Calcul Numrique Cours et Travaux Dirigs Anne accadmique 2011-2012 par Samuel BOWONG Table des matires Table

des Matires 4 1 Concepts de bases et mthodologie du traitement numrique des pro-blmes scienti 7 1.1 Mthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Le problme pos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3 La mthode de rsolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4 Lalgorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5 La programmation scienti que . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.6 Traitement machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.7 Interprtation des rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8 Notions de base en calcul numrique . . . . . . . . . . . . . . . . . . . . . 9 1.8.1 Utilisation des rels . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8.2 Utilisation des fonctions . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8.3 Discrtisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8.4 Les itrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 0 1.8.5 Erreurs darrondis et de troncature . . . . . . . . . . . . . . . . . . 10 1.8.6 Problmes instables ou mal conditionns . . . . . . . . . . . . . . . 10 1.9 Mthodes instables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2 Gnralits sur lordinateur et sur les programmations structures 12 2.1 Gnralits sur lordinateur . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Les calculateurs lectroniques . . . . . . . . . . . . . . . . . . . . . 12 2.1.2 Les utilitaires les plus rencontres . . . . . . . . . . . . . . . . . . . 1 3 2.2 Gnralits sur les programmations structures . . . . . . . . . . . . . . . . 3 Erreurs sur les solutions numriques 17 3.1 Sources des erreurs et classi cation des erreurs . . . . . . . . . . . . . . . . 17 3.2 Erreurs absolue et relative . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1 4 Approximation numrique des fonctions 21 4.1 Approximation de la drive dune fonction . . . . . . . . . . . . . . . . . . 4.1.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.2 Interpolation et approximation des fonctions . . . . . . . . . . . . . . . . . 26 4.2.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2.2 Types dinterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.2.3 Interpolation polynomiale . . . . . . . . . . . . . . . . . . . . . . . 27 4.2.4 Interpolation de Newton . . . . . . . . . . . . . . . . . . . . . . . . 31 4.2.5 Interpolation spline . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ques

. .

. 12

13

21

. . . . 39 5 Approximation numrique des intgrales 41 5.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.1.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.1.2 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . 41 5.2 Mthode des rectangles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2.1 Principe de la mthode . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.2.2 Calcul de lintgrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.3 Formule du point millieu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.4 Mthode de trapzes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.1 Principe de la mthode . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.4.2 Calcul de lintgrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.5 Mthode de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.5.1 Principe de la mthode . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.5.2 Calcul de lintgrale . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 6 Rsolution numrique des quations non linaires 61 6.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 6.2 Mthode de dichrotomie ou de partage en deux . . . . . . . . . . . . . . . 62 6.2.1 La mthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.2.2 Organigramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 6.2.3 Algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3 6.3 Mthode de la corde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 6.4 Mthode de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . 66 6.4.1 La mthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 6.4.2 Organigramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 6.4.3 Mthode de Newton en six tapes . . . . . . . . . . . . . . . . . . . 68 6.5 Mthode par approximations successives . . . . . . . . . . . . . . . . . . . 7 0 2 6.6 Mthode de Chebyshev (Mthode de Newton gnralis) . . . . . . . . . . 72 6.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 7 Approximation par la mthode des moindres carrs 77 7.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 7.2 Rsolution du problme de lapproximation par les moindre carrs . . . . . 78 7.2.1 Choix des paramtres par la mthode des moindres carrs . . . . . 78 7.2.2 Cas particuliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 7.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 8 Rsolution numrique des quations linaires 83 8.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 8.2 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 8.2.1 Quelques d nitions de base . . . . . . . . . . . . . . . . . . . . . . 84 8.2.2 Produit de deux matrices et proprits . . . . . . . . . . . . . . . . 85 8.2.3 Calcul des dterminants . . . . . . . . . . . . . . . . . . . . . . . . 86

8.2.4 Inversion des matrices . . . . . . . . . . . . . . . . . . . . . . . . . 8 7 8.2.5 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . . . . . 88 8.3 systmes dquations linaires et mthode de Cramer . . . . . . . . . . . . 88 8.3.1 D nition et cas particulier . . . . . . . . . . . . . . . . . . . . . . 88 8.3.2 Mthode de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 89 8.4 Mthode de Gauss ou des lminations successives ou de pivot . . . . . . . 89 8.4.1 Mthode dlmination successive de Gauss . . . . . . . . . . . . . . 89 8.4.2 Rsolution numrique des systmes triangulaires . . . . . . . . . . . 91 8.5 Mthode de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 8.5.1 Mthode de la dcomposition triangulaire . . . . . . . . . . . . . . 91 8.6 Mthode par inversion des matrices . . . . . . . . . . . . . . . . . . . . . . 92 8.7 Mthodes itratives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 8.7.1 Prliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 8.7.2 Mthodes de Jacobi et Gauss-seidel . . . . . . . . . . . . . . . . . . 93 8.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 9 Intgration numrique des quations di rentielles 96 9.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 9.2 Quelques premires d nitions . . . . . . . . . . . . . . . . . . . . . . . . . 96 9.2.1 Problme de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . 97 9.3 Rsolution du problme de Cauchy laide de la formule de Taylor . . . . 97 9.4 Mthode de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 9 9.5 Mthode des approximations successives . . . . . . . . . . . . . . . . . . . 1 02 9.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 3 10 Rsolution numrique des quations aux drives partielles 105 10.1 D nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 10.2 Quelques quations aux drives partielles . . . . . . . . . . . . . . . . . . 10 5 10.2.1 Equation donde . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 10.2.2 Equation de poisson et de Laplace . . . . . . . . . . . . . . . . . . . 1 06 10.2.3 Equation de la chaleur . . . . . . . . . . . . . . . . . . . . . . . . . 106 10.3 Discrtisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 10.3.1 Lquation de Poisson dans le plan . . . . . . . . . . . . . . . . . . 107 10.3.2 Discrtisation de lquation de la chaleur . . . . . . . . . . . . . . . 109 10.3.3 Autres mthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 10.3.4 Discrtisation de lquation des ondes . . . . . . . . . . . . . . . . . 112 10.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 4 Introduction Gnrale Les machines calculer lectroniques ont leur origine en science et aujourdhui, ils constituent des objets vitaux pour tous les domaines de lactivit humaine. Tandis q ue les outils comme les microscopes et les tlescopes augmentent nos possibilits dobservati on, les calculateurs lectroniques et les ordinateurs augmentent nos possibilits de rai sonne-ment. Ils ont revolutionn la science moderne. Les moyens de calcul jadis ut

iliss sont la rgle calcul, larithmomtre, les tables que lon a tabli mais ces moyens de calcul se sont avers incapables de faire face au besoin de plus en plus complexe de la scie nce, de la technique et de lconomie de notre temps. La recherche des dispositifs plus perform ants, plus e caces et plus rapides ont gners la cration des calculateurs lectroniques ana-lo giques et numriques. Le premier calculateur lectronique a t construit en 1945 aux USA. En 1946, FON NEUMANN a formul les principes et les ides qui servent de base la construction des calculateurs lectroniques. Leur gnralisation, leur dveloppement, et leur application conduisent aujourdhui une refonte de la recherche scienti que, des travaux scienti ques, de la gestion, du service. En e et, en somme les ordinateurs n ous aide - traiter la complexit dans les modles qui ne peuvent pas tre rsolu autrement ; - tudier les phnomnes qui dont di ciles tudier expriementalement ; - tester la thorie ; - dcouvrir de nouveaux concepts et amliorer la thorie. Le but de ce cours est donc de permettre aux scienti ques en gnral, aux mathmati-cien s, physiciens, ingenieurs, chimistes, biologistes et conomistes en particulier dlab orer les mthodes de calcul numrique utilisable par lordinateur pour rsoudre les problmes de recherche et de devloppement. Ces problmes pourront tre de divers types : par exemple 1. Le traitement dun grand nombre de donnes ou mesures dune exprience. 2. La rsolution de gros systmes dquations linaires plusieurs inconnues. 3. La rsolution des quations algbriques non linaires. Le cours est bas sur environ huit chapitres. 1. Concepts de bases et mthodologie du traitement numrique des problmes scienti- ques 5 2. Gnralits sur lordinateur et sur les programmations structures 3. Erreurs sur les solutions numriques 4. Approximation numrique des fonctions 5. Approximation numrique des intgrales 6. Rsolution numrique des quations non linaires 7. Approximation par la mthode des moindres carrs 8. Intgration numrique des quations di rentielles 9. Rsolution numrique des quations linaires 10. Rsolution numrique des quations aux drives partielles 6 Chapitre 1 Concepts de bases et mthodologie du traitement numrique des problmes scienti ques 1.1 Mthodologie Le traitement dun problme de calcul scienti que comprend en gnral six phases dont la disposition est la suivante 1.2 Le problme pos Le problme doit tre - pos clairement ; 7 - avoir un sens ; - tre bien pos a n dviter des instabilits. 1.3 La mthode de rsolution Cest la description du procd permettant dobtenir la solution du problme. Elle peut tre faite par une formulation mathmatique ou par des directives de type littra les. 1.4 Lalgorithme Cest la dcomposition en un nombre ni doprations lmentaires de la mthode

choisie. Lalgorithme peut tre complt par un organigramme. Lalgorithme est une tape trs importante du calcul numrique : - Il con rme ou in rme la ralit du problme pos ; - Il justi e la faisabilit de la mthode propose ; - Il donne directement accs au problme informatique ; - Il permet dexercer un contrle sur les performances qui rsulteront du traitement informatique : temps dexcution, encombrement mmoire, prcision N.B. : Optimiser un algorithme signi e Rduire le temps calcul machine. Rduire la place occupe en mmoire centrale. Augmenter la prcision. 1.5 La programmation scienti que Cest la traduction de lalgorithme en un langage informatique. Les langages informa -tiques les plus utiliss pour la rsolution des problmes scienti ques sont : le Fortra n, le Pascal et leurs drivs (le C+, le C++, Matlab, Scilab, etc...). Ce sont les langage s qui voluent de jous en jour (Exemple : Fortran 1, 2, 3, 4, 66, 77, 90, 91,... ; Pasca l, Turbo Pascal, Matlab 5.3, 7.2, Scilab 1, 2, 3, 4,...). La compatibilit des versions est ascendante par exemple un programme crit en Fortran 66 peut tre excut laide dun compilateur de Fortran 77. N.B. : Le langage choisi doit pourvoir satisfaire toutes les oprations gurant dans lal-gorithme. 1.6 Traitement machine Cest lexcution de la mthode de rsolution par un programme. Il sagit dutiliser le systmes dexploitation de lordinateur : logiciels (compilateur, utilitaire, fonct ion et 8 sous-programme rquis), ressources matrielles (taille, vitesse dexcution , etc...) 1.7 Interprtation des rsultats Les rsultats doivent tre interprts avec la logique scienti que car il nexiste aucune rgle permettant da rmer priori quun programme ou un algorithme donnera des rsul-tats t out fait correct du problme pos. Il est donc souvent ncessaire dessayer plusieurs mthodes de rsolution, plusieurs algorithmes ou mme plusieurs langages pour un mme problme. 1.8 Notions de base en calcul numrique 1.8.1 Utilisation des rels Le terme calcul numrique se rapporte lutilisation des calculateurs pour rsoudre les problmes faisant intervenir des nombres entiers et rels. La plupart de ces nom bres sexprime par une suite de chi res. Dautre par contre ncessite pour leur reprsentation une suite in nie de chi res. Les ordinateurs quant eux ne peuvent reprsenter les enti ers et les rels par une suite nie ce qui peut alors entrainer les erreurs darrondies. C haque chi re de cette suite est appel " digit ". La longueur de la suite nie est un lment qu i entre dans les qualits de performance et de prcision de lordinateur. On peut amliore r la prcision en travaillant en double ou en quadruple. 1.8.2 Utilisation des fonctions Il y a deux manires de reprsenter une fonction dans lordinateur : par un tableau de valeurs ou par un sous-programme qui calcule les valeurs de la fonction des p oints choisis. 1.8.3 Discrtisation En calcul scienti que, certains problmes sont par nature continus. Ils font interve nir

les oprations telles que le drivation et lintgration. Lordinateur ne pouvant rsoudre d e tels problmes continus, on doit les remplacer par des problmes discrets en utilisa nt par exemple les di rences nis, les lments nis, les mthodes particulires ou spectrales : on parle alors de discrtisation. 9 1.8.4 Les itrations Certains problmes numriques sont souvent formul en terme de processus succes-sifs o u dune suite de calculs. Le rsultat dun processus tant li celui du processus prcdent, on parle alors ditration. 1.8.5 Erreurs darrondis et de troncature Les erreurs de calcul numrique associes aux ordinateurs peuvent tre classs en plusieurs catgories : les erreurs des la reprsentation limite des rels et les erreurs des au manque de ressource de lordinateur. La premire catgorie est celle des erreurs darrondis qui augmentent avec les oprations arithmtiques, la deuxime catgorie est celle des erreurs de troncature. Elles surviennent par exemple lors de lapproxima tion des fonctions par des fonctions rationnelles. Gnralement, lon remarque que la rduction d es erreurs de troncature entraine laugmentation des erreurs darrondis. 1.8.6 Problmes instables ou mal conditionns Une di cult courante et source derreur graves en calcul numrique rside dans lex-trme se sibilit de la solution aux lgres variations des paramtres du problme. Cette di cult peut subvenir nimporte quel type de calcul numrique : soustraction, systme dquations linaires, quations non linaires. Comme exemple, considrons le systme suivant : x + 2y = 3 0:499x + 1;001y = 1:5 La solution est (1;1). Si dans la 2eme quation nous remplaons 0;499 par 0:5, on obtient comme solution le couple (3;0) qui est trs loin de (1;1). Ce genre de pro blme est dit instable ou mal conditionn. Si les variations lgres des paramtres dun problme entraine un changement lgr de la solution, on dit que le problme est stable ou bien conditionn ou bien pos. Il faut donc noter que lorsque le problme est instable les erreurs darrondis et de troncature ainsi que dautres approximations peuvent condui re des solutions trs loignes de la solution exacte. Notons galement quun problme peut tre stable pour une mthode numrique et instable pour une autre. Il faudra donc au cours des calculs numriques faire des tests de la stabilit du problme pos ou de l a mthode. 1.9 Mthodes instables A cours des oprations mathmatiques, des erreurs darrondis subsquentes des m-thodes de calcul numrique peuvent conduire de faux rsultats. La mthode qui est la 10 bonne mais qui souvent cause des donnes dun problme ou de la manire que ces don-nes s ont transmises produisent des rsultats avec une courte prcision est dite instable. Une mthode sera dautant plus stable que les solutions quelles donnent dun problme sont proches de la solution exacte. Cest pourquoi, il faut toujours analyser les erreurs de calcul dune mthode de calcul scienti que. 11 Chapitre 2 Gnralits sur lordinateur et sur les programmations structures 2.1 Gnralits sur lordinateur 2.1.1 Les calculateurs lectroniques Les calculateurs lectroniques sont des dispositifs conus est fabriqus par lhomme pour faire des calculs. Ils sont de deux types : - Les calculateurs analogiques qui utilisent des dispositifs dlectronique analogiq

ue pour rsoudre les problmes scienti ques (sommateur, intgrateurs, multiplieurs, ampli ca-teurs , di rentiateurs, etc...). Ces dispositifs utilisent les analogies lectromcaniques, optico-mcaniques, lectro-acoustique, etc... Cest le cas aussi de simulation sur maq uette. - Les calculateurs numriques ou digitaux qui sont la base des ordinateurs moderne s traitent les informations sius forme binaire. Cette information est reprsente par une suite de bits. Lordinateur comprend essentiellement trois parties : lunit centrale, la m-moire centrale et lunit dchange. La mmoire centrale dont la capacit sexprime en lo octet ou mega octet enrgistre et concerve les informations. Lunit centrale ou encor e partie intelligente de la machine est constitue de lorgane de commande et de loprate ur arithmtique et de logique. Lunit dchange est constitue des organes dentre et de sortie et assure le transport des informations entre la mmoire, les priphriques (cl avier, cran,) et lutilisateur. Pour son fonctionnement, lordinateur doit possder un systme dexploitation qui assure lorganisation de la mmoire centrale, le transfert des info rma-tions entre les diverses parties et la communication avec lutilisateur. Lun de s systmes dexploitation le plus utilis est le MS-DOS. Sur un ordinateur actuel, on peut rsoud re nimporte quel problme mathmatique dont lalgorithme est connu. De plus, lordinateur daujourdhui permet de rsoudre les problmes non mathmatiques pourvu quil existe un algorithme de calcul adquat. Par exemple, un ordinateur peut tre connect une machine utile qui fabrique une pice dun pro l aussi compliqu que lon veut. Dans ce 12 cas, les donnes dentre re tent les caractristiques du pro l tandis que les rsultats des calculs sont convertis en signaux qui sont envoys lorgane de commande de la machin e outil. Cest galement le principe daction de disposition de commande de vol dun avion ou dun processus technologique. 2.1.2 Les utilitaires les plus rencontres Pour lexploitation et la gestion des ordinateurs et des logiciels un certain nomb re dutilitaires est souvent utilis et les plus rencontr sont les suivants : - Lditeur de texte : cest un programme qui permet de rentrer ou denvoyer les donnes sur le disque. - Le compilateur : cest un programme qui transforme les programmes sources en lan gage machine, i.e., en binaire. En e et, le programme source est incompris par la machi ne et cest le compilateur qui le transforme en un programme binaire executable par la m achine. - Linterprteur : cest un compilateur qui convertit le programme instruction aprs ins -truction. - Systme de gestion de bases de donnes : il permet denregistrer une suite de donner de manire structure, de stocker et de grer un ensemble de donnes. - Bibliothque mathmatique et bibliothque graphique : cest un ensemble dutiliteurs pour les oprations mathmatiques et graphiques. - Interfaces utilisateurs : ils permettent de simpli er les changes entre lordinateu r et lutilisateur. 2.2 Gnralits sur les programmations structures La ralisation dun programme ou la programmation est une a aire de grande im-portance qui possde quelques rgles simples qui permettent damliorer la lisibilit du

programme par la mise en page et lautodocumentaire (commentaire). Pour cela, on dcompose le programme en multiple dimension raisonnable. Les principales rgles de la programmation structure est la suivante : Rgle 1 : Le programme doit tre divis en sous-programmes ou procdures. En e et, les programmes traitant les problmes complexes peuvent tre trs volumineux. Le plus souvent, il inclut des problmes plus simples repets plusieurs fois. La mthode de rsolution de ces problmes lmentaires est mise sous forme dun sous-programme. Dans ce cas en programmant un problme plus compliqu, lappel aux sous-programmes se fait par une seule instruction. Rgle 2 : Un programme scrit avec les trois structures fondamentales suivantes : a) La squence : une suite dinstructions. 13 b) Lalternative : Si condition alors Instruction 1 sinon Instruction 2 n si Exemple 2.1 : Soit rsoudre lquation ax2 + bx + c = 0. Soit = b2 4ac. Si > 0 alors x1 = b p 2a ; x2 = b + p 2a sinon real(x1 ) = b 2a ; Im(x1 ) = pjj 2a real(x2 ) = b 2a ; Im(x2 ) = pjj 2a n 14 c) Litration : Premire forme Pour i variant de n m par pas de p faire Instruction n pour Deuxime forme : Repter Instruction jusqu la condition Troisime forme : Tant que la condition faire Instruction 15 n tant que Rgle 3 : Le programme doit tre command convenablement et mise en page de faon faciliter le lisibilit. 16 Chapitre 3 Erreurs sur les solutions numriques Dans ce chapitre, nous donnons les sources principales des erreurs et les rgles d

onnant des valeurs approches des quantits. 3.1 Sources des erreurs et classi cation des erreurs Les erreurs commises dans les problmes mathmatiques peuvent tre conditionnes par les raisons suivantes : 1. La formulation mathmatique du phnomne nest pas exacte. En gnrale lors de ltude dun phnomne naturel, dans les cas courants on est contraint a n de simpli er le problme dadmettre certaines conditions, par exemple sur les donnes initiales du problme. 2. La mthode de rsolution du problme nest souvent pas exacte : la solution exacte obtenue dans le problme mathmatique ncessite gnralement un nombre in ni ou un nombre trs grand des oprations arithmtiques. Un processus in ni ou trs grand ne se terminant pas en gnral en un nombre ni de pas, on est oblig dy mettre n un certain terme de la suite en le considrant comme une approximation de la solution approche. 3. Pendant lintroduction des donnes dans lordinateur, laccomplissement des opra-tions arithmtiques et la sortie des rsultats, il faut les arrondir. Les erreurs correspondantes ces sources sont appeles respectivement 1. Erreur inhrente ou erreur du problme ; 2. Erreur de la mthode ou erreur propage ; 3. Erreur de calcul ou de chute ou darrondi ; Gnralement lerreur du problme se divise en deux parties : (a) On appelle erreur du problme les seules erreurs des la non exactitude des donnes numriques apparaissant dans la description mathmatique du problme ; 17 (b) On appelle erreur du modle mathmatique, lerreur de la non correspon-dance de la description mathmatique du problme rel. 3.2 Erreurs absolue et relative D nition 3.1 : On appelle nombre approch du nombre A, un nombre a lgrement di rent de A et qui dans les calculs remplace ce dernier. On dira que le nombre a est une valeur approche de A par dfaut si a < A. Si par contre a > A, on dira que a est la valeur approche de A par excs. Si a est une valeur approche de A, on note souvent a A. Exemple 3.1 : 0:69 est une valeur appproche par dfaut de ln 2 et 0:7 est une valeu r approche par excs de ln 2 car 0:69 < ln 2 < 0:7. Si a est une valeur approche du nombre A, alors la quantit a d nie par a = A a sappelle erreur du nombre approch a. Si a est une valeur approche de A par excs, alors a = A a < 0. Si par contre a est une valeur approche de A par dfaut, alors a = A a > 0. Il est vident que si a est lerreur du nombre approch a au nombre A, alors A = a + a. D nition 3.2 : On appelle erreur absolue dun nombre approch a, la valeur absolue de lerreur de ce nombre approch : = jA aj= jaj: (3.1) Remarque 3.1 : Il faut noter que si le nombre A est connu, alors lerreur absolue se calcule par la formule (3.1). Si par contre A nest pas connu, alors nous ne pouvo ns pas dterminer lerreur absolue par la formule (3.1). Ce dernier cas tant le cas pratique ment le plus frquent. Dans le cas o le nombre A est inconnu, au lieu de lerreur absolue qui est inconnue , on introduit sa limite suprieure appele borne suprieure derreur absolue 1 On appelle borne derreur absolue du nombre approch a du nombre exact A la quan-tit non ngative a telle que = jA aja: (3.2) Il dcoule de lquation (3.2) ci-dessus que a a A a + a: (3.3)

1. On appelle borne suprieure derreur absolue dun nombre approch, tout nombre suprieu r ou gal lerreur absolue de ce nombre. 18 Par consquent a a est une valeur approche du nombre A par dfaut et A+ a lest par excs. On a alors A = a a: Exemple 3.2 : Si a = 0:69 est la valeur approche de ln 2, alors 0:69 < ln 2 < 0:7 0. De l, on aja ln 2j< 0:01 et il vient que 0:01 est le borne suprieure derreur. Si lon t ient compte de ce que 0:69 < ln 2 < 0:693 une meilleure estimation est a = 0:003. D nition 3.3 : On appelle erreur relative dun nombre appeoch a le nombre not qui est le rapport de lerreur absolue de ce nombre et du module du nombre exact corre spondant A (A 6= 0), i.e., = jAj: (3.4) Comme dans le cas de lerreur absolue, on peut introduire aussi la notion de borne derreur relative. D nition 3.4 : On appelle borne derreur relative dun nombre approch a donn, un nombre quelconque not a suprieur ou gal la veleur relative de ce nombre : a: (3.5) De lingalit (3.5), il vient que jAj a, i.e., jAja. La plus petite des bornes derreur relative sappelle borne suprieure derreur relative. Il dcoule de lingalit jAja que a = jAja est une borne derreur absolue du nombre a. Si a est une erreur du nombre approch a, on note A = a(1 a): Soient a un nombre approch remplaant le nombre exact A et a une borne derreur absolue du nombre a. Pour xer les ides, on suppose que A > 0, a > 0 et a < a. Alors la formule (3.4) donne = jAj = A a A a : On peut pas consquent prendre comme borne derreur relative du nombre a le nombre a = a a a : De la mme faon, on obtient de la formule (3.4) que = A (a + )a, i.e., (1 a) aa , aa 1 a : On peut alors prendre comme borne derreur absolue le nombre a = aa 1 a : 19 Comme il est dordinaire, si a a et 1 a, alors on peut avoir de faon approche a a a

et a aa: 20 Chapitre 4 Approximation numrique des fonctions 4.1 Approximation de la drive dune fonction 4.1.1 Gnralits D nition 4.1 : Soit f une fonction relle ou complexe, d nie dans lintervalle [a;b] de R . Soit x0 un point de [a;b]. On dit que f est drivable en x0 , de drive f0(x0 ), si lim h!0 f(x0 + h) f(x0 ) h = f0(x0 ): Lorsque la fonction f a une drive en chaque point de lintervalle [a;b], on dit que f est drivable dans [a;b], de drive f0. D nition 4.2 : On dit que f est de classe Ck sur lintervalle [a;b] si toutes ses drive s jusqu lordre k sont d nies et continues en tout point de [a;b]. On connait des formules qui permettent de driver les fonctions usuelles. Selon la fonction, le calcul de la drive est plus ou moins compliqu et il existe des langage s de calcul formel qui permettent, dans la plupart des cas, de calculer lexpression de la drive f0 partir de lexpression de la fonction f. Cependant, il y a deux cas importants o on ne sait pas calculer la drive dune fonction en un point. - Le premier cas se produit quand on connait les valeurs que prend la fonction f en certains points, mais que lexpression de f nest pas connue. Par example, ces valeu rs de f peuvent venir des mesures physiques ou dun calcul prcdent. - Le second cas, qui est le plus frquent, se produit quand la fonction f fait prci sement partie des inconnues de problme. Par exemple, lorsque f est la solution dune quatio n di rentielle ou dune quation aux drives partielles. D nition 4.3 : Pour h > 0 x et pour tout point x0 et toute fonction f, on d nit 21 1. La di rence nie avant ou progressive de f au point x0 : f(x0 ) = f(x0 + h) f(x0 ): (4.1) 2. La di rence nie arrire ou rgressive de f au point x0 f(x0 ) = f(x0 ) f(x0 h): (4.2) 3. La di rence nie centre de f au point x0 f(x0 ) = f x0 + h 2 f x0 h 2 : (4.3) Remarque 4.1 : On peut facilement itrer ces formules, i.e., d nir les di rences nies dordre 2;3;etc:. Par exemple, on pose par d nition 2 f(x0 ) = (f(x0 )): On a alors 2 f(x0 ) = (f(x0 )); = (f(x0 + h) f(x0 )); = f(x0 + h) f(x0 ); = f(x0 + 2h) f(x0 + h) [f(x0 + h) f(x0 )]; = f(x0 + 2h) 2f(x0 + h) + f(x0 ):

Exemple 4.1 : Si f est un polynme de dgr infrieur ou gale n, i.e., f(x) = Pn(x) = anxn + ::: + a1 x + a0 , alors nPn(x0 ) = n!anhn et mPn(x0 ) = 0; pour tout m > n: Par exemple, crivons les di rences divises du polynme P(x) = x3 . P(x) = (x + h)3 x3 = 3x2 h + 3xh2 + h3 ; 2 P(x) = 3(x + h)2 h + 3(x + h)h2 + h3 (3x2 h + 3xh2 + h3 ) = 6xh2 + 6h3 ; 3 P(x) = 6(x + h)h2 + 6h3 (6xh2 + 6h3 ) = 6h3 ; 4 P(x) = 0: D nition 4.4 : A partir des di rences nies, on peut d nir trois approximations de f0(x0 ) : f0(x0 ) f(x0 ) h ; ou f0(x0 ) f(x0 ) h ou f0(x0 ) f(x0 ) h ; (4.4) o h est appel paramtre de dicrtisation. 22 En calcul scienti que, on ne contente pas dtablir quune approximation converge vers la valeur quon cherche, on veut aussi estimer sa vitesse de convergence. En e et, i l y a des approximations qui convergent avec telle lenteur quelles sont inuitilisables en p ratique. Pour estimer la vitesse avec laquelle une approximation converge vers f0(x0 ), o n dispose dun excellent outil mathmatique, dont on fera un usage constant : la formule de Ta ylor. Thorme 4.1 : (Thorme de Rolle) : On suppose que f est drivable en tout point de lintervalle [a;b] et que f(a) = f(b). Alors, il existe au moins un point c tel que a < c < b o f0(c) = 0. Thorme 4.2 : (Thorme des accroissements nis) : On suppose que f est d-rivable en tout point de lintervalle [a;b]. Alors, il existe au moins un point c tel que a < c < b o on a lgalit : f(b) f(a) = (b a)f0(c): La formule de Taylor est une gnralisation directe du thorme des accroissements nis : Thorme 4.3 (Formule de Taylor dordre n) : On suppose que f est n fois drivable en tout point de lintervalle [a;b]. Alors, il existe au moins un point c tel que a < c < b o on a lgalit : f(b) = f(a) + (b a)f0(a) + (b a)2 2! f00(a) + (b a)3 3! f(3) (a) + ::: + (b a)n 1 (n 1)! f( n 1) (a) + (b a)n n! f( n) (c) On voit bien que le thorme des accroissements nis concide avec la formule de Taylor lordre n. On va maintenant untiliser la formule de Taylor pour valuer lerreur dans lapproxi-m ation dune drive. On utilise dans la suite la notation de Landau : D nition 4.5 : On dit quune fonction E(h) est un O(hk) au voisinage de 0 sil existe un C > 0 tel que pour h au voisinage de 0 on ait

jE(h)j< Cjhjk: Commenons par lapproximation f0(x0 ) f(x0 ) h . Proposition 4.1 : Si f est deux fois drivable et si jf00(x)j M2 pour tout x dans lintervalle [x0 ;x0 + h], alors ?f(x0 ) h f0(x0 )? h 2 M2 : (4.5) 23 Preuve : Utilisons la formule de Taylor lordre n = 2. On aura alors?f(x0 ) h f0(x0 )? = ?1 h [f(x0 + h) f(x0 )] f0(x0 )?; = h 2 f00(); o le point est situ entre x0 et x0 + h. Alors, on obtient bien?f(x0 ) h f0(x0 )? h 2 M2 : 2 Cela veut dire que f(x0 ) h tend vers f0(x0 ) avec la mme vitesse que h. Donc lerreur E(h) = f(x0 ) h f0(x0 ) est un O(h). Bien sr, si la constante M2 est trs grande, il faut que h soit dautant plus petit p our que lerreur soit, elle aussi, petite. En thorie, on peut choisir h aussi petit quon veut, mais en pratique il y a un seuil, dpendant du problme traiter, en dessous duquel i l nest pas raliste de choisir h. Donc, si f00 a de trop grandes variations f(x0 ) h nest pas une bonne approximation de f0(x0 ). On aborde l une caractristique essentielle du calcul numrique. : la prcision dune approximation dpend non seulement du type de lapproximation elle-mme, mais aussi de la fonction laquelle on lapplique. En calcul numrique, il ny a aucune mthode dapproximation qui puisse tre appliqu avec succs dans tous les cas. Le calcul prcdent donnerait la mme estimation pour lapproximation de f0(x0 ) par f(x0 ) h . Etudions maintenant lapproximation de f0(x0 ) par f(x0 ) h . On a le rsultat suivant : Proposition 4.2 : Si f est trois drivable et si jf(3) (x)jM3 , pour tout x dans lin ter-valle x0 h 2 ;x0 + h 2 , alors

?f(x0 ) h f0(x0 )? h2 24 M3 : (4.6) Preuve : Avec la formule de Taylor dordre n = 2, on a f x0 + h 2 f x0 h 2 = f(x0 ) + h 2 f0(x0 ) + h2 8 f00(1 ) f(x0 ) h 2 f0(x0 ) + h2 8 f00(2 ); = hf0(x0 ) + h2 8 [f00(1 ) f00(2 )]; 24 o 1 est un point compris entre x0 et x0 + h 2 et 2 est un point compris entre x0 h 2 et x0 . Remarquons que f00(1 ) a le mme coe cient que f00(2 ), mais avec un signe oppos. Ceci suggre que si nous avions appliqu la formule de Taylor dordre n = 3, ces deux termes se seraient limilns. En e et, avec la formule de Taylor dordre n = 3, on trouv e f x0 + h 2 = f(x0 ) + h 2 f0(x0 ) + h2 8 f00(x0 ) + h3 48 f(3) (3 ); f x0 h 2 = f(x0 ) h 2 f0(x0 ) + h2 8 f00(x0 ) h3

48 f(3) (4 ): Do f x0 + h 2 f x0 h 2 = hf0(x0 ) + h3 48 [f(3) (3 ) + f(3) (4 )]; o 3 est un point compris entre x0 et x0 + h 2 et 4 est un point compris entre x0 h 2 et x0 . Cette fois-ci, les coe cients de f(3) (3 ) et f(3) (4 ) ont le mme signe ; donc ces d eux termes ne slimineront pas si nous prenons une formule de Taylor dordre plus lev. Pour conclure, on obtient ?f(x0 ) h f0(x0 )? = 1 48 h2 jf(3) (3 ) + f(3) (4 )j: Ce qui implique la majoration?f(x0 ) h f0(x0 )? 1 24 h2 M3 : (4.7) Ceci veut dire que si la fonction f est trois fois drivable. f(x0 ) h tend vers f0(x0 ) avec la mme vitesse que h2 . Donc, lerreur E(h) = f(x0 ) h f0(x0 ) est un O(h2 ). Comme h2 tend vers zro beaucoup plus vite que h, on conclut que, lorsque la constante M3 ne st pas trop grande, f(x0 ) h est une bien meilleure approximation de f0(x0 ) que f(x0 ) h . Remarque 4.2 : Nous aurions gagn du temps en appliquant directement la formule de Taylor dordre n = 3, mais on na aucun moyen de savoir, avant de faire le calcul, q uel est lordre de la formule de Taylor que lon doit appliquer. Nous venons de voir que les di rences nies fournissent des approximations de la drive premire. Ceci sugre dutiliser les di rences nies dordre 2 pour approcher la drive seconde. D nition 4.6 : Pour approcher la drive seconde dune fonction f au point x0 on utilise les quotients : f00(x0 ) 2 f(x0 ) h2 ; ou f00(x0 ) 2 f(x0 ) h2 ou f00(x0 ) 2 f(x0 )

h2 : (4.8) 25 On va faire le calcul derreur 2 f(x0 ) h2 et 2 f(x0 ) h2 , i.e., quon va tudier les di rences :?2 f(x0 ) h2 f00(x0 )? et ?2 f(x0 ) h2 f00(x0 )?. Proposition 4.3 : 1. Soit f une fonction trois fois drivable telle que jf(3) (x)j M3 pour tout x da ns lintervalle [x0 ;x0 + 2h]. Alors?2 f(x0 ) h2 f00(x0 )? 2h3 M3 : (4.9) 2. Soit f une fonction quatre fois drivable telle que jf(4) (x)jM4 pour tout x dan s lintervalle x0 h 2 ;x0 + h 2 . Alors?2 f(x0 ) h2 f00(x0 )? 1 12 h2 M4 : (4.10) 4.2 Interpolation et approximation des fonctions 4.2.1 Position du problme Linterpolation et lapproximation des fonctions sont des techniques numriques trs utilises. Le problme est le suivant. Nous avons une fonction y = f(x) dont nous ig norons la forme analytique mais dont on connait ces valeurs pour un certain nombre de v aleurs discrtes x1 ;x2 ;:::;xn, i.e., que nous avons y1 = f(x1 );y2 = f(x2 );:::;yn = f( xn). Le problme est de trouver une expression analytique approche dune fonction que lon ne connait quune suite discrte des valeurs de la variable. Parfois sous certaines considrations complmentaires, il est connu que lapproximatio n de la fonction se cherche sous la forme : f(x) g(x;a1 ;a2 ;:::;an): (4.11) Si les paramtres a1 ;a2 ;:::;an sont d nis partir des conditions daprs lequelles f(x) doit coincider avec son approximation g aux points x1 ;x2 ;:::;xn appels nud dinter -polation, g(xi;a1 ;a2 ;:::;an) = f(xi); i = 1;2;:::;n; alors une telle mthode dapproximation sappelle interpolation. Lexpression f(x) ainsi construite pourra permettre de dterminer les valeurs de la fonction en des points autre que ceux de la suite discrtes x1 ;x2 ;:::;xn. Soit y 1 le plus petit de nud dinterpolation xi, et y2 le plus grand dentre eux. Si le point x auque l on calcule la valeur de f(x) se trouve hors du segment [y1 ;y2 ], paralllement au pr oblme dinterpolation, on parle du problme dextrapolation ou lart de lire entre les lignes dune table. 26 4.2.2 Types dinterpolation La fonction P(x) peut avoir plusieurs formes. Lorsquelle est un polynme on parle dinterpolation polynomiale, lorsque P(x) est une srie trigonomtrique nie, on parle dinterpolation trigonomtrique. On peut aussi avoir une interpolation par les fonct

ions exponentielles, par les polynmes de Legendre ou par des fonctions de Bessel. Cepe ndant, en pratique lon choisit la forme polynomiale. Dans le cas o lon sait que la fonctio n est priodique, il est juditieux dutiliser linterpolation trigonomtrique. La justi cation d e lun ou lautre type dinterpolation repose sur les deux thormes prsents par lallemand Weistrass en 1885. Thorme 4.4 : Toute fonction continue dans un intervalle [a;b] peut tre reprsent dans cet intervalle pour chaque dgr de prcision par un polynme P(x) = NPn=0 anxn. Thorme 4.5 : Toute fonction priodique de priode 2 peut tre reprsente par une srie trigonomtrique limite de la forme P(x) = NPn=0 (an cos nx + bn sin nx). Les coe cients an et bn sont dtermins par la connaissance des valeurs discrtes de la fonction sur lintervalle [a;b]. 4.2.3 Interpolation polynomiale Un polynme de dgr n est d ni par n + 1 coe cients. Ainsi, un polynme din-terpolation de n est compltement dtermin par ses n + 1 valeurs discrtes yk. Il existe plusisurs formules pour dterminer linterpolation polynmiale. Formule dinterpolation de Lagrange Parmis les procds dinterpolation la plus rencontre est linterpolation linaire, quand on cherche une approximation sous la forme : g(x;a1 ;a2 ;:::;an) = nX i=1 ai i(x); (4.12) o i(x) sont des fonctions donnes et les coe cients ai se dterminent partir de la condition daprs laquelle f(x) doit concider avec g aux nuds dinterpolation xj : f(xj) = nX i=1 ai i(xj); j = 1;2;:::;n: (4.13) Les fonctions i(x) de la formule (4.13) sappellent polynmes dinterpolation. La mtho de de rsolution du problme dans lequel les coe cients ai se dterminent directement en resolvant le systme (4.13) sappelle mthode de coe cients indtermins. Comme il est 27 de rgle, dans la mthode de coe cients indtermins le nombre des coordonnes est gal au nombre de paramtres libres (inconnus). Le polynme dinterpolation nX i=1 aixi 1 ; (4.14) est le plus tudi. Alors i(x) = xi 1 ; i = 1;2;:::;n; (4.15) et le systmes (4.13) prend la forme f(xj) = xi 1 j ; i;j = 1;2;:::;n: (4.16) Dans ce qui suit, on suppose que les xj dont deux deux distincts. Le dterminant det(xi 1 j ) du systme (4.16) concide avec le dterminant de Vandermonde, et par cons-quent es t di rent de zro. Mais alors, le systme admet une solution unique. Nous avons ainsi dmontr lexistence et lunicit de linterpolation polynomiale (4.14). Soit j i le symbole de Kronecker, i.e., j

i = 8<: 1 si i = j; 0 si i 6= j: Le problme dinterpolation aura de solution si on parvient construire des polynmes i(x) de degr n 1 tels que i(xj) = j i ; i;j = 1;2;:::;n: Le polynme gn(x) = nX i=1 f(xi)(x) (4.17) i sera le polynme dinterpolation cherche. En e et, gn(xj) = nX i=1 f(xi)(xj) = i nX i=1 f(xi)j i = f(xj); j = 1;2;:::;n: Par ailleurs, gn(x) est un polynme de degr n 1. Puisquei(xj) = 0 lorsque i 6= j, alorsi(x) est divisible par x xj, quand i 6= j . Ainsi, nous connaissons n 1 diviseurs du polynme de degr n 1, et cest ainsi que i(x) = k nY j6= i (x xj); o k est une constante dterminer. Il dcoule de la conditioni(xi) = 1 que k = 1 nQj6= i (xi xj) : 28 De l, on dduit que i(x) = nY j6= i x xi xi xj : Le polynme dinterpolation (4.14), crit sous la forme : y = gn(x) = nX i=1 nY j6= i x xi xi xj : (4.18) sappelle polynme dinterpolation de Lagrange. Exemple 4.2 : Les rsultats dune exprience sont donns par le tableau suivant : x 1 2 4 6 y 10 5 2 1 1. De ce tableau, utiliser la formule dinterpolation linaire pour dterminer la vale ur de y pour x = 3.

2. Utiliser aussi la formule dinterpolation linaire pour dterminer la valeur de x p our y = 1:5. Solution : Daprs la formule dinterpolation linaire (4.18), on a y = y1 x x2 x1 x2 + y2 x x1 x2 x1 : 1. Puisque 2 < 3 < 4, on prend x1 = 2 et x2 = 4. On obtient y = 5 3 4 2 4 + 2 3 2 4 2 ; = 7 2 = 3:5: 2. Pour y = 1:5, on a 1 < 1:5 < 2 et on prend y1 = 1 et y2 = 2. Dans ce cas x1 = 6 et x2 = 4. On obtient alors 1:5 = x 4 6 4 + 2 x 6 4 6 ; = x 4 2 (x 6): La rsolution de lquation ci-dessus donne x = 5. Remarque 4.3 : Lunicit du polynme dinterpolation dordre k implique en particulier que si la fonction f est elle-mme un polynme de dgr infrieur ou gale k, elle concide avec son polynme dinterpolation dordre k, quels que soient les points x1 ;x2 ;:::;x n;xn+1 . Connaissant lexpression de f(x), on peut valuer toute valeur yp correspondant une variable x = xp comprise en dehors des points xk (extrapolation). 29 Lerreur dinterpolation d nie par sup x2[ a;b] jf(x) pn(x)j est estime par le rsultat suivant : Proposition 4.4 : Si f est n + 1 fois drivable sur [a;b] et si pn(x) est son poly nme dinterpolation dordre n, associ aux points x1 ;x2 ;:::;xn;xn+1 , on a pour tout x 2 [a;b] : f(x) pn(x) = 1 (n + 1)! n+1 (x)f( n+1) (x) o x 2[xn;xn+1 ]: (4.19) On a la corollaire suivant : Corollaire 4.1 : Quels que soient les points xk, k = 1;2;:::;n + 1, si la foncti on f est de classe Ck+1 , on a sup

x2[ a;b] jf(x) pn(x)j 1 (n + 1)! kn+1 kMk+1 (b a)n+1 (n + 1)! Mn+1 : (4.20) Exemple 4.3 : Former le polynme de Lagrange vri ant le tableau ci-dessous : x 1 2 3 4 y 2 3 4 5 Daprs la formule dinterpolation de Lagrange (4.18), on a gn = 2 4Qj6=1 x xj 1 xj + 3 4Y j6=2 x xj 2 xj + 4 4Y j6=1 x xj 3 xj + 5 4Y j6=1 x xj 4 xj : Il vient que gn = 2 (x 2)(x 3)(x 4 (1 2)(1 3)(1 4) + 3 (x 1)(x 3)(x 4) (2 1)(2 3)(2 4) + 4 (x 1)(x 2)(x 4) (3 1)(3 2)(3 4 + 5 (x 1)(x 2)(x 3) (4 1)(4 2)(4 3 ; = 1 3 (x 2)(x 3)(x 4) + 3 2 (x 1)(x 3)(x 4) 2(x 1)(x 2)(x 4) + 5 6 (x 1)(x 2)(x 3); = x + 1: Nous allons prsent prsenter un algorithme qui permet dvaluer lordonne dun point. 30 Algorithme de calcul de yp sachant xp 1. Lire x1 ;x2 ;:::;xn : la suite discrte des valeurs de la variable. 2. Lire y1 ;y2 ;:::;yn : la suite discrte des valeurs de la fonction. 3. Lire xp la valeur correspondante yp 4. yp 0

5. Pour i allant de 1 jusqu n faire y 1 Pour j allant de 1 jusqu n faire si j 6= i y y (xp xi)=(xi xj) n pour yp yp + yiy n pour 6. Ecrire xp et yp 4.2.4 Interpolation de Newton Di rences divises La notion de la di rence divise gnralise la notion de drive. La di rence divise dordre zro coincide avec les valeurs de la fonction f(xi). D nition 4.7 : 1. La di rence divise des variables xi et xj correspondant aux valeurs yi et yj est la quantit (xi;xj) = yj yi xj xi : (4.21) 2. La di rence divise seconde est d nie pour les trois variables xi, xj et xk par (xi;xj;xk) = (xj;xk) (xi;xj) xk xi : (4.22) 3. La di rence divise dordre n aux n + 1 points x1 ;x2 ;:::;xn est d nie par (x1 ;x2 ;:::;xn) = (x1 ;x2 ;:::;xn 1 ) (x1 ;x2 ;:::;xn 2 ;xn) xn 1 xn : (4.23) 31 Lemme 4.1 : La formule suivante est vri e (x1 ;x2 ;:::;xn;xn+1 ) = kX j=1 (xj)Qi6= j (xj xi) : (4.24) Preuve : Nous dmontrons la formule (4.24) par recurrence. Pour k = 1 donne f(x1 ) = f(x1 ) et pour k = 2, on a (x1 ;x2 ) = (x2 ) (x1 ) x2 x1 = (x1 ) x1 x2 + (x2 )x2 x1 = 2X j=1 (xj)Qi6= j (xj xi) ; et la formule (4.24) est vraie. Supposons (4.24) vraie pour k l. Alors (x1 ;x2 ;:::;xl+1 ) = (x2 ;:::;xl+1 ) f(x1 ;:::;xl) xl+1 x1

; = 1 xl+1 x1 0B@l+1X j=2 (xj)Qi6= j;2 il+1 (xj xi) lX j=1 (xj)Qi6= j;1 il+1 (xj xi) 1CA Si j 6= 1; l + 1, alors le coe cient de (xj) droite de la dernire galit est 1 xl+1 x1 0B@l+1X j=2 (xj)Qi6= j;2 il+1 (xj xi) lX j=1 (xj)Qi6= j;1 il+1 (xj xi) 1CA = (xj xi) (xj xl+1 ) (xl+1 x1 ) Qi6= j;1 il+1 (xl+1 x1 ; = 1Qi6= j;1 il+1 (xj xi) ; i.e., a la forme cherche , si par contre j = 1 ou j = l+ 1, alors la valeur (xj) gu re dans un seul terme droite de lgalit et sont coe cients a la forme que nous cherchons : pou r (x1 ) on a 1 xl+1 xl 1Qi6= l+1 ;2 il+1 (xl+1 xi = 1Qi6= l+1 ;1 il+1 (xl+1 xi : 32 On obtient alors (x1 ;x2 ;:::;xl+1 ) = 1 xl+1 x1 0B@l+1X j=2 (xj)Qi6= j;2 il+1 (xj xi) lX j=1 (xj)Qi6= j;1 il+1 (xj xi) 1CA;

= 1 xl+1 x1 0B@ lX j=2 (xj)Qi6= j;2 il+1 (xj xi) lX j=2 (xj)Qi6= j;1 il+1 (xj xi) + (xl+1 )Qi6= j;2 il+1 (xj xi) (x1 )Qi6= j;1 il+1 (xj xi) 1CA; = (xj)Qi6= j;2 il+1 (xj xi) + (x1 )Qi6= j;1 il+1 (xj xi) + (xl+1 )Qi6= j;1 il+1 (xj xi) ; = l+1Pj=1 (xj)Qi6= j (xj xi) : Le lemme est ainsi demontr. 2 Les consquences suivantes dcoulent directement de la formule (4.24). Corollaire 4.2 : Pour des valeurs xes x1 ;x2 ;:::;xn la di rence divise est une fonc-t ionnelle linaire par rapport f : (f1 +

f2 )(x1 ;x2 ;:::;xn) = f1 (x1 ;x2 ;:::;xn) +

f2 (x1 ;x2 ;:::;xn): (4.25) Corollaire 4.3 : La di rence divise est une fonction symmtrique de ses arguments x1 ;x2 ;:::;xn (i.e., ne change pas pour toute permutation). Le polynme dinterpolation de Newton dordre n de la fonction f associ aux n + 1 points x1 ;x2 ;:::;xn;xn+1 se met sous la forme f(x) = y1 + (x1 ;x2 )(x x1 ) + (x1 ;x2 ;x3 )(x x1 )(x x2 ) + ::: + (x1 ;x2 ;:::;xn+1 )(x x1 )(x x2 ):::(x xn+1 ): (4.26) Si la fonction f est donne aux nuds dinterpolation x1 ;x2 ;:::;xn alors le tableau des 33 di rences divises est donn par (x1 ) (x1 ;x2 ) (x2 ) (x1 ;x2 ;x3 ) (x2 ;x3 ) # (x3 ) # # # # # (x1 ;x2 ;:::;xn) # # # # (xn 1 ;xn) (xn) Exemple 4.4 : Soit donn le tableau x 1 2 3 4 5 6 7 f(x) 3 7 13 21 31 43 57 1. Construire le tableau des di rences divises correspondant la fonction f(x). 2. Dterminer le polynme dinterpolation de Newton avec di rences divises. 3. En dduire une valeur approche de f(3:1). Solution : 1. (1;2) = f(2) f(1) 2 1 = 1; (2;3) = f(3) f(2) 3 2 = 6; (3;4) = f(4) f(3) 4 3 = 8; (4;5) = f(5) f(4) 5 4 = 10; (5;6) = f(6) f(5) 6 5 = 12; (6;7) = f(7) f(6) 7 6 = 14; (1;2;3) = (2;3) (1;2) 3 1 = 6 4 2 = 1; (2;3;4) = (3;4) (2;3) 4 2 = 8 6 2

= 1; (3;4;5) = (4;5) (3;4) 5 3 = 10 8 2 = 1; (4;5;6) = (5;6) (4;5) 6 4 = 12 10 2 = 1; (5;6;7) = (6;7) (5;6) 7 5 = 14 12 2 = 1; (1;2;3;4) = (2;3;4) (1;2;3) 4 1 = 1 1 3 = 0; (2;3;4;5) = (3;4;5) (2;3;4) 5 2 = 0; (3;4;5;6) = 0; (4;5;6;7) = 0; (1;2;3;4;5) = 0; (2;3;4;5;6) = 0; (3;4;5;6;7) = 0; (1;2;3;4;5;6) = 0; (2;3;4;5;6;7) = 0; (1;2;3;4;5;6;7) = 0: 34 Do le tableau de di rences divises 3 4 7 1 6 0 13 1 0 8 0 0 21 1 0 0 10 0 0 31 1 0 12 0 43 1 14 57 2. Utilisons prsent le tableau ci-dessus et la formule (4.26) pour trouver le pol ynme dinterpolation de Newton. On a f(x) = (1) + (1;2)(x 1) + (1;2;3)(x 1)(x 2) + (1;2;3;4)(x 1)(x 2)(x 3) + (1;2;3;4;5)(x 1)(x 2)(x 3)(x 4) + (1;2;3;4;5;6)(x 1)(x 2)(x 3)(x 4)(x 5 ) + (1;2;3;4;5;6;7)(x 1)(x 2)(x 3)(x 4)(x 5)(x 6); = 3 + 4(x 1) + (x 1)(x 2); = x2 + x + 1: 3. La valeur approche de f(3:1) = (3:1)2 + 3:1 + 1 = 13:71. 2 Par les di rences progressive et regressive

Soient y1 ;y2 ;::: les valeurs dune fonction y = f(x) correspondantes aux valeurs qui-distantes des arguments x1 ;x2 ;::: (i.e., xk+1 xk = h o le nombre h sappelle pas dinterpolation). D nition 4.8 : 1. La di rence progressive est la quantit yk = yk+1 yk; (4.27) 2. La di rence seconde progressive est d nie par 2 yk = yk+1 yk = yk+2 yk+1 (yk+1 yk) = yk+2 2yk+1 + yk: (4.28) 35 3. La di rence progessive dordre est d nie par yk = 1 yk+1 1 yk: (4.29) Remarque 4.4 : En faisant la substitution successive, on obtient 3 yk = 2 yk+1 2 yk = yk+3 3yk+2 + 3yk+1 yk: Lorsquon a xk+1 = xk + h = x1 + kh, la formule de di rence divise se rduit f(x) = y1 + y1 h (x x1 ) + 2 y1 2!h2 (x x1 )(x x2 ) + ::: + n+1 y1 (n + 1)!hn+1 (x x1 )(x x2 ):::(x xn+1 ): (4.30) Cest la formule de Newton-Gregory progressive. Les coe cients ky1 se calculent selon le schma des di rences nies (4.29), que lon peut reprsenter par le tableau On va maintenant estimer lerreur dinterpolation dans le cas particulier des points qui-distants, pour une fonction de classe Ck+1 . Etant donn que n+1 (x) = hn+1 s(s 1)(s 2):::(s n), on a, en utilisant la Proposition 4.4, f(x) pn(x) = s(s 1)(s 2):::(s n) (n + 1)! hn+1 f( n+1) (x): (4.31) La fonction (s) = js(s 1)(s 2):::(s n)s(s 1)(s 2):::(s n)jpour s 2[0;n] vri e (k s) = (s), elle atteint son maximum dans h0; n 2 i. Comme de plus, pour 1 s n 2 , (s 1) (s) = n + 1 s s > 1: On voit que atteint son maximum sur [0;1], do maxf(s)js 2[0;n]g= maxf(s)js 2[0;1]gn!: Il en rsulte que jf(x) pn(x)j= 1 n + 1 hn+1 maxfjfn+1 (x)jj 2[x1 ;xn+1 ]g: Remarque 4.5 : Ce calcul derreur destimation donne aussi une estimation de kn+1 (x) k dans les points quidistants : kn+1 (x)k= hn+1 maxf(s) js 2[0;n]ghn+1 n! = n! nn+1 (b a)n+1 ;

36 et par la formule se Stirling n! p2nn en . On voit que lordre de grandeur de n+1 (x) est kn+1 (x)kOb a e n+1 ; quand n !1. Cette estimation est meilleures que celle obtenue pour des points quelconques da ns le Corollaire 4.1. Exemple 4.5 : En partant des donnes du tableau ci-dessous x 1 2 3 4 5 6 7 y 3 7 13 21 31 43 57 Trouver la valeur de y pour x = 3:1 laide de la formule dinterpolation de Newton. On forme la tableau des di rences progressives x y y 2 y 3 y 1 3 4 2 0 2 7 6 2 0 3 13 8 2 0 4 21 10 2 0 5 31 12 2 0 6 43 14 7 57 Ici x1 = 1, y1 = 3 et h = 1. Le polynme dinterpolation de Newton correspondant au cas donn est y = y1 + y1 h (x x1 ) + 2 y1 2!h2 (x x1 )(x x2 ) = 3 + 4(x 1) + 2 (x 1)(x 2) 2 = x2 + x+ 1: Ainsi, pour x = 3:1, on a y = 3:12 + 3:1 + 1 = 13:71. D nition 4.9 1. La di rence regressive dordre 1 est d nie par ryk = yk yk 1 : (4.32) 2. La di rence regressive dordre 2 est la quantit r2 yk = ryk ryk 1 = yk yk 1 (yk 1 yk 2 ) = yk 2yk 1 + yk 2 : (4.33) 3. On d nit la di rence regressive dordre de la manire suivante ryk = r 1 yk r 1 yk 1 : (4.34) Lorsquon a xk+1 = xk h = x1 kh, on a la formule de Newton-Gregory regressive suivante : f(x) = y1 + ry1 h (x x1 ) + r2 y1 2!h2 (x x1 )(x x2 ) + ::: + rn+1 y1 ((n + 1)!hn+1 (x x1 )(x x2 ):::(x xn+1 ): (4.35) 37 4.2.5 Interpolation spline Lorigine de linterpolation spline se trouve en mcanique. Elle est utilise avec la mthode des lments nis pour rsoudre les quations aux drives partielles. Son im-portanc elve des inconvnients de linterpolation de Lagrange. Le problme associ linterpolation spline est la suivant : soient x1 ;x2 ;:::;xn, n points distincts

compris dans lintervalle [a;b] et soient f1 ;f2 ;:::;fn les valeurs de la fonction en ces poin ts. Linterpo-lation spline ou cubique est une fonction S qui a les proprits suivant es : P 1 : S(xi) = fi, i = 1;2;:::;n. P 2 : S(x), S0(x) et S00(x) sont continues sur [a;b]. P 3 : Dans chaque intervalle [xi;xi+1 ], S(x) est un polynme cubique (de dgr 3) qui peut avoir des formes di rentes dans chaque sous-intervalle. P 4 : Si g(x) est une autre fonction qui satisfait les proprits P1 , P2 et P3 , al ors on aZ b a (S00(x))2 dx Z b a (g00(x))2 dx: Dans la terminologie de la mcanique, ces proprits peuvent snoncer de la manire suivante : La courbe spline doit passer par tous les noeuds xi. La courbe spline nest pas brise ou ne se courbe pas selon un angle pointu. Entre 2 noeuds, la courbe spline est un polynme de dgr 3. La courbe spline minimise lnergie potentielle du systme et peut scrire de la manire suivante : S00(a) = S00(b) = 0. Forme de linterpolation spline Puisque S est un polynme de dgr 3 pour xi x xi+1 , S00(x) est un polynme de dgr 1 et la formule dinterpolation linaire donne S00(x) = S00(xi) + x xi xi+1 xi [S00(xi+1 ) S00(xi)]: (4.36) Aprs une premire intgration, on obtient S0(x) = S0(xi) + S00(xi)(x xi) + 1 2 S00(xi+1 ) S00(xi) xi+1 xi (x xi)2 : (4.37) Une seconde intgration donne S(x) = fi + S0(xi)(x xi) + 1 2 S00(xi)(x xi)2 + S00(xi+1 ) S00(xi) 6(xi+1 xi) (x xi)3 : (4.38) 38 4.3 Exercices Exercice 4.1 : Trouvez les schmas de di rences nies centres, en avant et en arrire pour les drives seconde et troisime. Exercice 4.2 : Lors du titrage dacide par une base, on mesure le pH en fonction d u volume V de base rajoute. Les mesures sont rsumes dans le tableau ci-dessous : V(mL) 0 10 20 22 24 24.25 24.5 24.8 24.9 25 25.1 25.2 25.3 pH 2.87 4.57 5.35 5.61 6.12 6.25 6.43 6.84 7.14 8.70 10.60 10.90 11.07 On estime le volume quivalent de base comme tant le point o la drive pH0(V ) passe par un maximum. Calculer cette drive en chaque point de la courbe a n destimer ce maximum. Exercice 4.3 : Soient des rsultats expriementaux prsents sous la forme dun tableau de correspondance : t(min) 1 5 10 15 17 20 30 40 C(t)(mg/L) 24.50 10.30 8.50 7.8 7.70 7.45 7.30 7.25 Estimer C(7) par interpolation parabolique.

Exercice 4.4 : Former le polynme de Lagrange correspondant au tableau suivant : x 1 2 3 4 f(x) 2 3 7 8 Exercice 4.5 : Trouver lquation de la parabole qui passe par les points (2; 0), (4 ; 3), (6; 5), (8; 4), (10; 1). Exercice 4.6 : Trouver le polynme prenant les valeurs donnes correspondantes aux valeurs donnes des arguments : (0;3), (2;1), (3;5), (4;7). Exercice 4.7 : Soit donn la tableau x 2 2.1 2.2 2.3 2.4 2.5 ln x 0.30103 0.32222 0.34242 0.36173 0.38021 0.39794 Trouver laide de la formule dinterpolation de Newton ln 2:03. Exercice 4.8 : Former le polynme dinterpolation de Newton de la fonction f(x) tabu -lairement par x 0 1 2 3 4 y 1 4 15 40 85 39 Exercice 4.9 : Former le polynme qui prend les valeurs gurant au tableau ci-dessus : x 1 3 4 6 y -7 5 8 14 Exercice 4.10 : En partant des donnes du tableau ci-dessous x 1 2 3 4 5 6 7 y 3 7 13 21 31 43 57 Trouver la valeur de y pour x = 3:1 laide de la formule dinterpolation de Newton. Exercice 4.11 : Comparez, en terme de nombdre doprations lmentaires, lapproxi-mation de Lagrange et la mthode des di rences divises de Newton. 40 Chapitre 5 Approximation numrique des intgrales 5.1 Gnralits 5.1.1 Rappels Soit f une fonction d nie sur un intervalle [a;b]. Pour introduire la notion dintgral e de f sur [a;b], on se donne n 2 N et on divise [a;b] en n sous-intervalles [ak;a k+1 ] pour k = 0;1;:::;n 1 o a = a0 < a1 < a2 < ::: < an 1 < an = b. Puis, dans chaque sous-intervalle, on choisit un point 1 2[a0 ;a1 ];2 2[a1 ;a2 ];:::;n 2[a;b] et on c alcule la somme S(f) = f(1 )(a1 a0 ) + f(2 )(a2 a1 ) + ::: + f(n)(an an 1 ): Evidemment, cette somme dpend du choix de n, des points de la subdivision de [a;b ], a1 ;a2 ;:::;an 1 et des points 1 ;2 ;:::;n. D nition 5.1 : On dit que f est intgrable au sens de Riemann sur [a;b] si la somme S(f) tend vers une limite unique quand n tend vers lin ni, quel que soit le choix d es points de subdivisions a1 ;a2 ;:::;an 1 et des points 1 ;2 ;:::;n et pourvu que la longueur de chaque sous-intervalle [ak;ak+1 ] tende vers zro quand n tend vers in ni. La lim ite de S(f) sappelle lintgrale de Riemann de f sur [a;b] et se note I = Z b a f(x)dx: (5.1) On dit que x est la variable dintgration et que [a;b] est lintervalle dintgration. En particulier, on rappelle que les fonctions continues sont intgrables. Dans tou te la suite, on supposera que f est continue sur [a;b] donc intgrable sur cet intervall

e. 5.1.2 Position du problme Lintgrale (5.1) reprsente un nombre qui dans certains cas favorables peut tre calcul analytiquement. En e et, on connat des formules qui permettent de calculer lintgrale 41 (5.1) de certaines fonctions. Mais, contrairement ce qui se passe pour le calcul des drives, il y a relativement peu de fonctions dont on sait calculer lintgrale. Il su t mme de changer lgrement lexpression dune fonction pour passer dune fonction que lon sait intgrer une fonction quon ne sait pas intgrer. Par exemple, on sait queZ b a sin xdx = cos a cos b; mais on ne sait pas calculerZ b a sin x x dx ou Z b a sin(x2 )dx: Or la fonction sin x x est intgrable sur tout intervalle [a;b] puisquelle est continue sur R . Il en est de mme pour la fonction sin(x2 ). A dfaut de pourvoir calculer ces intgra les, on doit savoir les approcher. Mais, mme sil sagit dintgrales quon sait calculer, leur calcul peut tre long et compliqu et il peut tre avantageux de le remplacer par un calcul approch. En n, il y a un autre cas o il est indispensable dapprocher une intgrale : cest lorsque lexpression de la fonction intgrer nest pas connue. Il se peut que la fonct ion ne soit connue quen un certain nombre de points : ses valeurs peuvent venir dun au tre calcul ou de mesures ponctuelles. Mais le cas le plus frquent est celui o la fonct ion intgrer fait partie des inconnues, par exemple lorsque cest la solution dune quation di rentielle. Dans ce chapitre, on va tudier des approximations de lintgrale de Riemann dune fonction laide de formules de quadrature. La fonction f suppose continue sur [a;b] est remplace par une formule dinterpolation. Gnralement, la fonction f est approxime par un polynme et les formules dintgration qui sen dduisent sont dites formules de Newton-Cotes. Ces formules supposent que les nuds dinterpolation sont quidistants. 5.2 Mthode des rectangles 5.2.1 Principe de la mthode Soit calculer lintgrale dune fonction f sur un intervalle [a;b]. La mthode des rectangles consiste remplacer la courbe de f par une droite parallle laxe des absc isses dquation y = f(a) et calculer laire de chaque rectangle, ensuite de faire la somme des aires sur lintervalle sur lequel la fonction est intgrer. 5.2.2 Calcul de lintgrale 42 Pour deux points Sur [a;b], on approxime la fonction f par une constante, i.e., par une droite pa rallle laxe des abscisses et passant par les deux points a et b. La surface sous cette d roite est alors un rectangle de bases h et f(a) et donc daire (b a)f(a). Ainsi, en pre nant

b = a + h, on a Z b a f(x)dx hf(a): (5.2) Calcul de lerreur Pour calculer lerreur de cette formule, on pose x = a+ hu. Ainsi, x dcrit [a;b] qu and u dcrit [0;1]. Dans ce cas f(x) = f(a + hu) etZ b a f(x)dx = Z 1 0 f(a + hu)du: On a le rsultat suivant : Proposition 5.1 : Si g est une fonction de classe C1 , alorsZ 1 0 g(u)du g(0) = 1 2 g0(c); o c 2[0;1]: (5.3) Preuve : On crit Z 1 0 g(u)du g(0) = Z 1 0 (g(u) g(0))du; et g(u) g(0) = Z u 0 g0(t)dt: En remplaant : Z 1 0 g(u)du g(0) = Z 1 0 Z u 0 g0(t)dtdu 43 Dans le systme de coordonnes (u;t), le domaine dintgration est le triangle rectangle sous la droite t = u. Puisque g0 est continue, par le thorme de Fubini, on peut ch anger lordre des variables dintgration et on trouveZ 1 0 Z u 0 g0(t)dtdu = Z 1 0 Z 1 t g0(t)dudt: Mais Z 1 t g0(t)du = g0(t) Z 1 t du = g0(t)(1 t); car g0(t) ne dpend pas de u. DoncZ 1 0 Z u 0 g0(t)dtdu = Z 1 0 g0(t)(1 t)dt: Puisque la fonction 1 t est positive dans lintervalle [0;1], on peut appliquer l

e thorme de la moyenne avec g(t) = 1 t, il existe un point c dans lintervalle [0;1] o on a lgalit :Z 1 0 g0(t)(1 t)dt = g0(c) Z 1 0 (1 t)dt = 1 2 g0(c): Ceci donne la majoration de lerreur?Z 1 0 g(u)du g(0)? 1 2 M1 ; o M1 = sup x2[ a;b] jg0(u)j: 2 Sachant que f0(x) = hf0(a + hu), en appliquant la formule (5.3), on obtientZ b a f(x)dx hf(a) = 1 2 h2 f0(a + hc); o c 2[0;1]. Do lestimation de lerreur eR = ?Z b a f(x)dx hf(a)? h2 2 M1 : (5.4) Pour (n + 1) points rgulirement repartis On divise lintervalle dintgration [a;b] en n sous-intervalles gaux [xk 1 ;xk] de lon -gueur h = b a n , tels que x0 = a;x1 = a + h;x2 = a + 2h;:::;xn 1 = a + (n 1)h;xn = b = a + nh. On aRb a f(x)dx = Rx1 x0 f(x)dx + Rx2 x1 f(x)dx + ::: + Rxn xn 1 f(x)dx; = nPk=1 Rxk xk 1 f(x)dx: 44 En appliquant la formule des rectangles (5.2) ci-dessus chacun de ces sous-inter valles [xk 1 ;xk], on a Rxk xk 1 f(x)dx (xk xk 1 )f(xk 1 ); hf(xk 1 ): En sommant lintgrale ci-dessus, on obtient nalement la formule des rectanglesZ b a f(x)dx h f(a) + n 1X k=1 f(xk)!: (5.5) La formule derreur va nous donner sa vitesse de convergence. pour cela, on suppos e que f est de classe C1 sur [a;b]. On pose M1 = sup x2[ a;b] jf0(x)j:

Alors, en appliquant la formule derreur (5.3) chaque sous-intervalle et en somman t, on trouve ?Z b a f(x)dx hf(a) h n 1X k=1 f(xk)? 1 2 h2 nM1 : Mais comme nh = b a, on obtient nalement, ER = ?Z b a f(x)dx hf(a) h n 1X k=1 f(xk)? 1 2 (b a)hM1 : (5.6) Ceci montre que lerreur est un O(h), i.e., quelle tend vers zro la mme vitesse que h. Si lintervalle dintgration nest pas trop grand et si la constante M1 nest pas trop grande non plus, la mthode des rectangles est une bonne approximation de lintgrale. Exemple 5.1 : Calculer I = R2 1 pxdx par la formule des rectangles, en dcomposant lintervalle dintgration en 10 parties. Evaluer lerreur commise. Ici f(x) = px. Pour n = 10, on a h = 2 1 10 = 0:1. Les valeurs successives de x seront : x0 = 1, x1 = x0 + h = 1:1, x2 = 1:2, x3 = 1:3, x4 = 1:4, x5 = 1:5, x6 = 1:6, x7 = 1:7, x8 = 1:8 et x9 = 1:9. On aura alors I = R2 1 pxdx; = 0:1[f(1) + f(1:1) + f(1:2) + f(1:3) + f(1:4) + f(1:5) + f(1:6) + f(1:7) + f(1: 8) + f(1:9)]; = 0:1[1 + 1:049 + 1:095 + 1:140 + 1:183 + 1:225 + 1:265 + 1:304 + 1:342 + 1:378] ; = 1:20: Evaluons lerreur. Dans notre cas, f0(x) = 1 2px sur le segment [1;2] atteint sa valeur maximale gale 0:5 lorsque x = 1. De cette faon, jf0(x)jM1 = 1 2 . Do en appliquant 45 la formule on trouve ER 0:1 2 :1: 1 2 = 0:025: Par consquent, I 1:20 0:025: Algorithme de la formule du rectangle

1. Lire a, b les bornes de lintervalle. 2. Lire n, le nombre de sous-intervalles. 3. h b a n , le pas de la subdivision. 4. x a. 5. I f(a) 6. Pour k variant de 1 n 1 faire x x + h I I + f(x) 7. I I h 8. A cher I 9. n pour 5.3 Formule du point millieu Pour deux points On suppose que f constante sur le segment [a;b]. AlorsZ b a f(x)dx = (b a)f(c); o c est un point arbitraire de [a;b]. Si en qualit du point c, on prend le point m oyen du segment [a;b] , i.e., c = a + b 2 , on obtientZ b a f(x)dx (b a)f a + b 2 : En prenant b = a + h, on obtient la formule du point milieu :Z b a f(x)dx hf 2a + h 2 = hf a + h 2 = hf b h 2 : (5.7) Estimons prsent lerreur . On suppose que f est de classe C2 . On pose M2 = sup x2[ a;b] jf00(x)j: Pour estimer on a besoin du rsultat suivant : 46 Proposition 5.2 : Si g est une fonction de classe C2 , alorsZ 1 0 g(u)du f 1 2 = 1 24 f00(c); o c 2[0;1]: (5.8) Pour calculer lerreur de la formule du point milieu sur [a;b], en posant x = a + hu, il su t de calculer la drive seconde de la fonction compose f00(x) = h2 f00(a + hu): Alors, la formule (5.8) donneZ b a f(x)dx hf a + b 2 =

1 24 h3 f00(a + hc); o c 2[0;1]: Do lestimation?Z b a f(x)dx hf a + b 2 ? h2 24 M2 ; M2 = sup x2[ a;b] jf00(x)j: (5.9) Pour (n + 1) rgulirement repartis Supposons maintenant que lintervalle dintgration [a;b] est de grande amplitude. Soit h > 0 donn et n = b a h . On divise lintervalle [a;b] en n sous-intervalles gaux [xk 1 ;xk] avec x0 = a;x1 = a + h;x2 = a + 2h;:::;xn 1 = a + (n 1)h;xn = b = a + nh. En appliquant la formule (5.7) ci-dessus chacun de ces sous-intervalles et en so mmant, on trouve la formule du point milieu :Z b a f(x)dx h nX k=1 f xk 1 + h 2 = h"f a + h 2 + n 1X k=1 f xk + h 2 #: (5.10) Pour estimer lerreur de cette formule, on suppose que f est de classe C2 et on po se M2 = sup x2[ a;b] jf00(x)j: Alors, en appliquant la formule(5.8) dans chaque sous-intervalle et en sommant, on trouve?Z b a f(x)dx h nX k=1 f xk 1 + h 2 ? 1 24 h3 nM2 : Puis, en tenant compte du fait que nh = b a, ceci donne?Z b a f(x)dx h nX k=1

f xk 1 + 1 2 ? 1 24 (b a)h2 M2 : (5.11) Remarque 5.1 : Lerreur de la formule du point milieu est un O(h2 ), i.e., quelle t end vers zro la mme vitesse que h2 . Si lintervalle dintgration nest pas trop grand et si la constante M2 nest pas trop grande, lerreur de la formule du point milieu est donc meilleure que lerreur de la formule des rectangle. Exemple 5.2 : Calculer par la formule du point milieu, lintgrale R2 1 pxdx en divisant lintervalle dintgration en 10 parties gales, puis valuer lerreur. Ici h = b a 10 = 0:1 et f(x) = px. On a x0 = 1, xk = x0 + kh = 1 + 0:1k et 47 Algorithme de la formule du point millieu 1. Lire a, b les bornes de lintervalle. 2. Lire n, le nombre de sous-intervalles. 3. h b a n , le pas de la subdivision. 4. x a + h 2 5. I f a + h 2 6. Pour k variant de 1 n 1 faire x x + h I I + f(x) 7. I I h 8. A cher I 9. n pour 5.4 Mthode de trapzes 5.4.1 Principe de la mthode Soit calculer lintgrale dune fonction f sur un intervalle [a;b]. La mthode de trapze consiste remplacer la courbe de f par une ligne brise et calculer laire de chaque trapze, ensuite de faire la somme des aires sur lintervalle sur lequel la f onction est intgrer. 5.4.2 Calcul de lintgrale Lintervalle [a;b] est de petite amplitude Lamplitude de lintervalle [a;b] tant petite, la fonction f est mesure expriementa-lem ent en deux points a et b. Ainsi, sur lintervalle [a;b], on approxime la fonction f par une droite passant par les points (a;f(a)) et (b;f(b)). La droite a pour quation y = f(a) + (x a) f(b) f(a) b a : Dans ce cas, sur [a;b] on a f(x) g(x) = f(a) + (x a) f(b) f(a)

b a : 48 Ainsi Rb a f(x)dx Rb a g(x)dx; = Rb a f(a) + (x a) f(b) f(a) b a dx; = (b a)f(a) + (b a)2 2 f(b) f(a) b a ; = b a 2 [f(a) + f(b)]: En prenant b = a + h, on a Z b a f(x)dx h 2 [f(a) + f(b)]: (5.12) Calcul de lerreur On suppose que la fonction f est C2 et que jf00(x)jM2 8x 2[a;b]. Considrons la fonction d nie par 8x 2[a;b]; (x) = f(x) M2 2 (x a)(b x): est de classe C2 et 00(x) = f00(x) + M2 . Par ailleurs jf00(x) M2 ) M2 f00(x) M2 ; ) 0 f00(x) + M2 2M2 ; ) 00(x) 0: Do la fonction est convexe et par consquent (x) g(x) 8x 2[a;b], i.e., f(x) M2 2 (x a)(b x) g(x): (5.13) 49 Considrons prsent la fonction d nie sur [a;b] par (x) = f(x) + M2 2 (x a)(b x): La fonction est de classe C2 (car f lest) et "(x) = f00(x) M2 . Par ailleurs jf00(x) M2 ) M2 f00(x) M2 ; ) 2M2 f00(x) M2 0; ) 00(x) 0: Do la fonction est concave et par consquent (x) g(x), 8x 2[a;b], i.e., f(x) + M2

2 (x a)(b x) g(x): (5.14) Des quation (5.13) et (5.14), il vient que f(x) g(x) M2 2 (x a)(b x) et M2 2 (x a)(b x) f(x) g(x): Il suit alors que jf(x) g(x)j M2 2 (x a)(b x) De l, on a ?Rb a f(x)dx Rb a g(x)dx? Rb a jf(x) g(x)jdx; M2 2 Z b a (x a)(b x)dx; M2 12 (b a): Do lerreur commise en prenant Rb a f(x)dx = Rb a g(x)dx est eT = M2 12 (b a): (5.15) Lintervalle [a;b] est de grande amplitude La fonction f est mesure exprimentalement en (n + 1) points rgulirement rpar-tis a = x0 ; x1 ;:::;xk;:::;xn = b d nis par xk = a + kh avec k = 1;2;:::;n 1. Ainsi, Lorsque la longueur de lintervalle nest pas courte, on divise lintervale [a; b] en n intervalles [xk 1 ;xk] de mme amplitude h = b a n . Chacun des intervalles [xk 1 ;xk] tant de petites amplitudes, on aRxk xk 1 f(x)dx xk xk 1 2 [f(xk) + f(xk 1 )]; h 2 [f(xk) + f(xk 1 )]: 50 Ainsi Rb a f(x)dx nPk=1 Rxk xk 1 f(x)dx; nPk=1 h 2 [f(xk) + f(xk 1 )]; h 2 [f(x0 ) + f(x1 ) + f(x3 ) + ::: + f(xn 1 ) + f(xn))];

h 2 f(x0 ) + 2 nX k=1 f(xk) + f(xn)!: Do Z b a f(x)dx h 2 f(a) + f(b) + 2 nX k=1 f(xk)!; (5.16) avec h = b a n . Calcul de lerreur On divise lintervalle [a;b] en n intervalles a = x0 ;x2 ;:::;xk;:::;xn = b de mme amplitude h = b a n d nis par xk = a + kh avec k = 1;2;:::;n 1. Sur chaque intervalle [xk 1 ;xk], on a Z xk xk 1 f(x)dx Z xk xk 1 gk(x)dx; o gk(x) = f(xk) + (x xk) f(xk) f(xk 1 ) xk xk 1 ; est la droite passant par (xk 1 ;f(xk 1 ) et (xk;f(xk)). On a alors?Rb a f(x)dx Rb a gk(x)dx? = ? nPk=1 Rxk xk 1 f(x)dx Rxk xk 1 gk(x)dx?; nPk=1 ?Rxk xk 1 f(x)dx Rxk xk 1 gk(x)dx?; nPk=1 Rxk xk 1 jf(x) gk(x)jdx; nPk=1 M2 12 (xk xk 1 )3 ; nPk=1 nM2 12 b a n 3 ;

M2 12n2 (b a)3 : 51 Do lerreur commise en prenant Rb a f(x)dx = Rb a g(x)dx est ET = M2 12n2 (b a)3 = M2 12 h2 (b a): (5.17) Exemple 5.3 : Calculer lintgrale I = R2 1 xdx avec h = 0:2 et h = 0:1. Pour h = 0:2, on a I = R2 1 xdx; = 0:2 2 [f(1) + 2f(1:2) + 2f(1:4) + 2f(1:6) + 2f(1:8) + f(2)]; = 0:1[1 + 2:4 + 2:8 + 3:2 + 3:6 + 2]; = 1:5: Pour h = 0:1, on a I = R2 1 xdx; = 0:1 2 [f(1) + 2f(1:1) + 2f(1:2) + 2f(1:3) + 2f(1:4) + 2f(1:5) + 2f(1:6) + 2f(1:7) + 2f(1:8) + 2f(1:9) + f(2)]; = 0:05[1 + 2:2 + 2:4 + 2:6 + 2:8 + 3 + 3:2 + 3:4 + 3:6 + 3:8 + 2]; = 1:5: Algorithme de la formule composite du trapze 1. Lire a, b les bornes de lintervalle 2. Lire n, le nombre de sous-intervalles 3. h b a n , le pas de la subdivision 4. I f(a) + f(b) 2 5. x a 6. Pour k allant de 1 n 1 faire x x + h I I + f(x) 7. I I h 8. A cher I 9. n pour 52 On peut aussi avoir 1. Lire a, b les bornes de lintervalle 2. Lire n, le nombre de sous-intervalles 3. h b a n , le pas de la subdivision 4. S 0 5. x a 6. Pour k allant de 1 n 1 faire x x + kh S S + 2f(x)

7. n pour 8. S S + f(a) + f(b) 9. I h 2 S 10. A cher I 5.5 Mthode de Simpson 5.5.1 Principe de la mthode Soit calculer lintgrale dune fonction f sur un intervalle [a;b]. La mthode de Simpson consiste remplacer la courbe de f par un polynme de dgr 2 passant par les points (a;f(a)), (b;f(b)) et (c;f(c)) avec c = a + b 2 . Lorsque [a;b] est grand, une subdivision de ce dernier est ncessaire et lapproximation de f se fera alors sur c haque intervalle de la subdivision. 5.5.2 Calcul de lintgrale Cas o lintervalle [a;b] est de petite amplitude Lintervalle [a;b] tant de courte amplitude, la fonction f est mesure exprientalement en trois points rgulirement rpartis. Cest pourquoi, on approxime la fonction f par u n polynme de dgr 2, g passant par les points (a;f(a)), (b;f(b)) et (c;f(c)) avec c = a + b 2 . On cherche g sous la forme g(x) = f(c) + a1 (x c) + a2 2 (x c)2 , a1 ;a2 2R . On a g(a) = f(c) + a1 (a c) + a2 2 (a c)2 ; et g(b) = f(c) + a1 (b c) + a2 2 (b c)2 ; et 8><>: a1 (a c) + a2 2 (a c)2 = f(a) f(c); a1 (b c) + a2 2 (b c)2 = f(b) f(c): 53 La rsolution de ce systme donne a1 = f(b) f(a) b a et a2 = 1 (a c)2 [f(a) + f(b) 2f(c)]: Ainsi,Rb a f(x)dx Rb a g(x)dx; = Rb a hf(c) + a1 (x c) + a2

2 (x c)2 idx; = (b a)f(c) + a1 2 [(b c)2 (a c)2 ] + a2 6 [(b c)3 (a c)3 ]; = (b a)f(c) + a2 3 (b c)3 ; = (b c)f(c) + 1 3(a c)2 (b c)3 [f(a) + f(b) 2f(c)]; = b a 6 [f(a) + f(b) + 4f(c)]: En prenant a = c h et b = c + h, on aZ b a f(x)dx h 3 [f(a) + f(b) + 4f(c)]: (5.18) Calcul de lerreur Pour calculer lestimation de lerreur de cette formule, on a besoin du rsultat suiva nt : Lemme 5.1 : Soit f une fonction de classe C4 sur I telle que f(4) soit borne par M4 sur I. Soient 2I et h > 0 tels que [ h; + h] I alors?Z + h h f(t)dt h 3 [f( h) + f( + h) + 4f()]? M4 h5 90 : 54 En appliquant le lemme ci-dessus sur [a;b] avec = c = a + b 2 et h = b a 2 . On a alors?Z b a f(x)dx h 3 [f(a) + f(b) + 4f(c)]? M4 90 b a 2 5 Do lerreur commise en prenant Rb a f(x)dx = h 3 [f(a) + f(b) + 4f(c) est eT = M4

90 b a 2 5 : (5.19) Gnralisons le rsultat prcdent (n + 1) points rgulirement rpartis avec n pair. Cas o lintervalle [a;b] est de grande amplitude La fonction f est mesure exprimentalement en (n+ 1) points rgulirement rpartis (a = x0 ;x1 ;:::;xk;:::;xn = b) d nis par xk = a + kh avec n = 2p, p 2 N . Ainsi, o n divise lintervalle [a;b] en n (n pair) petits intervalles [x2 k 2 ;x2 k] avec k = 1;2;:::;n=2 de mme amplitude h = b a n . Dans ce cas, on a Rb a f(x) = Rx2 x0 f(x)dx + Rx4 x2 f(x)dx + Rx6 x4 f(x)dx + ::: + Rxn xn 2 f(x)dx; = n=2Pk=1 Rx2 k x2 k 2 f(x)dx: Chaque intervalle [x2 k 2 ;x2 k] tant ptit, on aRx2 k x2 k 2 f(x)dx x2 k x2 k 2 6 [f(x2 k 2 ) + 4f(x2 k 1 ) + f(x2 k)]; h 3 [f(x2 k 2 ) + 4f(x2 k 1 ) + f(x2 k)]: Dans ce cas, on a Rb a f(x) n=2Pk=1 h 3 [f(x2 k 2 ) + 4f(x2 k 1 ) + f(x2 k)]; h 3 [f(x0 ) + 4f(x1 ) + f(x2 ) + f(x2 ) + 4f(x3 ) + f(x4 ) + ::: + f(xn 2 ) + 4f(xn 1 ) + f(xn)]; h 3 [f(x0 ) + 4f(x1 ) + 2f(x2 ) + 4f(x3 ) + 2f(x4 ) + ::: + 2f(xn 2 ) + 4f(xn 1 ) + f(xn)] h 3 0B @f(x0 ) + f(xn) + 2 n 2X k = 2 k !paire f(xk) + 4 n 1X k = 3 k !impaire f(xk) 1C

A: 55 Do Z b a f(x)dx h 3 0B @f(x0 ) + f(xn) + 2 n 2X k = 2 k !paire f(xk) + 4 n 1X k = 3 k !impaire f(xk) 1C A: (5.20) ou encoreZ b a f(x)dx h 3 0@f(x0 ) + f(xn) + 2 ( n 2) =2X k=1 f(x2 k) + 4 ( n 2) =2X k=0 f(x2 k+1 ) 1A: (5.21) Calcul de lerreur Les intervalles [x2 k x2 k 1 f(x)dx h 3 [f(x2 k 2 ) + 4f(x2 k et ?Z x2 k x2k 2 f(x)dx h 3 [f(x2 k 2 ) + 4f(x2 k 90 x2 k x2 k 2 2 5 = M2 90 h5 : Par ailleurs, sachant a f(x)dx = n=2X k=1 Z x2 k x2 k 2 f(x)dx n=2X

2 ;x2 k] tant ptits, on aZ x2 k +1

1 ) + f(x2 k)];

1 ) + f(x2 k)]?

queZ b

k=1 h 3 [f(x2 k 2 ) + 4f(x2 k 1 ) + f(x2 k)]; on a?n=2Pk=1 Rx2 k x2 k 2 f(x)dx h 3 [f(x2 k 2 ) + 4f(x2 k 1 ) + f(x2 k)]? n=2Pk=1 M4 90 h5 = n 2 M4 90 h5 : Do lerreur commise en prenant Rb a f(x)dx = n=2Pi=1 h 3 [f(x2 k 2 ) + 4f(x2 k 1 ) + f(x2 k)] est ES = M4 180n4 (b a)5 : Sachant que nh = b a, on obtient nalement ES = M4 180 (b a)h4 : (5.22) Remarque 5.2 : Le calcul de lintgrale de la fonction f sur [a;b] par la mthode des trapzes gnrele une erreur ET = M2 12n2 (b a)3 o M2 = sup x2[ a;b] jf00(x)j. Cette erreur devient 56 ES = M4 180n4 (b a)5 si lon utilise la mthode de Simpson (ici M4 = sup x2[ a;b] jf(4) (x)j). On constate que quand n ! 1, M4 180n4 (b a)5 tend plus vite vers zro que M2 12n2 (b a)3 . Autrement dit lerreur obtenue par la mthode de Simpson est plus petite que celle o btenue par la mthode des trapzes. Il en rsulte que la mthode de Simpson donne une meilleure approximation de lintgrale de f sur [a;b] que la mthode des trapzes. Exemple 5.4 : 1. Calculer 0:001 prs lintgrale I = R1 0 p1 + x2 dx laide de la formule de Simpson. A laide de la formule (5.22), trouvons tout dabord la valeur de h qui assure le dgr de prcision ncessaire. On a f(x) = p1 + x2 ; f0(x) = xp1 + x2 ; f00(x) = 1p(1 + x2 )3

; f(3) (x) = 3xp(1 + x2 )5 ; f(4) (x) = 12x2 3p(1 + x2 )7 : La valeur maximale de f(4) (x) est atteinte sur le segment [0;1] au point x = 0 ; f(4) (0) = 3, i.e., M4 = 3. Pour cette raison ES = h4 180 (b a)M4 = h4 180 1:3 Pour que cette erreur soit infrieure 0:001, il est ncessaire que h4 60 0:001, i.e., h4 0:06. On peut prendre h = 0:5 ( si h = 0:5 alors h4 = 0:0625), i.e., un peu plus de la valeur ncessaire. Toutefois, la prcision du calcul ne sera in uence, car lvaluation a t faite laide de lerreur limite absolue qui, videmment, est plus grande que lerreur e ective. Ainsi, le dgr de prcision requis peut tre atteint en dcomposant lintervalle dintgration en deux parties. Calculons les valeurs prises par la fonction f(x) = p1 + x2 pour x = 0;0:5;1. On a f(0) = 1:000, f(0:5) = 1:1180 et f(1) = 1:4142. Cest pourquoi I = R1 0 p1 + x2 dx; = 0:5 3 [f(0) + 4f(0:5) + f(1)]; = 1:1477: De cette faon, en arrondissant le dernier chi re, on trouve I 1:148. 57 Pour comparer les rsultats, calculons la valeur exacte de cette intgrale. On a R1 0 p1 + x2 dx = x 2 p 1 + x2 + 1 2 ln(x + p 1 + x2 )1 0 ; = 1 2 [ p 2 + ln(1 + p 2)] 1 2 (4:4142 + 0:8814); 1:478:

On voit que la valeur de lintgrale calcule par la formule de Simpson est donne non seulement avec trois, mais aussi avec quatre dcimales exactes. 2. Calculer lintgrale I = R1 0 dx 1 + x2 par la formule de Simpson, en posant n = 8. Les calculs doivent tre e ectus six dcimales. Evaluer lerreur du rsultat ob-tenu. Comp rer le rsultat avec la valeur vraie de lintgrale prise avec un chi re de reserve. Les valeurs de la fonction prises sous le signe dintgration doivent tre dtermines pour les valeurs suivantes de la variable indpendante (h = 0:125) : x0 = 0;x1 = 10:125;:::;x8 = 1. On trouve les valeurs correspondantes de f(x) = 1 1 + x2 ; f(0) = 1, f(0:125) = 0:984625, f(0:25) = 0:941176, f(0:375) = 0:87612, f(0:5) = 0:80000 , f(0:625) = 0:719101, f(0:75) = 0:640000, f(0:875) = 0:566389 et f(1) = 0:50000. Portons ces valeurs dans la formule de Simpson pour h = 0:125. On a I = 0:125 3 [f(0) + f(1) + 4(f(0:125) + f(0:375) + 0:719101 + f(0:875)) + 2(f(0:25) + f(0:5) + f(0 = 0:125 3 [1 + 0:5 + 4(0:984625 + 0:87612 + 0:719101 + 0:566389) + 2(0:941176 + 0:8 + 0:64 )]; ; 0:785392: La valeur vraie de lintgrale est I = Z 1 0 dx 1 + x2 = [arctan x]1 0 = 4 0:7853979; ce qui con rme le rsultat trouv. Algorithme 1. Lire a, b les bornes de lintervalle 2. Lire n, le nombre de sous-intervalles 3. h b a n , le pas de la subdivision 4. I f(a) + f(b) 58 5. x a 6. Pour k allant de 1 n 1 faire x x + h 2 I I + 4f(x) x x + h 2 I I + 2f(x) 7. x x 8. I h 6

I 9. A cher I 10. n pour 59 5.6 Exercices Exercice 5.1 : Trouver par la formule des trapzes, la valeur approche de R2 1 pxdx en divisant lintervalle dintgration par 10 intervalles de mme longueur. Estimer lerreur. Exercice 5.2 : En se servant de la formule des trapzes, trouver ln 2 = R2 1 dx x avec une prcision de lordre de 0:01. Exercice 5.3 : Calculer par la mthode du point milieu les intgrales suivantes :Z 1 0 e x2 dx; n = 5 et Z 1 0 p 1 x3 dx; n = 5: Exercice 5.4 : 1. Calculer numriquement lintgrale I = R+ 1 1 e x2 =2 dx en utilisant les valeurs du tableau ci-dessous et en considrant que e x2 =2 est ngligeable pour x > 5. x 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 e x2 =2 1 0.882 0.607 0.325 0.135 4:39:10 2 1:11:10 2 2:19:10 3 3:35:10 4 4:01:1 0 5 3:73: 2. Cette intgrale est trs utilise en statistique. Calculer sa valeur exacte partir de lintgrale de Gauss : R+ 1 1 e x2 =2 dx = p. Exercice 5.5 : Calculer par la mthode des trapzes les intgrales suivantes :Z 1 0 p 1 x3 dx; n = 5 et Z 1 0 e x2 dx; n = 4: Exercice 5.6 : Calculer par la mthode de Simpson, les intgrales suivantes :Z 2 1 ex x dx; n = 5; et Z 2 1 ln x x dx; n = 4: Exercice 5.7 : Sachant que R1 0 dx 1 + x2 = 2 , trouver par trois mthodes di rentes une valeur approches de . On divisera lintervalle dintgration en 10 parties gales. Com-par er les rsultats obtenus. Exercice 5.8 : Calculer par la formule de Simpson lintgrale R1 :35 1 :05 f(x)dx si f(x) est

donne tabulairement par x 1.05 1.10 1.15 1.20 1.25 1.30 1.35 f(x) 2.36 2.50 2.74 3.04 3.46 3.98 4.60 60 Chapitre 6 Rsolution numrique des quations non linaires Dans certains problmes scienti ques, on a souvent besoin de rsoudre numriquement les quations de la forme : f(x) = 0; (6.1) ou un systme dquation de ce type. Par exemple de la forme fi(x1 ;x2 ;:::;xn) = 0; i = 1;2;:::;n: (6.2) Ces quations peuvent tre aussi bien algbriques (par exemple polynomiale) ou trans-c endantes (par exemple sinusodale, exponentielle ou hyperbolique). Ces quations son t souvent dites quations nies pour les distinguer des quations di rentielles. Il existe plusieurs mthodes pour rsoudre numriquement lequation (6.1) ou le systmes (6.2). Nous donnerons dans ce chapitre quelque une de ces mthodes. 6.1 Position du problme Soit donn lquation (6.1) o f(x) est une fonction d nie et continue sur un certain intervalle [a;b]. On admettra que f(x) est de classe C2 [a;b] et que f(a) et f(b ) sont de signe contraire, i.e., f(a)f(b) < 0 et les deux drives f 0 (x) et f 00 (x) garde chacune le mme signe sur [a;b]. Sous ces conditions, lquation (6.1) possde sur [a;b] une et une seule racine (f 0 (x) garde le signe sur [a;b] implique que la fonction y = f(x) est monotone sur [a;b] ; f 00 (x) garde le mme signe sur [a;b] implique que la courbe y = f(x) a sur [a;b] une convexit soit oriente vers le haut, soit oriente vers la bas). Puisque les racines relles de lquation (6.1) sont les abscisses des points dintersec tion de la courbe y = f(x) avec laxe des abscisses Ox, alors la recherche des racines de lquation f(x) = 0 peut se faire graphiquement. A la place de lquation y = f(x) on peut prendre lquation y = kf(x) o k est une constante di rente de zro puisque les quations f(x) = 0 et kf(x) = 0 sont quivalentes. La constante peut tre ordonne 61 de sorte que les ordonnes des points de graphe ne soient pas extrmement grandes, o u inversement, de sorte que la courbe ne soit pas trs proche de laxe 0x. Il est souv ent utile dcrire lquation f(x) = 0 seront les abscisses des points dintersection des cour bes y = (x) et y = (x). Exemple 6.1 : En crivant lquation x2 + 3x sin x = 0 sous forme x2 + 3x = sin x, on voit bien que les racines de x2 + 3x sin x = 0 sont les abscisses des points dint ersection des courbes y = x2 + 3x et y = sin x. 6.2 Mthode de dichrotomie ou de partage en deux 6.2.1 La mthode Supposons que f(a) < 0 < f(b) et que la fonction f est strictement croissante su r [a;b]. La solution r de lquation f(x) = 0 appartient [a;b], i.e., a r b. Le milieu de lintervalle est c =

a + b 2 . Si f(a) et f(c) sont de signes contraires alors r 2[a;c], i.e., a r c. Si par contre cest f(c) et f(b) qui sont de signes contraires alors r 2[c;b] , i.e., c r b. Dans lun ou lautre cas, la taille de lintervalle est divise par 2. Une nouvelle bisection peut tre faite sous de nouvels intervalles contenant la solution et ans i de suite. Aprs n tapes, la taille de lintervalle devient b a 2n (voir gure 6.1). Figure 6.1 6.2.2 Organigramme Lorganigramme de la mthode de dichrotomie ou de bisection est donn par la gure ci-dessous : Cette mthode permet ainsi de donner un encadrement de la solution avec une prcisio n de ". 62 Figure 6.2 6.2.3 Algorithme 1. Lire a, b les bornes de lintervalle. 2. Lire " la prcision voulue. 3. c ! a + b 2 . 4. Si f(c) = 0 alors stop x = c est la solution. 5. Si f(c)f(a) < 0 alors b c sinon a c 6. si ja bj> " aller en 3. 7. Sinon a cher x. 6.3 Mthode de la corde On se propose de trouver la racine isole sur [a;b] 1 de lquation f(x) = 0. Considron s la courbe de la fonction y = f(x). Supposons que f(a) < 0 et f(b) > 0. Alors joi gnons les points A(a;f(a)) et B(b;f(b)) de la courbe par une corde (le segment dextrmits A et B) (voir gure 6.3). En qualit de lapproximation de la racine cherche, on peut prendre le point x1 , abscisse du point dintersection de la corde AB avec laxe 0x. Cette solution approc he 1. Ceci signi e que lquation f(x)=0 possde sur [a,b] une seule racine 63 Figure 6.3 se calcule par la formule : x1 = a (b a)f(a) f(b) f(a) o x1 appartient au segment [a;b]. Si f(x1 ) = 0, alors x1 est la racine cherche. S i par contre f(x1 ) 6= 0, alors des deux choses lune : f(x1 ) < 0 ; f(x1 ) > 0. Sup posons que f(x1 ) < 0. Alors la racine isole de lquation f(x) = 0 se trouve dans le segment [x 1 ;b], qui est plus petit que [a;b]. Soit A1 B (avec A1 (x1 ;f(x1 )) la corde reliant l es points A1 et B de la courbe y = f(x) et soit x2 labscisse du point dintersection de A1 B avec la xe des abscisses 0x :

x2 = x1 (b x1 )f(x1 ) f(b) f(x1 ) : En qualit de la valeur approche de la racine de lquation f(x) = 0 sur [a;b], on prend x2 . Si f(x2 ) = 0, alors la racine de f(x) = 0 est trouve. Dans le cas con traire, i.e., si f(x2 ) 6= 0, on continue le processus. Ainsi de suite, on obtient une suite d e nombres x1 ;x2 ;:::; xn+1 = xn (b xn)f(xn) f(b) f(xn) ; x1 = a (b a)f(a) f(b) f(a) ; n = 1;2;::: qui converge vers la racine de lquation f(x) = 0. Pour calculer la valeur approche de la racine de lquation f(x) = 0, il nous faut donner ce quon appelle degr de prcision. D nition 6.1 : Soit ~x la racine exacte de lquation f(x) = 0. on dira que est la valeur approche de ~x avec une prcision de lordre de " si j ~x j". Si ~x est la racine exacte isole sur [a;b] de lquation f(x) = 0 et la valeur approc he de cette racine trouve par la mthode de cordes, alors lestimation de lerreur de cett e approximation peut se calculer par la formule : j ~x j< f(a)f(b) 2 max [ a;b]

f 00 (x) [f0(x)]3

64 . Dans lalgorithme prcdent, la racine approche avec lordre de prcision " donn est xn tel que : Exemple 6.2 : Calculer par la mthode de cordes la racine sur [1; 1;7] de lquation x4 2x 4 = 0 avec une prcision de lordre de 0,01. Pour cet exemple nous avons f(1) = 5 < 0, f(1;7) = 0;952 > 0. Trouvons la premire approximation par la formule (1) : x1 = 1 (1;7 1)f(1) f(1;7) f(1) = 1;588 puisque f(x1 ) = f(1;588) = 0;817 < 0, nous appliquons une fois de plus la mthod e de cordes sur [1;588; 1;7],ce qui nous donne la deuxime approximation : x2 = 1;588 (1;7 1;588)f(1;588) f(1;7) f(1;588) = 1;639 f(1;639) = 0;051 < 0. On trouve la troisime approximation : x3 = 1;639 (1;7 1;639)f(1;639) f(1;7) f(1;639) = 1;642 f(1;642) = 0;016 < 0. Trouvons la quatrime approximation : x4 = 1;642 (1; 1;642)f(1;642) f(1;7) f(1;642) = 1;643 f(1,643) = 0,004>0 Ce qui signi e que la racine cherche se trouve sur le segment [1;642; 1;643]. Dautre part, 1,643-1,642 = 0,001. Par consquent la racine approche cherche avec une prcisio n de lordre de 0,01 est x = 1;64. Remarque 6.1 : Dans ce qui prcde, nous avons suppos que lquation f(x) = 0 pos-sde une seule racine sur [a;b]. Si jamais elle possde plus dune racine sur [a;b], alors avant dutiliser la mthode de cordes pour la recherche des racines de cette quation, il faut dabord sparer les racines, i.e., dcouper le segment [a;b] en un certain nombre de segments [a;b] dans chacun desquels lquation ne possde pas plus dune racine. Pour ce la il faut noter que si une fonction est continue, drivable sur un segment et si sa drive garde le mme signe sur le dit segment, alors la fonction sera monotone sur ce seg ment et ne pourra pas sannuler plus dune fois sur le dit segment. Pour savoir si f(x)sannul e sur [ai;bi], on regarde le signe du produit f(ai)f(bi). Si ce produit est ngatif, alo rs lquation f(x) = 0 admet sur (ai;bi) une racine. Si par contre ce produit est positif, alo rs f(x) = 0 65 nadmet pas de solution sur (ai;bi). Si f(ai)f(bi) = 0, alors x = ai ou x = bi ser a solution de lquation f(x) = 0. 6.4 Mthode de Newton-Raphson 6.4.1 La mthode Supposons que la racine relle de lquation f(x) = 0 est isole sur [a;b]. On admettra que la fonction f(x) vri ent toutes les conditions indiques dans lintroduction. Soit x0

un point quelconque de [a;b] tel que f(x0 )f 00 (x0 ) > 0, i.e., f(x0 ) et f 00 (x0 ) ont le mme signe (si f(a)f 00 (a) > 0, alors en qualit de x0 on peut prendre x0 = a. De mme si f(b)f 00 (b) > 0, alors on peut prendre x0 = b). Passons au pointM0 (x0 ;f(x0 )) la tangente la courbe y = f(x) (voir gure 6.4). Figure 6.4 Dsignons par x1 labscisse de lintersection de cette tangente avec laxe des abscisses 0x : x1 = x0 f(x0 ) f0(x0 ) : En qualit de la racine approche de lquation f(x) = 0 prenons x1 .Rptons ceci au point M1 (x1 ;f(x1 )). On obtient comme racine approche de lquation le nombre : x2 = x1 f(x1 ) f0(x1 ) : Ainsi de suite nous obtenons une suite de points de [a;b]x0 ;x1 ;:::;xn;::: xn+1 = xn f(xn) f0(xn) ; x1 = x0 f(x0 ) f0(x0 ) ; n = 1;2;::: (6.3) 66 dont la limite est la racine de lquation f(x) = 0. Pour estimer lerreur de la racin e approche trouve par la mthode de Newton, on peut utiliser la formule j ~x j< f 00 () 2 max [ a;b]

f 00 (x) [f0(x)]3

Ici ~x est la racine exacte et la racine approche. Si on se propose de trouver la racine approche de f(x) = 0 avec une prcision de lordre de ", alors chaque tape, il faut vri er le signe de f(xn)f(xn 1 ) et comparer j xn xn 1 j avec ". Si f(xn)f(xn 1 ) < 0 et j xn xn 1 j ", alors en qualit de la racine approche avec lordre de la prcision indique, on prend xn avec le nombre de chi res aprs la virgule gal au nombre de chi res aprs la virgule dans ". Si par contre f(xn)f(xn 1 ) > 0 ou jxn xn 1 j> ", on passe litration suivante. Exemple 6.3 : Calculer par la mthode de Newton la racine sur [1; 1;7] de lquation x4 2x 4 = 0 avec une prcision de lordre de 0,01. On a f0(x) = 4x3 2, f00(x) = 12 x2 . Puisque f(1;7)f00(1;7) > 0 (voir lexemple prcdent), on prend x0 = 1;7. En utilisant la formule (1), on trouve tour tour x1 = x0 f(x0 ) f0(x0 ) = 1;7 f(1;7) f0(1;7) = 1;7 0;952 17;652 = 1;646 et f(x0 )f(x1 ) > 0. x2 = x1 f(x1 ) f0(x1 ) = 1;646 f(1;646) f0(1;646) = 1;646 0;048 15;838 = 1;643 et f(x1 )f(x2 ) > 0. x3 = x2 f(x2 ) f0(x2 ) = 1;643 f(1;643) f0(1;643) = 1;643 0;004 15;740 = 1;6427 f(x2 )f(x3 ) < 0 et jx2 x3 j= 0;0003 < 0;01. Par consquent la racine cherche est x3 = 1;6427 avec deux chi res aprs la virgule (car " = 0;01 a deux chi res aprs la virgule), i.e. x = 1;64. Remarque 6.2 : 1. Lorsque f(x0 )f00(x0 ) > 0, la suite xn+1 = xn f(xn) f0(xn) est monotone, borne et converge vers la solution x. Ce rsultat donne une condition su sante pour que la mthode de Newton converge vers x mais la condition nest pas ncessaire. Dans le cas o il ny a pas de convergence, on change la valeur de x0 . 2. La mthode de Newton est une mthode ditrations de second ordre (souvent appel mthode des approximations sucessives). Ces mthodes se traduisent par la rptition systmatique dune opration dtermine. Ce qui nit par donner de proche en proche la solution exacte. 67 3. La formule de Newton est lune des plus utilises parce quelle est relativement pl us simple et dune convergence trs su sante dans la plupart des cas. Il faut toutefois que x0 soit assez prs de la racine pour que la drive f0 ne change pas de signe entre x0 et la solution x. Si en e et, f0 sannule sans que f sannule aussi alors la tangente la courbe doit couper laxe des abscisses lin ni puisque quil risque dosciller ind niment autour de la solution sans latteindre. 4. Il est possible de modi er la mthode de Newton et dcrire

xn+1 = xn p f(xn) f0(xn) ; o p est un nombre ou une fonction. De mme, on peut aussi crire xn+1 = xn gf(xn) gf0(xn) + hf(xn) : 5. Condition darrt : La mthode de Newton converge vers la solution exacte x mais on ne sait pas explicitement quel moment une certaine prcision est atteinte. Pour cela, on utilise gnralement les rsultats souivants : Soit x une racine de lquation f(x) = 0 et soit xn une valeur approche de x. Si lintervalle [a;b] contenant x et xn on a jf0(x)jm > 0, alors jxn xjjf(xn)jm: Dans la pratique, on pourra prendre m = min(jf0(a)j;jf0(b)j). Si " est la prcisio n exige alors on arrtera le calcul lorsque jf(xn)j m < ". 6.4.2 Organigramme Lorganigramme de la mthode de Newton-Raphson est donn par la gure ci-dessous : 6.4.3 Mthode de Newton en six tapes Le but est de chercher r tel que f(r) = 0. Etape 1 : se xer " (prcision recherche sur lapproximation de r) Etape 2 : mettre lquation sous la forme f(x) = 0 ; Etape 3 : Calculer f0(x) ; Etape 4 : Choisir graphiquement un point de dpart x0 ; Etape 5 : Calculer x1 = x0 f(x0 ) f0(x0 ) ; Etape 6 : Comparer jx1 x0 j< "; . Si jx1 x0 j< " n de la procdure : r = x0 = x1 . . Si jx1 x0 j > ", x1 devient un nouveau point de dpart partir duquel on calcule x2 = x1 f(x1 ) f0(x1 ) ; puis on compare jx2 x1 j " .... et on poursuit les itrations en calculant x3 ;x4 ;:::;xn;xn+1 jusqu ce que jxn+1 xnj< ". 68 Figure 6.5 69 6.5 Mthode par approximations successives Soit R un espace mtrique euclidien de R et soit g une application de R dans R . D nition 6.2 : Lapplication g sappelle contraction, sil existe un rel < 1 tel que pour tous les x;y 2R , on a jg(x) g(y) j jx y j: (6.4) Toute contraction g de R dans R est une application continue. En e et, soit xn une suite de points de R convergente vers x 2R , i.e., jxn x j!0, quand n !+1. Alor s puisque jg(xn) g(x) j jxn x j, on conclut que jg(xn) g(x) j!0, n !+1, et g est continue. D nition 6.3 : Un point x sappelle point xe dune application g(x) si g(x) = x. Thorme 6.1 : (Principe des contractions) : Toute contraction g dun espace m-trique c omplet R dans R possde un et un seul point xe. Preuve : Soit x0 un point quelconque de R . Si g(x0 ) = x0 , alors x0 est un poi nt xe de g. Supposons que g(x0 ) 6= x0 . Soit xn la suite des points de R de nie par : xn = g(xn 1 ); n = 1;2;::: Montrons que xn est une suite fondamentale. jxn+ p xnj = jg(xn+ p 1 ) g(xn 1 ) j jxn+ p 1 xn 1 j= jg(xn+ p 2 ) g(xn 2 ) j; 2 jxn+ p 2 xn 2 j= 2 jg(xn+ p 3 ) g(xn 3 ) j3 jxn+ p 3 xn 3 j

::: n jxp x0 j = n j(xp xp 1 ) + (xp 1 xp 2 ) + ::: + (x2 x1 ) + (x1 x0 ) j n[jxp xp 1 j+ jxp 1 xp 2 j+:::+ jx1 x0 j] : Puisque jxm+ l xm jjl=1 m jx1 x0 j; on a jxn + p xn j n[p 1 + ::: + + 1] jx1 x0 j n jx1 x0 j 1Pk=0 k = n jx1 x0 j 1 : Puisque 0 < 1, n jx1 x0 j 1 !0; n !+1; 70 et il sen suit que xn est une suite fondamentale. R tant un espace mtrique complet, la suite xn converge vers un point x 2 R : lim n!+ 1 g(xn) = x 2 R . Il dcoule alors de la continuit de g que : g(x) = lim n!+ 1 g(xn) = lim n!+ 1 xn 1 = x: Cette galit montre que x est un point de g. Alors jx y j=jg(x) g(y) j jx y j; et cete ingalit na lieu que si x = y, car 1. le thorme est dmontr. Soit f une fonction de [a;b] vri ant la condition de Lipschitz jf(x1 ) f(x2 ) jK jx1 x2 j; avec la constante K < 1.Alors f est une contraction et daprs le thorme prcdent la suite xn d nie par xn = f(xn 1 ), x0 2[a;b] converge vers la solution unique de lquat ion f(x) = x. La condition de la contraction est vri e sur le segment[a;b] ds que f(x) es t drivable sur [a;b] et j f0(x) j K < 1 sur [a;b]. En e et, pour tous les x1 et x2 dan s [a;b] alors le segment dextrmits x2 et x1 est contenu dans [a;b]. Daprs la formule de Lagrange f(x1 ) f(x2 ) = (x1 x2 )f0(c); o c est un point du segment dextrmit x1 et x2 . Mais alors jf(x1 ) f(x2 ) j=j(x1 x2 )f0(c) jK jx2 x1 j= jx2 x1 j; avec = K < 1; ce qui montre que f est une contraction. 2 Soit rsoudre lquation F(x) = 0 sur [a;b], avec F(a) < 0, F(b) > 0 et 0 < K1 F0(x) K2 sur [a;b]. Introduisons la fonction f(x) = x F(x) et cherchons les racines de lquationx = f(x), ce qui est quivalente F(x) = 0 quand 6= 0. Puisque f0(x) = 1 F0(x), 1 K2 f0(x) 1 K1 et on peut prendre de sorte que j f0(x) j K < 1 sur [a;b]. Cela se fait des conditions 1 K1 < 1 , 0 < K1 , 1 K2 > 1 ,K2 < 2, et 1 K2 1 K1 i.e., K1 > 0; K2 < 2; K2 K1 :: Avec ce choix de , la fonction f(x) est une contraction et les approximations suc cessives de lquation F(x) = 0 sont xn = f(xn 1 ), x0 2[a;b]. Si ~x est la racine isole de F(x = 0) sur [a;b] et on cherche la racine approche a vec une prcision de lordre de ", alors en qualit de cette racine approche on prend xn te

l que jxn xn 1 j< 1 K K ": 71 Exemple 6.4 : Trouver par la mthode des approximationss successives la racine de lquation 2 ln x x = 0 avec une prcision de lordre de 0;001. Pour cet exemple, on a F(x) = 2 ln x x. Trouvons lintervalle de la racine isole de F(x) = 0. F(x) = 0 ,ln x = 2 x et la droite dquation 2 x = y coupe laxe 0x en x = 2 et la courbe y = ln x coupe cet axe en x = 1. Le point dintersection des co urbes 2 x = y et y = ln x a son abscisse entre 1 et 2. [1;2] est alors le segment de racine isole de F(x) = 0. Puisque 2 F0(x) < 3 2 . Nous ne pouvons pas alors appliquer ce qui prcde. Cependant, les quations F(x) = 0 et F(x) = ln x + x 2 = 0 sont quivalentes. Puisque 0 < 3 2 F0(x) 2, on pose f(x) = x ( F(x)). Alors on choisira des conditions 3 2 > 0, 2 < 2 et 2 3 2 . On peut alors prendre = 1=2, ce qui donne f(x) = x 1 2 ( 2 + ln x + x) = 1 2 ln x + 1 2 x + 1 vri e alors lingalit 1 1 2 2 f0(x) 1 1 2 3 2 ,0 f0(x) 1 4 )jf0(x) j 1 4 sur [1;2]: 1 K K " = 0;003. En qualit de x0 = 1. Alors x1 = f(x0 ) = 3 2 ; x2 = f(x1 ) = 1;5472; x3 = f(x2 ) = 1:5553; x4 = f(x3 ) = 1:5568; jx4 x3 j= 0:0015 < 0:003: : La solution approche est alors x = 1;556. 6.6 Mthode de Chebyshev (Mthode de Newton g-nralis) Soit trouver la racine isole dans (a;b) de lquation f(x) = 0. On suppose que la fonction f(x) est de la classe de Cn(a;b) et que f0(x) 6= 0 sur (a,b). Considrons

la courbe x = + A1 y + A2 y2 + ::: + An 1 yn 1 + Anyn: D nition 6.4 : On dit que deux courbes y = f(x) et y = g(x) possdent en un point x0 une tangente dordre n si f( k) (x0 ) = g( k) (x0 ), k = 0;1;2;:::;n. Du point de vue gomtrique, le point de tangente dordre n est la position limite de n+ 1 points dintersection des courbes y = f(x) et y = g(x) quand on tend ces points ve rs le 72 point dabscisse x0 . Ordonnons les paramtres ;A1 ;A2 ;:::;An de sorte que les courb es y = f et x = + nPk=1 Aky au point dabscisse x0 de (a;b) possdent une tangente dordre n. Dans notre cas, la courbe y = g(x) est donne sous la forme implicite x = + nPk=1 Akyk. Sous un tel choix des paramtres ;A1 ;A2 ;:::An on peut prendre en qualit de valeur appro che de la racine cherche labscisse du point dintersection de la courbe x = + nPk=1 Akyk avec laxe 0x, cest--dire, le point . 1. Si n = 1, on a x = + A1 y, ce qui donne 1 = A1 y0, et de lgalit f0(x0 ) = y0(x0 ) on trouve A1 = 1 f0(x0 ) , i.e., x = + y f0(x0 ) , y(x) = g(x) = (x )f0(x0 ). Cette courbe coupe laxe 0x au point dabscisse x = . Dautre part f(x0 ) = y(x0 ) ) f(x0 ) = (x0 )f0(x0 ), do = x0 f(x0 ) f0(x0 ) (mthode de Newton): (6.5) 2. Si n = 2, on obtient de la mme faon = x0 f(x0 ) f0(x0 ) [f(x0 )]2 f00(x0 ) 2![f0(x0 )]3 : (6.6) 3. Si n = 3, alors = x0 f(x0 ) f0(x0 ) [f(x0 )]2 f00(x0 ) 2![f0(x0 )]3 [f(x0 )]3 3! 3[f00(x0 )]2 f0(x0 )f000(x0 ) [f0(x0 )]5 : (6.7) 4. Si n = 4, alors on obtiendra = x0 f(x0 ) f0(x0 ) [f(x0 )]2 f00(x0 ) 2![f0(x0 )]3 [f(x0 )]3 3! 3[f00(x0 )]2 f0(x0 )f000(x0 ) [f0(x0 )]5 [f(x0 )] 4! [f0(x0 )]2 f(4) (x0 ) 10f0(x0 )f00(x0 )f000(x0 ) + 15[f00(x0 )]3 [f0(x0 )]7 : (6.8) Ecrivons lestimateur de lerreur de la racine approche dans le cas des formules (6.5 )

et (6.6). Dans le cas n = 2 (formule (6.5)), j ~x j< [f(x0 )]3 3! max [ a;b]

3[f00(x)]2 f0(x)f000(x) [f0(x)]5

(6.9) Dans le cas de la (6.6), (n = 3) et j ~x j< [f(x0 )]4 4! max [ a;b]

[f0(x)]2 f(4) (x) 10f0(x)f00(x)f000(x) + 15[f00(x)]3 [f(x0 )]7

; (6.10) o ~x est la racine exacte. Exemple 6.5 : Calculer p5 avec une prcision de lordre de 0;001. 73 En remarquant que p5 est une racine de lquation x2 5 = 0, nous pouvons appliquer lquation x2 5 = 0 la mthode de Chebyshev avec n = 4. En qualit de x0 , prenons x0 = 2. Alors f(x) = x2 5; f(2) = 1; f0(x) = 2x; f0(2) = 4; f00(x) = 2; f00(2) = 2; f000(x) = 0; f000(2) = 0; f(4) (x) = 0; f(4) (2) = 0: = 2 1 4 1:2 2:43 1 6 3:4 45 1 24 15:8 47 ; = 2 + 1 4 2 128 + 1 512 5 16384 ; = 2:236022949218: f(2;2360) < 0 et f(2;2361) > 0 et on a j2;2361 2;2360 j= 0;0001: On peut alors prendre comme racine approche la valeur x = 2;2360. Remarque 6.3 : 1. Il existe de nombreuses autres mthodes telles que la mthode des parties proport ion-nelles, la mthode de Bairstow, la mthode de petits paramtres ou de perturbation s. La mthode de Bairstow permet de trouver la solution complexe de lquation. 2. Il existe des mthodes qui permettent de trouver simultanement toutes les racin es dun polynme en particulier le cas des polynmes de degr 3 et 4. 3. On peut aussi laborer les processus itratifs du premier, second et troisime ordr e pour les systmes dquations non linaires en particulier pour le systme de deux quations : 8<: G(x;y) = 0; H(x;y) = 0: (6.11) On peut trouver x partir de G(x;y) = 0 et y partir de H(x;y) = 0. On aura alors le processus itratif suivant :8<: xn+1 = g(xn;yn); yn+1 = h(xn;yn): (6.12) De mme, partir de la formule de Newton, le systme dquations peut donner le processus itratif suivant :8><>: xn+1 = xn + 1 (HGy GHy) jxn ;yn ; yn+1 = yn +

1 (GHx HGx) jxn ;yn ; (6.13) o = GxHy GyHx. 74 6.7 Exercices Exercice 6.1 : Proposer un algorithme pour la mthode de la corde. Exercice 6.2 : Ecrire un organigramme pour la mthode des approximations successiv es. Exercice 6.3 : 1. Etablir la formule itrative pour la mthode de Newton pour le systme dquations deux inconnues suivant : 8<: G(x;y) = 0; H(x;y) = 0: 2. Ecrire un algorithme correspondant. Exercice 6.4 : Trouver par la mthode de cordes la racine positive de lquation x4 2x 4 = 0 avec une prcision de lordre de 0:01. Exercice 6.5 : En combinant la mthode de la corde et la mthode de Newton, trouver la racine approche de lquation x3 + x2 11 = 0 dans (1;2) avec une prcision de lordre de 0:001. Exercice 6.6 : Par la mthode des approximations successives, trouver la racine ap pro-che de lquation 2 ln x x = 0 avec une prcision de lordre de 0:001. Exercice 6.7 : Par la mthode des approximations successives, trouver la racine ap pro-che de lquation x3 + 2x 7 = 0 avec une prcision de lordre de 0:01. Exercice 6.8 : Trouver graphiquement les intervalles des racines isoles de lquation x3 9x2 + 18x 1 = 0. Par lune des mthodes tudies que lon prcisera, trouver la racine approche de la dite quation sur 0:1 avec une prcision de lordre de 0:01. Exercice 6.9 : Rsoudre par la mthode de cordes et de Newton lquation x4 12x 5 = 0 avec une prcision de lordre de 0:01. Exercice 6.10 : Rsoudre par la mthode de Chebyshev lquation x3 12x 5 = 0 avec une prcision de lordre de 0:01, n = 2. Exercice 6.11 : Appliquer deux fois la mthode de Newton pour trouver la racine ap pro-che de lquation x4 8x + 1 = 0, isole sur [1:6; 2]. Trouver les valeurs approches x1 et x2 avec deux chi res aprs la virgule. Estimer lerreur de lapproximation x2 . Exercice 6.12 : Appliquer cinq fois la mthode des approximations successives pour trou-ver la racine approche de lquation 2x cos x = 0, isole sur [0; 0:5]. 75 Exercice 6.13 : Trouver par la mthode de Chebyshev la racine approche de lquation 3x5 + 6x 16 = 0 avec une prcision de lordre de 0:00001, avec n = 2. Exercice 6.14 : Calculez ( la main) 10 4 prs la racine r positive de lquation g(x) = x pour g(x) = x 2 + 1 x et comparer avec la mthode de bissection. 76 Chapitre 7 Approximation par la mthode des moindres carrs 7.1 Position du problme La mthode dapproximation par les moindres carrs est utilise dans de nombreuses applications sous des noms di rents : - optimisation linaire ; - Mthode de regression ; - lissage des courbes. Les expriences en physique, chimie et biologie peuvent contenir des centaines voi re des milliers de mesures. Lutilisation des mthodes dinterpolation doit alors conduir e de grandes erreurs darrondi et des calculs assez longs.

La mthode des moindres carrs nous permet dutiliser plusieurs fonctions pour obtenir une approximation simple. Par exemple, soient (y1 ;y2 ;:::;yn) les valeurs corre spondantes aux points (x1 ;x2 ;:::;xn) et y = f(x;a0 ;a1 ;:::;am) avec m < n. Il est clair que puisque m n, il nest pas possible davoir f tel que quelque soit k, on a y(xk) = yk. Mais on peut choisir les n paramtres a0 ;a1 ;:::;am tels que y(xk) yk , i.e., de faon que les m couples de valeurs de x et y conviennent le mieux. La thorie des probabilit nous apprend q ue les valeurs de a0 ;a1 ;:::;am qui sont les meilleurs minimisent la somme R = mX k=1 [fk f(xk)]2 = [f1 f(x1 )]2 + [f2 f(x2 )]2 + ::: + [fm f(xm)]2 ; (7.1) o f(xk) = yk. Autrement dit la somme des carrs des carts des valeurs de y calcules par la formule par rapport aux valeurs donnes do la dnomination de mthode des moindres carrs. 77 7.2 Rsolution du problme de lapproximation par les moindre carrs 7.2.1 Choix des paramtres par la mthode des moindres carrs La condition (7.1) permet de former un systme dquations de m do lon tire a0 ;a1 ;:::;am : mX k=1 @R @ak = 0; i.e., mX k=1 [f(xk;a0 ;a1 ;:::;am) yk] @f(xk;a0 ;a1 ;:::;am) @aj = 0; j = 1;2;:::;m: (7.2) La solution de ce systme permet alors alors de trouver les coe cients a0 ;a1 ;:::;a m de la fonction f(x;a0 ;a1 ;:::;am). Remarque 7.1 : Parfois, a n de simpli er la rsolution du systme (7.2), on est contrain t transformer la formule donne y = f(x;a0 ;a1 ;:::;am), mais la prcision de la solut ion ainsi obtenue sen ressent. 7.2.2 Cas particuliers Cas dun polynme de dgr un Considrons le cas dun polynme de dgr n = 1, i.e., y = f(x) = a0 + a1 x. Dans ce cas, on a R = mX k=1 [fk (a0 + a1 xk)]2 : (7.3) Pour que R soit minimal, il faut que @R @a0 = 0 et @R @a1 = 0;

On obtient ainsi le systme dquations deux inconnues a0 et a1 suivant :8><>: mPk=1 [fk (a0 + a1 xk)]a0 = 0; mPk=1 [fk (a0 + a1 xk)]a1 xk = 0: (7.4) 78 La rsolution du systme ci-dessus donne a0 = mPk=1 x2 k mPk=1 fk mPk=1 xk mPk=1 xkfk m mPk=1 x2 k mPk=1 xk2 et a1 = m mPk=1 xkfk mPk=1 xk mPk=1 fk m mPk=1 x2 k mPk=1 xk2 : (7.5) Cas dun polynme de dgr quelconque m Considrons la cas dun polynme de dgr quelconque m y = f(x) = a0 + a1 x+ :::+ amxm. On a m+ 1 paramtres : a0 ;a1 ;:::;am avec n > m+ 1. Le systme (7.2) prend la forme : 8> ><> >: am mPk=1 xm k + am 1 mPk=1 xm 1 k + ::: + ma0 = mPk=1 yk; am mPk=1 xm+1 k + am 1 mPk=1 xm k + ::: + a0 mPk=1 xk = mPk=1

xkyk; am mPk=1 xm+2 k + am 1 mPk=1 xm+1 k + ::: + a0 mPk=1 x2 k = mPk=1 x2 kyk; ::: am mPk=1 x2 m k + am 1 mPk=1 x2 m 1 k + ::: + a0 mPk=1 xm k = mPk=1 xm k yk; (7.6) Ce systme de m + 1 quations m + 1 inconnues admet toujours une solution unique, car son dterminant est di rent de zro. Pour dterminer les coe cients du systme (7.6), il est utile de composer le tableau auxilliaire ci-dessous : k xk x2 k x3 k . . . x2 m k yk xkyk x2 kyk . . . xm k yk 1 x1 x2 1 x3 1 . . . x2 m 1 y1 x1 y1 x2 1 y1 . . . xm 1 y1 2 x2 x2 x3 2 . . . x2 m 2 y2 x2 y2 x2 y2 . . . x2 ky2 . .. .. .. . . . .. .. .. .. . . . .. . .. .. .. . . . .. .. .. .. . . . .. n xn x2 n x3 n . . . x2 m n yn xnyn x2 nyn . . . xn kynP Dans la dernire ligne, sont portes les sommes des lments constituant les colonnes respectives. Ces sommes reprsentent les coe cients du systme (7.6). Le systme (7.6) est dhabitude rsolu par la mthode de Gauss.

Exemple 7.1 : A laide de la mthode des moindres carrs, choisir une fonction quadratique p(x) = a2 x2 + a1 x + a0 pour les valeurs de x et de y donnes : x 7 8 9 10 11 12 13 y 7.4 8.4 9.1 9.4 9.5 9.5 9.4 79 Formons le tableau k xk x2 k x3 k x4 k yk xkyk x2 ky2 k 1 7 49 343 2401 7.4 51.8 362.6 2 8 64 512 4196 8.4 67.2 537.6 3 9 81 729 6561 9.1 81.9 737.1 4 19 100 1000 10000 9.4 94 940 5 11 121 1331 14641 9.5 104.5 1149.5 6 12 144 1728 20736 9.5 114 1368 7 13 169 2197 28561 9.4 122.2 1588.6P 70 728 7840 87096 62.7 635.6 6683.4 Do on tire le systme suivant :8<: 728a2 + 70a1 + 7a0 = 62:7 7840a2 + 728a1 + 70a0 = 635:6; 87096a2 + 784a1 + 728a0 = 6683:4: La solution de ce systme est a0 = 2:12, a1 = 1:1 et a2 = 0:04. Ainsi la fonction quadratique cherche est de la forme p(x) = 0:04x2 + 1:1x + 2:12: Cas des fonctions de la forme y = Aecx Pour simpli er le systme (7.2), on prend le lograrithme de la formule y = Aecx qui lie x et y : log y = log A + clog ex: Alors le systme (7.2) prend la forme :8><>: clog e mPk=1 xk + mlog A = mPk=1 log yk; clog e mPk=1 x2 k + log A mPk=1 xk = mPk=1 xk log yk (7.7) Le tableau auxiliaire sera k xk x2 k log yk xk log yk 1 x1 x2 1 log y1 x1 log y1 2 x2 x2 log y2 x2 log y2 . . . . . n xn x2 n log yn xn log ynP Exemple 7.2 : Trouver par la mthode des moindres carrs une fonction exponentielle S = Aect daprs les donnes du tableau suivant : t 0 2 4 6 8 10 12 S 1280 635 324 162 76 43 19 80 On forme le tableau suivant :

k t t2 k y = log S ty 1 0 0 3.1072 0 2 2 4 2.8028 5.6056 3 4 16 2.5105 10.0420 4 6 36 2.2095 13.2570 5 8 64 1.8808 15.0464 6 10 100 1.6335 16.3350 7 12 144 1.2787 15.3444P 42 364 15.4230 75.6304 On obtient le systme dquations :8<: 42clog e + 7 log A = 15:4230; 364clog e + 42 log A = 75:6304; cest dire clog e = 0:1509, log A = 3:1087. Par consquent, A = 1284 et c = 0:347. Ainsi, la fonction exponentielle cherche sera S = 1284e 0 :347 t: Cas gnral De manire plus gnrale dans lapproximation par la mthode des moindres carrs la fonction f peut tre d nie par f(x) = mX k=1 akgk(x) = a0 g0 (x) + a1 g1 (x) + ::: + angn(x); (7.8) o les fonction gk(x) sont des fonctions quelconques et peuvent donc tre de nature dif-frente. Lorsque le systme dquations @R @ak = 0 est gros, la rsolution se fait numri-quement. En gnral, le systme dquations que l obtient est d ni de la manire suivante : 8> <> : A00 a0 + A01 a1 + A02 a2 + ::: + A0 nan = mPi=1 g0 (xi)fi; A10 a0 + A11 a1 + A12 a2 + ::: + A1 nan = mPi=1 g1 (xi)fi; ::: An0 a0 + An1 a1 + An2 a2 + ::: + Annan = mPi=1 gn(xi)fi; (7.9) o Akj = mX i=1 gk(xi)gj(xi); j = 0;1;:::;n et k = 0;1;2;:::;n: 81 7.3 Exercices Exercice 7.1 : Les rsultats dune exprience est donn dans le tableau suivant : x 1 2 4 6 y 10 5 2 1 1. De ce tableau, utiliser la formule dinterpolation de Lagrange pour dterminer la valeur de y pour x = 3. 2. Utiliser aussi la formule dinterpolation de Lagrange pour dterminer la valeur d e x pour y = 1:5. 3. Construire un polynme dapproximation de dgr 2 par la mthode des moindres carrs y = a0 + a1 x + a2 x2 : (7.10)

4. Construire par la mthode des moindres carrs une fonction dapproximation de la forme y = a0 + a1 x : (7.11) 5. Des formules (7.10) et (7.11) quelle est la plus bonne approximation? Justi er votre reponse en calculant le reste. A partir de la bonne formule dterminer les valeurs des inconnues des deux premires questions. Exercice 7.2 : Trouver la fonction puissance S = Atq. t 1 2 3 4 5 S 7.1 15.2 48.1 96.3 150.1 Exercice 7.3 : Trouver la fonction exponentielle S = Aect. t 2.2 2.7 3.5 4.1 S 67 60 53 50 82 Chapitre 8 Rsolution numrique des quations linaires 8.1 Position du problme Un certain nombre de problmes scienti que sexprime sous forme de systmes dqua-tions pl sieurs inconnues. De mme un certain nombre de mthodes de calcul scienti que se transforme la rsolution des systmes dquations linaires. Nous pouvons citer : - la mthode dapproximation par les moindres carrs - lapproximation spline - la mthode des di rences nies pour les quations di rentielles valeurs aux limites et pour les quations aux drives partielles, formulation matricielle de la mthode des lments nis, les systmes di rentiels, etc... Les systmes d quations sont donc prsent en physique, en ingnrie, en mcanique, en sciences biologique et chimique et dans dautres domaines de sciences exacte. I ls inter-viennent galement en sciences sociales (conomie, politique, sociologie... ). Dans le cas des systmes linaires, ces mthodes de rsolution peuvent tre classes en deux catgories : - les mthodes directes qui conduisent la solution aprs un certain nombre dopra-tions connu priori (mthode de dterminant ou Cramer, limination successive, inversion des matrices) ; - les mthodes itratives qui conduisent la solution par une succession damlioration dune solution approche. Le nombre ditration tant di cile prvoir et dpendant de la forme du systme (mthode de Jacobi et mthode de Gauss-Seidel). 83 8.2 Calcul matriciel 8.2.1 Quelques d nitions de base Une matrice est un tableau rectangulaire des nombres rels ou complexes de la forme : A = 0B@ a11 a1 n a21 a3 n . . am1 amn 1CA Sous forme condens, on crit A = (aij); i = 1;2;;m; j = 1;2;;n. m : nombre de ligne et n : nombre de colonne. On parle alors de matrice m n: La diagonale contenant les lments aii est la diagonale principale. Si n = m la matrice est carre . La transforme dune matrice m n note A = (aij) est la matrice n m note AT = (aji): Les colonnes de A sont les lignes de AT et les lignes de A sont les

colonnes de AT. Une matrice carre relle (aij = relle) est dit symtrique ssi aij = aji cest--dire AT = A: Si aij = aji =)aii = 0, alors AT = A et la matrice est dite antisymtrique. Une matrice carre (aij) donc les lments situs au dessus (ou en dessous) de la diagonale principale sont nuls est appele matrice triangulaire. On appelle matrice en echelon, une matrice telle que : 1. les coe cients principaux des lignes 1;2;3;sont situes dans les colonnes de numro strictement croissant (le coe cient principal dune ligne est le premier coe cient nul de cette ligne). 2. Si une ligne a tout ses coe cients nuls, il en est de mme des lignes suivantes. Une matrice carre (aij) dont les lments situs au dessus et en dessous de la diagonale principale sont tous nuls (aij = 0;i 6= j) est appel matrice diagonale. Si les lments de la diagonale principale sont tous gaux un nombre C, la matrice est dite scalaire-. Si C = 1, la matrice est unitaire. Pour une matrice carre m m, si les coe cients aij sont nuls lorsque ji jj > k(k < m), la matrice est dite (2k + 1) diagonale. En particulier : si k = 0 =)matrice diagonale, si k = 1 =)matrice tri-diagonale, si k = 2 =)matrice penta-diagonale, 84 8.2.2 Produit de deux matrices et proprits a) D nition Soit A = (aij) une matrice mn et B = (bij) une matrice r p: Le produit C = AB est d ni si et seulement si r = n. Ce produit est la matrice mp dont les lments (cij) sont d nes par : cij = nX k=1 aikbkj: b) Algorithme pour j allant de 1 p faire pour i allant de 1 m faire cij 0 pour k allant de 1 n faire cij cij + aikbkj n pour ecrire cij n pour n pour Proprits : La multiplication des matrice est associative et distributive par rapport ladditi on, La multiplication des matrices nest pas commutative. La transpose dun produit de matrice est gale au produit des transposes pris dans lordre inverse (AB)T = BTAT: En gnral, on montre que lensemble des matrices carres a une structure danneau non-commutatif, lment unitaire et avec division de zero. 85 8.2.3 Calcul des dterminants a) D nition Un dterminant dordre n est un tableau carr de n n nombre rel ou complexe compris entre deux barres verticales. D = a11 a1 n

a21 a3 n . . an1 ann Sa valeur calculable par plusieurs mthodes est un nombre rel ou complexe. b) Mthode des mineurs et cofateurs Les mineurs Mij dun lment aij du dterminant D dordre n est le dterminant dordre n 1 obtenu en supprimant la ligne et la colonne de D passant par aij. La q uantit c0 ij = ( 1)i+ jMij est appele cofacteur de llment aij. La valeur du dterminant est alor s donne par la formule : D = nX k=1 aikc0 ik = nX k=1 akjc0 kj: Bienque cette mthode soit simple et dune grande importance sur le plan thorique, el le est trop longue pour les calculs quand les matrices sont dordre suprieur. c) Mthode de triangularisation ou du pivot Proposition Soit A une matrice donc la 1ere colonne nest pas nulle (cest--dire que la premire colonne contient au moins un lment non nul), par yune succession convenable dopra-ti on, la matrice A peut tre transform en une matrice donc la premire colonne a tout c es lments non nuls sauf le premier. En procedant ainsi, on obtient une matrice triang ulaire. Pour le faire, on utilise la mthode suivante : Soit ai1 un lment non nul de la premire colonne de A, il su t dexecuter les ins-tructi ons suivantes. 1. Echanger les lignes L1 et Li (si i 6= 1), le coe cient a11 de la nouvelle matri ce est alors nul. 2. Pour k allant de 2 n (n : nombre de ligne de la matrice) faire Lk Lk ak1 a11 Li la 1ere coordonne de la nouvelle ligne est alors ak1 ak 1 a11 a11 = 0: 86 On considre ensuite la matrice partant de la 2eme colonne et de la 2eme ligne, on procde alors de la mme faon jusqu obtenir une matrice triangulaire. Le dterminant de la matrice est alors gal au produit des lments de la diagonale principale. Exemple : 3 4 5 2 =)(5; 2) 5 3 (3; 4) = (0; 14 3 ) =) 3 4 0 2

Cette mthode est aussi appele mthode de pivot et le coe cient ai1 est appel pivot. Pour des calculs la main, on choisira de prfrence le pivot le plus simple (le meil leur tant 1 pour viter les divisions). Si lon utilise un ordinateur, il est recommand de choisir le plus grand pivot en valeur absolue pour diminuer lin uence des erreurs darrondies , on parle alors de pivot maximum. Il existe une autre variante de la mthode de pivot qui consiste reduire lordre du dterminant tape par tape pour en former une matrice triangulaire donc les lments situs au dessus de la diagonale principale sont tous nuls (matrice triangulaire i nfrieure). d) Quelques thormes sur le calcul des dterminants Thorme 1 : Le dterminant de la transpose dune matrice est gale au dterminant de la matrice. Thorme 2 : Si tout les lments dune colonne (ou dune ligne) dun dterminant D sont multiples dun mme facteur K, alors le nouveau dterminant est Dk = kD: Thorme 3 : Si tout les lments dune colonne ou dune ligne dun dterminant D sont tous nuls alors D = 0. 8.2.4 Inversion des matrices Thorme : Linversion A 1 dune matrice carre A existe si et seulement si detA 6= 0: A 1 est alors unique et d ni par : A 1 = 1 detA CoT; o CoT est la transpose de Co = (Co ij);Co ij tant le cofacteur de (aij). 87 8.2.5 Valeurs propres et vecteurs propres Soit la matrice carre dordre n, A = (aij) et lquation vectorielle AX = X o est un nombre et X un vecteur de n composantes. Toute valeur de pour laquelle lquation admet une solution X 6= 0 est appele valeur propre ou valeur caractristique de A. La solution correspondante est appele vecteur propres ou vecteurs caractrist iques. Un tel problme se rencontre dans de nombreuses applications notamment en physique de vibrations et en mcanique de structure ou lon recherche les modes propres de vibra tions. Lensemble des valeurs propres est appel spectre de A. Elles sont solutions de lquati on caractristique jA Ij = 0: Il existe deux mthodes principales pour dterminer les valeurs propres. 1. La premire mthode permet de calculer les valeurs propres relles, elle repose sur le principe de dcomposition dune matrice carre en un produit de deux matrices triangulaires (lune suprieur et lautre infrieur). Cest le principe de dcomposition LU(Lower-Upper). 2. La deuxime tout fait gnrale permet de dterminer toute les valeurs propres relles et imaginaires. Elle donne une expression explicite du polynme caractris-tiq ue en utilisant les relations de Newton relative un polynme. Ce polynme peut tre rsolu par les mthodes de rsolution des quations algbriques non linaires (par la mthode de NewtonRaphson). 8.3 systmes dquations linaires et mthode de Cra-mer 8.3.1 D nition et cas particulier On appelle systme linaire de n quations n inconnues, lquation matricielle : AX = B; (8.1)

o A = (aij); X et b sont des vecteurs colonnes : X = 0B@ x1 x2 . xn 1CA et B = 0B@ b1 b2 . bn 1CA Si le vecteur B = ~0, le systme est dit homogne, sinon il est inhomogne, Le systme a la mme proprit que sa matrice : systme dechelon, diagonal, dia-gonale tri ngulaire. Le dterminant de A est le dterminant du systme. 88 8.3.2 Mthode de Cramer Aussi appel mthode de dterminant, on lutilisait le plus frquemment avant lvne-ment de rdinateurs. Elle a t dcouverte en 1950 par la mathmaticien Suisse Gabriel Cramer et elle sexprime par le thorme suivant : Thorme de Cramer : Si le dterminant D est non nul, le systme (8.1) admet une solution d nir par Xk = Dk D o Dk est le dterminant obtenu de D en remplaant la colonne k par la colonne des lments du vecteur B. 8.4 Mthode de Gauss ou des lminations successives ou de pivot 8.4.1 Mthode dlmination successive de Gauss Prsentation de la mthode Cest une mthode utilise depuis le 19e sicle. Elle a t systmatis par la math-maticien mand Gauss en 1809 pour les besoins de la mcanique celeste. Son principe est le suivant : Les inconnues sont limines successivement en exprimant partir dune des quations une inconnue en fonction des autres puis en substituant dans le reste des quation s. On peut ainsi dun systme de n quations n quations un systme de n quations n 1 inconnues. Le processus se poursuit jusqu lobtention dune quation une seule inconnue. On trouve alors cette dernire inconnue, et par le processus inverse, le s autres inconnues sont calcules. Lquation qui permet dexprimer une inconnue en fonction des autres est appel quation pivotale. Pour viter les erreurs darrondies, lquation pivotale doit tre celle qui possde le plus grand coe cient de linconnue liminer. Lide de cette mthode de Gauss peut galement sexprimer de la manire suivante : rduire le systme matriciel AX = B en un systme triangulaire suprieur. Le systme triangulaire peut alors se rsoudre par un processus inverse cest--dire on trouve dabord Xn, en suite Xn 1 , ainsi de suite ju squ X1 . 89 Algorithme Soit le systme : 8><>: a11 x1 + a12 x2 + + a1 nxn = b1 a21 x1 + a22 x2 + + a2 nxn = b2 . an1 x1 + an2 x2 + + annxn = bn Dsignons par Li la ligne numro i. pour i allant de 2 jusqu n

faire lopration Li Li ai1 a11 L1 On obtient le systme :8><>: a11 x1 + a12 x2 + + a1 nxn = b1 0 + a0 22 x2 + + a0 2 nxn = b2 . 0 + a0 n2 x2 + + a0 nnxn = bn o a0 ij = aij ai1 a11 a1 j et b0 i = bi ai1 a11 b1 On continut le processus en considrant le systme constitu des lignes 2 n et ainsi de suite jusquau systme constitu de ligne n 1 et n. Pour une tape k, cest--dire en considrant le systme constitu des lignes k n lalgorithme suivant peut tre utilis. pour i allant de k + 1 n faire bi bi aik akk bk pour j=k n faire aij aij aik akk akj n n On peut ainsi en dduire lalgorithme de triangularisation du systme dquation en faisant varier k de 1 n 1. 90 8.4.2 Rsolution numrique des systmes triangulaires Gnralement, on obtient un systme triangulaire suprieur de la forme :0B @ a11 a12 a1 n 0 a22 a2 n 0 0 a33 . . . 0 0 0 ann 1C A 0B @ x1 x2 x3 . xn 1C A =

0B @ b1 b2 b3 . bn 1C A On rsoud le systme de la faon suivante : On trouve dabord la solution de la dernire quation, en suite on substitut lavant dernire quation et il vient : xn = bn ann ; xn 1 = (bn 1 an 1 ;nxn)=an 1 ;n 1 : En continuant le processus, la solution dindice k est donne par : xk = (bk ak;k+1 xk+1 ak;k+2 xk+2 ak;nxn)=ak;k: ou sous la forme compacte xk = 1 ak;k bk nX l= k+1 ak;lxl!: 8.5 Mthode de Jordan Elle est analogue celle de Gauss, sauf quici lon met aussi gale 0 les termes qui se retrouvent au dessus de la diagonale principale. 8.5.1 Mthode de la dcomposition triangulaire Principe Soit le problme AX = B. On peut de manire unique dcompos la matrice A en 2 matrices triangulaires dont lune est triangulaire infrieure avec les lments quelconq ues sur la diagonale et lautre triangulaire suprieure avec tous les lments diagonaux gaux 1. Soient L et S ces 2 matrices triangulaires. On a donc A = LS et le systme devi ent SX = L 1 B: Ce dernier systme est un systme triangulaire que lon peut rsoudre par le schma prcdent. 91 Dcomposition de la matrice On peut crire L et S sous la forme : L = 0B @ l11 0 0 ::: 0 l21 l22 0 ::: 0 l31 l32 l33 ::: 0 . . . ... 0 ln1 ln2 ln3 ::: lnn 1C A et S = 0B @ 1 s12 s13 ::: s1 n 0 1 s23 ::: s2 n 0 0 1 ::: s3 n . . . ... 0 0 0 0 ::: 1

1C A Lquation LS = A entrane par identi cation les lments suivants : aj1 = lj1 ; pour 1 j n a1 ;j = l11 s1 j; pour 2 j n aj2 = lj1 s12 + lj2 ; pour 2 j n a2 ;j = l21 s1 j + l22 s2 j; pour 3 j n; aj3 = lj1 s13 + lj2 s23 + lj3 ; pour 3 j n a3 ;j = l31 s1 j + l32 s2 j + l33 s3 j; pour 4 j n; aj;n 1 = lj1 s1 ;n 1 + lj2 s2 ; n 1 + ::: + lj;n 2 sn 2 ;n 1 + lj;n 1 ; pour n 1 j n an 1 ;j = ln 1 ;1 s1 j + ln 1 ;2 s2 j + ::: + ln 1 ;n 1 sn 1 ;j; pour j = n: Avec ces quations, on obtient les lments de la premire colonne de L puis ceux de la premire ligne de S ensuite ceux de la deuxime colonne de L et ceux de la deuxime li gne de S et ainsi de suite. On obtient alors les lments suivants qui permettent de cal culer les coe cients lij et sij. On a8> ><> >: lj1 = aj1 ; s1 ;j = a1 j=l11 ; lj2 = aj2 lj1 s2 j; s2 j = (a2 j l21 s1 j)=l22 ; lj3 = (aj3 l31 s1 j l32 s2 j)=l33 ; . lj;n 1 = aj;n 1 n 2Pk=1 ljksk;n 1 ; sn 1 ;j = an 1 ;j n 1Pk=1 ln 1 ;kskj=ln 1 ;n 1 ; lnn = ann n 1Pk=1 lnkskn: 8.6 Mthode par inversion des matrices Le systme matriciel AX = B admet pour solution X = A 1 B. Il sagit alors de trouver A 1 et le multipli par le vecteur B. 92 8.7 Mthodes itratives 8.7.1 Prliminaires Les mthodes directes (mthode de dterminant et par limination sucessive) sont trs utiles et appropris pour les systmes de taille moyenne. Pour de systmes de grand es tailles, les mthodes directes sont adquates car elle demanderait beaucoup despace la mmoire de lordinateur et un temps trs grand. Il faut alors utiliser les mthodes itratives qui sont trs facile, rapide en calcul et facile programmer. Cependant, c es mthodes sont non exactes. Elles sont bases car le principe de calcul de suite in nie , suite qui faudra troncer partir dun certain rang. Ce qui entranerait des rsultats a ssez prcis, il faut que chacune des quations du systme possde un coe cient trs grand devant tout les autres. La rsolution se fait alors en exprimant linconnu ayant le plus grand coe cient en fonction des autres inconnus. Deux problmes importants se posent quand on veut ut iliser les mthodes itratives : Le choix des valeurs initiales et la condition darrt cest--dir e le nombre maximal ditration necessaire pour obtenir la solution la plus prcise. Pou r le choix des valeurs initiales, on donne gnralement les valeurs 1 ou 0 toute les inco nnus.

Pour la condition darrt, on peut arreter le processus ditration lorsque les itrs x ( k) i et x ( k+1) i obtenus aprs k et k+ 1 itrations respective satisfont une condition de la forme : jx ( k+1) i x ( k) i j< o est un in niment petit dpendant de la matrice A des lments aii;bi et des valeurs initiales de X. 8.7.2 Mthodes de Jacobi et Gauss-seidel Avec cette mthode on peut rsoudre des systmes non-linaires (et fortiori on peut rsoudre les systmes linaires). C est une mthode itrative, facile mettre en uvre et rapide. Son principe : On devine une solution du systme, on exprime linconnue xi d e la ligne i en fonction des autres inconnus. On obtient alors : xi = [bi ai1 x1 ai2 x2 ai;i 1 xI 1 ai;i+1 xi+1 + + ainxn]=aii: Ceci sugre que les valeurs connues de x1 ;x2 ;;xi;xi+1 ;;xn soient substitus pour trouver xi. La formule ditration de Jacobi est alors la suivante : x ( k+1) i = [bi ai1 x ( k) 1 ai2 x ( k) 2 ai;i 1 x ( k) i 1 ai;i+1 x ( k) i+1 + + ainx( k) n ]=aii; (8.2) ou sous la forme compact : x ( k+1) i = bi nX j=1 ;j6= i aijx ( k) j !=aii; (8.3) 93 o x ( k) i sont les valeurs des inconnues obtenues aprs k itrations. Dans la formule de Gauss-Seidel, les valeurs x ( k+1) j pour j i 1 sont utilises aussitt quelles sont dtermines pour calculer x ( k+1) i . La formule itrative de Gauss-Seidel se met sous la forme x ( k+1) i = [bi ai1 x ( k+1)

1 ai2 x ( k+1) 2 ai;i 1 x ( k+1) i 1 ai;i+1 x ( k+1) i+1 ++ainx( k+1) n ]=aii; (8.4) ou sous la forme compact x ( k+1) i = bi i 1X j=1 aijx ( k+1) j nX j= i+1 aijx ( k) j !=aii: (8.5) Remarque 8.1 : Les deux mthodes sont importantes car ils existent les systmes dqua-t ions pour lesquels la mthode de Jacobi converge tandis que la mthode de Gauss-Seid el ne converge pas et vis.versa. 94 8.8 Exercices Exercice 8.1 : Un rayonnement lectromagntique traversant une solution contenant plusieurs soluts s1 ;s2 ;s3 ;;sn est absorb selon la loi de Beer suivante : A = Pn i=1 ki()ci, o A est appel absorbance du rayonnment ou de la solution, longueur donde du rayon-n ement, ci concentration molaire du solut si, ki est un coe cient dependant de la lo ngueur donde. On se propose de dterminer les concentrations c1 ;c2 ;c3 ;c4 dans une solut ion contenant 4 soluts. Pour cel on possde ainsi : On dtermine exprimentalement les coe cients ki() pour diverses valeurs de en mesurant labsorbance dun rayonnement de longueur donde par une solution contenant uniquement le solut si avec une concentraction connue. On mesure labsorbance A() de ce mme rayonnemnt par la solution tudie. Les rsultats de cette mesure sont donns dans le tableau suivant : (m) K1 () K2 () K3 () K4 () A() 13,5 2,2530 0.0771 0.000 0.0612 0.1581 13.0 0.0392 1.7274 0.000 1.236 0.1634 13.4 0.0512 0.0533 3,7980 0,4400 0.3823 14.3 0.0510 0.1025 0.000 0.5205 0.0642 Ecrire un algorithme qui utilise la mthode de pivot pour trouver les concentratio ns c1 ;c2 ;c3 :c4 : Exercice 8.2 : Ecrire un algorithme pour la rsolution dun systme dquations linaires par la mthode Jacobi. Exercice 8.3 : Ecrire un algorithme pour la rsolution dun systme dquations linaires par la mthode de Gauss Seidel. 95 Chapitre 9 Intgration numrique des quations di rentielles Le prsent chapitre est destin la rsolution numrique des quations di rentielles ordinaires. Nous donnerons quelques mthodes numriques de la rsolution du problme

de Cauchy pour les quations di rentielles ordinaires. On illustrera les proprits de ce s mthodes et estimera leurs erreurs. 9.1 Gnralits 9.2 Quelques premires d nitions D nition 9.1 : Une quation di rentielle dordre m est une expression de la forme : f(x;y;y0;y00;:::;y( m) ) = 0; (9.1) o f : U ! R , U ouvert de R (R n)m+1 . Ici y ne dpend que dune seule variable x, on parle dquation di rentielle ordinaire. Lorsquil y a plusieurs variables, on parl e dquation aux drives partielles. On dit quune quation est sous la forme normale si elle scrit y0 = f(x;y); (9.2) avec f : U !R n, U R (R n)n+1 , y0 = (y0 1 ;y0 2 ;:::;y0 n). Cest ce type dquation que lon va traiter dans ce chapitre. D nition 9.2 : Une solution de (9.2) sur un intervalle I R est une fonction drivable y : I !R n telle que 1. 8x 2I, (x;y(x)) 2U ; 96 2. 8x 2I, y0 = f(x;y(x)). D nition 9.3 1. Lensemble f(x;y(x)); t 2Ig est appel trajectoire de la solution. 2. Lensemble fy(x); x 2Ig est appel orbite de la solution. Si on crit = (y1 ;y2 ;:::;yn) et f = (f1 ;f2 ;:::;fn), alors (9.2) est un systme d i rentiel du premier ordre n fonctions inconnues y1 ;y2 ;:::;yn) :8> <> : y0 1 (x) = f1 (x;y1 ;y2 ;:::;yn); y0 2 (x) = f2 (x;y1 ;y2 ;:::;yn); . y0 n(x) = fn(x;y1 ;y2 ;:::;yn): (9.3) 9.2.1 Problme de Cauchy D nition 9.4 (Problme de Cauchy) : Etant donn un point (x0 ;y0 ) 2 U, le pro-blme de C auchy consiste trouver une solution y : I !R n de (9.2) sur un intervalle I contenant x0 dans son intrieur, telle que y(x0 ) = y0 . Souvent, la variable x reprsente le temps et y = (y1 ;y2 ;:::;yn) est une famille de paramtres dcrivant ltat dun systme matriel donn. 9.3 Rsolution du problme de Cauchy laide de la formule de Taylor Une des mthodes lmentaires par sa description de rsolution du problme de Cauchy pour les quations di rentielles ordinaires est base sur lutilisation de la formule de Taylor. Soit trouver sur le segment [x0 ;x0 + X] la solution de lquation di rentielle ordinaire du premier ordre y0 = f(x;y); (9.4) qui vri e la condition initiale y(x0 ) = y0 ; f(x;y) tant une fonction analytique au point (x0 ;y0 ), i.e., qui peut se mettre sous la forme f(x;y) = 1X i;j=0 aij(x x0 )i(y y0 )j; dans un certain voisinage du point (x0 ;y0 ). En di rentiant (9.4) par rapport x, o

n obtient y00 = fx(x;y) + fy(x;y)y0; y000 = fxx(x;y) + 2fxy(x;y)y0 + fyy(x;y)y02 + fy(x;y)y00;::: 97 En inserant x = x0 , y = y0 dans (9.4) et les relations prcdentes, on trouve les v aleurs y0(x0 );y00(x0 );y000(x0 );::: Alors on peut crire lapproximation y(x) nX i=0 y( i) (x0 ) i! (x x0 )i: (9.5) Si jx x0 jest plus grande que le rayon de convergence de la srie 1X i=0 y( i) (x0 ) i! (x x0 )i; alors lerreur de la formule (9.5) ne tendra pas vers zro quand n !1et la mthode ne sera pas applicable. Le plus souvent on procde de la faon suivante. On divise le segment [x0 ;x0 + X] en des segments lmntaires [xj 1 ; xj], j = 1;2;:::;N. On obtiendra successivement l es valeurs approches y(xj), j = 1;2;:::;N, suivant la rgle suivante. Supposons la val eur yj dj trouve, et calculons au point xj les drives y ( i) j de la solution de lquation di rentielle (9.4), passant par le point (xj;yj), i.e., yj(xj) = yj. Sur le segment [xj; xj+1 ] on a y(x) zj(x) = nX i=0 y ( i) j i! (x xj)i; (9.6) et prenons yj+1 = zj(xj+1 ): (9.7) Etudions le cas o xj+1 xj h. Si jamais la valeur de yj concidait avec la solution exacte y(xj), alors lerreur commise en prenant zj(xj+1 ) la place de yj+1 serait de lordre de O(hn+1 ). Puisque nous introduisons lerreur en O(h 1 ) sur les segments, alors on peut sattendre avoir max 1 jN jyj y( xj) j= O(hn); quand on diminue le pas h du rseau. Exemple 9.1 : Trouver les trois premiers termes de la srie de Taylor de la soluti on du problme de Cauchy y0 = y x y + x , y(0) = 1. Solution : On a

y(x) = y(0) + y0(0)x + y00(0) x2 2 : Lquation donne directement y0(0) = y(0) 0 y(0) + 0 = 1 par la suite, y00(x)jx=0 = (y0 1)(y + x) (y0 + 1)(y x) (y + x)2 ? x=0 = 2: Alors y(x) 1 + x x2 : 98 9.4 Mthode de Runge-Kutta Dans le cas particulier o n = 1, la formule (9.6) de la section prcdente prend la forme suivante : yj+1 = y(xj+1 ); = yj + y0 j:(xj+1 xj); = yj + hf(xj;yj); h = xj+1 xj; i.e., yj+1 = yj + hf(xj;yj); h = xj+1 xj: (9.8) Cette mthode sappelle mthode dEuler. Lalgorithme suivant peut tre utiliser : Donnes de x0 ;y0 y y0 ; x x0 Pour k allant de 1,n faire y y + hf(x;y) x x + kh ou x x + h n pour ecrire (x,y) On peut construire une autre classe de formules de calcul contenant la mthode dEuler. Supposons connue la valeur de y(x) et proposons nous de trouver y(x+h). Con sidrons lgalit : y(x + h) = y(x) + Z h 0 y0(x + t)dt: (9.9) En changeant lintgrale droite de cette galit en hy0(x) lerreur sera de lordre de O(h2 ), i.e., y(x + h) = y(x) + hy0(x) + O(h2 ): Puisque y0(x) = f(x;y(x)), on obtient y(x + h) = y(x) + hf(x;y(x)) + O(h2 ): En ignorant le terme O(h2 ) et en posant x = xj, x + h = xj+1 , nous obtenons le schma de calcul dEuler (9.8). Pour obtenir une formule de calcul plus exacte il faut qu e la valeur approche de lintgrale droite de (9.9) soit plus exacte. Utilisant la formule des tr apzes, nous obtenons y(x + h) = y(x) + h 2 (y0(x) + y0(x + h)) + O(h3 ); autrement dit, y(x + h) = y(x) +

h 2 (f(x;y(x)) + f(x + h;y(x + h))) + O(h3 ): (9.10) 99 La formule de calcul correspondante est yj+1 = yj + h 2 (f(xj;yj) + f(xj+1 ;yj+1 )) (9.11) La formule (9.11) sappelle formule de calcul dAdams du second ordre de prcision. Dans certain cas, quand f est linaire suivant y, cette quation peut tre rsolue par rapport yj+1 . Gnralement, cette quation ne peut pas tre rsolue par rapport yj+1 , et cest pourquoi il nous faut continuer la transformation de lalgorithme. Changeon s y(x + h) gurant droite de (9.10) en une quantit y = y(x + h) + O(h2 ): (9.12) Alors, le second terme droite de (9.10) devient h 2 (f(x + h;y) f(x + h;y(x + h))) = h 2 fy(x + h; y)(y y(x + h)); o y se trouve entre y et y(x + h). Ainsi laide de (9.12) nous obtenons la relation y(x + h) = y(x) + h 2 (f(x;y(x)) + f(x + h;y)) + O(h3 ): La condition (9.12) vri e le rsultat du calcul par la formule dEuler y = y(x) + hf(x;y(x)): Ces dernires relations d nissent une paire de schma de calcul y j+1 = yj + hf(xj;yj); yj+1 = yj + h 2 (f(xj;yj) + f(xj+1 ;y j+1 )): (9.13) Remarque 9.1 : La formule (9.13) est quivalente (9.11) et sappelle aussi formule d e calcul dAdams. Pour des valeurs trs petites de h, nous pouvons rsoudre (9.11) par la mthode ditra-ti on : yk+1 j+1 = yj + h 2 [f(xj;yj) + f(xj+1 ;yk j+1 )]: (9.14) Si y0 j+1 est calcul par la formule dEuler : y0 j+1 = yj + hf(xj;yj); alors y1 j+1 obtenue au premier pas de litration concide avec yj+1 , obtenue par la formule (9.13) : y0 j+1 = yj + hf(xj;yj); y1 j+1 = yj + h

2 [f(xj;yj) + f(xj+1 ;y0 j+1 )]: 100 Par la suite, on trouve y2 j+1 , et ainsi de suite. Construisons une autre paire de formule de calcul avec une erreur de mme ordre sur le pas. Donnons lapproximation de lintgrale droite de (9.9) par la formule des rectangles : y(x + h) = y(x) + hy0x + h 2 + O(h3 ); ou encore, ce qui revient au mme, y(x + h) = y(x) + hf x + h 2 ;yx + h 2 + O(h3 ): Si y = yx + h 2 + O(h2 ); alors comme dans le cas prcdent, on aura y(x + h) = y(x) + hf x + h 2 ;y+ O(h3 ): En qualit de y on peut prendre le rsultat obtenu par la formule dEuler avec comme pas h 2 : y = y(x) + h 2 f(x;y(x)): A ces relations correspond la paire de schma de calcul suivant : yj+ 1 2 = yj + h 2 f(xj;yj); yj+1 = yj + f xj + h 2 ;yj+ 1 2 : (9.15) Les mthodes obtenues (formule de calcul dEuler (9.8), la formule de calcul dAdams (9.11) ou (9.13) et la formule de calcul (9.15) se rapportent la famille des mtho des de Runge-Kutta. Nous entendrons par formule de calcul de Runge-Kutta, la formule (9 .15). Exemple 9.2 : Trouver par la mthode dEuler les quatre premires valeurs de la foncti

on y(x), solution du problme de Cauchy y0 = y x y + x ; y(0) = 1; en prenant pour pas h = 0:1. Solution : Nous cherchons les dites valeurs suivant la formule : yj+1 = yj + hf(xj;yj); h = xj+1 xj = 0:1 101 Puisque h = 0:1, alors xj = x0 + jh = 0:1j. Dautre part f(x;y) = y x y + x . Alors y0 = y(0) = 1; y1 = y0 + hf(x0 ;y0 ) = 1 + 0:1f(0:1) = 1:1; y2 = y1 + hf(x1 ;y1 ) = 1:1 + 0:1f(0:1;1:1) = 1:1 + 0:1 1:1 0:1 1:1 + 0:1 = 1:183; y3 = y2 + hf(x2 ;y2 ) = 1:183 + 0:1f(0:2;1:183) = 1:183 + 0:1 1:183 0:2 1:183 + 0:2 = 1:254; y4 = y3 + hf(x3 ;y3 ) = 1:254 + 0:1f(0:3;1:254) = 1:254 + 0:1 1:254 0:3 1:254 + 0:3 = 1:315: Ainsi, y(0) = 1; y(0:1) = 1:1; y(0:2) = 1:183; y(0:3) = 1:254; y(0:4) = 1:315: 9.5 Mthode des approximations successives Lune des mthodes de rsolution numrique du problme de Cauchy pour les qua-tions di rnt s est la mthode de Picard encore appele mthode des approximations successives. Soit rsoudre le problme de Cauchy suivant : y0 = f(x;y); y(x0 ) = y0 : (9.16) En intgrant les deux membres de (9.16) sur un segment dextrmit x0 et x, nous obtenon s y(x) = y(x0 ) + Z x x0 f(t;y(t))dt: (9.17) Supposons que dans un certain voisinage du point (x0 ;y0 ) la fonction f(x;y) es t continue et que ?@f @y ? K, i.e., que la drive partielle du premier ordre de f par rapport y est borne dans le dit voisinage. Alors, dans un certain voisinage du point x0 le, pro bleme de Cauchy (9.16) possde une et une seule solution. Cette solution est quivalente l a solution de lquation (9.17) (cest une quation intgrale car linconnue y se trouve sous le signe intgrale). En e et, si (x) est une solution du problme de Cauchy (9.16), i .e., 0(x) = f(x; (x)) et (x0 ) = y0 , alorsZ x x0 0(t)dt = Z x x0 f(t; (t))dt: Mais, Z x x0 0(t)dt = (x) (x0 ) = (x) y0 ; et par suite

(x) = y0 + Z x x0 f(t; (t))dt; 102 ce qui revient dire que y = (x) est une solution de (9.17). Soit maintenant y = (x) une solution de (9.17), i.e., (x) = y0 +Rx x0 f(t; (t))dt. Alors y(x0 ) = (x0 ) = y0 . En drivant membre membre lgalit (x) = y0 + Rx x0 f(t; (t))dt par rapport x, on aura 0(x) = f(x; (x)) et (x0 ) = y0 . Par consquent, y = (x) est une solution du problme de Cauchy (9.16). pour obtenir la suite des approximations du problme de Cauchy (9.16), donnons linconnue y dans (9.17) une valeur connue y0 , nous obtenons la premire approximat ion : y1 = y0 + Z x x0 f(t;y0 )dt: En remplaant dans (9.17) linconnue y par y1 , nous obtenons la deuxime approximatio n : y2 = y0 + Z x x0 f(t;y1 (t))dt: Ainsi de suite, nous obtenons la suite de fonctions fyn(x)gd nie par yn(x) = y0 + Z x x0 f(t;yn 1 (t))dt; n = 2;3;::: appele suite des approximations successives du problme de Cauchy (9.16). Ainsi y(x) yn(x) = y0 + Z x x0 f(t;yn 1 (t))dt: En thorie des quations di rentielles ordinaires, les approximations successives fyn(x )g converge vers la solution y(x) du problme de Cauchy dans un voisinage jx x0 ja du point x0 . On montre aussi que lerreur de la mthode est estime par jy(x) yn(x)j M(Kc)n Kn! ; o jf(x;y)jM; jy y0 j< b pm1; c = min a; b M : Exemple 9.3 : Donner les deux premires approximations de la solution du problme de Cauchy y0 = x + y2 , y(0) = 1. Solution : Pour cet exemple, f(x;y) = x + y2 , x0 = 0, y0 = y(0) = 1. Alors y1 (x) = = y0 + Rx x0 f(t;y0 )dt = 1 + Rx 0 (t + 1) = 1 + x + 1 2 x2 ; y2 (x) = y0 + Rx x0 f(t;y1 (t))dt = 1 + Rx 0 [t + (1 + t + t2 =2)]dt; = 1 + x + 3 2 x2 +

2 3 x3 + 1 4 x4 + 1 20 x5 : 103 9.6 Exercices Exercice 9.1 : Trouver par la mthode dEuler les valeurs de y(x) (trois), solution du problme de Cauchy y0 = 1 + x + y2 , y(0) = 1, en prenant h = 0:1. Exercice 9.2 : Trouver par la mthode dEuler quatre valeurs de y, solution du problm e de Cauchy y0 = x2 + y2 , y(0) = 0, en prenant h = 0:1. Exercice 9.3 : Trouver par la mthode dEuler quatre valeurs de y, solution du problm e de Cauchy y0 = y x + y2 , y(2) = 4, en prenant h = 0:1. Exercice 9.4 : Trouver par la mthode dEuler quatres valeurs de y, solution du prob lme de Cauchy y0 = (x + y)(1 xy) x + 2y , y(0) = 1 sur [0;1], en prenant h = 0:2. Exercice 9.5 : Rsoudre par la mthode de Runge Kutta le problme de Cauchy x2 y0 xy = 1, y(1) = 0 sur [1;2] avec h = 0:2. Exercice 9.6 : Rsoudre par la mthode de Runge Kutta le problme de Cauchy 4y0 = y2 + 4x2 , y(0) = 1 sur [0;1] avec h = 0:1. Exercice 9.7 : Rsoudre par la mthode de Runge Kutta le problme de Cauchy y0 = x y + 1 2 y, y(0) = 1 sur [0;1] avec h = 0:1. Exercice 9.8 : Calculer par la mthode dAdams y(0:5), o y(x) est la solution du problme de Cauchy y0 = x + y, y(0) = 1 en prenant h = 0:1. Exercice 9.9 : Trouver les trois premires approximations de la solution du problme de Cauchy y0 = x2 + y2 , y(0) = 0. Exercice 9.10 : Trouver la solution approche du problme de Cauchy y0 = x y, y(0) = 1, x 0. Exercice 9.11 : Ecrire un algorithme pour la mthode de Runge-Kutta dordre 2. Exercice 9.12 : Estimez la trajectoire dune plante en orbite circulaire autour dune toile, par la mthode dEuler, en utilisant di erents pas dintgration. Comparez la solution exacte. Exercice 9.13 : Ecrire un algorithme pour la mthode dAdams. Exercice 9.14 : Ecrire un algorithme pour la mthode des approximations successive s. 104 Chapitre 10 Rsolution numrique des quations aux drives partielles 10.1 D nition Considrons lquation aux drives partielles (EDP) de la forme :

A @2 u @x2 + 2B @2 u @x@y + C @2 u @y2 + F x;y;u; @2 u @x ; @2 u @y ; (10.1) o A, B et C sont des fonctions de x et y et sont de classe C2 . Si B2 AC = 0 alors lquation est de type parabolique. Si B2 AC < 0 alors lquation est de type elliptique. Si B2 AC > 0 alors lquation est de type hyperbolique. Pour rsoudre lquation (10.1), il faut connatre les conditions aux limites et aux fro n-tires et ainsi que les conditions initiales. La nature de ces conditions permet tent de d nir les types de problme suivant : 1. Problme de Dirichlet : les valeurs de u sur les frontires du domaine sont connu es. 2. Problme de Neuman : les valeurs des drives de u sur les frontires sont connues. 3. Problme mixte (Dirichlet-Neumman : les valeurs de u sont connues sur une parti e des frontires celles des drives de u sur la partie restante de la frontire. 4. Problme de Cauchy : les valeurs de u et de ses drives sont connues sur les front ires du domaine. 10.2 Quelques quations aux drives partielles 10.2.1 Equation donde Elle a la forme suivante : @2 u @t2 = a2 u + f x;y;z;t; @u @t ; (10.2) 105 o a est la vitesse de londe et f une perturbation quelconque. En dimension 1, cette quation dcrit i) les vibrations transversales dune corde : (x) @2 u @t2 + K @u @t = T @2 u @x2 + f(x;t); (10.3) o est la masse volumique, K le coe cient de dissipation, T la tension dans la corde et a = qT . ii) les vibrations longitudinale dans une barre o aqE avec E est le module dlasticit. iii) les vibrations de torsion dune barre o a = q avec = E

2(1 + ) o est le coe cient de poisson. iv) la propagation donde magntique v) la propagation donde lectrique (quation tlegraphiste). En dimension 2, elle peut dcrire les vibrations dune membrane plane. En dimension 3, elle dcrit les ondes son ores en hydrodynamique, les ondes lectromagntiques (cest le cas des cavits rsonnantes et du rayonnement des antennes). 10.2.2 Equation de poisson et de Laplace Lquation de Poisson est une quation de la forme : u = f(x;y;z): (10.4) Lorsque le second membre de cette quation est nulle, elle se ramne lquation de Laplace. Ce sont les protoypes des quations elliptiques pouvant dcrire les problmes stationnaires suivants. i) La repartition des charges lectriques sur la surface dun conducteur. ii) Lquilibre thermique dans un corps homogne. iii) Le potentiel de vitesse dans un uide non visqueux, incompressible en coulemen t irrotationnel. 10.2.3 Equation de la chaleur Sa forme gnrale est C @u @t = div(K ~gradu) + F(x;y;z;t); (10.5) o u est la temprature dun point P(x;y;z) au temps t, la masse volumique, C est la chaleur spci que, K la conductivit interne et F lapport des sources ou des puits d e chaleur. 106 Si C, et K sont des constantes alors lquation devient @u @t = au + f(x;y;z;t): (10.6) Dans le cas o @u @t = 0 on est en prsence dun problme de transfert de chaleur en rgime permanent (conduction-convection). Dans le cas o @u @t 6= 0, one est en prsence dun problme de di usion de la chaleur. 10.3 Discrtisation 10.3.1 Lquation de Poisson dans le plan Soit lquation @2 u @x2 + @2 u @y2 = f(x;y); (10.7) d nie sur un domaine D rectangulaire tel que D = f(x;y) 2R 2 ` a < x < b; c < y < dg: (10.8) Soit (S) la frontire de D. La condition suivante : u(x;y) = g(x;y) est impose sur (S). On considre que les fonctions f et g sont continues sur D. Soient h et k les pas de calcul suivant x et y, respectivement. Soient n et m des nombres entiers tels que h = b a n et k = d c m

: Un point du domaine D est d ni par les coordonnes suivantes : xi = a + ih; yj = c + jk; o i = 1;:::;n; j = 1;:::;m: (10.9) Daprs les d nitions des drives, on a @2 u @x2 = ui+1 ;j 2ui;j + ui 1 ;j h2 h 12 @4 u @x4 "ijxj; (10.10) o uij = u(xi;yj) et "ij =]xi 1 ;xi+1 [ . En crivant une quation similaire pour @2 u @y2 , lquation (10.4) devient avec une erreur de troncature O(h2 + k2 ) le systme suivant :"h k 2 + 1#uij (ui+1 ;j + ui 1 ;j) h k 2 (ui;j+1 + ui;j 1 ) = h2 fij; (10.11) o fij = f(xi;xj), i = 1;:::;n et j = 1;:::;m. 107 La discrtisation des conditions aux frontires est u0 ;j = g(x0 ;yj); j = 0;1;:::;m; un;j = g(xn;yj) et ui;0 = g(xi;y0 ); i = 0;1;:::;n; un;j = g(xi;ym): (10.12) En associant les quation (10.11) et (10.12), on obtient un systme dquations algbrique s linaires en ui;j que lon peut rsoudre par la mthode dlimination de Gauss. Remarque 10.1 : Lorsque les conditions aux limites sont de type Neuman , le schma de discrtisation doit se faire avec beaucoup de prcautions. Gnralement, il est conseill de combiner cette condition avec lquation aux drives partielles de dpart. Par exemple, si la condition de Neuman scrit @u @y jS= g(x;y), alors on utilise le schma suivant : on dveloppe u(xi;y1 ) autour du point u(xi;y0 ) cest dire que lon crit u(xi;y1 ) = u(xi;y0 ) + K @u @y (xi;y0 ) + k2 2 @2 u(xi;y0 ) @y2 (xi;y0 ) + O(k3 ): (10.13) La quantit @2 u @y2 en (xi;y0 ) peut tre remplac par son quivalent partir de lquation aux drives partielles de dpart. Par contre dans le cas de lquation de Laplace de dpart , on aura @2 u @x2 = @2 u @y2 : Il vient alors que

u(xi;y1 ) = u(xi;y0 ) + k @u @y (xi;y0 ) k2 2 @2 u @x2 (xi;y0 ); = u(xi;y0 ) + k @u @y (xi;y0 ) k2 2h2 [ui+1 ;0 2ui;0 + ui 1 ;0 ]: Finalement, la condition de Neuman donne ui;1 "1 + k h 2 #ui;0 + 1 2 k h 2 [ui+1 ;0 + ui 1 ;0 ] = kg(xi;y0 ): (10.14) On peut alors associer lquation (10.14) lquation (10.11) pour avoir le systme discrt global rsoudre. Thorme du maximum et du minimum discrt Dans le cas de lquation de Laplace, on a ui;j = k2 2(k2 + h2 ) [ui+1 ;j + ui 1 ;j] + h2 2(k2 + h2 ) [ui;j+1 + ui;j 1 ]: (10.15) 108 Il vient alors que uij est le barycentre des nombres ui+1 ;j, ui 1 ;j, ui;j+1 et ui;j 1 a ects des poids = k2 2(k2 + h2 ) , ,

= h2 2(k2 + h2 ) et

. Tous ces poids sont tous positifs. ui;j est donc compris entre la plus grande et la plus petite des quantits ui+1 ;j, ui 1 ;j, ui;j+1 et ui;j 1 . Do le thorme suivant. Thorme 10.1 : Il ny a pas de maximum et de minimum strict de u lintrieur du domaine D. Le maximum et le minimum est atteint sur les frontires de D. Remarque 10.2 : Dautres schmas de di rence nie peuvent tre tabli partir des formules de discrtisation des drives par exemple on peut d nir @2 u=@x2 par des sch-mas prsentant des erreurs O(h4 + k4 ). 10.3.2 Discrtisation de lquation de la chaleur On se limitera au cas unidimensionnel. On a @u @t = a2 @2 u @x2 ; (10.16) dans le domaine D = T L avec T = R + et L =]0;`[. Les conditions aux limites sont de la forme u(x;0) = f(x), u(`;0) et la condition initiale u(x;0) = f(x). Soit h le pas spatial et k le pas temporel et soit m un nombre entier tel que mh = `. Mthode de di rence progressive ou mthode explicite On a @u @t = ui;j+1 ui;j k et @2 u @x2 = ui+1 ;j 2ui;j + ui 1 ;j h2 : Dans le domaine D, on obtient le systme discrt suivant : ui;j+1 = 1 2a2 k h2 uij + a2 k h2 [ui+1 ;j + ui 1 ;j]; i = 1;:::;m 1; j = 1;:::;1: (10.17) Le schma (10.17) prsente une erreur de troncature dordre O(k + h2 ) . Cest un schma explicite car pour calculer ui;j+1 , il su t de remplacer les quantits contenues au second membre par leurs valeurs connues et stocker en mmoire. Les conditions initiales et aux limites se discrtisent de la manire suivante : ui;0 = f(xi); u0 ;j = 0 et um;j = 0; i = 0;1;:::;m; j = 0;1;:::;1: (10.18) La premire condition de (10.18) peut tre substituer dans (10.17) pour dterminer ui; 1 pour i = 1;:::;m 1. Les conditions u0 ;j et um;j = 0 impliquent que u0 ;1 = um;1 = 0. On a toutes les valeurs de ui;1 . En procdant de la mme manire, on obtient les valeurs de ui;2 , ui;3 jusqu ui;m 1 . Linconvnient de cette mthode est quelle est conditionnellem ent stable. Pour le dmontrer, il faut dterminer la condition de stabilit. 109 Condition de stabilit Considrons le schma des di rences nies progressive de lquation de la chaleur : ui;j+1 ui;j

k = a2 ui+1 ;j 2ui;j + ui 1 ;j h2 : (10.19) Cette mthode consiste introduire une perturbation "i;j de la solution numrique ui; j. La solution numrique devient alors u0 i;j = ui;j + "i;j: (10.20) En crivant que u0 i;j vri e le schma discrt, on obtient que la perturbation "i;j vri e aussi lquation discrte : "i;j+1 "i;j k = a2 "i+1 ;j 2"i;j + "i 1 ;j h2 : (10.21) Le schma discrt est stable si "i;j reste born ou tend vers zro au fur et mesure que le temps avance. Pour avoir la condition de stabilit, on suppose que "i;j = sin(iph)e rjk: Dans ce cas, lquation (10.20) devient e rk = 1 4ka2 h2 sin2 ph 2 : (10.22) Puisque "i;j+1 = "i;je rk, e rk est le facteur dampli cation. Le schma est donc stab le si r > 0, i.e. que le facteur dampli cation vri e lingalit e rk < 1. Dans le cas particulier analys ici, cette condition implique que j1 4ka2 h2 sin2 ph 2 j< 1; i.e., j1 4ka2 h2 j< 1: On trouve en d nitive ka2 h2 < 1 2 : (10.23) Di rence nie rgressive ou mthode implicite A n dviter le problme dinstabilit, on peut utiliser les di rences nies pour la drive temporelle, i.e. @u @t = ui;j ui;j 1 k : (10.24) 110 Lquation de la chaleur (10.16) donne le systme discrt suivant : (1 + 2)ui;j [ui+1 ;j ui 1 ;j] = ui;j 1 ; 1 i n 1; 1 j 1: (10.25) Compte tenu des conditions initiales et aux limites, on obtient un systme dquations que lon peut rsoudre par la mthode dlimination successive ou les mthodes itrative. Pour dterminer la condition de stabilit, on procde de la mme manire que prcdemment. On trouve pour ce schma implicite que le facteur dampli cation est erk = 1 1 +

4ka2 h2 sin2 ph 2 : Il est toujours infrieur 1 donc le schma est inconditionnellement stable. 10.3.3 Autres mthodes Mthode de Richardson Les mthodes prsentes jusquici ont une erreur de troncature dordre O(k) en k. Si lon veut obtenir O(k2 ) on utilise la mthode suivante : @u @t = ui;j+1 ui;j 1 2k : (10.26) Ce schma nest pas trs utilis car il est instable. Mthode de Crank-Nicolson Cette mthode fait la somme des di rences nies progressive et regressive. Aprs avoir crit la formule des di rences regressive linstant j + 1, on obtient ui;j+1 ui;j k a2 2h2 [ui+1 ;j 2ui;j + ui+1 ;j+1 2ui;j+1 + ui 1 ;j+1 ] = 0: (10.27) Cest une mthode plus prcise qui prsente une erreur de troncature dordre O(h2 + k2 ). Mthode de Dufort-Frankel Pour rsoudre le problme dinstabilit de la mthode de Richardson, la quantit ui;j est remplace par ui;j +1 + ui;j 1 2 , on obtient ui;j+1 ui;j 1 2k a2 a2 h2 [ui+1 ;j ui;j+1 ui;j 1 + ui 1 ;j] = 0: (10.28) Ce schma est inconditionnellement stable. 111 10.3.4 Discrtisation de lquation des ondes On considre le problme suivant : @2 u @t2 a2 @2 u @x2 ; (10.29) dans le domaine D = T L et soumis aux conditions suivantes :8><>: u(0;t) = u(`;t) = 0; u(x;0) = f(x); @u @t (x;0) = g(x): (10.30) Discrtisation directe La discrtisation de (10.30) par les di rences nies donne ui;j+1 = 2(1 2 )ui;j + 2 (ui+1 ;j + ui 1 ;j) ui;j 1 ; (10.31) o = ak h , i = 1;:::;m 1, j = 1;:::;1 et m = ` h car mh = `. Les conditions aux limites donnent uo;j = um;j = 0; (10.32) et la premire condition initiale ui;0 = f(xi): (10.33) La deuxime condition permet dcrire (en intgrant @u

@t (x;0) = g(x) , i.e. u(x;0) = tg(x) + constante) ui;1 = ui;0 + kg(xi): (10.34) Cependant, la condition (10.34) prsente une erreur de troncature de lordre O(k). P our avoir une erreur dordre O(k2 ) comme lquation (10.30), on procde de la manire suivante : @u @t (xi;0) = u(xi;t) u(xi;0) k k 2 @2 u @t2 (xi;0) + O(k2 ): Or @2 u @t2 (xi;0) = a2 @2 u @x2 (xi;0) = a2 @2 f @x2 = a2 fi+1 2fi + fi 1 h2 ; en utilisant ui;1 = (1 2 )fi + 2 2 (fi+1 + fi 1 ) + kgi avec i = 1;:::;m 1: (10.35) Il sagit donc de rsoudre le systme discrt form par les quations (10.31) et (10.35). La recherche des valeurs ui;j+1 ncessite la connaissance des valeurs ui;j et ui;j 1 . Au dbut, il faut connatre ui;0 et ui;1 . Les valeurs de ui;0 dcoule de (10.33) et celle de ui;1 dcoule de (10.35). On peut ainsi lancer le processus itratif pour calculer toutes les va leurs de ui;j. Il faut noter que ce schma nest stable si < 1 ) ak h < 1: 112 Dcomposition en un systme dquations du premier ordre Dans certains cas, il est avantageux de dcomposer lquation donde en 2 quations du premier ordre avant de discrtiser. Par exemple V = @u @x et W = 1 a @u @t : Lquation donde se transforme en un systme dquations de la forme suivante :8><>: @V @t = a @W @x ; @W @t

= a @V @x : Discrtisation explicite On peut utiliser la discrtisation par les di rences nies progressives dans le temps et par les di rences centres dans lespace, on obtient alors8><>: Vi;j+1 = Vi;j + ak 2h (Wi+1 ;j Wi 1 ;j); Wi;j+1 = Wi;j + ak 2h (Vi+1 ;j Vi 1 ;j); (10.36) Pour tablir la condition de stabilit, on pose8<: Vi;j = AjeIpih; Wi;j = BjeIpih; o I2 = 1. En substituant dans le systme discrt (10.3.4), on obtient8><>: Vi;j = Aj + Bj Iak jh sin pheIpih; Wi;j = Bj + Aj Iak jh sin pheIpih: Par ailleurs, Vi;j+1 = Aj+1 eIpih et Wi;j+1 = Bj+1 eIpih en comparant ces expres sions, on obtient Ai;j+1 Bi;j+1 = 1 IC IC 1 Ai;j Bi;j ; o C = ak h sin ph. La stabilit du schma exige que les valeurs propres de la matrice damplication A a des modules infrieurs 1. Dans le cas prsent A = 1 IC IC 1 ; et les modules des valeurs propres de A sont toutes suprieures 1. Donc, le schma e st inconditionnellement instable. 113 Amlioration du schma explicite A partir du schma ci-dessus, on peut trouver les Vi;j+1 de la premire quation et le s utiliser ensuite dans la deuxime quation, on obtient alors le schma discrt8><>: Vi;j+1 = Vi;j + ak 2h (Wi+1 ;j Wi 1 ;j); Wi;j+1 = Wi;j + ak

2h (Vi+1 ;j+1 Vi 1 ;j+1 ): (10.37) Pour un tel schma, la matrice dampli cation est A = 1 IC IC 1 C2 : On trouve que le schma est stable si ak h < 1. Schma implicite On discrtise es drives partielles linstant j + 1 et ls drives temporelles par les di rences progressives , on obtient alors le schma discrt suivant :8><>: Vi;j+1 = Vi;j + ak 2h (Wi+1 ;j+1 Wi 1 ;j+1 ); Wi;j+1 = Wi;j + ak 2h (Vi+1 ;j+1 Vi 1 ;j+1 ): (10.38) Les valeurs propres de la matrice dampli cation sont dans ce cas 1 1+ IC et 1 1 IC. Elles ont toute un module infrieur 1. Donc, ce schma implicite est inconditionnellement stab le. 114 10.4 Exercices Exercice 10.1 : Ecrire un schma ditration de Gauss-Seidel et de Jacobi pour rsoudre lquation de Poisson dans le plan. Exercice 10.2 : Etablir lalgorithme pour le schma explicite. Exercice 10.3 : Etablir lalgorithme pour les mthodes rgressive et de Crank-Nicolson . 115 Bibliographie [1] S. Guerre-Delabrire, M. Postel, Mthodes dapproximation : Equations di ren-tielles, Applications Scilab, niveau L3, ellipses, 2003. [2] E. Kengne, Calcul Scienti que, Universit de Dschang, 2001. [3] P. Woafo, Cours de Calcul Numrique, Universit de Yaound I, 2006. [4] N. Piskounov, Calcul di rentiel et intgrale, Tome II, 9e dition, Editions Mir 2, Pervi Rijski proulok, Moscou, I-110, GSR, URSS. [5] S. Bnazeth, M. Boniface, C. Demarquilly, V. Lasserre, M. Lemdani, I. Nicolis, Bio-mathmatiques : Analyse, Algbre, Probabilits, Statistiques, Cours+exos, Masson, Paris, 2001. [6] P. Danko, A. Popov, T. Kogevnikova, Exercices et problmes des mathmatiques suprieures, premire partie, Deuxime dition rvise et complte, Editions MIR, MOSCOU. [7] P. Faure, J. D. Astier, B. Bouchon, Analyse et Algbre, Tome 1, Nathan ; [8] R. Couty, J. Ezra, Analyse, Troisime dition, Armand Colin. [9] P. Doukhan, J. C. Sifre, Cours danalyse : Analyse relle et intgration, Dunod. [10] D. Degrave, C. Degrave, H. Muller, Prcis de mathmatiques, Analyse 1, Bral. [11] N. Noutchegueme, G. Nguetseng, F. Wamon, Exercices danalyse avec rappel de cours, Collection Aser. 116