang impair.. On forme la troisième suite au moyen de la relation : s(3) = s(1) 1 k rc+1+ s(2) k+l et d’une manière tout à fait générale. il faut donc choisir un nombre impair de données au départ.2.g).2.4 10P4 3. 1. 1. + sin [. la pe suite sera donnée par : 1 SA’ = sp+.ll)~l + . soit (n + 1) impair..2. nous avons donné les suites successives S(Q) en limitant la suite initiale à 5 termes : Tableau 2. (n ~ p+ 1).7 +329 0.. Les suites de rang pair ne constituent que des intermédiaires de calcul.

Il est donc nécessaire de préciser la technique de calcul des opérations proposées notamment en ce qui concerne la grandeur : l/ (SF& . on admettra qu’elle est réalisée en multipliant numérateur et dénominateur par le vecteur V* dont les composantes sont les composantes complexes conjuguées du vecteur V. La technique de calcul se trouve 37 . Cette méthode converge très lentement et il va de soi que nous pourrons l’accélérer au moyen de l’epsilon-algorithme vectoriel.‘) = = 1’066 1’055 278 820 967 14 20184.‘) = 1’043 240 233 83 5’. et il nous reste à définir l’inverse Vpl (= l/V) d’un vecteur V. En appliquant l’epsilon- algorithme à la suite des onze sommes partielles formées entre le terme d’ordre 40 et le terme d’ordre 50 dont voici les valeurs : SC’) = 1 002 194 232 20 S@) = 1017439 936 43 S@) = 1 031279 464 80 S.‘) 4 8 = 1’065 ) 271752 62 49 ) 50 7 on obtient la valeur : S = 1. qui plus est. 2.l. La différence de deux vecteurs ne pose pas de problème. 5. la série converge lentement et.‘) = 1’052 942 746 94 S”” = 1’060 110 382 5 3 5”‘) S”’ == 1’064 575 573 1’061704 093 01 49 S”) S. Conclusion : l’epsilon-algorithme fait disparaître le phénomène de Gibbs. 4. QUELQUESALGORITHMESACCÉLÉRATEURSDELA CONVERGENCEDES SUITES Cette série sera étudiée chapitre 16 et elle servira d’introduction à l’étude du phénomène de Gibbs. pourvu que cette dernière soit régulière.000689 pour la valeur 5 = 0. il n’y a aucune difficulté à définir la différence de deux matrices carrées de même ordre et l’inverse d’une matrice. rien n’est modifié dans la conduite du calcul. 5’. rien ne nous empêche de considérer un nombre complexe comme un vecteur à deux dimensions et d’appliquer l’epsilon-algorithme vectoriel. c’est-à-dire les lentes oscillations au voisinage de la discontinuité. Du fait de la discontinuité de première espèce de la fonction. mais pour le cas qui nous préoccupe. L’epsilon-algorithme vectoriel Les suites S(Q) ne sont plus des grandeurs scalaires mais des grandeurs vectorielles. v.SF’) . L’epsilon-algorithme matriciel Ici. nous étudierons la méthode de Picard qui permet d’obtenir par itérations un échantillon d’une certaine fonction solution d’une équation différentielle. v* v2 Cette précision apportée. nous sommes en présence du phénomène de Gibbs. Ainsi nous avons : v-1 = v* = u*. Par exemple. Si la suite à traiter est formée de nombres complexes. Cet algorithme vectoriel trouvera son emploi chaque fois que le résultat d’un calcul itératif est donné par un ensemble de valeurs (Uj) que l’on peut alors considérer comme les composantes d’un vecteur. Cette opération n’est pas définie habituellement.

En aucun cas il ne peut fournir une précision supérieure à celle ui a servi à faire les calculs des termes initiaux. il est toujours possible d’utiliser ou bien l’epsilon-algorithme scalaire ou bien l’epsilon-algorithme vectoriel. 6. il existe aussi deux formes topologiques que nous nous contentons de mentionner. sur le plan pratique. Pour information. il n’est pas nécessaire de débuter les calculs à partir du premier terme de la suite et l’on peut très bien prendre les termes de 4 en 4 à partir du rang k pour former la suite initiale (cJ l’exemple concernant le phénomène de Gibbs). il s’ensuit qu’une suite convergente de matrices rectangulaires ne peut pas être accélérée par ce procédé puisque ces matrices ne possèdent pas d’inverse mais seulement deux pseudo- inverses qui ne peuvent pas faire l’affaire. 2. dès lors que l’on utilise une méthode itérative. Il est bon de remarquer que l’epsilon-algorithme ne s’applique qu’à des matrices carrées .” 4 de la suite initiale a été obtenu à la « précision de la machine ». 4. si nous avons obtenu SC’ en simple précision. À l’occasion de l’étude des séries de Fourier. il est tout à fait possible d’appliquer l’epsilon-algorithme à une suite de matrices rectangulaires ou carrées pour en accélérer la convergence et cela en faisant usage de l’epsilon-algorithme vectoriel appliqué à chacun des vecteurs-lignes ou chacun des vecteurs-colonnes. il est inutile de vouloir appliquer l’epsilon-algorithme quand bien même bénéficierait-on d’un accroissement de précision pour réaliser cette dernière opération.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ inchangée. Cet aspect négatif des choses se trouve alors réduit par l’usage de l’epsilon-algorithme vectoriel. Toutefois. l’application de l’epsilon-algorithme en double précision n’apportera strictement rien. 38 . Nous venons de voir la forme scalaire de l’epsilon-algorithme. la forme vectorielle et la forme matricielle. c’est-à-dire que l’addition du terme suivant de la série laisse inchangée la valeur de SC’. 3. L’epsilon-algorithme matriciel peut trouver une application lors des problèmes de résolution de l’équation de Laplace (174991827) (ou de Poisson) par la méthode itérative de Gauss-Seidel dans le cas particulier où la représentation du maillage conduit à une matrice carrée. Remarques et propriétés de I’epsilon-algorithme 1. on rencontre un phénomène gênant qui se manifeste au voisinage des points de discontinuité de première espèce (lorsque la fonction développée présente ces discontinuités) : c’est le phénomène de Gibbs (183991903). Il n’est pas possible d’extraire une information qui n’est pas contenue dans les données. L’epsilon-algorithme ne peut donner que ce qu’il a. Autrement dit. Par exemple. Lorsqu’on applique l’epsilon-algorithme à une suite. Dans ce cas. En revanche. quels que soient la géométrie et le maillage retenu pour intégrer l’équation de Laplace. Cette remarque prend toute sa signification lorsque la suite des matrices est constituée de ce que l’on appelle des matrices mal conditionnées. si le dernier élément S. L’epsilon- algorithme supprime le phénomène de Gibbs qui se traduit normalement par des oscillations de grande amplitude lesquelles s’amortissent très lentement avec le nombre de termes de la série de Fourier. c’est-à-dire qu’il peut accélérer la convergence à condition toutefois que la précision des termes retenus soit suffisante. il est extrêmement fréquent d’obtenir des erreurs de calcul très importantes qui se répercutent sur l’ensemble des éléments de la matrice notamment lors de l’opération d’inversion.

Accélération de la convergence des méthodes itératives utilisées lors de l’intégration des équations différentielles. En conséquence de quoi. il est souvent préférable d’abandonner la procédure. S’il n’en est pas ainsi. calcul des dérivées ayant un développement divergent. on aura pris soin d’enregistrer ou de faire imprimer les résultats partiels qui demeurent susceptibles d’être exploités. epsil2. 5. Réalisations pratiques . c. Intégration des équations aux dérivées partielles de type elliptique. Résolution des équations intégrales de Fredholm de deuxième espèce (série de Liouville- Neumann). epsil0.. 7. Au préalable.edpsciences. il est recommandé d’effectuer un test sur les différences (Si.Sur le Web (*). h. Propriétés remarquables du procédé A* d’Aitken et de I’epsilon-algorithme 7. 2. Calcul des limites de suites. epsi14. L épsilon-algorithme dans les autres chapitres 1. on peut en général effectuer le prolongement analytique de cette série en dehors du disque de convergence. c. bien qu’il existe des règles particulières qui peuvent être utilisées. h et l’autre l’epsilon-algorithme vectoriel evectr0. 4. 3. 6. 7. kacmarzi . on trouvera deux programmes réalisant l’un l’epsilon- algorithme scalaire epsilon. Le prolongement analytique Si une fonction admet un développement en série de puissances convergent dans le disque D. QUELQUESALGORITHMESACCÉLÉRATEURS DELA CONVERGENCEDESSUITES 5. Dans la plupart des cas cette difficulté se rencontre lorsque les SF’ ont été calculés à un moment donné « à la précision de la machine » et il s’ensuit que l’on retiendra ce résultat. Il est possible qu’à un moment donné la quantité S(p) . 2. c. c et newtono. 8.com/guilpin/ 39 . c. epsill. application au calcul numérique des intégrales.1. c. Accélération de la convergence lors de la recherche des valeurs propres des matrices.S(p)) dans le programme et de procéder à l’arrêt des calculs lorsque l’une de ces différences est nulle. Calcul des séries de Fourier.SF)) soit nulle ce qui fait tomber ( k+l en défaut le mécanisme d’accélération de la convergence puisque l’inverse de cette grandeur produit un dépassement de capacité en machine. Accélération de la convergence lors de la résolution des systèmes linéaires et non linéaires. c. Alors il est possible d’appliquer l’un des algorithmes à la suite des sommes partielles *http://www. On trouvera sur le Web (*) des illustrations de ces différents problèmes : aitken2. Résolution des équations f(z) = 0. . suppression du phénomène de Gibbs.

8000000000 E+ 01 S.g + g .5099005000 E+07. = 1.com/guilpin/ 40 . f(x) = /t-l exp(z .000 000 000 0 E . c qui réalisent ces opérations. il est aisé de rattacher ces développements aux prolongements analytiques. + (-l)d& +. c’est-à-dire hors du cercle de convergence. 7. = -9. on obtient les résultats suivants 5’.000 000 000 0 E + 00 S. Voici quelques exemples de développements asymptotiques et les différents résultats obtenus au moyen des procédés d’accélération de la convergence. Sur le Web (*). car on passe de l’un à l’autre par une inversion. Considérons par exemple la série : 1 = 1 .$ + .000 000 536 4 E . En limitant le nombre de termes à 5.x + 52 .02 alors que le calcul direct de la fraction donne S = 10-‘. Il n’est plus nécessaire de choisir z « grand » ni de limiter strictement la somme partielle à calculer à un ordre bien précis N donné par le calcul des erreurs. *http://www. . . Les développements asymptotiques Il est une autre série divergente extrêmement intéressante qui concerne les développements asymptotiques sur lesquels les algorithmes d’accélération de la convergence donnent de remar- quables résultats. . = 9. c’est-à-dire en posant x = 1/x.x3 + x4 + .605960000OE+05 Si = 9.02 Epsilon-algorithme S = 1. c et epsi13. . ~ 1+x Cette série a un rayon de convergence strictement plus petit que 1. z admet comme développement asymptotique l’expression (cJ chapitre 3) : f(x) = b . .7030000000 E+03 S. cependant l’application des algorithmes donne comme limites : Aitken S = 1.2. . on donne les programmes aitkenl .t) dt avec CE > 0.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ même si celle-ci est divergente.edpsciences. Appliquons les algorithmes à la valeur x = 99. = -9. Sur le plan théorique. 11 est évident que cette suite diverge.

o SG’ = 62. Ici encore. = 4. = -5. On reconnaît la série géométrique dont la convergence sera assurée si .596 336. > Ixkl. Jean Bass.596 572 7.Neumann (1832-1925) Considérons une équation intégrale de Fredholm (1866. = 8. l’application de l’epsilon-algorithme vectoriel à une suite divergente conduit au bon résultat. ii où 1x1~ 1est la plus grande valeur propre de A en module (cf. QUELQUES ALGORITHMES ACCÉLÉRATEURS DE LA CONVERGENCE DES SUITES Pour z = 1. = 3.596 347 0.26980 E + 05 Si. Masson. = -3. 2.3. Algèbre et Analyse linéaires. . ~)X(S) ds = y(t). Masson. tandis que les quinze premières sommes partielles sont : s.1927) de deuxième espèce : 1 x(t) . 41 . = 2. Voici les résultats obtenus : A’d’Aitken Epsilon-algorithme 0. Cours de mathématiques.0 S.4 .O SA = 3 590. la série de Liouville-Neumann donne la solution du problème : x = y + pAy + p2A2y + p3A3y + .784634 18 E + 09> Si. Sous réserve de convergence. .0 s3’ = . que l’on écrira de façon plus concise : x-pAx= y où A est l’opérateur « intégrale » qui est évidemment linéaire. = 1. 1968 et Lichnerowicz.P J 0 K(t. 0 si = 20. 1955).. + pnA”y + .661498 E + 07 S.o s: = 0. La série de Liouville (1809-1882) .423 866 20 E + 08 S.139 365 702 E + 10.301820 E + 06 Si.o si = -100..o Sg’ = -3. = -442.o s. f(1) = 0.

0 On a retenu neuf vecteurs. J. Étude Numérique.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Exemple 1 U(z) = expz2 + 51 (cos(zr) + L&sin(rz)(y . BRÉZINSKI (1978) Algorithmes d’Accélérution de la Convergence. 42 . 8. WILF (1965) Méthodes mathématiques pour calculateurs arithmétiques.P. On trouvera sur le Web (*) le programme f redholm. Éditions Dunod. RALSTON et R. Nous avons obtenu pour les éléments du dernier vecteur l’ordre de grandeur de 104 car la série de Liouville-Neumann est divergente. La technique de résolution de l’équation de Fredholm est une méthode self-consistante qui permet d’obtenir aisément l’erreur. DELAHAY (1988) Sequence transformations. c’est-à-dire les sommes partielles jusqu’à psA8y. L’epsilon-algorithme donne une erreur inférieure à 10-12 au sens du sup. Éditions Technip.0. Springer-Verlag.5)) U(y) dy. Éléments de bibliographie C.S. c qui réalise ce calcul. Paris. Chacune des ces fonctions a été échantillonnée sur vingt et un points. A.

nous obtenons : sin(x) COS(X) 2 sin(x) + ~COS(Z) Ci(x) = .Les développements asymptotiques. annexe H.I Intégrons successivement par parties. Le but est d’associer à une certaine fonction f(z) un développement du type : Sous certaines conditions que nous allons évoquer. tronqué à un ordre convenable. le développement divergent. encore appelés séries semi-convergentes. t dt avec x > 0..~ .. exercice l-4). 1. Un exemple de développement asymptotique Considérons la fonction cosinus intégral : cas(t) Ci(x) = . 5 X2 X3 X4 + (2k + l)! mcos(t) ~ &’ s t2”+2 z Soit encore : . ..~ -+. Par exemple. constituent une fort belle application numérique des séries divergentes. on rencontre en analyse classique un tel développement quand on veut calculer la constante d’Euler (1707-1783) avec une grande économie de moyen (cj. permet de calculer numériquement la fonction f(z) avec une précision d’autant plus grande que le module de l’argument est plus élevé.

il suffit de calculer 2k termes de la série asymptotique en choisissant k donné par l’expression : x .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Ce développement est divergent comme le montre le critère de d’Alembert.. Désignons par Szk(x) la somme constituée des deux séries qui sont tronquées chacune à l’ordre k : il est alors facile de calculer l’erreur liée à l’approximation : E2kC5) = Ici(x) . On aurait pu dire aussi que le terme général de chacune des séries ne tend pas vers zéro quand n tend vers l’infini.&(x) = (2k + l)! ~ d t 5 (2k+l)! ~ t2”+2 t2k+2 z z On s’aperçoit que I&(z) est une fonction croissante en k et décroissante en x. que : (2k)!= (2k + 2)! x2k+l x2k+3 d’où l’on tire : x zz 2k + 1. s o i t kzz. On peut alors évaluer : Elo(x) = $ = 0. 44 . pour montrer la divergence.36 10F4.l lC= ..S2k(X)I que l’on peut écrire encore : OJo cas(t) J O3 dt l. dans le cadre de notre exemple particulier. Donc. il suffit d’écrire que : E2k(~) = E2(k+l)(x) (ou encore = Ez(~-I)(x)).. ce qui suffit à assurer la divergence. on obtient : (2n+2)!22” ~ $y (2n)!L?+f2 X2 quel que soit x. On peut trouver n suffisamment grand pour que 4n2 > x2 ce qui montre le caractère divergent de la série. on en déduit immédiatement que k = 5. On a le même résultat avec la seconde série ayant COS(~)/~ comme coefficient.. 2 Considérons un exemple numérique en supposant que x = 10. pour x fixé. On en déduit immédiatement. Pour la série ayant sin(z)/z en facteur.. mais une seule série suffit. Pour connaître l’ordre k du développement pour lequel l’erreur est minimum.

on doit avoir : lim &(z) = 0 quel que soit 72 même lorsque 2+03 lim Rn(z) > 00 quel que soit I : fixé. Pour la petite histoire. 3. (185441912) que revient le mérite d’avoir développé la théorie (1886).36 10V4.Quand une fonction f(z) admet un développe- ment asymptotique. 2. sur un certain intervalle 1]a. supposons que les deux fonctions diffèrent de exp(-crz) avec la partie réelle de hi positive. les coefficients du développement asymptotique de cette quantité sont identiquement nuls. La somme Szk(lO) donne : S2k(lO) = -0. il faudra ajouter les erreurs effectuées sur chacun des termes constituant les sommes. 45 . LES DÉVELOPPEMENTS ASYMPTOTIQUES Rappelons que cette erreur est liée strictement à la troncature des deux séries. les conditions suivantes sont remplies : En posant Rn(z) = X~(~(X) . Pour utiliser au mieux le développement asymptotique. n+cL! Il en résulte que l’on pourra toujours prendre 11: suffisamment grand de telle sorte que l’inégalité suivante soit vérifiée : où E est un infiniment petit positif fixé à l’avance. lors de l’exécution des calculs. on choisit n de telle façon que l’erreur commise sur l’approximation soit la plus petite possible.003 6 10-2. alors ce développement est unique. Ajoutons que ces développements servent principalement à approcher les fonctions dites « spéciales B pour des arguments dont le module est élevé ~ disons de plusieurs unités ou dizaines d’unités. (181991903) qui ait pressenti le premier l’intérêt d’une telle procédure.548 10-2 310. il semble que ce soit Stokes G. Il suffit donc de calculer la somme des cinq premiers termes des deux séries pour connaître Ci(l0) avec une précision supérieure à 0. Les travaux de Poincaré permettent d’apporter quelques précisions sur la notion de dévelop- pement asymptotique et ce sont ses propres idées que nous allons rappeler succinctement. L’affirmation inverse est fausse car deux fonctions différentes peuvent avoir le même dévelop- pement asymptotique. essentiellement dans le but de résoudre quelques équations différentielles apparaissant en mécanique céleste et en mécanique analytique.454 81 10V2 et l’on peut donc voir que l’algorithme proposé permet d’obtenir les trois premiers chiffres significatifs exacts. Définition On dira que la série Sri(z) représente un développement asymptotique de la fonction f(z) au voisinage de l’infini si. et c’est à Poincaré H. En effet. Quelques propriétés utiles des développements asymptotiques Unicité du développement asymptotique . oo[ auquel appartient z. En définitive : Ci(l0) = 4.G.&(z)). alors.

admet pour développement asymptotique : Q(x) = 2 X”kx.La différentiation des séries en général est une opération délicate et il faut des conditions assez fortes sur les fonctions développées pour qu’il y ait égalité entre la dérivée de f(x) et la dérivée du développement asymptotique. g(x) a pour développe- ment asymptotique : QI(x) = 2 $ 2 a&-k. il faut que f(x) admette une dérivée f’(x). n=O n=O alors la fonction Q(x) = Xf(x)+pg( x).Si deux fonctions f(x) et g(x) admettent chacune un développement asymptotique que nous écrirons sous la forme : f(x) = F $ et g(x) = 2 f. Nous obtenons donc : On comprendra immédiatement la nécessité de retrancher les deux premiers termes qui conduiraient inévitablement à des divergences. Alors on peut écrire : j=o f(x) = C#(x) 2 3 j=o Intégration d’un développement asymptotique . . alors on peut intégrer le développement sur l’intervalle x < t 5 CC pour les grandes valeurs de 5. il se peut qu’il existe une fonction Q(Z) telle que la fonction : cc admette un développement asymptotique c 2. cependant. Différentiation d’un développement asymptotique .Supposons que la fonction f(x) admette un développement asymptotique que nous écrirons : ao + ?A + 5 + $ + .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Toutes les fonctions f(x) n’admettent pas nécessairement un développement asymptotique. n=O k=O 46 .Si deux fonctions f(x) et g(x) admettent chacune un développement asymptotique alors la fonction Q(x) = f(x). + $ + . où X et p sont deux nombres.fibk . alors l’opération de dérivation devient légitime. X avec ao # 0 . il faut que f’(x) soit continue et admette un développement asymptotique . Pour commencer. k=O Produit de deux développements asymptotiques . Combinaison linéaire de développements asymptotiques . de plus.

5 . + (-1)” l. . . LES DÉVELOPPEMENTS ASYMPTOTIQUES Rapport de deux développements asymptotiques . 3.3 1. .s2m!! !$) & 3.S122n-2 Xfi ( 22x4 23x6 1 47 .t) dt z I(x) = c<-l)n&.3. .3) . Développement asymptotique de quelques fonctions spéciales 3. 3. . . 3. + (-l)n+l(n + l)! n=O 3. Sinus intégral Si(x) = x !!$ & s 0 3. .-+ .erf(x) = exp(-x2) 1. .3.t) I(x) = dt pour x > 0 s t J5O3 dzp+2 . Exponentielle intégrale m exp(x . alors le développement asymptotique de 0 s’obtient en portant le développement asymptotique de f dans le développement en série entière de 0 .4.2. (2n .1.Si une fonction f(x) admet un développement asymptotique et si une fonction @[j(x)] possède un développement en série entière convergent dans le cercle de rayon If] < p. l-&+-. Cosinus intégral Ci(x) = . Les fonctions erf(x) et cerf(x) z erf(x) = L exp( -t2) dt s &O cerf(x) = 1 . .Si deux fonctions f(x) et g(x) admettent chacune un développement asymptotique alors la fonction R(z) = f(x)/g(x) a pour développe- ment asymptotique : à condition toutefois que be soit différent de zéro.

Les fonctions de Bessel de première et de seconde espèces notées respectivement Jn(z) et N.32)(4n2 .12)(4n2 .(z) sont solutions de l’équation différentielle : Les développements asymptotiques sont donnés par les expressions : A. Les fonctions de Bessel (1784-1846) Le calcul numérique des fonctions de Bessel fait l’objet d’un chapitre à part (annexe F).32) + (4n2 .B..(z) COS(U) .(z) sin(U)) A.12) _ (4n2 . 1!(8x) 3!(82)3 48 L .. MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 3.6.(z) sin(U) . A = 1 _ (4n2 .52)(4n2 ... 2!(82)2 4!(82)4 B = (4n2 .5.72) n -.B. cependant le calcul de ces fonctions pour les grandes valeurs de l’argument trouve sa place dans ce chapitre.52) 7L +.12)(4n2 ..32)(4n2 .12)(4n2 .(z) COS(U)) dans lesquelles on a noté : u=x++a. Les intégrales de Fresnel (1788-1827) C(x) = z COS(&~/~) dt et S(X) = J sin(xt2/2) dt J’ 0 0 3..

Academic Press. Cambridge University Press. E.B. 4e édition. R. Paris. K. OLVER (1974) Asymptotics and special functions. Academic Press. WONG (1989) Asymptotic approximations of integrals. F. Éléments de bibliographie A.N.J. 3. DINGLE (1973) Asymptotic expansions.W. LES DÉVELOPPEMENTS ASYMPTOTIQUES 4. R. ANGOT (1972) Complément de Mathématiques.T.W. BREITUNG (1994) Asymptotic approximations for probability integrals. Springer-Verlag. Masson. 49 . W HITTAKER et C. Academic Press. W ATSON (1927) A course of modern analysis.

nous étudions quelques méthodes de résolution des équations du type f(x) = 0 suivi de quelques méthodes de résolution de systèmes non linéaires d’équations. bien des méthodes pourront être étendues sans grande difficulté au cas de la variable complexe . Toutes les méthodes qui s’appliquent à la résolution d’équations transcendantes s’appliquent également aux équations algébriques et cela sans préjuger des ennuis possibles de calcul numérique. effectuer une étude particulière de la fonction f(x) et en effectuer la représentation graphique. b. pour ce qui concerne les polynômes.1. Ce sont par exemple les théorèmes généraux concernant les polynômes orthogonaux relativement à une fonction poids W(X) donnée. a. mais. c. et dans la mesure où les calculateurs utilisés permettent d’effectuer les calculs en complexes.. telles que l’arrêt inopiné de la machine. Dans certains cas. il existe quelques méthodes spécifiques dont certaines sont très utiles à connaître.. il n’y aura que peu de changements à apporter aux algorithmes et programmes proposés. On peut avoir recours à certains théorèmes de mathématiques nous fournissant ces renseigne- ments. On peut aussi tabuler la fonction f(z) avec un pas variable pour tenter d’obtenir le maximum de renseignements. on pourra essayer d’utiliser les suites de Sturm (1803-1855). Généralités sur la résolution des équations f(x) = 0 1.Dans ce chapitre. Plusieurs possibilités s’offrent à nous pour localiser les racines. On peut. c’est la raison pour laquelle nous étudions d’abord les méthodes générales avant d’aborder les méthodes spécifiques. et l’utilisation devient délicate même pour les polynômes à coefficients entiers (de quelques unités cependant) dont 51 . mais il faut bien dire que l’intérêt de telles suites est essentiellement théorique. Localisation des racines des équations Avant d’entreprendre le calcul à proprement parler d’une ou de plusieurs racines. en voici quelques-unes. En revanche. comme nous le verrons. 1. puis nous terminons par l’étude d’une méthode spécifique concernant les équations algébriques. d. On a l’habitude de classer les équations f(x) = 0 en deux types qui sont les équations algébriques (polynômes) et les équations transcendantes c’est-à-dire celles qui ne sont pas réductibles à un polynôme. Nous limitons notre étude aux fonctions réelles. il convient de localiser soigneusement ces racines pour ne pas avoir à rencontrer de surprises désagréables. dans le même ordre d’idée.

b). c’est-à-dire : n &1 =(&a) . 0 soit en valeur relative : L’inégalité (u) définit le nombre de tours à effectuer pour obtenir la précision optimum. 52 . Combien de fois devons-nous répéter la division de l’intervalle par deux ? . On va poursuivre ainsi jusqu’à ce que l’on obtienne la précision souhaitée. la dichotomie définit l’intervalle minimum ~1 qui sera le dernier susceptible de modifier effectivement la valeur ~0. Comme on a effectué une localisation de x0 telle que soit de l’ordre de quelques unités. l l soit encore : 12 = - o. n sera de l’ordre de : Si p vaut 9. mais on s’aperçoit que la taille de l’intervalle a été divisée par deux. Après n tours. s’ils sont différents cela veut dire que la racine appartient à l’intervalle (a. Nous examinerons en détail cette méthode dans l’annexe A. Le principe de la méthode est le suivant : supposons que l’on sache qu’une racine ait été localisée dans l’intervalle (a.Désignons par x0 la racine : f(xe) = 0. Nous allons étudier le signe de f(x) dans (a.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ le degré ne dépasse pas la dizaine.2. 0 n recommence la procédure dans l’intervalle où se situe la racine. b) et que cette racine soit unique dans cet intervalle.logio --f SP. disons 10 pour fixer les idées (ce qui résout la cas réels rencontrés). 1. b) l’intervalle sur lequel on exécute la dichotomie. Il est facile de connaître le nombre de tours que doit comporter la procédure à partir du moment où l’on sait quelle est la précision de la machine utilisée et que la racine a fait l’objet d’une localisation raisonaable.301n . on trouve alors 33 tours de calcul. le plus souvent itératives. Ces valeurs approchées des racines vont servir de point de départ à tout un ensemble de méthodes.yol (p+logl~~~. soit en passant aux logarithmes : 0. b). y). si p vaut 15 on obtient 53 tours de calcul. ICO appartenant à (a.). Pour cela nous comparons les signes de f(u) et de f (y). qui convenablement utilisées vont permettre d’obtenir des valeurs précises des racines. La dichotomie Étymologiquement ce mot d’origine grecque signifie action de couper en deux. S’ils sont identiques cela signifie que la racine est comprise dans l’intervalle (9. b) . La localisation préliminaire des racines peut être plus difficile qu’il n’y paraît en première analyse notamment lorsque f(x) présente des extremums au voisinage de l’axe des 2 et cela sans préjuger qu’il y ait des racines ou non. et par (a.

E n effet. mais en général il n’en sera rien. c réalisant la recherche de racine par dichotomie. soit : f(x) + 2 = IC. ce qui ne changerait pas grand-chose.3. Nous allons décrire une méthode itérative qui ne fait apparaître que la seule fonction f(x) (ou g(z)) à condition toutefois que la fonction f(x) obéisse à certaines règles de régularité telles que la continuité et la dérivabilité (dérivée première continue).. où f(x).... encore une remarque : quel doit être l’ordre de grandeur de f(zo) ? On s’attend à trouver zéro. Par goût de la simplicité. et... la prudence la plus élémentaire exige toujours de reporter la prétendue racine dans l’équation et d’afficher le résultat. un développement au premier ordre donne l’ordre de grandeur de f(zo + ~1) : f(xo +a) = f(xo) +%f'(ZoL d’où f(~. quand k tend vers l’infini xk et xk+r tendent vers x*. car il s’agit dans ce cas d’une erreur statistique. un écart type est fourni. on peut poser f(x) + z = g(z) sans changer quoi que ce soit.est continue et où la suite des ~k converge.edpsciences.. 1. l / I Gl= LT(&-1) >1 Pour aue cette technique soit efficace..com/guilpin/ 53 .. cela ne ferait qu’ajouter une unité à p + 1. i Dans l’hypothèse . Cette technique est simple à mettre en œuvre car elle ne fait appel qu’au calcul de la fonction elle-même. Dans les centre de calcul. Cela dépend de la fonction f(x) dont le calcul est agrémenté d’une erreur congénitale liée d’une part aux approximations utilisées par l’algorithme. en outre elle offre l’avantage de conserver la suite des solutions approchées dans le voisinage retenu ce qui n’est pas le cas avec d’autres méthodes comme celle de Newton par exemple. RÉ S O L U T I O N DES ÉQ U A T I O N S N U M ÉR I Q U E S Comme le montre l’expression donnant n. quand bien même la dynamique de l’intervalle serait multipliée par 10.. on trouverait alors 36 et 56 tours. Pour des valeurs de l’argument appartenant à un certain domaine.. Comme f(~s) = 0 et f(Xc + Er) ? 0. alors la limite de la suite que nous désignerons par x* est racine de f(x) = 0. À partir de la première approximation 20 obtenue par un des procédés proposés précédemment. 4.. d’autre part aux propagations des erreurs de troncature entre autres. . À ce sujet.f(~o) = ~rf’(~o) 2 10-P~of’(~o). il est possible de consulter une documentation fournie par le fabricant de logiciel qui informe l’utilisateur sur ce type d’erreur.. Méthode d’approximations successives ne faisant intervenir que la fonction Le problème qui consiste à rechercher la racine d’une équation f(x) = 0 dans un certain domaine peut être modifié en ajoutant simplement z à chacun des deux membres. La continuité de f(x) entraîne celle de g(x) qui entraîne à son tour *http://www. Sur le Web (*) on trouvera le programme dichot . dans l’exemple précédent.. + ~1) . Quoi qu’il en soit. il est indispensable que la suite des X~C soit convergente. on forme la suite : Xl =S(~OI x2 =Ll(a) / .

54 . pour assurer cette double inégalité à condition que la dérivée soit bornée et que f(x*) # f’(x*) si x* est une racine. et que la suite x. la somme des (p + 1) termes de la série. d’où la nouvelle suite des X~C : xk = dxk-l) ~. t enant il nous faut examiner quelles sont les conditions qui assurent la convergence des xk.G-1 avec uo = x0. À la suite des xk associons la série des uk définie ainsi : u n = xn . m La condition de convergence de la suite des xk est : .xk-2). La règle de d’Alembert (1717-1783) va nous donner la condition de convergence de la série uk : On en déduit que l’algorithme converge lorsque la condition lg’(t)l < 1 est vérifiée dans tout le domaine voisin de la racine dans lequel on effectue les itérations. nous avons : sp&u~=xp. 1.g(xk-2) Appliquons le théorème de Rolle à la dernière expression. admettent la même limite x*. de taille suffisante. au lieu d’ajouter x aux deux membres de l’équation f(x) = 0. et la série associée un.g(sk-2) = (xk-1 . puis l’on pose f(x) + mx = g(x) . il suffit d’ajouter mx et de choisir convenablement m pour que la convergence soit assurée.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ que limk+oo xk+i = limg(xk) = x* = g(x*). xk-1 = g(xk-1) .xk-2)&) avec [ compris dans l’intervalle (X&i . Développons le terme général Uk de la série : uk = xk . En utilisant la relation de définition de la série. Généralisation de la méthode Au cas où lg’(<)i > 1. soit encore : . nous pouvons écrire : uk = uk-d(t). la suite des itérations est divergente. En effet si nous appelons S. Nous pouvons écrire : f(x) +mx = mx.4.1 < f'(x) + m < +1 m Il est toujours possible de choisir m positif ou négatif. Mam . Pour pallier cet inconvénient. On peut d’ores et déjà remarquer que la convergence de la série un entraîne celle de la suite x. k=O ce qui démontre la dernière proposition. cela donne : uk = g(xk-1) .

nous aurons : x. Sur le graphe de la figure 4.1.=s.On porte sur le même graphe les fonctions y = mx et y = g(x) = f(x) + mx. en adoptant x* comme approximation. 4. p=n+1 55 . RÉSOLUTION DES ÉQUATIONS NUMÉRIQUES a . Cela va nous permettre de localiser non seulement la ou les racines mais aussi de connaître la dérivée au voisinage des racines donc éventuellement d’ajuster le coefficient m selon le cas qui se présente.-11 avec M < 1. Si nous arrêtons les itérations après n tours.Représentation géométrique de la méthode .=~u. on peut suivre la suite des points générée à partir de la première approximation x0 : x0 9(x0) x1= 9(x0) 9(x1) x2 =g(x1) S(Q) .On désigne par M la limite supérieure de la valeur absolue de la dérivée dans le domaine où l’on effectue les itérations. p=o et l’on déduit que l’erreur e sur la racine x*.Précision sur la détermination de /a racine . Nous pouvons donc écrire : /un1 = M Iu. Y b .. est : e = F UP.

b).ho) = 0.dxn-d . on peut estimer K de la façon suivante : K = dxn) .com/guilpin/ 56 .j(K+K2+K3+. X?L .5. Nous obtenons : f(xo -t ho) = 0 = f(xo) + hof’bo) ce qui va permettre d’obtenir la valeur approchée de ho : *http://www. p=n+l On reconnaît une progression géométrique de raison K et de premier terme K.X. Nous allons chercher à calculer ho ou plus exactement une approximation de ho. On désigne par x0 la première approximation de cette racine. Linéarisons le problème. c’est-à-dire que nous développons la fonction f(x) au premier ordre au voisinage de x0. Comme x0 n’est qu’une approximation.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ On en conclut que : el C (up(=(u.I. c qui calcule les racines par cette méthode itérative. la racine x* que l’on recherche s’exprime de la façon suivante : x* = x0 + ho. Donc : Comme en général on arrête les itérations lorsque deux valeurs consécutives sont égales à la précision relative de la machine on peut alors écrire : En pratique.. Nous pouvons écrire : f(x*) = f(xo i. 1.. Supposons qu’un travail préliminaire nous ait permis de localiser une racine dans l’intervalle (a.edpsciences.-l Sur le Web (*). on trouvera le programme itera. La méthode de Newton (1643-1727) Nous avons déjà rencontré la méthode de Newton à propos du calcul de la racine carrée d’un nombre et il nous reste donc à généraliser cette technique à la recherche d’un zéro d’une fonction quelconque f(x).

(xk) ’ Dans la mesure où l’on dispose non seulement de la fonction mais aussi de sa dérivée on peut espérer obtenir une vitesse de convergence rapide du moins dans le cas où les racines sont simples. la méthode de Newton assure une convergence très rapide de la suite de xk. et nous verrons ultérieurement dans quelles conditions. Dans le cas de racines simples.En l’absence de difficultés. d’itérer succes- sivement la procédure jusqu’à ce que l’on obtienne la racine x* avec la précision souhaitée. 4. une meilleure approximation que nous écrivons : f (x0) Icl = Iço . RÉSOLUTION DES ÉQUATIONS NUMÉRIQUES Cette valeur nous permet d’obtenir.x3. a . la convergence est même quadratique ce qui confère à cette technique un intérêt particulier quand on dispose déjà d’un chiffre significatif...f’(xo) Rien ne nous empêche. sous certaines réserves. Nous utiliserons cet algorithme pour réaliser une partie de la fonction de bibliothèque calculant la racine carrée. f(xo)]. Traçons la tangente au point [x0. La linéarisation du problème consiste à remplacer un arc de courbe de f(x) p ar un segment de droite qui est tangent à la courbe dans le cas général. 4. On aura formé la suite : . Méthode de Newton. Au reste.Ennuis possibles avec la méthode de Newton ..fcxk) xk+1 = Içk .f’(xo) Figure 4.2) ainsi que la première approximation x0. l’interprétation géométrique est très parlante.2. Elle coupe l’axe des x au point x1 donné par l’expression : f (x0) x1 = ILo .f. 57 . Représentons la courbe y = f(x) sur un diagramme (cJ Fig. 0 La répétition du processus nous permet d’obtenir sans problème les points suivants qui sont %2. excepté toutefois l’absence éventuelle de convergence.

l La suite est monotone à partir d’un certain rang . *2 dz. on aura toutes les chances de la calculer en croyant être dans un autre voisinage. En effet dans le domaine voisin de la racine où l’on travaille. mais qu’il n’y a pas de contradiction avec le fait qu’elle puisse en être une. la courbe peut présenter des changements de concavité ou encore présenter des extremums.La plus grande sagesse veut que l’on reporte la valeur X~C que l’on estime être une approximation raisonnable de la racine dans la fonction f(x). tous les zq générés sont donc classés par ordre croissant ou décroissant. alors f’(x) est proche de zéro. .M ANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ Malheureusement des problèmes peuvent surgir qui sont liés à la nature de la fonction. b . autrement dit il faut que : 2 jxk+l . car cela impose que la racine soit aussi un point d’inflexion. tandis qu’un résultat positif ne donne pas la certitude d’une exactitude mais seulement une probabilité plus ou moins élevée pour que se présente cette éventualité. on retombe dans le calcul standard des erreurs.À partir d’un certain rang r. il y a lieu de s’inquiéter et d’examiner de nouveau le problème. On retiendra les deux dernières valeurs de xk et zk-1 car on sait que la racine se situe entre ces deux dernières valeurs entachées toutefois des inévitables erreurs d’arrondi et des erreurs dues à l’approximation des fonctions de bibliothèque.. On note : ek = f(xk). le reste des opérations négligées n’apporterait plus de contribution à la précision du calcul. xki = 2 j=k+l j=k+l soit négligeable. ou bien la suite générée est une suite monotone croissante ou monotone décroissante du moins à partir d’un certain rang. f3 dz. la seule condition de convergence est que f(zk) tende effectivement vers zéro quand k tend vers l’infini. Seul un résultat négatif donne la certitude d’une erreur. Il faut s’assurer que lorsque deux valeurs consécutives xk et xk+i sont égales à la précision de la machine. Pour éviter qu’au départ la suite générée présente des instabilités ou des divergences locales. Si ek est de l’ordre de grandeur de l’incertitude introduite par le calcul de f(xk). Deux cas peuvent se présenter : ou bien la suite générée est une suite encadrante.xk-il sans oublier les erreurs entachant les calculs de f(xk-1) et f(xk). À partir de là.Il faut bien avouer que c’est un cas d’école qui se présente rarement. Si un point xk tombe au voisinage d’un extremum.. on combine la méthode de Newton avec celle des parties proportionnelles. C’est alors que la précision de la machine utilisée intervient ainsi que la nature de la fonction f(x). En revanche. l La suite est encadrante .. Comme il n’y a aucune raison particulière pour que la tangente soit verticale. Bien entendu. si ek est trop grand. C’est une attitude identique à celle qu’on adopte lorsque l’on fait usage de la preuve par 9 ou par 11. Pour peu qu’il y ait une racine dans le voisinage de zk+i. Cela laisse la porte ouverte à quelques désastres possibles. Du fait de ces erreurs. +A dz avec dz = lOFPz* 58 . Pour obtenir une estimation raisonnable de l’erreur. cela ne signifiera certainement pas que xk soit une racine. de sa dérivée ainsi que du point 20 à partir duquel s’effectuent les itérations. Lorsque l’on se trouve dans un cas analogue. il est fort possible que l’on trouve deux limites en machine. on doit obligatoirement le savoir avant d’entamer les calculs puisqu’on a pris les précautions d’usage.Estimation de la précision de la méthode de Newton . il faudra chaque fois faire une étude particulière dont il est possible de donner les grandes lignes : il est facile de donner à la valeur approchée x* de la racine une suite d’accroissements f dz. et la technique de Newton nous donnera un point zk+i qui pourra être très loin de la solution recherchée. l’estimation de l’incertitude est liée intimement à la différence IX~ .

Quand on tient un certain nombre de chiffres significatifs. il faut rappeler qu’en l’absence de racines multiples. RÉSOLUTION DES ÉQUATIONS NUMÉRIQUES où 10-P est la précision relative de la représentation en machine.6.3. On trouvera sur le Web (*) le programme newtonpp. cette méthode est utilisée lorsque dans l’intervalle où l’on recherche la racine. 4. nous obtenons : x2 = ~Of(Q) . peut se trouver un point d’inflexion ou un extremum. *http://www. Soit zo la première approximation et [zo.edpsciences. Méthode de Newton et des parties proportionnelles En général.f’(xo) . Remarque : Les ennuis de stabilité liés à l’usage de la méthode de Newton naissent essentielle- ment du choix de la première approximation qui parfois est trop éloignée de la racine que l’on recherche ou encore quand une abscisse de la suite formée se situe trop près d’un extremum. à laquelle correspond le point B sur la courbe. Fig. Rf(~o) f(Q) -. Désignons par 22 l’abscisse de ce point.f(xo) À nouveau on calcule le point x3 par la méthode de Newton puis le point x4 par la méthode des parties proportionnelles et ainsi de suite (cf. Résolution d’un système non linéaire de deux équations à deux inconnues Nous nous proposons de résoudre un système non linéaire de deux équations à deux inconnues que nous écrivons : f(X> Y) = 0 dX. f(zo)] le point A sur la courbe y = f(z). C’est une évaluation directe de l’erreur qui constitue un garde-fou contre les mauvaises surprises. Peu de valeurs suffisent. c qui calcule les racines par la méthode de Newton. 0 n effectue une deuxième approximation : f (x0) x1 = x0 . La méthode des parties proportionnelles consiste à choisir comme approximation suivante le point d’intersection de l’axe des x et de la droite joignant les points A et B. 1. On trouvera sur le Web(*) 1 e programme newtonid. Donc. On tabulera alors la fonction f(z) pour ces différentes valeurs et l’on notera l’intervalle dans lequel s’effectue le changement de signe. page suivante). on lui associe la méthode des parties proportionnelles qui ramène les valeurs des approximations dans un domaine que l’on espère généralement plus raisonnable. la méthode converge quadratiquement et pratiquement seules les erreurs de troncature viennent altérer la précision du résultat.com/guilpin/ 59 . pour éviter que la valeur de la dérivée apparaissant dans la méthode de Newton notamment durant les premiers tours d’itération. 2. 4. Compte tenu de la précision de la représentation on pourra estimer un intervalle dans lequel se trouve effectivement la racine. c qui calcule les racines au moyen de la méthode de Newton et des parties proportionnelles.Y) = 0. ne provoque des instabilités préjudiciables à la bonne conduite du calcul.

= 0.Yo) + dxo- af ax + af dyo. et de déterminer une première approximation (x0.MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ Figure 4. Le système étant non linéaire. aY 60 . Méthode de Newton et des parties proportionnelles. Nous obtenons : f(Xo. y) qui contient la racine recherchée et que le déterminant fonctionnel (ou encore le jacobien) : J(X. nous allons commencer par le linéariser puis par effectuer des itérations sur le système linéarisé.Y) = wzs hl -w-.Y*) = 0 = g(xo + dXo.Yo + dY0) g(x*. La méthode de Newton Nous généralisons sans difficulté la méthode étudiée lors de l’étude de l’équation f(x) = 0. il sera nécessaire de commencer l’étude par une représenta- tion graphique laquelle permettra de se faire une idée des éventuelles difficultés qui peuvent se présenter. aY ail ag g(x0.3. yo). 2.Yo + dYo)* Pour linéariser le problème il suffit d’effectuer un développement au premier ordre des fonctions f et g au voisinage de x0 et yo.y*) = 0 = f(x0 + dXo. On note par dx et dy les écarts à la solution exacte c’est-à-dire : x* = 1x70 + dxo et y* = y0 + dyo. Soit x0 et yo une première approximation.= 0. Comme chaque fois en pareil cas.a!?- ay a x est différent de zéro pour la valeur de la racine.1. yo) + dxoz + dyo. Le système s’écrit : f(x*. Nous admettrons que les fonctions sont deux fois continûment différentiables dans un domaine D du plan (x.

Le lecteur trouvera le programme newton2d. c sur le Web (*). Partant d’une première approximation A de coordonnées (1~0.edpsciences. on projette ce point sur la droite Di. comme la vitesse de convergence est éventuellement une source de préoccupation. Ici encore la méthode convergera quadratiquement en l’absence de racines multiples. sur un système linéaire de deux équations à deux inconnues à partir duquel on pourra effectuer toutes les généralisations souhaitables : soit la transposition au cas d’un système multilinéaire. soit la transposition au cas non linéaire que l’on traitera au moyen d’une procédure itérative s’appliquant sur le système linéarisé. Ceci n’est vrai qu’en apparence car dans certains cas les instabilités de calcul rendent inopérantes les méthodes quadratiques tant qu’un certain degré de précision n’a pas été atteint. La méthode de Kacmarz (1937) Nous allons présenter la méthode.com/guilpin/ 61 . C’est par ce procédé que nous calculons des diagrammes de phase théoriques lorsque les conditions deviennent délicates.2. y*). Ce système admet une solution désignée par (x*. d’abord élaborée pour les systèmes multilinéaires. on obtient le point Al de *http://www. Soit le système six + biy + ci = 0 (droite 01) a2x + b2y + ca = 0 (droite Dz) avec alb2 # a2bl. En revanche ces problèmes disparaissent avec les méthodes à convergence simple. il est intéressant d’accélérer la convergence de la suite formée en se servant d’un algorithme accélérateur de la convergence des suites : l’epsilon-algorithme par exemple. yo).&l- dz dy ay dz expressions que l’on calcule au point (xc. On trouve alors : golf% dY dxo = af dg -af dg- dx ay dy dz f&g dvo = af &l af . avec des moyens semblables. Au premier examen on peut s’interroger sur l’intérêt présenté par de telles méthodes puisque. Du reste. Bien entendu on obtient dans des conditions convenables une meilleure approximation : x1 = x0 + dz0 YI = YO + dyo à partir de laquelle il va être facile de réitérer la procédure. y~). 4. 2. RÉSOLUTION DES ÉQUATIONS NUM ÉRIQUES Il nous reste à résoudre le système linéaire de deux équations à deux inconnues pour obtenir dzc et dyc. Cependant il existe des méthodes à conver- gence simple qui font apparaître elles aussi les dérivées. les méthodes quadratiques sont beaucoup plus performantes.

~ a: + b’f Le point (21. aa + bg et ainsi de suite. On poursuit en projetant le point A2 sur la droite Dl et ainsi de suite jusqu’à ce que l’on obtienne la précision désirée.~ cif + bl 62 .~ avec R2 = a2x1 + b2yl + cg.= 0 dX dY %l dxo.f a. on obtient les suites des xk et des yk données par les expressions : Yk = yk-1 .~ a: + bl hR1 avec R1 = allco + blyo + cl. Il est possible de montrer que cette méthode est toujours convergente mais qu’elle est seulement à convergence linéaire. ya) : ad% x2 = Xl . yr) est projeté sur la droite Dz. L’intérêt de cette méthode repose avant tout sur le fait qu’elle est transposable aux équations non linéaires.= o. Application au cas des équations non linéaires . à partir duquel on calcule le point (52.~ aa + b$ b& Y2 = Y1 .Le système des équations linéarisées que nous avons obtenu au paragraphe traitant de la méthode de Newton sera simplement résolu par la méthode de Kacmarz. Ensuite. À présent écrivons les coordonnées de la suite des points ainsi formée.~o) + dxo. Nous avions : 8. on projette le point Al sur la droite Dz ce qui nous donnera le point AZ. dY Si l’on pose : a1 = af dX ag a2 = - dX b =af 1 ac/ b2 zz - dY RI = f(x>~) R2 = dz. YY). Y1 = Y0 . yr).MANUEL DE CALCUL NUMÉR~QUEAPPLIQUÉ coordonnées (ICI. + dya. YO) + dxog + dyo.f f(xo. Nous avons : alR1 Xl = x0 .

et ainsi de suite jusqu’à ce que Q. Le lecteur trouvera sur le Web(*) 1 e programme kacmarz. yk). nous allons limiter nos préoccupations à l’étude des polynômes à coefficients réels que l’on notera de la façon suivante : P. L’idée générale du calcul repose sur le schéma suivant : dans le cas où n est supérieur à deux on peut diviser P. avec comme condition quasi évidente ao # 0.edpsciences. Dans certains calculs. Méthode de Bairstow (1914) Ici encore. Rien ne nous empêche de faire subir le même traitement au polynôme Q+2(2).(z) soit un polynôme de degré 1 ou 2. le polynôme s’écrira sous la forme d’un produit strict d’un trinôme et d’un polynôme de degré (n ~ 2). Nous allons faire en sorte que A et B qui sont des fonctions implicites de u et ‘u soient nulles .com/guilpin/ 63 . c permettant l’usage de cette procédure.(x). En définitive.(x) = T(x)Q. on réalisera cela en ajustant convenablement les valeurs de u et u apparaissant dans le trinôme. + an-lx + a. La convergence n’est plus systématiquement assurée comme dans le cas linéaire.(x) à savoir : P. tout le problème repose sur la détermination des paramètres u et v qui annulent simultanément A et B.-2(x) + Ax + B où Qn-z(x) est un polynôme de degré (n . Yk-r) xk+l = xk ~ ~ a2 + bz bd& !/k+l = yk .1. Ainsi. 4. et nous avons pu accélérer la vitesse de convergence au moyen de l’epsilon-algorithme. .2) et (Ax + B) un monôme exprimant le reste de la division.v) = 0 *http://www.~ aa + bz expressions calculées au point (xk. Nous savons qu’un polynôme de degré n admet n racines réelles ou complexes et nous allons étudier une méthode très élégante pour obtenir lesdites racines. et l’on sait qu’il n’y a pas de difficultés particulières à calculer les racines d’un trinôme. les racines du trinôme seront également les racines du polynôme P.(x) par un trinôme T(z) de la forme : T(x) = x2 + ux + u ce qui nous permet d’obtenir une expression nouvelle de P. RÉSOLUTION DES ÉQUATIONS NUMÉRIQUES expressions calculées au point (5k-1. Nous avons donc à résoudre un système non linéaire de deux équations à deux inconnues que nous écrivons : A(~U) = 0 B(u. 3. Lorsque nous y serons parvenus. elle a retenu notre attention pour sa grande stabilité.(x) = aOxn + alx n-l + a2xnp2 +. Racines d’un polynôme 3.

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ système que l’on résoudra par la méthode de Newton ou de Kacmarz.... de toute façon au moyen d’itérations. la méthode de Newton nous permet de calculer les corrections du et dv qu’il convient d’apporter.....-2 = an-2 . dérivons la forme générale de la relation de récurrence par rapport à u : et posons i3bj cj-1 = - dU nous obtenons ainsi la relation de récurrence suivante : cjpl = -b. Explicitons le polynôme &....des paramètres indépendants.““‘~ aj ..(z) et de T(z)Qn-2(z) + Az + B on obtient les relations de récurrence suivantes : bo =a0 bl = a1 . + b.ub.wbo . du du du du les fonctions étant calculées au point (uo... Par identification de P.vbnp2 À présent nous savons calculer A et B en fonction des coefficients du polynôme P... b.-2 . 210)..-3 B = a. Pour ce faire...rappelons-le .....pl ..... soit : &!!-A!E du = a’ D “’ . ~... ..ubl ....ubo b2 = a2 ..vb. Calculons maintenant les dérivées partielles de A et B par rapport à u et ‘u lesquels sont .pz.........I--BE! du = du D h.-g A = u.-~ ...(s) et des paramètres u et U. 64 L . Nous serons effectivement capable de calculer du et dw dans la mesure où nous serons capable d’exprimer A et B ainsi que leurs dérivées partielles et c’est sous cet aspect que nous allons envisager les calculs.. .ub.ub. dA d B 8A i3B avec D = ... Si ue et vo constituent une première approximation.....d-2 ....-3 .ubj-l..ucje2 ..UC~-~..-a(~) : Qn-z(x) = box n-2 + b1C3 + ....

pz ....UC...2..= -bn-3 . en-3 = -bnp3 ..UC..vd....udn-4 ..UC0 .vd...-4 2 = -UC.. = -bn-2 ..vd.udl ......-~ . 4. = -bnp3 . UC.. il n’est donc pas nécessaire de calculer la suite dj .. Posons d.....ud..p5 ..-3 dU Recommençons le calcul en tout point semblable en dérivant la relation de récurrence initiale par rapport à v.-5 ii = -b.vdo . 12 4 0 3...ud.-4 ... et l’on obtiendra les dérivées partielles par rapport à ‘u à partir de la suite des cj : dA ..UC1 . ~0) nous sommes donc en mesure de déterminer les termes 65 .... Conduite du calcul Il nous faut donc calculer les fonctions A et B ainsi que leurs dérivées partielles.. Connaissant une première approximation (uo. dV Remarquons immédiatement que les suites cj et dj sont identiques..udo d2 = -b2 .-q.-5 = ~-3 au -=-b- 72 2 -UC-......-~ dA ..... ucn-3 ..UC0 c2 = 42 .......... RÉSOLUTION DES ÉQUATIONS NUMÉRIQUES Nous explicitons à nouveau l’ensemble des relations : CO = -bo Cl = -b1 ...-cj 8A . dnp4 = -bn-4 .=dbj 3 2 dV ce qui nous permet d’écrire la relation de récurrence : dj+2 = -bj-2 .udjp3 .vdj+ qu’à nouveau nous explicitons complètement : do = -bo dl = -bl .......ud..

.. . car nous n’avons besoin que des trois dernières valeurs calculées. . b..-~ .uco b2 = a2 ..1...vb. .a1 . ..-~ . .vco ..ub. Tab. Tableau 4...... bj = aj -d-l -d-2 cj = -bj .vb.. Alors il est possible de pouvoir chercher deux nouvelles racines grâce à la même procédure....-3 -.. et l’on démarre les calculs avec : b-1 = b-2 = 0 et c-1 = ck-2 = 0. . Dans le but de simplifier l’usage des relations de récurrence. -b. Cette remarque permet de gagner un temps considérable en calcul . .uq .. on programme les relations générales données par bj et cl.. .UC..-3 .-2 = an-2 .ubl .ub. .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ correctifs du et dv à chaque tour d’itération (on utilisera les relations de Newton par exemple).. Regroupons la liste des opérations utiles (cf. G-3 au dB ...p2 . Liste des opérations utiles. .v+~ . .UC~-~ ..-bn-2 .1..-b c.)..-2 . .ation en machine.UC.-3 du aA . Bien sûr nous recommençons le même calcul à partir des nouvelles valeurs : 161 = Uo + du v1 = vo + du et ainsi de suite. Nous avons défini une procédure itérative que nous arrêterons en machine lorsque du/u et dv/v seront inférieurs à la précision de la représent.. uo = ~ et vo = ~ G-2 an-2 On calcule la suite des uk et des vk jusqu’à obtenir la précision souhaitée.ubo Cl = -bl . Il suffira alors de réaliser des décalages sur seulement trois variables. . 4. Pour réaliser ces opérations il ne faut surtout pas utiliser de tableaux pour stocker les bk et les C~C.+~ dA A = u.. ._4 du 8B B = a.-~ . .UC. ensuite quand on a obtenu l’annulation du reste Ax + B....VC. bo = a0 CO = -bo h ~ ..vbo c2 = -b2 . . on calcule la suite des bk dans le même tableau que celui qui a servi à stocker les valeurs des ak.. uc.-4 dV Comment choisir les valeurs de départ ug et VO? Une bonne méthode pour débuter les itérations consiste à choisir les valeurs suivantes : an-1 a.-3 = -bne3 . ubnp2 -UC. 66 .

com/guilpin/ 67 . Toutefois ces programmes appellent plusieurs remarques : 1.3.(~) est l’équation caractéristique *http://www. 2. On pourrait mettre en œuvre une méthode qui utilise un binôme au lieu d’un trinôme. = 0. 0 A = 0 0 0 0 1 0 . Hormis l’ennui précédemment cité. . c et bairstow . -a1 La première surdiagonale de cette matrice est constituée de 1 et la dernière ligne est formée par les opposés des coefficients du polynômes caractéristique ordonnés selon les puissances crois- santes. L’équation caractéristique est en fait un polynôme dont les zéros sont les valeurs propres de la matrice. si l’on sait associer une matrice carrée d’ordre n à un polynôme de degré n qui est le polynôme caractéristique de ladite matrice. on pourra utiliser les méthodes directes de calcul des valeurs propres pour obtenir les zéros des polynômes. réciproquement. 3. 4. Il suffit alors d’associer la matrice suivante (une des formes canoniques de Frobenius (1849- 1917)) : ’ 0 1 0 0 0 0 . Cependant.edpsciences. On montre que (-l)nIII. ce qui ôte tout attrait à ce procédé. il n’y a pas lieu de procéder à une détermination locale préalable des racines qui peuvent du reste être complexes. .-1 -an-2 -G-3 -un-4 . mais seules seraient calculées les racines réelles du polynôme à coefficients réels. RÉSOLUTION DES ÉQUATIONS NUMÉRIQUES Mise en œuvre de /a méthode . quand nous aurons obtenu l’équation caractéristique. . 1 . Racines d’un polynôme et valeurs propres d’une matrice L’usage des mathématiques veut que la détermination des valeurs propres des matrices passe par l’intermédiaire de l’équation caractéristique dont on recherche ensuite les racines. partout ailleurs il y a des zéros. 0 0 0 1 0 0 0 . Ce n’est pas la meilleure technique pour calculer les valeurs propres d’une matrice et l’on étudiera d’autres méthodes directes qui nous permettront de les obtenir.-an -a. Le programme peut être mis en défaut lorsque le polynôme présente des racines multiples et notamment des racines doubles car le jeu des erreurs peut nous faire basculer vers des valeurs négatives du discriminant et peut nous donner l’illusion de deux racines complexes conjuguées.On trouvera sur le Web (*) les programmes bairstow. Cela mérite évidemment un examen attentif. . En fait l’erreur absolue sur le discriminant est de l’ordre de 10p16 et par conséquent la partie imaginaire sera de l’ordre de 10-‘. on s’intéressera aux polynômes à coefficient principal réduit que nous écrirons donc : H. Pour simplifier le problème sans pour autant nuire à la généralité.(z) = zn + Ulrc n-1 + a22n-2 + . Cependant. la réécriture de la méthode de Bairstow appliquée à la division par un binôme donne une excellente manière d’opérer (voir les problèmes). Ainsi. 0 0 0 0 1 0 0 . 3. . + un-12 + a. 0 0 0 0 0 0 0 . la méthode de Bairstow nous donnera les valeurs propres de la matrice. dans le cas où les coefficients du polynôme sont complexes. h réalisant l’algorithme de Bairstow. . .

*http://www. c un programme qui forme la matrice A à partir des coefficients du polynôme. On donne sur le Web (*) froben.edpsciences.com/guilpin/ 68 . Le lien entre l’équation caractéristique et la matrice associée montre également que les coefficients des polynômes peuvent aussi être mal conditionnés et dans ce cas les algorithmes peuvent donner des résultats aberrants. Ceci appelle une remarque importante. nous aurons beaucoup de difficultés à calculer des valeurs propres correctes.M ANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ de cette matrice. on obtiendra alors les zéros de II. Il est facile de former cette matrice puis de chercher ses valeurs propres par une méthode directe. Si la matrice est mal condi- tionnée.(x).

i=l Le nombre d’opérations est environ 2m x n x Z. nous aborderons quelques méthodes de calcul des valeurs propres des matrices. Tout au long de ce chapitre. Nous allons voir comment résoudre ce premier problème selon deux méthodes générales. Si l’on se réfère au calcul d’un déterminant d’ordre n selon la méthode de Cramer (1704-1752).Ce chapitre est constitué de deux rubriques consacrées l’une à la résolution de systèmes linéaires. puis nous examinerons une solution propre aux < matrices » de Vandermonde rencontrée en interpolation. nous traiterons des opérations élémentaires sur les matrices. Auparavant. on voit que ce procédé exige environ n! opérations ce qui devient rapidement irréalisable du point de vue pratique.edpsciences. Il nous faut utiliser des méthodes beaucoup plus économiques et celles que nous présentons utilisent grossièrement n3 voire n4 opérations. C(n. l’autre au calcul des valeurs propres des matrices carrées. on note par des lettres majuscules les matrices et les vecteurs. Z) expressions dans lesquelles le premier terme de la parenthèse représente le nombre de lignes et le second le nombre de colonnes. La résolution d’un système linéaire nous conduira directement au calcul d’un déterminant et à l’inversion des matrices (carrées).com/guilpin/ 69 . Pour terminer. et par des lettres minuscules (généralement indicées) les éléments des matrices et les composantes des vecteurs. h calculant le produit de deux matrices sur le Web (*). Multiplication de deux matrices Soient deux matrices A(n. On trouvera le sous-programme multma. Du reste le dénombrement exact est facile à obtenir en modifiant très légèrement les programmes proposés : il suffit d’ajouter un compteur d’opérations. *http://www. m) et B(m. 1) le produit des matrices A et B s’écrit : avec cjk = CLjibik. 1.

... ah b..MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 2. azn b a33 . . . La multiplication d’une ligne par un nombre ne change rien au tableau.... ann bn On voit que le tableau T(A. B) de telle sorte que nous obtenions le vecteur colonne (l. Résolution d’un système linéaire On considère un système linéaire de n équations à n inconnues que l’on écrit sous une forme matricielle : AX=B. B) représente une forme multilinéaire avec les propriétés suivantes : a.. adn b4 . d. Comme T(A.1. S) par les opérations linéaires décrites en a. b.1 an2 an3 .. . Quand le système linéaire est soluble et résolu. . Pour y parvenir il faut d’abord diviser la première ligne du tableau par l’élément a11 que l’on suppose différent de zéro... . La combinaison linéaire de deux lignes du tableau ne change rien au tableau... B) au tableau T(I. 70 . OY 0 . La permutation de deux lignes ne change rien au tableau. La première ligne s’écrit alors : 1 1 1 a:2 ch13 ... 0 s4 . ... Les coefficients de la matrice A (d’ordre n) sont notés selon l’habitude classique : ulk (dans l’ordre ligne colonne). 0. .. . B) en juxtaposant les éléments de la matrice A et les composantes du vecteur B selon l’expression ci-dessous : a11 a12 a13 . L’addition terme à terme de deux lignes ne change rien au tableau. ah h a21 a22 a23 .. s. nous allons voir comment passer du tableau T(A. 1.. 2.. B) = a31 a32 a41 a42 a43 . B) = T(I. B) se présente sous la forme : 1 0 0 . a. ... c. Méthode des pivots Nous allons traiter simultanément l’ensemble des données du problème et pour ce faire nous formons un tableau T(A.. le tableau T(A... mn b3 T(A... . où 1 est la matrice unité d’ordre n et S le vecteur solution.. La notation du vecteur inconnu est sans intérêt dans la manière dont on résout le problème et seules les grandeurs que nous allons manipuler sont les alk et les bj. .. . . . b. 0 s2 T(I. 0). S).O... X (de composantes zj) est le vecteur des inconnues et B (de composantes bj)le vecteur second membre. Nous allons transformer le tableau T(A.. = 0 0 1 . 0 & 0 1 0 .. c et d au moyen de la méthode des pivots.... 0 s3 S) 0 0 0 . ....

. À la fin du calcul.. Ainsi on aura : uki2 = uki . ÉLÉMENTS DE CALCUL MATRICIEL Pour annuler les autres termes de la première colonne.. Il n’y aura d’intérêt à réaliser cette permutation que si au moins un 71 . . ... ou bien elle est inversible et son déterminant est différent de zéro. 5. . donc numérotées de k + 1 à n. Ensuite.. on procède à la division de la ligne k par cet élément qui porte le nom de pivot d’où le nom de la méthode.. Après cette première phase. d’une façon tout à fait générale.. Quand m = k.. CL... ... b. Il n’y a pas de difficultés à poursuivre de la même façon les transformations de la troisième ligne puis des lignes suivantes. . .. ain b.. 0 bf 0 1 0 ... 1 b. et ainsi de suite jusqu’à la ne ligne. ou bien la matrice n’est pas inversible et son déterminant est nul.. 0 0 0 . b”) = 0 ... nous avons supposé que le pivot rencontré n’était jamais nul.. T(A. Les éléments de la première colonne du tableau transformé équivalent sont nuls pour k > 1... . à condition qu’il soit différent de zéro. il suffit d’opérer ainsi : les éléments de la première ligne multipliés par ~21 sont retranchés des éléments correspondants de la deuxième ligne.. le tableau s’écrit : 1 ui2 u& . ..@ = 0 ui2 u&. . 0 ui2 c& .uklb:. . 0 b. 0 c& & ..... Au cours des calculs. À présent... Il nous est toujours possible de permuter la ligne k avec une des lignes qui suivent. nous allons traiter le deuxième vecteur colonne de la matrice A... b. . . nous obtenons la configuration souhaitée : 1 0 0 .. Qu’arrive- t-il si l’on rencontre un pivot nul? De deux choses l’une.. Donc. L’élément upk q ui se trouve sur la diagonale principale a vu sa valeur changer dynamiquement au cours des calculs tant que m est inférieur à k....~ . 0 un2 CL. .. les éléments de la première ligne multipliés par ski sont soustraits des éléments correspondants de la k” ligne. . Cette deuxième ligne devient : ensuite..a1 b2 k k k2 2’ À présent la deuxième colonne du tableau a été transformée selon nos vœux. les éléments de la deuxième ligne multipliés par uk2 sont soustraits des éléments correspondants de la k” ligne...uk2u& et b2 = b1 .... et cela pour k # 2. Nous divisons toute la deuxième ligne par l’élément u&. ain b.uklc& et b) = bk . . a& b. . a. seul le premier élément vaut 1. “’ 0 ... . . T(I. . .. pour k > 1 : CL~& = ski .. Les b: sont les solutions recherchées du système linéaire.

. ... 0 0 0 . . . .. . g2n 0 0 933 .edpsciences. . d 7Ll dn2 dn3 . on trouvera le programme systlin. . il est peu probable qu’un calcul de pivot amène la valeur zéro. . .. . .. Ainsi on fera apparaître plusieurs solutions différentes du même système linéaire et notre attention sera attirée par sa singularité. Donc on risque fortement à un moment donné de diviser une ligne par un pivot qui aurait dû être nul sans qu’il le soit dans la réalité. Nous sommes donc libre de choisir n inconnues à notre convenance : choisissons d’écrire les éléments de la diagonale principale de D égaux à l’unité.. ..com/guilpin/ 72 i . Comment prévenir une telle infortune? Il est nécessaire de détecter un tel dysfonctionnement. .. .. Seules k lignes ou k colonnes sont linéairement indépendantes. . . Sur le Web(*). 0 D = . la matrice est dégénérée d’ordre n .MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ élément de la colonne k est différent de zéro. . g1n 0 5722 Q23 ... Remarque 1 : La prudence la plus élémentaire exige que l’on reporte la solution trouvée dans les équations d’origine afin de déceler éventuellement un écart sensible avec le second membre. . . . Notons que ce type de décomposition sera encore employé pour inverser les matrices et pour calculer les valeurs propres. gnn *http://www.. .. . Si la permutation ne permet pas d’amener un pivot non nul. c qui réalise le calcul selon la méthode des pivots.. À bien y réfléchir. 2. et.'... Nous allons obtenir une solution parmi l’infinité de solutions possibles dans un tel cas.. c’est que la matrice est singulière... Méthode de la décomposition de la matrice A en un produit de deux matrices triangulaires Nous nous proposons de décomposer la matrice A en un produit de deux matrices triangulaires notées D et G où D est une matrice triangulaire inférieure et G une matrice triangulaire supérieure telles que A = DG. La matrice A étant d’ordre n il en sera de même des matrices D et G. on échange les deux lignes. .. Dans le cas où l’on ne rencontre pas un pivot nul. Si tel est le cas... . Remarque 2 : Une matrice dégénérée possède une infinité de solutions... Les deux matrices D et G s’écrivent : 10 0 . . tout simplement parce que le jeu du cumul des erreurs et des troncatures a peu de chances de réaliser un tel événement. à partir de la k” ligne on ne peut plus permuter de lignes. on peut évaluer de façon approchée le nombre d’opérations : n3. g3n G = 0 0 0 . Si. rien n’est changé dans le tableau T et l’on poursuit les calculs.o dz1 1 0 . ..k. 9472 .. . 1 "' 0 d43 ..... . puis d’appliquer cette technique de décomposition à la résolution d’un système linéaire. 1 911 QI2 913 ...2.. . on peut y parvenir en exécutant plusieurs fois les calculs sur des présentations différentes du tableau obtenues en intervertissant les lignes. et l’écriture de A = DG conduit à écrire n2 équations à (n2+n) inconnues.

*http://www...lyl + d.. Qln% + Qln-lG-1 + . Cet ensemble d’équations permet de déterminer les composantes de 2... Application à la résolution du système linéaire AX = B Nous pouvons donc écrire : AX=DGX=B il est possible de poser 2 = GX. la troisième ligne de G est obtenue au moyen de : ~33 = &lgl3 + dm23 ... la première ligne de G : i 911 = a11 Q12 = a12 ‘.. la deuxième ligne de D. Donc à partir des récurrences ainsi définies nous sommes en mesure de résoudre un système linéaire. il est aisé de calculer le vecteur X au moyen de l’équation Z = GX dont les composantes donnent : Qn-ln% + gn-ln-lXn-1 = G-1 . 2.. soit l’élément &r qui s’obtient à partir de : t a21 = d21g11 3.com/guilpin/ 73 . .. On poursuit en calculant alternativement la ligne suivante de D puis la même ligne de G jusqu’à la ligne 72. mn = d21gln + an 4. Connaissant 2.zya + . On trouvera sur le Web (*) 1 e programme trianlin. la troisième ligne de D est donnée par : a31 = &gll a32 = &lm + &m2 5. d. On trouvera sur le Web(*) 1 e programme triangle. . . ÉLÉMENTS DE CALCUL MATRICIEL Par identification.. Remarque : Si la matrice est singulière.edpsciences. la deuxième ligne de G s’obtient au moyen des relations : a22 = &m2 + g22 a23 = dzlgl3 + m . c qui réalise une telle décomposition. c mettant en œuvre cet algorithme. on trouve : 1. .3. an = &lgln + &mn + an 6. elle ne peut pas être décomposée en un produit de deux matrices triangulaires. et donc d’obtenir aisément le vecteur 2 dont les composantes sont données par le système d’équations DZ = B qui se décompose de la manière suivante : ~1 = dl &y1 + y2 = dz dayl + dxzyz + y3 = d3 . + 912x2 + Q12X2 + 911x1 = 21... + yn = d.. 5.. Sln = a171 2. .

k=O 74 ..n. &) avec j = 0.. l’erreur relative sA sur A est donnée par l’expression : car les erreurs absolues dpi sont grosso modo les mêmes.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 2.On rencontre souvent l’idée selon laquelle la méthode des pivots peut être améliorée si. C’est lorsque les pivots sont égaux en module que la somme des modules est minimum puisque le produit des pivots doit être constant. le système linéaire etc. Donc le déterminant. . la seule méthode raisonnable consiste à choisir le pivot qui est toujours le plus proche en module de m. Cette façon de voir est complètement erronée pour la raison qui suit. . On peut encore écrire : Le membre de gauche sera majoré par la somme des modules des pivots (à une constante multiplicative près). A est une matrice de Vandermonde (1735-1796) Nous rencontrerons à nouveau ce type de problème à propos du polynôme d’interpolation de Lagrange . Remarque à propos de la méthode des pivots . Le produit des pivots TT étant constant et égal au déterminant A. . on cherche à calculer les coefficients du polynôme de degré n qui passe par les (n + 1) points d’un échantillon (c-uj. à chaque fois que l’on traite une ligne. Calcul d’un déterminant Après la présentation des algorithmes de résolution de systèmes linéaires..2.1.Comme nous avons : A = nn=. verront croître les erreurs au fur et à mesure que se déroule le calcul. Le polynôme s’écrit sous la forme : p. pk. p étant le nombre de permutations de lignes effectuées au cours du calcul. et cela d’une manière plus rapide que la simple proportionnalité au nombre des opérations arithmétiques réalisées. 2. le fait d’utiliser les grands pivots au début du calcul impose les petits pivots à la fin. on amène celle qui possède le plus grand pivot en valeur absolue. il résulte que le déterminant A d’une matrice carrée W est égal au produit des pivots multiplié par (-l)P. Le calcul propage les erreurs cumulées sur chacun des pivots obtenus avec une ultime soustraction (susceptible de fournir une redoutable erreur relative).(x) = 2 a@‘. P our cela il faut obtenir une première valeur de A et procéder par itérations jusqu’à ce que deux valeurs consécutives du déterminant soient égales à la précision de la machine. La seule restriction consiste à supposer que les abscisses ~j sont toutes différentes les unes des autres.5. Il est aussi égal au produit des éléments de la diagonale principale de la matrice triangulaire G.4. l Que faut-il faire alors ? . En conséquence.

5... par ai. = Divisons la première ligne de A. On exprime alors ao sous la forme du rapport classique de deux déterminants que l’on note : ao = A<n+l> (a) ’ avec A. l’ordre du déterminant de Vandermonde est n + 1. d’où la notation Acn+‘) (cy ).~TRICIEL Nous obtenons ainsi le système linéaire suivant : On se propose de résoudre ce système d’ordre n + 1 au moyen des déterminants de Vander- monde dont nous rappelons la propriété essentielle suivante : Ici.. on voit que A. ÉLÉMENTS DE CALCUL M. nous obtenons : En développant ce déterminant par rapport à la première colonne. est une combinaison linéaire de déterminants de Vandermonde d’ordre n notés : 75 . puis la deuxième ligne par a!: et ainsi de suite.

. . a2n-1 a2 1 P2 . nous sommes en mesure de calculer ai par le même procédé. on trouve un déterminant de l’ordre de 10V78. .ao L’opération qui consiste à calculer une valeur u3 (d’abord us) puis à éliminer une ligne s’appelle déflation. 1.. .. on comprend ainsi où se situent les pertes de signification. A est une matrice de Hilbert (1862-1943) Une matrice de Hilbert A d’ordre n est une matrice symétrique dont les éléments &k sont donnés par l’expression suivante : 1 avec 1.-1 a. À partir de A et de B proposons-nous de déterminer X pour n = 5. Pour s’en convaincre. c qui réalise ces opérations.ao avec C = fiai. En effet. . on calcule de proche en proche toutes les valeurs ak. Le produit AX donne le second membre B.L’algorithme semble tomber en défaut si l’un des (hi est nul. n . Il est facile de calculer chaque fois le déterminant de la matrice A qui tend rapidement vers zéro avec l’ordre n. Bn . ~1 = 2. 2. . si la valeur crj est nulle. l’ordre de la matrice a baissé d’une unité. Remarquons que ce programme utilise très peu de place mémoire : seuls les vecteurs y sont utilisés. Prenons pour compo- santes du vecteur X d’ordre n les entiers successifs de 1 à n.15 et 20.~. soit 20 = 1. Rapidement les résultats deviennent aberrants.MA N U E L DE CALCUL N U M ÉR I Q U E APPLIQUÉ soit encore : À présent. donc on peut permuter la ligne j avec la ligne zéro sans que rien ne soit changé. . k = 0.10. À présent. us ayant disparu.. . Dans ces conditions. uzk= l+k+1 C’est une matrice bien connue pour son mauvais conditionnement.com/guilpin/ 76 . nous revenons au problème précédemment traité. se ramène à la résolution du système linéaire d’ordre n suivant : ‘1 cr. . il suffit de choisir le vecteur inconnu X et de calculer le second membre B.-r = n. . . on sait calculer a0 . a. . on peut donc reporter sa valeur dans les équations de départ et faire disparaître la première ligne qui devient inutile puisque nous connaissons effectivement as. Le calcul de ai. .edpsciences. ~2. Qin-1 a1 Pl .1. Pour n = 15. . on connaît immédiatement la valeur as = . Nous donnons sur le Web (*) 1 e programme vdmonde .6. Après déflation.ao 1 a. . toutefois. .2. . *http://www. Cas CJÙ un des ai est nul . a(. . . Il n’en est rien. c’est la seule par hypothèse. c i=l 1 cr. C’est la raison pour laquelle on dit que la matrice A est mal conditionnée. En poursuivant les opérations.. .& puisque la première ligne de la matrice ne contient que des zéros à l’exception du premier élément qui vaut un..

m-2.J1 [D. .AzW.. pour k = 2. .1...-l]. . . ... . . . .. . *http://www. = [Bh .]-’ C. On dit que la matrice A est creuse.]-‘C..... ... cm-. . = [B..... . W. GI = BFID1 Ga = [B2 . .. . = [Bz .. . G..-I Dm-1 A.= [B... . Gk.G..AkGkel] .edpsciences. Bm -Gl D.. . A est une matrice creuse On considère à présent un système linéaire AX = D dont la matrice A d’ordre N est constituée de trois bandes tridiagonales de sous-matrices carrées d’ordre n et notées Ak. m . = BilC1 W.. .. Au moyen d’opérations linéaires.A2W... .. .. c qui fournit les résultats de ces calculs...W.AkWk-J1 [Dk .. . le vecteur inconnu X et le vecteur second membre D étant partitionnés en sous-vecteurs de n composantes.7. chapitre 6). .A2G1] . . .~TRICIEL On donne sur le Web (*) 1 e programme hilbert .... ..1....A... le but est de faire disparaître les matrices Ak et de remplacer les matrices Bk par la matrice unitéd’ordre n notée 4 : cm obtient alors la disposition suivante : Il Wl GI 12 w2 G2 13 w3 G3 . On obtient aisément les expressions suivantes : W. . .. . on va mettre en œuvre une méthode spécifique qui n’est rien d’autre que la généralisation de la méthode exposée lors de l’étude des fonctions-spline (cf.. .AkW. x..3. 5.A... ...]-’ [Dz . .. Comme l’inverse d’une matrice creuse est une matrice pleine._. On calcule alors facilement X.. WTT-1 ii.. 2. ... puis en remontant on calcule par récurrence : Xk=Gk-WkXk+l pour k=m-l. ÉLÉM ENTS DE CALCUL M... .....+ . Bk et Ck comme le montre la figure ci-dessous : Bl CI Xl Dl A2 B2 C2 x2 02 A3 B3 G x3 03 ..com/guilpin/ 77 . ... = G..L'I Im G..

3. Commençons par traiter la matrice D dont la matrice inverse est A. Méthode des pivots Soit une matrice carrée A d’ordre n que l’on suppose inversible.2. où Ei est le vecteur colonne unité qui possède la valeur zéro partout sauf sur la ligne i où la valeur est un. c qui inverse une matrice carrée.lc + .k+dz+z.hk+ldz+l.edpsciences.1. Inversion d’une matrice carrée d’ordre n 3. puis de procéder à la même transformation que celle qui a été proposée pour résoudre un système linéaire. et I’in- verse d’une matrice triangulaire inférieure est une matrice triangulaire inférieure. Nous pouvons écrire : X = A-lEi = Ai1 autrement dit. + &ldlk dkk soit encore : h = -(hk+lh+l. pour 1 > k 611.k + h. il suffit de lui accoler la matrice unité (les n vecteurs unité). Sur le Web (*).M ANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 3. Au lieu d’accoler à la matrice A le vecteur second membre. sinon. Nous avons : AD=I qui fournit les équations : dkkdkk = 1 et. ‘11 es proposé t le programme matinv . = . . *http://www. Méthode par triangularisation L’inverse d’une matrice triangulaire supérieure est une matrice triangulaire supérieure.com/guilpin/ 78 . à la différence près que l’on traitera n seconds membres au lieu d’un seul. portons notre attention sur le système linéaire suivant : AX=E. + &dlk)bkk. nous effectuerions inutilement n fois la transformation de la matrice.k + &.k+2d~+&k +. . la résolution de ce système linéaire fournit la ie colonne de la matrice inverse A-l. mais il est plus habile de les résoudre simultanément car. Dans un premier temps. Le problème consiste à déterminer la matrice A-’ telle que : AA-l = A-lA = I expression dans laquelle 1 est la matrice unité d’ordre n. Nous savons résoudre ces n systèmes linéaires.

on calcule ligne à ligne à partir de la première.com/guilpin/ 79 . Le problème est donc la résolution de l’équation caractéristique ou séculaire : AX=XX où X s’appelle vecteur propre et X valeur propre. et dans chaque ligne les éléments colonne par colonne à partir de la première colonne. La méthode de Le Verrier (1811-1877) L’équation caractéristique d’une matrice d’ordre n est un polynôme de degré n. La solution repose sur les relations de Newton qui établissent une expression entre les coefficients d’un polynôme et les SQ (somme des racines du polynôme élevées à la puissance 4). ’ )?“kk.1+2&+2. On procède d’une façon tout à fait identique pour la matrice G dont la matrice inverse est l?. ÉLÉMENTS DE CALCUL MATRICIEL Après avoir calculé les dkk. Nous écrivons : rG=I qui fournit les équations : ykkgkk = 1 et. Si nous pouvons obtenir les coefficients du polynôme caractéristique.la matrice unité.k + %. Nous allons examiner diverses méthodes qui donnent des résultats plus ou moins intéressants selon la taille de la matrice A ou son conditionnement. c qui inverse une matrice carrée au moyen de cette procédure. 4. Après avoir calculé les Ykk. ou bien à l’inversion de la matrice inverse qui doit fournir la matrice de départ ~ toujours aux erreurs près. pour 1 < k Yllglk + Yl.edpsciences.1. Remarque : Quelle que soit la méthode utilisée. Il sera bien venu de procéder ou bien à la multiplication de A et de A-’ qui doit redonner .l+lgl+l. les méthodes proposées peuvent s’appliquer aux matrices à éléments complexes. Calcul des valeurs propres Il s’agit de calculer les valeurs propres de matrices carrées d’ordre n à coefficients réels . cependant. *http://www. on trouvera le programme trianinv . on calcule ligne à ligne à partir de la dernière. il est prudent d’effectuer toujours les vérifica- tions usuelles. 5.k + %. et les racines de ce polynôme sont les valeurs propres de la matrice.l+l~l+l. et dans chaque ligne les éléments colonne par colonne à partir de la dernière colonne.1+2g1+2.aux erreurs près . la méthode de Bairstow nous permettra d’en calculer les racines. 4.k + ” ’ Ylk = - gkk soit encore : ?‘lk = -(?‘llglk + %. Sur le Web (*).k + ‘.

+.-1 = (ugxn + UlX n-1 + u2xn-2 + .) x .. .+gyy+. ...+ (!3)~+. 2 > Par ailleurs la dérivation directe nous donne : PA-1(X) = ugnxnel + Ul(n .+?+..(x) un polynôme de degré n que nous écrivons : P. 80 ... nous allons dériver (par rapport à CC) de deux façons différentes F’.. + a.+?J+. Désignons par pi les racines réelles ou complexes de ce polynôme qui se met alors sous la forme : P.(so+$+.. g&=:( z i=l i=l i=l i=l ) comme : ci=l pi = somme des racines. p: = somme des carrés des racines. i=l Nous obtenons alors : g$=i( so+g+.+.. (1..2.Soit P.1)~“~~ + CZ~X+~ +.(enremarquantque So=n)..1.-. ce qui permet d’écrire l’identité : uonx n-l + ul(n ..+g+...+un). 2 i=l on peut donc poser : n Sq=Cpr a v e c q=0. (!?) + (g2+ (ei)3+. .pi). + a..MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Relations de Newton . Nous obtenons : expression dans laquelle nous développons & soit : L =.pi d’où nous déduisons : n+fy)+fy)2+C(~)3+...(X) et identifier les résultats obtenus. .(x) = aox” + Ula: n-l + u2xnh2 + . ....l)xne2 + u2xnp2 + .(x) = ao fi(x ... + a. i=l À présent. avec a # 0.

.... Le problème qu’il reste à résoudre consiste à calculer effectivement les valeurs S4 qui. . On trouvera sur le Web (*) 1 e programme leverier . Dr. triangulaire supérieure telles que A = DlG1..2.... c qui calcule les valeurs propres (réelles ou complexes) de matrices réelles par la méthode de Le Verrier. Par conséquent. 5. triangulaire inférieure et l’autre. Méthode de Rutishauser (1918-1970) Nous décomposons la matrice A dont on cherche les valeurs propres en un produit de deux matrices triangulaires l’une.edpsciences... Ensuite. 4.-lS1+nu.. Gi. (On rappelle que la trace d’une matrice est la somme de ses éléments sur la diagonale principale. .. on obtient d’une façon générale : A4X = X4X avec q = 1. n...~~+u. + a. la trace de la matrice A4 est égale à Sq. soit : *http://www. on multipliera B par A puis on calculera la trace de B.com/guilpin/ 81 .. nous obtenons : uosp + Ulfrl f. ici.. n.1) fois à gauche les deux membres de cette équation par A : A2X = AXX = XAX = X2X et ainsi de suite. u()sn + Ul!Y1 +... Nous savons que la trace de la matrice A est égale à la somme de ses valeurs propres.. seront les sommes des valeurs propres à la puissance q.=O pour p > n. QS4 + ulS4-l + . de même... ÉLÉMENTS DE CALCUL MATRICIEL Il reste à identifier les coefficients des termes de même degré en ~ç.2... .2....3..... Revenons à l’équation aux valeurs propres : AX=XX et multiplions successivement (n . ce qui nous fournit les relations de Newton : aosl + a1 = 0 aoS + ulS1+ 2a2 = 0 QS3 + UlS2 + apsl + 3a3 = 0 .. et ainsi de suite jusqu’à obtenir la valeur de S”.-lS1 + qu3 = 0 .. pour q = 1. . la trace de la matrice A’J est égale à la somme des valeurs propres de A élevées à la puissance q.) Il suffit de calculer la trace de A puis de multiplier A par A soit B = AA et de calculer la trace de B. On calcule la matrice Bi qui est le produit de Gi et Dr dans l’ordre... ’ + un-lSP+l-n + &sp-n = 0. ..

. Méthode de Givens (1912..72.dG b..3... ..MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ On décompose B1 en un produit de deux matrices triangulaires Dz et Ga telles que : B2 = DzG2. = Dn+lGn+~ Lorsque la décomposition triangulaire est possible. on pose : aP-l.. . = GnD..P r=&p s=&F’ l’astérisque désignant la valeur conjuguée et UT la transposée de U. tend vers une matrice triangulaire et les valeurs propres se situent alors sur la diagonale. puis on calcule le produit de G2 et Dz que l’on appelle B 2. Pour réaliser la transformation unitaire notée U.. puis d’appliquer une des méthodes de Rutishauser à convergence quadratique. (V)*U = 1. on montre que la matrice B. il est utile de mentionner que cette méthode.. a les mêmes valeurs propres que la matrice A.. etc... On trouvera sur le Web (*) le programme rutishau.p = a.com/guilpin/ 82 .. = 0 bkp = r akp + s* akq bkq = -Sakp + rakq avec lc = p.) La méthode de Givens consiste à réduire la matrice A en une forme quasi triangulaire au moyen d’une suite de transformations unitaires. on poursuit ce type de décomposition et l’on obtient en définitive les résultats suivants : BO = A = DIG1 B1 = GID1 = DzG2 B2 = G2D2 = DzGz . c qui calcule les valeurs propres selon la méthode accélérée de Rutishauser 4. dans sa version accélérée.. Désignons par A la matrice dont on cherche les valeurs propres et par aij ses éléments. Les colonnes p et 4 sont transformées selon les expressions : bp-l. Sans entrer dans les détails liés aux valeurs propres multiples. c qui calcule les valeurs propres selon la méthode de Rutishauser. elles apparaissent dans l’ordre des modules décroissants en descendant le long de la diagonale principale. Nous allons exposer la suite de ces opérations. B. On trouvera sur le Web (*) 1 e programme rut ishac . En général. De plus si celles-ci sont réelles et distinctes. B..-r.. aux valeurs propres complexes. sert de fondement à l’établissement de la méthode de Givens.q P’ aP-l.. *http://www. ..edpsciences.-r.

..s .. .p = ap-l... 0 G= 0 0 0 .. alors on prend bp-l.. . bqp et bpq sont remplacées par les quantités : C pp = r bpp + s b........ . . .... . On écrit donc : a11 a2 ... 5... 0 .3 . Les lignes p et q se transforment par des expressions analogues : cpi = r bpi + s b.... . 0 . n..2..... . pn 0 0 0 . ... ...... ......l cql = -s* bpl + r b.' b nn 1 @2 0 .. Une telle matrice se décompose aisément selon la méthode de Rutishauser en une matrice triangulaire inférieure D et une matrice triangulaire supérieure G... 0 kil b32 b33 .... 0 0 0 1 ..2 bn-1. lesquelles viennent remplacer les valeurs correspondantes dans le tableau des aij...1 b-l. 0 a31 a32 a33 ... 83 .. les quatre valeurs bq4....q p uis r = 0 et s = 1.l avec 1 = 1.... . ÉLÉMENTS DE CALCUL MATRICIEL Ensuite.. GLn bu 0 0 ...n. .....n... 0 b 7X1 bn 2 b n3 . . on note la matrice A au moyen des aij pour la partie triangulaire et o1 pour la diagonale située immédiatement au-dessus de la diagonale principale. ce qui correspond à une rotation de 7r/2.. an Gtl an2 un3 . .q-1 bP.-i... 0 0 1 p3 ... .~ = 0. a3 . 0 0 a21 a22 .. 0 . . 0 D = bql ba bd3 . .. Cette méthode nous conduit donc à obtenir une matrice quasi triangulaire inférieure. .. ... Dans le cas où ~~-1. an-l. b pp.. .-1 pour p = 1... C Pq = r bPq + s bqq cqp = cpq.. 0 A = a41 a42 a43 .1 an-l.. Toutes ces expressions viennent se substituer aux éléments correspondants dans la matrice A. . .. 0 0 0 . cqq = -s* bpq + r b.. . 1 Les bij et les /3j sont donnés par les expressions : pq = Qq pour q=2...2 an-l... = aPq ... b... . ... b-l.. .. Pour des raisons de commodité d’écriture. ..B4 bP. . 0 bzl b22 0 .

.. Cnl = bd puis en notant par yk les éléments de C au-dessus de la diagonale principale : cm = bq + P~+I bp+l. de tous les éléments diagonaux et l’on réitère la procédure jusqu’à ce que la valeur ne soit plus modifiée par un tour d’itération supplémentaire.. . 1.. Cette méthode de Rutishauser concernant les matrices quasi triangulaires converge quadratiquement. .nq. ... a21 a22 . Une fois obtenu une valeur propre. c nq -b . . Méthode de Danilevski (1937) Cette méthode consiste à transformer la matrice A ou plutôt le déterminant caractéristique en sa forme canonique de Frobenius au moyen de transformations linéaires qui laissent le déterminant inchangé.q pour p = q. Une fois la forme canonique obtenue... Ces opérations s’appellent déflation. .. a2+1 a2n A(A)= ~31 a32 a33 -A . c’est-à-dire lorsque l’on a obtenu la meilleure précision avec la machine utilisée.. on note $2 la dernière valeur figurant sur la diagonale de la matrice C....l +&+lbp+l.. n . On retranche cc.. (Pratiquement cela signifie que le nombre de chiffres significatifs exacts est multiplié par un coefficient proche de deux à chaque tour d’itération. a3n-1 a3n . on réduit l’ordre de la matrice de 1 unité en supprimant la dernière ligne et la dernière colonne. la méthode de Bairstow par exemple.edpsciences.l pour p= l... par le même procédé. . on passe au calcul de la valeur propre suivante..... Ensuite.1..... À la fin de ce premier tour de calcul...X a23 . Écrivons l’équation caractéristique A(X) associée à la matrice A : a11 -A -12 a13 .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Le calcul du produit C = G.... 4..) Rappelons que les calculs s’effectuent en arithmétique complexe dans le cas général.. & est alors une des valeurs propres recherchées... .... GV-1 ann -A *http://www.. . . On trouvera sur le Web (*) 1 e programme givens . %l an2 an3 . ain-1 a1.... D conduit aux nouvelles expressions : $1 = b.com/guilpin/ 84 ..........4..n. on écrit directement l’équation caractéristique dont on cherche ensuite les racines au moyen d’une méthode appropriée.. c qui calcule les valeurs propres réelles des matrices réelles.

2 est différent de zéro. 5.. Pour conserver le coefficient 1 devant A. on divise alors la ligne (n . on fait disparaître X du premier élérnent un-l. -b...~-I. 1 -A 0 0 0 B(X) = 0 1 -A ::: 0 0 . On trouvera sur le Web (*) 1 e programme danilev ....-l -b. *http://www. 4 = 1.. on aura un produit de déterminants chacun écrit sous la forme ordinaire..~.. on combine linéairement les colonnes pour que le déterminant ait sa dernière ligne selon la forme canonique : 0 0 .. À ce dernier déterminant...2.2 et ainsi de suite pour obtenir l’avant dernière ligne privée de termes en X excepté l’élément diagonal.. . Cette opération a amené des tcrrncs en X sur l’avant dernicrc ligne avec les coefficients a&..com/guilpin/ 85 . .1.2. Cette opération fait apparaître un terme en X sur la ligne q et la colonne Ic . 0 1 Pour cela on rnultiple l’avant dernière colonne par uiIq et l’on retranche le résultat de la colonne 4..edpsciences..1 de l’avant-dernière ligne. On opère de la même façon avec la dcuxihmc ligne multipliée par un2 pour éliminer le terme en X de un-r. c qui calcule les valeurs propres réelles des matrices réelles. Supposons qu’il en soit ainsi et que le tcrmc c&rl soit differcnt dc zcro.. .. mais le déterminant est alors le produit de deux déterminants dont l’un a la forme voulue de Frobenius et l’autre la forme ordinaire.~1 (les pivots de la transformation se situent sur la première sous-diagonale)..Si un pivot est nul la rnéthode tombe en défaut.2: n. 1..1. On le fait disparaître en retranchant à la ligne 4 la ligne 4 + 1. La transformation s’effectue de bas en haut. 2. soit de colonnes (cf. .n... Supposons qu’il s’agisse du pivot ak.k-r alors on regarde dans la ligne k si un des termes compris entre les colonnes 1 et k . .X -bz -by . ÉLÉMENTS DE CALCUL MATRICIEL On désire obtenir la forme suivante : bl ...1) par cet Clement et on rnultiplie la colonne (n ~ 1) par ce même élément.. la méthode des pivots concernant la résolution des systèmes linéaires).-2.. On divise l’avant-dernière colonne par ~... 3.. . On désigne par u:~~ les valeurs obtenues sur la dernière ligne.l -A On passe du déterminant A(X) au déterminant B(X) au moyen de combinaisons lincaircs soit de lignes. on peut alors faire subir à nouveau le traiternent de Danilevski.. Le cas où il n’y a que des zéros sur la ligne Ic dont le pivot est nul rnontre que les calculs ne peuvent pas se poursuivre de cette manière. Dans le cas le plus défavorable... En retranchant terme à terme la première ligne multipliée par uLq... on est amené à multiplier l’avant-dernière ligne par u~. Ensuite.. n . .. Cas où un pivot est nul . puis on poursuit les calculs de la même manière que pour la ligne n. On passe ensuite au pivot suivant qui est l’élérncnt ~~&-1.. avec 4 = 0.2.~.. . n .-r p our amener 1 a la place de u.. 0 0 0 . .~~. à savoir : 1. On ajoute alors les éléments de la colonne 4 à ceux de la colonne ic ... qu’il faut à préscnt éliminer sauf sur la diagonale principale..

le produit des valeurs propres est égal au déterminant de la matrice.. . .bnni.1 h-2 b-3 .8). Les dispositions du calcul sont les suivantes : L-1 bln-2 br-:3 . c qui réalise cet algorithme. . Toutes les conditions sont réunies pour avoir des valeurs propres très grandes et à coup sûr d’autres très petites. la somme des valeurs propres est égale à la trace de la matrice. Par ailleurs. La méthode de Givens-Rutishauser permet de contourner cette difficulté.-l.edpsciences. Reste à déterminer aa = (-1)“.-. . malheureusement elle conduit à un système mal conditionné lorsque n atteint et dépasse quelques unités de l’ordre de 8 a 10. soit : les ak étant les coefficients du polynôme caractéristique.. Cas des matrices symétriques Les matrices symétriques sont hermitiennes et par conséquent ne possèdent que des valeurs propres réelles.b. On multiplie les deux membres de cette expression par un vecteur arbitraire d’ordre n que l’on appelle X. on obtient : ~a. et on le choisit très souvent avec toutes ses composantes égales à l’unité.l..5. La méthode de Krylov (1879-1955) Elle repose sur le théorème de Cayley-Hamilton (toute matrice A d’ordre n est solution de son équation caractcristique). leur calcul est une source de difficultés puisque le déterminant de la matrice d’ordre n tend vers zéro quand n tend vers l’infini. On donne sur le Web (*) 1 e programme krylov. cependant.7. = ABnpl. En effet. et enfin B. 4. . nn b Le vecteur X est arbitraire. problème 5.. b.ArL-q X = -A”X. Quand on calcule les zéros d’un polynôme caractéristique dont les coefficients sont mal conditionnés on court le risque de voir apparaître presque sûrement des racines complexes dont on se passerait bien.' ...O a. Cette méthode n’exigeant que peu de calculs est fort attrayante.6.'. . Br = ABo. . . .MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ 4. *http://www. . on fournit également le programme (cf. q=l On commence par calculer & = X. .com/guilpin/ 86 . . 'b. Les vecteurs Bk sont les colonnes de la matrice du système linéaire à résoudre pour obtenir les coefficients ak du polynôme caractéristique. On trouvera dans les exercices un problème mettant en œuvre la méthode de Jacobi adaptee au cas des matrices symétriques et qui donne de trcs bons résultats. Bk+l = ABk. . bll bl0 a1 b h. Retour sur les matrices de Hilbert Les valeurs propres des matrices de Hilbert sont réelles puisque la matrice est symétrique. . bzl bo . . . . 4. annexe H. ~2 = ~ 0:: b.

E. 0. Éléments de bibliographie A. KELLEY (1995) Iterative methods for heur and non linear equ. Éditions Masson. ANGOT (1972) Compléments de mathématiques.T. R. R. Éditions Prcntice Hall.S. KRESS (1998) Numerical analysis. Éditions Masson. Birkhauser. DURAND (1961) Solutions numériques des équations algébriques. VARGA (1962) Matriz iteratiwe analysis.G. Society for Industrial and Applied Mathematics. Springer.ations. C. Tome II. 87 . P. 5. ÉLÉMENTS DE CALCUL MATRICIEL 5. CIARLET (1982) Introduction à l’analyse numérique matricielle et à l’optimisation. N EVANLINNA (1993) C onvergence of iterations for hear equations. Éditions Masson. Philadelphie.

Appelons I l’intervalle de définition des abscisses. Pour ce qui concerne les opbrations dc lissage. très souvent. quand nous cherchons à obtenir f(z) pour une valeur de z située à l’extérieur de 1.6 1 L’interpolation Avant dc dkvelopper le thème dc l’interpolation. sera l’élimination de ces erreurs qui constituent un bruit de fond. En revanche. c’est l’éternel problème : on ne peut avoir accès qu’à 1111 nombre fini de valeurs. Bref. Ces ensembles de valeurs constituent un échantillon de la fonction f(z) à laquelle nous nous intéressons. nous dirons que nous rkalisons une extrapolation. cc qui importera en priorité. Un problème idcntiquc apparaît lorsque l’on veut traiter mm~ériquement III~ ensemble dc résultats expérimcntIaux quand bien mCmc lc procédé utilisé pour les recueillir eut i:ti: réalisf: par voie analogique. les opkrations d’interpolation et les opérations de lissage sont confondues dans l’esprit de bien des utilisateurs. Nous aurons amplement l’occasion d’approfondir ce problème. Que ce soient des résultats expérimentaux ou que ce soient des tables. nous noterons que l’extrapolation dans les voisinages immédiats des bornes de 1 fournit d’excellents résultats. il est sans doute utile de prkiscr la nature du problème propos& car.une quelconque valeur appartenant à 1. ces deux cnscmbles appartenant nécessairement k des intervalles finis. Quand nous cherchons à connaître f(z) 1loin. ne nous sont données que pour un cnscmblc discret de points qui constitue un échantillon. Le problèrne posé par l’interpolation ne doit pas être dissocié à proprement parler du problème dc l’extrapolation (dans la mesure où il s’agit d’effectuer une extrapolation qui a effectivement un sens). hormis pour les points dc l’échantillon. mais c’est le calcul d’erreur qui va introduire une diff&ence entre les deux. au sens large. On cherche alors à rendre compte d’une allure globale des donmks expérimentales au moyen de fonctions plus ou moins arbitraires dont on ajustera les paramètres le plus souvent en utilisant la méthode des rnoindres carrés ~~ mais. Au passage. Ces deux problèmes s’abordent de la même façon. Bien entendu il est rare que la valeur de la fonction figure dans la table pour la valeur dont on a réellement besoin et l’on est obligé de se livrer à une opération d’interpolation voire d’extrapolation ~~ pour obtenir le résultat désiré. Quel que soit le problème auquel on s’attache. et nous examinerons un certain nornbre de méthodes qui rkalisent ces opérations dc filtrage 89 . nous dirons que nous effectuons une interpolation. la plupart des fonctions. on dispose toujours au départ d’un ensemble fini d’ordomkes correspondant à un ensemble fini d’abscisses. Toutes les fonctions transcendantes dites spéciales ont fait l’objet de tabulation pour des valeurs dc la variable en progression arithmi:tique. il faut dire qu’elles ont un autre but : il s’agit avant tout d’eflectuer un filtrage sur un ensemble de données entachkes d’erreur.

CL: .. bi. Cela implique que tous les ah: sont différents.. nous allons nous y attarder quelque peu. un % bn 90 .. . Comme elle présente un grand intérêt théorique. ay (~2 = b . + Qn-lx7L-1 + Cy. Si tel n’était pas le cas. les fonctions du cylindre parabolique etc. et l’on associerait à chacune des partitions obtenues un polynôme de Lagrange unique.. Supposons que pour la valeur ak il y ait deux valeurs 1~1 et ~2. ai. CL. nous obtenons le système linéaire Suivant 1 au ao ui . pour une valeur donnée de arc... 1... 1 a... a1 bl 1 a2 CI~ a$ . . ulL appartiennent à l’intervalle I qui est le plus petit possible...(z) doit prendre la valeur bk lorsque la variable z prend la valeur ak. . nous allons établir l’existence de ce polynôme unique de degré n que nous désignons par &(z) et qui s’explicite de la façon suivante : PT>. at a0 bo 1 a1 CL: a: G. Le polynôme de Lagrange (1736-1813) Le problème consiste à obtenir le polynôme de degré n qui passe par les (n + 1) points de l’échantillon.. De la légitimité de l’interpolation En règle générale. . .. il ne peut correspondre qu’une seule valeur bk. le système des sinus et des cosinus.(Z) = Qo + QI2 + ‘. Aucune hypothèse n’est faite sur les échantillons à cette réserve près toutefois que. . y1 et y2 sont attribués chacun à l’intervalle correspondant 11 ou I2 donné par l’allure de la courbe représentative. . Les abscisses au. Tout cela précisé. b. .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ éventuellement après qu’auront été abordés quelques éléments de statistique.. la méthode des moindres carrés et la transformée de Fourier. il conviendrait d’effectuer une partition (ou plusieurs) pour réaliser cette condition... Il s’ensuit que sur cet intervalle elle peut être approchée uniformément par un polynôme et cela en vertu du théorème de Weierstrass (181551897). les fonctions de Bessel.ci? = c a!&& k=O En utilisant le fait que ce polynôme P. la fonction f(z) connue au moyen d’un échantillon de points est continue sur l’intervalle 1 que nous venons de définir.... Du reste il n’y a pas de difficulté à généraliser cette proposition au cas où l’approximation est réalisée par un système quelconque de fonctions pourvu qu’il soit complet... 2. correspondant aux abscisses respectives. Les systèmes complets usuels sont : le système des puissances (les polynômes orthogonaux usuels). . et la fonction réelle f(z) prend les valeurs bc. L’idée d’interpoler par un polynôme est bien antérieure à la publication du théorème de Weierstrass (1815-1897) et elle a été exploitée par de nombreux savants mais c’est le nom de Lagrange qui est resté attaché à cette technique.. cela veut dire que l’on découpe l’intervalle 1 en deux sous-intervalles 11 et I2 ayant uk comme intersection commune..

à l’époque de Lagrange (173661813).a.uk). . Cela donne les relations suivantes : pn(ak) = bk = 2 A. 6. par hypothèse.n kzn det[A] = n n(aj . J=O k>j Comme conséquence immédiate il s’ensuit que la solution existe et qu’elle est unique.7=0 À présent. Si l’on se situe dans un contexte historique. fi& .. tous les uk: sont différents. . décomposons le rapport Pn(z)/Qn+r( z ) en éléments simples. Le déterminant de la matrice A est un déterminant de Vandermonde pour lequel tous les uk sont différents : j=. opération possible puisque. i=o j=o j#a Maintenant il nous faut chercher à expliciter les A. fi.?).(x) = c Ai . C’est cette méthode que nous exposons maintenant. i=o J=O 3#i 91 . D’INTERPOLATION que nous écrirons d’une manière plus concise sous la forme : Aa = B.q). le calcul des coefficients ne pouvait pas s’effectuer par la résolution d’un système linéaire dès que l’ordre de la matrice dépassait quelques unités. Considerons un polynôme de degri: (ß + 1) appelé QTL+r(z) et défini par la relation : .~1 d’où l’expression prise par le polynôme PTL(x) : Comme il est possible d’écrire que : nous obtenons alors : P. nous pouvons écrire : pn (xl =k Ai Qn+~(x) 2To (x . en tenant compte du fait que le polynôme doit passer par les points d’échantillonnage. et Lagrange proposa une technique qui a permis de réaliser directement l’interpolation sans calculer explicitement les coefficients du polynôme.

. Évaluation de l’erreur Supposons que f(z). ce qui donne : Remarquons que la fonction Q(U) s’annule pour toutes les valeurs u = ai mais aussi pour la valeur u = IC.(u) .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Comme l’indice j prend toutes les valeurs de 0 à n. par parenthèses.CG) i=O Cette fonction @(u) qui apparaîtra sans doute un peu artificielle va nous permettre d’exprimer aisément la valeur absolue de l’erreur E(x) commise en effectuant le remplacement de f(z) par ce qui. et considérons la fonction auxiliaire Q(U) définie comme suit : I-p . excepté la valeur i: les produits seront toujours tous nuls sauf celui pour lequel nous aurons i = k. il est nécessaire dès à présent de se faire une opinion skieuse sur l’erreur commise en remplaçant une fonction f(z) échantillonnée par le polynôme de P. L’application successive du théorème de Rolle (165221719) à (a(u) pcrrnet de voir que la dérivée @(“+l) (u) s’annule pour une valeur u = < appartenant au plus petit 92 .Ui) Q(u) = f(u) . j=o . Il convient d’ajouter que ce polynôme peut être utilisé aussi bien pour réaliser une interpolation qu’ime extrapolation.[f(x) .P. et c’est l’expression due à Lagrange qui va nous pcrrnettre de résoudre le problème. par tous les points de l’echantillonnagc.1) P.(z) est donc le polynôme passant. dérivons (n + 1) fois la fonction Q(u) par rapport à U. Comme par expérience on sait que l’extrapolation est une opération peu précise loin du domaine 1. remplacée par PT2 (ix).(z) : (6. Pour parvenir à notre fin.P&)] y . ncx . et nous en avons obtenu deux expressions.aj). explique la structure de Q(U). On en déduit l’expression suivante : n brc = Ak: l-&k: ..(X). 3. soit (7~ + 1) fois derivablc sur l’intervalle 1.7#i Nous tirons alors la valeur de Ak: que nous reportons dans l’expression de P.

!. de plus.)~ On voit immédiatement que l’erreur est nulle sur les points d’échantillonnage et qu’cllr est tres petite dans le voisinage de ces points. 6. +l). elle dépend des points CL~. l’expression de l’erreur devient : E(x) < (ri+. on ne travaille pas sur l’intervalle (-1.appelons que cet intervalle sera plus grand que I s’il s’agit d’une extrapolation.a.+r la limite supérieure de f’“+‘)(x) dans l’intervalle concerné.. 4.u 93 .+r(z) = & COS[(~ + l)Arcos(z)] Les zéros de ce polynôme sont donnés par : (n + l)Arcos(zk) = 5(2k + l)..2:. mais sur l’intervalle 1 dont la borne inférieure est a et la borne supérieure b. . . on procède à la majoration de f cn+r) (Or) dans l’intervalle adéquat.(~ . c’est-à-dire que I : n’appartient pas à l’intervalle 1. De plus il est important de noter que l’expression de E(z) varie en fonction de x et que. 1.a. c’est le polynôme de Tchebycheff (1821-1894) qui s’écarte le rnoins de l’axe des x sur l’intervalle (-1. On peut alors se poser la question de savoir comment choisir les ak pour que l’erreur E(z) soit minimum. Nous obtenons alors l’expression suivante : de là nous tirons l’expression de l’erreur E(z) : Comme chaque fois en pareil cas. R.)! ~fi(x i=.) qui n’est rien d’autre qu’un polynôme de de@ (n + 1). n. Le changement de variable : 2x-u-b Z= b . soit : 7r(2k + 1) zk = Cos 2(n + 1) avec k = 0 . Désignons par M. +l). En réalité. L’INTERPOLATION intervalle contenant z et les ai (dans le cas de l’extrapolation z n’appartient pas à l’intervalle 1 précédemment défini). Comment minimiser E(x) La seule façon possible de réaliser l’opération est de rendre minimum l’expression n~=. Nous montrerons au chapitre 9 le théorème suivant : parmi tous les polynômes à coefficient principal réduit de degré (7~ + 1). . Ce polynôme a pour expression : T. .

.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ permet de passer de l’intervalle (-1.a1 + .u2) x .a0 Considérons à présent : Q7.2).2). ce qui permet d’écrire Qnpi(al) = !!LI!f! = ~~ ai . .Ul)-t L%(x ~ Ul)(X . .(x ~ Ul)(X ~ u2). .bo Qn-l(x) = = &+ Ba(x . (x . Autre disposition pratique du calcul du polynôme de Lagrange Il faut bien reconnaître que le calcul effectif du polynôme de Lagrange pour un ensemble de valeurs de z demande un travail assez laborieux. 2(n + 1) Pour minimiser l’erreur: il faut choisir les ak identiques aux xk qui sont donnés par l’expres- sion (6.. Cette règle demeure dans lc cas où la fonction f(x) est connue empiriquement.ul) . ensuite on peut poser : Pr?.(Q) = bo = BO. + B.2 .Un-l).3) dont il faut déterminer les B k. b) a pour forme : ce changement de variable donne également les zéros de ce polynôme : a+b b ..(x) . +l) à l’intervalle (a. + B.a 74% + 1) xk = ~2 + 2 COS avec k=O.Ul) + . on se propose d’adopter la disposition suivante : Pn(x) = BO + Bl(X ~ uo) + Ba(x . aussi préfère-t-on employer une autre expression qui conduit à des calculs plus économiques et surtout qui permettra d’établir un certain nombre d’autres formes réputées canoniques. 94 . et cela est indépendant de la fonction à interpoler.(x ~ u~)(x .(x .uo)(x . (6. b).as) .uz)(x ~ a:s) 2 . On insiste donc sur la généralité de ce théorème qui ne préjuge en rien de la nature de la fonction à interpoler si ce n’est l’hypothèse traditionnelle de continuité.anpl).a() +. (x .u. n. (x .-~). + B...uo)(x .1. 5. 0 n en déduit que lc polynôme de Tchebycheff de degré (n + 1) à coefficient principal réduit defini sur (a. Remarque : Il est à noter que l’erreur est donc minimum pour un partage de l’intervalle 1 selon les xk. ct la meilleure facon d’obtenir des valeurs exploitables avec la plus petite erreur repose sur le choix des xk donnés par l’expression (6. Pour ce faire. D’abord on a F’.-2(x) = Q+l(x) ~ B1 = B2 + &(x ~ ~2) + Bd(2 . .

ao a2 ..&(a2 ..f(uo + kh)..CL2 ...B1 = B 2.bo qn-1 ~ d .. aoh~ = BO h . Ensuite..bo a1h ~ = q:L-l = Bl a1 ~ ao bz . certes..a0 a3 . ce qui donne : Qn-2(a2) = Qrr-l(d ... et & ce titre il mérite d’être examiné car il conduit à des expressions très connues et très simples d’emploi.b. C’est un cas particulier. a2 . . a1 = uo + h. un = uo + nh.. Pour aborder cette étude il nous faut au préalable définir les opérateurs de différence.= Ll 7? = q..a1 b:3 ...p3 = B3 us . L’INTERPOLATION expression dans laquelle on fait x = ~2.1 = q”p2q. etc. 95 .lp2 = B2 a2 . on définit les différences deuxièmes d’ordre k : A2bk = A1bk+l ~ A’bk et ainsi de suite pour les différences troisièmes... Récapitulation de la conduite du calcul Sur le tableau ci-dessous on a représenté la suite des opérations qui permet de calculer tous les Bj.= d-1 ~ q..uo) 2 (aa -ao)(az . nous avons donc la suite des abscisses donnée par : uo. On appelle différence première d’ordre k la valeur A bk donnée par l’expression : A1bk = bktl ~ bk = f[uo + (k + l)h] .. mais il est très répandu. D’une façon générale on définira les différences pe d’ordre k au moyen de la relation : Remarque : Si les valeurs (ui. 6..a1 soit encore : B = ba ~ bo ..... b.) sont données par un polynôme de degri: m (f(z) = PTrL(x)) j il va de soi que les différences d’ordre k supérieures à m sont nulles et que toutes les différences me sont égales... Cas où les abscisses sont en progression arithmétique Désignons par h la raison de la progression ....... quatri?mes. 4:-l .-2 ~ La u3b3. u2 = au + 2h.a1 a:< .421 d z . 6.a) On poursuit de la même façon le calcul pour obtenir tous les Bk..

Dans lc cas où l’on utilise toutes les données du tableau... QO bn uo + h bl A’bo a..hq . bk). ce sont les expressions numériques approchees des valeurs dc la dérivée première..l)h].. que les abscisses sont en progression arithmctique : P.4) Pour obtenir les valeurs des (n ...... Ces différentes forrncs portent le nom du savant qui s’est attaché à une de ces études: on étudiera donc les polynômes ascendant et descendant de Newton les polynômes de Stirling et dc Bessel.3) dans laquelle nous tenons compte du fait. + N. P..(z ~ uo) ..... À l’aide des diffcrences premiercs. (ajo + h ) = bl =No + NI11 PT. Toutefois nous verrons une petite nuance concernant les polynômes de Stirling et dc Bessel qui sont respectivement l’un pair l’autre impair.. + q!N... (6.....ous les polynômes que nous venons d’évoquer donnent alors les mêmes résultats puisque ce ne sont que des expressions différentes du même polynôme de Lagrange. soit (n + 1) points... mais on peut très bien ecrire les formules d’approximation en choisissant pour valeur initiale ao urr point d’int.un ~ h ) + . On obtient alors : P... Les polynômes d’interpolation de Newton (1643-1727) Reprenons l’équation (6. [x . Ici la valeur au est la valeur initiale de la suite.. le tableau précédent st transforme ainsi : 2 b A16 A2b A”b A4b . : n. au point (Q.2)N:# + ..l(z) = No + Nl(n: ..ao) + N2(z ~ uo)(z ... 96 . + 2h b2 Albi A”bo no + 3h bx A’b2 A2bl A”bo a0 + 4h bd A1b3 A2bz A”bl A4bl . 7... =No + nNlh + n(n ~ l)N2h2 + n(n ~ l)(n .2..érêt particulier dans le tableau des données .....un ~ (n .l)(q ~ 2)N:jh” + ..z.. + n!N. t.... =No Pr.. =No + qNlh + q(q . . les abscisses précédant ~0 sont notecs par des indices negatifs : Cette dernièrr rernarque conduit à l’écriture dc différentes formes du polynôme de Lagrange qui offrent de grands avantages lorsque l’on ne désire employer qu’une partie restreinte du tableau initial des données. mais cela nc restreint pas la généralité de notre propos..(uo + 2h) = b2 =No + 2N1h + 2!N2h2 .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ La signification des différences est simple. (uo + qh) = b...1) coefhcients Nk: il suffit de donner à z la suite des valeurs ao + kh avec k = 0. . dérivce deuxième.. deuxièmes etc.l)N2h2 + q(q ..h’“. de la. dans ce cas..... Pn(uo + nh) = b....(ao) = b. 1. etc.

On obtient alors : P.. N. A”b. ...a0 + (n. = ~ n! h” Pour des raisons de concision d’écriture il est commode de poser : Ainsi l’expression devient : PrL(z) = b.. ..)(z ~ ao + h) +. soit b-k.. l Cette formule s’appelle polynôme de Newton descendant. (6...h’J . [x .. . c’est-à-dire en changeant de signe la raison de la progression arithmétique. = Mo .qMlh + q(q . + (-l)“q!M<.+Mn(rx ...1) ‘. on affcctcra un indice aux valeurs correspondantes des ordonnées avec un signe ncgatif. . . L ‘INTERPOLATION À présent...2.. (6.2h) = bka = Mo ...(a.. . + zA1bo + ~~2b0 + ..Mlh P. Pour obtenir les interpolations en queue de tableau ~ disons avec le dcrnicr quart des données ~~ il suffît d’écrire le polynôme de Newton en considérant 1111 pas négatif.L(x) = Mo + Ml(z ~ uo) + Mz(x .qh) = bk..2Mlh + 2!Mshj2 Pn(ao .1)M2h2 . + 42 . 6.. 1. . b ~ (TL .4) devient : P.... (ao) = b. L’expression (6.(ao ..111 *nbo.l)h].. au moyen des opérateurs de difference définis au paragraphe préccdent.u. nous allons exprimer de proche en proche les coefficients NI... rnais. = Mo P.h) = bki =A&.6) Comme précédemment.5) 1%.. Elle est utilisk pour effectuer des interpolations en tête dc tableau (ce qui signifie que l’on réalise l’interpolation avec le dcbut du tableau et non pas avec tout le tableau).uo) . on donnera à z les valeurs ae ~ kh avec k = 0.q(q .l)(q ~ 2)M# +. n. pour éviter toute confusion. On obtient donc : .

uo)(x . = SO .il.h) +.8) Pour obtenir les valeurs de Sh.(z) = b.2h) = b-2 = Su .(uo . . ‘.&h’? 98 . &‘(io’+ &j = b.uo) + S:j(x . = ~ k!h’” Toujours en posant z = (z-ao)/h.. ce qui permet d’écrire : Pn(uo) = bo = SO P. [z . ao + h.+I(X . . . .4) sous la forme suivante : F’. (6. . + (2q)!. 4z+l) 2 (6.l)(q + l)&h” +.2Slh + 2!SLh2 ~ 3!S”h” i~(a. .ao . nous obtenons la forme canonique du polynôme de Newton ascendant : P.(z . .j~y &j’.uo) +&(CC ~ uo + h)(z . + zA1bkl + ~ A bp2 + .. .2)S3h” + . pour cela on écrit le polynôme (6. ao ~ 2h.(q . (ix .ao .qh).q(q .h) = b-1 = SO ~ Slh K(~O + h) = bl = SO + Slh .a0 . + S2.l)!S2<~-&24~1 .(x) = SO +SI(X .q(q . . . il suffit de donner à z la suite des valeurs ao. + dz + l) ” ’ (’ + n ~ l) A’“&..ao + qh) . . = SO + qSih . . on tire la suite des Mk données en fonction des opérateurs de différence : . + (-1)“1(2q . 8. Le polynôme d’interpolation de Stirling (1692-1770) On obtient ce polynôme en faisant jouer un rôle symétrique à l’ensemble des données par rapport à ao. a0 = h.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ À partir de ces expressions. les deux polynômes de Newton permettent d’obtenir des expressions adaptées à l’interpolation des panneaux de tCtc et de queue des tableaux lorsque l’on n’utilise qu’une partie des données.uo + qh) .2S2h2 Pn(uo .l)h] + S~.l)Szh2 .a0 + h)(z .l)Szh2 + q(q + l)(q . Il reste donc la partie centrale que l’on interpole par les polynômes de Stirling et de Bessel. A”bLk Mk.qSlh + q(q .7) 2! n! En résumé. etc.

.ao ~ h) + R:<(x . L’INTERPOLATION Tout comme précédemment.h) + .qh) (6. écrivons le même polynôme (6. .qh) -t Rzq+l(x ~ ao + qh) (x . A2q+lb-. R2q = o!h2y A2q+lb- R 2q+l = (Zq + q!h”u+l En procédant au changement de variable en z on peut écrire : z(z” ~ 1) 3 P. .4.l(z) = bo + zA1bo + +f$A2bk1 + y.ao .l)b2 .pi S 2q+1 = (‘& + l)!h%+l En ut. (z ~ ao . = bo A1bo RI = h R = A2b-i 2- 2!hZ . a”bp2 + . . .11) + 4! 5! 0521439687 99 . + Ri(z . . on tire les valeurs des coefficients Sk exprimés en fonction des opérateurs de différence : S” = bu Alb-1 SI = 7 s = A2b-2 2- 2!h2 . . A2qb-... abbb2 + dz2 ... on obtient les coefficients Rk: au moyen des expressions : R. . A bkl z(z” .(X) = R.8) cn fonction d’abscisses données pour une saison négative : P.4.. + (q .. .ao . (6.QI) + R2(11: .‘)(’ ~ 2)‘&p2 + ‘b2 ~ ‘)b2 .l)h] . ..ilisant le même changement de variable que celui déjà utilisé à propos des polynômes de Newton. .. .ao)(x ..l)(z + 2.. 6. + R2q[x ...9) + 4! 5! À présent. a”bps + .ao + h)(z ~ uo)(x .10) Sans entrer dans le détail puisque les opérations ont éte explicitees à plusieurs reprises. nous obtenons une forme plus concise : z(z + 1) Z(Z” ~ 1) I=~L(Z) = bo + zA1b-1 + 7 A2b-i + A3be2 3! 2(z2 .a.. (6.. . .

on connaît A2”bb .2)~4b-l +.(z) = bl + (z ~ l)A1bo + ~ +‘l’~ ‘ii-2)A”be1 + ‘dz2 ~ ‘)b .9) et du polynôme (6. on utilise mie fraction seulernent du tableau.+l + A2”-lb&) 1 2 tout simplement parce que si l’on connaît A2”-‘bb. c’est-à-dire l’expression de E(z).2) (A4b-1 + A”bb2) +. 1 2 ) 5! 2 Il convient de remarquer que l’on arrête l’expression du polynôme de Stirling au terme A’qbb. ce sera chose faite après l’étude du polynôme de Bessel.1)(22 ~ 4) (A’bb2 + A”bb:j) + .+r et A2qp1bbq. Le polynôme de Stirling est utilisé pour effectuer les interpolations situées dans le deuxième quart du tableau lorsque.9) et (6. Le polynôme d’interpolation de Bessel (1784-1846) Pour obtenir le polynôme de Bessel il suffit d’effectuer la demi-somme du polynôme (6. Erreurs commises en utilisant les polynômes d’interpolation Il suffit de réaménager la formule établie lors de l’étude du polynôme de Lagrange pour chacun des cas envisagés ici. Au préalable on réalise dans la relation (6. .l)(z . évidernment.10).1) A4bb PT{(Z) =bo+z + %A2b-l + 2 2 3! 2 4! Z(Z” .. lequel s’écrit simplement : A’bo + Alb-i z2 Z(Z” ~ 1) (A”bbi + A”bbz) + z”(z” . On en déduit que le polynôme de Stirling est toiqours un polynôme de degré pair et qu’il faut cinnaître (2k + 1) points pour un polynôme de degre 2k.13) 3! 4! le polynôme d’interpolation prend alors la forme : dz .1/2) A”bb + (2 . . Dans les mêmes conditions. 10. 9. c’est en effet un polynôme impair qui dernande (2k + 2) points pour sa définition.l)(z . ( 6 . Nous obtenons alors les expressions suivantes : 100 . et non au terme précédent : (A2q-1b-.l) A2b Pr!. il nous reste à s’intéresser au troisième quart du tableau. + 4! 2 Ajoutons que nous devons arrêter le polynôme de Bessel à l’ordre (2k + l).9) le changement de variable z en (2 ~ 1) qui correspond à un décalage des indices d’une unité. (6.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Par définition le polynôme de Stirling est la dem-somme des expressions donnees par (6.1) (A260 + A2b-l) + z(z . nous pouvons écrire : ‘(’ .1/2)Aibe + ~ 1 2! 2 3! Z(Z" . ..11).

14) 10.3.k+r).2. Le polynôme de Newton descendant (6.17) Dans ces quatre expressions MTb conserve la même dcfinition que celle qui a 6ti: explicitee au cours du paragraphe 3 de ce chapitre. . Stirling ou Bessel. Programmes déterminant les polynômes d’interpolation Nous avons donné sur le Web(*) 1 es programmes lagpoly . L’interpolation dans un tableau de (n + 1) points réalisée au moyen du polynôme de Lagrange de degré n ou d’une des variantes due à Newton.1).16) 10. 6.4. Le polynôme de Newton ascendant (6. L’INTERPOLATION 10.edpsciences. soient le polynôme de Lagrange et les deux polynômes de Newton qui sont les formes les plus usitées (cf. 12. 11. c.n)(z2 ~ n . Un polynôme et un seul représente la fonction dans un intervalle formé par deux abscisses consécutives (uk.L+2. on pourra préférer de réaliser les interpolations. Le polynôme de Bessel (polynôme impair) p&+2(Z)l < Iz(z” . Chaque polynôme ayant (4 + 1) coefficients. la méthode d’Adams concernant l’intégration des équations différentielles).)+d2. par exemple. (22 . peut souvent conduire à des calculs assez longs et dont l’intérêt n’est pas toujours vraiment immédiat. c qui permettent d’obtenir les formes de quelques polynômes rencontrés dans ce chapitre. a. on doit au total calculer n(q + 1) termes. Le polynôme de Stirling (polynôme pair) (6. au moyen des fonctions-spline qui ne sont rien d’autre que n polynômes de degré 4 représentant les données expérimentales dans chacun des n intervalles. Alors.15) 10. Pour réaliser cette opération on impose les conditions suivantes : *http://www.com/guilpin/ 101 . c et descend.1. ascend.l)/ (2T’y. . (6. Interpolation par les fonctions-spline Replaçons-nous dans les conditions générales du début du chapitre du moins pour ce qui concerne les données.

. Les fonctions-spline du troisième degré Il n’y a dans ce cas que deux conditions à ajouter pour que le système des équations linéaires soit fermé. nous allons développer une méthode spécifique pour obtenir les paramètres inconnus..MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ a. on impose arbitrairement que les dérivées d’ordre le plus élevé concernant les deux polynômes extrêmes Q:(z) et &y( I : ) s’annulent respectivement au point an et au point a. les (q-2) d ernières dérivées de Q. En toute rigueur. = Q~+. Si Q est pair le problème devient dyssymétrique et l’on choisira les (Q ~ 2)/2 dernières dérivées pour un polynôme et q/2 pour l’autre. nous allons fixer notre attention sur les fonctions-spline du troisième degré qui constituent de loin celles qui sont le plus fréquemment employées.ak-1 Mq = Qi(uq) pour 4 = 1. il manque encore (q. Chaque polynôme Q”(z) réalisant l’interpolation entre les points ak et ak+r passe par ces deux points. Nous avons : Qk(x) = (Yko + ‘%IX + ak2x2 + Qk3x3 Qk(uk-l)= bk-1 Q/c(~h) = bk Qkbk) = Q. Si Q est impair. Comme nous avons : 102 .(X) et Q:(x) s’annuleront respectivement au point ao et au point a.2. Il s’agit en fait de réduire le plus possible le nombre d’inconnues en exploitant convenablement les conditions que nous venons d’expliciter. Nous allons exprimer les polynômes en fonction des Mq qui sont pour l’instant des inconnues. Comme nous avons imposé [2n+ (n . Alors. 13.1) conditions pour fermer le système.. Les dérivées premières. Ces généralités étant énoncées. b.l)] (4 ~ 1) conditions..(an) = 0. deuxièmes et ainsi de suite jusqu’à l’ordre (4 .1) des polynômes Q. c. Pour cela posons : hk = ak . Ces quantités vont être déterminées par un système linéaire que nous allons définir.(~k> plus les deux conditions arbitraires : Qi’bo> = 0 Q.+dad QXac. Comme la matrice des coefficients est une matrice-bande. (n ~ 1). c’est-à-dire qu’elles sont égales chacune à chacune. il nous faut résoudre un système linéaire de 4n équations à 4n inconnues.-%) et Q”C x ) se raccordent au point uk.

+1 .(x) = [M/&k .bk-1X . on obtient : Kx+L= (bk-Mk$) (x-ak-l)+ (bk~l-Mk~l~) (ak-X).(Mk . 103 .k’3] + EiX + L. [(x -.ak)] /hk.M!&+l . nous allons intégrer successivement deux fois cette expression puis déterminer les deux constantes d’intégration au moyen des deux conditions : Qk(akp1) = bk-1 et &k(ak) = bk. 6 6 En regroupant les termes et en tenant compte du fait que hk est donné par l’expression hk = ak .MkT” + MkplTX + hkbk .ak&1) .Mk .-lx. Mk-1X] /hk d’où nous tirons Q:(X) = [n/r. L’INTERPOLATION on en déduit que : 6a k 3 = ak ~ ak-1 et puis Q.Mk$ .ad% + b!.(x .bk-l)ak + (Mk .M!A + MLlak + M!&X .T-l)” .ibfk-.>!$C&.. hi h3 Kx +L = bkx .-lak + Mk&ak .MkT h2 hz .Mkpl(X . Maintenant. 6.b.ll/ih-lak + Mk .a&1. Nous pouvons alors écrire : hkQk(x) = Mk (x . Nous obtenons alors : h2.(bk .Mk-. cette dernière expression se transforme en : Q.M&.(x) = Mk .Mk& et L = hkbk . d’où K = bk .-ak.

n-2 mn-l.1) inconnues en faisant varier k de 1 à (n . t avoir leurs dérivées premières qui se raccordent au point arc. Pour calculer effectivement les Mk... 104 .. 0 x3 c3 .. méthode d’autant plus intéressante qu’elle est généralisable au cas d’une matrice pentadiagonale par exemple. CY~Z et czk3.akpl) h2” + bk-1 . Résolution d’un système linéaire dépendant d’une matrice tridiagonale Comme la plupart des éléments de la matrice sont nuls.T (Uk . En effet l’utilisation d’un programme général serait mal venue car la plus grande partie du temps de calcul serait consacrée à l’obtention de résultats nuls. et ce sont les Mk qui deviennent les nouvelles inconnues au lieu des coefficients akc.hk+lT 2 hlr+1 hk-+l Regroupons les termes en Mk ordonnés selon les indices croissants : Puisque les polynômes &O(X) et Q 1 (x ) sont déterminés par Mo = Mn = 0. À présent.'-')" .. 0 0 0 mn-l. > Par cette succession de transformations nous avons réduit le nombre d’inconnues du système linéaire. 0 x2 c2 0 m32 m33 m34 0 .x ) ..+1 mn+ 271 CT. Nous obtenons ainsi : Mk!?-~+~k!!!&+!!-hk!!i 2 6 6 kil bk bk+l Mk+l =&f-. +hk+l++-.Mk_. On traitera plus avantageusement le tableau T à n lignes et (n + 1) colonnes obtenu en juxtaposant à la matrice M le vecteur C.Mk&. 14. il reste à résoudre un système linéaire dont le premier membre dépend d’une matrice tridiagonale.1)... (x c:. système que l’on peut écrire sous la forme condensée : MX=C..j3 + (bx ~ Ma:) (x . okl.+1 m-h xn-1 G-1 0 0 00 mn.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ d’où nous pouvons écrire : hkQk(x) = Mk(" .... il est préférable d’utiliser une méthode adéquate pour traiter ce système linéaire. Donc nous allons présenter une méthode adaptée au problème. écrivons un système linéaire qui dépend d’une matrice tridiagonale : ml1 ml2 0 0 0 .. 0 Xl Cl m21 m22 m23 0 0 . nous devons utiliser le fait que les polynômes QI*(X) et Qk-+l (x) d orven .. on obtient donc un système de (n . D’une façon tout à fait formelle..

6. h qui assure cette intégration.. Il n’y a pas de difficulté particulière donc à utiliser les polynômes d’interpolation pour réaliser les opérations de quadrature.. si l’on utilise les fonctions-spline du troisième degré. . dans les deux cas. La ligne (n ~ 1) permet d’obtenir alors l’inconnue (n .com/guilpin/ 105 .. 0 0 0 0 1 P+I. Cette remarque fait gagner (n. . Une application simple des polynômes d’interpolation L’intégration formelle d’un polynôme est une des rares opérations que l’on sache réaliser rigoureusement. on aboutira nécessairement au tableau T* qui aura la forme suivante : 1 PlZ 0 0 4 0 1 PZY 0 dz 0 0 1 P34 dz .. Nous donnons les étapes du calcul de l’expression qui est programmée..1) par substitution et ainsi de suite en remontant jusqu’à la première ligne du tableau. 15. Pour parvenir à notre fin. L’INTERPOLATION Une transformation linéaire tout à fait analogue à celle utilisée dans la méthode des pivots permet de passer du tableau T au tableau T* par suppression d’une diagonale de la matrice M. il est inutile de diviser m& par m& après la réalisation de la combinaison linéaire car rn& est nul. on aboutit à une économie considérable de mémoire et de temps de calcul.~ 61 0 0 0 0 0 1 4. nous allons diviser la première ligne du tableau T par l’élément diagonal mil. tous les éléments de la diagonale principale prenant la valeur 1 (cf. La dernière ligne donne directement la valeur de la dernière inconnue. Sur le Web (*). . il suffit de multiplier la première ligne par mzi et de retrancher le résultat de la deuxième ligne. Nous fournissons sur le Web (*) 1 e sous-programme aire. On divise alors cette deuxième ligne par 1’ClCment situé sur la diagonale. En considérant le problème de résolution d’un système linéaire sous cet angle particulier. En particulier.edpsciences. c qui réalise l’interpolation par des fonctions-spline du troisième degré.1) opérations ce qui n’est pas négligeable lors de procédures répétitives où le temps d’exécution peut devenir important. mais dans ce dernier cas.on aboutira à une valeur numérique dont la précision est analogue à celle donnée par la méthode de Simpson (1710-1761) puisque. on trouvera le programme lispline. . En effet. En poursuivant de ligne en ligne la même façon d’opérer. on réalise une opération en trop qui est m2i/m22. On pourrait penser qu’il vaut mieux commencer par effectuer la division par le pivot avant d’effectuer la combinaison linéaire qui élimine m21. . il s’agit d’interpoler une fonction par une parabole cubique. chapitre 5). Ensuite. Partons de l’expression générale du polynôme d’ordre k : *http://www.

Y~) a’ 1‘exception du point (IC. ..bo. (xq. La démonstration de cette relation repose sur le fait que. et x.q(x. il vient : (x .2._._ .2) qui passe par les Points (Q. .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Désignons par Sk la surface comprise entre ak-1 et arc.(cr) ... nous pouvons poser h = hk quel que soit l’indice k...tc) . . L’algorithme d’interpolation d’Aitken (1932) Il s’agit d’une procédure ~ encore appelée algorithme de Neville-Aitken ~ destinée au calcul d’un polynôme pour une valeur particulière alors que le dit polynôme est connu par (n + 1) points (zk..... 106 . différente de 5.___ . . (xkq..7J . en ce sens elle est analogue au polynôme de Lagrange.. (0) . .__ 4 et Pp . Dans ce paragraphe.._ 4 le polynôme de degré (p ~ q ..cc)” + (hi . ak ._...1. Avant même de rentrer dans le cœur du sujet... 16.q le polynôme de degré (Q .1) qui passe par les poilits (q... & = yv. on arrive alors à une expression encore plus simple de S : ~ S=h -&.p .. on a : Pp.._ q il existe la relation de récurrence suivante : (xc7 .. .%)Pp. il est possible d’ores et déjà de remarquer que l’ordre des points ne joue aucun rôle quant à la nature des polynômes.... q (6.j&!!i) (x-2. nous précisons que le second membre est un déterminant.x) pp . pour plus de clarté. . bkpl .fn) ... 1.AI/+. .(7T) ..... yp) . Dans le cas fréquent où les abscisses sont en progression arithmétique. 6 ak-1 Le développement de cette dernière expression conduit à la formule simple : là on tire : expression dans laquelle S est l’intégrale totale.bn k=O 16.) = pp . pour une valeur 2. Relation de récurrence entre les polynômes P Entre les polynômes Pp . Y~) et par Pp . Y~) .18) (x77 .tx) .... . on désigne par Pp. n. ..<< q . C’est une méthode directe qui permet d’obtenir donc une valeur unique du polynôme. Pp . . q (x u) = Pp .. yT)..(m) )_. yk) avec k = 0.4.4” Sk = Pk(x) dz = Mk-1 J’ 24hk 24hk alc-1 h2k (uk 2hk .ak-1)4 _ Mkpl (Q .__.q = (x77 -xl p.-1)2 . où. .

n Ensuite on calculera la colonne suivante dans le tableau. l’une due à Aitken l’autre due à Neville laquelle n’est qu’une modification de la méthode d’ilitken.18) es t une relation qui permet de calculer le polynôme Pp.xv x0 . en définitive..4..Xl 21 ~ 211....X” . Xl .. Dans le cas d’une extrapolation... . POIS.. = 4% ~ %)Y..3.~ qui constitue... X.). n.. a ... .%)YY.x3 23 ~ X/l Y3 po3 Pol3 Pol23 .. nous pouvons écrire : (xx ... On en conclut que l’égalité (6.. polj = (xo 1 xj) On procédera ainsi de suite jusqu’a l’obtention de l’élément Po~...xv xv .%)Y.. = 2..n À partir de la disposition des yk et des (x. . on adoptera l’ordre des points allant du plus près de x.. .. .-l .18). ...x0) on va calculer les polynômes Pol.xp)Poj ...(.2. Po2.X/l Y0 x0 .G)YY...Pour résoudre le problème des polynômes intermédiaires.(C)>.. . ..X/L YV pO n POln P012n P0L..x.2.. c’est-à-dire P012.xp)yO] avec j = 1.. Pour le cas où 2.q de degré (4 ~ p ~ 1) à partir des deux polynômes de degré (4 . J~).(xc ..2.... cn formant une suite convenable de polynômes intermédiaires Pp. PolL à l’aide de la relation : poj = (xo 1 xj) [(X0 . la valeur recherchée Y~. au plus éloigné...... y1 Pol *Xl . Aitken a proposé la disposition suivante : x0 .. ..xp)yj ~ (xj .%)YL/ = (2... = CC..l.~ et PP.. PolrL au moyen de l’expression : [(xl .. .. 6...%)Y. L ‘INTER.. A ce propos nous étudierons deux méthodes. et dans le cas où 2.22 x0 .(xj ... nous obtenons encore l’identité des deux membres de (6... .x3 Xl . Calcul numérique de yp En faisant usage de la relation (6.. = -(xc ~ %)Y....3.. .POLATION La relation (6.18) : (2..X:?l x0 .x2 52 ~ xfi Y2 po2 Pol2 5 2 .G)Yr.p ~ 1) qui sont Pp..n pour la valeur x~. Remarque 1 : Pour obtenir une précision optimum. nous allons calculer le polynôme P”. on peut se poser la question de savoir quelle doit être la distribution initiale des points car nous sommes libre de numéroter les points comme bon nous semble. ... . 107 ....... = (Gr ..Méthode d’Aitken .18) peut donc s’écrire : (Gr . 16..CI et Pr.....)Pol] avec j = 1.

260 1 375 -0. on rencontre deux termes Pol.Méthode de Neville . .397 97. Autrement dit. On désire effectuer l’interpolation pour la valeur x = 1. . xn-2 -x71 X.398 0.1L 16.5 0. .xp Y0 X0 ~ . . P012n PO1. .O -0. ..NI qui sont chacun le dernier élément de deux lignes consécutives du tableau proposé par Aitken et qui sont égaux « à la précision de la machine ».765 2 1. . .70. < x‘&+l . . . 2. . . Y 2 fi2 Pola x0 . . . -211 yn P+I. . . < x2 < x‘.048 4 3. . . . < x. . . c réalisant la procédure d’Aitken.5 0.380 1 On reconnaîtra là un extrait de la table de la fonction de Bessel de première espèce Jo(z). Remarque 2 : Il n’est donc pas nécessaire d’utiliser les points très éloignés de 2. . . . si au cours du calcul.. .000 Y 0 0. Exemple numérique d’interpolation par la méthode d’Aitken On se propose d’effectuer une interpolation dans la table suivante : 070 1. . . .-l-X. .lc et %. lequel fournit pour la valeur d’interpolation 0.223 9 2.com/guilpin/ 108 . ce sont les points les plus proches voisins de xm qui jouent un rôle prépondérant. . *http://www. . < 22k < .3. . . on choisira une distribution initiale qui correspond à un encadrement du point z. . .edpsciences.Neville a proposé une autre disposition du tableau d’ilitken qui est reportée ci-dessous : x0 . il n’est pas utile de poursuivre les calculs jusqu’à l’obtention b .2.x1 Xl -xp Y 1 Pol x0 -x2 x1 . . x2 x2-x1.> car ils n’auront que très peu d’influente sur le résultat..5 -0. clans le calcul de yr.x3 X1-Q x2 -x3 x3 ~ xc. . . Du reste.MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ S’il s’agit d’une interpolation. . Y3 p23 p123 h23 .5118 230 0. comme le montre le calcul concernant l’interpolation. . x0 . La table donne y = 0.938 5 14 0.. donc il convient tout simplement de faire jouer un rôle prioritaire à ces points dans les calculs. de telle sorte que l’on réalisera la disposition suivante : . < x1 < 23 < . . On trouvera sur le Web (*) le programme p-aitken. . . ..

qui rend minimum la forme quadratique donne immédiatement une forme linéaire qui détermine précisément les coefficients oj. Cependant. soit : 109 . car la différence &k = ~~=. Approximation par une combinaison linéaire de fonctions Les polynômes de degri: n constituent une première méthode pour approcher une fonction f(z) lorsque nous en connaissons (n + 1) points. censée rendre compte d’une expérience. Désignons par : j=o notre combinaison linéaire. dans bien des situations concrètes. soit nous cherchons à déterminer les valeurs des coefficients d’une forme linéaire destinée à «lisser » les points expérimentaux. Bien entendu. Nous cherchons donc à rendre minimum la quantité : pour cela on écrit que les m équations s’annulent. il faut distinguer les types d’approximation que nous venons d’évoquer : soit nous désirons connaître les coefficients figurant dans une certaine fonction. Le second se résout tout naturellement au moyen du calcul matriciel que nous avons évoqué au début de ce chapitre. Dans ce cas précis. Le premier problème est généralement non linéaire et pose un certain nombre des difficultés techniques sur le plan du calcul numérique. On dit aussi que l’on rend la somme des carrés des résidus la plus petite possible. et il est aisé de subodorer qu’il existe une infinité de solutions au sens mathématique du terme.. L’INTERPOLATION 17. C’est cet aspect qui va retenir notre attention. l’échantillonnage à traiter est obtenu à partir de données expérimentales entachées d’erreur. il est nécessaire de préciser ses désirs. plus ou moins compliquée. et c’est la méthode des moindres carrés qui se présente en excellente position pour résoudre le problème. o3 @j(uk) . et nous nous proposons de «passer le plus près possible de tous les points » au moyen d’une combinaison linéaire de fonctions @j(z) dont le nombre (m + 1) est inférieur (ou égal) au nombre (n + 1) de points. 6.bk . il convient de définir ce qu’on entend par voisinage. A priori. mais au préalable. La dérivation par rapport aux coefficients (Y.bk s’appelle résidu d’observation. car il n’y a en général aucun intérêt à vouloir rendre compte de l’aspect aléatoire des phénomènes étudiés. on dispose de considérations à caractère théorique qui permettent de pressentir une fonction ou une combinaison linéaire de fonctions qui passe au voisinage de tous les points d’échantillonnage. Il devient illusoire de vouloir trouver un polynôme passant par chacun des points obtenus. La méthode des moindres carrés consiste à rendre minimum la forme quadratique : 2 CL$&~) . il y a bien des moyens de « passer le plus près possible de tous les points ». À ce stade..

Il sulht de remplacer @l(x) par XL dans la relation précédemment établie . . s a j=l Les coefficients oj sont alors déterminés par les (m + 1) équations suivantes : b fI~(x)@~(x) dz ..Système linéaire surdéterminé de (m + 1) équations à (n+ 1) inconnues m étant plus grand ou égal à n. . j=o Sans trop de difficulté on obtient le système des équations normales associé au système surdéterminé de (n + 1) équations à (m + 1) inconnues. R. le cas le plus connu étant le polynôme de degré un qui est encore appelé droite de régression en hommage au travaux de Galton (182221911) qui introduisit cette dénomination à l’occasion d’études statistiques concernant la biologie et l’eugénique.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ cette dernière expression peut encore se transformer avantageusement de la façon suivante : C~jCm.2. b .. 1. ..m. ou pour le moins ne sont pas évidentes. . m. 1.. on obtient alors : xaj xu&ujk = xurr:hk avec 1 = 0. . 1. .Il est aisé de rechercher un polynôme de degré strictement inférieur à n qui passe le plus près possible de tous les points au sens des moindres carrés. j=o k=O j=o 110 ..2. . Généralement on parle de régression parabolique au moyen d’un polynôme de degré m .. Il s’ensuit que b E2 = e2(x) dz avec E(X) = f(x) ~ ffJ cyjQj(x). Remarque : Dans le cas où la fonction f(x) que l’on approche par la fonction O(x) est connue analytiquement.1. pour 1 = 0. Le calcul de ces intégrales peut être éventuellement conduit numérique- ment dans le cas où les quadratures n’existent pas. Applications immédiates a .m.2. . alors les sommes discrètes sont remplacées par des intégrales sur l’intervalle d’interpolation 1. On écrit le système : 2 UZkxk + (Yk = 0.2.(uk)~i(uk)=Cpll(ak)lrk a v e c Z=0. j=o k=O k=O Nous obtenons alors un système linéaire de (m + 1) équations à (m + 1) inconnues dont la résolution nous fournira les coefficients aj. $(X)~(Z) dz = 0. s a avec 1 = 0.

P. Éditions Dunod. BAKHVALOV (1976) Méthodes Numériques. HILDEBRAND (1956) Introduction to the numerical analysis. DORN (1964) Numerical Methods and Fortran Programming. LORENTZ (1992) Multivariate Birkhof interpolation. Éditions Masson.A. Éditions Gauthier-Villars.edpsciences. *http://www. Wiley. Éditions MIR. H.S. ANGOT (1972) Compléments de Mathématiques. N. RALSTON et H.A. on notera que la matrice obtenue [A'A] est une forme quadratique qui est définie positive ~ la matrice est alors symétrique. Masson. JEANNIN (1992) C ourbes splines rationnelles. 18. c qui réalise cet algorithme lequel fournit un calcul d’erreur au sens statistique du terme : il s’agit de l’écart type de chacune des inconnues. WILF (1965) Méthodes mathématiques pour calculateurs arithmétiques. A. Wiley. L'INTERPOLATION Il est facile de montrer que si le système linéaire surdéterminé s’écrit au moyen de la notation matricielle : AX=b. R. Sur le Web (*). HENRICI (1964) Elements of Numerical Analysis. J. 6. MINEUR (1938) Technique de la méthode des moindres carrés. H. Dunod. Ce dernier calcul est explicité au chapitre de la régression linéaire. A étant une matrice de n lignes et de m colonnes (avec m < n). on obtient le système des équations normales en effectuant l’opération suivante : [A~A]X = [A'] b. Kluwer Academic Publishers.com/guilpin/ 111 . L.Ch. Éléments de bibliographie A. Mc Graw-Hill. on trouvera le programme surdeter . Au passage. SAKHNOVICH (1997) Interpolation theory and its applications. F. ce qui est intéressant lors de la mise au point du programme correspondant. FIOROT et P. Springer-Verlag. MC CRACKEN et W. expression dans laquelle AT est la matrice transposée de la matrice A. MINEUR (1966) Techniques de Calcul Numérique. D.

les coefficients de la combinaison linéaire ne sont pas corrélés.7 Les polynômes de Legendre. et c’est le but de ce chapitre que de proposer les enchaînements mathématiques propres à éclairer la méthode. Clairaut introduisit le premier la notion de potentiel pour ce genre de problèmes et en 1785 Laplace montra que le potentiel obéissait à l’équation aux dérivées partielles qui porte aujourd’hui son nom. . Les polynômes de Legendre rentrent.1.s Méthode d’intégration 1 de Gauss-Legendre Ces polynômes sont nés d’une étude que Legendre (1752 1833) entreprit à propos de l’étude de l’attraction newtonienne en l/r2. La technique opératoire est d’une très grande simplicité. La solution repose sur l’introduction d’un ellipsoïde homofocal et d’une fonction génératrice des fameux polynômes de Legendre. Legendre étendit le calcul de l’attraction exercée sur un point situé à l’extérieur de l’ellipsoïde. Aujourd’hui. c’est en électrostatique que l’on se familiarise avec les polynômes de Legendre.1806) est postérieure de deux ans à leur avènement. l’établissement des relations exige quelques calculs. comme le sont les coefficients des séries de Fourier avec lesquels nous sommes davantage familiarisés. comme cas particulier. dans la classe des fonctions sphériques introduites par Laplace en 1785. c’est-à-dire qu’ils sont calculés une fois pour toutes. Nous connaissons l’intérêt qu’il y a de définir une base (complète) de fonctions orthogonales dans le problème d’approximation de fonctions par des combinaisons linéaires. Définition Les polynômes de Legendre sont des polynômes orthogonaux sur l’intervalle fondamental (-1. +l) pour les fonctions généralement continues. ainsi s’ils sont utilisés comme base de décomposition. MacLaurin et Clairault (171331765) ont démontré que la figure d’équilibre d’une masse fluide en rotation dont les particules s’attirent mutuellement selon la loi de Newton est un ellipsoïde de révolution. MacLaurin détermina aussi la valeur de l’attraction exercée par un ellipsoïde homogène sur un point situé en son intérieur et sur sa surface. mais il faut rappeler que la loi de Coulomb (1736. 1. Les polynômes de Legendre 1. 113 . En 1783. +l) qui prennent la valeur +l pour la valeur +l de la variable. Les polynômes de Legendre ont la propriété d’être orthogonaux et de constituer un système complet sur (-1. Les polynômes de Legendre ont connu rapidement une autre fortune entre les mains de Gauss (1777-1855) qui a utilisé leur propriété d’orthogonalité en proposant une méthode d’intégration numérique particulièrement précise. en revanche.

2) soit nulle. que lorsque Rzn(x) et ses (n ~ 1) premières dérivées s’annulent pour z = 1. (7.(x)~R~. On peut adopter les polynômes orthonor- més.(s) est le polynôme de Legendre de degré m tel que m # n. pour p < n on aura également : J +1 P. On peut donc l’exprimer sous la forme : Rz.(x) de degré p peut s’exprimer selon une com- binaison linéaire de polynômes de Legendre de degré égal et inférieur à p (cf.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Designons par P. Pour cela. quel que soit le polynôme arbitraire Qp(x).(l) = 1.14)) alors. la définition impose que : +1 J -1 P. et l’on peut par conséquent convenir que les (n. il faut encore que : Cette condition ne peut être satisfaite. Si l’on remarque qu’un polynôme quelconque Q.(s)P.1)7L(z + 1)” = K(x2 . c’est-à-dire ceux dont le coefficient du terme de degré 114 . autrement dit.(x) dz = 0 (7.(x) le polynôme de Legendre de degré n.(x) = K(z .(x) dz = [Q. Cela nous conduit à écrire que : cependant pour que l’intégrale (7. il reste cependant défini à une constante multiplicative près que l’on désigne par K.1) premières dérivées de F&(x) ainsi que &(z) s’annulent pour z = -1.(x) +1 -1 Il convient de remarquer que le polynôme Rzn(x) est défini à un polynôme de degré (n . mais l’on peut tout aussi bien s’intéresser aux polynômes à coefficient principal réduit. paragraphe 1. on posera : où Rs%(z) est un polynôme de degré 2n que nous allons déterminer.2) -1 Cette dernière relation va nous permettre d’exprimer les polynômes de Legendre d’une autre façon en procédant à une intégration par parties. on peut préférer la condition P.1) si P.(x)Qp(x) dz = 0.1)“. On obtient alors : Jpnm Q. À présent nous avons imposé n conditions au polynôme Rzn(x) . il nous est possible de choisir arbitrairement n constantes définissant &(z).. Il y a plusieurs façons « canoniques B de choisir K.1) près .

.l)n et w = (x + l)n pour obtenir la valeur de K. p. .4 .6?. LES POLYNÔMESDE LEGENDRE le plus élevé est égal à un. En effet.c~~~ d”u d+‘Ju dqv d”v dz” dz” dxn-q . et l’on obtient : P.jxq + ’ ’ ’ + Ud2n’ il suffit de poser u = (x .-l} 115 . 7. puisque on peut calculer K au moyen de la formule de Leibnitz (1646. pour x = 1.(x) et P+I(~).-1716) qui fournit l’expression de la dérivée ne d’un produit (u. w) : dn(uv) ~w~+.. pn+l(x) = 2"+l(n+ l)! &n+l On dérive une fois l’expression (x2 . Quoi qu’il en soit.(l) = 1 = KW& = Kn!2’” ce qui donne : 1 K=--- 2%! 2 . .+1(x) = &&$ {x(x2 .l)n + 2nx2(x2 ~ 1). ( x 2 .l)n+1.1)/2 . P o u r cela partons de la formule de Rodriguès (1794-1851) écrite pour le degré (n + 1) : 1 1 ---xC+l ( 2_qn+l.2.1)“.l)"} On peut encore écrire : PTL+1(x) = &$S {(x2 .(x) = L. Cela est une affaire de circonstances et nous aurons l’occasion de revenir sur ce point.+I(x). Relation de récurrence entre trois polynômes consécutifs Nous allons montrer qu’il existe une relation de récurrence entre trois polynômes consécutifs P. 1. (an) ’ et l’on obtient alors l’expression générale des polynômes de Legendre connue sous le nom de formule de Rodriguès (1815) : d” P. 2”n! dz” On déduit sans peine les premiers polynômes : P()(x) = 1 PI(X) = x P2(x) = (322 . tous les termes sont nuls sauf le premier et l’on obtient alors : P.

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ puis on ajoute et l’on retranche 2n(x2 .5) La relation (7.-l] _ 1 1 dl’-’ [(2n + 1)(x2 .+i(z) . 116 .(z)} D’autre part. il vient : On aboutit finalement à la relation de récurrence désirée : (n + l)P.PApl(x) avec n # 0.4) donne : (n + l)Pn+l(z) = (2n + l)PTL(x) + (2n + l)zPA(z) .(z) = xPn(c7~) .s [(2n + 1)(X2 . (7.q-1 + 2+? .1.1)” + 2nz2(22 . 2+l (n .L-l(x) + nP.. V] +Pn-l(x). Calculons le premier terme du second membre en utilisant la relation découlant de la règle de Leibnitz. 1.(X) + nP.nPAel(z). 2” n! dZnpl soit encore : Pn+l(S) = .(2n + ~)CEP~~.-l(2) = 0. cela donne : soit encore.l)+l. (7.-l(Z).l)! { d’où une première relation de récurrence entre polynômes et dérivées : PA(x) = xP. Relations de récurrence faisant intervenir des dérivées Dérivons la formule de Rodriguès par rapport à 2. la dérivation de la relation de récurrence (7. cette quantité est égale à : En définitive.qn-l .5) peut encore s’écrire (n + l)Pn+l(~) = (n + 1) {taper + (n + l)P. La soustraction de ces deux dernières expressions conduit à la seconde relation de récurrence entre les polynômes et les dérivées : nP.3.2n(22 .) = 11 x&+n S} (x2 .(X) quel que soit n.I)+l dans la dérivée du second terme : [(x2 . (7. en utilisant la relation de Leibnitz : PA(.6) Ces deux dernières formules sont utiles dans le cadre de l’étude de la méthode d’intégration de Gauss-Legendre.1)” + 2n(22 ~ l)+r] .4) Cette expression jointe à Pc(x) = 1 et Pr(x) = z permet donc de calculer aisément tous les coefficients dc chaque polynôme de Legendre F’.

(x)...6) : \ Cette expression ne dépend plus que de F’. 1 / 1.5) faisant intervenir les dérivées : ai = %(x.4. (7.-.-. les / racines de P.(x) sont solutions Derivons une fois par rapport à z la première relation de récurrence (7. Propriétés des racines des polynômes de Legendre Un théorème permet d’affirmer que les zéros de chaque polynôme de Legendre sont simples. Équation différentielle dont les P. En poursuivant / le calcul jusqu’à la dérivée n ième. et l’on peut ajouter que cette fonction a (n . d’où l’on tire : Éliminons Pl’l(x) entre ces deux relations : P.este à éliminer PAPI (x) l’aide de la relation (7.(z) . en vertu de la formule de Rodriguès. c’est une équation diffkrentiellc linéaire du I deuxième ordre appelée équation différentielle de Legendre. 1 I 1.5.(x) = (n ~ l)P.p..6.P&) = xP:L(x) + PA(x) ~ P:I-l(X).’ dx avec K = ~ J 2%! -1 -1 Posons du = $x2 .(x) + 2 {xly(x) . t Revenons à la fonction I&(Z) = K(z2 ~ 1)“. la dérivation de la relation (7.(x)} R. Ce sont. De même.>.2zI374 + n(n + l)P.1) racines égales à -1 et (n . (1 .(x) + xP.(z) a une racine réelle entre -1 et +l.l).).P.(x) dz = K” $(x2 ~ 1)+$x’ .6) donne : .7) Cette dernière relation est vraie quel que soit TZ.“)P.1)” dz e t w= / 117 .1) racines égales à +l. Elle possède 2n racines égales à -1 et +l.(z).L(x) + nqpl(x) = (7-L + l)P.(x) et de ses deux premières dérivées : . . LES poLmvônnm DE LEGENDRE 1. Norme des polynômes de Legendre I . + .(n ~ l)P. on voit que R&)(z) est un polynôme de degré n. qui possède n racines réelles comprises entre -1 et +l. 7.(z) = 0. Calculons à présent l’expression : J +1 +1 1 J= P. Le l théorème de Rolle montre que Ri..

1)“s jr” .1)” est un polynôme de degré 2n (à coefficient principal réduit) que l’on dérive 2n fois..1)2 X”(X” .l)nP1 dz. 2n z”(z” .. en notant par E le signe que l’on déterminera plus tard. s-1 Il n’est pas très difficile de calculer cette dernière intégrale. 3 . .2n 2. . J’ -1 La première quantité (toute intégrée) a une valeur nulle.. on obtient alors : +1 L = [~(CC’ ~ l)‘“]:: .1)+2 dz. Une autre intégration par parties permet d’écrire : +1 L = tn(n .i’ -1 Comme (x2 . J prend l’expression suivante : +1 J = (-l)nK2(2n)! (x2 ~ 1)” dz. (2n + 1) 118 . .1)” dz.J:’ . Alors.2(n . et dc proche en proche on obtient : J = K2(-1)” +. Il suffit d’écrire : u = (2 . 5. -1 qui conduit à l’expression suivante : 2. pour cela on pose : +1 L= (x2 .1)” dz. &2(1) 1 x2np2(z2 .. le résultat est une constante qui vaut (2n)!.4. et donc du = 2x dxn(x2 ~ l)n-l: ainsi que du = dx et v = x . s -1 On poursuit ainsi de suite les calculs et. 1).l).6. L=E 1 .M ANUEL DE CALCUL NUMÉRIQUE APPLIQUE puis intégrons par parties ce qui donne : Le premier terme à l’intérieur du crochet est nul puisque -1 et fl sont racines. J’ -1 expression que l’on intègre par parties.l)l dz.2). on arrive à l’expression : +1 L = c2ni2(n .

1)/2 PS(z) = (52” .com/guilpin/ 119 .8. on obtient le résultat suivant : s -1 (7.2n L = (-1)" 2. Calcul des coefficients des polynômes de Legendre À l’aide de la relation de récurrence (7.7. Variantes concernant les polynômes de Legendre Il n’est pas bien difficile de reprendre cette étude en changeant l’intervalle fondamental (-1..3. de Pc(x) et de Pi(x).4). +l) qui est remplacé par l’intervalle fini (a. 1 . On en trouve une application intéressante lors du calcul de diagrammes de phase. +1 c%-4 dz = (2n+ 1) En définitive. Les premiers polynômes de Legendre P”(X) = 1 PI(X) = 5 P2(x) = (322 . c permettant de calculer ces coefficients. +l) ainsi L s’écrit : 2.. Il est courant de définir d’autres polynômes de Legendre sur l’intervalle (0.315x4 + 105x2 . nous pouvons écrire : J = (2n)! 1 yÏ2’“-11. *http://www.3. . 1.4.9. On les rencontre lors de problèmes de lissage sur l’intervalle de définition (0.8) 1. Dans le cas où l’on utilise un calculateur arithmétique. (2n + 1) Ensuite. LES POLYNÔMES DE LEGENDRE Le problème du signe E que nous avons délibérément abandonné se trouve résolu en remarquant que (CC” ~ l)n est une fonction qui a le signe de (-1)” sur l’intervalle (-1. b).6.702” + 15x)/8 P6(z) = (231x6 . .5 . 5.edpsciences.30x2 + 3)/8 PS(z) = (63~” . et ils sont appelés parfois polynômes de Legendre modifiés. 7. on peut calculer les coefficients selon les puissances croissantes ou décroissantes de la variable 2 des k premiers polynômes de Legendre.5)/16 &(Cc) = (42927 . on entasse tous les coefficients des polynômes les uns à la suite des autres dans un tableau unique à une seule dimension.3x)/2 P4(2) = (35x4 .693x” + 3152” ~ 35x)/16. pour des raisons d’économie de place mémoire.l). 1.t (2n + 1) = (2n+ 1) .. On trouvera sur le Web(*) 1 e programme legendre. Rien d’essentiel n’est changé pourvu que a et b restent finis. l).

. Décomposition d’une fonction f(x) en série de polynômes de Legendre On considère une fonction f(x) continue sur l’intervalle (-1.(x) + &P.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 1. ce qui démontre le théorème.(X) = PG (x) . D’une façon tout à fait analogue a l’analyse de Fourier.12.(z) s’écrit : N[G..2hx + h2 ainsi que cette autre expression : 1. la norme envisagée étant ccllc du produit scalaire (la fonction poids ctant égale à l’unité). Théorème .11.ek(x). 1. Désignons par G.10.(x)] = Il[. Fonction génératrice des polynômes de Legendre Nous admettrons le résultat suivant sans démonstration : 1 = ~O(Z) + hPl(x) + h2P2(z) + . La norme de G. k=l où les c~k sont des coefficients constants. Il s’ensuit que N[G.~k(x)]2 dn: -1 !+=l Soit encore : Ce second membre est minimum lorsque tous les o5k sont égaux à zéro. . 2/1. Cette notion sert essentiellement à comparer les polynômes de degré 71 entre eux. fl).(s) un polynôme répondant à la question et décomposons-le selon une combinaison linéaire de polynômes de Legendre. celui dont la norme.. (z)] est minimum quand G. Une propriété importante des polynômes de Legendre Par definition.. évaluée sur l’intervalle (-1.Parmi tous les polynômes de degré rl à coefficient principal réduit. + hTLP. est la plus petite est le polynôme de Legendre. +l) ou éventuellement ayant des points dc discontinuiti: dc première espèce CII quantité dénombrable. on dit qu’un polynôme de degré n est à coefficient principal réduit lorsque le coefficient du terme de degri: n est égal à l’unité. opération torijours possible.<. On note par un astérisque les polynômes de Legcndre à coefficient principal réduit et l’on écrit par conséquent : Gn(x) = P.: + $wcP. on se propose dc rechercher un dcvcloppernent de f(x) sous forme d’une combinaison linéaire de polynômes de Legendre : . sinon ils seraient dcfinis à une constante multiplicative près qui ne permettrait plus de comparaison.(x) + .

(X) dx = c a. s s 7z=o p1 -1 Soit encore : +1 / ~(X&. 1. 7. fl). il faudrait justifier l’égalité entre f(x) et son développement selon une étude analogue à celle effectuée à propos des séries de Fourier : il faudrait associer la série à la fonction f(x) et déterminer à quelles conditions l’égalité peut être obtenue. on obtient : +1 +l cc f(x)Pk(x) dz = c aTLPIL(x)Pk(x) dz.(x) que l’on écrit : Le principe de la décomposition est tres simple. Décomposition d’un polynôme quelconque en polynômes de Legendre Considérons un polynôme quelconque dc dcgri: n : QyL(x) = ~u. LES POLYNÔMES DE LEGENDRE En multipliant chacun des membres par &(x) puis en integrant sur l’intervalle (-1. k=O que l’on se propose de décomposer sur la base des polynômes orthogonaux de Legendre l’. il suffit de remarquer que lc polynôme est un polynôme de degré n ~ 1. 2 J’ En toute rigueur. ri:. (x)%(x) dz. -1 n=O p1 et compte tenu des relations d’orthogonalité : +1 f(x)&(x) dz = ak Pk(x)Pk(x) dz = CL~&. s -1 ce qui donne : +1 2k + 1 Uk = f(x)&(x) dz.:xnmk avec ao # 0. Ses coefficients sont donnés par : .13. dkignons-le par II+~(X).

en outre F(t) ne comporte pas de singularités notamment aux bornes du domaine d’intégration c’est-à-dire en a et b. donc à partir de ce moment nous sommes ramené au problème précédent à cette différence près que les polynômes mis en jeu ont perdu un degré : nous sommes passé du degré n au degré (n ~ 1).1. remarquons que le changement de variable : a+b b . nous arriverons au degré zéro. a un sens et que les bornes d’intégration a. et il est très aisé d’effectuer cette décomposition en calcul automatique.9) s lorsque cellc-ci. on obtient : et comme : on peut écrire sous la forme : Il est aisé de déduire : en tenant compte des relations d’orthogonalité. 1. Par ce procédé. Position du problème On se propose de calculer numériquement l’intégrale : b 1 = F(t) dt (7. c réalisant cet algorithme. Avant d’entamer ce calcul.14.ddx -1 On peut toujours décomposer xn en polynômes de Legendre selon la manière qui vient d’être décrite. Calcul de ~lx”P. 2. et l’on trouvera sur le Web (*) le programme dcomleg.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Il n’y a pas de difficulté à calculer les coefficients /?. Méthode d’intégration de Gauss-Legendre 2.edpsciences. Cette relation est utile lors de l’étude de la méthode d’intégration de Gauss. et b demeurent finies. bien entendu.com/guilpin/ 122 .a tz- 2 +yz *http://www.

Ce polynôme peut torrjours s’exprimer au moyen d’une combinaison linéaire unique de polynômes de Legendre de degré égal et inférieur à n. Soit : n expression dans laquelle PJ (x) est le polynôme de Legendre de degré j et Aj le coefficient numérique de la décomposition. adopter pour valeur approchée de 1 l’expression suivante : (7. ce qui donne : I=]. -1 -1 j=o j=o -1 123 . /:i:. 7. On trouvera à la page 46 de l’ouvrage de Crouzeix et Mignot cité en bibliographie la démonstration de l’unicité d’une telle formule d’approximation qui vaut pour toutes les méthodes de Gauss que l’on va rencontrer par la suite. C o m m e il y a 2(72 + 1) coefficients arbitraires. L’examen de la formule (7. 2.11) dans le cas particulier où f(z) est un polynôme. En vertu des relations d’orthogonalité.+r (X)I”(x) dz = 0. et on fera en sorte que le degré du polynôme soit le plus élevé possible pour n fixé arbitrairement (n figure dans la relation (7. b) peut être approchée uniformément par un polynôme. Bien sûr.. on retient comme critère l’égalité rigoureuse des expressions (7.d~=~~(z)dz.11) montre qu’il y a (n + 1) valeurs zk: à déterminer ainsi que les (n + 1) valeurs Hk qui leur correspondent.11) b. LES PoLmôMEs DE LEGENDRE ramène le domaine d’intégration à l’intervalle fondamental (-1.(x)Pn+l(x) dx = +1 M = J!Pn+l(x) 2 AjPj(x) dz = 2 A. dans le cas où f(z) est continue et possède des dérivées successives continues sur le compact (a. à une approximation près qui est donnée par le reste de la formule de Lagrange.2. Quoi qu’il en soit.10) a -1 La méthode de Gauss pour évaluer numériquement l’intégrale 1 consiste à : a. +l).11)). Calcul des abscisses xk Supposons que f(z) soit un polynôme Qn (z) de degré n. b). un calcul d’erreur fondé sur cette remarque viendra apporter tous les éclaircissements utiles. on peut espérer une bonne approximation en vertu du théorème de Weierstrass selon lequel toute fonction continue sur un compact (a. nous pouvons écrire : s Qn. le développement en série de Taylor montre que f(z) peut se développer selon un polynôrne de degré n..10) et (7. le théorème de Weierstrass est très postérieur à la méthode de Gauss un petit siècle les sépare ~ néanmoins on peut remarquer que. (7. Pour obtenir ces valeurs. Dans le cas général où f(z) n’est pas un polynôme. le polynôme sera au plus de degré (2n + 1). choisir un critère pour déterminer les zk et les Hk.(.

il est bon de les obtenir avec une bonne précision. Il). +l).outes les racines de tous les polynômes de Legendrc appartiennent à l’intervalle (-1. nous allons calculer les racines des k premiers polynômes de Legendre. Calcul numérique des racines xk des premiers polynômes À l’aide de la méthode de Bairstow. de degré éga. nous pouvons écrire : (7. Remarque 9 : Il est important de constater que les valeurs x1. Calcul des coefficients Hk Puisque le polynôme dc Legendre P.n+l fi(X . ne dépendent pas de la fonction à intégrer et sont donc des constantes universelles. À présent considerons le polynôme QTL~(z) de degré n.l ou infcrieur à n. il est possible de voir que la précision de la méthode de Gauss sera d’autant plus grande que le polynôme Qn(z) qui approche la fonction f(x) sera de degré plus élevé.~~+~ étant le coeflicient du terme de degré le plus élevé dans le développement de P. À ce propos. la rnéthode de Bairstow va se réveler particulièrement pratique et efficace pour obtenir les valeurs numériques des racines. Comme ces valeurs sont universelles. ne peuvent être nuls sinon lc nombre des abscisses zk s’abaisserait. il est recommandé de l’utiliser. elles pourront être rentrées une fois pour toute dans un calculateur. les valeurs numériques des racines du polynôme de degré 13. +l).11) doit donner une valeur exacte de l’intégrale de QTLk (z). nous obtenons l’expression suivante : Comme cette relation doit être vérifiée quel que soit le polynôme Qn(z). d’ores et déjà. Remarque 1 : Avant dc poursuivre plus avant les calculs. Cette limitation est due au fait que seulement 16 chiffres significatifs ont éte utilisés et qu’il en faut davantage pour calculer les racines des polynômes de degré supericur à 13. 2.+l (z) ne possède que des racines réelles et simples. Bien entendu: si l’on dispose d’une possibilité d’effectuer les calculs en double précision.4. distinctes et comprises dans l’intervalle (-1.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ En introduisant la relation (7.3. ainsi défini : Puisque l’expression (7. 2.Xj) j==O UO. Il s’ensuit que les xk sont les (n + 1) racines du polynôme de Legendre de degré (n + 1). nous pouvons l’exprimer en fonction directe d’un produit de monômes : P. et comme par ailleurs les Hk. ne serait-ce que pour les employer lors de calculs réalisés sur les petites machines portatives. Remarque 2 : Puisque t.+1(2) = UO.+l (zr) sont réelles. nous savons que toutes les racines dc P.3. on en conclut neccssairement que Pn+i(zj) est nul. page 131.13) 124 .+r(z). On a reporté sur le tableau 7.

xk -1 125 .xk)el s Q.uk(x) dz.+dxk) = aO.+l(xk) = ~ -1 Cette dernière expression permet en principe de calculer les coefficients Hh qui ne dépendent que des polynômes de Legendre et de leurs zéros.n+lHlc fi@.16) J’ x .14) qui n’est pas encore d’un emploi très commode. s ifk -1 i=o expression à partir de laquelle on tire : +1 Hk = Qnk.+~(~) pn(x) . Insistons sur le fait qu’ils ne dépendent pas de la fonction dont on cherche à calculer l’intégrale de façon approchée. On obtient en définitive : 1 Hk = (7.13) se transforme alors en une expression ne faisant intervenir que le polynôme de Legendre de degré (n + 1) ainsi que son polynôme dérivé : L = HkP.P. l’intégrale (7.14) ~A+1(4 ~ . ~ xi) = HkQnk(a).+l(x) dz.15) est nulle. considérons l’expression suivante : +1 P.(xk) ~ (7. -1 Nous allons procéder à la transformation de l’expression (7. (xk) et que par conséquent [p. LES PoLmôMEs DE LEGENDRE Le second membre a toutes ses sommes nulles sauf une seule lorsque j = k.P.pn(xk) dz s x . dz .xk) est une racine de p. E n vertu de la relation d’orthogonalité et du théorème de décomposition.n+l fibc . i=o ijk L’expression (7. Pour ce faire. Développons cette expression : +lP. Nous obtenons : +1 L = Qnk(x) dx = ao. et pour cela calculons la dérivée de P. nous avons : et pour x = xk nous obtenons : p.xi) = &nk(xrc).xk -1 On voit immédiatement que (x .+i(s) . Une expression de Qnk(xk) plus commode à exploiter est souhaitable.(x) . 7.(x)-P7L(xk)]/(x-xIc) est un polynôme de degré (n-l).

+ arr+1.(zk) d ans la relation (7.13) et (7.17) P. . Il suffit de reporter la valeur de (n + l)P.~ 2n + 1 -1 En revenant à l’expression (7. très utile à connaître parce que très facile d’emploi.17) pour écrire : (7.~+~/a~..16). .+l(xk) P. .<.18) 126 .14) . En tenant compte des relations d’orthogonalité.~~ en identifiant les termes de degré (n + 1) .I’ -1 en remplaqant dans l’expression (7.+ = h. on obtient : (1 -~“)I?n(x) ~ nP+.~ 2n + 1 La relation de récurrence entre trois polynômes consécutifs permet d’obtenir directement ~. par identification.ll+lxn + h.14).(x) -~XE&(X) = 0. on peut alors écrire : +1 .~)pL.xk)(h~.(Q) n + 1 Il existe une autre forme de HI. Hk prend mie forme très simple : 1 1 2 Hk = (7. + h7. T s’exprime alors de la façon suivante : +1 ao n+l 2 T = uO.emplaçons n par (n + 1) et x par xk: dans cette expression. En définitive. on obtient : 1 1 ao.+1(x) = u”.+1)..n+lx + . Éliminons Cl( x 1 ent re.MANUEL DE CALCUL N UM É RI QUE APPLIQUÉ Évaluons le premier terme : Comme P. on note que : ao.. on peut écrire : n-1 Pn+l(X) = (x . nous obtenons : (1 ~ x.n+lxnl?&) d z = A - J’ n~.+~(xk) = (n + lR(xk).n+l. on obtient la valeur (2n + l)/(n + 1)..+i(s) admet un développement du genre : P.n+lxn+l + qn+llCn + . R. 1 es relations de récurrence (7.n+1 et comme d’autre part xk: est une racine du polynôme.+ 2 ~20.

. + 1). + (2m. et chacune des intégrales se ramène au cas qui vient d’être présenté.1. k=O k=O k=O f(24 (0) n . + (2..17) non seulement sur le plan de la programmation mais aussi sur le plan du temps de calcul. on peut écrire les deux relations : 1 = q 2 H#(yk) = c Hd(a) k=O k=O Le cas des intégrales continues par morceaux ~ c’est-à-dire présentant des discontinuités de première espèce ~ est justiciable de la méthode de Gauss : on calcule autant d’intégrales qu’il y a d’intervalles sur lesquels la fonction est continue..vôms DE LEGENDRE Cette formule est d’un emploi plus intéressant que la relation (7. +l) Par conséquent ~il suffit alors dc calculer : b+a+b-n Yk = ~ -Xk. n’étant pas modifiés. 2. +. . +l)./ $ Hkxp+l + f’2”+“‘(E) 2 I&X~+~..p+2 f ( x ) = f ( 0 ) + $(O) + $(O> + .1. On trouvera sur le Web (*) 1 e programme r-legend.com/guilpin/ 127 . Calcul de l’erreur commise lors de l’approximation Supposons que f(x) soit une fonction continûment différentiablc sur l’intervalle fini (canonique) (. LES Pow. 2 2 Les HI.).11) donne : f’(O) n f ” ( 0 ) 7’ J-f(0)~H~+T~H~x*+ 2! c H~Z:. Intégrons terme à terme cette expression. L’exploitation directe dc la relation (7.f”“(O) +‘. on obtient : +1 I = f(x) dz = 2 f ( 0 ) + .. . b) Nous avons montré que le changement de variable : b+a b-u y=T+-x 2 nous ramène à l’intervalle (. 2. Il n’y a pas de difficulté particulière pour obtenir ces valeurs numériques dans la mesure où les coefficients des polynômes ainsi que les racines ont été convenablement placés dans un ou des fichiers. 7.+)j.5.. Le développement de Taylor-MacLaurin à l’ordre (2n + 1) nous donne : .‘+ s (2&! -1 On remarque que toutes les dérivecs d’ordre impair disparaissent lors de l’intégration.f”(O) + . + .)j f’““+“(o) + p+2)(<) (2n + 2)! expression dans laquelle J: et < appartiennent à l’intervalle (-1. c calculant les Hk.6.+ k:=O k-0 (212 + 2)! k=” *http://www.edpsciences.2. Retour sur le calcul de l’intégrale définie sur (a. c mHkxp ! + . .

(7.J = .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Si f(x) est un polynôme de degré (2n + 1). Toujours est-il que l’erreur prend la forme suivante : I . +l). Dans ce cas il n’y a pas d’erreur mathématique due à une approximation. 2 Hkx. alors.m = ~ c k=O 2mtl z?L+l _ HkXk . (n + 1) équations quelconques prises dans le système précédent constituent un système linéaire permettant de calculer les Hk. . si l’on connaît les xk. .. la dérivée de S(x) d’ordre (2n + 2) est nulle. . et l’on a l’egalité : I = . En revanche. # ~ 2n + 3 k=O Bien entendu.+2 = sup 1f(2n+2) (x) /p our x appartenant à (-1. (7. .20) en prenant soin de remarquer que : 2n+2 2 &XA. Il est intéressant de constater que le système de (2n + 2) équations ainsi défini est constitué de (2n + 2) équations non linéaires dans la mesure où l’on considère que les Hk et les X~C sont les inconnues. .J.21) Ez (2n+2)!) 2n:3 k=nHkxk’L+2J i où M27. +l).19) k=O expressions dans lesquelles les sommations s’effectuent pour k variant de 0 à n. n c k=O Hkxkh-1 =0 r. en définitive. . . . 128 . comme toutes les fois en pareil cas. . .0. . on recherche une majoration la plus raisonnable possible de la fonction f (an+2)(<) dans l’intervalle (-1. on obtient en conséquence le système suivant : 71 c k=O Hk = 2 5 Hkxk = 0 k=O k=O . l’erreur s’exprime de la manière suivante : ‘TL JJzn+2 -----c 1 (7.

+ 2).465 483 10-4 9 0. 7. a . Bien qu’elle soit très intéressante.459 546 10C7 2. LESPOLYNÔMESDE LEGENDRE Dans la mesure où l’on peut obtenir une majoration Mzn+2.txt sur le Web (*) où figurent les racines et les poids associés des premiers polynômes de Legendre.177 778 3 0. { > sont directement tirées du du fichier Legendre.293 181 10F2 6 0.z’& H~x:~‘~ . Tableau 7.com/guilpin/ 129 . elle risque de devenir catastrophique dans la mesure où elle est très surestimée. comparaison avec d’autres méthodes Nous avons choisi un exemple dont on connaît directement le résultat par quadratures : +1 rlog(l+2)ds+ 0 Voici les résultats obtenus par la méthode de Gauss.116 731 lO-” 10 0.249 999 996 6 points : I = 0.732 912 10-” 12 0.7. Table des valeurs numériques de 77 = & .457 143 10-l 4 0.Les valeurs du tableau 7. Degré Erreur du polynôme mathématique 2 0.249 999 999 9 0 9 *http://www.183 0547 10-” 13 0. cette expression n’est pas d’un emploi très commode dans la mesure où figure une dérivée d’ordre (2n.Méthode de Gaoss 5 points : I = 0. Viendront s’ajouter lors des calculs effectifs les inévitables erreurs d’arrondi propagées par l’exécution des opérations. quand à la majoration. Un exemple numérique.1. E donne l’erreur mathématique liée à la troncature de la série des polynômes de Legendre.1.edpsciences. Le calcul devient très souvent arborescent et rapidement inextricable.185 466 lO-” 8 0.738 079 1OV” 7 0.292 559 10-” 11 0. la méthode des trapèzes et la méthode de Simpson.116 100 10-r 5 0.

12. Tableau 7. +l).381 10p4 . Effectuons le calcul d’erreur pour 6 points : 10!(2 + 12) E= $ .250 062 0.0. = 7.8 10-s. Mi2 est une fonction monotone décroissante dans l’intervalle (0.250 000 00107 60 0. 11 x 8192 - On s’aperçoit que l’erreur E est environ 100 fois plus grande que l’erreur observée directement .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ b .Méthode des trapèzes et méthode de Simpson . Remarque : Pour utiliser aisément la méthode de Gauss.250 027 0. cela est dû à la majoration de la fonction Mi2.u 12! z = 0. On en conclut que l’erreur est comprise entre 2 10-12 et 0.250 000 000 138 100 c .-&&z. il suffit de fabriquer un sous- prograrnme dans lequel on rentre une fois pour toutes les racines et les poids du polynôme 130 . et que 2 = 2. Alors nous pouvons écrire : dz/ dt = 1/2 et g = A.! n. avec l’écriture choisie. 2 appartient toujours à (0.250 248 0.r. tandis qu’il faut 40 points à la méthode de Simpson pour obtenir une précision analogue à celle de la methode de Gauss en 5 points. l).Par chance.y h=O 1 1 car nous avons dû effectuer un changement de variable 2 = 2 + Zt pour nous ramener à 12 l’intervalle canonique (-1. Ici. En I : = 0.250 000 086 20 0. Mi2 = 2i2( 1 + .. On tire une valeur de E : E = 7.8 1oP.. i > b-u 1 Rappelons que. le calcul de la dérivée ne de .2.Calcul de l’erreur concernant l’exemple . Méthode des trapèzes Méthode de Simpson Nbre de points 0.38110-‘$. elle est maximum pour b .250 000 005 4 40 0. L’évaluation directe de l’erreur se situe bien dans ce créneau puisqu’elle est de l’ordre de 10-r’ et cet exemple montre bien combien la majoration d’une dérivée d’ordre n peut être pénalisante pour un calcul d’erreur.r log( 1 + z) est relativement aisé. la dérivée est 3780 fois plus petite qu’au point x = 1. est plus petit ou égal à 11 x 2 x 2ia. et l’on peut montrer que : [zlog(l + ~)]‘“’ = (-l)TL(n .250 009 9 0. l). Donc TMi.En 6 points la méthode de Gauss est un peu plus précise que la méthode de Simpson en 100 points.

Dunod.040484004765 de degré 12 ou 13 (ensuite.8. HILDEBRAND (1956) Introduction.801578 090 733 3 0. il suffit d’ailleurs de rentrer 6 racines et 6 poids associés à cause des symétries. M INEUR (1966) Techniques de Calcul Numérique. R A L S T O N et H.com/guilpin/ 131 . M HASKAR (1996) Introduction to the theory of weighted polynomial approximation. M IGNOT (1984) Anulyse numérique des equations diffkentielles.9841830547185 0. On donne sur le Web (*) un fichier texte appelé legendre. txt où l’on trouvera les racines et les poids des treize premiers polynômes de Legendre.20781604753688 13 10. H. H. Degré Racines x Poids Hk (40 0 232551553230874 ho. ANGOT (1965) Compléments de Muthémutiques. to the numericul analysis.edpsciences. 7.44849275103645 0.N. LES POLYNÔ MES DE LEGENDRE Tableau 7.S. Mc Graw-Hill. Éléments de bibliographie A.. les racines sont deux à deux opposees.. A. des problèmes de précision apparaissent avec des représentations sur 16 chiffres significatifs et des racines complexes apparaissent. Éditions dc la Revue d’optique.3. CROUZEIX et A.L.138873510 2198 f0..64234933944033 0. F.917598399223 0. Éditions Dunod. World Scientific.17814598076194 f0.23045831595513 0~226283180262897 1 *0.) . *http://www.0921214998377 ho. M. W I L F (1965) Me’ t ho de s m a t h é m a t i q u e s p o u r c a l c u l a t e u r s arith. Racines et poids associés des polynômes de Legendre. 2.métiques. Éditions Masson.

Pour cela.T-. Les polynômes de Tchebycheff (1821-1894) 1. Application à la méthode de Gauss-Tchebycheff 1. ce‘ qui nous perrnet d’écrire : dt = -sinx dz 133 . Ils obéissent à une relation dc rccurrence que nous allons établir.(x) = cos(n arccosx) (8. Effectuons le changement de variable t = arccos x.22Tr.(x) + T.L-i(2) = cos(n .(x) = 0. 8 Les polynômes de Tchebycheff. soit J: = COS t.1) ce qui implique que : TO(x) = 1 et TF(z) = 2. il suffit de poser y = arccos z. Écrivons T~~+.1..(x) = cos(n + 1)y = COS ny cas y .L+.(z) + T7. s 0 s 71171 étant le symbole de Kronecker (182331891). T. Première définition La relation de definition des polynômes de Tchebycheff est donnée par l’expression suivante : T. on obtient : Tr.+.+.p. sauf pour n = m = 0 l’intégrale vaut 7r.( x ) P tP ff ec uons-en t la somme : T.2) À present nous allons montrer que ces polynômes sont orthogonaux. T.(x) et T:-.(x) D’où la relation de récurrence cherchée entre trois polynômes consécutifs : TT. (x) = COS ny.(x) . En partant de la relation : COS nt COS mt dt = 7r/26.1)y = cosnycosy + sinnysiny.(x) = 2cosnycosy = 2xT. (8.sin rby sin y.

+1) au sens du sup du module.1.4) 11 va de même de la norme qui s’exprime : si n est différent de zéro 7l si n=O. Une propriété essentielle des polynômes de Tchebycheff à coefficient principal réduit 2. c’est le polynôme de Tchebycheff T.(x) + 4T.-I(Z) = 0.I 2/1-2 -0s 2 7 r sin=O. On peut définir la suite de telle sorte que le coefficient de degré le plus élevé pour chaque polynôme soit égal à 1.5) 2. Seconde définition Cette suite de polynômes orthogonaux peut être avantageusement modifiée pour le propos qui nous préoccupe.2. 134 . Si nous examinons la relation (8.+l(x) . si n est différent de zéro . Théorème De tous les polynômes de degré n à coefficient principal réduit.1. (8.2)) nous nous apercevons que le coefficient de degré le plus élevé est multiplié par 2 lorsque l’on passe du polynôme de degré k à celui de degré (k + 1). On voit que les polynômes de Tchebycheff sont orthogonaux sur l’intervalle fondamental (-1. (x) qui approche le mieux l’axe des x sur l’intervalle (. (8. Nous allons donc définir une suite polynômes à coefficient principal réduit. (8.3) La relation de récurrence est alors légèrement modifiée et devient : T. Il nous suffit de poser comme relation de définition une nouvelle expression : Tri(x) = & cos(n arccos z).MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ et puis 7T COS s 0 nt COS mt dt = +lT~(x?Cz(x) s -1 Jn dx = o si m + n et +1T~C4Tn(x) dx K coss nt dt = .4xT. +l) relativement à la fonction poids h qui est une fonction définie positive sur cet intervalle. 1.

.(xk) est positif. 1. +l). tous égaux en module à 1 et dont les abscisses sont données par la relation : lwr xk: =cos . Donc.(z) et T. 3. Donc : À présent il nous faut calculer Ti&+. Par ailleurs. on calcule le coefficient K qui est égal à In puisque nous traitons de polynômes à coefficient principal réduit.c4 = g Z(i.+l(xk) = F ~ sin[(n + 1) arccos X~C] > d’où TA+. (n ~ 1).5) de l’annexe B. il s’ensuit que f(z) est alors un polynôme n fois positif et négatif alternativement sur l’intervalle (-1.+i(x) Pour cela. LES POLYNÔMES DE TCHEBYCHEFF 2.6) 2(n + 1) ’ 4. Démonstration Désignons par pn(z) un polynôme répondant à la question et considérons alors la fonction : Puisque p. f(zk) est négatif et quand T. f(z) est un polynôme au plus de degré (n . Il change donc (n .1). +l).1). .(z) ce qui démontre le théorème.2. 8. il suffit d’exploiter directement la relation (B. +l). possède n extremums alternativement positifs et négatifs sur l’intervalle (-1. avec k = 0. ce qui donne : 7r(2k + 1) Xk = COS (8. f(zk) est positif. (zk) et Tn+i(xk). f(z) doit être un polynôme de degré n. D’abord. ce qui est en contradiction avec le fait que f(z) est au plus un polynôme de degré (n .+i = 0. T. On les obtient en écrivant T. Calcul des poids Hk correspondant aux racines xk du polynôme T.:’ 1) ) sin 2(n + 1) 135 . On trouve les expressions suivantes : T. ( n > Quand T. ( 2 ) sont à coefficient principal réduit. soit : cos[(n + 1) arccosz] = 0.2.(z) = T. .(sk) est négatif. On en conclut que le polynôme f(z) est identiquement nul et que p.1) fois de signe et par conséquent possède n racines. . Les racines des polynômes de Tchebycheff Tn+i(x) On sait que le polynôme de degré (n+l) possède (n+l) racines distinctes et réelles sur l’intervalle (-1.

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ puis il vient 7r(2k + 1) T. n. 1.e tradition que nous désignons par les deux noms accolés la méthode qui nous pcrmct dc calculer rmrnéri<~l~ernent les intkgrales du type : (8. il). se réduit à : (-1)” sirl 42k + 1) . . ce qui.. associts.2. C’est pour respecter cett. Par ailleurs.(xk) = & cos(narccoszk) = & cosn 2(n+ 1 ) Cette dernière expression. Il est bien entendu que la fonction f(z) est rkguli&c~ sur l’intjervalle (-1.G(Xk) = 271-l 2(n + 1) De là on déduit la valeur des Hk : Cette expression montre que tous les Hh sont Cgaux pour ml polynôme donné. après quelques transformations trigonométriques. 6. puisque les expressions mathématiques qui permettent leur calcul sont trk simples. nous ne croyons pas utile de devoir donner la liste des racines des polynômes de Tchebycheff et des poids Hk qui leur sont.8) que l’on approche donc par l’expression classique : n J = c Hkf(xk) k=O laquelle se simplifie notablement : avec k = 0. . 5. Méthode d’intégration de Gauss-Tchebycheff Il est usuel d’associer au nom de Gauss le nom du savant qui a laisse son nom à une suite particulière de polynômes orthogonaux. notons-le au passage: conduira à des calculs particulièrement simples. Calcul de l’intégrale I = 7 f(x) -a $GmdX Le changement de variable : 136 .

sin zdz . 137 . seuls quelques points de détails vont différer. 7. soit dz = . Calcul de l’erreur commise lors de l’approximation Nous dlons reprendre le calcul rkalisé lors de l’étude de la méthode de Gauss-Legendre.I 2/1L/2 -1 Par conskqucnt. dans cette expression. J’ 0 On intègre par parties ccttc expression en posant : ‘U = Cos-1 x et du = COS x dz cc qui donne : du = ~ (n ~ 1) COS”-~ z sin z dz et ru = siriz. + 1). Le développement de Taylor-MacLaurin à l’ordre (2n + 2) nous donne : cxprcssion dans laquelle J: et < appartiennent à l’intervalle (-1. les zk sont. Soit. rappelons-le. posons . . LES POLYNÔMES DE TCHEBYCHEFF rmus permet dc nous ramener au problème prtcédent car l’intégrale s’écrit : b+n b-u +‘f y+p I= d7/. Calculons 1 en remplaçant f(z) par son développement. il faudra calculer des expressions du type : Pour cela.î: = COS z. 5 calculer : supposons <p? f (z )soit continûment difkentiable sur l’intervalle canonique (~ 1. +l). la raison en est simple. 8. +l). on obtient alors : 7r Qn = COS~ x dz. Le lecteur pourra légitimcmcnt s’ktonner du fait que l’on utilise les polynômes de de@ (n + 1) et non des polynômes de degré n. les racines du polynôme de Tchebycheff de dcgrk (n. on calcule 1 au moyen dc l’approximation : où. c’est pour rester cohérent WCC les expressions établies au chapitre prkcédtnt.

(2n + 2)! 2n+l(n + l)! L’exploitation directe de la formule d’intégration de Gauss-Tchebycheff donne : J= . L’erreur E s’écrit : Si f(x) est un polynôme de degré (2n + l).+(.. la dérivée de f(x) d’ordre (2n + 2) est nulle. . .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ On peut écrire : 7r 7T Qn = (n .. = (n .+ l)!! f'""+"'(~) ] .1) COS’~-~ x(1 . + Ef'(O) + g"(o) +. et l’on a l’égalité : I = J. l)Q+z avec &a = dz = ?r et Qr = cosx dz = 0. on obtient en conséquence le système suivant : 138 i ..+ cosnP2 x dx s s 0 0 d’où la relation de récurrence : 7r x n&..l)Q. s s 0 0 De là.. Dans ce cas il n’y a pas d’erreur mathématique due à une approximation .li(2TL+1)(o) + x2n+2 (2n+ 2)! x S'2"+2'(E)] =* [f(o) + . (2n+ / y2y ".:'!! +. + (2~~i. on tire que : Q 2n+1 = 0..cos2 x) dx = -(n . Q271 = (2n .1)!!5i (2n)!! 2”n! Revenons au calcul de 1 : I=l&[ f(0) .')!lT = (2n .

Un exemple d’intégration À titre d’exemple. Dans la mesure où l’on peut obtenir une majoration raisonnable M2n+l. LES POLYNÔMES DE TCHEBYCHEFF Bien entendu.765 197 686 557 966 4 avec une précision absolue de l’ordre de 10-15.(x) + ‘. comme toutes les fois en pareil cas.. + l)! n+ 1 cJ”“O k 1 ’ 1 n x”n+” (8. soit le 16” chiffre. Je(l) est la valeur de la fonction de Bessel de première espèce d’ordre zéro pour la valeur 1 de l’argument. on trouve : E24 = 1. Le tableau 8. donne les résultats obtenus. Pour l’instant. 139 . . Viendront s’ajouter lors des calculs effectifs les inévitables erreurs d’arrondi propagées par l’exécution des opérations.>! i (2n + l)!! 2n. . l’erreur s’exprime de la manière suivante : E(x) = (27y+. on recherche une majoration la plus raisonnable possible de la fonction f(“‘“+“)(<) dans l’intervalle (-1.+l(. + fT.2tx + t2 et exp(xt) cos(t&ZS) = Te(X) + +r. en définitive. Si l’on poursuit le calcul pour des valeurs plus élevées de n.tx = TO(X) + Krl(X) + t2T2(x) + ‘. . page suivante.. en effet.10) où M2nt2 = SUP If (2n+2)(x)1 pour 3: appartenant à (-1. E(z) donne l’erreur mathématique liée à la troncature de la série des polynômes de Tchebycheff. ce qui constitue un résultat remarquable. 8.(X) + z??z(X) + .47 10-4”M24. la méthode d’intégration de Gauss-Tchebycheff constitue la meilleure façon de calculer les fonctions de Bessel de première espèce. Fonctions génératrices des polynômes de Tchebycheff Nous admettrons les résultats suivants sans démonstration : 1 . 1 . 8. seul le dernier chiffre significatif change. Nous reviendrons sur ce point au cours de l’annexe F. Nous avons trouvé dans la littérature la valeur suivante : JO( 1) = 0. Toujours est-il que pour n = 12. +l) . +l).1. + iTn(X) + . 9. calculons l’intégrale : +1 Cet exemple n’est pas tout à fait gratuit .

Nombre de points J(l) 3 0>765 239 563 4 0. excepté toutefois pour rz = 9. la méthode est moins précise que celle de Gauss. apparemment anodine. Quoi qu’il en soit.765 197 686 557 966 4 Note importante Il faut faire attention à ne pas confondre la méthode d’intégration de Gauss-Tchebycheff avec la rnéthode d’intégration de Tchebychcff. on cherchera à fixer les zk dc tcllc sorte que 1 = J pour ur1 polynôme de degré le plus élevé possible. change complètement le fond du problème tant et si bien que non seulement la solution dépend alors des Hk: rnais encore que les zk: peuvent ne plus être réels.765 197 498 111 5 0.765 197 687 084 089 6 0. 140 .I au rnoyen de l’approximation où les Hk ont été choisis u priori. cette dernière consiste à évaluer l’intégrale : +1 I= f(x) dz . les zk: cessent d’être tous r-tels à partir de n = 8.1. Même lorsque tous les Hk sont égaux. Comme précédemment.765 197 686 556 966 7 0 765 197 686 557 967 7 8 01765 197 686 557 966 2 9 0.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Tableau 8. Cette modification des conditions.

nL(z) .ion. à fait analogue à celle que nous avons adoptke pour les polynômes de Lcgcndre. Relation de récurrence entre trois polynômes consécutifs À partir de la relation de défiuit. ccpcndaut. (9. Ou peut aborder l’étude de ces polynômes d’une façon tout. ce qui dorme : Soit : L. ce qui nous permct.(z) .tra par la suite de calculer facilemeut les coefficients de l’un quelconque des polynômes de Laguerrc... nous avons préféré utiliser une formule semblable à celle de Rodriguès pour établir plus rapidement leurs principales propriétés.s {exp(-X)2?}. nous allous établir urle relation dc rkurrencc rutre trois polynômes consécutifs.. Par définition. w).9 L es polynômes de Laguerre. Ou transforme cette dernike expression à l’aide de la formule de Leibnitz : g {exp(-:X)?+l} = & {exp(-z)z”z} = 2~5 {exp(-X)x”} + . Méthode d’intégration ( de Gauss-Laguerre Les polynômes de Lagucrre (1834-1886) sont orthogonaux relativement à la fonction poids exp( -22) sur l’intervalle (0.exp(-x)x”+l+ (n + 1) exp(-z)X”} .+l(z) = exp(x)s { .1) 1.cx. L’expression donnant L.(+jg {exp( -X)C} 141 .+I (CC) devient : Lfl(Lx) = (n + l)L. Il suffît d’krire la relation dc d&litiou pour l’indice (r> + 1).. les polynômes de Lagucrre sont donnés par les expressions : LTL(z) = exp(x)$ {eq-X)X”}.

Relation de récurrence faisant intervenir la dérivée À présent. Dans ce but.1).(z) = zzexp(z)s {exp(-z)z+l} .G(s) + G. Ll(Z) = -z+ 1 La relation de récurrence (9. soit : La(x) = 1. transformons cette dernière expression : x5 {exp(-z)z”-l} = G {exp(-z)?} ~ ns {exp(-z)znP1} On en déduit directement que : L?&(x) = nL. ce qui permet d’écrire : L.(~) .exp( -z)zc”} .2) 2. (9. Cela nous sera bien utile pour calculer les Hk de la formule de Gauss généralisée. Les premiers polynômes de Laguerre La relation de définition permet de calculer les deux premiers polynômes.+1(z) a un degré supérieur de 1 unité à celui du polynôme de degré n. dérivons la relation de définition (9.nL. II vient donc : L+1(z) = (n + l)Lx(z) . Il s’agit de pouvoir exprimer simplement la dérivée L~(Z).n%-l(~) De là nous tirons la relation utile pour déterminer les différents polynômes connaissant les deux premiers : L+~(Z) + (x ~ 2n .r. Cela démontre au passage (en utilisant un raisonnement 142 .1) : L+~(X) = =P(:I:)= {nexp(-Ic)27L-1 ~ exp(-X)3?}. l’aide de la relation de Leibnitz.(cLz) .2) montre que le polynôme . nous allons établir une autre relation très intéressante pour le calcul des coefficients Hk.5. (9.l)&(s) + 7?L-1(2) = 0.(z) = n exp(z)$ { exp( -2)271P1} .-1(2).3) 3.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ On calcule directement le dernier terme du second membre à partir de la relation (9. -L(x> = -p(z) s {n exp( -2)znP1 . soit : L. Toujours A. soit encore.

2 + 1 L2(x) =x2-4x+2 l&(x) = -si’ + 9x2 . 9. car L~(Z) et Li (x) sont bien des polynômes donc L.6002 + 120.16x” + 72x2 . 0 0 Pour fixer les idées et sans nuire à la généralité. *http://www. LES PoLmôMEs DE LAGUERRE par récurrence) que nous avons bien affaire à des polynômes. On trouvera sur le Web(*) 1 e programme laguerre.96x + 24 &(x) = -x5 + 25x4 . par souci d’économie. supposons que nous ayons n < k.edpsciences. 4. w). c réalisant cette tâche. Effectuons une intégration par parties en posant : u = exp(x)-& {exp(-x)xnl. Voici les premiers polynômes de Laguerre : L”(X) = 1 Ll(X) = .com/guilpin/ 143 .18x + 6 L4(2) = x4 . du = 1% exp(x)g { exp( -.r).(z)Lk(z) dz = $ {exp(-x)zk} dz. Pour le montrer il suffit de calculer : J J ev-2) & {exp(-x)xnl 30 00 Ink = exp(-z)L. et d u = 2 {exp(-x)x”} . 2.r”-‘} . Calcul des coefficients des n premiers polynômes de Laguerre Il n’est pas très difficile de réaliser un programme destiné à calculer tous les coefficients des premiers polynômes de Laguerre. Orthogonalité des polynômes de Laguerre Les polynômes de Laguerre sont orthogonaux relativement à la fonction poids W(X) = exp(-x) sur l’intervalle fondamental (0. Ils seront entassés dans un tableau unique.(s) est aussi un polynôme et ainsi de suite. 5.2002” + 600x’ . selon les puissances décroissantes. = s {exp(-x)x”} .

Les valeurs mrmériyues du polynôme de degré 12 sont.. et ce terme est nul pour z = 0 et :r infini. il nous reste à calculer la norme de l’intégrale. = n! {exp(-z)z”} dz. CO). cn poursuivant l’intégration par parties..3. on voit que : oc. Le calcul de cette intégrale donne : I. nous en deduisons donc que les racines de chacun des polynômes sont reellcs7 simples et comprises dans l’intervalle (0: CQ).: car nous aurons besoin de cette valeur pour le calcul des Hk. exp( -z) en facteur en fin de calcul.if puisque la forme est definie positive (carré scalaire).4) En conclusion.. 144 .k = &i>! {exp(-z)z”} dn: où E représente lc signe dc IT. A” = ET-L! car ici encore on fait apparaître le terme 2. J’ Il En proccdant par partics. page 149. = (n!)! (9.. Rkglons tout dc suite lc problème du signe : il est necessaircment posit.bfANUEL DE CALCTJL NUMÉRIQUE APPLIQUÉ Nous obtenons : d” Ink = exdx)dJ”’ {exp(-z)zn} g {exp(-z)z”} = [ 10 Le premier terme est nul car il contient n: exp( -ZC) en facteur . Donc les polynômes de Lagucrre sont orthogonaux par rapport à la fonction poids exp(-z) sur l’intervalle fondamrntjal (0.k... on arrive à l’expression suivante : I. les polynômes de Laguerre sont orthogonaux relativement à la fonction poids W(z) = exp(-z) et a l’intervalle (O. Calcul des racines des premiers polynômes de Laguerre On calcule au moyen de la rnéthode de Bairstow les racines des polynômes dc Laguerre. Donc reste à calculer : w 1.. 6. c’est-a-dire I. À prescrit..oo). donnees dans le tableau 9. {exp(-2)2?} dz = n!: I’ il il s’ensuit que : I.

Nous avons : K = -(n!)” car le rapport des coeficients de dcgre le plus élevé dc deux polynômes conskutifs est égal à -1. rappelons-le. c qui perrnet de calculer les racines et les poids des polynômes de Lagucrrc.com/guilpin/ 145 . page 149.3. LES POLYNÔMES DE LAGUERRE 7. + 1). très faciles à programmer. nous fourniswnt les valeurs numériques des Hk dont on donne 1111 tableau 9. 00) ctj l’on approche l’intbgrale au moyen de l’expression : 9. : cc qui nous permet d’obtenir deux expressions plus simples : (9.1.ante d’Euler y = 0. Calcul numérique des poids Hk associés aux racines Les deux expressions que nous venons d’établir.5) de l’annexe B dans laquelle 110~1s explicitons le coefficient K. Si nous utilisons la relation de récurrence (9. Donc. Exemple 1 On se propose dc calculer la const. Calcul des intégrales du type I = Sexp(-x)f (x)dx 0 Comme d’habitude on suppose que f(z) est une fonction régulière sur (0.1. Calcul des poids Hk correspondant aux racines xk R.i( 1 ~ exp(-z) n: > 0 Les rksultats trouvés sont indiqués dans le tableau 9. expression dans laquelle. on trouvera le programme r-laguer .3). Sur lc Wch (*).577 215 664 90 au moyen dc l’expression suivante : x 1 1 Y= ~ exp-2) dz . zzk est une racine du polynôme de degrk (n. on obtient. page suivante.edpsciences. 9.5) 8. 9.eprenons la relation (B. *http://www.

En effet. si m est « assez grand » . et nous avons choisi : 10! = 3 628 800. Nombre de points Constante d’Euler 5 0.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Tableau 9. nous devons obtenir un résultat exact en 6 points (CI~ négligeant les erreurs d’arrondi propagées par la machine.2.2. COS mx peut être assez mal représenté par un polynôme de Laguerre de degré peu élevé. Les résultats obtenus sont donnés dans le tableau 9. Toutefois il convient de se méfier des intégrales du type : 1 I = exp( -x) COS mx dz = ~ s m2 + 1 0 qu’il faut examiner soigneusement. Tableau 9. Remarque importante On note une fois de plus que la méthode donne d’excellents résultats.577 215 664 927 11 0.I= exp(-x)x’” dz = 10! s 0 Puisque la fonction à intégrer est de degré 10. C’est ce que l’on se propose de vérifier. Nombre de points lO! 4 3 033 216 5 3 614 400 6 3 628 799. D’autres cas bien sûr peuvent présenter des dangers analogues liés au nombre de points où la fonction s’annule.577 215 671 10 0.577 215 316 7 0. Compte tenu de l’expression intégrale de la fonction factorielle. Exemple 2 Il s’agit de calculer la fonction factorielle.3.2.999 999 97 9.577 215 638 8 0.1. 146 .577 215 683 9 0.577 215 664 244 9.577 215 409 6 0. nous savons : cc .

. 9. la dérivée de f(x) d’ordre (2n + 2) est nulle...f'(o) + fg"(O) + . oo).. il faudra utiliser des expressions du type : M Q 2n+2 = exp( -x)x2n+2 dz = (2n + 2)! s 0 L’exploitation directe de la formule d’intégration de Gauss-Laguerre donne : J=S<~)CHI+~‘(O)CH~X~-~CH~X~+. . Soit à calculer : CO I = exp(-z)f(x) dz. 147 . seuls quelques points de détail différent...+ p+l) (0) (2n + l)! TL k=OHkxk c 2nt1 l tf..+~~H~~~ k=O k=O k=O k-0 +. oo). LE~ PoLwiôïms DE LAGUERRE 10..2ny. + . J’ 0 Supposons que f(x) soit continûment différentiable sur l’intervalle fondamental (0. L’erreur E s’écrit : Si f(x) est un polynôme de degré (2n + l). Calculons 1 en remplaçant f(x) p ar son développement.. Calcul de l’erreur commise lors de l’approximation Nous allons reprendre le calcul réalise lors de l’étude dc la méthode de Gauss-Legendre. f'""+"(o) + f(2n+2) (El > (2n + 2)! expression dans laquelle x et < appartiennent à l’intervalle (0. Le développement de Taylor-MacLaurin à l’ordre (2n + 1) nous donne : x27L+2 f(x) = f(0) + ./ c Hkxp+2. et l’on a l’égalité : I = J.T).

une approximation.. si l’on connaît les xk. CHk =1 k=O = l! 2 H&I& k=O 2 H@Z.. on recherche une majoration la plus raisonnable possible de la fonction f (2rr+2) (<) dans l’intervalle (-1.7) où hf21L+2 = sup )f@f2) (X) ) p our z appartenant.. + l)! k=O Il est intéressant de constater que le système de (2n... 00).. à (0. + 2) équations ainsi défini est constitué de (27~ + 2) équations non linéaires dans la mesure où l’on considère que les Hh et les xk sont les inconnues.698 10-7M24. 148 .Xk = (2n. Toujours est-il que l’erreur prend la forme Suivant>e : (9.6) en prenant soin de noter que : H&‘+’ # (2n + 2)! k=O Bien entendu. alors. (n + 1) équations quelconques prises dans le système précédent constituent un système linéaire permettant de calculer les Hk. En revanche. Dans la mesure où l’on peut obtenir UIIC majoration raisonnable Mz~~~. on trouve : Ez4 = 3. comme toutes les fois en pareil cas.+~. = 12... on obtient en conséquence le système suivant : Tl.. Viendront s’ajouter lors des calculs effectifs les inévitables erreurs d’arrondi propagées par l’exécution des opérations. en dkfinitive. +l).. l’erreur s’exprime de la manière suivante : ’ (9.. Pour n. = 2! k=O .. 2 k=O HkXfi 2rrL-1 = (arr-l)! c Hk5k 27n = (2rn)! k=O 2nt1 Hk. E(x) domle l’erreur mathématique liée à la troncature de la série des polynômes de Laguerre.MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ Dans ce cas il n’y a pas d’erreur mathématique due à..

Racines et poids associés des polynômes de Laguerre.487 967 251005 0.377 759 275 873 127 0. 9.3. s 0 expression dans laquelle t est une variable réelle (généralement le temps) et p une variable complexe. Calcul numérique de la transformée de Laplace F(p) la transformée de Laplace de la fonction h(t) est une équation fonctionnelle qui s’écrit : cc F (P ) = h(t) exd-pt) dt. on obtient l’expression : F(P) = i s ~(Y/P) m-y) dy 0 03 *http://www. LES PoLYNôms DE LAGUERRE Le tableau 9. Sous réserve de cette convergence.com/guilpin/ 149 .edpsciences. les calculs sont réalisables si l’intégrale est convergente.000 008 365 055 857 9.002 663 973 541842 4.000 000 001342 391 17. Sans entrer dans les détails de la théorie. En effectuant le changement de variable y = pt. Sur sur le Web(*) on trouve le fichier texte appelé laguerre.000 000 000 000 001 8.244 082 011319 895 6.115 722 11735802 0.512 610 269 776 45 0.611757484 515 13 0.090 449 222 211682 1. Fonction génératrice des polynômes de Laguerre Nous admettrons le résultat suivant sans démonstration : =Lo(x)+tL~(x)+t2L~(x)+-+tnL.000 000 000 003 062 11.621316 842 445 915 0.006 054 993 319 3 0.116 855 187466 0.3 donne les racines et les poids du polynôme de degré 12.000 203 231592 668 22.844 525 453 118 77 0. on peut être amené à calculer numériquement F(p).000 000 166 849 388 37.020 102 381154 650 12 13.(x)+- 1-t 12.264 731371055 443 2.099 121044 461 0. txt qui donne les poids et les racines des 12 premiers polynômes. Tableau 9.151090 379 373 0.833 751337 743 36 0.599 227 639 418 09 0. Degré Racines CE Poids Hk 0.

écrite pour le polynôme L:+~(X). Bien entendu.in (x.in est la plus petite racine de L. co) en deux de la façon suivante : J Ja exp(-y) dv a w F(P) = i ~(Y/P) exp(-y) dy + y ~(Y/P) 0 a étant déterminé par des considérations sur la fonction h(y/p).in tend vers zéro et meilleure est la précision du calcul. plus X.8). les calculs ne sont pas toujours aussi simples.a. notamment si la fonction h(y/p) a à peu près l’allure d’un pic entre zéro et Z.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ qui se calcule évidemment par la méthode de Gauss-Laguerre.. la méthode de Simpson etc. Nous n’allons pas renoncer pour autant à utiliser cette technique. Relation de récurrence entre trois polynômes consécutifs Partant de la relation de définition (9. La première intégrale se calcule par la méthode de Gauss-Legendre. il est difficile de dépasser le degré 12 ou 13.(Z) = exp(z)$$$ [exp(-z)zn+“(n + Q: + 1 -z)] ce qui nous donne : (n + l)L:+. plus le degré n est élevé. soit : P Ja 1 mh(y/p) exp(-y) dy = i T~[(z + a)/@ exp(-z)dz. Malheureusement. il faut que sa partie réelle soit plus grande que -1. 0 L’intérêt est évident dans la mesure où l’on a une très bonne estimation de la queue de la fonction.(z) 150 . tandis que la seconde intégrale se calcule par la méthode de Gauss-Laguerre en posant z = y .1. 13. Il suffit de couper judicieusement l’intervalle (0. D’un point de vue pratique.(z) = (n + o! + l)L. on obtient : LE+. Appendice : Les polynômes de Laguerre généralisés Les polynômes de Laguerre sont susceptibles d’être étendus en écrivant une formule de définition plus générale : L:(z) = exp(a)$$[exp(-z)zn+rr] avec toutefois une restriction concernant le paramètre <y.(z) polynôme de Laguerre de degré n servant à l’intégration numérique).(z) = exp(x)&$ [exp(-X)?+“+l] expression qui peut s’écrire sous la forme : (n + ~)L:+. en calcul usuel. 13.

n+Lg1(~).(n + a) exp(-z)L. X X De là nous tirons une relation de récurrence faisant apparaître la dérivée d’un polynôme dont nous aurons besoin pour calculer les Hk : X[L.2./’ 0 = Jexp(-x)x7 & [exp(-x)@“] s [exp(-x)zm+a] dz._.9) 13.10) 13. Relation de récurrence faisant intervenir les dérivées .(n + n)[L:-l(x)].cm-U-1 exp(x)]&[exp(-z)z’“Pa] + exp(s)s$[(n + o) x exp( -2)xn+“-l . (9.(X)]’ = -~L:(X) + (n + cy)exp(x)$& [exp(-x)2?+“-‘] . on peut transformer la dernière expression : i!a s [exp( -x)xnfu] + exp(x)-- Comme par ailleurs on peut écrire : ~L:(X) = n. Orthogonalité des polynômes de Laguerre généralisés Il s’agit de calculer l’expression : J = wexp(-x)P[LE(x)][Lg(x)] dz . LES POLYNÔMES DE LAGUERRE En utilisant la relation de Leibnitz.(2n + 1 + QI .exp(x)ss [(n + 0) exp(-x)xn+aP1 .(z) . -nexp(z)L .-l(x) = 0. nous allons transformer la dernière expression du membre de droite.z)nL.exp(-x)3?+“] puis.“(X)]’ = @n(x)] .(z) + (n + a)L. ce qui donne : (n + a) exp(x) 5 z $ [exp( -2)5n+a-1] = (n + o) exp(z) g $$ [exp(-z)zn+“] . 9.8) : [L. Dérivons la relation de définition (9. (9.(x)]’ = ~[exp(x)x-” .3. 0 151 . on trouve esdéfinitive la relation de récurrence cherchée : (n + l)Lq+&) .exp( -2)2n+CY] On obtient alors : [L.T(’ ~bp(-~)xn+a] = ~L:(X) . Grâce à la formule de Leibnitz.ns [exp(-z)lçn+u-l] = “+“LE(x) .

13. co). Technique de calcul des intégrales du type I = Sexp(--x)x-“f(x)dx 0 Bien entendu.(z) de degré (n + 1).(x) pour calculer les poids Hk.). En effet.-‘(x). Si X~C est une racine de L:(x). on obtient J = 0 pour n # m.-l(x. Une autre relation de récurrence On peut avantageusement utiliser une relation de récurrence portant sur les LE+. on établit que : [LE(x)]’ = -EL. Nous obtenons ainsi une forme aisée à calculer pour les HI. Dans chaque cas particulier que l’on sera amené à considérer. 13. f(z) est une fonction régulière sur (0. où nous n’avons plus à exprimer formellement la dérivée. .(x) + FL. s 0 0 ce qui donne : 1 = n!rya + n + 1) expression dans laquelle l?(u) est la fonction factorielle : w ryu) = exp(-t)t”-’ dt. on simplifie l’expression précédente : [L. Calcul des racines de Ln et des poids associés Hk On ne peut pas dresser une table des racines et des poids associés puisque ces valeurs dépendent du paramètre cr.“(x)]’ = ~L. et l’approximation s’effectue comme toujours au moyen de la relation : expression dans laquelle les xk sont les zéros du polynôme de Laguerre généralisé LE+.5. il faudra construire la chaîne de calculs déjà réalisée pour les cas prccédemment étudiés. Reste à calculer la norme : 1 = aexp(-z)zP” [LE (z)]” dz = n! /exp(-z)zP+” dz.4.6. s 13.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ En intégrant par parties d’une façon analogue à celle que nous avons envisagée lors de l’étude des polynômes de Laguerre.

1) 1..x$ exp (-x2/2) . (10. Nous allons en effectuer une étude en tout point semblable à celle des polynômes de Laguerre._/* >.s 1..Y >< ‘. Pour des raisons qui apparaîtront un peu plus loin. +oo)./> ’“r.. il nous suffit de développer l’expression de l(n+r(z)..‘:.“8.~-~.].2) . soit : K.(-1)12-1nKTL-1(X) soit encore : (10. Les polynômes d’Hermite. ( 1 On en déduit immédiatement : (-l)“+‘Kn+&r) = -(-l)RZ&(Z) .+l(z) = (-l)%+l exp(3?/2)& [zexp (-X”/L)] à laquelle on applique la formule de Leibnitz : ce qui nous permet d’écrire : (-l)“+‘Kn+r(~) = exp(Z2/2) . Relation de récurrence entre trois polynômes consécutifs Pour obtenir la relation désirée. ~. 10 /‘ < /.ns exp (-x2/2) . ._r .‘.I’~~ La méthode d’intégration de Gauss-Hermite Ce sont des polynômes orthogonaux relativement à la fonction poids gaussienne et sur l’intervalle (-oo. le polynôme d’Hermite (182221901) de degré n est défini par la relation : &(Cc) = (-1)‘“exI@/2)~ exp (-332) .

(x) = TX. 4.com/guilpin/ 154 . 5. nous allons établir une relation de récurrence simple entre les polynômes et les dérivées à seule fin d’obtenir une expression de Hk aisément calculable. s -00 soit encore : +CC Ink = (-l)n+k .I exdx2/2)& exp (-x2/2) $ exp (-x2/2) dz.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 2. c destiné à calculer les coefficients des polynômes d’Hermite dans le but plus précis de calculer leurs racines.edpsciences. +oo). *http://www. Les premiers polynômes d’Hermite Puisque nous bénéficions de la relation de récurrence (10. Orthogonalité des polynômes d’Hermite Les polynômes d’Hermite sont orthogonaux relativement à la fonction poids exp (-x2/2) e t à l’intervalle (-CO. Calcul des coefficients des premiers polynômes d’Hermite On trouvera sur le Web (*) 1 e programme hermite. Pour ce faire nous dérivons la relation de définition et nous obtenons : K. (10.(x) = (-l)nexp(z2/2)$$exp (-x2/2) + (-l)‘“exp(x”/2)& [-zexp (-x2/2)] .6x2 +3 et ainsi de suite. Nous obtenons : Ko(x) = 1 ICI(X) = x K&4=x2-1 K3(x)=x3-3x I&(x) = x4 .2). C’est ce que nous allons montrer en calculant l’intégrale Ink. Sans nuire à la généralité. on peut supposer que k > n : +CC Ink = exp (-x2/2) K(x)&(x) dz.3) 3. ce qui donne grâce à la formule de Leibnitz : K. il suffit en réalité de connaître les deux premiers polynômes d’Hermite pour déterminer tous les autres. Relation de récurrence entre polynômes et dérivées Dans le même esprit que précédemment.-l(X).

il suffit de faire n = k dans l’expression de Ink : +CC In. c qui calcule les racines et les poids des polynômes d’Hermite. On en déduit immédiatement que les zéros d’un polynôme d’Hermite de degré n sont distincts. w est nul sur l’intervalle (-CO. LES PoLmôms D’HERMITE Effectuons une intégration par parties en posant : du = & exp (-x2/2) dz soit dk-1 7~ = dz”l exp (-=73/2) et u = exp(2’/2) & exp (-x2/2) soit. Il nous reste à présent à calculer la norme d’un polynôme. foc) car il contient exp (-x2/2) en facteur.edpsciences. = In = n! exp (-x2/2) dz = n!&. page 162. 10. *http://www.2. On peut alors écrire : Ink = In-C-1 et de proche en proche on obtient : +03 Ink = n! s exp (-x2/2) dz s Or +CC dk-n J s exp (-x2/2) dz = 0 quand k # n. Calcul des racines des premiers polynômes d’Hermite On trouvera un tableau 10. après transformation donnée par la formule de Leibnitz : du = -72 exp(2’/2) s exp (-CC~/~) Dans le cas où n # k. +oo).com/guilpin/ 155 . Donc les polynômes d’Hermite sont orthogonaux. Sur le Web (*). J 6. le produit u . réels et répartis sur l’intervalle (-03. donnant les racines du polynôme d’Hermite de degré 12 que nous avons calculées en double précision. on donne le programme r-hermit .

page 162 les valeurs numériques de ces poids en face des racines correspondantes pour le polynôme de degré 12. on calcule numériquement sans difficultés les poids Hk associés aux racines zk. 8. 156 . Remarque : On note qu’il n’y a pas de difficultés pour calculer les intégrales du type : I= /‘:xp(-$)f(x)dx en effet. On trouvera dans le tableau 10. +co).2. soit : En exploitant une de ces relations. Grâce à la relation (10.1. Technique de calcul des intégrales du type I = Sexp (-x*/2) f(x)dx où f(Z) est une fonction régulière sur l’intervalle (-00. On trouve que la constante K vaut n!fi.5) de l’annexe B s’écrit alors : expression dans laquelle on aura soin de ne pas confondre la constante K avec un quelconque polynôme d’Hermite. L’approximation se réalise au moyen de la somme : expression dans laquelle les X~C sont les racines du polynôme de degré (n + 1). on obtient diverses expressions de Hk aisées à calculer. Les résultats que nous avons obtenus sont donnés dans le tableau 10. Calcul des poids Hk correspondant aux racines xk Rappelons tout d’abord que ce calcul est effectué dans l’hypothèse où les racines ~k sont les (n + 1) zéros du polynôme de degré (n + 1). soit : exp (-x2/2) COS(X) dz = 1. Exemple On se propose de calculer une intégrale dont on connaît la valeur numérique. page ci-contre. La relation (B. le changement de variable : nous permet de revenir au cas canonique que nous venons de traiter.3).MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 7.

Nombre de points Résultat 4 0. -cc 157 .999 998 143 7 1. la relation faisant intervenir les dérivées prend la forme : K. 2 . Autres notations très utiles Il arrive que des auteurs adoptent une définition légèrement différente pour les polynômes d’Hermite. la relation de récurrence entre trois polynômes consécutifs s’écrit : K*Lfl(X) u) = 2azK. L ES PoLYh&rEs D'HERMITE T a b l e a u 10. u) .000 000 097 9 1. et le carré scalaire de l’intégrale vaut alors : 17l. a).(z. Dans ce cas.2aTX-.(x. De même. soit : K.(z.p. à savoir : xk = x& Les fonctions 02(x. u) = 2unK.(lç.999 222 5 1.B =In 4q2q .000 000 099 12 1.000 000 175 8 1.1. u) = exp(-uz2/2)Kz(x).000 043 6 0.u) = (-l)n exp(az’)$ exp(-ax2).000 000 099 9. constituent une base orthogonale de l’espace L2 qui est l’espace des fonctions de carré sommable sur (-CO. a). expression dans laquelle a est un nombre positif (il s’agit d’une formule analogue à celle de Rodriguès concernant les polynômes de Legendre).‘(z. +oo) ( 7 f(x)’ dz). En remarquant que : on obtient les modifications à apporter aux expressions des racines et des poids des polynômes correspondants. 10. encore appelées fonctions du cylindre parabo- lique ou fonctions de Weber-Hermite.

on obtient : +m -CO J ~(X)I?. u)o&(X. +co) s’effectue en calculant les coefficients du développement de Fourier correspondant. soit : On multiplie les deux membres de cette dernière expression par D&(x) puis on procède à l’intégration sur l’intervalle (-oo. a) dz = JF C.)” -00 et ainsi que J c. -w k=O a) dz = g ck /o. chapitre 16). On trouvera la démonstration de la convergence des intégrales c. 158 . = ~‘5 imi(x) exp(-ax2) dz.a) dz = c. DC)). ainsi que celle de la série associée à la fonction f(x) dans les ouvrages de Arsac et de Bass cités en bibliographie. Nous écrivons : 112 K.(x.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ La décomposition d’une fonction f(x) appartenant à L2 sur (-CO. 27r) = (-1)” Jz rL!T(47r)” exp (27rx2) $ exp (-2~2~) . ( 1 expression qui rend les polynômes orthonormés. = c.(X.(x. Un cas particulier intéressant C’est le cas où a = 27r qui permet d’obtenir des résultats simples lorsque l’on est amené à travailler dans l’espace réciproque de Fourier (cf. k=O -oo a) dz =c J +C= 00 ck K*(z)Kk(x) exp(-ax2) dz k=O -oo et compte tenu de l’orthogonalité. on trouve : J +03 f(x)D&(x.m!$(a.(x.&(x)o. En rappelant que la transformation de Fourier directe s’écrit : +CC F(u) = -00 J f(x) exp(27rjxu) dz.l.

27r) exp(-m2)). Comme la relation de définition permet d’écrire : Ici(-x. K. Il s’agit maintenant de déterminer le polynôme Qn(u). (27rj)p dup Or. Comme tout polynôme d’Hermite peut se développer de la façon suivante : Iq(x. 2~) exp(+x2).. LES POLYNÔMES D’HERMITE avec une propriété importante : xPf(x) TE) LF(qu). 27r) en (J’)~R. 10. 27r) exp(-rz2) TF) Qn(u) exp(-7w2). 27r). À présent.(x) 2~) exp(+z2)) = (-1)‘“6. on peut écrire : 1 m $ ew-m2) = Pp(u) exp(-nu2) où PP(u) est un polynôme de degré p. de la relation suivante : (f(x). = (Qn(~. 2n). Qm(x. 27r) = 2 ap2p.. 2~) exp(-7rx2) TF> j”Ki(u. changeons Qm(x. il vient : (~L(X. on en déduit que : (KA(-x. 2~) exp(9rx2)) = 6. et en particulier. en faisant usage de la relation générale de définition des polynômes d’Hermite. Si f(s) = xp exp(-7rx2) on obtient pour sa transformée de Fourier (cJ chapitre 16) : 1 dP x* exp( -Xx2) TF) --exp(-7ru2). La démonstration repose sur les propriétés des produits scalaires dans L2. I&(x. f(-x)) = (F(u)7 F(u)) dont on trouvera une démonstration dans le chapitre 16 concernant les transformées de Fourier. 2~) exp(-TX’). 27r) = (-l)nK.2~) exp(-7rz2).(x.(x.(x. GWP Nous allons montrer que : K. p=o on en déduit que KG(“. 2X) exp(+u2). 159 ..

On intègre par parties cette expression en posant : 21 = x2n+lx et du = exp (-x2/2) 2 dJ: ce qui donne : du = (2n + 1)x2” dz et u = .~ exp( +ru2).MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ on en déduit que : et que. 10. *j”Kh(u. fco). par conséquent. +co). + j2yy. 2~) exp(+u2). il faudra calculer des expressions du type : Q 2n+2 = J -03 exp (-x2/2) x2n+2 dz = J -cc exp (-x2/2) x2n+1x dz.). Le développement de Taylor-MacLaurinà l’ordre (2n + 2) nous donne : 22n+2 f(x) = f(0) + $(O) + g”(o) + . Calcul de l’erreur commise lors de l’approximation Nous allons reprendre le calcul réalisé lors de l’étude de la méthode de Gauss-Legendre. f’““+“(O) + f(2n+2) (0 7 (2n + 2)! expression dans laquelle 2 et c appartiennent à l’intervalle (-00. (27rj)p dup ce qui permet de conclure que le signe à conserver est le signe plus. . Calculons 1 en remplaçant f(x) par son développement. on a : K&(x.exp (-x2/2) . l’ambiguïté du signe se trouve levée en examinant le terme de plus haute puissance (coefficient uP). 2~) exp(-rx2) ?-. . On peut écrire : Q 2n+2 = [-ew-x2/2)x 2n+‘]+z + (2n + 1) Texp (-x2/2) x2n dx. seuls quelques points de détails vont différer. -cc 160 . Soit à calculer : +CX 1 = J -CO exp (-x2/2) f(x) dz Supposons que f(x) soit continûment différentiable sur l’intervalle fondamental (-03. mais on a déjà établi la relation suivante : 1 dp upxp exp( -7rx2) 3 ap .

10. LES poLyNôMEs D'HERMITE

comme
+‘=-
s
-cc
exp (-x 2 /2) dz = 6,

on trouve que :

Q zn+2 = (2n + l)!!&%.

Par ailleurs QzTL+r étant une fonction impaire, Qzn+r = 0. Revenons au calcul de 1 :

I = v% f(0) + ‘. . + 7$2q-
[
l)!! +...+ f’““+“‘(E)
(2n+2)!
(2
n
+ y!)
1
L’exploitation directe de la formule d’intégration de Gauss-Hermite donne :

f’“‘(0) n fPn+2)(<) n
J=S(D)~Hi+...+~~H~x~+..-+ c2n+2j! zHkxk”‘“.
k=O k=O k-0
L’erreur E s’écrit :

jGq+l) (0)
xkq+l + . . + Pc$ (2~7 - l)!!fi - 2 H~Z;
+ ..‘+ (n + 1)(2q + l)! 5
k=. . i k=O

+...+ f(2n+2)(o .
&q2n+l)rl- kHkxb’“f2 .
(2n+2)! k=O

Si f(x) est un polynôme de degré (2n + l), la dérivée de f(x) d’ordre (2n + 2) est nulle, et l’on
a l’égalité :

I = J.

Dans ce cas il n’y a pas d’erreur mathématique due à une approximation; on obtient en
conséquence le système suivant :

c ï&xka+1 -_ 0
k=O
n
~Hk:xkp = (2p- l)!!&
k=O
donc
je+21 (0
d%(thz + l)!! - 2
E= (2n+2)! k=O

161

M ANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ

Bien entendu, comme toutes les fois en pareil cas, on recherche une majoration la plus
raisonnable possible de la fonction f(2n+2) (5) dans l’intervalle (-1, +l), en définitive, l’erreur
s’exprime de la manière suivante :

E(x) = (2T;+;)! i( dzq2n + l)!! - 2 &7$+2
k=O
(10.4)

où Ad&+2 = sup 1f(2n+z) (x) 1 pour I : appartenant à (-00, +~CI).
Dans la mesure où l’on peut obtenir une majoration raisonnable Mzn+2, E(z) donne l’erreur
mathématique liée à la troncature de la série des polynômes de Laguerre. Viendront s’ajouter
lors des calculs effectifs les inévitables erreurs d’arrondi propagées par l’exécution des opérations.
Pour 72 = 12, on trouve :

Ez4 = 1,935 10-15M24.

Les poids et les racines du polynôme de degré 12 figurent sur le tableau 10.2, tandis que le fichier
texte appelé hermite. txt que l’on trouvera sur le Web(*) d onne les résultats concernant les
douze premiers polynômes.

Tableau 10.2. Racines et poids associés des premiers polynômes d’Hermite.

Degré X H

*0,444 403 001944 139 0,806 292 983 509 187
51,340 375 197 15162 0,368 391758 069 477
f2,259 464 451000 80 0,072 984 713 184 739
12 *3,223 709 828 770 10 0,005 523 056 331147
f4,271825 847 932 28 0,000 121250 244 966
f5,500 901704 467 74 0,000 000 375 975 985

11. Fonction génératrice des polynômes d’Hermite
Nous admettrons les résultats suivants sans démonstration :
t2 t t2 tn
e x p x t - - = Ko(x) + -K1(x) + -K2(2) + . . . + -K,(x) + '.
( 2) 1 2 n

ou encore si l’on fait usage des fonctions du cylindre parabolique :

exp
( X2
-T+xt-;
1
t
=Do(x) + -01(x)
1
+
t2
-Dz(x)
2
tn
+...+ -l&(x) t...
n

Dans le cas où l’on utilise la définition :

Ki(x, u) = (-1)7’exp(a22)$ exp(-ax2):

*http://www.edpsciences.com/guilpin/

162

10. LES POLYNÔMES D'HERMITE

on obtient :

exp (2nxt- $) = K;(x,a) + $T(x: a) + $(x,a) +. . . + ;K;(x,a) +. . .

et en particulier si a = 2~ :

27rt2
exp 4rxt - ~ = K;(x,2r) + $Y(x,25r) + ;K;(x:2r) +. . . + FK;(x,2n) f.. .
2 >

12. Éléments de bibliographie
A. ANGOT (1972) Compléments de Mathématiques, Éditions Masson.
J. ARSAC (1962) Fr ansf ormation de Fourier et théorie des distributions, Éditions Dunod.
J. BASS (1971) Cours de mathématiques, Tome 3, Éditions Masson.
M. CROUZEIX et A.L. MIGNOT (1984) Analyse numérique des équations différentielles, Éditions
Masson.
H. MINEUR (1966) Techniques de Calcul Numérique, Éditions Dunod.
S. THANGAVELU (1993) Lectures on Hermite and Laguerre expansions, Princeton University
Press.

163

I l CaIcuI de quelques intégrales
relevant des études
IP récédentes au moyen d’un
1 changement de variable

Eu égard à la grande simplicité et à la grande précision de la méthode de Gauss généralisee7 on
est fortement tenté de passer en revue le plus grand nombre de polynômes orthogonaux dans le
but évident de calculer le plus grand nombre d’intégrales présentant des singularitcs.
Tout d’abord il nous faudra définir les polynômes orthogonaux relativement à la fonction
poids W(X) sur l’intervalle fondamental fini ou infini (n; b); puis calculer leurs zeros zk ainsi que
les Hk associés. Gomme trois polynômes consécutifs de la suite ortjhogonale obcissent à une
relation de récurrence (cf. annexe B), on cherche à obtenir les coefficients de ladit,e relation de
récurrence ; en règle générale, les deux premiers polynômes sont faciles à calculer.
En désignant par W7),(x) le polynôme de dcgre n de la suite orthogonale cnvisagec, on peut
écrire une relation de la forme suivante :

wn+l(x) - [&(X)X + &(17:)]%(x) + G,(x)VL,(x) = 0
Ensuite, il faut être en mesure de calculer la norme d’un polynôme :

I= w(x)W,l(x) d x
J’
u

car cette quantité intervient dans le calcul des Hk. Bien que le champ d’investigation soit en
principe infini, il n’y a que peu d’issues conduisant à des expressions qui puissent être aisknent,
traitées analytiquement et qui autorisent le calcul effectif des xk et des Hk. D’une manier-e tout
à fait générale, les polynômes susceptibles de déboucher sur des rksultats pratiques relèvent
de l’étude des polynômes hypergéométriques encore appelés polynômes de .Jacobi. Nous allons
passer en revue un certain nombre de cas typiques dont l’etude se ramène aux cas précédemment
abordés.

1. Intégrale de la forme : I = j fodx
()2/1”
Il s’agit donc d’étudier les polynômes Vn(x) orthogonaux relativement à la fonction poids W(X) =
&) sur l’intervalle fondamental (0,l). Soit :

165

MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ

Le changement de variable y = G, soit x = 1 - y’, nous permet de transformer l’intégrale
de la façon suivante :
1

vn(l - y2)v& - Y') dy = 0.
s
0

Remarquons que l’on peut étendre l’intégrale à l’intervalle (-1, +1) puisque l’élément différentiel
est une fonction paire, d’où :
+1

I&(l - y2)Vk(1 - y”) dy = 0.
J'
-1

La suite des polynômes Vn(x), lesquels sont des polynômes pairs, n’est rien d’autre que la
suite des polynômes de Legendre d’indice pair. En effet, il suffit de se reporter à la formule
de Rodriguès pour vérifier que les polynômes de Legendre d’indice pair sont pairs et que les
polynômes de Legendre d’indice impairs sont impairs. Il s’ensuit que l’on peut écrire que :

KL+1(1 -X"I = P2n+2(x) = K(Y),

et que les racines yk Sont données par l’expression :

Il convient de rappeler ici que les X~C sont les zéros du polynôme de Legendre de degré (2n+ 2).
Comme les racines des polynômes de Legendre sont opposées, on ne conserve que les xk positifs
pour calculer les yk.
Il nous reste à voir comment les Hk associés aux X~C doivent être calculés. Pour cela reprenons
l’expression générale :

1
H; = l %+1(Y) 1
v;+dYk) J’
o &=i Y - yk dy

dans laquelle on effectue le changement de variable :

y=l-x2, soit dy = -2x dz.

En remarquant au préalable que :

$L:,(Y) = -&P2nt2(x)~ = -&G,+,(4 = Vi+l(Y)

l’expression de H* devient :

H; =

Cette dernière expression se transforme en utilisant l’identité :

1
1 1 1 1
~- ~.
22-G x - xk x + xk
k

11. CALCUL DE QUELQUES INTÉGRALES AU MOYEN D’UN CHANGEMENT DE VARIABLE

On obtient alors

J 1
1

H; =
P2n+2 (x)
dz
x + xk
0

Soit en définitive :

J
+1

H; = P2n+2 (x)
dz = 2Hk
p;71+t(2d -1 II: - xk

où, n’hésitons pas à le répéter, les Hk sont les poids correspondant aux xk du polynôme de
Legendre de degré (2n + 2). En résumé nous avons :

yk = 1 - x;
H; = 2Hk.

1.1. Calcul numérique des yk et des Hk des polynômes V,(x)
Il n’est pas très difficile de calculer ces grandeurs, et le tableau 11.1 donne les résultats du calcul
pour le polynôme de degré 11. Sur le Web (*), on trouvera les résultats concernant les premiers
polynômes dans le fichier texte vn-x . txt.

Tableau 11.1. Zéros et poids correspondants des polynômes l&(x).

Degré yk Hk

0,995 136 433 756 837 0,278 503 745 711265
0,956 794 043 016 991 0,273 082 996 692 025
0,883 079 894 390 853 0,262 347 009 574 158
0,779 705 097 347 766 0,246 504 753 620 871
0,654 678 756 166 416 0,225 864 592 161418
11 0,517 687441268 599 0,200 828 288 893 594
0,379 344 680 233 946 0,171883 212 409 773
0,250 368 580 202 265 0,139 592 936 925 331
0,140 751142 618 251 0,104 586 670 228 415
0,058 982 630 398 875 0,067 549 803 115 903
0,011378 277 344 275 0,029 255 990 740 224

1.2. Technique d’intégration
On utilise toujours la même relation pour effectuer une approximation de la valeur de 1, soit :

J = ,&f;f(yk).
k=O

*http://www.edpsciences.com/guilpin/

167

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

On peut également calculer les intégrales du type :

h f(x) ,
I= .I« &Ti dx
qui se ramène au cas précédent au moyen du changement de variable :

x - a
y==

ce qui nous permet d’écrire :

0

Il suffit à présent de poser y$ = a + (b- a)yk pour obtenir la forme désirée, J est alors approchée
par l’expression :

.J = dEi2 “,Tf(y$).
k=O

1.3. Un exemple d’intégration

On se propose de calculer :

dz = 413 = 1,333 333 333 333 333.

Les résultats que nous avons obtenus sont donnés dans le tableau 11.2.

Tableau 11.2.

Nombre de points Résultat

2 1,333 333 333 333 333
3 1,333 333 333 333 333
4 1,333 333 333 333 333
5 1,333 333 333 333 331
6 1,333 333 333 032

On vérifie que, puisque f(x) est un polynôme du premier degré, les résultats doivent être
rigoureux à partir de n = 2. Cependant, nous avons tenu à donner les autres résultats pour
montrer que la précision se dégrade avec le nombre croissant de points car apparaissent les
inévitables erreurs de troncature qui affectent la précision des racines et des poids associés ainsi
que la précision de la somme.

168

11. CALCUL DE QUELQUES INTÉGR.ALES AU MOYEN D’UN CHANGEMENT DE VARIABLE

2. Intégrale de la forme I = J f(x)z/Gdx
0
Il va de soi que nous allons nous intéresser aux polynômes orthogonaux U,(X) relativement à la
fonction de base W(X) = G et l’intervalle (0, l), soit :
I
avec m # k.
I Un(x)Uk(x)G dz = 0
0

Le changement de variable y = fi, soit 2 = 1 ~ y2, nous permet d’tcrire :
1

y2Un(l ~ y2)Uk(l - y”) dz = 0 avec m # k.
s
0

Comme l’élément différentiel est une fonction paire, on en conclut que :
+1
y2&(l - y2)Uk(1 -y”) dz = 0 avec m # k.
s
-1

Par conséquent les polynômes yU,, (1 - y”) sont des polynômes impairs orthogonaux sur
l’intervalle (0,l) relativement à la fonction de base W(Z) = fi. Il s’agit là des polynômes
de Legendre de degré impair qui sont de surcroît impairs. Donc :

de là on déduit que :

On calculera les racines yk de Uzn+i (y)a \ ar
p t’ir d es racines du polynôme de degré (2n + 1).
Remarquons que les polynômes de Legendre de degré impair possèdent toujours une racine
nulle et 2n racines réelles opposées, donc pour obtenir les yh il suffit de poser :

yk = 1 - x;.

La racine nulle de P zn+s(z) correspond à la racine nulle évidente du polynôme yUn+1 (1~ y2).
À présent, calculons les H,$ correspondant aux yk :
1
‘n+l (YY)- dy.
H;c ’
u;+,(Yd J’ Y ~ Yk
0

Le changement de variable 2 = fi transforme cette expression en :
1
Un+i(1 ~ 33)X?
dy.
s J: - xk
0

169

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

En notant que :

u;+,(Y) = p’-2xi
2n+364
et que

on aboutit finalement à une expression simple de H; :

P2n+3(2)
H; = dz = 2Hkx2,.
x - xk

Rappelons que les xk et les Hk sont les zéros et les poids associés du polynôme de Legendre
de degré (2n. + 3). En définitive, nous avons :

z/k = 1 - XE
H; = 2Hk. x;

2.1. Calcul numérique des yk et des Hi des polynômes U,(y)

On a reporté sur le tableau 11.3 les résultats obtenus pour le polynôme de degré Il, résultats
directement déduits de l’étude des polynômes de Legendre. Sur le Web(*), on trouvera les
résultats concernant les premiers polynômes dans le fichier texte un-x. txt.

Tableau 11.3. Les zéros et les poids correspondants des polynômes Un(x).

Degré Yk Hk

0,982 242 618 777 886 0,004 704 357 862 335
0,930 232 342 038 332 0,017 986 900 669 840
0,847 665 099 712 485 0,037 489 339 976 674
0,740 408 244 072 688 0,059 704 359 522 125
0,616 083 601856 242 0,080 539 587 191
896
11 0,483 525 845 139 551 0,095 977 183 512 452
0,352 154 660 959 083 0,102 724 186 114 703
0,231305 302 178 075 0,098 750 243 709 796
0,010 433 970 271955 0,026 543 841354 487
0,054 161141423 958 0,058 619 320 141303
0,129 564 951355 262 0,083 627 346 047 326

*http://www.edpsciences.com/guilpin/

170

11. CALCUL DE QUELQUES INTÉGRALES AU MOYEN D’UN CHANGEMENT DE VARIABLE

2.2. Technique d’intégration
On approche l’intégrale par la même formule, à savoir :
n

J = c Gf(~k).

tandis que l’intégrale :

s’approche par l’expression :

J = (b - CZ)~/~ 5 H;f(Llk).
k=O

où les valeurs y; sont données par la relation :

y; = a + (b - U)Yk.

Ce dernier résultat est obtenu d’une manière tout à fait identique à celui établi dans le dernier
paragraphe à cette différence près que l’on effectue le changement de variable y = a + (b - a)z
dans l’intégrale donnant Hi.

2.3. Un exemple d’intégration
Nous nous proposons de calculer :
1

1 = x3- dx = rY4PY3/2)
r(w) = 0,101587 3 0 1 5 8 7 3015,
s
0

où l?(x) est la fonction factorielle.
On donne dans le tableau 11.4 les valeurs trouvées.

Tableau 11.4.

Nombre de points Résultat

2 0,101587 3 0 1 5 8 7 3 0 1 5
3 0,101587 3 0 1 5 8 7 3 0 1 5
4 0,101587 3 0 1 5 8 7 3 0 1 3
5 0,101587 3 0 1 5 8 7 3 0 1 2
6 0,101587 30’ 587 3 0 1 0

Bien entendu, comme f(x) est un polynôme de degré 3, nous devons trouver un résultat exact
à partir de deux points. Ici encore, nous avons voulu montrer l’influence des troncatures et des
arrondis sur les calculs.

171

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

3. Intégrales de la forme I = j! dmdx
-1

Sans entrer dans les détails, disons que l’étude des polynômes R,(s) orthogonaux relativement
à la fonction poids W(X) = dm et à l’intervalle (-1, +1) relève directement de l’étude des
polynômes de Tchcbycheff. Les zéros de R,,,,+l(z) sont donnés par :

k+1
Xk = COS -7l
( n+2 1
tandis que les Hz correspondants sont donnés par :

3.1. Calcul numérique des xk et des Ht des polynômes R,(x)
Dans le tableau 11.5 on a reporté les valeurs numériques calculées pour le polynôme de degré
11. Sur le Web(*), on trouvera les résultats concernant les premiers polynômes dans le fichier
texte rn-x . txt.

Tableau 11.5. Les h-os et les poids correspondants des polynômes R,(x).

Degré Yk HI,

f0,965 925 826 289 068 0,017 537 233 634 936
f0,866 025 403 784 439 0,065 449 846 949 787
11 f0,707 106 781186 548 0,130 899 693 899 575
50,500 000 000 000 000 0,196 349 540 849 362
*0,258 819 045 102 521 0,244 262 154 1 6 4 213
60 0,261799 387 799 149

3.2. Technique d’intégration
L’intégrale I est bien entendu approchée par l’expression devenue classique :

Il est intéressant dc noter que les intégrales de la forme :

b
I =
Ja ~(X)&X - a)@ - x) dz

*http://www.edpsciences.com/guilpin/

172

11.97110-i” 5 0.. 173 .6. -1 Sur le tableau 11. k=O 3.555 10-16 7 0.. Nombre de points Résultats 3 0. Intégrales de la forme I = J! f (x) @x 0 Ici encore l’étude des polynômes S&(x) orthogonaux relativement à la fonction poids W(X) = et à l’intervalle (-1. Les zéros de Sri(x) s’expriment au moyen de la relation : xk = Cos2 avec k=O.. Un exemple numérique Soit à calculer : J +1 I= zJ1-ldJ:=O. et qu’elles ne sont dues qu’à l’exécution des calculs.2 .277 10-l” 6 0. = ~ 2n + 3xk.166 10-15 4 0.6.a xi = ~2 + TX”. +l) relève directement de l’étude des polynômes de Tchebycheff. CALCUL DE QUELQUES INTÉGRALES AU MOYEN D’UN CHANGEMENT DE VARIABLE se ramènent au cas précédemment étudié à condition de faire usage du changement de variable suivant : b+a b .3. Cette dernière intégrale est alors approchée par : J = 2 Hkf(xi). nous avons porté les valeurs approchées.598 10-16 4.. n et les H* par la relation : 27r H. Tableau 11. On vérifie que les erreurs sont de l’ordre de 10P16.1.

145 912 283 394 760 0.7 les valeurs numériques correspondant au polynôme de degré 11.. Calcul numérique des xk et des Ht des polynômes s.158 723 428 390 673 0.995 342 973 018 165 0.398 271993 473 683 0.p.788 340 161057 434 0.7.019 884 996 920 956 0.edpsciences.(x).269 967 481134 424 0. Les zéros et les poids associés des polynômes S.108 800 727 724 129 0.534 121206 682 336 0. Sur le Web (*). Tableau 11. Degré Yk 0.182 332 521001007 11 0.MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ 4.043 360 378 833 454 0.261873 780 008 211 0. Technique d’intégration L’intégrale 1 est toujours approchée par l’expression : Il est intéressant de noter que les intégrales de la forme : se ramènent au cas précédemment étudié en faisant usage du changement de variable : x = a + (b .com/guilpin/ 174 .072 790 297 726 756 0.018 541356 326 101 0.005 065 164 245 362 4.2.073 750 248 299 135 0. txt.242 546 154 164 063 0.667 439 806 085 493 0. on trouvera les résultats concernant les premiers polynômes dans le fichier texte sn-x .887 855 645 352 210 0.’ k zkf [a + (b .(x) On trouvera sur le tableau 11.958 605 650 752 726 0.a)y ce qui permet d’approcher l’intégrale au moyen de l’expression : soit encore : J = “f.a)xk] k=O *http://www.1.271909 754 072 704 0.215 360 318 131115 0.

Éditions Dunod. MIGNOT (1984) Analyse numérique des équations dijférentielles.L. Les résultats trouvés sont donnés dans le tableau 11. et l’on note que les deux derniers chiffres significatifs sont faux.141592 653 589 791 5 3.8. Un exemple numérique Soit à calculer : 1 = -1 Il s’agit d’intégrer un polynôme de degré zéro. CALCUL DE QUELQUES INTÉGRALES AU MOYEN D’UN CHANGEMENT DE VARIABLE 4. Éditions Masson.141592 653 589 791 6 3. Éléments de bibliographie M.8. H. Nombre de points Résultats 3 3. Tableau 11.3. Ici encore les erreurs ne sont dues qu’à l’exécution des calculs. CROUZEIX et A.141592 653 589 792 4 3. MINEUR (1966) Techniques de CuZcuZ hmérique. 175 . 11.141592 653 589 791 5.

laquelle sert ensuite de tremplin à la méthode de Romberg. Ces éléments sont à la base d’une technique d’intégration numérique obtenue à partir de la formule d’Euler-MacLaurin. . $wd. non seulement sont continues. nous ne nous intéressons qu’aux dérivées non nulles./: 2‘/:- Les polynômes de Bernoulli.1 = z.1.</12 /. les fonctions sont continues à dérivées continues. Ces polyômes de Bernoulli possèdent une autre propriété concernant les séries de Fourier : on peut considérer les fonctions périodiques de période 1 représentées sur une période par les polynômes de Bernoulli de degré 4 et noté B4(z). formule d’Euler-MacLaurin. Notamment.. Fonction génératrice des polynômes de Bernoulli Les polynômes de Bernoulli sont les coefficients du développement de l’expression suivante : u exp(uz) (12. selon la parité) est en l/nq. Cette propriété relie aussi de près ces polynômes à la fonction dzeta de Riemann (182661866). mais ont toutes leurs dérivées continues partout. Par dérivation de la formule (12. ou b. bien entendu.1). En outre.3) En utilisant l’identité : (-2~) exp( -zu) = u exd(l . Formule d’Euler-MacLaurin Les polynômes et les nombres de Bernoulli (Jacques Bernoulli 1654-1705) jouent un rôle important en analyse mathématique.1) exp(u) . Le coefficient de rang n de ce développement (a. aux extrémités de l’intervalle (0. on montre que : et par identification directe. et plus spécifiquement les nombres de Bernoulli.~14 exp(-u) . Méthode de Romberg et autres 1 techniques d’intégration 1. l). Au passage nous verrons une application des nombres de Bernoulli au calcul de la constante d’Euler. cela signifie que les fonctions périodiques qui sont définies sur une période par les polynômes de Bernoulli. (12.. 1./.1 exp(u) .1 177 . on voit que : E&(z) = 1.

-> 2 1 B2(x)=x2-xf- 6’ 3 x BS(X) = x3 . 2 2 1.1) par rapport à Z.4) ce qui permet d’écrire : Bk(1) = (-l)“Bk(O). on établit que : Bk(x)dx=O pour k>O.coth.x) = (-l)“B&) (12. on voit que la fonction : 21 + . En intégrant la relation (12. Il s’ensuit que les nombres de Bernoulli de rang impair ~ hormis le premier .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ puis la relation de définition (12. = .1) pour obtenir les nombres de Bernoulli. s 0 On obtient alors : BO(X) = 1. Voici donc les premiers 178 . On déduit alors que : et B2m+1=0 avec m 2 1.2. exp(u) . 1 Bl(X) = x . on déduit alors l’expression suivante : Bk(l.sont nuls et que seuls diffèrent de zéro les nombres de Bernoulli de rang pair. les nombres de Bernoulli sont donnés par l’expression : En faisant x = 0 dans la formule (12. Les nombres de Bernoulli Par définition.1).1 est une fonction paire.-x2 + -.

B16 = ~~ 6 510 43 867 174 611 BIS = .+ 7 + . . 2730 1. + X&+l si k est impair.- 42 30 5 691 Blo = . 12. B2.. BS = ... .. .. exp(u) . ~ + Bzn (2n)! + . .+ -g si k est pair.1 Uzn l+BIu+B~. . . + Bk si k est pair..1 il s’ensuit que : u exp(uz) U u2x2 u3x3 UkXk exp(ux) = 1+ 7+ 7 + 7 +..1 = exp(u) . > = 2 $Bn(x) = 1 + B&). + B. De là nous tirons l’expression générale : &(x) = xk + xk-lB1 + x”-~C~B~ + xkp4C. = -~ 798 330 854 513 236 364 091 Bz2 = ~ 138 Bas = . 1 .1 si k est impair. l’expression (12. LES POLYNÔMES DE BERNOULLI. + ~~. Expression des polynômes de Bernoulli en fonction des nombres de Bernoulli Pour IC = 0.3. n=O L’identification des termes en u donne : xk-l Bk cx) Xk Ic! = XT+ ( k . .+B. . .l ) ! ‘.+B&+. FORMULE D'EULER-MACLAURIN nombres de Bernoulli non nuls : 1 BO = 1 B1 = -- 2 1 30 1 1 Bfj = . . exp(u) . ~ + B2n (2n)! + .B4 +. B12 = -~ 66 2 730 7 3617 B14 = .$+-~ .~ ..1) nous donne : U uzn =l+Blu+B2..(x): + B&>$ + .

.6) (2p ~ l)! h2[F”(z + h) .+ F(2p+1)(x + h . 8 ) J’ (2p ~ k)! 0 On poursuit le calcul jusqu’à l’ordre (217 . + (2phyk)! F(2P)(x) 1L + h’” F(2p+1)(x + h ..F(x) = / F’(t) dt = ]J”(z + h . .4. nous allons intégrer successivement par parties l’expression suivante : CC+11 F(x + h) . Additionnons toutes ces relations. (12. . + h’“pqn:) (2P)! h +. nous allons multiplier l’égalité (12.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 1.5) J 0 Maintenant.5) aux dérivées successives de F(z). La formule d’Euler-Maclaurin dite formule de la somme Il s’agit d’une méthode d’intégration qui utilise les nombres de Bernoulli.6) par Bi/l! et ainsi de suite..5) par BO. puis.&‘@)(z)] = hk+‘F(“+‘)(z) + . ~ 2)! 0 h” [F@)(s + h) . (12. pour l’obtenir.7) J' (21. nous allons appliquer la relation (12.F’(z)] = h2F”(z) + . puis l’égalité (12. soit : h h2P-l $2PF1+-+ /+F(2PPl) (X)l = h2Pj7(2P)(x)+ h2P-1 F(2p+‘)(x + h .l).t) dt.9) / 0 À présent. ( 1 2 .8) par Bk/k!. . c’est-à-dire l’égalité (12. z 0 On aboutit alors à la formule usuelle : F(x + h) ~ F(z) = hF’(z) + $“‘(x) + . (12.t)& dt.) (2p . en nous arrêtant toutefois au même ordre à chaque fois. + h2P Jd2”) (4 (21. (12.t) t2p-” d t . + h2p j7(2P+.t)t dt. Nous obtenons les formules suivantes : h[F’(z + h) . en se 180 .F”(z)] = h3F”‘(s) + .l)! + h ~ t) t2p-1 dt.2)! h t2"-2 + h2 F(2p+1)(x + h ~ t) dt.

(12.) -B2p] dt...+C2~B k 23. En utilisant la relation (12.. il reste : F(x + h) .1.1) + B&(k . nous remarquons que : c = Bk(1) .t) & + B1h(2p . + (2p . pour cela on remarque que : B2p-2h2P-2 h2P h2P -4~p=&&p(+%p].4) du paragraphe 1. +.(-J-l) +.2)!2! t La dernière parenthèse s’exprime simplement en fonction du polynôme de Bernoulli de degré 1 dt.+ B2kh2”t2P.. + (2p)! 0 Évaluation du reste . on obtient le coefficient de F (k) (x) que l’on désignera par c : B&(k .l)! 0 [ .] d t (12.Le reste est donné par l’expression : h J h2P ~ f(2p)(x+h-t) b2p(.+ ..2k (217 .F”(x)] F(2P4) (x + h) _ F@P-2) J h t2P-1 +.. lC! où Cz est le coefficient du binôme. . 12. +B.11) + ‘..+ F(2p+1)(x + h .. nous obtenons une expression canonique qui prend alors la forme suivante : x+h f(t) dt = -Blh [f(x + h) + f(x)] + y [f’(x + h) + f’(x)] J z J h h2P ~ f(2p)(x+h-t) b2p(. LES POLYNÔMES DE BERNOULLI.2)!2! t2 = &qBZp (2P)! Si maintenant on pose F’(X) = f(x)..F(x) = -Blh [F’(x + h) + F’(x)] + Bz.Bk (k est pair). j! ) expression que l’on peut écrire sous la forme : 1 C= . [F”(x + h) ... En définitive. (12. ..l)(k .10) 2p.. (2p . .k(k-1).) -n.2) 2! 3! +.Lk)!(Lk)! B2p-2h2P-2 2 +.12) E = (2p!) o 181 . FORMULE D'EULER-MACLAURIN souvenant que B2m+l = 0. On en déduit alors que c = 0. l+c~&+c~B2+.

11) à chaque sous-intervalle puis effectuons la somme de toutes ces relations. on peut appliquer à chacun des deux termes de cette relation la formule de la moyenne en trouvant un nombre 0 compris entre 0 et 1 tel que : E = $$~fc2pJ(x + Oh)Bapl + l& fcap)(x + Oh) / Bzp (. b) divisé en n sous-intervalles de longueur identique h.I 0 on obtient en définitive : 1. autrement dit. nous obtenons : b B2h2 .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ soit : h h f(2p)(x + h . En posant pour plus de clarté yk = f(u + kh) avec k = 1. Application au calcul des intégrales simples Considérons un intervalle fini (a.t)B2p dt + &. + 7 F’(b) ~ ml a B4h4 + 4! [j-f”(b) .. 0 Comme Bzp et BQ../+2P)(s+h-i)B2. + B2p-2h2P-2 [fc2~-3)(b) _ f(2~-3)(~)] (2p .~+l 2 f(2P)(Xi). x. ~2 = a + 2h. (4) dt . TL.5. . . = a + nh = b..2)! l’erreur étant majorée par E = l%J. 182 .2.yo+yl+y2+-. b) tels que : x0 = a. ..) dtl 0 h mais : B&/h) dt = 0. Appliquons la relation (12. .f’ff(u)l + . i=l Remarque : On reconnaît dans la première parenthèse du membre de droite l’expression de la formule des trapèzes que du reste on obtient rigoureusement en faisant p = 1 dans la dernière relation. xl = a + h.. . (i) conservent chacun un signe constant. on définit des points xk en progression arithmétique sur l’intervalle (a. .

+F k=l (2k + 3)(2k)! B2k on déduit que : d’où 1+3~ci?2&$ . on obtient y avec quinze chiffres significatifs exacts en utilisant la représentation des nombres sur huit octets (16 chiffres significatifs).1 n=O 2 exp.1 .I expb) . Application au modèle des chaleurs spécifiques selon Debye (1884-1966) En 1912. aussi lui préfère-t-on un développement asympto- tique encore appelé série semi-convergente que l’on obtient de la façon suivante : dans l’expression précédente. =log..com/guilpin/ 183 . _ 1 puis on calcule l’intégrale : x2k+3 0 s dy = 2 yn+3 n=. la constante d’Euler (1707- 1783) est donnée par l’expression : y = liliv 1 + .1 0 où x = U/T (U est une constante dépendant uniquement de la nature du corps considéré. On obtient alors sans problème : 1 (-lPh +. + . ’ + 2. h = 1 et ICI = m (entier positif quelconque). . (n + 3)n! B. Debye a proposé un modèle de la chaleur spécifique des solides qui aboutit au résultat suivant (le modèle ainsi que l’utilisation des nombres de Bernoulli sont présentés dans l’ouvrage de Rocard cité en bibliographie) : z Y3 3x du . elle s’appelle température caractéristique). 1. On écrit les relations suivantes : X avec &k+r = 0. on fait f(x) = loge(z). On se propose d’établir une table de la chaleur spécifique de l’argent pour lequel U = 215 K. + .(m) ( ) Cette série ne converge pas très rapidement.1 n=O Y3 exp(y) . 12. c qui est donné sur le Web (*). *http://www. LES POLYNÔMES DE BERNOULLI.qrn2” k=l Retenons les treize premiers nombres de Bernoulli (non nuls). ‘.. . FORMULE D'EULER-MACLAURIN Application au calcul de la constante d’Euler . = . + .(m)+y-&-&--- 120m4 & + .Par définition.edpsciences. +. exp(x) .6.log. . kEl (2k)! Cette dernière expression a fait l’objet du programme argent. .exp(x) . + ‘. et calculons la somme pour m = 13 : alors.

la suite Inn. formée par les valeurs Iz. Comme l’erreur est un polynôme en hi. b). tendant vers zéro est une extrapolation du polynôme d’interpolation. et de construire le polynôme d’interpolation de la variable hk passant par les 1n puis de calculer la valeur de ce polynôme d’interpolation pour h..2 L’idée de la méthode de Romberg repose sur le calcul de 1. lim. Il faut bien remarquer que la valeur obtenue de In pour en h. Revenons à cette expression de l’erreur : hn h2Pt2 E = (2JT+ 2)! J’ f2p+2(x+hn-t) [n. on choisit la suite S. = -vf”(:.+. Autrement dit. Pour réaliser l’extrapolation. et assurer la condition de convergence.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 1. = x. = $$.. = ~ avec ho = b ~ a. converge vers la valeur de l’intégrale. Si n tend vers l’infini. h n+l Pour pallier cet inconvénient.) avec a < a: < b.7. mais on peut aussi utiliser le fait que l’erreur est donnée par la formule d’Euler-MacLaurin en soulignant toutefois que la fonction f(x) doit être (2~ + 2) fois dérivable sur l’intervalle (a.+1 2” ho 184 ... (. on calculera les intégrales 1n par la méthode des trapèzes avec un pas donné par l’expression : b-a hz.) -n. générée par la méthode des trapèzes. = -~ 2. = 0.. 2” On vérifie alors que l’on obtient : ho 2n+1 X. n on obtient la relation suivante : If = + f(u) + f(b) + nj f(a + khn) k=l avec comme expression de l’erreur mathématique de troncature : E. La méthode de Romberg Quand on calcule une intégrale 1 = 5: f(x) d IL~ p a r 1 a méthode des trapèzes avec un pas h. pour des valeurs différentes de h. si nous appliquons le procédé de Richardson à la suite des In.généralisation qui semble avoir été conçue à cet effet. on prendra : Malheureusement.] & 0 et nous notons que cette erreur est un polynôme en h.. la condition assurant la convergence ne sera pas vérifiée car : hn lim ~ = 1 quand n tend vers l’infini. On peut alors songer à accélérer la procédure de convergence au moyen d’un des algorithmes présentés au chapitre 2. on aura recours à la procédure de Richardson généralisée .

on utilise les relations suivantes : h 0- =bpa n ’ hz=.240 226 5 0.240 226 651 0. L’epsilon-algorithme appliqué à la même suite donne le résultat suivant : I = 0. Suite initiale 0.8.Tik) T(“+l) = n 4’“+1.(/@/2n+k+1)2 : ce qui s’écrit encore : 4k:+‘T~~l .1 Tableau 12.240 226 653 0.240 225 49 avec une erreur E = 0.1. On obtient alors le tableau 12.239 926 0.1. LES PoLwvôMEs DE BERNOULLI. En résumé.(2)]’ = 0. 185 . Un exemple numérique On se propose de calculer l’intégrale suivante : 1 1%1(1+ 1 = + x xl dz = .. nous pouvons écrire : T(k+l) _ (ho/2n)Tf21 .240 224 6 0.240 226 5 0 7 . 1 .22 8 0.l 10F5.) = 2..235 5 0. 12.240 226 03 0. 2 k=l 1.) avec m = 2n . +ef(a+kh.240 206 6 0.240 216 00 0. FORMULE D'EULER-MACLAURIN Reprenant l’expression de la méthode de Richardson généralisée et en posant : F(O) = 0 e t F(z.. f(a) + f(b) Sio) = h.240 151 L’erreur est E = 0.240 226 64 0.240 066 6 0.239 03 0.240 225 87 0.14 1OW”.I 0 et de former la suite des Ik à partir de ho = f .(ho/2n+“+1)TTF 72 (ho/2n)2 . [log.

Quoi qu’il en soit. i=o i=o . 4 points I = 0. d’ailleurs cette fonction peut être continue par morceaux avec des points de discontinuité de première espèce. Une intégrale peut avoir un sens bien que la fonction à intégrer présente une apparence de discontinuité de seconde espèce : nous avons rencontré un exemple à propos de la méthode de Gauss généralisée : les singularités étaient alors contenues dans la fonction-poids aux bornes de l’intervalle fondamental. nous nous intéressons au calcul de : 1 = f(z)dz s a où a et b sont des nombres finis et f(z) une fonction continue possédant des dérivées jusqu’à l’ordre nécessaire pour le besoin des calculs d’erreur. ne serait-ce que pour la réflexion qu’ils suscitent. Il est bien entendu que l’on s’intéresse ici à l’intégration numérique des fonctions dont l’intégrale sur un intervalle fini (a. 2. b) a un sens.240 226 507. on obtient encore de meilleurs résultats avec beaucoup moins de calculs en utilisant la méthode de Gauss-Legendre dont voici les résultats en 4.= c si = c f(G). d’une façon générale.240228 6 points I = 0. Ces derniers calculs ont été réalisés avec une machine fonctionnant avec 10 chiffres significatifs. 6 et 12 points.1. La méthode des rectangles L’intervalle sur lequel s’effectue l’intégration est divisé en N sous-intervalles de longueur égale h = (b-a)/N c e qru nous définit une suite d’abscisses xi en progression arithmétique. les plus perfor- mantes. et que nous en ferons ensuite la somme.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Si la méthode de Romberg donne un résultat avec un ordre de grandeur meilleur que le résultat donné par la méthode de l’epsilon-algorithme. 2. La valeur de l’intégrale entre deux points consécutifs xi et xi+1 notée si est approchée par s: : si = hf(xi) . il existe un certain nombre d’algorithmes très simples qui méritent d’être présentés. Cela signifie que l’on effectue le calcul sur les différents morceaux selon une des méthodes que nous allons exposer. Autres méthodes d’intégration Si les méthodes fondées sur la technique de Gauss sont.240 226 509 1 2 points I = 0. Désignons par 1’ l’approximation obtenue : N-l N-l I’. la sommation des si fournit une approximation de l’intégrale 1.

f'(qi) -F(G) ~ hf(zi) où ni est un nombre compris entre ICI et X~+I.. En désignant par 1’ l’approximation de l’intégrale 1 obtenue par sommation des si. La méthode des trapèzes En conservant les notations du précédent paragraphe. LES PoLyrvônnEs DE BERNOULLI. soit : où Mr est le sup de la valeur absolue de la dérivée f’(x) sur l’intervalle (a.hf(zi) = F(xi+h) .kf(G). f(~i) et f(~i+r).) + f(%N) + 2 Ne f(xi) . i=O i=l 187 .F(zi) . nous pouvons écrire : N . soit : E. Cette expression va nous permettre d’obtenir une évaluation de l’erreur en effectuant un développement limité de F(Q+~) à l’ordre deux avec l’expression du reste de Lagrange.si = F(x~+~) .l 1’ = c s. Nous pouvons écrire : puis : Ei = si . on désigne par si la valeur de l’intégrale calculée entre deux points consécutifs zi et zi+l . b) 2.2.L’erreur due à l’approximation mathématique s’écrit : E = II. Nff'(. 12. FORMULE D'EULER-MACLAURIN Estimation de l’erreur mathématique .f(x. À partir de là.1'1. = . X~+I. [f(%+1) + f(G)1 qui représente la surface du trapèze déterminé par les points xi.F(G) . Désignons par F(U) la primitive de la fonction f(x). soit : suivie de celle de E : E = . = F(Q)+ hf(zi)+ . elle est approchée par si : s: = . on obtient une estimation de Ei.ii). i=o Cette expression prend une forme plus simple en majorant la somme.

La méthode de Simpson (1811-1870) La méthode de Simpson repose sur l’utilisation de la formule d’intégration dite des trois niveaux. Le calcul de l’erreur nous montrera qu’il en est bien ainsi. soit : E = -NM2 = (i’~~. ainsi h est donné par l’expression h = ( b . la formule d’intégration qui porte sur trois points consécutifs s’écrit : h 4 = . 3 puis : N . en constatant que son expression est proportionnelle à 1/N4. 12 12N2 où A42 est le sup de la valeur absolue de la dérivée deuxième f”(z) sur l’intervalle (a.. i=o i=l i=O ..MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Estimation de l’erreur mathématique .[f(Qi) + 4f(Qi+1) + f(X2i+2)1 .f(Xo + f(xN) + 2 Nc f(Qi) + 4 N$ f(Xzi+i) . Il s’ensuit l’expression de E : Cette expression prend une forme plus simple en majorant la somme. soit 2N ce nombre. = si . mais le gain est plus conséquent car la formule des trois niveaux étant exacte pour un polynôme de degré trois. Cela signifie que l’on réalise une interpolation parabolique au lieu de l’interpolation linéaire utilisée dans la méthode des trapèzes.D ans ces conditions. soit : où vi et Ei sont deux nombres compris entre zi et X~+I. Écrivons la nouvelle valeur de l’erreur que nous appelons Ei : I-3. : où Bi est un nombre compris entre xi et IC~+I.F(G) . 3. une légère différence existe dans le découpage de l’intervalle (a. b).U)/~N. l’interpolation réalisée est celle d’une parabole cubique. [f(xi+l) + f(xi)] = F(Xi+tz) .s: = F(~i+l) .Cette technique va nous permettre de gagner un ordre de grandeur en précision par rapport à la méthode des rectangles. Toutefois. À partir de là.F(xi) .l 1’ = c 5’: = . on obtient une estimation de E. [f(Xi+fL) + f(G)] Effectuons un développement limité de F(~i+h) et de f(~i+h) respectivement à l’ordre trois et deux avec les expressions associées du reste de Lagrange. b) qui est maintenant réalisé à l’aide d’un nombre pair de points.

b). Effectuons un développement limité de F(xzi + h). M2 = 0. = F(X2i + 2h) ~ F(Z22) . 0 Les dérivations successives de exp( -x2) génèrent des polynômes qui ont une grosse parenté avec les polynômes d’Hermite (cf la formule de Rodriguès générant les polynômes d’Hermite). = . Prenons un exemple simple : 10 I= /exp(-z") dz.43. (il y a 2N points). 12. : G = si ~ s: =F(%+a).893 et Md = 10. (f(x. où Md est le sup de la valeur absolue de la dérivée d’ordre quatre sur l’intervalle (a. Remarque : Autant il est aisé de tirer des conclusions quand au rôle joué par N dans chacune des méthodes. lO). i=o Il est aisé d’obtenir une forme plus simple en majorant la valeur de la dérivée sur l’intervalle (a. M l 189 ..f’“(pi) où pi est un nombre compris entre zi et X~+I. Les quelques exercices que l’on peut mener facilement le montrent fort bien : dans bien des cas. la majoration d’une dérivée d’ordre m conduit à des résultats décevants qui contrebalancent le gain obtenu par la puissance de N (grand dénominateur). (p.. FORMULE D'EULER-MAC%AURIN Estimation de l’erreur mathématique . on obtient une estimation de Ei : E. À partir de là.. on obtient : EL = 2hf(zi) + 2h2f’(4 + $f”(z) + ~~“(CC) + $&) . autant il est impossible de savoir quoi que ce soit concernant les majorations des dérivées d’ordre de plus en plus élevé. ainsi.i et Oi sont deux nombres compris entre x2i et x2%+2. on trouve les résultats suivants : Mr = 0.= 25. nous écrivons la nouvelle valeur de E. b). Il s’ensuit l’expression de E : E = $ ” flv(pi). on obtient le résultat suivant : E = zNM4 = BM4. LES POLYNÔMES DE BERNOULLI. f(zai + 2h) et de f(x2% + h) respectivement à l’ordre cinq pour le premier et quatre pour les deux autres. [f(X2i + 2h)+ f(zzi)+ 4f(xz+r)].. (f(x) + 2hf’(zi) + 2h2f”(2i) + +(Xi) + ~/qo)) . F(zzi).En adoptant le procédé exploite pour les méthodes précédentes.5.) + 4f(G) + 4hf’(Xi) + 2Pf”(L7Ji) où [i. et l’on voit que M4 .95. [f(zai)+4f(z2i+1)+ f(xai+a)]. Tous calculs faits. sur l’intervalle (0.

ce qui donne : Hk = (-1)“-k2 “u(s u .1). nk!(n .n) du. k=O k=O -l n(xk .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 3. s k=O -1 L’expression de l’erreur E = 11 . (u .1. . . (u .j) du E = (. Hk = (-1)“-k2 nP&h) d u .k .xj) j#k Le calcul des Hk s’effectue au moyen du changement de variable xk = . +l) laquelle possède des dérivées continues sur le même intervalle jusqu’à l’ordre (n + 1) au moins. . Méthode de Newton-Cotes (1682-1716) Soit une fonction f(z) continue sur (-1. L’intégration de Pk(u) entre 0 et n est immédiate.” dz = 2 f(xk)&.JI est estimée à partir de l’expression de l’erreur commise en remplaçant f(x) par le polynôme de Lagrange PL(X).1) nk!(n ~ k)! 0 . . soit : n +1 rp-x3) J = &k)/ ‘. On connaît un échantillon de la fonction f(z) constitué de (n+ 1) points yk = f(xk) correspondant à des abscisses en progression arithmétique xl. Cette expression peut faire l’objet d’une intégration terme à terme à condition de connaître les ay).y+. Cela est aisé à l’aide des relations de Newton puisque l’on connaît les racines de Pk(u) lesquelles sont les entiers positifs successifs à l’exception de k. le changement de variable permet d’obtenir : +1 f(x) dz = 7 2 Hkf(a + kh) avec h = e .b).k)! s 0 Nous allons transformer Pk(u) en l’écrivant sous la forme suivante : l’exposant (k) rappelant qu’il s’agit des coefficients du ke polynôme.=-1+% On se propose de calculer l’intégrale 1 = Y~(X) d x au moyen d’une approximation J qui -1 consiste à remplacer f(x) par le polynôme de Lagrange donné par la formule de Lagrange. soit : +1 E = {f(x) -PL(X)) dx > s -1 y%+2 nn (u .)! Rn+2 o j=o sn 190 .1+ %.k + l)(u . si l’intervalle d’intégration est (a. On calcule au préalable les S” qui sont les sommes des racines à la puissance m.

n Q(n) 3 0.529 10-6 9 0.717 10-5 8 0. dans chaque intervalle constitué par deux entiers successifs. LES POLYNÔMES DE BERNOULLI.com/guilpin/ 191 . Au préalable. T a b l e a u 12. Les premières valeurs calculées sont données dans le tableau 12. Pour obtenir une majoration de l’erreur.888 10-4 7 0. il suffit d’intégrer entre deux entiers consécutifs. Rappelons que le calcul de M n+i est rarement simple.968 lO-’ 5 0. b).(u) = c a$%“. Sur le Web(*). la valeur absolue pose un problème que l’on surmonte de la façon suivante : comme la fonction à intégrer s’annule pour les entiers successifs.edpsciences. c qui réalise cette technique d’intégration suivi d’un autre programme cotes-2.823 10-l 4 0. c qui calcule la quantité : Il faut prendre quelques précautions pour calculer cette dernière intégrale. de prendre la valeur absolue du résultat et d’en effectuer la somme depuis zéro jusqu’à 12.2. on trouvera le programme cotes-i.973 10-s 6 0. L’intégration du polynôme sous le signe somme est effectuée de la même manière que celle de Hk. la fonction est soit positive soit négative (elle est alternativement négative puis positive etc.2. on aura écrit le polynôme de degré n + 1 sous la forme : n+l P. 12.). Si le principe que nous venons d’utiliser pour calculer les Hk demeure. j=o à l’aide des relations de Newton.219 10-a Il est intéressant de s’arrêter sur le calcul d’erreur concernant l’exemple de l’intégrale de Gauss : I= &]exp(-z) dz. 0 *http://www.354 10-7 10 0. FORMULE D'EULER-MACLAURIN où A&+i est le sup du module de ~C”+‘)(Z) sur l’intervalle (a.

Cette opération va être rendue aisée par l’usage des coefficients HI.. on tire : Pour fixer les idées.477250 155 La consultation de la table donnée chapitre 10 (concernant le polynôme de degré 10) nous montre que seules deux racines nous intéressent dans l’intervalle (0. En général. on les note a&. il est très difficile de calculer formellement la dérivée d’ordre n d’une fonction.6 10-5. elles donnent des extremums du même ordre de grandeur et l’on trouve : M n+l = 217.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ La dérivée d’ordre n + 1 de l’expression sous le signe somme. dans le cas général. La comparaison n’a de sens que dans l’étude de cas particuliers au cours desquels on sait expliciter les dérivées et les majorer convenablement. d’où E(n = 8) < -Jg 0.47725 f 0. choisissons n = 8. les résultats fournis par la méthode des trapèzes et par la méthode de Simpson puisque la première méthode donne une précision en fonction de la dérivée deuxième et la seconde en fonction de la dérivée quatrième. aussi ne s’attardera-t-on qu’exceptionnellement sur leur majoration. Elle est obtenue pour l’une des valeurs qui annulent la dérivée de g(z). Cette raison explique pourquoi il n’est pas possible de comparer directement.2). et rares sont les exercices qui le permettent. Désignons par A&+i cette valeur.2).. ici. les six premiers chiffres significatifs sont exacts. notée g(x) est donnée par les polynômes d’Hermite (cf. Quoi qu’il en soit. b) ici (0.+z(s)exp Ce sont donc les zéros du polynôme d’Hermite de degré n+2 qui sont les extremums de g(x). iKn+l (uk)] de là. soit : = (-l)“K. en effet nous avons : j7(“+2) = (n + l)!Jz k 2’ (n + 2.. alors nous trouvons : J = 0. pour 7~ = 8. Il est facile de calculer les valeurs de g(ak) correspondant aux racines ak contenues dans l’intervalle (a.. 192 .2). chapitre 10) : = (-l)“+‘Kn+r(x) exp Cherchons le sup de la valeur absolue de cette expression dans l’intervalle (0. Ce résultat peut apparaître médiocre. et de choisir la plus grande valeur absolue.00046.529 lO@ = 4. en fait il est dû à la majoration excessive de la dérivée d’ordre (n + 1). calculés lors de l’intégration de Gauss-Hermite . et J = 0.

Éditions Masson. DORN (1964) Numerical Methods and Fortran Programming. RALSTON et H. D. M. Éditions de la Revue d’optique. MARON (1979) Éléments de Calcul Numériques. H. RICE (1969) Approximation des Fonctions. HACQUES (1971) Mathématiques pour I’lnformatique. G. Éditions MIR. Édition Mc Graw-Hill. G.L. Édition Wiley. VALIRON (1955) La Théorie des Fonctions. Éditions Masson. A. ANGOT (1965) Compléments de Mathématiques. CROUZEIX et A. Éditions Armand Colin. JACQUES (1975) La Technique Informatique. Éditions Masson. BESTOUGEFF CH. P. BAKHVALOV (1976) Méthodes Numériques. ROCARD (1967) Thermodynamique. DÉMIDOVITCH et L. F. Y. MIGNOT (1984) Analyse numérique des équations différentielles. Éditions Dunod. Springer. Éditions Wiley. WILF (1965) Méthodes mathématiques pour calculateurs arithmétiques. HENRICI (1964) Elements of Numerical Analysis. J. FORMULE D'EULER-MACLAURIN 4. MCCRACKEN et W. GUILPIN M.S. Éditions MIR. B. R. N. KRESS (1998) Numerical analysis. Tomes 1 et II. 193 . 12. LES POLYNÔMES DE BERNOULLI.R. Éditions Dunod. Éléments de bibliographie A. Éditions Masson. HILDEBRAND (1956) Introduction to the numerical andysis.

195 . Désignons par 8 l’angle que fait le pendule avec la verticale et écrivons l’équation différentielle à laquelle obéit Q au cours du temps t : d’B(t) dt2 + w2 Sin[e(t)] = 0.. Cette équation différentielle ne possède pas de solution formelle connue c’est-à-dire de solution exprimable au moyen des transcendances usuelles. b. mais rien n’est changé en faisant usage d’autres variables. S’il est rare de trouver une primitive à une fonction donnée. Ici. Conditions aux limites (ou de tir). il suffit de considérer une des toutes premières équations différentielles rencontrées dans la physique : l’équation du pendule simple dans le plan. D’autant plus que la nature des conditions aux limites peut singulièrement compliquer le problème à savoir : a.) $. nous ne cherchons pas à résoudre le problème différentiel dans le cas le plus général implicite que l’on écrit : mais nous nous contenterons d’étudier le cas explicite suivant : g=f(g ).y). 1dans le champ réel Ces types de problème relèvent du vaste cadre de l’analyse fonctionnelle. Pour s’en convaincre. il est encore plus rare de pouvoir exhiber une fonction f qui soit solution d’une équation différentielle donnée. Ici nous avons choisi le temps comme variable puisque l’exemple retenu est le pendule simple. On connaît les valeurs de la fonction inconnue à des instants différents. On connaît à l’instant t = to la valeur de la fonction inconnue et de toutes les dérivées jusqu’à l’ordre le plus élevé figurant dans l’équation. Conditions de Cauchy (178991857)..

yz)I < A Iyy1 ~ yzI avec A fini. c’est l’unicité de la solution qui va retenir notre attention.yo1 5 b. nous donnerons quelques indications à propos du problème aux limites qui ne concerne. alors l’équation différentielle admet au moins une solution $(x) qui prend pour z = x0 la valeur yo et qui est définie pour ~0 5 z 5 20 + h. y) soit continue dans le rectangle ~0 5 2 < ~~+a.f(z.= f(y. y) est lipschitzienne (cela signifie qu’il n’y a pas de tangente verticale). Iy . alors la solution 4(z) qui prend la valeur yo pour la valeur ~0 de la variable est unique. En outre. . U.1) équations lesquelles jointes à . nous aurons à intégrer l’équation générale suivante : avec la condition que la solution doit prendre la valeur yo pour la valeur ~0 de la variable. 1. . . elle est assurée par le théorème de Cauchy-Lipschitz : Si de plus la fonction f(lç. Dans un premier temps nous étudierons les techniques usuelles de résolution des équations différentielles du premier ordre dans le cadre du problème de Cauchy. que les équations d’ordre supérieur à un. dw -=z dt ’ dz ce qui donne (n . dans le domaine précédemment défini. h étant le plus petit des deux nombres a et b/M où M = su~lf(~~)l d ans le rectangle considéré. cela va de soi. Enfin. dt ’ . . 196 . Sous la forme explicite. soit : I. À présent. Rien n’est changé si l’on remplace la condition 320 < Ic 5 320 +a par 20 -a < z 5 20. Les équations différentielles du premier ordre C’est donc le problème de Cauchy qui seul nous concerne ici.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Celui-ci se ramène à l’étude d’un système différentiel de n équations du premier ordre.~l) . . Les théorèmes d’Arzelà (1847-1912) et de Cauchy-Lipschitz (1832-1903) Il convient de s’assurer de l’existence d’une solution et la réponse est apportée par le théorème d’Arzelà que l’on admettra sans démonstration i Sous la seule’condition que f(~. puis nous procéderons aux généralisations qui permettront l’intégration des équations différentielles dont l’ordre est supérieur à un. 4(x) est continue. . en posant successivement : dy -=u dt ’ du -x2. 2) constituent un système dt de n équations différentielles du premier ordre.f(x. 2. u.

La méthode de Picard (1858-1941) La technique est intéressante dans la mesure où elle substitue une équation intégrale à une équation différentielle. yo) dt.. Ensuite.. ..(b) et yn+r (b) sont égales à la précision que l’on s’est fixé à l’avance. x0 Y~(X) = YO + J f[t. On découpe l’intervalle d’intégration (a. il convient de signaler que la série de terme général yy. NOUS calculons la fonction Y~(Z) = yo + 7 f(t.a h=-. . si la fonction ~ est régulière.. soit : Y(X) z dz = y(z) . Y) elle conserve les bonnes propriétés puisque l’on pourra intégrer x en fonction de y.. il faut examiner s’il s’agit d’un pôle 1 simple ou d’un point singulier essentiel. On arrête les calculs lorsque les valeurs de y. s x0 J z Y~(X) = yo + f[t. dans lequel la fonction f(z. et xk = a + kh. J J Y0 x0 Nous allons former une suite de fonctions de la manière suivante : z Y~(X) = YO + f(4 yo) dt. b). en un point particulier. Comme elle constitue aussi une méthode numérique simple à mettre en œuvre. s-l(t)] dt..(~) quand n tend vers l’infini est la solution unique de l’équation différentielle dans le cadre des hypothèses énoncées dans les théorèmes d’Arzelà et de Cauchy-Lipschitz... c.. y) est m’ fime. c’est-à-dire l’ensemble des échantillons de Y~(X) aux points xk.. De plus. d. x0 On montre alors que la limite de y. on calcule Y~(X) à partir de Y~(X) et ainsi de suite. On trouvera dans l’ouvrage de G.. 20 + h). Dans le premier cas... f (2. n b. 3. yl(t)] dt.. . 13. 197 . INTÉGRATION ms ÉCXJ. en n sous-intervalles égaux définis par les points xk en progression arithmétique : b .y0 = fh y(t)1 dt. nous allons nous intéresser à cet aspect. y) a les bonnes propriétés. Valiron cité en bibliographie une démonstration de ces théorèmes au moyen de la méthode itérative de Picard (1890).~TI~N~ DIFFÉRE~TIELLJB DANS LE CHAMP RÉEL Remarque : Si f (x.Y~-~(X) est absolument et uniformément convergente pour x appartenant à l’intervalle (x0.. La conduite du calcul est fort simple : a..

+ gY. Méthode de la série de Taylor Nous allons développer la fonction y(xk+i) au voisinage de y(xk) en série de Taylor en utilisant les notations yk et yk+l : h h2 h3 Yk+l = Yk + y y.com/guilpin/ 198 . c qui réalise cette procédure. On trouvera sur le Web (*) 1 e programme taylor . Remarque 2 : Comme la méthode est absolument et uniformément convergente il n’est pas utile de conserver la fonction yn(x) intégralement avant de procéder au calcul de la fonction suivante yn+i(x). Les problèmes sont malheureusement plus compliqués que cela. ensuite. On trouvera sur le Web (*) 1 e programme picard. sur le plan strictement mathématique. Il suffit donc d’écraser les valeurs au fur et à mesure des calculs. on obtient : = dxk. . *http://www. = b. La technique de calcul est simple : à partir de x0 et yo on calculera y1 au point xi. Précision de la méthode La suite de fonctions étant absolument et uniformément convergente.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Remarque 1 : Cette belle méthode itérative présente l’inconvénient d’être lentement conver- gente. Yk). + SYk’ + . Par suite. yk). 4. il suffira d’effectuer les calculs à un ordre suffisamment élevé pour obtenir la précision souhaitée à l’avance. Non seulement cette remarque simplifie grandement la programmation mais encore elle accélère la convergence du procédé. par dérivation. et On peut aller aussi loin que ce que l’on désire. yi est donné par l’équation différentielle et vaut simplement f(xk. puis y2 au point x2 et ainsi de suite jusqu’à x. la méthode s’appelle méthode d’Euler.edpsciences. on est en droit de penser que c’est la technique numérique retenue pour calculer les intégrales qui limite la précision des résultats (elle est fonction du pas h). Lorsque l’on arrête le développement en série de Taylor au premier ordre. c qui met en œuvre cette technique.

[f(A) + 4f(B) + f(C)] “0 “0 expression dans laquelle f(A) signifie f(ze. nous calculons au moyen de la méthode d’Euler les coordonnées du point B [Q + h/2. Cette procédure montre que l’on itère trois fois la fonction f(z.hw RÉEL 5. à partir de ~1. f[z. YO + hUo/2) > Uz = f(zo+h. Pour cela on utilise une propriété géométrique de la parabole selon laquelle la tangente en B à la parabole est parallèle à la sécante AC. B et C sont sur une parabole. On détermine le point C [XO + h. Sans s’attarder sur les développements.yo+hUl). puis nous verrons ce qu’elle signifie analytiquement et nous proposerons une généralisation à plusieurs points. T~O)P. yo + hf (20 + W. INTÉGRATION ms ÉQUATION~ DIFFÉRENTIELLE~ mNs LE cH. Ensuite. on calcule y2 et ainsi de suite jusqu’à atteindre la borne b souhaitée. La formule des trois niveaux permet de trouver une meilleure approximation de C en écrivant : so+h zo+h / dy= j. y~) f(B) signifie f 1x0 + WA yo + V(a.f [zo + h/2. 13. y(~ + h/2)]. À partir du point A(zo. [Uo + 4Ul + U2]. c’est-à- dire en supposant que les trois points A. go)/21 f(C) signifie f (50 + h. Nous pouvons retrouver ce même résultat par voie analytique. y). YO + hf(zo. y(~ + h)] en effectuant une interpolation parabolique. yo)/ L’ordonnée de C n’est pas la valeur définitive que nous allons conserver comme approximation de l’intégration en zo + h. yo). Méthodes de Runge (1856-1927) et Kutta (1867-1944) 5. On peut alors écrire : y1 = y(zo + h) = YO + h. Yo). yo)/2)) La technique de calcul consiste à écrire : UO = f(zo. nous donnons les résultats du calcul en quatre points. Y(Z)] dz = y1 . La méthode en trois points Nous allons présenter cette technique de façon géométrique.1. *http://uww. c qui réalise cette procédure. puis y1 = yo + .com/guilpin/ 199 . Cette façon de procéder est généralisable ce qui permet d’augmenter la précision des résultats.edpsciences. On trouvera sur le Web (*) 1 e programme runge . 1Jo + hf(zo.yo = . Ul = f (50 + W’. soit : = YO + Wzo.

et y(x0 + h) = Y(Q) + z + F + y + ? . YO + Uo/3). .Yo + Uo . . 6.3. u3 = V(~O +~. T étant l’intervalle sur lequel on désire effectuer les calculs et sur lequel la fonction f [x.Ul + U2). < x. Ceci permet de calculer aussi le pas d’intégration adapté au type de l’équation différentielle que l’on traite. Souvent nous utilisons leurs résultats pour intégrer les équations différentielles. < x. 2. yo .2. On note h.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 5.yo+R/2).YO) .R. Prince et J. U3 = hf (20 + h. ul = hf (20 + W’.f (20 + h/3. On peut aussi calculer cette autre suite : uo = hf (XO. Les abscisses ne sont pas nécessairement en progression arithmétique et l’on les note simplement dans l’ordre croissant (20 < ~1 < x2 < . = x. On calcule les valeurs suivantes : Ul = h.. . . . 200 . Les méthodes en quatre points Il existe plusieurs variantes de la méthode.Uo/3 + Ul) . Il faut savoir que les coefficients numériques sont calculés par identification de la formule présentée et du développement en série de Taylor le plus élevé possible. Les méthodes en seize points (ordre 8) Il faut résoudre un système de 285 équations pour satisfaire les conditions d’identification et en 1981. U2 = kf(~o+W. Dormand ont réalisé ces calculs et ont produit les coefficients numériques jusqu’à 16 points.x. annexes H et 1). On retrouve ce type d’intégration dans quelques programmes fournis avec les corrections de problèmes (cf. et ceci de la façon suivante : on intègre avec la méthode d’ordre 7 et l’on estime l’erreur à l’aide de la méthode d’ordre 8 qui sert de référence. en voici deux : 1. YO + U2) .+1 . Les méthodes d’Adams (1819-1892) On se propose de calculer la valeur de la solution yj pour la valeur correspondante de l’abscisse xj.} = T. et y(~0 + h) = y(zo) + z + : + ? + ? . Uz = hf (20 + W3.J. 5. y(z)] a les bonnes propriétés énoncées dans le théorème de Cauchy-Lipschitz. P. YO + UoP) .

+1 au moyen de la relation : “n+l Ynfl = Yn + fh ~(~11 dz. ~ç.-j.1. y(z)] au moyen du polynôme d’interpolation de Lagrange de degré u. 6. j=o et f n+l = f (%+1. ce qui signifie que la détermination de ce polynôme nécessite la connaissance de v + 1 valeurs calculées précédemment. . Méthode de Adams-Bashforth On désigne par Pyn(x) le polynôme de Lagrange de degré v qui interpole la fonction f[z. 1..jfn-j avec n>u. 13. YYn+1 1 201 . y(x. La valeur approchée de yn+r est donnée par l’expression : “n+l Yn+1 = y72 + f’vn(x) dz.. On se propose de calculer la valeur de yn+r au point x.~TIONS DIFFÉRENTIELLE~ DANS LE CHAMP RÉEL On suppose que l’on connaît les n premières valeurs qui ont pu être obtenues au moyen d’une méthode de Runge et Kutta par exemple. y(z)] dans l’intervalle (z. On adopte la notation : Pvn(xn-j) = f[x. INTÉGRATION DE~ ÉQu. la méthode d’Adams-Bashforth a (ZI + 1) pas s’écrit : Y~+I = yn + 2 h&L. V.+r). s on en déduit la valeur de fn+r : f n+l=f( &X+l> Yn+l) Explicitons le polynôme de Lagrange : On peut poser puis : En définitive. s expression dans laquelle nous allons approcher la fonction f[z.-j)] = fn-j avec j = 0.

+ y 1) pj-.j ne dépend plus de n et l’on désigne par b. chapitre 6) pouvait x .U!(u + V . . et l’on remarque que le polynôme d’interpolation de Lagrange est également le polynôme ascendant de Newton (cf. nous avons vu que le polynôme de Newton ascendant (cf... s’écrire.-‘). 6.2.1) (“‘:-y= $ . aq n(“+. Par ailleurs. sous la forme : h Plm(u) = fn + UAff. + . Cas où les xj sont en progression arithmétique On désigne alors simplement par h le pas.. on obtient : . Remarque 4 : Comme la méthode existe pour v = 0 (il s’agit de la méthode d’Euler). comme on va le voir. Remarque 3 : La taille des pas hj n’est commandée que par des considérations sur la précision et la stabilité.j(z) prend une forme plus simple que l’on désigne par ZVj(z) car.? de même B. . cette nouvelle expression qui s’écrit : buj = J 0 o kk#j=O Ic -j ’ Zvj(u) du = j fi u-le du.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Remarque 1 : Il faut une plate-forme de démarrage pour appliquer l’algorithme d’Adams- Bashforth. en posant u = -. de la manière suivante : Pvn(u) = 2 j=. De là. + u(u + 1) . (u + j . ainsi l’algorithme devient « auto-démarrant ».1) ayf n qui s’exprime avec la notation plus concise : u(u + 1). elle peut être obtenue par une méthode à un seul pas telle que celles que nous avons présentées précédemment. il suffit de concevoir un programme qui fonctionne avec un pas variable de 0 à V. Remarque 2 : Rien n’interdit de modifier le nombre de pas au cours des calculs.2. ‘. chapitre 6) . ainsi L. . cette expression ne dépend pas de n : k#.

IN T ÉG R A T I O N DES ÉQU.x) 0 0 Nous pouvons donc écrire : S(x) log.3. puis l’égalisation à zéro de 2 conduit au développement en série de MacLaurin de S(z).1 .jfn-j avec n 2 u.(l . l’intégrale est directement calculable : J J 1 1 S(z) = ( 1 -X)-O da! = exp[-alog.-‘) du. Le développement en série entière de cette expression donne : -1. = L’identification des termes de même puissance en x conduit aux relations : m-l 203 . Les expressions à exploiter s’écrivent : yn+l = yn + h k b.Y~+I). 0 D’un autre côté. si bien qu’il n’est plus utile de calculer les différences successives des fn.(l -z)] da = -’ log.z”. la dérivation successive sous le signe somme. et l’on trouve que : %= j(‘“+. 6.(l .x)G = .~TIONS D I F F ÉR E N T I E L L E ~ DANS LE CHAMP R ÉE L avec Il y a moyen de calculer directement les rj ainsi que les bvj qui en découlent. J k=O 0 En effet. 13. Calcul des coefficients rj et bvj Nous allons montrer que les yk sont les coefficients du développement en série entière de la fonction : 1 S(x) = (1 -x)-” dcr = -&i. j=o et fn+l = ~(G+I.

De la même façon.MANUEL DE CALCUL NUM É RIQUE APPLIQU É soit encore : Cette dernière relation est donc vraie quel que soit m.j(~) : Zv-&z) = (-l)jCy’ (“‘v’)s. nous savons calculer les b.~(X) en fonction de (“‘Y-‘). elle est vraie pour m = 1 dans le premier membre et m quelconque dans le second.1 ou (m + 1) autant de fois que cela reste compatible avec le fait que m est supérieur ou égal à zéro.j + (-l)%‘$p avec O<j<v. effectuons la différence lyj(x) . *http://www. pour j < v : Zvj(3J) = (-l)jCi (--‘)Z. En définitive._ l. on calcule iV-i.j(~) : Zvj(czz) .ZyP1. il est aisé de calculer b.j(cz) = (-qc?. 73 et ainsi de suite.j et de yV pour 0 < j < V. l). on obtient : bvj = b. On peut écrire.ZY~l. et l’égalité demeure en remplaçant m par m .-l.. ainsi on trouve : yo=l= quel que soit m positif. s 0 k=O 0 k=O 0 À présent.j sans difficulté à partir des yv. à partir de la relation de définition : b. Intégrons terme à terme sur (0. 72.com/guilpin/ 204 $ .-l).. c qui utilise cette technique de calcul.. exprimons Z. = ’ lyv(u) du = ] Ufi E du = (-1)” ] Uj ~“. Sur le Web (*). g (m -T + 1) À partir de cette relation on calcule la suite 71. En particulier. ’ du = (-l)yyy. on trouvera le programme bashf ort . Maintenant.edpsciences.j s’effectue en fonction de b. Le calcul des b. (y) (5 -!!A) = (Fl)q+. D’abord.

.v devront être connues. seules les valeurs fk pourk = n + 1.) 6. . Le polynôme de Lagrange qui interpole dans le ne intervalle est alors de degré (V + 1). On comprend alors que la nouvelle technique soit une méthode implicite car il nous faudra résoudre une équation implicite pour obtenir la valeur de y.&) = i: fn-jL+l.n(xn-j) = f [z. nous pouvons nous dispenser du calcul effectif des différences successives. .j+lC4.A’&+1 + uiuz. posons : La technique de résolution consiste à séparer ce qui est connu de ce qui doit être calculé par résolution d’une équation implicite : yn+l .jfn-j avec n > u.l. yn+l) = yn + c h. Le gain de la méthode repose sur le fait que le polynôme d’interpolation gagne un degré.&) = fn+l + . INTÉGRATION DE~ É~~UATION~ DIFFÉRENTIELLES DANS LE CHAMP RÉEL 6.)” + n)A”+lfn+l u+k-1 zPG+l A"fTLt1 avec u= k h ’ Ici encore. Méthode de Adams-Moulton (1872-1952) Au fond. il s’agit d’une variante de la méthode qui vient d’être exposée. .n+l.D. j=-1 Comme précédemment. 13.hJL. Cas où les xj sont en progression arithmétique L’expression du polynôme de Newton devient : Q v+l. j=o (Le membre de droite est une constante calculable directement. .+l.+1. n .. . 205 .-j. + u(” ‘(2.Y(G+I)] = fn+l. ‘)A2fnll + .4. et il reste à résoudre l’équation implicite figurant dans le premier membre égale à ladite constante.. u. ~1~s Qv+l. Il prend la forme : soit encore : Q V+l.-d(rç.+1 sera connue.nbn+d = P[G+~. gn+i) valeur qui ne sera connue que lorsque la valeur de y.5. .+~. Nous posons donc : Q v+~. cette dernière valeur est inconnue.y(xn-j)] avec j = O. La différence provient du fait que le polynôme d’interpolation passe par fn+i = f (x.

en réutilisant la relation établit à propos des rj. Nous pouvons également calculer directement la suite des 6. yn+l) = yn + 2 h.2 (m -! + 1) = O. on extrait : Yn+l =Yn+h-p .-‘) .&-lf (x.j cette nouvelle expression qui s’écrit (attention au changement de variable qui définit u) : 0 dvj = L+I. à savoir : m-1 m 2 & ..Lj.+h!f&~fn -1 avec “i~](~+.1 = 2 : puis décomposons le dernier membre sous le signe somme : à présent il suffit d’intégrer de zéro à l’infini et l’on obtient : sj = “ii . J' -1 -1 k=O k#3 De là. I cfn+l&+*‘) du=y..dvj.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ La quantité D.6.. .j ne dépend plus de n et l’on désigne par d.yje1 avec 60=~0=1.. Nous allons relier les coefficients ~?j aux coefficients y&. Écrivons 6j et effectuons le changement de variable u .~+I (u)du=]Esd. Calcul des coefficients Sj et d.+1..h.u~i”u+l~~$b+j-~) du. -1 -1 L’expression générale à itérer devient plus simple : yn+l . j=o 6.

= L+l.j+l (x) . On trouvera sur le Web(*) 1e programme moulton.3 v+1 v+l Ici encore. Nous avons d’abord : 0 6. on n’obtient pas d’approximations numériques convenables à l’aide des méthodes usuelles.7 u 1. *http://www. .+i. Il nous reste à exprimer les d.j+l(z) = (-l)j+lcj+l z + v v+l ( v+l> z+j+1‘ Maintenant. nous écrivons Zu+ij+i(s) en fonction de (::y)..1 -1 k=O Comme précédemment. 13. il peut arriver que la structure de l’équation différentielle soit tout à fait mauvais.~TI~N DES ÉQUATIONS DIFFÉRENTIELLES DANS LE CHAMP RÉEL Le développement puis la factorisation des coefficients qui ont le même dénominateur permet d’écrire : ()=‘y0 m + 70 -Y1 +. INTÉGR. La méthode des différentiations rétrogrades Il existe une catégorie de problèmes différentiels qui sont particulièrement rebelles aux méthodes d’analyse usuelles.j en fonction des Sj. On peut écrire. Ce type de problème porte un nom : il s’agit de problèmes raides. Bien que les conditions de Cauchy-Lipschitz soient vérifiées.i ce qui donne : O=C k”o cm -“k + 1) quel que soit m positif.edpsciences. + (rm-1 . c’est-à-dire les méthodes de Runge et Kutta et les méthodes d’Adams.O) permet d’obtenir : d = d _ + (-l)j+lCj+lb avec O<~<U.v+l (u) du = j fi 2 du = (-1)V+1j & & du = (-I)“+%+i.I . v.ZVj+r (x) : L’intégration de deux membres sur l’intervalle (-1.. 7. effectuons la différence ZV+l.+ %-j -Ym-j+1 +. m-t1 . c qui réalise l’intégration numérique des équations différentielles du premier ordre au moyen de cette procédure. c’est-à-dire que la discrétisation explicite fait apparaître des instabilités.com/guilpin/ 207 .j en fonction des &.. on sait facilement calculer les d. pour j<u: rfJ + v + 1 1 v+l.XL)..

(O) = -hf (X~+I.. k=o~7x+1-j -%+1-k j=o k#.i On obtient alors : d. on écrit que : Nous allons expliciter le polynôme de Lagrange dans le cas particulier utile où le pas est constant et vaut h : II. Nous présentons maintenant cette dernière méthode.. Le polynôme sert alors à trouver une approximation de yn+r pour la valeur 2 = X.+1. après avoir donné son expression en fonction de : Qvn(u) = fi (l.l. ces difficultés peuvent être éventuellement contournées en utilisant des méthodes adaptées... ~n+l) > %+1 . .(u) la nouvelle expression qui prend la forme suivante : X n+l ..x.II: ‘irm(u) = -gYn+l-j g s en posant : u = j=o h ’ k#. .l. ainsi nous écrivons : JLn(Xn+l-k) = Yn+l-k avec k = O.. Nous allons dériver T vn(~) par rapport à U..(U) de la manière suivante : nvn(u) = Yn+l fi + + 2 Yn+l-j kfJ y$ ..(G) = yn+l-k avec k=O.v où <k = h .(x) = 2 Cln+l-j fi x . L’idée consiste à interpoler la suite des yn par le polynôme de Lagrange II. llrn mzl ( 1 .v. Développons T~.. puisque j # 0 : et que q:&L) = -qv?%(u) .. MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Lorsqu’on rencontre un problème raide. et il convient de tester les méthodes de Runge et Kutta implicites ou la méthode des différentiations rétrogrades. k=l j=l k#j On note que.(z) de degré v (n > v+ 1).+r. Pour obtenir la valeur de y.? On désigne alors par n.Z)’ 208 - . -g.xTL+1-k .> m=l ainsi que de sa dérivée C&(U).k et n.+1 .

car qvn(0) = 1. yn+l) = c u. 13.f(z. En réécrivant la dernière égalité. on trouvera le programme retrogra.~TION DE~ &U.~TI~NS DIFFÉRENTIELLES DANS LE CHAMP RÉEL ce qui donne : dAv = . *http://www. on obtient : soit encore : Formellement. c qui réalise cet algorithme.ha. j=l avec : et Sur le Web (*).+l. on peut écrire une expression semblable à celles établies à propos des méthodes d’Adams : v S+I . j=l Donc : Dérivons par rapport à u et faisons u = 0 : = -hf (X~+I.com/guilpin/ 209 . yn+l 1. INTÉGR.+I-~.~Y.2 .edpsciences.

JY . yl. z). alors le système différentiel du premier ordre (ou l’équation différentielle du deuxième ordre) admet une solution unique y = 4( x ) e tz = g(x) laquelle prend pour x = x0 les valeurs $(x0) = YO et +(x0) = ~0 et qui est définie pour x0 < x 2 xc + h.? f(t.211.~)-~(x.YJ) dz . yo. b/M et C/M où M étant la borne supérieure de if\ et /g/ dans le parallélépipède considéré.Y. Y. y. Y> 2) .~01 5 c.1.Z) et g(x. dz Il ne coûte rien d’étudier le système général suivant : 2 = f(X.Méthode de Picard . h étant le plus petit des trois nombres a. En effet. 2). écrivons l’équation résolue par rapport à la dérivée seconde qui soit la plus générale possible dans ces conditions : d2y ~ = L?(X> Y> Y’) dx2 il est alors possible. dz 8.~o. alors le théorème de Cauchy-Lipschitz se généralise de la manière suivante : Si les fonctions f(x. is(xç.~~)/<A~Y-~~/+BIz-z~I. Les équations différentielles du deuxième ordre L’étude des équations différentielles du deuxième ordre relève de l’étude des systèmes d’équations différentielles du premier ordre.y11 + B Iz .a)l < A Iy .Nous formons la suite de fonctions de la manière suivante : Yl(X) = YO + .y01 5 b et 12 .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 8.z )sont continues dans le parallélépipède xc 5 x < x0 + a. a . et elles en constituent un cas particulier.= S(T Y.dz. et si les fonctions sont lipschitziennes c’est-à-dire que : I~(~. comme nous l’avons vu précédemment d’écrire : dy -=z dz dz -= dz.Y~.zo) dt x0 Zl(X) = zo + 7 g(t. on connaît les valeurs yo et ~0. 20) dt x0 210 . y. Cas du problème de Cauchy En xc.

13. par dérivation. + Tz” + ” ’ a v e c y. on obtient : = k(Zk. YO + hUoP. ~0) . SO = g (20 + h/2. .Méthode de Runge et Kutta en trois points .Yk.vl.) dt. 211 .-4 dt x0 4x1 = zo + 7 g(t. + 32. . &l =g(xo.Il suffit d’écrire les expressions suivantes : h h2 h3 Ykfl = yk + .a) dt x0 . puis y1 = y0 + t [VO + ~VO + WO] . yn. . Vo = f (xo + W . 20 + hRo/2) . YO. = f (xk. .yl. TO = g (20 + h. x0 . + !Yk + -&tt + ’ ’ ’ h h2 h3 . 2. b . = ~(xk.Yo. zk)> et ainsi de suite. . zo + hSo) . INTÉGRATION DES ÉQUATIONS DIFFÉRENTIELLES DANS LE CHAMP RÉEL puis Y2 (XI = YO + 7 f(t.Yo.La technique de calcul consiste à écrire : uo = f(Xo. Yk> zk) 4 = 9 (~k. .Méthode des séries de Taylor . [Ro + 4so + TO] Ensuite. c ... on calcule y2 et 22 jusqu’à atteindre la borne b souhaitée. z.~o).Yk. zk) > ensuite.Yk. zk). zk+l = zk + 3”.zo) > wo = f (xo + h. à partir de y1 et zl. YO + hVo. 21 = zo + . .) dt 20 Zn+l (xl = zo + 7 g(t. ~n. Yn+l (XI = YO + 7 f(t.Y.Zo). yo.

= hg (20 + 2h/3. 20 + Vz) .+I = yn + h--&fn-i avec n>v. et y(~ + h) = y(~) + $ f % + y + ?l z(zo + h) = 2(x0) + : + 9 + 7 + .~o)> UI = kf (~0 + h/3. YO. zo) > Vo =hg(~o. UI = hf (20 + W. W2).Zo). 20 + VI/~. U3 = hf (zo + h. ~0) .6 + fi). + . YO. v.Yo. YO + UoP. 20) > v. = hg (20 + h. yo.UI + Uz.Méthode de Runge et Kutta en quatre points 1.YO + UZJO). YY. v. YO. K = hg (~0 + W.Méthode d’Adams-Bashforth dans le cas d’un pas constant Y.Uo/3 + Ul. YO. et y(~ + h) = y(q) + ? + % + + + :. e .. 20 . YO. 20) > v. = hg (~0 + h/2.+l>&+l ) > 212 . ~0) . v.yo+U1/2. = hg(~o. = hg (50 + h.Vo/3 + VI) . v. zo + Vo/31 . = hg (20 + h/3. + . On calcule les valeurs suivantes : vo = hf (x0. Yo. zo . U3 = V(~O + ~.. YO + Uo/3. j=o et f n+l = f(G+1.yo + Uo . U2 =V(~O+ h/‘J.zo). 2.zo). U2 = hf (20 + 2h/3. On peut aussi calculer cette autre suite : uo = hf (20.Yo.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ d . YO . 20 + Vo . z(zo + h) = z(zo) + : + . YO.

on pourra se contenter de l’algorithme suivant : dans lequel on n’a plus qu’à rechercher la racine locale d’une première équation implicite qui donne yYn+l puis la racine d’une seconde équation implicite qui permet de déterminer z.+I = z..com/guilpin/ 213 ..Méthode d’Adams-Mou/ton dans le cas d’un pas constant Y~+I . Toutefois. j=o Remarque : Ici. yn+l.+I .Méthode des différences rétrogrades yn+l .-j avec n > V.+1.+i. on le traite de la même façon.+1. j=l Ici encore on retrouve le problème rencontré lors de l’utilisation de la s- Moulton. INTÉGRATION DE~ EQUATIONS DIFFÉRENTIELLES DANS LE CHAMP RÉEL puis Z. z.+I) = c QY~+I-~.-j avec n> u. ~n+l.hct~g(2. g .Yn+l. j=o Z.+l. z.+l) = z. *http://www. si le prix du calcul est trop élevé. + 2 hd.g.. y.hdw-lg (x. il y a à résoudre un système non linéaire de deux équations à deux inconnues dont les racines sont yn+i et z. j=o et Qn+1 = g(GL+l.+i.edpsciences. Sur le Web (*) figure le programme pendul-0.jf. f .Yy. c qui met en œuvre cette technique.+1.+l) = yn. + c hd.~n+l). z. + h h&-j avec n>u.hd+lf (G+I.f (x.ha. j=l &+1 .+~.. 13.~n+l) = ~uvj&+l-.

Éditions Hermann. BACH (1998) Anulysis.2. Éditions Masson. soit ~0. Presses Universitaires de Grenoble. CROUZEIX et A. numerics und applications of differentiul und integrul equations. 0p. fascicule 1 : Équations différentielles. J. DORN (1964) Numericul Methods and Fortran Programming. elle admette YO = 4(x0) et y1 = $(a) ou encore yo = $(~a) et ~1 = +(zr). volume 7. MIGNOT (1984) Analyse numérique des équations différentielles. Mc Graw-Hill. M. J. et pour s’en convaincre.S. 214 . AINSWORTH (1995) Theory and numerics of or-dinar-y and partial equutions. Dunod. par exemple. Clarendon Press.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 8. DEMAILLY (1991) Analyse numérique et équations différentielles.J. 10. DORMAND (1981) High order embedded Runge-Kutta formula+ Journal of Computation und Applied Mathematics. PRINCE et J. H. avec dans les deux cas ~0 # 21. on peut l’aborder de la façon suivante : On fixe une condition. BARANGER (1991) Analyse numérique. F. La technique consiste à ajuster zo de telle sorte qu’à la limite ~1 la seconde condition imposée soit remplie. P. Éléments de bibliographie M. HENRICI (1964) Elements of Numericul Anulysis. par exemple yo = $(x0) et l’on choisit arbitrairement l’autre condition à la même limite pour ~0. Il est bien clair que l’on ne peut pas imposer une seconde condition n’importe comment : elle doit être compatible avec les liaisons du système étudié. no 1. L’ajustement de zo s’effectue par tâtonnements en essayant de trouver deux valeurs Z. Longman. Équations différentielles d’ordre supérieur à deux Ce qui a été dit pour le deuxième ordre peut être généralisé sans grande difficulté pour les ordres supérieurs et les algorithmes se transposent de la même manière que celle qui a été présentée pour le deuxième ordre. il suffit de considérer l’équation du pendule. MINEUR (1966) Techniques de Calcul Numérique.L. A. Il n’y a plus de théorème d’unicité analogue à celui de Cauchy-Lipschitz.R. 9. HILDEBRAND (1956) Introduction to the numericul unalysis. Wiley. M. Le problème aux limites On peut rechercher une solution y = $( z ) e t z = $(z) telle que. FAVARD (1962) Cours d’Analyse de l’École Polytechnique. Mc CRACKEN et W. J. Wiley. RALSTON et H. D. Le problème est plus délicat.P. On se donne ~0 et ya à ta. WILF (1965) Méthodes mathématiques pour calculateurs arithmétiques. d’où son nom : la méthode de tir. Éditions Dunod. Éditions Gauthier-Villars. et zb (qui encadrent la valeur cherchée 20) à partir desquelles on recherche za par dichotomie. Lorsque ce problème de conditions aux limites se présente. Tome III : Théorie des équations.

‘8 i. Cette remarque induit une conséquence immédiate : les méthodes que nous allons développer peuvent également s’appliquer à la résolution des équations différentielles ordinaires.‘~. c’est-à-dire que les inconnues aux nœuds du maillage sont données explicitement par les équations.“‘.yfp”...:’. presque de façon inéluctable. le maillage est serré. b. des dérivées partielles. l’autre est implicite.”. ce sont les mêmes techniques qui utilisent les mêmes approximations des opérateurs différentiels. On voit bien qu’il s’agit de la généralisation de la notion de pas. c’est-à-dire ne comportant que des zéros hormis la diagonale et son voisinage.:.. les méthodes aux éléments finis.”i/_.. /$2./*14 y-’.. Ce problème généralise l’intégration des équations différentielles ordinaires lesquelles ne dépendent que d’une seule variable . les méthodes aux différences finies.. Dans ce dernier cas. Les méthodes aux éléments finis proposent un maillage adapté au type de problème considéré : là où la fonction inconnue varie beaucoup. Ce sont les raisons qui expliquent qu’il existe deux types de méthodes numériques pour intégrer les équations aux dérivées partielles : a. C’est aux nœuds de ce maillage que l’on calcule les valeurs de la fonction faisant l’objet de l’équation aux dérivées partielles.=&/.:. il existe alors des méthodes d’inversion spécifiques de ce type de matrices (cJ le chapitre 5 consacré au calcul matriciel). celui-ci pouvant être constant ou variable selon les besoins.:. Fondamentalement./ .. figurent. et ce qui les différencie repose sur la technique de maillage du domaine considéré. on peut dire que.‘z’:“‘. dans les équations. Les méthodes aux différences finies exploitent un maillage à pas constants (quel que soit le type de coordonnées utilisées) et proposent deux types de résolution : l’une est explicite. Le premier problème qui se pose concerne les domaines ayant un point à l’infini... alors les inconnues constituent un système linéaire qu’il convient d’inverser. à partir du moment où nous sommes en présence de plusieurs variables.modo. ‘‘”ii aux dérivées partielles Nous nous proposons d’étudier quelques méthodes d’intégration d’équations aux dérivées par- tielles du premier et du deuxième ordre dans le champ réel. on a affaire à une matrice «creuse »./ Intégration des équations 7:*‘-Kg .:i. Il ne faut voir là que des problèmes liés à la géométrie du domaine ainsi qu’à la nature de l’équation aux dérivées partielles. là où la fonction inconnue varie 215 . .:$y. les méthodes utilisées ont toutes en dénominateur commun la réalisation d’un maillage se superposant au domaine D sur lequel on désire effectuer l’intégration numérique. Hormis quelques techniques très pointues attachées à des problèmes d’espèce et qui sortent du cadre de cet enseignement..j~. tandis que le second concerne les techniques à pas variables. -*/. grosso.

Parmi les différentes manières d’imposer les conditions aux limites. Les conditions de Dirichlet (180551859). b. B2(x. Généralement ce type de conditions conduit à utiliser une méthode d’intégration implicite. en revanche.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ peu le maillage est très grand. mais. En tout point de la frontière F. Y) où D est une fonction pouvant dépendre linéairement de a. on note à ce propos que l’on a affaire à des domaines de même type. Les conditions de van Neumann (1832-1925). les cas offerts par la physique sont généralement des formes explicites. En tout point de la frontière F du domaine. 216 i . B2(x. Nous limitons toutefois notre étude aux équations linéaires à deux variables indépendantes x et y (ou t). 1. 2. Considérations sur les équations aux dérivées partielles d’ordre au plus égal à deux Dans un repère cartésien orthonormé tridimensionnel de coordonnées (z. nous connaissons la valeur de la dérivée norrnale de la fonction a.y)C(x. C’est précisément la méthode retenue dans l’étude de la résistance des matériaux . L’analyse de ce cas particulier permet de distinguer trois types d’équations aux dérivées partielles linéaires du deuxième ordre selon les racines de l’équation caractéristique (théorie de Monge (174661818) . il est possible d’étudier la propagation d’une perturbation thermique sinusoïdale dans un milieu matériel. Remarque 1 : Les conditions aux limites peuvent dépendre du temps. Par exemple. il s’agit des conditions aux limites (éventuellement à un instant t) : ce sont les conditions sur la frontière F du domaine D.4A(x. ainsi l’équation devient : A(x. conduit à des études préalables longues et coûteuses qui restent en général du domaine du spécialiste. y) > 0 : c’est le type hyperbolique dont l’exemple est l’équation de propagation des ondes (cordes vibrantes par exemple). nous évoquerons les deux plus importantes : a. y) ~ 4A(x. y)C(x. y) = 0 : c’est le type parabolique.y) . y)-4A(x.Ampère (177551836)) : 1. g et g uniquement. z). y) < 0 : c’est le type elliptique. y)C(x. La recherche d’une solution numérique à l’intérieur d’un domaine D passe par la connaissance de certains renseignements concernant la fonction @. y. Cela conduit à une sorte d’optimisation du temps de calcul et de la quantité de calcul. le prototype est fourni par l’équation de la propagation de la chaleur ou encore de la diffusion. nous connaissons la valeur de la fonction a. 3. l’équation aux dérivées partielles du deuxième ordre la plus générale à laquelle obéit la fonction Q s’écrit de la façon suivante : Ici encore. B2(x. il s’agit de l’équation de Poisson (1781-1840) qui admet comme cas particulier l’équation de Laplace. Y>Z + B(x. et c’est plutôt l’étude des formes linéaires qui va retenir notre attention. c’est aussi le problème de Cauchy.

la généralisation peut se faire sans difficulté. mais il est rare de rencontrer des dérivées partielles au-delà de deux. yb) et C(x. ~ yb).@(%y~) ~ @(xb.Yb !/b . ?/b) . on considère une fonction «bien élevée » @(CC.x. B(q. il faut pouvoir exprimer les opérateurs différentiels en fonction des différences fournies par le choix discret des points (nœuds du maillage). . Dans un repère cartésien orthonormé à deux dimensions (2. Yb) _ @(xb. y). tend vers zéro (ainsi que 2. 217 . !/b) _ @(xb: Yb) ~ @(%m !/b) 1 xb . Y11 ~ Ya Yc . !/c .@(xb> !h) 1 . ya). mais c’est surtout la forme géométrique de la frontière (qui possède ou non des propriétés de symétrie) qui permet de savoir si l’on doit s’orienter vers la recherche de solutions formelles ou vers la recherche de solutions numériques.@(xb.xb) ou encore lorsque L/b . Quelle que soit la méthode utilisée.YY. dérivabilité au moins à l’ordre trois. est approchée par l’opérateur différence seconde ainsi défini : @(xc.yYn tend vers zéro (ainsi que y. 2. xc . cependant.Yb Il n’est pas très difficile de voir que.@(xb. Ici. 14. et yu. Yc) . compte tenu des bonnes propriétés de la fonction a.Yb La dérivée partielle d’ordre deux par rapport à x.2.). &‘c) .. La dérivée partielle en B par rapport à x est approchée par l’opérateur différence première ainsi défini : La dérivée partielle en B par rapport à y est donnee par l’expression : d@(xb.) Yc . calculée en B. < xb < x. Yb) . le cas échéant. etc.Yb) dX Yb &Y Y/.!/b) . yc) pour lesquels nous avons : 2. < yb < yC. Soient trois points tous distincts A(xa.. notre propos se limite aux opérateurs différence première et différence seconde. y) qui possède les bonnes propriétés de régularité (continuité.@(zb. INTÉGRATION DES ÉQUATIONS AUX DÉRIVÉES PARTIELLE~ Remarque 2 : L’obtention de solutions générales aux différents types de problèmes présentés dépend de la nature de l’équation aux dérivées partielles. Les opérateurs de différence Au domaine D on superpose donc un maillage le plus adapté possible à la forme géométrique de D. Yb) = dQ>(xb>Y) ~ @(xb..Xb i la dérivée partielle d’ordre deux par rapport à y s’écrit : i d2@(xbd lyb = & (““@$>y)) Iyb dy ” s ~ @(xb. les opérateurs de différence tendent vers les opérateurs différentiels lorsque xb .

by(l+ b) 218 r .1). alors nous sommes amené à calculer la valeur des opérateurs de différence sur les points qui sont à l’intersection du réseau formant le maillage et la ligne constituant le bord du domaine.@(xb. 14. Nous pouvons écrire : On en déduit que : !eJo= 2 (T+Y).2@(xb. Yb) ~ @(xc. 6x(1 + a) !z~o= 2 (Y+?).MANUEL DE CALCUL NUILIÉRIQLJEAPPLIQUÉ Dans le cas particulier où le maillage est régulier (points en progression arithmétique). !/b) dX Yb 6Y ’ d2@(x. Yb) + @(&.2@(xb. . Yc) . Valeur de l’opérateur de différence 0 ’ X sur les bords du domaine. on obtient des expressions plus simples en désignant par 6x et Sy les raisons des progressions arithmétiques : d@(zb). 8X2 “b 6X2 d2+b. Y 3 Bord du domaine i 4 + Figure 14. !/b) ~ @(x6. Voyons ce qui se passe à deux dimensions (CJ? Fig. !h) dy2 Yb = SY2 Valeur de l’opérateur de différence sur les bords du domaine Il n’est pas toujours simple de faire coïncider les nœuds du maillage avec les bords du domaine quand bien même aurions-nous choisi un système de coordonnées correctement adapté au problème.1. Yb) .Y) @(xb. Yc) . Yb) . L/b) + @(x6.

.. k + 1) + qi. 219 . L’opérateur laplacien Compte tenu de son importance.LQ(i.. 3. l’orientation du maillage à trois dimensions étant définie conformément à la figure 14. k.l. y. k) + @(i . j ~ 1.j. il mérite qu’on s’arrête quelque peu sur lui et notamment que l’on donne son expression en fonction des opérateurs de différence dans le repère cartésien ainsi que dans les systèmes curvilignes orthogonaux classiques. Ic) . k)i .j. k) .j + 1. k) SX Figure 14. j ~ 1. Il vient immédiatement que : aqx. Ic) + Q(i.] + $ [cqi.2@(i.~TIONS AUX DÉRIVÉES PARTIELLES .j. INTÉGRATION ms ÉQU.1..k = & [@(i + l. sz2 0 bz(l + c) dz 62 > 3. Ic)] ..j.j.-$ .2. j..1 14.j. j.2. Sy et Sz les dimensions de la maille élémentaire. k)] + & [@(i. Repère cartésien / orthonormé.l M(i.LQ(i... en généralisant sur la troisième dimension : dz@ 2 4>5 -ao @6 -@O -+-. Repère cartésien orthonormé M(i. j + 1. X Désignons par 6x. k ~ 1) . Z)i.

~irr (cj’.rl. k)] z 1 4. x: + 1) + @(i.j.3). 8. 14.j> k -.s cu/l%rrd~ique.j. Résolution des équations de type elliptique On sc propose dc calculer les valeurs d’une forlction Q ohéissarit 5 une kluation de Poisson : A@( Y) = p(F). Fig.2...1) ~ @(i.rl.3. Figure 14. Coordonnées cylindriques (r. 220 . z) Dksigrlolw par CI~. + & [Q(i. r6fl ct 6~ Irs dimmsions de la mailk Clhmt.do.i~.s 3. Coor.

Coorrlonm2e. de Neumann. on lts appelle fonctions harmoniques. La recherche de CCL> solutions dais lc cas des symibks usuelles s’t’ffectuc sous la forme dc produits de Laplace et elle aboutit à un bon noml~rc dc fonctions dites spéciales. Dans lc cas de l’équation dc Poisson. 1101x3 étudierons le probkmc ths un rcpèrc~ cartésien ortlioiiormt? ct nous choisirons 63. 221 . de Mathieu ctc:.s. dc Bcssel. un n o m .ant 1’6kment de volume.e solution aux solutions dc l’équation dc Laplace (kluation sans sec:ontl membre) pour obtenir la solution complète (kyuatiori linbaire). fonctions dc Weber-Hermite. wsinus. 1~:s solutions formelles drviennent cx<:c:pt.~TJX DÉIIIV~~ES F. pratiquement dans tous les cas il f’aut avoir recours au calcul nurri&icliie.ç sph. 4. Les fonctions qui olkksent à cette CquaLtion portent. lorsque le probkne étudik n’admet pas dc symktries simples. Dans tic nornbrcux cas p( F) = 0. Il suffit d’ajouter c:ett. al1trenient dit ccllcs qui jouent un rôle important en analyse : sinus. IIOUS connaissons une solution particulib : du ét.4.iorlrlelles ct.Criqur. 14. 1Clallleureuscmcnt. Conduite du calcul permettant la résolution numérique de l’équation de Poisson Par raison de simplicités. = 6y = 6z = h. ct nous tlevons résoudre IIIE: équation dc Laplaw : A@(F) = 0. INTÉGRATION DE~ RQUAT~ONS .1. fonctions tic Legendrc associks.ARTIELLE~ Figure 14.

4. La dcrniere relation i:tablic permet alors de calculer tous les points adjacents à la frontière. G(i.l>j. k) = g [a+ + l.7r/3) et . cause dc la symétrie cylindrique. j + 1.1)’ : d”‘(i> j. nous ferons usage des coordonnées polaires à.j.krat. nous compléterons ensuite par symétrie.j. On se propose de déterminer la carte du potent. La figure 14. nous n’avons donc besoin pour effectuer les calculs que de faire varier l’angle H dans l’intervalle (0.Jacohi : au cours du calcul. Comme le probkme admet une symétrie d’ordre six. Gauss et Seidel ont profité de cette proprikti: pour améliorer la rnkthode de .1) ~ h”p(i. j.ion. Gs. il faut deux tableaux pour mcttrc tn couvre cet algorithme.5. [a+‘)(i + 1. à la cathode qui SC trouve au potentiel zéro. sur la frontière. k) + Q(i. d’êt. L’anode A est un cylindre métallique de rayon 1 cm port6 au potentiel 100 volt.3. k)] D’un point de vue pratique. nous n’avons plus besoin de sauvegarder les différents tours d’itbration. Gx. Nous n’avo11s plus besoin que d’un seul tableau dans lequel les valeurs sont « écrasées » succcssivernent. Nous choisissons le rnaillage suivant : 68 = 7r/36 et 6~ = O:l cm (cf. on peut faire immkdiaternent usage des valeurs qui viennent. Une larnpe triodc est constituée d’une cathode K.j. exprimons Q(i.4. Au rhe tour d’it.j . k) + Q+‘)(j. k) au point M(a. k) + Q(i . page ci-contre). Fig. ces six fils ktant rnaintenns au Potent)iel -5 volts par rapport à la cathode.j. On montre que la méthode est convergente. Méthode de Gauss-Seidel (1821-1896) On peut montrer que la technique itérative de Jacohi est convergente et ahsolumcnt convergente.iel dans un plan perpendiculaire à l’axe de la triode.l.j + 1. Méthode de Jacobi (1804-1851) C’est une mkthodc itérative qui consiste à affecter aux nteuds du maillage une valeur arbitraire de l’ordre de grandeur de celles qui SC situent.MANUEL DE CALCUL NU&RIQVE APPLIQUÉ Maintenant. De toute façon.j> k .1) ~ h”p(i.j . Application On se propose d’étudier les équipotentielles d’une lampe triode que nous prksentons assez simplifik. 222 .s par rapport. k) + Q> (“--‘I(i . La grille est constituée dc six fils parallèles à la cathode disposés régulièrement sur le cylindre de rayon T = 0.1.6. k)].j. k) + Q> (n-1)(“> j. k . il n’est pas trk utile de programmer cette procédure car la mCthode de Gauss-Scidcl en est une importante amélioration. j.. j.2. d’une anode A et d’une grille G1: Gx. La cathode est un simple fil métallique de rayon négligeable placé sur liaxc du cylindre de l’anode.1. k) + d’“-“(i. Ccttc rnét. 4.2 cm. on écrit les relations qui font appel aux calculs effectubs au (n .re calculkcs et. k + 1) + Q +l)(i>j. k + 1) + @(1. k) en fonction des valeurs prises aux points plus proches voisins de hi(i. La réitération de l’exploitation de la formule pcrrnet de proche en proche de modifier tous les points du maillage.j: k) : qi. Pour ce faire..hode exigt environ deux fois moins dc calculs que la mkthodc de Jacob car elle converge beaucoup plus rapidement . page ci-contre montre la coupe de cette lampe simplifike. k) + Q(i. k) = . 4. lesquels sont les seuls à être modifiks. 14. k) + @(i. Gd. j.

Maillage d’une partie du domaine de la triode.5. et celui de la droite Da est le mCmc que celui de la droite Dl. Nous complétons par symétrie car sur la droite DF> le potentiel est le même que sur la droite D 9.5. Dz. c qui réalise le calcul des potentiels par la méthode de Gauss-Seidel.pe triode. INTÉGRATION DES ÉQUATIONS AUX DERIVÉES PARTIELLES Figure 14. lors de deux itérations consecutives. 03 et Db. On trouvera sur le Web (*) 1 c programme triode. Nous avons donc besoin d’un tableau contenant 88 valeurs et nous arretons les calculs quand deux valeurs calculées au même point au centre du maillage. 14.com/guilpin/ 223 . Nous calculons le potentiel sur les droites D 1.edpsciences. Représentation schématique d’une lnm. *http://www. 4. GI et K. sont Sgales ü une certaine précision près. Anode K Cathode Figure 14. Technique opératoire On met des zeros partout aux nceuds du maillage hormis aux points A.6.

Problème de stabilité Nous ne pouvons las choisir u’irrlportc~ corumcnt 1~: quadrillage de l’cspac~c~ (x.2.c. t) ~ qx + 6x. aiiisi clc suitr.3 coritlitions iiiitialcs. tlcux ou trois coordoririCcs d‘cyacc. t. 4 cm Ci sclori qu’il y a une. très rspidcrncnt ri’irriport.ir ch. t) + q:x: . Résolution des équations de type parabolique (méthode explicite) 5. : on obtient.ollt poiut. Au temps ht.hr.lClitk est. cm tenant compte tics conditious iruposks au systhc @tu&+ (conditions aux limites).lcul proposé est st~ablc lorsque la conditiori suivant. Conduite du calcul pour obtenir la résolution approchée de l’équation de diffusion Les valeurs cn chaque point du rrmillagc au temps 1 + ht ne dCpcnd(~rlt que tics vakurs calculks à l’instant. l’expression de 1’6qnatiorl dcvicnt : 5. 224 . t) ~ qz t + n‘t) ~ q. ct. au cours du temps) : qz.c quoi : ou ahoutit à uu tl@üsserncnt dc capac‘itb (overflow) qui produit un arr?t de la rriachinc~. sanctionuC~ irriirl~diatrrll~llt. du maillage..&r:. Puis nous cfhkuons les calculs au temps 26t par le rr&nc: procéd6. Maillage pour une coordonnée d’espace et la coordonnée de temps Cornriie prKdcrnrurnt~ nous choisissons un maillage rbgulier. t + 6-t) = 9(Z) t) + g [fD(zr + ch.5. t) at . 5.1.ion du problCme est &tcrmirlC+ par une suite tl’oph-atious 6lhcmta~ires cffcctui33 CI part.e est rcniplie : cy valmt 2. ii11 tclll~>s 3Ot.c. t) a2 . t) ~ 2qn.r. La solut.t 6:IJ +D(. rsfk Nous obtenons alors 1’Pvolution du syskhne au cours du temps. uous calculoris au moyeu de la relation ci-dessus les valeurs en c‘llacluc~ poirlt (111 maillage. nous connaissons la valeur de @ CU t. ct. t) ~ ‘Lqx. Le non-respect clc la condition de sta.3. . Nous pouvoiis écrire : mqx. la maille ~lhncmtaire a la kille cT:cSt. t) ct lr: ca.r. ct il est facile tic s’apcrcmY)ir que &tc~ m6tlde u’cst pas itérative (les vsleurs changent.t h‘t Au moyeu ch diff&ences finies. t)] Au temps t = 0. t) + qx .

en série de sinus et tic cosinus qui. ai~. pour kt.airc~ a la tkllr bzh‘t. l’kluatiori suivmtr : expressioii dms l a q u e l l e (’ e s t u n e wnstarite appelbr c+kitt ck l’oritlc litm tlms 1~ milieu <onsidk+ (vitesse de phase). 6.NT&RATI~N DE:S ÉQU.mipkrature à l’int. noiis m coiis~mmis qw la seule mordonnk: d’mpaw 2. I.joiml’liui.kd formel. de tliffusion est D = 1. c>llc est. bim agit6 pour qiw l’on puisw admettre que l’briergie &lPc par la plaque nc clmngc pa. nous choisissons 1111 rriaillagt rkgulicr~ ct la rmilk 616rncml.ion dc ccttc équation. dans un rkrvoir d’eau 5 la température 01 = 10 “C suffisanirricnt grand c:t. trrup~rat~ure uniforme Ho = 90 “C.4.12 crn”sP1 Au tmut de cornl)ieii de tririps pouvons-nous adrncttrc qiic 1iL tcnipi:mture est 2.t.1 “C la t~mip6ratim du tlicmnostat ? Il est tout à. c’est-k-&-c> lorsqiw la.Prieur dc la plaque fn fonct.raitF ct pour lcqwl il II trouv6 la solutioii sous forme tl’uii d~velol)l>eriierit. On sc propow dc dik:rrniner la ~. c qui t.utlicr l‘intPgrat.ori riotable la teinp&dure du réservoir. fait intérrssmt dr corripare~ les résultak du calcul riiirn6riqiic rwcc les rk1dtats du c.raite ce prol~lèrne. C‘est ce genre de problème que Fourier a t. l’expression de l’iquatiorl tlcvicnt : 225 . du temps t (ou notera la symétrie du prol)lèmr) La. Application : Refroidissement d’une plaque homogène Une plaqué hmnog~?nc d’kpaisscur i! = 10 cm mt port& a la. Cornrnc prMdtrnnicnt. L’klimtion sc rkluit alors à. nouveau uniforme dans la plaqw. y. Nous pouvorls écrire : Au moyen clcs diff6rcncw finks. pork sou nom (Thkorie malytiyue de la cldrur. Résolution des équations de type hyperbolique (méthode explicite) Nous rec:lirrc:lions une fonction Q qui prend certaines valeurs sur le hortl d‘un doriiairic ct qui obbit 5. de la variatdc clc tcrrips t. plaqur est t‘11 cuivre dont le coefficient. l’~~xpression : 32q2.~TIONS A~IX DÉRIVÉES PARTIELLES 5. teinp6rdure la plus élevée ut tl6passc que dc 0. î et. On trouvera sur lc Wcb (*) 1 c progrmm~c chaleur.ion dc lin distmw z c.s de fac. Au temps f = 0. t) 1 dz@ 3z” r2 3t” 6.1. 14. 1822). Maillage pour une coordonnée d’espace et la coordonnée de temps Cornrnc pr@c~~derrirrierit. La foiiction tl&mcl tirs trois vari.tt>les d‘espace 2. plong&.

urr uniforme 8. et la maille 6ltmentairc a la taille hz&. On trouvera sur lc Wcb (*) 1 e programme chaleur . Au temps t = 0. 6.i.1. y. 1822). nous clioisissoiis im maillage r&g&X”.inalytiquc tic la. t) 1 a2ù. l’expression de l’équat. c qui tr.tt. On SC propose de d6tc:rminer la.ion SC‘ rkluit alors à.sse que dc 0.ion devient : *http://www.antc appelée cCkrit. z ct de la variabk~ de temps t. pour lcqwl il a l. Résolution des équations de type hyperbolique (méthode explicite) Koils rec~hrrcllons lme fonction Q qui prend certaines valeurs sur le bord tl’lm domaine ct qui ol+it à. nouveau uniforinc dans la plaque.P de l’on&~ libre tlrtris le milicu corisidér6 (vit.ttion.l.ion dkpentl des trois variables tl’cspaw XT. elle est plong6c dans un réservoir tl’e. à. Maillage pour une coordonnée d’espace et la coordonnée de temps Comme préréclcmmrnt.tquelle c est une cwnst. LR plaque est en cuivre tlont le coefficient dc diffusion est D = 1. L’kpiat. ai~.1 “C la tcmptrature du tlicwilostat ? Il est tout à fait.joiud’Iiui. Comme prtcklcmment. tic cosinus qui.‘.com/guilpin/ 225 . portbe n la tcmpk. en s6ric dc sinus et. températurc du réservoir. sym6trie du problème).12 cn?s. t. Al1 bout dc combien de temps pouvons-nous atlmcttrr que la. intkwaiit~ dc comparer les rksultats du calcul numtric~ue avw lw rkultats du cald formc. dialeur. La fonct.ite ce prol)l?mc~.rouvC la solution sous forme d’un dfvcloppcmrrit. Nous pouvons &rirc : Au moyen des tliff6rences finies. arr” . porte son nom (TlGwrie .ru à la température 01 = 10 “C suffisan~mrnt~ grand et lkri agit. Application : Refroidissement d’une plaque homogène Une plaque homogène cl’6paissr:ur / = 10 cm est. C’est c’c gtnrc dc probkmc que Fourier a trait6 et. nous nc wnservons qu(~ la seule coordorm~e cl’csl~ac:c: CE.tre que l’éncrgic cklée par la plqur: ne change pas de faqon notalde la.) = 90 “C. c’est-Mire lorsque la tc~mptraturc la plus @lev+e nc tlbpa. tempPrat~ure ?i l’intbricwr de la plaque cn fonction de la tlistancc~ :1: et du temps t (on notera la.5. pour 6tudier l’intégration de cette 6qu.4.empkdure est. l‘expression : iS”Q>(z.(f2 (yt2 6.6 pour que l’on puisse adnwt.csse de phase). l’kluat.edpsciences.ion suivaritc : c~xprrssion dans l.

On note que l’on doit retrouver un profil 226 . Profil d’une corde pincée. on se propose de dctcrminer les profils successifs de la corde sur une demi-période. h = 1 cm. et ainsi de suite au temps 36t.qx. . et. cette corde est disposée conforrnérnent à la figure 14. Puis nous effectuons les calculs au temps 26t au moyen de ce qui s’est passé au temps t = 0 et au temps t = St.&). t + ht) = r2fD(x + 6x. .2. Problème de stabilité Ici encore. Ici encore. Au temps 6t: nous calculons au moyen de la relation ci-dessus les valeurs en chaque point du maillage. à l’instant initial t = 0. deux ou trois coordonnées d’espace. . t) + r2qx ~ 6x. expression dans laquelle on a posé : Au temps t 5 0. le non-respect de la condition de stabilité provoque l’arrêt quasi immédiat de la machine: Application : Profil d’une corde vibrante pincée .MANUEL. . et l’on voit ici encore que cette mcthode n’est pas itcrativc : qx. nous connaissons la valeur de Q en tout point du maillage. Sachant que L = 100 cm. c = 300 mspl et (L = 15 cm. La solution du probleme est déterminée par urle suite d’opérations élémentaires effectuées a partir des conditions initiales. t . n&. t) + 2(1 ~ T2)4>(X. t) . DE CALCUL NUMÉRIQUE APPLIQUÉ 6.7.7. Nous obtenons par ce moyen l’évolution du système au cours du temps.Une corde vibrante ABC est fixée à ces deux extrémités B et C. 4 ou 6 selon qu’il y a une. Conduite du calcul pour obtenir la résolution numérique de l’équation de propagation Les valeurs en chaque point du maillage au temps t + St ne dépendent que des valeurs calculées à l’instant t et a l’instant t ~ 6t. nous nc pouvons pas choisir n’importe comment le quadrillage de l’espace (z: t) et l’algorithme propose est stable lorsque la condition suivante est remplie : <y valant 2. en tenant compte des conditions imposées au système étudié. Y A LT/ > B n L c x Figure 14. . 6.3.

M. Éditions Dunod.ement des équations dirférentielles ssur calculateurs arithmétiques. On observera aussi la propagation des ebranlements de chaque côté du point A. HENRICI (1964) El. H. Volumes 1 and 2.S. J. Springer. Dunod. RALSTON et H. A. M C CRACKEN et W. Gauthier-Villars. KARPLUS (1968) Troi. Sur le Web (*). 7. GIRERD et W. fascicule 1 : Équations differentielles.ary and partmr! eguations. DORN (1964) Numerical Methods and Fortrun Programm. WILF (1965) Méthodes mathématiques pour calculate~urs arithmétiques.troduction à l’analyse rxumérique des kquations aux dérivées partielles.edpsciences. Tome III : Théorie des équations. FAVAR.t=ments oj NumericaI Analysis. Mc Graw-Hill. Wiley. P. AMES (1972) Nonlinear partial differential eguations in engineering. *http://www. A. Il est intéressant de comparer les résultats avec ceux fournis par la solution analytique. Wilcy. J. TVEITO (1998) Introduction to partial d$ferentiul equations : a computational upproach.com/guilpin/ 227 . INTÉGRATION DES ÉQUATIONS AUX DÉRIVÉES PARTIELLES symctrique au profil initial.D (1962) C o’urs d ‘Analyse de l'École Polytechnique. P. MINEUR (1966) Techniques de Calcul Numérique. THOMAS (1988) In. Éléments de bibliographie M. D. c qui rcalise la simulation d’une corde pincée. on donne le programme corde. RAVIART et J.A. Clarendon Press.kg. F. J. Academic Press.t. Gauthier-Villars. AINSWORTH (19%) Theory and numerics of ordin. 14. HILDEBRAND (1956) Introduction to the numerical anakysis. Dunod.

Petit apercu historique L’origine des séries de Fourier remonte à 1822 quand est paru l’ouvrage de Jean-Bapt. On se bornera donc ici à etudier les fonctions pcriodiques dc periode 25r puisqu’un changement lineaire de variable permet toujours de se ramener a cc cas.itre « Théorie Analytique de la Chaleur ». Ccpcndant on pourrait tout aussi bien s’int&esser aux fonctions pcriodiques de pbriode 2: c’est)- a-dire dans l’intervalle (-1. (15.2) X(x) T(t) . 1. +l). C’est en résolvant « lc problème du mur » en regime transitoire que Fourier a fourni une expression formelle constituée d’une somme trigonométrique infinie. d’interpolation ct aussi dans les problèmes de filtrage numérique. En toute rigueur le calcul pratique des séries dc Fourier n’est pas a dissocier du calcul des transformées de Fourier.t) = X(z) . on se contentera de rappeler 1111 certain nornhre de theor?mcs fondamentaux dont on omettra la démonstration. On recherche donc la solution de l’équation de la chaleur dans un milieu homogène et isotrope constitué par un mur indéfini d’epaisstur h.1) d2J2 D dt a n fic e1.X”(X) ~_~.iste-Joseph Fourier (1768 1830) sous le t. ~ T’(t) (15. On designe par D lc coelhcient dc diffusion thermique dans lc milieu. Au cours de cc chapitre. par Q la température. par J: la seule variable spatiale et par t la variable temporelle. dc lissage.erc>h cr les solutions sous la forme dc produits dc Posons H(z.rech. Nous obtenons : D~“(Z) T(t) = X(z) T’(t) d’où l’on tire : . Il est intéressant de rapprlcr ici les grandes lignes de cc problème ainsi que sa solution. et nous aborderons l‘étude du trPs puissant algorithme de Cooley-Tukey. T(t) Laplace. Il convient alors de rcsoudre l’équation : d”8 1 ae -=--.15 (L es séries de Fourier Les séries de Fourier jouent 1111 rôle important en calcul numériquc~ et OII les retrouve lors des problèmes d’approximation des fonctions. dans la mesure où l’on souhaiterait ctudier en mbme temps les devcloppernents en série de Tchebycheff.

O) = TO = Acos + Bsin(kh) Pour simplifier les équations. 1.iales et aux limites.TO = L3 sin (7x) exp [. t) . ce sont des combinaisons linéaires des autres constantes A’.3. (15. 7l dor1c k = 7-l. on peut rkaliser un changement d’origine des tcmpérakures et poser : TO est la nouvelle référence. Il reste à appliquer les conditions aux limites ct les condit. t) = [A COS(~. .1) s’krit : /3(:1*. .ions initiales : O(0. A’: B’ ct C’ ktant des constantes d’inGgration. pour déterminer compktement la solution il est. nkessaire dc faire intervenir les conditions init.t > 0) = H(h.=n?r avec n . 1 . . Au temps t < 0.3) T’(t) + k2T(t) = 0..4) s’écrivent : T(t) = A’exp(-kDt) X(x) = B’cos(kz) + C’sin(kz). .n = 0.0 . = A: 6’(h. . avec .MANUEL DE CALCUL NUMEIUQUE APPLIQUÉ Comme lc premier membre dc (15.2. T = T. et l’on obtient : A=0 0 = B sin(kh) La solution non triviale impose : kh. On obtient alors les kquations : X”(X)+ k”X(z) = 0.3) et (15.4) Maintenant. Les solutions des kquations (15.5) s’krit alors : Q(~C. (15. (15. t > 0) = Q(O> 0) = r. 2 .(y)ZDi] 230 .5) expression dans layuclle A et B sont des constantes. 3 . Comme on va lc voir le signe moins résulte du fait physique que la tempbrature ne peut pas croître indéfiniment de fqon spontanke. Une solution de (15. B’ ct C’.2) est constitué d’une fonction nc dépendant que de z et. pour 0 < z 5 h et T = TO partout hors du mur. comme le second membre est constitué d’une fonction nc dépendant que de t: leur intersection commune ne peut &tre égale qu’à une constante que l’ori désigne par -k?. Au temps t = 0.~) + B sin(kz)] exp(-k2Dt). on a T = TO sur les parois du mur c’est-à-dire pour z = 0 et z = h. h et l’expression (15.

r lc dkvcloppemcnt de la condition initiale dans le mur (ici. Le rncml)rr~ tic gauche est diffkent de zCro quand 71 est impair soit n = 2p + 1. si au temps t < 0. 2./2.iy.8) rt-1 La somme est le développernent de F(z) en série de sinus. Compte tenu de la linkarité de 1’6quation (15. 277 M = 231 .1). ~ TO = T: pour 0 < ./ls) cos(7rm) dz: J0 cos(nz)cos(m2) dz. B dépend de 11.?.6) prend la forme : F(z) = F B. droite.. cn toute rigueur. sin (7~) .tj intégrons de 0 à h. [siIL’ (yz) dz 0 à cause de l’orthogonalité des fonctions sinus (voir le prochain paragraphcl). (15.i (15. au membre d<. t) ~ TO = 4: 2 ij&y siri [(2p + l)i.ns Ic mur s’Ccrit F(z) pour 2 compris entre 0 et h. alors la condition (15. 15. LES SÉRIES T)E FOURIER Il nc reste plus qu’3 déterminer le coefficient B: et.6) Multiplions les deux membres dc (15. On olkient~ : ]Tisin (yz) dz = B.z. quant. En définitive. il vaut h.. On déduit donc la solution gérkale : e(x.ç < il> donc : (15. c’est la fonction «fen%re » qui est une constante dans un intervalle fini et. + . la solution la plus génbrale doit donc s’krire : On remarque qu’à l’instant t = 0 : 0(. 0) ~ TO = T.c] exp [-i. qui est. la condition da. Orthogonalité des fonctions sinus et cosinus sur une période Il s’agit dc calculer les expressions suivantes : JIl 27T K = sin(rLz) sin(rrlz) dz J0 2T L = sin(.6) par sin (y:~) c. les proIn%%% dr paritk ou de symétrie ayant annulé les coefficients des termes en cosinus.i. la solution spatiale est donnée pa...7) 7r=l D’une façon plus générale. nulle ailleurs).

. L’intf?gration des expressions K: L ct M au moyen des dations prkédcntes foiud les égalitks suivantes : 3.. Supposons que nous ayons l’égalitk : f(x) = 2 + g n. 27r). (15. calculer les cocBicients a.z) + j?j b. ~ b) = COS(U) COS(~) + sin(n) sin(b) qui nous perrnettcnt.b) = ski(a) Cos(b) ~ sin(h) cos(cI) CO~(U + b) = COS(U) COS(~) ~ sin(a.MANUEL DE CALCTJL NUMÉRIQCJE APPLIQUÉ Pour cela on utilise les formules usuelles dc trigonométrie à. multiplions les deux membres de la relation (15. et b. d’obtenir : ski(a) COS(~) = [sin(a + b) + sin(n ~ O)] /2 COS(U) COS(b) = [COS(Q + b) + cos(u . sin(rbz). Pour cela.b)] /2 sin(u) ski(b) = [CO~((I.) sin(b) COS(~.ant cherchons à. cos(n.9) 71=1 rr=l nous prkiserons ultérieurement les conditions pour que la fonction et le di:veloppcment trigo- nométrique propos6 soient égaux mais. savoir : sin(a + h) = sin(a) cas(h) + sin(b) Cos(a) sin(u . pour l’inst. 27r..9) par COS(~~) ct intégrons sur la périodc : et en tenant compte des relations d’ortliogonalité.b) ~ cos(u + b)] /2. Série de Fourier associée à une fonction périodique Ori s’intkresse à une fonction f(z) périodique dc pério&. à laquelle on associe la skie trigonométrique : susceptible tic représenter la fonction f(z) d arls l’intervalle (0.. on obtient : (15X] 232 ..

~ de la discontjinuitjP (convergence simple). on dit que la fonction f(z) es.1. cn tenant compte des relations d’orthogonalite. multiplions les deux membres de la relation (15. Théorème III Appcle thi:or?rnc dc Jordan (1838-1922). 4. sont calculk au moyen dc la mkrle formule. 15.7) est.Soit f(z) une fonction d&iic sur mi intervalle (n: h).. et à variations bornées sur tout intervalle fini. Définition d’une fonction à variations bornées . soit. convergente pour tout n: et a pour somme f(z) dans le cas dc la continuité et [. On divise (a. on obtient : (15. la somme S. . DC la même façon. 1a série trigonorri~t. rcstc infbricurc a 1111 nombre M fini. Si f(z) est p ériodique de periodr: 27r.11) 4. 233 . S la somme définie par : Si. LES SÉRIES DE ForrRrER et. continue et pourvut d’une dérivée prcnii?rc continue f’(z). alors sa série de Fourier est convergente et uniformément convergente clans tout intcrvallc où f(.O)I/L dans le ca. Conditions d’égalité de f(x) et de la série de Fourier associée On admettra sans di:monstration les théorèmes siiivants : 4.t .f(z + 0) + f(z . qui sont alors des points de discontinuit6 dc première espèce pour f(z) et f’(z). quelle que soit la décomposition de (u? b).3.z) est continue. sauf eventuellement en un nombre fini de points sur une période et. < Lcn-l < b. b) en n sous-intervalles partiels au moyen de (n ~ 1) points t.2.riqiic (15. corllrrle ceci explique l’origine du çoeflicicnt ao/2 : tous les ah. 4. à variations hornks sur (Ut h). Théorème II Le théor+me 1 est conservé si f(z) est à variations bornees sur un intcrvallc dc pkriode 25~. Théorème I Si f(z) est une fonction periodiquc dc pikiode 2~r.els qw : a < ICI < 52 < 5y < ‘.9) par sin( Icx): puis intégrons sur une période .

En cffct.5. vers zéro comme 1/srL”7 xf(~ eb ) a -t 01s1 çoutinuc partout sur ime ptriode..MANUEL DE CALCUL NUMÉRIQUE APPLIQUE 5.. Il reste à calculer les cc.f(. la convergence de la série peut Ctrc trks lcntc.Soit la fonction paire de période 27r définit ainsi : f(x) = r-:x’ si 0 S:I: < 7r f(x) = 5 .. Si la strie trigonomhtrique est convergente. 5.4. alors a. tend vers ztro avec l/n et la série dtrivke ne converge pas. et b. si f’(~) et f”( z ) existent et sont coiitinues sa. non. alors. sur un intervalle intkrieur à. Si la shic trigonomCtriqllr: est convergente et uniformément çouvergcntc. cependant. 27r). R6ciproqucmcnt. 5. une fonction paire. Comme . ct h. alors f(:Z.. À propos du théorème de Jordan Si les conditions du théorème de Jordan sont vérifiées.uf éverituellement eu un nombre fini de points daus l’intervalle (0.~) est ur1c fonction impaire.x 234 . Sur la parité des fonctions f(x) Si f(x) est. paire. : 2. lc dhcloppcmcnt II~: comprend que des termes en sinus. on peut calculer directement UII dheloppement de . corit. on peut. la série trigonométrique associée n’admet yu’uri développement en cosirms (fonction paire) j les coefhcierits des termes en sinus sontj nuls. En revanche. 5.1. SC poser la question dc savoir si toutes les fonctions continues sont développa. ou cn tlhluit immkliatement que les coeffkients b. et tous les arr sont nuls. sont nills. 5. alors la shic dc Fourier est int6grak>lt terme & terme. Quelques propriétés remarquables 5.inues ailleurs. si f (x) n’est pas continue. Dérivabilité d’une série de Fourier Si a(~) et . et sorit. des discoutirmités de premi&e espèce en nombre fiui sur l’intervalle (0. nc sont. tcndcnt.3.) est dhcloppablc cn s6ric dc Fourier. a. Si f(. ct h.c) est u n e fonctiori c o n t i n u e et.. toutes les fonctious continues ne sont. pas néccssaircmcnt idcntiqucs c’n dehors de cet intervalle. Remarque : Deux séries dc Fourier dont les sommes c:oiincidr:nt. La rkponse est.ossèdrnt. Quelques développements traditionnels a .. lhn au moins des coefficients tend vers zéro CoIIIrIl~ 1/71. À propos de ce théorème. l’un des coefficients arr ou h.f’(~) 1.2. tcndcnt vers zbro au moins comme l/n. Sur la vitesse de décroissance des coefficients a.7r si ~ rr< z < 0. une pbriode. 27r) où il cxistc pour ces deux fonctions des discontimlith d c prcmikrc C~~~:C:C~.f’(:c) WI skie de Fourier. pas à varktious bornées ct l'on peut trouver des exemples de fonctious contimies dont la si:ric trigonométrique associk diverge en un point parce que la fonction n’est pas à variations borntes. mais la série convcrgc lcntcmcut .bles eu série de Fourier.

5 8.6. 0). LE~ SÉRIES DE FOURIER Les termes correspondant à une valeur de n pair sont nuls.) C .Soit la fonction qui vaut 1 sur (0. . 5. 1. Bass.. Da. On trouve no = 7r. Note sur le calcul effectif des coefbcients de Fourier Il n’est pas nécessaire de calculer les coefficients de Fourier au moyen des intfigrales. Lc d~vcloppement alors est limitk à l’ordre 12.1/2 si 0 < z < 1. Paris 1961. il n’est pas utile dr fournir 1111 programme qui calculerait directement les intégrales. La démonstration repose sur le théor~mc d’approximation de Wcierstrass selon lequel toute fonction continue sur l’intervalle (0. Donc. Tome 1. b . Cette fonction est impaire. (cf. Masson.2 de ce chapitre). b). il s’ensuit que : 4 %+l = r(‘$)+ 1)“’ avec p = 0. COU~S de Muthémutiques. 235 . 15.7r) et -1 sur (+r. 312. 6.ns cette expression E est 1111 nomlw positif aussi petit que l’on veut. On trouvera urle démonstration complète dans l’ouvrage dc . cependant on pourra l’utiliser quand mêrne pour calculer f’(z) . + sin(Tr) + . Approximation des fonctions par une série de Fourier tronquée La première application des skies de Fourier concerne l’approximation d’une fonction f(z).2. et il est plus efficace sur lc plan de la précision des calculs ainsi que du temps d’exécution d’utiliser la transformée de Fourier numCrique que l’on abordera au chapitre 16. On trouve : d'où La dérivke dc cc dkveloppement n’est pas mi dCvcloppement convergent.Soit la fonction f(z) = 2 . donc les uy1 sont nuls. On obtient le d&Aoppcment suivant : f(z) i ~ (sin(f7rz) + sin(l7rz) +.J. (:x) tel que : quel que soit z appartenant à (a. b) peut etre approchée par un polynôme Pr. p.

Voici ces relations dans lesquelles j et 236 . .ique sur toute la pkiodc.1. +l. alors les coefficients du développement trigonométrique sont @aux aux coefficients du d~vc. il faut utiliser 1111 certain nombre de relations trigonométriques qui s’établissent en se serva. -1. ’ N r Comrnc f(7r) = f(-7r). Autrement dit. pour 2N+ 1 valeurs zk dc la variable. Bien entendu ce Worèmr est.0. d’une fonction développable en série trigonomktrique. le développement en série de Fourier tronqué & l’ordre n est celui qui.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 6.. x T1 avec 1 = -N + 1: -N + 2:.Considhons une fonction f(z) périodique de période 227 dont on connaît uniquement 2N+ 1 valeurs yk. . On y parvient.. NT. seules 2N valeurs ~(XL) sont indépendantes.O. parmi tous les dhcloppcmcnts trigononi~triqucs possibles trouyués à. Approximation d’une fonction échantillonnée .Ao . au sens des moindres carrks. b) par une skie trigononktriquc et que ccttc S&ic est tronqukc à l’ordre n. . Les 2N + 1 valeurs de la variable sont réparties en progression aritlmkt. Autrement dit. assure la mcillcurc approximation. . Nous allons dhontrcr ccttc proposition dans le cas d’m1e fonction éc~lallt.nt de la formule de Moivre (1667 1754) ct de l’expression de la somme d’une progression géométrique.illorlrlée.. soit : N .. ~N.> TTT.1 N . CII écrivant que : dE” 3E2 y&=0 ct w=o.l -. Théorème Si l’on veut approcher au sens des moindres carres UIIC fonction f(z) définit sur (a. Pour obtenir des expressions commodes d’emploi.loI>pr:rncnt CII shic dc Fourier. N Nous allons donc approcher f(z) p a r une expression trigonomktriquc dont la forme la plus gh6ralc est : dc telle sorte qu’elle vérifie le critère des moindres carrés. valable sous réserve que les conditions de validité de dévelop- pcmcnt en skrie de Fourier soient vérifiées.. on désire rendre l’expression : 2 E”= 2 ~(XL) . On a poli6 : CE. ..e[Ak COS(~~) + Bk sin(kz)] (15.12) l=-N+l k=l la plus pctitc possible. l’ordre 71.

pparencr plus de précision. 237 . aux coeficicnts Ak ct Bk.Lorsque l’on effectue le calcul numkrique des coefficients de Fourier de fonctions périodiques. on est tenté d’utiliser des nkkhodcs offrant.) sin(kzr) = 0 s i j # k I--N+1 2 COS(. À bien y réflkhir. 15. telles. on calcule les derivées de l’expression (15. par exemple. Remarque très importante . 2 f(z/) sin(kz. LES S ÉRIES DE FOURIER k sont des entiers appartenant à (0: N) : k sin(jzl) cos(klrïl) = 0 l=-N+I F sin(jz.jzl) cos(kzr) = 0 s i j # k 1=-N t-1 N N C sin(kzl) = C cos(kn*~) = N s i k # O:N i=-N+l I--N+1 N Compte tenu dc ces relations. On retrouvera rigoureusement le meme procédé lors du calcul des transformkes dc Fourier par les algorithmes appropriks. en a. nous devons utiliser w1e m6t. ces méthodes privilégient certains points cn leur affcctantj des poids diffkrents. la méthode des trapèzes ou la mkthodc de Simpson. c’est. On obtient alors les relations suivantes : AN = & F ~(XI) CO~(N~.).12) par rapport. Conclusion. mais on ne doit pas perdre de vue que lc calcul de toutes les intkgrales peut Ctrc réalis sur n’import.hode qui affecte à chaque point le même poids : il n’y en a qu’une seule. N Ak = .) /--N+I et si k # 0. la méthode tics rectangles.c quel intervalle pourvu qu’il ait la longueur d’une période. I=-N+l [=-N+I On reconnaît sans grande difiïculti: les coefficients du d6veloppcment en série dc Fourier calculés par la méthode des rectangles. Bk = .

(:l:) = {cas(t) + cos(3t) +. notre prolAkne.ge de la. corkinue . on déduit que le développement en série clc Fourier de deux fonctions développables est.. À prknt nous allons Ctudier le comportement de f(z) au voisinage de zéro. Pour cela. cela ne change rien à l’analyse prkédemmcnt réalisée. c riialisant la dkmlposition en série de Fourier de fonctions périodiques connues au moyen d’un écllantillonnage déterminb selon des abscisses cn progression arithmétique. 7. ainsi il n’y a plus de discontinuité à l’origine et ce faux prohlèmc a disparu. tronqué la skie trigonomktriquc à l’ordre 10. 2. 8. On trouvera sur le Web (*) le programme echantil .(z) : On peut encore krirc : .f(:r) que nous dPsignons par S. considérons le dkveloppemcnt tronqub 5 l’ordre n. $S.inuité. On a. la somme de chacml des deux développcmcnts .com/guilpin/ 238 . propriété de linéarité des intégrales. Nous allons nous intéresser A un cas très classiqur constitué par la fonction « rectangle » ou fonction «fente » : (J(“) 1 -l si -7T < c < 0 i $-1 si O<X<T dont nous avons dkj% btabli le dévcloppcmcnt cn série de Fourier. dc . Par conséquent7 il suffit dc r(%ranclicr convenablement une fonction cn dent dc scie qui annule la discont.edpsciences. Le phénomène de Gibbs (1839-1903) et I’epsilon-algorithme Il s’agit d’étudier le comportement du développement en série de Fourier de la fonction f(x) au voisinage d’un point de discontinuité. en effet deux solutions pcuvcnt Ctrc apportées à ce problème : 1.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Un exemple numérique . lc dCvcloppcment associk f(z) cl ui rst continu tend vers zkro pour la valeur z = 0. On choisit comme nouvelle origine un point où la fonction est. soit : Bien que g(z) tcndc vers fl.On a fabriqué une dent dc scie tout à fait analogue à la première fonction développée. ~ 1)t]} dt: J’ 0 *http://www. En faisant usa.. et il est intéressant de noter le comportements de l’approximation au voisinage de la discontinuitk de la dérivée première. Cas où la fonction est discontinue à l’origine Dans ce cas. + cos[(2n. ‘. cc qui rkout. la notion de pi:riodicit@ au sens strict ne s’applique plus: ccpcndant. On sait très bien obtenir lc développement en série de Fourier des fonctions en dent de scie présentant une discontinuité à l’origine.

15. Usage de I’epsilon-algorithme et disparition du phénomène de Gibbs Nous allons appliquer l’epsilon-algorithrnc à la suite des sommes partielles S.n.l de l’argument.1)t] = msino on obtient.nt) cas(t) + cos(3t) + ‘. : 3 Les cxtrernurns de S.) du 2 sin( t) 7l J’ 2n sir+L/2nj) 0 eu ayant. Les résultats t. Ou voit sans trop dc difficultk que lc premier maximum est le plus grand .. Nous avons considk+ les termes depuis 5’71 jusqu’à Ss5 pour la valeur z = 0.1.(X) va cffectucr une série d’oscillations pour un point 5 quclcouquc choisi dans le voisinage de l’ordonnée y = 1. on obtient : 2 7r ski(u) d7L = +T)> 77 -i’ U i> où Si(z) est la fonction sinus intkgral que l’on peut calculer au rnoycn du dbvcloppenlcnt en série entière suivant : T2r2+l Si(z) = & ~ 2 + Y&r . 239 . on peut effectuer un dkveloppement lin&6 de sin(u/2n) et remplacer cette expression par SU/~T~. plus cette anomalie se trouve repoussée sur l’axe des y.. Ainsi quand ‘II tend vers l’infini et :r: vers zéro. page suivmte.999 998 031 On voit que l’epsilon-algorithme fait disparaître le fkheux phCnorr&ne de Gibbs et 1~s iuccssantes oscillations au voisinage d’un point de discontinuité. (x). pour le calculer on peut écrire : ?r/‘h 71 sin(2nt) dt = 2 sin( 11. posé u = 2nz. LES SÉRIES DE E’OLJRIER ct puisque sin(2. +‘i)!(272 + 1) + ” La fouctiou reprksentée par la série trigonornétriquc fait un saut brusque d@passaut de 17 O/c la valeur de g(x). . (:E) sont donnés par sin(2nz) = 0.2. + COS[(272 .rouvks sont présentés dans le tableau 15. + (-1)” (271. zk = !n La courbe reprkeutant S. Pour les grandes valeurs de n et les petites valeurs de 5...3. L’cpsilou-algorithme appliquk à ces quinze valeurs donne le résultat suivant : 0..1. Soit encore : lm avec k= 1.. Pl us on prend de termes. 8.

chaque point.035 560 117 1.MANUEL DE CALCTJL NUMÉRIQUE APPLIQUÉ Tableau 15. dc discontinuité quelle que soit la hsc de fonctions continues utilisée et le d~vcloppemcnt continu nc peut en aucun cas représentc.1.ions ~c:hantillonn~es sont parfaitement rendues.025 708 447 1. *http://www. ~NOUS avons pris pour exemple la fonction qui vaut -1 pour z appartenant à l’intervalle (-T. Palcy et dc Haar. Remarque : Le phénomène dr Gihbs n’est pas propre au dk&qq~emcnt d’une fonction prkentant mlc discontinuité de premitkc espke sur 1me l)asc de sinus et.inues t.008 519 556 1.) tendait vers zéro c:onmie l/n. ct les fonct. on voit que lc seconde membre est une skie divergente puisque e’cst une série de terme en cos(krc) ou sin(kz). L‘rpsilon-algoritllme tire nkmmoins parti de ces données en calculant les sommes partielles de la série divergente.040 045 437 1. Retour sur les fonctions f(x) présentant des discontinuités Nous avons dit que la fonction f(z) admctt.024 054 265 1. æ = 0 et z = T où f’(z) est. Walsh. 0) et -tl pour z appartenant. Lc prol&me est inhPrcnt à.016 728 834 1. ou h. Les points de discontinuitk ne sont plus la source d’oscillations.(.999 733 562 1. de cosinus.r convcnablemcnt ur1c discontinuitk. Si l’on dérive chacun des deux mcmhres. 8.elles que les fonctions de Hadamard.2. 0..035 047 814 1>038 349 421 1. Il n’en est plus de mCme si la base des fonctions (orthogonales si possihlc) est constitukc de fonctions discont.com/guilpin/ 240 .hlrle.re ce gcnrr: dc calcul. C’est hicn ce qur donne l’cpsilon-algorit.990 709 731 0.. à l’intervalle (0: 7r) : la dbrivée s’bcrit : le rnembre de droite est divergent alors que le membre de gauche est nul partout sauf aux points n: = -T.038 581660 1. c qui mont.019 325 920 Sur le Weh (*): on dorme lc programme epsi12. en skie de Fourier mais qu’au moins une skie dc coefficients (a.edpsciences. 1111 pic (1~ Dirac.ait un développement.

= g 7 f(z) sin(nwz) dz. Représentation des séries de Fourier avec un terme de phase Dans bien des applications. 15. les cocfficierits deviemlcnt : T b.. (15..I = 6..> + i: h..) + siu(nr) sin((pT1)] II =l 7t=1 En rapprochant cette expression du dévcloppemcnt (15.j w qui dorme pour f(:r) l’expression : exp(jnwz) + exp( -~TU.ahle d’ut. 0 À présent. et notamrncnt en &~ctricitb. En posantj ti = 27r/T. la série s’écrit. sin(prL) cl. Écriture du développement sous forme complexe Comme c’est à partir de cette étude yut nous allons établir les transformbes de Fourier. l‘on trouvera sur lc Web (*) lc programme dirac . c qui permet de calculer f’(z:) eu exploitant le développement cn série.=1 n=l ct. alors : f(x) = 7 + g a.13) 1. . On peut.com/guilpin/ 241 . soit.a + b7. = (signe dc u)Ja.iliser urlc autre forme pour le dheloppemcnt en série dc Fourier (qui rend plus fa& d’emploi la uotion d’impbdancc par exemple). sin(nwrc). : f(x) = 2 + 2 dl2 cos(nx ~ pll) = $ + 5 cl.x. 9. COS(TLWZ) + 5 b.edpsciences...) exp(jnwz) .exp( -j??hJX) f(r) = $ + -gu.j II = 1 71=1 *http://www. [COS(~~) COS(~.9)) nous obtenons par identification : Q[] = d” (1.. = cl. nous procPderons d’abord ü l’extension dc la pkriode yut l’on désigne par T au lieu de 27r. il est souhait.. écrivons les cosimis ct les sinus en termes complexes : exp(jnwz) + exp(-jnwrr:) COS(?LWIc) = 2 exp(jnwz) ~ exp(-jnwz) sin(rwz) = 2. LES SÉRIES DE FOL~RIER et. 2 2. COS(%) b. 10. alors prkfbrer conserver uniyuemcnt~ ou les sinus ou les cosinus ct faire apparaître à l‘intérieur des expressions un terme dc phase.

.)/2 à partir de (n. ramenons l’intervalle (a.g(z)1 soit lc plus petit possible. + jb. exp(jnwz).)/2 CII changeant n en -n.(z) dc degri: n. C’est ce qui est convenu d’appeler l’approximation au sens de Tchebycheff.MANUEL DE CALCLJL NUMÉRIQUE APPLIQUÉ Soit encore : (15. est le polynôme de Lagrange L.appelons rapidement quelques résultats fondamentaux relatifs à l’inter- polation par des polynômes.1. ct les coefficients sont donnCs par l’expression : Il faut bien noter que ces dernières expressions n’apportent rien de plus que les preccdentes du point de vue du calcul. Examinons le cas où g(z) est un polynôme P. Nous recherchons une approximation g(z) de la fonction f(z) dans cet intervalle de telle sorte que sup If(z) . b).j sin(nwz)] dn: = $ / f(z) cxp(-. 0 0 Si l’on rcmarquc que l’on obtient (a.(z) de degré n.jb. + 1)... Soit une fonction f(z) continue à dérivées continues sur un intervalle (a. = 1 /’ f(x)[cos(nwz) . b) à l’int. la série trigonométrique s’écrit : Cc c. Approximation des fonctions au sens de Tchebycheff Les problèmes d’approximation au sens dc Tchebycheff ne sont pas à dissocier dc l’étude des séries de Fourier.jnwzr) dz 2 T. + 1) points d’abscisse cv.ervalle canonique (-1. 242 . L’erreur commise &(x) est donnce par l’expression : où 7 appartient à l’intervalle (. . R. on t. +l). Pour l’amour de la simplicité et en faisant usage d’une transformation linéaire classique. Le polynôme qui passe par les (~2. 11.rouvc des formules plus faciles d’emploi cn posant : Alors.jb.14) Les coefficients sont alors donnes par les expressions suivantes : ars . mais elles servent d’introduction commode aux transformces de Fourier.

Pour des raisons pratiques. Donc. d’obtenir une formule fournissant l’erreur minimum au sens de Tchebychcff. nous allons kcrire l’erreur minimum E. k=O CO~(~Q~). Pour cela. Eu égard a la définition des polynômes de Tchebychcff. LES SÉIUES DE FOURIER L’erreur sera rendue minimum cn utilisant la propriété essentielle des polynômes de Tchehy- chcff. Les coefficients pk sont donc les coefficients du dkveloppement en skie de Fourier.n. dc la fonction paire ~[COS(Q)]. . ce qui nous imposera le choix des abscisses.3..1. k=O tn se souvenant que pour les valeurs <y~. peut s’exprimer au moyen d’une combinaison linéaire de polynômes de Tchebycheff dont les degrés sont égaux et. nous avons : et pour les valeurs 2i+17r Qt=-- n. on prut krirc : ~[COS(Q)] = cpi CO~(~Q) + En cc=(Q) = Q(Q). infkieurs & k. à savoir : 22+17r cY=cos ( ~- r1+12 > a v e c i = 0. On peut écrire : Po = & 2 Q(Qi) k=O ou cncorc : 243 . (x) sous la forme d’un polynôrne de Tchehycheff : Posons alors 5 = COS(&).+12’ nous avons : Q(Qi) = cpi. 15. tronqué à l’ordre 72.. il est possible d’opérer dc la facon suivante : toute puissance de 2: notée zk.2. Ces valeurs reportées dans l’expression du polynôme permettent. formrllemcnt : Il nous reste alors à calculer les coefficients pk.

15) k=-M où Q(t) représente la fonction filtrée à l’instant t.) et cos(nwJ) dépendent directement des arguments de l’espace direct ct de l’espace reciproque. uniqucmrnt de l’opcration que l’on souhaite réaliser mais certainemcnt~ pas de la fonction f(t) a filtrer. (15.T(w)lL dw. N sont deux entiers positifs. Par définition. filtre passe-haut. M et. la fonction de transfert T_A~N(W) soit la plus voisine de T(w) au sens des moindres carrés.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 12. 6t représente l’intcrvallc de temps entre deux ~cliant.%-t) ’ on obtient. pointant fondamentale. le filtrage numérique est une opcration linéaire que 1’011 réalise dans l’espace reciproquc: de Fourier dans le but de modifier lc spectre dc fréquences ou de nombre d’ondes (filtre passe-bas.illonnages.jwt). coefficients qui viennent ponderer les valeurs des echantillons : a(t) = 2 Akf(t + kht). J -/Jr Il s’ensuit que les Ak sont tels que : 244 . Nous reviendrons plus en détail sur ces espaces. car pour ce qui concerne les séries de Fourier cette distinction. la fonction de transfert en w du filtre (15. l’intkgrale calculée sur une pcriode 27r/St : in/ht 1 = JT-*fN(w) . dans l’espace réciproque de Fourier. Pour fixer les idees nous allons etudier un filtre sans contrainte. est peu perceptible dans la rncsure ou les fonctions sin(nw2. On Ctudie donc l’action du filtre sur un signal sinusoïdal que nous écrirons : f(t) = exp(. L’etude des filtres numériques lineaires peut passer par la notion de fonction de transfert. On prut dire qu’un filtre linéaire est tout simplement un ensemble fini de coefficients Ak qui dépendent. et il s’agit alors d’exprimer les coefficients Ak correspondant à un filtre dont. ct filtre passe-bande pour faire reférence aux applications radioclectriques). Application des séries de Fourier au filtrage numérique D’un point dc vue très simple.15) est donnée par l’expression : T(W) = @ct) w(. donc : T ( w ) = e Ahexp(jkw&). Ensuite on rctournc à l’espace direct. Autrement dit ~ il convient de minimiser.16) k=-nr Très souvent on SC donne une fonction de transfert T(w). c’est-a-dire z et w. (15.

Nous allons porter notre attention sur un des filtres les plus simples à réaliser : la fonction «fenêtre » dans l’espace réciproque de Fourier.15))) e nsuite.. d’appliquer ce filtre à une fonction présentant des irrégularités (courbe expérimentale entachée d’erreur). les termes en sinus sont nuls. Tous calculs faits.ion d’orthogonalité : +TT/Ot + k)&]dw = zLTn.WI)21 2n Un bon exercice consiste à représenter lc filtre théorique ainsi que la fonction de transfert approchée pour N = M = 20 (cf. Les Ak sont indépendants de M et N.16) dans la dernièrt intégrale. Application à l’étude d’un filtre passe-bas a . équation (15. .k.I -T/& Deux remarques s’imposent : a. il est possible d’écrire : dl aA.. = 2 c Ak exp(jkw&) 1 . Comme c’est manifestement 1111 filtre symétrique. 15. 245 .1. pourra-t-on choisir un filtre du type suivant : Wl I /WI < wz T(w~={~+cos(d3}:2 w2 5 lwl < 7r/& T(w) = 0. Il reste a calculer les termes en cosinus : WiSt A/i = .Il est préfcrable d’utiliser un filtre constitué d’une fonction continue afin de reduire les oscillations données par l’approximation. b.I exp[jw(m on en déduit que : +r/h‘t A.2 k 2iT T(w) exp( -jkwSt)dw. Les Ak sont les coefficients de Fourier du développement de la fonction de transfert T(w). LES SÉRIES DE FOURIER et. Ce filtre se définit de la façon suivante : 0 5 lwl 5 Wl T(w) = 1: f-4 I /WI I n/bt T(w) = 0. Ah: = [sin(kw&) + sin(kwr&)] 2k [7r” ~ k26t2(w2 . 12. on trouve les coefficients suivants : 7T avec Au = (w2 + wl)St . cos(kw16t) a v e c Au = ~ Ii- b . Aussi. . En faisant usage de la relat. en reportant la relation (15.T ( w ) exp(jmw&)dw.

il est convenable de dire que lc développement en s6rie de Fourier const. ici.ion de filtrage que nous venons dc réaliser traduit une convolution dans liespacc direct.ion 00 fz(t) = c CLr. 1111 filtre passe-bas. 71-O Dans la m6triyue de L".itue un prolongement analytique dc la fonctjion f(z) en dehors de l’intervalle (a. avec cg = ao. *http://www. Remarques sur les opérations mathématiques réalisées lors du filtrage L’q+rat.12. le produit simple de deux fonctions est transformé en produit dc convolution.iit pas se servir du d6vclopprment en dehors de l’intervalle de définition de la fonction. Oii trouvera sur le Web (*) lc programme filtre. que la fonction de transfert est sym6triyue ce qui peut donner l’illusion de calculer imc fonction de corrélation. n A la place dc fl (t) on obtient la fonct. À propos du développement des fonctions non périodiques Il est parfaitement 1i:gitime de développer cn série de Fourier (au sens large) une fonction f(z) non p62riodique dans la. = a.2. Dc retour dans l’espace direct. Par ailleurs. c qui ri:alise le filtrage de données numé- riques entachées d’crrcur. Voici un exemple concernant une série convergente : fi(t) = 2 ar. Dans l’espace réciproque de Fourier nous avons réalis6 lc produit simple de deux fonctions qui sont la transform& de Fourier de la fonction f(t) à filt. b). Nous reviendrons sur ces aspects des problèmes cn abordant 1’Rtudc des transformées dc Fourier. 14. Il existe une restriction importante dans la mesure on l’on ne pr. n=n Supposons que Ics coeficicnts a.. Calcul des séries de Fourier à coefficients approchés dans L* Dans certains cas. + . 6) (1st fini et que la fonction Sat)isfait aux conditions légitimes du d6vcloppemcnt. Cette derni6rc rcmaryuc prend tout son sens quand on passe à la programmation qui se rbduit au calcul du produit de convolution dc fonctions p&iodiqur:s. le calcul d’une série au moyen de ses coefficients est un protGmc mal posé dont on trouvera 1’6tude dans l’ouvrage de Tikhonov citk cn bibliographie. rcr ct de la fonction <X fenêtre 8 T(w) qui est. Notons hicn.. En ce qui concerne les fonctions non p&iodiyues définies sur un intervalle infini.com/guilpin/ 246 . l’objet de traitements spbziaux appelés transformations de Fourier. mcsiire où l’intcrvülle dc définition (a. cos(nC). elles font. 13. les coefficients différent de : donc ~1 est aussi petit que 1’011 veut. cos(nt).edpsciences. soient enta&& d’erreur ct que l’on ait : c.

Éditions Masson. 15. LASSER (1996) Introdu&on to Fowier series. Éditions Mass~. A. Dckkcr. examinons la dist. J. BASS (1961) Cours de mathématiques. 247 ... R. ANGOT (1972) Compléments de muthématique. Moscou.ancc entre les fonctions fi(t) et fz (t). Elle est. LES S ÉRIES DE FOURIER À présent. Éléments de bibliographie A. ARSÉNINE (1976) Méthodes de rc’solution des problèmes mul posc’s au sens de Hadamurd. 15. M. Éditions MIR. TIKHONOV et V. tlom& par l’expression : Cette quantité peut être faite aussi graudc que l’on veut : la sCrie diverge pour t = 0.

et d’une facon générale. Il ne faut pas oublier qu’ils ont eu des prédécesseurs meconnus qui ont ceuvré tout à fait dans la même direction et il est probable que l’idée originale de cet algorithme soit due à Carl Rungc (185661927) et à KOnig.hantillonr~ées s’est notablement accru. Extension des séries de Fourier au cas où la période est infinie L’idée consiste à isoler une partie de la fonction f(t) sur un intcrvallc fini (-T/2.1) n=l 249 ..Kintchine). 1. en résolution des équations de convolution. Les transformées de Fourier trouvent leurs principales applications en optique. le rôle des transformées de Fourier dans les problèmes de traitement de fonctions &. en corrélation (théorème de Wiener (189441952) .16 1 Les transformées de Fourier Depuis la vulgarisation des algorithmes rapides (1965). on trouvera un petit aperçu historique dans l’ouvrage de E. cn traitement du signal. Arsac a ramené le même calcul à 3/4 d’heure tandis que l’utilisation de l’algorithme de Cooley-Tukey a permis d’effectuer la transformation en 45 secondes. en cris- tallographie. Cependant. le strict calcul numérique posé par un problème n’ayant pas de solution formelle connue était une entreprise à la fois très longue ct très coûteuse.. Ce n’est pas pour autant qu’il faille négliger l’apport considérable dc la théorie qui a fourni notamment un catalogue de solutions formelles de problèmes. En calculant les intégrales au moyen de la technique des rectangles pour une fonction échantillonnées en 2048 points il fallait.. Oran Brigham cité en bibliographie. avec une calculatrice de la fin des années 60. en analyse harmonique. En posant : on obtient le développement : f(t) = !$ + 5 [a. cos(nfB) + b. Sur cc sujet. sin(nnt)] (16. en thcoric des probabilités (fonctions caractéristiques). dans tous les problèmes où il y a avantage à travailler dans l’espace réciproque. +T/2): puis à procéder à son développement en série de Fourier. et enfin à faire tendre T vers l’infini et à examiner le résultat. environ 3 heures pour obtenir la transforrnée de Fourier. Le calcul des fonctions sinus et cosinus au rnoyen de relations de récurrence rnentionnées par J.

pour T tendant vers l’infini.. posons w = nR. Lc développement (16. (16. / .M. Autrement dit. cela nous pcrmct d’obtenir une autre forme du dkvcloppcmcnt : f(t) = ff + k F R [CI .a f(t)=.2) cl=62 Dans cette nouvelle représentbion. COS(~~) + h. On peut encore écrire : +CC +CC f(t) = .(x) cos[w(n: . 7 dw i.. 250 . À présent. sin(wt)] (16. que 6w A d w c t q11c 1 -+ > T I’ CL=62 s 0 -T/a alors on peut krirc : f-(t) = . on peut dire que (2 est l’a<:croissrment dr: w pris cntrc deux valeurs consécutives.W@RIQIJE APPLIQIJÉ f(x) cos(n. l’on fait I’hypothk~ que : tT/2 cc cc 1 lirn . = . I’ f(z) sin(nRz) dz.4NlrEL D E C A L C U L hrU.t)] dz. (16.f(z)dz+$$+j”. f(z) dz = 0. 7 cos(wt) / f(x) COS(~~) dz + sin(wt) / p(z) sin(wz) dz du..4) 0 -00 C’est lc dbvcloppcmcnt cn iutkgrale de Fourier de la fonctiou f(t). -n 00 ~00 Ces formes dc dhcloppcmcnt corrcspondcnt aux dhcloppcmcnts CII shic dc Fourier de fonctions offraut « un spectre continu » encore appelé « spectre de bandes >>..2) s’krit alors : +T.!. ou peut considérer que 62 est l’accroissement Sw dt: w.3) LECI -T/z -+/a Soit encore : Si.l( z C)[O S ( wn:) COS(~~) + sin(wz) cos(wt)] dz.12~) dz h.

1.. cependant. : nR = w et &ù + dw = (2. T s --l-/2 En conservant les mnmes conventions que prk&hmncnt. on prkfbc utiliser tics formrs plus 251 .5) On peut. -cc d’où En effectuant une extension A l’infini.. Intégrale de Fourier en termes complexes Partons du développement en sh+ dc Fourier en termes complcxcs : f(t) = CC~. on krit : f(t) = A 1 c. 1 avec c.1. f(x) exp(-jnk) dz. exp(jwt).jwt) dw +m G(w) = & / f(t) exp( -jwt) clt. exp(jnRt). Il s’agit dans ccttc dernière forme d’une des exprc3sions les plus employi+s appelks l’une transfornk: dc Fourier directe. l’autre transformbc dc Fourier réciproqur. encore poser : f(t) = )‘G(w) exp(. = . Bien tics talks tic trzmsformées de Fonricr utilisent cette notation. nous obtenons : (16.

ant les expressions suivantes : f(t) = /G(x) exp(2~jwt) dw -33 +.1.” G(w) = f(t) cxp-27rjwt) dt (16. /’ -cx +30 +oO Si f(x) appartient à L2 alors l’intégrale f"(x) dx (011 ~(CE)~*(X) dz) existe. s s 252 .6) / Les équations (16. If(x)1 dz existe. s -00 Il est evident qu’il faut se tenir à un choix pour effectuer les calculs.) dt = G (&) .i’ que l’on peut ikrire encore : Q(w) = 7f(t)cxp (-27~jw. tandis que l’espace L2 est l’cspacc fouctjionnel des fonctions de carre somrnable. -30 Remarque : Rien n’empêche de choisir des signes opposes dans les exponeritielles pour definir les transformées directes et réciproques. 2.2.6) sont des equat~ions fonctionnelles. soit : f(t) = /C(:i) exp(-2Qwt) dw -x +Z= G(w) = f(t) exp(2Tjwt) dt.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ symCkriqucs eu adopt. 1. Définition L’cspacc L1 est l’espace fonctionnel des fonctions intégrablcs en module. . Relation entre différentes définitions Les tables d’intégrales dc Fourier utilisent généralement une uotation plus concise qui ne fait pas usage du facteur 257 : +CC Q(w) = f(t) exp(-jwt) dt. +oO Si *f(x) appartient à L’ alors l’intégrale . Conditions d’existence des transformées de Fourier dans les espaces L1 et L* 2.

2.ions parfaitement. La transformée de Fourier dans l’espace L1 On dit que f(z) appartient à l’espace L’ si.6). C’est. L’espace L1 des fonctions sommables au sens de Riemann n’est pas complet puisyw la limite d’une suite de fonctions intégrablcs au sens de L1 n’est pas n6cessaircmc~nt une fonction int. C’est k Henri Lchesguc (18751941) que revient le merite d’avoir découvert la nouvelle intégrale en 1902. Il faut bien reconrlaître que l’usage pratique des transform6es dc Fourier passe exceptionnellement par les considérations qui vont suivre. Disons tout.1. il s’agit d’un élargissement de la classe des fonctions intégrables. la norrne est celle de la convergence en moyenne.2. que l’on doit lui substituer la notion d’intkgrale au sens de Lebesguc (1875 1941). Au fond. 16. Quoi qu’il en soit. Le prohkme fondamerkal repose sur les conditions d’existence de 1’intCgrale dc Fourier qui est l’une des expressions (16. 3. b. Il existe des fonct. Voici pourquoi : lc point essentiel repose sur le fa. des exemples de fonctions bornées qui ne sont pas intégrables au sens de Riemann. que la limite d’une suite de fonctions intégrablrs n’est pas nécessairement une fonction intkgrablc ni au sens de la convcrgencc simple ni au sens de la convergence uniforme. le cas dc fonction discontinues nc comportant que des discontinuitk de prcmike espèce. Insistons toutefois sur un point csserkiel : lorsque l’intégrale de Riemann est rkellerncnt calculable. et. elle donne lc mêrnc résultat que l’intégrale de Lebcsgue.. le physicien rencont. Les rnathérnaticiens ont trouvé une définition plus génkrale dc l’intégrale de Riemann afin que L’ soit toujours ml espace vectoriel. Théorème La transformée de Fourier +C= F(t) = f(x) exp(2njTjzt) dz .héoriqucs essenticls. nous dksirons rappeler les résultats t. (16.hkorie doit. d&nics qui ne sont pas intégrahles a.I’ Ici. pour la fonction f(z) ü valeurs récllcs ou complexes. 3. permettre d’éviter quelques pièges que l’on peut rencontrer dans la théorie des fonctions khantillonnées. dc suite que la notion d’intbgralc de Riemann ne suffit plus pour l’ttudc de tels problèmes.rant en gCnkra1 <t de honncs fonctions ».kgrable. on a : +LX If(x)1 dz = h (fi fini). complet au sens de la norme L1. un survol rapide de la t. Conclusions a. Non seulcmcnt l’espace L1 devient un espace complet mais aussi L2. ce qui lui confkre un intéret de tout premier plan lors dc I’étudc des séries de Fourier et des développements en skies dc fonctions orthogonales. Nous ne parlerons pas davantage de cette intkgrale qui passe par la notion d’intégration dc mesures abstraites. LES TRANSFORMÉES DE FOURIER Dans ce paragraphe.7) . Le lecteur intércss6 trouvera des d&eloppcments et des exemples dans les ouvrages citts en bibliographie : cn particulier.i -CU 253 .it.11 sens de Riemann.

F(t) 1. bien noter que le cas particulier ~1. La syrnktrie donne : f(x) exp(-2r. si f(z) ainsi que sw n. aussi à.f (z) r_F. 254 .10) Il faut. prerniàres dkrivhs a. alors F(t) admet. En effet.z). .MANTJEL r]E CALCIJL NUMERIQUE APPLIQUÉ existe si f(. si 0.appclons que l’on note : f (xl r. est linéaire.jzf(z) : 2-irjz.I’ . on a les inégalitbs suivantes : +CC +Oc f(z) exp(27rjzt) dz < If(z)1 dz = . = 0 nc prtsentc pas beaucoup d’inthêt. 2. = 0.z) appartient à L’.2.f(). La T. d.I -<xi -00 Donc F(t) existe pour tout t. La translation qui consist. F ’ ( t ) . Si i(z) appartient 5 L1 sa transformhe de Fourier F(t) est uniforrriémcnt continue pour toute va. Si f(z) appart. Continuité de la transformée.jm) 3 F(t .F. (16.ppartjicnrirntj à Ll .e à changer . si a # 0.ient à L1 et si la fonction XI(:~) appartient. (16. ct.r en (z .leur de t. donne : (16. L1.Ir/) donne : f(x -Y) 3 F ( t ) exp(2rjty).f(O) est une coristantc et la fonction constante n’appartient pas à L’.9) 4. En effet.f(x)I 3. I)artout une dkrivke F’(t) Imrnke qui est la transformée de Fourier de 2~. . 5.8) 3. de plus F(t) est bornée uniforrnhent : IF(t)1 < I. Propriétés essentielles dans L1 R. Si f(x) est dériva& n fois.lors : ou encore 6. La dilatation d’abscisse.

1 .’ d t . f”(:x) dz = if]‘. +1/2) 7’6 ski(&) f(x) ts- = 0 ailleurs (= 1 si Ic appartiern à (a.‘) 4=-G exp( 4”) 1 7r-t exp(-27474) fi 7r(l + t”) 1 = 1 si z appartient à (-1/2. b) sin[&(h ~ u)] f (xl 23 iTt cxp[j7rt@ ~ u)] I= 0 ailleurs Dans ces deux derniers cas.2.11) -oc. que . 16. F(t) n’appartient pas à L1.f(I ” )en t. En effet. alors nous avons 1’Cgalité dc Parseval (1755 -1836) : +^c> /’ I~(:I$ c1. Du point de vue du physicien: l’Égalité de Parseval nc fait que traduire lc principe de conservation de l’bnergie.]n*l s i . 8. Si f et F appartiennent ensemble à L1.pparticnt à L2 si l’on a : +CC .r = i. Les transformées de Fourier dans l’espace L* On dit.out point.f (2. l’intkgrale (16. 255 .r appartjicnt a ( . 3. (16.3. La réciprocité dc la transformée de Fourier pose un problème dklicat. Exemples de fonctions transformées de Fourier l’une dans l’autre f(x) &fi F ( t ) exp( -7r.F(t).12) /’ c’est-a-dire que l’intégrale existe.) à valeurs rklles ou complexes a. -Ix Il faut alors des propriktts dc continuitk pour dCterminer . I = 1 . LES TRANSFORMÉES DE FO~R~ER 7. cependant la transformée dc Fourier 7rt inverse existe si l’on prend la valeur principale au sens dr Cauchy. (16. a partir de F(t).7) est prise au sens de Lehesgue. +l) ski(&) ’ P(z) 25 ( > I= 0 ailleurs 4. et sa valeur n’est pas modifiée quand on change les valeurs de f sur un enscmhle dr mesure nulle.

la translation.M. J’ -30 .atlion d’abscisse. la dilat.f”(Lc) an: = F2(t) dt. 5. Il faut respecter certaines conditions pour que cette intkgrale existe. la fonction d’appareil est constiti& de la «fonction fente > (triangle isocCle). l’ohscrvation d’une raie est le produit de convolution du profil donné par la source lumineuse ct de la fonction d’appareil qui a permis l’observation. Les autres propriétés rencontrées dans l’espace L’ restent vraies dans l’espace L2 à savoir : la linéarité.1. dc telle sorte que : +33 F(t) = / f(x) cxp(j27rzt) d z et . Supposons qur les fonctions f(z) et G(t) appartiennent. c’est-à-dire que h = f *g = g * f. . Notarn- ment. assurée notamment quand p et g appart. 5.9(z) = G(t) exp( -j27rzt) dt.13) .~NuEL DE CALCUL NTJMÉRIQUE APPLIQUÉ Propriétés fondamentales Si f(z) appartient à L2. Produit de convolution dans les espaces L1 ou L2 C’est un problème qui joue un rôle important cn physique ct en traitement du signal. à L’. on peut dknontrer que F(t) appartient aussi à L2 et que nous conservons l’égalit6 de Parscval : +CC +Oc . Si l’on utilise im spectromètre à fentes. en prcmièrr approximation. Définition On appelle produit de convolution de deux fonctions f(z) et 9( z) une fonction h.iennent à L1 ou L’. L’existence est.I’ -31: Ch démonstrations reposent sur les propriétés des suites de Cauchy. Par exemple.! qui est notée d’une faLon plus concise : h = f * g. en spectroscopie.(z) définie par l’int6grale : +X2 h(z) = * f(?/)dlr: ~ Y) dz/ (16./’ 256 . toutes les mesures expérimentales sont les rRsultats du produit dc convolution du signal fondamental et dc la fonction d’appareil. Remarque : Le produit de convolution est commutatif.

Le tableau 16.2. On résumera les opérations ainsi : f(x) 3 F(t) g(x) yl-i G(t) f *9 3 F.2 ct par suitje : +CE h(x) = G(t)F(t) exp-2jdx) dt. F(t)] appartenant & L1.ons g(z) par sa transformée de Fourier dans 1’intAgralc (16. G(t) exp(-2jKtz) f(w) exd2Wy) h dt . 1’Cgaliti: dc Parseval n’est rien d’autre que l’expression du principe de conservation dc l’hcrgic. cn effet. LES TRANSFORMJhS DE: FOU~~I~~ Alors. il s’ensuit que h(z) est la transformkc dc Fourier dc G(t) F(t). page suivante donne les principales correspondances. F + G 5.ant une fonction bornée et la fonction [G(t) . La démonstration est encore plus simple si f(x) et G(t) appartiennent à L2 .4. G f. g(z) est bornée et l’intégrale définissant le produit de convolution cxistc.3. Il s’ensuit que la transformte de Fourier transforme un produit de convolution en un produit simple de transform@es de Fourier. Par ailleurs.I s -430 pc. Rcmplac.13) : En inversant l’ordre des intkgrations. Transformées de Fourier et produit scalaire Lc produit scalaire de deux fonctions p(x) et g(x) est défini par l’intégrale du produit des deux fonctions : (f(x). on obtient : +CC +LX h(x) = . -cIcI 257 . l’une et l’autre fonctions conticnncnt exactcmcnt la même information. 16.g(x)) = /i(x)g(x) dn: (= /f(x)g*(x) d 2 si les fonctions sont complcxcs). Remarque sur le sens de la transformée de Fourier Du point de vue de la physique. la connaissance de la fonction f(x) est stricteruent équivalente à la connaissance de la fonction F(t) .g 111-. J h(x) ét.1. 5. Sur la symétrie et la parité des fonctions Si la fonction f(x) possede certaines propriétés de symétrie il en va de même de sa transforrnée dc Fourier F(t). on sait que les transform~cs de Fourier g(z) ct F(t) appartiennent % L2. -!x. 5.

MANUEL LIE CALCUL NUMÉRIQUE APPLIQUÉ Tableau 16. C omme nous avons l’cgalité de Parseval : /’ f(x)f*(z) dz = / F(t)F*(t) tlt. -00 -00 et +CC I’ [f(x) + jg(x)] [f*(x) ~ jg*(x)] dz = J. par-tic imaginaire impaire imaginaire quelconque partie imaginaire paire . partie imaginaire paire imaginaire quelconque Si f(x) et y(x) appartiennent à L2. -00 -x 258 .1. ces fonctions admettent chacune une transformée de Fourier désignée respcctivernent par F(u) et G(u). + G(t)] [F*(t) + G*(t)] dt.[f(x) +y(~)] [f*(x) + g*(z)] dz = r.F(t) + jG(t)] [F*(t) . partie recllc impaire partie réelle paire .jG*(t)] dt..F(. -00 -00 IlOuS allons en déduire quelques propri+% sur le produit scalaire des fonctiorls appartenant à L2. partie imaginaire impaire rkllc quelconque partie réelle impair-c . La linearité de l’opération d’intégration nous permet d’ecrire : +CO /. f (xl F(t) réelle paire rklle paire réelle impaire imaginaire impaire imaginaire paire imaginaire paire imaginaire impair2 réelle impaire complexe paire complexe pair-c complexe impaire complexe impaire réelle quelconque par-tic reclle paire . --m -cc La combinaison de ces deux relations jointe a l’egalitt: de Parseval IIOUS dorme : +CC /’ f(x)g*(x) dx = /P(i)(:‘(t) dt.

259 . F(t). remplac. Maintenant. compte ~IN de la réciprocité des transformations de Fourier. krirc : (f-x + u).i’ +a f(-. . on obtient l’cxprcssion : U-x).x). on peut.rjtu) dt. -00 -cc d’aprh le théorème de translation sur l’axe des abscisses.u)g(x) dz = /‘ii)G(-t) exp(2. G(t))> (f(x)> s(x)) = P-t). on a les autres relations : (f(x)> g(-2)) = P’(t). G(t) d’autre part jouent des rôles syrrktriqucs. J’ -cc il s’ensuit : (f(-x + u). Comme f(z).ant g*(x) par g(x) on change G*(t) en G(-t). G(W)). iious ~VOI~S les relations : tm f(-x) exp(2njtx) dx = F(-t) .u)g(x) dz = /R’(t)C(i) exp(-2njtu) dt -00 -00 soit.2 -cia En rappelant que : +CC +m * g*(x) exp(2Tjtx) dz = g(x) exp(-2rjtz) dz = G*(-t). g(x)) = /F(t)G(t) exp(-2rjtu) dt.orls t par -t dans la dernière @alité. G(t)).g*(x)) = Tf(x ~ su)g*(x) dz = ~r(t)G*(t)exp(2Tjtu) dt.x + u) exp(2rjtx) dz = F(-t) exp(2njtu). G(t)). Par ailleurs. eu remplac.u). g(x)) = (F(t).-cc I et. g(x)) = (F(t). pc. (f(:~). g(x)) = lmf(x . 16. encore : (f(u . g(x) d‘une part. LES TRANSFORMÉES DE FOURIER L’exploitation dc cette dernière égalité 6x1 liaison avec la convolution donrw également une expression intéressante concernant une forme de produit scahire : (. g(x)) = /i(x . s / -00 [. nous ohtcnons : (f(u ~ x).f(x. -(w Si l’on fait IL = 0.g*(x)) = /i(x ~ u)g*(x) dx = /i’(-t)G*(t) exp(2xjtu) dt.

fonctions rattachées aux polynômes d’Hermitc (cf. +1/(2h)l et son pas d’échantillonnage est T = l/u. donnée par un ensemble d’échantillons qui sont pris CII progression arithmétique. Il va de soi que les algorithmes que nous allons décrire pcrmcttront dc calculer les co&icients des développements cn skie de Fourier. 6. Nous allons donc examiner le problème sous cet aspect en accordant notre attention aux fonctions khantillonnées. les équations fonctionnelles (16.6) n’admettent pas tolljours des expressions littérales de transcendances élémentaires. 7. En revanche. Chapitre 10). Lc pas d’khantillormage est h = a/(2n) et la période de la fonction f(z) est a.illonnage h. Malhcllrel~senlent. 260 . suffisants. soit (2n+l) leur nombre ct l’on notera (zk. l’approximation dc fonctions de L’ au moyen des fonctions du cylindre parabolique. lesquelles ont kt.6). a. il existe un probkmc beaucoup plus délicat qui est celui de déterminer convenablement la période d’échant.. En effet nous avons procédé à l’extension de l’intervalle dc définition des fonctions périodiques pour parvenir & l’étude des transformks dc Fourier. alors: dans l’espace réciproque. En apparence il sufit dc calculer nurnkiquement les intégrales (16. il faut préciser que les fonctions f(z) ne peuvent être connues que sur un intervalle fini (-a/2.nsformée de Fourier. Un autre prohlèmc SC pose lorsque l’on a affaire à des données expérimentales composées d’échantillons ~ lc plus souvent distribués selon une progression arithmétique. mais l’expérience montre que les temps de calcul sont prohibitifs et qu’il faut trouver des algorithmes cxtrknernent élaborés pour parvenir à des temps de calcul raisonnables. On calcule donc ~TL points dans l’espace réciproque.k rkmies dans des tables. On démontre qu’aucune information n’est perdue en opérant de cette sorte. mais maintenant nous ne sommes cn mesure que de traiter numériquement les fonctions définies sur un inkrvalle fini. 2n points en progression arithmétique sont nécessaires et. Le fait de prendre davantage de points n’apportera rien en prkision et cela ne fera qu‘accroître le temps dc calcul. Nous reviendrons cn détail sur ces problèmes. on supposera que la fonction f(z) est. Par ailleurs. Ceci est dû aux impérkfs de naturc physique et humaine : le temps d’observation est limité et.. Sur le calcul numérique des transformées de Fourier Il existe quelques fonctions dont on connaît la transfornkc de Fourier. selon 1me progression arithmétique de raison T. D’arcs ct dkjà% on est en mesure de dire qu’il n’y aura aucune différence entre une transform@e de Fourier calculée nurrkriqucmcnt et la skie de Fourier. Le calcul des khantillons de la transformée de Fourier F(t) se fait. o/k) les couples de points représentant la fonction. la période de la transformke de Fourier F(t) est T = [-1/(2h). Cas des fonctions échantillonnées Puisqu’il s’agit esscnticllcment d’un point de vue pratique. b. +u/2). il nous faut rappclcr les propriktés essentielles des fonctions échantillonnées et dc leur tra. Avant d’cntrcprcndre à proprement parler l’ktude des algorithmes fondamentaux.MANUEL DE CALCUL NUMÉRIQCJE APPLIQUÉ Certaines de ces relations sont utilisees dans les paragraphes kvoquant. la densité d’information recueillie pouvant ntre manipulée est finie.

en posant F(t) = FR(~) + jP~(t): cela nous permet d’écrire : FR(t) = h 2 rk cos(27rkht) FJ(t) = h c Sk sin(2xkht).) = 27rht.16) Les relations (16.. 16. Cette façon de procéder rcvicnt à décomposer une fonction en une somme de deux fonctions. (16. pkriodiques.. = f ( ..2 .14) k-71 Dans le cas où f(z) est une fonction rkelle. Il est plus commode de poser : rq = f(qh) + f(-&) s q = f(qh) . On approche F(t) au moyen dc l’expression suivante : 71-l F(t) = h c f(W) exp(27r-jkht).15) ktaicnt simples à calculer mais qu’cllcs exigeaient un temps de calcul considérable. la raison en est la suivante : comme les fonctions sont. (16.n. LES TRANSFORMÉES DE FOURIER 8.6) au moyen de la méthode des reckanglcs . Cependant.1)00].1 71-l F(t) = h c f(M) cos(27rkht) + jh c f(M) sin(2z7kht). Quoi qu’il en soit.f(-qh) avec q=O:1.15) k=l Remarque : Nous avons dkjà dit que les relations (16.cos[(p .n h ) S 1L = -f(-nh).16) ne sont pas uniques. il y a moyen de diviser le temps de calcul par trois environ en effectuant la remarque suivante : L’argument dc base des sinus et cosinus est : 0.. il est indispensable d’affecter & chaque point d’échantillonnage le rnêrne poids pour obtenir le même résultat quel que soit le point choisi pour définir le début d’urlc pkriodc. (16. l’une paire et l’autre impaire .l)O”] sin[(p + l)&] = 2 COS(@~) sin(pO0) .sin[(p . nous pouvons kcrire : 71 . il est beaucoup plus astucieux de calculer ces fonctions au moyen des relations de rkurrence du type : COS[@ + I)@l] = 2 COS(@)) cos(p@~) . Cornrne l’appel des fonctions de bibliothCque SIN et COS dcmandc 1111 temps important.-1 e t T. et l’on peut trouver des relations de récurrence tout à fait analogues. il suffit de calculer au depart seulernent Ao = cos(00) et 13” = sin(&) puis d’utiliser les formules de récurrence : 261 . ce qui fait que les argurnents des sinus et cosinus sont en progression arithmktique de raison 00. Calcul par un algorithme ordinaire Il s’agit ici de calculer les intégrales (16.

(16.) Il s’agit d’un algorithme que l’on désigne souvent sous le nom de FFT (fast Fourier transform).17).jg) . on obtient : F(mr) = h c f(kh) exp(2njkhmr) . On s’aperçoit que le calcul des transformées de Fourier fait appel à des valeurs numériques qui sont strictement liées à la nature de l’échantillonnage. et l’on va observer une lente dégradation de la precision des valeurs calculees pour les sinus et cosinus. on aura les égalités suivantes : F(mr) = h c f(kh)exp (16.17) 1=-n D’une faCon genérale. elles mettent en ouvre toujours une soustraction.17) e n p récisant que les points qui doivent être calculés sont ceux qui sont en progression arithmétique de raison T ou dc raison h selon l’espace que l’on considère.21) q=-n+p2 quels que soient les entiers pi et pz. L’algorithme de Cooley-Tukey (1915. 9.15) et (16. mais comme T = 1/(2nh) il est plus commode d’écrire : F(mr) = h C f(kh.1. on a la transformée inverse : f(kh) = T c F(qh) exp (16. C’est pourquoi il est utile de les calibrer de temps en temps: c’est-à-dire d’utiliser les fonctions dc bibliothèque tous les 1024 points par exemple et de calculer les points intermédiaires au moyen des relations de récurrence. La transformée de Fourier réciproque ne présente pas plus de difficulté à calculer. 262 . 9. (16. La transformée de Fourier discrète Il suffit de reprendre les formules (16.)exp (16. si l’on fait a: = mr.20) k=-n+pl f (kh) = T ny F(qh) exp (-2~. on écrira sirnplement : f(x) = T C F(lh) exp(-2nj2ht).MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Quelles que soient les formules de récurrence utilisées. dans les relations (16. les fonctions f(z) et F(t) sont des fonctions complexes de variables réelles respectivement zr et t.15) et (16. si la fonction f(z) est périodique de période a.19) q=-n Par ailleurs.18) k=-n Réciproquement. Donc.

Il s’ensuit que : h = l/N.22) Il faut bien reconnaître que. Il faudra se souvenir de cette opération lorsque l’on désirera effectuer une interpolation dans les transformées de Fourier. +1/2).La transformée de Fourier d’une fonction quelconque cormue en N points est une combinaison linéaire d’une transformée de Fourier de deux fonctions issues de la première et ne comportant que N/2 points chacune. +a/2) soit transformé en un intervalle dc longueur unité: soit l’intervalle (-1/2. 9. et pi = p2 = 0.3. Pour démontrer cette proposition. on choisira un nombre N de données qui est une puissance de deux. jusqu’à présent. LES TRANSFORMÉES DE FOURIER Comme cela est sans intérêt. On designe par u la fonction constituée par les échantillons d’indice pair et par v la fonction constituée par les échantillons d’indice impair. Normalisation de la transformée de Fourier Pour obtenir la normalisation.. il est plus commode d’écrire en indice lc numcro du point c’est-à-dire que l’on notera désormais : F(mr) = F. Il est bien entendu que l’on conserve l’ordre des échantillons dans la fonction f (cc). il suffit donc de poser : n = 2nh = 1. (N). 9. Par ce procédé. les transformées de Fourier discrctes normalisées s’tcrivent sin- plement : (16. Calcul de la transformée de Fourier au moyen de la technique de partage Théorème .2. nous n’avons pas amélioré la technique de calcul. et nous avons toujours besoin de N operations complexes pour mener à bien les calculs. on obtient leurs 263 . l’une constituée des indices irnpairs fzk+i et l’autre des indices pairs fzk. 16. II~IE poserons : WN = exp(2nj/N). Les transformées de Fourier respectives de u et ‘v sont désignées par U et V. chacune de ces fonctions comprenant N/2 points. on préfère travailler sur une transformée de Fourier normalisée. Rappelons que T est la période de la transformée F(t). Maintenant. N = 2n. nous allons décomposer la fonction f(z) en deux fonctions. et f(kh>) = fi.. T = 1: T = N = l/h. et l’on posera N = 2’“. P our des raisons qui deviendront évidentes par la suite. Comme dans le cas du calcul des fonctions trigonomctriqucs. c’est-à-dire que l’on va effectuer une transformation linéaire des abscisses de tcllc sorte que l’intervalle arbitraire (-a/2. nous allons étudier un algorithme qui rend le temps de calcul non plus propor- tionnel à N2 rnais à N log. Puisqu’on ne calcule qu’un nombre fini de points de la transformée.

puis cn poursuivant par les fonctions à quatre ékmentsT puis à huit.y=0 ")=Cl Il n’y a plus qu’à substituer les expressions de U et V. ~ ct dans la mesure où lc temps de calcul n’est pas prohibitif il n‘y awra pas dc difficultks particulières pour réaliser un programme car le tri des données initiales se fera par appel récursif. du C. a..4. + VjW.24) À présent on comprend l’int6rCt d’avoir choisi pour N une puissance dc deux.. et il faut une autre relation pour obtenir l’autre moitie. du PLl. 9.23) Cette expression ne permet de calculer que la moiti6 de la transforrnée de Fourier. c’est le cas du Pascal.. par conséquent 11011s po~lvons dire que : Comme par ailleurs nous avons : Wk+N/2 N nous obtenons la relation (16. ce qui donne : 2Fk = U. (16. Donc le problème qui se pose est celui de la disposition convcnablc des khantillons au départ. nous pouvons écrire : N/2-1 N/a-1 NFk z c QV$" + c ujT/liN"+-l)k'. Mise en œuvre de l’algorithme Il y a plusieurs réalisations pratiques possibles pour utiliser cet. seize. b. Si l’on nc dispose pas d’un langage récursif c’ktait le cas du FORTRAN ct du BASIC ~ il est indispensable de procéder à. ..vjw.. Il y a deux rnéthodes usuelles qui permettent dc rkaliscr Ckgamment cette tâche à savoir le tri direct et le tri par inversion de bit. (16. il s’agit de savoir à quelle place (indice) il convient de mettre la donnk d’indice k. un tri prkalable des données initiales afin de commencer les calculs de transforrnées par les fonctions contenant deux ~lkncnts..22) : Si à prkcnt nous revenons à l’expression de F dans laquelle IIOIIS séparons les partics constituées par les indices pairs et les indices impairs. algorithme.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ expressions cn utilisant les relations (16. Polir cela. 264 . il suffit de remarquer que les fonctions U et V sont pkriodiques de @iode N/2. lesquels ont été pris dans l’ordre séquentiel.. Autrernent dit. puisqu’il va de soi que l’on va calculer chacune des transformées U et V par le même procédé.24) : ~FA+N/~ = uk. Si l’on dispose d’un langage récursif.

enons UIE représentation binaire sur trois bits. et il suffira de retrancher ou d’ajouter une unité pour exploiter à notre convenance l’un des deux algorithmes que nous venons de présenter. . (N) bits p our exprimer tous les indices de la fonction échantillonnitc dans le système binaire. 1. Il faut donc rn = log. Ccttc méthode s’applique pour k = 0. 3. -.. Désignons par 4 l’exposant de deux qui permet d’encadrer le nombre k dc tcllc sorte que : alors nous obt.Tri par inversion de bit .(O) + 8/2 4 2 q=l Rg(2) = I&(O) + 8/4 2 3 q = l h(3) = Rs(1) + 8/4 6 4 q=2 h(4) = l&(O) + 8/8 1 5 q=2 h(5) = R*(l) + 8/8 5 6 q=2 &(6) = I&(2) + 8/8 3 7 q=2 Rx(7) = I&(3) + 8/8 7 b .Pour des raisons de simplicitk.tion de récurrence suivante : j = RN(k) = &(AI . 16. Remarques générales 1. Il est simple de passer d’une numérotation à l’autre selon que la première dom& à la valeur xero ou la valeur un. -~ ~~~ Indices initiaux Indices finals 0 q = 0 I&(O) = 0 0 1 q=o Rs(1) = R. 265 . 2.2(j) + & et l’on prendra au dkpart : RN(O) = 0.2. ccttc donnée sera placée a l’indice j : nous allons donner la correspondance entre k et j CII faisant l’hypothèse que le premier indice est zéro ct le dernier N ~ 1. Tableau 16.Dans l’ordre séquentiel on considère la donnée d’indicc k. 9.iendrons la valeur de j au moyen de la rela. La manière dc l’exploiter sur un cnscrrlblc de huit donntes numérotées de un à huit est presentee dans le tableau 16. N ~ 1. 9. .3. Pour obtenir l’indice j. il suffit d’intervertir l’ordre des chiffres binaires representant le nombre k avec m bits et l’on obtient ainsi la représentation binaire du nombre j. La façon d’opérer est schématisée sur lc tableau 16.Le tri direct .6. Certaines donnees conservent le même indice. on considère encore que les indices commencent a la valeur zero et se tJermincnt donc a la valeur N .2.5.2.1. page suivante. LES TRANSFORMÉES DE E'~URIER a .. Exemple Nous avons huit données numérotées de zkro à sept et nous obt.

on SC trouvera également en présence d’un déphasage de T. Indices initiaux Indices finals Décimal Binaire Binaire Décimal 0 000 000 0 1 001 100 4 2 010 010 2 3 011 110 6 4 100 001 1 5 101 101 5 6 110 011 3 7 111 111 7 10. 3. C’est pour les raisons expliqués au cours du paragraphe préckdcnt que la transformée de Fourier réciproque effectue les calculs à partir de l’échanti!lon correspondant à l’origine. Comme le rnontrent les relations (16. 5.22): il ne faut pas diviser les données par N lorsque l’on calcule la transformation réciproque. les résultats de la transformée de Fourier directe sont donnés à partir de l’origine. Lors du calcul de la transformée directe. Ces programmes nécessitent quelques commentaires. 4. si l’on utilise ce prograrnme avec des données numérotées à partir de l’origine. La plupart.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Tableau 16. Il convient alors de noter que le module de la transformée de Fourier est correct. des programmes exigent cette façon de procéder. Programmes de calcul des transformées de Fourier On trouvera sur le Web(*) 1 es sous-programmes df ft0. Autrernent dit.com/guilpin/ 266 . Il est très facile de se retrouver en présence d’un fâcheux décalage de T lors du calcul des transformk dc Fourier.3. Dans ce cas il ne semble pas habile d’attendre d’être en possession de toutes les données pour effectuer le décalage d’abscisse avant d’entreprendre lc calcul effectif de la transformée de Fourier.24) irnpose la division des résultats par N. C’est pour cela que la transforrnée de Fourier directe que nous proposons tient compte de ce décalage.emps: la première donnée qui se présente correspond à l’abscisse normalisée -1/2 et non pas zéro. h pour calculer les transformées de Fourier. Nous avons retenu une méthode non récursive agrémentée d’un algorithme de tri direct des données. dans l’espace réciproque. le premier point calculé est celui correspondant à l’origine. 1.23) et (16.edpsciences. 2. Nous ne l’avons pas retenue pour la raison suivante : lorsque l’on traite des données échantillonnées au cours du t. le calcul successif des transformée au moyen des relations (16. h ct df f tinv0. Par conséquent. Cette opération a été rkalisée au cours du tri et non pas après les calculs (les opérations sont linéaires). *http://www. Généralement ceci est dû au fait que les donnkes ont été mal numérotées au départ : il faut que le premier échantillon se trouve à l’origine. Quelle que soit la manière retenue. et l’on aura les points suivants jusqu’à la demi-période 1/(2h) ensuite viendront les points de la demi-période -1/(2h) jusqu’à zéro non compris.

6.. Au fond. dans l’espace normalisé. 11. c’est-à-dire au bord du domaine (-0. Ainsi. La déterrnination dt la période d’échantillonnage h. ce procédk permet d’apprécier de façon tangible les erreurs qui viennent altérer les résultats. il est indispensable d’avoir présent à l’esprit la figure 16. Un problème fondamental : quelle doit être la période d’échantillonnage de la fonction f(x) ? Rappelons que la taille de la période d’échantillonnage h de la fonction f(z) va dtterrniner la t. Cela constitue 1111 bon test de mise au point. Cependant. Dans ces 267 . +O. et l’on doit retrouver les données initiales (à partir de l’échantillon correspondant à l’origine). dc se souvenir que le calcul rapide des fonctions trigonomét. 16. il convient. n’est pas un problème banal : il n’est pas question d’effectuer url échantillonnage de n’importe quelle façon quand bien même ne serions-nous pas intkressés par la partie dc la transformée de Fourier au-delà d’une certaine valeur de l’abscisse fh~.aillc du domaine de représentation de la transformée de Fourier F(t) dans l’espace réciproque. 5). (Elle peut évidemment devenir nulle avant le bord.1. chaque fois que l’on trait. LES TRANSFORMÉES DE FOURIER Espace direct Espace réciproque ~ 42 0 + cl/2 2 . il est raisonnable de réaliser simultanément la transformée directe ct la transformée réciproque qui n’admettent que peu de différences. Avec h. on rnodifie le pas d’échantillonnage h pour s’assurer de la nullité de la fonct. on a tout intérêt à cc que l’annulation. s’effectue au bord du dornainc (-0. pour une expérience donnée. +O. après avoir obtenu la transformée directe.1. Détermination expérimentale de ho On effectue un échantillonnage à la période h puis on calcule la transforrnée de Fourier F(w).ion F(w) au-delà de lwOI. Bien entendu. Lors de la mise au point d’un programme de transformkes de Fourier. Pour que F(w) appartienne à L1 ou L2. il est nécessaire qu’au moins elle soit.. Par ailleurs. Il y a deux façons de procéder avec une fonction f(t).5.T/2 0 +T/2 ” Figure 16. 11. h = 1/T T = l/h. = a. inutile dc rkaliser des calculs qui n’apprennent rien sur la TF. afin d’obtenir une bonne période d’échantillonnage dans l’espace direct. a = l/r N = TII-.) Si tel n’est pas le cas.e de transformées de Fourier. laquelle a fait l’objet d’un enregistrement continu.5. divergences qu’il est souhaitable dc trouver de quelques ordres de grandeur de l’erreur de troncature affectant les nombres traités en rnachinc.riques intervenant dans les calculs sont des sources d’incertitude qu’il ne faut pas négliger. nulle à l’infini.. car on observera de toute façon des divergences par rapport aux données initiales. 5) et non It l’intérieur pour la bonne raison qu’il est.lN r = l/a..1. on revient dans l’espace initial au moyen de la transformée rkiproque. Ajoutons que la taille du domaine de définition de f(z) déterminera la taille dc la fréquence d’échantillonnage r dans l’espace réciproque.

On isole une période n de la fonction f(t) dc l’espace direct cn la multipliant par une «fonction porte » r(t) : g ( t ) = f(t) r(t). definie numérique- ment pour les valeurs w = Icra : G(w) = F(w) * R(w) (produit dc convolution). C’est réellement cc problèrne qui est traité dans la réalisation d’un disque numerique.5 kHz ou tout au plus ces frcqucnces. Quand cette condition est remplie. où R(w) est la transformée de Fourier de la fonction porte. Shannon a montre que l’on pouvait elfectuer une interpolation rigoureuse G(w) dans l’espace réciproque de la fonction F(w) au moyen de la relation : Démonstration . Autrement dit j il faut. il est indispensable de procéder au filtrage du signal avant de 1’~c:hantillorlner et il ne devra pas comporter de frcquences supericurcs à : 1 W”=2ho’ sous peine de voir apparaître dans le spectre des «battements » avec la fréquence d’échantillon- nage. soit : sin( 27rTw) R(w) = 2$Jlw . La fréquence d’échant. On impose ho Dans cc cas. cchantillonner à une fréquence au moins deux fois plus grande que la plus grande fréquence apparaissant dans le signal à traiter pour ne rien perdre de l’information contenuc dans le signal. 268 . (-wo: +w~) soit 2~0 ct que la fréquence d’échantillonnage est : 2wrl 7”() = -: N il s’ensuit que la <~bonnc pcriode » d’échantillonnage ho est donni:e par l’expression : h>U = & 0 c’est la période d’echantillonnage dc Shannon (1916 ). auront une amplitude très attémicc ~ au moins 20 dB par octave. périodique et.2. I~OIIS tirons : 11. La transformée de Fourier de g(t) notée G(w) est continue. si elles existent.i!!fANLJEL DE CALCLJL NUMÉRIQUE APPLIQUÉ conditions. Il s’ensuit que le signal ne doit pas comporter de fréquences superieures à 22. de là.illonnage est fixée aux environs dc 45 kHz. OII deduit que l’étendue de l’cspscc réciproque est.

Définition On considare la suite de fonctions : = 0 si n: < 0 et. Nous verrons. 011 comprend tout le danger qu’il y a à effectuer un échant.1.(~) lorsque n tend vers l’infini. Elle s’appelle fonction de Heavisidc (1850~ 1925) ou 6chclon unité. 12.!(X) par construction).2.Dc nGme. c’est-à-dire 15 kHz.ransforrnées dc Fourier des distributions t. dans lc signal urle fr6qwnce de 30 kHz. notée 6(z). La distribution de Dirac (1902-1984) La distribution de Dirac joue un rôle intbressant dans l’étude des transformi-rs de Fourier. supposons alors qu’il existe. la dbrivée de la fonction de Heaviside est. n La distribution de Dirac. une frsquenct rbultant du battemrnt de cette fréquence avec la fréquence d’échantillonnage. on peut écrire : b f(x)S(x) dz = f(0). la fonction de Dira(:. et l’on consultera avec intérêt l’ouvrage d’Arsac sur les t. J car S(Z) est nulle partout sauf cn z = 0.cmpérkes. L’intégrale dc la fonction de Dira(: est notée Y(t) : Y(t) = S(z) dz. :r > 1 71 fil (X. Y(t) est encore appelée la fonction échelon unité. 16. On comprrnd très bien que toutes les frkquences comprises entre 22. Quelques propriétés a- +X. f(x)S(x) dz = f(0) 6 . 6(x) est. LES TRANSFORMÉES DE F~URIE~< Si tel n’est pas le cas. ou plutôt entendrons. est la limite de flZ. R.5 ct 45 kHz vont battre avec la fr6quence d’échantillonnage et recouvrir le spectre qui a été obtenu entre 0 et 22. si a < 0 ct b > 0.5 kHz. 12. C’est ce que certains auteurs appcllcnt le « repliemcnt du spectre ».l 1 =n s i O<:r:<-. . encore appclke impulsion unité car sa surface est @ale 2 1 (cornmc toutes les fonctions f.i -00 clic vaut 1 si t > 0 ct 0 si t < 0. par cxcmple.illonnage sans connaître la plus grande fréquence composant le signal et qui soit non n&&yahle en amplitude. 269 .éciproquement. 12.

d .Théorème .Transformée de Fourier de 6(x) et propriétés connexes 1. on obtient : .ion a.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ c .(z) étant la fonction 6(z) qui a subi la translat. +Oc +CC f(x .a) s . 6(z) joue le rôle d’élément unit6 : T*f = f Par exemple.u)f(t) exp(-2njvt) dt = F(n. alors : +CX I d(t)f(t) exp(-2rjvt) dt = F(0) et 6(t . Rkciproquement : +CC J’ d(v) exp(-2Kjvt) dv = 1.I S. [s(t + u) + s(t .u)] z5 cos(2nuv) Si f(t) fi F(v).) J’ 270 . Remarque : Considérons la fonction id(t) à qui l’on fait subir deux translations symétriques +a : 1 is(t-u) a z exp(-2Tjav) ib(t + u) 25 a exp(2Tjnv) En additionnant membre à membre.u) dt = f(t)S<y(x ~ t) dt = f(z . +CC 1 exp(2njvt) dt = 6(y) s -00 2.t)?i(t . La transformée de Fourier de la fonction f(z) = 1 est la fonction de Dirac.Dans l’algèbre de convolution.

k=-x k=-oo La formule de Poisson permet d’écrire : Q ( t ) = F(v) * E S(u .)G(t . La fonction « peigne B de Dirac encore appelée sha(t) On peut montrer que la fonction (distribution) Cr=-.k).).) = f(t)Te F b(t ~ kT. LES TRANSFORMÉES DE FOURIER 12.nF. Nous allons nous intéresser aux transformées à deux dimensions dont l’intérêt évident concerne le traitement des images. avec k entier est sa propre transformée de Fourier.). car les grands principes que nous avons évoqués à propos des transformées de Fourier à une dimension demeurent.Y) = f(u. 2 f(kT.kF.3. s(t . II) exp [-~T~(ZU + ~y)] du dv. k=-cc 77=-03 La fonction sha(t) permet de représenter la fonction d’échantillonnage d’une fonction quelconque à la fréquence F.) : sha(t) = T. Dans un espace cartésien à deux dimensions. On en dkduit ensuite la formule de Poisson : laquelle permet d’écrire : 2 d(t .: 2 d(t . Soit f(t) la fonction que l’on désire échantillonner dont la forme échantillonnée s’appelle Q(t) et dont la transformée de Fourier est F(v) : Q ( t ) = T. TX=-00 13.kT.:). quoique d’autres applications soient également bien utiles.k) = F exp(-2Tjtn). y) exp [2-irj(w + ~y)] dn: dy ainsi que la transformée réciproque sous réserve de son existence : +CC G(~. 71) = 71 G(z. la transformée directe s’écrit : f(u. /II -cc 271 . 16. (ou à la période T. Transformées de Fourier multidimensionnelles Il n’y a pas de difficultés à traiter des transformées de Fourier à plusieurs dimensions.

14. puis on cha. c est obtr:nur en modifiant. Thèse de Doctowt d’Etat. Hermann.insi que la t&le des cosinus II~ sont à calculer yu’une seule fois pour chacune des deux dimensions. Éditions Dunod.éorie des distributions. DELOUIS (1973) Exploitation des spectres obtenus par‘ transformation dc Fo~urier. réédité aux Éditions Jacques Gabay. Prcmtice Hall. Ainsi on calculera toutes les transformkcs de Fourier ligne & ligne suivies dc toutes les t.ngr converiablemcnt les signes exac’tcmerit de la même manière que C:C qui a étC: fait & propos des transform&s à imc dimension. Cela nécessite un arnenagement dc la t.d its upplications.ransformées effectuées colonne à colonne.nnne df f t2 . 0. L. Éléments de bibliographie J. H. ARSAC (1961) Trunsformntion dr Fourier et th. SCHWARTZ (1965) Méthodes mathérnutaques pour les sciences ph~ys~ques. LEBESGUE (1903) Leçons SALT 1 ‘intégration et la rcchwrche des fonctions prirrtitiws.iliser l’algorithme dc Cooley-Tukey cn effectuant un maillage du domaine D qui comporte 2” points sur l’axe des 5 et 21r’ points sur l’axe des y. fini et rectangulaire dans un espace c:artt%ien. Paris. Gauthier- Villars. Éditions Masson. ce programme dc la fapn suivante : on supprime la normalisation.edpsciences. Il s’ensuit que l’on pourra ut.ransformée dc Fourier dire& à deux dimensions. Sur lc Web (*) . J. BRIGIIAM (1988) Tht: fast Fo717+r transform an.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Il est possible encore d’Ccrire : Dans la pratique: le domaine D d’int@ration est. *http://www. La transformCc réciproqnc dfftinv2. BASS (1971) Cours de rnuthémat~gurs. h cpi r6alise la t.com/guilpin/ 272 .ransformée de Fourier à une dimension en cc sens que les adresses des éltments a. Tome III. H. on trouvera le sous-progra.

rc à r&umcr la philosophie sous-jacente. En d’autres termes.. On peut a. 1.f..jouter que ces problèmes ont fait l’objet d’une récente actualité au cours du développement de la thkoric du chaos. la solution approchée dc ce type de problème n’est pas unique dans 1~s lirnites dc prkcision que l’on s’est fixé et devient difficile à interpréter.icles originaux. des variations des donnkes aussi Petit)es que l’on vcwt peuvent amener des variat. ct l’on trouvera en bibliographie ses art. Un exemple de problème mal posé : le calcul des séries de Fourier à coefhcients approchés dans L* Considérons II~I~ série de Fourier convergente que nous écrivons : f(x) = F arr cos(nz) et supposons que chaque coefficient ~ ~ soit entaché d’une erreur E/T~ (à l’cxccption dc ~0 évidemment) .. bibliographie).().17 Initiation aux problèmes mal posés : équations intégrales. Ce chapitre doit énorrnérnent à l’ouvrage de réf&ence écrit par Tikhonov (1906 1993) et. dans une première approche dc ces problèmes. dits mal posés aujourd’hui. + &I?l et cg = a. La lecture de ce livre demande une solide connaissance en mathematique. Cependant. et nous avons sculcment cherché dans ce chapit.a. C’est bien cc type de problPme qui est bvoqub par les météorologistes quand ils disent qu’un battement d’aile de papillon peut provoquer mi cyclone n’importe oa. systèmes linéaires mal conditionnés et équations de convolution La r&olution mlmérique de certains probltimcs mathématiques peut amcncr 1111 type particu- lier d’ennuis lié à l’instabilité des solutions vis-à-vis de faibles variations des donnbr~s initiales.ions aussi grandes que l’on veut de la solution. nous écrivons donc : c n . Grosso modo. Ar&nine aux Éditions dc Moscou (c. C’est Hadamard (1865-1963) qui le premier a mis en Cvidcncc ce type de problèmes. la lecture des exemples et l’usage des programmes sont amplement suffisants. La fonction f(z) est donc remplacée par la fonction y(z) : 00 273 .

U2) = t&)]”dz . b). 274 . b) et U(X) une fonction connue de l’espace U. par exemple. le problème devient bien posé. t)/ax également continue. par exemple. si la distance entre les fonctions f(x) et g(z) est donnée par la norme de la convergence uniforme. Er est aussi petit que l’on veut. t) qui est connu : c’est une fonction continue en IC qui possède une dérivée partielle dK(z.Q. expression dans laquelle z(t)es t une fonction inconnue de l’espace F des fonctions continues sur (a. que nous écrivons (U est l’espace des fonctions de carré sommable L2) : J [~I(X) - d 1/2 PcL. Si la solution n’est qu’une solution approchée. la mesure de l’écart du second membre s’effectue. d). En effet : 2.(zr. Considérons l’équation fonctionnelle suivante : J K(z. les coefficients diffèrent de : par conséquent. Mentionnons au passage que l’équation de convolution est un cas particulier de cette équation fonctionnelle. -t). Remarque : Si l’on choisit la norme de la convergence en moyenne quadratique. t) devenant K(z. t)z(t) dt = U(X) pour z appartenant à (c. nous avons : cette quantité est aussi grande que l’on veut.z2(t)j pour t appartenant à (a.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Dans la métrique de L2. Ajoutons une hypothèse supplémentaire sur le noyau K(z. D’autre part.u~ de la convergence uniforme (F est l’espace des fonctions Lm) : p. L’équation intégrale de Fredholm (1866-1927) de première espèce L’équation de Fredholm de première espèce const. K(z.(.itue un problème mal posé. dans une métrique quadratique pu. 3) = sup jzr(t) . c L’écart de la solution z(t) peut être mesuré. dans la métrique .

(. 275 .(zl. s Maintenant. INITIATION. Supposons que pour un second membre ~~(5) nous connaissions une solution exacte zl(t) . 22) puisse être arbitrairement grande. mais ce n’est pas une loi générale. b).z2(t)l = suplFsin(wt)I = lrl pour t appartenant à (a. 17. (zi . Considérons la fonction za(t) = z1 (t) + IT sin(wt).(zi. t)q(t) dt = ~L~(Z). Cette dernière expression montre que I et w peuvent être choisis de telle façon que la distance p. et cet écart pourra être arbitrairement grand. S est un infiniment petit positif.~a) .)o> cette expression peut être rendue aussi petite que l’on veut pourvu que w soit suffisamment élevé. Calculons maintenant la distance des solutions correspondantes : p. b. La conclusion peut s’énoncer de la manière suivante : la recherche d’une solution dc l’équation intégrale ne peut pas être déterminée par la condition : expression dans laquelle : a. ~2) est remplacée par l’autre norme pu. ce qui permet d’écrire formellement AZ = u à la place de l’équation intégrale.~~~ PROBLEMES MAL POSÉS : ÉQUATIONS INTÉGRALES.t)sin(tit) dt] 2 d. z2) = suplzl(t) . sin[w(b . Remarque : Rien n’est changé si la norme pz (zi . u2) = Irl {l [iK(z. on calcule alors : = Irl [q .a)]] 1’2. supposons que l’on connaisse un second membre approché peu différent de ui (x) dans la métrique L2. elle est solution de l’équation : r K(z. À présent. Ici le problème n’a pas été modifié par le choix de la norme.u)] COS[~(~ . on peut alors écrire : b K(z. montrons que le problème est un problème mal posé. l’operateur intégral est désigné par A. t) sin(wt) dt + ~I(Z) = Ut s Cette expression permet de calculer la distance de [~I(X) ~ us(z)] : ILu(u1. et l’on se propose de rechercher une solution voisine de zi(t).L.

. . même si A est un opérateur absolument continu. 2. la solution exacte et uarl 6tant la solution approchée). on exploite une information supplérnentairr sur la solut. il existe C?(E) > 0 tel que : p. Le problème est stable sur les espaces U ct F. on sait que la solution : 276 .z. Par définition. De plus on suppose que le second membre u. Naturellement on rechrrchc la solution approchée dans la classe QJ de z pour laquelle la distance p. 2. AP1 ne sera pas en génPra1 1111 opérateur contiml sur U et la solution ne sera pas stable.(Az. rnalhe~lrellsement. la classe QJ est en g6n6ral trop vaste ct il faut introduire une contrainte c’est-à-dire un principe de sélection sur les solutions possibles. 4. Même dans le cas où l’on est en préscncc d’lm second rnembre approché 7~.Uap) < ~5.. IL~ ct ~2 appartenant à U et z1 ct .(u. La solution est définit de faCon unique. (u. plus compacte. Tikhonov a proposé mie mbthodc de résolution fondee sur la notion d’opérateur régularisant.. il existe une solution z appartenant à F.~> est connu à S près tel que ~L. Dans lc cas contraire. uCL1)) < S. ainsi les variations du second rnembre de l’équation AZ = u sont susceptibles dc sortir des frontières de AF . VU appartenant à U. on dit que lc problème est mal posé. c’est trouver sa solution z = ?Y?(U) à partir des données initiales U(X).nt à F.. La recherche d’une solution approchée d’un problème mal posé est g6néralement non uni- voque. Quelques remarques 1. 3.~) < 6. Méthode de régularisation À prC:sent IIOUS envisageons le cas où F la classe des solutions possibles n’est. Supposons que l’équation AZ = u soit mal posée dans l’espace des fonctions F. Pour cc faire..~~ appartenant à I: te1 WC Pu(%. suggérée par le type de problème trait& Supposons que la « solution » soit dkfinie: et qu’à tout u appartenant à U corresponde lule solution unique z = V?(U) appartenant à F.u~) < C?(E) entraîne Kz(~1.MANUEL DE CALCUL NUMÉRIQ~JEAPPLIQUÉ 3. (uI.1. on dit alors qu’il s’agit de problèmes essentiellement mal posés. et A.zz appartena. Notion de problèmes bien et mal posés Résoudre le probl?mc linéaire AZ = U.~2) i 6 HVCC z1 = X(74) et ZJ = !R(ua). étant.. Par définition. u. Le rôle de la troisième condition est fondamental pour l’exploitation des méthodes numériques. le problème est bien posé sur les espaces U et F si l’on varific les conditions suivantes : 1. Il va dc soi que l’on travaille dans des espaces m6triqucs ct que la distance est. Notion d’opérateur régularisant L’opérateurA-’ n’est plus continu sur AF et l’ensemble des solutions dc F n’est plus compact.:~. on dit que le problème de la recherche d’une solution est stable vis-à-vis des données initiales si VJE > 0.ion qui peut êtIre par exemple la régularité des solutions. 4.

Nous n’allons pas rentrer dans les détails de l’obtention d’opkrateurs régularisants dont nous donnerons quelques exemples en nous lirnitant aux idées générales. tend vers z. On cherche la solution approchée dans l’ensemble M de F te1 q11e : comme la solution n’est pas continue en 6. d) soit. Mini quel que soit 6 t (O. on définit un opérateur rkgularisant qui dépend de S. 6)) et ~6 est un de ces éléments. nous pouvons écrire : F~A = M n Fl.. a. R(u. a!) est défini quel que soit (1 > 0 et pour tout YJ E U tel que : b.ug) < b(E).~ pour l’équation AZ = U.end vers u. Revenons à notre fonctionnelle stabilisatrice O(Z) définie sur l’ensemble FI de F et désignons par F~A l’ensernblc des éléments de M sur lequel C!(Z) est défini . on ne peut pas retenir un élément arbitraire dc M. on peut substituer un paramètre de régularisation notk (v ((Y > 0). 0. Il existe d’une part Q fonction dc S tel que. équation dans laquelle le paramètre rkgularisant est lik à l’erreur entachant les données initiales ‘ut. En outre: cette fonctionnelle est telle que l’ensemble des éléments z de FI pour lesquels C?(Z) < 6 quel que soit. E > 0.) < S1 tel que l’inégalité : On note que nous ne faisons pas l’hypothèse d’un opérateur univoque. c’est-à-dire que S tend vers zéro cela doit entraîner que z.:. o!(6)]. de telle sorte que.(u. Il nous reste donc à chercher des opérateurs régularisants et à définir le paramètre a connaissant l’erreur 6 entachant le deuxième rnernbre.:.~ > 0 est un compact sur FI..Sl) ct pour tout ug tel que 2. cela entraîne : On choisit comme solution approchée la solution ZJ obtenue au moyen de l’équation ~6 = R[U~. 277 . À la place de 6.On dit que l’opérateur R(u. qui permet d’apporter une définition plus commode. et il existe d’autre part S(E) 5 61 tel que si us E U et p. il existe &(E. Définition .. Quel que soit E > 0... quel que soit. 6) est rkgularisant dans le voisinage dc u = u. La construction d’opérateurs régularisants est fondée sur le principe variationnel qui minimise une fonctionnelle stabilisatrice O(Z) non négative continue et définie sur un sous-ensemble FI dense partout sur F.:. il peut cxistcr un ensemble {R(us. Pour pallier cet inconvénient. s’il possède les propriétés suivantes : 1.[. M est très grand ct c’est notre principe de sélection variationnel qui va nous permettre de choisir un ou plusieurs éléments de M qui dépendent continûment de 6. INITIATION AUX PROBLE~~E~ MAL ~0sÉs : ÉQUATIONS INTÉGRALES. En général. si uap t. L’exploitation du principe de sélection consiste à rechercher les klérnents dc FIS qui minimisent la fonctionnelle 0( 2). dans les métriques appropriks. n’approche pas la solution z. 17. u. Il existe 61 > 0 tel que R(u.

~2) qui majore la métrique PF(z~. Il est tout à fait équivalent de considérer que z. b) muni de la métrique : pour Ic appartenant à (a.. b). nous minimisons la fonctionnelle suivante : cependant. 278 . ~6) s’appelle fonctionnelle lissante. b). Le choix de la fonctionnelle stabilisatrice est guidé par la nature du problème à traiter et cela sera mis en évidence sur les exemples que nous présenterons. est domk par l’application dkm certain opérateur R[us. il faut qu’il existe un paramètre Q et un élément z. 4.2. il est possible de montrer que.Si F est muni de la métrique : pour ~1: appartenant à (a. il est possible de choisir l’ensemble 4 des fonctions continûment dérivables sur (a.MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ Dans le cas général. ug) atteigne sa borne inférieure. appartenant à 4 qui minimise la fonctionnelle : a . il est équivalent de chercher à minimiser R(z) sur FI avec la contrainte : Ce problème se traite au moyen de la méthode des multiplicateurs de Lagrange (1736-1813). il existe alors un élément z. suscep- tiblc de constituer le minimum sur FI et alors.Exemple 1 . 20) 5 p (de centre 20) soit compacte dans F.4 qui suit. plutôt que de chercher à minimiser la fonctionnelle stabilisatrice n(z) sur F~J. a(S)] dkpcndant de tel que : où Q se détermine au moyen du résidu comme on lc verra dans le paragraphe 4. le parametrc cy qu’il convient de déterminer se présente comme une fonction de 6. mais encore qui assurent la condition : On peut introduire formellement la fonctionnelle Ma(z) ug) et chercher l’élément z. D’une façon générale. Autrement dit.z~): il est possible de montrer que. McX( z. Théorème important (sans démonstration) Si un sous-ensemble 4 de F admet une métrique P+(~I. sous réserve que la sphère p+(z. tels que non seulement Ma(~.

En outre.Exemple 2 . b). est muni de la métrique : PF(Zl. On peut alors prendre comme stabilisateur la fonctionnelle : Q(Z) = 1142~ Puisqu’il s’agit d’un problème variationnel. espace des fonctions continues sur (a. Si l’on désigne par {fk} un système complet de l’opérateur A*A (vecteurs propres) et par {Xk} les valeurs propres associées.Si F. et que U et F sont des espaces hilbertiens.~~~ PROBLÈMES MAL POSÉS : ÉQUATIONS INTÉGRALES. On montre qu’elle se met sous la forme : A*Az + az = A*u. b) ( esp ace de Sobolev (1908&1989) IV. tels que Ilzl1 5 d. la solution sera approchée par les fonctions les plus lisses jusqu’k l’ordre p.(Az.x)I on peut choisir l’ensemble 4 des fonctions de carré sommable qui admettent des dérivées jusqu’à l’ordre p sur (a. minimise la fonctionnelle Aabilisante 0(z) avec la contrainte p. alors. on écrit l’équation d’Euler associée à la fonction- nelle lissante Me (z. est compact dans F. b .3.z de 4.) muni de la rnétrique : expression dans laquelle les qk:(z) sont des fonctions continues connues > 0. 4. avec toutefois qp(z) > 0. on peut mettre A*u sous la forme d’une série : et z sous la forme : expression dans laquelle les {bk} sont donnés par les expressions : . et si les fonctions sk(zr) sont des coefficients constants 2 0. Recherche de la solution régularisée sous forme d’une série On suppose ici que A est un opérateur complètement continu de F dans U. Les stabilisateurs s’appellent dans ce cas stabilisateurs d’ordre p. on suppose que le sous-ensemble 4 de F est aussi un espace hilberticn qui est muni de la métrique majorantc 11~11 p our laquelle l’ensemble des éléments .z2(.. INITIATION. ug) = 6. 17. on parle alors de stabilisateurs d’ordre p à cocfficicnts constants. u). On aura donc : et comme la solution régularisée z. où A*A est un opérateur auto-adjoint.&) = SUP 121(x) .

La méthode donne l’idée concernant la façon dont il faut choisir Q~. On calcule le résidu T-I. Pour obtenir la solution. 5. et à appartenant à l’espace L” des fonctions de carré sommable. t)z(t) dt = u(x) J pour x appartenant à (c. on connaît 1me valeur de 6 caractkkmt l’imprécision générale et il nous faut trouver une valeur correspondante de (Y choisie parmi les valeurs possibles.4. On va choisir une suite de valeur de cy qui sont en progression gkométriquc. Q(C?)] soit effectivement régularisant. Nous cherchons la solution z. c’est-à-dire au moyen dc la condition : D’un point de vue pratique. (6 w). Pour valeur de CC. on va opérer dc la façon suivante : 1. on choisit celle pour laquelle on vérifie l’égalité : 5. En programmation1 il est commode de procéder par tâtonnements de faCon conversationnelle.à q&)z”(t) + ql(t) dt < a 280 . Application à la résolution approchée des équations intégrales de Fredholm de première espèce R. qui minimise la fonctionnelle : JiJ d b Ada(z) u) = K(x. 2. Choix du paramètre de régularisation Il n’est pas évident de connaître la fonction a(S) pour laquelle l’opérateur R[u(s. on peut estimer cv d’après le résidu.evenons à l’équation de Fredholm de première espèce : b K(x. nous allons utiliser 1111 stabilisateur du premier ordre dans l’espace de Sobolev W2. au moyen de la relation : rk = /A&&~. soit : Qk = @q” et pour chaque cyk on calcule la valeur de la fonction z.+ q ui minimise la fonctionnelle lissank wq. t)z(t) dt . cependant. ucs) 4. On estime 6 l’erreur sur le second membre. d). afin de déceler plus rapidement les ordres dc grandeur. 3.MANUEL DE CALCUL NUMÉRIQUE APPLIQUI? 4.. On connaît la valeur 6 d’après la relation : Alors.

. INITIATION Aux P R OB L ÈM E S MAL P O S ÉS : ÉQUATIONS I N T ÉG R A L E S. alors poser ~‘(a) = z’(b) = 0. X)K(Y.I expressions auxquelles il faut ajouter la condition : y1(x)z’(x)u(x)~~ = 0. où Y(X) est une variation arbitraire dc Z(X) telle que Z(X) + U(X) p uisse appartenir à la classe des fonctions admissibles. on peut. on connaît les valeurs dc la solution aux bornes de l’intervalle (a. b. d b(x) = K(Y. J’a K(xk. Simpson. Résolution numérique Comme chaque fois en pareil cas.~k. t)z(t) dt . xM/) d’y> . 1. on procède à un rnaillage du domaine sur lequel on dksirc effectuer la résolution dc l’équation intégro-différentielle. cc qui constitue deux contraintes à imposer A la solution approchkc. Puis.1. rectangle. Il est possible de montrer que la solution régularisée est dom& par la résolution de l’équation intégra-diffkrentielle : b H(z.t) = J K(Y. Nous pouvons également écrire quelques expressions utiles pour la formulation du problèrne transposi: sur le plan nurnérique : b t)z(t) dt = hk Kk.. u=o l’cxprcssion du second membre représentant formellement une technique d’intégration usuelle (t. cn utilisant les opérateurs de différences première et deuxième : 281 . si ces valeurs ne sont pas connues.N s a avec : d H(x. 5...). t) dZ/. et nous notons zk la valeur inconnue z(x~). Généralement on adopte ur1 maillage uniforrnc dc pas h sur l’intervalle (n. . . h) et il faut que la fonction U(X) s’anrmle à ces cxtrémitCs. n. .zl.2..rapeze. On peut satisfaire cette condition de deux manières : a. 17. ainsi la solution Z(X) est calculée pour les valeurs en progression arithmétique . b). = a + kh avec k = 0.

c qui résout ce problème dans lequel les intkgrales sont évaluées au moyen de la méthode dc Simpson.Y) = (1. Pour déterminer la solution.0 ~ x)~ s i O<y<x K(x. appelée solution normale.0 ~ Y)X s i x<y<l e t u(x) = [sin(7rx)]” sur l’intervalle (a.edpsciences.i’ K(x. .2.2... Ceci assure que les dérivées nurnériques en a ct b sont nulles. Exemple numérique On se propose de résoudre num&iquement l’équation de Fredholm de première espèce suivante : +1 .. . Nous considérons ici les systemes d’équations algébriques pour lcsqucls dc petites perturbations du second rnernbre peuvent induire des variations inacceptables de la solution. 1.com/guilpin/ 282 . b) = (-1.1. j=l i i *http://www. La solution est connue analytiquement. . nous pouvons écrire un système d’équations aux différences finies : pour k = 1.1 équations à n .2. y) = (1.. Ici encore. et l’on la comparera aux résultats numériques : u(y) = zii’[sin(nx) ~ 3 sin(3Tx)]. comme les calculs sont effcctu6s avec une précision finie. on peut utiliser la méthode du résidu.1 inconnues à partir du moment OU l’on connaît ~0 et. n. Si l’on ne connaît pas zo et z.l).. Quoi qu’il en soit. n . 5. On trouvera sur le Web (*) le programme f redh-1 . il faut résoudre chaque fois un système linéaire pour urle valeur dc o.. On va rechercher la solution. z. On obtient donc un système dc n .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Ainsi. dans ce cas. on pose ~‘(a) = z’(b) = 0: et ces conditions seront irnposées en écrivant le système pour k = 0. nous ne serons pas en mesure de savoir si le systknc est rkllcment dégénéré ou non. . il existe une classe de systèmes linéaires qui sont indiscernables cntrc eux pour un niveau d’erreur connu. Y)~Y) dz/ = 4x1 -1 avec K(z.+l = z.. parmi les vcctcurs X qui vérifient l’inégalité : 1/2 avec : [Z] = 2 2. 6. Il se peut également que la matrice A ait un déterminant très proche de zéro. et l’on posera z-1 = ~0 et z. Résolution d’un système linéaire mal conditionné Soit AX = B un système linéaire le plus général.

u. 7. L’application de la méthode des régularisants nous conduit à minimiser la fonctionnelle lissante : ~cx(X> ~cbp. Q se déterminant par la condition : [AX.I -cc *http://www. 17.t)z(t) dt = U(Z). On trouvera sur le Web (*) 1 e programme regul. Sans entrer dans les détails. On peut encore écrire : AZ = u. cn astronornie etc. Généralement. n se trouve déterrniné par le résidu. c’est-à-dire de calculer z(t) connaissant K(t) et U(z). et 1 la matrice unité d’ordre identique à celui de A. Ce sont des problèmes classiques rencontrés en spectroscopie. Le problème se résout très facilement en termes de transformées de Fourier sous réserve que les fonctions appartiennent à l’espace L1 ou L’.I’ K(CE . .com/guilpin/ 283 .edpsciences. INITIATION AUX PR~BI~MES MAL rosés : ÉQUATIONS INTÉGRALE~. Le produit de convolution devient un produit simple dans l’espace de Fourier : lT(t)*z(t) = u(t) 3 K(w) ç(w) = w(w) d’où +m avec : (a(w) = f(t) exp(2?rjwt) dt. Nous avons rencontré un tel problèrne lors du lissage de diagrarnrnes de phase binaires dont les données sont expérimentales. ici encore. ~ u& = 6. Résolution des équations de convolution C’est une équation de toute première importance en physique dans la mesure ou le signal observé u(t) est le produit de convolution du signal émis z(t) et de la fonction d’appareil K(t).$ + a[X]“. c qui résout les systcrnes linéaires mal conditionnés par la méthode des régularisants. on obtient le système linéaire : (ATA + cd) = ATuap expression dans laquelle AT est la matrice transposée de A. A) = [AX . Nous nous proposons de résoudre l’équation : +C= . Remarque : On peut traiter d’un système linéaire surdétermine mais dont les équations normales sont mal conditionnées.

la transformation invcrsc de Q(w)/K(w) peut nc pas exister. une fonction gaussiennr g(t) et imc fonction triangle tri(t) p ar exemple: dont on réalise lc produit dc convolution SU(~). la résolution de l’équation de convi)lution est p. Ceci montre que la résolution numérique des équations de convolution ne peut pas donner de résultats corrects si l’on ne prend pas la bonne méthode d’analyse car les donmks cxpCrimentales sont toujours entachkes d’erreur. f(w. Q) tend vers zkro quand Q + 00.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Sur le plan formel. Un exemple de fonction f(w. f(w. 4. 3. P(U. -30 pourvu que la fonction f(w.+oo). et quel que soit u: > 0. +co).. a) K( -w)K(w 1 K2 (WI f(w’ a) = K”(w) + ~M(W) = K”(w) + ~M(W) 284 . on va se heurter à un problème mal posé.trfaitcmcnt rkaliséc. le sup de chacune des fonctions étant égal à un. Ainsi. K(w) 7. on adrnettra sans dérnonstration que l’opérateur suivant est rkgularisant : I”OJ(w a)w(w) R[u. on obtient des valeurs oscillantes entre -26 et +34 et une quinzaine d’oscillations. quel que soit Q: > 0. si l’on introduit dans le second mcmbrc une crrcur relative gaussierme de l’ordre de un pour mille ~ il s’agit d’un bruit très faible note à ~ ~r1l ors les rkultats deviennent complètement aberrants : au lieu de trouver des résultats cntrc 0 ct 1 approxirnativernent.(t). pourvu que les fonctions appartiennent aux bons espaces. pour tout w différent de zéro. Si l’on utilise d’une part une machine dont la prkision est de 10 chiffres significatifs et d’autre part Ja transforrnation de Fourier portant sur 128 points. a) appartient à l’espace L2.. 0 < f(w. on peut multiplier la fonction à inverser ~(w)/K(w) par un facteur stabilisant f(w. cy) tend vers zéro quand /w/ + 00. Cependant.2. 6. l’écart de w(t) par rapport à zéro peut être aussi grand que l’on veut. a) est définie quel que soit <y > 0 et quel que soit w t (-00. ceci étant essentiellement dû au rôle des hautes fréquences. f(w. 2. a(S)] = . quand bien mknc la transformation inverse existerait notee w(t). 7. si l’on doit s’attaquer à la rkolution numérique d’un tel probkmc. c’est-à-dire que cette intkgrale peut diverger. f(W) QMW) appartient à l’espace L2. QI) est une fonction paire de d.a) 5 1 quels que soient Q > 0 et w E (-oo. 5. a) obéisse aux conditions suivantes : 1. relativernent sirnple à identifier : elle est duc aux «hautes fréquences )). 0).I’ iiU) cxp(-27rjwt) d w . Présentation d’un opérateur régularisant Pour neutraliser l’influcncc des hautes fréquences. f(w. En revanche. 7.1.O) = 1. en revanche. il n’y a rien à reprocher à une telle facon de faire .. Désignons par O(U) la transformée de Fourier de à. f(w. Il est facile de s’en convaincre en choisissant deux fonctions arbitraires. dans la métrique LZ 011 L”. L’origine des ennuis est. quel que soit Q! > 0.

.es ~162 dérivée. Q pouvant être dktermini: par le résidu. En dkfinitivc. où cy 2 0 et où hf(w) est une fonction paire. A. p.si.com/guilpin/ 285 ./=0 expression dans laquelle les yJ sont. Moscou. ARSÉNINE (1976) Méthodes d e résolution des problèmes mal posés CLU sens de Ho.edpsciences.s partielles et leur . On peut choisir pour M( w) une forme polynomialc que l’on krit : M(w) = -&w2j. la solution rkgulariséc s’krit : &Y(t) = +CC 1(2(w) K(-w)“(w) exp( -&jwf) dw.W.dumard. ENGL et C. 17.qnification physique. c qui réalise cet algorithme. TIKHONOV et V. . Bibliographie H. Éditions MIR. INITIATION AUX PROBLÈMES MAL POSÉS : ÉQUATIONS INTÉGRALES. des constantcs positives (kvcntucllcmcnt nulles sauf Tu). On trouvera sur le Web (*) le programme dconvol.ion régularisée est une fonction strictement croissante de la variable Q. GROETSCH (1987) In*verse and %Il-p»sed proOlerns. 49-52. Cette forme introduit des stabilisateurs d’ordre p.~(T+). ce qui entraîne qu’il existe un nombre unique Q tel que : à condition toutefois que 6 < /-I. 8. J. contjimleT strictement positive pour w # 0 ct positive ou nulle si w = 0. H A D A M A R D (1902) S uf les prohlèm. + cYM(w) ’ J’ ici encore. HADAMARD (1932) Le problème de Cuuchy et les tiqmtions aux déri~uées pu&ielles linéaires hyperboliques. *http://www. Il est possible de montrer que le résidu de la fonct. Princeton University Bulletin.J. Acadernic Press. Hermann.

il est très facile de réaliser quelques simulations de ce type à l’aide de générateurs de nombres pseudo-aléatoires. Mayer qui l’utilisa pour la première fois cn physique statistique. ~. lors de sa convalescence après blessure. Avec le développement des calculateurs arithrnétiques.1. 1. la probabilité pour que M sur El soit compris entre 5 ct I : + dz est : 287 . Le problème consiste à calculer la probabilité que l’aiguille rencontre une des parallèles (cf. s’était posi: le même problèrne. la feuille de papier étant rernplacéc par le drapeau américain qui comporte des bandes équidistantes.Inversion d’une matrice carrée. Après avoir présenté lc célèbre problème de Buffon (1707. On pose EM = 2 que l’on suppose inférieure à FM (A1 compris entre E et I). Fig. . Ce problème s’appelle aussi probkme du drapeau américain. 18.E.1788) comme illustration historique d’une méthode de Monte-Carlo. Désignons par M le milieu de l’aiguille et par EF la perpendiculaire aux parallèles passant par U. Nous plaçons cette feuille sur un plan parfaitement horizontal. page suivante).18 Introduction aux méthodes de Monte-Carlo Les mt%hodes de Monte-Carlo sont apparues comme moyen de recherche durant la Seconde Guerre Mondiale afin de simuler le comportement des neutrons dans les matériaux fissiles. La paternité de cette idée revient à J. nous donnerons deux générateurs de nombres pseudo-aléatoires que nous utiliserons dans quelques applications classiques à savoir : Calcul d’une intégrale définie. ~ Recuit simuk (minirnum dkme fonction). Alors. Le problème de Buffon Sur une feuille de papier nous traçons des paralléles équidistantes séparées par la distance 2~. il faut premierement que :x: < 1. et nous jetons dessus une aiguille de longueur 21 telle que 1 < (L.Rksolution locale de l’équation dc Laplace. Pour que l’aiguille coupe la parallèle AB. car durant la guerre de Sécession (1861-1865) un officier américain. Soit 1 le milieu de EF.

k: aigu EMQ’ où Q’ est le point dc AB tel que Q’M = I. la rclat.1. soit : z E M Q ’ = arccos - 01 La probabilité pour que EMQ soit plus petit que EMQ’ est alors : 2 z p“ = .st cflktivernent mont. Comme (1~~ et p2 sont T des probabilités indkpendantes. resté attaché à cc problème car ce fut lc premier à en donner la solution correcte. ccttc expérience c.flon. Au Palais de la Découverte ü Paris. La prcrnière dktermination selon cc procédé remonte & 1850 et fut réalisk par Wolff qui. Il est très simple dc sirnuler ce genre dc problème avec une machine arithmétique à condition de pouvoir disposer de nombres aléatoires obéissant à une distribution donnée. Le probl~rne de BlL. avec 5 000 lancers de l’aiguille. la probabilitC dp de réaliser l’kkncment recherchk est dom& par lc produit des probabilités.ée et. comme on mesure p qui est lc rapport du nombre n dc cas où l’aiguille coupe urle droite et du nombre total dc lancements. Générateurs de nombres pseudo aléatoires à distribution uniforme On peut obtenir dc bonnes tables dc nombres aléatoires 5 distribution rectangulaire (appelée aussi distribution uniforme) en prélevant dans le numéro de tekphonc des abonnés pris dans 288 . obtint la valeur 3.ion précédente se simplifie : Lc nom de Buffon est. Il faut deuxièmement que l’angle aigu EMQ soit plus pet. 011 cn déduit une dktermination expérimentale de T.159 6.est le coefficient de normalisatjion car EMQ’ est compris entre 0 et 5.it que l’a~qzr.arccos t 7l 0 2 . 2. Il reste à intbgrer le long de EI c’est-à-dire de 0 à 1: pour obtenir la probabilité p.M ANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Figure 18. Nous pouvons écrire : Dans le cas où l’on choisit 1 = CL/~.

n = 1 modula 4 si m est un multiple dc 4. Attention en machine cc nombre est négatif.. Par ailleurs. Remarque 2 : Nous avons vérifié expérimentalement que la période etait bien 2’i’. pour satisfaire les autres conditions. Prenons le cas classique de la représentation sur quatre octets. car lc premier bit contient un 1. Il est.ion de récurrence : k Z+I = ak. Remarque 3 : En utilisant le test du x”. on sait parfaitement calculer de trCs longues suites de chiffres exacts de ces nombres. En quoi ces suites générées sont-elles aléatoires? Elles le sont. k entier quelconque. il suffit de choisir b impair et a = 4k + 1. il suffit alors dc lui ajouter (-2”l) pour le ramener dans les entiers positifs. tr& vite manifcstk.Cons d’utiliser le générateur : en arithmétique flottante. = 223 a = 125 661 b = 95 783. Ces conditions sont très faciles à réaliser sur un calculateur binaire en arithmétique entière. dans la mesure où connaissant. Maintenant. Ces chiffres compris entre 0 et 9 sont apI>roxirnativcmcnt akatoires & distribution rectangulaire. Avec l’apparition des calculateurs modernes. b et m sont premiers entre eux. 289 . Le prockdk est coûteux car lc calcul d’un grand nombre de chiffres demande un énorme travail prsalable.ranscendants tels que e et T. négat. on divise les k. ils sont répartis aléatoirernent selon la loi rectangulaire. 3. Ensuite chaque k.ionnc dès les premkkes récurrences. On peut aussi ne former que des nombres positifs compris cntrc 0 et 1. Nous avons retenu : k. nous avons vkrifié que l’hypothkc de la distribution uniforme n’etait pas contrcditc par les donnkcs gknérées. Il s’agit alors dc cri:cr une suite de nombres telle que la periodicité générée soit très grande devant la taille dc l’khantillon à prtlever. il faut choisir des nombres ko. c. On peut kgalcment obtenir des suites intkressantes en choisissant. INTRODUCTION AUX MÉTHODES TIF: MONTE-CARLO l’ordre alphabétique la suite des chiffres à condition toutefois d’en ôter lc prtfixe. mais: de plus. divisé par ( -2’i1). 18. Remarque 1 : Il y a deux fa. 2.st. Pour que le modula ‘rn fonct. Ainsi lc seul facteur premier dc m est 2.if. Alors on sait que l’arithmétique entière est effectuée rnodulo m = 2”l. la nkessit@ de pouvoir gkkrer des suites dc nombres pseudo-aléatoires s’est. Ainsi la période de la suite générée est m. a et b de taille convenable. uniquement les y premiers chiffres dc la suitc7 il n’est pas possible de dbterminer lc Q + le quel que soit y. Une très bonne mPthode duc à L<:hmer-Greerlhergcr (1951 et 1961)consiste à former la suite à partir dc la rclat. ainsi quand on rencontre un k. les chiffres de nombres t. On peut obtenir des rksultats semblables en prélevant les chiffres successifs figurant sur les plaques mineralogiques des automobiles immatriculées en France pourvu que l’on nc s’intéresse qu’à ceux précédant les lcttrcs. gi‘nérks par (-2”l) et l’on obtient des nombres compris entre -1 et +l. u E 1 r~~odulo p pour chaque facteur premier p de m. y compris la transcription qui doit gtre sans faille. important de noter que les chiffres des nombres transcendants tels que e ct T n’ont aucune périodicitk. + b modulo m avec les contraintes suivantes : 1.

141507. on trouve T = 3.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Une autre technique pour obtenir une suite de nombres pseudo-aléatoires consiste à générer la suite suivante : xi+1 = 2i + xi-1 modulo 4 avec x0 = e = 2. On suppose que f(z) est une fonction continue par morceaux. +l) que l’on note ci et &. On vérifie bien que pour diminuer l’erreur d’un ordre de grandeur. on obtient aisknent urle valeur approximative de T au moyen de la relation : Il ne faut pas se méprendre sur la portée d’une telle méthode. x1 = T = 3. *http://www. Calcul de 7-r Il est très facile d’obtenir une valeur approchée de T en effectuant une simulat.141592 653 589 793 238.ion analogue à celle liée au problème de Buffon. T-Q P= surface du carré 4 N Comme pour N donné on sait dénombrer Q..edpsciences. il faut multiplier le nombre d’épreuves par lOO. -l).140 2. Si N est le nombre de tirages de couples Ei et & ct si Q est le nombre de points A situés à l’intérieur du cercle unité. c qui effectue le calcul de T selon cet algorithme. Il est tout à fait simple de dénombrer les points A qui tombent dans le cercle de centre 0 et rayon unité. Dans le plan.25. seul son intérêt pédagogique est à prendre en considération car la précision relative varie en l/fi. On obtient des nombres pseudo-aléatoires à distribution uniforme sur l’intervalle (0. 4. on trouve T = 3. elle vaut 0. . et b. et pour N = 1000 000 000. Calcul d’une intégrale définie On désire calculer l’intégrale d’une fonction f(z) entre les bornes finies u. On trouvera sur le Web (*) le programme calculpi.. autrement dit. 3.com/guilpin/ 290 . Pour N = 1000 000.. (1.25. on voit que la probabilité de tomber dans le cercle est donnée par : surface du cercle ----.718 281828 459 045 235.141603 5. on vérifie bien sur cet exemple que la précision varie comme l/fi et que le générateur dc nombres pseudo-aléatoires se comporte bien. on trouve T = 3. le point aléatoire A de coordonnées <i ct & obéit à une distribution uniforme dans le carré de sommets (-1. Pour cela. .l) en multipliant zi par 0. 1) et.. il suffit de tirer deux nombres aléatoires indépendants à distribution rectangulaire sur (-1. Elle donne des résultats tout à fait semblables a ceux fournis par le générateur de Lehmer- Greenberger. pour N = 100 000 000.

0 < Xmin.p). b).o) = $ On aboutit en définitive à l’expression : b f(x) dz = $(h .a)fa.1.2.a)(/3 . b). . 18. Ensuite. la grandeur : est un estimateur de la moyenne de la fonction f(x) sur l’intervalle (u. Le point figuratif A de coordonnées (<. À présent nous allons présenter un autre estimateur de l’intégrale qui exploite des connaissances plus fines. On peut donc écrire : J b n 291 .. il s’agit d’effectuer la somme algébrique des aires.a)(< + 1)/2.!?).b).. Nous effectuons N tirages que nous notons [i avec i = 1. Remarque : Pour tirer des nombres pseudo-aléatoires entre a et b. Soit < une variable aléatoire distribuée uniformément sur (a.. Attention. J #qui constitue une approximation de l’intégrale. l’autre sur l’intervalle (cr. o) et (b. on effectue la transformation : q = a + (b . et si 17 est négatif et qu’il figure entre le graphe de f(x) et l’axe des 5. 4.0. INTRODUCTIONAUXMÉTHODES DE MONTE-CARLO 4. Si N est un nombre grand devant l’unité. On voit que la probabilité de tomber dans la surface algébrique de la fonction f(x) est donnée par : h aire algébrique f f (xl dx P= surface du rectangle = (b a a)(/3 . Si l’on ne réalise pas cette opération. Première approche : simulation géométrique (intérêt strictement pédagogique) On note X. on effectue la transformation : 7j = a + (b .6 est positif aucun problème ne se pose. b). et Q est le nombre de points A situés entre le graphe de f(x) et l’axe des 2. N. 0 n note < et q ces deux nombres... ce qui a pour conséquence que l’intégrale est estimée par la quantité (b . .. on effectue le calcul de l’intégrale de If(z)l. On désigne par a et p deux nombres tels qlle Ck 2 X.. Si l’on part d’un nombre < compris entre -1 et 1. on part d’un nombre < compris entre 0 et 1.û). et Xmin les extrcmums de f(x) sur (a..a)<. N est lc nombre de tirages de couples < et q. Deuxième approche La méthode que nous venons de présenter est très sommaire. Si . il convient ôter une unité à Q. et . . On tire deux nombres aléatoires indépendants à distribution uniforme l’un sur l’intervalle (a. ~1) est uniformément réparti dans le rectangle de sommets (a.

il reste à déterrrrirrer la façon dont on décrit un chemin dans le maillage. il suffit de procéder a un tirage au sort de six nombres indépendants 1. on trouvera le programme intmonte. 5 et 6 qui sont kquirkpartis. 5 déplacement vers l’avant. Soit < un nombre pseudo-aléat. J. on note le potentiel V. K) chacun de ces chemins se terminant tôt ou tard sur la frontière du domaine. (1. Il est possible de montrer que le potentiel en (1. orr peut convenir que : 1 déplacement vers la gauche.oire obtenu par l’algorithme de Lchmcr-Grccnbcrger. il appartiendra à une répartition uniforme entre 0 et 6. On doit pouvoir atteindre chacun des plus proches voisins d’un point donné quelconque hors la frontike. Sur le Web (*). J. V sur la frontke de D). c qui rkalisc ces divers calculs sur des cxcmplcs simples.com/guilpin/ 292 . Intégration de l’équation de Laplace en un point On souhaite intkgrcr dans le dornaine D l’équation de Laplace : #V + d”V + d2V o dx2 dy2 dz2 dans un repi‘re cartésien orthonormé tridimensionnel dans le cadre des conditions de Dirichlet (on connaît. Par exemple.. 5. K). Si on lc multiplie par 6. 3. J. K) est la moyenne des V. K) zz i=l À présent. soit encore : V(I. on superpose au domaine D un maillage cubique dont les nccuds des mailles sont notés par les triplets (i. Nécessairement au bout d’un nombre fini d’opk-ations. 3 déplacement vers le bas. JT K) consiste à décrire une suite de N chemins tous issus du point. Avec le maillage que nous avons retenu il existe six plus proches voisins. et l’on recommence un nouveau chemin issu de (1. et à chaque nombre on affecte arbitrairement un déplacement dans une des six directions. *http://www.edpsciences. 6 dkplacernent vers l’arrière. Il suffira donc d’en prendre la partie entik-c et d’y ajouter 1 pour obtenir la suite des points du chcrnin. J. Comme nous l’avons dkjrt fait au cours du chapitre 14. Une méthode de Monte-Carlo pour calculer le potentiel V au point particulier (1. 2. Il est ai& de fabriquer ces nornbres pseudo-aléatoiws. 2 deplacement vers la droite. 4 déplacement vers le haut. 4. de cc point. j.te technique est beaucoup plus efficace que la précédente dans la mesure où elle fait appel à beaucoup moins d’opérations. on parviendra à la limite du domaine. 17 = entier {6<} + 1. k). Dès lors que l’on a atteint un point de la frontière. Il est compris entre 0 et 1. Pour réaliser un chemin. 6 étant exclu.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ cet.

Nous allons simplement donner la technique de résolution dans 1111 cas particulier de matrices A d’ordre n. De ~CLIX choses l’une : ou bien ce nombre est inf&icur ou égal à l’élément fl.i. Souhaitant trouver l’inverse dc la ligne j de A. Sans entrer dans 1.70 + bj I + b. On répète ces opérations jusqu’à ce que l’on trouve un nombre & correspondant à la ligne T tel que &.ant chaque élément par la somrne des précédents sur chacune des lignes. la rnatricc A ne se présente pas sous la forme indiqu& Alors on choisit des coefficients Yij tels que : avec 7rij>O c t bij = ~2. . Dans le cas général. En effet. 110~1s allons voir qu’il y a moyen dc décrire des chemins (selon un processus markovien) dans les lignes et les colonnes de la matrice B qui nous permet de calculer successivement les lignes de A. 1).i3 < 1.j. On tire 1111 autre nombre aléatoire <1 indépendant du premier. inconnues.ion rectangulaire sur (0.. n étant lc nombre de nœuds du maillage. ou bien il lui est supérieur. b.7~Lj c 7r. 2 0 et c bLj < 1. S’il lui est supérieur on ajoute une unit6 au compteur de la ligne j. À prescrit.es : b. qui sont telles que les Pléments de la matrice B = 1~ A (où 1 est la matrice unité) obéissent aux inégalités suivant. soit. > &. On effectue les opCrations de (a) à (d) N fois. il suffit d’écrire la loi des mailles sur un ensemble convenablement choisi de points pour obtenir un syst.j=l 293 . on commence par tirer ~111 nombre aléatoire & à distribut.lo b.l+b. INTRODUCTION AUX MÉTHODESDEMONTE-CARLO 6. on peut dkcrire le processus qui va conduire à l’inversion de la matrice.2 e + bi . c.o + b. b.. auquel cas on ajoutera 1 au compteur de la ligne T. on désignera par /?lk ces nouveaux éléments.. Il est possible de montrer que l’on a : Pour terminer.a .l bjo+b.ème linkaire de rz Cquations à n.: détail. S’il lui est infkrieur ou 6gal on cherche la première colonne où l’élément lui est strictement supérieur ou égal. Désignons par p.< Dorénavant. on traite toutes les lignes selon cette proc6dure ce qui nous fournit l’inverse (approchée) dc la matrice A. 28. Pour cela nous allons modifier toutes les lignes en remplac. Inversion d’une matrice carrée d’ordre n À y regarder de près. Puisque l’on sait résoudre l’équation de Laplace par une méthode de Monte-Carlo. on est en droit de penser qu’il est possible d’inverser une matrice également par une mét)hode de Monte-Carlo. la r&olution de l’équation de Laplace par les techniques du maillage est équivalente à la résolution d’un syst@me linéaire. j=l c’est-à-dire que les bii peuvent être interprétés comme des probabilités.. a. soit m cette colonne. et l’on opère avec la ligne m de la même façon que précédemment..l. pour la ligne j : b . les compteurs dc lignes correspondant donc à l’inversion de la ligne j. d..

) dans un certain domaine D. On opère alors successivement sur les variables dans l’ordre 2. c réalise l’inversion des matrices du type A particulier selon la technique développée dans ce paragraphe. y) = 0 et g(z. Remarque 4 : Il faut veiller à ne pas « descendre trop vite ». une «descente trop lente » est source d’instabilité. Ici.6’u « petit » Remarque 2 : Pour passer de *J à zj+r. 1 e programme matmonte. le vecteur de composantes 2%: yi. c qui réalise cet algorithme sur une fonction présentant un minimum absolu. 7. il faut choisir . On tire un premier vecteur (initial) aléatoire 20 au moyen du générateur de Lehmer- Greenberger tel que 2.7) . y. Ensuite. Remarque 3 : N et pu dépendent.A. et l’on poursuit les opérations N fois (boucle sur b). On tire un vecteur 23 par le même procedé puis 011 calcule la probabilité de transition : P = exp(-PdF) avec LIF = f(z. Il convient de choisir un compromis pour choisir pa et N selon la fonction à minimiser. l aP l Cette procédure appelle quelques remarques : Remarque 1 : Au départ. b. Toutefois.. .com/guilpin/ 294 . z.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ On trouvera dans l’ouvrage de Yu. et l’on effectue N calculs identiques à b. z. des erreurs propagées dans les calculs. . L’algorithme se présente sous la forme suivante : a. on augmente /3 qui suit une loi du genre : pn = /?InPl/3c. sinon. On trouvera sur le Web (*) le programme recuit.f(~J-l). c. pour ce qui concerne leur choix. il s’agit de la résolution d’un système de deux équations non linéaires à deux inconnues f(z.edpsciences.. nous risquons de rester dans un minimum local dont on ne peut plus sortir (p < Seuilr). d. *http://www. Notons qu’il revient au même de minimiser une forme quadratique : F(T Y) = f%> YY) + g2b. on représente par 2. Pour des raisons de commodité d’écriture. aussi bien lors de la génération des nombres pseudo-aléatoires que dans le calcul de df et f(X). L’arrêt des calculs s’effectue lorsque af < Seuilz. YY). y. Sur le Wcb(*). Si p > Seuili. 011 conserve le dernier état. zi. E D. y) = 0. Méthode du recuit simulé : recherche du minimum absolu d’une fonction On recherche le minimum minimorum d’une fonction f(z. on a intérêt à ne changer d’état que sur une seule composante à la fois. Shreider cité en bibliographie le développement de cette technique.

on écrit alors : log. Distribution exponentielle De la même façon.exp(-X2x) pour z > 0 F(x) = 0 pour x < 0.5). alors l’expression se réduit à : rj = -$ log. INTRODUCTIONAUXMÉTHODES DE MONTE-CARLO 8.3. La loi de répartition est : F(z) = 1 . on peut générer une suite de nombres pseudo-aléatoires à distribution sinusoïdale en utilisant la relation : < = arcsin( [ est évidemment entre -1 et +l. lrt 295 . Soit Q(t) 1 a fonction caractéristique de chaque &. La variable TI = F(J) est uniformément répartie. Supposons que la variable aléatoire < admette la loi de répartition F(z).5 est la même que celle de < puisque < appartient à (0.5. nous allons étudier diverses techniques permettant de la générer. Somme de n nombres à répartition uniforme sur (-0.(l .(<) [ appartenant à (0. 18.5) : 77 = C. Il est donc très facile d’obtenir des nombres pseudo-aléatoires à distribution exponentielle. on peut générer des nombres pseudo-aléatoires à distribution exponentielle qui peuvent alors permettre la simulation du comportement des neutrons dans une réaction nucléaire (distance entre deux chocs successifs). nous utilisons la notion de fonction caractéristique (voir le chapitre 21 consacré à cet effet). 8. l). on écrit : 8.0.l). Si l’on remarque que la distribution de 1 . elle s’écrit : 0. Simulation d’autres lois de distribution Il est assez simple d’obtenir d’autres lois de distribution à partir de la distribution uniforme.(l . D’après ce qui précède.1.Pour obtenir la distribution de 7. & .2.<) = -X27 soit encore : 77 = -$log. 8. donc pour obtenir 5 il suffit d’inverser la relation précédente à condition toutefois que cela soit possible. Distribution sinusoïdale Par exemple. Distribution normale Eu égard à l’importance de cette distribution.5 sin(7rt) (a(t) = exp(2njtz) dz = ~ . Si tel est le cas.

on doit adopter un autre procédé pour générer notre suite de nombres gaussiens. Au cas où les queues de distribution de la gaussienne jouent un rôle préponderant dans la simulation. on obtient : [ 1 sin(7rt) 1% [f(t)1 = 72 loge 7 sin(x) comme ~ est une fonction qui tend vers zéro quand x croit indefiniment . il suffit d’effectuer le changement 7 = < . Soit 70 un nombre aléatoire généré par ce procédé donc obéissant à la loi normale reduite. expression précédente se comporte comme : [ 1 7r2t2 7r2t2n log[f(t)] = n log 1 . 27rn La transformation inverse donne la fonction densité de probabilité. à savoir : g(x) = Bexp (-i7x2a2) = Bexp soit encore : g ( x ) = B e x p -& avec f12 = n . par conséquent. on obtient : g(x) = & exp -2 avec g2 = 2 .MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ La fonction caractéristique de q est donc a(t)“.~ 6 = -~ 6 ’ de là on tire : 12 avec a2 = ~ . il est facile de générer des nombres à distribution gaussicnne avec une moyenne et un écart type choisis à l’avance. ( 1 12 En définitive. Si les nombres pseudo-aléatoires < appartiennent à l’intervalle (0. Il est aisé de voir que le nombre Ç = ~a + rn obéit à la loi de distribution : g(x) = &exp [-(x2J)2]. elle s’écrit : en passant aux logarithmes. ( 1 12 On voit aisément que si l’on effectue la somme de 12 nombres aléatoires on obtient la loi normale réduite. l).5 pour se ramener au problème précédent.0. 296 .

Pergamon Press. HANDSCOMB (1967) Les méthodes de Monte-Carlo.l) indépendants pour obtenir deux nombres aléatoires à distribution gaussiennc v1 et Q indépendants (distribution normale réduite). Il suffit de tirer deux nombres aléatoires à distribution rectangulaire <i et (2 sur l’intervalle (0.= tari(4) = tan(27r&) soit encore : $ Cos2 (27r&) = 7. En se référant aux propos de l’alinéa b du paragraphe 8. INTRODVCTIONAUXMÉTHODES DE MONTE-CARLO 8. FISHMAN (1996) Monte-Carlo : concepts.l) . A. DURAND (1961) Solutions numériques des équations algébriques. Éditions Dunod. Éditions Masson.5 dont nous venons de simuler la rcpartition (voir aussi la loi du &). 1). La somme des carrés de ces variables. sin2 (27r&). d’où l’on tire : m = JJGiX2W2742) 72 = ~~CO~(2~l2). n’est rien d’autre que la variable x2 à deux degrés dc liberté (chapitre 22) dont la loi dc distribution s’écrit : P(c < z) = 1~ exp (-g) c’est la loi exponentielle de coefficient X2 = 0. 9.2 (concernant la distribution exponenticllc).4. OM). J. Distribution gaussienne à queues soignées On part de l’idée suivante : soient deux nombres aléatoires indépendants ~1 et 72 obéissant chacun à la loi normale réduite. dans le plan. 71 et 772 peuvent être considérés comme les coordonnées. Par ailleurs. 297 . algorithms and upplications. Cet argument 4 suit une loi uniforme indépendante de la longueur de OM. SCHREIDER (1966) The Monte-Carlo Method. Éléments de bibliographie E. 18. The method of the statistical trials. 72 avec & appartenant à (0.M. il suffit alors de poser : avec Ii appartenant à (0. d’un point M d’argument 4 = (OX.C. Tome II. Nous allons exploiter ces deux remarques pour calculer les nombres indcpendants Q et va à partir des deux nombres indépendants distribués uniformément <i et <a. Springer-Verlag. G. HAMMERSLEY et D. soit Ç = $ + 72.

examinés sous l’angle de la physique traditionnelle. particulièrement connu à l’étranger. en voici des exemples : la masse d’un corps au moyen de n mesures. les probabilités conditionnelles. le calcul des probabilités est toujours truffé de pièges et de colles qui font que cette discipline est souvent redoutée. on doit se rendre à l’évidence : le temps de calcul est prohibitif. dans les meilleurs des cas. Introduction et notions fondamentales Nous nous proposons d’examiner de quelle manière on peut étudier les phénomènes présentant un certain caractère dû au hasard (mot d’origine arabe ayant trait au jeu de dé). il suffit de considérer le simple jeu de pile ou face. ce qui nous intéresse c’est savoir quelle est la face présentée par la pièce à la fin de l’expérience. Si l’on fait abstraction de l’hypothèse selon laquelle la pièce pourrait rester en équilibre sur la tranche. laquelle pourra évoluer en fonction des connaissances supplémentaires que nous acquerrons sur le système étudié (cf. la trajectoire d’un navire entre deux ports. cette face peut être déterminée à partir du moment où l’on connaît la 299 . Bertrand (182221900) cité en bibliographie est fortement recommandée tant elle est agréable. le problème est bel et bien irréaliste. la trajectoire d’un avion entre deux aéroports. Certains problèmes. Il s’agit du fac-similé de la seconde édition française de 1907. les ensembles canoniques en mécanique statistique). Dans notre présentation. Ces équations ne sont jamais justiciables d’un traitement analytique et seul l’aspect calcul numérique pourrait être envisagé . bref. 1. exigent une modélisation très complexe qui. C’est un ouvrage de référence. et il nous suffira de dire qu’il s’agit d’une causalité fictive. connu aussi pour sa rigueur epistémologique. A priori. C’est ainsi que l’on préfère envisager l’usage d’un autre procédé d’analyse qui sera sans doute beaucoup moins fin mais qui fournira les résultats globaux que nous attendons. La lecture de l’ouvrage de J. la recette journalière d’un parcmètre. il n’est pas utile de rechercher une définition très subtile du hasard. Une facon classique de présenter les problèmes consiste à examiner les fluctuations d’une grandeur autour d’une moyenne. peut conduire à un ensemble d’équations. Pour se convaincre de cette réalité. l’espace mémoire démentiel.1 9 ÉI éments de calcul des probabilités Même au niveau très élémentaire. Il est d’une lecture très aisée et ne nécessite en mathématiques que les connaissances correspondant au niveau du DEUG première année.. Il faut bien insister sur le fait que l’étude des phénomènes aléatoires (mot latin ayant trait au jeu de dé) ne présuppose pas l’abandon du déterminisme..

Sans entrer dans les querelles de définition. seul le rtsultat nous intéresse. pas apparaître rnsemblc. Lorsque la propriété 1 est vérifik. et cela constitue un événement. on dit que lc système est exhaustif. Cela veut dire que. c’est-à-dire la densité dc l’air. et d’autres renscignemcnts lik à la surface sur laquelle est censk s’immobiliser la pike par exemple nature du matériau. est associée la probabilité de cet événement. sa dcnsitk. a. on est en mesure d‘effectuer a priori une évaluation directe des probabilités (calcul direct) : b. possibles : la pièce peut prkscnter face ou pile. le problème prkcnte toutes les qualités pour etre modPlisé selon les r+glcs classiques et donc de constituer un problème déterministe ordinaire. la resistancc de l’air. Cela signifie qu’un as de coeur ne peut pas Ctre un roi de pique. Calcul direct des probabilités C’est le cas que l’on rencontre lors de l’ktude de systèmes qui peuvent etrc décrits a priori et qui possèdent les propriétés suivantes : 1. 11 s’ensuit que la probabilité dc l’événement A que nous notons P(A) est alors le ra. Les événements sont équiprobables a priori. Les évtncments sont incompatibles entre eux : ils ne peuvent. et il y a essentiellement deux façons de traiter le probkme : a. À l’événement. 1 300 .MANUEL DE CALCUL NUMÉRIQUE APPLIQUti position initiale de la pike.tmosphère dans laquelle elle sc déplace. soit : P(A) = F (19. on dit qu’un cas est favorable si son apparition entraîne la réalikion de l’~v6nement en question. etc. 2.ns lc cas présent. Par définition. L’intkêt de définir un système exhaustif repose sur la possibilité d’ktudier tous les problèmes classiques de jeu de hasard où l”équiprobabilit. Par conskquent. 3. ou encore les probabilites de chaque événement sont a priori égales. C&e notion va s’kclairer dans les paragraphes suivants. 2. on parlera a. on dit.1. sa forme. Un évkncment et un seul se manifeste à la fois. Peu importe la facon dont la piRcc est parvenue sur l’une des faces. probabilitit est la mesure numérique de la possibilité de la raalisation cffectivc de 1‘évi:ncment. plus un certain nombre dc renseignements 1iCs à l‘a. force est d’abandonner cette mkthode ct d’utiliser les voies offertes par la théorie des probabilitk. que le système est complet. pour des raisons de symétrie. Il s’agit par exemple du tirage d’une carte dans un jeu de trente-deux cartes. rugositb etc. Ainsi.é des événements est assurke d’avance. Lc problème essentiel de la théorie des probabilitk repose sur la mesure cffectivc de la probabilité.pparaître la propriéti: « évidrntc )b que P(A) est. Da. on peut dire que la.pport du nomhrc de cas favorables rn et du nombre dc cas possibles n.lors de probabilité empirique d’un événement (ou probabiliti: statistique). car le problème ainsi envisagé devient immkdiatemcnt inextricable. 1111 nornhrc compris entre 0 et. on effectue une mesure de la probabilitk au moyen d’expCriences sur un(‘ population. deux 6vénemcnts sont. les forces mises en jeu pour la larlrer. Point besoin d’être un grand clerc pour se rendre compte que cette conception conduit incxorablemcnt à une impasse. aucun des événements ne se manifeste plus que les autres : il n’y a aucune raison pour que les ~vk~emrnts aient des poids différents. lorsque les trois propriétés sont vérifikes. Évaluation de la probabilité 2.1) On voit.

Probabilité empirique d’un événement ou mesure de la fréquence relative Plus simplement il s’a.. ne. 301 . On réalise ainsi une mesure cxp6rimentale de la probabilité.IT& 2. Par cxcmple.ion d’une Bprcuvt appartenant à. 3. Ainsi.7 PROR. Il nc faut pas confondre la variable aléatoire avec les valeurs effectives que ccttc variable est. Il s’agit dc mettre en œuvre une méthode indirecte qui peut s’appliquer à. À l’occasion de l’énoncé du théorème dc Bcrnoulli. les valeurs possibles de la variable alCatoire X sont 1: 2> 3. 6. nous venons d’introduire une notion nouvelle de la convergence : la convergence en probabilité : On dit que X.. du dé pipé. Il est tout à fait possible de définir une variable aleatoire continue en disant qu’elle peut prcndrc toutes les valeurs à l‘intérieur d’un intervalle D fini ou infini. 19.2. 4. Par exemple. tend vers X0 en probabilit6 si. Nous venons de définir une variable aléatoire X qui est discrète. que les variables aléat. Théorèmes fondamentaux Ces notions ct théorèmes vont nous permettre de réduire une cxpkrience relativement complexe en sommes et produits d’événements $ partir desquels il sera aisé d’effectuer des ca. la variable aléatoire X désigne lc nombre présent@ par la face d’un dé nor- malement numéroté. par exemple.oires soient discrètes ou contimIes. une catégorie déterminée est appelée variable aléatoire.~RII. ÉLÉMENTS DE c. À présent apparaît 1111 sérieux problème : la probabilité statistique change d’une série d’cxp&icnces 2 l’autre. 4: 5 ct. toute variable dont la valeur est fixée par la réalisat. susceptible de prendre. il suffit de penser à la longueur de la trajectoire suivie par un avion entre Paris ct New-York : toutes les valeurs sont possibles à lïntéricur du domaine D. Notons qu’un écart import~ant peu cxistcr mais il est peu probable. tout un ensemble de problCmcs que la probabilité soit connut directement ou empiriquement. Cette difficulté se trouve réglitc par l’intermédiaire du théorème de Bernoulli : Soit un nombre 7 > 0 aussi petit que l’on veut. ou plutôt une série de n expériences. la probabilitk pour que la diff&ence entre la fréquence d’apparition dc l’Cv&cment et la probabilité de cet Mmcment soit infbrieure à q> tend vers un lorsque lc nombre n des épreuves augmente indéfiniment. quel que soit E > 0 aussi petit que l’on veut. Notion de variable aléatoire Par dkfinition. plus improbable que n le nombre d’épreuves est grand. Cc thi:orème que nous dérnontrerons plus loin est l’cxprcssion de ce qui est appel@ la loi des grands nombres. C’est l’cxp&ience qui révèle l’absence de sym@trie. et lion parle dans cc cas dc probabilité empirique ou statistique. On appcllc fréquence de A le nombre d’cxpbicnccs oi~ l’tvanement A est apparu divisi: par lc nombre total d’expériences effcctu&s. la probabilité de vérifier l’inégalité tend vers 1 quand n tend vers l’infini. Somme et produit d’événements.git d’envisager l’étude des cas où la propriété de symétrie a disparu : c’est le cas. et d’autant.4~~~1.lculs.

on désire obtenir au moins deux fois pile. par exemple. si l’on tire une carte dans un jeu traditionnel. il sera facile de calculer les probabilités correspondant à la réalisation des événements étudiés dans la mesure où. en effectuant deux tirages consécutifs en remettant la première boule tirée dans l’urne. B) est un événement C consistant en la réalisation simultanée des événements A et B. a .) 4. b.La réalisation de A ne dépend pas de la réalisation de B ou de sa non-réalisation.Événements incompatibles . (Rien n’est changé si on ne remet.Sur les trois lancements de la pièce. Par exemple. cette carte ne peut être à la fois un cceur et un pique. On considère le problème suivant : on joue trois fois de suite au jeu de pile ou face et l’on note le résultat P ou F selon que l’on a obtenu pile ou face. La somme de deux événements A et B notée (A + B) est un événement C tel que l’événement A se réalise. On peut tout de suite remarquer que. ou bien un as lc second coup. pas la boule dans l’urne. d . en revanche.Ils ne peuvent se réaliser simultanément.Problème no 2 . le tirage d’un as en deux coups dans un jeu de trente- deux cartes : on peut tirer un as le premier coup. il convient de rappeler deux définitions : c . On numérote les résultats en donnant un indice à P et F. Exemples d’application Nous allons utiliser ces deux notions pour décomposer en « éléments simples » quelques problèmes de probabilité relativement complexes. Par exemple. dans ce jeu. nous savons calculer les probabilités correspondant à la somme et au produit de deux événements. l’extraction et d’un carreau et d’un roi constitue deux évknements compatibles. Avant d’aborder cet aspect du problème. ou bien l’événement B ou encore les événements A et B. Le produit de deux événements A et B noté (A . Il s’agit du OU inclusif.Événements indépendants .2. On dit que deux événements sont indépendants si la réalisation de l’un ne change pas la probabilité de réalisation de l’autre. L’événement se note : À partir de cette décomposition.Problème no 1 . le tirage de deux boules blanches dans une urne contenant n1 boules blanches et n2 boules noires (avec nl > 2 et n2 # 0). l’événement contraire à P que l’on note P est F. toutefois. ou encore tirer un as le premier coup et un as le second coup. 011 désire obtenir exactement une seule fois pile. et cela peut aider l’écriture des événements.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 4. Il s’agit du ET. 302 .Sur les trois lancements de la pièce. Définitions a. L’événement qui nous intéresse est l’événement E ainsi défini : b .1.

303 . soit : c P(AZ) = 1.Théorème . s’ensuivent deux corollaires pratiquement évidents : a .4. si l’on sait que l’événement B s’est réalisé. et l’on note P(A/B) la probabilité de A calculée sachant que B s’est réalisé. b . À présent. on peut prendre éventuellement connaissance de la boule contenue dans la boîte no 2. 19.La probabilité de deux événements indépendants est égale au produit des probabilités de ces deux événements. puis on tire la seconde boule que l’on place dans la boîte no 2 sans en prendre connaissance. Commentons cette proposition. . sinon. AL. . B) = P(A). on a : P(A/B) = P(A) Il s’ensuit les corollaires suivants : a . ils sont dépendants. P(B/A). La notation devient alors : P(A) = 2/3 e t P(A/B) = 1/2. calculée sous la condition que le premier ait lieu : P(E) = P(A . on notera : P(E) = P(A + B) = P(A) + P(B) . En revanche. dans le cas de l’événement A. en ignorant le contenu de la boîte no 1.Théorème . est P(A) = 2/3. Rappelons que deux événements sont indépendants. . On appelle probabilité conditionnelle de A relative à B. Théorème des probabilités composées La probabilité du produit E de deux événements est égale au produit de la probabilité de l’un d’eux et de la probabilité conditionnelle du second. A. ne connaissant pas l’événement B. 4. Théorème des probabilités totales La probabilité de réaliser l’événement E constitué par la somme des événements incompatibles A et B est égale à la somme des probabilités de ces événements.La somme des probabilités d’un événement et de son contraire est égale à un. On réalise l’expérience suivante : on tire une première boule que l’on place dans la boîte no 1 sans en prendre connaissance. On rencontre aussi d’autres façons d’écrire : P(AIB) et P(A si B). forment un système complet d’événements incompatibles. ÉLÉMENTS DE CALCUL DES PROBABILITÉS 4. alors la probabilité est P(A) = 1/2. L’événement B : la deuxième boule tirée est blanche.Si A est indépendant de B. la somme de leurs probabilités est égale à l’unité. Prenons un exemple : une urne contient deux boules blanches et une boule noire.Corollaire 1 .Corollaire 2 . i=l b . alors B est indépendant de A. On considère les événements suivants : L’événement A : la première boule tirée est blanche. La probabilité de tirer une boule blanche. si la probabilité de A ne dépend pas de la réalisation de B. Dans le cas où A est indépendant de B.Si les événements Al.3.

A) = P(A H E . . . Formule de Bayes (1702-1761) (théorème des causes ou des antécédents) Envisageons à prcsrnt que l’événement A se produise obligatoirement.Deux étudiants passent l’examen de MPA. on obtient : P(A) = 2 P(H. cependant. il serait plus raisonnable de parler d’antécédent que de cause. Hz : les deux Cttudiants sont recus . A priori ces probabilités sont conmies. le second la probabilité ~2 = 0. . Donnons un exemple d’après . . . H..).. n. . C’est pourquoi. Avant l’expérience. Comment ces probabilités se trouvent-elles rnodifiées par la réalisation de l’événement A? Il nous faut donc trouver P(Hk/A) pour chaque cause. soit encore en tenant compte dc la derniere @alit@ : P(H. La démonstration est sirnplc. et on cherche a posteriori la probabilité sachant que l’événement A s’est effectivement réalisé.6.).HJ.u. et J. P(H. HC3 : seul le premier Ctudiant est reçu. P(Hk/A) = P(A) enfin. Ceci peut. Un étudiant a été reçu. en utilisant la formule des probabilités totales. H4 : seul le second étudiant est rec. sa nature philosophique. 304 .5. Bertrand.A-P(A/H~) .jet : « Les causes sont pour nous des accidents qui ont accompagné ou précédé un événement observi: ». Le premier a la Probabilit>é pi = O:7 d’obtenir l’examen.bfANUEL DE CALCUL NUMÉRIQUE APPLIQUlt 4. H. . Trouver la probabilité que ce soit le premier.ihles. qui sont antérieurs à l’tvcnemrnt A et qui constituent 1111 @@me complet d’évencments incompatibles. on retient les causes (antccédents) suivantes : Hi : aucun étudiant n’est reçu . . Bertrand dit à cc su. quelle est la probahilit.6. : sachant que A s’est produit. L’événement A est : il a gagné. être réalisc en amenant le 11 et lc 12 : telles sont les causes de succès. ... les probabilités des causes sont P(H. Formule des probabilités totales Il s’agit dc calculer la probabilitc d’un évcnement A pouvant avoir lieu simultanément avec l’un des evénemcnts Hi ~ Hz. Le problème que l’on pose alors est le suivant. 7=1 4. par respect dc la tradition nous utilisons le mot cause. Hz. avec l’un des événements HI. P(Hz). Un joueur prend le pari d’amener avec deux dés un point supérieur à 10. L’ensemble des événements {Hk} peut être considéri: comme la «cause » de A.)P(A. lesquels forment un système complet d’evénements incompa- t.) = P(A)P(Hk/A) = P(Hk)P(A/Hk) pour k = 1: 2.J. on obtient : P(Hk)P(A/Hk) P(HdA) = n Exemple . A priori.é pour que ce soit précisement la cause Hi qui 1”ait produit ? On suppose que l’on connaît les probabilités d’intervention de chaque cause Hk. . Le mot cause tient tt la formulation historique ct non 5. nous pouvons ccrire : ~(HI.

5.4 = 0. Seules les deux hypothèses H3 et H4 sont compatibles avec la réalisation de l’evenernent A P(H31 + P(H41 n’est plus égal à 1 puisqu’on Cent ml renseigncmcnt dc plus : l’événement A s’est réalisé.6 = 0.0.28 + 0. il suffit donc de calculer Q tel que o[P( H:i) + P(&)I = l! donc : 1 a = P(Hx) + P(H4)’ puis P(Hx/A) = C@(H~) et P(Hd/A) = C#(H~).39.18 J’(fW’(A/&) 0.3 x 0.61.p2) = 0.pr)pz = 0.28 P(i&) = (1 .7 x 0. qu’elle soit discrète ou continues impose la connaissance de l’ensemble des valeurs susceptibles d’être prises par la variable akatoirc mais aussi du poids attaché à chacurle des valeurs (ou probabilité).6 = 0. est rccu) lices aux causes Hk s’ecrivent : P(A/H1) = 0. et ils peuvent Ctrc obtenus par une autre voie. 305 . Les probabilités conditionncllcs dc l’événcmcnt observé A (ml étudiant.28 = 0. et les probabilités des causes deviennent : 0. ÉLhENTS DE CALCUL DES PROBABILITÉS Il n’y a pas de difficulté à calculer les probabilitts attachées à ces causes : P(HI) = (1 ~ Pi)(1 ~ p2) = 0:3 x 0.7 x 0.18 Il faut bien comprendre cc que signifient ces calculs.4 = 0.O P(A/‘&) = 14 P(A/H/i) = 1.O P(A/Hz) = 0. Les probabilités conditionnelles restent proportionnelles entre elles. Lois de répartition des variables aléatoires La description complète d’une variable aléatoire.28 + 0.O Une fois l’événement A réalisé. P(H’3’A) = P(H3)P(A/H:<) + P(H4)P(A/H4) = 0.42 P(I&) = pl(l . les deux premières causes deviennent impossibles. On se trouve alors dans le cadre d’un système complet d’cvenements incompatibles. P(H4’A) = P(H:3)P(A/H3) + P(H4)P(A/H4) . 19.18 Remarque : On verifie bien que la somme des probabilités est égale à 1.18 = 0.12 P(H2) = plp2 = 0.

En pratique. 5.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 5. Cas de la variable discrète La somme des probabilités attachées à tous les événements est égal à 1.2. F(+~I) = 0.1. Définition La fonction de répartition est la probabilité de l’événement X < 2. Par conséquent le lien entre la répartition F(x) et la densité de probabilité f(y) est réalisé par l’intégrale de Riemann : z F(x) = f(y) dy. on aime bien utiliser un certain nombre de grandeurs associées à la variable aléatoire telles que les caractéristiques de position et les moments. 306 . il est commode d’employer une autre description en utilisant la fonction de répartition ou répartition. 5. . mais on utilise aussi la densité de probabilité ou distribution. . La répartition permet de connaître la probabilité pour qu’une variable aléatoire tombe dans un intervalle donné.) . .3. c’est une caractéristique universelle de la loi entre les {zk} et les {pk} que les variables soient discrètes ou continues. On a alors : pli = 1. c. F(z) est une fonction non décroissante de x b. mais cela n’est point nécessaire pour le propos qui nous préoccupe. Cas de la variable continue La répartition demeure une approche classique. k=l La connaissance de la loi entre le poids attaché à chacune des valeurs possibles de la variable aléatoire et ces mêmes valeurs possibles constitue toute l’information nécessaire à la description de la variable aléatoire. F(+co) = 1. la connaissance de F(x) ou de f(y) suffit à caractériser la variable aléatoire étudiée.TZ fini ou non ~ chaque valeur zk ayant la probabilité pk de se réaliser. s -00 Dans les cas ordinaires. On note : P(X < x) = F(x). laquelle en première approximation est la dérivée de la fonction de répartition. z~. Ses propriétés essentielles sont : a. Souvent. .Q. La rigueur voudrait que la répartition soit introduite au moyen de l’intégrale de Stieltjes (1856&1894). 2. La variable aléatoire discrète X prend ses valeurs sur l’ensemble fini ou infini (~1.

4. soit encore le maximum de la densité de probabilité dans le cas l’une répartition unimodale d’une variable aléatoire continue. 307 .) = P(X > m.~BILITÉS 5./' X”~(X) dz. Les moments centrés s’écrivent : pk = mk(X*) = M[X*k] = cp. surfacique.C’est la valeur m. c’est l’espérance mathématique du carré de la variable centrée. ÉLÉMENTS DE CALCUL DES PR~B. Les moments Par définition. b .La médiane .) = 0. et l’on appelle écart quadratique moyen ou écart type la quantité g(X) = Jo(x). i=l -03 Il s’agit de moments tout a fait semblables à ceux de la mécanique. on appelle moments non centrés d’ordre k l’espérance mathématique de la variable X”. Les caractéristiques de position a . 19.Le mode .5. ml)kf(x) dz. en assimilant pi à un poids ou f(x) a une densité massique (volumique. c . Le moment d’ordre 3. Comme on le verra plus loin c’est aussi le moment non centré du premier ordre. Elle est définie ainsi : +nO M(X) = CPkXk ou M(X) = s X~(X) dx k=l -cc selon que la variable est discrète ou continue.La valeur moyenne . Ces deux dernières grandeurs permettent de comparer une loi de distribution donnée à la loi normale (Gauss-Laplace).Encore appelée espérance mathématique d’une variable aléatoire. Il est plus utile de définir les moments centrés d’ordre k de la variable aléatoire centrée X*.C’est la valeur la plus probable de la variable aléatoire. 2=1 -02 On vérifie sans peine que le moment centré d’ordre 1 est nul : . la variable aléatoire centrée X* est la variable aléatoire X qui a subi un décalage 3d’origine égal à son espérance mathématique ml : X” =X-ml. de la variable aléatoire telle que : P(X < m. On écrit alors : +cO mk(X) = M[X”] = Cpi~: O U = . linéique). 5. Par définition. caractérise l’asymétrie tandis que p4 caractérise l’aplatissement.ml)” OU = s(x .(Xi .UI = 0. Cette grandeur est attachée à la mesure de la dispersion.5. Le moment centré d’ordre deux s’appelle variante D(X) = ~2. ~3.

Écrivons D(X) = o2 : On peut encore écrire la décomposition suivante : 02 Z Z C+C+C XE(W.W XE(A-oc) ou encore i= j+f+T. -00 A B quelle que soit l’expression. 308 .1). on peut écrire : ~T~=A+L?+C d’où CT’ > A + C. Cette inégalité de Bicnaymé-Tchebychcff trouve une belle application dans la demonstration du théorème de Bernoulli. on se donne une valeur t > 0 arbitraire et l’on se propose de calculer la probabilité P que le module de la variable (X ~ ni) soit supérieur à t fois la grandeur 0.Tchebycheff On considère une variable aléatoire X de moyenne m et d’kart type g. et cela quelle que soit la loi de distribution. lc point A d’abscisse (m -ta) et le point B d’abscisse (VI + ta). En définitive. 19. aussi la probabilité recherchée que l’on désigne par P. on porte le point M d’abscisse m. Par ailleurs. Sur la droite 0x. Par ailleurs. blaia c’est. la probabilité cherchec est celle pour laquelle X n’appartient pas au segment Al?. En d’autres terrnes. on obtient : u2 2 pt2a2 soit PL& En conclusion. On recherche donc P( iX . Sur Oy on porte la densité de probabilité (cf. on voit que la probabiliti: d’un écart supkrieur à ta décroît comme lit*. hors lc segrnent AB : (xz ~ rn)2 > t”a” et l’on peut écrire que : 4 + c > t2a2 c’pi: avec C’p7 signifiant que la sommation porte sur les valeurs extericures au segment AB.B) Xt(A.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 6.m > to). L’inégalité de Bienaymé (1796-1878) . Fig.

R. 309 . HURON (1962) Probabilités. B~REL. vers la moycnnc théorique p. la probabilité pour que la fréquence v/n diffère de sa valeur moyenne d’une quantiti: dont le module est au moins égal à E. On verra au chapitre 20 que des considérations sur la loi binomiale donnent les résultats suivants : D ! xi!!! avec ~+y= 1. VENTSEL (1973) Théorie des probabilités. Chelsea. JAFFARD (1996) Initiation aux méthodes de la statistique et du calcul des probabilités. Éléments de bibliographie J. BERTRAND. Éditions MIR. Calcul des probabilités. tend vers zéro quand n tend vers l’infini quel que soit E > 0. 8. n croissant autant que l’on veut. Il s’agit. Erreurs. dc la convergence en probabilité. 19. New-York fac-similé de l’édition francaise de 1907. Armand Colin.ITÉS 7.~BII. P9 D’où Soit S un nombre positif tel que n > &. 0n n tz& cY? On utilise l’inégalité de Bienaymé-Tchebycheff en posant : avec E > 0 arbitraire. Masson. Moscou. Le théorème de Bernoulli On se propose donc d’étudier la convergence en probabilite de la moyenne empirique u/n. P. ÉLÉMENTS DE CALCUL DES PR~B. fi sera aussi petit que l’on veut. DELTEIL et R. E. 12e édition. rappelons-le. Paris. et l’on aura : En définitive. H.

schéma de Bernoulli On effectue une série d’épreuves qui donnent lieu chacune à une éventualité parmi deux éventualités. 1.La loi binomiale. Nous avons alors effectué des tirages non exhaustifs dans une urne à deux catégories. on note sa couleur. La loi binomiale.. /:/. CLpkq”-” si l’ordre n’a pas d’importance. C’est cette seconde forme qui va faire l’objet de notre attention. Dans le cas où la probabilité dans la loi binomiale est très petite devant l’unité. on considère une urne qui contient P boules blanches et Q boules noires.. par exemple. elle entre aussi pour une part active dans l’étude des files d’attente et de la fiabilité. c’est ce qu’on désigne par schéma de Bernoulli.:i-=‘.Y I. 2.k) soient défavorables est donc : 1.: L”. puis on la remet dans l’urne et ainsi de suite.”:-.k pk = k!(n . Par exemple. X étant très nettement plus grand que l’unité.=’ -/:~ct“J . Celle-ci admet naturellement la loi de Gauss-Laplace comme loi asymptotique dans le cas où le nombre d’épreuves devient très grand. Cette dernière découle directement de l’étude de la loi binomiale : elle en exprime alors le comportement asymptotique lorsque le nombre d’épreuves devient extrêmement grand (supérieur à 100 pour fixer les idées). On note d’abord que les tirages sont indépendants les uns des autres. on dit aussi tirages avec remise dans une urne à deux catégories.-tx~i. k)!P ’ ’ 311 . On tire une boule. autrement dit. La probabilité pour que k d’entre eux soient favorables. chacune des éventualités ayant une probabilité constante. Choisissons comme éventualité favorable le tirage d’une boule blanche dont la probabilité est p.:~:. on effectue un passage de la variable discrète à la variable continue. On réalise n épreuves consécutives.-/. les phénomènes observés par les compagnies d’assurance (sinistres) . sans pour autant que le nombre d’épreuves soit très grand ~ le produit X de ces deux nombres est proche de l’unité .on débouche sur la loi de Poisson. Ainsi la probabilité est donnée par l’expression : n! k n .. pkqn-” si l’on spécifie l’ordre dans lequel les cas favorables et défavorables doivent se succéder .Si 1 a 10 i d e po i s SO n et la loi de Gauss-Laplace Les fondements de la statistique reposent sur la connaissance fine de quelques lois de distribution dont la principale est la loi de Gauss-Laplace. Cette loi est utilisée lors de l’étude des «événements rares » qui sont.20 _>. donc (n .

iques de position. Avant d’entreprendre l’étude de cette loi. k=O on Q(t) s’appelle la fonction génératrice des moments . on trouve : CD’(l) = n p = CkPk = M ( X ) = ml. k=O Si l’on dérive les deux membres donnant a(t) par rapport à t.2 .ific:c commode pour effectuer le calcul des caractCrist. on obtient : a’(t) = np(q + pty = 2 kP&‘. elle aussi. elle constihe un art.p”.l)p2 + np = npq + n2p2 Or le moment centré d’ordre deux s’écrit : ~2 = m2 ~ mf = npq.rjXl. Seul le deuxième moment va retenir notre attention : Faisons t = 1 : Q”(l) = n(n ~ l)p2 = n7. k=O c’est-à-dire le mornent d’ordre un. et comme on va lc voir. Calcul des moments On écrit lc binôrne sous la forme légkrement modifiée : a(t) = (y +pt)n = CPkP. 312 .MANIJEL DE CALCUL NUMÉRIQUE APPLIQUÉ c’est aussi le terme de rang k du dheloppernent du binôme de Newton : (p + y)” = $1 + npp + . + cp-kpk + . seuls ces deux premiers moments figurent dans la loi de Gauss-Laplace. l’écart type a pour expression : (T = m. k=O En faisant t = 1. Il s’agit là des deux résultats essentiels de la loi binomiale . Le moment d’ordre zéro s’écrit en fonction de Q(t) de la manière suivante : Q(1) = 2 Pk. est une loi asymptotique de la loi binomiale avant d’admettre elle-même la loi de Gauss-Laplace pour asymptote. étudions la loi dc Poisson qui. De là ou déduit : m2 = n(n . Les dérivations successives dorment des expressions fournissant tous les moments successifs après avoir fait t = 1.

20. LA LOI BINOMIALE, LA LOI DE POISSON ET LA LOI DE GAUSS-LAPLACE

2. Loi de Poisson

Nous envisageons lc cas où p (ou 4) est très petit, devant l’unité et où n est très grand sans
toutefois l’?tre suffisamment pour que l’on retrouve directement la loi normale, le produit p
doit être de l’ordre de grandeur de l’unité. Reprenons l’expression dc Pk :

n,! k n - k = n(n ~ l)(n - 2). . (n - k + 1) l &
P (1 -PI”>
pk = /qn - k)!P q k!(l -p)”

soit encore :

p, = w(,w - P) (n,p ~ 223) . (~LP ~ kp + P)
k (1 ~ PlrL,
k!(l ~ p)"

ou bien :

p,x np(n,p~p)(np-2p)...(np-~p+1ï) (l- !Tfy .
k
k!(l - p)k

Posons X = np, il vient :

P = X(X-p)(L2p)...(X--kp+p) 1-x rr,
k
/C!(l - p)" 7-L
( 1

Comme X = n,p est de l’ordre de l’unité, il est grand devant p qui lui-même est, petit devant
l’unité ; ainsi le numérateur du second membre tend vers Xk et (1 - p) k tend vers un. Il s’ensuit
que, puisque n est grand devant k, nous pouvons écrire :

Or (1 ~ i) ” t,cnd vers exp(-X) quand n tend vers l’infini (résultat classique d’analyse). D’où
l’expression de la loi de Poisson :

Pk = ; cxp(-A).

La loi de Poisson dorme la distribution d’une variable aléatoire discrète qui peut prendre les
valeurs entières non négatives (0, 1,2,. ,n, . ).
On dit que la variable X est répartie selon la loi de Poisson si sa probabilité est donnée par
l’expression de Pk, quel que soit le paramètre X.

2.1. Propriétés essentielles de la loi de Poisson

Ayant effectué un certain nombre d’opérations sur la loi binomiale, il est indispensable de vhifier
que la loi de dist,ribution proposke est bien normalis~c, c’est-à-dire : xr=, Pk = 1. En effet :

exp(-X) = exp(-X) 2 4T = exp(-X) exp(+X) = 1.
k=O ‘!

313

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

a - Moment du premier ordre

ml = M ( X ) = CkPk =Fk-exp(-A) =exp(-A)Ek-
k=O k=O '! k=O Ic!
cc Ah-1
ml = X exp( -A) C ~ =
x.

La moyenne de la variable aléatoire X qui prend les valeurs entières non négatives et qui suit
une loi de Poisson est égale au paramètre A.

b - Moment du deuxième ordre

m2 = 2 k2Pk = Xexp(-A)
k=O

Par le même procédé que celui que nous venons d’utiliser pour calculer le moment du premier
ordre, après avoir posé K = k - 1, nous obtenons :

O3 ( K + l)XK
m2 = Xexp(-A) 1 K, =Xexp(-X)
K=O

Les deux sommes dans la dernière expression ont été calculées, il suffit donc de reporter leurs
valeurs :

m2 = Xexp(-X)(l + A) exp(+X) = X2 + A.

Comme la variante D(X) = m2 - m:, on en déduit que :

D(X) = o2 = x

Donc le moment centré du deuxième ordre est égal à la moyenne, tous deux étant égaux au
paramètre A.
Remarque 1 : On dit souvent que la loi de Poisson est la loi qui régit les événements rares, et
l’on trouve une application importante dans l’étude des séries chronologiques, l’étude des files
d’attente ainsi que l’étude de la fiabilité.
Remarque 2 : Soit & la probabilité pour que X > k, elle s’écrit simplement :

&= -&,&&.
m=k j=o

c - Processus de Poisson - On considère une suite d’événements {E3} qui se succèdent dans
le temps. Durant un intervalle fini de temps 7, le nombre k d’événements est aléatoire, et l’on
désigne par ?rk(r) la probabilité d’observer k événements pendant l’intervalle de temps 7.
La variable aléatoire discrète X attachée aux événements {Ej} est construite de la façon
suivante :

a. À t = 0, X = 0.
b. X augmente d’une unité lors de l’apparition d’un événement.
c. X conserve sa valeur tant qu’aucun événement ne se manifeste.

314

20. LA LOI BINOMIALE. LA LOI DE POISSON ET LA LOI DE GAUSS-LAPLACE

On définit alors un processus de Poisson de la manière suivante :
1. nk (7) ne dépend que de 7 et non de l’origine des temps 70.
2. Durant un intervalle de temps infiniment petit dr, la probabilité d’apparition d’un événement
E est proportionnelle à d-r, et l’on désigne par dri(d-r) = T dr cette probabilité.
3. La probabilité de voir apparaître deux événements ou plus dans l’intervalle de temps
infiniment petit dr est infiniment petite par rapport à dr.
4. Si 71 et r2 sont des intervalles de temps sans intersection commune, alors les probabilités
Tu et Tu sont indépendantes.
Compte tenu de ces conditions, la probabilité de n’observer aucun événement durant le temps
infiniment petit dr est :

d7ro( dr) = 1 - T dr.

À présent, on se propose de trouver la loi de distribution rk(r) de la variable aléatoire X,
c’est-à-dire la probabilité d’obtenir exactement k événements durant l’intervalle de temps fini T.
Découpons l’intervalle de temps T en n sous-intervalles égaux de telle sorte que Ar = $ soit
de l’ordre de dr.
La probabilité d’observer un événement dans chaque intervalle est donc rAr et la probabilité
de n’en observer aucun est 1 -rAr. Comme les événements sont indépendants dans les intervalles
de temps disjoints de longueur AT , on peut considérer les n intervalles élémentaires comme n
expériences indépendantes pour chacune desquelles un intervalle élémentaire a la probabilité rAr
de voir apparaître effectivement un événement. La probabilité pour que k des n sous-intervalles
aient vu se réaliser un événement est par conséquent donnée par la loi binomiale :

7rk(T) = c; (;)k ( 1 - z>“ç

On pose a = TT-, on obtient alors :

KiTI, = ci (!t)” (l- yk.
Il nous reste à étudier le comportement de Tk(r) quand n tend vers l’infini. Pour cela, il suffit
de reprendre le calcul déjà effectué lors de l’établissement de la loi de Poisson, et avec la même
technique, on trouve :

akeëa
~.
nk = )y

Donc, la variable aléatoire X suit une loi de Poisson de paramètre a.
Remarque : Au lieu de considérer le temps T, il est possible de s’intéresser à une distribution
de points sur la droite ou dans le plan qui obéiraient aux mêmes propriétés que celles qui ont
été définies à propos du temps. Il en est de même des points répartis dans l’espace.

d - Application de la loi de Poisson - Une petite route de campagne est fréquentée par 120
voitures par heure en moyenne.
1. Calculer la probabilité RI pour que la route soit fréquentée douze fois en cinq minutes. :
2. Calculer la probabilité Rz pour que la route soit fréquentée au moins une fois en cinq minutes.
3. Calculer la probabilité R3 pour que la route soit fréquentée au moins sept fois en cinq minutes.

315

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

Le calcul de X s’effectue sur cinq minutes, on trouve alors :

Il s’ensuit que :

R = exp(-10)1012
1 = 9,48 10p2 ;
12!
R2 = 1 - P. = 1 ~ exp( -10) = 0,999 954 6 :
R3 = 1 - P. - PI - PJ - pi3 ~ P4 ~ F’, ~ Pc, ;

&=l-exp(-10) lO+~+$+~+$+$
1 =0,86990.

3. Loi de Gauss-Laplace
Il nous faut rechercher la valeur asymptotiquc dc Pk lorsque n devient infiniment grand. C’est
la formule de Stirling qui va nous permettre de développer les factorielles, donc la fonction à
laquelle nous allons nous intéresser est log,(Pk). Il y a alors deux façons de parvenir a nos fins.
On développe log,(Pk) au deuxième ordre cc qui conduit à des longs calculs un peu fastidieux.
Il est alors ncccssaire d’user de la formule de Stirling très complète :
1
n! = rP cxp(-n)JG(l + &7L) avec n=,, + 12

Un second procédé, moins rigoureux mais plus simple, consiste à choisir le maximum de
log,(Pk) comme point autour duquel on effectue le dSveloppcment cn strie de Taylor, ce
qui a pour but de faire disparaître la dérivk prcmièrc dudit dcvcloppement. Dans cc cas.
l’approximation :

log,:(n!) E n!log,(n) ~ n

sera suffisante. C’est cette méthode que nous présentons. On part donc de la relation :

log,(Pk) = nlog,(n) - n - klog,(k) + k - (n - k) log,(n - k)
+ (n - k) + klog,(p) + (n- k)log,(q).

À présent, on cherche le maximum de cette expression, il est donné par :

4 log,(Pk) = 0 = ~ log,(k) - 1 + 1 + 10gr:(n ~ k) + 1 ~ 1 + log, f ,
0
on obtient alors :

(n - k)p = kq,
d’ou : lc = np.

C’est la valeur la plus probable, mais on a déjà vu que c’était aussi la rnoyenne ml de la loi
binomiale. Calculons maintenant la dérivée deuxième :

316

20. LA ~01 BINOLW~LE, LA LOI DE POISSON ET LA LOI DE CAUSS-L.~PLACE

d’où le développement en série de Taylor :

il s’ensuit que :

ou encore, si k devient une variable akatoire continue, la probabilité élémentaire dP = p(z) dz
que la variable zc soit comprise dans l’intervalle (2, z + dz). est donnée par l’expression :

p(x) dz = P,,l,x exp ~
(k - ml)2 dz.
2s

La probabilité pour que la variable 2 soit plus petite que la valeur X s’écrit :

X
(cc ~ m1)2
P(x < X) = pmax exp ~ dz,t.f
J ( 2s 1
-00

Il reste à normer la distribution :

+oO +m
(k-m)2
1= Pk dk = P,,,, dk = d%P,,rax.
2s
-x -x

De là on tire :

En définitive, on obtient :

1 (k - ml)”
Pk = ~ pour lc cas discret, et
a&G 202 >

pour le cas continu.

Cette loi joue un rôle privilkgié dans la mesure où dc nombreuses distributions admettent la
distribution de Gauss-Laplace comme loi asymptotique.

3.1. Propriétés essentielles de la loi de Gauss-Laplace

La loi est normalisée puisque nous venons de faire en sorte qu’il en soit ainsi.

317

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

a - Moment du premier ordre

ml = & Jxexp (-(xig)2) dx = & T(x+m)exp (-$) dx

= *-Fexp (-$) d z + & /xeiw(-$) dz.
-03 -00

La première intégrale vaut m et la seconde est nulle puisque l’expression sous le signe somme
est impaire. Donc :

ml = m.

b - Calcul de la variante
+CC
1
D(x) = ~ J (x - m)‘exp (- (x ioy)2) dx = $ TX2 exp(-x2) dx
a&G
-CO 0

Nous allons intégrer par parties cette expression en posant :

u=x du = dx

dw = x exp( -x2) w = -a exp(-x2)

donc :

D(x) = $ [x exp(-x2)]lm + $ / exp(-x2) dz = c2.
0

Remarque : Dans les problèmes d’évaluation de la précision, on définit la grandeur h = &
qui est appelée mesure de la précision (cf. sur ce sujet, la théorie des erreurs ou incertitudes).

c - Relation de récurrence entre les moments centrés - On pose :

+CC
1
m, = ~ / (x - rn)” exp (- (x iUy)2) dz.
afi
-cc

On effectue le changement de variable suivant :

ce qui donne :

tq exp(-t2) dt = Kq
J T-~ exp( -t”) dt.
-cc

318

20. LA LOIBINOMIALE, LA LOI DE POISSON ET LA LOI DE GAUSS-LAPLACE

L’intégration par parties permet d’écrire :
+CO
mq = Kp tq-‘t exp(-t2) dt
J
-03
+a> +CC
+rl-1
= Kq - ;P exp( -t2) ~ tqp2 exp(-t2) dt ;
1 -cc 2 J
[{ -cc 1

(q - wwqq +co
donc : mq = tqp2 exp(-t2) dt.
2fi J
-03

Si l’on remarque que :

J
mq-2 = (afi)q-2 +mfJ-‘eXp(-t”) &
fi
on trouve en définitive :

mq = (q - 1)02mq-2.

Comme on connaît les deux premiers moments centrés me = 1 et mr = 0, il est aisé de former
la suite des moments centrés :

m2 = a2,
m4 = 3c4,
m6 = 1506,

tous les moments centrés d’ordre impair étant nuls.

d - La dissymétrie - Elle est donnée par l’expression :

L’étalon étant la courbe de Gauss-Laplace, 6 = 0 pour cette dernière.

e - L ‘aplatissement - Il est donné par une expression qui est telle que la loi de Gauss-Laplace
ait un aplatissement nul :

f - Fonction de répartition de la loi normale - Il s’agit de calculer la probabilité de trouver
une variable J: dans l’intervalle (a, b), sachant que sa distribution obéit à une loi gaussienne :

P(u < x < b) = Q(b) - @(a) = ~
g& ]exp (-‘” iJj2) dt.
a

319

MANUEL DE CALCUL NUMÉRIQTJEAPPLIQUÉ

Comme cette expression dépend de 0 et m, on prkf6rc utiliser la variable cent& rkduite, ce
qui conduit à la loi normale rkduitc. On pose alors :

.x - n-2.
y = - * d,=-
c-r (T
on aboutit alors à la relation :

On tabulc la loi réduite (m = 0; 0 = 1). soit :

on peut encore écrire :

De plus on a :

a+co) = 0;
@(+co) = 1.

En outre: on vérifie que Q(X) est une fonction non décroissante car la fonction de distribution
est définit positive.
On trouvera sur le Web (*) 1 c sous-programme gaussleg . h qui permet dc tabuler la loi normale
r6duit)e.

g - Ecart le plus probable - On considère 1111 intervalle de largeur 2E centré sur la valeur
moyenne, tel qu’il y ait la probabilité 0,5 que l’événement étudié tombe dans cet intervalle. On
appcllc écart probable, l’écart ayant la largeur E.
Dans le cas de la loi normale, on trouve :

P(lX-ml <E)=0,5=24> E - 1.
00

car : @(-y) = 1~ Q(y) ;

donc : Q E = 0,75
0 CT
ce qui dorme E = 0,674~~.

h - Application numérique - Lorsque p et 4 ne sont pas trop proches de zéro ou de ml, et à la
condition que n, soit grand, on peut utiliser la loi de Gauss-Laplace pour évaluer les probabilités
des «jeux » relevant du schkma dc Bcrnoulli.

*http://www.edpsciences.com/guilpin/

20. LA LOI BINOMIALE, LA LOI DE POISSON ET LA LOI DE GAUSS-LAPLACE

Exemple no 1 - On joue 800 fois à pile ou face, et l’on demande qucllc est la probabilitk pour
que pile sorte moins de 360 fois (10 % inférieur à la moyenne).

n = 800; p = q = 0,s; rn = np = 400: u = Ji@j = 102/2:

soit < la variable réduite :

360 -400
E= = -2,828427125
1OJz

il s’ensuit que (attention, ici. < est nkgatif) :

Exemple no 2 - On réalise 1000 parties d’écart{;, quelle est la probabilité de retourner le roi
plus de 140 fois?

n=lOOO; p+;: q = i ; m = r~p = 125; (T = m = 10,458 ;

soit < la variable réduite :

140 ~ 125
E= = 1,434 274 3 3 1
10,458

il s’ensuit que :
i

P(x < <) = ~
& jexp(-2) dy=0,076,

grosso modo entre 7 et 8 chances sur cent

i - Une application de la loi des grands nombres - La probabilité d’amener une face bien
détermink d’un dé non pipi: est CI priori p = 1/6. On étudie lr rapport entre lc nombre de fois
n où sort la face choisie et le nombre d’épreuves N.
Combien faut-il d’épreuves pour que la différence entre ce rapport et la probabilit,é a priori
soit inférieure à E = 1OF” en valeur absolue avec une probabilité supérieure à 7r = 1 ~ IOV”?
La condition à remplir est donc :

Ire approche - L’inégalité de Bicnaymé-Tchebycheff valable quelle que soit la distribution
permet de rkpondre à la question :

soit encore : P(IX - ml < t a ) 2 1~ p

321

MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ

Dans le cas précis, p = 1/6, q = 5/6, u = fi, $ = lOC”, puis :

P4 t2 = !!!? = 106
&=tu=t - ===+
JN Pq

d’où N = ‘3 = 1 4 I()l1 épreuves.
&2 ’
L’inégalité de Bienaymé-Tchebycheff donne un nombre d’épreuves obtenu par une majoration
excessive puisque cette relation ne tient pas compte de la distribution effective de la variable
aléatoire. Dans le cas où la loi de distribution est connue, le nombre d’épreuves sera très inférieur
à cette première détermination.

2e approche - Compte tenu de l’ordre de grandeur du nombre d’épreuves, il est tout à fait
légitime de faire usage de la loi de Gauss-Laplace. On calcule alors l’écart réduit :

on a alors :

P=&rexp(-z) dt=29(P)=l-lO@
-0

d’où Q(p) = 0,4999995 e t p = 4,5.

On obtient : N = 2,8 106 épreuves.

4. Changement de variable aléatoire dans les lois de répartition
Soit y = 4(x) une fonction quelconque à dérivée 4’(x) positive et continue par morceaux sur le
segment (0, L), à valeurs sur (a, b) (cf. Fig. 20.1, page ci-contre).
Soit 77 = 4(E) une variable aléatoire, elle-même fonction d’une autre variable aléatoire <. On
se pose la question de connaître la probabilité de trouver dans l’intervalle (y’, y”) sachant que
l’on connaît
5”
P(x’ < < < x”) = p<(x) dz.
s
2’

Soit x = @(y) la fonction inverse de y = 4(x), sur l’intervalle (a, b) avec 0 < 2 < L. On a
l’identité des événements :

E {Y’ L rl < Y”}

EIVY’) I E L WY”))
et E {x’ < < 5 x”}

322

20. LA LOI BINOMIALE, LA LOI DE POISSON ET LA LOI DE GAUSS-LAPLACE

III
III
I II’
I II’
I
.

Figure 20.1. Changement de variable dans les lois de distribution. 0 X’

La probabilité de l’événement < est donnée par :

x” WY”)

P = pc(z) dz = pc(x) dz = P(x’ I < < 5”) = P(y’ 277 < y”).
J J
5’ *(Y’)

Avec le changement de variable x = Q(y), on obtient la probabilité attachée à la variable q. En
tenant compte du fait que dx = Q’(y) dy, on peut écrire :
II II II

J J
Y Y Y

P(Y’ 5 ~5 Y”) = PC(X) dx = PEP(Y)IQ’(Y) dy = Pu dy,
J
Y’ Y’ Y’

1 1
c a r 4’(x) = & e t Q’(y) = qÏ(q = Jqqy

En définitive, on obtient la distribution désirée :
1
= Ps[Q(Y)I~,,~(~~~ si a 5 Y 5 b
Pr7(Y)
{= 0 si y < a et y > b.

Remarque : Pour éviter les omissions lors des changements de variable dans les fonctions de
distribution, il suffit de penser à manipuler non pas la distribution f(x) mais la probabilité
élémentaire dP, c’est-à-dire dP = f(x) dx pour que x soit compris entre x et x + dz, ainsi,
en effectuant le changement de variable x = g(y), on obtient :

dP = f(x) dx = fbMl$ dy = fMyY)Idb) @/ = h(y) dl/.

323

Éditions MIR.rop petite car : -. 2 Attention.d em.W. et 1’011 note la fonction inverse Q = 4. Éléments de bibliographie S. Éditions Dunod. la. ROTHSCHILD et N.W. LEWIS (1969) L’analyse statistique des se’ries d’e’vénements. WELLNER (1996) Weak convergence an. 324 . Y.I. D.piricwl process. LOGOTHETIS (1986) Probahility distributions. VAART et J. Moscou. 5. A. Éditions MIR.” . que : T(y) = ~ x 2*txp C--J.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Exemple On cffcctue le changement dc variable y = x2 dans la loi normale r6duitc : On a donc : x = fi. V. On écrit.A. COX ct P.x I +” . Cet exemplr nous sera de quclquc utilité lors de l’étude dc la distribution du . Moscou.& à rn degrés de liberté. MVAZIAN (1970) Étude statistique des dépendances.A. H. densité dc probabilité s’écrit : et 4Y) = 0 s i y<O.‘Z I P(y’ < r/ 5 y”) = P(-x’ < < < -x”) + P(x’ 5 < < x”) = pc(x) dz + p<(x) dz J /’ -1.’ z. la loi de probabilitt: que nous venons de trouver est deux fois t.r’J = [p<(-x) +pc(x)] dz = -. VENTSEL (1973) Thborie des probabilités.d En dkfinitive. ROZANOV (1975) Processrus uléutoires.R.I . Moscou. alors : $ = Q’(y) z 1 2fi 1 Y il s’ensuit. Springcr. Wiley.

on peut écrire la transformation inverse : exp(-jtz) dt. Il ne s’agit simplement que du développement en série de Fourier de la probabilite. et si l’on désigne par p(z) la densité de probabilité. Cela dit.I p(z) exp(jtz) dz.21 1 La fonction caractéristique Certaines opérations mathématiques sont plus commodes à réaliser dans l’espace réciproque de Fourier que dans l’espace direct (propriétés des espaces duals). Si la variable aléatoire est discrète (k entier appartenant (-00. 1. il peut être plus simple de traiter ou bien de la fonction de distribution ou bien de la fonction caractéristique. Si la variable aléatoire est continue sur un intervalle fini ou infini. on se persuade des limitations pratiques de cette méthode en consultant une table d’intégrales de Fourier : il y a peu de cas de figures. 325 . +co)). c’est une technique parmi d’autres techniques. Q(t) est une fonction périodique de période unité. Il s’agit de la transformée de Fourier de la densité de probabilité. En effet. aussi allons-nous y consacrer un chapitre. Quoi qu’il soit. s Q(t) En général. la fonction caractéristique est donnée par l’expression : Q(t) = M[exp(jtz)] où M[ ] est l’opérateur moyenne. En théorie des probabilités. Définition et propriétés Soit < une variable aléatoire. il ne faut pas fonder trop d’espoir sur cette conception. on écrit : Q(t) = E p(k) exp(jtk). la méthode offre un indiscutable intérêt tant théorique que pratique. on écrit : CD(t) = .

on trouve : po = <f>(O) = 1. . k=O . .(t) qui est le produit des fonctions caractéristiques de chacune des variables aléatoires indépendantes El. n. . Calcul des moments Considérons le développement de exp(jtz) : k=O si les moments pk = hf[xk] existent pour k = 0. . 1. . Théorème (sans démonstration) Une distribution de probabilité est déterminée d’une manière univoque par sa fonction caracté- ristique. 2. on peut alors écrire : avec : Ainsi.. . n+ 1. 1.. On peut donc calculer les moments pk = M[zk] à partir des dérivées de la fonction caractéris- tique de la variable aléatoire. 12. compte tenu de la relation : M[exp(jt<)] = 2 j” vtk + M[&J?+~] &. . pk=j. k=l 326 .1. . Cela découle de la relation de définition : M[exp(jtz)] = M[expjt(zl + x2 + .3. pour k = 1. . . Propriété de la fonction caractéristique La somme des variables indépendantes : t = El+12 + .2. 1.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 1.. +En a une fonction caractéristique de la forme : CD(t) = @l(t) . . alors. ?Dz(t). In..-kdk)(O).2. +Ch)]= fihl(eXp(jtxk)]. a?.

@z(t).ct> dt -cc expression dans laquelle &(t) est la transformée de Fourier de @k(t). on aura toutes les chances de montrer que 5 obéit à une loi gaussienne puisque la fonction caractéristique sera gaussienne. En particulier. soit : a(t) = a+(t) . t2 Si par hasard @ 4 admet un développement du genre 1 .cx .4. on s’intéresse aux logarithmes de la fonction caractéristique : Q(t) = l%P(t)l.lorsque n est grand devant 0n 2n t. ayant la densité de probabilité np(ny). Quelques autres propriétés importantes Soit une variable < de densité de probabilité p(z). . Cas particulier de la somme de deux variables indépendantes La fonction caractéristique de la somme de deux variables indépendantes est donc le produit de chacune des deux fonctions caractéristiques. + x.t) . Ic = 1. 1.) n admet comme fonction caractéristique : Dans bien des cas. La transformée de Fourier inverse va transformer ce produit simple en un produit de convolution.. La fonction caractéristique de cette variable s’écrit donc : +‘X a(t) = J p(x) expjzt dz. 327 . admettra comme fonction caractéristique (après changement de variable) : +CO +CO J -00 p(x) expj:t dz = J -00 p(z)expjhzdz=@ ce résultat étant obtenu par application directe de la définition.2. la moyenne < d’une somme de variables indépendantes de même densité de probabilité p(z) : 2 = I(x1 + x2 +. 21. [ ( )1 Q i . LA FONCTION CARACTÉRISTIQUE 1. n. -m La variable [In.. . la fonction @(t) s’écrit : e(t) = nlog. dans le cas de la dernière variable [. nous obtenons : +Y P(X) = / rI. Dans le même esprit.5.

puis la fonction caractéristique de la variable 7 = [i + [2. qui sont toutes les deux normales (gaussiennes) centrées et réduites. Généraliser le calcul précédent du §b en considérant la variable puis en déduire le théorème d’addition des moyennes et le théorème d’addition des variantes (écart type élevé au carré). J 0 on obtient la fonction caractéristique de la variable <. c--j Il s’ensuit que les variables (32 ont une densité de probabilité de la forme : Y Pj(Y) = & exp C--l 2 si y E (0. +co) &(Y) = 0 si y E (-co.6.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 1. Les variables indépendantes sont toujours gaussiennes mais ne sont plus centrées réduites. + E. 2. Soit deux variables aléatoires indépendantes & et &.+oo). y/. indépendantes.2. Chacune de ces variables gaussiennes variables à une densité de probabilité de la forme : X2 T~(X) = &exP 2 avec x E (-co. + E. La distribution du x2 On se propose de rechercher la fonction caractéristique.2jt)-i’2. b. Exercice a. Calculer la fonction caractéristique de chacune d’elle. Compte tenu de ce que : +oO l?(z) = tz-’ exp(-t) dt (fonction gamma).f : +CC +03 pk(x)exp(jtx) dz = J +oO 1 xp1j2 exp(-x) dz = I’(1/2) 1 = (1 . On désigne par ml et m2 les moyennes respectives et par g1 et 02 les écarts quadratiques moyens. Donner la fonction de distribution de 7 = <i + <a. gaussiennes centrées réduites. En déduire la fonction de distribution de q. c. + . &(Fijij 0 328 .O). qui est la somme des carrés de variables aléatoires. puis la distribution. . de la variable aléatoire : xi = l$.

Éditions MIR. H. dx) = 2+r(7+) x ( 2> 3. ROZANOV (1975) Processus aléatoires. à n degrés de liberté : ca(t) = (1 . 21. +co). Moscou. Dunod. PETIT (1995) L ‘outil mathématique. Krieger publishing company. +oo). E. avec 1 A = 2’W(n/2) d’où l’expression de la distribution du x2 à n degrés de liberté : 1 n/2-1 exp -. Éléments de bibliographie M. Donc la densité de probabilité du xi s’écrit : pour I : E (0. VENTSEL (1973) Théorie des probabilités. FISZ (1980) Probability theory and Mathematical Statistics. Y. R. Moscou. Robert E. Masson.2jt)-1L’2 s 0 A étant un coefficient de normalisation. Éditions MIR. pour cela il suffit de remarquer que : +CC A $14-1 exp exp(jtz) dx = (1 . LUKACS (1964) Fonctions caractéristiques.2jt)-“‘2 pour t t (-00. il n’est pas utile de calculer la transformée de Fourier inverse. 329 . Pour obtenir la fonction de distribution.. LA FONCTION CARACTÉRISTIQUE Il s’ensuit que la fonction caractéristique du xz.

331 .1) I?(n + 1/2) = fi 2’” +CC et : ryz) = P-l exp(-t) dt... +co).:_:=:_.- . Ce chapitre est donc destiné à la présentation desdites lois qu’il convient de bien manipuler pour exploiter correctement les données expérimentales. 1.-. . Auparavant. élevées au carré et nous nous proposons d’en étudier les principales propriétés. nous allons effectuer quelques rappels concernant la fonction I’(z) (fonction gamma ou fonction eulérienne de deuxième espèce) qui est étroitement liée à la loi du xi : r(m) = (m .-.“‘“-. La loi du xi Nous avons établi au précédent chapitre la loi de distribution d’une somme de n variables gaussiennes centrées réduites.st. il s’agit alors de la loi du xi à n degrés de liberté..._” . indépendantes.. et la loi de Student L’étude des critères de conformité va nous conduire à étudier la distribution d’une somme des carrés de n variables gaussiennes indépendantes (centrées réduites).:. 22 La loi du x2 .s::. Lorsqu’on aborde l’étude de la corrélation et de la régression.l)! lY(1/2) = fi 1 x 3 x 5 x .-i. .I0 La densité de probabilité de la loi du xt à n degrés de liberté est donnée par l’expression : 1 &2-1 exp -z pour z E (O. ces deux variables étant indépendantes.+ca). l’évaluation des intervalles de confiance conduit inévitablement à l’étude de la distribution de Student qui est la distribution d’une variable gaussienne (centrée réduite) divisée par la racine carrée de la moyenne d’un ~2 à m degrés de liberté.. pn(z) = 2n/2r(np) ( 2> tandis que la loi de répartition s’écrit : Ln(z) 1 = 2n/2r(n/2) x J 0 y n/2-1 e x p -y ( 2 > dy pour 2 E (0. (2n .

*http://www. = 2+qn/2) Comme on a : D (X~L) = m2 (xi) ~ M2 [Xi1 ? on en déduit : D (xn) = 2n. ( 1 0 Effectuons un changement de variable u = y/2. à m degrés de liberté.2. on a donc : e x p -i dy.M ANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 1. On donne sur le Web(*) 1 e sous-programme khi2.3. Calcul de la valeur moyenne Nous voulons calculer la moyenne de la variable xk : "(x3 = 1 p/2r(n/2) m 71/2%1 exp -.(w).2) s y 0 0 1 2n/2+2r(n/2+2)= (m+L)m. s yy ( > 0 le même changement de variable que celui effectué dans le paragraphe précédent permet d’écrire : d’où : 1. on calcule le moment d’ordre deux que l’on note m2 : x m2 (xi) = 2TL. dy.1. Calcul de la variante D (xz) Au préalable.edpsciences. on obtient : 1 cc (2u) n’2-1 exp( -u) du = ~ s u7’/2p1 exp(-u) du = 1 r(nP) 0 0 1. h qui permet de tabuler la loi du xfT.com/guilpin/ .2r(11. Vérification de la normalité de la loi Il s’agit de calculer L.

Distribution d’une somme de deux variables aléatoires indépendantes obéissant chacune à une distribution du xi On considère une variable 0 qui est la somme de deux variables aléatoires indépendantes obéissant à une loi du x2 l’une à n degrés de liberté. à m degrés de liberté en variable centrée reduite. en rappelant que M[x] = m et D[z] = 2m (cr = 6) : x . on en déduit : +oO A p+"")/2-1 exp exp(jtz) dz = (1 ~ 2jt) P(n+7n)/2 J’ avec 1 A = 2(‘r”+“1)/2r[(n + m)/2] . 3. 22. en faisant n = n + m dans les relations établissant la loi du xi dans le paragraphe précédent.r4.21. l’autre à m degrés de liberté : La fonction caractéristique de 0 est donc : alors.n + rrl).2] Y(“+“)‘2-1 -4) ((!J j on en conclut que la distribution d’une somme de deux variables indépendantes obéissant chacune à une distribution du x2 respectivement à n et m degrés de liberté est encore une distribution du x2 mais à m + n degrés de liberté.. Il est aisé de généraliser : Théorème . Il s’ensuit que la fonction de distribution s’écrit : P(Y) = 2(“+. +m) Pm(YY) = 2”12r(m/2) i 333 . LA LOIDUX~ ET LA LOI DE STUDENT 2.66.Une variable qui est la somme de m variables aléatoires indépendantes obéissant chacune à une distribution du x2 obéit encore une distribution du x2.. La loi du xk à m degrés de liberté tend asymptotiquement vers la loi de Gauss quand m tend vers l’infini Exprimons la loi du xz.m y= J%i’ on obtient : 6 (Gy + m)mj2-1 exp .

On désigne par J+(X) et ~+(y) 1 es fonctions de distribution de ces deux variables. ( 1 tous calculs faits.(m) . A priori et sans nuire à la généralité. on peut convenir que ces fonctions sont définies sur (-ca. SS f(z. quand m tend vers l’infini : log. Soit : PT(a) = P&$ . PV(Y) dx dy. P our cela on va rechercher la répartition PT(a) pour que f(z.floge 2 +- 2 loge(m) + 2 loge lf1J ( > m i F2 en remarquant que : log. y) < (Y.(y)] = Cste .f.y log.F log.PTl(Y) On cherche à expliciter p7(t).[p.(y)] = Cste + : log. Cette répartition ne sera rien d’autre que l’intégrale de pc(z) .v)<a 334 . Nous avons donc : et nous voulons obtenir la distribution pT(t) de la variable aléatoire T. +a). ~~(y) étendue au domaine f(z. y) < 0. y + y L ( > m-2 m-2 m-2 .. d’où : avec A = & On reconnaît la loi normale réduite. Distribution d’une variable aléatoire fonction de deux variables aléatoires indépendantes On considère la variable aléatoire r qui est une fonction de deux variables aléatoires indépen- dantes x et 7.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Passons aux logarithmes : log..(2) . Comme les variables sont indépendantes nous avons : PT(t) =Pc(x) . 4. 1+* =-jL$+.[p.

(Q) = du P~(U. la variable u change de signe en franchissant la valeur zéro. le jacobien de la transformation devient : 8(Xc.P. 335 . 4. v) P.(o) devient : a +CC P.ï PE(U. Cas particulier no 2 Dans le cas où l’on peut écrire z = Q: + Q(y).Il convient de prendre garde aux signes de la distribution au cas où la variable q de distribution ~+(y) est définie sur (-oo.~) .(v)v du. Cas particulier no 1 Dans le cas où l’on peut écrire z = c&(y). et l’on effectue le changement de variables : y=v et y=u. alors on effectue un changement de variables très intéressant à savoir : v = @(y) et x=u+w. -cc En effet une densité de probabilité ne peut pas être négative et. s s -CO -00 Remarque importante .La variable Q est donc un rapport : Q = XlY. dans ces expressions. alors on effectue un changement de variables très intéressant à savoir : 2) = Q(y) et x = UV.Y) -=21 21 =v Lqu.(V)V du. [W’(v)] # du = ] pt(u) du.P. v) .. +03) : II&4 = +j%d . seule. s s > -cc -ca -00 Application au rapport de deux variables indépendantes .p.v) 0/ 1 / d’où : CY +a PT(a) = du PE(U . L A LOIDU x2 ETLA LOIDE S TUDENT 4.1. P.v dans ce cas. 22.2. Le jacobien de la transformation s’écrit : Ainsi.(+ du .

+oo). le jacobicn de la transformation devient : 8(X>Y) 1 -1 qu. On retrouve le résultat que nous avions établi à l’aide de la fonction caractéristique. La distribution de Student (W.(y) de la variable q = Il convient pour ce faire d’effectuer un changement de variable : x = my2 pour x E (O.P~.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Le jacobien de la transformation s’écrit : 1 1 8(X> Y) 1 1 a(? u) =O Tvdv dy dy Ainsi. 5.(v) du.Donc la variable cv est une somme. Gosset) (1876-1937) C’est la distribution de la variable aléatoire : expression dans laquelle < est une variable gaussienne centrée réduite (indépendante de x2) de loi de distribution : Y2 Pc(Y) = & exp 2 (k). on a alors : a!=x+y on effectue alors le changement de variables : y=u et 2=7l-U dans ce cas. 336 . -=l Il) 0 1 = l 1 d’où : N +CX PT(Q) = JJ -00 dv -cc P~(U . Il sera aisé d’appliquer les résultats du paragraphe prccédent lorsque nous connaîtrons la distribution p. PT(a) devient : Application à la somme de deux variables indépendantes .~1 .

La distribution devient donc p.2)y”“P1 exp (-$1 pour 2 E (O.1.(y) = p[Q(y)]V(y) soit : P. &G2m/2-11T(m/2) o on pose : soit 2u Y ’ m l+c ( i.J’+i>o [l + .(m) = Y(m + 1)/21 d=wml2) -00 337 .] -h+l)P dt.)] d y .(Y) = 2m. v) P. h. +co) *l?(m/2) ’[ + ii 1 5. en définitive. Vérification de la normalité de la loi Il s’agit de calculer R.+m).2) (my2)7rL/2-1 exp (-$1 2my = 2”L!J~1~m.m ) on trouve alors : +CC m7n/2 p7n(t) = m&G2’n/2-1r(m/2) s 0 0 la quantiti: sous le signe s n’est rien d’autre que I’[(m + 1)/2].(v)v du = mm/2 Pm(t) = J’0 dz+“+T(m/2) mm/2 x exp Tymexp [-“” (I+ . 22. LA LOIDUX~ ETLA LOIDE STUDENT On peut écrire : y = !D(z) LG = Q(y) W(y) = 2my. La distribution pm(t) de la variable t s’écrit alors : +CE p<(t .(co)..~. on trouve : p (t) = r[(m + 1)/2] t 2 p(7n+1)‘2 m pour t t (-cm. on a donc : .2r(m.

5.rb + 1)/21 +cc 2 (m+1)/2 dy &r(m/2) o sb+ y J- = 2rKm+ 1)/21 +O” -1 2 -(m+l)l2 dy Jz(m/2) o Jy y [l +y 1 maintenant. il suffit de poser u = y2.1 m-2 2 On en conclut que : m (T= -.3..(a) = . /m . = .2 33% . Calcul du moment du deuxième ordre Il nous faut calculer : qt.um + 1)/21 +co 6rw) o J[ 1+g 1 t2 (m+l)/z dt* Les mêmes changements de variable utilisés pour vérifier la normalité de la loi conduisent aux résultats suivants : Jl(m + 1)/21 r[(m + 1)/2] r(3/2)r(m/2 . nous obtenons : *.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Posons y = et. Calcul du moment du premier ordre Le résultat est nul car la fonction sous le signe somme est impaire. r[(m+1)/2] m 1 m 2m=-----’ . firw) ’ rb + wi 5.1) D(x) = m fir(m/2) $???) =m fir(m/2) . ainsi du = 2y dy et l’intégrale se transforme : 1 du= r[(m+1)/21B 1 m+l J.2. y) est la fonction eulérienne de première espèce qui s’écrit : donc : *m(m) = mm + l)Pl r(wr(w) = 1.I[l + u](m+l)P 4z(m/2) 2’ 2 expression dans laquelle B(z.

2(2) est la fonction modifiée de Bessel de troisième espèce. M a lh eureusement. 6. 2 ..-log.l log.2 m .l m .~ log.wm + 1)/21 1 Xfi fir(m/2) ’ Z ’ r m + 1 Km’2(t)’ ( 2 1 expression dans laquelle Km...l m . 1. Nous avons (en prenant la transformée de Fourier réelle car la distribution de Student est symétrique) : qt) = 2rlKm + 1)/21 +sca cos(ty) &r(m/2) o [l + y2](m+1)/2 dy qt) = .2(x). 2 + 2 . 22. s’écrit : le produit des fonctions caractéristiques donne une fonction que l’on peut écrire d’une façon simplifiée : A(m. La distribution d’une somme de deux variables aléatoires indépendantes obéissant à une distribution de Student est-elle encore une distribution de Student? La réponse est non.l m .(6. le produit de deux fonctions modifiées de Bessel n’est ni une fonction modifiée de Bessel ni une somme de deux fonctions modifiées de Bessel.1og.f loge(m) ( > ( >2 2 m . il suffira d’effectuer un développement de MacLaurin (au voisinage de zéro). La fonction caractéristique de 7.1og. La densité de probabilité s’écrit : rb + WI 29m(x) = fir(m/2) ’ 1 + 2’ (m+l)P ’ [ m1 En passant aux logarithmes.+ . 7. h qui calcule les valeurs de la distribution de Student quel que soit le degré de liberté m.(x)) = Cste + 2 1% 2 . on trouve : m . La loi de Student à m degrés de liberté tend asymptotiquement vers la loi de Gauss quand m tend vers l’infini Comme la loi est symétrique.. Soit (a(t) la fonction caractéristique de trn. .edpsciences.2 m-2 m + l .com/guilpin/ 339 .2(x)Kn. 2 ( > ( > 2 ( 1 *http://www.2 m . il s’ensuit que la transformée de Fourier inverse n’est pas une distribution de Student. Soit T = em + qn une variable aléatoire somme de deux variables aléatoires indépendantes obéissant chacune à une distribution de Student respectivement à m et n degrés de liberté. . LA LOIDUX~ ETLA LOIDE STUDENT On donne sur le Web (*) 1 e sous-programme student . n)K.

LOGOTHETIS (1986) Probability distributions. Éditions MIR. Wiley. On en déduit : I~~(Z) ===s K e x p -g ( ) On reconnaît la loi normale et par conséquent la constante K vaut & Quand le nombre de degrés de liberté croît.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ soit encore : log. (F) m-1 mfl + ilog. h%(m) . E.(z)) = Cste + F log. y> . 8. Moscou. LUKACS (1964) Fonctions caracté%tiques. Moscou.$ expression dans laquelle K est une constante numérique que l’on détermine par normalisation de la distribution. (m . Éditions MIR.(%(~)) = log. la loi dc Student tend vers la loi normale. On pourra aussi s’en convaincre en consultant directement les tables numériques. Quand m est grand devant l’unité. Dunod. VENTSEL (1973) Theorie des probabilités. 340 . Y.2> ( > = Cste + ~log~(~)~~log~~[‘ini-.(G.~)]-~log~(l+~). Moscou.2 1% 1+. V. on peut écrire : h. AÏVAZIAN (1970) Étude statistique des dépendances. ~ ~ .(W . ROTHSCHILD et N. Éditions MIR.ilO& (Y) +1og. ROZANOV (1975) P rocessus aléatoires. Éléments de bibliographie S. H.

. il n’en est rien et il convient de tenir compte de leur interdépendance. . Définition On appelle fonction de répartition d’un système de deux variables aléatoires X et Y. X2. dont le point figuratif appartiendra à un espace à T-L dimensions. Elle est définie par l’expression : JqE. Système de variables aléatoires. Désignons par 4(t) 1 a fonction dc rkpartition de la variable aléatoire X toute seule. 2. Généralités Il s’agit de gén&aliser un certain nombre de notions afin de les étendre aux systèmes de plusieurs variables aléatoires ct plus spécialement aux systèmes de deux variables aléatoires qui vont retenir notre attention lors de l’étude de l’analyse de corrélation-rCgression.1. .1. ces propos se généralisent au cas de 7~ variables aléatoires X1. Bien entendu. 7) est la probabilité de se trouver dans le quadrant hachuré de la figure c-contre. L’apport essentiel de ce chapitre sera l’étude de la matrice de covariance ct de la matrice dc corrélation.q) = P(X < E. 2.oute seule. la probabilité de vérifier simultanément les deux inégalités : X<C e t Y < q. ct par $(q) 1 a fonction de répartition de la variable aléatoire Y t. . X.Y < rl) (cf. 23. 341 .1 23 Systèmes à plusieurs variables aléatoires 1. fonction de répartition On considère deux variables aléatoires X et Y qui pourront éventuellement fîgurcr l’abscisse et l’ordonnée d’un point du plan. Il est alors tentant de penser que les proprii:tés du système dépendent uniquement de celles de chacune des variables . Fig. page suivante) et cela revient à dire que F(I.

B. -CO) = F(-CO. 2. A = (a. d) ~ F(a. +oo) = 1.c) D = (qc). 7) 2 F(c-u> VI si 72 P ==+ F(t. F(fc0. v) 2 F(rl. F([.1.3. à deux dimensions. SJ’ -00 -00 342 . Fonction de répartition. Il s’agit en fait de trouver a < cy < b et c < 0 < d qui représente la probabilitk de tomber dans le rectangle : P(cq p) = F(b. +m) = 4(E) 4. F(+mrl) = v477) 5. d) B = (b. Cette probabilité peut s’exprimer en fonction de F(z.d) c = (b. r/) = F(-CO. Propriété de F(g. c).MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ Y l Figure 23. c) + F(a.F(b. F(E. C et D les quatre sommets du rectangle dont les côtés sont parallèles aux axes. 3.2. -CO) = 0. C’est une fonction non décroissante des deux arguments : s i <>a =+ F(E. y) qui à son tour s’écrit comme une intégrale double : z ?4 F(?Y) = f(w P) da d/J. 7) 1. d) . 2. p) appartienne à un domaine rectangle parallèle aux axes Soient A. Probabilité pour qu’un point aléatoire (a.P). 2.

SYSTÈMES À PLUSIECJR~ VARIABLES . cela constitue un critère pour juger de l’indépendance des variables. est le produit des fonctions de repartition de chacune des variables X et Y .1. Le problème fondamental est dc savoir quelle est la dépendance mutuelle des deux variables (ou l’absence de dépendance). y). La dépendance de X et de Y est mie propriété mutuelle des deux variables. la fonction de rkpartition f(z. s) du système de deux variables X et. y) est le produit de deux fonctions indépendantes C#I(Z) et $(y). si f(z.s = y ~X~y.. coefficient de corrélation Par définition lc moment non centré d’ordre (k. Variables aléatoires liées et indépendantes Rcvcnons au cas de deux variables aléatoires X et Y. Y est l’espérance mathématique du produit ~?y’. En revanche. Soit : f(ylx) = ‘$(y) quel que soit 2. covariance. on dit que les variables aléatoires sont indépendantes.r).~L&~T~Hw~ 3. Réciproquement. On peut encore écrire : rnk. Quand X et Y sont des variables indépendantes. Le moment centré s’écrit : en désignant par x0 et y0 les variables centrées : xO=x-mlJ Y0 = Y .5 = ïbf[x”y”]. Autrement dit. On dit que la variable aléatoire Y est indkpendante de la variable alkatoire X si la loi de rkpartition de Y ne dépend pas de la valeur prise par X. Caractéristiques numériques. car la loi de répartition de chacune des variables ne dépend pas des valeurs prises par l’autre. si Y dépend de X. On peut dire que deux variables sont dependantes quand elles ont une tendance plus ou moins marquée à varier simultanément. si : f(ylz) = $(y) cela entraîne f(ziy) = d(z). alors les variables aléatoires X et Y sont indépendantes et. soit encore : f(T Y) = 4(x)+(Y). Dans le cas contraire on dit qu’elles sont dépendantes ou liées.. 23.j 343 . on a : f(~Ix) # $(Y) pour tout 2.mo. 4. Dans ce dernier cas. et l’on écrit : 1*1k.

si une des variables s’karte peu de sa moyenne (faible variante).. Pour pallier cet ennui. alors Krx:. Ce moment mixte porte WI nom particulier. seul le premier . Pour ce qui concerne les moments mixtes.1. 11 -M D’un point de vue strictement pratique.o = M[x$y~] = M[xi] = D[z] = ~7. 4. y) dz dy SJ' -x +CL% et pk..y(x.J. = rr~~). Si X et Y sont des variables alCat.)$(r/) dy = 0.y reste faible même si X et Y sont i%roitcment litcs.Z mk.1 = M[x”y’] = M[:I/] et D.0 = Af[xlyO] = M[x] m 1/ = rn(j.î ~ ..M ANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ expressions dans lesquelles piy = P(z = zi.1 = Af[xlyl] dont la forme centrée s’écrit : ceci est simplement la moyenne du produit des variables akatoircs cent. il en résulte we Kz. Autrement dit.s = (x ~ m.? = .5.. S’il s’agit de variables aliktoires continues.q.mi. c’est-à-dire pour caractériser uniyuernent la liaison des variables. décrit la liaison de X et de Y. 110us écrirons : +C..oircs indépendantes.). Ainsi. il s’agit de la covariance que l’on krit : K. seuls les moments d’ordre 1 ct 2 sont utilisk : soit : m .y = 0.~ = M[&.f(:q y) dz dl/... cy = yj)..)“(y ~ mJ. on dkfinit le coefficient de corrélat. on a alors : +CG K X.xky.] = M[?/. puisque f(x.)qb(x) dz r(g .. = mz.Non seulement Kc.ant : ml. Remarques importantes a .rées.: D. y) = 4(z)+(y).ion des 344 .rl caractkrisc la liaison de X et de Y mais aussi la dispersion dc chacune des variables.joue vraiment un rôle import.] = D[y] = 0.Y ~ ~ I’ (x ~ m.

Y sont des variables indépendantes. Généralisation au cas de plusieurs variables Il n’y a pas de difficultk à étendre ces résultats au cas de plusiews variables aléatoires XI. La densité de probabilité s’écrit : f(z.. nulle puisque la moyenne de z et. Nous allons démontrer ces résultats au paragraphe 6. X.1 I T:z.l/ soit nul signifie non pas que les variables soient indépendantes mais qu’cGs ne sont pas linéairement dépendantes. les coefficients sont naturellement les Pléments d’une matrice carrée d’ordre n. . = 0. On définit alors : &. Si les variables sont au nombre de n. on a : autrement dit lorsque Y = aX + h. X2. alors IIOUS avons : .y = 0). z ne peut pas prendre n’im- porte quelles valeurs: mais seulement celles comprises dans l’intervalle (. Lc fait que r’s. 5. La normalisation dr la densité dc probabilité donne la valeur dc 11 : JJ JJ +CC +CC l= j-(x: y) <1:x: dy = pdz d y ==+ p=&. Il est.y < +1. 23. soit a.Jm.r et og.:.r. ainsi. Quand une des variables croît.. possible de t. Attention. la covariance et la corrélation SC calculent. pour y fixC: dans le cercle.y = 0. Jm) ou encore si IC = R: y = 0. la moyenne de y sont nulles.y r:. Ici encore. l’autre suit une loi linéaire au sens des probabilités ct le coefficient dc corrélation indique le «degré » de cette dépendance linéaire.rouver IIII exemple sirnple qui moutre que des variables X et Y non corrélées sont cependant dkpendantes.y par l’kcart t. pour toutes les variables prises deux à deux. . la corrélation étant positive ou négative. Kz. Dans chacun de ces deux cas. -x -00 Les variables sont dépendantes puisque. la proposition réciproque est fausse. alors I’. SY S T ÈM E S À PLUSIEURS VARIABLES ALÉAT~IR~~S deux variables X ct Y eu divisant Kz. mais une relation linéaire.Le coefficient de corrélation caractérise non pas une relation quelconque entre deux variahlcs. y ) = 0 ailleurs. y) = p pour 2’ + y” < R2 e t f(:r.. . alors il y a n2 coefficients de covariancc et n2 coefficients de corrélation. Si deux variables aléatoires X et Y ont un coefficient de corrklation nul (TT. cela ne signifie pas que X ct. 345 . Dans le cas dkme relation fonctionnelle linhire exacte. Si la loi de dépendance linéaire est quelconque. si X et Y sont indépendantes.y = d> fl:rclJ on notera que ce rapport est adimensionnel. Exprimons la covariance : elle est. b . Considérons deux variables alhtoires X et Y réparties uniformhnent à l’intérieur d’un cercle dc rayon R centré à l’origine des coordonnées..ype de chacune des variables.

. y) dz dy expression dans laquelle ~(CC. Matrice de corrélation Notons ses Ckmcnts T..) est alors donnée par l’expression : et la forme continue : M[g(X. que la variable X prenne la valeur 2.~2. y-. y).. elles prennent respectivement les valeurs ~1. Soit g(z. Quelques théorèmes importants Soient X et Y deux variablts al6atoires quelconques. Nous allons utiliser ces expressions en écrivant : g(X. k.~. la variancc de Xi.1. D’autre part.. = kfj. Elle est évidemment syrnétrique puisque le produit est une opération cornmutativc : kjc.1. 346 . et Cy=. Mlx + y] = C(xiPi) + fJ(yiPJ) ? 11 j=l M[X + Y] = M[X] + M[Y].Y 6. p.Y) = X + Y e t g(X.f(x. Moyenne d’une somme de variables aléatoires Il 11011s faut calculer MIX A Y] dont. D’oh les cxprcssions qui suivent : .. qui est.~n.Y) =X. Matrice de covariance Notons ses éléments /CL.~.S..i = D. et pij la probabilité pour que X = zi et Y = Y....2. Elle aussi est évidemment symétrique et : 6. La moycnnc dc la fonction g(zi. 5. .) la probabilité pj que la variable Y prenne la valeur yj.. l’expression s’écrit : Or CyT1pii n’est.Y1. Y)] = sJ’g(x.. y) est la densité de probabilité des deux variables aléatoires X et Y.MANUEL DE CALCUL NU&RIQUE APPLIQUÉ 5.Y2. rien d’autre que la probabilitk p. ? J m .. y) une fonction de deux variables offrant les bonnes qualit& usuelles de régularitk.

m. = M [X. = M[X .u. Insistons sur le fait que cette relation est indépendante du fait que les variables aléatoires soient indépendantes ou non.m.. On généralise ce théorème au cas d’un produit de n variables aléatoires indépendantes : M I1 i=l nXi = i=l fiM. Y] = M[X]M[Y] + Kz.m. 23. ?=l Nous allons calculer D[X + Y].. Y] ~ m.M[X] + m.Xi].)] m.] = M [Xi] + M [Y.. Kz..3. On obtient alors les expressions suivantes : D[X + Y] = D[Z] = M [Z. = M[X .y = 0. des moyennes.) (Y .. = M[X] et m.].m. Si les variables sont indépendantes. 6. ii. Variante d’une somme de variables aléatoires =CM[X. on passe aux variables centrées que l’on indice avec un zéro : 2. Y] ~ mEM[Y] . et la moyenne du produit est égale au produit 71. Moyenne d’un produit de variables aléatoires Il nous faut calculer M[X Y] dont nous obtenons l’expression à partir de la covariance : Kcz. Y”] = M [(X ~ m. Ce théorème est susceptible d’une genéralisation simple : M I1 2xi i=l 6. On note alors que la variante de la somrne de deux variables aléatoires est la somme et de leur variante respective augmentée de deux fois la covariance. = M[Y]. Ici encore il est intéressant de généraliser à une somme quelconque : Li=l J %=l r n i 7L n Li=l 1 i=l j=l et l’on remarquera que la variante de la somme de variables est égale à la somme des variantes de chacune des variables si celles-ci sont toutes indépendantes. Le développement de l’équation donne : K z. Après avoir posé 2 = X + Y. SYSTÈMES À PLUSIEURS VARIABLES ALÉATOIRES On démontrera évidemment le même théorème en ce qui concerne les variables continues.2. = X” + Yo...] + 2M [XoJ$] = D[X] + D[Y] + 2Kz. = M[X Y] ~ M[X]M[Y] M[X . 347 .

Dans lc cas particulier où les variables sont indépendantes.Yo] = M [(X ~ 7~) (Y ~ m.M[X] + arn~ = uM[X2] .y)2 D[X . am.M[Z] = M [Z”] ~ mi = M [X”Y”] . + Kz.. en tenant compte du fait que KL..?J = MIXo. soit : L)[X. il en est de même de X2 et Y” . Y] = M [X”Y”] ~ (ml.y)M[X . ~ b)] = uM[X”] ~ mn.4.m.D[Y] + rniD[X]. + K:.) .y)2. Y] = D[X] D[Y] + ml..Jz] avcvcc m. on voit apparaître la covariance. Variante d’un produit de variables aléatoires Il nous faut calculer D[X .~ + b Kz. = M[X . + Kz.q + K~~.2m.. alors.II = 0. + K. En effet.. la dernière expression se simplifie.M[X] ..~rn.7. arnz = aD[X].MANUEL DE CALCUL NTJMÉRIQUE APPLIQUÉ 6.$z. ou peut écrire : D[X ..2(m. m..)] En remarquant que my = ~TL.J.Z] = M [Z”] + mz .m.m. or1 obtient : D[~O. Si les variahlcs sont centrées.y)(m~..m... Y].. à partir de la covariance on peut Ccrire : K x.1. 61 = D[&l D[yOl.) + (m. Propriétés du coefficient de corrélation (démonstrations) Si les variables aléatoires X et Y sont liks linéairement : alors le coefficient de corrélation vaut *l.2m.. Reportons cette valeur dans l’expression du coefficient de corrblation : Il reste à exprimer gy : On en conclut que T.Y] =M [Z” +m.c~r~~y + Kz. 348 . nm.m.. Dans cette dernière expression.~ = +1 si a est positif et -1 si a est nkgatif.. = M [(X . Y] + (m.)2 = M [X”Y”] ~ 2(m. (nX + b . pour cela posons 2 = X Y : D[X Y] = D[Z] = M [Z. Puisque X et Y sont des variables independantes.m. D[X.] = M [(Z . . 7. Y] = M[X’]M[Y”] . Y] = rr~.y + K.

349 .[l h r. Emxm. EDWARD~ (1984) A n i n t r o d u c t i o n t o lénear rqression ad çorrelataon. DELTHEIL et R. Éléments de bibliographie E. puis a = CT~ et a = -D~.athematical statistics.o.].. = 2+. Paris.te fin.y L 0 ce qui s’krit encore : et par conskqucnt : 8. il s’agit de montrer que ~T~. Moscou. M. calculons la variance dc la variahlc 2 = aX + bY... Éditions MIR. Cornptc tenu du fait que D[Z] > 0: nous devons avoir : . nous obtenons : D[Z] = 2a:a.~I 5 1 quelle que soit la liaison entre les variables aléatoires X ct Y.&.ra.. VENTSEL (1973) Théorie des probchilités. FISZ (1980) Probability theory and m.!. 2c‘s. Krieger. Frecrnan. À cet. clic s’écrit.L. H. H .. + 2a. Faisom à prksent b = CT.. R.r.. HURON (1962) Probabilités. S YSTÈMES À PLUSIEUHS VARIABLES ALÉATOIRES Maintenant. * ~:r~yKr. 12’ klition. B~REL. W . Armand Colin.. : D[Z] = D[aX + bY] = a”D[X] + b’%[Y] + ZnbK. A.

La variable aléatoire < attachée au lancement prend les valeurs zéro et 1111 tandis qu’il y a 216 configurations ou observations possibles.ions une somme supérieure ou égale à 12. en conséquence.24 1 Critères de conformité 1.oire touchant aux mesures effectuées sur Mit système. diffkrent de l’ensemble des valeurs possibles de la variable aléatoire <.. 135 configurations donnent. à ccllc-là. il est assoc? une variable aléatoire. 351 .ant de tester la validité des hypothèses formulées lors de l’ktude d’une population parente. et. la somme présentée par les faces supérieures : on compte zéro si la somme est inférieure à 12 et 1 si la somme est supérieure ou @ale à 12. accompagnée de sa distribution p(t). D’une part les objets sont trPs bien définis (ensemble de conditions) et. la mf%orologie. On appelle population parcntc l’ensemble de toutes les observations possibles qui pourraient Ptre réalisées pour un système soumis à 1111 ensemble de conditions.. c’est-à-dire de la loi permettant d’obtenir la probahilitt object. Les conditions sont donc constituées par toutes les feuilles de tous les arbres du parc. À chaque valeur fixée de < correspond plusieurs voire lule infinité d’observations possibles . Toutes les feuilles ainsi définies constituent une population parente. on peut s’intkresser à la longueur des feuilles des arbres d’un parc. Par exemple. par exernple. en nombre fini.es les feuilles de tous les cherles du parc ou encore toutes les feuilles dc tous les peupliers. Il faut bien noter que l’ensemble de toutes les observations (réalisations) possibles est.ive dc trouver l’événernent J: dans l’intervalle AZ. L’étude du caractère stochastique d’un système réel (physique) conduit à l’étude dc la loi de distribution dc la dispersion aléat. Il ~KIL~S faut donc définir cc qu’est une population parente. on jette trois dés dc couleur différente mais par ailleurs parfaitement identiques. d’autre part la mesure effectuée est sujette à des fluctuations incontrôlables .. Donc mie population parente est définie par des objets sur lesquels on pratique la mesure d’une certaine grandeur.ain lot : bien d’autres conditions peuvent influencer la dispersion : l’cxpkience du tireur. Les valeurs possibles de la variable aléatoire X seront. Une certaine mesure effectuée sur le système est alors caractériskc par la variable aléatoire <. on peut kvoquer la dispersion du tir d’url certain canon alimenté par des munitions d’un cert. Par exemple. Généralités Cc chapitre a pour objet. une somme inférieures à 12 et 81 configurat. l’on s’intéresse ri. elles peuvent être mesurées au millimètre près. La loi est propre au système qui est soumis à un ensemble de conditions rkcllcs d’observations. l’étude de critères permett. d’un point de vue pratique. Une autre population parente pourra être t.out.

Cette notion peut alors SC r@vPler commode dans l’tlahoration d’une théorie matliCmat. compris cntrc 8 ct 25. *http://www.com/guilpin/ 352 . Sur le Weh (*).. Au cours de ce cha. c qui réalise 1’histogr~~mnIc d‘une série de nombres al6atoircs à distribution gaussienne. elle donne urlc rcprésenta. 5. c’est cc qu’on appelle l’indépendance stochastique. Pour cr~la~ on peut utiliser la règle approchée : k = log.lf et. l’échantillon @tant caract&isé par un ensemble de mwurcs que l’on note { X i } i = 1.k al&toirc apparaissant dans la si:ric finie des mesures. Une fois obtenue la rcprésenta. ct cela nous définit l’intcrvallc de représentation notC 1 . Il est. 3. }. De facon pragmat..al de connaître la loi dc distribution à laquelle oKit l’échant~illon. on verra corriment contrôler la qualit dc 1‘Cchar~tillon prélrv6. 71. IIE: C A L C L I L NTJMÉRIQUE APPLIQUÉ Gk&ralemr:nt les populations parentes étudiées sont finicy mais on est. Pour ce faire on va procbdcr à une reprtkentation graphique des données groupbes que l’on obtient en comptabilisant le nombre dc donn~cs appartenant à ur1 petit intcrvallc. Histogramme On se trouve cn présence d’un échantillon dc taille N prelevé au hasard dans une certaine population parcrite.t lc nombre TZ d‘observations constituant l’échantillon est appc~l6 la taille dc l’échantillon. de l’khantillon doit être fa..2. on op?rc de la manière suivant. fondament. L’aboutisscrnent de la rechcrchc des éléments stables sera donc urlc loi qur l‘on dira stochas- tique par opposition à loi causale. La dispersion dc la mesure obtit. À partir de cettcl rcpr6sentation. etrc intl6pendant drs autres.. On retrouve ici une g~ntralisation dc la notion d’incertitude en physique. Représentation des données numériques.k cn fonction de k s’appelle ur1 histogramme.~ dc l‘ensemk~lr des {z. « raisonnahlcrncnt » rendre compte de 1s loi c~xpbrimcntale obtenue. bliminer tout le côt.edpsciences. r> + 1.c : 1.ntjillon ohbit. on divise l’intervalle 1 en k sous-intervalles égaux de telle sorte que k soit.h~A. on rechcrchc III~~ cxprwsion analytique pouvant.ique.k tic probabilitb. on rcclierclie la borne infkkurc z. on trouve le programme histog . Un échantillon est un prélèvement fini à l’intk-icur d’une population parente.re.VUli’l. 2. la borne sup~ricurc x. on compte dans chaquc~ sous-intervalle le nomhrc~ rn+ d’individus qui y tombent La courbe représentative des rrl..iclue. Le pri?lèvement.tion de la densité de probabilité 2 laquelle l’écha. Ceci signifie corrblativement que l’on cherchera aussi à. nous allons chcrchrï à déterminer les propriétés réellement stables qui caractérisrntj le phbnornène étudik. laquelle accompagne irkvitablement la réalisation de la mesure.tion de la dcnsit. ou peut obéir. tenté d’imaginer des populations parcntcs infinies qui sont des extrapolations pour ml nombre infini d’obser- vations possibles. une loi stochastique ~ la plupart du temps gaussienne. Stochastjique est 1111 mot d’origine grecque ~~ 0 oro~ctor+ ~ qui signifie lc dcviq celui qui coqjrcturc. c.it au hasard ct chaque éléments de l’échantillon doit.pit. 2..

Ce prohkmc devient caduque si l’on 6tudic toute la poplllation parcnt. Si P a une valeur « t. Cc dernier cas de figure montrerait alors que l’hypothke H devrait etre rejet&. statistique. examiné la répartition cxpérimerkalc~ on est en nicww de pres- sentir une loi analytique susceptible de reprksenter théoriqucmrnt l’enscmlk des données tic l’écliantillon.ude.udié. Le xide Pearson (1857-1936) On désigne par pi la probabilité théorique de t. Il se trouve fort heureusement que. elle apparaît alors comme peu vraisemblable. alors.imement li& à l‘échantillon bt. ci tient compte des valeurs relatives des écarts quaclratiqurs a ap. Force est de remarquer que U est une variable albatoire dout la loi de rkpartition sera u pr%ori lik à la distribution de la variahlc a. c’est-k-dire proportionnel à l/pi. Il s’agit. lc problème concernant la conformité dc la loi expkimcnt. la loi dc répartit. Inévitahlcment.. dans certains cas: la loi de rkpartition de U a des propriktk simples: et. loi de répartition des z. indique alors urle diff&encr essentielle entre les deux répartitions thkorique ct.erminke. 23. Choix de la mesure de U La prcmke difficulté rencontrée pour choisir une mesure dc U repose sur le fait que la rkpartit. Pour la mesure de U. il existe des karts entre la loi expérimentale et la loi thknique. Conformité entre une répartition théorique et une répartition expérimentale (ou répartition statistique) Apres avoir soigneuscmcnt. on doit alors rejeter l’hypothbc H. Nous allons voir deux mesures de U. 353 . 4.ale et de la loi théorique rcposc uniquernent sur la taille restreinte de 1’~chantillon (nombre rbduit d’observations).cl. Alors notre problème dc conformitk consiste & savoir si la valeur calcul&: ~1 s’explique par lc hasard ou encore si la valeur ‘u est trop grande et. on veut savoir si l’on peut ou non adopter cette hypoth&e H et avec quel degré dc wrtit. donc de clkfinir une mesure de la conformité que rien n’empkhc d?s maintenant de désigner par U. il n’y a plus qu’une sculc loi expériment.alc possible. l’unité.ille 1) dr: l’échantillon. Donc. Après avoir détermini: la valeur numérique ‘II: on calcule la probabilité pour que la variable alkatoire U puisse effectivement dépasser V. l’importance étant plus grande si api est petit. Soit P cette prohabilitb.ion dc U est déttrmink par la loi tic répartition tic :I: et par le nombre n. rt. Un autre Cchantillon donnera une loi expi:rimentalc plus ou moins diff&cnte. et lc problème dc fond consist. = o/p. Si l’hypothèse est correcte.ion de U dkpend de la rkpartition dc 2. C R I T È R E S D E C O N F O R M I T É 3. -$.)” que l’on pondère par lc coefficient ci.rop petite ». la.ornhcr dans l’intervalle i: ct par p. En effet j la représentation de la loi expi:rimentale est int. C’est la raison pour laquelle: on pwnd c. pour n grand devant. on choisit la somme des car& des diffkw~crs (p. ccttc loi ne depcnd plus de la. prol)al)ilitP r~xpérirncntale de tomber dans le mkne intervalle. 6gal. et surtout avec quelle probabilité. ainsi qu’un suivant. mais cela n’tst pas aussi simple que les apparences lc montrent.léatoirc Ctudiée :I. dc la ta. La recherche d‘une loi thborique consiste donc à forrnulcr une cert~ainc~ hypothk H c:t) l’or1 veut savoir si cette hypothèse est conforme aux donnk:s rxpérimcntalw En fin dc compte. Désignons par z: la valeur particulikc prise par la variaMe albatoire U dans une expkicncc bien dét.c à pouvoir dire si ces fluctuations sont dues au hasard ou non.

Le critère du x2 ne permet pas de dire qu’une loi est meilleure ou pire qu’une autre. p. Simplement.it à une loi du x2. soit en ayant programrné la loi du x2 à m degrés de liberté. 443). on est certain que l’opération est fausse.1. On peut aisément trouver plusieurs lois tout à fait acceptables qui peuvent rendre compte correctement de la statistique d’un échantillon donnk. si 0 est infkricur à 0. On trouvera plus loin une démonstration de ces affirmations (cf.. lors du processus de calcul. Nous avons généré 4 096 nornbres aléatoires gaussiens en choisissant la 354 . on dit que U obi.Vérification d’un générateur de nombres aléatoires gaussiens À partir d’un générateur de nombres aléatoires à distribution uniforme. les deux derniers nombres identiques. mais uniquement du nombre d’intervalles de regroupement k qui a servi à construire l’histogramme.05.oire 2. Notre hypothèse H est donc la loi de Gauss-Laplace. Il en est de même du x2. D’où : m=k-p-1. nous savons que les données expérimentales ne sont pas en contradiction avec les différentes hypothèses formulées. 4. Ces contraintes sont constituks par le nombre de paramètres inconnus p figurant dans la loi théorique auquel il convient d’ajouter la valeur 1 car il y a une contrainte implicite qui est la normalisation de la loi de distribution. La preuve par neuf ne dit pas quand l’opkration est juste. Autrement dit. Dkm point de vue pratique. et si les écarts persistent. on rejette l’hypothèse H avec 0 chances de la rejeter à tort. si la preuve par neuf ne donne pas. Cela signifie que l’on prend le risque de rejeter à tort l’hypothèse H avec 5 charms sur cent. on se propose de fabriquer un générateur de nombres aléatoires gaussiens. Un exemple . 5 14. ni de n. soit CII consultant une table figurant à la fin de tous les manuels. Remarque 2 : 71 est le nombre d’observations indépendantes de la variable alCat. i=l PL u est la valeur numérique de la conformité. et k le nornbre d’intervalles de regroupement. Remarque 5 : Parler de probabilité très petite n’a pas grand sens si l’on ne SC fixe un seuil de signification cti. il faut regrouper certains intervalles pour qu’il en soit ainsi. si les deux dernieres opérations sont identiques cela signifie que l’opération peut être correcte ou encore que. Si tel n’est pas le cas. Dans le cas contraire. Remarque S : La variable U obCit à une loi du x2 à rn degrés de liberté lequel est déterminé par le nombre d’intervalles de regroupement k moins le nombre de contraintes auxquelles est soumise la loi. Il est nécessaire d’obtenir un nombre minimum de plusieurs unités ~ voire une dizaine ~ dans chacun des intervalles de regroupement.1 Annexe H. s’il y a une erreur: l’erreur est modulo 9. Remarque 6 : Le test du x2 est à rapprocher de la preuve par neuf. elle dit seulement quand elle est fausse. il est possible de montrer que la fonction de répartition de U ne dépend pratiquement pas de la fonction de repartition F(z). Remarque 4 : Il n’y a pas de difficulté à calculer la probabiliti: 0 de dépasser la valeur numérique U. il y a lieu de vérifier si possible l’expérience. Si cette probabilitt: B est très petite. Dans cc cas.MANUEL DE CALCTJL NUMÉRIQUE APPLIQUÉ Si l’on choisit N = 72.. il y a lieu de chercher une autre loi. l’hypothèse H est vraisemblable c’est-à-dire qu’elle n’est pas en contradiction avec les données exp&imentales. et l’on a : & (Pi -PJ” u = r2. En revanche. Remarque 1 : La loi thkorique dépend dc 1-1 parametres inconnus que l’on va chercher à déterminer.

2 k = 13 m = 13 x = 3. Cela signifie que l’on choisit de rejeter la loi avec 5 chances sur cent de la rejeter à tort. nous avons effectué les regroupements sur 15 sous-intervalles. Nous avons alors obtenu la valeur de u = 7.815.683e-1 p* = 1.037e-4 p” = 9.001 e .207e .144 p=1.1 k = 10 m = 267 x = 1.1 p* = 1. Remarques sur le seuil de signification Le choix du seuil de signification cy est guidé par les conséquences qui pourraient découler du rejet à tort ou de la conservation à tort de l’hypothèse H.868e ~ 1 k=8 m = 724 x = 0. 355 . le nombre de degrés de liberté est 12.620 p=3. Alors dans cette dernière éventualité.668 p = 3. rn le nombre d’occurrences..174e ~ 2 k=4 m = 294 2 = -1.172e-2 k=3 m = 130 x = -1.904e-2 p* = 7.395e-3 k=2 ri-1 = 48 x = -2.417e-3 p’=4.4 k=l m = 18 x = -2. p la probabilité théorique de tomber dans l’intervalle. 4. comme l’hypothèse à tester est la loi normale.180 e .05. Comme le montre le tableau.205e-1 p* = 1.442e-2 k= 12 m = 41 x = 2.178e ~ 2 k=5 m = 481 2 = -0. la valeur de u peut se situer dans deux domaines : le domaine des valeurs possibles u < xl-. Il n’y a aucune raison de rejeter la loi dc Gauss comme hypothèse H. et le domaine des valeurs improbables u > xf-. après avoir calculé U.174e ~ 1 k=6 m = 667 5 = -0. la probabilité dc dépasser la valeur u est. on trouve que les nombres pseudo-aléatoires gaussiens ont une moyenne de 6.0 (nous avons ajouté chaque fois 12 nombres aléatoires à distribution rectangulaire donnCs par la technique de Lehmer).216e .684e .1.628e ~ 1 k=7 m = 765 x= 0. et p* la probabilité empirique.601.05 et un écart type de 1.438e-3 p* =3.169e-2 p* = l.2. x est l’abscisse du début de chaque intervalle.1 p* = 1.7153 p=1. Tableau 24. CRITÈRES DE CONFORMITÉ valeur moyenne 6. D’un point de vue pratique.618 p=1.7132 p = 1.766e-4 Dans ce tableau. les données expérimentales ne la contredisant pas.0 et l’écart type 2.2 p* = 3. le seuil de signification le plus répandu est 0.2 p* =3. 24.142 p = 3.191 p=6.092e-4 p* =9. 0.925e-2 p* =6. k est le numéro de l’intervalle de regroupement. En l’absence de toute considération sur les risques encourus.882e-1 p* = 1.167e .665 p=6.98. Les résultats obtenus sont présentés dans le tableau 24.768e ~ 1 k=9 7-n = 4 9 8 x = 1. Ainsi. On dit aussi que l’hypothèse H est tout à fait vraisemblable.174e-3 k = 14 m=4 x = 3.189 p = 1.766 e . on opérera selon l’un des cas de figure suivants : a. k=O m=4 x= -3.237O p=1. on rejettera l’hypothèse H avec Q chances sur cent de la rejeter à tort . Expérimentalement. expressions dans lesquelles <y est le seuil de signification.094 p=3.1.096 p=8.570 p=8.169e-2 p* = 1.519e-2 k= 11 m = 141 x = 2.239l p=1.

Il faut bien préciser que ces estimations sont des variables aléatoires et nous *http://www.27 0 . 0 0 1 Pour utiliser le critère de Kolmogorov. La probabilit..MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ b.0 p(X) 1.. b. l’unité (71 est le nombre d’cxpcricnces indépendantes). Critère de Kolmogorov (1903-1987) Il s’agit d’un critcrc de mesure de la conformité (ou de la non-conformitc) qui présente un grand inti:rct dans la mesure où il est très simple d’emploi. Le domaine des valeurs probables dcvicnt x:>. Le programme kolmogor . Il s’ensuit qu’il est plus «optimiste » que le précédent critère. on peut aussi avoir des raisons de se mefier à la fois des valeurs trop petit.o 1. on rejettera l’hypothèse H avec Q chances sur cent dc la rcjctcr à tort. Estimateurs La formulation d’une hypothesc H conduit à exprirner une certaine loi dont on recherchera l’éventuelle conformité. il suffit de : a.. à condition toutefois que les écarts soient dus uniquernern a des facteurs aléatoires.com/guilpin/ 356 . Donc : tu = sup IF(z) -F*(z)/.O 0 . 71 est une variable aléatoire.~. on peut avoir des raisons particulières dc SC méfier des valeurs de u trop petites et le domaine des valeurs possibles devient u > xi et le domaine des valeurs improbables u 5 ~2.e dc l’incgalité TJ~ > X est donnfe par l’expression : 30 !Ix2 p(X) = l. on rejettera l’hypothesc H avec o chances sur cent de la rejeter à tort.-m hz1 Voici quelques valeurs dc p(X) : x 0. C’est la probabilité que l’ecart. Dans la dernière éventualité. 5. Les paramètres intcrvcnant dans la loi devront être estimés à partir de l’échantillon. c sur le Web (*) calcule les valeurs dc ccttc distribution.5 2. 9 6 4 0. 6.5 1. Remarque : On notera l’abscncc de degré de liberté dans l’expression dc cc critère. l. 0 2 2 0 .C (-1)‘exp (-2k2X2) = 2x3l)“:+‘exp (-2k”X”).J$. maximal entre les deux répartitions soit non inférieur à la valeur obscrvi‘c. Dans la dernière cvcntualité. Là encore. Bien entendu. chercher dans la table de p(X) la probabilité correspondante.~ 5 u < XT& et les domaines des valeurs improbables u < . calculer 21 puis TI&. Ici la mcsurc de la conformité ‘U est le sup du module dc la différence entre les répartitions theoriquc F(z) et cxperimentale F* (CE).o 0. autrement dit on se méfie des valeurs de u qui se situent dans les queues dc distribution.edpsciences.~ ct IL > x~~. il est possible de montrer que la répartition de v ne dépend pas de F(z) à condition toutefois que la taille de l’échantillon n soit très grand devant.cs ct trop grandes de U. : c. Estimation des paramètres d’une loi inconnue.

on ne choisit pas les estimateurs n’importe comment et il est souhaitable que quelques contraintes judicieusement choisies nous aident à déterminer des estimatcurs les plus «performants » possibles. a est une variable aléatoire dont la loi de répart. En ce qui concerne la variante de rn : 357 . 3. l’cstimateur ü doit converger vers a en probabilité. 6. supposons que l’on réalise n’ expériences ayant fourni chacune une moyenne m.Nous définissons la rnoycnnc au moyen dc l’expression : IC=I En vertu de la loi des grands nombres (théorème de Bernoulli). 2. Il s’ensuit. . La plupart du temps. et l’on parvient à corriger l’estimateur afin que sa nouvelle expression ne soit plus biaisée . D’une façon générale: on peut considkrer une variable aléatoire X qui prend les valeurs . et l’on SC contente seulement des deux premières. a . on dit que l’estimateur est non biaisé. 2. . toutefois on peut d’ores et déjà dire qu’il s’agit dc la formule mathématique utilisée pour effectuer le calcul de l’estimation. Ces remarques nc suffisent pas à concevoir des estimatcurs intéressants et utiles. puis un estimateur Ü du paramètre n qui est une grandeur associée à la variable X. Par exemple.~~ ~3. est urle fonction des {zk}. . lorsque cette condition est remplie.x1 i x2. la notion d’estimateur va se prkiser dans les lignes qui suivent. on souhaite que M[a] = a. n’. Pour obtenir une estimation. . . l’estimation ?71. On peut écrire : on voit alors que l’estimateur n’est pas biaisé. . On dit alors que l’estimation est consis- tante . on leur irnpose donc certaines contraintes dont les trois plus importantes sont les suivantes : 1. Q. Bien sur.ition dépend de celle dc X . CRITÈRES DE CONFORMITÉ n’avons pas accès à la valeur exacte de chacun des paramètres et nous devrons nous contenter de l’estimation du paramètre considéré. toutes deux inconnues. .1. et désignons par ‘rn et D respectivement la moyenne et la variante. et que la moyenne de la moyenne est encore la rnoycnne. mais il convient alors dc le vkifier . z. il faut employer un estimateur. Application à l’estimation de la moyenne et de la variante Rcvcnons à notre variable aléatoire X à valeurs 51. à cc slljet on se souvient que si n est élevé. z. c’est- à-dire que o(a) soit rninimum. j = 1.. on peut souhaiter avoir les estimateurs pour lesquels les erreurs sont les plus petites possibles . Le plus souvent le biais dépend de n. nous avons une très grande chance de trouver la moyenne expérimentale proche de la moyenne théorique (thkorème de Bernoulli). À présent. converge en probabilité vers m.. Par conséquent. 24. il n’est pas possible de satisfaire simultanément ces trois contraintes. que fi..Cas de la moyenne . elle dépend aussi du paramètre inconnu a ainsi que du nombre n d’cxpkriences. souvent. . on désire que l’estimation centrée possède la variante la plus petite possible. Toutes les estimations possibles de a le sont à partir des valeurs {zk}.

la variante de ti est alors minimum. Cela n’est généralement pas vrai avec d’autres lois de répartition.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ il faut connaître la loi de répartition de X pour pouvoir conclure.fi2 et par conséquent l’estimation converge cor- rectement en probabilité (estimation consistante).vii)2 k=l avec fi=- i. alors on peut choisir l’origine des abscisses pour chacune des expériences en mk. En posant y& = xki . les Kn individus sont tirés au hasard indépendamment les uns des autres) : Comme la variante est indépendante du choix de l’origine.fik. nous allons voir que l’estimation est biaisée.L’estimation naturelle de la variante est la variante statistique : D = . Notamment. Maintenant. b . étudions la moyenne de D au travers de cette dernière expression dans laquelle on numérote les expériences (on fait K expériences dans lesquelles chaque échantillon contient n individus. D’où : 358 . k=l Comme D est égal au moment du deuxième ordre non centré moins le carré de la moyenne. on obtient alors : la dernière somme affectée d’un signe moins est nulle car les y& sont des variables aléatoires centrées indépendantes pour lesquelles j est différent de i (il n’y a pas de termes au carré). xi converge en probabilité vers M[X2] tandis que m2 converge en probabilité vers m2.1 -y(Xk n . on peut encore écrire : i xk=. Donc D converge en probabilité vers M[X2] . pour cela nous allons transformer D : soit encore : À présent. cxk.Cas de la variance . il est possible de montrer que si X obéit à une distribution gaussienne.

En revanche. FISZ (1980) Probability theory and mathematical statistics. 24. G. dans le cas général. 7. M. CRITÈRES DE CONFORMITÉ Donc. de Boeck. E. R. RISSER et C. 359 . Moscou. R. P. H. Armand Colin. Gauthier- Villars. Paris.E. Les Presses Agronomiques de Gembloux. la moyenne de D n’est pas égale à 0. On démontre sans peine que ce nouvel estimateur est consistant puisque ~ n . SAPORTA (1978) Théories et méthodes de la statistique.VENTSEL (1973) T héorie des probabilités. 12” édition. DAGNELIE (1973) Théorie et Méthodes Statistiques. TRAYNARD (1969) Les principes de la statistique mathématique. Éditions MIR. Tomes 1 et 2. Moscou. Erreurs. n _ 1.l tend vers 1 quand n tend vers l’infini et qu’il n’est pas biaisé. et l’on dira que D est un estimateur biaisé puisque l’on commgt une erreur systématique en l’utilisant. l’estimation ne donne pas un D minimum. P. Remarque : Ceci justifie le fait que de nombreux ouvrages donnent : 0x k=l comme estimateur de la variante. HURON (1962) Probabilités. B~REL. Krieger. Publications de l’Institut Français des Pétroles. DAGNELIE (1998) Statistique théorique et appliquée. DELTHEIL et R. Éléments de bibliographie S. On corrige aisément en prenant l’opératgur D*=O. AïVAZIAN (1970) Étude statistique des dépendances.

elle prend des valeurs qui sont influencées par . on étudie le comportement de la variable aléatoire dépendante 7 en fonction de la variable non aléatoire 2. la variable aléatoire rl est une mesure entachée d’incertitude. Le risque principal se fonde sur l’utilisation d’estimateurs qui peuvent devenir biaisés lorsque les conditions requises d’applicabilité de la méthode des moindres carrés ne sont pas toutes vérifiées. Voici 1111 exemple simple : l’âge d’un arbre en fonction du nombre de ses anneaux. La dépendance linéaire s’écrira sous la forme : 7 = (az + b) + 6.25 Étude des dépendances dans le cas linéaire Notre étude se limite au cas de deux variables aléatoires dont la dépendance est linéaire.1. Par exemple. 1. À première vue cela peut paraître en désaccord avec la théorie des incertitudes mais ce schéma se rencontre chaque fois que l’on aborde un problème de dénombrernent. Si par rnalheur la liaison entre deux variables est de type curviligne.2: mais aussi par des facteurs incontrôlables. on peut chercher alors à se ramener au cas lineaire par un changement de variables adéquat. Les deux variables X et Y ne sont pas aléatoires Y est complètement déterminé par la connaissance de X. Il s’agit alors d’une dépendance fonctionnelle classique qui prend la forme : Y=aX+b. Dépendance de la variable aléatoire q et de la variable non aléatoire x (schéma de régression) Ici. 1. Quoi qu’il en soit. Ici encore il n’y a pas de difficultes à généraliser les résultats au cas d’un système dépendant linéairement de n variables puisqu’il suffit d’en effectuer l’étude en combinant deux à deux les variables. le but ultime est l’usage de la méthode des moindres carrés appliquée au calcul des paramètres de la « droite de régression » quel que soit le schéma de dépendance lineaire que l’on ctudie. 361 . Les types de schémas de dépendance linéaire 1.2. à ce moment aucun élément aléatoire ne rentre en jeu.

1. cela signifie que y(x) est la moyenne de 7 pour une valeur donnée de x. A est un coefficient connu attaché à la molécule ktudiée. c’est l’expression aléatoire de q. on ne recherche qu’un schéma en moyenne pour x. J’ xi = J’( J’ + 1) yj = l o g . Tableau 25.823 Exemple .L’analyse de la structure fine des bandes d’émission d’une molécule diatomique - ici H Al .176 15 240 3. Sur un graphique. durant ses premiers travaux. La mesure de la pente de la droite permet de calculer T.permet la détermination de la température du plasma émetteur.196 11 132 3. Il s’ensuit que la valeur moyenne de 17 est une fonction linéaire de x : y = as + b. elle est historiquement liée aux travaux de Galton (1822-1911) ~ considéré comme un des fondateurs de la méthode statistique ~ qui avait constaté que.980 17 306 2. on porte en abscisse J’(J’ + 1) et en ordonnée la valeur y. La droite ainsi définie porte le nom de droite de régression. expression dans laquelle Sj est calculé pour chaque raie j.. la pente de la droite en question était négative d’où l’idée de régression. cette dénomination doit être prise comme un simple nom générique.333 14 210 3. 1 on a porté les résultats. La théorie permet d’établir que : lot& ( 23 > = -gJ(J’ + l). $ ( 3) 5 30 4. Pour cela on mesure la surface relative Ij de chaque raie à laquelle un produit de nombres quantiques J’(J’ + 1) est associé.47 12 156 3.196 16 272 2. alors. Le coefficient de la pente ü s’appelle coefficient de régression de y en x.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ expression dans laquelle les termes entre parenthèses expriment la dépendance non aléatoire et S exprime le résidu. c’est-à-dire une loi de variation de la moyenne conditionnelle M[qj x ] en fonction de x. . Sur le tableau 25.941 18 342 2. 6 doit vérifier un certain nombre de conditions : M[S] = 0 e t D[6] = g2.1 ( s. Dans ce schéma. 362 .j= log.37 13 182 3.

il n’est donc pas nécessaire que < le soit. en effet S est centrée.) . On peut écrire : et l’on ajoute : Ad[&. expression dans laquelle 6 exprime le résidu avec comme caractéristiques : M[S] = 0 et D[b] = a’. En effet désignons par 6. . soit encore Y(x) = n/r[q][ = x].3. ÉTUDE DES DÉPENDANCES DANS LE CAS LINÉAIRE La variable xj n’est pas du tout entachée d’erreur tandis que la variable y. Si l’on fait l’hypothèse d’une liaison linéaire entre 77 et <. Remarque : Le cas où les variables 17 et [ sont simplement entachées d’erreur ne rentre pas tout à fait dans ce type de schéma bien que ce soit celui-ci qui soit appliqué. Il y a une contrainte supplémentaire : cette décomposition doit être effectuée de telle sorte que les variables S et 5 soient non corrélées. Dans cc schéma. Ce type de schéma s’applique encore même si la variable x3 fait l’objet de très faibles fluctuations comparées à celles qui affectent la variable yj.as.] = 0 et M[i?. les erreurs qui entachent les variables x et y. Ici encore on s’intéressera à la loi en moyenne et l’on écrira : Y(x) = ax + 6. Cela impose que M[@l = 0. Dépendance de la variable aléatoire q et de la variable aléatoire [ (schéma de corrélation) Les deux variables étudiées dépendent d’un ensemble de facteurs incontrôlables qui rendent fondamentalement aléatoires les variables étudiées 77 et <.7 est sujette à certaines fluctuations incontrôlables qui confère à cette variable un caractère aléatoire. Remplaçons z et y dans l’équation de la régression : qui se transforme : 7 = a< + 6 + (6. alors on est assuré de l’indépendance. on voit que le résidu est corrélé avec [ puisqu’il dépend du paramètre ü à estimer.] = 0. et S. Si la distribution de ces deux variables 6 et < est gaussienne. la grandeur 17 se décompose en deux parties : 77 = (üf + 6) + s. 25. 363 . 1. Cela peut entraîner des ennuis dans le calcul des estimateurs qui risquent de perdre leurs bonnes propriétés évoquées au chapitre 24.

Il importe de vkrifier que l’échantillonnage n’a pas été dirigé. .) obéit à IUIC loi normale dont la rnoyenne ct l’kart type sont donnés par les expressions : M[p(n. CC..)] = y D[p(n)] = y 364 . car les sous-suites ne peuvent pas Ckre trop 101~gucs si le tirage est dû au hasard. l’échantillon extrait de la population parcntc ktudiCc dans l’ordre où ils apparaissent. si. x3. ».MANIJELUE CALCUL NUMÉRIQUE APPLIQUÉ 2. on peut montrer que /L(T~. disons 0 rt 1.. vkifier que trois conditions suivantes sont. remplies : 1.rrrCi on place mi 0. homogénéité des varianccs conditionnelles . 3. de 0 soit uniquernent de 1. les distributions des variables sont gaussiennes. est irnpair. Désignons par x1. L’étude de 1’indCpcndance stochastique des exp@ricnces évoquks dans les schémas t. Il est clair que I-L et X sont des grandeurs qui dépendent de ?z ct on les notera : pu(n) et X(~L). repose sur les remarques suivantes : la suite dc 0 et de 1 est constituCe de sous-suites formkcs soit ur~iquemrnt. 2.ypiqucs de l’analyw dc corrklation-régression peut se rarnener à l’étude de l’ind~pcndan<:e sto&astique des séries dc rkidus (~5~). La valeur empirique dc la médiane Tjrr.f:Ci est l’élément central de la Suit)e des yj. Si l’hypothèse d’indépendance statistique est vraie. On abandonne les éléments qui sont @aux à IC. a .llons reprendre en dktail ces trois points. et yj s’appcllc l’ordre statistique de rang j. on va forrner une suite de deux caractères arbitraires. est inférieure 5 z .) /2 si n est pair.7 ordonné par valeurs croissantes. on doit. été effectuées auparavant et qu’elle n’influence pas non plus les observations suivantcs. On doit s’assurer que l’observation de l’expérience no i est bicn indépendante de celles qui ont. Si la valeur dc zk. On désigne par p le nombre total de sous-suites. on forme une autre suite yj constituk par l’ensemble des x.. indkpcndance stochastique des résultats d’observation (l’échantillon a bien étk tire au hasard) : 2.. 2 y: + y.Test de la suite formée à partir de la médiane de l’échantillon . Nous a. x2. Pour s’assurer que les estirnateurs issus de l’analyse de corrélation-régression sont tout à fait convenables. Fondements de l’analyse de corrélation-régression La détermination des coefficients ü et b s’cffcctue selon la méthode des moindres carrés. On propose plusieurs méthodes de vérification de l’indépendance stochastique des tirages.. c’est-à-dire : YTL+l si n. clic est supérieure on place un 1. À partir de la suite des x3. Il apparaît comme IIIIC question de bon sens que /L doit avoir une valeur «pas trop faible cornparéc à n. . Il s’ensuit que la longueur X de la plus grande sous-suite doit avoir une valeur « pas trop grande comparée à n ».~. Indépendance stochastique des résultats d’observation Il s’agit de vérifier que les échantillons ont bien Cte prélevés au hasard..1. ( À partir de l’échantillon initial des xj. Cette nouvelle suite s’appelle suite variationnelle. L’idCc du test.

c . Par ailleurs.723 1. le nombre de sous- chaînes est 56 et la sous-chaîne la plus longue a la taille 6.722 1.702 1.1.719 1.714 1. On rejettera l’hypothèse tl’intl~p~~rldarlcc stochastique si l’une des inégalités n’est pas vtrifiée avec rnoins de 10 chances sur cent de rejeter la loi d’indi:pendance à tort. Tableau 25.679 1.676 1.73 1.741 1.709 1.708 1.683 1.705 1.692 1.711 1.709 La lecture des dormécs s’effectue ligne par ligne. ÉTUDE DES DÉPENDANCES DANS 13 CAS LINÉ.com/guilpin/ 365 .685 1.706 1.. on forme une suite de 0 ct.746 1.744 1.663 1.712 1.717 1.9Sj/m [ X(~L) < PE [3.742 1.696 1. Ici encore la philosophie demeure la même et l’on comptera le nombre de sous-chaînes PL(~) ainsi que la longueur de la sous-chaîne la plus grande X(n).721 1.69 1.724 1.736 1.701 1.704 1.781 1.708 1.Test des suites ascendante et descendante .706 1.701 1.665 1..748 1.~IRE La distribution de A(*n) est. Il s’agit donc de s’assurer du bicn-fondé de l’indkpendance stochastique du tirage.682 1.725 1.722 1.724 177 1. Aiivazian) : p(n) > PE .663 1.3 (logd~) + 111 1 où PE définit l’opération troncature (partie entière)..733 1.715 1.746 1.723 1.] = 1.2 donne la hauteur d’un échantillon de 100 personnes prélcwks au hasard parmi des conscrits. On peut donc conclure qu’il n’y a aucune raison de repousser l%ypoth&c d’un tirage au hasard. OII calcule : p(n) = 40 et X(B) = 9.698 1.776 1.727 1.706 1.735 1.692 1.708 1.736 1.721 1.715 1.704 1.(n + 1) .696 1.693 1>688 1.703 1.2.719 1.722 1. de 1 à partir de la suite donnk par l’échantillon initial.716 1. b .719 1.686 1.edpsciences.693 1..69 1.712. 1.728 1368 1.711 1.Application à une suite de nombres pseudo-aléatoires .734 1.705 1.692 1.71 1.711 1.74 1.68 1.724 1.687 1.698 1.716 1. On trouvera sur le Wcb (*) lc programme teststat .728 1. Le cas d’égalitk est kart@. Nous avons trouvé x..727 1. c qui rFalise ces simulations ct ces calculs. D’un point de vue pra. Comrne dans le cas précédent.701 1.tiquc on devra *http://www. quelque peu plus cornpliquéc.707 1.Le tableau 25.713 1.694 1.765 1.716 1.713 1.Ce test permet. 25.678 1.723 1.721 1.72 1. de dkceler une tcndancc de dkviation progressive de la moyenne dc la distribution.726 1. On compare chaque ékment au suivant immédiat: s’il est plus grand on place 1111 0 et s’il est plus petit on place un 1. aussi prbfère-t-on utiliser les rkultats suivants (d’aprks S.729 1.723 1.702 1.

on rejettera l’hypothèse d’indépendance stochastique avec moins de 10 chances sur cent de rejeter la loi d’indépendance à tort. soit : q2(n) = ~ 2k+l-Q)2 2(n’ 1) z( on calcule également la variante empirique de l’échantillon : a2(n) = -k( (n: 1) Ic=i xk -xo)2 où x0 est la moyenne de x3.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ vérifier les inégalités suivantes : 327~ .2.1) .96 X0(n) étant donné par le tableau : n n 5 26 26 <n < 153 153 < n < 1170 X0(n) 5 6 7 Si l’une des deux inégalités n’est pas vérifiée. Pour un échantillon de taille supérieure à 20.Test des carrés des différences successives . On rappelle la définition du quantile d’ordre (u : P(x < 21.Application à une suite de nombres pseudo-aléatoires . On obtient pour le nombre de sous- chaînes la valeur 67 et pour la sous-chaîne la plus longue la valeur 3.On analyse le même échantillon (Tab. 25.5(1+u:) où U. Le calcul donne p(n) = 58 et le tableau A(n) = 6. Ici encore rien ne permet. Ta(n) est d’ irec t ement relié à la loi normale et l’on montre que l’on a : %Y x(n) = 1+ Jn+ 0. Toujours à partir de la suite initiale. e .Ce test ne concerne que les données qui obéissent à une distribution normale.) = a. On mesure la «déviation éventuelle B au moyen de la grandeur : r(n) = $fj il s’agit en fait de la demi-moyenne des carrés des écarts ramenée à l’écart type.1. on rejettera l’hypothèse de l’indépendance stochastique des tirages si r(n) < ycy(n). on forme la demi- somme de la moyenne des carrés des différences entre chacun des éléments et son suivant immédiat. est le quantile d’ordre (Y de la loi normale réduite. 366 . d . de repousser l’hypothèse d’un tirage au hasard. page précédente) à la lueur de ce nouveau test.

elle doit être proportionnelle à une fonction connue de 2.2. Le point de pourcentage 100 Q de la variable aléatoire < est la valeur wq telle que P(z > wp) = 1 . On suppose que les variables ont été regroupées dans k intervalles.Toujours sur le même exemple. Quand D[~]Z] est une constante.837. alors : ~[Yl~Ol] = D[ylzoz] = . Autrement dit.00059 et cr”(n) = 0. on trouve dans les tables : & / exp(-$) dJ:=0. ÉTUDE DES DÉPENDANCES DANSLE CAS LINÉAIRE soit si a = 0.00048 puis : y(n) = 1 . qui sera déterminée empiriquement : Le problème qui nous préoccupe maintenant. Homogénéité des variantes conditionnelles La variante conditionnelle D[~]Z] d e 1 a variable dépendante doit rester inchangée. 2 2 8 e t ~o. et la variable aléatoire : A= -t&milog. Il s’agit de vérifier que les différences entre les k valeurs obtenues pour les sf sont dues au hasard ou.y. c’est de connaître un test qui nous permette de juger de l’homogénéité ou non de la série des variantes. au sens statistique. la variante empirique de chaque intervalle est donnée par l’expression : s. 25. ($) i=l 367 . Encore une fois il n’y a pas de raison d’abandonner l’hypothèse d’un tirage au hasard. notée h2(z) (car D est une forme quadratique). On obtient q2(n) = 0. quand I : varie. = D[ylz& = 02. 2.2? = 5 -gyii .Application à une suite de nombres pseudo-aléatoires .65. Remarque : Il ne faut pas confondre le quantile d’ordre a avec le point de pourcentage 100 Q. Si tel n’est pas le cas. dans le cas contraire. D[~]Z] doit être une constante : D[~IX] = a2 = cte.05 est -1.05 .)2 1 i=l où mi est le nombre d’éléments tombant dans l’intervalle de regroupement i et & la moyenne de y dans le même intervalle.F(wq) = Q où F(z) est la répartition de la variable aléatoire <. on examine ce que donne le test. f . Soit ICO~ le milieu de chacun des intervalles.os(n) = 0.05 -00 le quantile d’ordre 0. si l’on doit envisager une tendance systématique à varier en fonction de z.

2. On peut affirmer qu’il n’y a aucm~c raison pour repousser l’hypothkc dc l’homogénéitk des varianccs corlditionnc:llcs..21 192.enue pour chaque valeur de Z.47 234.27 187.80 240. page ci-contre.39 233.3 donne les résultats d’une prcmik expérience qui a i:tk rkalisée 10 fois pour cinq valeurs de la variable :L: qui sont : 5.81 147.MA N U E L DE CALCUL N U M ÉR I Q U E APPLIQUER suit approxirriativcmcnt pour ru. les nornbres ayant été arrondis. 22 ct 27.275.49 215.ll 8 144. été exécutés avec 16 chiffres significatifs.46 155. c qui rkalise cette simnlat.52 6 123.36 185.81 212.3.51 154.19 151. Exemples 1. la douzième la variante et. 17.03 150.87 140. on trouve la valeur h = 5.1 = 4.12. Il faudra alors trouver une fonction hz (22).ion. Ylj Y2j Y3.63 210. on trouvera lc programme varian-1 .edpsciences.22 182. *http://www.82 151.89 Valeur de X 5 10 17 22 27 Remarque : Les calculs ont.98 40.26 22. La onzième ligne donne la moyenne obt.lO 2 123.29 201.8 148.com/guilpin/ 368 . Tous calculs faits. > 2 une loi du x2 à k ~ 1 degrés dc liberté .4.26 210.39 177.19 5 133. mais nous n’en avons report& que 5. dans expression.99 150. On rejettera l’hypothèse de l’indépendance dc la suite des variantes si la valeur empirique dc A tombe dans le domaine des valeurs peu probables dc la variable aléatoire.93 9 128.15 7 116. 10.74 Moyenne 127.95 149. on a noti: : n ktant la taille dc l’khantillon.F réalisée 10 fois pour cinq valeurs de la variable J: qui sont : 70.53 211. donne les résultats d’une deuxiCme expkricnce qui a ét. Sur le Web (*). la treizième les valeurs de CC.44 217.03 229.61 1 134.71 182. Tableau 25. Le tableau 25.31 28. Lc tableau 25.Ol 229.15 207.08 241. et la probabilité de dépasser la valeur A est 0.36 205.92 239.76 213.87 20.61 Variancc 74.36 184.23 190..OO 237.87 160.06 182. 115.02 3 119.67 210.24 238.73 181.i Y4i Y5j 0 125.28 236.86 184.77 4 118.93 220. Le nombre de degrés dc lib&é est 5 . 80. 176 et 212.

ion dc la méthode des moindres carrés que nous avons déjà présentée au chapitre 4 à propos de l’interpolation.27 9 151.5 151.4.8 118. Sur le Web(*) . À prbsent.32 82.516 et la probabilit.com/guilpin/ 369 . mais ce n’est pas pour cela que l’on va renoncer aux mtthodcs d’analyse de corrélatiorl-régression et.33 2 146.57.3 68.47 -57. l’on va chercher 1me loi h”(z) qui rende les variantes homogènes. cn particulier à la méthode des moindres carrés.81 7 140>2 139.5 129.54 60.5 31. En pratique les trois critCres ne sont pas toujours vérifiés sirnultankment.9 113.6 145.edpsciences.3 140.2 107.2 47.7 109.2 dcgrk de libertk.59 30.5 123. Les distributions sont gaussiennes Il faut vérifier le caractère gaussien des yyij pour chaque valeur fixk de 1:.ion des coefficirnts de corrélation par la mbthode des moindres car& conserve toutes les bonnes propriétks à condition que n.2 109.47 3 142.55 76:75 5 155.appelons que l’on a perdu un de@ de liberté en choisissant) h”(z) = exp(z/39.3. Il y a environ deux chances sur 1 0 ‘” dc pouvoir dépasser cette valeur. il n’y a aucune raison de rejeter l’hypothèse dkmc variation cxponenticllc des variances. *http://www. On renonce donc à l’hypothbe de l’homogknéité des varianccs conditionnelles c+. on donne le programme varian-2. ÉTUDE DES DÉPENDANCES DANS LE CAS LINEAIRE Tableau 25.93 38. Conclusions Nous ~O~IS évoquk les conditions idéales d’applicat. quoique l’aplatissement et la dissymktrie rendent kgalcment dc grands services. C’est le critère du xL qui sera le plus souvent utile.5 75.3 115.3 69.36 62.7 96.l 140. 3.8 141. soit grand devant.O 176.l 144.4 55.8 79. c qui réalise cette simulation.o Le calcul de A donne 50.Ol 4 141.3 126.k de dépasser cette valeur est P = 0.o Valeur d e X 70.2 69.2 138.l 81.05 4.l 109.l 59.0) et dOIIC il convient de calculer UI~C valeur du x2 a k .211.85 6 146.8 141.Ol 31.o 80. 1.4 89.9 10941.O 115. 25. les données expbrimentalcs ne la contredisant pas.18 389.91 72. On essaye la loi h”(z) = exp(z/39.73 54.0 212. Il a bté montré notarnmcnt que l’estimat.5 100. 2.34 Variante 61.76 Moyenne 149. R.44 8 165.4 137.0) et l’on recommence les calculs.77 1 155. - Ylj Yzj Y3j Y4j Ysj 0 148.4 112. On trouve alors : A = 4.89 0.

de Boeck. On dit alors que la méthode des moindres carrés est robuste. R. VENTSEL (1973) Théorie des probabilités.E. TRAYNARD (1969) Les principes de la statistique mathématique. 4. Moscou. DAGNELIE (1998) Statistique théorique et appliquée. AÏVAZIAN (1970) Étude statistique des dépendances. Éléments de bibliographie s. Moscou. 370 . CRAMER (1945) MathematicaZ methods of statistic. RISSER et C. H. P. H. Princeton. Gauthier- Villars.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ même si la variable dépendante n’est pas distribuée normalement à condition toutefois que les erreurs de mesure soient indépendantes. Éditions MIR.

c’est au rapport de corrélation que nous aurons affaire.26 Analyse de cordation et de régression 1. Calcul du coefficient de corrélation dans le cas où les variantes conditionnelles sont homogènes Le calcul du coefficient de corrélation et son interprétation ne fonctionnent correctement que dans le cas d’une dépendance linéaire entre les variables aléatoires. que l’on a établi le caractère linéaire de la dépendance entre les deux variables aléatoires 77 et [. nous avons vu que deux variables aléatoires pouvaient avoir une certaine tendance à varier simultanément. 1. et c’est l’étude du coefficient de corrélation qui permet de répondre à la question. La visualisation des données sur un graphique aide fortement à caractériser une éventuelle dépendance .M[E11 (7 .1. il convient de s’assurer de l’existence effective d’une telle dépendance. Pour l’instant. on suppose.~M)I . Si une telle dépendance ne peut être envisagée. c’est la dépendance linéaire qui donne toute sa puissance à l’analyse de corrélation. Ainsi le coefficient de corrélation est défini par l’expression : r zy = M {CE . La corrélation Dans le chapitre précédent. llmm La valeur empirique ou estimateur est donnée par les expressions : soit encore : 371 . Avant de s’attaquer à la détermination des paramètres de la liaison de corrélation.

est un coefficient calculable pour 1111 systkne quelconque de deux variables akatoircs ct sa valeur est.e la corrélation entre.i: de liaison entre les variables. lF. Dans le cas où les distributions des variables rl et < sont gaussiennes. T. Les deux moyennes. Dans le cas où les distributions des variables ‘1 et < ne sont pas gaussiennes. Si 1’011 se place du point de vue du jurist. 1.rv = 0 ne signifie plus l’indépendance. tt. = 0 rnontrc la complète indkpendancc des variables. non plus l’arrêt du véhicule mais le comportcmrnt du chauffeur. Il s’ensuit que 1’iutcrprPtation n’est pas sûre. les deux variantes et le coefficient de corrélation dorment une inforrnation exhaustive sur la dépendance stochastique des variables étudiks.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ expressions dans lesquelles mi est le nombre d’tlkments dans l’intervalle a. Si l’on SC place du point de vue du physicien le feu rouge n‘est pas une cause qui arrête véritablement les automobiles. le coefficient de corrélation ne peut être adoptk que comme l’une des caractéristiques possibles dt l’intensité de la liaison. v. et + est le milieu (centre) de l’intervalle i. lïzyl = 1 ne signifie pas nkcessairement la dépendance linéaire.. et notamment : 1. il n’y a pas d’aspect statistique. 2. 3. le coefficient de correlation admet une signification concrète en tant que caractéristique de l’intensit. Remarque : Une dépendance 6troite entre deux variables aléatoires ne signifie en aucune sorte une interdkpendance causale. Autrement dit la corrélation entre le véhicule et le feu rouge est factice. Il y a une corrélation ktroite entre l’arrêt des voitures et l’apparition d’un feu rouge. Dans le cas où les distributions des variables sont normales et où la taille n dc l’khantillon est grande devant l’unité. Distribution empirique du coefficient de corrélation Le but de ce paragraphe est d’établir le bien-fondt: d’une liaison de corrélation. .. tandis qu’tllc ne l’est pas entre le chauffeur ct le feu rouge. Ainsi : 1. comprise entre -1 et +l.~.1 372 . Quoi qu’il en soit. sa moyenne étant T et sa variancc donnke par l’expression : (g = (1~ ?-“Y T n. 2.. F.2. l’apparition du feu rouge est une causalité à caractère juridique.I = 1 confirme une dépendance fonctionnelle linéaire. Nous verrons en appendice de quelle manière ces expressions sont transformées lorsque les variantes conditionnelles ne sont pas homogènes. on peut alors montrer que la distribution de FCzcu est normale en première approximation.

les rapports de corrélation pslc et pc/./2 est le point de pourcentage lOOa/2 de la distribution normale réduite. On cherche dans la table de la loi de Studcnt la valeur tcY(n ~ 2) du point de pourcentage Q: qui est le seuil de signification que l’on choisit usuellement égal à 0. on rejette alors l’hypothèse d’une liaison de corrélation avec la probabilité û: de la rejeter à tort. et si mesure la dispersion des résultats individuels autour de la moyenne globale y. 1.05. On utilise alors le rapport de corrélation pT. 373 . On évalue les limites du domaine au moyen des relations : u. Le rapport de corrélation est donné par l’expression : avec a=1 si exprime la dispersion des moyennes partielles & autour de la moyenne globale y.) ne sont pas symétriques. 2. rapport de corrélation dans le cas où les variantes conditionnelles sont homogènes Dans le cas où la dépendance s’écarte notablement de la forme linéaire.cr) à condition toutefois que T ne soit pas trop près de 1 et que n soit suffisamment grand (plusieurs dizaines). en revanche. p est compris entre -1 et +l. Contrairement au coefficient de corrélation. Si w < ta(n .2) degrés de liberté. les propriétés de T et de p sont très semblables : 1. la grandeur suit une loi de Student à (n .3. Cas d’une dépendance non linéaire..2). Cette approximation par une distribution normale nous permet de tester l’hypothèse d’une absence de liaison de corrélation. Il en résulte que T appartient à cet intervalle avec un niveau de confiance (1 ./c qui est beaucoup plus sûr parce que son interprétation ne dépend pas de la forme de la dépendance de la régression étudiée. il existe une dependance fonctionnelle univoque entre 17 et < et réciproquement. Si jpl = 1. Si T = 0. Intervalle de confiance pour la vraie valeur du coefficient de corrélation . le coefficient de corrélation perd son sens en tant que caractéristique de l’intensité de liaison entre les deux variables aléatoires. soit T = 0. 26. ANALYSE DE CORRÉLATIONETDE RÉGRESSION Il faut noter que cette approximation devient très grossière pour n prenant des valeurs de quelques unités ou pour T voisin de 1 en valeur absolue.On utilise le fait que la distribution de T est normale.

< . 2=1 2=1 où zi et yi sont les centres des intervalles de regroupement respectivement pour z et pour y. Dans le cas d’une dépendance linéaire.. Ici encore.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 3. si pv/( = 0. On pose alors : 1 1 wfi = h2(xi) et wgi = g2(yi) Wf=Cwfi e t Wg=Cw..C suit une loi normale pourvu que n soit au moins de l’ordre de quelques dizaines. Dans le cas contraire.. Cas où les variantes conditionnelles ne sont pas homogènes On suppose alors que l’on a trouvé les deux fonctions h2(x) et g”(y) qui rendent homogènes les variantes conditionnelles : LI[ql< = x ] = a. par conséquent. Absence d’une liaison de corrélation . les deux caractéristiques coïncident et. la différence $.XiYi ~ XY-. = {( Z-1 )C g ix1 {s&/“&/}1’2 374 . 1.(n . cela veut dire que la liaison étudiée est statistiquement significative.$ CWgiXitJi . Remarque : Il est possible de montrer que le rapport de corrélation ne peut être inférieur à la valeur absolue du coefficient de corrélation r. dans le cas où : on cherche dans la table de la loi de Student la valeur t. Les moyennes vi ne dépendent pas de x.h2(x) et D[EI77 = Y1 = $i72(Y).F& est une mesure de l’écart de la dépendance de régression par rapport à la forme linéaire. $. L’absence d’une liaison de correlation entre 7 et [ signifie que p71c = 0. autrement dit la droite correspondante de régression est parallèle à l’axe horizontal. on le fait avec la probabilité cz de la rejeter à tort. et la non-corrélation de q et < ne signifie pas nécessairement la non-corrélation de < et 77. Réciproquement. Dans ces conditions. alors & = ?j. Remarque : Il n’y a pas de dépendance simple entre pslE et P</~.ic)1-12 F. on a une autre expression du coefficient de corrélation : j$j $ Wf.4.Tout comme le coefficient de corrélation. Si l’on est amené à rejeter l’hypothèse d’une liaison de corrélation.2) du point de pourcentage CY qui est le seuil de signification.

il existe entre les variables une liaison du type de celles que nous avons évoquées au chapitre précédent . il s’agira alors de décrire une dépendance curviligne et l’on utilisera une parabole de degré peu élevé. Maintenant. il s’agit de déterminer la forme générale de la liaison étudiée. elle sera obtenue en règle générale par la méthode de moindres carrés à partir des données expérimentales. g i=l g 2=1 Les relations surmontées d’une barre sont obtenues avec les valeurs de h2(zi) tandis que celles surmontées d’une double barre sont obtenues avec les valeurs de g”(yi). la connaissance de la nature du problème est utile pour orienter les choix adéquats. 375 . cependant. Les seuls renseignements dont nous disposons sont les données expérimentales. Dans le cas où la dépendance n’est pas linéaire. puis d’estimer les paramètres entrant dans l’expression analytique de la liaison. le rapport de corrélation prend la forme suivante : 2. = $ Cwgi(yi . 26. Régression linéaire L’analyse de corrélation nous a montré que deux variables aléatoires sont liées. D’une façon semblable.c)2. Il n’y a pas de méthode standard pour obtenir la forme analytique de la liaison.wgi(xi .1. Il convient d’ajouter que les fonctions à partir desquelles la liaison entre les variables est décrite doivent être linéaires par rapport aux paramètres à déterminer. C’est pour cette raison que l’on demande la linéarité des fonctions par rapport aux paramètres à déterminer : la dérivation de la forme quadratique (définie positive) par rapport à chacun des paramètres à déterminer nous conduit à l’obtention d’un système linéaire que nous savons résoudre.E)" et 2. Pour ce qui concerne l’estimation des paramètres. Remarque : Le signe de T doit coïncider avec le signe des facteurs sous le radical (les signes des expressions situées entre les accolades sont les mêmes). 2. ANALYSEDE CORRÉLATIONETDE RÉGRESSION sz =2 = $ g. Calcul des paramètres par la méthode des moindres carrés On suppose que nous avons vérifié sur les variables aléatoires x et y un certain nombre de propriétés qui sont les suivantes : 1.

soit : et wi = h2(x2) Calcul de la droite de régression .S?J -=TA. 2. on minimise la somme des carrés des résidus c’est-à-dire la variante empirique s2 des données expérimentales par rapport à cette droite. il convient d’obtenir des estimateurs de a et b’. on transforrne la variable de telle sorte qu’on trouve une forme linéaire.2. Méthode des moindres carrés Pour déterrniner la droite empirique de régression.I SX 376 . Si on dérive l’expression de s2 par rapport à ü et b et qu’on annule les dérivées. la forme de la régression est linéaire du type Y = aX+b’. c’est-à-dire que la valeur du coefficient de corrélation ou du rapport de corrélation est suffisamment éloignée de zéro pour que l’hypothèse d’une absence de liaison de corrélation ne puisse pas raisonnablement s’expliquer par des fluctuations dues au hasard. les variables sont gaussiennes et les résultats d’observation sont bien dus au hasard : 3..Notons d’abord qu’il est plus habile d’effectuer les calculs de la droite par rapport au barycentre des abscisses qui n’est rien d’autre que la moyenne de 2. On écrira donc la loi sous la forme : avec jj-. Si cela n’est pas le cas. Il faut bien comprendre qu’il s’agit effectivement d’estimateurs car ces valeurs dépendent de l’échantillon.MANUEL DE CALCUL NUMÉRIQUE APPLIQUÉ 2. non seulement les calculs se retrouvent beaucoup plus aisément par ce procédé mais a et b s’avèrent être des variables (estimateurs) stochastiquement indépendantes à la différence des variables (estimateurs) à et 6’. ns$ ns?. 4. on obtient alors : et -. la variante de la variable dépendante satisfait soit à l’homogénéité des variances condi- tionnelles D[~l<1 = cri. la liaison étudiée est statistiquement significative. 5. 5 " ~_ yixi ~ nxy mfyixi . i=l Cette remarque n’est pas une coquetterie. soit à une certaine loi h’(x) qui rend les variantes conditionnelles homogènes D[~/lz] = a2h2(x) . nxy IfA& a= i=l i=l .t cxi. En définitive.

Y(Xi)]’ i=l r=l à la suite de quoi.& .y.2)5 < b < b + t. 2.. on trouvera le programme regres .Z) + b est inconnue.2(n . a ~ t.com/guilpin/ 377 . *http://www.z) + 6.2)A < a < E+tn. .& . 26. Estimation de la précision a . La distribution de Student à (n ~ 2) degres de liberté permet de résoudre le problème qui consiste donc a déterminer la précision sur les coefhcients a et 6.CX) de tomber dans . 2.3. on obtient un autre jeu d’expressions : b = & c uiyi = jj = 1L ’ c wimigi i=l wimi i=l c i=l et On remarquera que b n’est plus simplement relie au coefficient de corrélation comme dans le cas d’une variante constante.edpsciences. nous pouvons affirmer que : 1. On calcule pour ce faire les quantités suivantes : Sf = i 2 [xi .2(n-2)L avec la probabiliti: (1 . Sur le Web (*). alors que la droite Y = a(z .Il s’agit de déterminer les intervalles de confiance pour la ligne de régression inconnue à partir de l’expression de la droite estimée : Y = a(x .. fi S:Xfi~ chacun de ces intervalles. b-t a.Z12 et s2 = f 2 [y.Sur /es paramètres 5 et 6 . c qui calcule l’incertitude sur la pente de la droite de régression. ANALYSE DE CORRÉLATION ET DE RÉGRESSION avec Dans le cas où O[v]<] = C~~‘(X).‘45.

MANUEL DE CALCUL N U M ÉR I Q U E APPLIQUÉ

b - Pour une valeur donnée x0 de la variable x - On peut montrer que la variable :

suit pour toute valeur fixée de IL: la distribution de Student à (n - 2) degrés de liberté.
La différence entre la valeur moyenne empirique Y(Q) et la valeur théorique Y(Q) ne dépasse
pas en valeur absolue la grandeur :

c - Cas des variantes conditionnelles non homogènes - Il est bien entendu que toutes les
formules de ce paragraphe doivent être modifiées au cas où les varianccs conditionnelles ne sont
pas constantes. Les expressions prennent alors la forme suivante :

1 . b-t4(72-2) & <b<b-Q,(n-2) +

c wim,
ù i=l

2. UE

avec

e t Z =&- -g wixi.
i=l

2.4. Régression multilinéaire, estimation de la précision
À la fin du chapitre concernant l’interpolation, nous avons étudié les systèmes linéaires surdé-
terminés qui s’écrivent :
m
c
k=O
alkxk f ak = 0,

378

26. A NALYSE DE C O R R ÉL A T I O N ET DE R ÉG R E S S I O N

pour 1 = 0, 1,2,. . , n. Soit en notation matricielle :

AX=b, (26.1)

A étant une matrice de n lignes et de m colonnes (avec m < n). Le système des équations
normales associé au système surdétermine s’écrit alors :

[ATA]X = [AT]b, (26.2)

expression dans laquelle AT est la matrice transposée de la matrice A. Il est intéressant de pou-
voir estimer les incertitudes qui entachent les résultats obtenus. La résolution du système (26.2)
fournit une solution que l’on note Z(&, [i, [z,. . , trn) et 1 ‘on désire obtenir les valeurs de la
dispersion LTI, sur chacune des valeurs &. Pour cela on calcule d’abord la dispersion <T sur les
valeurs des seconds membres, on l’obtient en calculant d’abord la somme des carrés des résidus :

R2=g [@k+~k]‘>

a est donné par l’expression suivante :

C+L.

Désignons par dlk les éléments de la matrice D = [ATA]-’ (’inverse de la matrice des équations
normales). Alors la dispersion ak sur chacune des valeurs <k: est donnée par l’expression :

Il est aisé d’obtenir la matrice de corrélation rqp entre les variables zq et xp :

Le programme surdeter. c mentionné à la fin du chapitre 6 sur l’interpolation s’occupe de
calculer la matrice de corrélation et les incertitudes sur les valeurs calculées des inconnues; le
détail des calculs se trouve dans l’ouvrage de H. Mineur cité en bibliographie.
Remarque : Si le coefficient de corrélation entre deux variables est proche de l’unité (hormis
les éléments de la diagonale), cela signifie qu’il faut supprimer dans le modèle l’une des deux
variables.

3. Éléments de bibliographie
S. AÏVAZIAN (1970) Étude statistique des dépendances, Moscou.
H. CRAMER (1945) Mathematical methods of statistic, Princeton.
H. MINEUR (1938) Technique de la méthode des moindres carrés, Gauthier-Villars.
R. RISSER et C.E. TRAYNARD (1969) Les principes de la statistique mathématique, Gauthier-
Villars.
H. VENTSEL (1973) Théorie des probabilités, Éditions MIR, Moscou.

379

ANNEXES

A. Les suites de Sturm. Application à la détermination
du nombre de racines réelles d’un polynôme . . . . . . . . . . . . . . . . 383

B. Polynômes orthogonaux relativement à une fonction poids.
Généralisation de la méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 389

C. Les fractions continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397

D. Les approximants de Padé et de Maehly . . . . . . . . . . . . . . . . . . . . . . . . 405

E . Calcul des fonctions de bibliothèque élémentaires . . . . . . . . . . . . . 421

F . Calcul numérique des fonctions de Bessel . . . . . . . . . . . . . . . . . . . . . . . 429

G . Éléments suc