Mthodes d'intgrations

Approches dterministes
Quadratures

Approches dterministes
Quadratures

Qu'est ce qu'intgrer
Intgration
Mesurer l'aire sous une
courbe.

b
y

f ( x )d x
a

f(x)

I = f ( x )d x
a

Dfinitions :
f(x) est l'intgrande
a = borne infrieure
b = borne suprieure
3

http://numericalmethods.eng.usf.edu

Intgrale au sens de Riemann

I n = f ( x k )( x k x k 1 )
k =1

xn

lim I n= f ( x )= I
n

x0

Intgration numrique 1D - Rectangles

Mthode des rectangles

n

A droite

ba
I n=
f (xk)

n k =1
n

A gauche

Convergence

Si f est C0 : O (n-1)

ba
I n=
f ( x k1 )

n k =1

Intgration numrique 1D Points du milieu

Mthode des points du milieu

n

x k +1 x k
ba
I n=
f

n k =1
2

Convergence

Si f est C0 : O (n-1)

Si f est au moins C2 : O (n-2)

Intgration numrique 1D

Intervalles uniformes

Mthode des rectangles

Convergence
n

ba
I n=
f (xk)

n k =1

O(n-1)

Mthode des trapzes

ba
I n=
f ( x k1 ) +f ( x k ) )

(
2n k =1

Formule de Simpson

O(n-2)
f

ba
I n=
f ( x k1 ) +4 f ( x k 1/ 2 ) +f ( x k ) )

(
6n k =1

O(n-4)

Quadrature de Gauss en 1D
M

I =1 f ( x ) d x W m f (m )
m=1

Positions d'intgration

Poids

Les poids et les positions maximisent la prcision

M positions pour l'espace des polynmes de degr 2M-1

Le calcul des intgrales est exact sur cet espace
1

pP 2 M 1 ,1 p (x )d x= W m p( m )
m =1

Les positions sont les racines du polynme de Legendre

Base de polynmes orthogonale sur [-1,1]

1 d M ( 2 )M
P M ( x)= M
( x 1 )
M
2 M!dx

1D - M = 1
1

I =1 f ( x )d x=w1 f ( x 1 )
Pour les polynmes de degr au plus 1
Pour f(x) = 1
Pour f(x) = x

w1=2
x 1=0

1D - M = 2
1

I =1 f ( x )d x =w 1 f ( x 1 )+ w 2 f ( x 2 )
Pour les polynmes de degr au plus 3
Calcul des positions, racine de
2

d ( 2 )2
2
( 1 )=0=4(3 1)
2
d

1= 3 , 2 =

3
3

Calcul des poids

Pour f(x) = 1
Pour f(x) = x

w1+w 2=2
w 1+ w 2=0

w1 w2 1

2D M = 2

1
3

I =1 1 f ( s , t ) d s d t

1
s

1
3

I 1
M

W j f (s , t j )
j =1

ds

En utilisant la forme 1D pour t

W i W j f ( si ,t j )
i =1 j=1

En utilisant la forme 1D pour s

Quadrature de Gauss 2D : domaine triangulaire

Intgrale sur le domaine de rfrence
t
1

1t

I =t =0 s=0 f (s , t )d s d t
N

1
s=1-t
1

W n f ( sn , t n )
t

n=1

Contraintes sur les poids fonction constante

Si f(s,t)=1

1
I =t =0 s=0 f (s , t )d s d t=
2
= n W n
1

1t

1
n W n =
2

Quadrature de Gauss sur un triangle : M = 1

f( s , t )~

1
s t

1
I
2

1/3
1/3
1

1 1
f ,
3 3

Dmonstration
Les polynmes de degr 1 s'crivent

f( s, t )= s+t
En intgrant, on obtient

1
1
1
t 0 s0 f (s, t ) dsdt 2 1 3! 2 3! 3
1t

D'o la contrainte
1

1t

t =0 s =0 f (s ,t ) d sd t=W 1 f (s1 , t 1 )
1
1
+ =W 1 ( s 1 +t 1 )
3! 3!
Ainsi

1
1
1
W1 ; W1 s1 ; W1t1
2
3!
3!

Quadrature de Gauss sur un triangle : M = 3

Solution exacte pour tous les polynmes de degr au plus 2

f( s,t )=

1
s t
2
2
s st t

t
1/2
1

1 2

1/2
3

1 1 1 1 1
1
1
I f , + f ,0 + f 0,
6 2 2 6 2
6
2

( ) ( ) ( )

Quadrature de Gauss sur un triangle : M = 4

Solution exacte pour tous les polynmes de degr au plus 3

f( s,t )=

t
(0.2,0.6)

s t
2
2
s st t
s3 s 2 t st 2 t 3

(1/3,1/3)

1
3
(0.2,0.2)

1(0.6,0.2)

27 1 1 25
25
25
I f , + f ( 0 .2,0 . 6 )+ f ( 0 .2,0 . 2 ) + f ( 0 . 6,0 . 2 )
96 3 3 96
96
96

( )

Recommended order
of integration
Finite Element
Procedures
by K. J. Bathe

Convergence et dimension

En 1D

Convergence en O(n-(c+1))

c = continuit de la fonction

En dimension plus leve d

Pour n valeurs / mailles

Taille intervalle 1D n1/d

Convergence en O(n-(c+1)/d)

Mthodes d'intgrations
Approches stochastiques

Mthode / algorithme probabiliste

Principe : introduire de l'alatoire

Choix de solutions alatoires, et garder la meilleure

Mlanger les donnes

Choisir des valeurs alatoires

Pour l'intgration : intgration de Monte Carlo

Probabilit en espace continue : 1D

chantillons alatoires {Xi}

Densit de probabilit (PDF)

Probabilit associe

pdf ( x ) 0
P [ X i [ x , x+dx ] ] = pdf ( x ) d x

Probabilit totale

pdf ( x ) d x=1

Probabilit en espace continue : 1D

Fonction cumulative (CDF)

a

cdf (a)=P ( X [ , a] )= pdf ( x ) d x

P [ Xi [ a , b ] ] =cdf ( b ) cdf ( a )

CDF vs PDF
pdf ( x)= sin ( x )
2
( 1cos ( x ) )
cdf ( x ) =
2

1.5

0.5

0.2

0.4

0.6

0.8

Intgrale de Lebesgue

Plus gnrique que Riemann

Notion de mesure de l'espace () 0

I= f ( x) ( d x )

Esprance Variance cart-type

Esprance : valeur moyenne

E [ g( X )] = g ( x ) pdf ( x ) d x

Variance : distance au carr la moyenne

2

V [ g ( X )] = ( g( x)E [ g( X )] ) pdf ( x ) d x
V [ g ( X )] =E [ g ( X ) ] E [ g( X )]
2

cart-type : distance la moyenne

[ g( X ) ] = V [ g( X )]

Mthode de Monte Carlo

Estimateur

1
1
I n =
f ( X i)
i =1 n pdf ( X i )

I n = i f ( x i )
i =1

Biais

Diffrence valeur attendue vs cherche

Estimateur sans biais

biais=E [ I n ] I
biais=0

Convergence

Variance
2
n

V [ I n ] =E [ I ] E [ I n ]

Convergence

Meilleur choix de la PDF

1
= V[ I1]
n

1
[ I n ]= [ I 1 ]
n

1
pdf ( x ) = f ( x ) V [ In ] =0
I

Choix de la PDF / Importance Sampling

Algorithme d'chantillonnage

En fonction d'une PDF

i = nombre alatoire uniforme (drand48(), )

xi cdf-1(i)

Choix de la PDF

1
pdf ( x ) =
f (x)
f (x )d x

Rappel, l'idal

Approximation par une fonction proche

Doit tre intgrable

L'intgrale doit tre inversible

Importance Sampling
2

pdf ( x)= sin ( x )

2
(1cos ( x ) )
cdf ( x)=
2

1.5

0.5

0.2

0.4

0.6

0.8

Choix de la PDF / Importance Sampling

Algorithme d'chantillonnage

Choix de la PDF

Version tabule

chantillonnage de la fonction intgrer

PDF constante par morceau

CDF linaire par morceau

Calcul de lchantillon en O( ln (k) )

Dfinitions xD

Xi = (X1,i, ...... , Xn,i)

Probabilit conditionnelle

Probabilit de Xj,i sachant que l'on connat les autres

Proprits (Bayes)

pdf ( x j{ x k ,k j } )0

pdf ( x 1, .. , x n ) =pdf ( x j{ x k , k j } ) pdf ( x 1 ,... , x j 1 , x j+1 ,... , x n )

pdf ( x 1 ,... , x j 1 , x j+1 ,... x n ) = pdf ( x1 ,.. , x n ) d x j

Dfinitions xD

Xi = (X1,i, ...... , Xn,i)

Variables indpendantes

pdf ( x j{ x k , k j } )= pdf ( x j )
pdf ( x 1, .. , x n ) = j pdf ( x j )

Dfinitions xD

Xi = (X1,i, ...... , Xn,i)

CDF conditionnelle
aj

cdf ( a j{ a k , k j } ) = pdf ( x j{ x k =a k , k j } ) dx j
aj

cdf ( a j{ a k , k j } ) =

pdf ( x 1 ,... , x n ) dx j
pdf ( x1 ,... , x j 1 , x j +1 ,... , x n )
aj

pdf ( x 1 ,... , x n ) dx j

cdf ( a j{ a k , k j } ) = +
pdf ( x 1 ,... , x n ) dx j

Importance Sampling xD

Exemple en 2D: (X,Y)

Donnes

CDF(X)

CDF(Y|X)

Algorithme

e1 et e2 : valeurs alatoires

X tel que e1 = CDF(X)

Y tel que e2 = CDF(Y|X)

Convergence et dimension

En 1D

Convergence en O(n-(c+1))

c = continuit de la fonction

En dimension plus leve d

Pour n valeurs / mailles

Taille intervalle 1D n1/d

Convergence en O(n-c/d)

Monte Carlo en O(n-1/2)