Cours de Méthode Numérique 2016 BAC II ESI-1

Cours de Méthodes
Numérique
Destiné aux étudiants de deuxième

Bachelier Ingénieur Industriel
2016 - 2017
Prof. Dr. Ir. Gustave MUKOKO

Phd en Sciences de l’Ingénieur/ Génie Civil
Ass. Ir. Eddy BILITU
Ir. Ind. En Electromécanique
Méthodes Numériques
Objectifs du cours
L'objet du cours est:
• d'introduire le concept de solution numérique approchée
de problèmes en physique et math dont la solution
analytique n'est pas disponible ou difficile à obtenir.
Il s'agit de présenter rigoureusement les fondements des
méthodes numériques et de développer une méthodologie
scientifique.
On insiste aussi sur la complémentarité entre l'approche

numérique et analytique. 2
1
Objectifs du cours
A l'issue de cet enseignement, les étudiants pourront répondre aux
questions suivantes:
 Comment approximer ou interpoler une fonction ?
 Comment trouver un minimum (ou un maximum) numériquement ?
 Comment trouver la solution d'un problème linéaire ou non-linéaire ?
 Comment intégrer ou dériver numériquement une fonction ?
 Comment résoudre numériquement une équation différentielle
ordinaire ?
 Comment résoudre numériquement une équation aux dérivées
partielles ?
 Comment calculer les valeurs propres d'une matrice ?
3
 Comment estimer et mesurer la qualité d'une solution numérique ?
Objectifs du cours
L'objectif général du cours est l'acquisition de
compétences de base en simulation numérique. Cela
comporte trois aspects :
1. la maîtrise de méthodes numériques de base,
accompagnée d'une compréhension des principes
sous-jacents;
2. l'aptitude à l'esprit de rigueur afin de pouvoir valider et
estimer la fiabilité d'un résultat numérique;
3. l'implémentation d'une méthode numérique.
4
2
Objectifs du cours
A l'issue de cet enseignement, les étudiants seront capables
de:
 distinguer entre réalité physique, modèle mathématique et
solution numérique;
 comprendre les méthodes numériques et leurs propriétés:
précision, convergence, stabilité;
 choisir une méthode en tenant compte d'exigences de
précision et de complexité;
 mettre en œuvre une méthode numérique;
 interpréter de manière critique des résultats obtenus sur un
5
ordinateur.
Objectifs du cours
Le cheminement proposé insiste sur le caractère fortement
multidisciplinaire des méthodes numériques:
analyse, algèbre, algorithmique et implémentation
informatique.
Face à un problème concret, l'étudiant doit être à même de
déterminer s'il convient d'utiliser une méthode numérique.
Il doit aussi pouvoir choisir celle qui convient le mieux :
conditions de convergence, caractéristiques de coût, de
complexité et de stabilité. Il doit être capable d'utiliser ou de
programmer des méthodes simples avec des logiciels
numériques tels que MATLAB. 6
3
Contenu du cours
 Analyse d'erreur : erreurs de modélisation, de troncature,
convergence et ordre d'approximation, arithmétique en virgule
flottante;
 Approximation et interpolation : polynômes de Lagrange,
polynômes orthogonaux, bornes d'erreur et convergence;
 Intégration et différentiation numériques : méthodes à pas
égaux et inégaux, différences centrés et décentrées,
techniques récursives et adaptatives;
 Résolution d'équations différentielles ordinaires (EDO) :
méthodes de Taylor et de Runge-Kutta, méthodes à pas
multiples, conditions de stabilité;
7
Contenu du cours
 Résolution d'équations linéaires : méthodes directes et
itératives, notions de complexité, calcul de valeurs propres;
 Résolution d'équations non-linéaires : méthodes
d'encadrement et de Newton-Raphson, application à des
problèmes d'optimisation;
 Résolution d'équations aux dérivées partielles (EDP):
équation de la diffusion, équation de Laplace et équation
des ondes, différences finies et schémas explicites.
 Laboratoires utilisant Matlab
4
Biblioraphie
• F. FILBET. Analyse numérique – Algorithme et étude
mathématique. Dunod, 2009.
• P. LASCAUX et R. THÉODOR. Analyse numérique
matricielle appliquée à l’art de l’ingénieur. 1. Méthodes
directes. Dunod, 2000.
• P. LASCAUX et R. THÉODOR. Analyse numérique
matricielle appliquée à l’art de l’ingénieur. 2. Méthodes
itératives. Dunod, 2000.
• A. QUARTERONI, R. SACCO et F. SALERI. Méthodes
numériques. Algorithmes, analyse et applications.
Springer, 2007. DOI : 10.1007/978-88-470-0496-2. 9
Analyse d’erreurs
Désastres et calcul numérique
Voici qlqs ex. de désastres qui ont eu pour cause une mauvaise
compréhension et utilisation des algorithmes de calcul numérique.
(extrait de la page web http://www.ima.umn.edu/∼arnold/disasters/)
 L’erreur de fonctionnement du missile Patriot à Dharan, Arabie
Saudite, le 25 février 1991 qui a causé la mort de 28 soldats
américains était la conséquence d’une erreur numérique.
 L’explosion de la roquette Ariane 5 juste après son décollage en
Guyane, le 4 juin 1996, fut la conséquence d’une erreur
d’overflow.
 L’échouement de la plate-forme pétrolière en Norvège le 23 août
1991, qui eut pour conséquence une perte d’un milliard de
10
dollars, fut le résultat d’une simulation numérique imprécise.
5
Analyse d’erreurs
Définition de calcul numérique
• Nous proposons une définition formelle de calcul numérique
basée sur la définition de Nick Trefethen (Oxford University):
Le calcul numérique est une discipline qui traite de la

conception, l’analyse et l’implémentation d’algorithmes
pour la résolution numérique des problèmes
mathématiques continus qui proviennent de la
modélisation des phénomènes réels.
 Cette définition s’appuie sur plusieurs notions, comme celle de

modèle, de problème et d’algorithme. 11
Analyse d’erreurs
Du modèle au problème mathématique
L’utilisation d’un modèle pour la résolution d’un problème pratique
passe à travers la résolution d’un problème mathématique. :
Les modèles mathématiques continus prennent typiquement la

forme d’un ensemble d’équations (algébriques ou différentielles)
12
et/ou inéquations avec paramètres (connus et/ou inconnus)
6
Généralités sur l’analyse numérique et le
calcul scientifique
L’analyse numérique (numerical analysis) est une branche des
mathématiques appliquées s’intéressant au développement
d’outils et de méthodes numériques pour le calcul
d’approximations de solutions de problèmes de mathématiques
qu’il serait difficile, voire impossible, d’obtenir par des moyens
analytiques.
Son objectif est notamment d’introduire des procédures

calculatoires détaillées susceptibles d’être mises en œuvre par
des calculateurs (électroniques, mécaniques ou humains) et
d’analyser leurs caractéristiques et leurs performances.
13
Différentes sources d’erreur dans une

méthode numérique
Les solutions de problèmes calculées par une méthode numérique
sont affectées par des erreurs que l’on peut principalement classer
en trois catégories :
les erreurs d’arrondi dans les opérations arithmétiques, qui
proviennent des erreurs de représentation dues au fait que tout
calculateur travaille en précision finie, c’est-à-dire dans un
sous-ensemble discret du corps des réels R, l’arithmétique
naturelle étant alors approchée par une arithmétique de
nombres à virgule flottante;
Les erreurs d’arrondi sont imposées par le calculateur.
ces erreurs peuvent induire des problèmes de précision.
14
7
méthode numérique
les erreurs sur les données, imputables à une connaissance
imparfaite des données du problème que l’on cherche à
résoudre, comme lorsqu’elles sont issues de mesures
physiques soumises à des contraintes expérimentales ;
15

méthode numérique
les erreurs de troncature, d’approximation ou de discrétisation,
introduites par les schémas de résolution numérique utilisés.
Comme par exemple:
 le fait de tronquer le développement en série infinie d’une
solution analytique pour permettre son évaluation;
 Le fait d’arrêter un processus itératif dès qu’un itéré satisfait
un critère donné avec une tolérance prescrite;
 ou encore le fait d’approcher la solution d’une équation aux
dérivées partielles en un nombre fini de points.
16
8
méthode numérique
les erreurs de troncature, d’approximation ou de discrétisation,
introduites par les schémas de résolution numérique utilisés.
Comme par exemple:
 Si une fonction est approchée par son développement de
Taylor, l’erreur de troncature sera obtenue par une évaluation
du reste du développement.
 Au voisinage d’un point a, si une fonction admet un
développement de Taylor de la forme:
17

méthode numérique
On peut également envisager d’ajouter à cette liste les erreurs
qualifiées d’« humaines », telles:
 les erreurs de programmation;
 ou causées par des dysfonctionnements des machines
réalisant les calculs.
Le présent chapitre est en grande partie consacré aux erreurs
d’arrondi, aux mécanismes qui en sont à l’origine, à leur
propagation, ainsi qu’à l’analyse de leurs effets sur le résultat
d’une suite de calculs.
L’étude des erreurs de troncature, d’approximation ou de
discrétisation constitue pour sa part un autre sujet majeur traité
par l’analyse numérique. 18
9
Notions d’erreur absolue et relative
Pour mesurer l’erreur entre la solution fournie par une méthode
numérique et la solution du problème que l’on cherche à résoudre
(on parle encore d’estimer la précision de la méthode), on introduit
les notions d’erreur absolue et relative.
Soit une approximation d’un nombre réel x.
On définit l’erreur absolue entre ces deux scalaires par | − |,
| |
et, lorsque x est non nul, l’erreur relative par
De ces deux quantités, c’est souvent la seconde que l’on privilégie
pour évaluer la précision d’un résultat, en raison de son invariance
par changement d’échelle : la mise à l’échelle x → αx et →α ,
≠ 0, laisse en effet l’erreur relative inchangée. 19

Evaluation de l’erreur. Rappelons d’abord quelques notion
de base:
−Si X est une quantité à calculer et X* la valeur calculée,
on dit que : X−X* est l’erreur et |E|=|X −X*| est l’erreur
absolue.
Exemple :
Si X = 2,224 et X* = 2,223
alors l’erreur absolue |E|=|X −X*| = 2,224 −2,223 = 0,001
20
10
∗
Erreur relative = est l’erreur relative, avec Xr
≠ 0.
Xr est une valeur de référence pour X . En général ,on
prend Xr = X.
Exemple :
Si X = 2,224 et X* = 2,223 alors , si on prend Xr = X ,
l’erreur relative est:
− ∗ − ∗ 0,001
= = = = 4,496 ∗ 10
2,224
21

Cependant, si X est la valeur d’une fonction F(t)
avec a ≤ t ≤ b, on choisira parfois une valeur de
référence globale pour toutes les valeurs de t.
Exemple :
Si = sin( ) avec 0 ≤ ≤ ⁄ ,
on pourra prendre = 2⁄2 = sup sin( )0 ≤ t ≤ π/4 .
En général , on ne connait pas le signe de l’erreur
de sorte que l’on considère les erreurs absolues et
les erreurs relatives absolues. 22
11
Les opérations élémentaires propagent des erreurs.
Dans la pratique, on considère que :
1. L’erreur absolue sur une somme est la somme des erreurs
absolues;
2. L’erreur relative sur un produit ou un quotient est la somme
des erreurs relatives.
On peut estimer l’effet d’une erreur E sur l’argument x d’une

fonction f (x) au moyen de la dérivée de f (x).
En effet: ( + ) ≅ ( ) + ′( ) 23

( + ) ≅ ( ) + ′( )
Exemple: Calculer la valeur de (11111111)2
La valeur fournie par une petite calculatrice à cinq chiffres est
de 1,2345x1014
Mais la réponse exacte est 123456787654321.
La machine a donc tronqué le résultat à 5 chiffres et l’erreur
absolue est de 6∗109 ou plus exactement: 6,787654321∗109
L’erreur relative est de 0,005%
24
12
L’ exemple ci-haut montre qu’il faut établir clairement l’objectif
visé. Cet objectif est double:
1. Nous voulons un bon ordre de grandeur (ici 1014) et avoir le
maximum de décimales exactes;
2. Ce maximum ne peut excéder la longueur des mots permis
par la machine et dépend donc de la machine
25

La mémoire de l’ordinateur: le stockage des nombres.
• La mémoire d’un ordinateur est formée d’un certain nombre
d’unités adressables appelées OCTETS;
• Un ordinateur moderne contient des millions voir des
milliards d’octets.
• Les nombres sont stockés dans un ordinateur comme
ENTIERS ou REELS
26
13
• Les nombres entiers :
 sont ceux que l’on utilise d’habitude sauf que le plus grand
nombre représentable dépend du nombre d’octets utilisés :
- avec deux (2) octets, on peut représenter les entiers
compris entre −32768 et 32767;
- avec quatre (4) octets on peut représenter les entiers
compris entre −2147483648 et 2147483647
27

• Les nombres réels.
- Dans la mémoire d’un ordinateur, les nombres réels sont
représentés en notation flottante;
- Cette notation a été introduite pour garder une erreur
relative à peu près constante ; quelque soit l’ordre de
grandeur du nombre qu’on manipule.
- En notation flottante, un nombre a la forme :
=± ×
b est la base du système numérique utilisé 28
14
• Les nombres réels.
- En notation flottante, un nombre a la forme :
=± ×
b est la base du système numérique utilisé
Y est la mantisse : une suite de s entier 1 2 …
avec 1 ≠ 0 ≠ 0 0 ≤ ≤ ( − 1)
est l’exposant (un nombre entier relatif)
La norme choisie est celle où la mantisse est comprise entre 0
et 1 et où le premier chiffre après la virgule est différent de zéro
29

Notions de troncature et d’arrondie.
• Exemple : En base 10, = 1/15 = 0,066666666 …
- Dans le cas d’une représentation tronquée nous aurons,
pour s = 5, = , ∗
- Remarquez comment nous avons modifié l’exposant afin de
respecter la règle qui veut que le premier chiffre de la
mantisse ne soit pas nul.
- Dans ce cas, l’erreur absolue − 6 × 10
L’erreur relative est de l’ordre de 10
- Dans une représentation tronquée à ‘’s’’ chiffres, l’erreur
relative maximale est de l’ordre de 10−s 30
15
Notions de troncature et d’arrondie.
• Dans une représentation arrondie, lorsque la 1ère décimale
négligée est > 5, on ajoute 1 à la dernière décimale
conservée.
• Exemple : En base 10, = 1/15 = 0,066666666 …
- Nous écrirons = , ∗
- L’erreur absolue serait alors 3,333 × 10 et l’erreur
relative serait 5 × 10 .
- En général, l’erreur relative dans une représentation
arrondie à ‘’s’’ chiffres est de 6 × 10 ( ) soit la moitié de
celle d’une représentation tronquée. 31

Notions de troncature et d’arrondie - Arithmétique à
virgule flottante.
• Dans le système de numération, la représentation d’un nbre
peut posséder une infinité de termes non triviaux,
• cas de nombres irrationnels: représentation est qualifiée
d’infinie.
• on a coutume d’indiquer les chiffres omis par des points de
suspension, par exemple π=〖14159265358979323846…〗10
(en base 10)..
32
16
virgule flottante.
• La représentation d’un nbre rationnel dans une base donnée
est dite périodique lorsque l’écriture contient un bloc de
chiffres se répétant à l’infini.
• 1/3=0,3333333333…10;
• 1/7=0,142857142857…10;
• 1/12=0,5833333333333…10.
33

virgule flottante.
• Notations, plus explicites: choix de placer la partie entière du
nombre rationnel à gauche du séparateur et la partie
fractionnaire non périodique suivie du bloc récurrent de la
partie fractionnaire périodique, marqué d’un trait tiré au-
dessus ou au-dessous. On a ainsi, pour les exemples
précédents,.
• 1/3=0,3333333333…10; 1/7=0,142857142857…10; 1/12=0,5833333333333…10.
34
17
Les règles de base du modèle.
• Pour effectuer une opération sur deux nombres réels, on
effectue l’opération sur leurs représentations flottantes et on
prend ensuite la représentation flottante du résultat.
• l’addition flottante: ⊕ = +
• la soustraction flottante: ⊝ = −
• la multiplication flottante: ⊗ = ( ( ) × ( ))
• la division flottante: ÷ = ( ( )/ ( ))
• Chaque opération intermédiaire dans un calcul introduit une
nouvelle erreur d’arrondie ou de troncature. 35

Quelques remarques sur ce modèle.
• l’addition flottante n’est pas associative.
x + (y + z) peut être différent de (x + y) + z.
• Exemple : Pour 4 chiffres significatifs (s = 4)
on a : (1 + 0,0005 ) + 0,0005 = 1,000
car 0,1 × 101 + 0,5 ×10-3 = 0,1×101 + 0,00005×101
= 0,1×101 +0,0000 ×101 = 0,1×101
et 1 + (0,0005 + 0,0005) = 1 .001
On constate aussi que si y est très petit par rapport à x,
l’addition de x et y donnera seulement x 36
18
Conditionnement et stabilité numérique.
• Notion de conditionnement d’un problème.
• Le fait que certains nbres ne soient pas représentés de façon
exacte dans un ordinateur entraine que l’introduction même
de donnée d’un problème en machine modifie quelque peu
le problème initial; Il se peut que cette petite variation des
données entraine une variation importante des résultats
• On dit qu’un problème est bien (ou mal) conditionné, si une

petite variation des données entraine une petite (une
grande) variation sur les résultats. 37

Conditionnement et stabilité numérique.
• Notion de stabilité numérique.
• Un problème peut être bien conditionné et la méthode
utilisée pour le résoudre peut être sujette à une propagation
importante des erreurs numériques
• La notion de conditionnement: liée au problème math et
indépendante de la méthode utilisée pour le résoudre.
• La notion de stabilité numérique: liée à la méthode de
résolution
38
19
Quelques notions d’algorithmique.
Une méthode numérique repose sur l’emploi d’un (ou de
plusieurs) algorithme(s)
• Algorithme.
un énoncé décrivant, à l’aide d’un enchaînement déterminé
d’opérations élémentaires (par exemple arithmétiques ou
logiques), une démarche systématique permettant la
résolution d’un problème donné en un nombre fini ou infini
d’étapes.
39

Une méthode numérique repose sur l’emploi d’un (ou de
plusieurs) algorithme(s)
• Algorithme.
un énoncé décrivant, à l’aide d’un enchaînement déterminé
logiques), une démarche systématique permettant la
résolution d’un problème donné en un nombre fini ou infini
d’étapes.
Un algorithme séquentiel: instructions exécutées les unes après les autres.
Il est dit parallèle lorsqu’elles s’exécutent concurremment. 40
20
• Codage.
Le codage (implémentation) d’un algorithme consiste en
l’écriture de la suite d’opérations élémentaires le composant
dans un langage de programmation.
Les algorithmes 1 et 2 ci-après proposent deux manières de

calculer un produit de matrices rectangulaires compatibles..
41
Algorithme 1: Algorithme pour le calcul du produit C = AB

des matrices A de Mm,p (R) et B de Mp,n (R)
Entrée(s) : les tableaux contenant les matrices A et B.
Sortie(s) : le tableau contenant la matrice C.
pour i = 1 à m faire
pour j = 1 à n faire
C(i,j) = 0
pour k = 1 à p faire
C(i,j) = C(i,j) + A(i,k) * B(k,j)
fin
fin
fin 42
21
Pour chaque problème posé de façon mathématique, il peut
exister plusieurs algorithmes le résolvant.
• Certains se distinguent par la nature et/ou le nombre des

opérations élémentaires qui les constituent,
• alors que d’autres vont au contraire effectuer strictement
les mêmes opérations élémentaires en ne différant que
par la façon d’enchaîner ces dernières.
Afin d’illustrer ce dernier point, comparons les

algorithmes1et 2.
43
Algorithme 2: Algorithme pour le calcul du produit C = AB

des matrices A de Mm,p (R) et B de Mp,n (R)
Entrée(s) : les tableaux contenant les matrices A et B.
Sortie(s) : le tableau contenant la matrice C.
C(i,j) = 0
fin
fin
pour k = 1 à p faire
C(i,j) = C(i,j) + A(i,k) * B(k,j)
fin 44
fin
22
N.B.: On notera en particulier que le signe = en pseudo-code
ne représente pas l’égalité mathématique, mais l’affectation
de la valeur d’une variable à une autre.
On remarque tout d’abord qu’ils ne se différencient que

par l’ordre de leurs boucles, ce qui ne change
évidemment rien au résultat obtenu.
D’un point de vue informatique cependant, on voit qu’on
accède aux éléments des matrices A et B selon leurs
lignes ou leurs colonnes, ce qui ne se fait pas à la même
vitesse selon la manière dont les matrices sont stockées
dans la mémoire. 45
QUESTIONS ?
Gustave MUKOKO/Dr. en Génie 46

Civil
23
BRAVO !
A bientôt pour de nouvelles aventures !
Civil
Résolution d’une équation f(x)=0

0. Introduction
Soit f une fonction numérique d’une variable réelle.
On cherche les racines simples de l’équation
( ) = 0 (1)
• Isoler les racines, c-à-d trouver un intervalle [a, b] dans
lequel α est l’unique racine réelle de (1).
• Trouver cet intervalle: théorème des valeurs intermédiaires :
– ( ) ∗ ( ) < 0: admet un nombre impair de racines
– Si ∗ > 0: admet un nombre pair de racines
48
24
0. Introduction
=1+ donc > 0 pour tout x.
( )
On supposera donc désormais avoir trouvé un intervalle [a, b]
où admet une unique racine simple et on supposera que
est définie, continue, et autant de fois continument dérivable
que nécessaire.
49

2.1. Introduction
DEFINITION 1. Nous appellerons algorithme toute méthode de
résolution d’un problème donné. Pour tout problème, nous
avons des données et des résultats.
– Les données sont appelées paramètres d’entrée (input)
– les résultats paramètres de sortie (output).
Ils constituent l’interface de l’algorithme.
50
25
De manière informelle, on peut définir un algorithme comme un
énoncé décrivant, à l’aide d’un enchaînement déterminé
logiques), une démarche systématique permettant la résolution
d’un problème donné en un nombre fini ou infini d’étapes
Algorithme
Les algorithmes classiques que nous allons étudier sont les
suivants :
(1) Méthode de la bissection

(2) Méthode de Newton-Raphson
(3) Méthode de la sécante
(4) Méthode du point fixe. 51

2.2. ÉQUATIONS ALGÉBRIQUES
La théorie des équations algébriques repose sur le
théorème fondamental de l’algèbre.
Ce théorème encore appelé théorème de d’Alembert

affirme que l’équation algébrique P(x) = 0 où P est un
polynôme de degré «n» admet exactement ‘n’ racines
distinctes ou non, réelles ou complexes.
52
26
L’équation générale du troisième degré exprimée
sous forme alternée : − + − =0
admet dans certains cas trois racines , ,

qui vérifient: = + + , = +
+ et = .
On démontre que cette équation se ramène par

un changement de variable ( = – /3) à une
équation du type + + =0 53

On démontre que cette équation se ramène par
un changement de variable ( = – /3) à une
équation du type + + =0
Elle admet si ∆= 4 + 27 est positif, trois

racines distinctes données par les formules de
Cardan
1 1
= + = +
3 3
1
= + 54
27
C’est Girolamo Cardano (Cardan) qui donna en
1545 les formules de résolution de cette équation
1 1
= + = +
3 3
1
= +
3
avec = 1 et et étant données par
55

56
28
L’équation du quatrième degré a été résolue par
Luigi Ferrari, un disciple de Cardan. Exprimée
sous forme alternée, l’équation
− + − + =0
57

Cette équation se résout comme une équation du

second degré lorsque = 0. Dans le cas contraire,
Ferrari propose de l’exprimer sous la forme:
Ainsi, la résolution d’une équation du quatrième degré se ramène

58
à la résolution d’une équation du troisième degré
29
2.3. LES ALGORITHMES CLASSIQUES
2.3.1. Localisation des racines
En pratique, la mise en œuvre d’un algorithme de
recherche de solution d’équations suppose que l’on
connait une région dans laquelle se trouve cette
solution
Le théorème de Rolle (1690) affirme qu’entre deux

racines de l’équation ( ) = 0 où est un polynôme, il
existe au moins une racine de l’équation dérivée
’( ) = 0.
59

La règle de Descartes affirme que le nombre de racines
positives d’un polynôme:
= + + +⋯+
est inférieur au nombre de changements de signes de

la suite ( , , , … , )
60
30
Le théorème de Sturm (1829) donne un algorithme
pour déterminer le nombre de racines d’un polynôme
entre deux réels. Soit a et b deux nombres réels a < b et
P un polynôme de degré ‘n’ n’ayant que des racines
simples.
61

Le théorème de Sturm (1829)
• On note 0 = ,
• 1 = ’,
• 2 = 2 1 − 0 l’opposé du reste de la division
euclidienne de 0 par 1, ...,
• et +2 = +2 + 1–
l’opposé du reste de la
division euclidienne de par + 1.
• On considère ( ) la suite 0( ) 1( ), … , ( ) et
( ) la suite 0( ) 1( ), … , ( ) et on suppose
que 0 ≠ 0, 1( ) ≠ 0.
62
31
Le théorème de Sturm (1829)
Le nombre de racines réelles de P(x) comprises entre
et est égal au nombre de changements de signes
que présente la première suite diminué de celui que
présente la deuxième suite.
63

Exemple. Soit = − un polynôme de degré 3.
admet trois racines distinctes ( = −1, 0, 1).
Cherchons le nombre de racines de dans l’intervalle
[−2, 2]. La suite de Sturm s’écrit = − ,
= 3 − 1, = et 3 ( ) = 1
64
32
65

Les différentes valeurs de ( ) aux points = − 2 et
= 2 sont résumées dans le tableau suivant :
La suite (−2) change trois fois de signe et la

suite (2) reste constante.
66
33
2.3.2. Approximations successives
Dans les méthodes d’approximations successives,
l’équation ( ) = 0 est remplacée par l’étude d’une
suite numérique convergente:
= ( )
qui permet d’obtenir en un nombre fini d’itérations une
solution approchée de l’équation.
En général, on prend = − . Dans la

méthode de Lagrange, on remplace la fonction par le
segment de droite passant par les points ( , ( )) et
( , ( )) 67

2.3.2. Approximations successives
−
= − ( )
− ( )
Dans la méthode de Newton, on remplace la fonction
entre les points d’abscisse a et b par la tangente à la
courbe en ces points
( )
= −
′
68
34
2.3.3. Méthodes d’encadrement
Cette première classe de méthodes repose sur la
propriété fondamentale suivante, relative à l’existence
d’un zéro pour une application d’une variable réelle à
valeurs réelles.
THEOREME: (existence d’un zéro d’une fonction à

valeurs réelles continue) Soit [ , ] un intervalle non
vide de ℝ et une application continue de [ , ] dans
ℝ vérifiant ( ) ( ) < 0. Alors il existe ∈ ] , [ tel
que ( ) = 0.
69

2.3.4. Convergence et ordre de convergence.
Convergence d’une méthode itérative
DEFINITION 1: Soit une partie de ℝ et une application de
dans . On dit que la fonction est contractante si ∀ , ∈
, ∃ ∈ 0, 1 tel que ⃓ − ⃓≤ ⃓ = ⃓
est le coéfficient de contraction ou de Lipschitz de .
THEOREME 1: Considérons le segment = [ − , + ] ⊂

; si est contractante sur et si | ( 0) – 0| ≤ (1 − ) ,
alors l’itération +1 =
( ) de point initial 0, converge vers
l’unique point fixe ∈ de .
THEOREME 2: Si est différentiable au voisinage d’un point

fixe et si | ’( ) | < 1 alors: ∃ voisinage de tels que 0 ∈
et + 1 = ( ) converge vers . 70
35
Ordre de convergence d’une méthode itérative
Soit une suite ( ) ∈ℕ de réels convergeant vers une
limite . On dit que cette suite est convergente
d’ordre ≥ 1, s’il existe deux constantes 0 < ≤
< +∞ et un entier naturel tels que
−
∀ ∈ ℕ, ≥ ⇒ ≤ ≤
−
Par extension, une méthode itérative produisant une
suite convergente vérifiant les relations ci-dessus sera
également dite d’ordre r.
71

Ordre de convergence d’une méthode itérative
DEFINITION 3: Soit une suite ( ) ∈ℕ de réels convergeant
vers une limite . On dit que cette suite est convergente
d’ordre > 1) vers s’il existe un réel > 0, appelé constante
asymptotique d’erreur, tel que:
−
lim =
→ −
Dans le cas particulier où r = 1, on dit que la suite converge
linéairement si
−
lim = , ∈ 0,1
→ −
et super-linéairement (respectivement sous-linéairement) si
l’égalité ci-dessus est vérifiée avec = 0 (respectivement
72
= 1)
36
2.3.5. Méthode ou Théorèmes de points fixes
Soit une application d’un ensemble dans lui-même. On
appelle point fixe d’une application tout élément ∈ tel
que ( ) = .
Lorsque l’ensemble est un espace de Banach, toute
application contractante de dans lui-même admet un et un
seul point fixe tel que:
∀ ∈ , = lim ( )
Par exemple, la fonction ( ) = + , avec | | < 1 conduit à:
1−
( )= +
1−
Le point fixe de est donné par = ( )=
73
localiser ou chercher un intervalle [a, b] dans lequel la fonction change de signe;

•on pose c =a+b2 ;
•si f(a) * f(c) < 0 on remplace b par c ;
•sinon on remplace a par c ;
on continue cette opération jusqu’à ce qu’on trouve la racine u avec la précision demandée

2.3.6. Méthode de la bissection ou méthode de dichotomie
Dans la méthode de dichotomie ou méthode de la
bissection, l’intervalle de recherche de la solution est
coupé en deux à chaque pas d’itération. On détermine
progressivement un intervalle de plus en plus fin dans
lequel se trouve la solution cherchée.
74
37


• Soit une fonction numérique strictement monotone
sur un intervalle [ , ].
• On suppose que l’équation ( ) = 0 n’a qu’une et
une seule solution dans cet intervalle.
• On se propose de déterminer cette valeur avec
une précision donnée.
• Soit [ , ] un intervalle ds lequel ( ) ( ) < 0.
• On note = ( + )/2 le centre de l’intervalle.
• Si < 0 alors la racine appartient à
l’intervalle [ , ].
75


• On reprend le procédé avec = = .
Sinon, c’est-à-dire si > 0 on pose =
= .
• On construit ainsi une suite d’intervalles emboîtés

[ , ] de longueur ( + )/2 Les suites et
sont adjacentes et convergent vers ..
76
38


77



ALGORITHME.3 :
Entrée(s) : a, b, , N0.
Sortie(s) : la valeur approchée : ( ) = 0.
(1)si ( ) = 0 imprimer la solution est . Si ( ) = 0
imprimer la solution est , aller à 10
(2)si ( ) ∗ ( ) > 0, imprimer (pas de changement
de signe). Aller à 10
(3)poser N = 1
(4)Tant que N < N0, faire les étapes 5 à 8
(5)poser =
78
(6)Si ( ) = 0 ou ≤∈, imprimer p. Aller à 10
39


ALGORITHME.3 :
Entrée(s) : a, b, , N0.
Sortie(s) : la valeur approchée : ( ) = 0.
(7) poser N = N + 1
(8) Si ( ) ∗ ( ) > 0, alors poser = , sinon poser
=
(9) Imprimer après N0 itérations l’approximation
obtenue est p et l’erreur maximale est
(10)Fin
79
 (la précision désirée) et N0 (le nombre maximum d’itérations)

METHODE DE LA BISSECTION
Concernant la convergence de la méthode de
dichotomie, on a le résultat suivant, dont la preuve est
laissée en exercice.
Soit [ , ] un intervalle non vide de ℝ et une fonction

réelle continue sur [ , ], vérifiant ( ) ( ) < 0 et
possédant un unique zéro dans ] , [. Alors, la suite
( ) ∈ℕ construite par la méthode de dichotomie
converge vers et on a l’estimation:
−
∀ ∈ ℕ, − ≤
2 80
40
Exemple d’application de la méthode de dichotomie.
On utilise la méthode de dichotomie pour approcher la
racine du polynôme = + 2 − 3 − 1 contenue
dans l’intervalle [1, 2]
(on a en effet 1 = −1 et (2) = 9 ),avec une
précision égale à 10 . -4
Le tableau ci-dessous donne les valeurs respectives

des bornes et de l’intervalle d’encadrement, de
l’approximation ( ) de la racine et de ( ) en fonction
du numéro n de l’itération.
81

TABLE: Tableau récapitulatif du déroulement de la
méthode de dichotomie pour l’approximation (avec une
précision égale à 10-4 ) de la racine du polynôme
= + 2 − 3 − 1 contenue dans [1, 2]
82
41
n ( )
0 1 2 1,5 2,375
1 1 1,5 1,25 0,328125
2 1 1,25 1,125 - 0,419922
3 1,125 1,25 1,1875 - 0,067627
4 1,1875 1,25 1,21875 - 0,124725
5 1,1875 1,21875 1,203125 0,02718
6 1,1875 1,203125 1,195312 - 0,020564
7 1,195312 1,203125 1,199219 0,003222
8 1,195312 1,199219 1,197266 - 0,008692
9 1,197266 1,199219 1,198242 - 0,00274
10 1,198242 1,199219 1,19873 0,000239
11 1,198242 1,19873 1,198486 - 0,001251
12 1,198486 1,19873 1,198608 0,000506 83
13 1,198608 1,19873 1,198609 - 0,000133
METHODE DE LA FAUSSE POSITION

•encore appelée méthode regula falsi;
• méthode d’encadrement combinant les
possibilités de la méthode de dichotomie
avec celles de la méthode de la sécante;
•Cette méthode suppose connus deux
points a et b vérifiant ( ) ( ) < 0 et
servant d’initialisation à la suite
d’intervalles [ ; ], ≥ 0, contenant
un zéro de la fonction
84
42
•même procédé de construction des
intervalles emboîtés que la méthode de
dichotomie, à l’exception du choix de ,
qui est à présent donné par l’abscisse du
point d’intersection de la droite passant
par les points ( , ( )) et ( , ( )) avec
l’axe des abscisses, c’est-à-dire:
85

y
( , ( ))
3( 3, 3 ≈ 0)
0 1 2 3 x
2( 2, ( 2))
1( 1, ( 1))
( , ( ))
0( 0, ( 0)) 86
43
Equation de la droite passant par 2 points
( , ( )) , ( ))
−
y − = ( − )
−
Intersection de cette droite avec ox: y = 0
−
= −
−
= −
−
=
− 87

METHODE DE NEWTON-RAPHSON
encore appelée méthode des tangentes, c’est
une méthode par approximations successives
fondée sur le théorème suivant:
xn+1= xn-(df(xn))-1 f(xn) ∀n ∈ N
converge vers l’unique solution de l’équation
( ) = 0 ; l’initialisation étant donnée.
On arrête l’itération lorsque la différence entre
deux pas consécutifs est inférieure à la précision
souhaitée − < ∈. 88
44
( )
= − ∀n ∈ N
+ ( )
Cette formule itérative s’ initialise à partir
d’un point arbitraire suffisamment voisin de
la racine que l’on cherche à déterminer.
Lorsque est une fonction à variable réelle, la
formule donnant est l’intersection de la
tangente passant par le point ( , ) avec
l’axe des abscisses 89
( )
= − ∀n ∈ N
+ ( )
Géométriquement, la méthode de Newton
est équivalent au remplacement d’un petit
arc de courbe = ( ) par la tangente
menée par un certain point de cette
courbe.
90
45
y
( , ( )) ≡ 0( 0, ( 0))
1( 1, ( 1))
2( 2, ( 2))
x
( , ( ))
Choisissons par ex. 0 = menons par le point
0( 0, ( 0)) la tangente à la courbe = ( ))
91
y
( , ( )) ≡ 0( 0, ( 0))
1( 1, ( 1))
2( 2, ( 2))
x
( , ( ))
Choisissons par ex. 0 = menons par le point
( , ( )) la tangente à la courbe = ( ))
92
46
y
( , ( )) ≡ 0( 0, ( 0))
1( 1, ( 1))
( )
2( 2, ( 2)) = − ′( −
+ )
x
1( 1, 0)
( , ( ))
( )
L’équation de la tangente est: = ′( 0)
Le point 1( 1, 0) de la tangente vérifie cette
( ) ( )
équat°, c-à-d = ′( 0) où 1 = 0 −
( )93
y
( , ( )) ≡ 0( 0,
( 0))
L’abscisse du point
1( 1, ( 1)) d’intersection de
cette tangente avec
2( 2, ( 2)) l’axe ox est la 1ère
x approximation
1( 1, 0)
( , ( )) de la racine .
Menons encore une fois par le point
1( 1, ( 1)) la tangente à la courbe, tangente
dont l’abscisse du point d’intersection avec l’axe
ox donnera la 2ème approximation de la racine
et ainsi de suite. 94
47
L’équation de la tangente à la courbe en

, ( = 0,1,2, … ) s’écrit:
− = ′( )( − )
En posant = 0 et − , on obtient:
( )
+
= − ( )
; ( = 0,1,2, … )
95
ALGORITHME.4 :
Entrée(s) : une approximation initiale x0, (la précision
désirée), N0 (le nombre maximum d’itérations)
Sortie(s) : la valeur approchée de x ou un message
d’échec.
(1)N = 1
(2)Tant que N < N0, faire les étapes 3 à 6
( )
(3)poser = −
( )
(4)Si − ≤∈, alors imprimer x. Aller à l’étape 8
(5)poser N = N + 1
(6)poser =
(7)Imprimer la méthode a échoué après N itérations.
(8)Fin 96
48
METHODE DE LA SECANTE
o méthode par approximations successives,

fondée sur la formule itérative suivante :
−
=
−
97
o =
correspond à la méthode de Newton-
Raphson dans laquelle la dérivée ′( ) est
remplacée par le taux d’accroissement
selon l’approximation ′( ):
−
≅
−
On arrête l’itération lorsque la différence entre deux
pas successifs devient inférieure à une certaine
valeur  98
49
•L’équation de la sécante s’écrit:
−
= +( − )
−
• Si = 0, on en déduit :
= −
99
ALGORITHME.5 : Algorithme de la sécante:
Entrée(s) : deux approximation initiale x0 et x1, (la
précision désirée), N0 (le nombre maximum
d’itérations)
Sortie(s): la valeur approchée de x ou un message
d’échec.
(1)N = 1, y0 = f(x0) et y1 = f(x1)
(2)Tant que N < N 0 + 1 faire les étapes 3 à 6
( )
(3)poser = −
( )
(4)Si − ≤∈, alors imprimer x. Aller à l’étape 8
(5)poser N = N + 1
(6)poser = , = , = , = ( ) 100
(7)Imprimer la méthode a échoué après N 0 itérations.
50
METHODE DE MULLER
• Connaissant la fonction en trois points
( , , ), on approche ( ) par un
polynôme ( ) de Lagrange de degré 2.
• En résolvant l’équation ( ) = 0, on obtient
une approximation de la racine de ( ) qui
est notée .
101
METHODE DE MULLER
• Si on itère l’opération en prenant comme
triplet ( , , ), On a:
− −
=
− −
− −
+
− −
− −
+
− −
Ce polynôme est de la forme + + .
102
51
QUESTIONS ?

Civil
BRAVO !
A bientôt pour de nouvelles aventures !
Civil
52
INTERPOLATION POLYNOMIALE
1.INTRODUCTION
o L’interpolation qu’est-ce?
o une technique consistant à construire une
courbe d’un type donné passant par un
nombre fini de points donnés du plan.
• D’un point de vue applicatif, les ordonnées de ces
points peuvent représenter les valeurs aux abscisses
d’une fonction arbitraire, que l’on cherche dans ce cas
à remplacer par une fonction plus simple à manipuler
lors d’un calcul numérique,
• ou encore de F (données
x, y, y ' , yexpérimentales,
' ' ,..., y ( n ) )  0 pour lesquelles
on vise à obtenir empiriquement une loi de distribution 105
lorsque leur nombre est important.
1.INTRODUCTION
o L’ approximation qu’est-ce?
o une technique consistant à substituer une
fonction f(x) connue en un nombre fini de
points x0,x1, … , xn, par une fonction P(x) plus
simple et facilement calculable.
• l’approximation consiste à minimiser la distance qui
sépare les fonctions f(x) et P(x);
• l’interpolation impose de plus que les fonctions f(x) et
P(x) coïncident aux points xj;
• lorsque le polynôme
F ( x, y, y ' , P(x)
y ' ' ,...,représente
y ( n ) )  0 la fonction f(x)
décrite par un ensemble de points expérimentaux
106
(xj , f(xj)), on parle de lissage
53
1.INTRODUCTION
o L’ approximation qu’est-ce?
o La notion d’approximation d’une fonction
consiste à remplacer un problème donné par
un problème voisin.
o La question fondamentale serait de savoir la

qualité de cette approximation.
o La notion d’interpolation polynomiale est la

façon la Fplus
( x, y, ysimple )0
' , y ' ' ,..., y (d’obtenir
n)
une telle
approximation. 107
1.INTRODUCTION
o THEOREME: Soit f une fonction continue dans
[a,b] ⊂ IR, alors pour tout ϵ > 0 donné, il existe
un polynôme Pn de degré n tel que:
o L’interpolation polynomiale est un outil numérique

de premier ordre pour l’approximation polynomiale
des fonctions réelles d’une variable réelle.
o Elle consiste à déterminer un polynôme Pn (x) de
degré n qui puisse remplacer( n )lors des applications la
F (De
fonction f(x). x, yplus,
, y ' , yc’est
' ' ,..., un )  0 efficace pour
y outil
108
54
1.INTRODUCTION
o L’interpolation polynomiale c’est un outil efficace
pour :
 Calculer, pour x donné, une approximation de
( ). en calculant ( ) ;
 Construire :
(1) des méthodes d’intégration numérique ;
(2) des méthodes de différentiation ;
(3)des méthodes d’approximation des équations
différentielles ;
(4) …
F ( x, y, y ' , y ' ' ,..., y )  0
( n)
109
1.INTRODUCTION
o Il existe plusieurs techniques pour calculer Pn (x):
1. Une méthode directe basée sur la résolution

d’un système linéaire ;
2. Une méthode itérative due à Lagrange ;
3. Une méthode iterative d’Hermite.
F ( x, y, y ' , y ' ' ,..., y ( n ) )  0

110
55
2. INTERPOLATION DE LAGRANGE:
o Interpolation Linéaire:
On considère deux points (x0,y0),(x1,y1) avec :
o Pour déterminer le polynôme P1(x)=ax+b qui passe

par 2 points distincts (x0,y0 ),(x1,y1 ) (x0≠ x1 ), On peut :
1. Résoudre le système d’équations :
111
o Interpolation Linéaire:
112
56
o Interpolation Parabolique:
considérons trois points
avec:
o Pour déterminer le polynôme P2(x) de degré 2,

d’équation = + + qui passe par 3 points
distincts (x0,y0 ),(x1,y1 )et (x2,y2), il suffit de poser :
113
o Ainsi:
est le polynôme d’interpolation polynômiale associé.
114
57
Équations différentielles
• Elle lie une ou plusieurs fonctions et
ses/leurs dérivées.
Exemples: y'+2y=0 ordre 1
y''-5y’+y+1=0 ordre 2
y''+k².y=0 ordre 2
• De manière formelle, une équation

différentielle s'écrit:
F ( x, y, y ' , y ' ' ,..., y ( n ) )  0
115
•Pourquoi des équations différentielles?
Dès que l’on veut modéliser des phénomènes physiques, biologiques,

économiques, etc…, les équations différentielles apparaissent.
Exemple: Une population possède à un instant t : N(t) individus.

Si elle a de la nourriture abondante. Sa population augmente
proportionnellement à sa taille (par exemple, chaque année, la
population augmente de 5%).
N '  k .N k  0.05
N vérifie l’équation différentielle : y'  k. y

116
58
•Solution de l’équation différentielle
La solution de cette équation différentielle y'  k.y est simple et de

la forme:
y (t )  y0 . exp( k .t ) Où y0 est une constante qui dépend des

conditions initiales
Donc l’effectif à l’instant t de la population est :
N (t )  N 0 . exp( k .t )
Où N0 est l’effectif de la population à l’instant initial t=0
117
•Solution de l’équation différentielle
N0=100,200,300,400
k=0.05
118
59
•Pour des équations différentielles simples, on peut
trouver des solutions explicites de cette équation
(comme dans l’exemple précédent)
•Il existe des méthodes qui permettent de calculer ces

solutions.
•Malheureusement, les modélisations plus complexes

entraînent des équations différentielles plus complexes
également (dont on n’a pas de solutions explicites)
•Exemple : en mécanique (céleste)…

119
•On peut également avoir un système d'équations différentielles.
Population proies / prédateurs Lokta Volterra (1925)
•X : population des lapins

•Y : population des renards
•a : taux d’accroissement des lapins (sans prédateurs)
•b : taux de mortalité des lapins à cause de la prédation
•c : taux de mortalité des renards en l’absence de proies
•e : le facteur décrivant quelle quantité des lapins attrapés permet de créer des
nouveaux renards
x'  a.x  b.x. y
y '  e.b.x. y  c. y
120
60
•On peut également avoir un système d'équations différentielles.
x '  f (t , x , y )  x '   f (t , x, y ) 
     
y '  g (t , x , y )  y '   g (t , x, y ) 
 x  f (t , u ) 
En notant u    F (t , u )   
 y  g (t , u ) 
 u '  F (t , u )
121
•Avec cette transformation, une équation différentielle du second ordre
peut se transformer en une équation différentielle du premier ordre
y ' '  f (t , y, y ' )

y1  y
Posons:  y1 '   y '   y2 
y2  y ' 
       
 y2 '   y' '   f (t , y1 , y2 ) 
y  
Posons: u   1    y1  
 u     
y2 
  F (t , ( y1 , y2 ))  F (t , u )
 y2  y
 2  f (t , y1 , y )
2 
u '  F (t , u ) où F : (t , u )   y2 

  f (t , y , y )
 1 2 
122
61
Ce qu'il faut retenir
•Une équation différentielle lie une fonction et ses dérivées.
•Elle apparaissent dans les modélisations
•Elles peuvent être résolues analytiquement (les solutions s'expriment

sous la forme de fonctions)
•Une équation différentielle d'ordre 2 peut se transformer en une équation

différentielle d'ordre 1
123
Rappels de Mécanique
• Notions de vitesse
• Notions d'accélération
• Principe fondamental de la dynamique
• Loi de gravitation
• Problème à 2 corps
• Problème plus général (N corps, autres forces,…)
124
62
• Notions de vitesse:
Vitesse moyenne entre
P1 et P2 :
125
Vitesse instantanée en P ?
On calcule la vitesse pour un
temps petit .
Le point parcourt une distance l

pendant ce temps 
Sa vitesse est donc
126
63
Vitesse instantanée en P
C’est la vitesse du point quand 
est aussi petit que l’on veut:
en m/s
127
Vecteur vitesse en P
Notons :
128
64
• Notions d’accélération:
Vecteur accélération en P
L’accélération, c’est la dérivée de la

vitesse par rapport au temps
L’accélération, c’est la dérivée seconde

de la position par rapport au temps en m / s²
129
• Hypothèses et Définition
Un solide de dimension négligeable devant les distances mises

en jeu peut être assimilé à un point.
Dans un premier temps, en mécanique céleste, on peut assimiler

les planètes et autres corps à des points, leur centre de masse.
Un référentiel est dit galiléen si un objet isolé est soit en mouvement

rectiligne uniforme (sa vitesse est constante) soit immobile (vitesse
nulle)
130
65
• Principe Fondamental de la Dynamique ‘PFD’ (Newton)
Pour un point P de masse m dans

un référentiel galiléen, on a la
relation entre son accélération, sa
F1 masse et la somme des forces
P appliquées à P
3
F
m.a   F
i
i 1
F2
F3
131
• Loi d’attraction universelle (Newton 1687)
Deux corps ponctuels A et B de masses respectives m A et m B s’attirent
mutuellement avec une force proportionnelle à chacune des masses et
inversement proportionnelle au carré de leur distance
La force exercée sur B par A s’écrit :
m A mB
F A B  G u AB
AB ²
G  6.67.10 11 N .m 2 / kg 2
132
66
• Problème à 2 corps Application du PFD
Trajectoire des points A et B: m A mB

mB .a B  F A B  G u AB
AB²
m m
m A .a A  F B  A  G A B u BA
AB²
Après changement de variables,
l’équation du mouvement de B devient:
d 2u
u C
d 2
Solution analytique => mouvement képlérien
133
• Problème à 2 corps
Mouvement képlérien: les 2 corps décrivent une ellipse autour du barycentre du
système
m A  mB mA  mB m A  mB
134
67
• Problème à N corps
N corps :
P1,…,PN-1 ,T de masses m 1,…,mN-1,mT
N 1
mT .aT   F Pi T
i 1
N 1
mi mT
mT .aT    G u PiT
i 1 PiT ²
système d’équations différentielles

dont on a pas de solution explicite
135
• Problème à N corps
Autres forces prises en compte
•Les planètes ne sont plus

considérées comme des points mais
des sphères (aplaties)
•Prise en compte de petits objets
•Relativité
•…
136
68
• Théories planétaires
Théories analytiques:
La position des astres est obtenue sous forme de combinaisons de fonctions
algébriques et trigonométriques dépendantes du temps, des masses, des
positions initiales par la méthode des perturbations (Lagrange)
Intégration numérique:
La position des astres est calculée numériquement pour des temps t, t+h,
t+2h,… où h est le pas d’intégration.
137
Méthodes d'Intégration Numérique

• Méthode d'Euler
• Ordre d'une méthode
• Méthode d'ordre 2
• Méthode de Runge-Kutta
• Autres méthodes
138
69
Par la suite, on considère l'équation différentielle
y '  f (t , y ) et y t0   y0
But: approcher la solution de l'équation différentielle par

des méthodes numériques sur un intervalle de temps
[t0,tN]
139
Principe : construite une suite yi qui approxime la solution au temps t0+i.h
140
70
• Méthode d'Euler:
141

142
71
143

144
72
145

L'idée, c'est qu'au temps initial t0 , on connaît la position y0 et la

dérivée 
y (t0 )  f (t 0 , y 0 )
On peut, pour un temps un peu plus grand que t0 : t0+h avec h petit,
approximer la position de y(t0+h)

y (t 0  h)  y 0  y (t 0 ).h  y0  f (t0 , y0 ).h
La fonction f est approximée par sa tangente en t0 entre t0 et t0+h
146
73
147

Notons y1  y0  f (t 0 , y0 ).h
Nous pouvons procéder de la même manière pour calculer au temps t0+2h

En se servant des valeurs de y1 et en approximant par

y (t 0  2h)  y1  y (t0  h).h  y1  f (t0  h, y1 ).h
148
74
149

Par récurrence, nous pouvons définir deux suites qui approximent la solution
de l'équation différentielle.
La première va définir les temps pour lesquels, on veut l'approximation:
ti  t0  i.h Avec t0 le temps initial

ba
Et h le pas (on peut prendre h )
N
La deuxième fournit une approximation de la solution:
yi 1  yi  f (ti , yi ).h
150
75
151

•La convergence de la méthode peut être démontrée mathématiquement.
•Plus on diminue le pas d'intégration h, meilleure est l'approximation.

La différence entre la solution réelle et la solution calculée tend vers 0 quand
h tend vers 0.
•En contrepartie, le temps de calcul devient plus long à mesure que l'on divise
l'intervalle de temps.
•C'est une méthode d'ordre 1

152
76
• Ordre d'une méthode:
Une méthode d'intégration numérique est d'ordre N si elle est exacte pour les
polynômes de degré inférieur ou égal à N, et si elle fausse pour au moins un
polynôme de degré N+1
Exemple: La méthode d'Euler est exacte si la fonction f est une fonction affine
f (t , y )  a  b. y  c.t
153

• Ordre d'une méthode:
Pour une méthode d'ordre n, l'erreur peut être majorée par un polynôme
(fonction du pas) d'ordre n+1 en h
Par exemple, l'erreur réalisée par la méthode d'Euler, peut être majorée par
un polynome du 2nd ordre:
k=1
Plus l'ordre est grand, plus

la méthode est précise
k=2 (pour un pas h plus grand)
k=3
154
77
• Méthode du 2ème ordre:
Dans la méthode d'Euler, on approximait
par la tangente.
Ici, la fonction f est approximée par un arc
de parabole.
On s'appuie sur une propriété de la

parabole
155

156
78
157

158
79
159

160
80
161

162
81
163

164
82
165

166
83
167

168
84
169

170
85
 h h 
On calcule les coordonnées du point P :  t 0  , y0  f (t 0 , y0 ) 
 2 2 
La pente en P s'écrit : h h
p'  f (t 0  , y0  f (t 0 , y0 ))
2 2
Les coordonnées du point M1 s'écrivent:
t0  h, y0  h. p'
171

Ainsi par récurrence, on peut à chaque étape i, définir 2 variables k1 et k2:
k1 (i)  f (ti , yi )
h h.k (i )
k 2 (i )  f (ti  , yi  1 )
2 2
La solution approchée en t0+i.h sera donnée par la suite récurrente :
yi 1  yi  h.k 2 (i )
C'est une méthode d'ordre 2
172
86
• Méthode de Runge-Kutta (RK4):
Le principe reste toujours le même. On va chercher à estimer au mieux la pente
de la courbe sur l'intervalle [ti,ti+1]
La solution approchée en t0+i.h sera donnée par la suite récurrente :
h
yi 1  yi  (k1  2k 2  2k3  k 4 )
6
h h
k1  f (ti , yi ) k 3  f (ti  , yi  k 2 )
2 2
h h
k 2  f (ti  , y i  k1 ) k 4  f (ti  h, yi  h.k3 )
2 2
C'est une méthode d'ordre 4.

173

• Autres méthodes
•On trouve des méthodes numériques d'ordre supérieur
•L'un des intégrateurs utilisé pour l'élaboration des éphémérides est un

intégrateur de RADAU d'ordre 15.
•Les qualités requises pour un intégrateur sont sa précision, sa rapidité,

sa stabilité.
174
87

Cours de Méthode Numérique 2016 BAC II ESI-1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours de Méthode Numérique 2016 BAC II ESI-1

Transféré par

Droits d'auteur :

Formats disponibles

Cours de Méthodes

Destiné aux étudiants de deuxième

Prof. Dr. Ir. Gustave MUKOKO

On insiste aussi sur la complémentarité entre l'approche

Le calcul numérique est une discipline qui traite de la

 Cette déﬁnition s’appuie sur plusieurs notions, comme celle de

Les modèles mathématiques continus prennent typiquement la

Son objectif est notamment d’introduire des procédures

Différentes sources d’erreur dans une

Différentes sources d’erreur dans une

Différentes sources d’erreur dans une

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

On peut estimer l’effet d’une erreur E sur l’argument x d’une

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

• On dit qu’un problème est bien (ou mal) conditionné, si une

Notions d’erreur absolue et relative

Notions d’erreur absolue et relative

Les algorithmes 1 et 2 ci-après proposent deux manières de

Algorithme 1: Algorithme pour le calcul du produit C = AB

• Certains se distinguent par la nature et/ou le nombre des

Aﬁn d’illustrer ce dernier point, comparons les

Algorithme 2: Algorithme pour le calcul du produit C = AB

On remarque tout d’abord qu’ils ne se différencient que

Gustave MUKOKO/Dr. en Génie 46

Résolution d’une équation f(x)=0

Résolution d’une équation f(x)=0

(1) Méthode de la bissection

Résolution d’une équation f(x)=0

Ce théorème encore appelé théorème de d’Alembert

admet dans certains cas trois racines , ,

On démontre que cette équation se ramène par

Résolution d’une équation f(x)=0

Elle admet si ∆= 4 + 27 est positif, trois

Résolution d’une équation f(x)=0

Résolution d’une équation f(x)=0

Cette équation se résout comme une équation du

Ainsi, la résolution d’une équation du quatrième degré se ramène

Le théorème de Rolle (1690) affirme qu’entre deux

Résolution d’une équation f(x)=0

est inférieur au nombre de changements de signes de

Résolution d’une équation f(x)=0

Résolution d’une équation f(x)=0

Résolution d’une équation f(x)=0

La suite (−2) change trois fois de signe et la

En général, on prend = − . Dans la

Résolution d’une équation f(x)=0

THEOREME: (existence d’un zéro d’une fonction à

Résolution d’une équation f(x)=0

THEOREME 1: Considérons le segment = [ − , + ] ⊂

THEOREME 2: Si est différentiable au voisinage d’un point

Résolution d’une équation f(x)=0

localiser ou chercher un intervalle [a, b] dans lequel la fonction change de signe;

Résolution d’une équation f(x)=0

2.3. LES ALGORITHMES CLASSIQUES

Résolution d’une équation f(x)=0

2.3. LES ALGORITHMES CLASSIQUES