Académique Documents
Professionnel Documents
Culture Documents
f
lla
1
1.1
1.2
1.3
he
Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Interpolation polynomiale . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Existence et unicité . . . . . . . . . . . . . . . . . . . . .
Méthodes d’interpolation polynomiale . . . . . . . . . . . . . . .
3
3
4
5
7
1.3.1 Méthode de Vandermonde . . . . . . . . . . . . . . . . . . 7
.K
1.3.2 Méthode de Lagrange . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Méthode de Newton. . . . . . . . . . . . . . . . . . . . . . 10
1.4 Erreur d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Interpolation d’Hermite . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 Polynôme d’interpolation coincidant avec la première dérivée. 14
1.6 Approximation au sens des moindres carrés . . . . . . . . . . . . 17
1.6.1 Régression linéaire . . . . . . . . . . . . . . . . . . . . . . 17
1.6.2 Régression non linéaire : . . . . . . . . . . . . . . . . . . . 18
1.6.3 Approximation au sens de moindres carrés en utilisant des
Dr
polynômes orthogonaux . . . . . . . . . . . . . . . . . . . 19
1.6.4 Erreur d’approximation . . . . . . . . . . . . . . . . . . . 25
1.6.5 Série de Fourier . . . . . . . . . . . . . . . . . . . . . . . 26
1.7 Interpolation par des Splines . . . . . . . . . . . . . . . . . . . . 28
1.7.1 Interpolant polynômiale par morceaux . . . . . . . . . . . 28
1.7.2 Splines cubiques . . . . . . . . . . . . . . . . . . . . . . . 29
1
2.2.3 Différence centrée. . . . . . . . . . . . . . . . . . . . . . . 36
2.2.4 Dérivée seconde. . . . . . . . . . . . . . . . . . . . . . . . 37
2.3 Intégration numérique . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Principe de l’intégration numérique . . . . . . . . . . . . . . . . . 37
2.5 Méthode de quadrature de Newton Cotes. . . . . . . . . . . . . . 38
2.6 Méthodes de quadrature classiques . . . . . . . . . . . . . . . . . 38
2.6.1 Méthode des points milieu . . . . . . . . . . . . . . . . . . 38
2.6.2 Méthode des trapèzes . . . . . . . . . . . . . . . . . . . . 39
2.6.3 Méthode de Simpson . . . . . . . . . . . . . . . . . . . . . 41
2.6.4 La méthode de Newton (Méthode de Simpson 3/8) . . . . 42
f
2.6.5 Formule d’erreur dans l’intégration numérique . . . . . . . 43
2.7 Quadrature de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . 44
lla
2.7.1 Quadrature de Gauss avec 1 point. . . . . . . . . . . . . . 44
2.7.2 Quadrature de Gauss avec 2 points. . . . . . . . . . . . . 45
2.7.3 Formule d’erreur des quadratures de Gauss . . . . . . . . 45
3.2
3.3
3.4
he
Théorème d’existence et unicité . . . . . . . . . . . . . . . . . . .
Schémas numériques . . . . . . . . . . . . . . . . . . . . . . . . .
Résolution de systèmes différentiels dans R2 . . . . . . . . . . . .
48
49
50
.K
Dr
2
1
f
Interpolation et Approximation Polynomiale
lla
1.1 Généralité
he
Soit f une fonction assez régulière, définie sur l’intervalle [a, b] dont la valeur
numérique de f n’est connue qu’en (n + 1) points de [a, b]. Soit {x0 , x1 , · · · , xn }
cet ensemble de points.
Définitions
.K
• L’interpolation est une méthode qui permet d’obtenir une fonction ϕ(x)
de la fonction f (x) pour toute valeur x ∈ [a, b], et ceci de telle sorte que
les conditions suivantes soient vérifiées:
ϕ(xi ) = f (xi ) i = 0, 1, · · · , n.
1. Polynômes,
2. Fonctions circulaires ou trigonométriques,
3. Exponentielles.
3
1.2. INTERPOLATION POLYNOMIALE
f
lla
1.2
he
Figure 1.1: Problème d’interpolation.
Interpolation polynomiale
.K
Exemple réel
En physique, on mesure expérimentalement la température d’un objet qui refroidit
au cours du temps. On obtient une suite de valeurs à différents temps ti . On
cherche alors à tracer la courbe de refroidissement la plus proche possible des
points mesurés, et ainsi à estimer des valeurs de la fonction en des points non
mesurés.
Les fonctions les plus faciles à évaluer numériquement sont les polynômes. Il est
donc important de savoir approximer une fonction arbitraire par des polynômes.
L’interpolation polynomiale consiste à chercher la fonction pn sous forme d’un
Dr
Formalisation du Problème
A partir d’une fonction f connue seulement en (n + 1) points (xi , f (xi )) pour
i = 0, 1, · · · , n. Déterminer un polynôme pn de degré inférieur ou égal à n tel
que:
pn (xi ) = f (xi ), i = 0, 1, · · · , n.
4
CHAPTER 1.
Question
Un tel polynôme, existe-t-il ? Si oui, est-il unique.
f
pn (x) = a0 + a1 x + ... + an xn .
lla
En utilisant les conditions d’interpolation, cela revient à résoudre le système
suivant:
x20 xn0
1 x0 ...
1 x1 x22 ... xn1
.K
Mn+1 = . .. ,
. .. .. ..
. . . . .
1 xn x2n ... xnn
a0
a1
a = . ,
..
an
y0
Dr
y1
y = . .
..
yn
5
1.2. INTERPOLATION POLYNOMIALE
f
1 xn−1 x2n−1 ... xnn−1
1 xn x2n ... xnn
lla
On effectue les opérations Ci → Ci − x0 Ci−1 pour i = 2, 3, · · · , n + 1, nous
obtenons (Ci désigne la ième colonne)
1 0 0 ... 0
1 x1 − x0 x1 (x1 − x0 ) ... xn−1
1 (x1 − x0 )
det(Mn+1 ) = .. .. .. .. ..
. . . . .
=
1
1
n+1
Y
he
xn−1 − x0
xn − x0
(xj − x0 )
1
..
.
xn−1 (xn−1 − x0 )
x1
xn (xn − x0 )
..
.
...
..
.
x1n−1
..
.
...
...
.
xnn−1 (xn−1 − x0 )
xnn−1 (xn − x0 )
n−1
j=2 1 xn−1 ... xn−1
.K
1 xn ... xnn
On remplace par la formule à l’ordre n − 1 pour obtenir le résultat souhaité.
Corollaire 1. Si les noeuds d’interpolations x0 , x1 , · · · , xn sont deux à deux
distincts, alors le polynôme d’interpolation pn existe et il est unique.
Proof. Si les abscisses x0 , x1 , · · · , xn sont deux à deux distinctes, alors det(Mn+1 ) 6=
0 et Mn+1 est invervisible. Donc, on peut calculer le vecteur a donc on construit
le polynôme d’interpolation pn .
Supposons maintenant, qu’ils existent deux polynômes pn et p̃n qui interpolent
Dr
6
CHAPTER 1.
Dans cette section, nous allons présenter les méthodes les plus utilisées pour la
construction du polynôme d’interpolation.
f
Cette méthode est très intuitive pour calculer le polynôme d’interpolation pn .
lla
Elle consiste à résoudre le système:
{pn (xi ) = yi , 0 6 i 6 n,
Pour obtenir les coefficients a0 , a1 , · · · , an .
Exemple 1. Soient les données suivantes:
a0 = −1, a0 = −1,
.K
3
a0 + a1 + a2 = 0, ⇒ a1 = 2,
a0 + 2a1 + 4a2 = 0. a2 = − 21 .
Donc, on a
3 1
p2 (x) = −1 + x − x2 .
2 2
Exemple 2. On doit calculer le polynôme passant par les points de collocation
(0, 1), (1, 2), (2, 9) et (3, 28). Etant donné ces 4 points, donc le polynôme
recherché est tout au plus de degré 3. Nous obtenons l’équation matricielle
suivante:
Dr
1 0 0 0 a0 1
1 1 1 1 a1 2
× =
1 2 4 8 a2 9
1 3 9 27 a3 28
dont la solution (obtenue par décomposition LU ) est [1, 0, 0, 1]t . Le polynôme
recherché est donc
p3 (x) = 1 + x3 .
On note que si on utilise directement la commande inv() sur matlab pour calculer
l’inverse de cette matrice, la solution de l’équation matricielle ne sera pas exactement
[1, 0, 0, 1]t .
7
1.3. MÉTHODES D’INTERPOLATION POLYNOMIALE
f
lla
Joseph-Louis Lagrange (Giuseppe Lodovico Lagrangia) 25 janvier 1736
- 10 avril 1813 Italie.
Le but de la méthode de Lagrange est de contourner la résolution du système
de la méthode de Vandermonde. Donc, elle nous permet de construire le
polynôme d’interpolation d’une façon directe et simple. L’outil et l’ingéniosité
de cette méthode se résume dans la construction des polynômes notés li . Soit
he
la subdivision de l’intervalle [a, b] suivante:
a 6 x0 < x1 < x2 < ... < xi < ... < xn 6 b.
Pour tout x ∈ [a, b], on définit les polynômes de degrè n:
n
Y (x − xj )
li (x) = .
.K
j=0
(xi − xj )
j6=i
(xi , yi ), est:
n
X
Ln [f ] (x) = yi li (x) .
i=0
Théorème 2. Les polynômes {li }06i6n forment une base du sous-espace vectoriel
des polynômes de degré n.
Proof. Exercice.
Théorème 3. Soient (xi , yi )06i6n , (n + 1) points distincts. Il existe alors un
polynôme unique pn (x) de degré n qui vérifie
yi = pn (xi ) , ∀i = 0, 1.., n
8
CHAPTER 1.
f
(0 − 1) (0 − 2) 2
(x − 0) (x − 2)
lla
l1 (x) = = −x (x − 2) ,
(1 − 0) (1 − 2)
(x − 0) (x − 1) 1
l2 (x) = = x (x − 1) .
(2 − 0) (2 − 1) 2
Le polynôme d’interpolation est
1 3 1
L3 [f ] (x) = y0 l0 (x) + y1 l1 (x) + y2 l2 (x) = (−1) (x − 1) (x − 2) = −1 + x − x2 .
he 2 2 2
Cette méthode est très pratique comme on va le constater en TP. Sauf que
le calcul devient très coûteux lorsqu’on veut approcher une fonction. En effet,
rajouter des points d’interpolation revient à la reconstruction totale des polynômes
li .
.K
Exemple 4. Calculer par la méthode de Lagrange le polynôme d’interpolation
passant par les points
xi 1 3 5 7
yi 2 −72 −402 −1180
(x − 3) (x − 5) (x − 7) 1 3 5 71 35
Dr
l0 (x) = =− x + x2 − x +
(1 − 3) (1 − 5) (1 − 7) 48 16 48 16
(x − 1) (x − 5) (x − 7) 1 3 13 2 47 35
l1 (x) = = x − x + x−
(3 − 1) (3 − 5) (3 − 7) 16 16 16 16
(x − 1) (x − 3) (x − 7) 1 11 31 21
l2 (x) = = − x3 + x2 − x +
(5 − 1) (5 − 3) (5 − 7) 16 16 16 16
(x − 1) (x − 3) (x − 5) 1 3 3 23 5
l3 (x) = = x − x2 + x −
(7 − 1) (7 − 3) (7 − 5) 48 16 48 16
Le polynôme d’interpolation est donné par :
p3 (x) = 2l0 (x) − 72l1 (x) − 402l2 (x) − 1180l3 (x)
= −4x3 + 4x2 − x + 3
9
1.3. MÉTHODES D’INTERPOLATION POLYNOMIALE
f
pn (x) = f (xk ) lk (x) = yk lk (x)
k=0 k=0
lla
le polynôme d’interpolation est déterminé en réalité de manière indirecte car
c’est le résultat d’une combinaison linéaire de plusieurs polynômes qui chacun
son tour est définie comme produit de n monomes. Il serait intéréssant de
déterminer dans ce cas une technique permettant de trouver le polynôme par
une approche directe ce qui reviendra à calculer les coéfficients ai dans le
développement suivant
he
pn (x) = a0 + a1 (x − x0 ) + ... + an (x − x0 ) ... (x − xn−1 )
(x2 − x0 ) (x2 − x1 )
en remplaçant a0 et a1 par leurs valeurs respectives on obtient
f (x2 ) − f (x1 ) f (x1 ) − f (x0 )
−
x2 − x1 x1 − x0
a2 =
x2 − x0
Donc ça revient à la résolution du système d’équations linéaires :
pn (x0 ) = a0 = y0
pn (x1 ) = a0 + a1 (x1 − x0 ) = y1
.. .. ..
. . .
pn (xn ) = a0 + a1 (xn − x0 ) + · · · + an (xn − x0 ) × · · · × (xn − xn−1 ) = yn
10
CHAPTER 1.
f
Ordre 2 f [xi , xi+1 , xi+2 ] =
xi+2 − xi
lla
..
.
f [xi+1 , xi+2 , · · · , xi+k ] − f [xi , xi+1,··· , xi+k−1 ]
Ordre k f [xi , xi+1 , xi+2 , · · · , xi+k ] =
xi+k − xi
xi 1 3 5 7
yi 2 −72 −402 −1180
−72 − 2
1 2 = −37
3−1
−402 − (−72) −165 − (−37) −56 − (−32)
3 −72 = −165 = −32 = −4
5−3 5−1 7−1
−1180 − (−402) −389 − (−165)
5 −402 = −389 = −56
7−5 7−3
7 −1180
11
1.4. ERREUR D’INTERPOLATION
En remplaçant on obtient :
p3 (x) = 2 − 37 (x − 1) − 32 (x − 1) (x − 3) − 4 (x − 1) (x − 3) (x − 5)
Exemple 6. Dans cette exemple nous allons montrer que la méthode de Newton
f
est très pratique et au même temps elle est récursive. Considérons les deux
lla
points d’interpolations (0, −1) et (1, 0): Alors le polynôme d’interpolation est:
xi yi = f [xi ] f [x0 , x1 ]
0 -1
−1 − 0
he
1 0
0−1
=1
0 -1
−1 − 0
1 0 =1
0−1
0−0 1−0 1
2 0 =0 =−
1−2 0−2 2
Dr
1
p2 (x) = p1 (x) − x (x − 1)
2
1 3 1
= −1 + x − x (x − 1) = −1 + x − x2 .
2 2 2
12
CHAPTER 1.
f (n+1) (ξ) n
f (x) − pn (x) = Π (x − xi ) .
(n + 1)! i=0
f
Lemme 1. Soit g une fonction m fois dérivable sur [a, b]. S’il existe m + 1
points c0 < c1 .... < cm de [a, b] tels que g (ci ) = 0 pour tout i = 0, 1, · · · , m alors
lla
il existe un point c ∈ ]a, b[ tel que g (m) (c) = 0.
(n + 1)!
g (n+1) (ξ) = f (n+1) (ξ) − (f (x) − pn (x)) Q =0
.K
n
(x − xj )
j=0
On obtient alors :
(n + 1)!
f (n+1) (ξ) = (f (x) − pn (x)) Q
n
(x − xj )
j=0
n
Q
(x − xj )
Dr
j=0
⇒ f (x) − pn (x) = f (n+1) (ξ)
(n + 1)!
13
1.5. INTERPOLATION D’HERMITE
f
1.5.1 Polynôme d’interpolation coincidant avec la première
dérivée.
lla
On cherche un polynôme qui vérifie les conditions suivantes
Question he
Quel est le degrè de polynôme cherché ?
Réponse
Si on se donne n+1 noeuds d’interpolation x0 , · · · , xn Alors le polynôme satisfait
.K
les conditions précédentes, est de degré inférieur ou égal à 2n + 1. En effet;
P (xi ) = yi = f (xi ) : ∀i = 0, 1
0
P (xi ) = zi = f 0 (xi ) : ∀i = 0, 1
a0 + a1 x0 + a2 x0 2 + a3 x30 = f (x0 )
0 + a1 + 2a2 x0 + 3a3 x20 = f 0 (x0 )
a0 + a1 x1 + a2 x1 2 + a3 x31 = f (x1 )
0 + a1 + 2a2 x1 + 3a3 x21 = f 0 (x1 )
Cela équivalent à,
x20 x30
1 x0 a0 f (x0 )
0 1 2x0 3x20 a1 f 0 (x0 )
× =
1 x1 x21 x31 a2 f (x1 )
0 1 2x1 3x21 a3 f 0 (x1 )
14
CHAPTER 1.
Ou bien encore
AX = B
On a det A = −(x1 − x0 )4 puisque x0 6= x1 d’où l’existence de P .
f
Comme on a 2n+2 données le polynôme sera de degré inférieur ou ègal à 2n+1.
lla
Pour l’exitence, nous allons construir directement ce polynôme. En posant
n
X n
X
P (x) = yi hi (x) + zi ki (x)
i=0 i=0
avec
hi (x)
ki (x)
=
=
he
[1 − 2 (x − xi ) li0 (xi )] li2 (x)
(x − xi ) li2 (x)
{x0 , x1 , · · · , xn }.
.K
Comme les polynômes li sont de degré n, alors il est clair par construction que
les polynômes hi et ki sont de degré 2n + 1.
Maintenant, commençons par remarquer que :
1 : si j = i
hi (xj ) = [1 − 2 (xj − xi ) li0 (xi )] li2 (xj ) =
0 : si j 6= i
ki (xj ) = (xj − xi ) li2 (xj ) = 0 : ∀ 0 6 j 6 n.
Dr
Ainsi on a :
n
X n
X
P (xj ) = yi hi (xj ) + zi ki (xj ) = yj
i=0 i=0
| {z }
=0
Pour évaluer la dérivée on commence par évaluer les dérivées des fonctions hi
et ki :
0
h0i (x) = −2xli0 (xi ) li2 (x) + 2 [1 − 2 (x − xi ) li0 (xi )] li (x) li (x)
On remarque que
0
h0i (xj ) = −2xj li0 (xi ) li2 (xj )+2 [1 − 2 (xj − xi ) li0 (xi )] li (xj ) li (xj ) = 0 : ∀ 0 6 j 6 n.
15
1.5. INTERPOLATION D’HERMITE
On a :
1 : si j = i
ki0 (xj ) = li2 (xj ) + 2 (xj − xi ) li0 (xj ) li (xj ) =
6 i
0 : si j =
f
n
X Xn
P (xj ) = yi h0i (xj ) + zi ki0 (xj ) = yj
lla
i=0
| {z } i=0
=0
R(xi )
R0 (xi )
=
=
he
Pour avoir l’unicité, on doit prouver que R = 0. Comme
p(x) = (0) × h0 (x) + (1) × h1 (x) + (1) × k0 (x) + (0) × k1 (x) = h1 (x) + k0 (x).
De l’autre côté, on a:
Alors,
h1 (x) = [1 − 2(x − x1 )l10 (x1 )](l1 (x))2 = x2 (3 − 2x),
k0 (x) = (x − x0 )(l0 (x))2 = (1 − x)2 x.
Finalement, le polynôme de Hermite est:
p(x) = −x3 + x2 + x.
16
CHAPTER 1.
f (2n+2) (ξ) n 2
f (x) − P (x) = Π (x − xi ) .
(2n + 2)! i=0
Proof. Exercice.
f
1.6 Approximation au sens des moindres carrés
lla
Contrairement à l’interpolation ici on ne cherche plus à passer par tous les
points mais à trouver une forme de fonction qui passe le plus près possible de
l’ensemble des points. Si la fonction modèle est un polynôme de degré 1 on
parle de régression linéaire sinon on parle de régression non linéaire.
La somme des écarts quadratiques est donc une fonction de deux variables (a, b)
pour trouver son minimum on doit annuler ses deux dérivées partielles :
n
∂R X
= −2Xi (Yi − aXi − b) = 0
Dr
∂a
i=0
n
∂R X
= 2 (Yi − aXi − b) = 0
∂b
i=0
n
X n
X n
X
−a Xi − b+ Yi = 0
i=0 i=0 i=0
17
1.6. APPROXIMATION AU SENS DES MOINDRES CARRÉS
Nous devons donc résoudre le système suivant pour calculer les coéfficients (a, b)
X n Xn Xn
2
a X + b X = Xi Yi
i
i
i=0 i=0 i=0
n
X n
X
a Xi + b (n + 1) = Yi
i=0 i=0
f
telle que f (x0 ) = 1, f (x1 ) = 0 et f (x2 ) = 2.
On se propose de déterminer le polynôme p de degré inférieur ou égal à 1 qui
lla
approche au sens des moindres carrés la fonction f .
Donc, le polynôme cherché est:
p(x) = a + bx
xi = 3
=5
he
2
X
i=0
(2 + 1) = 3
xi = 3
× a = i=0
b
X
2
2
X
xi f (xi ) = 5
f (xi ) = 3
i=0 i=0
.K
d’où
1 1
p(x) = + x
2 2
18
CHAPTER 1.
f
est appélée produit scalaire sur E si elle vérifie:
lla
i) < x, x >> 0, ∀x ∈ E,
ii) < x, x >= 0 ⇐⇒ x = 0E ,
iii) < x, y >=< y, x >,
vi < x, αy + βz >= α < x, y > +β < x, z >, ∀x, y, z ∈ E et α, β ∈ R.
2. L’application
k · kE
x →
he
→ R+
kxk =
√
< x, x >
est appélée norme sur E associée au produit scalair < ·, · >.
3. Un espace vectoriel réel muni par un produit scalaire est dit préhilbertien
.K
sur R.
19
1.6. APPROXIMATION AU SENS DES MOINDRES CARRÉS
f
a
lla
définit un produit scalaire sur E = C([a, b]) et la norme associée à ce produit
sclaire est définie par:
p Z b 21
kf k = < f, f > = f (x)2 dx .
a
1
Exemple 12. La famille {1, x, (3x2 − 1)} est une base orthonormé de P2 ([−1, 1])
he 2
pour le produit scalaire défini par:
< f, g >=
Z 1
f (x)g(x)dx
−1
Position du problème
.K
Soit E un espace vectoriel réel tel que Pn ⊂ E, où Pn est l’espace des polynômes
de degré inférieur ou égal à n. L’approximation polynomiale au sens des moindres
carrés consiste à déterminer le polynôme pn qui vérifie:
kf − pn k = min kf − pk.
p∈Pn
20
CHAPTER 1.
f
lla
Figure 1.2: La projection orthogonale.
∀p ∈ Pn =⇒ p =
he
Soit {ϕ0 , ϕ1 , · · · , ϕn } une base de Pn , et soit f ∈ E. On remarque que
n
X
i=0
ai ϕi , ai ∈ R.
< f − pn , p >= 0, ∀p ∈ Pn
Dr
Cela implique
n
X
< f − pn , aj ϕj >= 0, ∀aj ∈ R.
j=0
Cela implique
n
X
aj < f − pn , ϕj >= 0, ∀aj ∈ R.
j=0
Cela implique
< f − pn , ϕj >= 0, ∀j = 0, 1, · · · , n.
Cela implique
< pn , ϕj >=< f, ϕj >, ∀j = 0, 1, · · · , n.
21
1.6. APPROXIMATION AU SENS DES MOINDRES CARRÉS
Cela implique
n
X
< a∗k ϕk , ϕj >=< f, ϕj >, ∀j = 0, 1, · · · , n.
k=0
Cela implique
n
X
a∗k < ϕk , ϕj >=< f, ϕj >, ∀j = 0, 1, · · · , n
k=0
f
Cela implique Ba∗ = b où
lla
< ϕ0 , ϕ0 > < ϕ0 , ϕ1 > ... < ϕ0 , ϕn >
< ϕ0 , ϕ1 > < ϕ1 , ϕ1 > ... < ϕn , ϕ1 >
B = ,
.. .. .. ..
. . . .
< ϕ0 , ϕn > < ϕ1 , ϕn > ... < ϕn , ϕn >
a∗ =
∗
a0
a∗1
.. ,
.
a∗n
he
< f, ϕ0 >
.K
< f, ϕ1 >
b = .
..
.
< f, ϕn >
22
CHAPTER 1.
On pose p ∈ F = vect{ϕ0 , ϕ1 , ϕ2 } où
1 1
ϕ0 (x) = 1, ϕ1 (x) = x − , ϕ2 (x) = x2 − x + .
2 6
On peut vérifier que la famille {ϕ0 , ϕ1 , ϕ2 } base orthogonale. De l’autre côté le
polynôme cherché p est:
f
R1
ex ϕi (x)dx
lla
a∗i = R 01 , i = 0, 1, 2.
0
(ϕi (x))2 dx
Cela implique
Alors he
p(x) = (210e − 570)x2 + (588 − 216e)x + (39e − 105).
où wi sont des poids des nombres positifs données non nuls à la fois. La norme
associée à ce produit scalaire est définie par:
v
Dr
uN
uX
kgk = t wi (g(xi ))2 , ∀g ∈ Pn
i=0
pn (x) = a0 + a1 x + · + an xn ,
23
1.6. APPROXIMATION AU SENS DES MOINDRES CARRÉS
N
X N
X N
X
wi w i xi ... wi xni
i=0 i=0 i=0
N N N
X X X
n+1
w i xi wi x2i ... wi xi
B =
i=0 i=0 i=0
,
.. .. .. ..
. . . .
X N N
X XN
wi xni wi xn+1 2n
... wi xi
f
i
i=0 i=0 i=0
a0
lla
a1
a = .. ,
.
an
N
X
wi f (xi )
b =
i=0
N
X
i=0
X N
.
he
wi xi f (xi )
..
.
wi xni f (xi )
.K
i=0
2
X
< g, h >= g(xi )h(xi ), ∀g, h ∈ P1
i=0
d’où
1 1
p(x) = + x
2 2
24
CHAPTER 1.
En effet;
f
kf − pn k = < f − pn , f − pn >
lla
= < f − pn , f > − < f − pn , pn >
n
X
= kf k − a∗k < f, ϕk > .
i=0
Algorithme de Gram-Schmidt
Xn
k=0
(a∗k )2 .
25
1.6. APPROXIMATION AU SENS DES MOINDRES CARRÉS
f (x + T ) = f (x) .
f
X
S (f ) (x) = a0 + ak cos kx + bk sin kx ,
2 T T
k=1
lla
où,
Z T
2 2π
ak = f (t) cos kt dt, k > 0,
T 0 T
Z T
2 2π
bk = f (t) sin kt dt, k > 1.
suivante :
1
n
X
he
T 0
2π
T
2π
Sn (f ) (x) = a0 + ak cos kx + bk sin kx .
2 T T
.K
k=1
1
sup |f (x) − Sn (f ) (x)| 6 C sup |f 00 (x)| .
x∈R x∈R n
2 T
Z
2π
ak = f (t) cos kt dt,
T 0 T
Z T
1 2π
= f 0 (t) sin kt dt,
πk 0 T
Z T
T 00 2π
= − f (t) cos kt dt.
2πk 2 0 T
26
CHAPTER 1.
f
Alors, la série
lla
+∞
1 X 2π 2π
a0 + ak cos kx + bk sin kx ,
2 T T
k=1
1
f (x) = a0 +
On a, ∀x ∈ R
2
+∞
X
ak cos
k=1
2π
T
he
kx + bk sin
2π
T
kx
.
+∞
.K
X 2π 2π
|f (x) − Sn (f ) (x)| = ak cos kx + bk sin kx ,
T T
k=n+1
+∞
X
6 (|ak | + |bk |) ,
k=n+1
+∞
X 1
6 2C1 sup |f 00 (x)| .
x∈R k2
k=n+1
Z k
1 dt
Dr
Mais, 6 . Donc,
k2 k−1 t2
Z +∞
dt
|f (x) − Sn (f ) (x)| 6 2C1 sup |f 00 (x)| ,
x∈R n t2
1
6 2C1 sup |f 00 (x)| .
x∈R n
Il suffit de prendre C = 2C1
Remarque 7. Le théorème précédent nous assure la convergence de cette méthode
d’approximation. Mais la construction de cette série n’est pas aussi évidente
dans le cas général, car le calcul des coefficients de Fourier exige une connaissance
presque complète de la fonction f .
27
1.7. INTERPOLATION PAR DES SPLINES
f
numériques.
On leur préfère alors une interpolation polynomiale par morceaux appelée spline.
lla
Plutot que de trouver un polynôme de degré important passant par tous les points,
on cherche plusieurs polynômes qui se rejoingne sur les points du nuage.
Ainsi notre fonction spline S (x) sera définie par
S0 (x) si x0 6 x 6 x1
S1 (x) si x1 6 x 6 x2
S (x) = he
............
Sn (x) si xn−1 6 x 6 xn
Lorsque les polynômes Si (x) sont de degré 1, on parle de spline linéaire; quand
ils sont de degré 2, on parle de spline quadratique. S’ils sont de degré 3, on
parle de spline cubique.
.K
1.7.1 Interpolant polynômiale par morceaux
n
Soit {tj }j=1 une subdivision de l’intervalle [α, β]. On définit la suite de fonctions
n
{ej }j=1 par
t−t
Dr
j−1
t ∈ [tj−1 , tj ] ,
tj − tj−1
tj+1 − t
ej (t) = t ∈ [tj , tj+1 ] , 2 6 j 6 n − 1,
t j+1 − t j
0 ailleurs.
( t −t
2
t ∈ [t1 , t2 ] ,
e1 (t) = t2 − t1
0 ailleurs.
t − tn−1 t ∈ [tn−1 , tn ] ,
en (t) = tn − tn−1
0 ailleurs.
28
CHAPTER 1.
f
est appellée le module de continuité de f . Donc, si h tend vers 0 alors w0 (f, h)
lla
tend vers 0, puisque f est continue.
Théorème 10.
Où,
hn = max
16j6n−1
et enfin,
pi (x) = ai x3 + bi x2 + ci x + di : 1 6 i 6 n
29
1.7. INTERPOLATION PAR DES SPLINES
Les différents points doivent être reliés entre eux de sortes que la fonction
résultant soit deux fois différentiables.
Il y a n polynômes à calculer, ces n polynômes doivent vérifier des conditions
sur les dérivées premières et secondes aux points de jonction (xi , yi ) : 1 6 i 6
n−1. Les deux extrémités (x0 , y0 ) et (xn , yn ) doivent juste vérifier les conditions
d’interpolation.
Ainsi on peut résumer les contraintes comme suit :
p1 (x0 ) = y0 , pn (xn ) = yn
f
Pour chaque point de jonction on a les conditions de continuités :
f (xi ) = yi : 1 6 i 6 n − 1
lla
pi (xi ) =
pi+1 (xi ) = f (xi ) = yi : 1 6 i 6 n − 1
Les conditions de dérivabilité première :
p0i (xi ) = p0i+1 (xi ) : 1 6 i 6 n − 1
Les conditions de dérivabilité seconde :
he
p00i (xi ) = p00i+1 (xi ) : 1 6 i 6 n − 1
Nous avons donc au total (4n − 2) équations
On peut tenter de résoudre directement le système d’équations mais il existe une
façon de réduire la taille du sysème d’équations :
Comme dans l’intervalle [xi−1 , xi] la dérivée seconde est un polynôme de degré 1
.K
00
dont les sommets sont xi−1 , fi−1 et (xi−1 , fi00 ) ainsi on peut utiliser l’interpolation
de Lagrange :
(x − xi ) (x − xi−1 )
p00i (xi ) = fi−1
00
+ fi00
(xi−1 − xi ) (xi − xi−1 )
En intégrant deux fois cette équation, on obtient :
2 2
(x − xi ) (x − xi−1 )
p0i (xi ) = fi−1
00
+ fi00 + αi
2 (xi−1 − xi ) 2 (xi − xi−1 )
Dr
D’où :
3 3
00 (x − xi ) (x − xi−1 )
pi (xi ) = fi−1 + fi00 + αi (x − xi ) + βi
6 (xi−1 − xi ) 6 (xi − xi−1 )
αi et βi étant les constantes d’intégration.
Comme on a pi (xi ) = f (xi ) = yi
3 3
00 (xi − xi ) (xi − xi−1 )
pi (xi ) = f (xi ) = fi−1 + fi00 + αi (xi − xi ) + βi
6 (xi−1 − xi ) 6 (xi − xi−1 )
Ce qui entraine que :
2
(xi − xi−1 )
βi = f (xi ) − fi00
6
30
CHAPTER 1.
f
6 6
lla
!
2 2
00 (xi − xi−1 ) 00 (xi−1 − xi )
⇒ αi (xi − xi−1 ) = (f (xi ) − f (xi−1 )) − fi − fi−1
6 6
pi (x) = 00
fi−1
(x − xi )
3
6 (xi−1 − xi )
+ fi00
he
(x − xi−1 )
3
6 (xi − xi−1 )
+
!
2
fi00 − fi−1
00
f (xi ) − f (xi−1 ) (xi − xi−1 ) (xi − xi−1 )
− (x − xi ) + f (xi ) − fi00
.K
(xi − xi−1 ) 6 6
31
1.7. INTERPOLATION PAR DES SPLINES
f
2hi 2hi hi 6 hi 6
lla
et d’autre part :
2 2 00
f (xi ) fi00 hi+1
(x − xi+1 ) 00 (x − xi ) f (xi+1 ) fi+1 hi+1
p0i+1 (x) = −fi−1
00
+fi+1 − − + −
2hi+1 2hi+1 hi+1 6 hi+1 6
00 (xi
−fi−1
− xi )
2hi
2
00 (xi − xi )
+fi+1
2hi+1
2
−
he
00 (xi − xi−1 )
+ fi
2hi
2
−
00
f (xi ) fi hi+1
hi+1
−
6
hi
+
−
00
f (xi−1 ) fi−1
6
hi
+
f (xi ) fi00 hi
00
hi
f (xi+1 ) fi+1 hi+1
hi+1
−
6
−
6
00 (xi − xi+1 )
= −fi−1
2hi+1
2
On obtient alors :
.K
2 00 2
f (xi ) fi00 hi
(xi − xi−1 ) f (xi−1 ) fi−1 hi 00 (xi − xi+1 )
fi00 − − + − = −fi−1
2hi hi 6 hi 6 2hi+1
00
00
f (xi ) fi hi+1 f (xi+1 ) fi+1 hi+1
− − + −
hi+1 6 hi+1 6
Qui devient :
2 00 2
f (xi ) fi00 hi
(hi ) f (xi−1 ) fi−1 hi 00 (hi+1 )
fi00 − − + − = −fi−1
Dr
2hi hi 6 hi 6 2hi+1
00
00
f (xi ) fi hi+1 f (xi+1 ) fi+1 hi+1
− − + −
hi+1 6 hi+1 6
On regroupe les termes faisant intervenir les dérivées secondes du même coté
hi 00 hi hi 00 hi+1 hi+1 00 hi+1 f (xi−1 ) f (xi ) f (xi ) f (xi+1 )
fi00 +fi−1 −fi00 +fi−1 −fi00 −fi+1 = − − +
2 6 6 2 6 6 hi hi hi+1 hi+1
On multiplie les deux membres de l’équation par 6 et on regroupe ensuite selon
les dérivés :
00 00 00 00 00 00 f (xi ) − f (xi−1 ) f (xi+1 ) − f (xi )
3fi hi +fi−1 hi −fi hi +3fi−1 hi+1 −fi hi+1 −fi+1 hi+1 = 6 − +
hi hi+1
32
CHAPTER 1.
00
⇒ fi−1 hi + (3fi00 hi − fi00 hi + 3fi00 hi+1 − fi00 hi+1 ) + fi+1
00
hi+1
f (xi ) − f (xi−1 ) f (xi+1 ) − f (xi )
= 6 − +
hi hi+1
00
⇒ fi−1 hi + 2 (fi00 hi + 2fi00 hi+1 ) + fi+1
00
hi+1 = 6 (f [xi , xi+1 ] − f [xi−1 , xi ])
On a hi+1 + hi = (xi+1 − xi ) + (xi − xi−1 ) = xi+1 − xi−1 .
D’où on obtient :
hi hi+1 (f [xi , xi+1 ] − f [xi−1 , xi ])
f 00 + 2fi00 + f 00 = 6
f
hi+1 + hi i−1 hi+1 + hi i+1 hi+1 + hi
lla
On obtient donc la formule à utiliser :
Proposition 1. La formule générale de la méthode des splines cubiques est
donnée par :
hi 00 hi+1
fi−1 + 2fi00 + f 00 = 6f [xi−1 , xi , xi+1 ] : i = 1, ..., n − 1.
hi+1 + hi hi+1 + hi i+1
33
1.7. INTERPOLATION PAR DES SPLINES
f
lla
he
.K
Dr
34
2
f
Dérivation et Intégration Numérique
lla
2.1 Dérivation numérique
2.2 Dérivée première
he
Soit f une fonction assez régulière. On utilise le développement de Taylor de f .
0 h 00 h2
f (x + h) = f (x) + f (x) + f (ξ)
1! 2!
En négligeant le reste d’ordre 2 on obtient :
0 h 0 f (x + h) − f (x)
f (x + h) ' f (x) + f (x) ⇒ f (x) '
1! h
Dr
f (x + h) − f (x)
f 0 (x) = + o(h),
h
où la fonction o(h) désigne le reste d’order h.
0 h 00 h2
f (x − h) = f (x) − f (x) + f (ξ)
1! 2!
35
2.2. DÉRIVÉE PREMIÈRE
f
2.2.3 Différence centrée.
lla
En utilisant le développement de Taylor :
0 h 00
h2 3
f (x + h) ' f (x) + f (x) 1! + f (x) 2! + o(h )
0 h 0 h
⇒ f (x + h)−f (x − h) ' f (x) +f (x)
h 1! 1!
f (x − h) ' f (x) − f 0 (x) + f 00 (x) h + o(h3 )
2
1! 2!
d’ordre 2:
he0
⇒ f (x) '
f (x + h) − f (x − h)
2h
Cette formule est connue comme la formule à deux points avec le reste
f (x + h) − f (x − h)
f 0 (x) = + o(h2 )
.K
2h
Exemple 15. On tente d’évaluer la dérivée de f (x) = ex en x = 0. La solution
exacte est dans ce cas f 0 (0) = e0 = 1. On peut dès lors comparer ce résultat avec
ceux que l’on obtient par les différentes formules aux différences. Par exemple,
la différence avant d’ordre 1 donne pour h = 0.1 :
e0+h − e0 e0.1 − 1
f 0 (0) ' = = 1.05170918.
h 0.1
La différence arrière d’ordre 1 donne pour h = 0.1
Dr
e0 − e0−h 1 − e−0.1
f 0 (0) ' = = 0.95162582
h 0.1
Une valeur plus petite de h conduit à un résultat plus précis. Ainsi, si :
e0.05 − 1
h = 0.05 : f 0 (0) ' = 1.0254219 différence avant d’ordre 1
0.05
1 − e−0.05
h = 0.05 : f 0 (0) ' = 097541151 différence arrière d’ordre 1
0.05
Si on utilise cette fois une différence centrée d’ordre 2, on obtient avec
h = 0.05:
e0.05 − e−0.05
f 0 (0) ' = 1.0004167.
2 (0.05)
36
CHAPTER 2. DÉRIVATION ET INTÉGRATION NUMÉRIQUE
On obtient :
h4 (4)
f (xi − h) − 2f (xi ) + f (xi + h) h2 f 00 (xi ) + 12 f (xi ) + ...
f
=
h2 h2
h2 (4)
lla
= f 00 (xi ) + f (xi ) + ... = f 00 (xi ) + O(h2 )
12
f (x − h) − 2f (x) + f (x + h)
f 00 (x) = + o(h2 ).
h2
Finalement pour résumer toutes les formules, on les suggère dans le tableau
suivant:
he
.K
Dr
37
2.5. MÉTHODE DE QUADRATURE DE NEWTON COTES.
Pour avoir une valeur vraiment précise on divise d’abord l’intervalle d’intégration
[a, b] en n sous intervalles de tailles réduites [xi , xi+1 ] avec i = 0, n − 1 .
Z b n−1
X Z xi+1
f
f (x) ' P i (x) dx
a i=0 xi
lla
Définition 2. Une méthode d’intégration numérique est dite d’ordre n si l’erreur
d’intégration est nulle pour tout polynôme de degré inférieur où égal à n.
Où les points xi sont répartis sur l’intervalle [a, b] et les coéfficients wi sont
appelés les poids de la formule de quadrature.
b−a
xi = a + i , i = 0, · · · , n
n
Sur chaque sous intervalle [xi , xi+1 ] on prend comme fonction la droite
horizentale
xi + xi+1
qui correspond à la valeur de f au point milieu de l’intervalle f .
2
38
CHAPTER 2. DÉRIVATION ET INTÉGRATION NUMÉRIQUE
Rb
La valeur approchée de a
f (x) dx est alors donnée par :
b−a b−a
b−a
n−1
xi + xi+1
b−a
n−1 a+i + a + (i + 1)
n n
X X
f = f
n 2 n 2
i=0 i=0
n−1
b−a X 1 b−a
= f a+ i+
n i=0 2 n
f
Exemple 16. On désire trouver une valeur approchée de l’intégrale
4
lla
Z
1
dx
1 x
1
1
x
dx
4−1
10
=
3
10
he
= 0.3
De l’autre côté, on a
Z 4
1
dx = ln(4) − ln(1) = 1.386294361
1 x
Dr
Zb
b−a
f (x) dx ≈ [f (a) + f (b)]
2
a
39
2.6. MÉTHODES DE QUADRATURE CLASSIQUES
f
Cas de n+1 points
lla
Si l’intervalle [a, b] est divisé en n parties par les points a = x0 , x1 , ..., xn = b.
L’intégrale d’une fonction f entre les deux points a et b est donnée par :
Zb n−1
X xi+1 − xi
f (x) dx ≈ (f (xi ) + f (xi+1 ))
i=0
2
a
Zb
a
f (x) dx '
n−1
X
i=0
Zb
he
Si les points sont équidistants l’intégrale s’écrit sous la forme:
xi+1 − xi
2
(f (xi ) + f (xi+1 )) =
n−1
X b−a
i=0
n
2
(f (xi ) + f (xi+1 ))
n−1
b − a f (a) + f (b) b−a X
⇒ f (x) dx ' + f (xi )
.K
n 2 n i=1
a
Dr
40
CHAPTER 2. DÉRIVATION ET INTÉGRATION NUMÉRIQUE
f
lla
2.6.3 Méthode de Simpson
Thomas Simpson . 20 août 1710- 14 mai 1761 Angletterre.
La méthode de Simpson consiste à remplacer la fonction f entre xi−1 et xi+1
par l’arc de parabole passant par f (xi−1 ),f (xi ) et f (xi+1 ) .
On pose x0 = a, x1 = a+b
On pose x0 = a, x1 = a+b
2
he
et x2 = b ainsi h = xi+1 − xi pour i = 0, 1 On
considère 03 points et le polynôme de degré 2 passant par ces points.
2 et x2 = b ainsi h = xi+1 − xi pour i = 0, 1
Zb
.K
Z b Z b
f (x) dx ' p2 (x)dx = l0 (x)f (x0 ) + l1 (x)f (x1 ) + l2 (x)f (x2 )
a a
a
où
(x − x1 )(x − x2 )
l0 (x) =
(x0 − x1 )(x0 − x2 )
(x − x0 )(x − x2 )
l1 (x) =
(x1 − x0 )(x1 − x2 )
Dr
(x − x0 )(x − x1 )
l2 (x) =
(x2 − x0 )(x2 − x1 )
La formule pour deux points est par conséquent donnée par :
Zb
b−a
f (x) dx ' [f (x0 ) + 4f (x1 ) + f (x2 )]
6
a
h
= [f (x0 ) + 4f (x1 ) + f (x2 )]
3
41
2.6. MÉTHODES DE QUADRATURE CLASSIQUES
f
Cas avec n triplets. (x2i , x2i+1 , x2i+2 )
lla
Si l’intervalle [a, b] est divisé en 2n parties par les points a = x0 , x1 , ..., x2n = b.
L’intégrale d’une fonction f entre les deux points a et b est donnée par :
Zb xZ
2i+2
n−1
X
f (x) dx ' f (x) dx
a
=
he i=0 x
n−1
X
i=0
2i
1
3
h [f (x2i ) + 4f (x2i+1 ) + f (x2i+2 )]
R4 1
Exemple 18. On cherche toujours une valeur approchée de l’intégrale dx
.K
1 x
en effectuant une partition en 10 sous intervalles.
R4 1
La valeur approchée de 1 dx est donc donnée par :
x
9
3 X 1 1
2 ∗ 10 i=0 3 + 3 = 1.393261030
1 + i 10 1 + (i + 1) 10
Zb
3
f (x) dx ' h [f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )]
8
a
42
CHAPTER 2. DÉRIVATION ET INTÉGRATION NUMÉRIQUE
Zb xZ
3i+3
n−1
X
f (x) dx ' f (x) dx
a i=0 x
3i
n−1
X 3
= h [f (x3i ) + 3f (x3i+1 ) + 3f (x3i+2 ) + f (x3i+3 )]
i=0
8
f
Soit f une fonction n fois continument dérivable sur [a, b] telle que f n+1 existe
lla
sur [a, b]. On pose
n
X
wi f (xi )
i=0
Rb
est l’approximation d’ordre n de a
f (x)dx alors,
où
Z
a
b
f (x)dx −
n
X
i=0
he
wi f (xi ) 6
Mn+1
(n + 1)!
Z
a
b n
Y
i=0
(x − xi ) dx
Formule générale:
Dr
b
(b − a)3
b − a f (a) + f (b)
Z
f (x)dx − + f (x1 ) + f (x2 ) + · · · + f (xn−1 ) 6 M2 .
a n 2 12n2
Formule générale: 2n
b n−1
(b − a)5
Z X 1
f (x)dx h [f (x2i ) + 4f (x2i+1 ) + f (x2i+2 )] 6 M4 .
a i=0
3 180n4
43
2.7. QUADRATURE DE GAUSS
f
f (x) dx ' wi f (xi )
a i=1
lla
Où les wi et les xi sont les paramètres de la formule.
Grace à cette technique on gagne en degré de la méthode qui devient de 2n − 1
pour n points d’intégration.
a
b
f (x) dx ' w1 f (x1 )
44
CHAPTER 2. DÉRIVATION ET INTÉGRATION NUMÉRIQUE
f
b2 − a2
R b x
xdx = w 1 x 1 + w2 x 2 = =
a 2 2
3 ab
lla
Rb 2 2 2 x b − a3
3
a
x dx = w 1 x 1 + w 2 x 2 = =
3 3
3 ab
b − a4
4
b x
a x3 dx = w1 x31 + w2 x32 =
R
=
3 a 3
On obtient :
Z b
a
f (x) dx '
2.7.3
(b − a)
2
f
(b − a)
2
−√
1
3
+
he
(b + a)
2
Théorème 11. La quadrature de Gauss à n points est exacte dans le cas des
.K
polynômes de degré (2n − 1) .
Le terme d’erreur est donné par :
4
22n+1 (n!) (2n)
3f (ξ) : ξ ∈ [a, b]
(2n + 1) ((2n)!)
Dr
45
2.7. QUADRATURE DE GAUSS
f
lla
he
.K
Dr
46
3
f
Résolution numérique des équations
lla
différentielles
he
Nous abordons dans ce chapitre la résolution numérique du problème de Cauchy
pour les équations différentielles ordinaires (EDO).
f : I × R −→ R,
(t, y) 7−→ f (t, y)
On dit que y est la solution de cette équation différentielle sur [a, b] si y vérifie
la relation (1) pour tout t ∈ [a, b].
On appelle problème de CAUCHY ou problème de condition initiale l’équation
différentielle à laquelle on adjoint la condition initiale y(t0 ) = y0 où y0 est un
nombre donnée :
f
Cet exemple montre le cas où il existe une et une seule solution du problème
de CAUCHY définie sur R. Les choses ne se passent pas toujours si bien.
lla
Les exemples ci-dessous montrent que l’étude mathématique de l’existence et
de l’unicité des solutions d’un problème de CAUCHY peut être une affaire
délicate.
y 0 (t) = (y(t)) ,
3
∀t > 0,
p p
On vérifie que les fonctions y1 (t) = 0, y2 (t) = 8t2 /27, y3 (t) = − 8t2 /27, pour
tout t > 0, sont toutes les trois solutions du problème de CAUCHY donné.
Cet exemple montre qu’un problème de CAUCHY n’a pas nécessairement une
solution unique.
Théorème 12. Si f est une application définie sur [a, b]×R continue et L−Lipschitzienne
par rapport à y, alors le problème de cauchy (2) admet une solution unique sur
[a, b] et ceci pour toute condition initiale y0 (∀y0 ∈ R).
48
CHAPTER 3. RÉSOLUTION NUMÉRIQUE DES ÉQUATIONS
DIFFÉRENTIELLES
f
condition qu’elle admette une unique solution.
lla
Abordons à présent l’approximation numérique du problème de Cauchy (1).
On fixe 0 < T < +∞ et on note I =]t0 , t0 + T [ l’intervalle d’intégration. Pour
h > 0, soit tn = t0 + nh, avec n = 0, 1, 2, ..., Nh , une suite de noeuds de I
induisant une discrétisation de I en N sous-intervalles In = [tn , tn+1 ]. La
longueur h de ces sous-intervalles
R t est appelée pas de discrétisation. La méthode
d’approximation de l’intégrale tnn+1 f (s, y(s))ds produit plusieurs méthode.
La méthode d’Euler explicite approche l’intégrale au travers d’un rectangle
he
de base h dont la hauteur est calculée à l’abcisse tn :
h
yn+1 = yn + (k1 + k2 ) , y(t0 ) = y0 ,
2
où
k1 = f (tn , yn ),
k2 = f (tn + h, yn + hk1 ),
La méthode de Runge-Kutta classique d’ordre quatre (RK4) est donnée par
où
k1 = f (tn , yn ),
k2 = f (tn + h/2, yn + hk1 /2),
k3 = f (tn + h/2, yn + hk2 /2),
k4 = f (tn + h, yn + hk3 ),
49
3.4. RÉSOLUTION DE SYSTÈMES DIFFÉRENTIELS DANS R2
f
3.4 Résolution de systèmes différentiels dans R2
lla
Soit le système différentiel :
50