Vous êtes sur la page 1sur 20

Module : Analyse numérique kadri.

CHAPITRE 0 : ANALYSE NUMERIQUE

1. Définition de l’analyse numérique :


C’est un domaine des mathématiques ou l’on étudie des algorithmes permettant de
résoudre les problèmes de l’analyse mathématique à l’aide de calcule arithmétique.

Les méthodes numériques ont les caractéristiques suivant :

 Elles peuvent remplacer les méthodes analytiques quand celle-ci n’existe pas où quant
elles sont trop complexe.
 Elles conduisent à une approximation de la solution.
 Elles sont directement adaptables sur l’ordinateur.

2. Ou avons-nous besoin de l’analyse numérique:


Nous allons utiliser l’analyse numérique pour :

 La résolution des systèmes d’équation linéaire de type A.X =B.


 La recherche des valeurs et vecteurs propre d’une matrice carré.
 L’approximation et l’interpolation du donné numérique par des fonctions analytiques.
 Le calcule d’intégrale définie.
 La solution d’équation différentielle ordinaire.

3. Introduction sur les erreurs de calcul et les approximations :


Les méthodes numériques ne fournissent qu’une approximation de la solution et de se fait
introduisent une perte de précision c.-à-d. les erreurs.

Il existe plusieurs sortes d’erreurs :

a. Erreur d’arrondi : elles sont obtenues par arrondi, (ex : 617.086 devient 617.09)
b. Erreur absolue = |valeur exact –valeur approche|.
c. Erreur relatif = erreur absolue / valeur exact.

1
Module : Analyse numérique kadri.s

CHAPITRE 1 : RESOLUTION D’EQUATION NON LINEAIRE

1. Introduction :

Dans cette partie, nous allons discuter la résolution d’équations non linéaire à une seule
variable : f(x) = 0, x R.

Nous cherchons donc de trouvé des racines P réel pour f(P) =0, graphiquement cela revient
à trouvé les abscisses des points d’intersection de f(x) avec l’axe X.

Pour trouvé ces racines, il existe plusieurs méthodes de résolutions :

 Méthode de la bissection
 Méthode du point fixe
 Méthode de Newton-Raphson
 Méthode de la sécante

2. Méthode de la bissection :

Soit f une fonction numérique d’une variable réelle, on cherche les racines simples de
l’équation : f(x) = 0

 Trouver un intervalle [a, b], dans lequel P est un racine réelle de f(P) =0
 Théorème des valeurs intermédiaires :
- ( ) ( ) f admet un nombre impair de racines.
- ( ) ( ) f admet un nombre pair de racines.

On suppose que f est continue dans l’intervalle [a, b] et que ( ) ( ) .

 On pose

- Si f(c) =0 alors P =c.


- Si ( ) ( ) on remplace b par c.
- Sinon on remplace a par c.
 On continue cette opération jusqu’à ce qu’on trouve P avec la précision demandée.

2
Module : Analyse numérique kadri.s

3. Méthode du point fixe :


a. Principe :

Une équation de type ( ) , peut toujours s’écrire sous la forme équivalent :

x =F(x) où F(x) est une nouvelle fonction de x.

exemple : ( )

  ( ) √ où ( ) √
 ( ) ( )

  ( ) ( )

 ………

La méthode consiste à choisir une valeur initial x0 de la solution x* puis a calculer :

x1= F(x0), x2= F(x1), x3= F(x2), …………………………….

c.-à-d. d’une façon générale, faire des itérations, xn+1 =F(xn), pour n ={0,1,2,3…….}

{x1,x2,x3,………..} suite générée ne converge pas toujours, il arrive qu’elle converge pour
certaine valeur de x0 et pas pour d’autre.

b. Représentation géométrique : La relation x=F(x) peut se décomposer en : y1(x)=F(x)


et y2(x) = x. La solution x* est obtenue quand y1 = y2 donc à l’intersection du courbe.

Suivant la forme de F(x), on peut rencontré plusieurs cas de figure : x = F(x)

Dans les deux cas représenté, le procédé itératif génère une suite {x1, x2,…. Xn}, qui
converge vers x* qu’on n∞.

Si F’(x) (la tangente de F) est négatif, on a une convergence en spirale (‫)حلزوني‬.

Si F’(x) (la tangente de F) est positive, on a une convergence en escalier (‫)تدريجي‬.

3
Module : Analyse numérique kadri.s

 Dans les deux cas représenté, le procédé itératif génère une suite {x1, x2,…. Xn}, qui
diverge c.-à-d. que xn s’éloigne en plus en plus de la solution x* quand n augmente.
c. Convergence du procédé itératif :

Théorème : Si F(x) possède une dérivée telle que : si |F’(x)| < 1, xR alors  x0 R

La suite { x1, x2,…. Xn }, qui générée par xi = F(xi-1) : i= 1,2,…..n converge vers la solution x*
de x = F(x).

Cette condition est suffisante mais pas nécessaire, il existe suivant plusieurs façon de
réécrire la fonction f(x) = 0, il est donc souhaitable de choisir celle la quelle le procédé
converge.

Exemple : Soit la fonction : ( )

( ) ( )
( )
{ . / ( ) { ( )
… …

d. Arrêt des opérations : Comme il est impossible en pratique d’effectuer un nombre


infinie d’itérations, il est nécessaire de déterminer l’arrêt des opérations par des
tests suivants :
 | |
| |
 | |
 Si la convergence n’est pas obtenue avant un nombre raisonnable d’itérations donc
on considère le processus comme non convergent pour l’estimé x0 donné.
4. Méthode de Newton-Raphson :
a. principe :

Soit a trouvé x* telle que f(x*) = 0.

On trace la tangente en xn de la courbe


f(x), cette tangente coupe l’axe des (x)
en un point xn+1, l’équation de cette
tangente est : y =f’(xn).x + b.
X*
On a f(xn) = f’(xn).xn + b , X2 X1 X0

f(xn+1) = 0 = f’(xn).xn+1 + b

donc b = - f’(xn).xn+1  f(xn) = f’(xn).xn - f’(xn).xn+1

( ) ( )
( )
donc ( ) ( )

4
Module : Analyse numérique kadri.s

b. Convergence de la méthode :

Les conditions suffisante de convergence sont :

 Si ( ) ( ) et si ( ) et ( ) ne change pas de signe dans [ -, alors la


méthode convergera vers .
c. Arrêt des opérations :

Le test consiste a s’arreter des que la difference entre 2 iterations successive est inférieur à

 | |
 Si la convergence n’est pas obtenue avant un nombre raisonnable d’itérations donc
on considère le processus comme non convergent pour l’estimé x0 donné.

5. Méthode de la sécante :

L’inconvénient pratique de la méthode


newton Raphson est qu’elle demande la
connaissance de f’(x). si la formule qui
donne f(x) est très compliqué, le calcule de
f’(x) peut posé des problèmes. Pour
surmonter cet inconvénient, on utilise une
approximation numérique du dérivé.

( ) ( ) X* X3 X2 X1 X0
( )

On remplace cette expression dans l’équation de newton Raphson, on obtient :

( )
( )
( ) ( )

Pour appliquer cette méthode, il faut partir de 2 valeurs initiales .

5
Module : Analyse numérique kadri.s

CHAPITRE 2 : INTERPOLATION POLYNOMIALE ET APPROXIMATION

1. Introduction générale :

Il arrive que pour utiliser certain phénomène scientifique, on doit effectuer des mesures, le
phénomène observé par une fonction aussi simple que possible (polynôme).

Le but d’obtenue une valeur approché de phénomène étudier entre les points de mesure,
c’est ce qu’on appelle interpolation.

Le problème peut être posé comme suit :

A l’aide d’une série d’expérience, on mesure les valeurs d’une certain fonction f inconnue,
en (n+1) points différents (x0, f0), (x1, f1),……… (xn, fn), appartient [a, b],

On demande de trouvez un polynôme p(x) de degré inferieur où égale à n qu’est vérifier :


p(x0) = f0, p(x1) = f1 ……… p(xn) = fn

2. Polynôme de Lagrange :

Soit {(x0, f0), (x1, f1),……… (xn, fn)} L’ensemble des (n+1) points distincts de l’intervalle [a, b]
inclue dans R, alors il existe un polynôme unique pn(x) qui vérifier :

pn(xi )=fi ce polynôme est donne par :

( ) ∑ ( ) Avec ( ) ∏

Les polynômes li(x) sont appelés coefficients de Lagrange.

Ces polynômes ont les propriétés suivantes :

 Sont de degré n.

 ( ) {

Exemple :

trouver le polynôme d’interpolation pour ces données.

xi 2 2.5 4
yi 0.500 0.400 0.250
Solution :

( ) ∑ ( ) ( ) ( ) ( )

( ) ∏

6
Module : Analyse numérique kadri.s

( ) ∏

( ) ∏

( )
Remarque :

 Il ya beaucoup d’opération à effectuer pour obtenir P(x).


 Si on ajoute d’autre point, on doit refaire les calculs pour obtenir P(x).

3. Polynômes de Newton :

Cette méthode plus utilisée, si nous ajoutons où tranchons des points nous n’avons pas
refaire tous les calcules.

Supposant soient connues (n+1) valeurs y0, y1, …… yn de la fonction f(x) pour (n+1) valeurs
de la variable indépendante x0, x1, …… xn , la différence entre les valeurs consécutives de la
variable indépendante est supposé constante désignons la par h.

Nous voulons former un polynôme de degré inferieur où égale à n qui prend les valeurs
correspondantes de y pour les valeurs correspondantes de x : P(xn)=yn.

Ce polynôme est donnée par :

( ) . / . /. / . /. /…. /

( ) ∑ ∏( )

( )

∑( )

Exemple :

Trouver le polynôme d’interpolation pour ces données.

xi 0 1 2 3
yi 4 6 10 10

7
Module : Analyse numérique kadri.s

Solution : h= x=1

( ) . / . /. / . /. /. /

( )

( ) ( ) ( )( )

( )
( )

4. Méthode d’approximation et moyenne quadratique :

Nous avons étudie l’interpolation d’une fonction par un polynôme, le polynôme


d’interpolation pas exactement par les valeurs de la fonction où certain points, nous allons
maintenant supposé que nous connaissons les valeurs f(x1), f(x2) … f(xm) en m points
distinct et nous allons chercher un polynôme Pn de degré qui minimise la quantité

∑, ( ) ( )-

Pn est le polynôme meilleure approximation de la fonction f au sens des moindres carrés.

Le polynôme Pn(x) s’écrit sous la forme :

( ) ∑

Le but est de trouvé les coefficients aj qui rendre la courbe de E minimale.

Une condition nécessaire pour que E soit minimum est que :

∑, ( ) ( )- ∑ ( ) ∑ ( )

∑ ( ) ∑∑ ∑ ( ) ∑∑ ∑

Donc :
∑ ( ) ∑ ∑

8
Module : Analyse numérique kadri.s

Approximation linéaire :

Le polynôme d’approximation linéaire s’écrit sous la forme ( ) donc :

∑, ( ) -

Une condition nécessaire pour que E soit minimum est que : et

 ∑ , ( ) - ∑ ( ) ∑ ∑

∑ ( ) ∑ ∑ ………………1

 ∑ , ( ) - ∑ ( ) ∑ ∑

∑ ( ) ∑ ………………2

On obtient finalement un système linéaire de 2 équations à 2 inconnues.

Exemple : trouver la droite qui approxime le mieux où sens des moindres carrés selon ces
données :

xi 2 4 6 8

yi 2 11 28 40

Solution :

∑ , ∑ , ∑ ( ) et ∑ ( )

On trouve : et

( )

9
Module : Analyse numérique kadri.s

CHAPITRE 3 : INTEGRATION NUMERIQUE

1. Introduction générale :

L’objectif de l’intégration est de calculer


l’intégrale I(a,b)(surface) d’une fonction
f(x) sur l’intervalle [a,b].

( ) ∫ ( ) .

On supposera f(x) connue sur (n+1)


points dans l’intervalle [a,b] donc on
obtient n sous intervalles [xi, xi+1].

……

2. Méthode des rectangles :

Il existe plusieurs manières d’appliquer cette méthode, le cas des plus faibles :

* ( ) +  ( ) ∑ ( )

Le cas des plus grands :

* ( ) +  ( ) ∑ ( )

Et un 3eme cas pour estimée l’intégrale serait la valeur moyenne :


( ) ( )
( ) ∑ ( ) .

Exemple :

……………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………………………
……………………………………………………………………………………………………………….…………..

10
Module : Analyse numérique kadri.s

3. Méthode du trapèze :

Cette méthode est basée sur les valeurs médianes entre f(xi) et f(xi+1) :

, ( ) ( )-

L’intégrale calculée s’exprime :

( ) ∑ ( ), ( ) ( )-.

Si x =h  i donc : ( ) ∑ , ( ) ( )-

4. Méthode de Simpson :

Cette méthode utilise une interpolation sur 3 points, , , donc la formule

Simpson donnée par : ∫ ( ) , ( ) . / ( )-

( ) ∑ ( ), ( ) ( ) ( )-

Si x =h  i donc : ( ) ∑ , ( ) . / ( )-.

5. Intégrale par Interpolation :

Dans ce cas selon l’interpolation polynomiale de f(x) :

Lagrange : ( ) ∑ ( ) ( ).

( ) ∫ ( ) ∑ ( ) ∫ ( ) .

D’une manière globale l’intégrale d’un polynôme est connue :

∫ , - .

On suppose que ( ) ∑  ( ) ∫ ( ) ∑ ∫

( ) ∑ | ∑ ∑

11
Module : Analyse numérique kadri.s

Chapitre 4 : RAPPEL D’ALGEBRE LINEAIRE:

1. MATRICES-DETERMINANTS :

Soient E et F deux espaces vectorielle de dimensions respective n et m, toute


application linéaire T de E dans F peut se représente par un tableau rectangulaire de
n lignes et m colonnes appeler matrice associée à T application linéaire.

[ ]

L’élément est le terme de la ieme ligne et de jeme colonne.

Matrice carré :

n = m donc les espaces vectorielles E et F coïncident alors A est une matrice carrée
d’ordre n.

Déterminant : On appelle déterminant des coefficients d’une matrice A d’ordre n ;

La quantité déterminant A exprimé det(A).

( ) ∑ : ( )

La quantité est appelé cofacteur du coefficient.

La quantité est un déterminant du coefficients de la sous matrice obtenue on


supprimant dans A de ieme ligne et jeme colonne, le déterminant appelé mineurs
associé au coefficient .

Exemple : [ ]  ( ) ∑

Pour i =2 : on a : ( ) ∑

 | |

 | |

 | |
 ( )

12
Module : Analyse numérique kadri.s

2. Operations matricielle élémentaires :


 Somme de deux matrices : soit deux matrices A(n,m) et B(n,m), on appelle
somme de A et B la matrice C(n,m) telle que :

Cij =Aij +Bij  on note C = A +B.

Exemple :
…………………………………………………………………………………………………
………………………………………………………………………………………………..

 Produit de deux matrices : soit deux matrices A(n,m) et B(m,p), on appelle


produit de A et B la matrice C(n,p) telle que :

∑  on note C = A * B

On générale A*B ≠ B*A.

Exemple :
…………………………………………………………………………………………………
………………………………………………………………………………………………..

 Multiplication d’une matrice par un vecteur : soit la matrice A(n,m) et un


vecteur B(m), on appelle produit de A et B la matrice C(n,p) telle que :

∑  on note C = A * B

On générale A*B ≠ B*A.

Exemple :
…………………………………………………………………………………………………
………………………………………………………………………………………………..

3. Matrices particulières :
 Matrices égales : soit deux matrices A(n,m) et B(n,m) sont égales.
Si .
 Matrice symétrique : soit une matrice carré A(n,n) telle que :
.
 Matrice transposé : on appelle transposé d’une matrice A(n,m) la matrice
B(m,n) telle que :
. on note A =Bt où B = At
 Matrice antisymétrique : soit une matrice carré A(n,n) telle que :
.

13
Module : Analyse numérique kadri.s

 Matrice diagonale : soit une matrice carré A(n,n) telle que :


 Matrice unité : c’est une matrice diagonale I = A(n,n) telle que :
 Matrice inverse : c’est une matrice carré A(n,n) telle que : ( )
On appelle inverse de la matrice A la matrice A-1 telle que : A.A-1=A-1.A=I.
 Matrice triangulaire supérieure : c’est une matrice carré U(n,n) (uper) telle
que :
 Matrice triangulaire inferieure : c’est une matrice carré L(n,n) (lower) telle
que :
 Matrice orthogonale : c’est une matrice carré A(n,n) telle que :

Exemple : ………………………………………………………………………………………….

……………………………………………………………………………………………………….

 Matrice augmenté : soit une matrice carré A(n,n) et un vecteur B(n), on


appelle matrice augmenté [A,B]

Exemple : ………………………………………………………………………………………….

……………………………………………………………………………………………………….

4. Transformations élémentaires :

On appelle Transformation élémentaires sur les lignes où les colonnes d’une


matrice, l’une des opérations suivantes :

 La permutation de deux lignes où colonnes.


 La multiplication d’une ligne ou colonne par un scalaire ≠ 0.
 L’addition à la ieme ligne de  fois la keme ligne.

14
Module : Analyse numérique kadri.s

CHAPITRE 5 : METHODE DE RESOLUTION DIRECTE DES SYSTEMES


D’EQUATIONS LINEAIRES

1. Introduction : dans ce chapitre, nous allons discuter la résolution de système


linéaire de n équation à n inconnues qui se présente sous la forme :

 sont appelé coefficients du système


 sont appelé terme du second membre du système
 sont les inconnues du système

Un tel système s’écrit :

[ ] [ ] [ ]

Soit :

L’existence et l’unicité de la solution d’un système linéaire dépend de la valeur


du déterminant de la matrice A, deux cas peuvent se présente :

 ( ) , la matrice A est dite régulière et le système linéaire admis une


solution unique.
 ( ) , la matrice A est dite singulière et le système linéaire n’admis pas
une solution unique. Il peut y avoir soit impossibilité où soit indétermination.
2. Méthode de Gramer :

Si la méthode la plus connus pour la résolution des systèmes linéaires et la


moins recommandable.

Les inconnues d’un système d’ordre n, de la forme sont donnés par :

( )
( )

( ) est un déterminant s’obtient on remplaçant dans la matrice A, les


coefficient de la ieme colonne par les valeurs de second membre.

15
Module : Analyse numérique kadri.s

Exemple :

( ) ( ) ( )
[ ] [ ] [ ] , ,
( ) ( ) ( )

( ) | | | | | |

[ ] ( ) | | | | | |

[ ] ( ) | | | | | |

[ ] ( ) | | | | | |

 , ,

3. Méthode de Gauss :
a. Principe :

La méthode de Gauss consiste à transformer le système linéaire à un système


équivalent :

Où U matrice triangulaire supérieur, et la triangulairisation est effectué par un jeux de


transformations élémentaires.

b. Description : pour ne pas modifier le système les transformations opérées sur A sera
les mêmes sur B donc on utilise la matrice augmenté [A,B].

{  [ ] [ ] [ ]

, - [ ] Cette méthode comporte n=3 étape :

1er étape : on transforme la matrice [A,B] à une matrice dans les termes sous
diagonaux de la 1er colonne sont nuls.

, - [ ].

16
Module : Analyse numérique kadri.s

2eme étape :

, - [ ].

3eme étape :

Par substitution inverse on obtient : donc :

Donc :

Donc :

c. Algorithme :

( ) …
( ) ( ) ( )
( )
{ … }

[ ∑ ]

4. Méthode de jordan :
a. Principe :

La méthode de Jordan consiste à transformer le système linéaire à un système


équivalent :

Où I matrice unitaire d’ordre n.

b. Description : soit le système suivant à résoudre :

{  [ ] [ ] [ ]

, - [ ] Cette méthode comporte n=3 étape :

Chaque étape a 2 opérations :

 Normalisation.
 Réduction.

17
Module : Analyse numérique kadri.s

1er étape : on transforme la matrice [A,B] à une matrice dans les termes sous
diagonaux de la 1er colonne sont nuls.

, - [ ].

2eme étape :

, - [ ].

3eme étape :

Par substitution inverse on obtient : donc :

Donc :

Donc :

c. Algorithme :

( ) …
( ) ( ) ( )
( )
{ … }

[ ∑ ]

18
Module : Analyse numérique kadri.s

Chapitre 6 : Méthode de résolution approximative des systèmes


d’équations linaires

1. Introduction et définitions :

Le problème posé est la résolution du système linéaire A.x = B : avec xRn et A matrice
carre d’ordre n.

Les méthodes qui nous allons étudier consiste a utiliser un vecteur estimé initial
x0=[x10,x20,…xn0] pour trouver la solution exacte : x*=[x1*,x2*,…xn*] du système A.x=B et de
généré des séquence de vecteur x0, x1,…,xn.

On utilise les testes d’arrêt que pour les méthodes de résolution de f(x) =0.

2. Méthode de Jacobi :
a. Exemple :

Pour introduire la méthode, on résoudre le système suivant :

On commence par résoudre chaque équation pour une variable, en choisissons l’élément Xi
qui a le plus grand coefficient (en valeur absolue).

On choisi une valeur initial , -⇒

La précision  =10-3

{
Valeurs 1er itération 2eme itération 3eme itération 4eme itération 5eme itération 6eme itération 7eme itération 8eme itération 9eme itération 10eme itération 11eme itération 12eme itération
Vecteur x
initial
X1 0 1,000 1,188 0,977 0,959 1,010 1,009 0,997 0,998 1,001 1,000 1,000 1,000
X2 0 0,250 1,375 1,141 0,900 0,978 1,026 1,003 0,994 1,000 1,002 1,000 1,000
X3 0 1,750 1,188 0,812 0,976 1,046 1,001 0,989 1,001 1,003 1,000 1,000 1,000
xmax 1,750 1,125 0,376 0,241 0,078 0,048 0,023 0,012 0,006 0,003 0,002 0,000

x* = [ 1,000, 1,000, 1,000 ]


b. Algorithme :

 ∑

 Arrêt de la procédure si | | où bien k > kmax

c. Convergence de la méthode :
Une condition suffisante de convergence de la méthode de Jacobi est que la matrice A soit
diagonale fortement dominante, c.-à-d. ∑ | | | |

19
Module : Analyse numérique kadri.s

3. Méthode de Gauss-Seidel :
a. principe :

la méthode itération de Gauss-Seidel ne défère de celle de Jacobi que par l’emploi des
nouveau estimé.
Reprenant l’exemple président :

On choisi une valeur initial , -⇒

La précision  =10-3

Vecteur x Valeurs initial 1er itération 2eme itération 3eme itération 4eme itération 5eme itération 6eme itération 7eme itération

X1 0 1,000 1,078 0,982 1,007 0,998 1,001 1,000


X2 0 0,500 1,082 0,966 1,011 0,997 1,001 1,000
X3 0 1,125 0,941 1,018 0,994 1,002 0,999 1,000
xmax 1,125 0,582 0,116 0,045 0,014 0,004 0,001

x* = [ 1,000, 1,000, 1,000 ]


b. Algorithme :

 ∑ ∑

 Arrêt de la procédure si | | où bien k > kmax


c. Convergence de la méthode :

Une condition suffisante de convergence de la méthode de Jacobi est que la matrice A soit
diagonale fortement dominante, c.-à-d. ∑ | | | |

4. Méthode de la relaxation :
a. principe : C’est une amélioration de la méthode de Gauss-Seidel.

Soit une constante réelle non nulle w de vecteur xk+1 estimé à l’itération (k+1) par la méthode
de relaxation : ( ) ̅ où ̅ est le vecteur estimé par la méthode de
Gauss-Seidel.
est le paramètre de relaxation :
 w =1 c’est la méthode de Gauss-Seidel.
 Si w > 1 on obtient la méthode de sur relaxation.
 Si w < 1 on obtient la méthode de sous relaxation.
b. Algorithme : L’algorithme de relaxation s’écrit :

 [ ∑ ∑ ]

 Arrêt de la procédure si | | où bien k > kmax


c. Convergence de la méthode : La convergence des méthodes de relaxation est assuré
pour 0 < w < 2.

20