Programmation Scientifique Python Partie III Derivee Integrale

Programmation et techniques scientiques
exploitation du langage et des modules Python
jlo@univ-jfc.fr
INU ChampollionL2 PC-EEA
v2023.1.v1
jlo@univ-jfc.fr Programmation et techniques scientiques 1 / 78

Sommaire
Ö Partie I : Généralités de la démarche en programmation scientique
Ö Partie II : Utilisation des bibliothèques usuelles pour la programmation

scientique
Ö Partie III : Outils de base en analyse numérique

Première partie I
Généralités de la démarche en
programmation scientique

Deuxième partie II
Utilisation des bibliothèques usuelles

pour la programmation scientique

Notions des erreurs numériques
Dérivées & intégrales numériques
Résolution numérique des équations algébriques non linéaires
Approximation et interpolation par une fonction
Troisième partie III
Outils de base en analyse numérique

Sources des erreurs numériques
Notions des erreurs numériques Erreurs d'arrondi & troncature des nombres
Dérivées & intégrales numériques Propagation des erreurs d'arrondi et de troncature des nombres
Résolution numérique des équations algébriques non linéaires Erreurs d'approximation
Approximation et interpolation par une fonction Démarche de contrôle des erreurs numériques
Bilan mTake home message
Outline
1 Notions des erreurs numériques

2 Dérivées & intégrales numériques
3 Résolution numérique des équations algébriques non linéaires
4 Approximation et interpolation par une fonction

Outline
Erreurs d'arrondi & troncature des nombres
Propagation des erreurs d'arrondi et de troncature des nombres
Erreurs d'approximation
Démarche de contrôle des erreurs numériques


Exemple introductive :
On sait que mais :
PI = np.pi
π
sin = sin (30◦ ) = 0.5
6 print(np.sin(PI/6))
0.49999999999999994
On sait que mais :

0.1 + 0.1 + 0.1 = 0.3 testCompare = 0.1 + 0.1 + 0.1 == 0.3
print(testCompare)
False
Erreurs d'arrondi & de troncature de nombres
Erreurs d'approximation
Erreurs de propagation (approximation & arrondi)
Dénitions
TRONCATURE à m chires ARRONDI à m chires
X = ±.d1 d2 d3 . . . dm dm+1 × b e
X = ±.d1 d2 d3 . . . dm dm+1 × b e X∗ = ±.d1 d2 d3 . . . dm × b e
tronc(X ) = ±.d1 d2 d3 . . . dm × be ±.00 . . . 00vm+1 × b e
X − tronc(X ) = ±.dm+1 b e+m

avec v = b/2
Xe = tronc(X ∗ )
e.g. b = 10, m = 3, X = 1237. e.g. b = 10, m = 3, X = 1237.

=⇒ X ∗ = (0.1237 + 0.0005) × 104
=⇒ X = 0.1237 × 104 ⇐⇒ X̃ = 0.124 × 104
⇐⇒ tronc(X ) = 0.123 × 104
=⇒ Erreurs fortement liés au codage des nombres : b, m, e

Codage binaire des nombres ottants en 32 bits

norme IEEE 754
n = (−1) 1.Mt |2 × 2E −127

S d
S est le bit de signe

Mt la mantisse tronquée sur 23 bits
Ed est l'exposant décalé sur 8 bits
E.g. S = 0, Mt = 112 , Ed = 128

n = (−1)0 1.112 × 2128−127 = 1.112 × 2 = 11.12 = 21 + 21 + 2−1
s exposant décalée mantisse

0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1

Principes de codage binaire en 32 bits

Quelques principes de codage :
La partie entière en valeur absolue codée en binaire naturelle : e.g.
1027|10 = 210 + 21 + 20 = 0100 0000 0011|2
La mantisse et l'exposant sont obtenus par normalisation d'écriture
où la virgule est décalée à droite du premier chire 1 en binaire :
1027|10 = 01.00 0000 0011 × 210 2
Dans ce cas, l'exposant étant E = 10, l'exposant décalé en 32 bits
est par convention Ed = E + 127.
Les chires après les virgules sont codés en exposant négatif. e.g.
0.625|1 0 = 2−1 + 2−3 0.101|2
=⇒ certains nombres à virgule simple ne peut jamais être codée sans
erreur. e.g. 0.3 → δX
X
≈ 10−7
s exposant décalée mantisse

0 0 1 1 1 1 1 0 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1
Limites du codage binaire selon norme IEEE 754

Illustration pour 32 bits :
Codage exposant min. max. précision machine

16 bits 5 bits ±6.1031 × 10−5 ±65504 εm ≈ 10−3
32 bits 8 bits ±1.1754944 × 10−38 ±3.4028235 × 1038 εm ≈ 10−7
64 bits 11 bits ±2.225 × 10−308 ±1.797 × 10308 εm ≈ 10−16
128 bits 15 bits ±3.362 × 10 −4932
±1.189 × 104932 εm ≈ 10−34

Exemples de dépassement overow & underow

Dépassement overow Dépassement underow
# Floating=point overow example # Floating=point overow example
x = 1.0e308 # A very large positive x = 1.0e-308 # A very small
number positive number
y = x * 2.0 # Doubling the large # Multiply the small number by a
number constant
print(y) y = x * 1.0e-16
print(y)
inf
0.0
.
∃ un intervalle où le nombre ottant n'est pas représentable.
valeur trop grande =⇒ overow
valeur trop petite =⇒ underow

Epsilon machine
EPSILON le plus petit nombre tel que :
MACHINE :
(EPS) 1 + EPS ̸= 1
C'est la plus petite valeur dont l'opération addition n'est pas neutre, sa
valeur dépend de bits d'exposant.
import sys import numpy as np
sys.float_info.epsilon np.finfo(np.float32).eps
2 . 2 2 0 4 4 6 0 4 9 2 5 0 3 1 3 e =16 1 . 1 9 2 0 9 2 9 e =07

Epsilon machine
EPSILON le plus petit nombre tel que :
MACHINE :
(EPS) 1 + EPS ̸= 1
C'est la plus petite valeur dont l'opération addition n'est pas neutre, sa
valeur dépend de bits d'exposant.
import sys import numpy as np
sys.float_info.epsilon np.finfo(np.float32).eps
2 . 2 2 0 4 4 6 0 4 9 2 5 0 3 1 3 e =16 1 . 1 9 2 0 9 2 9 e =07
Pour un nombre x quelconque, la valeur minimale où l'opération addition
n'est pas neutre :
εx εx
1+ ̸= x ⇐⇒ εx ≥ EPS · x ⇐⇒

x + εx ̸= x ⇐⇒ x ≥ EPS
x x
.les opérations entre deux nombres dont l'écart est plus petit que la
précision machine est assujettie à des erreurs. .
Exemple limitation due à la précision de la machine

a = 1.0e308 # Un nombre tres grand
b = 1.0e-6 # Un nombre relativement petit, mais signicatif dans la
precision du codage
res = a+b
print('a+b =' , res, '\n a =', a)
print( 'Test egalite : ", a+b == a)
a+b = 1 e +308
a = 1 e +308
T e s t e g a l i t e : True
.
Les opérations des nombres dont l'ordre de grandeurs dièrent
grandement induit des erreurs.
L'opération entre deux nombres est limitée par la précision de la
machine (bits d'exposant), et donnée par l'epsilon machine.
Propagation des erreurs d'arrondi

Quelques exemples simples où le résultat/nombre n'a pas besoin
d'une précision de 10−16 mais. . .
exacte calculée numériquement par Python
sin(30◦ ) = sin π/6 0.5 0.49999999999999994
cos(60 ) = cos π/3
◦
0.5 0.50000000000000001
tan(45 ) = tan π/4
◦
1 0.9999999999999999
4

1−3 −1 0 2.220446049250313e-16
3
√
1 − (4√− 3) 0 0
2× 2−2 0 4.440892098500626e-16
(4095.1 + 1)1 − 4095.1 1 1.0000000000004547
® Que se passe-t-il ? ®
Transformation des opérations arithmétiques simples

^ ^
X +Y =⇒ Xe + Ye X ∗Y =⇒ Xe ∗ Ye
^ ]
X −Y =⇒ Xe − Ye X /Y =⇒ Xe /Ye
Pour une suite d'opérations, il faut arrondir et tronquer à chaque

résultat intermédiaire.


^ ^
X +Y =⇒ Xe + Ye X ∗Y =⇒ Xe ∗ Ye
^ ]

Exemple (b = 10, m = 3) : X = (1/3) × 3 Erreur relative :

^ δX 0.001 × 100
=⇒ X = 1/e3) × e3
(^ = = 0.001 = 0.1%
1 × 100
e
X
1g
/3 × e3
^
=
= (0.333 × 10
^0 ) (0.3 × 101 ) . Perte de la précision accrue si
= (0.0999 × 101 )
^ l'exposant de chaque nombre est
0.999 × 100 diérent à cause de l'erreur de

=
décalage. E.g. (1/3) × 31

^ ^
X +Y =⇒ Xe + Ye X ∗Y =⇒ Xe ∗ Ye
^ ]

Exemple (b = 10, m = 3) : X = (1 × 3)/3 Erreur relative :
^ δX 0
=⇒ X = 1^
(e ×e3)/e3 = = 0%
X 1 × 100
= 3/e3
g
e
= (0.300 × 101^) /(0.300 × 101 ) . Pour une suite d'opérations,
= 0
(1.000 × 10 )
^ l'ordre dans lequel sont eectuées
0.100 × 101 les opérations est très important !

=
=⇒ perte de l'associativité des
opérations.
Exemples pertes d'associativité

Pertes d'associativité des opérations
(a ∗ b) ∗ c ̸= a ∗ (b ∗ c)
a = (1 + 1e-16) -1 a = 0.1+0.2+0.3
b = 1 + (1e-16 -1) b = 0.2+0.3+0.1
print('a =', a, '\n b =', b) print('a =', a, '\n b =', b)
a = 0.0 a = 0.6000000000000001
b = 1 . 1 1 0 2 2 3 0 2 4 6 2 5 1 5 6 5 e =16 b = 0.6
m
Due à la limite de précision du codage IEEE 754 des nombres ottants,
l'associativité des opérations n'est plus garantie. Les opérations font
gurer des arrondis et des troncatures intermédiaires qui peuvent avoir
des conséquences négatives sur les calculs.
Propagation divergente des erreurs d'arrondi

b=4095.1
a = b+1
x = 1
x = a*x - b
® Que vaut en théorie x ? ®


b=4095.1
a = b+1
x = 1
x = a*x - b
® Que vaut en théorie x ? ®

® Que vaut en théorie x si on
répète la même opération
x = a*x - b plusieurs fois ? ®


b=4095.1 Résultat sur la console :
a = b+1 iter 0 x = 1.0000000000004547
x = 1 iter 1 x = 1.0000000018631
x = a*x - b iter 2 x = 1.0000076314440776
iter 3 x = 1.0312591580864137
® Que vaut en théorie x ? ® iter 4 x = 129.04063743775941
iter 5 x = 524468.2550088064
® Que vaut en théorie x si on iter 6 x = 2148270324.241572
répète la même opération iter 7 x = 8799530071030.805
x = a*x - b plusieurs fois ? ®
. Résultat divergent au bout de
b=4095.1 quelques itérations ! ! !
a = b+1
x = 1
for i in range(8):
x = a*x - b
print('iter ', i, 'x = ', x)

Ordre de grandeur des erreurs propagatives d'arrondi

Exemple d'opération de multiplications
Soit un nombre X issu de n multiplications
X = x · x · x · . . . · x = xn
Estimation par calcul variationnel du premier ordre :

Ordre de grandeur des erreurs propagatives d'arrondi

Soit un nombre X issu de n multiplications
X = x · x · x · . . . · x = xn
Estimation par calcul variationnel du premier ordre :
xn dX dx
dX = n · x n−1 dx = n · dx ⇐⇒ n = n ·
x x x
Estimation d'erreurs au premier ordre (grossière) :
dX dx
∆r X = =n· avec dx/x : erreur relative de l'arrondi
X x
Exemple
Exemple avec une représentation simple des ottants avec εm = 10−7 . Avec 100
millions de multiplications par seconde pendant 24 heures, l'estimation grossière de
l'erreur d'arrondi sur le résultat vaut :
dX
= 108 × 24 × 3600 × 10−7 = 8.6 × 105 IMPORTANT ! !
X
Ordre de grandeur des erreurs propagatives

Opération erreur estimée
dX dx
multiplications X = xn =n· ≈ n · εm
successives X x
1 dX dx
divisions succes- X = = −n · − ≈ n · εm
xn
sives X x
dX dx
additions succes- X =n·x = ≈ εm
sives X x

Démarche de limitation des erreurs d'arrondi

Quelques règles pour limiter les erreurs d'arrondi :
Utiliser un système d'unités tel que les valeurs utilisées soient de
l'ordre de l'unité.
.ATTENTION aux opérations sur des petits nombres. Exemple
pour θ ≈ 10−14 , il vaut mieux transformer le système d'équation et
θ
eectuer l'ensemble des calcus numériques sur θn = −14 .
10
Éviter de soustraire des nombres comparables.
Minimiser les soustractions.
Chercher le plus possible à sommer par paquet les quantités de
même ordre de grandeur.
Toujours contrôler et surveiller les erreurs. (cf. section Démarche
de contrôle des erreurs)

Généralités d'un schéma numérique
paramètres Procédure xbn : résultat obtenu

de calculs de calculs
Méthodes numériques reposant sur des schémas approximatifs

. Méthodes itératives (en général) .
=⇒ Erreurs indépendantes de la précision machine (en plus).
Provenance des erreurs d'approximation
Modèle physique simplié
Equations analytiques tronquées

Erreurs d'approximation d'un modèle simplié/tronqué

Un problème bien posé mais avec des
hypothèses idéalisées.
Exemple du modélè pendulaire en l'absence de L
friction visqueux : θ
d 2θ dθ
+mg sin θ = 0
mL + fv L

dt 2 dt m
| {z }
fv : frottement≈0
Solution si frottement visqueux est négligé :
θ(t) ≈ α sin (ω (t − t0 ))

dθ

g sin θ g
où α = α ω, et ω =
dt t=0 L
m Certains calculs sont pourvue d'erreur par construction car on ne peut

tenir compte de tous les paramètres d'un phénomène physique. m
Erreurs d'approximation par troncature de développement

analytique
Exemple d'un développement Taylor :
h h2 h3 hn (n)
f (x + h) = f (x) + f ′ (x) + f ” (x) + f (3) (x) + . . . + f (x) + o (hn )
1! 2! 3! n!
Estimation de la dérivée par taux d'accroissement
f (x + h) − f (x) h h2 (3) hn−1 (n)
= f ′ (x) + f ” (x) + f (x) + o hn−1

f (x) + . . . +
h 2
|
! 3!
{z
n!
}
o(h)
.
Estimation d'une dérivée par taux d'accroissement est pourvue d'une
erreur d'approximation due à la troncature du développement :
df (x) f (x + h) − f (x)
≈ avec une erreur de surestimation de o (h)
dx h
Exemples de calculs par approximations analytiques
calcul analytique approximation

100
x2 x 100
+∞ N=
xk xk
=1+x + = 1 + x + ... +
X X
exp(x) ...
k=0
k! 2! k=0
k! 100!
10
π2
+∞
1 1 1 N=
1 1 1 1
= 1 + + ... =1+
X X
+ + . . . + 10
6 k2 2 4 k2 2 4 2
k=1 k=0
 >0
x0
1 2

√

√

2 2

xn+1 = xn + x10 ≈
2 √ un
lim xn = 2




n→∞

Ordre de convergence d'un schéma numérique
paramètres Procédure xbk : résultat intermédiare

de calculs de calculs obtenu
. Méthodes itératives .

paramètres Procédure xbk : résultat intermédiare

de calculs de calculs obtenu
. Méthodes itératives .
Lors d'une procédure de calculs successifs/itératifs, on génère une suite

numérique :
n−1 , xbn tel que
xb1 , xb2 , xb3 , . . . , xbk , . . . , xd lim xbn = xsol
n→+∞
où xsol est la solution exacte.

L'erreur de l'itéré k :
errk = xbk − xsol


On dit que la méthode est de
convergence d'ordre p si l'erreur
varie comme 1/k p . Càd selon
l'inverse en puissance p du nombre
d'itération k .
Plus rigoureusement l'ordre de
convergence p est dénie par :
 p=1 linéaire

|errk+1 |

∃α ∈ R∗+ ∖ {+∞} lim
k→+∞ |errk |
p =α avec p=2 quadratique
p=3 cubique


mAu nombre d'itérations k identique, l'erreur est plus petit avec un

ordre p plus élevé m
mOrdre de convergence élevée =⇒ vitesse de convergence élevée m
Bilan des erreurs

Soit la procédure de calculs itératifs appelée F suivant un schéma
numérique (algorithme) donné) :
. ∃ accumulation des erreurs d'arrondi (antécédent et image), ainsi que

des erreurs de propagation . =⇒ Il est toujours nécessaire de contrôler
et surveiller les erreurs à n d'évaluer la pertinence du résultat obtenu.

Dénition des erreurs et diérences d'incrément

Procédure valeur attendue : X
paramètres de calculs
de calculs valeur obtenue : X∗
Erreur absolue Erreur relative

∗
∆X = |X − X |
X − X∗
∆r X = × 100(%)
X

Dénition des erreurs et diérences d'incrément

Procédure valeur attendue : X
paramètres de calculs
de calculs valeur obtenue : X∗
Erreur absolue Erreur relative

∗
∆X = |X − X |
X − X∗
∆r X = × 100(%)
X
Lorsque la valeur exacte attendue X est inconnue, mais son calcul fait
intervenir une succession des valeurs intermédiaire (suite) X0 , X1 , X2 , . . .,
Xk , Xk+1 , . . ., Xn−1 , Xn → Xsol :
n→+∞
Diérence d'incrément à Diérence relative d'incrément à
l'itération k + 1 l'itération k + 1
dik+1 = Xk+1 − Xk X −X
di(rk+) 1 = k+1 k
Xk
Critère de convergence et tolérance résiduelle

Si on suppose que la série des valeurs intermédiaire converge vers le
résultat théorique X0 , X1 , X2 , . . ., Xk , Xk+1 , . . ., Xn−1 , Xn 7→n→+∞ X ,
on peut dénir une tolérance résiduelle tol<1 qui permet d'indiquer le
critère d'arrêt :
Xk+1 − Xk
< tol
Xk
A ne pas confondre avec l'erreur absolue err à l'itération k qui ne peut

être déterminée de manière exacte :
errk = Xk − X
m La tolérance résiduelle est toutefois un indicateur des erreurs
numériques engendrée. m
Calcul d'une grandeur conservative

En math, soit la fonction f dénie par :
∀x ∈ E, la fonction f : x 7→ y , y ∈ F
Si xc est une grandeur conservative :
f (xc ) = yc = xc =⇒ f (xc ) − xc = 0
Application à l'estimation des erreurs numériques :
xbc
Procédure xc∗
de calculs c
Evaluation de la précision des calculs par :

∗
c − xbc
∆xc = xc
m Toute variation des valeurs numériques de cette grandeur permet

d'estimer la précision de la méthode. m
Evaluation de l'inuence de la discrétisation

Pour les méthodes qui reposent sur une discrétisation de l'espace et/ou
du temps, on peut voir l'inuence d'une diminution du pas.
paramètre de : h1 Procédure xb1

discrétisation de calculs
∆(h) x = |xb1 − xb2 |
paramètre de : h2 Procédure xb2
discrétisation de calculs
Si les solutions sont proches, on peut penser que la méthode est able ;
l'écart entre les deux solutions donne alors un ordre de grandeur de
l'erreur produite. À l'inverse, si une diminution du pas donne une solution
radicalement diérente de la précédente il est hautement probable que
l'on se trouve dans une région d'instabilité .

§ Aucun calcul numérique n'est exact.
§ Vérication des erreurs en l'absence de la vraie valeur par évaluation
de :
diérence relative dik vs. tolérance résiduelle critère d'arrêt/de
(r )
convergence
calcul d'une grandeur conservative
évaluation de la sensibilité à la discrétisation (ou autres paramètres
de calculs).
Les erreurs
sont liés à la convention de codage des nombres arrondi
sont liés à la méthode de calculs approximation
se propage et peuvent s'amplier
Il existe des démarches pour éviter les erreurs :
regroupement de calcul des nombres du même ordre de grandeur
Éviter les opérations dont les opérandes sont des ordres de grandeurs
diérentes pour les opérations multiplication, addition et division.
Eviter les opérations dont les opérandes sont de même ordre de
grandeur pour la soustraction.
Dérivées & intégrales numériques Dérivées numériques
Résolution numérique des équations algébriques non linéaires Intégrations numériques
Outline


Outline

Dérivées numériques
Intégrations numériques

Avant propos
f (x) = x 2 − cos x
f ′ (x) = 2x + sin x
y
30 calcul 10 y
20 analytique x
10 −5 5
x
−10
−5 5
m f ∈ D (dérivable une fois). f une fonction analytique connue =⇒
∞
la dérivée f ′ est facile à trouver.

® Qu'en est-il lorsque nous avons des points numériques issues des
mesures expérimentales ®
f inconnue. f ′ encore moins...

Principe de base
Exemple d'échantillonnage de n points sur
l'intervalle [a, b]
xi yi = f (xi ) wi ≈ f ′ (xi )
x0 = a y0 ?
x1 y1 ?
x2 y2 ?
.. .. ..
. . .
xk yk wk =?
.. .. ..
. . .
xn−1 = b yn−1 ?
Les valeurs sont discrètes =⇒

fonction obtenue non continue !

Principe de base
Exemple d'échantillonnage de n points sur y
l'intervalle [a, b]
80
xi yi = f (xi ) wi ≈ f ′ (xi )
x0 = a y0 ?
x1 y1 ?
x2 y2 ? 40 yk+1
.. .. .. yk
. . . yk
yk−1
xk yk wk =?
.. .. .. x
. . . . . .xk−1 xk
xn−1 = b yn−1 ?
x1
b x2 xk+1
Idée : utiliser les valeurs numériques

Les valeurs sont discrètes =⇒ pour estimer f ′ (xk ) associé à
fonction obtenue non continue ! chaque point xk
m La dérivée obtenue sera aussi un vecteur/tableau numérique (de
même dimension) !
m Calcul itératif pour remplacer/déterminer les valeurs de wk ≈ f ′ (xk )
Hypothèses de travail
Ò On ne connaît pas f (x), x 7→ y = f (x)
pour ∀x ∈ [a, b]
Mais on connaît quelques valeurs
particulières supposées être des Pour n échantillonages de points, on
images par la fonction f : peut noter :
y0 → f (x0 ) yk → f (xk )
y1 → f (x1 ) ∀k ∈ [[0; n − 1]]
y2 → f (x2 )
.. f (xk ) = f (x0 + k · h) ≈ yk
.
f (xk + h) − f (xk ) ≈ yk+1 − yk
m On suppose le pas d'échantillonage h
constant : f (xk ) − f (xk − h) ≈ yk − yk−1
x1 − x0 = h xk = xk−1 + h
x2 − x1 = h xk+1 = xk + h
x3 − x2 = h
..
.
Développement limité de Taylor
WÊXW♥
On sait que pour ∀x ,
h2 ” h3 hn
f (x + h) = f (x) + hf ′ (x) + f (x) + f (3) (x) + . . . + + f (n) (ξ)
2! 3! n!
avec h susamment petit et x < ξ < x + h
On peut utiliser le développement de Taylor pour estimer
la dérivée à droite
la dérivée à gauche
la dérivée centrée

Dérivée à droite
m
On utilise un point à droite de xk pour estimer la dérivée au point xk :
wk ≈ f ′ (xk ).
Le point en xk : {xk , yk = f (xk )}

Le point à droite de xk : {xk+1 , yk+1 = f (xk + h)})

Dérivée à droite
m
wk ≈ f ′ (xk ).

Rappel :
h2 ” h3 hn
2! 3! n!

Dérivée à droite
m
wk ≈ f ′ (xk ).

Rappel :
h2 ” h3 hn
2! 3! n!
h2 ” h3 hn
hf ′ (x) = f (x + h) − f (x) − f (x) + f (3) (x) + . . . + + f (n) (ξ)
2! 3! n!

Dérivée à droite
m
wk ≈ f ′ (xk ).

Rappel :
h2 ” h3 hn
2! 3! n!
h2 ” h3 hn
hf ′ (x) = f (x + h) − f (x) − f (x) + f (3) (x) + . . . + + f (n) (ξ)
2! 3! n!
f (x + h) − f (x) h h2 hn−1 (n)

f ′ (x) = − f ” (x) + f (3) (x) + . . . + f (ξ)
h |2! 3! {z n! }
O(h)
Dérivée à gauche
m
On utilise un point à gauche de xk pour estimer la dérivée au point xk :
wk ≈ f ′ (xk ).

Le point à gauche de xk : {xk−1 , yk−1 = f (xk − h)})

Dérivée à gauche
m
wk ≈ f ′ (xk ).

Rappel :
h2 ” h3 hn
f (x − h) = f (x) − hf ′ (x) + f (x) − f (3) (x) + . . . + (−1)n f (n) (ξ)
2! 3! n!

Dérivée à gauche
m
wk ≈ f ′ (xk ).

Rappel :
h2 ” h3 hn
2! 3! n!
h2 ” h3 hn
hf ′ (x) = f (x) − f (x − h) + f (x) − f (3) (x) + . . . + (−1)n f (n) (ξ)
2! 3! n!

Dérivée à gauche
m
wk ≈ f ′ (xk ).

Rappel :
h2 ” h3 hn
2! 3! n!
h2 ” h3 hn
hf ′ (x) = f (x) − f (x − h) + f (x) − f (3) (x) + . . . + (−1)n f (n) (ξ)
2! 3! n!
f (x) − f (x − h) h h2 hn−1 (n)

f ′ (x) = +− f ” (x) + f (3) (x) + . . . + (−1)n f (ξ)
h | 2! 3! {z n! }
O(h)
Dérivée centrée
m
On utilise un point à gauche et un un point à droite de xk pour
estimer la dérivée au point xk : wk ≈ f ′ (xk ).

Dérivée centrée
m
Rappel :
 2 h3 (3) hn
 f (x + h) = f (x) + hf ′ (x) + h f ” (x) + f (x) + . . . + f (n) (ξ)
22! 3!

n!
 f (x − h) = f (x) − hf ′ (x) + h f ” (x) − h3 (3) hn
f (x) + . . . + (−1)n f (n) (ξ)

2! 3! n!

Dérivée centrée
m
Rappel :
 2 h3 (3) hn
22! 3!

n!
 f (x − h) = f (x) − hf ′ (x) + h f ” (x) − h3 (3) hn
f (x) + . . . + (−1)n f (n) (ξ)

2! 3! n!
h3 (3) h2n+1 (2n+1)
− =⇒ f (x+h)−f (x−h) = 2hf ′ (x)+2 f (x)+. . .+2 f (ξ)
3! (2n + 1)!

Dérivée centrée
m
Rappel :
 2 h3 (3) hn
22! 3!

n!
 f (x − h) = f (x) − hf ′ (x) + h f ” (x) − h3 (3) hn
f (x) + . . . + (−1)n f (n) (ξ)

2! 3! n!
h3 (3) h2n+1 (2n+1)
− =⇒ f (x+h)−f (x−h) = 2hf ′ (x)+2 f (x)+. . .+2 f (ξ)
3! (2n + 1)!
f (x + h) − f (x − h) h2 h2n
f ′ (x) = + f (3) (x) + . . . + f (2n+1) (ξ)
2h 3! (2n + 1)!
| {z }
O(h2 )
Calculs numériques des dérivées Implémentation

schéma expression wk = f ′ (xk )
f (x + h) − f (x) yk+1 − yk
à droite f ′ (x) = − o(h) wk =
h xk+1 − xk
f (x) − f (x − h) yk − yk−1
à gauche f ′ (x) = + o(h) wk =
h xk − xk−1
f (x + h) − f (x − h) yk+1 − yk−1
centrée f ′ (x) = + o(h2 ) wk =
2h xk+1 − xk−1
1 Création et initialisation à zéro d'un
vecteur de même dimension que xVect et xi yi = f (xi ) wi ≈ f ′ (xi )
yVect : x0 = a y0 ?
x1 y1 w1
n = np.size(xVect) x2 y2 w2
wVect = np.zeros(n) .
.
.
.
.
.
. . .
2 Remplacer un à un (par itération) chaque xk
.
yk
.
wk = #
.
élément du vecteur wVect .
.
.
.
.
.
xn−2 = b yn−2 wn−2
for k in range(1, n-1): xn−1 = b yn−1 ?
#expression de calcul
wVect[k] = <...>
L'expression de calcul de chaque élément wVect[k] au choix :

schéma expression précision
f (x + h) − f (x)
à droite f ′ (x) = − O(h) ordre 1
h
f (x) − f (x − h)
à gauche f ′ (x) = + O(h) ordre 1
h
f (x + h) − f (x − h)
centrée ′
f (x) = + O(h2 ) ordre 2
2h
. Le schéma de la dérivée centrée ne permet pas d'évaluer la valeur de

la dérivée aux bornes de l'intervalle [a, b] d'échantillonnge, càd aux points
x0 = a et xn−1 = b .
Idems pour :
schéma à gauche ↛ ( f ′ (x
(0()=(f(′ (
(a)
schéma à droite ↛ ( ′
(1 ) = f ′ (b)
(
(
f (x(n− ( ( (

Ordre de précision
L'expression de calcul de chaque élément wVect[k] au choix :
schéma expression précision
f (x + h) − f (x)
à droite f ′ (x) = − O(h) ordre 1
h
f (x) − f (x − h)
à gauche ′
f (x) = + O(h) ordre 1
h
f (x + h) − f (x − h)
centrée f ′ (x) = + O(h2 ) ordre 2
2h
ordre d'une approximation
Une fonction g (h) est dite d'ordre n au voisinage de 0 si ∃M > 0
g (h)
≤ M noté =⇒ g (h) = O(h )
n
lim
h→0 hn
Ainsi pour une fonction en h d'ordre n, si h est divisée par 2 =⇒ la valeur de O(hn ) sera
divisée par 2n
. L'ordre plus élevé ⇐⇒ erreurs d'approximations amoindries.

Dérivée seconde
Rappel :
 2 h3 (3) hn
22! 3!

n!
 f (x − h) = f (x) − hf ′ (x) + h f ” (x) − h3 (3) hn
f (x) + . . . + (−1)n f (n) (ξ)

2! 3! n!
h4 (4) h2n (2n)

=⇒ f (x+h)+f (x−h) = 2f (x)+h2 f ” (x)+ f (x)+. . .+2
X
f (ξ)
4! (2n)!
h4 (4) h2n (2n)

h2 f ” (x) = f (x + h) + f (x − h) − 2f (x) − f (x) − . . . − 2 f (ξ)
4! (2n)!
f (x + h) + f (x − h) − 2f (x) h2 (4) h2n−2 (2n)
f ” (x) = − f (x) − . . . − 2 f (ξ)
h2 4! (2n)!
| {z }
O(h2 )

Dérivée seconde bis

Rappel :
 2 3 n
 f (x + h) = f (x) + hf ′ (x) + h f ” (x) + h f (3) (x) + . . . + h f (n) (ξ)
2! 2 2 3! 3 3

n!
 f (x + 2h) = f (x) + 2hf ′ (x) + 2 h f ” (x) + 2 h f (3) (x) + . . . + 2 h f (n) (ξ)
n n

2! 3! n!
(2) − 2 × (1) :
−2f (x + h) + f (x + 2h) = −f (x) + h2 f ” (x)+
6h3 (3) hn (n)
f (x) + . . . + (2n − 2) f (ξ)
3! (n)!
| {z }
O(h3 )
−2f (x + h) + f (x + 2h) = −f (x) + h2 f ” (x) − O(h3 )

f (x) − 2f (x + h) + f (x + 2h)
f ” (x) = + O(h)
h2
Sensibilité à l'ordre et au pas d'échantillonnage h

Allures des fonctions Erreurs relatives pour diérents pas

x
f (x) = 1 − exp −
2

Amélioration de la précision de calculs

m Diminution du pas h =⇒
diminution d'erreurs
d'approximation.
.MAIS .
m ∃ risque de limitation due au
codage des nombres
Rappel :
yk+1 yk+1 + yk−1 − 2yk
h
yk
∆r f ”
f”≈ ordre 2
ordre 1 ordre 2 h2
10−1 1 + 10−2 10−1 10−1
yk − 2yk+1 + 2yk+2
OK 10−3 1 + 10−4 10−3 10−8 f”≈ ordre 1
10−4 1 + 10−5 10−4 10−8 h2
OK
10−7 1 + 10−8 10−1 10−1 Présence des soustractions des
10−10 1 + 10−11 100 100
nombres petits et très proches !

Instabilité générale de la diérentiation numérique

On avait supposé :
yk = f (xk ), ∀k {0, n − 1}  O(h2 ) ↘

Si h ↘, =⇒ ∆ε
En réalité (arrondis ou mesures) : ↗
2h

yk = f (xk ) + εk ∆ε
Le terme des écarts peut devenir
2h
Conséquence sur le schéma numérique dérivation 2
plus important que O(h ) (indicateur
centrée : : de la précision de la méthode).
∆ε
Si ε provient des
z }| {
yk+1 − yk−1 f (xk+1 ) − f (xk−1 ) εk+1 − εk−1
2h
=
2h
+
2h arrondis/troncature =⇒
augmentation en double précision
Or, f ′ (x) =
f (xk+1 ) − f (xk−1 )
+ O(h2 ) Si ε provient des incertitudes de
2h mesure/erreurs de données =⇒
Donc, inutile... il faut améliorer
l'incertitude de mesures.
yk+1 − yk−1 ∆ε
= f ′ (x) + O(h2 ) +
2h 2h
|{z}
?
terme≥O(h2 ) Programmation et techniques scientiques
jlo@univ-jfc.fr 52 / 78
Instabilité en présence des bruits 1%

Allures des fonctions Erreurs relatives pour diérents pas

x
f (x) = 1 − exp −
2

Inuence du pas des mesures bruités
Aucune amélioration de la
précision par diminution du pas
d'échantillonnage.
∃ solutions techniques :
Techniques numériques de lissage de données (cf. approximation et
interpolation par une fonction L2S1).
Filtrage des mesures in situ ou en post-traitement (cf. cours
électricité analyse fréquentielle & SciPy )
schémas numériques plus sophistiqués (cf. L2S2 ou en Master)

Bilan & Take home message

§ ∃ une multitude de schémas numériques pour la dérivée →
déductible facilement de la formule de Taylor
de diérents ordres d'approximation précision
§ Diminuer le pas d'échantillonnage diminue les erreurs sauf
les erreurs d'arrondi deviennent dominantes.
en présence de bruits importants.
=⇒ un compromis est nécessaire
§ Aspect technique de l'implémentation d'un schéma de dérivée :
Création d'un vecteur de même dimension que le vecteur d'abscisse,
initialisée par des zéros.
Calculer et remplacer élément par élément du vecteur avec un
schéma numérique du choix une gestion et utilisation éclairée de la
structure itérative for et les indices d'un vecteur.


§ Supposition forte lors de l'implémentation d'un schéma de
dérivation :
le k -ème élément de l'ordonné est associé au k -ème élément de
l'abscisse : yk = f (xk ) f à priori inconnu.
idem pour le vecteur des dérivées : wk = f ′ (xk ) et vk = f ”(xk ).
le pas d'échantillonnage h est constant tel que h = xk+1 − xk et
xk = x0 + h · k
§ Un seul schéma numérique de dérivation ne permet pas de calculer
la dérivée sur l'ensemble des antécédents.
yk+1 − yk
droite : f ′ (xk ) ≈ ↛ f (xn−1 ) car xn et yn n'existe pas.
xk+1 − xk
yk − yk−1
gauche : f ′ (xk ) ≈ ↛ f (x0 ) car x−1 et y−1 n'existe pas.
xk − xk−1
yk+1 − yk−1
centrée : f ′ (xk ) ≈ ↛ ni f (x0 ) ni f (xn )
xk+1 − xk−1

Bilan schémas de dérivation numérique usuels
nom usuel schéma erreur ordre

fk+1 − fk−1
dérivation centrée ′
fk = O(h2 ) 2
2h
fk+1 − fk
dérivation à droite ′
fk = O(h) 1
h
fk − fk−1
dérivation à gauche ′
fk = O(h) 1
h
fk+1 + fk−1 − 2fk

derivation double fk” = O(h2 ) 2
h2
fk − 2fk+1 + 2fk+2
derivation double fk” = O(h) 1
h2

Rappel sur la structure itérative Pour

Début iDeb = ...
iFin = ...
Initialisation variables pas = ...
for compteur in range(iDeb, iFin
Initialisation comp- , pas):
teur, iDeb, iFin, pas #instructions
compteur ̸= iFin ?
True False
Instructions à itérer
Mise à jour compteur Sortie de boucle

Exercice à vous !
text file
# t y Implémenter les méthodes de
0.000e+00;0.000e+00 dérivée numérique aux données
1.745e-01;3.015e-02 du chier de données
3.491e-01;1.170e-01
5.236e-01;2.500e-01
y = y (t) :
6.981e-01;4.132e-01 data-sin-carre.dat
8.727e-01;5.868e-01
1.047e+00;7.500e-01
1.222e+00;8.830e-01
1.396e+00;9.698e-01

Intégrations numériques
Avant propos
y
30 f (x) 50 y F (x)
20 calcul x
10 analytique−5 5
x −50
−5 5 Z b
Calcul d'intégral : b
f (x)dx = [F (x)]a = F (b) − F (a)
a
mPossible
seulement si : ∃F ∈ D1 , F 7→ f = F
′
F une fonction primitive de f .

x3
e.g. f (x) = x 2 − cos x =⇒ F (x) = − sin x + cstx
3
® Quid lorsque nous avons des points numériques issues des mesures
expérimentales. ® Ou si f (x) n'a pas de primitive ®
Intégrale Riemann
y
80
Exprimer l'aire de la zone
aire : ak =? colorée :
40 f (αk ) yk+1
f (αk )
yk
yk−1
x
...
x1 x2 xk−1 xk αkxk+1
b

Intégrale Riemann
y
80
40 f (αk ) yk+1
f (αk )
yk ak = f (αk ) · (xk+1 − xk )
yk−1
x
...
b
Selon Riemann
Z b X2
n−
f (x)d(x) = lim f (αk ) (xk+1 − xk ), t.q. xk ≤ αk ≤ xk+1
n→∞
a k=0
| {z }
ak
Intégration = somme des (n − 1) aires pour n échantillonnages

Intégrale Riemann
y
80
40 f (αk ) yk+1
f (αk )
yk ak = f (αk ) · (xk+1 − xk )
yk−1
x
...
b
Selon Riemann
Z b X2
n−
f (x)d(x) = lim f (αk ) (xk+1 − xk ), t.q. xk ≤ αk ≤ xk+1
n→∞
a k=0
| {z }
ak
Intégration = somme des (n − 1) aires pour n échantillonnages

Intégration numérique & boucle d'itérations

On sait faire (cf. L1S2) :
X1
n−
k = 0+1+2+3+. . .+k+. . .+(n−2)+(n−1)
k=0
s=0
for k in range(0, n):
s=s+k

Intégration numérique & boucle d'itérations

On sait faire (cf. L1S2) :
On veut faire :
X1
n−
k = 0+1+2+3+. . .+k+. . .+(n−2)+(n−1) Z b n−2
X
k=0 f (x)d(x) ≈ ak
s=0 a k=0
for k in range(0, n):
s=s+k où ak = f (αk ) (xk+1 − xk )
aussi pour une liste L de n éléments
m Il faut évaluer ak (aire
X1
n−
L[k] = L[0]+L[1]+. . .+L[k]+. . .+L[(n−1)]
élémentaire) à chaque itération
k=0 ∃ multitudes façons d'évaluer
s=0 f (αk ).
for k in range(0, n): par la méthode de rectangle
el = L[k] (droite ou gauche)
s=s+el méthode de trapèze
méthode Simpson

Méthode des rectangles

y Exprimer l'aire de la zone
80 colorée :
On peut assimiler
aire : ak =? αk = xk ou αk = xk+1 .
40 Au quel cas son image
f (αk ) = yk
yk+1
vaut :
yk
yk−1 f (αk ) = yk ou yk+1
x
x1 x2 ... xk−1 xk xk+1
b .
Z b X2
n−
f (x)d(x) ≈ ak , t.q.
a k=0
ak = yk · (xk+1 − xk ) ou ak = yk+1 · (xk+1 − xk )
N.B. On assimile f comme une droite constante dans l'intervalle [xk , xk+1]
Méthode des trapèzes

y
80 colorée :
aire : ak =? On peut assimiler αk un
point intermédiare
40 yk+1 αk ∈ [xk , xk+1], tel que
f (αk ) = yk son image soit le
yk−1
yk
barycentre
yk+1 + yk+1
x f (αk ) = :
... 2
x1 x2 xk−1 xk xk+1
b
Méthode trapèze
Z b X2
n−
yk+1 + yk+1
f (x)d(x) = ak avec ak = · (xk+1 − xk )
a k=0
2
N.B. On assimile f comme une droite ane dans l'intervalle [xk , xk+1]
Méthode de Simpson

Sur un intervalle déni par 2 points d'échantillonnage [xk , xk+1]

=⇒ la fonction f à intégrer est assimilée est une autre fonction
dénie par intervalle :
méthode supposition
rectangles f = g avec g (x) = yk constant par intervalle
trapèzes f = g avec g (x) = ak x + bk ane par intervalle.
Sur un intervalle déni par 3 points d'échantillonnage [xk−1 , xk+1]
la fonction f à intégrer est assimilée est une autre fonction
polynomiale quadratique dénie par intervalle :
méthode supposition
Simpson f = g avec g (x) = γk x 2 + βk x 1 + αk polynôme d'ordre 2 par intervalle.
La fonction g doit coïncider par les points d'échantillonnage.
Dans l'implémentation des méthodes, on n'a pas forcément besoin de
connaître/exprimer l'équation qui régit sur chaque intervalle, mais une
valeur d'image permettant de calculer l'aire !
Aire d'une fonction polynomiale quadratique

On peut aisément résoudre le
Sur 3 points/pivots quelconques système d'équations à trois inconnus
avec m le point milieu entre a et b. pour trouver α, β, γ du polynôme
quadratique :
g (x) = α + βx + γx 2
Supposition : ∀x ∈ [a, b] , f (x) = g (x)

mOn sait comment intégrer un
polynôme ! m
On montre ainsi que l'aire :
Zb
1
aire sous la courbe : g (x)dx = 2h (f (a) + 4f (m) + f (b)) (1)
6
a | {z }
valeur particulière calculée

Sur un nombre n de points/pivots

En prenant deux sous-intervalles
adjacents, on calculera une aire
élémentaire :
R1
k+
Ak = g (x)dx
k−1
1
= 2h (f (xk−1 ) + 4f (xk ) + f (xk+1 ))
6
| {z }
valeur particulière calculée
(2)
avec x0 = a, xn−1 = b & n = 2m + 1 impair ..
Z b Z x2 Z x4 Z x6 Z xn−1
A= f (x)dx = g1 (x)dx + g3 (x)dx + g5 (x)dx + . . . + gn−2 (x)dx
a x0 x2 x4 xn−3
Simplcation des termes

Z x2 Z x4 Z x6 Z xn−1
Rb
A= a f (x)dx = g1 (x)dx + g3 (x)dx + g5 (x)dx + . . . + gn−2 (x)dx
x0 x2 x4 xn−3
| {z } | {z } | {z } | {z }
A1 A3 A5 An−2
n−1
2
A2k−1 avec n = 2m + 1.IMPAIR
P
=
k=1
h
A1 = (f0 + 4f1 + f2 )
3
h Tous les termes impairs : multiples de 4
A3 = (f2 + 4f3 + f4 )
3
h
A5 = (f4 + 4f5 + f6 )
Tous les termes pairs : multiples de 2
3
h
A7 = (f6 + 4f7 + f8 )
3
h
An−4 = (fn−5 + 4fn−4 + fn−3 )
3
h
An−2 = (fn−3 + 4fn−2 + fn−1 )
jlo@univ-jfc.fr
3
Programmation et techniques scientiques 70 / 78
Formule composite méthode Simpson
Calcul par intervalles constitués de 3 points d'échantillonnages [xk−1 , xk+1]

n−1
2
b 2h X
Z
f (x)dx ≈ (f2i−2 + 4f2i−1 + f2i )
a 6 i=1
ou
n−1 n−3
 
2 2
b 2h 
Z
f0 + fn−1 + 4 f2i−1 + 2
X X
f (x)dx ≈ f2i 

a 6 i=1 i=1
. n doit être IMPAIR .


§ Pour intégrer une fonction f , on suppose que f (x) = gk (x) où gk :
constante sur l'intervalle [xk , xk+1] méthode des rectangles
ane sur l'intervalle [xk , xk+1] méthode des trapèzes
quadratique sur l'intervalle [xk−1 , xk+1] méthode de Simpson
§ Nul besoin de connaître la forme exacte de gk pour l'intégrale
numérique. On calcule simplement une valeur représentative sur
chaque sous-intervalle. L'aire est calculée par cette valeur
représentative de gk (x).
§ L'intégrale de chaque sous-intervalle est assimilée à un calcul
d'aire : valeur représentative de gk × largeur du sous-intervalle
§ Il faut eectuer la somme des aires de manière itérative boucle for.
§ Il y a autant d'itérations à faire que le nombre de sous-intervalles
considérés.
méthode rectangles trapèzes Simpson

fk+1 + fk 1
valeur représen- fk+1 ou fk (fk−1 + 4fk + fk+1 )
tative de gk 2 6
Largeur sous- h = xk+1 − xk h = xk+1 − xk 2h = xk+1 − xk−1
intervalle
fk+1 + fk 1
Aire Ak fk (xk+1 − xk ) (xk+1 − xk ) (fk−1 + 4fk + fk+1 ) (xk+1 − xk )
2 6
fk+1 + fk 1
= fk h = h = (fk−1 + 4fk + fk+1 ) 2h
2 6
n−1
(n − 1) (n − 1)
2
Nombres sous-
intervalles pour
n points

Exercice à vous !
text file
Intégrer numériquement ydt à
R
# t y
0.000e+00;0.000e+00 partir du chier de données
1.745e-01;3.015e-02 y = y (t) :
3.491e-01;1.170e-01
5.236e-01;2.500e-01 data-sin-carre.dat
6.981e-01;4.132e-01
8.727e-01;5.868e-01
1.047e+00;7.500e-01
1.222e+00;8.830e-01
1.396e+00;9.698e-01

Outline


Outline


Outline


Outline


Programmation Scientifique Python Partie III Derivee Integrale

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

Programmation Scientifique Python Partie III Derivee Integrale

Transféré par

Droits d'auteur :

Formats disponibles

Programmation et techniques scientiques

 exploitation du langage et des modules Python 

jlo@univ-jfc.fr Programmation et techniques scientiques 1 / 78

Ö Partie I : Généralités de la démarche en programmation scientique

Ö Partie II : Utilisation des bibliothèques usuelles pour la programmation

Ö Partie III : Outils de base en analyse numérique

jlo@univ-jfc.fr Programmation et techniques scientiques 2 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 3 / 78

Utilisation des bibliothèques usuelles

jlo@univ-jfc.fr Programmation et techniques scientiques 4 / 78

Troisième partie III

Outils de base en analyse numérique

jlo@univ-jfc.fr Programmation et techniques scientiques 5 / 78

1 Notions des erreurs numériques

jlo@univ-jfc.fr Programmation et techniques scientiques 6 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 7 / 78

Sources des erreurs numériques

On sait que mais :

X − tronc(X ) = ±.dm+1 b e+m

e.g. b = 10, m = 3, X = 1237. e.g. b = 10, m = 3, X = 1237.

=⇒ Erreurs fortement liés au codage des nombres : b, m, e

Codage binaire des nombres ottants en 32 bits

n = (−1) 1.Mt |2 × 2E −127

S est le bit de signe

E.g. S = 0, Mt = 112 , Ed = 128

s exposant décalée mantisse

jlo@univ-jfc.fr Programmation et techniques scientiques 10 / 78

Principes de codage binaire en 32 bits

s exposant décalée mantisse

Limites du codage binaire selon norme IEEE 754

Codage exposant min. max. précision machine

jlo@univ-jfc.fr Programmation et techniques scientiques 12 / 78

Exemples de dépassement overow & underow

jlo@univ-jfc.fr Programmation et techniques scientiques 13 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 14 / 78

Exemple limitation due à la précision de la machine

Propagation des erreurs d'arrondi

Transformation des opérations arithmétiques simples

Pour une suite d'opérations, il faut arrondir et tronquer à chaque

jlo@univ-jfc.fr Programmation et techniques scientiques 17 / 78

Transformation des opérations arithmétiques simples

Pour une suite d'opérations, il faut arrondir et tronquer à chaque

Exemple (b = 10, m = 3) : X = (1/3) × 3 Erreur relative :

Transformation des opérations arithmétiques simples

Pour une suite d'opérations, il faut arrondir et tronquer à chaque

Exemples pertes d'associativité

Propagation divergente des erreurs d'arrondi

® Que vaut en théorie x ? ®

jlo@univ-jfc.fr Programmation et techniques scientiques 20 / 78

Propagation divergente des erreurs d'arrondi

® Que vaut en théorie x ? ®

jlo@univ-jfc.fr Programmation et techniques scientiques 20 / 78

Propagation divergente des erreurs d'arrondi

jlo@univ-jfc.fr Programmation et techniques scientiques 20 / 78

Ordre de grandeur des erreurs propagatives d'arrondi

jlo@univ-jfc.fr Programmation et techniques scientiques 21 / 78

Ordre de grandeur des erreurs propagatives d'arrondi

Ordre de grandeur des erreurs propagatives

Opération erreur estimée

jlo@univ-jfc.fr Programmation et techniques scientiques 22 / 78

Démarche de limitation des erreurs d'arrondi

jlo@univ-jfc.fr Programmation et techniques scientiques 23 / 78

Généralités d'un schéma numérique

Programmation et techniques scientiques

exploitation du langage et des modules Python

jlo@univ-jfc.fr Programmation et techniques scientiques 1 / 78

Ö Partie I : Généralités de la démarche en programmation scientique

jlo@univ-jfc.fr Programmation et techniques scientiques 2 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 3 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 4 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 5 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 6 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 7 / 78

Codage binaire des nombres ottants en 32 bits

jlo@univ-jfc.fr Programmation et techniques scientiques 10 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 12 / 78

Exemples de dépassement overow & underow

jlo@univ-jfc.fr Programmation et techniques scientiques 13 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 14 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 17 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 20 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 20 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 20 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 21 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 22 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 23 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 24 / 78

Erreurs d'approximation d'un modèle simplié/tronqué

jlo@univ-jfc.fr Programmation et techniques scientiques 27 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 28 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 28 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 30 / 78

Dénition des erreurs et diérences d'incrément

jlo@univ-jfc.fr Programmation et techniques scientiques 31 / 78

Dénition des erreurs et diérences d'incrément

Evaluation de l'inuence de la discrétisation

jlo@univ-jfc.fr Programmation et techniques scientiques 36 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 37 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 38 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 39 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 41 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 42 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 42 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 42 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 43 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 43 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 43 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 44 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 44 / 78

jlo@univ-jfc.fr Programmation et techniques scientiques 44 / 78

Calculs numériques des dérivées Implémentation

jlo@univ-jfc.fr Programmation et techniques scientiques 46 / 78