Académique Documents
Professionnel Documents
Culture Documents
Semestre S2
Mail: k.amghar@uae.ac.ma
Plan du module
Etc…..
Les projets sont de plus en plus grands et de plus en plus coûteux.
Les projets sont soumis à des contraintes de sécurité.
Mais réaliser des prototypes à échelles réelle ou réduit coûte très cher en temps et en
argent ;
Alors on fait appel à la modélisation numérique pour minimiser ces coûts.
Chaque hypothèse simplificatrice doit être justifiée, d’où une remise en cause possible
des modèles numériques !
Exemple de simplification de modèles :
Pb 1D, 2D, 3D.
Pb stationnaire ou non stationnaire.
Assimiler l’air à un gaz parfait.
Pb : À part quelques cas simples à géométries particulières, on ne sait pas trouver une
solution analytique, que fait-on alors ?
Résultats de la discrétisation :
Un système algébrique, linéaire ou non linéaire.
Mise en oeuvre des méthodes de l’analyse numérique classique.
Une méthode est dite instable si elle est sujette à une propagation importante des
erreurs numériques de discrétisation.
Un problème peut être bien conditionné alors que la méthode numérique choisie pour
le résoudre est instable. Dans ce cas, il est impératif de changer la méthode numérique.
1 2 1 2 3 1 2 3 4
L’équation aux dérivées partielles continue est ainsi remplacée par une équation aux
différences:
u u u
( xi ) i 1 i
x x
ui 1 ui 1
2 x
Pour la méthode de type "cell center", les volumes de contrôle coïncident avec les
maillages structurés (Fig.3) ainsi construit pour le cas de maillage en triangles (Fig.4).
Pour cette formulation, les degrés de liberté sont stockés aux centres des cellules du
maillage. Cette approche à pour avantage de ne pas nécessiter la construction d’un
maillage adjoint.
Notons enfin que les volumes de contrôle peuvent aussi être construits à partir de
maillages comme illustré à la figure 5.
Ou encore :
A.x = b (1.3)
Avec :
x = A-1.b
III.2.1.Méthode de dichotomie
La condition f (a) f (b) 0 signifie que f(a) et f(b) sont de signes opposés. L’hypothèse
de continuité est essentielle.
Ce théorème affirme qu’il existe au moins une solution de l’équation (f (x) = 0) dans
l’intervalle [a, b].
D’autre part, pour l’appliquer sur un intervalle suffisamment petit, on part d’une
fonction:
Soit, f: [a, b] → ℝ continue, avec a < b, et f (a) f (b) 0
ab
Au première étape, on détermine le signe de la fonction f au point , alors:
2
ab a b
Si: f (a) f ( ) 0 , alors il existe c є a, tel que f(c) = 0.
2 2
a0 b0
a a0 b0 b
2
Au rang 1:
a0 b0
Si : f (a0 ) f ( )0
2
a0 b0
Alors on pose a1 = a0 et b1
2
a0 b0
Sinon: a1 et b1 = b, donc il existe x1 Є [a1, b1] tel que : f(x) = 0.
2
a0 b0
a0 2 b0
a b
Au rang n :
an bn
Sur [an, bn], si f (an ) f ( ) 0 , alors :
2
an bn
an+1 = an et bn 1
2
a b
Sinon, an 1 n n et bn+1 = bn, donc il existe xn є [an, bn] tel que : f(x) = 0.
2
a0 b0
a0 2 b0
a b
III.2.2. Méthode de Lagrange
Cette méthode découle explicitement de celle de dichotomie. Elle est plus efficace,
dans la mesure qu’elle tient compte non seulement du signe de la fonction aux
extrémités mais aussi de sa valeur aux bornes de l’intervalle considéré. Dans cette
méthode, on divise l’intervalle [an, bn] en [an,wn] et [wn, bn], la borne wn représente
l’abscisse du point d’intersection de la droite passant par (an, f(an)), (bn, f(bn)) et l’axe
des abscisses.
La borne wn coupe l’axe des abscisses au point:
bn an bn an
wn bn f (bn ) an f (a n )
f (b n ) f (a n ) f (b n ) f (a n )
À partir des Eqs. (1.4) et (1.5), on obtient ainsi le schéma numérique de la méthode de
Newton, soit :
f (x n )
xn 1 xn (1.6)
f ' ( xn )
Exemple :
f ( x0 ) f ( x1 ) f ( x2 )
x1 x0 , x2 x1 , x3 x2
f ' ( x0 ) f ' ( x1 ) f ' ( x2 )
Chapitre 2
Méthode des différences finies
2.1 Introduction
La méthode des différences finies (MDF) est la plus ancienne, la plus simple et la
plus appliquée jusqu’à la fin des années 70. C’est grâce aux connaissances acquises
dans le cadre de la MDF que les autres méthodes ont pu être développées. Elle est
basée sur le développement en série de Taylor d’une fonction ; cependant elle
nécessite un maillage régulier, d’où une certaine difficulté à s’adapter aux domaines à
géométries complexes.
x0 x1 x2 x3 x4 x5 x6 xN
h 2 ''
u (x i h) u ( xi ) hu ( xi ) u ( xi ) h 3 u ( ) où є [xi, xi+1]
'
2!
h2
u (x i h) u ( xi ) hu ' ( xi ) u '' ( xi ) h 3 u ( ) où є [xi-1, xi]
2!
u (x i h) u (x i h)
u ' ( xi ) o( h 2 ) (2.1)
2h
ui u( xi ) , ui' u ' ( xi )
Nous pouvons définir le schéma appelé "différences finies centrées" suivant pour la
dérivée première :
ui 1 ui 1
ui' (2.2)
2h
Définition 2: Un schéma dont l’erreur est de la forme o(hn) est dit d’ordre n ; plus
l’ordre est élevé, meilleure est la précision.
L’erreur du schéma centré est en h2, c’est donc un schéma d’ordre 2.
d’où :
u ( xi h) u ( xi )
u ' ( xi ) o( h) (2.3)
h
ui u( xi ) , ui' u ' ( xi )
Nous pouvons définir le schéma appelé "différences finies décentrées à droite " suivant
pour la dérivée première :
ui 1 ui
ui' (2.4)
h
d’où
u ( xi ) u ( xi h)
u ' ( xi ) o( h) (2.5)
h
ui u( xi ) , ui' u ' ( xi )
h 2 '' h3
u ( xi h) u ( xi ) hu ' ( xi ) u ( xi ) u (3) ( xi ) h 4 u ( ) où є[xi, xi+1]
2! 3!
2
h h3
u ( xi h) u ( xi ) hu ' ( xi ) u '' ( xi ) u (3) ( xi ) h 4 u ( ) où є[xi-1, xi]
2! 3!
u ( xi h) 2u ( xi ) u (x i h)
u '' ( xi ) 2
o( h 2 ) (2.7)
h
ui'' u '' ( xi )
Nous pouvons définir le schéma appelé "différences finies centrées" suivant pour la
dérivée première:
ui 1 2ui ui 1
ui" (2.8)
h2
(2h)2 ''
u ( xi 2h) u ( xi ) 2hu ' ( xi ) u ( xi ) h3u ( ) où є[xi, xi+2]
2!
h 2 ''
u ( xi h) u ( xi ) hu ' ( xi ) u ( xi ) h3u ( ) où є[xi, xi+1]
2!
Nous obtenons :
u ( xi 2h) 2u ( xi h) u ( xi )
u '' ( xi ) o( h) (2.9)
h2
En passant aux approximations :
ui'' u '' ( xi )
Nous pouvons définir le schéma appelé "différences finies décentrées à droite" suivant
pour la dérivée première :
ui 2 2ui 1 ui
ui'' (2.10)
h2
(2h)2 "
u ( xi 2h) u ( xi ) 2hu ' ( xi ) u ( xi ) h3u ( ) où є[xi-2, xi]
2!
h2 "
u ( xi h) u ( xi ) hu ' ( xi ) u ( xi ) h3u ( ) où є[xi-1, xi]
2!
Nous obtenons :
u ( xi 2h) 2u ( xi h) u ( xi )
u '' ( xi ) o( h) (2.11)
h2
ui'' u '' ( xi )
ui 2 2ui 1 ui
ui'' (2.12)
h2
1 2 3 N N+1
Ce schéma est du premier ordre. Or, souvent nous utilisons des schémas d’ordre 2.
Alors utiliser le schéma (2.13) sur la frontière va réduire la précision à l’intérieur du
domaine d’une part, et d’autre part, il va générer des perturbations numériques qui
peuvent rendre le schéma instable.
P( x1 ) u1 a
P( x2 ) u2 a bh ch
2
P( x3 ) u3 a 2bh 4ch
2
3u1 4u2 u3
b (2.14)
2h
P' ( x) b 2cx
3u1 4u2 u3
u1' P ' ( x1 ) b (2.15)
2h
2 6
h3
u ( x3 ) u ( x1 2h) u ( x1 ) 2hu ( x1 ) 2h u ( x1 ) u ( ) où є[x1, x3]
' 2 "
On obtient :
3u1 4u2 u3
u '1 o( h 2 ) (2.16)
2h
Ainsi nous avons obtenu une approximation d’ordre 2 pour la condition de type
Neumann sur la frontière.
2.5 Exemple simple 1D avec conditions de Dirichlet
Considérons l'équation différentielle suivante :
u '' ( x) f ( x)
x є[0, 1]
u (0) , u (1)
d 2u
2 f ( xi ) fi
d x i
d 2u ui 1 2ui ui 1
2
d x i x 2
2ui ui 1 ui 1
fi ; Pour i variant de 1 à N-1.
x 2
Il est très pratique d'utiliser une formulation matricielle en faisant apparaître le vecteur
des inconnues discrètes :
En effet:
1
i=1 2u1 u2 u0 f1
x 2
1
i=2 2u2 u3 u1 f 2
x 2
1
i=3 2u3 u4 u2 f3
x 2
1
i = N-1 2uN 1 uN uN 2 f N 1
x 2
2 -1 0 . 0 u1 f1 Δx2+ α
-1 2 -1 . 0 u2 f2 Δx2
. . . . . . = .
. . . . . . .
. . . . . . .
0 0 -1 2 -1 uN-2 fN-2 Δx2
0 0 0 -1 2 uN-1 fN-1 Δx2+β
+β
2.6 Exemple simple 1D avec conditions mixtes Dirichlet-Neumann
Considérons l'équation différentielle suivante :
u '' ( x) f ( x)
x є[0, 1]
u (0) , u (1)
'
Les modifications du problème discrétisé par rapport au cas précédent sont les
suivantes. Tout d'abord, le nombre d'inconnues a changé. Il y a une inconnue au bord
en x=1. Le problème discret a donc maintenant, sur la base du même maillage que
précédemment, N inconnues ui pour i variant de 1 à N.
D'autre part, il faut discrétisée la condition de Neumann u ' (1) . Plusieurs choix sont
possibles pour approximer cette dérivée première. C'est un des inconvénients de la
méthode des différences finies : elle ne donne pas de façon naturelle une bonne
approximation des conditions de Neumann.
u N u N 1
Dans notre cas, utilisons une approximation d'ordre 1 : u ' (1)
x
Sous forme matricielle, on obtient :
2 -1 0 . 0 0 u1 f1 + α/Δx2
-1 2 -1 . 0 0 u2 f2
. . . . . 0 . .
1
. . . . . 0 . = .
∆𝑥 2
0 0 -1 2 -1 0 uN-2 fN-2
0 0 0 -1 2 0 uN-1 fN-1
0 0 0 0 -1 1 uN β/Δx
2 (2.18)
t i x i
Et la seconde dite implicite utilise une discrétisation au nœud xi et à l'itération n+1 :
n 1 n 1
T 2T
2 (2.19)
t i x i
2.7.1 Schéma explicite
Nous utilisons un schéma avant d'ordre 1 pour évaluer la dérivée temporelle et un
schéma centré d'ordre 2 pour la dérivée seconde en espace :
n 1
T Ti Ti
n n
t i t
n
2T Ti n1 2Ti n Ti n1
2
x i x 2
t
En posant : , la température à l’itération n+1 est donnée par:
x 2
En effet:
n 1
T Ti n1 Ti n
t i t
n 1
2T Ti n11 2Ti n 1 Ti n11
2
x i x 2
t
En posant , la température à l’itération n+1 est donnée par :
x 2
On constate que les inconnues à l'itération n+1 sont reliées entre elles par une relation
implicite (d'où le nom de la méthode).
En effet :
T0 n+1
0
+λ .
0
TN
À chaque itération, le vecteur des inconnues discrètes se détermine par résolution d'un
système linéaire.
2T 2T
T 0 (x,y)є [0, Lx]×[0, Ly]
2 x 2 y
Nous utilisons un schéma centré d'ordre 2 pour approximer les dérivées secondes en
espace :
2T Ti 1, j 2Ti , j Ti 1, j
2
x i , j x 2
2T Ti , j 1 2Ti , j Ti , j 1
2
y i , j y 2
En effet :
i 1 2 3
j 1 2 3
a) i = 1, j = 1
b) i = 2, j = 1
c) i = 3, j = 1
Cas 2: i = 1 ; 2 ; 3 et j = 2
Cas 3: i = 1 ; 2 ; 3 et j = 3
Dans le cas où les pas d'espace sont identiques Δx = Δy, la formulation devient, pour i
variant de 1 à N - 1 et j variant de 1 à P-1 :
-4 1 0
D=
1 -4 1
0 1 -4
D I 0 T1 B1
= -
I D I T2 B2
0 I D T3 B3
Remarque :
Avec une condition de Neumann sur l'un des bords du domaine, par exemple en y = 0
un flux de chaleur égale à ∅𝑏 , il faudrait ajouter à la formulation précédente, la
discrétisation de cette condition au bord.
Ceci a pour conséquence l'ajout de N -1 inconnues supplémentaires à savoir les valeurs
de la température au bord (j = 0 et i variant de 1 à N - 1).
En effet :
Pour N = P = 4, on a :
i 1 2 3
j 1 2 3
Cas : i = 1 ; 2 ; 3 et j = 0
Ti ,1 Ti ,0
L’équation (1.21) devient : b
y
Ti ,1 Ti ,0 b y /
C'est la propriété qui assure que la différence entre la solution numérique obtenue et la
solution exacte des équations discrétisées reste bornée. La stabilité indique si l'erreur
augmente ou non au cours du calcul.
2.9.3. Convergence
Une méthode est convergente si, lorsque le pas de discrétisation tend vers 0, la solution
numérique tend vers la solution exacte de l'équation continue.
Chapitre 3
Intégration numérique
3.1 Exemple
On veut quantifier une intégrale dont le calcul est difficile, voire impossible dans le
cas où la primitive n’est pas connue.
Exemple : Calculer les intégrales suivantes :
1 2
0 0
Dans de tels cas on applique des méthodes numériques pour évaluer les intégrales.
Formule simple
La fonction f est approximée sur l’intervalle [a; b] par sa valeur au milieu de [a; b], soit
ab
f ( x) f ( ) On aura donc :
2
b
ab
I ( f ) f ( x)dx I 0 ( f ) (b a) f ( ) (3.1)
a 2
f ( x)dx f ( x)dx
a i 0 xi
Sur chaque intervalle [xi; xi+1] on approxime l’intégrale par la formule du point
milieu simple :
x x
xI 1
f ( x)dx h f i i 1
2
xi
f (b) f (a)
On trouve : P1 ( x) f (a) ( x a)
ba
b b
f (b) f (a)
Il vient : f ( x)dx I1 ( f ) P1 ( x)dx (b a) 2
(3.3)
a a
b m 1 xi 1
f ( x)dx f ( x)dx
a i 0 xi
Sur chaque intervalle [xi; xi+1] on approxime l’intégrale par la formule du trapèze :
xi 1
f ( xi ) f ( xi 1 )
f ( x)dx h
2
xi
b m 1
f ( xi ) f ( xi 1 )
Il vient : f ( x)dx h
a i 0 2
f ( x)dx f ( x)dx
a i 0 xi
Sur chaque intervalle [xi; xi+1] on approxime l’intégrale par la formule du Simpson :
xi 1
h xi xi 1
f ( x)dx f ( xi ) 4 f (
6 2
) f ( xi 1 )
xi
Il vient :
b m 1
h x x
f ( x)dx ( f ( xi ) 4 f i i 1 f ( xi 1 ))
a i 0 6 2
Les points (xi) i=0,1…n sont appelés noeuds, les coefficients (αi)i=0,1…n sont appelés
poids.
Une formule de quadrature In sur [a; b] est exacte de degré r si elle est exacte pour
tout polynôme de degré r et non exacte pour un polynôme de degré r + 1. c.-à-d:
b
I n ( Pr ) Pr ( x)dx
a
b
I n ( Pr 1 ) Pr 1 ( x)dx
a
Proposition 1:
Démonstration :
ab
Formule du point milieu : I 0 ( f ) (b a ) f
2
b
I 0 (1) (b a) et 1dx (b a)
a
( a b) b 2 a 2 b
b2 a 2
I 0 ( x) (b a) et xdx
2 2 a 2
( a b) 2 b
b3 a 3
I 0 ( x 2 ) (b a) et x 2 dx
4 a 3
Le degré d’exactitude est donc r = 1.
f (b) f (a)
Formule de trapèze : I1 ( f ) (b a)
2
b
I1 (1) (b a) et 1dx (b a)
a
b a b2 a 2 b
b2 a 2
I1 ( x) (b a) et xdx
2 2 a 2
b2 a 2 b
b3 a 3
I1 ( x ) (b a)
2
et x dx
2
2 a 3
ba ab
Formule de Simpson : I1 ( f ) f (a) 4 f ( ) f (b)
6 2
b
I 2 (1) (b a) et 1dx (b a)
a
ba ab b2 a 2 b
b2 a 2
I 2 ( x) (a 4 b) et xdx
6 2 2 a 2
ba 2 ab b3 a 3 b3 a 3
2 b
I2 ( x2 ) (a 4 x dx
2 2
b ) et
6 2 3 a 3
b a
4 4 b
b a 4 4
I 2 ( x3 ) et x3dx
4 a 4
ba b5 a 5
b
I2 ( x4 ) 5a 4
6 a 3
b 4 a 2 2
b 6 ab 3
5b 4
et x 3
dx
24 a 5
Le degré d’exactitude est donc r = 3.
Chapitre 4
Equations Différentielles Ordinaires (EDOs)
dy (t )
f (t , y (t ))
dt
Noter que :
dy (t )
y ' (t ) f (t , y (t ))
dt
y ' (t ) f (t , y(t ))
(5.1)
y(a) y0
Nous allons tenter de résoudre numériquement le problème de Cauchy. Pour cela nous
supposons vérifiées les conditions d’existence et d’unicité de la solution.
Soit (tn)0,….N une suite d’abscisses dans l’intervalle [a; b] tels que :
Nous noterons y(tn) la valeur de la solution exacte au point tn, et yn une valeur
approchée de la solution y(tn).
On trouve dans la littérature deux grandes classes de méthodes numériques pour la
résolution des équations différentielles:
1. Méthodes à un pas où la solution yn+1 est calculée en fonction de yn.
2. Méthodes à plusieurs pas où la solution yn+1 est calculée en fonction de yn, yn-1.yn-k.
Dans ce chapitre nous étudions les méthodes à un pas ; nous pouvons les écrire sous la
forme :
Où : Ø [a, b] ×ℜ×ℜ ℜ
(t, u, h) (t , u, h)
L’équation (5.2) est appelée équation discrète, ou équation aux différences par
opposition à l’équation différentielle continue (5.1).
3.1.3.1. Consistance
La consistance exprime que l’équation discrète doit être liée à l’équation différentielle
continue.
y (tn 1 ) y (tn )
lim max (tn , yn , h) 0
h 0 n h
3.1.3.2. Convergence
La convergence exprime le fait que la solution approchée doit tendre vers la solution
exacte lorsque h tend vers 0.
max yn y(tn ) K hP
n
n
Les méthodes de type Euler considèrent les plus ancienne de résolution d’une EDO du
premier ordre, pour cela, on distingue trois types de méthodes d’Euler : Implicite
(aussi dite méthode d’Euler améliorée), explicite et centré.
Soit :
y : [a ,b] ℜ
t y(t)
Une fonction de classe C1. Soient t0 a, t1 ,....t N b des points équidistants dans [a, b].
ba
Notons h tn 1 tn .
N
La dérivée y’(t) au point tn peut être calculée de plusieurs manières :
y (tn h) y (tn )
y ' (tn ) lim (6.1)
h 0, h 0 h
y (tn ) y (tn h)
y ' (tn ) lim (6.2)
h 0, h 0 h
y (tn h) y (tn h)
y ' (tn ) lim (6.3)
h 0, h 0 2h
Notons y’n une approximation de y’(tn). Cette approximation pourra être calculée
de plusieurs manières :
yn 1 yn 1
yn'( c ) (6.6)
2h
y ' (t ) f (t , y(t ))
yn' f (tn , yn )
En utilisant les différences finies progressives (6.4), regressives (6.5) et centrées (6.6),
nous obtenons les trois schémas d’Euler :
yn1 yn h f (tn , yn )
Si y est de classe C2, alors pour tout t є[a; b], compris entre tn et tn+1 tel que :
(t tn )2 ''
y (t ) y (tn ) (t tn ) y ' (tn ) y ( )
2
Choisissons t = tn+1 on a :
h2 ''
y (tn1 ) y (tn ) h y (tn ) y ( )
'
On en déduit :
yn 1 yn h yn1 yn h
yn' y '' ( ) f (tn , yn ) max y '' ( )
h 2 h 2 tn tn1
Choisissons t = tn-1 on a :
h2 ''
y (t n1 ) y (tn ) hy ' (tn ) y ( )
2
On en déduit :
yn yn 1 h yn yn1 h
yn' y '' ( ) f (t n , yn ) max y '' ( )
h 2 h 2 tn tn1
Il vient :
yn1 yn1 h2
yn' y ''' (1 ) y ''' (2 )
2h 12
yn 1 yn 1
f (tn , yn , h) Ch 2
2h
Schéma de Crank-Nicolson:
h
yn 1 yn f (tn , yn ) f (tn1 , yn1 ) (6.8)
2
Schéma de Heun :
h
yn 1 yn f (tn , yn ) f (tn1 , yn hf (tn , yn ) (6.9)
2
On utilise cette fois la méthode du point milieu pour le calcul de l’intégrale (6.7):
h ℎ
Où : tn 1/2 tn et 𝑦𝑛+1 = y (𝑡𝑛 + )
2 2 2
h
yn 1 yn f (tn , yn ) 4 f (tn1/2 , yn1/2 ) f (tn1 , yn1 ) (6.12)
6
y(tn1 ) y(tn h)
h2 ''
y(tn ) hy ' (tn ) y (tn ) o(h 3 )
2
Dans la relation suivante, on va apparaitre la dérivée de la fonction f(t, y(t)) par rapport
au temps. On sait que:
f (t , y (t )) f (t , y (t )) '
f '(t , y (t )) y (t )
t y
C’est-à-dire
f (t , y (t )) f (t , y(t ))
f ' (t , y (t )) f (t , y (t ))
t y
On obtient donc :
h 2 f (tn , yn ) f (tn , yn )
yn 1 yn hf (tn , yn ) f (tn , yn )
2 t y
Avec : tn+1 = tn + h
y ' (t ) y(t ) t 1
(6.13)
y(0) 1
f (t , y ) y t 1
On parvient à :
1.029
y (t ) exp(t ) t
Le tableau suivant rassemble les résultats des dix premières itérations et permet de
comparer les solutions analytiques et numériques.
ti y(ti) yi y(ti ) yi
0.0 1.000000 1.000000 0.000000
0.1 1.004837 1.000000 0.004837
0.2 1.018731 1.010000 0.008731
0.3 1.040818 1.029000 0.011818
0.4 1.070302 1.056100 0.014220
0.5 1.106531 1.090490 0.016041
0.6 1.148812 1.131441 0.017371
0.7 1.196585 1.178297 0.018288
0.8 1.249329 1.230467 0.018862
0.9 1.306570 1.287420 0.019150
1.0 1.367879 1.348678 0.019201
y ' (t ) y(t ) t 1
y(0) 1
Dans ce cas:
f (t , y ) y (t ) t 1
Et
f f
1 et 1
t y
On a :
h 2 f (tn , yn ) f (tn , yn )
yn 1 yn hf (tn , yn ) f (tn , yn )
2 t y
h2
yn1 yn h( y(t) t 1) (1 (1)( y(t ) t 1))
2
(0.1)2
y1 1 0.1(1 0 1) (1 (1)(1 0 1)) 1.005
2
(0.1)2
y2 1.005 0.1(1.005 0.1 1) (1 (1)(1.005 0.1 1)) 1.019025
2
ti y(ti) yi y(ti ) yi
0.0 1.000000 1.000000 0.000000
0.1 1.004837 1.005000 0.000163
0.2 1.018731 1.019025 0.000294
0.3 1.040818 1.041218 0.000400
0.4 1.070302 1.070802 0.000482
0.5 1.106531 1.107075 0.000544
0.6 1.148812 1.149404 0.000592
0.7 1.196585 1.197210 0.000625
0.8 1.249329 1.249975 0.000646
0.9 1.306570 1.307228 0.000658
1.0 1.367879 1.368541 0.000662
Remarque :
On remarque que l’erreur est plus petite avec la méthode de Taylor d’ordre 2 qu’avec
la méthode d’Euler.
Chapitre 5
Interpolation et approximation
4.1. Généralité
Etant donné une fonction f, définie soit de façon discrète, soit de façon continue,
l'objectif est de déterminer une autre fonction g, de forme donnée, qui, en un certain
sens, approche le mieux possible de la fonction f.
4.2. Exemple
x 0 0.5 1
T(x) 20 25 22
Nous cherchons la température en un point qui ne figure pas dans le tableau, par
exemple T(0.7).
Parmi les possibilités offertes, nous pouvons approximer la fonction T(x) par un
polynôme de second degré P(x) qui coïncide avec T(x) aux points : 0, 0.5 et 1.
Soit P(x) = a0 + a1x +a2x2 tel que P(0) = T(0), P(0.5) = T(0.5) et P(1) = T(1). Pour
déterminer les coefficients a0, a1, a2 nous allons résoudre le système de 3 équations à 3
inconnues :
P(0) a0 20
P(0.5) a0 0.5a1 0.25a2 25
P(1) a a a 22
0 1 2
Théorème 1 :
Une condition nécessaire et suffisante pour que P Pn qui interpole f est que les
(n+1) points d’interpolation x0; x1….. xn soient tous distincts.
En posant P(x) = a0 + a1x + …… + anxn , nous obtenons :
1 x0 .... x0n
D= 1 x1 …. x1n
1 x2…. xnn
Le système admet une solution unique si ce déterminant est non nul c.-à-d. si toutes les
abscisses xi sont distinctes.
Pn ( x) a0 a1 x ....an x n
Les polynômes Li(x) sont les polynômes de Lagrange et Pn(x) est le polynôme
d'interpolation de Lagrange de f aux ponts xi.
Nous constatons que :
1. L(i n ) ( x) Pn , donc Pn ( x) Pn
2. Pn ( xi ) f ( xi ) pour i = 0,1,…..n
Exemple 2 :
x( x 1) ( x 1)( x 1) ( x 1) x
8 3 6 4 x2 x 3
2 1 2
Théorème 2: Soient (n+1) points d’interpolations distincts x0; x1….xn dans l’intervalle
[a; b] et soit f C ( n1) ([a, b]) ; alors pour tout x [a, b] , l’erreur est :
f ( n1) ( )
En ( x) f ( x) Pn ( x) wn1 ( x)
(n 1)!
n
Où : [a, b] et wn1 ( x) ( x xi )
i 0
Exemple 3 :
Calculons P2(x):
P2 ( x) f ( x0 ) L0 ( x) f ( x1 ) L1 ( x) f ( x2 ) L2 ( x)
Où:
660 727 1
Donc : P2 ( x) x x2
161 10626 10626
max f ( n1) ( ) n
en ( x) ( x xi )
[100;144]
(n 1)! i 0
max f (3) ( )
e2 (115) [100;144]
(115 100)(115 121)(115 144)
3!
3 3
Où max f 3 (x) 105 (avec f ''' ( x) x 5/2 )
[100;144] 8 8
3
D’où : e2 (115) 105 (2610) 0.163 102
8 3!
Soit f une fonction que l’on veut interpoler aux points d’interpolation x0 = a < x1 < ….
< xn = b. Pour cela on va diviser l’intervalle I = [a; b] en n intervalles Ii = [xi; xi+1] de
longueurs h = (b - a)/n. Sur chaque intervalle [xi; xi+1].
La fonction f est interpolée par un polynôme de premier degré P1 ( x) x . On a
donc :
P1 ( xi ) f ( xi ) f ( xi 1 ) f ( xi )
P1 ( x) f ( xi ) ( x xi )
P1 ( xi 1 ) f ( xi 1 ) xi 1 xi
Définition 1 :
Soit f une fonction définie sur [a, b] et x0, x1,……xn, (n+1) points distincts de [a,b]. On définit
les différences divisées de f aux points x0, x1,…..xn par les relations de récurrence :
i [0, n]: f [ xi ] f ( xi )
f [ x0 ] f (x 0 )
f [ x0 ] f [ x1 ] f ( x0 ) f ( x1 )
f [ x0 , x1 ]
x0 x1 x0 x1
f [ x0 , x1 ] f [ x1 , x 2 ] f ( x0 , x1 ) f ( x1 , x 2 )
f [ x0 , x1 , x 2 ]
x0 x2 x0 x2
La construction de la table des différences divisées se fait comme suit (s’arrêtant aux
quatrièmes différences divisées, les autres s’obtiendraient de la même manière).
xi f(xi) f(xi,xi+1) f(xi,xi+1, xi+2) f(xi,xi+1, xi+2, xi+3) f(xi,xi+1, xi+2, xi+3, xi+4)
x0 f x0
x1 f x1 f x0 , x1
x2 f x2 f x1 , x2 f x0 , x1 , x2
x3 f x3 f x2 , x3 f x1 , x2 , x3 f x0 , x1 , x2 , x3
x4 f x4 f x3 , x4 f x2 , x3 , x4 f x1 , x2 , x3 , x4 f x0 , x1 , x2 , x3 , x4
On verra dans ce qui suit que seules les valeurs encadrées (en couleur jaune), sur la
diagonale principale de la table, interviennent dans l’expression du polynôme
d’interpolation.
Formule de Newton
Théorème 1
Soit f : [a, b] ℜ fonction définie sur [a, b] et x0,…..,xn, n+1 points distincts de [a,b].
Le polynôme qui interpole f sur x0 , x1 ...., xn est donné par:
Cette forme est appelée formule de Newton d’interpolation pour les différences
divisées.
Exemple 4
0 0
𝜋 2
1
2 𝜋
2 4
𝜋 0 - -
𝜋 𝜋²
P2 ( x) f [ x0 ] f [ x0 , x1 ]( x x0 ) f [ x0 , x1 , x2 ]( x x0 )( x x1 )
2 4
0 ( x 0) ( x 0)( x )
2
2
2 4
x x( x )
2
2
4
x( x )
2
Remarque 1
Exemple 5
0 0
𝜋 2
1
2 𝜋
2 4
𝜋 0 - -
𝜋 𝜋²
3𝜋 2 8
-1 - 0
2 𝜋 3𝜋2
P3 ( x) f [ x0 ] f [ x0 , x1 ]( x x0 ) f [ x0 , x1 , x2 ]( x x0 )( x x1 )
f [ x0 , x1 , x2 , x3 ]( x x0 )( x x1 )( x x2 )
P2 ( x) f [ x0 , x1 , x2 , x3 ]( x x0 )( x x1 )( x x2 )
4 8
x( x ) x( x )( x )
2
3 2
2
8
x( x 2 3 x 2 2 )
3 3