Académique Documents
Professionnel Documents
Culture Documents
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
0.1.1 Définitions et notations . . . . . . . . . . . . . . . . . . . . . . . 6
0.1.2 Nature de la variable . . . . . . . . . . . . . . . . . . . . . . . . 7
1
3.3 Estimation de l’cart-type d’une loi de Laplace-Gauss . . . . . . . . . . 27
3.3.1 m est connu: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Annexe 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
.2 Equilibrium a Posteriori Error Estimator . . . . . . . . . . . . . . . . 33
.3 Efficiency of the estimator . . . . . . . . . . . . . . . . . . . . . . . . 35
.4 Mixed a Posteriori Error Estimator . . . . . . . . . . . . . . . . . . . 37
Conclusion Générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2
Liste des figures
3.1 fgfg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3
Liste des tableaux
4
S. Achchab 5
Introduction
6 Introduction
0.1 Introduction
Les méthodes statistiques sont aujourd’hui utilisées dans presque tous les secteurs
de l’activité humaine et font partie des connaissances de base de l’ingénieur, du
gestionnaire, de l’économiste. Parmi les innombrables applications citons dans le
domaine industriel : la fiabilité des matériels, le contrôle de la qualité, l’analyse des
résultats de mesure et leur planification, la prévision et dans le domaine de l’économie
et des sciences de l’homme : les modèles économétriques, les sondages, les enquêtes
d’opinion, les études quantitatives de marchés, etc.
Exemple : si l’on s’intéresse aux salariés d’une entreprise, alors l’ensemble des
salariés forme la population.
C- Caractère statistique: On appelle modalité, l’aspect du caractère retenu dans
le cadre de l’analyse.
E- Fréquence: Elle peut être de deux types : soit absolue (c’est l’effectif lui-même
ni ), soit relative (rapport d’un effectif à l’effectif total). On note la frquence
relative : p
ni X
f= où N = ni
N i=1
A- Variable discrte :
Lorsque la variable ne peut prendre qu’une valeur numérique, on parle de
variable discrète.
Exemple:Nombre d’automobiles possédées par les ménages.
B- Variable continue :
On parle de variable continue lorsque celle-ci peut prendre plusieurs valeurs
dans un intervalle donné. L’intervalle des valeurs possibles est divisé en n
petits intervalles.
• Variable qualitative :
Une variable qualitative peut être nominale ou ordinale.
Elle est nominale lorsque l’ensemble des modalités ne possède pas de structure
particulière.
Exemple1 : Dans un sondage, on s’intéresse à l’avis des consommateurs envers
un produit : la variable X prend les modalités suivantes : ” satisfait ” ; ” non
satisfaits ” et ” ne sait pas ”.
Une variable est ordinale lorsque l’ensemble des modalités est ordonné.
Exemple: Si on prend la variable X ” État des voitures ”, X prend les modalités
: ” Neuf ”, ” Moyen ” et ” Médiocre ”. X est une variable ordinale.
CHAPITRE 1
Inférence Statistique -
Échantillonnage
9
10 CHAPITRE 1
1.1.2 Statistique:
Il est d’usage dans la pratique de résumer les n valeurs d’un échantillon x1 , x2 , . . . , xn
par quelques caractéristiques simple telles que moyenne, variance, plu grande valeur,
etc. Ces caractéristiques sont elles même des réalisations de variables aléatoires issues
de (X1 , X2 , . . . , Xn ).
Une statistique peut être à valeur dans R ou dans Rp ; dans le cas de Rp , on parlera
de statistique vectorielle.
Parmi les exemples de statistiques usuelles, citons :
Inférence Statistique - Échantillonnage 11
• La moyenne empirique:
Elle est notée X et elle est définie par :
n
1 X
X= Xi .
N i=1
• La fréquence empirique :
Soit un caractère qualitatif à deux modalités A et B que l’on peut coder par 0
et 1. On note p la proportion dans la population des individus qui possèdent
la modalité A. Le nombre aléatoire Yn d’individus de l’échantillon qui ont la
modalité A, s’écrit :
n
X
Yn = Xi ,
i=1
Yn
où les v.a Xi sont des v.a de Bernoulli de paramètre p. On pose Fn = appelée
N
fréquence empirique.
• La variance empirique:
La variance empirique du caractère X dans l’échantillon est définie par :
n n
2 1 X 2 1 X 2 2
S = (Xi − X) = Xi − X
N i=1 N i=1
Par ailleurs, une autre statistique utile en estimation est la variance empirique
corrigée S ∗2 définie par:
n
∗2 n 2 1 X
S = S = (Xi − X)2
n−1 N i=1
E(X) = m
σ2
V ar(X) =
n
n
1X 1
Preuve. E(X) = E(Xi ) = n.m
n i=1 n
n n
1 X 1 X 1
V ar(X) = 2 V ar( Xi ) = 2 V ar(Xi ) = 2 nσ 2 (D’après l’indépendance des
n i=1
n i=1 n
Xi ).
E(Fn ) = p
p(p − 1)
V ar(Fn ) = ;
p
où p est la proportion des individus dans la population qui possèdent la modalité A
d’un caractère qualitatif à deux modalités A et B.
Proposition 1.1.2 Soit X une variable aléatoire telle que m4 = E[X 4 ] existe. Alors,
pour tout entier n > 1,
n−1 2
E(S 2 ) = σ
n
E(S ∗2 = σ 2 .
c
En outre, V ar[S 2 ] et V ar[S ∗2 ] sont majorées par une expression de la forme , où
n
c est une constante dépendant de m4 .
Inférence Statistique - Échantillonnage 13
Preuve.
n
" #
1 X
E(S 2 ) = E (Xi − X)2
n i=1
" n #
1X 2 2
= E X −X
n i=1 i
n
1X 2
= E(Xi2 ) − E(X )
n i=1
n
1X
V ar(Xi ) + E(Xi )2 − V ar(X) + E(X)2
=
n i=1
n
1X σ2
= V ar(X) + E(X)2 − − m2
n i=1 n
σ2
= σ 2 + m2 − − m2
n
n−1 2
= σ .
n
De même
∗2 n n
E(S ) = E S2 = E(S 2 ) = σ 2
n−1 n−1
A partir de cette définition, le théorème suivant énonce la loi des grands nombres qui
traduit la convergence de la moyenne empirique vers la moyenne théorique m = E(X),
lorsque n tend vers l’infini.
14 CHAPITRE 1
Théorème 1.2.1 ((Loi des grands nombre)) Soit X une v.a. de moyenne m finie,
alors pour toute suite infinie (Xn )n de v.a. deux à deux indépendantes et de même loi
que X, la suite des v.a.
n
1X
Xn = Xi
n i=1
Converge en probabilité vers m lorsque n tend vers l’infini.
de même
P
Sn∗2 −→ σ 2 ,
Quand n tend vers l’infini et à condition que E(X 2 ) existe.
Théorème 1.2.2 ((théorème central limite)) Soit X une v.a. de moment E[X 2 ]
fini, alors pour toute suite infinie (Xn )n de v.a. indépendantes et de même loi que X,
la suite des v.a.
Xn − m
Un = ,
σ/n
tend en loi vers la loi normale centrée réduite N (0, 1) lorsque n tend vers l’infini.
E[Fn ] = p
p(1 − p)
V ar[Fn ] = .
n
Inférence Statistique - Échantillonnage 15
Et si n est grand, r !
p(1 − p)
Fn ≈ N p, .
n
Exemple :
Pour un échantillon de 400 pièces issues d’une fabrication où 10% sont défectueuses.
On peut s’attendre à trouver dans 95% des cas run pourcentage de pièces défectueuses
0.1 × 0.9
dans l’échantillon comprise entre: 10% ± 1.96
400
Corollaire 1.2.1 Soit X une v.a. de moment E[X 2 ] fini, alors pour toute suite infinie
(Xn )n de v.a indépendantes
et de même loi que X, la moyenne empirique X n tend vers
σ
la loi normale N m, √
n
Exemple:
Soit un lot de 500 chocolats. Le poids d’un chocolat est une v.a. telle que m = 5g et
σ = 0.5g. Quelle est la probabilité qu’une boite de 50 chocolats issus de ce lot ait un
poids total supérieur à 260g?
Solution:
L’échantillon étant grand (n = 50 > 30), on peut appliquer le théorème central limite
0.5
X ≈ N 5, √ approximativement.
50
Calculons
260 − 250
P [T > 260] = P T > √
0.5 50
= P (U > 2.83)
= 1 − P (U < 2.83)
= 1 − 0.9977
16 CHAPITRE 1
g(X n ) − g(m)
g 0 (m) √ ,
σ/ n
tend en loi vers la loi normale N (0, 1) lorsque n tend vers l’infini.
La proposition montre que lorsque l’échantillon est normal, la moyenne empirique suit
une loi, quelque soit la taille de l’échantillon. Pour un échantillon de loi quelconque,
cette propriété n’est pas vraie. Toutefois le théorème central limite permet d’affirmer
qu’elle est approximativement vérifiée à condition que n soit assez grand.
CHAPITRE 2
17
18 CHAPITRE 2
2.1 Introduction
L’estimation consiste donner des valeurs approches aux paramtres d’une population
(m, , etc.) l’aide d’un chantillon de n observations issues de cette population. On
suppose vrifie l’hypothse d’chantillonnage alatoire simple.
En effet p p
E( Sn∗2 ) 6= E(Sn∗2 )
On mesure gnralement la prcision d’un estimateur Tn par l’erreur quadratique moyenne:
E|(Tn − θ)2 |.
On peut crire
Comme E(Tn ) − θ est une constante et que E[(Tn − E(Tn )] = 0, on en dduit que:
De deux estimateurs sans biais, le plus prcis est donc celui de variance minimale.
Exemple:
n
1X
Montrer que si m est connu, l’estimateur (Xi − m)2 est meilleur que Sn∗2 .
n i=1
lim E(Tn ) = θ
n→+∞
Exemple:
n
1X
2
Sn = (Xi − X n )2 est un estimateur asymptotiquement sans biais de σ 2 .
n i=1
pour conclure.
Exemple:
Pour estimer la moyenne thorique θ = m d’une variable alatoire X, on peut prendre
Tn = X n . Cet estimateur est sans biais, si de plus sa variance est finie, la relation
V ar(X)
V ar(X n ) = montre que V ar(X n ) tend vers 0 lorsque n tend vers l’infini. La
n
proposition prcdente permet alors d’affirmer que X n est un estimateur convergent en
moyenne quadratique de m = E(X).
Proposition 2.1.2 Soit (Yn )n une suite infinie de v.a. qui converge en probabilit vers
la v.a. Y et si g est une fonction d’une variable relle, continue sur l’ensemble des
valeurs possibles de Y et des Yn , alors la suite des v.a. g(Yn ) converge en probabilit
vers g(Y ) lorsque n tend vers l’infini, soit
Exemple:
L’estimateur Sn2 (et aussi Sn∗2 ) est convergent en moyenne quadratique
√ vers σ 2 . Il est
p g dfinie par g(u) = u est continue sur
donc convergent en probabilit, or la fonction
R, d’aprs la proposition prcdente, Sn = Sn2 tend donc en probabilit vers σ lorsque n
tend vers l’infini. Sn est donc un estimateur convergent du paramtre σ.
Définition 2.1.3 Soit Tn et Tn0 deux estimateurs sans biais de θ. Tn est dit plus efficace
que Tn0 si:
V ar(T ) ≤ V ar(Tn0 )
Définition 2.1.4 L’estimateur sans biais et de convergence minimale est appel esti-
mateur efficace.
Estimation ponctuelle 21
V ar(X n ) n→+∞
V ar(X n = −→ 0
n
∀T un autre estimateur de µ,
V ar(T ) ≥ V ar(X n ).
A- µ est connu:
n
1X
Proposition 2.2.2 Tn2 = (Xi − µ)2 est un estimateur efficace de µ
n i=1
En effet
n
" #
1X
E(Tn2 ) = E (Xi − µ)2
n i=1
" n n
#
1X 2 1X 2
= E X −2 Xi µ + µ
n i=1 i n i=1
22 CHAPITRE 2
n n
1X 2 X
= E(Xi2 ) − µ E(Xi ) + µ2
n i=1 n i=1
n
1X
= E(Xi2 ) − µ2
n i=1
n
1 X
V ar(Xi ) + (E(Xi ))2 − µ2
=
n i=1
= σ 2 + µ2 − µ2
= σ2
Donc Tn2 est sans biais. De plus
V ar(X n ) n→+∞
V ar(Tn2 = −→ 0,
n
et est minimale
B- µ est inconnu:
n
1X
Proposition 2.2.3 =Sn2 (Xi − X)2 est un estimateur biais de σ 2 , mais
n i=1
asymptotiquement sans biais.
f (x, θ) = fX (x)
∂ 2 log L(x1 , x2 , . . . , xn , θ)
< 0,
∂ 2θ
pour θ = θ0 .
L’estimateur du maximum de vraisemblance tant alors:
θbn = θ0 (X1 , X2 , . . . , Xn ).
24 CHAPITRE 2
Exemple:
Estimation pour la moyenne et la variance d’une loi normale:
Dans ce cas:
X N (m, σ 2 )
θ = (θ1 , θ2 ),
o θ1 = m et θ2 = σ 2 .
De plus: " 2 #
1 1 x − m
f (x, θ) = f (x, m, σ 2 ) = √ exp − .
σ 2π 2 σ
La vraisemblance de l’chantillon s’crit:
n " n 2 #
1 1 X xi − m
L(x1 , x2 , . . . , xn , θ) = √ exp − ,
σ 2π 2 i=1 σ
Les conditions ncessaires consistent en l’annulation des drives partielles premires par
rapport m et σ 2 . Elles s’crivent respectivement:
n
∂ log L 1 X
∂m = − σ 2 (xi − m) = 0,
i=1
n
∂ 2 log L n 1 X
=− 2 + 4 (xi − m)2 = 0.
∂σ 2 2σ 2σ i=1
25
26 CHAPITRE 3
pour θ0 = θ.
Ces bornes dpendent videmment de θ0 .
α
On choisira dans la plus parts des cas un intervalle de probabilit risque symtrique
2
α
et .
2
On adopte alors la rgle de dcision suivante:
Soit t la valeur observe de T :
Annexe 1
abstract In this paper, we present a posteriori error estimator for diffusion equation
with solution obtained by Black-box solver. The estimator is valid for a classical
primal, equilibrium and mixed finite element approximations with or without numerical
integration .
A Posteriori Error Estimator-Primal, Equilibrium and Mixed Approximation 31
.1 Introduction
Usually, error estimators for adaptive refinement require exact discrete solutions (see
[9] and refrence therein for a primal formulation and [3],[4],[5] for a mixed formulation),
but in pratical cases the exact solution is not available and so we are in the presence
of solvers error. In this paper we introduce a posteriori error estimator for solutions
obtained by black-box solver , in this case we are in the presence of many source of
errors : approximation, error solvers, postprocessing error ...etc. We assume for gener-
ality that the discrete solution ph is not H(div; .)-conforming which included classical
primal, equilibrium finite element methods with or without numerical integration.
As model problem we consider : Find u such that
−∆u = f in Ω,
(1.1)
u = 0 on Γ,
where Ω is polygonal connexe domain of R2 and f ∈ L2 (Ω).
Let Th a regular triangulation of Ω by triangular, we denoted by E the set of all edges
and by EI the set of all interior edges. For all T ∈ Th , by ∆(T ) the union of all
elements of Th sharing a vertex with T , by ωT we denoted the union of the all element
of Th sharing a edge with T and by ET the set of all edges of T . We consider a finite
dimensional spaces
Vh = {vh ∈ H 1 (Ω), ∀T ∈ Th vh|T ∈ P1 (T )} (1.2)
Eh = {ph ∈ (L2 (Ω))2 , ∀T ∈ Th ph |T ∈ RT0 (T ) = (P0 (T ))2 + xP0 (T )} (1.3)
and
Mh = {vh ∈ L2 (Ω), ∀T ∈ Th vh|T ∈ P0 (T )} (1.4)
Let ph ∈ Eh and uh ∈ Mh , for all T ∈ Th we set
Z Z
ph ∇vh dx − vh f dx
∆(T ) ∆(T )
1,T (ph ) = sup , (1.5a)
vh ∈Vh (T ) |vh |1,∆(T )
Z
ph ∇ × φh dx
∆(T )
2,T (ph ) = sup , (1.5b)
φh ∈Vh (T ) |φh |1,∆(T )
Z
(ph qh + uh divqh )dx
ωT
3,T (ph , uh ) = sup , (1.5c)
qh ∈Eh (T ) kqh kH(div,ωT )
32 ANNEXE
X
2
η1,T (ph ) = h2T kf + divph k20,T + (hl k[ph .tl ]k20,l + hl k[ph .nl ]k20,l ), (1.5d)
l∈ET
and
η2,T (ph ) = hT kph k0,T , (1.5e)
where
Vh (T ) = {vh ∈ H01 (∆(T )), ∀T ∈ ∆(T ) vh|T ∈ P1 (T )}, (1.6)
and
Eh (T ) = {qh ∈ Eh ∩ H(div, Ω), ∀T 6∈ ωT qh |T = 0}. (1.7)
Here [g] denotes the jump of a function g with the usual interpretation at the boundary
and hT , hl are the diameters of T and l, respectively. The outer normal at a edge l of
some T ∈ Th is written as nl = (n1,l , n2,l ) and we set tl = (n2,l , −n1,l ).
In the sequel, we denoted by C a positive generic constant independent of h which can
change from one line to another.
Remarks : Let us remark that
1. If Z
1
− divph = f dx := fT on T,
meas(T ) T
we have X
21,T (ph ) ≤ C h2T kf − fT k20,T ,
T ∈∆(T )
∀l ∈ EI , [ph .nl ]l = 0,
∀l ∈ EI , [ph .tl ]l = 0,
4. Let uTh , ψhT in Vh (T ) and qhT ∈ Eh (T ) the unique solutions of the folowing problems
Find uTh ∈ Vh (T Z ) such that Z Z
(P1 ) T
∀vh ∈ Vh (T ); ∇uh ∇vh dx = ph ∇vh dx − f vh dx,
∆(T ) ∆(T ) ∆(T )
Find qhT ∈ Eh (TZ) such that Z
(P3 ) (qhT sh divqhT
∀sh ∈ Eh (T ); + divsh )dx = (ph sh + uh divsh )dx.
ω(T ) ω(T )
This paper is set as follow: In section 2, we give a global upper bound of error in
L2 -norme, between p = ∇u and all approximation ph ∈ Eh (equilibrium approximation
solution,). In section 3, we give a local lower bound of the error and establish efficiency
of the estimator. In section 4 we present an a posteriori error estimator, for mixed
finite element non conforming approximation, with or without numerical integration,
independently of the manner to obtain this approximation (uh , ph ).
Z Z
|w|21,Ω = eh ∇wdx and k∇ × ζk20,Ω = eh ∇ × ζdx. (2.3)
Ω Ω
XZ XZ Z Z
I I I
= (f + divph )(w − w)dx + [ph .nl ](w − w )dx + f w dx − ph ∇wI dx.
T ∈T T l∈E l Ω Ω
and
XZ X 1
[ph .nl ](w − wI )dx ≤ C( hl k[ph .nl ]k20,l ) 2 |w|1,Ω .
l∈E l l∈E
Then we have
1
X X X
k∇wk0,Ω ≤ C( h2T kf + divph k20,T + hl k[ph .nl ]k20,l + 21,T (ph )) 2 . (2.5)
T ∈Th l∈E T ∈Th
A Posteriori Error Estimator-Primal, Equilibrium and Mixed Approximation 35
and Z Z Z
k∇ × ζk20,Ω = eh ∇ × ζdx = I
eh ∇ × (ζ − ζ )dx + eh ∇ × ζ I dx,
Ω Ω Ω
Theorem .3.1 There exist positive constants C1 and C2 depending only on the mini-
mum angle of Th such that
X X
2
η1,T (ph ) + 21,T (ph ) + 22,T (ph ) ≤ C1 kp − ph k20,T 0 + C2 h2T 0 kf − fT 0 k20,T 0 . (3.1)
T 0 ∈∆(T ) T 0 ∈ωT
Proof. Following [9] Let bT the bubble function on T with maxT bT = 1. Then the
norms k.k0,T and kbT .k0,T are equivalent on P0 (T ), and so
Z
2
krT k0,T ≤ C
bT rT (fT − f + div(ph − p))dx
Z T
≤C ∇(bT rT ).(ph − p)dx + CkrT k0,T kf − fT k0,T
T
Concerning the jump termes for l ∈ ET ∩EI , let bl be the bubble function on T vanishing
on ∂T /l normed by maxT bl = 1. Then again the norms k.k0,l and kbl .k0,l are equivalent
on P1 (l). Let l ∈ EI , then using the extension operator P : C 0 (l) −→ C 0 (T+ ∪ T− ) of
[9], it follows
Z Z
2
k[ph .tl ]ko,l ≤ C bl P ([ph .tl ])[ph .tl ]dσ = C ph ∇ × (bl P ([ph .tl ]))dx.
l T+ ∪T−
the equality Z
p∇ × (bl P ([ph .tl ]))dx = 0
T+ ∪T−
1
using Cauchy inequality and kbl P (ph .tl ])k0,T +∪T− ≤ Chl2 k[ph .tl ]k0,l , we obtain
1
hl2 k[ph .tl ]k0,l ≤ Ckp − ph k0,T+ ∪T− . (3.3)
A Posteriori Error Estimator-Primal, Equilibrium and Mixed Approximation 37
Z
+ divph bl P ([ph .nl ])dx)
T−
Z
= C( (ph − p)∇(bl P ([ph .nl ])dx
T+ ∪T−
Z Z
+ ( divph + f )bl P ([ph .nl ])dx + ( divph + f )bl P ([ph .nl ])dx)
T+ T−
and 1
kbl P (ph .nl ])k0,T +∪T− ≤ Chl2 k[ph .nl ]k0,l
and using (3.2), we obtain
1 X
hl2 k[ph .nl ]k0,l ≤ C(kp − ph k0,T+ ∪T− + hT 0 kf − fT 0 k0,T 0 ). (3.4)
T 0 ∈ω(T )
We have
and since
Z Z Z
(uh − Ph u) divqh dx = (uh divqh dx + ph qh )dx + (p − ph )qh )dx
Ω Ω Ω
Lemma .4.2 Let u ∈ H01 (Ω) the weak solution of the model problem (1.1), p = ∇u,
ph ∈ Eh and uh ∈ Mh . Then there exist constant C > 0 depending only on the
minimum angle of Th such that
Proof. Following [9] Let bT the bubble function on T with maxT bT = 1. Then the
norms k.k0,T and kbT .k0,T are equivalent on P1 (T ), and so
Z Z Z
2
kph k0,T ≤ C ph bT ph dx = C bT ph (ph − p)dx + C ∇u.(bT ph ). (4.4)
T T
Z
Since div(bT ph )dx = 0 and uh ∈ Mh , by elementwise integration by part we have
T
Z Z
∇u.(bT ph )dx = (uh − u) div(bT ph )dx. (4.5)
T T
Using the inverse inequality k div(bT ph )k0,T ≤ ChT kph k0,T , and (4.4)-(4.5), we obtain
η2,T (ph ) ≤ C(kp − ph k0,T + ku − uh k0,T ). (4.6)
Finally, it is easy to see that
3,T (ph , uh ) ≤ C(kp − ph k0,∆(T ) + ku − uh k0,∆(T ) ). (4.7)
Moreover, we have
2 2
X X
η (p ) + i,T (ph ) + 3,T (ph , uh ) ≤ C1 (kp − ph k0,∆(T ) + ku − uh k0,∆(T ) )
i,T h
i=1 i=1
(4.8)
X 1
h2T 0 kf − fT 0 k20,T 0 ) 2
+C 2 (
T 0 ∈ωT
40 ANNEXE
[3] A. Alonso. Error estimators for a mixed method Numer. Math, 74, pp 385-395.
1976.
[5] C. Carstensen. A posteriori error estimate for a mixed finite element method
Math. comp, 66, pp 465-476. 1997.
[7] G. Kunert. Error estimation for anisotropic tetrahedral and triangular finite
element meshes. Numer. Math.,86(3), pp 283-303. 2000.
[8] L.R. Scott and S. Zhang, Finite element interpolation of non-smooth func-
tions satisfying boundary conditions, Math.Comp.,54,pp. 43-493. 1990.
41
42 ANNEXE
Conclusion Générale:
De nos jours, l’utilisation des méthodes adaptatives est devenue un outil incoun-
tournabe pour les calculs, car non seulement elles permettent de bien approcher la
solution exacte, masi aussi d’atteindre des ordres de précision assez élevés et qu’on ne
peut atteindre autrement.
Dans ce travail, on présente une approche unifiée, qui permet de construire des
estimations d’erreur a posteriori pour les approximations du problème de poisson, par
éléments finis, primales, duales ou mixtes, basées sur l’évaluation du résidu. Pour
valider la qualité de ces estimations fera l’objet d’essais numériques en dimension deux
avec une adaptation automatique du maillage, basée sur l’indicateur local.
Les techniques proposées pour l’obtention de notre estimateur, peuvent se
généraliser sans difficultés majeurs à d’autres types d’équations comme la convection
diffusion et d’autres types d’approximations ou de formulations de type stabilisées.
Dans la résolution d’un problème physique par exemple, beaucoup d’efforts sont
fournis d’abord dans la modélisation, pour ”bien” traduire la réalité en équation
mathématiques, ensuite dans la méthode de discrétisation pour bien approcher le
problème continu; ces efforts ne doivent pas s’arrêter à ce niveau, ce qui peut remttre
en cause la qualitè même de ce qu’on calcule et par suite les interprétation qui en
découlent. Il est donc néccessaire d’accorder une attention particulière à le résolution
numérique du problème discret, qui passe généralement par la résolution d’un système
linéaire de grande taille.
Les méthodes itératives de type multiniveaux ont prouvé leur efficacité dans la
résolution de systèmes discrets, cette efficacité est souvent mesurée en fonction de la
constante CBS, d’où l’intérêt de disposer d’une bonne approximation de ce paramètre.
Dans ce travail nous avons donné un résultat général relatif à l’estimation de la
constante CBS pour un les systèmes différentiels linéaires du second ordre, en deux ou
trois dimensions, pour les schémas à deux niveaux. Ce résultat généralise un ensemble
de travaux fait dans ce sens pour des systèmes particuliers.
Les résultats proposés ici sont en cours de généralisation pour les mêmes systèmes
mais pour des schémas multiniveaux.