ALGORITHME MATHÉMATIQUE

INTRODUCTION A L’ANALYSE NUMÉRIQUE AVEC PYTHON

15/01/2023
C’est quoi l’analyse numérique ?

• L’analyse numérique est la conception et l’étude d’algorithmes pour obtenir des solutions à des
problèmes issus de la physique, l’ingénierie, la biologie, la finance …

• Les modèles considérés sont composés d’ensemble d’équations dont on ne sait pas déterminer
de solutions explicites ou qui prendraient trop de temps pour être résolus de manière analytique,
notamment en recherche et développement (études expérimentales coûteuses)

• Développer des algorithmes efficaces

• Proposer une solution approchée, calculée à l’aide de l’ordinateur.
• Convergence et stabilité de la méthode, coût algorithmique …

2
 Plan du cours
• Introduction à Python
• Pourquoi Python ?
• Configuration de l’environnement de travail
• Quelques notes sur Jupyter Notebook
• Modules Python de base
• Numpy
• Pandas
• Scipy

• Introduction à l’Analyse numérique avec Python

• Résolution de systèmes linéaires
• Résolution d’une équation non linéaire
• Approximation de fonctions – Interpolatin
• Intégration numérique
• Résolution d’équations différentielles
3
 3. Résolution de systèmes linéaires
2 problèmes fondamentaux
• La résolution de systèmes linéaires :
• La recherche de vecteurs X solutions de AX = b
• où A est une matrice - le plus souvent carrée - à coefficients réels (ou complexes)
• b un vecteur donné

• Le calcul de valeurs propres et de vecteurs propres d'une matrice

• La recherche des scalaires λ (réels ou complexes) et des vecteurs non nuls X
• tels que AX = λX
• Avec A une matrice carrée donnée

• Nous traitons dans ce cours le premier type de problèmes

4
 3.Systèmes d’équations linéaires
(Analyse numérique matricielle)

• Rappel sur les matrices

• Méthodes directes
• Méthodes itératives
• Application en Python

5
3. Résolution de systèmes linéaires

Lesquelles des équations suivantes sont linéaire ?

6
 3. Résolution numérique de systèmes linéaires

Forme générale : Système de n équations à n variables

Rappel
Il existe une solution unique si et seulement si de(A) ≠ 0

7
3.Systèmes d’équations linéaires
Exemple

8
 3. Résolution de systèmes linéaires

2 types de méthodes

• Les méthodes directes :

• celles où on obtient la valeur exacte de la solution (aux erreurs d'arrondi près) en un
nombre fini d'opérations

• les méthodes itératives :

• elles consistent à construire une suite de vecteurs 𝑋 𝑘 convergeant vers la solution X
cherchée (résolution approchée du système linéaire avec la précision imposée)
• On s'arrête au bout d'un nombre fini n d'itérations choisi pour que 𝑋 𝑛 soit
suffisamment voisin de X

9
3. Systèmes d’équations linéaires
Méthodes directes de résolution de Ax = b (Cas simples)

10
3. Systèmes d’équations linéaires
Méthodes directes de résolution de Ax = b (par l'inverse)

11
 3. Systèmes d’équations linéaires
Méthodes itératives
• Les techniques itératives sont rarement utilisées pour résoudre des systèmes linéaires de petite dimension
car le temps de calcul requis pour la convergence dépasse généralement celui requis pour les méthodes
directes.

• Pour les très grands systèmes, en particulier les systèmes clairsemés (systèmes avec un pourcentage élevé
d'entrées 0 dans la matrice), ces techniques itératives peuvent être très efficaces en termes de temps
d'exécution de calcul et d'utilisation de la mémoire.

• Analyse du conditionnement d'un système linéaire : étudier l’influence d'une petite variation du second
membre ou des coefficients d'une matrice sur la valeur de la solution.

• Une petite perturbation des données peut engendrer un grand changement de la solution (problème mal conditionné)

• Les arrondis faits sur les données peuvent être interprétés comme de telles petites variations : il est donc
essentiel de connaitre leur impact sur le résultat calculé.

• Une matrice à diagonale strictement dominante est inversible

12
 3. Systèmes d’équations linéaires
Méthodes itératives (Gauss Seidel)
• Soit un système de 3 équation à 3 inconnue

13
4. Systèmes d’équations linéaires
Méthodes itératives ( Algorithme de Gauss Seidel)

14
4. Systèmes d’équations linéaires
Méthodes itératives (Gauss Seidel –Exemple )

15
 4. Résolution d’une équation non linéaire

Principe de base : Résoudre les racines d'une équation

non linéaire d’une seule variable indépendante
f(x) =0.

• Méthode de la bissection (dichotomie)

• Méthode de Newton
• Application en Python

16
 4. Résolution d’une équation non linéaire
Méthode de la bissection (dichotomie)
• Calculer la valeur approchée d’une solution d’une équation de type f(x) = 0

• On suppose que la fonction f(x) est continue sur un intervalle [a,b] ,

• Qu’elle change de signe dans l’intervalle [a, b] , c’est-à-dire : f(a)f(b)≤0

17
4. Résolution d’une équation non linéaire
Méthode de la bissection (dichotomie)

18
 4. Résolution d’une équation non linéaire
Méthode de Newton
• f est une fonction dérivable sur un intervalle I. L’équation f(x) = 0 admet une racine
unique α sur l’intervalle I.

19
4. Résolution d’une équation non linéaire
Méthode de Newton

Formule générale

20