Académique Documents
Professionnel Documents
Culture Documents
Numérique
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.
1
Méthodes Numériques
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 ?
Méthodes Numériques
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
Méthodes Numériques
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.
Méthodes Numériques
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
Méthodes Numériques
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
Méthodes Numériques
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):
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. :
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.
7
Différentes sources d’erreur dans une
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
16
8
Différentes sources d’erreur dans une
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
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
20
10
Notions d’erreur absolue et relative
∗
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
11
Notions d’erreur absolue et relative
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.
24
12
Notions d’erreur absolue et relative
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
26
13
Notions d’erreur absolue et relative
La mémoire de l’ordinateur: le stockage des nombres.
• 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
14
Notions d’erreur absolue et relative
La mémoire de l’ordinateur: le stockage des nombres.
• 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
15
Notions d’erreur absolue et relative
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
32
16
Notions d’erreur absolue et relative
Notions de troncature et d’arrondie - Arithmétique à
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
34
17
Notions d’erreur absolue et relative
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
18
Notions d’erreur absolue et relative
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
38
19
Notions d’erreur absolue et relative
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
20
Notions d’erreur absolue et relative
Quelques notions d’algorithmique.
• Codage.
Le codage (implémentation) d’un algorithme consiste en
l’écriture de la suite d’opérations élémentaires le composant
dans un langage de programmation.
41
21
Pour chaque problème posé de façon mathématique, il peut
exister plusieurs algorithmes le résolvant.
43
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.
QUESTIONS ?
23
BRAVO !
A bientôt pour de nouvelles aventures !
Gustave MUKOKO/Dr. en Génie 47
Civil
24
Résolution d’une équation f(x)=0
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
50
25
Résolution d’une équation f(x)=0
De manière informelle, on peut définir un algorithme comme 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
Algorithme
Les algorithmes classiques que nous allons étudier sont les
suivants :
26
Résolution d’une équation f(x)=0
2.2. ÉQUATIONS ALGÉBRIQUES
L’équation générale du troisième degré exprimée
sous forme alternée : − + − =0
27
Résolution d’une équation f(x)=0
2.2. ÉQUATIONS ALGÉBRIQUES
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
Résolution d’une équation f(x)=0
2.2. ÉQUATIONS ALGÉBRIQUES
L’équation du quatrième degré a été résolue par
Luigi Ferrari, un disciple de Cardan. Exprimée
sous forme alternée, l’équation
− + − + =0
57
29
Résolution d’une équation f(x)=0
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
59
= + + +⋯+
60
30
Résolution d’une équation f(x)=0
2.3. LES ALGORITHMES CLASSIQUES
2.3.1. Localisation des racines
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
31
Résolution d’une équation f(x)=0
2.3. LES ALGORITHMES CLASSIQUES
2.3.1. Localisation des racines
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
64
32
Résolution d’une équation f(x)=0
2.3. LES ALGORITHMES CLASSIQUES
2.3.1. Localisation des racines
65
33
Résolution d’une équation f(x)=0
2.3. LES ALGORITHMES CLASSIQUES
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.
68
34
Résolution d’une équation f(x)=0
2.3. LES ALGORITHMES CLASSIQUES
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.
35
Résolution d’une équation f(x)=0
2.3.4. Convergence et ordre de convergence.
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
36
Résolution d’une équation f(x)=0
2.3. LES ALGORITHMES CLASSIQUES
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
74
37
localiser ou chercher un intervalle [a, b] dans lequel la fonction change de signe;
76
38
localiser ou chercher un intervalle [a, b] dans lequel la fonction change de signe;
77
39
localiser ou chercher un intervalle [a, b] dans lequel la fonction change de signe;
40
Résolution d’une équation f(x)=0
METHODE DE LA BISSECTION
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
82
41
Résolution d’une équation f(x)=0
METHODE DE LA BISSECTION
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
42
METHODE DE LA FAUSSE POSITION
•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
3( 3, 3 ≈ 0)
0 1 2 3 x
2( 2, ( 2))
1( 1, ( 1))
( , ( ))
0( 0, ( 0)) 86
43
METHODE DE LA FAUSSE POSITION
Equation de la droite passant par 2 points
( , ( )) , ( ))
−
y − = ( − )
−
Intersection de cette droite avec ox: y = 0
−
= −
−
= −
−
=
− 87
44
Résolution d’une équation f(x)=0
METHODE DE NEWTON-RAPHSON
( )
= − ∀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
METHODE DE NEWTON-RAPHSON
( )
= − ∀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
METHODE DE NEWTON-RAPHSON
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
METHODE DE NEWTON-RAPHSON
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
METHODE DE NEWTON-RAPHSON
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
METHODE DE NEWTON-RAPHSON
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
METHODE DE NEWTON-RAPHSON
95
METHODE DE NEWTON-RAPHSON
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
−
=
−
97
METHODE DE LA SECANTE
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
METHODE DE LA SECANTE
•L’équation de la sécante s’écrit:
−
= +( − )
−
• Si = 0, on en déduit :
= −
99
METHODE DE LA SECANTE
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 ?
BRAVO !
A bientôt pour de nouvelles aventures !
Gustave MUKOKO/Dr. en Génie 104
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.
INTERPOLATION POLYNOMIALE
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
INTERPOLATION POLYNOMIALE
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.
INTERPOLATION POLYNOMIALE
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:
54
INTERPOLATION POLYNOMIALE
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
INTERPOLATION POLYNOMIALE
1.INTRODUCTION
o Il existe plusieurs techniques pour calculer Pn (x):
55
INTERPOLATION POLYNOMIALE
2. INTERPOLATION DE LAGRANGE:
o Interpolation Linéaire:
On considère deux points (x0,y0),(x1,y1) avec :
111
INTERPOLATION POLYNOMIALE
2. INTERPOLATION DE LAGRANGE:
o Interpolation Linéaire:
112
56
INTERPOLATION POLYNOMIALE
2. INTERPOLATION DE LAGRANGE:
o Interpolation Parabolique:
considérons trois points
avec:
113
INTERPOLATION POLYNOMIALE
2. INTERPOLATION DE LAGRANGE:
o Ainsi:
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
Équations différentielles
•Pourquoi des équations différentielles?
58
Équations différentielles
•Solution de l’équation différentielle
N (t ) N 0 . exp( k .t )
Où N0 est l’effectif de la population à l’instant initial t=0
117
Équations différentielles
•Solution de l’équation différentielle
N0=100,200,300,400
k=0.05
118
59
Équations différentielles
•Pour des équations différentielles simples, on peut
trouver des solutions explicites de cette équation
(comme dans l’exemple précédent)
Équations différentielles
•On peut également avoir un système d'équations différentielles.
60
Équations différentielles
•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
Équations différentielles
•Avec cette transformation, une équation différentielle du second ordre
peut se transformer en une équation différentielle du premier ordre
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
Équations différentielles
Ce qu'il faut retenir
•Une équation différentielle lie une fonction et ses dérivées.
123
Rappels de Mécanique
• Notions de vitesse
• Notions d'accélération
• Loi de gravitation
• Problème à 2 corps
124
62
Rappels de Mécanique
• Notions de vitesse:
Vitesse moyenne entre
P1 et P2 :
125
Rappels de Mécanique
• Notions de vitesse:
Vitesse instantanée en P ?
On calcule la vitesse pour un
temps petit .
126
63
Rappels de Mécanique
• Notions de vitesse:
Vitesse instantanée en P
C’est la vitesse du point quand
est aussi petit que l’on veut:
en m/s
127
Rappels de Mécanique
• Notions de vitesse:
Vecteur vitesse en P
Notons :
128
64
Rappels de Mécanique
• Notions d’accélération:
Vecteur accélération en P
129
Rappels de Mécanique
• Hypothèses et Définition
130
65
Rappels de Mécanique
• Principe Fondamental de la Dynamique ‘PFD’ (Newton)
F
m.a F
i
i 1
F2
F3
131
Rappels de Mécanique
• 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
m A mB
F A B G u AB
AB ²
G 6.67.10 11 N .m 2 / kg 2
132
66
Rappels de Mécanique
• Problème à 2 corps Application du PFD
d 2u
u C
d 2
Solution analytique => mouvement képlérien
133
Rappels de Mécanique
• 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
Rappels de Mécanique
• 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
Rappels de Mécanique
• Problème à N corps
Autres forces prises en compte
136
68
Rappels de Mécanique
• 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
138
69
Méthodes d'Intégration Numérique
Par la suite, on considère l'équation différentielle
y ' f (t , y ) et y t0 y0
139
140
70
Méthodes d'Intégration Numérique
• Méthode d'Euler:
141
142
71
Méthodes d'Intégration Numérique
• Méthode d'Euler:
143
144
72
Méthodes d'Intégration Numérique
• Méthode d'Euler:
145
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
146
73
Méthodes d'Intégration Numérique
• Méthode d'Euler:
147
148
74
Méthodes d'Intégration Numérique
• Méthode d'Euler:
149
yi 1 yi f (ti , yi ).h
150
75
Méthodes d'Intégration Numérique
• Méthode d'Euler:
151
•En contrepartie, le temps de calcul devient plus long à mesure que l'on divise
l'intervalle de temps.
76
Méthodes d'Intégration Numérique
• 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
k=1
154
77
Méthodes d'Intégration Numérique
• 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.
155
156
78
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
157
158
79
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
159
160
80
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
161
162
81
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
163
164
82
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
165
166
83
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
167
168
84
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
169
170
85
Méthodes d'Intégration Numérique
• Méthode du 2ème ordre:
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
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
Méthodes d'Intégration Numérique
• 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
174
87