Vous êtes sur la page 1sur 179

ANALYSE NUMERIQUE

Samuel BOWONG

Université de Douala, Cameroun

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 1 / 179


Objectifs généraux

Ce cours a pour objectifs de présenter des méthodes numérique


permettant de résoudre avec un ordinateur des problèmes mathématiques
en ingénierie biomédical qui ne peuvent être traités simplement avec une
feuille et un stylo.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 2 / 179


Plan

1 Préliminaires
2 Représentation en virgule flottante, stabilité et conditionnement
3 Interpolation et approximation
4 Résolution approchée d’intégrales
5 Résolution approchée des systèmes linéaires
6 Résolution approchée des équations et systèmes d’équations non
linéaires
7 Résolution approchée des équations différentielles ordinaires

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 3 / 179


Objectifs spécifiques
Concevoir et d’étudier des méthodes de résolution de certains
problèmes mathématiques (en général issus de la modélisation de
problèmes ”réels” rencontrés en Ingéniérie pétrolière), et dont on
cherche à calculer la solution ou son approximation à l’aide d’un
ordinateur ;
Définir ou au moins de donner une idée de ce qu’est le calcul
numérique, si possible par des exemples précis afin de plus marquer
les esprits ;
Présenter quelques concepts généraux et transversaux, rencontrés
dans toutes les applications ou presque du calcul numérique ;
Développer des compétences de base en calcul numérique
(convergence des algorithmes, analyse de l’erreur, formulation
correcte des problèmes sous forme mathématique) ;
Pratiquer la mise en oeuvre de ces compétences en exploitant de façon
optimale toutes les ressources disponibles (programmation efficace,
utilisation intelligente de logiciels, visualisation des résultats etc.)
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 4 / 179
Evaluation

Flash CC TPE Examen+TP


Pourcentage Bonus (0%) 20% 10% 70%

Les contrôles continus et l’examen final sont d’une durée de deux heures
chacun.
Matériels autorisés : Calculatrice+Ordinateur

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 5 / 179


Stratégies pédagogiques

Quatre heures de cours par séance dont deux heures de cours magistral,
une heure de travaux dirigés et une heure de travaux pratiques. Théorie
accompagnée d’exemples. Pour guider l’étudiant, nous donnerons un
problème modèle simple sur lequel nous introduirons les principaux
concepts et mécanismes, chaque fois illustrés par des petits programmes
Matlab qu’il pourra faire tourner pour comprendre. Quatre de travail
personnel de l’étudiant par semaine. Il s’agira de donner des devoirs à faire
à la maison. Sous la supervision de l’enseignant, les travaux dirigés
permettront de corriger des exercices ou de compléter les notions vues au
cours ou de corriger le travail personnel de l’étudiant. Afin d’encourager
les étudiants à apprendre leurs leçons au jour le jour, deux contrôles
continues seront organisés..

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 6 / 179


Préliminaires
Quelques exemples de problème de méthodes numériques de
génie pétrolier : Etude de la viscosité dynamique d’un liquide en
fonction de la température : représentation des données par un
modèle
La variation de la viscosité dynamique µ de l’eau en fonction de la
température T est modélisée par la formule de Walther :
!n
T0
ln µ0
µ=e T ,
où µ0 est la viscosité de ce liquide à la température T0 = 273o K et
T = t + T0 . Après une série de mesures, on a relevé les valeurs suivantes
de µ (en Poise) et de t (en o C ) :

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 7 / 179


Préliminaires

Quelques exemples de problème de méthodes numériques de


génie pétrolier :Etude d’un système de pompage (système
d’équations non linéaires
On se propose d’étudier le système de pompage décrit par la figure
ci-dessous :

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 8 / 179


Préliminaires
Quelques exemples de problème de méthodes numériques de
génie pétrolier :Etude d’un système de pompage (système
d’équations non linéaires
Théoriquement, on montre que les différentes grandeurs H, Q1 , Q2 et Z
sont liées entre elles par les équations suivantes :
 AQ12 + BQ22 + 1 = Z ,
  
 Q = Q1 + Q2 ,  A = 4854
où , et B = −1576 ,
AQ12 + CQ22 + 40 = H, H = 51cm C = 14279
  

où les valeurs de Z (en m) sont les suivantes :

-0.01 -0.15 -0.2 -0.31 -0.43 -0.58 -0.69 -0.75 -0.86 -0.92 -
On se propose de donner la procédure de calcul permettant de trouver les
débits volumiques Q1 et Q2 dans les deux branches de la jonction.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 9 / 179
Quelques exemples de problème de méthodes
numériques de génie pétrolier
Procédés de séparation chimique
Les procédés de séparation chimique telle la distillation, l’extraction ou
l’absorption consistent à faire passer les produits à séparer au travers une
série d’étages où un équilibre thermodynamique permettra de séparer les
composants. Considérons un procédé d’absorption gaz-liquide à n étages.
Par exemple, ce type d’unité peut être utilisé pour retirer le dioxyde de
souffre (SO2) présent dans les gaz de combustion à l’aide d’un liquide
absorbant.
Un liquide ayant un débit molaire L est alimenté au haut de l’unité de
séparation et un gaz à un débit molaire G est introduit au bas de l’unité.
La fraction molaire du composé absorbé dans la phase liquide à l’étage k
de séparation est notée xk , la fraction molaire du composé absorbé dans
l’alimentation liquide est notée xf , la fraction molaire du composé dans
l’alimentation gazeuse est notée yf et H est la fraction de retenue.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 10 / 179
Quelques exemples de problème de méthodes
numériques de génie pétrolier
Procédés de séparation chimique
En utilisant les hypothèses simplificatrices nécessaires et en réalisant les
bilans molaires sur chacun des composés à chaque étage, nous obtenons le
modèle mathématique suivant :
dx1


 τ = K (yf − b) − (1 + δ)x1 + x2 ,

 dt
dx2


= δx1 − (1 + δ)x2 + x3 ,


 τ

 dt
 dx3


τ = δx2 − (1 + δ)x3 + x4 ,
dt


 ...
dx

n−1

τ = δxn−2 − (1 + ∆)xn−1 + x( n),




 dt
 τ dxn


= δxn−1 − (1 + δ)xn + xf ,

dt
H
où τ =
Samuel L représente
BOWONG ( Samuelle tempsANALYSE
BOWONG) de résidence du liquide à chaque étage, 11 / 179
NUMERIQUE
Quelques exemples de problème de méthodes
numériques de génie pétrolier

Système hydraulique
Considérons un système hydraulique formé d’un ensemble de réservoirs
situés à des altitudes différentes et dont le contenu liquide s’écoule “en
cascade” des réservoirs les plus élevés vers les réservoirs les plus bas sous
l’action de la gravité. Un exemple est illustré à la figure 1. Il s’agit
clairement d’un système à compartiments dont le graphe associé est
représenté à la figure suivante et dont les équations de continuité
s’écrivent : 
 ẋ1 = q01 − q12 − q13 ,
ẋ2 = q12 − q23 , (1)
ẋ3 = q13 + q23 − q30 .

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 12 / 179


Quelques exemples de problème de méthodes
numériques de génie pétrolier
Système hydraulique
Dans ces équations, les variables d’état x1 , x2 et x3 désignent évidemment
les volumes d’eau contenus dans les réservoirs et les flux qij représentent les
débits s’écoulant des réservoirs supérieurs vers les réservoirs inférieurs.
Pour compléter le modèle, il faut exprimer ces flux en fonction des
variables d’état et de signaux d’entrée convenablement choisis. Le débit
fourni par la pompe d’alimentation du réservoir supérieur peut
clairementêtre choisi comme variable d’entrée. Le débit de sortie qij de
chaque réservoir est une fonction positive du volume xi du réservoir.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 13 / 179


Quelques exemples de problème de méthodes
numériques de génie pétrolier

Système hydraulique

Figure – Graphe associé à la cascade de résevoirs

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 14 / 179


Quelques exemples de problème de méthodes
numériques de génie pétrolier

Système hydraulique
La forme de cette fonction dépend de la forme du réservoir et de la
configuration de l’orifice par lequel l’eau s’écoule. Considérons le cas où les
réservoirs sont de section horizontale constante et où l’écoulement
s’effectue par un orifice rectangulaire situé au bas des réservoirs. La
hauteur de l’eau dans un réservoir est notée :
xi
hi = ,
Si
où Si désigne la section du réservoir.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 15 / 179


Quelques exemples de problème de méthodes
numériques de génie pétrolier

Système hydraulique
Selon les lois de l’hydraulique, nous savons que, lorsque la hauteur de l’eau
hi est grande par rapport à la hauteur de√l’orifice, la relation entre le débit
et la hauteur d’eau est proportionnelle à hi (loi de Torricelli). Par contre
lorsque la hauteur de l’eau√est inférieure à la hauteur de l’orifice, le débit
devient proportionnel à hi hi (loi de l’écoulement pour un déversoir de
forme rectangulaire).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 16 / 179


Quelques exemples de problème de méthodes
numériques de génie pétrolier

Système hydraulique
On peut dès lors proposer un modèle de la forme :

αij hi hi
qij = ,
βij + hi

où αij et βij sont des constantes positives. En effet, ce modèle vérifie bien
la pro- priété que pour√de faibles hauteurs d’eau (hi << βij ), le débit qij
est proportionnel à hi hi tandis √ que pour des hauteurs d’eau élevées
(hi >> βij ), le débit qij est hi . On peut exprimer qij en fonction de xi :

kij xi xi αij
qij (xi ) = avec kij = √ .
Si βij + xi Si

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 17 / 179


Quelques exemples de problème de méthodes
numériques de génie pétrolier

Système hydraulique
Alors le modèle d’état s’écrit finalement :
 √ √
k12 x1 x1 k13 x1 x1
ẋ1 = − − + u,





 (S1 β12
√ + x1 ) (S1 β13 √ + x1 )
 k12 x1 x1 k23 x2 x2
ẋ2 = − , (2)

 (S1 β12 √+ x1 ) (S2 β23 √ + x2 ) √

 k13 x1 x1 k23 x2 x2 k30 x3 x3
 ẋ3 = + − .


(S1 β13 + x1 ) (S2 β23 + x2 ) (S3 β30 + x3 )

On se propose de trouver le contenu liquide de chaque réservoir à chaque


instant t ≥ 0.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 18 / 179


Méthodologie
Système hydraulique
Le traitement d’un problème de calcul scientifique comprend en général six
phases dont la disposition est la suivante

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 19 / 179


Méthode de résolution approchée

Introduction
Les cours traditionnels de mathématiques fournissent des théories et de
méthodes permettant de résoudre de façon analytique un certain nombre
de problèmes. Dans ce cas, même si l’on dispose de plusieurs méthodes
pour résoudre un problème donné, elles conduisent à un même résultat,
précis et unique.
L’objet de l’analyse numérique est de concevoir et d’étudier des méthodes
de résolution adaptées à certains problèmes mathématiques, en général
issus de la modélisation de problèmes réels, et dont on cherche à calculer
la solution ou une solution approchée, à l’aide d’un ordinateur. Cela est
rendu nécessaire car la modélisation de phénomènes physiques conduit
fréquemment à des problèmes dont la taille est très importante ce qui
empêche la résolution analytique ; leur résolution demande alors un nombre
important d’opérations numériques qui doivent parfois être effectuées très
rapidement (contrôle de processus).
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 20 / 179
Méthode de résolution approchée

Introduction
En analyse numérique, pour un problème donné, il est possible d’utiliser
plusieurs techniques de résolution qui résultent en plusieurs algorithmes,
dépendant de certains paramètres qui influent sur la précision du résultat.
De plus, l’utilisation d’approximations plus ou moins précises au cours du
calcul se répercutera aussi sur le résultat obtenu. Le résutat final et son
ordre de précision dépendent donc des choix qui sont effectués.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 21 / 179


Analyse de la résolution d’un problème

Formulation du problème
A l’aide des lois des sciences physiques on procède à la mise en équation du
problème. On s’assure, ensuite, de l’existence (et de l’unicité) de la solution
en limitant éventuellement le domaine de définition de la solution. En
général, la solution du problème à résoudre est soit un nombre (équation
algébrique f (x) = 0), soit un vecteur (système d’équations linéaires), soit
une fonction (équation différentielle, équation aux dérivées partielles).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 22 / 179


Analyse de la résolution d’un problème

Construction d’une méthode de résolution


Dans certains cas, on dispose d’une méthode analytique. Dans d’autres
cas, plus nombreux, il faudra utiliser une méthode de résolution approchée
1 en simplifiant l’équation à résoudre telle que, par exemple, la méthode
des approximations successives ou la méthode de Newton-Raphson.
Ces méthodes (itératives) consistent à construire à partir d’une valeur x0 ,
choisie arbitrairement, une suite de valeurs numériques x0 , x1 , x2 , . . .
convergente vers la solution x ∗ (plus n est grand, plus xn est proche de la
solution (voir figures).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 23 / 179


Analyse de la résolution d’un problème

Construction d’une méthode de résolution

Figure – Convergence de la méthode des approximations successives

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 24 / 179


Analyse de la résolution d’un problème

Construction d’une méthode de résolution

Figure – Divergence de la méthode des approximations successives.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 25 / 179


Analyse d’erreur

Une partie importante de l’analyse numérique consiste donc à contenir les


effets des erreurs introduites, qui proviennent de trois sources principales :
- les erreurs de modélisation ;
- les erreurs de représentation sur ordinateur ;
- les erreurs de troncature.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 26 / 179


Analyse d’erreur

Erreurs de modélisation
Les erreurs de modélisation, comme leur nom l’indique, proviennent de
l’étape de mathématisation du phénomène physique étudié. Cette étape
consiste à faire ressortir les causes les plus déterminantes du phénomène
observé et à les mettre sous forme d’équations. Si le phénomène observé
est très complexe, il est souvent nécessaire de simplifier le problème en
négligeant les facteurs qui paraissent moins importants ou qui rendent la
résolution numérique trop difficile. C’est ce que l’on appelle les erreurs de
modélisation.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 27 / 179


Analyse d’erreur

Erreurs d’arrondi
Cette catégorie d’erreur est liée à l’utilisation de l’ordinateur. L’erreur
d’arrondi est due au fait que la machine ne travaille que sur un nombre
limité
√ de décimales (comme dans le calcul manuel où l’on convient que
2 ≈ 1.414). Cette erreur concerne aussi les méthodes directes ou
analytiques. Habituellement les machines travaillent avec 14 ou 23 chiffres
significatifs (simple ou double précision). L’erreur d’arrondi se propage au
cours des calculs et peut compromettre la précision des résultats, on a
donc intérêt à faire un minimum d’opérations (+, −, ∗, \).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 28 / 179


Analyse d’erreur
Erreurs de troncature
Les erreurs de troncature constituent la principale catégorie d’erreurs.
Dans la suite de ce cours, nous aborderons des méthodes de résolution qui
comportent des erreurs de troncatures plus ou moins importantes. Elles
sont provoquées par l’utilisation du développement de Taylor, qui permet
par exemple de remplacer une équation différentielle par une équation
algébrique, et dépendent du nombre de termes conservés de ce
développement. Il est donc essentiel de rappeler cette notion :
Définition
Le polynôme de Taylor de degré n de la fonction f autour de x0 est défini
par
2 3
f (x) = f (x0 ) + f 0 (x0 )(x − x0 ) + f 00 (x0 ) (x−x
2!
0)
f (3) (x0 ) (x−x
3!
0)
+ . . . + f (n) (x0

où
(x − x0 ) n+1
(n+1)
En (x) = f( Samuel
Samuel BOWONG = O(hn+1 )
(ξ(x)) ANALYSE NUMERIQUE
BOWONG) ξ ∈ [x0 , x] 29 / 179
Analyse d’erreur

Propriétés d’une méthode de résolution approchée


Une bonne méthode de résolution approchée doit
- être rapidement convergente,
- permettre l’estimation à priori de l’erreur,
- être stable.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 30 / 179


Analyse d’erreur
Stabilité de la méthode
Définition
Une méthode est stable et un problème est dit ”bien conditionné” si deux
problèmes voisins admettent des solutions voisines.

La stabilité garantit que les erreurs ne s’amplifient pas au cours du


déroulement de l’algorithme et que la méthode reste stable.
Exemple
(Exemple de problème instable) : On considère le système linéaire de deux
équations à deux inconnues :

20x + 46.6y = −20
30x + 70y = 10

et un système linéaire voisin :


Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 31 / 179
Notions de base

Convergence
La vitesse de convergence est un facteur important de la qualité des
algorithmes. Si la vitesse de convergence est élevée, l’algorithme converge
rapidement et le temps de calcul est moindre. Ces préoccupations de
rapidité de convergence ont conduit à diversifier les modes de convergence
et à chercher des processus optimaux.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 32 / 179


Notions de base

Discrétisation
En calcul scientifique, certains problèmes sont par nature continus. Ils font
intervenir les opérations telles que le dérivation et l’intégration.
L’ordinateur ne pouvant résoudre de tels problèmes continus, on doit les
remplacer par des problèmes discrets en utilisant par exemple les
différences finis, les éléments finis, les méthodes particulières ou
spectrales : on parle alors de discrétisation.
Les itérations
En calcul scientifique, certains problèmes sont par nature continus. Ils font
intervenir les opérations telles que le dérivation et l’intégration.
L’ordinateur ne pouvant résoudre de tels problèmes continus, on doit les
remplacer par des problèmes discrets en utilisant par exemple les
différences finis, les éléments finis, les méthodes particulières ou
spectrales : on parle alors de discrétisation.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 33 / 179
Représentation en virgule flottante, stabilité et
conditionnement

1 Représentation en virgule flottante


Motivation : accidents dus aux erreurs numériques
Représentation en virgule flottante
Erreurs d’arrondi
2 Stabilité et conditionnement
Erreur directe
Stabilité directe
Conditionnement

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 34 / 179


Accidents dus aux erreurs numériques
Système américain d’interception des missiles ;
Pendant la guerre du Golf (1991), les erreurs d’arrondi dans
l’estimation du temps de 0.34 secondes dans un des systèmes
anti-missile ont causé une erreur sur la position du missile irakien
d’environ un demi-kilomètre ;
Cela a coûté la vie à 28 soldats ;

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 35 / 179


Accidents dus aux erreurs numériques
Premier lancement (1996), 30 secondes après le décollage la fusée
devient incontrôlable et est détruite ;
La perte de contrôle est due au dépassement de la valeur maximale
du registre qui contenait la vitesse horizontale ;
Coût : environ 500 millions de dollars.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 36 / 179


Représentation en virgule flottante

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 37 / 179


Interpolation et approximation

1 Interploation
Motivation
Position du problème
Interpolation de Lagrange
Interpolation de Newton
Interplolation spline
2 Approximation
Motivation
Position du problème
Approximation au sens des moindres carrés

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 38 / 179


Interpolation

Motivation
Les données suivantes concernent l’espérance de vie des habitants de deux
régions d’Europe :

Année 1975 1980 1985 1990


Europe de l’Ouest 72.8 74.2 75.2 76.4

Europe de l’Est 70.2 70.2 70.3 71.2

Utiliser le polynôme d’interpolation de degré 3 pour estimer l’espérance de


vie en 1977, 1983 et 1988.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 39 / 179


Interpolation

Position du problème
L’interpolation des fonctions sont des techniques numériques très utilisées.
Le problème est le suivant. Nous avons une fonction y = f (x) ou x = g (y )
dont nous ignorons la forme analytique mais dont on connait ces valeurs
pour un certain nombre de valeurs discrétes :

x x0 x1 ... xn−1 xn
y y0 y1 ... yn−1 yn

Le problème est de trouver une expression analytique approchée


d’une fonction que l’on ne connait qu’une suite discréte des valeurs
de la variable telle que
f (xi ) = yi .

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 40 / 179


Interpolation
Interpolation polyn̂omiale : Polynôme de Lagrange
Soit f : [a, b] → R connue en n + 1 points distincts x0 , x1 , . . . , xn de
l’intervalle [a, b]. Il s’agit de construire un polynôme P de degré inférieur
ou égal à n tel que
∀i = 0, 1, 2, . . . , n, P(xi ) = f (xi ).

Théorème
Pour tout choix de noeuds x0 , x1 , . . . , xn dans [a, b], il existe un unique
polynôme Pn de degré inférieur ou égal à n qui coincide avec f aux points
x0 , x1 , . . . , xn (i. e. P(xi ) = f (xi ) pour tout i = 0, 1, . . . , n).
Ce polynôme s’écrit
n n
X Y x − xj
f (x) = Pn (x) = f (xi )Li (x), où Li (x) = .
xi − xj
i=0 j6=i

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 41 / 179


Interpolation
Interpolation polyn̂omiale : Polynôme de Lagrange
Le polynôme d’interpolation de Lagrange peut encore s’écrit sous la forme :
 
n n
X Y x − xj 
f (x) = yi  .
xi − xj
i=0 j6=i
n
Q x − xj
Les sont appelés bases de Lagrange.
j6=i xi − xj
Remarque
Le polynôme d’interpolation de Lagrange de x = g (y ) satisfaisant
xi = g (yi ) s’écrit :
 
n n
X Y y − yj 
g (y ) = xi 
yi − yj
i=0 j6=i

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 42 / 179


Interpolation

Interpolation de Lagrange : Exemple


Les résultats d’une expérience sont donnés par le tableau suivant :

x 1 2 4 6
y 10 5 2 1

1 De ce tableau, utiliser la formule d’interpolation linéaire pour


déterminer la valeur de y pour x = 3.
2 Utiliser aussi la formule d’interpolation linéaire pour déterminer la
valeur de x pour y = 1.5.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 43 / 179


Interpolation
Interpolation de Lagrange : Exemple
Solution : D’après la formule d’interpolation linéaire , on a
x − x1 x − x0
y = y0 + y1 .
x0 − x1 x1 − x0
1 Puisque 2 < 3 < 4, on prend x0 = 2 et x1 = 4. On obtient
3−4 3−2
y = 5 +2 ,
2−4 4−2
7
= = 3.5.
2
2 Pour y = 1.5, on a 1 < 1.5 < 2 et on prend y = 1 et y = 2. Dans
0 1
ce cas x0 = 6 et x1 = 4. On obtient alors
x −4 x −6
1.5 = +2 ,
6−4 4−6
x −4
= − (x − 6).
2
Samuel La
BOWONG
résolution
( Samuel ´’equation
de l’BOWONG) ci-dessus
ANALYSE donne x = 5.
NUMERIQUE 44 / 179
Interpolation polynômiale : Interpolation de
Lagrange

Exemple
Former le polynôme de Lagrange vérifiant le tableau ci-dessous :

x 1 2 3 4
y 2 3 4 5

D’après la formule d’interpolation de Lagrange, on a

3 x −x 3 3 3
Q j
Y x − xj Y x − xj Y x − xj
y = 2 +3 +4 +5 .
j6=0 1 − xj 2 − xj
j6=1
3 − xj
j6=2
4 − xj
j6=3

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 45 / 179


Interpolation
Exemple 1
Il vient que
(x − 2)(x − 3)(x − 4 (x − 1)(x − 3)(x − 4)
y = 2 +3
(1 − 2)(1 − 3)(1 − 4) (2 − 1)(2 − 3)(2 − 4)

(x − 1)(x − 2)(x − 4) (x − 1)(x − 2)(x − 3)


+ 4 +5 ,
(3 − 1)(3 − 2)(3 − 4 (4 − 1)(4 − 2)(4 − 3

1 3
= − (x − 2)(x − 3)(x − 4) + (x − 1)(x − 3)(x − 4)
3 2
5
− 2(x − 1)(x − 2)(x − 4) + (x − 1)(x − 2)(x − 3),
6

= x + 1.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 46 / 179


Interpolation

Exemple 2
Former le polynôme de Lagrange correspondant au tableau suivant :

x 1 2 3 4
f(x) 2 3 7 8

Solution (En cours)

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 47 / 179


Interpolation

Interpolation polyn̂omiale : Méthode de Newton


Etant donnés n + 1 points x0 , . . . , xn , la base de Newton est définie par :

{1, (x − x0 ), (x − x0 )(x − x1 ), . . . , (x − x0 )(x − x1 ) . . . (x − xn−1 )},

Nous allons montrer comment calculer les coefficients du polynôme de


degré inférieur ou égal à n, Pn , interpolant une fonction f en les points
x0 , . . . , xn . Ce polynôme s’écrit :

Pn (x) = a0 + a1 (x − x0 ) + . . . + an (x − x0 )(x − x1 ) . . . (x − xn−1 )

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 48 / 179


Interpolation et approximation

Interpolation polyn̂omiale : Méthode de Newton

Définition
Soit une fonction f dont on connaı̂t les valeurs en des points distincts
x0 , . . . , xn . On appelle différence divisée d’ordre 0, 1, 2, . . . , n les
expressions suivantes définies itérativement par :

f [x0 ] = f (x0 ), f [x1 ] = f (x1 ), f [xn ] = f (xn )

f [x0 ] − f [x1 ] f [x1 ] − f [x2 ]


f [x0 , x1 ] = , f [x1 , x2 ] =
x0 − x1 x1 − x2

f [x0 , x1 ] − f [x1 , x2 ]
f [x0 , x1 , x2 ] =
x0 − x2

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 49 / 179


Interpolation et approximation
Interpolation polyn̂omiale : Méthode de Newton
D’une manière générale, si X est un ensemble fini de points distincts si
a∈/ X et b ∈
/ X , si a 6= b alors
f [a, X ] − f [X , b]
f [a, X , b] =
a−b

Théorème
Soit une fonction f dont on connaı̂t les valeurs en n + 1 points distincts xi
(0 ≤ i ≤ n) et soit Pn le polynôme d’interpolation :

Pn (x) = a0 + a1 (x − x0 ) + . . . + an (x − x0 )(x − x1 ) . . . (x − xn−1 )

∀k = 0, . . . , n, f [x0 , x1 , . . . , xk ] = ak
et
en = f [x0 , x1 , . . . , xn , x](x − x0 (x − x1 ) . . . (x − xn )
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 50 / 179
Interpolation et approximation

Interpolation polyn̂omiale : Méthode de Newton

Proposition
Les différences divisées f [x0 , x1 , . . . , xk ] sont des fonctions symétriques de
leurs arguments.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 51 / 179


Interpolation et approximation
Interpolation polyn̂omiale : Calcul pratique des différences
divisées
Rappelons l’expression des différences divisées données dans la définition
f [x0 , x1 , . . . , xk−1 ] − f [x1 , x2 , . . . , xk ]
f [xi ] = f (xi ), f [x0 , x1 , . . . , xk ] =
x0 − xk
L’utilisation de cette formule permet de calculer les f [x0 , x1 , . . . , xk ] de
proche en proche à l’aide du tableau suivant (chaque colonne se déduit de
la colonne précédente) :
k=0 k=1 k=2 ... k =n
f [x0 ]
f [x1 ] f [x0 , x1 ]
f [x2 ] f [x1 , x2 ] f [x0 , x1 , x2 ] ...
.. .. ..
. . .
f [xn ] f [xn−1 , xn ] f [xn−2 , xn−1 , xn ] ... f [x0 , x1 , . . . , xn ]
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 52 / 179
Interpolation et approximation

Méthode de Newton : Exemple 1


Soit donné le tableau

x 1 2 3 4 5 6 7
f (x) 3 7 13 21 31 43 57

1 Construire le tableau des différences divisées correspondant à la


fonction f (x).
2 Déterminer le polynôme d’interpolation de Newton avec différences
divisées.
3 En déduire une valeur approchée de f (3.1).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 53 / 179


Interpolation et approximation
Méthode de Newton : Exemple 1
Tableau des différences divisées

3
4
7 1
6 0
13 1 0
8 0 0
21 1 0 0
10 0 0
31 1 0
12 0
43 1
14
57
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 54 / 179
Interpolation et approximation

Méthode de Newton : Exemple 1


Le polynôme d’interpolation de Newton est

f (x) = f [1] + f [1, 2](x − 1) + f [1, 2, 3](x − 1)(x − 2) + f [1, 2, 3, 4](x − 1


+ f [1, 2, 3, 4, 5](x − 1)(x − 2)(x − 3)(x − 4) + f [1, 2, 3, 4, 5, 6](x − 1
+ f [1, 2, 3, 4, 5, 6, 7](x − 1)(x − 2)(x − 3)(x − 4)(x − 5)(x − 6),
= 3 + 4(x − 1) + (x − 1)(x − 2),
= x 2 + x + 1.

La valeur approchée de f (3.1) = (3.1)2 + 3.1 + 1 = 13.71.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 55 / 179


Interpolation et approximation

Méthode de Newton : Exemple 2


Soit donné la tableau

x 2 2.1 2.2 2.3 2.4 2.5


ln x 0.30103 0.32222 0.34242 0.36173 0.38021 0.39794

Trouver à l’aide de la formule d’interpolation de Newton ln 2.03.


Solution (En cours)

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 56 / 179


Interpolation

Interpolation polynômiale : Erreur d’interpolation


Soit f : [a, b] → R de classe C n+1 . Notons Pn son polynôme
d’interpolation aux noeuds x0 , x1 , . . . , xn dans [a, b]. Alors pour tout
x ∈ [a, b]
Mn+1
|f (x) − Pn (x)| ≤ |πn (x)|,
(n + 1)!
où
n
Y
πn (x) = (x − xk ) et Mn+1 = sup |f (n+1) (x)|
k=0 x∈[a,b]

Remarque
Notons que Mn+1 est fini car f (n+1) est continue sur le compact [a, b].
D’autre part, ce résultat repose sur le lemme suivant

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 57 / 179


Interpolation

Interpolation polynômiale : Erreur d’interpolation

Lemme
Si f est de classe C p alors pour tous noeuds x0 , x1 , . . . , xp dans [a, b] il
existe ξ ∈ [a, b] tel que

f (p) (ξ)
f [x0 , . . . , xp ] =
p!

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 58 / 179


Interpolation et approximation

Interpolation spline : Position du problème


L’interpolation polynômiale présente plusieurs inconvénients :
elle ne prend pas très bien en compte les fonctions assez ”raides” ,
elle converge mal en ce sens qu’augmenter le nombre de points
n’améliore guère l’erreur au delà d’un certain degré.
Concrètement, dans ce qui suit on considère une partition de l’intervalle
[a, b]
∆ = {a = x0 < x1 < x2 < . . . < xn−1 < xn = b},
dont on appellera les points xi de subdivision les noeuds. On suppose
donnée une famille de nombres réels {y0 , . . . , yn } qui correspondent,
comme précédemment, aux valeurs d’interpolation.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 59 / 179


Interpolation

Interpolation spline : Position du problème


Une idée assez naturelle consiste à considérer individuellement chacun des
sous- intervalles [xi , xi+1 ] et à construire une approximation par morceaux :
on obtient ainsi une fonction g vérifiant les conditions d’interpolation
g (xi ) = yi et qui dans chaque intervalle [xi , xi+1 ] coincide avec un
polynôme gi (x) de degré plus ou moins élevé.
Dans le cas où l’on choisit gi (x) de degré 1, cette technique consiste à
relier les points (xi , yi ) par des segments de droite : il s’agit de la façon la
plus élémentaire d’utiliser ce qu’on appelle les fonctions splines.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 60 / 179


Interpolation

Interpolation spline

Définition
Soient x0 , . . . , xn , n + 1 noeuds de [a, b], avec

a = x0 < x1 < . . . . < xn = b.

La fonction sk : [a, b] → R est une spline de degré k relative aux noeuds xi


si

sk,i = sk [xi , xi+1 ] ∈ Pk , pour i = 1, 2, . . . , n + 1 et sk ∈ C k−1 [a, b].

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 61 / 179


Interpolation

Spline cubique

Définition
Etant donnée une partition de l’intervalle [a, b]

∆ = {a = x0 < x1 < . . . . < xn = b}

On appelle spline cubique d’interpolation une fonction notée g , qui vérifie


les propriétés suivantes :
g ∈ C 2 [a, b] (g est deux fois continûment dérivable),
g correspond, sur chaque intervalle [xi , xi+1 ], à un polynôme de degré
inférieur ou égal à 3,
g (xi ) = yi , pour i = 0, 1, . . . , n.
g 00 (a) = g 00 (b) = 0.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 62 / 179


Interpolation

Spline cubique

Théorème
Soient x0 , . . . , xn noeuds de [a, b], avec

a = x0 < x1 < . . . . < xn = b.

Soit f : [a, b] → R.
1 Alors il existe une unique spline cubique naturelle (avec la condition
(2) (2)
additionnelle naturelle sk (a) = 0 et sk (b) = 0) ou périodique (avec
(m) (m)
la condition périodique sk (a) = sk (b) pour m = 1, . . . , k − 1))
interpolant les (n + 1) noeuds.
2 Si de plus f est différentiable en a et b alors il existe une unique
spline serrée (sk0 (a) = f 0 (a) et sk0 (b) = f 0 (b)).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 63 / 179


Interpolation

Spline cubique : Exemple


La production italienne de citrons a évolué de la manière suivante :

Année 1965 1970 1980 1985 1990 1991


Production (× 105 Kg 17769 24001 25961 34336 29036 33417

Utiliser des splines d’interpolation cubique de différents types pour estimer


la production en 1962, 1977 et 1992.
Solution (en cours)

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 64 / 179


Interpolation

Spline cubique : erreur


Soit f ∈ C ([a, b]) avec max |f (4) (x)| = M. Si s3 est l’unique spline
a≤x≤b
cubique serrée interpolant f aux noeuds
a = x0 < x1 < . . . . < xn = b.,alors
5M
max |f (x) − s3 (x)| ≤ max (xi+1 − xi )4
a≤x≤b 384 0≤i≤n−1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 65 / 179


Approximation
Motivation
La Figure suivante représente les prix d’une action à la bourse de Züich
pendant deux années. La courbe a été obtenue en joignant par une ligne
droite les cotations quotidiennes à la clôture. Cette simple représentation
suppose implicitement que les prix varient linéairement au cours de la
journée (cette approximation sera appelée interpolation affine composite).
Nous nous demandons si, à partir de ce graphe, nous pourrions prédire le
prix de l’action sur une courte période suivant la date de la dernière
cotation. Nous verrons au paragraphe suivant que ce type de prédiction
peut être effectué à l’aide d’une technique connue sous le nom
d’approximation des données au sens des moindres carrés.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 66 / 179


Approximation

Position du problème
La méthode d’approximation par les moindres carrés est utilisée dans de
nombreuses applications sous des noms différents :
- optimisation linéaire ;
- Méthode de regression ;
- lissage des courbes.
Les expériences en physique, chimie et biologie peuvent contenir des
centaines voire des milliers de mesures. L’utilisation des méthodes
d’interpolation doit alors conduire à de grandes erreurs d’arrondi et à des
calculs assez longs.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 67 / 179


Approximation
Position du problème
La méthode des moindres carrés nous permet d’utiliser plusieurs fonctions
pour obtenir une approximation simple. Par exemple, soient (y0 , y1 , . . . , yn )
les valeurs correspondantes aux points (x0 , x1 , . . . , xn ) et
y = f (x, a0 , a1 , . . . , am ) avec m < n. Il est clair que puisque m ≤ n, il
n’est pas possible d’avoir f tel que quelque soit k, on a f (xk ) = yk . Mais
on peut choisir les m + 1 paramétres a0 , a1 , . . . , am tels que f (xk ) ≈ yk ,
i.e., de façon que les m couples de valeurs de x et y conviennent le mieux.
La théorie des probabilité nous apprend que les valeurs de a0 , a1 , . . . , am
qui sont les meilleurs minimisent la somme
Xm
R= [fk −f (xk )]2 = [f0 −f (x0 )]2 +[f1 −f (x1 )]2 +. . .+[fm −f (xm )]2 , (3)
k=0
où f (xk ) = yk . Autrement dit la somme des carrés des écarts des valeurs
de y calculées par la formule par rapport aux valeurs données d’où la
dénomination de méthode des moindres carrés.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 68 / 179
Approximation

Approximation au sens des moindres carrés


La condition (3) permet de former un système d’équations de m + 1 d’où
l’on tire a0 , a1 , . . . , am :
∂R
= 0, k = 0, 1, . . . , m
∂ak
i.e.,
m
X ∂f (xk , a0 , a1 , . . . , am )
[f (xk , a0 , a1 , . . . , am )−yk ] = 0, j = 0, 1, . . . , m.
∂aj
k=0
(4)
La solution de ce système permet alors alors de trouver les coefficients
a0 , a1 , . . . , am de la fonction f (x, a0 , a1 , . . . , am ).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 69 / 179


Approximation au sens des moindres carrés
Cas d’un polynôme de dégré un
Considérons le cas d’un polynôme de dégré n = 1, i.e.,
y = f (x) = a0 + a1 x. Dans ce cas, on a
m
X
R= [fk − (a0 + a1 xk )]2 .
k=0
Pour que R soit minimal, il faut que
∂R ∂R
=0 et = 0,
∂a0 ∂a1
On obtient ainsi le système d’équations à deux inconnues a0 et a1 suivant :
 m
P


 [fk − (a0 + a1 xk )]a0 = 0,
k=0
m
P


 [fk − (a0 + a1 xk )]a1 xk = 0.
k=0

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 70 / 179


Approximation au sens des moindres carrés

Cas d’un polynôme de dégré un


La résolution du système ci-dessus donne
m m m m
xk2
P P P P
fk − xk xk fk
k=0 k=0 k=0 k=0
a0 = 2
m
 m
xk2
P P
(m + 1) − xk
k=0 k=0

et
m
P m
P m
P
(m + 1) xk fk − xk fk
k=0 k=0 k=0
a1 = 2 .
m
 m
xk2 −
P P
(m + 1) xk
k=0 k=0

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 71 / 179


Approximation au sens des moindres carrés
Cas d’un polynôme de dégré quelconque m
Considérons la cas d’un polynôme de dégré quelconque m
y = f (x) = a0 + a1 x + . . . + am x m . On a m + 1 paramètres :
a0 , a1 , . . . , am avec n > m + 1. Le système (4) prend la forme :
m m m

 am
P m+a
P m−1 P


 xk m−1 x k + . . . + ma 0 = yk ,
 k=0 k=0 k=0
m m m m


 P m+1 P m + ... + a
P P



 a m xk + a m−1 xk 0 xk = xk yk ,
 k=0 k=0 k=1 k=0
m m m m
(5)
xkm+2 + am−1 xkm+1 + . . . + a0 xk2 = xk2 yk ,
P P P P

 am

 k=0 k=0 k=0 k=0
...



m m m m


xk2m + am−1 xk2m−1 + . . . + a0 xkm = xkm yk ,
 P P P P
 am


k=0 k=0 k=0 k=0
Ce système de m + 1 équations à m + 1 inconnues admet toujours une
solution unique, car son déterminant est différent de zéro.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 72 / 179
Approximation au sens des moindres carrés

Cas d’un polynôme de dégré quelconque m


Pour déterminer les coefficients du système (5), il est utile de composer le
tableau auxilliaire ci-dessous :

k xk xk2 xk3 ... xk2m yk xk yk xk2 yk ... xkm yk


0 x0 x02 x03 ... x02m y0 x0 y0 x02 y0 ... x0m y0
1 x1 x12 x13 ... x12m y1 x1 y1 x12 y1 ... x1m y1
. .. .. .. ... .. .. .. .. ... ..
. .. .. .. ... .. .. .. .. ... ..
n xn xn2 xn3 ... xn2m yn xn yn xn2 yn ... xnm yn
P

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 73 / 179


Approximation au sens des moindres carrés

Exemple
A l’aide de la méthode des moindres carrés, choisir une fonction
quadratique p(x) = a2 x 2 + a1 x + a0 pour les valeurs de x et de y données :

x 7 8 9 10 11 12 13
y 7.4 8.4 9.1 9.4 9.5 9.5 9.4

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 74 / 179


Approximation au sens des moindres carrés

Exemple
Formons le tableau

k xk xk2 xk3 xk4 yk xk yk xk2 yk


0 7 49 343 2401 7.4 51.8 362.6
1 8 64 512 4196 8.4 67.2 537.6
2 9 81 729 6561 9.1 81.9 737.1
3 19 100 1000 10000 9.4 94 940
4 11 121 1331 14641 9.5 104.5 1149.5
5 12 144 1728 20736 9.5 114 1368
6 13 169 2197 28561 9.4 122.2 1588.6
P
70 728 7840 87096 62.7 635.6 6683.4

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 75 / 179


Approximation au sens des moindres carrés

Exemple
D’où on tire le système suivant :

 728a2 + 70a1 + 7a0 = 62.7
7840a2 + 728a1 + 70a0 = 635.6,
87096a2 + 784a1 + 728a0 = 6683.4.

La solution de ce système est a0 = 2.12, a1 = 1.1 et a2 = −0.04. Ainsi la


fonction quadratique cherchée est de la forme

p(x) = −0.04x 2 + 1.1x + 2.12.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 76 / 179


Approximation au sens des moindres carrés

Cas des fonctions de la forme y = Ae cx


Pour simplifier le système (4), on prend le lograrithme de la formule
y = Ae cx qui lie x et y :

log y = log A + c log ex.

Alors le système (4) prend la forme :


m m

P P
 c log e xk + m log A = log yk ,


k=1 k=1 (6)
m m m
xk2 + log A
P P P
 c log e xk = xk log yk


k=1 k=1 k=1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 77 / 179


Approximation au sens des moindres carrés

Cas des fonctions de la forme y = Ae cx


Le tableau auxiliaire sera

k xk xk2 log yk xk log yk


0 x0 x02 log y0 x0 log y0
1 x2 x22 log y2 x2 log y2
. . . . .
n xn xn2 log yn xn log yn
P

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 78 / 179


Approximation au sens des moindres carrés

Cas des fonctions de la forme y = Ae cx : Exemple


Trouver par la méthode des moindres carrés une fonction exponentielle
S = Ae ct d’après les données du tableau suivant :

t 0 2 4 6 8 10 12
S 1280 635 324 162 76 43 19

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 79 / 179


Approximation au sens des moindres carrés

Cas des fonctions de la forme y = Ae cx : Exemple


On forme le tableau suivant :

k t tk2 y = log S ty
0 0 0 3.1072 0
1 2 4 2.8028 5.6056
2 4 16 2.5105 10.0420
3 6 36 2.2095 13.2570
4 8 64 1.8808 15.0464
5 10 100 1.6335 16.3350
6 12 144 1.2787 15.3444
P
42 364 15.4230 75.6304

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 80 / 179


Approximation au sens des moindres carrés

Cas des fonctions de la forme y = Ae cx : Exemple


On obtient le système d’équations :

 42c log e + 7 log A = 15.4230,

364c log e + 42 log A = 75.6304,


c’est à dire c log e = −0.1509, log A = 3.1087. Par conséquent, A = 1284


et c = −0.347. Ainsi, la fonction exponentielle cherchée sera

S = 1284e −0.347t .

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 81 / 179


Résolution approchée d’intégrales

1 Inégration numérique des fonctions à une variable


Motivation
Position du problème
Généralité
Formules de Newton-Cotes
Méthode de rectangle
Méthode de trapèze
Méthode de Simpson
Quadratures de Gauss
2 Inégration numérique des fonctions de plusieurs variables

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 82 / 179


Résolution approchée d’intégrales

Motivation
On considère une population ayant un très grand nombre M d’individus.
La distribution n(s) de la taille de ces individus peutêtre représentée par
une ”courbe en cloche” caractérisée par sa moyenne h̄ et son écart type σ :
M 2 2
n(s) = √ e −(s−h̄) /(2σ ) .
σ 2π
Alors Z h+∆h
N[h, h+∆h] = n(s)ds,
h
représente le nombre d’individus dont la taille est comprise entre h et
h + ∆h (pour un ∆h positif).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 83 / 179


Résolution approchée d’intégrales

Motivation
Sur la Figure suivante on a pris M = 200 individus, h̄ = 1.7m, σ = 0.1m.
L’aire de la région grisée donne le nombre d’individus dont la taille est
dans l’intervalle.

Figure – Distribution des tailles dans une population de M = 200 individus.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 84 / 179


Résolution approchée d’intégrales

Position du probème
Il existe deux situations où l’on a besoin de formules pour approcher
l’intégrale d’une fonction f :
Z b
I = f (x)dx
a

On ne connaı̂t la valeur de f qu’en certains points x0 , x1 , . . . , xn , et il


n’est pas possible d’avoir d’autres valeurs que celles-ci (c’est le cas
quand la fonction f est tabulée).
Il est possible de calculer f (x) pour un x quelconque, mais la
primitive de f n’est pas connue, ou bien l’expression analytique de f
est trop compliquée pourêtre explicitée (f (x) est par exemple le
résultat d’un code de calcul trop complexe).
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 85 / 179
Résolution approchée d’intégrales
Position du probème
Plus précisément on aura recours à des combinaisons linéaires de valeurs
de la fonction à intégrer en des points de l’intervalle d’intégration, soit
Z b Xn
f (x)dx ≈ wk f (xk ).
a k=0
Les points xk sont appelés les noeuds de la formule, les wk sont les poids
(weights, en anglais), parfois aussi dénommés coefficients de la formule.
L’application
X n
f 7−→ wk f (xk )
k=0
qui à f fait correspondre une valeur ”approchée” de son intégrale sur
l’intervalle considéré définit une formule (ou méthode) d’intégration
numérique. On dit aussi formule ou méthode de quadrature.
Définition
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 86 / 179
Résolution approchée d’intégrales
Généralité
L’intégration numérique d’une fonction intégrable f à une variable sur
l’intervalle [a, b] consiste à déterminer une approximation numérique de
Z b
I = f (x)dx
a
La tâche est souvent divisée en deux parties :
1 Subdiviser l’intervalle d’intégration [a, b] en sous-intervalles [x , x
k k+1 ],
k = 0, 1, . . . , n − 1 de même taille avec
a = x0 < x1 < . . . < xn = b
et réduire l’intégrale sur [a, b] à une somme d’intégrales sur [xk , xk+1 ]
Z b n−1 Z xk+1
X
f (x)dx = f (x)dx
a k=0 xk
2 Evaluer les intégrales dans la somme séparément, en remplaçant la
Samuel fonction
BOWONG f (x) parBOWONG)
( Samuel une approximation facile à intégrer. Cette dernière
ANALYSE NUMERIQUE 87 / 179
Formules de Newton-Cotes

Méthode de rectangle
La formule de rectangle s’obtient en remplaçant la fonction f sur chaque
sous-intervalle [xk , xk+1 ] par une droite parallèle à l’axe des abscisses
d’équation y = f (xk ) (méthode de rectangles à gauche) ou y = f (xk+1 )
(méthode de rectangles à droite). En notant h = xk+1 − xk , la formule de
la méthode de rectangle à gauche est
Z xk+1
f (x)dx ≈ hf (xk ).
xk

Aussi, en notant h = xk+1 − xk , la formule de la méthode de rectangle à


droite est Z xk+1
f (x)dx ≈ hf (xk+1 ).
xk

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 88 / 179


Formules de Newton-Cotes

Méthode de rectangle
Pour une intégrale sur l’entièreté de l’intervalle [a, b], la formule de
rectangle à gauche correspond, pour n sous-intervalles de même taille
b−a
h = xk+1 − xk = , on a
n
n−1 Z xk+1 n−1
Z b !
X X
f (x)dx = f (x)dx ≈ h f (a) + f (xk )
a k=0 xk k=1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 89 / 179


Formules de Newton-Cotes

Méthode de rectangle : Erreur locale


Considérons une intégrale sur l’intervalle [xk , xk+1 ]. Pour f ∈ C 1 , on pose
M1 = sup |f 0 (x)|, on a
x∈[xk ,xk+1 ]
Z xk+1
R
f (x)dx = hf (xk ) + Eloc (h)
xk

On montre que
xk+1  h2
Z 
R

Eloc (h) =
 f (x)dx − hf (xk )
 ≤ 2 M1 .
xk

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 90 / 179


Formules de Newton-Cotes

Méthode de rectangle : Erreur globale


Pour une intégrale sur l’entièreté de l’intervalle [a, b], la formule de
rectangle à gauche correspond, pour n sous-intervalles de même taille
b−a
h = xk+1 − xk = , on a
n
n−1
Z b !
X
R
f (x)dx = h f (a) + f (xk ) + Eglo (h).
a k=1

On montre que
Z n−1

 b X  1
R
Eglo (h) =  f (x)dx − hf (a) − h f (xk ) ≤ (b − a)hM1 ,
 
 a  2
k=1

avec M1 = sup |f 0 (x)|.


x∈[a,b]
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 91 / 179
Formules de Newton-Cotes

Méthode de rectangle : Exemple


R2√
Calculer I = 1 xdx par la formule des rectangles, en décomposant
l’intervalle d’intégration en 10 parties. Evaluer l’erreur commise.
√ 2−1
Ici f (x) = x. Pour n = 10, on a h = = 0.1. Les valeurs successives
10
de x seront : x0 = 1, x1 = x0 + h = 1.1, x2 = 1.2, x3 = 1.3, x4 = 1.4,
x5 = 1.5, x6 = 1.6, x7 = 1.7, x8 = 1.8 et x9 = 1.9. On aura alors

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 92 / 179


Formules de Newton-Cotes
Méthode de rectangle : Exemple

R2√
I = 1 xdx,
= 0.1[f (1) + f (1.1) + f (1.2) + f (1.3) + f (1.4) + f (1.5) + f (1.6) + f (1
= 0.1[1 + 1.049 + 1.095 + 1.140 + 1.183 + 1.225 + 1.265 + 1.304 + 1.3
= 1.20.
1
Evaluons l’erreur. Dans notre cas, f 0 (x) = √ sur le segment [1, 2]
2 x
atteint sa valeur maximale égale à 0.5 lorsque x = 1. De cette façon,
1
|f 0 (x)| ≤ M1 = . D’où en appliquant la formule, on trouve
2
0.1 1
ER ≤ .1. = 0.025.
2 2
Par conséquent,
I ≈ 1.20 ± 0.025.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 93 / 179
Formules de Newton-Cotes
Méthode de trapèze
La formule de trapèze s’obtient en approximant la fonction f sur chaque
sous-intervalle [xk , xk+1 ] par une interpolation linéaire aux abscisses xk et
xk+1 . On a donc, en notant h = xk+1 − xk ,
Z xk+1
h
f (x)dx ≈ (f (xk ) + f (xk+1 )).
xk 2
Cette formule est exacte pour tout polynôme de degré au plus 1.
Pour une intégrale sur l’entièreté de l’intervalle [a, b], la formule de trapèze
b−a
correspond, pour n sous-intervalles de même taille h = xk+1 − xk = ,
n
on a
n−1 Z xk+1 n−1
Z b !
X h X
f (x)dx = f (x)dx ≈ f (a) + f (b) + 2 f (xk ) .
a xk 2
k=0 k=1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 94 / 179


Formules de Newton-Cotes

Méthode de trapèze : Erreur locale


Considérons une intégrale sur l’intervalle [xk , xk+1 ]. Pour f ∈ C 2 , on pose
M2 = sup |f 00 (x)|, on a
x∈[xk ,xk+1 ]
Z xk+1
h T
f (x)dx = [f (xk ) + f (xk+1 )] + Eloc (h)
xk 2

On montre que
xk+1
Z 
T
 h  M2 3
Eloc (h) =  ≤ 12 h .
f (x)dx − [f (xk ) + f (xk+1 )]

xk 2

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 95 / 179


Formules de Newton-Cotes

Méthode de trapèze : Erreur globale


Pour une intégrale sur l’entièreté de l’intervalle [a, b], la formule de
b−a
trapèze, pour n sous-intervalles de même taille h = xk+1 − xk = , on
n
a
n−1
Z b !
h X
T
f (x)dx = f (a) + f (b) + 2 f (xk ) + Eglo (h).
a 2
k=1

On montre que
Z n−1

 b  M
2 2
X
T
Eglo (h) =  f (x)dx − hf (a) − h f (xk ) ≤ h (b − a).
 
 a  12
k=1

avec M2 = sup |f 00 (x)|.


x∈[a,b]

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 96 / 179


Formules de Newton-Cotes

Méthode de trapèze : Exemple


R2
Calculer l’intégrale I = 1 xdx avec h = 0.2 et h = 0.1.
Pour h = 0.2, on a
R2
I = 1 xdx,

0.2
= [f (1) + 2f (1.2) + 2f (1.4) + 2f (1.6) + 2f (1.8) + f (2)],
2

= 0.1[1 + 2.4 + 2.8 + 3.2 + 3.6 + 2],

= 1.5.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 97 / 179


Formules de Newton-Cotes

Méthode de trapèze : Exemple


Pour h = 0.1, on a
R2
I = 1 xdx,
0.1
= [f (1) + 2f (1.1) + 2f (1.2) + 2f (1.3) + 2f (1.4) + 2f (1.5) + 2f (1.6
2
+ 2f (1.8) + 2f (1.9) + f (2)],
= 0.05[1 + 2.2 + 2.4 + 2.6 + 2.8 + 3 + 3.2 + 3.4 + 3.6 + 3.8 + 2],
= 1.5.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 98 / 179


Formules de Newton-Cotes

Méthode de trapèze : Exemple 2


Calculer par la méthode des trapèzes les intégrales suivantes :
Z 1p Z 1
2
1− x 3 dx, n=5 et e −x dx, n = 4.
0 0

Solution (en cours)

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 99 / 179


Formules de Newton-Cotes

Méthode de Simpson : formule de Simpson


La formule de Simpson s’obtient en approchant f sur chaque
sous-intervalle [x2k , x2k+2 ] par une interpolation quadratique aux abscisses
x2k , x2k+1 et x2k+2 . On a donc, en notant
h = x2k+1 − x2k = x2k+2 − x2k+1 :
Z x2k+2
h
f (x)dx ≈ (f (x2k ) + 4f (x2k+1 ) + f (x2k+2 ))
x2k 3

Cette formule est exacte pour tout polynôme de degré au plus 3

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 100 / 179


Formules de Newton-Cotes
Méthode de Simpson : formule de Simpson
Pour une intégrale sur l’entièreté de l’intervalle [a, b], la formule de
Simpson correspond, pour n sous-intervalles de même taille
b−a
h = x2k+1 − x2k = x2k+2 − x2k+1 = :
n
Rb n−1
P R x2k+2
a f (x)dx = x2k f (x)dx,
k=0

n−1
P
= [f (x2k ) + 4f (x2k+1 ) + f (x2k+2 )]
k=0
!
h X X
≈ f (a) + f (b) + 2 f (x2k ) + 4 f (x2k+1 ) ,
3
k=1 k=0
b−a
où on a toujours h =
n
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 101 / 179
Formules de Newton-Cotes

Méthode de Simpson : formule de Simpson


Si n est pair,
 n−2 n−2 
Z b 2 2
h X X
f (x)dx ≈ f (a) + f (b) + 2 f (x2k ) + 4 f (x2k+1 ) .
a 3
k=1 k=0

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 102 / 179


Formules de Newton-Cotes

Méthode de Simpson : Erreur locale


Considérons une intégrale sur l’intervalle [x2k , x2k+2 ]. Pour f ∈ C 2 , on
pose M4 = sup |f 4 (x)|, on a
x∈[x2k ,x2k+2 ]
Z x2k+2
h S
f (x)dx = [f (x2k ) + f (x2k+1 ) + f (x2k+2 )] + Eloc (h)
x2k 3

On montre que
Z x 
S
 2k+2 h  M4 5
Eloc (h) =   ≤ 90 h .
f (x)dx − [f (x2k ) + f (x2k+1 ) + f (x2k+2 )]

x2k 3

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 103 / 179


Formules de Newton-Cotes
Méthode de Simpson : Erreur globale
Pour une intégrale sur l’entièreté de l’intervalle [a, b], la formule de
b−a
Simpson, pour n sous-intervalles de même taille h = xk+1 − xk = ,
n
on a
Z b !
h X X
S
f (x)dx = f (a) + f (b) + 2 f (x2k ) + 4 f (x2k+1 ) + Eglo (h).
a 3
k=1 k=0

On montre que

Z !
 b h X X 
S
Eglo (h) = f (x)dx − f (a) + f (b) + 2 f (x2k ) + 4 f (x2k+1 ) 
 
 a 3 
k=1 k=0

avec M4 = sup |f (4) (x)|.


x∈[a,b]
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 104 / 179
Formules de Newton-Cotes

Méthode de Simpson : Exemple 1


R 1 dx
Calculer l’intégrale I = 0 par la formule de Simpson, en posant
1 + x2
n = 8. Les calculs doivent être effectués à six décimales. Evaluer l’erreur
du résultat obtenu. Comparer le résultat avec la valeur vraie de l’intégrale
prise avec un chiffre de reserve.
Les valeurs de la fonction prises sous le signe d’intégration doivent être
déterminées pour les valeurs suivantes de la variable indépendante
(h = 0.125) : x0 = 0, x1 = 10.125, . . . , x8 = 1. On trouve les valeurs
1
correspondantes de f (x) = ; f (0) = 1, f (0.125) = 0.984625,
1 + x2
f (0.25) = 0.941176, f (0.375) = 0.87612, f (0.5) = 0.80000,
f (0.625) = 0.719101, f (0.75) = 0.640000, f (0.875) = 0.566389 et
f (1) = 0.50000.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 105 / 179


Formules de Newton-Cotes

Méthode de Simpson : Exemple 1


Portons ces valeurs dans la formule de Simpson pour h = 0.125. On a
0.125
I = [f (0) + f (1) + 4(f (0.125) + f (0.375) + 0.719101 + f (0.875)) +
3
0.125
= [1 + 0.5 + 4(0.984625 + 0.87612 + 0.719101 + 0.566389) + 2(0
3
≈ 0.785392.

La valeur vraie de l’intégrale est


Z 1
dx π
I = 2
= [arctan x]10 = ≈ 0.7853979,
0 1+x 4

ce qui confirme le résultat trouvé.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 106 / 179


Formules de Newton-Cotes

Méthode de Simpson : Exemple 2


Calculer par la méthode de Simpson, les intégrales suivantes :
Z 2 x Z 2
e ln x
dx, n = 5, et dx, n = 4.
1 x 1 x

Solution (en cours)

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 107 / 179


Quadratures de Gauss

Position du problème
Les quadratures de Gauss reposent sur un raisonnement différent de celui
qui est à la base des méthodes de Newton-Cotes. D’une certaine façon, on
cherche à optimiser les schémas d’intégration numérique en choisissant
plus judicieusement les points où est évaluée la fonction f . Dans le cas où
l’évaluation de f est coûteuse en temps de calcul, ces quadratures
permettent d’atteindre une plus grande précision avec relativement peu
d’évaluations de f . Par exemple, la méthode du trapèze requiert
l’évaluation de la fonction f aux deux extrémités de l’intervalle sous la
forme : Z b
b−a
f (x)dx ≈ [f (a) + f (b)]
a 2

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 108 / 179


Quadratures de Gauss

Position du problème
Nous avons vu que le degré de précision de cette méthode est 1, car cette
quadrature est exacte dans le cas de tout polynôme de degré inférieur ou
égal à 1. On peut se demander s’il est possible de trouver deux points
situés dans l’intervalle d’intégration ainsi que des coefficients appropriés de
telle sorte que l’expression :
Z b
f (x)dx ≈ w1 f (x1 ) + w2 f (x2 )
a

ait un degré de précision supérieur à celui de la méthode du trapèze. Bien


sûr, si :
b−a
w1 = w2 = x1 = a et x2 = b.
2
on retrouve la formule du trapèze. Mais est-ce un choix optimal ?
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 109 / 179
Quadratures de Gauss

Position du problème
Pour répondre à cette question, nous allons dans un premier temps nous
restreindre à l’intervalle [−1, 1], où nous ferons tout le développement.
Pour un intervalle quelconque, il suffira d’effectuer le changement de
variable :
(b − a)t a+b b−a
x= + et dx = dt.
2 2 2
qui envoie l’intervalle [−1, 1] sur un intervalle quelconque [a, b]. En effet,
le changement de variable permet d’écrire que :
Z b Z 1 
b−a 1

(b − a)t a+b b−a
Z
f (x)dx = f + dt = g (t)dt,
a −1 2 2 2 2 −1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 110 / 179


Quadratures de Gauss

Position du problème
De manière générale, on cherche des expression de la forme :
Z 1 n
X
g (t)dt ≈ wk g (tk ), (7)
−1 k=1

dont le degré de précision soit le plus élevé possible.


Définition
L’expression (7) est appelée quadrature de Gauss à n points. Les tk sont
appelés points d’intégration, tandis que les coefficients wk sont les poids
d’intégration.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 111 / 179


Quadratures de Gauss

Quadrature de Gauss à 1 point


Dans ce cas particulier, la recherche d’une expression de la forme :
Z 1
g (t)dt ≈ w1 g (t1 ),
−1

qui soit exacte dans le cas des polynômes de degré le plus élevé possible
donne la quadrature de Gauss à 1 point qui s’écrit :
Z 1
g (t)dt ≈ 2g (0),
−1

et qui est exacte pour tout polynome de degré 1.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 112 / 179


Quadratures de Gauss

Quadrature de Gauss à 1 point

Exercice
Démontrer la quadrature de Gauss à 1 point.

Remarque
La quadrature de Gauss à 1 point a le même degré de précision (1) que la
méthode du trapèze, qui est une formule à 2 points. La quadrature de
Gauss à 1 point est également connue sous le nom de formule du point du
milieu.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 113 / 179


Quadratures de Gauss

Quadrature de Gauss à 2 points


On doit maintenant déterminer les 4 coefficients inconnus de l’expression :
Z 1
g (t)dt ≈ w1 g (t1 ) + w2 g (t2 ),
−1

La formule de Gauss à deux points s’écrit alors :


Z 1    
1 1
g (t)dt ≈ g − √ +g √
−1 3 3
et est exacte dans le cas des polynômes de degré inférieur ou égal à 3.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 114 / 179


Quadratures de Gauss

Quadrature de Gauss à 2 points

Exercice
Démontrer la quadrature de Gauss à 2 points.

Remarque
Pour un même nombre de points d’intégration, la quadrature de Gauss à 2
points a un degré de précision de 3 par comparaison avec 1 pour la
méthode du trapèze. Pour un même effort de calcul, on a ainsi une plus
grande précision.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 115 / 179


Résolution approchée des systèmes linéaires

Motivation
Un rayonnement électromagnétique traversant une solution contenant
P solutés s1 , s2 , s3 , · · · , sn est absorbé selon la loi de Beer suivante :
plusieurs
A = ni=1 ki (λ)ci , où A est appelé absorbance du rayonnment ou de la
solution, λ longueur d’onde du rayonnement, ci concentration molaire du
soluté si , ki est un coefficient dependant de la longueur d’onde. On se
propose de déterminer les concentrations c1 , c2 , c3 , c4 dans une solution
contenant 4 solutés. Pour celà on posséde ainsi :
On détermine expérimentalement les coefficients ki (λ) pour diverses
valeurs de λ en mesurant l’absorbance d’un rayonnement de longueur
d’onde λ par une solution contenant uniquement le soluté si avec une
concentration connue.
On mesure l’absorbance A(λ) de ce même rayonnement par la
solution étudiée.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 116 / 179
Résolution approchée des systèmes linéaires

Motivation
Les résultats de cette mesure sont donnés dans le tableau suivant :

λ(µm) K1 (λ) K2 (λ) K3 (λ) K4 (λ) A(λ)


13,5 2,2530 0.0771 0.000 0.0612 0.1581
13.0 0.0392 1.7274 0.000 1.236 0.1634
13.4 0.0512 0.0533 3,7980 0,4400 0.3823
14.3 0.0510 0.1025 0.000 0.5205 0.0642

On se propose de trouver les concentrations c1 , c2 , c3 et c4 .

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 117 / 179


Résolution approchée des systèmes linéaires
Position du problème
Un certain nombre de problèmes scientifique s’exprime sous forme de
systèmes d’équations à plusieurs inconnues. De même un certain nombre
de méthodes d’Analyse numérique se transforme à la résolution des
systèmes d’équations linéaires. Nous pouvons citer :
la méthode d’approximation par les moindres carrés
l’approximation spline
la méthode des différences finies pour les équations différentielles à
valeurs aux limites et pour les équations aux dérivées partielles,
formulation matricielle de la méthode des éléments finis, les systèmes
différentiels, etc...
Les systèmes d’ équations sont donc présent en physique, en ingénérie, en
mécanique, en sciences biologique et chimique et dans d’autres domaines
de sciences exacte. Ils interviennent également en sciences sociales
(économie, politique, sociologie...).
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 118 / 179
Résolution approchée des systèmes linéaires

Position du problème
Dans le cas des systèmes linéaires, ces méthodes de résolution peuvent
être classées en deux catégories :
- les méthodes directes qui conduisent à la solution après un certain
nombre d’opérations connu à priori (méthode de déterminant ou
Cramer, élimination successive, inversion des matrices) ;
- les méthodes itératives qui conduisent à la solution par une succession
d’amélioration d’une solution approchée. Le nombre d’itération étant
difficile à prévoir et dépendant de la forme du système (méthode de
Jacobi et méthode de Gauss-Seidel).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 119 / 179


Résolution approchée des systèmes linéaires
Résolution d’un système triangulaire
Dans tout ce qui suit on considérera une matrice A ∈ Mn (R) qu’on
supposera inversible. On cherche à résoudre le système linéaire :
Ax = b,
où b ∈ Rn est donné. Un cas facile à traiter est le cas où A est une
matrice triangulaire inférieure (pour fixer les idées) : on a alors
aij = 0, pour j > i.
De plus, comme A est inversible on a nécessairement aii 6= 0, ∀i. La
méthode de résolution est immédiate :
b1
x1 = ,
a11
puis
1
a21 x1 + a22 x2 = b2 ⇒ x2 = (b2 − a21 x1 ).
a22
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 120 / 179
Résolution approchée des systèmes linéaires
Résolution d’un système triangulaire
On peut donc écrire la formule générale :
 
i−1
1  X
xi = bi − aij xj  , pour i = 1, 2, . . . n.
aii
j=1

On obtient donc les valeurs des inconnues dans l’ordre naturel.


Dans le cas où la matrice A est triangulaire supérieure, le calcul des
inconnues est donné par
 bn
x = ,
 n


 ann 
n
1  X
 xi = aii bi − aij xj  , pour i = n − 1, n − 2, , . . . 2, 1.



j=i+1

On notera que l’on obtient dans ce dernier cas les valeurs des inconnues
dans l’ordre des indices décroissants.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 121 / 179
Résolution approchée des systèmes linéaires

Unicité de la factorisation LU

Théorème
:Si au cours de l’élimination de Gauss les pivots sont non nuls, alors il
existe une matrice triangulaire inférieure L et une matrice triangulaire
supérieure U, telles que l’on ait

A = LU.

De plus si on impose à L d’avoir ses éléments diagonaux égaux à 1 alors la


factorisation est unique.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 122 / 179


Calcul direct de la factorisation A = LU

Motivations de la factorisation LU

- Résolution des systèmes linéaires


Reprenons le système
Ax = b
Si l’on dispose d’une factorisation A = LU, alors on peut récrire
Ax = b sous la forme
LUx = b
La solution de ce système s’obtient en résolvant successivement les
deux systèmes 
Ly = b,
Ux = y ,
ce qui correspond à la résolution de deux systèmes triangulaires.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 123 / 179


Calcul direct de la factorisation A = LU

Motivations de la factorisation LU

- Calcul du déterminant
Comme la matrice U n’est pas semblable à A, cependant on a
n
(k)
Y
det(A) = det(LU) = det(L)det(U) = det(U) = akk
k=1

La factorisation LU qui fournit une méthode économique (par rapport au


développement suivant une ligne ou une colonne) de calcul du déterminant
de A. A titre d’exemple dans le cas n = 100, il faut de l’ordre de 106
opérations en utilisant la méthode de Gauss et de l’ordre de n! ≈ 10158
opérations par un calcul direct.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 124 / 179


Calcul direct de la factorisation A = LU

Principe du calcul direct de la factorisation LU


Rappelons la présentation classique de l’algorithme de Doolittle. On oublie
l’algorithme d’élimination de Gauss, pour chercher directement une
décomposition de A de la forme A = LU, où L est triangulaire inférieure et
U triangulaire supérieure. Pour assurer l’unicité de la décomposition, nous
demandons que la diagonale de L soit unitaire (lii = 1, i = 1, . . . , n).
Traitons un exemple, soit la matrice
 
2 1 −2
A =  4 5 −3 
−2 5 3

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 125 / 179


Calcul direct de la factorisation A = LU

Principe du calcul direct de la factorisation LU


On cherche
   
1 0 0 x x x
L= x 1 0  et U= 0 x x 
x x 1 0 0 x

telle que A = LU
- On identifie la première ligne de A et la première ligne de LU, cela
permet d’obtenir la première ligne de U :
     
1 0 0 2 1 −2 2 1 −2
LU =  x 1 0   0 x x  =  4 5 −3 
x x 1 0 0 x −2 5 3

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 126 / 179


Calcul direct de la factorisation A = LU

Principe du calcul direct de la factorisation LU

- On identifie la première colonne de A avec la première colonne de LU,


cela permet d’obtenir la première colonne de L :
     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 x x  =  4 5 −3 
−1 x 1 0 0 x −2 5 3

- On identifie la deuxième ligne de A avec la deuxième ligne de LU,


cela permet d’obtenir la deuxième ligne de U :
     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 3 1  =  4 5 −3 
−1 x 1 0 0 x −2 5 3

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 127 / 179


Calcul direct de la factorisation A = LU

Principe du calcul direct de la factorisation LU

- On identifie la deuxième colonne de A avec la deuxième colonne de


LU, cela permet d’obtenir la deuxième colonne de L :
     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 3 1  =  4 5 −3 
−1 2 1 0 0 x −2 5 3

- On identifie la troisième ligne de A avec la troisième ligne de LU, cela


permet d’obtenir la troisième ligne de U :

     
1 0 0 2 1 −2 2 1 −2
LU =  2 1 0   0 3 1  =  4 5 −3 
−1 2 1 0 0 −1 −2 5 3

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 128 / 179


Traitement des matrices symétriques

La factorisation LDLT
Lorsqu’une matrice A est symétrique, alors la factorisation A = LU,
lorsque celle-ci est possible, peut prendre une forme particulière tenant
compte de cette symétrie :
Proposition
Si A est symétrique avec toutes ses sous-matrices principales régulières,
alors elle admet une unique factorisation sous la forme

A = LDLT ,

où L est une matrice triangulaire inférieure à diagonale unité et D une


matrice diagonale régulière.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 129 / 179


Traitement des matrices symétriques
Nous aurons besoin du lemme suivant pour pouvoir faire la démonstration
du théorème principal concernant l’existence et l’unicité de la
factorisation :
La factorisation de Cholesky : existence
Lemme
Une matrice A symétrique définie positive a toutes ses sous-matrices
principales [A]k régulières.

Théorème
Si A est une matrice symétrique définie positive elle admet une unique
factorisation sous la forme
A = BB T ,
où B est une matrice triangulaire inférieure dont tous les éléments
diagonaux sont positifs.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 130 / 179
Algorithme de Cholesky

Il s’agit d’une adaptation de la factorisation LU, à un système dont la


matrice A est symétrique définie positive. L’algorithme se décompose en
trois étapes :
• Calcul de la décomposition de la matrice du système,
• Résolution du premier système triangulaire,
• Résolution du deuxième système triangulaire.
Plus précisément, on cherche une décomposition de la matrice A du
système, de la forme A = BB T , où B est une matrice triangulaire
inférieure dont les termes diagonaux sont positifs ( B T désigne sa
transposée).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 131 / 179


Méthodes itératives de résolution des systèmes
linéaires

Principes généraux
Les méthodes itératives sont utilisées soit pour la résolution de systèmes
linéaires de très grande taille, soit lorsque l’on dispose d’une estimation de
la solution que l’on veut améliorer.
Une méthode itérative consiste à construire une suite de vecteurs
x (0) , x (1) , . . . , x (k) , . . . , qui, on l’espère, ou mieux on le démontre,
convergera vers la solution du système linéaire à résoudre.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 132 / 179


Méthodes itératives de résolution des systèmes
linéaires

Principes généraux
Soit A ∈ Mn (R)une matrice régulière et b ∈ Rn donnés. On se propose de
résoudre le problème
f (x) = Ax − b = 0
par une méthode itérative de la forme suivante :
 (0)
x donné
Mx (k+1) = Nx (k) + b

où les matrices M, N ∈ Mn (R), M inversible, sont convenablement


choisies.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 133 / 179


Méthodes itératives de résolution des systèmes
linéaires

Principes généraux
Si cette méthode itérative converge, c’est-à-dire si la suite x (k) converge
vers x ∗ alors on a, à la limite,

(M − N)x ∗ = b,

ce qui correspondra à la résolution de Ax = b si

A=M −N

Il y a une infinité de choix possibles pour M et N vérifiant A = M − N,


nous allons en donner deux à titre d’exemples. L’idée est bien sûr de
choisir une matrice M particulièrement facile à inverser, par exemple
diagonale, ou bien triangulaire inférieure. Ces deux choix correspondent
respectivement à la méthode de Jacobi et à la méthode de Gauss-Seidel.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 134 / 179
Méthodes itératives de résolution des systèmes
linéaires
La méthode de Jacobi
Le système linéaire Ax = b s’écrit
 n
P
a1j xj = b1 ,






 j=1


 ...

 P n
aij xj = bi , pour 2 ≤ i ≤ n − 1,

 j=1
...





 Pn
anj xj = bn .




j=1

La méthode de Jacobi consiste, à chaque itération k, à résoudre chaque


équation par rapport à l’une des variables, les autres étant fixées à leurs
valeurs obtenues à l’itération précédente.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 135 / 179
Méthodes itératives de résolution des systèmes
linéaires
La méthode de Jacobi
Soit donc le vecteur x (k) donné, alors on détermine successivement les
composantes de x (k+1) par les formules :
n

 a11 x1(k+1) = b1 − (k)
P


 a1j xj ,

 j=2



 ...
 n
(k+1) (k)
 P
aii xi = bi − aij xj , pour 2 ≤ i ≤ n − 1,

 j=1,j6=i
. . .




 n−1
(k+1) (k)
 P




 a nn x n = b n anj xj .
j=1

Les formules précédentes ne définissent effectivement x (k+1) que si les


coefficients diagonaux de A sont tous non nuls.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 136 / 179
Méthodes itératives de résolution des systèmes
linéaires
La méthode de Jacobi
On peut écrire les relations précédentes sous forme matricielle. Pour cela
introduisons la décomposition suivante de A :
A=D −E −E
avec
- D matrice diagonale contenant la diagonale de A,
- E matrice triangulaire inférieure (triangle inférieur de −A),
- F matrice triangulaire supérieure (triangle supérieur de −A),
Avec ces notations on peut écrire le système Ax = b sous la forme
Dx = (E + F )x + b
La méthode de Jacobi s’écrit
 (0)
x donné
Dx (k+1) = (E + F )x (k) + b
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 137 / 179
Méthodes itératives de résolution des systèmes
linéaires
La méthode de Jacobi : Exemple
Soit le système linéaire :
    
10 1 x1 11
=
2 10 x2 12
dont la solution est x1∗ = 1 et x2∗ = 1.
Ecrire les formules permettant de calculer l’itéré x (k+1) en fonction de
l’itéré x (k) . Que peut-on dire sur la convergence ou la divergence de la
méthode de Jacobi pour ce système ?
Mêmes questions pour le système linéaire :
    
1 10 x1 11
=
10 2 x2 12
dont la solution est x1∗ = 1 et x2∗ = 1.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 138 / 179
Méthodes itératives de résolution des systèmes
linéaires

La méthode de Gauss-Seidel
Il s’agit d’une modification de la méthode de Jacobi qui consiste à utiliser
pour chaque équation les composantes de x (k+1) déjà calculées, ceci
conduit aux formules
 n
(k+1) P (k)


 a11 x1 = b1 − a1j xj ,
j=2



. . .




i−1 n

 (k+1) P (k+1) P (k)
aii xi = bi − aij xj − aij xj , pour 2 ≤ i ≤ n − 1,

 j=1 j=i+1
...




n−1


 (k+1) P (k)+1
 ann xn

 = bn − anj xj .
j=1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 139 / 179


Méthodes itératives de résolution des systèmes
linéaires

La méthode de Gauss-Seidel
Sous forme matricielle cela revient à écrire le système Ax = b sous la forme

(D − E )x = Fx + b,

où les matrices D, E et F ont été données dans le paragraphe référencé


sur la méthode de Jacobi. La méthode de Jacobi s’écrit
 (0)
x donné
(D − E )x (k+1) = Fx (k) + b

A chaque itération la matrice du système à résoudre est triangulaire


inférieure.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 140 / 179


Méthodes itératives de résolution des systèmes
linéaires

La méthode de Gauss-Seidel
On observe que les méthodes de Jacobi et Gauss-Seidel que nous venons
de voir peuvent se mettre sous la forme Mx (k+1) = Nx (k) + b :
- M = D, N = E + F , pour la méthode de Jacobi,
M = D − E , N = F , pour la méthode de Gauss-Seidel.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 141 / 179


Méthodes itératives de résolution des systèmes
linéaires

La méthode de Gauss-Seidel Exemple


Ecrire les formules permettant de calculer l’itéré x (k+1) en fonction de
l’itéré x (k) avec la méthode Gauss-Seidel pour résoudre les systèmes
linéaires de l’exemple précédent. Que peut-on dire sur la convergence ou la
divergence de la méthode de Gauss-Seidel pour ces systèmes ?

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 142 / 179


Méthodes itératives de résolution des systèmes
linéaires
Etude de la convergence des méthodes itératives
Commençons par étudier la convergence de la méthode itérative
 (0)
x donné
(8)
x (k+1) = Cx (k) + d

Proposition
S’il existe une norme matricielle subordonnée telle que

kC k < 1

la méthode (8) est convergente quel que soit le choix de x (0) et elle
converge vers la solution de

(I − C )x ∗ = d.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 143 / 179
Méthodes itératives de résolution des systèmes
linéaires
Etude de la convergence des méthodes itératives
Définition
On dit que la matrice A est à diagonale strictement dominante si
X
kaii | > |aij |, ∀i, 1 ≤ i ≤ n.
j6=i

Proposition
Si la matrice A est à diagonale strictement dominante alors les méthodes
de Jacobi et Gauss-Seidel sont convergentes.

Proposition
Si la matrice A est symétrique définie positive, alors la méthode de
Gauss-Seidel est convergente.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 144 / 179
Normes matricielles
Normes vectorielles
Les normes matricielles sont aussi un outil indispensable pour le calcul du
conditionnement d’une matrice, indicateur de la ”bonne résolution” d’un
système linéaire.
Définition
Soit E un espace vectoriel sur K (K = R ou C). On appelle norme sur E
une application de E dans R+ notée

x 7−→ kxk

possédant les propriétés suivantes : quel que soit x ∈ E , y ∈ E , λ ∈ K :


1 kxk = 0 ⇔ x = 0
2 kλxk = |λ| kxk
3 kx + y k ≤ kxk + ky k

Samuel BOWONG
La notation |λ| représente la valeur
( Samuel BOWONG) ANALYSE absolue
NUMERIQUEou le module de λ suivant145
que/ 179
Normes matricielles

Normes vectorielles
n
E = Rn , kxk1 =
P
|xi |,
i=1
r P
E = Rn , kxk2 = , (norme euclidienne)
i=1n xi2

E = Rn , kxk∞ = max |xi |


i=1,...,n
s
n
E = Cn , kxk2 = |xi |2 avec |xi |2 = xi x̄i
P
i=1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 146 / 179


Normes matricielles
Définition de la norme matricielle
Définition
On appelle norme matricielle une application qui à une matrice
quelconque, associe un nombre réel positif. On note cette application de
Mn (R) dans R+ :
A 7−→ kAk
et elle possède les propriétés suivantes :
1 kAk = 0 ⇔ A = 0
2 kλAk = |λ| kAk, ∀A ∈ Mn (R), ∀λ ∈ R
3 kA + Bk ≤ kAk + kBk, ∀A, B ∈ Mn (R)
4 kABk ≤ kAk kBk, ∀A, B ∈ Mn (R)
Les normes matricielles vérifient donc, en plus des propriétés des normes
vectorielles, une relation sur le produit des matrices.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 147 / 179
Normes matricielles

Définition de la norme matricielle

Définition
Soit A ∈ Mmn (R). Etant donnée une norme (vectorielle) sur Cn , et une
norme (vectorielle) sur C m on appelle norme matricielle subordonnée, une
norme matricielle définie par

kAxk
kAk = max
x∈Cn , x6=0 kxk

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 148 / 179


Normes matricielles

Etude de la norme matricielle subordonnée à la norme


euclidienne

Théorème
Si A ∈ Mn (R) )est symétrique alors

x T Ax
max λk = max ,
1≤k≤n x∈Rn x6=0 x T x

où (λ)1≤k≤n sont les valeurs propres (réelles) de A.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 149 / 179


Normes matricielles

Rayon spectral

Définition
Soit A ∈ Mn (C), on appelle rayon spectral de A et on note ρ(A) le
nombre réel
ρ(A) = max |λi |
1≤i≤n

où (λ)1≤k≤n sont les valeurs propres (complexe) de A.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 150 / 179


Normes matricielles

Rayon spectral

Théorème
- Soit A ∈ Mnm (R), alors

kAk22 = ρ(AAT ) = ρ(AT A).

- Si la matrice C est symétrique, alors

kC k2 = ρ(C ).

Soit A ∈ Mnm (R), alors

kAk22 = kAAT k2 = kAT Ak2 .

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 151 / 179


Conditionnement d’un système linéaire

Introduction au conditionnement d’une matrice


Lorsque l’on a résolu numériquement un système linéaire il est possible que
la solution trouvée soit très différente de la solution exacte. En effet dans
certains cas une petite modification du second membre ou de la matrice
du système entraı̂ne une grande modification de la solution. Par exemple la
résolution de Ax = b avec le choix de A et b suivant
     
10 7 8 7 32 1
 7 5 6 5   23   1 
A=  8 6 10 9  , b =  32  donne pour solution x =  1
    

7 5 9 10 31 1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 152 / 179


Conditionnement d’un système linéaire

Introduction au conditionnement d’une matrice


Le choix d’un nouveau second membre b + δb
   
32.1 9.2
 22.9   −12.6 
b + δb =  33.1  donne pour solution x =  4.5 
  

30.9 1.1

Une faible erreur relative sur la norme de b induit une erreur relative sur la
norme de x beaucoup plus importante, par exemple si on prend la norme
k.k∞ , on a :
kδbk∞ kδxk∞
= 3.103 = 13.6
kbk∞ kxk∞
Une telle situation est due au fait que la matrice A a un conditionnement
grand (on dit également que A est mal conditionnée), au sens de la
définition suivante :
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 153 / 179
Conditionnement d’un système linéaire

Introduction au conditionnement d’une matrice

Définition
On appelle conditionnement de A relatif à une norme subordonnée le
nombre
χ(A) = kAk kA−1 k.

Dans l’exemple précédent on a


 
25 −41 10 −6
−41 68 −17 10
A−1 = 
 
,
 10 −17 5 −3 
−6 10 −3 2

et χ∞ = kAk∞ kA−1 k∞ = 4488

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 154 / 179


Conditionnement d’un système linéaire

Introduction au conditionnement d’une matrice

Proposition
Si la matrice A est symétrique et si l’on prend la norme subordonnée à la
norme euclidienne, on a
max |λi |
1≤i≤n
χ2 =
min |λi |
1≤i≤n

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 155 / 179


Conditionnement d’un système linéaire

Lien entre le conditionnement et les erreurs


On va démontrer maintenant des inégalités liant le conditionnement de A
et les erreurs relatives sur b etx :
Théorème
On suppose que l’on a Ax = b et

A(x + δx) = b + δb, on perturbe le second membre

Alors,
kδxk kδbk
≤ χ(A)
kxk kbk

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 156 / 179


Résolution approchée des équations non linéaires

Motivation
Le client d’une banque dépose au début de chaque année v euros dans un
fonds d’investissement et en retire, à la fin de la n-ème année, un capital
de M euros. Nous voulons calculer le taux d’intérêt annuel moyen T de cet
investissement. Comme M est relié à T par la relation :
n
X 1+T
M=v (1 + T )k = v [(1 + T )n − 1],
T
k=1

nous déduisons que T est racine de l’équation algébrique non linéaire :


1+T
f (T ) = 0 où f (T ) = M − v [(1 + T )n − 1]. (9)
T

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 157 / 179


Résolution approchée des équations non linéaires

Position du problème
Soit donné l’équation f (x) = 0 où f (x) est une fonction définie et
continue sur un certain intervalle [a, b]. On admettra que f (x) est de
classe C 2 [a, b] et que f (a) et f (b) sont de signe contraire, i.e.,
0 00
f (a)f (b) < 0 et les deux dérivées f (x) et f (x) garde chacune le même
signe sur [a, b]. Sous ces conditions, l’équation f (x) = 0 possède sur [a, b]
0
une et une seule racine (f (x) garde le signe sur [a, b] implique que la
00
fonction y = f (x) est monotone sur [a, b] ; f (x) garde le même signe sur
[a, b] implique que la courbe y = f (x) a sur [a, b] une convexité soit
orientée vers le haut, soit orientée vers la bas).

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 158 / 179


Résolution approchée des équations non linéaires à
une inconnue

Principe de résolution
On veut résoudre f (x) = 0, où f est une fonction de R dans R non linéaire
(sinon c’est évident !). On recherche donc un nombre réel x ∗ tel que
f (x ∗ ) = 0. Comme pour toute méthode itérative, on va donc construire
une suite de nombres réels x (0) , x (1) , . . . , x (k) , . . .qui converge vers x ∗ .
Puisqu’ici les termes de la suite sont des nombres réels, on les notera plus
simplement x0 , x1 , . . . , xk , . . .

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 159 / 179


Résolution approchée des équations non linéaires à
une inconnue

Méthode de la dichotomie
Le principe de la dichotomie est très simple. On suppose que
f : [a, b] → R est continue et que f (a)f (b) < 0, c’est-à-dire qu’il y a au
moins une racine réelle de f dans [a, b].
On prend alors le milieu de l’intervalle c = a+b2 . Si f (c) = 0 (ou
numériquement très proche de 0) on considère que l’on a résolu le
problème. Autrement deux cas peuvent se présenter. Si f (a)f (c) < 0, alors
f a une racine réelle dans [a, c] (au moins une, en tous cas, un nombre
impair de racines), autrement f (a)f (c) > 0 et donc f (a)f (b)f (a)f (c) < 0,
ce qui donne f (b)f (c) < 0 et f a une racine réelle dans [c, b]. On itère
alors le processus avec l’intervalle qui contient au moins une racine.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 160 / 179


Résolution approchée des équations non linéaires à
une inconnue

Méthode de la dichotomie
La méthode de dichotomie s’écrit :
a+b
a0 = a, b0 = b, x0 = ,
2
si f (xk )f (ak ) < 0 alors ak+1 = ak et bk+1 = xk sinon ak+1 = xk et
bk+1 = bk .
ak+1 + bk+1
xk+1 = ,
2
Il est clair qu’à chaque itération la longueur lk de l’intervalle de
localisation de la racine x ∗ est divisée par 2. On sait de plus que
|xk − x ∗ | ≤ lk , d’où le résultat de convergence de la suite (xk ) vers x ∗ si
on montre que lk tend vers 0.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 161 / 179
Résolution approchée des équations non linéaires à
une inconnue
Méthode de la dichotomie
Proposition
La suite de segments ([ak , bk ])k≥0 est telle que

b−a
lk = bb − ak = , k ≥ 1.
2k
Cette proposition est utile sur le plan numérique ; en effet elle renseigne sur
le nombre minimal d’itérations nécessaires pour calculer la racine à ε près,
ε > 0 étant une précision fixée à l’avance par l’utilisateur (test d’arrêt). En
effet, on peut montrer (en exercice) que ce nombre n doit vérifier
 
b−a
n ≥ log2
ε
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 162 / 179
Résolution approchée des équations non linéaires à
une inconnue

Le principe des méthodes de point fixe


Pour résoudre f (x) = 0, on peut se ramener à un problème équivalent de
la forme g (x) = x (par exemple en posant g (x) = f (x) + x). Mais il y a
beaucoup de choix possibles pour définir g ! La résolution de g(x)=x
s’appelle recherche des points fixes de g .
Par exemple, pour calculer la racine carrée d’un nombre réel a > 0, on
résout x 2 = a. Il existe alors différentes manières de se ramener à un
problème de point fixe :
a a
- x = et g1 (x) = .
x x
a a a
- 2x = x = soit x = 2x − et g2 (x) = 2x − .
x x x
x a x a
- x = + , et g3 (x) = +
2 2x 2 2x
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 163 / 179
Résolution approchée des équations non linéaires à
une inconnue

Le principe des méthodes de point fixe


Pour résoudre g (x) = x, problème équivalent à f (x) = 0, les méthodes
dites de point fixe, consistent à construire la suite x0 , x1 , . . . ., xk , . . . de la
façon suivante : 
x0 donné
xk+1 = g (xk ), k >0
Si la suite (xk ) converge, la continuité de g implique qu’elle converge vers
un point fixe x ∗ de g . En effet

x ∗ = lim xk+1 g ( lim xk ) = g (x ∗ )


k→∞ k→∞

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 164 / 179


Résolution approchée des équations non linéaires à
une inconnue

Convergence des méthodes de point fixe

Proposition
Soit une fonction g [a, b] → [a, b] continûment dérivable sur [a, b] et
supposons que
|g 0 (x)| ≤ k < 1, ∀x ∈ [a, b]
Alors g possède un point fixe unique x ∗ ∈ [a, b] et la suite

x0 donnédans[a, b]
xn+1 = g (xn ), n>0

converge vers x ∗

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 165 / 179


Résolution approchée des équations non linéaires à
une inconnue
Convergence des méthodes de point fixe
De même que pour la dichotomie, on peut estimer le nombre d’itérations
nécessaires pour obtenir une précision donnée. En effet, vous pourrez
montrer en exercice, que
kn
|xn − x ∗ | ≤ |x1 − x0 |.
1−k
Donc, pour une précision ε donnée, le nombre d’itérations n est donné par
(1−k)ε
kn ln |x1 −x1 |
|x1 − x0 |. ≤ εn ≤
1−k ln k

Proposition
Soit x ∗ un point fixe de g , fonction continûment dérivable, tel que
|g 0 (x ∗ )| < 1, alors la suite (xn) définie par xn+1 = g (xn ) converge vers x ∗
si x0 est
Samuel suffisamment
BOWONG proche de x ∗ .
( Samuel BOWONG) ANALYSE NUMERIQUE 166 / 179
Résolution approchée des équations non linéaires à
une inconnue
La méthode de Newton pour résoudre une équation
La méthode de Newton s’utilise pour calculer une racine de f (x) = 0, où f
est une fonction deux fois continûment dérivable de [a, b] dans R. En voici
le principe : soit x0 donné, on écrit le développement de Taylor en x0 :
f (x) = f (x0 ) + (x − x0 )f 0 (x0 ) + (x − x0 )ε)(x − x0 )
La méthode de Newton consiste à négliger les termes d’ordre supérieur à 1
(ce qui revient à assimiler localement la courbe à sa tangente) et à
considérer alors que x1 est le point qui annule l’approximation de f ainsi
obtenue, c’est-à-dire
0 = f (x0 ) + (x1 − x0 )f 0 (x0 ))
ce qui donne
f (x0 )
x1 = x0 −
f 0 (x0 )
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 167 / 179
Résolution approchée des équations non linéaires à
une inconnue

La méthode de Newton pour résoudre une équation


L’algorithme de Newton pour résoudre une équation f (x) = 0 est le
suivant

 x0 donné
f (xn )
 xn+1 = xn − 0 , n≥0
f (xn )
Il s’agit donc d’une méthode de point fixe xn+1 = g (xn ) pour laquelle g
est définie par
f (x)
g (x) = x − 0
f (x)
La méthode de Newton est une méthode de point fixe telle que g 0 (x ∗ ) = 0
c’est-à-dire que la dérivée s’annule au point fixe de la fonction g .
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 168 / 179
Résolution approchée des équations non linéaires à
une inconnue

Convergence de la méthode de Newton pour résoudre une


équation

Proposition
Soit f une fonction deux fois continûment dérivable sur [a, b] et x ∗ ∈ [a, b]
tel que f (x ∗ ) = 0 et f 0 (x ∗ ) 6= 0. Alors il existe α > 0 tel que la suite
générée par la méthode de Newton

f (xn )
xn+1 = xn − ,
f 0 (xn )

converge vers x ∗ pour tout x0 ∈ [x ∗ − α, x ∗ + α].

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 169 / 179


Résolution approchée des équations non linéaires à
une inconnue

Convergence de la méthode de Newton pour résoudre une


équation

Proposition
Soit g une fonction deux fois continûment dérivable de [a, b] dans [a, b],
soit x ∗ ∈ [a, b] tel que g (x ∗ ) = x ∗ et g 0 (x ∗ ) = 0, soit x0 ∈ [a, b], on définit
xn+1 = g (xn ), alors :

M
|xn+1 − x ∗ | ≤ |xn − x ∗ |2 ,
2
où M = max |g 00 (x)|.
x∈[a,b]

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 170 / 179


Résolution approchée des équations non linéaires à
une inconnue
La méthode de Newton pour résoudre une équation : Exemple
Calculer par la méthode de Newton la racine sur [1; 1, 7] de l’équation
x 4 − 2x − 4 = 0 avec une précision de l’ordre de 0,01. On a
f 0 (x) = 4x 3 − 2, f 00 (x) = 12x 2 . Puisque f (1, 7)f 00 (1, 7) > 0 (voir l’exemple
précédent), on prend x0 = 1, 7. On trouve tour à tour

f (x0 ) f (1, 7) 0, 952


x1 = x0 − 0
= 1, 7 − 0 = 1, 7 − = 1, 646
f (x0 ) f (1, 7) 17, 652
et f (x0 )f (x1 ) > 0.

f (x1 ) f (1, 646) 0, 048


x2 = x1 − = 1, 646 − 0 = 1, 646 − = 1, 643
f 0 (x1 ) f (1, 646) 15, 838
et f (x1 )f (x2 ) > 0.

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 171 / 179


Résolution approchée des équations non linéaires à
une inconnue

La méthode de la sécante
Cette méthode peut être vue comme une approximation de la méthode de
Newton, présentée dans le paragraphe référencé. En effet la méthode de
Newton nécessite le calcul de la dérivée de la fonction en un point à
chaque itération. Si le calcul de la dérivée est coûteux en temps ou peu
précis (par exemple c’est le résultat d’une approximation numérique), on
peut approcher la dérivée de la manière suivante

f (xn ) − f (xn−1 )
f 0 (xn ) =
xn − xn−1

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 172 / 179


Résolution approchée des équations non linéaires à
une inconnue
La méthode de la sécante
On obtient ainsi la méthode de la sécante :


 x0 , x1 donnés tels que f (x0 )f (x1 ) < 0,

f (xn )(xn − xn−1 )
 xn+1 = xn −


f (xn ) − f (xn−1 )
Ceci signifie, graphiquement, que l’on remplace la tangente par la ”corde”.
Il s’agit en effet de l’intersection de la droite passant par les points
(xn , f (xn )) et (xn−1 , f (xn−1 )) avec l’axe Ox.
Remarque
Cette méthode n’est pas une méthode de point fixe puisque chaque point
de la suite est construit à partir des deux précédents.
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 173 / 179
Résolution approchée des équations non linéaires à
une inconnue
La méthode de la sécante : Exemple
Calculer par la méthode de cordes la racine sur [1; 1, 7] de l’équation
x 4 − 2x − 4 = 0 avec une précision de l’ordre de 0,01.
Pour cet exemple nous avons f (1) = −5 < 0, f (1, 7) = 0, 952 > 0.
Trouvons la première approximation par la formule :

(1, 7 − 1)f (1)


x1 = 1 − = 1, 588
f (1, 7) − f (1)
puisque f (x1 ) = f (1, 588) = −0, 817 < 0, nous appliquons une fois de plus
la méthode de cordes sur [1, 588; 1, 7],ce qui nous donne la deuxième
approximation :

(1, 7 − 1, 588)f (1, 588)


x2 = 1, 588 − = 1, 639
f (1, 7) − f (1, 588)
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 174 / 179
Résolution approchée des équations non linéaires à
une inconnue
La méthode de la sécante : Exemple
f (1, 639) = −0, 051 < 0.
On trouve la troisième approximation :

(1, 7 − 1, 639)f (1, 639)


x3 = 1, 639 − = 1, 642
f (1, 7) − f (1, 639)
f (1, 642) = −0, 016 < 0.
Trouvons la quatrième approximation :

(1, 7 − 1, 642)f (1, 642)


x4 = 1, 642 − = 1, 643
f (1, 7) − f (1, 642)
f(1,643) = 0,004¿0
Ce qui signifie que la racine cherchée se trouve sur le segment
[1, 642; 1, 643]. D’autre part, 1,643-1,642 = 0,001. Par conséquent la
racineBOWONG
Samuel approchée( Samuel
cherchée avec une précision de l’ordre de 0,01 est
BOWONG) ANALYSE NUMERIQUE 175 / 179
Résolution d’un système d’équations non-linéaires

La méthode de Newton pour deux équations non-linéaires


On veut maintenant résoudre deux équations à deux inconnues :

f1 (x1 , x2 ) = 0
f2 (x1 , x2 ) = 0

On manipule maintenant des vecteurs de R2 que l’on peut noter


     
x1 f1 (x) f1 (x1 , x2 )
x= f (x) = =
x2 f2 (x) f2 (x1 , x2 )

Comme pour toutes les méthodes itératives que l’on a vues dans ce
chapitre, on va construire une suite de vecteurs censée converger vers une
solution de f (x) = 0, on notera les vecteurs de la suite
x (0 ), x (1) . . . , x (k) , . . .
Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 176 / 179
Résolution d’un système d’équations non-linéaires

La méthode de Newton pour deux équations non-linéaires


L’approximation par un développement de Taylor au premier ordre que
nous avons utilisée pour introduire la méthode de Newton pour une
équation peutêtre étendue à deux équations voire à n équations.
Explicitons-la pour 2 équations :
(0) (0)
Soit x (0) = (x1 , x2 ) un couple donné. écrivons le développement de
Taylor en ce point
∂f ∂f

 f1 (x) = f1 (x (0) ) + 1 (x (0) (x1 − x1(0) ) + 1 (x (0) )(x2 − x2(0) ) + reste

∂x1 ∂x2
∂f ∂f
 f2 (x) = f2 (x (0) ) + 2 (x (0) )(x1 − x1(0) ) + 2 (x (0) (x2 − x2(0) ) + reste

∂x1 ∂x2

Si l’on note Df (x (0) ) la matrice jacobienne de f au point x (0) définie par :

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 177 / 179


Résolution d’un système d’équations non-linéaires

La méthode de Newton pour deux équations non-linéaires

∂f1 (0) ∂f1 (0)


 
(x (x
 ∂x1 ∂x2 ∇f1 (x (0) )T
  
(0)
Df (x ) =  =
 
 ∂f ∂f2 (0)  ∇f2 (x (0) )T
2
(x (0) (x
∂x1 ∂x2
avec
∂f1 (0) ∂f2 (0)
   
(x (x
∇f1 (x (0) ) =  ∂x 1 et ∇f2 (x (0) ) =  ∂x1
   
∂f1 (0)  ∂f2 (0) 
(x (x
∂x2 ∂x2

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 178 / 179


Résolution d’un système d’équations non-linéaires

La méthode de Newton pour deux équations non-linéaires


Les relations précédentes peuvent s’écrire :

f (x) = f (x (0) ) + Df (x (0) )(x − x (0) ) + reste

soit encore

∇f1 (x (0) )T (x − x (0) )


 
(0)
f (x) = f (x )+
∇f2 (x (0) )T (x − x (0) )

Samuel BOWONG ( Samuel BOWONG) ANALYSE NUMERIQUE 179 / 179

Vous aimerez peut-être aussi