Vous êtes sur la page 1sur 54

Interpolation, intégration,

dérivation polynomiale

http://www.fast.u-psud.fr/~kasperski/enseignement/M1PAM/
Interpolation: on connaît la valeur d’une fonction f(x) sur un
ensemble de points {xi , i = 0, N } dit support d’interpolation:
f ( xi ) = f i
f0

fN
fi

x0 ………….. xi X
………….. xN

On veut évaluer f en un point X non compris dans le support


mais tel que: X ∈ [min ( xi ), max ( xi )]
i i

… Sinon : extrapolation 2
Représentation discrète d’une fonction continue

Maillage de la solution

La fonction est connue aux points de maillage, mais on en fait


quoi ?
3
Représentation discrète d’une fonction continue
Décomposition Fourier

Utilisation
d’une
Base de
fonctions

Décomposition polynomiale
N
polynôme : p(x) = ∑ a i x i
i =0

Pas simple à mettre en œuvre, mais peut présenter des avantages. 4


Approches de base 1D : approximation constante.

Choix arbitraire : valeur à gauche.

xi x
Support
δxi
Analyse de précision d’une interpolation en raisonnement asymptotique δx << 1
f ( x) ≈ f ( xi ) + δxf ' ( xi ) < f ( xi ) + δxi f ' ( xi )
L’erreur décroit comme δx : l’interpolation est d’ordre 1. Vérification Matlab

Ordre d’une approximation : si l’erreur effectuée sur une valeur décroit comme
δxp, alors l’évaluation est d’ordre p.
5
Approches de base 1D : approximation linéaire.

Observation de l’évolution de l’erreur sous Matlab.

6
Approches de base 1D : approximation parabolique.

Observation de l’évolution de l’erreur sous Matlab

Solution envisageable : augmenter indéfiniment l’ordre de l’approximation


polynomiale.

7
Polynôme de Lagrange :

Sur un support à n+1 points, il existe un seul polynôme de degré


n passant par tous les points du support: le polynôme de Lagrange

Calcul: - résolution du système linéaire suivant:


P ( x0 ) = f 0  1 x0 x 20 ... x 0n   a0   f 0 
 
P( x1 ) = f1  1 x x 2
... x1n   a1   f1 

1 1  = 
... ... ... ... ... ...   ...   ... 
 n 
P ( xn ) = f n  1 x n x 2
n
... x n  an   f n 
- formule de Lagrange:
n n
x − xk
P( x) = ∑ f i li ( x), avec li ( x) = ∏
i =0 k = 0 xi − xk
k ≠i
En effet : li ( x j ) = δ ij
O (4n 2 ) opérations Utilisée dans le programme : long. 8
Formule barycentrique
n n
On pose v( x) = ∏ ( x − x j ) ⇒ v' ( xk ) = ∏ ( xk − x j )
j =0 j =0
j≠k
v( x)
donc lk ( x) =
( x − xk ) v ' ( x k )
n n
f k v( x) fk
P( x) = ∑ = v( x)∑
k = 0 ( x − xk ) v ' ( xk ) k = 0 ( x − xk ) v ' ( xk )
n n
1
Pour f ( x) = 1, P( x) = ∑ lk ( x) = v( x)∑ =1
k =0 k = 0 ( x − x k ) v ' ( xk )

n
fk
∑ ( x − xk ) v ' ( xk ) O(n) opérations si on a
P( x) = k =n 0
1 stocké les v ' ( xk )

k = 0 ( x − xk ) v ' ( xk )
9
Algorithme de Aitken: construction progressive de
la valeur interpolée.

Soit Q(x) le polynôme construit sur {x0 , x1 ,..., xn−1 , a}

n
gré
Soit R(x) le polynôme construit sur {x0 , x1 ,..., xn−1 , b}

De
1
n+
Le polynôme P(x) construit sur {x0 , x1 ,..., xn−1 , a, b}

gré
De
(b − x)Q( x) − (a − x) R ( x)
S’écrit: P( x) =
b−a
Prise en compte d’un nombre de points croissant
Arrêt des itérations fonction d’un critère de précision
10
Tableau Aitken

Degré des polynômes


0 1 2 j j+1 n
0 P0,0=f(x0) x0-x
1 P0,1=f(x1) P1,1 x1-x
2 P0,2=f(x2) P2,1 P2,2 x2-x
Points pris en compte

3 P0,3=f(x3) P3,1 P3,2 x 3-x

k P0,k=f(xk) Pk,1 Pk,2 Pk,j Pk,j+1

n P0,n=f(xn) Pn,1 Pn,2 Pn,n xn-x

Critère d’arrêt possible.


11
On utilise le polynôme de Lagrange pour prendre en compte un nombre
croissant de points : programme matlab.

Ne fonctionne pas : comportement divergent près des bords.

Fonctionne très bien pour des fonctions périodiques.

Fonctionne si on change les points du support d’une certaine façon.

12
Caractérisation de l’erreur. Soit f ∈ C n +1 [a, b], si a ≤ x0 < x1 < ... < xn ≤ b.

xi points du support, i = 0,.., n.


f ( x) − P( x)
K ( x) =
x ≠ xi , ∀i ( x − x0 )( x − x1 )...( x − xn )

W (t ) = f (t ) − P(t ) − (t − x0 )(t − x1 )...(t − xn ) K ( x) s' annule en x0 , x1 ,..., xn , x.

W s’annule n+2 fois, W’ s’annule n+1 fois, … Wn+1 s’annule une fois en un point
ξ ∈ [x0 , xn ]
W n +1 (t ) = f n +1 (t ) − ( n + 1)! K ( x) W n +1 (ξ ) = f n +1 (ξ ) − (n + 1)! K ( x) = 0

f n +1 (ξ )
K ( x) =
(n + 1)!
( x − x0 )( x − x1 )...( x − xn ) n+1
Erreur d’interpolation : f ( x) − P ( x ) = f (ξ )
(n + 1) !

13
Evaluation de l’erreur d’interpolation

Soit f ∈ C n+1 [a, b], si a ≤ x0 < x1 < ... < xn ≤ b,

alors pour a ≤ min( x, x0 ) < ξ < max( x, x0 ) ≤ b


( x − x0 )( x − x1 )...( x − xn ) n+1
f ( x) − P( x) = f (ξ )
(n + 1) !
choix du support Régularité de la fonction

Effet potentiellement désastreux: support homogène mauvais

Optimisation du support: Utilisation d’un support


Polynômes de Chebyshev restreint: approximation
locale
14
Polynômes de Chebyshev

Tn ( x) = cos(n. arccos( x))


sur [− 1,1]

2
T0 ( x) = 1 T1 ( x) = x 2
T ( x ) = 2 x −1

Tn+1 ( x) = 2 xTn ( x) − Tn−1 ( x)

 2k − 1 
Zéros du polynôme: xk = cos π , k = 1,2,..., n
 2n 
k 
Extrema: x'k = cos π , k = 0,1,..., n et Tn ( x'k ) = (− 1)k
n 
1 son coefficient de plus haut
Polynôme normalisé: Tn = n−1 Tn 15
2 degré vaut 1
Polynômes de Chebyshev

1,5

1 T0(x)
T1(x)
0,5 T2(x)
T n (x)

T3(x)
0
T4(x)
-0,5 T5(x)
T6(x)
-1
T7(x)
-1,5 T8(x)
-1 -0,7 -0,4 -0,1 0,2 0,5 0,8 T9(x)
x 16
Propriété:

Soit En l' ensemble des polynômes de degré n de coefficient


de plus haut degré valant 1 :
∀p ∈ En , max Tn ( x) ≤ max p ( x)
−1≤ x ≤1 −1≤ x ≤1

Au sens de la norme du maximum, Tn est la


meilleure approximation de 0 dans En .

L’utilisation de ses zéros comme support d’interpolation


minimise

( x − x0 )( x − x1 )...( x − xn ) n +1 Tn +1 ( x ) n +1
f ( x ) − P( x ) = f (ξ ) = f (ξ )
(n + 1) ! (n + 1) !
17
Preuve :
Supposons p ( x) un polynôme de degré n de coefficient de plus haut degré égal à 1.

1
Si max p ( x) < max Tn ( x) = n −1
−1≤ x ≤1 −1≤ x ≤1 2

r = Tn − p est un polynôme de degré n − 1 au plus.

r ( x'k ) = Tn ( x'k ) − p ( x'k )=


(− 1)
k

− p( x' ), k = 0,1,..., n
n −1 k
2
r prend des signes alternés sur n+1 points et a donc n zéros. Il est de degré n-1
donc :
r = 0 et p = T n
Ce qui contredit l’hypothèse.

18
Décomposition sur la base Chebyshev.
n n
f ( x) = ∑ fˆiTi ( x) = ∑ fˆi cos(i. arccos( x))
i =0 i =0

But : trouver les coefficients de la décomposition, connaissant la valeur de f


en n+1 points.

Choix possible de points de collocations : les extrema de Tn .


xk = − cos(kπ / n), k = 0, n
n n
f ( xk ) = ∑ fˆiTi ( xk ) = ∑ fˆi cos(i. arccos(− cos(kπ / n)))
i =0 i =0
n n n
=∑ fˆi cos(i. arccos(cos(π − kπ / n))) = ∑ fˆi cos(i.π − ikπ / n) = ∑ fˆi (− 1) cos(ikπ / n)
i

i =0 i =0 i =0

Remarque 1 : le choix des points est important


Remarque 2 : ce choix n’est pas unique
Remarque 3 : je vous expliquerai plus tard pourquoi.

19
 ...      
 f ( x ) =  (−1)i cos(ikπ / n)   fˆ  = T . fˆ 
 k
    i  sp  i 
 ...       

   ...   ... 
 fˆ  = T −1. f ( x ) = T . f ( x )
 i  sp  k
 ps
 k

   ...   ... 

Une fois connu le spectre (coefficient de la décomposition), l’interpolation


en un point x quelconque est calculée en utilisant
n n
f ( x) = ∑ fˆiTi ( x) = ∑ fˆi cos(i. arccos( x))
i =0 i =0

20
Les splines
Interpolation par morceaux avec de bons raccords aux nœuds.

Par exemple, on veut la continuité des dérivées premières et secondes.

Support : [x0 ,x1 ,..., xn ], et hi = xi +1 − xi , i = 0, n − 1

On veut, sur chaque segment définir un polynôme si tel que :

si ( xi ) = f i , i = 0, n Interpolation correcte
si' −1 ( xi ) = si' ( xi ), i = 1, n − 1
'' ''
Continuité aux raccords des dérivées
s ( xi ) = s ( xi ), i = 1, n − 1
i −1 i

On cherche si de degré 3 pour pouvoir ajuster la dérivée seconde.

21
Par interpolation de la dérivée seconde :
'' x −x
''
s ( x) ≈ f i i +1 + f i +'' 1
x − xi ( x − x ) + f '' ( x − xi ) + a ( x − x ) + b ( x − x )
⇒ si ( x) = f i '' i +1
3 3

i i +1 i i +1 i i
hi hi 6hi 6hi

hi2 f h
Conditions : si ( xi ) = f i ⇒ f i ''
+ ai hi = f i ⇒ ai = i − f i '' i
6 hi 6

hi2 f h
si ( xi +1 ) = f i +1 ⇒ f ''
i +1 + bi hi = f i ⇒ bi = i +1 − f i +'' 1 i
6 hi 6

 ( x − x )3
h   ( x − x )3
hi  fi f
''
si ( x) = f i   i +1 i
 ''

− ( xi +1 − x ) + f i +1  i
− ( x − xi ) + ( xi +1 − x ) + i +1 ( x − xi )
 6hi 6   6hi 6  hi hi

22
' '
Il manque le raccord des dérivées premières : si ( xi ) = si −1 ( xi )

 − ( xi +1 − x )2 hi  ''  ( x − xi )
2
h f f
s ( x) = f i 
'
i
''
+  + f i +1  − i  − i + i +1
 2hi 6  2hi 6  hi hi

2hi h f f h 2h f f
− f i '' − f i +'' 1 i − i + i +1 = f i −'' 1 i −1 + f i '' i −1 − i −1 + i
6 6 hi hi 6 6 hi −1 hi −1
f −f f − f i −1 
⇒ hi f i +'' 1 + 2(hi + hi −1 ) f i '' + hi −1 f i −'' 1 = 6 i +1 i − i , i = 1,..., n − 1
 hi hi −1 

En imposant la valeur de f 0'' et de f n'' , on obtient un système de n + 1


équations à n + 1 inconnues permettant le calcul des f i'' .

23
Intégration
Approches naïves.

xi x
δxi

approximations de la fonction :

fonction constante par morceaux


fonction linéaire par morceaux Sujet du TP n°1
fonction parabolique par morceaux 24
Effectuons le changement de variable suivant:
b 1

∫ f ( x)dx = (b − a )∫ f (a + t (b − a ))dt
a 0

Reste à évaluer des intégrales entre 0 et 1.

Approximation du point milieu (ordre 0, approximation constante)

∫ f ( x)dx = f (1 / 2)
0

0 1 2
Approximation linéaire : formule du trapèze

1
f (0) + f (1)

0
f ( x )dx =
2
0 1 2

Approximation parabolique : formule de Simpson

1
f (0) + 4 f (1 / 2) + f (1)

0
f ( x )dx =
6

0 1 2
1 s
 i −1 
Généralisation : formule de Newton-Cotes ∫ f ( x )dx = ∑ bi f  
0 i =1  s −1
pulcherrima et utilissima regula de Newton

Lorsque s augmente, les poids divergent …


Généralisation

b
I ( f ) = ∫ µ ( x) f ( x)dx : µ ( x) connue analytiquement
a

f ( x) connu en n + 1 points xk .
n
But: approcher I(f) par I n ( f ) = ∑ Akn f ( xk )
k =0

Formule de quadrature

29
Quadrature de type interpolation

b
b n

I n ( f ) = ∫ Pn ( x) µ ( x)dx = ∑  ∫ l j ( x) µ ( x)dx  f ( x j )
j =0  a
a
1442443
Anj

b
Erreur : Rn ( f ) = I ( f ) − I n ( f ) = ∫ µ ( x)( f ( x) − Pn ( x) )dx
a

b
( x − x0 )...( x − xn ) n+1
Rn ( f ) = ∫ µ ( x) f (ξ ) dx
a
(n + 1)!

30
Exactitude…relative

Une formule de quadrature est dite exacte sur un ensemble V si


∀f ∈ V , Rn ( f ) = 0

Théorème: Une formule de quadrature à n+1 points est exacte sur


Pn si et seulement si elle est du type interpolation à n+1 points.

31
Si elle est exacte sur Pn:
b n

∫ µ ( x) P( x)dx = ∑
n
Ak P( xk ) pour tout polynôme de Pn
a k =0

b n

∫ µ ( x)l j ( x)dx = ∑
n n
Ak l j ( xk ) = Aj Elle est de type interpolation.
a k =0

Si elle est de type interpolation : P ∈Pn ⇒ P = Pp son polynôme d’interpolation.


b b n

∫ µ ( x) P( x)dx = ∫ µ ( x) Pp ( x)dx =∑
n
Ak P( xk )
a a k =0

Elle est exacte

32
Une formule de quadrature a un degré de précision n si elle est
exacte sur Pn mais pas sur Pn+1.

Les polynômes {1,x,x2,…,xn} forment une base de Pn

Calcul des coefficients de la quadrature:

{1, x, x ,..., x } : base de Pn


2 n

b n
On écrit : ∫ µ ( x) f ( x)dx = ∑ Ain f ( xi ) pour f ( x) = 1, x,.., x n
a i =0

n+1 inconnues n+1 équations


A résoudre
(éventuellement numériquement)
33
Stabilité

n
Une formule de quadrature I n ( f ) = ∑ Akn f ( xk ) sera dite stable si :
k =0
n
∀{ε 0 , ε 1 ,..., ε n }, ∃M indépendante de n / ∑ Aknε k ≤ M max ε k .
k
k =0

Interprétation:
des erreurs sur f ( xk ) ont un effet borné sur l' évaluation de I n ( f )
même lorsque n → ∞

34
Convergence
n
I n ( f ) = ∑ Akn f ( xk ) converge sur un ensemble V si ∀f ∈ V ,
k =0
b
 n n 
lim ∑ Ak f ( xk ) = ∫ µ ( x) f ( x) dx
n→∞
 k =0  a
Soit plus simplement : lim I n ( f ) = I ( f )
n →∞

Théorème: les méthodes de quadrature de type interpolation sont


convergentes sur C[a,b] si et seulement si elles sont stables

35
Intégration sur support homogène compris entre a et b inclus:

i Quadrature instable
xi = a + (b − a ) , i = 0, n
n

Intégration locale sur supports homogènes (méthode des


Rectangles, du trapèze…), méthodes composites
ou
On pose comme inconnues les Anj et les x j
2n+2 inconnues, possibilité d’imposer l’exactitude sur P2n+1
Développement math.: retour aux polynômes de Chebyshev …

36
N N N
Primitivation en Chebyshev ∫ f ( x )dx = ∑α k Tk = ∫ ∑ ck Tk ( x )dx =∑ ck ∫ Tk ( x )dx
k =0 k =0 k =0

∫ T dx = x = T
0 1 1 1
x 2 T2 T0
Pour k>1 : ∫ Tk dx = 2k + 2 Tk +1 − 2k − 2 Tk −1
∫ T1dx = 2 = 4 + 4 (démo chapitre suivant)

N
 T2 T0  N  Tk +1 Tk −1 

k =0
α k Tk = c0T1 + c1  +  + ∑ ck  −
 4 4  k = 2  2k + 2 2 k − 2 

 T2 T0  N +1 ck −1 N −1
ck +1
= c0T1 + c1  +  + ∑ Tk − ∑ Tk
 4 4  k =3 2k k =1 2k
c1  c2  N  ck −1 ck +1  cN
= T0 + T1  c0 −  + ∑ Tk  −  N +1
+ T
4  2  k = 2  2k 2k  2N

On en déduit les αk par identification terme à terme des pondérations


des différents polynômes de Chebyshev.
    
α  =  primit  c 
 k   k 
     
Dérivation

Utilisation puis dérivation de la formule de Lagrange

Pn ( x) → P 'n ( x) directement
Maillage à pas constant= formules instables
interpolation polynômiale
formulation locale locale
développement de Taylor

optimisation du support: Chebyshev.

39
Maillage homogène du type : x i = x0 + iδx
f i = f ( xi ) connus, on veut évaluer f i′, f i′....

Exemple:

δx 2 δx n
f i +1 = f i + δxf i′+ f i′′+ ... f i[ n ] + o(δx n+1 )
2 n!
δx 2 (−δx) n [ n ]
f i −1 = f i − δxf i′+ f i′′− ... + f i + o(δx n+1 )
2 n!
f i +1 − f i−1 δx 2 [ 3]
f i′ = + f i + O(δx 4 )
2δx 6
Formule approchée Erreur (ici d’ordre 2)
Beaucoup de façons d’écrire une dérivée, de façon
plus ou moins précise… Illustration en TD. 40
Dérivée décentrée au second ordre

 δx 2 δx n [ n ] n +1
f
 i = f i +1 − δx f ′
i +1 + f ′′
i +1 + ... f i +1 + o ( δ x )
2 n!
 n
 f = f − 2δxf ′ + 2δx 2 f ′′ + ... ( 2δx ) f [ n ] + o(δx n +1 )
 i −1 i +1 i +1 i +1
n!
i +1

⇒ 4 f i − f i −1 = 3 f i +1 − 2δxf i′+1 + o(δx 3 )


3 f i +1 − 4 f i + f i −1
⇒ f i′+1 = + o(δx 2 )
2δx

On peut trouver l’expression de la dérivée en un point à l’ordre voulu en utilisant


les développements limités de la solution en des points proches.
L’ordre de l’approximation est connu.
Possibilité d’aller trouver les expressions de dérivées secondes, troisièmes, …
Le calcul n’est alors pas toujours évident.

41
Utilisation du polynôme de Lagrange:
Sur trois points :

P ( x ) = f i −1
(x − xi )(x − xi +1 ) + f (x − xi −1 )(x − xi +1 ) + f i +1
(x − xi )(x − xi −1 )
(xi −1 − xi )(xi −1 − xi +1 ) i (xi − xi −1 )(xi − xi +1 ) (xi +1 − xi )(xi +1 − xi −1 )

P ' ( x ) = f i −1
(x − xi ) + (x − xi +1 ) + f (x − xi −1 ) + (x − xi +1 ) + f i +1
(x − xi ) + (x − xi −1 )
(xi −1 − xi )(xi −1 − xi +1 ) i (xi − xi −1 )(xi − xi +1 ) (xi +1 − xi )(xi +1 − xi −1 )
Pour évaluer cette dérivée en un point du maillage, il suffit de remplacer x par la coordonnée
du point de maillage voulu. Par exemple, pour x=xi+1

P ' ( x ) = f i −1
(xi +1 − xi ) + fi
(xi +1 − xi −1 ) + f i +1
(xi +1 − xi ) + (xi +1 − xi −1 )
(xi −1 − xi )(xi −1 − xi +1 ) (xi − xi −1 )(xi − xi +1 ) (xi +1 − xi )(xi +1 − xi −1 )

Le résultat est trouvé pour un maillage quelconque. Pour un maillage homogène, on


retrouve la formule obtenue par développement de Taylor.
Changement de point de vue:

On cherche les fi tels qu’ils approchent la solution de l’équation


différentielle suivante:
∂ 2 f On pose f i = iδx, i = 0, n
 ∂x 2 = 2, x ∈ [0,1] avec δx = 1 / n

 f ( x = 0) = 0
 f ( x = 1) = 1


On utilise la formule de dérivée seconde d’ordre 2:
f i +1 − 2 f i + f i−1
f i′′≈
δx 2
Poser le problème sous forme d’un système linéaire Ax=b
à résoudre dont le vecteur x est composé des fi. 43
Ligne 1 f0 = 0 C.L. en x=0

1 0 . . . . . . 0  f 0   0 
1 − 2 1 0 . . . . 0  f1  2δx 2 
    
 O O O  M   M 
 O O O   f  2δx 2 
   i −1   
i 0 ... 0 1 − 2 1 0 ... 0  f i  = 2δx 
2

    2
 O O O   f i +1  2δx 
 O O O  M   M 
    2
0 . . . . 0 1 −2 1  f n−1  2δx 
0 . . . . . . 0 1  f n   1 
Ligne n fn = 1 C.L. en x=1
2
f
Ligne i i +1 − 2 f i + f i −1 = 2δx Schéma
44
∂ 2 f ∂ 2 f
Problème 2D :  2 + 2 = s ( x, y ), x, y ∈ [0,1]
 ∂x ∂y
 f (bord ) imposé

 xi = iδx, i = 0, n avec δx = 1 / n
On pose  , f i , j = f ( xi , y j )
 y j = jδy, j = 0, m avec δy = 1 / m
Schéma :
f i +1, j − 2 f i , j + f i −1, j f i , j +1 − 2 f i , j + f i , j −1
2
+ 2
= si , j , i = 1, n − 1, j = 1, m − 1
δx δy
(n − 1)(m − 1) équations

Valeurs imposées aux bords : 2(n+1)+2(m-1) équations.


Problème à (n+1)(m+1) équations à (n+1)(m+1) inconnues.
45
Maillage 2D Vecteur inconnu 1D

m+1
m+1
j=1,m+1

m+1

n+1
m+1
m+1
i=1,n+1

46
47
Conditions aux limites Neumann
Il suffit de remplacer la ligne de l’opérateur correspondant à la condition aux
limites en question par la dérivée décentrée au bord. (à gauche ou droite selon le
bord).
∂f 3 f − 4 f1, j + f 2 , j
(0, y j ) ≈ 0, j = cste à gauche
∂x 2δx
∂f − 3 f n , j + 4 f n −1, j − f n − 2, j
(1, y j ) ≈ = cste à droite
∂x 2δx
∂f 3 f − 4 f i ,1 + f i , 2
( xi ,0) ≈ i , 0 = cste en bas
∂y 2δy
∂f − 3 f i ,m + 4 f i ,m −1 − f i ,m − 2
( xi ,1) ≈ = cste en haut
∂y 2δy
Aux coins, le choix existe d’imposer la condition aux bords horizontaux
ou verticaux. En général, privilégier la condition de Dirichlet.
Attention : imposer Neumann partout est impossible car le problème serait
indéterminé et l’opérateur non inversible.
Il faut au moins une condition de Dirichlet en un point.
48
Retour à Chebyshev : dérivation

n n
f ( x) = ∑ fˆiTi ( x) = ∑ fˆi cos(i. arccos( x))
i =0 i =0
n n
la moitié de termes non nuls
f ' ( x) = ∑ fˆiT 'i ( x) = ∑ fˆ 'i Ti ( x)
i =0 i =0

    
On cherche la matrice de dérivation :  fˆ ' =    fˆ 
 i   k 
     
f ' N est nul.
f 0 disparaît
f 'i ne dépend que de f k , k > i

fˆi ' ne dépend que de polynômes


de même parité : de f̂ k tels que k + i impair.

49
θ = arccos(x)
k +1 
T 'k +1 = sin(( k + 1)θ )  T 'k +1 T 'k −1 sin((k + 1)θ ) − sin((k − 1)θ )
1 − x2
k −1 ⇒ − =
T 'k −1 = sin(( k − 1)θ )  k + 1 k − 1 1 − x2
1 − x2 
T 'k +1 T 'k −1 sin(θ ) cos(kθ )
− =2 = 2 cos kθ = 2Tk
k +1 k −1 sin θ

n n n −1 n

∑ fˆiT 'i ( x) = ∑ fˆ 'i Ti ( x) ⇒ fˆ '0 T0 + ∑ fˆ 'i Ti ( x) = ∑ fˆiT 'i ( x)


i =0 i =0 i =1 i =0

ˆf ' T + ∑ fˆ ' 1  T 'i +1 − T 'i −1  = ∑ fˆ T ' ( x) fˆ 'N −1 = fˆN .2 N


n −1 n
k=N
0 0 i i i
i =1 2  i + 1 i − 1  i =0 fˆ 'k +1 fˆ 'k −1 ˆ
k = 1, N − 1 − = fk
n ˆ n−2 ˆ n 2k 2k
ˆf ' T ' + ∑ f 'i −1 T 'k − ∑ f 'i +1 T 'k = ∑ fˆ T ' ( x) ˆ
0 1
2 k i =0 2 k
i i
k =0 ˆf '0 − f '2 = fˆ0
i =2 i =0
2

50
Construction de la matrice : n=6

0 1 0 3 0 5 0
0 0 4 0 8 0 12
0 0 0 6 0 10 0
0 0 0 0 8 0 12
0 0 0 0 0 10 0
0 0 0 0 0 0 12
0 0 0 0 0 0 0

51
Dérivée dans l’espace physique :

   ...   ...     ...   ... 


 fˆ  = T −1. f ( x ) = T . f ( x )  fˆ '  = D . fˆ  = D T . f ( x )
 i  sp  k
 ps
 k
  i spec
 k spec ps
 k

   ...   ...     ...   ... 

     ...   ...   ... 


 f '  = T  fˆ '  = T D . fˆ  = T D T . f ( x ) = D  f ( x )
 i  sp  i  sp spec  k  sp spec ps  k
 phys
 k

     ...   ...   ... 

D phys = Tsp DspecTps


2 2
Dérivée seconde : D phys = Tsp DspecTps
Les matrices sont pleines.
52
Le produit tensoriel
 ae af 
ag ah 
a  e f
A =  , B =  A⊗ B =  
b  g h   be bf 
 
 bg bh 
 ae af bf 
be
ag ah bg bh 
a b  e f
A=  , B = g  A⊗ B =  
c d   h  ce cf de df 
 
 cg ch dg dh 

Produit des coefficients de A par ceux de B, B étant « distribuée » par A.

Laplacien = I x ⊗ DZ2 + DX2 ⊗ I z

Instruction Matlab : kron(A,B)

53
Programmes Matlab en TP

54

Vous aimerez peut-être aussi