2020 ENSP MSP Niv2 INF222 INFO4 Cours

INFORMATIQUE 4:
ALGORITHMES NUMÉRIQUES
Ja ques Tagoudjeu
Department MSP
E ole Nationale Supérieure Polyte hnique,
Université de Yaounde I
Mar h 19, 2020
j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 1 / 173

Obje tifs du ours
Outline
1 Obje tifs du ours

Obje tifs
Contenu du Cours
Référen es du Cours

Obje tifs du ours Obje tif
Obje tifs
Introdu tion à l'élaboration et l'étude des algorithmes pour la

résolution des problèmes Mathématiques;
Implémentation des algorithmes à l'aide d'un outil de al ul
s ientique (Matlab/O tave, Python, S ilab, et ).
Ces obje tifs s'ins rivent bien dans la ulture s ientique:
Justier soigneusement la démar he;
Bien hoisir la méthode, si possible e a e;
Lors des al uls numériques, ontrler les erreurs;
Interpréter prudemment les résultats;
Vérier, re ouper, utiliser le bon sens.

Obje tifs du ours Contenu du Cours
Contenu du Cours
1 Rappels d'algorithmique (Stru ture, Algorithmes Ré ursif)
2 Complexités des algorithmes;
3 Notions d'erreur, Représentation des Nombres, al ul exa t vs al ul
appro hé;
4 Introdu tion à Matlab;
5 Sommation numériques (Suites et Séries Numériques); Implementation des
fon tions usuelles (Développement de Taylor, séries entières);
6 Arithmétique des polynmes;
7 Cal ul matri iel, systèmes d'équations linéaires;
8 Interpolation de Lagrange, approximation polynomiale;
9 Intégration numérique : méthodes de re tangles, trapèzes, Simpson,
méthodes sto hastiques;
10 Méthodes itératives : méthode du point xe, méthode de Newton;
Obje tifs du ours Référen es du Cours
Référen es du Cours
1 Algorithmique de base, Support de Cours.
Auteur: Dr NDONG NGUEMA;
2 Sommation Numérique des séries, Support de Cours.
Auteur: Dr NDONG NGUEMA;
3 Introdu tion à MATLAB et GNU O tave.
Auteur: Jean Daniel Bonjour;
disponible en ligne à http : //enacit1.epf l.ch/cours_matlab/
(version html) ou
http : //enacit1.epf l.ch/cours_matlab/pdf /M atlab − Octave −
Cours − JDBonjour − 2013 − 09 − 17.pdf (version pdf);
4 Introdu tion to Algorithm, 3rd ed., T. H. Cormen, C. E. LEISERSON,
R. L. RIVEST, C. STEIN, MIT Press, 2009
5 Programming for Computations -MATLAB/O tave, S. Linge, H. P.
Langtangen, Springer, 2016
6 Programming for Computations -PYTHON, S. Linge, H. P.
Langtangen, Springer, 2016
Rappels d'algorithmique
Outline
2 Rappels d'algorithmique
Rappels de base
Les omposants du LEA
Algorithmes Ré ursifs

Rappels d'algorithmique Rappels de base
Langage d'Expression Algorithmique (LEA)
L'ordinateur présente l'avantage d'exé uter beau oup de traitements

omplexes plus vite et plus sûrement que l'homme.
Cependant il ne peut exé uter que les ordres qu'on lui donne à travers
un programme informatique qui doit être établi de manière à envisager
toutes les éventualités possibles.
Un programme informatique (ou ode) est généralement é rit dans un
langage de programmation, que l'ordinateur interprète et exé ute an
de fournir les résultats es omptés.

Langage d'Expression Algorithmique (Suite)
Il existe un nombre élevé de langage de programmation, présentant

ha un ses spé i ités (orienté à résoudre une lasse de problèmes).
Il est né essaire d'adopter une base universelle ommune,
ompréhensible par le plus grand nombre, sur laquelle s'appuyer pour
on evoir et é rire initialement les programmes informatiques, qui
pourront être traduits dans des langages de programmation appropriés.
Pour ela, on utilise un Langage d'Expression Algorithmique
(LEA) ou un pseudo- ode.

Étapes d'un algorithme

Dénir lairement le problème: Déterminer toutes les informations
disponibles sur les données et la forme des résultats attendus.
Spé i ation d'un ensemble de données (énon é, hypothèses, sour es
externes, ...);
Spé i ation d'un ensemble de buts à atteindre (résultats, opérations à
ee tuer, ...);
Spé i ation des ontraintes.
Analyser le problème: Re her her une méthode de résolution en
déterminant un moyen pour passer des données aux résultats.
Clarier l'énon é;
Simplier le problème;
S'assurer que le problème est soluble;
Re her he d'une stratégie de onstru tion de l'algorithme;
Dé omposer le problème en sous problèmes partiels plus simples :
ranement;
Ee tuer des ranements su essifs (Le niveau de ranement le plus
élémentaire est elui des instru tions de base).
Étapes d'un algorithme (suite)
É rire l'algorithme: Dé rire de manière détaillée les diérentes

étapes pour passer des données aux résultats. On pro ède par
ranement su essif pour des algorithmes omplexes
Les types des données et des résultats doivent être pré isés;
L'algorithme doit fournir au moins un résultat;
L'algorithme doit être exé uté en un nombre ni d'opérations;
L'algorithme doit être spé ié lairement, sans la moindre ambiguïté.

Quelques dénitions du mot algorithme

Dénitions:
1 Un algorithme est le résultat d'une démar he logique de résolution
d'un problème.
2 C'est une série d'a tions ou d'opérations élémentaires qu'il faut
exé uter en séquen e pour a omplir une tâ he quel onque, en suivant
un en haînement stri t.
3 C'est une pro édure de al ul bien dénie qui prend en entrée une ou
plusieurs valeurs appelées données et produit en sortie une ou un
ensemble de valeurs (ou a tions) appelées résultats.
4 C'est une suite d'étapes de al ul permettant de transformer les
données en résultats.
5 C'est un ensemble de règles permettant d'ee tuer un al ul soit à la
main soit par la ma hine.
6 C'est un en haînement d'a tions né essaires à l'a omplissement
d'une tâ he.
Propriétés d'un algorithme

Propriétés:
1 Généralité: Un algorithme doit être onstruit de manière à envisager
toutes les éventualités.
2 Finitude: Il doit être ni et doit se terminer après un nombre ni
d'opérations.
3 Dénitude: Chaque étape de l'algorithme doit être lairement dénie
et toutes les opérations doivent être dénies sans ambiguïté.
4 S'il y a des données, d'entrée, le domaine d'appli ation doit être
pré iser (les Types des données).
5 Il doit posséder au moins un résultat.
6 Ee tivité: Toutes les opérations doivent pouvoir être exé utées
exa tement et en temps ni.
7 E a ité: Idéalement, un algorithme doit être onçu de telle sorte
qu'il se déroule en un temps minimal et qu'il onsomme un minimum
de ressour es.
Rappels d'algorithmique Les omposants du LEA
Les omposants du LEA

Objets et Éléments Algorithmiques
Les Algorithmes sont élaborés à partir de omposants divers
permettant de spé ier en termes pré is un s héma de résolution:
Cara tères;
Libellé ou texte;
Opérateurs;
Mots lés;
Identi ateurs;
Expressions;
Sous-Programmes ou sous-algorithme
et ...
On distingue de manière générale, deux grands groupes de omposants
algorithmiques:
Les objets sur lesquels l'algorithme opère: les données (d'entrée et
sortie), les valeurs numériques, ara tères, haîne de ara tères, et ..;
Les éléments algorithmiques permettant la onstru tion de
l'algorithme: mots- lés, identi ateurs, expressions, opérateurs,
sous-programmes et ...
Les Objets Élémentaires: Constantes et Variables

Objets
Ils représentent:
Les données ou informations fournies à l'algorithme;
Les résultats produits par l'algorithme;
Les données ou résultats intermédiaires servant aux manipulation
internes ( ompteur, sto kage des résultats intermédiaires, et );
On distingue de manière générale, deux atégories d'objets:
Les Constantes: dont les valeurs ne peuvent varier au ours de
l'exé ution de l'algorithme;
Les Variables: dont les valeurs peuvent varier lors de l'exé ution de
l'algorithme.
Tout objet élémentaire est ara térisé par trois attributs:
un (Identi ateur) qui est un nom symbolique utilisé pour manipuler
l'objet;
un Type qui ara térise les valeurs que peut prendre l'objet ainsi que
les a tions autorisées sur elui- i;
une valeur;
En générale, l'Identi ateur et le Type d'un objet sont xes.
Classi ation de types de données

Les Eléments de base
opérateurs
arithmétiques;
relationnels ( omparaison);
logiques;
ae tation;
fon tionnels
expressions;
instru tions
simples;
stru turées ou omposées.
sous-programmes
fon tions;
pro édures.

Les Eléments de base: Opérateurs

Nom Symbole Exemple
Addition + a+b
Opérateurs arithmétiques Soustra tion - a-b
Opposé - -a
Produit * a*b
Division / a/b
Nom Symbole Exemple
Égale == a==b
Diérent 6= a 6= b
Opérateurs relationnels Inférieur < a<b
Supérieur > a>b
Inférieur ou égal ≤ a≤b
Supérieur ou égal ≥ a≥b
Les Eléments de base: Opérateurs (suite)
Nom Symbole Exemple

Opérateurs Logiques Négation non non a
Et et a et b
Ou ou a ou b
Opérateur d'ae tation Nom Symbole Exemple

Ae tation ← a←b
Opérateurs fon tionnels
Fon tions mathématiques standards;
Fon tions de onversion de type;
et ...;

Les Expressions
Dénition
Une expression algorithmique est une ombinaison des objets de
l'algorithme et/ou des valeurs onstantes (opérandes) à travers des
opérateurs et/ou des sous-programmes.
Exemple:
Nom_Variable; 2*A+B/C;
√ sin(A+5);
os(Pi+0.3); (B- 4 ∗ C /4);
(A=0 et B=1) ou (C>1 et non (D ≥ 0));

Priorité des opérations

Lorsqu'on asso ie plusieurs opérations, elles- i s'exé utent suivant un
ordre de priorité bien déni. Suivant la priorité dé roissante, on a
l'ordre suivant:
Ordre Opérateurs
0 ()
1 Appel de fon tions et pro édures
2 Elevation à la puissan e
3 *, /
4 +, -
5 ==, 6=, <, >, ≥, ≤
6 et, ou, non
En as de priorité de même niveau, les opérations s'ee tuent de la

gau he vers la droite.
Les Instru tions d'un algorithme
Dénition:
Une instru tion d'un algorithme est une dire tive pré isant e qu'il faire à
un point pré is de elui- i.
Les instru tions d'un algorithme dé rivent plus ou moins en détail les
al uls et/ou les traitements sur les données. Elles s'exé utent dans l'ordre
séquentiel dans lequel elles apparaissent.
On distingue en général:
Les instru tions de dé laration;
Les instru tions de base (ou de traitement des données)
Les instru tions de stru turation des algorithmes (ou instru tions
stru turées ou omposées).

Les Instru tions de dé laration
Elles se trouvent dans la partie dé larative et permettent de:

Dé larer les Constantes;
Dénir les Types auxiliaires;
Dé larer les Variables;

Dé laration des onstantes

Syntaxe:
Constante:
Nom_Const1 = Val1;
Nom_Const2 = Val2;
.............................;
Nom_ConstN = ValN;
où Val1, Val2,...,ValN sont des valeurs onstantes et/ou des résultats issus
de l'évaluation des fon tions prédénies.
Exemple:
Constante:
pi = 3.14;
Nbre_Or = 1.618033;
Nmax = 100;

Dénition de Types auxiliaires

Type auxiliaire:
Nom_type1 = des ription du Type1;
.............................;
Nom_typeN = des ription du TypeN;
Exemple:
Type auxiliaire:
ve teur = tableau [1..Taille_Ve t] de réel;
matri e = tableau [1..Nbre_ligne,1..Nbre_ ol] de réel;
point = enregistrement de:
x : réel;
y : réel;
n;
Suite = enregistrement de:
Taille : entier;
Val : ve teur;
n;
Dé laration des Variables

Syntaxe:
Variable:
Nom_var11, Nom_var12, ..., Nom_var1k : Type1;
.............................;
Nom_varN1, Nom_varN2, ..., Nom_varNm : TypeN;
Exemple:
Variable:
A, B, C, Delta : réel;
i, j, k, n : entier;
u, v, w : ve teur;
M1, M2, M3 : matri e;
sexe : ara tère;
Trouver : booléen;
S1,S2,S3,S4 : Suite;
Instru tions de base
Elles sont onstituées des:

Instru tions d'ae tation;
Instru tions de le ture et d'é riture;
appels de sous-programmes

Instru tions d'ae tation:
Les instru tions d'ae tation permettent d'attribuer à une variable, une
valeur issue de l'évaluation d'une expression. Cette valeur doit être
ompatible ave le type de la variable.
Syntaxe:
Nom_Variable ← Expression;
Exemple:
A ← 5;
B ← 4*A + 3.14;
Lettre ← "A";
Test ← A==B;

Instru tions de le ture et é riture:

Les instru tions de le ture et d'é riture permettent d'établir la
ommuni ation entre un programme et sont utilisateur: A quérir les
données né essaires, renvoyer les résultats obtenus, et ...
Syntaxe:
Lire (Suite noms de variables séparées par des virgules);
E rire (Liste d'objets);
où Liste d'objets est une suite d'objets ( onstantes, variables, expression ou
haîne de ara tères) séparés par des virgules.
Exemple:
Lire (A, B, C);
Delta ← B*B - 4*A*C;
E rire ( "Le dis riminant est: ", Delta);

Instru tions de stru turation ou stru turées
Elle sont onstituées des:

Blo ks d'instru tions;
Instru tions répétitives (bou les "pour", "Tant Que" et "Répéter ....
Jusqu'à");
Les instru tions onditionnelles (alternative simple, alternative
omplète, hoix multiple).
...

Blo k d'instru tions

C'est une séquen e (suite d'instru tions à exé uter dans un ordre donné) marquée
par les délimiteurs début et n.
Syntaxe:
début:
instru tion1;
instru tion2;
.............................;
instru tionN;
n:
Exemple:
début
Lire (A, B, C);
Delta ← B*B - 4*A*C;
Lettre ← "A";
E rire ( "Le dis riminant est: ", Delta);
n
Instru tions répétitives: Bou le "Pour"

Syntaxe:
Pour Index = Ind_Déb (Pas) Ind_Fin Faire
début
instru tion1;
instru tion2;
.............................;
instru tionN;
n
Exemple:
Données: N
S ← 0;
Pour i = 1 (1) N Faire
début
S ← S + 1/(i*i);
n
Q: Que fait e mor eau d'algorithme?
Instru tions répétitives: Bou le "Tant Que"

Syntaxe:
Tant que Condition Faire
début
instru tion (s);
n
Exemple:
Données: Theta
S ← 0;
i ← 0;
Tant que i < 1000 Faire
début
S ← S + os(i*Theta);
i ← i+1;
n
Instru tions répétitives: Bou le "Répéter ...

Jusqu'à"
Syntaxe:
Répéter
instru tion (s);
Jusqu'à Condition
Exemple:
Données: Theta
S ← 0;
i ← 0;
Répéter
S ← S + sin(i*Theta);
i ← i+1;
Jusqu'à i>1000
Instru tions onditionnelles: Alternative Simple

Syntaxe:
Si Condition Alors
début
instru tion (s);
n
Exemple:
Données: a
S ← a;
Si a < 0 Alors
début
S ← -a;
n

Instru tions onditionnelles: Alternative Complète

Syntaxe:
Si Condition Alors
début
instru tion (s);
n
Sinon
début
instru tion (s);
n
Exemple:
Données: x
Si x < 0 Alors
début
Y ← 0;
n
Sinon
début
Y ← 1;
n

Instru tions onditionnelles: Choix Multiple

Syntaxe:
Cas V =
Val1,
début
instru tion (s);
Val2,
................
ValN,
début
instru tion (s);
n
Sinon
début
instru tion (s);
n
n

Stru ture générale d'un programme en LEA

Manipulation des hier en LEA

Un hier est un objet de l'algorithme qui doit être dé laré et a tivé
avant toute utilisation.
Dé laration des hier:
Nom_Fi hier : hier_texte;
A tivation du hier: Elle onsiste à faire orrespondre à e dernier un
hier physique par l'a tion d'atta hement où d'assignation omme
suit:
Atta her(Nom_Fi hier, "Chemin d'a ès au hier");
Exemple: Atta her(Fi 1, "C:\Perso\TP\Mydata.txt");
Ouverture en le ture et é riture du hier:
Ouvrirle ture(Nom_Fi hier); Lire(Nom_Fi hier, liste des variables);
Ouvrire riture(Nom_Fi hier); E rire(Nom_Fi hier, liste d'objets);
Contrle de n de hier: EOF(Nom_Fi hier);
Fermeture du Fi hier: Fermer(Nom_Fi hier);
Sous Programmes en LEA

Un hier est un objet de l'algorithme qui doit être dé laré et a tivé
avant toute utilisation.
Dé laration des hier:
Nom_Fi hier : hier_texte;
A tivation du hier: Elle onsiste à faire orrespondre à e dernier un
hier physique par l'a tion d'atta hement où d'assignation omme
suit:
Atta her(Nom_Fi hier, "Chemin d'a ès au hier");
Exemple: Atta her(Fi 1, "C:\Perso\TP\Mydata.txt");
Ouverture en le ture et é riture du hier:
Ouvrirle ture(Nom_Fi hier); Lire(Nom_Fi hier, liste des variables);
Ouvrire riture(Nom_Fi hier); E rire(Nom_Fi hier, liste d'objets);
Contrle de n de hier: EOF(Nom_Fi hier);
Fermeture du Fi hier: Fermer(Nom_Fi hier);
Rappels d'algorithmique Algorithmes Ré ursifs
Dénition: Algorithmes Ré ursifs

Un sous programme est dit ré ursif s'il s'appelle lui même, de façon dire te (appel
dire t) ou indire te (appel à un autre sous programme qui fait de nouveau appel à
e dernier).
Les sous programmes ré ursifs s'appliquent généralement aux problèmes qui

sont de nature ré ursive. Comme:
Les formules mathématiques ré urrentes;
Tri des données dans les stru tures (tableaux, listes, arbres, graphes)
et
L'exé ution des sous programmes ré ursifs se fait généralement en deux
phases en utilisant une stru ture de pile qui sert à sauvegarder les variables
intermédiaires aux moment ou le sous programme s'appelle lui même:
L'empilement des tâ hes;
Le désempilement des tâ hes.
La profondeur de la pile étant nie, un bon sous-programme ré ursif doit
avoir une ondition d'arrêt de la ré ursion.
La pile est du type FILO
Avantages et In onvénients
Avantages:
Codi ation ompa te et réduite;
Permet de résoudre un problème en résolvant une ou des piè es
réduites du même problème en utilisant le même ode.
et
In onvénients:
Surveiller la profondeur disponible de la pile (le système pouvant
éje ter le pro essus par dépassement des ressour es autorisées);
Le temps d'exé ution est plus long, à ause des sauvegardes et de
ré upérations de tâ hes sur la pile.
Exemple: Cal ul de la fa torielle d'un entier

Type de ré ursivité
Ré ursivité simple ou linéaire.

Ré ursivité multiple.
Ré ursivité mutuelle, indire te ou roisée.

Type de ré ursivité (suite)
Ré ursivité simple ou linéaire.

Un algorithme ré ursif est dit simple ou linéaire, si haque as qu'il
distingue se résout en au plus un appel ré ursif.
Exemple.
• Cal ul de la fa torielle d'un entier;
• Cal ul du PGCD de deux entiers positifs.


Ré ursivité multiple.
Un algorithme ré ursif est dit multiple, si l'un des as qu'il distingue se
résout ave plusieurs appels ré ursifs.
Exemple:
• Suite de Fibona i.
F0 = 0; F1 = 1; Fn+2 = Fn+1 + Fn , ∀n ∈ N.
• Fon tion d'A kermann-Péter
 n + 1 si m = 0

A(m, n) = A(m − 1, 1) si m > 0 et n = 0

A(m − 1, A(m, n − 1)) si m > 0 et n > 0

1) Cal uler A(0, 4), A(1, 2), A(2, 1) et A(3, 0).
2) E rire une fon tion permettant de al uler A(m, n) pour m et n positifs.

A(0, 4) = 5
A(1, 2) = 4
A(2, 1) = 5
Pour le al ul de A(4, 1) le nombre d'appels ré ursifs est supérieur à 500!!!


Ré ursivité mutuelle, indire te ou roisée.
Deux algorithmes sont dits mutuellement ré ursifs si l'un fait appel à
l'autre et vis versa.
Exemples:
• Parité d'un entier:
P (n) = prédi at de test de parité sur l'entier n;
I(n) = prédi at de test d'imparité sur l'entier n.
P(n) I(n)
Si n=0 alors Si n=0 alors
P(n) = VRAI I(n) = FAUX
sinon sinon
P(n) = I(n-1) I(n) = P(n-1)
Fin Fin

Complexité de Algorithmes
Outline
3 Complexité de Algorithmes
Dénition
Ordre de grandeur: Notations asymptotiques (O, Θ et Ω)
Cal ul de la omplexité des Algorithmes
Performan e des algorithmes de re her he et de tri

Complexité de Algorithmes Dénition
Complexité des Algorithmes
Complexité d'un algorithme : Coût de e dernier. Elle est mesurée

en fon tion d'un paramètre entier n ara térisant le problème à
résoudre.
But:
Evaluer l'e a ité des algorithmes;
Comparer les performan es des algorithmes ee tuant les mêmes
tâ hes.
Propriétés:
Indépendan e vis-à-vis de l'ordinateur utilisé;
Indépendan e vis-à-vis du langage de programmation utilisé pour sa
tradu tion;
Indépendan e vis-à-vis du programmeur;
Indépendan e vis-à-vis des détails d'implementation;
et ...

Complexité de Algorithmes Dénition
Complexité des Algorithmes (Suite)
Paramètres essentielles:
Espa e mémoire requis (de moins en moins onsidérer a tuellement,
mais pris en ompte en as de ré ursivité);
Temps d'exé ution (Dé omptes du nombre d'opérations élémentaires
pertinentes pour la résolution du problème onsidéré);
Ainsi, on a:
Complexité en temps: C'est une fon tion f de n qui permet de
mesurer le temps de al ul pour la mise en oeuvre de l'algorithme;
Complexité en mémoire: C'est une fon tion f de n qui permet de
mesurer la quantité de pla e mémoire né essaire à la mise en oeuvre
de l'algorithme.

Complexité de Algorithmes Ordre de grandeur

Ordre de grandeur:
Ne pouvant pas toujours déterminer ave exa titude le nombre
d'opérations élémentaires, on donne souvent l'ordre de grandeur de
elui- i en fon tion du nombre de paramètres ara téristiques n du
problème.
Ordre de grandeur des fon tions: Notations O, Θ et Ω.
Soit f une fon tion dénie sur N
O(f ) = {g : ∃c > 0, n0 ∈ N tel que ∀n ≥ n0 , g(n) ≤ c.f (n)};
Ω(f ) = {g : ∃c > 0, n0 ∈ N tel que ∀n ≥ n0 , g(n) ≥ c.f (n)};

Θ(f ) = {g : ∃c1 > 0, ∃c2 > 0, n0 ∈ N tel que
∀n ≥ n0 , c1 .g(n) ≤ f (n) ≤ c2 .g(n)};

Complexité des Algorithme (Suite)
Borne supérieure asymptotique: f (n) est une borne asymptotique

supérieure de g(n) (ou g(n) est de borne asymptotique supérieure
f (n)) si
g(n) = O(f (n))
Borne inférieure asymptotique: f (n) est une borne asymptotique
inférieure de g(n) (ou g(n) est de borne asymptotique inférieure
f (n))si
g(n) = Ω(f (n))
Borne asymptotique: f (n) est une borne asymptotique g(n) si
g(n) = Θ(f (n))

Illustration des notations asymptotiques

Quelques Propriétés des notations asymptotiques

Réexivité:
• f = O(f ); • f = Ω(f );
• f = Θ(f ).
Symétrie:
• f = Θ(g) ssi g = Θ(f )
Transitivité:
• Si f = O(g) et g = O(h) alors f = O(h);
• Si f = Ω(g) et g = Ω(h) alors f = Ω(h);
• Si f = Θ(g) et g = Θ(h) alors f = Θ(h).
Produit par un s alaire:
• Soit λ > 0. λO(f ) = O(λf ) = O(f )
Somme et produit de fon tions:
• O(f ) + O(g) = O(max(f, g));
• O(f ).O(g) = O(f.g);
Dans l'étude de la omplexité des algorithmes, on distingue de manière

générale, les as suivants:
Cas le plus favorable;
Cas le plus défavorable;
Cas moyen (parfois di ile à déterminer).
Le temps d'exé ution d'un algorithme est un Θ(f (n)) si et
seulement si son temps d'exé ution dans le as le plus
défavorables est un O(f (n)) et dans le as le plus favorable est
un Ω(f (n)).

Classes de omplexité généralement ren ontrés

Notation Type de omplexité pour n = 100 à 108 ops/s
1 O(1) Constante Temps onstant
2 O(log(n)) Logarithmique 10−7 se onde
3 O(n) Linéaire 10−6 se onde
4 O(n log(n)) Quasilinéaire 10−5 se onde
5 O(n ) 2 Quadratique 10−4 se onde
6 O(n3 ) Cubique 10−2 se onde
7 O(n ); p > 1 Polynomiale
p 11 jours si p = 7
8 O(a ); a > 1 Exponentielle
n 1014 années si a = 2
9 O(n!) Fa torielle 10142 années

Complexité de Algorithmes Cal ul de la omplexité des Algorithmes
Rappels sur les sommations.

Les sommations interviennent naturellement dans l'analyse de la
omplexité des algorithmes itératifs ainsi que dans la résolution de
ertaines ré urren es.
Comme mentionné plus haut on pourra se ontenter dans ertains as
de l'ordre de grandeur des sommations.
Série onstante: Soient m et n deux entiers. On a
n
X
1 = max(n − m + 1, 0).
i=m
Soit n ∈ IN,
n n
X n(n + 1) X 2n3 + 3n2 + n
i= ; i2 =
2 6
i=1 i=1

Soit x 6= 1
n n
X xn+1 − 1 X (n − 1)xn+1 − nxn + x
xi = ; ixi =
x−1 (x − 1)2
i=0 i=0
Approximation par une intégrale: Soit f une fon tion stri tement
roissante, on a:
Z n n
X Z n+1
f (x)dx ≤ f (i) ≤ f (x)dx.
0 i=1 1
Soit m et n deux entiers tels que 1 ≤ m ≤ n,

n
X n
X m−1
X
f (i) = f (i) − f (i)
i=m i=0 i=0
Série harmonique: Soit n un entier stri tement positif, on a:

n
X 1
= ln(n) + O(1)
i
i=1

Coût d'une onditionnelle: On onsidère la stru ture

Si (Cond) Alors
ACTION 1;
Sinon
ACTION 2;
FinSi
Si O(h(n)), O(f (n)) et O(g(n)) désignent respe tivement les
omplexités de l'évaluation de Cond, ACTION 1 et ACTION 2, alors
la omplexité de la stru ture onditionnelle i-dessus est

max O(h(n)), O(f (n)), O(g(n)) .

Coût d'une bou le Pour: Dans la bou le

Pour i=Ideb (pas) In faire
début
ACTION(i);
n
Si c(i) désigne le oût de l'exé ution de ACTION(i) et
k = E ((If in − Ideb)/pas) + 1 désigne le nombre de passage dans la
bou le. Soit U = {ui }ki=1 la suite nie dénie par u1 = Ideb,
ui+1 = Ui + pas (1 ≤ i ≤ k − 1) alors le oût de la bou le est:
X
C= c(j)
j∈U
Si c(i) = c, une onstante, alors C = c.k.

Si pas = 1 alors
If
X in
C= c(i)
Ideb

Coût d'une bou le Tant que: Dans la bou le

Tant que C(x) faire
début
ACTION(x);
n
Soit x0 la valeur initiale de la donnée x et x1 , x2 , ..., xk les valeurs
qu'elle prend su essivement à haque étape, xk+1 la première valeur
pour laquelle la ondition C(xk+1) n'est plus satisfaite;
Soient c(i) le oût de la ondition C(xi ) et f (i) le oût de l'exé ution
de ACTION(xi ). Alors le oût de la bou le pré édente est:
k+1
X k
X
C= c(i) + f (i)
i=0 i=0
.

Cas des Algorithmes ré ursifs:

La omplexité d'un algorithme ré ursif s'obtient par la résolution d'une
équation de ré urren e en éliminant la ré urren e par substitution de
pro he en pro he.
Exemple 1: Cal ul de la fa torielle
fa t(n):
Début
Si n==0 alors
Renvoyer(1);
sinon
Renvoyer(n*fa t(n-1));
fsi
Fin
Le oût C(n) en termes de multipli ations est:

C(0) = 0
.
C(n) = C(n − 1) + 1, n ≥ 1
Soit: C(n) = n
Exemple 2: Problème de la Tour d'Hanoï

HANOI(n,D,A,I):
Début
Si n==1 alors
Dépla er de D vers A;
sinon
HANOI(n-1,D,I,A);
Dépla er de D vers A;
HANOI(n-1,I,A,D);
fsi
Fin
Le oût C(n) en termes du nombre de dépla ement dépend de n et
est donné par:
C(1) = 1 et C(n) = 1 + 2C(n − 1), n ≥ 2
Soit: C(n) = 2n − 1
Le oût d'un algorithme s'exprime généralement sous la forme d'une
équation ré urrente.
Complexité de Algorithmes Performan e des algorithmes de re her he et de tri
Cas des Algorithmes de Re her he et de Tri
Performan e des algorithmes de re her he et de tri: On onsidère les

algorithmes de re her he et de tri appliqués au tableaux de taille N . Les
opérations onsidérées sont:
Les omparaisons sur les éléments du tableau. On note C(N ) le
nombre de omparaisons.
Les dépla ements des éléments du tableau. On note D(N ) le nombre
de dépla ements.

Re her he séquentielle dans un tableau non trié On re her he la

position d'un réel x dans le tableau non trié T de taille N .
Fon tion Re her heNonTrie (T : tableau, Nb_elts :entier,

x : réel) : entier
(* Obje tif: Re her he la position de l'élément x dans le tableau non trié
de réels T*)
(* Paramètres entrants: T: tableau de réels; Nb_elts: Nbre d'éléments
du tableau T; x: réel dont on her he la position dans T *)
(* Résultat: position de x si x est dans T, -1 sinon *)

Variable:
i: entier;
Début
i ← 1;
Tant que (i ≤ N ) et (T [i] 6= x) faire
i ← i + 1;
fTantque
Si i == N + 1 alors
Re her heNonTrie ← −1;
Sinon
Re her heNonTrie ← i
fSi
Fin
Cas favorable: x = T [1]; C(N ) = O(1);
Cas défavorable: x ∈/ T ; C(N ) = O(N ).
Cas moyen: x se trouve au milieu du tableau T ; C(N ) = O(N/2)
Re her he séquentielle dans un tableau trié
On re her he la position d'un réel x dans le tableau trié T de taille N .
Fon tion Re her heLinTrie (T : tableau, Nb_elts :entier,

x : réel) : entier
(* Obje tif: Re her he la position de l'élément x dans le tableau trié de
réels T*)
Variable:
i: entier;

Début
Si x < T [1] ou x > T [N ] alors
Re her heLinTrie ← −1
fSi
i ← 1;
Tant que (x > T [i]) faire
i ← i + 1;
fTantque
Si x 6= T [i] alors
Re her heLinTrie ← −1;
Sinon
Re her heLinTrie ← i
fSi
Fin
Cas favorable: x > T [N ] ou x ≤ T [1]; C(N ) = O(1);
Cas défavorable: x ∈/ T et T [N − 1] < x < T [N ]; C(N ) = O(N ).
Cas moyen: x se trouve au milieu du tableau T ; C(N ) = O(N/2)

Re her he di hotomique dans un tableau trié de

taille N
On re her he la position d'un réel x dans le tableau trié T de taille N .
Fon tion Re her heBinTrie (T : tableau, Nb_elts :entier,

x : réel) : entier
(* Obje tif: Re her he la position de l'élément x dans le tableau trié de
réels T par une appro he di hotomique *)
Variable:
indG, indD, mileu: entier;
Début
indG ← 1; IndD ← N ;
Tant que (indG ≤ indD) faire
début
milieu ← div(indG + indD, 2);
Si (x == T [milieu]) alors
Renvoyer(milieu);
fSi
Si (x < T [milieu]) alors
IndD ← milieu − 1;
Sinon
IndG ← milieu + 1;
fSi
n
Renvoyer(-1);
Fin
Cas favorable: x est au milieu de T ; C(N ) = O(1);
Cas défavorable: x ∈/ T ; C(N ) = O(log2 (N )).

Algorithmes de Tri
Le tri onsiste à réarranger une permutation de n objets suivant un

ordre roissant ou dé roissant.
Plusieurs algorithmes de tri:
Tri par séle tion;
Tri par insertion;
Tri bulle;
Tri fusion;
Tri par segmentation (Qui k Sort),...

Tri séle tion d'un tableau de taille N

Prin ipe: Cher her le plus petit (le plus grand) élément et le mettre au
début (à la n). Répéter le pro essus sur le sous ve teur non trié

A l'étape i, on a la onguration suivante:
Une pro édure ommune aux algorithmes de tri: l'é hange de valeurs
Pro édure E hange(Var x,y:réel);
(* Obje tif: é hanger les valeurs de 2 variables réelles x et y;
Paramètres rentrants: x, y initiaux;
Paramètres sortants: x, y permutés;*)
Variable:
aux: réel;
Début (* de E hange*)
aux ← x;
x ← y;
y ← aux;
Fin (* de E hange*)
Pro édure TriSele tion (Var T : tableau, Nb_elts :entier);

(* Obje tif : Tri par ordre roissant d'un ve teur de nombres réels par
séle tion;
Paramètres entrants: T: tableau non trié; Nb_elts: Nbre d'éléments du
tableau T;
Paramètres sortants: T, tableau trié*)
Variable:
i, j, pp: réel;

Début
Pour i = 1(1)N − 1 faire
début
pp ← i;
Pour j = i + 1(1)N faire
début
Si (T [j] < T [pp]) alors
pp ← j ;
fSi
n
Si pp 6= i alors
Echange(T [i], T [pp])
fSi
n
Fin

Tri séle tion d'un tableau de taille N
A l'étape i de la méthode, on ee tue N − i omparaisons et 1

dépla ement. D'où:
N −1 N −1
X X N (N − 1)
C(N ) = N −i= i= = O(N 2 )
2
i=1 i=1
N
X −1
D(N ) = 1 = N − 1 = O(N )
i=1

Tri par insertion d'un tableau de taille N



Variable:
i, j :
entier;
V al :
réel;
Début (* TriInsertion *)
Pour i = 2(1)N faire
début
V al ← T [i];
j ← i;
Tant que j > 1 et (T [j − 1] > V al) faire
début
T [j] ← T [j − 1];
j ← j − 1;
n
T [j] ← V al;
n
Fin (* TriInsertion *)

Cas favorable: Le tableau est trié et à haque étape i, on ee tue 1
omparaison et 0 dépla ement. D'où:
C(N ) = N − 1 = O(N ) et D(N ) = 0
Cas défavorable: Le tableau est trié dans l'ordre inverse. A haque étape,
l'insertion se fait au début de la partie triée: a l'étape i, on ee tue i − 1
omparaisons et i − 1 dépla ements. D'où:
N N −1
X X N (N − 1)
C(N ) = D(N ) = i−1= i= = O(N 2 /2)
i=2 i=1
2
Cas moyen: A haque étape i, l'insertion se fait au milieu de la partie triée.

On ee tue alors i/2 omparaisons et i/2 dépla ements. D'où:
N N −1
X X N (N − 1)
C(N ) = D(N ) ≈ i/2 = i/2 = = O(N 2 /4)
i=2 i=1
4

Tri Bulle d'un tableau de taille N



Début
i ← N − 1;
Flag ← Faux;
Tant que (non Flag) faire
début
Flag ← Vrai;
Pour j = 1(1)i faire
début
Si (T [j] > T [j + 1]) alors
E hange(T[j℄,T[j+1℄);
Flag ← Faux;
fSi
n
i ← i − 1;
n
Fin

Cas favorable: Le tableau est trié et à haque étape i, on ee tue 1
omparaison et 0 dépla ement. D'où:
C(N ) = N − 1 = O(N ) et D(N ) = 0
Cas défavorable: Le tableau est trié dans l'ordre inverse. A haque étape,
le plus grand élément est au début de la partie non triée: a l'étape i, on
ee tue N − i omparaisons et N − i dépla ements. D'où:
N −1 N −2
X X (N − 1)(N − 2)
C(N ) = D(N ) = N −i= i= = O(N 2 /2)
i=2 i=1
2
Cas moyen: A haque étape i, la valeur maximale se trouve à peu près au

milieu de la partie non triée. On ee tue alors (N − i + 1)/2 omparaisons
et (N − i + 1)/2 dépla ements. D'où:
N −1 N −2
X X N (N − 1)
C(N ) = D(N ) ≈ (N −i+1)/2 = (i+1)/2 = = O(N 2 /4)
i=2 i=1
4

Tri Fusion d'un tableau de taille N










TriFusion(T,inf, sup)
Début
Si (inf < sup) alors
milieu ← div(inf+sup,2);
TriFusion (T,inf,milieu);
TriFusion(T,milieu+1,sup);
Fusion1(T,inf,sup,milieu);
fSi
Fin


La fusion de deux tableaux triés de taille k se fait en O(k) omparaison.
On onsidère les notations suivantes:

E( n2 ) si n est impair
⌊n/2⌋ = n
2 sinon
et
E( n2 ) + 1 si n est impair
⌈n/2⌉ = n
2 sinon
on a:
n = ⌊n/2⌋ + ⌈n/2⌉
Ainsi, pour l'algorithme de tri fusion, on a:

N N
C(1) = O(1) et C(N ) = C +C + O(N ); N > 1
2 2

On suppose sans nuire à la généralité que N = 2k (k = log2 (N )). En

remplaçant O(N ) par c.N (c > 0), on obtient:

N N
C(N ) = 2C + c.N = 4C + 2c.N
2 4

N j N
= 8C + 3c.N = ... = 2 C + jc.N
8 2j

k N
= ... = 2 C + kc.N = N C(1) + cN log2 (N )
2k
D'où
C(N ) = O(N log2 (N ))

Tri Rapide d'un tableau de taille N
Prin ipe: Il onsiste à haque étape à hoisir un élément parti ulier

du tableau appelé pivot, et le positionner à sa pla e en partitionnant le
tableau en trois parties: les éléments plus petits que le pivot, le pivot
et les éléments plus grands que le pivot. Dès que le pivot est
positionné, on répète l'opération d'une par sur le sous tableau de
gau he, d'autre par sur le sous tableau à droite.
Le premier élément de la partie à trié est généralement hoisi omme

pivot. Cependant, on peut faire d'autres hoix du pivot, en fon tion
des information disponible sur le tableau à trier




Début
(* Initialisation *)
IGauche ← Ideb + 1;
IDroite ← IF in;
P ivot ← T [IDeb];
(* Partition du Tableau *);
Tant que (IGauche ≤ IDroite ) faire
début
Tant que (IGauche ≤ IF in) et (T [IGauche] < P ivot) faire
début
T [IGauche − 1] ← T [IGauche];
IGauche ← IGauche + 1;
n
Tant que (Idroite ≥ Ideb) et (T [IDroite] ≥ P ivot) faire
début
IDroite ← IDroite − 1;
n
Si (Idroite ≥ Ideb) et (IGauche ≤ Idroite) alors

début
Echange(T [Igauche] T [IDroite]);
IIDroite ← IDroite − 1;
n
n
T [Igauche − 1] ← P ivot;
Si (IDeb < Igauche − 1) alors
début
T riRapide(T, IDeb, IGauche − 2);
n
Si (IF in > IGauche) alors
début
T riRapide(T, IGauche, IF in);
n
Fin


La partition d'un tableau de taille k se fait en c.k opérations où c est
une onstante.
Soit C(N ) le nombre d'opérations ee tuées pour le tri du tableau de
taille N par la méthode du tri rapide. On a:

O(1) si N = 1
C(N ) = Ci (N ) =
C(i − 1) + C(N − i) + c.N si N > 1
où i désigne la position du pivot dans le tableau.

Cas favorable: Le pivot se trouve au milieu de la partie à trier. Alors

N
C(N ) = 2C + cN
2
D'où
C(N ) ≈ O(N log N )
Cas défavorable: Le tableau est trié. Alors

C(N ) = C(N − 1) + cN
D'où
C(N ) = O(N 2 )
Cas moyen: Le pivot peut se trouver à n'importe qu'elle position dans
le tableau et la probabilité pour qu'i se trouve à la position i est de n1 .
Ainsi, en prenant la moyenne des nombres d'opérations Ci (N ) on a:
N N N
!
1 X 1 X X
C(N ) = Ci (N ) = cN + C(i − 1) + C(N − i)
N N
i=1 i=1 i=1

En multipliant membre à membre par N , on obtient:

N
X
N C(N ) = cN 2 + 2 C(i − 1)
i=1
De même pour N > 1, on a:

N
X −1
2
(N − 1)C(N − 1) = c(N − 1) + 2 C(i − 1).
i=1
En soustrayant membre à membre, on a:

N C(N ) − (N − 1)C(N − 1) = c(2N − 1) + 2C(N − 1)
Ainsi
N C(N ) − (N + 1)C(N − 1) = c(2N − 1).

D'où
N C(N ) − (N + 1)C(N ) c(2N − 1)
=
(N + 1)N (N + 1)N
et
(C(N ) C(N − 1) 3 1
− =c − .
N +1 (N ) N +1 N
De pro he en pro he, on montre que pour N ≥ 3,
N
C(N ) C(1) X1 3 1
− =c +c − .
N +1 2 k N +1 2
k=3
Comme
N
X 1
log(N ) ≤ ≤ log(N + 1),
k
k=1
On déduit que
C(N ) = O(N log N )

Résolution de ertaines formules de ré urren e
On onsidère la relation de ré urren e suivante:

T (n) = aT (n/b) + f (n) (1)
où a ≥ 1, b > 1 et f (n) est une fon tion positive à partir d'un ertain rang.
La relation (1) donne le oût d'un algorithme qui résout de manière
ré ursive un problème de taille n en le subdivisant en a sous problème de
taille n/b. La fon tion f (n) omporte le oût de la subdivision et de la
re onstru tion.
Le théorème suivant donne une méthode générale pour déterminer l'ordre
de grandeur de T (n)

Théorème Général (Master Theorem)

Soient a ≥ 1, b > 1 et f (n) une fon tion dénie sur N. Soit T (n) la
fon tion dénie par la ré urren e suivante
T (n) = aT (n/b) + f (n) (2)
où le terme n/b signie soit ⌊n/b⌋, soit ⌈n/b⌉. Alors T (n) possède les
bornes asymptotiques suivantes:
1) Si ∃ε > 0 tel que f (n) = O(nlogb (a)−ε ) , alors T (n) = Θ(nlogb (a) ).
2) Si f (n) = Θ(nlogb (a) ), alors T (n) = Θ(nlogb (a) ln n).
3) si ∃ε > 0 et ∃c < 1 tels que f (n) = Ω(nlogb (a)+ε ) et af (n/b) ≤ cf (n)
pour n assez grand, alors T (n) = Θ(f (n)).
Exemple:
T (n) = 9T (n/3) + n, T (n) = T (2n/3) + 1, T (n) = 3T (n/4) + n ln n

Sommation numériques, Implementation des fon tions usuelles
Outline
3 Complexité de Algorithmes
Dénition
Ordre de grandeur: Notations asymptotiques (O, Θ et Ω)
Cal ul de la omplexité des Algorithmes
Performan e des algorithmes de re her he et de tri

Sommation numériques, Implementation des fon tions usuelles Sommation Numérique
Cal ul appro hé des sommes des séries

numériques onvergentes
On onsidère la série numérique
X
un .
n≥n0
On suppose que ette série est onvergente.

Problème:
Déterminer la somme +∞ X
S= un
n=n0
de ette série.
Sauf pour les as rares dans la pratique, il est di ile de déterminer la
valeur exa te de la somme S . On détermine généralement une
approximation de ette somme par un al ul appro hé.
Étant donné un réel ǫ > 0, le problème de al ul de la valeur

appro hée de la somme S de la série onvergente
X
un .
n≥n0
onsiste à déterminer le rang n ≥ n0 tel que

|Rn | ≤ ǫ
où Rn est le reste d'ordre n de la série. La valeur appro hée de S à ǫ
près est alors donnée par la somme partielle d'ordre n de la série:
n
X
Sn = uk
k=n0
. en eet, on a:

∞
X

|S − Sn | = uk = |Rn | ≤ ǫ.

k=n+1

De façon, pratique on her he à majorer |Rn | par une suite plus

"simple" ρn vériant les propriétés suivantes:
1 ∀n ≥ n0 , |Rn | ≤ ρn ;
2 (ρn → 0) quand (n → +∞) assez rapidement;
3 ∀n ≥ n0 , ρn est "fa ilement" al ulable.
Ainsi,
ρn ≤ ǫ ⇒ |Rn | ≤ ǫ.
On doit her her à majorer |Rn | le plus nement possible (éviter le
plus possible des majorations grossières).
En général, la détermination de la suite ρn (par suite du rang n)
dépend du terme générale de la série et est basée sur le ritère de
onvergen e utilisé.

Cal ul de la valeur appro hée de la série
Après détermination de la suite ρn , le al ul de la valeur appro hée de S se

fait de manière itérative. Deux as de gure peuvent se présenter:
Si l'expression de ρn est assez "simple" et permet de al uler
fa ilement la valeur de n tel que |ρn | ≤ ǫ, alors on détermine
dire tement Sn . On peut par exemple utiliser le s héma d'algorithme
suivant:
Donnée: n0, n;
S ← U (n0);
Pour i = n0 + 1(1)n faire
S ← S + U (i);
Fpour

Cal ul de la valeur appro hée de la série
Dans le as ontraire, on détermine à partir du rang n0 , les

approximation su essives de S , jusqu'à la réalisation de la ondition
|ρn | ≤ ǫ. On peut par exemple utiliser le s héma d'algorithme suivant:
Donnée: n0, ǫ;
S ← U (n0);
i ← n0 + 1;
Tant que ρ(i) > ǫ faire
S ← S + U (i);
i + 1;
FTantque

Lorsque la série de terme général (un ) vérie les hypothèses du ritère

des séries alternées, on a la majoration suivante du reste d'ordre n:
|Rn | ≤ |un+1 |
Ainsi, on prend ρn = |un+1 |

Exemple:
X+∞ (−1)−n
S= à 10−3 près
n=1
n
Il sut que ≤ 1
n+1 , ie n > 999. Ainsi, S999 donne une valeur
10−3
appro hée de S à 10 près.
−3

Lorsque la série de terme général (un ) vérie les hypothèses du ritère

des séries trigonométrique, on a la majoration suivante du reste
d'ordre N :
|uN +1 |
|RN | ≤
| sin(θ/2)|
Ainsi, on prend ρn = |un+1 |
Exemple:
X+∞ cos(n/10)
S= √ à 10−5 près
n=1
n

Si la série de terme générale un onverge par la règle de Cau hy, alors on a:

p
n
lim |un | = L < 1
n←+∞
D'où, pour toute valeur λ telle que L < λ < 1, il existe Nλ ∈ N tel que
√
n > Nλ ⇒ n
un ≤ λ.
Il existe don un rang N et un réel rN tel que

n
n > N ⇒ |un | ≤ rN
On obtient alors la majoration suivante de |RN |:

(rN )(N +1)
|RN | ≤ .
1 − rN

Ainsi, on peut poser

(rN )(N +1)
ρN = .
1 − rN
Exemple:
X+∞ 1
S= à 10−7 près
nn
n=1

Si la série de terme générale un onverge par la règle de d'Alembert, alors

on a:
un+1
lim =L<1
n←+∞ un
D'où, pour toute valeur λ telle que L < λ < 1, il existe Nλ ∈ N tel que

un+1
n > Nλ ⇒
≤ λ.
un
Il existe don un rang N et un réel rN tel que

n > N ⇒ |un+1 | ≤ rN |un |
On obtient alors la majoration suivante de |RN |:

|u(N +1) |
|RN | ≤ .
1 − rN

Ainsi, on peut poser

|u(N +1) |
ρN = .
1 − rN
Exemple:
X+∞ n!nn
S= à 5.10−10 près
n=1
(2n)!

Appli ation au al ul de ertaines intégrales

Soit f une fon tion bornée sur [a, b] ⊂ R. on désire déterminer une
approximation à ǫ près de l'intégrale
Z b
I= f (x)dx.
a
On suppose que:
1 f est la somme d'une série de fon tions de terme général (fn )n≥n0
dénie sur [a, b]:
+∞
X
∀x ∈ [a, b], f (x) = fn (x).
n=n0
2 Les fon tions fn (n ≥ n0 sont intégrables sur [a, b].

La série de fon tion fn onverge uniformément sur [a, b] vers f .
P
3
n≥n0

Alors d'après le Théorème d'Intégration Terme à Terme, on a:

Z b Z +∞
b X +∞ Z
X b +∞
X
I= f (x)dx = ( fn (x))dx = fn (x)dx = an = A,
a a n=n0 n=n0 a n=n0
où Z b
an = fn (x)dx.
a
Ainsi, déterminer une approximation de I à ǫ près, revient à
déterminer une approximation de A à ǫ près.

Sommation numériques, Implementation des fon tions usuelles Développement de Taylor
Développement de Taylor
Soit f ∈ C n ([a, b]). On suppose que f (n+1) existe sur ]a, b[. Soit
x0 ∈ [a, b]. Alors pour tout x ∈ [a, b], il existe ξx ompris entre x et x0 tel
que
n
X (x − x0 )k (x − x0 )n+1
f (x) = f (x0 ) + f (k) (x0 ) + f (n+1) (ξx ) (3)
k! (n + 1)!
k=1
| {z } | {z }
Rn f (x)
Pn f (x)
La relation (3) dénit le développement de Taylor à l'ordre n de la

fon tion f au voisinage de x0 sur [a, b].
Pn f est la partie prin ipale du développement de Taylor (polynme de
Taylor) à l'ordre n de la fon tion f au voisinage de x0 sur [a, b].
La fon tion Rn f dénit le reste d'ordre n du développement de Taylor
de la fon tion f au voisinage de x0 sur [a, b].
Lorsque x0 = 0, on obtient alors le développement de M Laurin de la
fon tion f .
Notion d'Erreur d'Approximation.

Soit x0 ∈ [a, b] xé. On suppose que la fon tion f admet un
développement de Taylor à l'ordre n au voisinage de x0 sur [a, b]. On
ee tue l'approximation suivante
f (x) ≈ Pn f (x), x ∈]a, b[ (4)
On a
(x − x0 )n+1
f (x) − Pn f (x) = Rn f (x) = f (n+1) (ξx ) , (5)
(n + 1)!
où ξx ∈ (x, x0 ). Ainsi,

(x − x0 )n+1
(6)
(n+1)
|f (x) − Pn f (x)| = f
(ξx )
(n + 1)!
Si f (n+1) est bornée sur ]a, b[, alors

∃Mn+1 > 0, |f (n+1) (ξx )| ≤ Mn+1 .
Notion Erreur d'Approximation (Suite).

On a la majoration suivante de l'erreur d'approximation:

(x − x0 )n+1 n+1
|f (x) − Pn f (x)| ≤ Mn+1
≤ Mn+1 (b − a) (7)
(n + 1)! (n + 1)!
En posant h = x − x0 , on a:
hn+1
En (h) = f (x) − Pn f (x) = f (n+1) (ξx ) . (8)
(n + 1)!
Si f (n+1) est bornée sur ]a, b[,

(9)

En (h) = O hn+1
On dit alors que l'approximation de f (x) par Pn f (x) est d'ordre n + 1 au

voisinage de x0 .
Exemple 1: On onsidère la fon tion dénie sur R par f (x) = cos(x).

1 Donner une approximation de f au voisinage de 0 pour n = 3.
2 Utiliser ette approximation pour obtenir des valeurs appro hées de

cos(0.01), cos(0.05), cos(0.1), cos(1).
3 Donner une majoration de l'erreur d'approximation dans haque as.
Au voisinage de 0 on a en utilisant le développement de Taylor à l'ordre 3

de la fon tion cos x: 2 x
cos x ≈ 1 −
2
Sur l'intervalle [0, 1], la majoration de la dérivée d'ordre 4 de ette fon tion
est M4 = 1. D'où, l'erreur d'approximation est majorée par
E4 = 24 1
≈ 0.0416666.
x P3 (x) cos x Erreur

0.01 0.99995 0.999950000416665 4.16665257851889e-10
0.05 0.99875 0.998750260394966 2.60394966256072e-7
0.1 0.995 0.995004165278026 4.16527802571398e-6
1 0.5 0.54030230586814 0.0403023058681398
P ✭①✡
✸
✵ ✠✆ ❝☛☞ ✭①✡
✵ ✠
✵ ✟✆
✵ ✟
✵ ✞✆
✵ ✞
✵ ✝✆
✵ ✝
✵ ✆✆
✵ ✆
✵ ✵ ✁ ✵ ✂ ✵ ✄ ✵ ☎ ✵ ✆ ✵ ✝ ✵ ✞ ✵ ✟ ✵ ✠ ✁
①

Exemple 2: On onsidère la fon tion dénie sur R∗+ par f (x) = ln(x).
1 Donner une approximation de f au voisinage de 1 pour n = 3.
2 Utiliser ette approximation pour obtenir des valeurs appro hées de
ln(1.1), ln(1.2), ln(1.3), ln(1.4), ln(1.5).
3 Donner une majoration de l'erreur d'approximation dans haque as.
Au voisinage de 0 on a en utilisant le développement de Taylor à l'ordre 3
de la fon tion cos x:
(x − 1)2 (x − 1)3
ln x ≈ (x − 1) − +
2 3
Sur l'intervalle [1, 1.5], la majoration de la dérivée d'ordre 4 de ette
fon tion est M4 = 6. D'où, l'erreur d'approximation est majorée par
E4 = 64 1
≈ 0.015625.
x P3 (x) ln x Erreur
1.1 0.095333 0.09531 -2.3154e-5
1.2 0.18267 0.18232 -0.00034511
1.3 0.264 0.26236 -0.0016357
1.4 0.34133 0.33647 -0.0048611
1.5 0.41667 0.40547 -0.011202
✁ ✆✂
✁ ✆
✁ ☎✂
✁ ☎
✁ ✄✂ P ✭①✝
✸
❧✞✟✭①✝
✁ ✄
✁ ✶✂
✁ ✶
✁ ✁✂
✁
✶ ✶ ✁✂ ✶ ✶ ✶ ✶✂ ✶ ✄ ✶ ✄✂ ✶ ☎ ✶ ☎✂ ✶ ✆ ✶ ✆✂ ✶ ✂
①

Appli ations: exp(x), os(x), sin(x)
Théorème 1:
Soit f : R → R+ une fon tion vériant f ′ = f et f (0) = 1. Alors ∀x ∈ R,
+∞ k
X x
f (x) = = exp(x).
k!
k=0
Théorème 2:
Soient f, g : R → [−1, 1] deux fon tions vériant f ′ = g et g′ = −f ainsi
que f (0) = 0 et g(0) = 1. Alors ∀x ∈ R,
+∞ +∞
X (−1)k 2k+1 X (−1)k 2k
f (x) = x = sin(x) et g(x) = x = cos(x).
(2k + 1)! (2k)!
k=0 k=0

Sommation numériques, Implementation des fon tions usuelles Implémentation des fon tions usuelles
Dénition
On appelle série entière, toute série de fon tion de la forme:
X X
an (z − z0 )n = an Z n
n≥0 n≥0
où (an ) est une suite de s alaire et Z = z − z0 .
Rayon de onvergen e
On appelle rayon de onvergen e de la série entière an Z n , le réel
P
n≥n0
positif
P Rc vériant les propriétés suivantes:
• Pn≥0 an Z n onverge pour |Z| < Rc ;
• n≥0 an Z n diverge pour |Z| > Rc ;
Le rayon de onvergen e de la série entière an Z n est déterminé par

P
n≥n0
la formule d'Hadamard suivante:
1 p
= lim sup n |an |
Rc n→+∞

Rayon de onvergen e: Critère de d'Alembert

Si la série entière n≥0 an Z n est telle que pour n assez grand on a an 6= 0
P
et si la suite (|an+1 |/|an |) admet une limite L ∈ [0, +∞] alors son rayon de
onvergen e est donné par :
1
Rc =
L
Exemple
X z k X (−1)k X
; z 2k+1 ; k!z k
k! (2k + 1)!
Le disque entré en z0 et de rayon Rc > 0

D(z0 , Rc ) = {z ∈ C, |Z| = |z − z0 | < Rc }
est appelé disque ouvert de onvergen e de la série an Z n .

P
n≥0

Soit La série entière an Z n de rayon de onvergen e Rc > 0.

P
n≥0
n≥0 an Z onverge absolument sur son disque ouvert de

P n
onvergen e D(z0 , Rc ).
Soit r un réel tel que 0 < r < Rc . La série an Z n onverge
P
n≥0
normalement sur le disque D(z0 , r)
Ainsi, on peut dénir sur D(z0 , Rc ) la fon tion
+∞
X
f (z) = ak (z − z0 )k
k=0
.
La fon tion f est dérivable à tous les ordres sur D(z0 , Rc ) et on a:
+∞ +∞
X (n + k)! X n!
f (k) (z) = an+k (z − z0 )n = an (z − z0 )(n−k)
n=0
n! (n − k)!
n=k

Appli ations: Implémenter exp(x)
Obje tif : Appro her f (x) = exp(x) à 10−20 près ave x ∈ [0, 1].
Méthode: Pour tout x ∈] − 11[, on a En utilisant le développement de Taylor de
la fon tion f au voisinage de x0 = 0, on a l'approximation suivante:
n
X xk
f (x) = Pn (x) = .
k!
k=0
L'erreur d'approximation est donnée par:

f (n+1) (ξ)
Rn (x) = (x − x0 )n+1 , ξ ∈ (x0 , x).
(n + 1)!
Ainsi, on a la majoration suivante:
exp(ξ) 3
|Rn (x)| = |x|n+1 ≤ .
(n + 1)! (n + 1)!
Il sut de déterminer n tel que (n+1)!
3
≤ 10−20 . De pro he en pro he, on trouve
que n = 21 onvient.
Pour x ∈ [0, 1] l'approximation de exp(x) est déterminer en appliquant la
méthode de Horner à Pn (x).
Implémentation:Pour x ∈ [0, 1] l'approximation de exp(x) est déterminer

en appliquant la méthode de Horner à Pn (x).
n
X xk x x x x
= ··· +1 +1 + 1 ··· +1
k! n n−1 n−2 1
k=0
Considérons maintenant le as ou on souhaiterai obtenir une approximation

de exp(x) ave une erreur relative de ε = 10−14 , pour x ∈ [−106 , 106 .
Ce i revient a determiner n tel que |Rn (x)|/ exp(x) < ε ie
|x|n+1
<ε
(n + 1)!
Pour x = 106 , il faudra prendre n ≫ 106 . Ce qui n'est pas pratique.

Appli ations: Implémenter exp(x)
Une alternative serait d'utiliser l'appro he suivante (Redu tion de

l'argument):
1 Pour x ∈ [0, 1], utiliser le développement de Taylor pour al uler une
valeur appro hée de exp(x) ave une pre ision de 10−20 ;
2 Pour x ∈]1, 2], trouver t ∈ [1/2, 1] tel que x = 2t, puis al uler
exp(x) = exp(t)2 ;
3 Pour x ∈]1, 106 ], trouver t ∈ [1/2, 1] et k ∈ {1, 2, · · · , 20} tels que
x = t2k , puis al uler exp(x) = [exp(t)]2 ;

k
4 Pour x < 0, utiliser la formule exp(x) =

exp(−x) .
1
Le al ul de [exp(t)]2k revient a élever k fois au arré. Chaque fois l'erreur

relative est multipliée par 2, don tout au plus par 220 = 1048576 ≈ 106

✆✁
✶✵
P ✭✡☛
✟✠
✆
✶✵ ☞✡✌✭✡☛
☎✁
✶✵
☎
✶✵
✄✁
✞ ✶✵
✝
❡
✄
✶✵
✂✁
✶✵
✂
✶✵
✁
✶✵
✶✵
✵ ✶✵ ✷✵ ✸✵ ✹✵ ✺✵ ✻✵ ✼✵ ✽✵ ✾✵ ✶✵✵
①

✆
✶
P✡☛✭☞✌
✼ ✍☞✎✭☞✌
✶
☎
✶
✺
✶
✠
✝✟ ✶ ✄
✞
✝
❡
✸
✶
✂
✶
✁
✶
✵
✶
✷ ✹ ✻ ✽ ✶ ✶✷ ✶✹ ✶✻ ✶✽
①

Appli ations: Implémenter ln(x)

Obje tif: Appro her f (x) = ln(1 + x) où x ∈ [− 21 , 21 ] à 10−20 près
Méthode: En utilisant le développement de Taylor de la fon tion f au
voisinage de x0 = 0.
Pour tout x ∈] − 1, 1[, on a
+∞
X (−1)k+1
f (x) = xk .
k
k=1
Ainsi, une approximation de f (x) peut être donnée par:

n
X (−1)k+1
Pn (x) = xk .
k
k=1
L'erreur d'approximation est donnée par:

+∞
X (−1)k+1 k
Rn (x) = x .
k
k=n+1


Ainsi, on a la majoration suivante:
+∞ +∞
X (−1)k+1 X |xk |
xk ≤

|Rn (x)| = .
k k
k=n+1 k=n+1
Ainsi, pour |x| ≤ 12 , On a

+∞ k
X 1
|Rn (x)| ≤ = 2−n .
2
k=n+1
Il sut de déterminer n tel que 2−n ≤ 10−20 . De pro he en pro he, on

trouve que n = 67 onvient.
Remarque: Pour |x| pro he de 1, ette méthode devient lente. Par
exemple, si x = 1, on +∞ (−1)k+1
onverge vers ln(2) tres lentement. Il
P
k=1 k
faut 106 iterations pour obtenir une approximation de ln(2) a 10−6 pres.

Une autre appro he onsiste a utiliser le développement sur ] − 1, 1[ de la
fon tion
+∞ +∞ k
1+t X (−1)k+1 k
X t
g(t) = ln = ln(1 + t) − ln(1 − t) = t + .
1−t k k
k=1 k=1
Ainsi, on +∞ 2k+1
1+t X t
ln =2
1−t 2k + 1
k=0
La onvergen e de ette série est semblable a elle d'une série géométrique

pour |t| < 1.
Exemple: Determiner n permettant d'obtenir une approximation de ln(2)
a 10−20 pres.
Ave t ∈ [0, 13 ], on peut al uler assez rapidement une bonne approximation
de ln(x) pour x ∈ [1, 2].
Plus généralement, on pourra utiliser l'appro he de redu tion de l'argument

suivante pour determiner une bonne approximation de ln(x), x > 0.
Pour x ∈ [1, 2], trouver t ∈ [0, 13 ] tel que x = 1−t
1+t
, puis utiliser le
développement pre edent;
Pour x > 2, trouver un entier k tel que 2xk ∈ [1, 2] puis determiner une
approximation de ln(x) = ln 2k + k ln(2);
x

Pour 0 < x < 1, on applique la formule ln(x) = − ln x1


Représentation des Nombres
Outline
4 Sommation numériques, Implementation des fon tions usuelles

Sommation Numérique
Préliminaires
Convergen e par le ritère des séries alternées
Convergen e par le Critère des Séries Trigonométrique
Convergen e par la Règle de Cau hy
Convergen e par la Règle de d'Alembert
Appli ation au al ul de ertaines intégrales
Développement de Taylor
Implémentation des fon tions usuelles
Séries entière
La fon tion Exponentielle
La fon tion Logarithme

Représentation des Nombres
A Title
Don't mess with my text.

Introdu tion à Matlab
Outline
5 Représentation des Nombres, al ul exa t vs al ul appro hé;

Introdu tion à Matlab Généralité
Introdu tion
MATLAB = MAtrix LABoratory.

Logi iel de Cal ul S ientique en développement depuis le début des
années 80;
Initialement onçu pour fa iliter les opérations de al ul matri iel
Est aujourd'hui un outils assez puissant de al ul numérique
omportant plusieurs TOOLBOX
Les objets de base de Matlab sont les matri es: « omprend tout
omme matri e et/ou tableau »
Un langage interprété

Environnement
Lan ement

Environnement
A euil

Environnement
Aide sous Matlab:

>> help % affi he l'aide de Matlab
>> help « mot lé » % affi he laide Matlab à propos d

Les diérentes sour es d'erreurs
Outline
6 Introdu tion à Matlab

Généralités

Implementation des fon tions usuelles
Outline
7 Les diérentes sour es d'erreurs

Arithmétique des polynmes
Outline
8 Implementation des fon tions usuelles (Développement de Taylor, sé

Cal ul matri iel, systèmes d'équations linéaires
Outline
9 Arithmétique des polynmes

• On onsidère dans e hapitre la résolution numérique du système

Ax = b, (10)
où A = (aij )1≤i,j≤n ∈ Cn×n et b = (bi )1≤i≤n ∈ Cn sont donnés,
x = (xi )1≤i≤n ∈ Cn est le ve teur in onnu.
• La solution du SEL (10) joue un rle important dans la resolution de
plusieurs problèmes en s ien es et en ingénierie.
• On distingue deux atégories de méthodes numériques pour la résolution
des systèmes d'équations linéaires :
1 les méthodes dire tes qui permettent d'obtenir la solution exa te
(lorsque l'inuen e des erreurs d'arrondi est négligeable) après un
nombre ni d'opérations,
2 les méthodes itératives qui permettent d'obtenir à partir d'une
approximation initiale, des approximations de plus en plus " pro he "
(dans le sens d'une norme donnée) de la solution exa te du système
(lorsque la méthode onverge). Dans e as on arrête le pro essus
après un nombre maximal d'itération donné et/ou une ertaine
pré ision xée.
• On s'interesse dans e hapitre aux méthodes dire tes de résolution du

SEL (10).
• On suppose dans la suite que la matri e A du SEL (10) est inversible ie
det(A) 6= 0. On dit alors que le SEL (10) est de Cramer.
• Une méthode de résolution du SEL (10) est la méthode de Cramer qui
pro ède omme suit:
det(Ai )
xi = , i = 1, 2, · · · , n (11)
det(A)
où Ai est la matri e obtenue de A en remplaçant la olonne i de A par le

ve teur b.
• Coût de la méthode de Cramer:
La méthode de Cramer né essite le al ul de n + 1 déterminant d'ordre n.
or le out de al ul d'un determinant d'ordre n est un O(nn!). D'où le
oût de la méthode de Cramer est: O((n + 1)nn!).

• Lorsque n = 20, en utilisant un ordinateur fon tionnant à 109 flops, il

faut environ t = 1.2 × 1012 s soit environ 32420 annees pour résoudre le
SEL (10).
Impossible d'utiliser la méthode de Cramer dans la pratique.
• Le prin ipe des méthodes dire tes onsiste à transformer le SEL (10) en
un SEL fa ile a résoudre.

Cal ul matri iel, systèmes d'équations linéaires Systèmes Fa iles à Résoudre
Systèmes Fa iles à Résoudre

1- A est triangulaire
1.a- A est sup-triangulaire
Le SEL (10) est de la forme :
    
a11 a12 · · a1n x1 b1
 a22 · · a2n  x2   b2 
(12)
    

 · · · 
 · =
  · 

 an−1n−1 an−1n  xn−1   bn−1 
ann xn bn
• La matri e A étant inversible, on a aii 6= 0 (1 ≤ i ≤ n). Pour résoudre le

système (12), on ommen e par al uler l'in onnu xn ; en remplaçant xn
par sa valeur dans l'équation n − 1, On al ule xn−1 . On réitère le
pro essus pour al uler xn−2 , xn−3 , · · · , x2 , x1 .

En eet, on a:
bn
xn = ,
ann
bn−1 − an−1n xn
xn−1 = ,
an−1n−1
bn−1 − an−2n−1 xn−1 − an−2n xn
xn−2 =
an−2n−2
D'une manière générale, on a la méthode de la Remontée suivante:
 bn
 xn = ann
 x k = bk −
n
P
akj xj

akk ; k = n − 1, n − 2, ..., 1
(13)
j=k+1

1.b- A est Inf-triangulaire

En pro édant omme pré édemment, on obtient la méthode de la
Des ente suivante:

b1
 x1 =
 a11
k−1
P (14)
 x k = bk −
 akj xj akk ; k = 2, 3, ..., n
j=1
1. - Coût des méthodes de la Remontée et de la Des ente

Lemme
La résolution d'un système d'équations linéaires triangulaire se fait en n2
opérations a virgule ottante.

2- A = LU ave L Inf-triangulaire et U Sup-triangulaire

On a alors:

Ly = b (1)
Ax = b ⇐⇒ LU x = b ⇐⇒
U x = y (2)
On résout d'abord le système (1) par la méthode de la des ente, puis on

résout le système (2) par la méthode de la remontée.
• Le oût de la méthode est 2n2

3- A = QR ave Q orthogonale (Q−1 = Qt ) et R Sup-triangulaire

On a alors:

Qy = b (1)
Ax = b ⇐⇒ QRx = b ⇐⇒
Rx = y (2)
On détermine y = Qt b, puis puis on résout le système (2) par la méthode

de la remontée. Le al ul de y s'ee tue omme suit: si Q = (qi j), alors
on a n X
yi = qji bj , i = 1, 2, · · · , n
j=1
• Le oût de la méthode est 3n2 − n

Méthodes Dire tes

L'idée générale des méthodes dire tes de résolution du système
Ax = b (15)
onsiste à le transformer en un système équivalent de la forme
Bx = b′ (16)
"fa ile à résoudre" ( où la matri e B est : diagonale, triangulaire, produit
de matri es triangulaires ou d'une matri e triangulaire et d'une matri e
orthogonale). La matri e B dépend de A et le ve teur b′ dépend de b et où
A. Les méthodes présentées i-dessous dé rivent les pro essus d'obtention
de la matri e B et du ve teur b′ .

Cal ul matri iel, systèmes d'équations linéaires Méthodes de Gauss
Méthodes d'élimination de Gauss

La méthode dire te de Gauss onsiste à:
transformer le système (15) en un système équivalent dont la matri e
est triangulaire supérieure;
Résoudre le système triangulaire est obtenu par la méthode de la
remontée.
On a deux en deux grandes étapes :
1 la triangularisation du système qui s'opère en ee tuant des
opérations élémentaires (é hange et addition) sur les linges de la
matri e augmentée du système (15);
2 la résolution du système triangulaire obtenu.

On a le s héma d'algorithme suivant :

1ere étape : triangularisation du système.
A(1) = A
b(1) = b
k
= 1, 2, ...., n − 1 :
(k+1) (k)


 aij = aij ; i = 1, ..., k; j = 1, ...n

 (k+1)


 aij = 0; i = k + 1, ..., n; j = 1, ...k
 (k)
(17)

 Si akk = 0, Rechercher et positionner le P ivot finSin



 (k)
(k+1) (k) a (k)
aij = aij − ik a ; i = k + 1, ..., n; j = k + 1, ...n
(k) kj


 akk

 (k+1) (k)


 bi = bi ; i = 1, ..., k

 (k)

 (k+1) (k) aik (k)
 bi = bi − (k) bk ; i = k + 1, ..., n


akk

2eme étape : résolution du système triangulaire supérieure :

A(n) x = b(n)
(n)
bn
xn = (n)
ann
(n)
n
P (n)
(18)
bi − aij
j=i+1
xi = (n)
i = n − 1, ..., 1
aii
Coût de la méthode de Gauss

Le oût est évalué en nombre d'opérations élémentaires né essaires pour le
al ul de la solution.

1 Le al ul des oe ients a(k) ij (k = 1, 2, · · · , n;

i, j = k + 1, k + 2, · · · , n) par la formule () né essite :
n−1
divisions;
P n(n−1)
(n − k) = 1 + 2 + ... + (n − 1) = 2
k=1
n−1
multipli ations.
P n(n−1)(2n−1)
(n − k)2 = 6
k=1
n−1
additions.
P n(n−1)(2n−1)
(n − k)2 = 6
k=1
2 Le al ul des b(k)
i né essite
n divisions;
n−1
multipli ations.
P n(n−1)
(n − k) = 2
k=1
n−1
additions.
P n(n−1)
(n − k) = 2
k=1

Au bilan, la phase d'élimination né essite de l'ordre de 2n3 3 opérations

arithmétiques élémentaires. La phase de substitution né essite n2
opérations arithmétiques élémentaires.

Cal ul matri iel, systèmes d'équations linéaires Méthodes de Choleski ( Fa torisation LLt )
Méthodes de Choleski ( Fa torisation LLt )

La méthode de CHOLESKI pour la résolution du système (15) onsiste à la
fa torisation de la matri e A, lorsqu'elle est symétrique et dénie
positive, sous la forme :
A = LLt (19)
où L est une matri e triangulaire inférieure inversible ( onstruite par
identi ation), et Lt la matri e transposée de L.
Ainsi, le système (15) s'é rit :
LLt x = b. (20)

Si on pose :
Lt x = y, (21)
on résout d'abord :
Ly = b (22)
par la méthode de la des ente (puisque L est triangulaire inférieure) et
ensuite
Lt x = y, (23)
par la méthode de la remontée (la matri e étant triangulaire supérieure).
La méthode de Choleski pro ède en trois étapes :

1ere étape : Cal ul des oe ients de la matri e L

s 
i−1
P 
L2ik

Lii = aii − 


k=1
i−1
! , i = 1, ..., n (24)
1 X 

Lji = aij − Lik Ljk , j = i + 1, ..., n 

Lii 
k=1
2eme étape: Résolution du système triangulaire inférieur Ly = b

b1
y1 =
L11
(25)
i−1

P
bi − Lik yk
k=1
yi = , i = 2, ..., n
Lii

3eme étape: Résolution du système triangulaire supérieure Lt x = y

yn
xn =
Lnn !
yi −
n
P
Lji xj (26)
j=i+1
xi = , i = n − 1, ..., 1
Lii
Nombre d'opérations
La méthode de CHOLESKI requiert environ n6 additions, n6
3 3
multipli ations et n extra tions de ra ines arrées ; il y a don

avantage à utiliser Choleski par rapport à Gauss lorsque la matri e
des oe ients du système est symétrique et dénie positive, de
plus ette dé omposition est stable.

Interpolation de Lagrange, approximation polynomiale
Outline
10 Cal ul matri iel, systèmes d'équations linéaires

Systèmes Fa iles à Résoudre
Méthodes de Gauss
Méthodes de Choleski ( Fa torisation LLt)

Intégration numérique
Outline
11 Interpolation de Lagrange, approximation polynomiale

Méthodes itératives
Outline
12 Intégration numérique : méthodes de re tangles, trapèzes, Simpson

2020 ENSP MSP Niv2 INF222 INFO4 Cours

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

2020 ENSP MSP Niv2 INF222 INFO4 Cours

Transféré par

Droits d'auteur :

Formats disponibles

INFORMATIQUE 4:

Mar h 19, 2020

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 1 / 173

1 Obje tifs du ours

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 2 / 173

Introdu tion à l'élaboration et l'étude des algorithmes pour la

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 3 / 173

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 6 / 173

Langage d'Expression Algorithmique (LEA)

L'ordinateur présente l'avantage d'exé uter beau oup de traitements

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 7 / 173

Langage d'Expression Algorithmique (Suite)

Il existe un nombre élevé de langage de programmation, présentant

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 8 / 173

Étapes d'un algorithme

Étapes d'un algorithme (suite)

É rire l'algorithme: Dé rire de manière détaillée les diérentes

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 10 / 173

Quelques dénitions du mot algorithme

Propriétés d'un algorithme

Les omposants du LEA

Les Objets Élémentaires: Constantes et Variables

Classi ation de types de données

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 15 / 173

Les Eléments de base

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 16 / 173

Les Eléments de base: Opérateurs

Les Eléments de base: Opérateurs (suite)

Nom Symbole Exemple

Opérateur d'ae tation Nom Symbole Exemple

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 18 / 173

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 19 / 173

Priorité des opérations

En as de priorité de même niveau, les opérations s'ee tuent de la

Les Instru tions d'un algorithme

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 21 / 173

Les Instru tions de dé laration

Elles se trouvent dans la partie dé larative et permettent de:

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 22 / 173

Dé laration des onstantes

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 23 / 173

Dénition de Types auxiliaires

Dé laration des Variables

Instru tions de base

Elles sont onstituées des:

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 26 / 173

Instru tions d'ae tation:

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 27 / 173

Instru tions de le ture et é riture:

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 28 / 173

Instru tions de stru turation ou stru turées

Elle sont onstituées des:

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 29 / 173

Blo k d'instru tions

Instru tions répétitives: Bou le "Pour"

Instru tions répétitives: Bou le "Tant Que"

Instru tions répétitives: Bou le "Répéter ...

Instru tions onditionnelles: Alternative Simple

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 34 / 173

Instru tions onditionnelles: Alternative Complète

Q: Que fait e mor eau d'algorithme?

Instru tions onditionnelles: Choix Multiple

j. Tagoudjeu (ENSP) INFORMATIQUE 4 Mar h 19, 2020 36 / 173

É rire l'algorithme: Dé rire de manière détaillée les diérentes

Quelques dénitions du mot algorithme

Classi ation de types de données

Opérateur d'ae tation Nom Symbole Exemple

En as de priorité de même niveau, les opérations s'ee tuent de la

Dénition de Types auxiliaires

Instru tions d'ae tation:

Manipulation des hier en LEA

Dénition: Algorithmes Ré ursifs