Vous êtes sur la page 1sur 199

Méthodes Numériques I

Calcul Numérique
Les transparents sont gratuits

Jean TSHIMANGA Ilunga

2 septembre 2021
Sommaire

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Contents

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

3 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Contours

Il s’agit d’un cours de base dans le méthodes numériques. L’ensemble comprenant :


Les fondamentaux des méthodes numériques (L0)
L’algèbre linéaire numérique (L1)
L’optimisation numérique (L1)
Les méthodes de résolution numérique des EDO (L2)
Les méthodes de résolution numérique des EDP (L2)
Les éléments finis (L3)

4 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Objectifs

5 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Prérequis

Algèbre élémentaire (Premier Semestre)


Analyse élémentaire (Premier Semestre)

6 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Contenu minimal

Les approximations des fonctions, des dérivées, des intégrales et des racines des
fonctions non linéaires.

7 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Activités pratiques

Exercices d’application sur papier et sur ordinateur avec le logiciel Matlab. De la


formulation à la résolution d’un problème.

8 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Méthodes pédagogiques

Le cours se base sur des exposés magistraux.

9 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Répartition de la charge de travail

Cours du deuxième semestre. La charge horaire totale du cours est de 60 heures : 30


heures du cours théorique + 30 heures exercices.

10 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Stratégie d’évaluation

Quatre interrogations, six travaux pratiques et un examen

11 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Bibliographie

Anthony Ralson & Philip Rabinowitz, A First Course in Numerical Analysis,


(1975), McGraw-Hill Book Company, New York.
George F. Pinder, Numerical Methods for Solving Partial Differential Equations,
(2018), Wiley,
Jean-Pierre Demailly, Analyse Numérique et Equations Différentielles, (2006),
EDP Sciences,

12 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Auditoire

Préparatoire de formation des mathématiciens, physiciens, ingénieurs et scientifiques

13 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Contents

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

14 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Première générale.

Formule de Taylor avec reste intégral. On approxime une fonction par un polynôme.

f (x + h) = pn (x) + Rn (x)

Ex : approximer ex en x = 0 par une droite, puis une parabole et enfin une courbe du
troisième dégré.

15 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Première forme.

Formule de Taylor avec reste intégral. Le reste est donnée par une expression exacte.

f 00 (x) 2 f (n) (x) n


f (x + h) = f (x) + f 0 (x)h + h + ··· + h
2! n!
h(p+1) 1
Z
+ (1 − t)p f (p+1) (x + th)dt
p! 0
f 00 (x) 2 f (n) (x) n
= f (x) + f 0 (x)h + h + ··· + h + Rn (x)
2! n!
avec
h(p+1)
Z 1
Rn (x) = (1 − t)p f (p+1) (x + th)dt
p! 0

16 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Développement de Taylor.

Démonstration. page 66 Demailly

La formule se vérifie pour n = 0. En effet,


Z x
f (x) = f (α) + f 0 (t)dt
α

Pour n − 1, en procédent par intégration par partie 1 le reste devient


Z x  x
1 1
(x − t)n−1 f (n) (t)dt = − (x − t)n f (n)
α (n − 1)! n! α
Z x
1 n (n+1)
− − (x − t) f (t)dt.
α n!

On a posé (variable t)

1
u0 = (x − t)n−1 v = f (n) (t)
(n − 1)!

u0 vdt = uv − uv 0 dt
R R
1.
Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Deuxième forme

Formule de Taylor-Lagrange. Le reste est défini par un encadrement.

f 00 (x) 2 f (n) (x) n f (n+1) (θ) n+1


f (x + h) = f (x) + f 0 (x)h + h + ··· + h + h
2! n! (n + 1)!
f 00 (x) 2 f (n) (x) n
= f (x) + f 0 (x)h + h + ··· + h + Rn (x)
2! n!

avec h > 0 et x ≤ θ ≤ x + h et où

f (n+1) (θ) n+1


Rn (x) = h
(n + 1)!

L’approximation s’améliore avec le nombre des termes du polynôme en h

18 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Deuxième forme


Exemple. Développement de sin(x)

sin00 (x) 2 sin(3) (x) 3 sin(4) (θ) 4


sin(x + h) = sin(x) + sin0 (x)h + h + h + h
2! 3! (4)!
sin00 (x) 2 sin(3) (x) 3
= sin(x) + sin0 (x)h + h + h + R3 (x)
2! 3!

avec h > 0 et x ≤ θ ≤ x + h et où

sin(4) (θ) 4
R3 (x) = h
(4)!

d’où

sin(x) 2 cos(x) 3 sin(θ) 4


sin(x + h) = sin(x) + cos(x)h − h − h + h
2! 3! (4)!

19 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Deuxième forme

Suite exemple. Application au calcul de sin(π/2 + π/4)

sin(π/2) cos(π/2)
sin(π/2 + π/4) = sin(π/2) + cos(π/2)π/4 − (π/4)2 − (π/4)3
2! 3!
sin(θ)
+ (π/4)4
(4)!

20 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Deuxième forme

Exemple. Développement de ex

ex 2 ex 3 eθ 4
e(x+h) = ex + ex h + h + h + h
2! 3! (4)!

avec h > 0 et x ≤ θ ≤ x + h et où

eθ 4
R3 (x) = h
(4)!

21 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Deuxième forme

Suite exemple. Application au calcul de e(1+0.2)

e1 e1 eθ
e(1+0.2) = e1 + e1 (0.2) + (0.2)2 + (0.2)3 + (0.2)4
2! 3! (4)!

avec h > 0 et x ≤ θ ≤ x + h et où


R3 (x) = (0.2)4
(4)!

22 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Deuxième forme

Exemple. Développement de ln(x)

1 1 2
ln(x + h) = ln(x) + h− h + ···
x 2x2

23 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Deuxième forme

Exercice

Approximer ex en x = 0 par

une droite,
puis une parabole
et enfin une courbe du troisième dégré.

On part de

ex 2 ex 3 eθ 4
e(x+h) = ex + ex h + h + h + h
2! 3! (4)!

avec x = 0.

24 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation
Intégration Numérique
Dérivation numérique
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Rappel sur le Développement de Taylor. Troisième forme

Formule de Taylor-Young. Le reste est défini par un comportement.

f 00 (x) 2 f (n) (x) n


f (x + h) = f (x) + f 0 (x)h + h + ··· + h + o(hn )
2! n!
f 00 (x) 2 f (n) (x) n
= f (x) + f 0 (x)h + h + ··· + h + Rn (x)
2! n!


Rn (x) = o(hn )
avec
o(hn )
lim =0
h→0 hn
Le reste est d’un ordre de grandeur inférieur au dernier terme du polynôme.

25 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Contents

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

26 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Introductory example
Let
x = [1, −1, 3] and y = [−2, 4, 8];
be two associated vectors ; or, equivalently, let

(1, −2); (−1, 4); (3, 8)

be three given points in a Cartesian plan. Find the scalars a, b and c such that these
points satisfy the second degree polynomial

y = ax2 + bx + c.

Answer : a = 2, b = −3 and c = −1.

y = 2x2 − 3x − 1

With Matlab : x = [1, −1, 3]; y = [−2, 4, 8]; p = polyfit(x, y, 2)

27 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Introductory example

28 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


What is it ?

Given n + 1 couples of data (xi , yi ), i = 0, . . . , n with xi 6= xj (to see later about the
determinant) for all i 6= j, find the n + 1 coefficients a0 , a1 , . . . , an such that

n
X
pn (x) = a0 + a1 x + a2 x2 + · · · + an xn = aj xj ,
j=0

the polynomial of degree at most n that interpolates to the given data, which means

pn (xi ) = yi , i = 0, . . . , n.

This results in the (n + 1) by (n + 1) system of linear equations.

Notations : we notice that the notation p(xi ) is equivalent to p(x)|xi .

Note that the xi do not need to be ordered.


What is it ?

The linear system of equations from the above consideration is

a2 x20 ··· an xn

 a0 + a1 x0 + + 0 = y0
 a0 + a1 x1 + a2 x21 ··· + an xn = y1


1
..


 .
a2 x2n an xn

a0 + a1 xn + ··· + n = yn

It is worth to bear in mind that the unknowns are the polynomial coefficients
a0 , a1 , . . . , an . The couples (xi , yi ) are the data.

Caution : don’t try to solve the polynomial interpolation via the solution of this
system. It is expensive to solve in terms of computation cost. It also unstable. There
exists a easier way to find the solution.
What is it ?

The associate determinant, named Van der Monde determinant, is given by

x20 ··· xn

1 x0

0
1 x1 x21 ··· xn

1
∆n = .. .. .. .. .


. . . ··· .

1 xn x2n ··· xnn

It depends only on x0 , x1 , . . . , xn .

Proposition
Y
∆n = (xj − xi )
0≤i<j≤n

We study this determinant for theoretical and analytical reasons but not for
computation reasons. Notice again that a convenient way to find an interpolation
polynomial exists.

It is instructive to observe the structure of this V. M. determinant.

Exo. Try to describe the structure of the Van Der Monde determinant.
What is it ?

The associate determinant for the data in the exercise is given by



1
x0 x20 1
1 1

∆2 = 1 x1 x21 = 1
−1 1 = −16

1 x2 x22 1 3 9

Observe that

∆2 = (x1 − x0 )(x2 − x0 )(x2 − x1 ) = (−1 − 1)(3 − 1)(3 + 1) = −16


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Proof. Preliminary.

Some properties of determinants (see in any elementary algebra course)

adding or subtracting a multiple of a line (or a column) to other line (or


column) does not alter the value of the determinant

multiplying an entire line (or column) by a scalar α amounts to multiplying the


determinant by the same scalar

the determinant of a block diagonal matrix if the product of determinants of the


diagonal blocks

33 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Proof

We use the determinant properties to go through the following steps :

lj ← lj − l1 , j = 2, · · · n, we operate on subsequent lines and first line

xn−1


1 x0 x20 ··· 0 xn0


n−1

0 x1 − x0 x21 − x20 ··· x1 − xn−1
0 xn
1 − x0
n

n−1

∆n = 0 x2 − x0 x22 − x20 ··· x2 − xn−1
0 xn
2 − x n
0

.
.. .. .. .. ..

. . . ··· . .
xn−1 − xn−1

0 xn − x0 x2n − x20 ··· n 0 xn
n − x0
n

cj ← cj − x0 cj−1 , j = 2, · · · n, we operate on adjacent columns



1 0 0 ··· 0 0
(x1 − x0 )xn−2 (x1 − x0 )xn−1


0 x1 − x0 (x1 − x0 )x1 ··· 1 1



∆n = 0 x2 − x0 (x2 − x0 )x2 ··· (x2 − x0 )xn−2
2 (x2 − x0 )x2n−1
.
.. .. .. ...


. . . ···
(xn − x0 )xn−2 (xn − x0 )xn−1

0 xn − x0 (xn − x0 )xn ··· n n

Proof

1 0 0 ··· 0
xn−1


0 1 x1 ··· 1


∆n =

(x1 − x0 )(x2 − x0 ) · · · (xn − x0 ) 0 1 x2 ··· xn−1
2


.. .. .. ..

. . . ··· .
xn−1

0 1 xn ··· n

Next, observe that



1 0 0 ··· 0
x1n−1

1 x1 ···
xn−1

0 1 x1 ···
1 1 x2 ··· xn−1
0 1 x2 ··· xn−1
2

=
2

. .
.. .. ..
. . .. ..


. . ··· .


. . . ··· .
xn−1

n−1
1 xn ··· n

0 1 xn ··· xn

Write

xn−1


1 x1 ··· 1



1 x2 ··· xn−1
2


∆n−1 =
.. .. ..

. . ··· .
n−1

1 xn ··· xn

Now, observing that ∆0 = 1, one can apply the recurrence reasoning to conclude the
proof.
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercise

Given the two associated vectors

x = [−55, −25, 5, 35, 65] and y = [−3.25, −3.2, −3.02, −3.32, −3.1];

Write down the associated system of equations and express the associated
determinant. Compute the determinant.

36 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Existence and unicity

Proposition
Since, by hypothesis, xi 6= xj for all i 6= j,
Y
∆n = (xj − xi ) 6= 0.
0≤i<j≤n

Consequently, the solution of the system, that is, the set of polynomial coefficients
a0 , a1 , . . . , an exists and is unique.

37 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Lagrange polynomials
There exists an easier way to compute an interpolation polynomial without going
through solving a system of linear equations.

Definition
Given n + 1 points (xi , yi ) i = 0, . . . , n with xi 6= xj for all i 6= j we call

n
Y (x − xj )
li (x) = , i = 0, 1, . . . n,
(xi − xj )
j =0
j 6= i

the Lagrange polynomials.

Observe that

0 if j 6= i
li (xj ) =
1 if j = i

and that Lagrange polynomial depend only on the xi .


38 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I
Example
Given the two associated vectors

x = [1, −1, 3] and y = [−2, 4, 8];

or, equivalently, given points

(1, −2); (−1, 4); (3, 8)

Observe that the associated Lagrange polynomials. x0 = 1, x1 = −1 and x2 = 3 are

(x − x1 ) (x − x2 ) (x + 1)(x − 3)
l0 (x) = =
(x0 − x1 ) (x0 − x2 ) −4
(x − x0 ) (x − x2 ) (x − 1)(x − 3)
l1 (x) = =
(x1 − x0 ) (x1 − x2 ) 8
(x − x0 ) (x − x1 ) (x − 1)(x + 1)
l2 (x) = =
(x2 − x0 ) (x2 − x1 ) 8

Show that the polynomial

p2 (x) = y0 l0 (x) + y1 l1 (x) + y2 l2 (x)

writes
y = 2x2 − 3x − 1
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Lagrange polynomials

It is easy to show that the polynomial

Theorem
n
X
pn (x) = y0 l0 (x) + y1 l1 (x) + · · · + yn ln (x) = yi li (x).
i=0

This tells us that pn (x) of degree n takes the same values as yi at nodes xi ,
i = 0, . . . , n.

40 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercises

1 Interpolate sin(x) at x0 = 0, x1 = π/2, and x2 = π by a second-degree


polynomial p2 (x).

answer :
4
p2 (x) = − x(x − π);
π2

Matlab : x = [0, pi/2, pi], y = sin(x); p = polyfit(x, y, 2)

2 Interpolate ln(x) at x0 = 1 and x1 = 2 by linear function p1 (x). Hint :


ln(2) = 0.693

answer :
p1 = 0.693 (x − 1)

Matlab : x = [1, 2], y = log(x); p = polyfit(x, y, 1)

41 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercises

Figure – exo 1. The solid black line represents the interpolant curve. The
dashed red line represents the sine

42 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercises

Figure – exo 2.

43 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Origins of polynomial interpolation problems

Experimental data (from engineers or scientists in simulation or optimization,


for example)

Numerical integration (when replacing a complicated or a tabulated function by


a polynomial in numerically solving a integration problem)

Numerical derivation (when replacing an unknown function by a polynomial in


numerically solving a differential equation)

44 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


General formula

Here, we are concerned with the interpolation of data from a function f (x) by a
polynomial pn (x) on the set of (n + 1) nodes x0 , . . . xn .

Theorem
Suppose f (x), the function to be interpolate, is n + 1 times differentiable. For all x,
there exists a point θx ∈ [x0 , xn ] depending on x such that

n
f (n+1) (θx ) Y
En (x) = f (x) − pn (x) = (x − xi )
(n + 1)! i=0
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

General formula. Comments

Some comments : The error depends on three quantities

the value of the smoothness (« régularité » in french) of f (x), expressed by


f (n+1) (θx ),
the number of nodes of the interpolation, given by the factorial (n + 1)!,
the distribution of (distances between) of nodes expressed as n
Q
i=0 (x − xi ),

Observe that polynomial

n
Y
(x − xi ) = (x − x0 )(x − x1 ) · · · (x − xn )
i=0

vanishes on nodes xi , i = 0, 1, . . . , n. Thus the error also vanishes at nodes.

46 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

General formula. Examples


Recall the formula
n
f (n+1) (θx ) Y
En (x) = f (x) − pn (x) = (x − xi )
(n + 1)! i=0

Examples (see previous exercises)

4 sin(3) (θx )(x − 0)(x − π/2)(x − π)


sin(x) − (− (x)(x − π)) =
π2 3!
(x − 0)(x − π/2)(x − π)
= (− sin(θx ))
3!

ln(2) (θx )(x − 1)(x − 2)


ln(x) − (0.693 x − 0.693) =
2!
 
1 (x − 1)(x − 2)
= − 2
θx 2!

47 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Interpolation Error in General. Examples

Figure – The dashed curve on the graph shows the error of interpolation
En (x) = f (x) − p2 (x) = sin(x) − (1.2732 x − 0.4053 x2 ), the red curve shows pn (x), the blue
curve shows sin(x)

48 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Interpolation Error in General. Examples

Figure – The dashed curve on the graph shows the error of interpolation
En (x) = f (x) − p1 (x) = ln(x) − (0.693x − 0.693), the red curve shows pn (x), the blue curve shows
ln(x)

49 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Proof (1)

Define
n
Y
h(x) = (x − xi ) = (x − x0 )(x − x1 ) · · · (x − xn ),
i=0

which is a polynomial of degree n + 1.

Observe that

h(xi ) = 0, i = 0, 1, . . . , n,
h(n+1) (x) = (n + 1)!

Set an auxiliary function

g(x) = [f (x) − pn (x)] − αh(x),

with α an arbitrary constant and observe that x0 , . . . , xn are (n + 1) zeros of g(x) :

g(xi ) = 0, i = 0, 1, . . . , n, ∀ α
since f (x) and pn (x) coincide on nodes.
Proof (2)

Select any value x̂ 6= xi , x̂ ∈ [x0 , xn ]. We will determine a particular α = αx̂ so that


g(x) have x̂ as an additional zero.

We see that g(x) has now at least (n + 2) zeros.

It follows that the continuous g(x) possesses at least (n + 1) extremums which implies
that its derivative g 0 (x) has in turn at least (n + 1) zeros.

By recurrence, g 00 (x) has at least n zeros, and so on.

Finally, g (n+1) (x) has at least 1 zero which we denote by θx̂ ∈ [x0 , xn ]. It is clear
that as αx̂ this quantity is also related to the choice of x̂.
Proof (3)
To calculate α, first compute the (n + 1) derivative of g(x), recalling that pn (x) is
polynomial of degree n :

(n+1)
g (n+1) (x) = f (n+1) (x) − pn (x) − αx̂ h(n+1) (x)
= f (n+1) (x) − αx̂ (n + 1)!

Replace x with θx̂ in the last expression to get

0 = f (n+1) (θx̂ ) − αx̂ (n + 1)!

from which comes

1
αx̂ = f (n+1) (θx̂ ).
(n + 1)!

Now,
g(x̂) = f (x̂) − pn (x̂) − αx̂ h(x̂) = 0

or, alternatively,

n
1 Y
f (x̂) − pn (x̂) = f (n+1) (θx̂ ) (x̂ − xi )
(n + 1)! i=0

We rename x̂ as x. This concludes the proof.


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs
Qn
Analysis of i=0 (x − xi )

Qn
The polynomial i=0 (x − xi ) plays a great role in the error of interpolation.

It depends on the distribution of the nodes over the interval of interpolation.

Our analysis will concern two types of nodes distributions :

Equidistant nodes

Tchebyshev nodes

53 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


(a) Equidistant nodes

Let [a, b] be the interpolation interval, and n + 1, the number of nodes. Define the
length step
b−a
h=
n
and then consider n + 1 equidistant nodes within [a, b]. So, the nodes are given by

xi = a + ih with i = 0, 1, . . . , n.

This implies x0 = a and xn = b. Set x = a + sh where 0 ≤ s ≤ n. Thus

(x − x0 )(x − x1 ) · · · (x − xn ) = hn+1 s(s − 1) . . . (s − n)

Lemma
For equidistant nodes, we have :

max |s(s − 1) . . . (s − n)| ≤ n!


s∈[0,n]
(a) Equidistant nodes

Figure – Graph of φ(s) = |s(s − 1)(s − 2)(s − 3)(s − 4)|

We see that φ(s) = |s(s − 1)(s − 2)(s − 3)(s − 4)| reach its maximum in [0, 1].
(a) Equidistant nodes. Proof
n
The fact that φ(n − s) = φ(s) shows that φ is symmetric with respect to s = 2
.
Hence for s ∈ [0, n] one may search the maximum of φ(s) in the half subinterval
[0, n
2
].
max φ(s) = maxn φ(s)
s∈[0,n] s∈[0, 2 ]

n n
Partition [0, 2
] into two subintervals [0, 1[ and [1, 2
]. We have

φ(s − 1)
= (n − s + 1)/s
φ(s)

n
and we see that (n − s + 1)/s > 1 for s ∈ [1, 2
].
n
Consequently, φ(s) < φ(s − 1) < φ(s − 2) < · · · . It follows that for s ∈ [0, 2
]
one should search the maximum of φ(s) uniquely in [0, 1[. That is

max φ(s) = maxn φ(s) = max φ(s)


s∈[0,n] s∈[0, 2 ] s∈[0,1[

if s ∈ [0, 1], we find the following bound for maxs∈[0,n] φ(s)

max |s(s − 1) . . . (s − n)| < max |s(s − 1)| · 2 · . . . · n = max |s(s − 1)|n!
s∈[0,n]
(a) Equidistant nodes

Observe that
1
max |s(s − 1)| =
0≤s≤1 4
which leads to the following theorem.

Theorem
For equidistant nodes, we have :
n
Y 1
max (x − xi ) ≤ n! hn+1 ,

x∈]a,b[
i=0
4

Consequently,
1 hn+1
max |En (x)| ≤ max f (n+1) (x)

x∈]a,b[ x∈]a,b[ 4 (n + 1)
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

(b) Tchebyshev nodes

Recall

p+q p−q
cos p + cos q = 2 cos cos
2 2
p+q p−q
cos p − cos q = −2 sin sin
2 2
p+q p−q
sin p + sin q = 2 sin cos
2 2
p−q p+q
sin p − sin q = 2 sin cos
2 2

58 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


(b) Tchebyshev nodes
Tchebychev polynomials - Definition

tn (u) = cos(n arccos u), u ∈ [−1, 1], n = 0, 1, . . .

from which we deduce the recurrence



t0 (u) = 1, t1 (u) = u.
tn+1 (u) = 2utn (u) − tn−1 (u), n>1

the leading coefficient of the n degree polynomial tn is 2n−1 and its n roots are

2i + 1
ui = cos π ∈ ] − 1, 1[, i = 0, 1, 2, . . . n − 1
2n

and, consequently, those of tn+1

2i + 1
ui = cos π ∈] − 1, 1[, i = 0, 1, 2, . . . n
2(n + 1)

This together with the fact that the leading coefficient is 2n give

n
Y
tn+1 (u) = 2n (u − ui ) = 2n (u − u0 )(u − u1 ) · · · (u − un )
i=0
(b) Tchebyshev nodes

Definition
For a polynomial of degree n in [-1, 1], the n + 1 so called Tchebyshev nodes are given
by :
2i + 1
ui = cos π ∈ [−1, 1] , 0≤i≤n
2(n + 1)
They are the roots of tn+1 .

Definition
For a polynomial of degree n in [a, b], the n + 1 so called Tchebyshev-Gauss nodes are
given by the linear bijection u ∈ [−1, 1] −→ x ∈ [a, b]

a+b b−a
x= + u.
2 2

Thus

a+b b−a 2i + 1
xi = − cos π ∈ [a, b] 0≤i≤n
2 2 2(n + 1)
(b) Tchebyshev nodes

n  n
n+1 Y
Y b−a
(x − xi ) = (u − ui )
i=0
2 i=0

with
n
Y 1
(u − ui ) = tn+1
i=0
2n

From which, we get

n  n+1
Y b−a
(x − xi ) = 2 Tn+1 (u)
i=0
4

and finally
n  n+1
Y b−a
max | (x − xi )| = 2 max |Tn+1 (u)|
i=0
4

where

max |Tn+1 (u)| = 1


(b) Tchebyshev nodes

Theorem
For Tchebyshev nodes, we have :

n
b − a n+1
Y  
max (x − xi ) ≤ 2 ,

x∈]a,b[
i=0
4

Consequently,

b − a n+1
(n+1) 
f (x)

max |En (x)| ≤ max 2
x∈]a,b[ x∈]a,b[ (n + 1)! 4
Comparison of bounds

Figure – Bounds for k


Qn
i=0 (x − xi )k. Blue line : equidistant nodes, red line : Tchebychev nodes
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

A piece of Matlab code for generating nodes

n = 5;
a = −1; b = 1 ;
h = ( b − a )/ n ;
% Noeuds e q u i d i s t a n t s
x = a : h : b,
i = 0 : n;
% Noeuds de T c h e b y c h e v
xx = − c o s ( ( 2 ∗ i + 1 ) ∗ p i / ( 2 ∗ n + 2 ) ) ,

64 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Comparison of graphs for 6 nodes (n=5)

π(x) = (x + 0.9659)(x + 0.7071)(x + 0.2588)(x − 0.2588)(x − 0.7071)(x − 0.9659)


π(x) = (x + 1)(x + 0.6)(x + 0.2)(x − 0.2)(x − 0.6)(x − 1)
Comparison of graphs for 9 nodes (n=8)

π(x) = (x + 0.9848)(x + 0.8660)(x + 0.6428)(x + 0.3420)(x + 0)(x − 0.3420)(x − 0.6428)(x − 0.8660


π(x) = (x + 1)(x + 0.7500)(x + 0.5000)(x + 0.2500)x(x − 0.2500)(x − 0.5000)(x − 0.7500)(x − 1)
Comparison of graphs for 9 nodes (n=8)

π(x) = (x + 0.9848)(x + 0.8660)(x + 0.6428)(x + 0.3420)(x + 0)(x − 0.3420)(x − 0.6428)(x − 0.8660


π(x) = (x + 1)(x + 0.7500)(x + 0.5000)(x + 0.2500)x(x − 0.2500)(x − 0.5000)(x − 0.7500)(x − 1)
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercises

1 Interpolate the function sin(x) in interval [0, π] with (a) 3 nodes and (b) 5
nodes.

1 using equidistant nodes

2 using Tchebyshev nodes

2 Draw the corresponding graphs including the error curve.

68 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Partial solution. Please check !
For equidistant n + 1 = 5 nodes, the data are

i xi f (xi ) = sin(xi )
0 0 √0
1 π/4 2/2
2 π/2 √1
3 3π/4 2/2
4 π 0

The Lagrange polynomials

π π 3π
(x − x1 )(x − x2 )(x − x3 )(x − x4 ) (x − 4
)(x − 2
)(x − 4
)(x − π)
l0 (x) = = 32
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 ) 3π 4
π 3π
(x − x0 )(x − x2 )(x − x3 )(x − x4 ) x(x − 2
)(x − 4
)(x − π)
l1 (x) = = −128
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 ) 3π 4
(x − x0 )(x − x1 )(x − x3 )(x − x4 ) x(x − π4 )(x − 3π
4
)(x − π)
l2 (x) = = 64
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 ) π4
(x − x0 )(x − x1 )(x − x2 )(x − x4 ) x(x − π4 )(x − π2 )(x − π)
l3 (x) = = −128
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 ) 3π 4
π π 3π
(x − x0 )(x − x1 )(x − x2 )(x − x3 ) x(x − 4
)(x − 2
)(x − 2
)
l4 (x) = = 32
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 ) 3π 4
Partial solution. Please check !

The interpolating polynomial using equidistant nodes


√ √
pn (x) = 0 × l0 (x) + 2/2 × l1 (x) + 1 × l2 (x) + 2/2 × l3 (x) + 0 × l4 (x)

√ 64 π 3π
pn (x) = − 2 x(x − )(x − )(x − π)
3π 4 2 4
64 π 3π
+ 4 x(x − )(x − )(x − π)
π 4 4
√ 64 π π
− 2 x(x − )(x − )(x − π)
3π 4 4 2
64
= x(x − π) ×
π4
" √ √ #
2 π 3π π 3π 2 π π
− (x − )(x − ) + (x − )(x − )− (x − )(x − )
3 2 4 4 4 3 4 2
Partial solution. Please check !
Partial solution. Please check !

Figure – The solid curve shows sin(x), the dashed curve shows pn (x) and the
dotted curve shows sin(x) − pn (x)
Partial solution. Please check !
a+b b−a iπ
For 5 Chebychev nodes xi = 2
− 2
cos n
with a = 0 and b = π, the data are

i xi f (xi ) = sin(xi )
0 ∗ ∗
1 ∗ ∗
2 ∗ ∗
3 ∗ ∗
4 ∗ ∗

The Lagrange polynomials

(x − x1 )(x − x2 )(x − x3 )(x − x4 )


l0 (x) = =
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 )
(x − x0 )(x − x2 )(x − x3 )(x − x4 )
l1 (x) = =
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 )
(x − x0 )(x − x1 )(x − x3 )(x − x4 )
l2 (x) = =
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 )
(x − x0 )(x − x1 )(x − x2 )(x − x4 )
l3 (x) = =
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 )
(x − x0 )(x − x1 )(x − x2 )(x − x3 )
l4 (x) = =
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 )
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Example

1
1 Interpolate the function 1+x 2 in interval [−5, 5] with (a) 5 nodes and (b) 7
nodes using equidistant nodes

1 using equidistant nodes

2 using Tchebyshev nodes

2 Draw the corresponding graphs.

74 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Runge phenomenon. Numerical experiments

1
Figure – Runge phenomenon. Interpolating 1+x2
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Hermite interpolation

We need an interpolating polynomial that coincides the function at nodes and whose
first order derivative coincide with the derivative of the function at nodes.

This polynomial exists and it is referred to as the Hermite polynomial.

The Hermite interpolation overcomes the Runge phenomenon.

76 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Hermite interpolation
Given n + 1 triplets [xi , f (xi ), f 0 (xi )], i = 0, 1, . . . , n. First, set

n 2
x − xj
Y 
qi (x) = li2 (x) = , i = 0, . . . , n
j=0, j6=i
xi − xj

Observe that
 n
1, si i = j X 2
qi (xj ) = qi0 (xi ) = .
0, si i 6= j xi − xk
k=0, k6=i

Next, set

hi (x) = f (xi ) + (x − xi )(f 0 (xi ) − qi0 (xi )f (xi ))

Observe that

hi (x)|xi = f (xi ) and h0i (x)|xi = f 0 (xi ) − qi0 (xi )f (xi )

Caution : Be aware on the fact that here qi0 (xi ) = qi0 (x)|xi . Not to be confused with
[qi (xi )]0 which is 0, since qi (xi ) is not a function, but a valued function, that is un
number.
Hermite interpolation

Definition : Hermite Interpolation


Set
n
X
h(x) = qi (x)hi (x)
i=0

Then the polynomial h(x) of 2n + 1 degree satisfies the relations

n
X
h0 (x)|xi = qi0 (x)hi (x) + qi (x)h0i (x) x = f 0 (xi )
 
h(x)|xi = f (xi ) and
i
i=0

Comments : To perform this interpolation, on needs the first order derivatives are
available because this is required in building h(x)
A partial proof

(x − x0 )2 (x − x1 )2 (x − xi−1 )2 (x − xi+1 )2 (x − xn )2
qi (x) = 2 2
··· 2 2
···
(xi − x0 ) (xi − x1 ) (xi − xi−1 ) (xi − xi+1 ) (xi − xn )2

Thus

2(x − x0 ) (x − x1 )2 (x − xi−1 )2 (x − xi+1 )2 (x − xn )2


qi0 (x) = · · · · · ·
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
(x − x0 )2 2(x − x1 ) (x − xi−1 )2 (x − xi+1 )2 (x − xn )2
+ ··· ···
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
+···
(x − x0 )2 (x − x1 )2 (x − xi−1 )2 (x − xi+1 )2 2(x − xn )
+ ··· ···
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
From the above relation follows

2(xi − x0 ) (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2


qi0 (x)|xi = ··· ···
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
(xi − x0 )2 2(xi − x1 ) (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
+ ··· ···
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
..
.
(xi − x0 )2 (xi − x1 )2 2(xi − xi−1 ) (xi − xi+1 )2 (xi − xn )2
+ 2 2
··· 2 2
···
(xi − x0 ) (xi − x1 ) (xi − xi−1 ) (xi − xi+1 ) (xi − xn )2
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 2(xi − xi+1 ) (xi − xn )2
+ 2 2
··· 2 2
···
(xi − x0 ) (xi − x1 ) (xi − xi−1 ) (xi − xi+1 ) (xi − xn )2
..
.
(xi − x0 )2 (xi − x1 )2 (xi − xi−1 )2 (xi − xi+1 )2 2(xi − xn )
+ 2 2
··· ···
(xi − x0 ) (xi − x1 ) (xi − xi−1 )2 (xi − xi+1 )2 (xi − xn )2
2 2 2 2
= + + ··· + +
(xi − x0 ) (xi − x1 ) (xi − xi−1 ) (xi − xi+1 )
2
+··· +
(xi − xn )

and

qi0 (x)|xj = 0, ∀ j 6= i
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercises

1 Interpolate sin(x) at x0 = 0, x1 = π/2, and x2 = π by a Hermite polynomial.

2 Interpolate ln(x) at x0 = 1 and x1 = 2 by a Hermite polynomial.

81 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Solution pour sinus
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Hermite interpolation error

Theorem
Suppose f (x), the function to be interpolate, is 2n + 2 times differentiable. For all x,
there exists a point θx ∈ [x0 , xn ] depending on x such that

n
f (2n+2) (θx ) Y
En (x) = f (x) − hn (x) = (x − xi )2
(2n + 2)! i=0

83 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Hermite interpolation unicity

Unicity of Hermite interpolation


The Hermite interpolation is unique

84 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercises

1
Perform the Hermite interpolation of f (x) = 1+x2
in interval [−5, 5] with 5
nodes, that is n + 1 = 5.

1 using equidistant nodes h = (b − a)/n où a = −5, b = 5, n = 4

xi = a + ih, i = 0, 1, 2, 3, 4

2 using Tchebyshev-Gauss-Lobatto nodes

b+a b−a
xi = − cos(iπ/n) i = 0, 1, 2, 3, 4
2 2

Draw the corresponding graphs including the error curve.

85 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


For 5 equidistant nodes in [−5, 5], the data are

1 2xi
i xi f (x)|xi = 1+x2
f 0 (x)|xi = − (1+x 2 )2
i i
0 −5 1/26 10/262
1 −5/2 4/29 80/292
2 0 1 0
3 5/2 4/29 −80/292
4 5 1/26 −10/262

Compute differences xi − xj , i 6= j
Q4
x0 x1 x2 x3 x4 j=0,j6=i (xi − xj )
x0 ∗ −5/2 −5 −15/2 −10 (−5)(−5)(−15)(−10)/4
x1 5/2 ∗ −5/2 −5 −15/2 (5)(−5)(−5)(−15)/8
x2 5 5/2 ∗ −5/2 −5 (5)(5)(−5)(−5)/4
x3 15/2 5 5/2 ∗ −5/2 (15)(5)(5)(−5)/8
x4 10 15/2 5 5/2 ∗ (10)(15)(5)(5)/4
The squares of Lagrange polynomials

!2 !2
(x − x1 )(x − x2 )(x − x3 )(x − x4 ) (x + 5/2)(x)(x − 5/2)(x − 5)
q0 (x) = =
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 ) (−5)(−5)(−15)(−10)/4
!2 !2
(x − x0 )(x − x2 )(x − x3 )(x − x4 ) (x + 5)(x)(x − 5/2)(x − 5)
q1 (x) = =
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 ) (5)(−5)(−5)(−15)/8
!2 !2
(x − x0 )(x − x1 )(x − x3 )(x − x4 ) (x + 5)(x + 5/2)(x − 5/2)(x − 5)
q2 (x) = =
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 ) (5)(5)(−5)(−5)/4
!2 !2
(x − x0 )(x − x1 )(x − x2 )(x − x4 ) (x + 5)(x + 5/2)x(x − 5)
q3 (x) = =
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 ) (15)(5)(5)(−5)/8
!2 !2
(x − x0 )(x − x1 )(x − x2 )(x − x3 ) (x + 5)(x + 5/2)x(x − 5/2)
q4 (x) = =
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 ) (10)(15)(5)(5)/4
2 2 2 2
q00 (x0 ) = + + + = −5/3
(x0 − x1 ) (x0 − x2 ) (x0 − x3 ) (x0 − x4 )
2 2 2 2
q10 (x1 ) = + + + = −2/3
(x1 − x0 ) (x1 − x2 ) (x1 − x3 ) (x1 − x4 )
2 2 2 2
q20 (x2 ) = + + + =0
(x2 − x0 ) (x2 − x1 ) (x2 − x3 ) (x2 − x4 )
2 2 2 2
q30 (x3 ) = + + + = 2/3
(x3 − x0 ) (x3 − x1 ) (x3 − x2 ) (x3 − x4 )
2 2 2 2
q40 (x4 ) = + + + = 5/3
(x4 − x0 ) (x4 − x1 ) (x4 − x2 ) (x4 − x3 )

h0 (x) = f (x0 ) + (x − x0 )[f 0 (x0 ) − q00 (x0 )f (x0 )]


= 1/26 + (x + 5)(10/262 + 5/3 × 1/26) = 0, 0789x + 0, 4329
h1 (x) = f (x1 ) + (x − x1 )[f 0 (x1 ) − q10 (x1 )f (x1 )]
= 4/29 + (x + 5/2)(80/292 + 2/3 × 4/29) = 0, 1871x + 0.6056
h2 (x) = f (x2 ) + (x − x2 )[f 0 (x2 ) − q20 (x2 )f (x2 )]
= 1 + (x − 0)(0 + 0 × 1) = 1
h3 (x) = f (x3 ) + (x − x3 )[f 0 (x3 ) − q30 (x3 )f (x3 )]
= 4/29 + (x − 5/2)(−80/292 − 2/3 × 4/29) = −0, 1871x + 0.6056
h4 (x) = f (x4 ) + (x − x4 )[f 0 (x4 ) − q40 (x4 )f (x4 )]
= 1/26 + (x − 5)(−10/262 − 5/3 × 1/26) = −0, 0789x + 0, 4329
h(x) = q0 (x)h0 (x) + q1 (x)h1 (x) + q2 (x)h2 (x) + q3 (x)h3 (x) + q4 (x)h4 (x)

The Hermite interpolation polynomial

!2
(x + 5/2)(x − 0)(x − 5/2)(x − 5)
h(x) = h0 (x)
(−5)(−5)(−15)(−10)/4
!2
(x + 5)(x − 0)(x − 5/2)(x − 5)
+ h1 (x)
(5)(−5)(−5)(−15)/8
!2
(x + 5)(x + 5/2)(x − 5/2)(x − 5)
+ h2 (x)
(5)(5)(−5)(−5)/4
!2
(x + 5)(x + 5/2)(x − 0)(x − 5)
+ h3 (x)
(15)(5)(5)(−5)/8
!2
(x + 5)(x + 5/2)(x − 0)(x − 5/2)
+ h4 (x)
(10)(15)(5)(5)/4
1
Figure – Hermite Interpolation of 1+x2
using 5 equidistant nodes

Comments

The two figures meet at nodes


The slope (« pente » in french) are the same at nodes

Recall (Lagrangian Interpolation of the same function and same nodes)


A useful piece of matlab script

a=-5 ; b=5 ; n=4 ; x=a + (a+b)/n*[0 :n]


f = 1./(1+x.*x)
fp = - 2*x.*f.*f
xmx=kron(transpose(x), ones(1, length(x)))-kron(x, ones(length(x),1))
xmx = xmx + eye(length(x))
p = prod(transpose(xmx))
invxmx = 1./xmx
qp = 2*(sum(transpose(invxmx))-1)
m =fp - qp.*f
n = f-x.*m
b+a b−a
For 5 Tchebyshev nodes in [−5, 5], xi = 2
− 2
cos(iπ/4) the data are

1 2xi
i xi f (x)|xi = 1+x2
f 0 (x)|xi = − (1+x2 )2
i i
0 −5.0000 0.0385 0.0148
1 −3.5355 0.0741 0.0388
2 0.0000 1.0000 0.0000
3 3.5355 0.0741 −0.0388
4 5.0000 0.0385 −0.0148

Compute differences xi − xj , i 6= j
Q4
x0 x1 x2 x3 x4 j=0,j6=i
x0 * -1.4645 -5.0000 -8.5355 -10.0000 625.0
x1 1.4645 * -3.5355 -7.0711 -8.5355 -312.5
x2 5.0000 3.5355 * -3.5355 -5.0000 312.5
x3 8.5355 7.0711 3.5355 * -1.4645 -312.5
x4 10.0000 8.5355 5.0000 1.4645 * 625.0
 2
(x − x1 )(x − x2 )(x − x3 )(x − x4 )
q0 (x) =
(x0 − x1 )(x0 − x2 )(x0 − x3 )(x0 − x4 )
(x + 3.5355)(x)(x − 3.5355)(x − 5) 2
 
=
625.0
 2
(x − x0 )(x − x2 )(x − x3 )(x − x4 )
q1 (x) =
(x1 − x0 )(x1 − x2 )(x1 − x3 )(x1 − x4 )
(x + 5)(x)(x − 3.5355)(x − 5) 2
 
=
−312.5
 2
(x − x0 )(x − x1 )(x − x3 )(x − x4 )
q2 (x) =
(x2 − x0 )(x2 − x1 )(x2 − x3 )(x2 − x4 )
(x + 5)(x + 3.5355)(x − 3.5355)(x − 5) 2
 
=
312.5
 2
(x − x0 )(x − x1 )(x − x2 )(x − x4 )
q3 (x) =
(x3 − x0 )(x3 − x1 )(x3 − x2 )(x3 − x4 )
(x + 5)(x + 3.5355)x(x − 5) 2
 
=
−312.5
 2
(x − x0 )(x − x1 )(x − x2 )(x − x3 )
q4 (x) =
(x4 − x0 )(x4 − x1 )(x4 − x2 )(x4 − x3 )
(x + 5)(x + 3.5355)x(x − 3.5355) 2
 
=
625.0
2 2 2 2
q00 (x0 ) = + + + = −2.200
(x0 − x1 ) (x0 − x2 ) (x0 − x3 ) (x0 − x4 )
2 2 2 2
q10 (x1 ) = + + + = 0.282
(x1 − x0 ) (x1 − x2 ) (x1 − x3 ) (x1 − x4 )
2 2 2 2
q20 (x2 ) = + + + = 0.000
(x2 − x0 ) (x2 − x1 ) (x2 − x3 ) (x2 − x4 )
2 2 2 2
q30 (x3 ) = + + + = −0.282
(x3 − x0 ) (x3 − x1 ) (x3 − x2 ) (x3 − x4 )
2 2 2 2
q40 (x4 ) = + + + = 2.200
(x4 − x0 ) (x4 − x1 ) (x4 − x2 ) (x4 − x3 )

h0 (x) = f (x0 ) + (x − x0 )[f 0 (x0 ) − q00 (x0 )f (x0 )] = 0.0995x + 0.5360


h1 (x) = f (x1 ) + (x − x1 )[f 0 (x1 ) − q10 (x1 )f (x1 )] = 0.01784x + 0.1371
h2 (x) = f (x2 ) + (x − x2 )[f 0 (x2 ) − q20 (x2 )f (x2 )] = 1
h3 (x) = f (x3 ) + (x − x3 )[f 0 (x3 ) − q30 (x3 )f (x3 )] = −0.01784x + 0.1371
h4 (x) = f (x4 ) + (x − x4 )[f 0 (x4 ) − q40 (x4 )f (x4 )] = −0.0995x + 0.5360
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

h(x) = q0 (x)h0 (x) + q1 (x)h1 (x) + q2 (x)h2 (x) + q3 (x)h3 (x) + q4 (x)h4 (x)

96 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


1
Figure – Hermite Interpolation of 1+x2
using 5 Tchebyshev nodes

Comments

The two figures meet at nodes


The slope (« pente » in french) are the same at nodes

Recall

1
Figure – Hermite Interpolation of 1+x2
using 5 equidistant nodes
A useful piece of matlab script

a=-5 ; b=5 ; n=4 ; x=(a+b)/2 - (b-a)/2*cos([0 :n]*pi/n)


f = 1./(1+x.*x)
fp = - 2*x.*f.*f
xmx=kron(transpose(x), ones(1, length(x)))-kron(x, ones(length(x),1))
xmx = xmx + eye(length(x))
p = prod(transpose(xmx))
invxmx = 1./xmx
qp = 2*(sum(transpose(invxmx))-1)
m =fp - qp.*f
n = f-x.*m
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Stability of Polynomial interpolation

What happens if instead of using exact values f (xi ) we consider perturbed values
fˆ(xi ), i = 0, 1, . . . , n. This may be due to uncertainty in the data or truncature errors.
We have

X n n
X
max [f (xi ) − fˆ(xi )]li (x) ≤ max |li (x)| max f (xi ) − fˆ(xi )

x0 ≤x≤xn x0 ≤x≤xn x0 ≤x≤xn
i=1 i=1

Let
n
X
Λn (x) = max |li (x)|
x0 ≤x≤xn
i=1

We refer to this quantity as the Lebesgue constant.

100 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Soient deux points (x1 , y1 ) et (x2 , y2 ) Comparer l’équation de la droite passant


par ces points et l’interpolation de Lagrange en deux noeuds x1 en x2 pour les
valeurs des ordonnées y1 et y2 .
1
Interpoler f (x) = 1+x 2 dans l’intervalle [−5, 5] sur 7 noeuds (equidistants puis
de Tchebyshev) en utilisant les formules de Lagrange puis celles de Hermite.
Commenter les graphiques obtenus.

101 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Exercise

Calculer par recurrence les polynomes de Tchebychev jusqu’a n = 5.

Dessiner t0 , t1 , t2 et t3

102 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exercice supplémentaire
Soit
1
f (x) = dx
3x + 4

Déterminer les polynômes d’interpolation de Lagrande pour les différents


ensembles des 3 noeuds suivants

{−1.0, −0.7, −0.4}, {−0.4, −0.1, 0.2}, {0.2, 0.5, 0.8}, {0.8, 1.1, 1.4},
{1.4, 1.7, 2.0}

Pour chaque ensemble de 3 noeuds dessiner sur un graphique différent la


fonction et le polynôme d’interpolation ainsi trouvé

Réponses

f (x) = 1.6917x2 + 1.2970x + 0.6053


f (x) = 1.1889x2 − 0.1951x + 0.2489
f (x) = 0.0556x2 − 0.1575x + 0.2469
f (x) = 0.0235x2 − 0.1088x + 0.2283
f (x) = 0.0121x2 − 0.0776x + 0.2069
Présentation du cours
Rappel sur le Développement en série Lagrange Interpolation
Polynomial Interpolation Error in Lagrange Interpolation for a Function f (x)
Intégration Numérique Runge phenomenon
Dérivation numérique Hermite Interpolation
Equations non-linéaires d’une variable Exercices
Calcul numérique approchés et erreurs

Complementary Reading

Newton interpolation formula


Trigonometric interpolation
Approximation with splines functions

104 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Contents

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

105 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Introduction
Nous traitons ici d’intégrales définies. Comme dans le cas de l’interpolation ou de la
dérivation numérique, on peut se retrouver à intégrer :

Une fonction tabulée (données d’observations ou résutats d’expérimentations)


Une fonction dont l’expression analytique est difficile à intégrer (provenant de la
modélisation)
Exemple : L’intégrale définie entre 0 et π de la fonction

f (x) = cos(4x) cos(3 sin(x))

est donnée par la formule

π  4 X∞
(−9/4)k
Z
3
f (x)dx = π .
0 2 k=0
k!(k + 4)!

Elle est visiblement difficile à évaluer.

106 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Introduction

We will not consider the problem of finding the definite integral


Z x
y(x) = f (t) dt.
x0

This problem is equivalent to the following Ordinary Differential Equation (the


simplified Cauchy problem)

dy
= f (x), y(x0 ) = 0.
dx

107 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Introduction
We want to find the definite integral
Z b
I= f (x) dx
a

For now, we divide [a, b] by n + 1 equidistant nodes

xi = a + ih, i = 0, 1, . . . , n, with step h = (b − a)/n

Thus x0 = a and xn = b. This defines n subintervals Ii = [xi−1 , xi ], i = 1, . . . , n so


that
Z x1 Z x2 Z xn n Z
X
I= f (x)dx + f (x)dx + · · · + f (x)dx = f (x) dx
x0 x1 xn−1 i=1 Ii

Thus one may approach f (x) by a interpolating polynomial in each interval Ii . We


stress that the function f (x) is either in tabular form or in an analytical complicated
expression.
108 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I
Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Middle point (rectangle) formula

The simplest way is to choose an interpolating polynomial that is constant. So

p0 (x) = f (x̄i ) with x̄i = (xi + xi−1 )/2, i = 1, . . . , n

This leads to the approximation

Formule de point milieu

n
X
I(f ) ≈ Î(f ) = hf (x̄1 ) + . . . + hf (x̄n ) = h f (x̄i ), h = (b − a)/n = xi − xi−1
i=1

Caution : Having n + 1 nodes means that we define n subintervals, that is n middle


points x̄i , i = 1, . . . , n.

109 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exo
Soit
1
f (x) =
3x + 4
Approximer par la méthode du point milieu
Z 2
f (x)dx n=5
−1

Valeur exacte
Z 2 2
1 1 1
dx = ln(3x + 4) = (ln(10) − ln(1)) = 0.7675
−1 3x + 4 3 −1 3

Valeur approchée Avec n = 5, les 6 noeuds sont

−1; −0.4; 0.2; 0, 8; 1.4; 2

et les 5 sous-intervalles

[−1, −0.4]; [−0.4, 0.2]; [0.2, 0.8], [0.8, 1.4]; [1.4, 2]

L’ensemble des 5 points milieux et les valeurs correspondantes de la fonction f (x)

{−0.7, −0.1, 0.5, 1.1, 1.7} et {0.5263, 0.2703, 0.1818, 0.1370, 0.1099}

solution exacte solution approchée


0.7675 0.7352
Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Middle point (rectangle) formula

Figure – Méthode du point milieu

111 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Formule du trapèze
Another way is to choose a polynomial of degree 1 that interpolate f (x) at nodes
xi−1 and xi .
x − xi x − xi−1
p1 (x) = f (xi−1 ) + f (xi )
xi−1 − xi xi − xi−1
which gives
Z Z Z
f (xi−1 ) f (xi )
p1 (x)dx = (x − xi )dx + (x − xi−1 )dx
xi−1 − xi xi − xi−1
1 f (xi−1 ) 1 f (xi )
= (x − xi )2 + (x − xi−1 )2 + cste
2 xi−1 − xi 2 xi − xi−1

Now, if we use xi−1 and xi as limits of integration, we easily obtain


Z xi
xi xi
1 f (xi−1 ) 1 f (xi )
(x − xi )2 (x − xi−1 )2

p1 (x)dx = +
xi−1 2 xi−1 − xi xi−1 2 xi − xi−1 xi−1

1 f (xi−1 ) 1 f (xi )
= − (xi−1 − xi )2 + (xi − xi−1 )2
2 xi−1 − xi 2 xi − xi−1
h
= (f (xi−1 ) + f (xi ))
2

remembering that h = xi − xi−1 = −(xi−1 − xi ).


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Formule du trapèze
We come to the approximation

Formule du trapèze
n
hX
I(f ) ≈ Î(f ) = [f (xi−1 ) + f (xi )]
2 i=1

for the integral over the whole interval [x0 , xn ]. Recall that we have n intervals and
n + 1 nodes x0 , x1 , . . . , xn .

Caution : If we develop the summation above, we must be aware of the fact that the
functions on the interior nodes appear twice, while the functions on the extreme nodes
appear once.

h
Î(f ) = [f (x0 ) + 2f (x1 ) + . . . + 2f (xn−1 ) + f (xn )]
2

113 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exo

Refaire l’exercice précédent avec la méthode du trapèze

Avec n = 5, les 6 noeuds sont −1; −0.4; 0.2; 0, 8; 1.4; 2 et les 5 les valeurs
1
correspondantes de la fonction 3x+4 aux noeuds

{1.0000, 0.3571, 0.2174, 0.1563, 0.1220, 0.1000}

Exact Point milieu Trapèze


0.7675 0.7352 0.8416

Et les erreurs correspondantes sont

Exact Point milieu Trapèze


0 0.0323 0.0741
Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Formule du trapèze

Figure – Méthode des trapèzes

115 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Formule de Simpson

Yet another choice. This consists in replacing f (x) with a polynomial of degree 2 at
nodes xi−1 , x̄i = (xi−1 + xi )/2 and xi in each subinterval.

(x − x̄i )(x − xi )
p2 (x) = f (xi−1 )
(xi−1 − x̄i )(xi−1 − xi )
(x − xi−1 )(x − xi )
+ f (x̄i )
(x̄i − xi−1 )(x̄i − xi )
(x − xi−1 )(x − x̄i )
+ f (xi ).
(xi − xi−1 )(xi − x̄i )
Formule de Simpson

We proceed as before. But, now we have for each interval three values xi−1 , xi , x̄i , to
be considered. Nevertheless the integration limits remain the same, that is xi−1 and xi

Z Z
f (xi−1 )
p2 (x)dx = (x − x̄i )(x − xi )dx
(xi−1 − x̄i )(xi−1 − xi )
Z
f (x̄i )
+ (x − xi−1 )(x − xi )dx
(x̄i − xi−1 )(x̄i − xi )
Z
f (xi )
+ (x − xi−1 )(x − x̄i )dx
(xi − xi−1 )(xi − x̄i )
f (xi−1 ) x3 x2
 
= 2 2
− (xi + x̄i ) + x̄i xi x
h 3 2
f (x̄i ) x3 x2
 
−4 2 − (xi + xi−1 ) + xi−1 xi x
h 3 2
f (xi ) x3 x2
 
+2 2 − (x̄i + xi−1 ) + xi−1 x̄i x + cste
h 3 2
Formule de Simpson

Recalling 2 that xi − xi−1 = h, xi − x̄i = h/2, x̄i − xi−1 = h/2, observe that
xi
x3 x2

− (xi + x̄i ) + x̄i xi x = h3 /12
3 2 xi−1
xi
x3 x2

− (xi + xi−1 ) + xi−1 xi x = −h3 /6
3 2 xi−1
xi
x3 x2

− (x̄i + xi−1 ) + xi−1 x̄i x = h3 /12.
3 2 xi−1

2. Recall also a3 − b3 = (a − b)(a2 + ab + b3 ) and a2 − b2 = (a − b)(a + b)


Formule de Simpson

Thus

Formule de Simpson
n
hX
Î(f ) = [f (xi−1 ) + 4f (x̄i ) + f (xi )] .
6 i=1

Recall also that xi − xi−1 = h, xi − x̄i = h/2, x̄i − xi−1 = h/2


Exo
Approximer par la méthode de Simpson.
Z 2 1
dx
−1 3x + 4

avec n = 5.
Valeur exacte
Z 2
2
1 1 1
dx = ln(3x + 4) = (ln(10) − ln(1)) = 0.7675
−1 3x + 4 3 −1 3

Avec n = 5, les 6 noeuds sont −1; −0.4; 0.2; 0, 8; 1.4; 2 et les 5 sous-intervalles

[−1, −0.4]; [−0.4, 0.2]; [0.2, 0.8], [0.8, 1.4]; [1.4, 2]

1
L’ensemble des 5 points milieux et les valeurs correspondantes de la fonction 3x+4

{−0.7, −0.1, 0.5, 1.1, 1.7} et {0.5263, 0.2703, 0.1818, 0.1370, 0.1099}

Exact Point milieu Trapèze Simpson


0.7675 0.7352 0.8416 0.7707
Simpson
Estimation des erreurs d’intégration

Proposition
Erreur dans la méthode du point milieu

i
Z  
xi + xi−1 1
|f 00 (θ)|h3

f (x)dx − hf ≤ 24 max

i−1 2 θ∈[xi−1 , xi ]

Proposition
Erreur dans la méthode du trapèze

i
Z  
f (xi ) + f (xi−1 )
|f 00 (θ)|h3

f (x)dx − h ≤ C θ∈[xmax,

i−1 2 i−1 xi ]

Pour une constante C > 0.

Proposition
Erreur dans la méthode de Simpson

i
Z
h 1
|f (4) (θ)|h5

f (x)dx − [f (xi−1 ) + 4f (x̄i ) + f (xi )] ≤ max

i−1 6 2880 θ∈[xi−1 , xi ]
Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Le problème de Cauchy
Le problème est d’approximer trouver une fonction y(t) satisfaisant à une relation dite
équation différentielle ordinaire du 1er ordre comme suit :

Le problème de Cauchy

y0 = f (t, y(t)),
t ≥ t0 ,
y(t0 ) = y0 . condition intiale

On donne f (t, y), t0 et y0 (valeur initiale),


L’inconnue est l’expression de la fonction y(t),

Dans l’approche numérique, la solution approchée de y(t) sera sous forme tabulée. Elle
n’est pas une expression analytique.

123 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Le problème de Cauchy

exemple 1
y 0 = −y + 2e−t cos(2t), t0 = 0, y0 = 0

On effectue l’identification suivante :

f (t, y(t)) = −y + 2e−t cos(2t),

On peut vérifier que la solution exacte (analytique) est y(t) = e−t sin(2t).

Dans la pratique, la solution analytique d’une EDO est rarement accessible ; d’où
l’usage des méthodes numériques.

124 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Résolution numérique du problème de Cauchy

Discrétisation de [t0 , t∗ ], pour avoir t0 , t1 , · · · , tn = t∗ on sait que


Z ti+1 Z ti+1
y 0 (t)dt = f (t, y(t))dt (1)
ti ti
Z ti+1
yi+1 − yi = f (t, y(t))dt (2)
ti

125 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Utilisation de la méthode des rectangle à gauche

yi+1 = yi + hf (ti , yi )

Schéma d’Euler Explicite


On se donne un pas de temps h

On part des valeurs initiales fournies : t0 et y0

On répète les opérations (itérations) pour i = 1, 2, . . . ,

yi+1 = yi + hf (ti , yi );
ti+1 = ti + h;
Utilisation de la méthode des rectangle à droite

yi+1 = yi + hf (ti+1 , yi+1 )

Schéma d’Euler Implicite


On se donne un pas de temps h

On part des valeurs initiales fournies : t0 et y0

On répète les opérations (itérations) pour i = 1, 2, . . . ,


Utilisation de la méthode des trapèzes

h
yi+1 = yi + [f (ti , yi ) + f (ti+1 , yi+1 )]
2

Schéma des trapèzes


On se donne un pas de temps h

On part des valeurs initiales fournies : t0 et y0

On répète les opérations (itérations) pour i = 1, 2, . . . ,


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Exercice

On donne le problème de Cauchy suivant :

y 0 = 2ty, y(1) = 1. (3)

On demande :
2
De montrer que la fonction y(t) = et −1 vérifie cette relation. On dit que c’est
une solution exacte de l’équation (5).

D’approximer la solution de t = 1 à t = 1, 5 par la méthode d’Euler (a) avec


h = 0, 1 puis (b) h = 0, 05,

De calculer à chaque itération, l’erreur absolue et l’erreur relative sur la solution


approchée.

129 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Solution

n tn yn y(tn ) err. abs. % err. rel.


0 1.00 1.0000 1.0000 0.0000 0.00
1 1.10 1.2000 1.2337 0.0337 2.73
2 1.20 1.4640 1.5527 0.0887 5.71
3 1.30 1.8154 1.9937 0.1784 8.95
4 1.40 2.2874 2.6117 0.3244 12.42

Méthode d’Euler h = 0.1

130 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours Introduction
Rappel sur le Développement en série Middle point (rectangle) formula
Polynomial Interpolation Formule du trapèze
Intégration Numérique Formule de Simpson
Dérivation numérique Equations différentielles ordinaires (EDO). Méthode d’Euler
Equations non-linéaires d’une variable Exos
Calcul numérique approchés et erreurs

Exo recap

On donne f (x) = x sin(x) on demande d’intégrer f (x) sur [0, π]

analytiquement
numériquement avec 5 noeuds en utilisant les trois méthodes étudiées

131 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Contents

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

132 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Motivation

Dans la pratique, les cas suivants peuvent se présenter :

Fonction sous forme tabulée (observations ou expérimentations)


Fonction donnée par son expression analytique dont la dérivée est difficile à
calculer.
Fonction découlant des calculs faisant intervenir des équations à résoudre

Alors, on fait recours à la dérivation numérique.

133 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Idée

On cherche à approximer la dérivée d’une fonction en un point à partir des


évaluations de la fonction au voisinage de la fonction en ce point.

On se base sur l’interpolation de Lagrange ou le dévéloppement de Taylor.

134 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exos

Calculer la dérivée de
sin(x2 ) ln(x)
f (x) = √
x+3

en x = π/2

Réponse


[2x cos(x2 ) ln(x) + sin(x2 ) x1 ]( x + 3) − sin(x2 ) ln(x) 2√
1
x
f 0 (x) = √
( x + 3)2
Exos

sin(x2 ) ln(x)
Figure – f (x) = √
x+3
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

A piece of Matlab code

>> x=s q r t ( p i ) / 2
x =
0.8862
>> a =((2∗ x ∗ c o s ( x ^2)∗ l o g ( x)+ s i n ( x ^2)/ x ) ) ∗ ( s q r t ( x )+3)
a =
2.5481
>> b = s i n ( x ^2)∗ l o g ( x ) ∗ ( 1 / ( 2 ∗ s q r t ( x ) ) )
b =
−0.0454
>> c= ( s q r t ( x )+3)^2
c =
15.5346
>> d = ( a−b ) / c
d=
0.1669

137 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Use of Interpolation Polynomial

Lorsque la fonction est représentée sous forme tabulée. La dérivée peut être obtenue
par dérivation du polynôme d’interpolation. On obtient alors

Theorem
n
pn (x) l0 (x) l1 (x) ln (x) X li (x)
= y0 + y1 + · · · + yn = yi .
dx dx dx dx i=0
dx

138 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Première approche : différences décentrées

Considérons les deux développements de Taylor à l’ordre 1 d’une fonction deux fois
dérivable

1 00 + 2
f (x + h) = f (x) + f 0 (x)h + f (θ )h , x ≤ θ+ ≤ x + h
2
1
f (x − h) = f (x) − f 0 (x)h + f 00 (θ− )h2 , x − h ≤ θ− ≤ x
2

Formule
Les différences décentrées à droite et à gauche sont, respectivement,

f (x + h) − f (x) f (x) − f (x − h)
f 0 (x) ≈ et f 0 (x) ≈ ,
h h

en négligeant 21 f 00 (θ+ )h2 et 12 f 00 (θ− )h2 . Les erreurs de troncature sont d’ordre 1 en
h et données respectivement par

1 00 + 1 00 −
Et = f (θ ) h et Et = f θ ) h.
2 2
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

A piece of Matlab code

Par différence finie décentrée à droite avec h = 0.01, on trouve

>> h =0.01
h =
0.0100
>> p = s i n ( ( x+h ) ^ 2 ) ∗ l o g ( x+h ) / ( s q r t ( x+h )+3)
p =
−0.0200
>> q = s i n ( x ^2)∗ l o g ( x ) / ( s q r t ( x )+3)
q =
−0.0217
>> r =(p−q ) / h
r =
0.1693

140 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exemple

Avec f (x) = sin(x), on a

1
sin(x + h) = sin(x) + cos(x)h − sin(θ+ )h2 , x ≤ θ+ ≤ x + h
2
1
sin(x − h) = sin(x) − f 0 (x)h + sin(θ− )h2 , x − h ≤ θ− ≤ x
2
Exos
Utiliser les différences décentrées pour les exercices suivants :

Soit f (x) = x4 . Approximer f 0 (x) en x = 1 avec

h = 10−2 , h = 10−2 /2 et h = 10−2 /4

La valeur exacte de la dérivée est

f 0 (x)|x=1 = 4x3 |x=1 = 4

ln(x)
Soit f (x) = √
x−1
. Approximer f 0 (x) en x = 2 avec

h = 10−2 , h = 10−2 /2 et h = 10−2 /4

La valeur exacte de la dérivée est


1 √ 1
x
( x − 1) − ln(x) 2√ x
f 0 (x) = √ = −0.221234006974808
x−2 x+1


x=2
(x + h)4 − x4 x4 − (x − h)4
f 0 (x) ≈ f˜0 (x) = ou f 0 (x) ≈ fˆ0 (x) =
h h


f˜0 (x)|x=1 fˆ0 (x)|x=1 (f (x) − fˆ0 (x))/f 0 (x)
0
h

x=1
10−2 4.060 3.940
10−2 /2 4.030 3.970
10−2 /4 4.015 3.985

ln(x+h) ln(x) ln(x) ln(x−h)



x+h−1
− √
x−1

x−1
− √
x−h−1
f 0 (x) ≈ f˜0 (x) = ou f 0 (x) ≈ fˆ0 (x) =
h h

f˜0 (x)|x=2 fˆ0 (x)|x=2 (f (x) − fˆ0 (x))/f 0 (x)
0
h

x=2
10−2 −0.2206 −0.2219
10−2 /2 −0.2209 −0.2216
10−2 /4 −0.2211 −0.2214
Deuxième approche : différences centrées
La soustraction les développements de f (x + h) et f (x − h) à l’ordre 2, donne

1  000 +
f (x + h) − f (x − h) = 2 f 0 (x)h + f (θ ) + f 000 (θ− ) h3

6

où x ≤ θ+ ≤ x + h et x − h ≤ θ− ≤ x.
Comme f 000 (x) est continue, il existe θ̂ ∈ [θ− , θ+ ] ⊂ [x − h, x + h] tel que

1  000 +
f 000 (θ̂) = f (θ ) + f 000 (θ− ) .

2

Ainsi,
f (x + h) − f (x − h) 1
f 0 (x) = − f 000 (θ̂)h2 .
2h 6

Formule
f (x + h) − f (x − h)
f 0 (x) ≈ .
2h
L’erreur de troncature est donc d’ordre deux en h

1 000
Et = f (θ̂)h2 .

6
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

A piece of Matlab code


Par différence finie centrée avec h = 0.01, on trouve

>> x=s q r t ( p i ) / 2 , h =0.01


x =
0.8862
h =
0.0100
>> p = s i n ( ( x+h ) ^ 2 ) ∗ l o g ( x+h ) / ( s q r t ( x+h )+3)
p =
−0.0200
>> q = s i n ( ( x−h ) ^ 2 ) ∗ l o g ( x−h ) / ( s q r t ( x−h )+3)
q =
−0.0233
>> r =(p−q ) / ( 2 ∗ h )
r =
0.1669

145 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exos. Solutions
Refaire les exercices précédents en utilisant les différences centrées

(x + h)4 − (x − h)4
f 0 (x) ≈ f˜0 (x) =
2h

f˜0 (x)|x=1 (f (x) − f˜0 (x))/f 0 (x)
0
h

x=1
10−2 4.00040 0.000100
10−2 /2 4.00010 0.000025
10−2 /4 4.00002 0.000005

ln(x+h) ln(x−h)

x+h−1
− √
x−h−1
f 0 (x) ≈ f˜0 (x) =
2h

f˜0 (x)|x=2 (f (x) − f˜0 (x))/f 0 (x)
0
h

x=2
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗
Différence centrée d’ordre 4
Exercice : A partir des développement suivants

1 00 1
f (x + 2h) = f (x) + f 0 (x)(2h) + f (x)(2h)2 + f 000 (x)(2h)3
2! 3!
1 1
+ f (4) (x)(2h)4 + f (5) (θ̂)(2h)5 , x ≤ θ̂ ≤ x + 2h (1)
4! 5!
1 1
f (x − 2h) = f (x) − f 0 (x)(2h) + f 00 (x)(2h)2 − f 000 (x)(2h)3
2! 3!
1 (4) 4 1 (5) 5
+ f (x)(2h) − f (θ̄)(2h) , x − 2x ≤ θ̂ ≤ x (2)
4! 5!
1 1
f (x + h) = f (x) + f 0 (x)h + f 00 (x)h2 + f 000 (x)h3
2! 3!
1 1
+ f (4) (x)h4 + f (5) (ξ̂)h5 , x ≤ ξ̂ ≤ x + h (3)
4! 5!
1 1
f (x − h) = f (x) − f 0 (x)h + f 00 (x)h2 − f 000 (x)h3
2! 3!
1 1
+ f (4) (x)h4 − f (5) (ξ̄)h5 , x − h ≤ ξ̄ ≤ x (4)
4! 5!

faire la combinaison des équations ci-dessus (2) − (1) − 8[(4) − (3)] et obtenir

f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h) h4 (5)


f 0 (x) = + f (θ)
12h 30
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Différence centrée d’ordre 4

f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h) h4 (5)


f 0 (x) = + f (θ)
12h 30
avec x − 2h ≤ θ ≤ x + 2h

Proposition
f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h)
f 0 (x) ≈
12h
avec l’erreur de troncature
1 (5)
Et = |f (θ)|h4
30

L’erreur se majore comme suit

1
Et ≤ max |f (5) (θ)|h4
30 x−2h≤θ≤x+2h

148 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exos. Solutions
Refaire les exercices précédents en utilisant les différences centrées d’ordre 4.

f (x − 2h) − 8f (x − h) + 8f (x + h) − f (x + 2h)
f 0 (x) ≈ f˜0 (x) =
12h
0
f (x)−f˜0 (x)

h f˜0 (x)|x=1 f 0 (x)
x=1
10−2 4.000000000000002 ∗
10−2 /2 3.999999999999945 ∗
10−2 /4 3.999999999999990 ∗

ln(x−2h) ln(x−h) ln(x+h) ln(x+2h)



x−2h−1
− 8 √x−h−1 + 8 √x+h−1 − √
x+2h−1
f 0 (x) ≈ f˜0 (x) =
12h
0
f (x)−f˜0 (x)

h f˜0 (x)|x=2 f 0 (x)
x=1
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Interprétation de l’ordre d’une approximation

L’ordre d’une approximation correspond à l’ordre de l’erreur.

Exemples :

150 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Commentaires

La diminution de h augmente la qualité de l’approximation ( ! il y a une limite !)


L’augmentation de l’ordre augmente la qualité de l’approximation

On notera que des valeurs trop petites de h peuvent créer de l’instabilité numérique. Il
y a une limite dans l’utilisation de petites valeurs de h.

151 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Dérivée seconde
L’addition des développements de f (x + h) et f (x − h) à l’ordre 3 donne
" #
1 f (4) (θ+ ) + f (4) (θ− )
f (x + h) + f (x − h) = 2f (x) + f 00 (x)h2 + h4
12 2

qui conduit à

Formule
on obtient
f (x + h) − 2f (x) + f (x − h)
f 00 (x) ≈ ,
h2
1 (4)
en négligeant 12
f (θ)h4 . L’erreur de troncature est donc

1 (4)
Et = f (θ)h2 .

12

152 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exos. Solutions
Refaire les exercices précédents pour la dérivée seconde

(x + h)4 − 2(x)4 + (x − h)4


f 0 (x) ≈ f˜00 (x) =
h2
00
f (x)−f˜00 (x)

h f˜00 (x)|x=1 f 0 (x)
x=1
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗

ln(x+h) ln(x) ln(x−h)



x+h−1
− 2 √x−1 + √
x−h−1
f 00 (x) ≈ f˜00 (x) =
h2
00
f (x)−f˜00 (x)

h f˜00 (x)|x=2 f 0 (x)
x=1
10−2 ∗ ∗
10−2 /2 ∗ ∗
10−2 /4 ∗ ∗
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Sources d’erreurs

Les erreurs dans le calcul numérique proviennent de plusieurs sources. Ce qui conduit
aux erreurs de

Troncature (solution exacte remplacée par une solution approchée)


Arrondi (produite par les machines utilisées dans les calculs)
Mesure et/ou modélisation (représentation simplifiée des phénomènes)

154 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Principe

Soient deux approximations de la dérivée de f (x) avec comme pas h et h/2, resp.

f (x + h) − f (x) 1 00
f˜h0 ≡ = f 0 (x) + f (x)h + c1 h2 + . . .
h 2
0 f (x + h/2) − f (x) 1 00
f˜h/2 ≡ = f 0 (x) + f (x)(h/2) + c1 (h/2)2 + . . .
h/2 2

Dans les deux cas, l’erreur est dominée par les termes linéaires en h.

Multiplions la deuxième relation par 2 et soustrayons du resultat la première :

2f˜h/2
0 − f˜h0 2c1 (h/2)2 − c1 h2
= f 0 (x) + + ...
2−1 2−1

On obtient une erreur quadratique.

155 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Extrapolation de Richardson

Cette fois prenons la paire des différences centrées

f (x + h) − f (x − h) 1
f˜h0 ≡ = f 0 (x) + f 000 (x)h2 + c1 h3 + . . .
2h 3
0 f (x + h/2) − f (x − h/2) 1
f˜h/2 ≡ = f 0 (x) + f 000 (x)(h/2)2 + c1 (h/2)3 + . . .
2(h/2) 3

Une manipulation similaire donne

4f˜h/2
0 − f˜h0 4c1 (h/2)3 − c1 h3
= f 0 (x) + +
4−1 4−1

156 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exercice
On donne
ex−1
f (x) =
1 + cos(x) + sin3 (x)
Calculer les approximations de f 0 (x) en x = π/6 en utilisant les différences finies
centrées d’ordre 2 et d’ordre 4, notées respectivement, f˜0 (x) et fˆ0 (x)

Compléter le tableau suivant :

h f˜0 (π/6) fˆ0 (x) ẽh = |f 0 (π/6) − f˜0 (π/6)| êh = |f 0 (π/6) − fˆ0 (π/6)|
10−1 ∗ ∗ ∗ ∗
10−2 ∗ ∗ ∗ ∗
10−3 ∗ ∗ ∗ ∗
10−4 ∗ ∗ ∗ ∗

Marquer les points correspondant à log(ẽh ) et à log(êh ) en fonction de log(h)


sur un plan cartésien. Superposer les courbes d’équations z = 2w et z = 4w sur
le graphique. Faire des commentaires au regard du graphique et de la théorie.
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Le problème de Cauchy
Le problème est d’approximer trouver une fonction y(t) satisfaisant à une relation dite
équation différentielle ordinaire du 1er ordre comme suit :

Le problème de Cauchy

y0 = f (t, y(t)),
t ≥ t0 ,
y(t0 ) = y0 . condition intiale

On donne f (t, y), t0 et y0 (valeur initiale),


L’inconnue est l’expression de la fonction y(t),

Dans l’approche numérique, la solution approchée de y(t) sera sous forme tabulée. Elle
n’est pas une expression analytique.

158 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Le problème de Cauchy

exemple 1
y 0 = −y + 2e−t cos(2t), t0 = 0, y0 = 0

On effectue l’identification suivante :

f (t, y(t)) = −y + 2e−t cos(2t),

On peut vérifier que la solution exacte (analytique) est y(t) = e−t sin(2t).

Dans la pratique, la solution analytique d’une EDO est rarement accessible ; d’où
l’usage des méthodes numériques.

159 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Méthode d’Euler

Aux noeuds ti+1 = ti + h = t0 + ih, i = 0, 1, . . ., on considère

1 2 00
y(ti + h) = y(ti ) + hy 0 (ti ) + h y (ξ), ti ≤ ξ ≤ ti + h, i = 0, 1, . . .
2

où y 0 (ti ) = f (y, ti ) selon l’équation différentielle à résoudre.

on approxime les valeurs exactes y(ti+1 ) par les valeurs approchées notées yi+1 en
négligeant 12 h2 y 00 (ξ) selon le schéma ci-dessous

Schéma d’Euler Explicite


On se donne un pas de temps h

On part des valeurs initiales fournies : t0 et y0

On répète les opérations (itérations) pour i = 1, 2, . . . ,

yi+1 = yi + hf (ti , yi );
ti+1 = ti + h;
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Exercice

On donne le problème de Cauchy suivant :

y 0 = 2ty, y(1) = 1. (5)

On demande :
2
De montrer que la fonction y(t) = et −1 vérifie cette relation. On dit que c’est
une solution exacte de l’équation (5).

D’approximer la solution de t = 1 à t = 1, 5 par la méthode d’Euler (a) avec


h = 0, 1 puis (b) h = 0, 05,

De calculer à chaque itération, l’erreur absolue et l’erreur relative sur la solution


approchée.

161 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Dérivation par interpolation
Intégration Numérique Dérivation par Développement de Taylor. Différences finies
Dérivation numérique Extrapolation de Richardson
Equations non-linéaires d’une variable Equations différentielles ordinaires (EDO). Méthode d’Euler
Calcul numérique approchés et erreurs

Solution

n tn yn y(tn ) err. abs. % err. rel.


0 1.00 1.0000 1.0000 0.0000 0.00
1 1.10 1.2000 1.2337 0.0337 2.73
2 1.20 1.4640 1.5527 0.0887 5.71
3 1.30 1.8154 1.9937 0.1784 8.95
4 1.40 2.2874 2.6117 0.3244 12.42

Méthode d’Euler h = 0.1

162 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Contents

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

163 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Equations non-linéaires

Définition
Une équation non-linéaire est une équation qui peut se mettre sous la forme

f (x) = 0,

où f (x) est une fonction non-linéaire de x.

Exemples

sin(x) − x/2 = 0, x3 − 4x + 1 = 0, 2xex + 2 = 0, 10x − 9e−x = 0

Toute fonction d’une forme autre que

f (x) = c
f (x) = ax + b
f (x) = ax2 + bx + c

est dite non-linéaire.

Il n’existe pas de méthodes analytiques générales pour la résolution des équations


non-linéaires.
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Méthode de la dichotomie

Hypothèses sur la fonction

La fonction f (x) est continue sur un intervalle [a, b] supposé contenir la


solution notée x∗ .
La fonction f (x) est strictement monotone sur l’intervalle [a, b]
f (a) · f (b) < 0. Ceci signifie que f (a) et f (b) sont de signes opposés. Ceci
implique que la courbe de la fonction traverse l’axe des abcisses.

Conséquence : Il existe une unique racine x∗ dans [a, b] .

165 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Algorithme

On subdivise l’intervalle [a, b] de départ en deux sous intervalles [a, (a + b)/2]


et [(a + b)/2, b]

On évalue le signe de f ((a + b)/2).

On retient [a, (a + b)/2] si f ((a + b)/2) a le même signe que f (b), sinon on
retient [(a + b)/2, b] pour nouvel intervalle

On itère le processus

On arrête quand l’intervalle devient suffisament petit. C’est le critère d’arrêt.

166 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Exemple
Approximer la racine positive de la fonction suivante en utilisant la méthode de
dichotomie avec 6 itérations

f (x) = sin(x) − x/2 = 0

avec a = π/2, b = π, prendre dans les calculs 3 π = 3.1416,

itération a b f (a) f (b) x̃ = (a + b)/2 f (x̃)


1 3
1 2
π π 0.2146 −1.5708 4
π −0.4710
1 3 5
2 2
π 4
π 0.2146 −0.4710 8
π −0.0579
1 5 9
3 2
π 8
π 0.2146 −0.0579 16
π 0.0972
9 5 19
4 16
π 8
π 0.0972 −0.0579 32
π 0.0243
19 5 39
5 32
π 8
π 0.0243 −0.0579 64
π −0.0157
19 39 77
6 32
π 64
π 0.0243 −0.0157 128
π 0.0045

Méthode de dichotomie

x̃ = 1.8900.

On voit que f (x̄) tend vers 0 alors que le point milieu s’approche de la racine.

3. Note : les angles sont exprimés en radian sur les machines.


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Convergence

Soient x̃ la solution approchée, et x∗ , la solution exacte.

La majoration de l’erreur |x̃ − x∗ | est :

au départ : |b − a|/2,

à la deuxième itération : |b − a|/22 ,

à l’itération i : |b − a|/2i .

170 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Méthode de Newton

Hypothèses sur la fonction f (x)

La fonction f (x) est continue sur l’intervalle [a, b] supposé contenir la solution
La fonction f (x) est strictement monotone sur l’intervalle [a, b]
f (a) · f (b) < 0
f (x) est dérivable et f 0 (x) 6= 0 sur [a, b]

171 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Méthode de Newton (Méthode de la tangente)
Cette méthode est fort utilisée dans la résolution d’équations non linéaires ecrites sous
forme f (x) = 0.

On pose x = xi + h, puis, on opère un développement de Taylor au premier ordre écrit


sous la forme
1 00
f (xi + h) = f (xi ) + f 0 (xi )h + f (θ)h2
2
avec xi ≤ θ ≤ xi + h.

1 00
On néglige 2
f (θ)h2 et on cherche la valeur de hi qui annule l’approximation

f (xi ) + f 0 (xi )h

On calcule l’itéré suivant par xi+1 = xi + hi . L’algorithme s’écrit

f (xi )
hi = − ,
f 0 (xi )
xi+1 = xi + hi ,

avec x0 donné.
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Exo

Approximer la racine positive de

f (x) = sin(x) − x/2

avec x0 = π, x0 = π/2

f 0 (x) = cos(x) − 1/2

173 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Exo

f (x) = sin(x) − x/2


f 0 (x) = cos(x) − 1/2

f (xi )
hi = −
f 0 (xi )
xi+1 = xi + h,

itération xi f (xi ) f 0 (xi ) hi


0 π −π/2 −3/2 −π/3
√ √
1 2π/3 3/2 − π/3 −1 3/2 − π/3

2 3/2 + π/3
3
4

174 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

A piece of Matlab code

x = pi ;
X = [];
f o r ( i =1:6)
x = x −( s i n ( x ) −0.5∗ x ) / ( c o s ( x)− 0 . 5 ) ;
X = [X, x ] ;
end ;
X

2.0944 1.9132 1.8957 1.8955 1.8955 1.8955

175 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Exo

itération xi f (xi ) f 0 (xi )


0 3.1416 −1.5708 −1.5000
1 2.0900 −0.1767 −0.9962
2 1.9100 −0.0120 −0.8327
3 1.8956 ∗ ∗

Méthode de la tangente

176 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Interprétation géométrique de la méthode
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Exo

f (x) = x3 − 4x + 1
avec x0 = −2, x0 = 0 et x0 = 2

178 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Existence et unicité de la solution

179 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Convergence

180 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Méthode de Newton-Raphson. Fonctions à deux variables

Soit un système de deux équations non linéaires à deux inconnues x et y

f (x, y) = 0
g(x, y) = 0

    " ∂f ∂f
#−1  
xk+1 xk ∂x ∂y f
= − ∂g ∂g
yk+1 yk g (xk ,yk )
∂x ∂y (xk ,yk )

181 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Méthode de Newton-Raphson. Optimisation

1 T 2
f (x + h) = f (x) + ∇f (x)T h + h ∇ h + o(khk2 )
2

 −1
∂2f ∂f ∂f
" #
    ∂f
xk+1 xk ∂x2 ∂x ∂y ∂x
= − ∂2f
 ∂f
yk+1 yk ∂f ∂f
∂y
∂y ∂x ∂y 2 (xk ,yk ) (xk ,yk )

182 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Méthode de la sécante

La dérivée pourrait ne pas être accessible.

On remplace alors dans la méthode de Newton f 0 (x) par une approximation par
différence finie à gauche.

Considérons le développement de Taylor à l’ordre 1 d’une fonction deux fois dérivable


suivant

1 00 − 2
f (x − h) = f (x) − f 0 (x)h + f (θ )h , x − h ≤ θ− ≤ x
2

f (x) − f (x − h)
f 0 (x) ≈
h
Ainsi, les itérations de Newton se transforment en

xi − xi−1
hi = xi − f (xi )
f (xi ) − f (xi−1 )
xi+1 = xi + hi

On voit ici que hi est généré dans l’algorithme à chaque itération i.


Méthode de la sécante
Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Définition

Point fixe : définition


Un point fixe d’une fonction φ(x) : E → E est un point x∗ ∈ E tel que

x∗ = φ(x∗ )

Fonction contractante : définition


On dit que φ est Lipschitzienne de rapport L, si

∀x, y ∈ E, |φ(x) − φ(y)| ≤ L|x − y|.

Si en plus L < 1, φ est alors dite contractante.

185 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Théorème

Théorème du point fixe


Soit φ : E → E, une fonction contractante. Alors φ admet un point fixe unique
x∗ ∈ E. De plus, pour tout point x0 ∈ E, la suite des itérés xk définie par

xk+1 = φ(xk )

converge vers x∗ , c’est-a-dire


lim xk = x∗ .
k→∞

186 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Convergence

Vitesse de convergence
On a :
|xk+1 − x∗ | = |φ(xk ) − φ(x∗ )| ≤ L|xk − x∗ | ≤ Lk+1 |x0 − x∗ |

187 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Points attractifs et répulsif

On examine φ0 (x∗ ). Trois cas :


φ0 (x∗ ) < 1
φ0 (x∗ ) > 1
φ0 (x∗ ) = 1

188 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Interprétation géométrique

189 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série Introduction
Polynomial Interpolation Méthode de la dichotomie
Intégration Numérique Méthode de Newton
Dérivation numérique Méthode de la sécante
Equations non-linéaires d’une variable Méthode du point fixe
Calcul numérique approchés et erreurs

Application à la résolution d’équations non linéaires

Exemple

Soit à résoudre f (x) = x2 − 100x + 1 = 0.

190 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Contents

1 Présentation du cours

2 Rappel sur le Développement en série

3 Polynomial Interpolation

4 Intégration Numérique

5 Dérivation numérique

6 Equations non-linéaires d’une variable

7 Calcul numérique approchés et erreurs

191 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Codage des nombres réels

Codage
Dans un ordinateur, un nombre réel x est codé sous la forme

x ≈ m × bp ,

où b = 2 est la base de numération, m la mantisse, et p l’exposant.

Suivant les machines, la mantisse m s’écrit avec un nombre maximum N de chiffres


significatifs ak ∈ {0, 1} :

PN
m = 0, a1 , a2 · · · aN = ak b−k , avec a1 = 1, d’où b−1 ≤ m < 1
k=1
PN −1
m = a0 , a1 , a2 · · · aN −1 = k=1 ak b−k , avec a0 = 1 , d’où 1 ≤ m < b

192 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Précision relative

Précision relative
∆x b−N
≤ −1
x b

193 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Non-associativité des opérations arithmétiques

Soit à calculer avec 3 chiffres significatifs et arrondis à la décimale la plus proche.


Calculer la somme x + y + z où :

x = 8.22, y = 0.00317, z = 0.00432

Faire (x + y) + z puis x + (y + z)

Remarque
L’addition est non associative par suite des erreurs d’arrondis.

194 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Minimisation de l’erreur dans une somme

Règle
Dans une sommation des reels, il convient de sommer en premier les termes ayant la
plus petite valeur absolue

195 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Erreur d’un produit

Erreur d’un produit


La majoration de l’erreur d’un produit ne depend pas de l’ordre des facteurs

196 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Evaluation d’un polynôme : Méthode naïve

Soit à évaluer le polynôme


n
X
P (x) = ak xk ,
k=0

Méthode naïve

x0 = 1, s0 = a0 , puis calcul par récurrence pour k = 1, 2, . . . , n

xk = xk−1 · x,
uk = ak · xk ,
sk = sk−1 + uk

Deux multiplications et une addition pour chaque k.

197 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Evaluation d’un polynôme : Méthode de Hörner

On factorise P (x) sous la forme :

P (x) = a0 + x(a1 + x(a2 + . . . + x(an−1 + xan ) . . .))

pn = an , Puis pour k = n, n − 1, . . . 1

pk−1 = ak−1 + xpk

Enfin, poser P (x) = p0 .

Une multiplication et une addition pour chaque k.

198 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I


Présentation du cours
Rappel sur le Développement en série
Polynomial Interpolation Erreur d’arrondi
Intégration Numérique Minimisation de l’erreur
Dérivation numérique Polynômes
Equations non-linéaires d’une variable
Calcul numérique approchés et erreurs

Evaluation d’un polynôme : Méthode de Hörner

Précision
La précision de la méthode de Hörner sera nettement meilleure si le terme |ak ||x|k
décroit rapidement.

199 / 199 Jean TSHIMANGA Ilunga Méthodes Numériques I

Vous aimerez peut-être aussi