Approximations num´ eriques
1 Des ensembles de nombres ` a la repr´ esentation machine des nombres
2 Approximation par des m´ ethodes it´ eratives
2.1 G´ en´ eralit´ es
M´ethode it´erative D´efinition
Pour approcher un nombreα∈R, on va construire une suite (un)n∈Ntelle que
n→∞lim un =α.
Une telle m´ethode d’approximation est appel´eem´ethode it´erative.
Remarques
– On ne fait en pratique qu’un nombre fini d’it´erations.
– ´Etant donn´ee une pr´ecisionε, on souhaite s’arrˆeter `a une it´erationN =N(ε) telle que
|uN−α| ≤ε.
– Cette valeurN =N(ε) d´ependra bien sˆur du choix de la m´ethode (de la suite (un)n∈N).
2.2 Un premier exemple : approximation de √ 2
La m´ethode de H´eron d’Alexandrie D´efinition de la suite
u0>0 un+1=1
2
un+ 2 un
Propri´et´es de la suite (un)n∈N – Positivit´e :∀n∈N,un >0 – Monotonie :
un+1−un =2−u2n 2un
( ≤0 siun ≥√ 2
≥0 siun ∈]0,√ 2[
– Position par rapport `a √ 2
un+1−√
2 = (un−√ 2)2
2un ≥0 ∀n≥0.
Convergence
– Quel que soitu0>0, la suite (un)n≥1 est d´ecroissante et minor´ee par√
2, donc elle converge.
– Soit`sa limite,`v´erifie
`=1 2
`+2
`
=⇒`2= 2 =⇒`=√
2 ( car` >0).
“Vitesse” de convergence
un+1−√
2 = (un−√ 2)2 2un
, ∀n≥0 avecun ≥√
2, ∀n≥1.
=⇒ |un+1−√
2| ≤ |un−√ 2|2 2√
2 ∀n≥1.
– Par r´ecurrence, on obtient :
|un−√
2| ≤2√
2 |u1−√ 2|
2√ 2
!2n−1
, ∀n≥1 – Pour avoir |un−√
2|< ε, il suffit de choisirntel que
2√
2 |u1−√ 2|
2√ 2
!2n−1
< ε
soit n−1> 1
ln 2ln ln(ε/(2√ 2)) ln(|u1−√
2|/(2√ 2))
!
, si |u1−√ 2|
2√
2 ≤1.
– Si u0= 1, u1= 3/2, pour garantirε= 10−14, il suffit de choisir n≥5 .
2.3 Un deuxi` eme exemple : calcul approch´ e de π
26 = X
k≥1
1 k
2Etude de la suite des sommes partielles D´efinition de la suite(Sn)n≥1
Sn=
n
X
k=1
1 k2 Convergence
– Pour toutk >1,k(k−1) =k2−k≤k2
=⇒ 1
k2 ≤ 1
k(k−1) = 1 k−1 −1
k – Par cons´equent,
n
X
k=2
1 k2 ≤
n
X
k=2
( 1 k−1 −1
k) = 1− 1 n
– La suite (Sn)n≥1est croissante, major´ee par 2 donc elle converge. On admet que sa limite`= π2 6 . Vitesse de convergence
`−Sn=
+∞
X
k=n+1
1 k2. Or,
1
k(k+ 1) ≤ 1
k2 ≤ 1 k(k−1)
⇓
+∞
X
k=n+1
1
k(k+ 1) ≤`−Sn≤
+∞
X
k=n+1
1 k(k−1) 1 ⇓
n+ 1 ≤`−Sn≤ 1 n.
Pour avoir 0≤`−Sn≤ε, il suffit de choisirn≥1/ε, condition quasiment n´ecessaire car sin+ 1≤1/ε alors`−Sn ≥ε.
Pour garantir une pr´ecisionε= 10−14, on prendra n≥1014 ! ! ! Modification de la suite ´etudi´ee
D´efinition de (Tn)n≥1
Tn=Sn+1 n =
n
X
k=1
1 k2. Convergence
(Tn) est clairement convergente et de mˆeme limite que (Sn)n≥1,`.
Encadrement de `−Tn
1 n+ 1− 1
n ≤ `−Sn− 1
n ≤ 1
n− 1 n
⇓
− 1
n(n+ 1) ≤ `−Tn ≤ 0.
Vitesse de convergence de la suite (Tn) On a donc
|`−Tn| ≤ 1
n(n+ 1) ≤ 1 n2.
Ainsi, pour avoir |`−Tn| ≤ε, il suffit de choisir n≥ 1
√ε.
Pour garantir ε = 10−14, on pourra donc prendre n≥107 . C’est mieux... mais la convergence est encore lente !
2.4 Ordre de convergence d’une suite
D´efinitions
Soit (xn)n∈Nune suite d’approximation deα∈R – On dit quela suite converge vers αsi lim
n→+∞|xn−α|= 0 :
∀ε >0,∃N ≥0 tel que∀n≥N,|xn−α|< ε.
– Si, de plus, il existep∈N∗et C >0 tels que
|xn+1−α| ≤C|xn−α|p (∀n≥n0), on dit quela convergence est d’ordre au moins p.
Dans le casp= 1, on doit avoir de plusC <1.
Remarques – Si lim
n→+∞
|xn+1−α|
|xn−α|p =C∈R , la convergence est d’ordre au moinsp. Elle est d’ordrepsi, de plus, C6= 0.
– p= 1 : convergencelin´eaire
|xn+1−α| ≤ C|xn−α|
=⇒ |xn−α| ≤ Cn|x0−α|
| {z }
tend vers 0 si C <1 – p= 2 : convergencequadratique
|xn+1−α| ≤ C|xn−α|2
=⇒ |xn−α| ≤ 1
C(C|x0−α|)2n
| {z }
tend vers 0 siC|x0−α|<1
3 R´ esolution d’´ equations non lin´ eaires
3.1 Pr´ esentation du probl` eme
Notion de z´ero d’une fonction D´efinition
g : I⊂R→ R (Iintervalle deR) x7→ g(x)
On dit queαest unz´erodeg sig(α) = 0.
Questions
– Existence d’un ou de plusieurs z´eros ? – D´etermination des z´eros ?
→ Calcul exact si possible (c’est rare ! !)
→ Calcul de valeurs approch´ees... par des m´ethodes it´eratives !
Principe
Soitg:I⊂R→R, admettant au moins un z´eroα∈I.
Calcul d’une valeur approch´ee de α: m´ethode it´erative Construire une suite (xn)n∈Ntelle que lim
n→+∞xn=α.
En pratique, on ne peut pas faire un nombre infini d’it´erations ! Crit`eres d’arrˆet, associ´es `a une pr´ecisionε donn´ee
1. |g(xn+1)|< ε, 2. |xn+1−xn|< ε, 3. |xn+1−xn|
|xn+1| < ε Objectif : un calcul rapide
Obtenir une pr´ecision donn´ee en un nombre minimal d’it´erations,i.e.construire des m´ethodes d’ordre le plus ´elev´e possible.
3.2 M´ ethodes de dichotomie et de fausse position
Rappel
Th´eor`eme
Soitg: [a, b]→R, une fonction continue sur [a, b].
Supposonsg(a)g(b)<0.
Alors, il existeα∈[a, b] tel queg(α) = 0.
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b
Principe de la m´ethode de dichotomie
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b m
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b m
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a b
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a b m
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a b
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a b m
– m= a+b 2 ,
– sig(m)g(a)>0 alorsα∈]m, b[ : a←m , – sig(m)g(a)<0 alorsα∈]a, m[ : b←m . Convergence de la m´ethode de dichotomie
Construction de 3 suites r´ecurrentes (an)n∈N, (bn)n∈Net (xn)n∈Nsont d´efinies par – a0=a,b0=b,
– ∀n≥0,xn= an+bn
2 ,
– si g(xn) = 0 alorsan+1=an et bn+1=bn,
sig(an)g(xn)<0 alorsan+1=an etbn+1=xn, sig(an)g(xn)>0 alorsan+1=xn etbn+1=bn. Th´eor`eme
Soitg: [a, b]→R, une fonction continue sur [a, b] (a < b).
Supposonsg(a)g(b)<0.
Alors, la suite (xn)n∈Nd´efinie par la m´ethode de dichotomie converge vers un z´eroα∈]a, b[ deg.
M´ethode de la fausse position
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b w
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b w
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b
−2 0 2 4 6
−3
−2
−1 0 1 2 3 4 5
a
b w
– w=a−g(a) b−a g(b)−g(a),
– sig(w)g(a)>0 alorsα∈]w, b[ : a←w , – sig(w)g(a)<0 alorsα∈]a, w[ : b←w . Convergence de la m´ethode de la fausse position
Construction de 3 suites r´ecurrentes (an)n∈N, (bn)n∈Net (wn)n∈Nsont d´efinies par – a0=a,b0=b,
– ∀n≥0,wn=an−g(an) bn−an
g(bn)−g(an),
– si g(wn) = 0 alorsan+1=an et bn+1=bn, sig(an)g(wn)<0 alorsan+1=an et bn+1=wn, sig(an)g(wn)>0 alorsan+1=wn etbn+1=bn. Th´eor`eme
Soitg∈C2([a, b],R), telle queg(a)g(b)<0.
Supposons queg00 est de signe constant sur [a, b].
Alors, la suite (wn)n∈Nd´efinie par la m´ethode de la fausse position converge vers l’unique z´eroα∈]a, b[
deg.
3.3 M´ ethodes de point fixe
Lien point fixe / z´ero A la base
– R´e´ecriture du probl`emeg(s) = 0 enh(s) =s
– Exemples : h(s) =s−g(s),h(s) =s−λg(s) (λ6= 0) D´efinition
αest unpoint fixedehsi h(α) =α Choix de h
Le choix dehdoit garantir :
αpoint fixe deh⇐⇒ αz´ero deg Principe des m´ethodes de point fixe
Une m´ethode de point fixeconsiste en une suite it´erative (xn)n∈Nd´efinie par (x0 donn´e,
xn+1 =h(xn),∀n∈N – sihest continue et si limxn =αalorsα=h(α) :
αest un point fixe deh.... donc un z´ero deg – `a quelles conditions la suite (xn)n∈Nest-elle convergente ?
Exemples o`u la m´ethode converge
Exemples o`u la m´ethode diverge
Vers le th´eor`eme du point fixe de Banach D´efinition
h: I⊂R → R x 7→ h(x)
On dit quehest uneapplication contractantesurI s’il existe 0≤K <1 tel que
∀x, y∈I |h(x)−h(y)| ≤K|x−y|.
Remarques
– hcontractante =⇒hcontinue.
– sihest d´erivable surI et s’il existe 0≤K <1 tel que
|h0(x)| ≤K ∀x∈I alorshest contractante (th´eor`eme des accroissements finis).
Enonc´e du th´eor`eme de point fixe de Banach
Th´eor`eme
Soith:I⊂R→R. On suppose :
– I est un intervalle ferm´e non vide deR, – h(I)⊂I(∀x∈I,h(x)∈I),
– hest contractante surI.
Alors,hadmet un unique point fixeα∈I.
D´emonstration du th´eor`eme de point fixe Unicit´e
Par l’absurde.
Existence
Construction de la suite :
(x0 donn´e,
xn+1=h(xn),∀n∈N. – (xn)n∈Nest une suite de Cauchy dansI, ferm´e deR, – elle converge vers α∈I,
– α=h(α) (hcontinue).
Convergence globale des m´ethodes de point fixe Th´eor`eme
Soith:I⊂R→R. On suppose :
– I est un intervalle ferm´e non vide deR, – h(I)⊂I(∀x∈I,h(x)∈I),
– hest contractante surI.
Alors, la suite (xn)n∈N d´efinie par xn+1 =h(xn) (x0 donn´e) converge vers l’unique point fixeα∈Ideh.
De plus,
∀n∈N, |xn+1−α| ≤K|xn−α|, avecK∈[0,1[,
ß la convergence est au moins lin´eaire.
Convergence locale des m´ethodes de point fixe Th´eor`eme
Soith:I⊂R→R. On suppose : – hest de classeC1 surI,
– hposs`ede un point fixeαsitu´e dans l’int´erieur deI – |h0(α)|<1.
Alors, il existeρ >0 tel que toute suite (xn)n∈Nd´efinie par (xn+1=h(xn)
x0∈[α−ρ, α+ρ] est convergente, de limiteα.
– Convergence globale :
hcontractante sur toutI,x0 quelconque dansI, – Convergence locale :
hcontractante au voisinage deα, x0 proche deα.
Ordre des m´ethodes de point fixe ? Convergence au moins lin´eaire
xn+1= h(xn) α= h(α)
)
=⇒xn+1−α=h(xn)−h(α) d’o`u|xn+1−α| ≤K|xn−α|
Cas particulier : h∈C2(I,R), h0(α) = 0 h(xn)
| {z }
= h(α)
| {z }
+ h0(α)(xn−α)
| {z }
+h00(ξn)(xn−α)2 2 xn+1 = α + 0 +h00(ξn)(xn−α)2
2 Par cons´equent|xn+1−α| ≤ sup|h00|
2 |xn−α|2
ßConvergence au moins quadratique sih0(α) = 0
3.4 M´ ethode de Newton
Principe de la m´ethode de Newton
– g∈C1(I,R) – x0∈I – g0(x0)6= 0
– Tangente `a la courbe au point (x0, g(x0)) :
Y −g(x0) =g0(x0)(X−x0) – Intersection avec l’axe des abscisses : x1=x0− g(x0)
g0(x0). – Si g0(x1)6= 0, on peut it´erer le processus...
Convergence de la m´ethode de Newton D´efinition de la m´ethode
x0 donn´e
xn+1=xn− g(xn) g0(xn) ß M´ethode de point fixe avech(x) =x− g(x)
g0(x). ß Si g0(α)6= 0, on a bieng(α) = 0⇐⇒h(α) =α.
Convergence et ordre On supposeg∈C2(I,R),α∈I.
h0(x) = g(x)g00(x) g0(x)2 ß h0(α) = 0
ß Convergence locale de la m´ethode + convergence quadratique Convergence de la m´ethode de Newton
Th´eor`eme
Soitg∈C2(I,R) une fonction admettant un z´eroαdans l’int´erieur de I. On suppose que g0(α)6= 0.
Alors, il existeρ >0 tel que, pour toutx0∈]α−ρ, α+ρ[, la suite de la methode de Newton
x0∈]α−ρ, α+ρ[
xn+1=xn− g(xn) g0(xn) est bien d´efinie et converge versα.
De plus, la convergence est au moins quadratique.
Attention :la convergence est locale ! ! ! Variante : la m´ethode de la s´ecante
ß Point faible de la m´ethode de Newton : n´ecessite le calcule d’une d´eriv´ee (g0(xn)) `a chaque it´eration ß Id´ee : remplacer la d´eriv´eeg0(xn) par un taux d’accroissement :
g(xn)−g(xn−1) xn−xn−1 M´ethode de la s´ecante
x0, x1donn´es
xn+1=xn−g(xn) xn−xn−1
g(xn)−g(xn−1)
Convergence de la m´ethode de la s´ecante Th´eor`eme
Soitg ∈C2(I,R) une fonction admettant un z´eroαdans l’int´erieur deI. On suppose que g0(α)6= 0.
Alors, il existeρ >0 tel que, pour toutx0, x1∈]α−ρ, α+ρ[, la suite de la methode de la s´ecante
x0, x1 donn´es
xn+1=xn−g(xn) xn−xn−1 g(xn)−g(xn−1) est bien d´efinie et converge versα.
Attention :la convergence est toujours locale ! ! ! R´esolution d’un syst`eme d’´equations non lin´eaires
Soit
G : U ⊂RN → RN
x1
... xN
7→
G1(x1, . . . , xN) ... GN(x1, . . . , xN)
L’objectif est de d´eterminer α=
α1
... αN
solution de
G(α) = 0⇐⇒
G1(α1, α2, . . . , αN) = 0, G2(α1, α2, . . . , αN) = 0,
...
GN(α1, α2, . . . , αN) = 0.
M´ethode de Newton pour un syst`eme d’´equations La m´ethode de Newton s’´ecrit dans ce cas :
X(0) = (x(0)1 , x(0)2 , . . . , x(0)N ) donn´e
X(k+1)=X(k)−(J G(X(k)))−1G(X(k)), ∀k≥0.
Remarques
– J G(X) d´esigne la matrice jacobienne de l’applicationG´evalu´ee au pointX.
– En pratique, on ne calcule pas l’inverse de la matrice jacobienne mais on r´esout le syst`eme lin´eaire : J G(X(k))Z(k)=G(X(k)),
puis on en d´eduitX(k+1)=X(k)−Z(k).
Approximations polynomiales et trigonom´ etriques
1 Motivation, exemples
Evaluation d’une fonction
– Quelles fonctions (f :R→R) sait-on calculer en tout point ?
−→les fonctions “puissance” :f(x) =xm, m∈N
−→les fonctions polynomiales :
f(x) =a0+a1x+a2x2+· · ·+amxm
– Comment calculer les valeurs d’une fonction ”quelconque” en un point ? ex :f(x) = cos(x),f(x) = exp(x),f(x) = sin(x) exp(x),...
−→approximation par une fonction polynomiale
ß Diff´erentes techniques d’approximation `a ´etudier ! ! Interpolation de Lagrange
f(x) = sin(πx
2 )(x2+ 3) Polynˆome d’interpolation de Lagrange
4 points sur la courbe : P polynˆome de degr´e≤3 tel que (−1,−4), (1,4), P(−1) =−4,P(1) =4,
(2,0), (3,−12) P(2) =0,P(3) =−12 Avec 6 points
f(x) = sin(πx
2 )(x2+ 3) Polynˆome d’interpolation de Lagrange
6 points sur la courbe : P polynˆome de degr´e≤5 tel que (xi,yi)0≤i≤5, P(xi) =yi pour 0≤i≤5
Remarque : en dehors de l’intervalle d´efini par les (xi), le polynˆome d’interpolation de Lagrange est tr`es diff´erent def.
Interpolation par morceaux f(x) = sin(πx
2 )(x2+ 3) approximation affine par morceaux idem avec plus de points
Applications : Calcul de la valeur approch´ee de – la longueur de la courbe
– de l’aire sous la courbe (ici : Z 5
−5
f(x)dx) Splines cubiques
f(x) = sin(πx
2 )(x2+ 3) sspline cubique idem avec plus de points
Principe :
– entre deux points cons´ecutifs,sest un polynˆome de degr´e≤3 – s(xi) =f(xi)
– s∈ C2
– + deux conditions aux bords Courbes de B´ezier
– P0, P1,· · · , Pn, sontn+ 1 points de contrˆole
– La courbe de B´ezier est d´efinie par le param´etrage M(t) =
n
X
i=0
Bni(t)Pi, 0≤t≤1 o`u lesBni sont les polynˆomes de Bernstein d´efinis par
Bni =CniXi(1−X)n−i, avecCni = n!
i!(n−i)!. Courbes de B´ezier : avec plus de points
Application : courbes de B´ezier par morceaux
Approximation au sens des moindres carr´es – Etude de s´eries statistiques
HX : niveau de bruit environnant (en dB), HY : temps d’ex´ecution d’une tˆache (en minutes)
X 73 78 76 63 81 70 75 81 79 84 50 76 65 58 Y 77 85 79 67 83 73 72 83 81 82 52 77 65 58
– Une mesure physique est toujours entˆach´ee d’in- certitudes. Peut-on trouver une loi liant Y et X : Y =f(X) ?
– Peut-on pr´evoir la valeur deY pourX = 66dB ?
Approximation au sens des moindres carr´es
Principe
– On chercheaet btels que
d(a, b) =X
(yi−(axi+b))2 est minimale.
– La droitey=ax+best appel´ee droite de r´egression lin´eaire.
Le polynˆomeP =aX+b est le polynˆome d’approximation du nuage de points au sens des moindres carr´es.
Approximation d’une fonction 2π-p´eriodique
– Approcherf par une fonction polynomiale n’a pas de sens.
– Approximation par des fonctions p´eriodiques ´el´ementaires : ß les polynˆomes dits ”trigonom´etriques”.
PN(t) =a0+
N
X
n=1
ancos(nt) +
N
X
n=1
bnsin(nt) – Quelle est la qualit´e de l’approximation ?
Approximation d’une fonction 2π-p´eriodique
bn = 0,∀n≥1,
a2k= 0, a2k+1 = 8
π2(2k+ 1)2,∀k≥0.
2 Interpolation de Lagrange
2.1 Etude d’un exemple
Interpolation de Lagrange avec 1 point f(x) = sin(πx
2 )(x2+ 3)
1 point sur la courbe : P0, de degr´e≤0, tel que
(x0, y0) = (1,4) P0(x0) =y0 P0= 4
Interpolation de Lagrange avec 2 points f(x) = sin(πx
2 )(x2+ 3)
2 points sur la courbe : P1, de degr´e≤1, tel que
(x0, y0) = (1,4), (x1, y1) = (−1,−4) P1(x0) =y0 et P1(x1) =y1 P1= 4X
Interpolation de Lagrange avec 3 points f(x) = sin(πx
2 )(x2+ 3)
3 points sur la courbe : P2, de degr´e≤2, tel que (x0, y0) = (1,4) P2(x0) =y0, (x1, y1) = (−1,−4) P2(x1) =y1, (x2, y2) = (3,−12) etP2(x2) =y2 Calcul du polynˆome d’interpolation de Lagrange
Id´ee
– ChercherL0, tel que degL0= 2 et
L0(x1) =L0(x2) = 0 etL0(x0) = 1.
– ChercherL1, tel que degL1= 2 et
L1(x0) =L1(x2) = 0 etL1(x1) = 1.
– ChercherL2, tel que degL0= 2 et
L2(x0) =L2(x1) = 0 etL2(x2) = 1.
– Montrer queP2=y0L0+y1L1+y2L2 est solution.
áP2=−3X2+ 4X+ 3 Calcul du polynˆome d’interpolation de Lagrange
Une autre id´ee
– P1= 4X v´erifieP1(1) = 4,P1(−1) =−4 et degP1= 1.
– Q= (X+ 1)(X−1) v´erifieQ(1) =Q(−1) = 0 et degQ= 2 (en faitQ=−L2).
– ChercherP2sous la forme
P2=P1+αQ= 4X+α(X+ 1)(X−1).
– P2(3) =−12⇐⇒α=−3 et
P2= 4X−3(X+ 1)(X−1) =−3X2+ 4X+ 3
2.2 R´ esultats th´ eoriques
Le probl`eme de l’interpolation de Lagrange Formulation du probl`eme
Etant donn´es (n+ 1) points :
(xi, yi)0≤i≤n avec (xi, yi)∈R2 pour touti, avecxi6=xj pour touti6=j.
Peut-on trouver un polynˆomeP `a coefficients r´eels tel que P(xi) =yi ∀0≤i≤n?
Degr´e de P?
nombre d’´equations :n+ 1
Þnombre d’inconnues (coefficients (ai)) inf´erieur `an+ 1 ÞdegP ≤n:P ∈Rn[X].
Th´eor`eme d’existence et unicit´e Hypoth`eses :
– (xi, yi)0≤i≤n sont (n+ 1) points donn´es deR2, – xi6=xj pour touti6=j
Alors, il existe un unique polynˆomeP ∈Rn[X] satisfaisant P(xi) =yi ∀0≤i≤n.
P est lepolynˆome d’interpolation de Lagrange aux points (xi, yi)0≤i≤n.
Siyi=f(xi) pour tout 0≤i≤n(fest une fonction donn´ee), on dit quePest lepolynˆome d’interpolation de Lagrange def aux points (xi)0≤i≤n.
D´emonstration du th´eor`eme d’existence et d’unicit´e Preuve “alg´ebrique”
– On se donne (xi)0≤i≤n∈Rn+1,n+ 1 points distincts.
– Consid´erons l’application :
Φ : Rn[X] → Rn+1
P 7→ (P(xi))0≤i≤n – Cette application est injective donc bijective, donc :
pour tout (yi)0≤i≤n∈Rn+1, il existe un uniqueP ∈Rn[X] tel que P(xi) =yi ∀0≤i≤n.
D´emonstration du th´eor`eme d’existence et d’unicit´e Preuve “constructive”
– On d´efinit les polynˆomes (Lj)0≤j≤n :
Lj =
n
Y
i=0,i6=j
X−xi xj−xi
.
– degLj=n ∀0≤j ≤net Lj(xi) =δi,j ∀i, j.
– existence :P =
n
X
j=0
yjLj est solution du probl`eme .
– unicit´e : P, Qdeux solutions, on a alors :
(P−Q)(xi) = 0∀0≤i≤n, d’o`uP−Q= 0.
Remarque
La famille (Lj)0≤j≤n est une base deRn[X], appel´ee base de Lagrange.
Qualit´e de l’approximation de f parP? Comparaison de f et P (4 points)
E(x) =f(x)−P(x) zoom autour des points
Qualit´e de l’approximation de f parP? Comparaison de f et P (6 points)
E(x) =f(x)−P(x) zoom autour des points
Que peut-on dire sur l’erreurE(x) ? Peut-elle ˆetre born´ee ?...
Th´eor`eme sur l’erreur d’interpolation Hypoth`eses :
– f : [a, b]→R,f ∈ Cn+1([a, b]),
– (xi)0≤i≤n,n+ 1 r´eels distincts de l’intervalle [a, b].
Pn : polynˆome d’interpolation de Lagrange def aux points (xi)0≤i≤n. Πn : polynˆome d´efini par Πn=
n
Y
i=0
(X−xi).
Alors, pour toutx∈[a, b], il existeξx∈[a, b] tel que f(x)−Pn(x) = 1
(n+ 1)!Πn(x)f(n+1)(ξx).
Corollaire
– Une cons´equence du th´eor`eme est :
∀x∈[a, b] |f(x)−Pn(x)| ≤ 1
(n+ 1)!Mn+1|Πn(x)|,
avec Mn+1= max
ξ∈[a,b]|f(n+1)(ξ)|.
– Cela n’implique pas la convergence simple dePn versf. – Cela n’est pas n´ecessairement int´eressant d’augmentern.
2.3 Calcul pratique du polynˆ ome
Choix de la base ?
Soit (xi, yi)0≤i≤n et Pn le polynˆome d’interpolation en ces points.
– Expression de Pn dans la base de Lagrange
Pn =
n
X
j=0
yjLj avecLj=
n
Y
i=0,i6=j
(X−xi)
n
Y
i=0,i6=j
(xj−xi) .
– Inconv´enient majeur :
si on rajoute un point (xn+1, yn+1), on repart de z´ero : ß calcul de la nouvelle base de Lagrange (deRn+1[X]), ß expression dePn+1.
Choix de la base ? – Autre base deRn[X] :
1,(X−x0),(X−x0)(X−x1),· · ·,
n−1
Y
j=0
(X−xj)
.
– Expression de Pn dans cette nouvelle base :
Pn=α0+α1(X−x0) +· · ·+αn n−1
Y
j=0
(X−xj).
– Avantage :
si on rajoute un point (xn+1, yn+1) , on a :
Pn+1=Pn+αn+1 n
Y
j=0
(X−xj) ß il suffit de calculerαn+1 pour obtenirPn+1.
Algorithme de H¨orner
Pn(x) = α0+α1(x−x0) +· · ·+αn n−1
Y
j=0
(x−xj)
= α0+ (x−x0)
α1+ (x−x1)
α2+ · · · .
Calcul de p=Pn(x)
p←αn
pourkden−1 `a 0 p←αk+ (x−xk)p fin pour
ÞN´ecessite le calcul pr´ealable desαi! Calcul des αi
– n= 0, 1 seul point (x0, y0),P0=α0:
P0(x0) =y0=⇒α0=y0
– n= 1, + (x1, y1),P1=y0+α1(X−x0) :
P1(x1) =y1=⇒α1= y1−y0 x1−x0
– n= 2, + (x2, y2),
P2=y0+ y1−y0
x1−x0
(X−x0) +α2(X−x0)(X−x1)
P2(x2) =y2=⇒α2=
y2−y1
x2−x1 − y1−y0
x1−x0 x2−x0
Formule de r´ecurrence Supposons connus :
– Pn−1, polynˆome d’interpolation aux points (xi, yi)0≤i≤n−1, Pn−1=α0+
n−1
X
j=1
αj
j−1
Y
k=0
(X−xk), (αj)0≤j≤n−1 – Qn−1, polynˆome d’interpolation aux points (xi, yi)1≤i≤n,
Qn−1=β0+
n−1
X
j=1
βj j
Y
k=1
(X−xk), (βj)0≤j≤n−1
Alors,
X−x0 xn−x0
Qn−1+ xn−X xn−x0
Pn−1=Pn et
αn =βn−1−αn−1 xn−x0
.
Les diff´erences divis´ees
x0 ∇0[x0]
x1 ∇0[x1] ∇0[x1]− ∇0[x0] x1−x0
x2 ∇0[x2] ∇0[x2]− ∇0[x1] x2−x1
∇1[x1, x2]− ∇1[x0, x1] x2−x0
... ... ... ... . ..
xn−1 ∇0[xn−1] ∇0[xn−1]− ∇0[xn−2] xn−1−xn−2
∇1[xn−2, xn−1]− ∇1[xn−3, xn−2] xn−1−xn−3
. ..
xn ∇0[xn] ∇0[xn]− ∇0[xn−1] xn−xn−1
∇1[xn−1, xn]− ∇1[xn−2, xn−1]
xn−xn−2 · · · ∇n[x0,· · · , xn] avec
∇n[x0,· · ·, xn] = ∇n−1[x1,· · · , xn]− ∇n−1[x0,· · ·, xn−1]
xn−x0 .
Les diff´erences divis´ees x0 ∇0[x0]
x1 ∇0[x1] ∇1[x0, x1]
x2 ∇0[x2] ∇1[x1, x2] ∇2[x0, x1, x2]
... ... ... ... . ..
xn−1 ∇0[xn−1] . . . . ..
xn ∇0[xn] ∇1[xn−1, xn] ∇2[xn−2, xn−1, xn] · · · ∇n[x0,· · ·, xn]
Þ Pn=∇0[x0]+∇1[x0, x1](X−x0) +∇2[x0, x1, x2](X−x0)(X−x1)
+· · ·+∇n[x0,· · ·, xn]
n−1
Y
j=0
(X−xj).
Synth`ese Th´eor`eme
Le polynˆome d’interpolation de Lagrange aux points (xi, yi)0≤i≤n s’´ecrit Pn =∇0[x0] +
n
X
j=1
∇j[x0,· · · , xj]
j−1
Y
k=0
(X−xk), o`u les∇j[ ] sont les diff´erences divis´ees d’ordrej d´efinies par r´ecurrence :
∇0[xi] =yi pour 0≤i≤n
∇j[xi,· · ·, xi+j] = ∇j−1[xi+1,· · · , xi+j]− ∇j−1[xi,· · · , xi+j−1] xi+j−xi
pour 0≤i≤n−j,1≤j≤n.
Cas o`uyi =f(xi)
Th´eor`eme Le polynˆome d’interpolation de Lagrange def aux points (xi)0≤i≤n s’´ecrit Pn =f[x0] +
n
X
j=1
f[x0,· · · , xj]
j−1
Y
k=0
(X−xk), o`u lesf[ ] sont les diff´erences divis´ees d´efinies par r´ecurrence :
f[xi] =f(xi) pour 0≤i≤n
f[xi,· · ·, xi+j] = f[xi+1,· · · , xi+j]−f[xi,· · · , xi+j−1] xi+j−xi
pour 0≤i≤n−j,1≤j≤n.
3 Interpolation de Hermite
3.1 Pr´ esentation du probl` eme
Un exemple
f(x) = sin(πx
2 )(x2+ 3) – Soit deux points : (x0, y0) = (−1,−4) (x1, y1) = (3,−12) – ChercherP tel que
P(x0) =f(x0), P(x1) =f(x1) – ChercherQtel que
Q(x0) =f(x0), Q(x1) =f(x1) Q0(x0) =f0(x0), Q0(x1) =f0(x1)
P = −4−2(X+ 1) =−6−2X Q = P+ (X+ 1)(X−3)(αX+β)
= P+ (X+ 1)(X−3)(−1)
= −X2−3 Avec deux autres points
f(x) = sin(πx
2 )(x2+ 3)
P = 0
Q = −π
2X3+π
4X2+3π 2 X Le probl`eme de l’interpolation de Hermite
G´en´eralit´es
L’interpolation de Hermite prend en compte
– les valeurs de la fonction en certains points (xi)0≤i≤k,
– les valeurs des d´eriv´ees successives de la fonction jusqu’`a l’ordreαi enxi. Formulation du probl`eme
– f, une fonction suffisamment r´eguli`ere sur [a, b], – x0, . . . , xk, (k+ 1) points distincts de [a, b], – α0, . . . , αk, (k+ 1) entiers.
Est-il possible de trouver un polynˆomeP tel que
∀0≤i≤k, P(j)(xi) =f(j)(xi),∀0≤j≤αi ?
3.2 R´ esultats th´ eoriques
Analyse de la question Degr´e de P?
– Nombre d’´equations :
k
X
i=0
(αi+ 1) =k+ 1 +
k
X
i=0
αi.
– Degr´e :n=k+
k
X
i=0
αi. D´efinition
P est lepolynˆome d’interpolation de Hermite def aux points (xi)0≤i≤k avec les ordres (αi)0≤i≤k.
Existence et unicit´e + erreur d’interpolation Th´eor`eme
Hypoth`eses :
– (xi)0≤i≤k, (k+1) points distincts de [a, b],
– (αi)0≤i≤k, (k+1) entiers, n=k+
k
X
i=0
αi
– f : [a, b]→R,f ∈ Cn+1([a, b]),
Alors, il existe un unique polynˆomePn∈Rn[X] tel que
∀0≤i≤k, Pn(j)(xi) =f(j)(xi),∀0≤j≤αi. De plus, pour toutx∈[a, b], il existeξx∈[a, b] tel que
f(x)−Pn(x) = 1
(n+ 1)!Ωn(x)f(n+1)(ξx), o`u Ωn=
k
Y
i=0
(X−xi)αi+1.
Int´ egration num´ erique
1 Motivation
Exemple : f(x) = cos(πx)√ x2+ 1
Peut-on calculerJ = Z 2
0
f(x)dx?
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
ß pas d’expression exacte deJ ß calcul d’une valeur approch´ee ?
M´ethode des rectangles `a gauche
Approximation par une fonction constante par morceaux
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
21 points 20 sous-intervalles
M´ethode des rectangles `a droite
Approximation par une fonction constante par morceaux
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
21 points 20 sous-intervalles
M´ethode des rectangles au point milieu
Approximation par une fonction constante par morceaux
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
21 points 20 sous-intervalles
M´ethode des trap`ezes
Approximation par une fonction affine par morceaux
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
21 points 20 sous-intervalles
Comparaison des diff´erentes m´ethodes (20 sous-intervalles)
RAG RAD
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
I=0.019664765868385 I=0.143271563618364
RPM Trap`ezes
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
I=0.080343177070866 I=0.081468164743374
Comparaison des diff´erentes m´ethodes (100 ss-intervalles)
RAG RAD
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
I=0.068388241234746 I=0.093109600784742
RPM Trap`ezes
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
0 0.5 1 1.5 2
−1.5
−1
−0.5 0 0.5 1 1.5 2 2.5
I=0.080704188569061 I=0.080748921009744
2 Formules de quadrature
2.1 Principe
D´efinition d’une m´ethode d’int´egration num´erique Soitf : [a, b]→R(a < b) une fonction continue
a
b x f(x)
But : calculer une valeur approch´ee de J(f) =
Z b a
f(x)dx.
Une formule d’int´egration num´erique ou formule de quadratureest une approximation de J(f) par une combinaison lin´eaire d’´evaluations de la fonctionf en des points de [a, b] donn´es.
R´eduction `a des formules ´el´ementaires de quadrature
x0
xN
x f(x)
xk
xk+1
But : calculer une valeur approch´ee de J(f) =
Z b a
f(x)dx.
Subdivision : a=x0< x1< . . . < xk< xk+1< . . . < xN =b Pas : h= maxhk o`u (hk=xk+1−xk)0≤k≤N−1
Formule de Chasles :
Z b a
f(x)dx=
N−1
X
k=0
Z xk+1 xk
f(x)dx
ß formules de quadrature sur des intervalles ´elementaires
2.2 Exemples
M´ethode des rectangles `a gauche
xk xk+1
Z xk+1 xk
f(x)dx≈(xk+1−xk)f(xk)
Z b a
f(x)dx≈
N−1
X
k=0
(xk+1−xk)f(xk)
M´ethode des rectangles `a droite
xk xk+1
Z xk+1 xk
f(x)dx≈(xk+1−xk)f(xk+1)
Z b a
f(x)dx≈
N−1
X
k=0
(xk+1−xk)f(xk+1)
M´ethode des rectangles au point milieu
xk xk+1 xk+xk+1
2
Z xk+1
xk
f(x)dx≈(xk+1−xk)fxk+xk+1 2
Z b a
f(x)dx≈
N−1
X
k=0
(xk+1−xk)fxk+xk+1
2
M´ethode des trap`ezes
xk xk+1
Z xk+1
xk
f(x)dx≈(xk+1−xk)
f(xk) +f(xk+1) 2
Z b a
f(x)dx≈
N−1
X
k=0
(xk+1−xk)
f(xk) +f(xk+1) 2
2.3 Formalisme g´ en´ eral
Changement de variables pour se ramener `a [−1,1]
De [xk, xk+1] `a [−1,1]
x= xk+xk+1
2 +xk+1−xk
2 s
dx= xk+1−xk
2 ds
Z xk+1
xk
f(x)dx= xk+1−xk 2
Z 1
−1
f
xk+xk+1
2 +xk+1−xk
2 s
ds
= xk+1−xk
2
Z 1
−1
ϕk(s)ds.
ß formule de quadrature pour Z 1
−1
ϕ(s)ds? Formule de quadrature ´el´ementaire sur [−1,1]
D´efinition
Une formule de quadrature ´el´ementaireJQE(ϕ) pour approcherJ(ϕ) = Z 1
−1
ϕ(s)dsest de la forme JQE(ϕ) =
l
X
j=0
ωjϕ(τj) avec
– l∈N,
– τj∈[−1,1] pour 0≤j≤l (l+ 1 points), –
l
X
j=0
ωj= 2.
Exemples
– Rectangles aux points milieux : l= 0,τ0= 0, ω0= 2, – Trap`ezes :l= 1, τ0=−1, τ1= 1,ω0=ω1= 1.
Formule de quadrature ´el´ementaire sur [xk, xk+1] Changement de variables
Z xk+1
xk
f(x)dx= xk+1−xk
2
Z 1
−1
f
xk+xk+1
2 +xk+1−xk
2 s
ds
Application de la formule sur [−1,1]
ϕk(s) =f
xk+xk+1
2 +xk+1−xk
2 s
ß JQE(ϕk) =
l
X
j=0
ωjf(xk+xk+1
2 +xk+1−xk
2 τj)
On d´efinit
JQE(f) = xk+1−xk 2
l
X
j=0
ωjf(xk+xk+1
2 +xk+1−xk 2 τj) ßPosonsλj= ωj
2 ,τkj=xk+xk+1
2 +xk+1−xk 2 τj
Formule de quadrature ´el´ementaire sur [xk, xk+1]
Une formule de quadrature ´el´ementaireJQE(f) pour approcherJ(f) = Z xk+1
xk
f(x)dxest de la forme
JQE(f) = (xk+1−xk)
l
X
j=0
λjf(τkj) avec
– l∈N,
– τkj∈[xk, xk+1] pour 0≤j≤l, –
l
X
j=0
λj= 1.
Conclusion : forme g´en´erale d’une formule compos´ee
On applique la formule de Chasles pour d´efinir la formule de quadrature compos´eeJhQC(f), approximation de
Z b a
f(x)dx :
JhQC(f) =
N−1
X
k=0
(xk+1−xk)
l
X
j=0
λjf(τkj) avec
– l∈N,
– τkj∈[xk, xk+1] pour 0≤j ≤l, 0≤k≤N−1, –
l
X
j=0
λj= 1.
3 Ordre et estimation d’erreur
3.1 Ordre d’une m´ ethode d’int´ egration num´ erique
D´efinition de la notion d’ordre D´efinition
Une m´ethode de quadrature estd’ordrepsi
– elle est exacte pour tt polynˆome de degr´e inf´erieur ou ´egal `a p, – elle est inexacte pour au moins un polynˆome de degr´ep+ 1.
Comment d´eterminer l’ordre d’une formule de quadrature ? On v´erifie que la formule ´el´ementaireJQE(ϕ) =
l
X
j=0
ωjϕ(τj) est
– exacte (c’est-`a-direJQE(ϕ) =J(ϕ)) pour les fonctions ϕ: x7→1,x7→x, . . . ,x7→xp, – inexactepourx7→xp+1.
(lin´earit´e de l’int´egrale et des formules de quadrature)
Exemples
Rectangles `a gauche áordre 0
JQE(ϕ) = 2ϕ(−1)
JQE(x7→1) = 2 =J(x7→1)
JQE(x7→x) =−2 6=J(x7→x)(= 0)
Rectangles `a droite á ordre 0
JQE(ϕ) = 2ϕ(1)
JQE(x7→1) = 2 =J(x7→1)
JQE(x7→x) = 2 6=J(x7→x)(= 0) Exemples
Rectangles aux points milieux áordre 1
JQE(ϕ) = 2ϕ(0)
JQE(x7→1) = 2 =J(x7→1)
JQE(x7→x) = 0 =J(x7→x)
JQE(x7→x2) = 0 6=J(x7→x2)(= 2 3) Trap`ezes áordre 1
JQE(ϕ) = ϕ(−1) +ϕ(1)
JQE(x7→1) = 2 =J(x7→1)
JQE(x7→x) = 0 =J(x7→x)
JQE(x7→x2) = 2 6=J(x7→x2)
3.2 Estimation d’erreur
Comment estimer l’efficacit´e d’une formule de quadrature ? Z b
a
f(x)dx
| {z }
≈
N−1
X
k=0
(xk+1−xk)
l
X
j=0
λjf(τkj)
| {z }
J(f) JhQC(f)
On veut que, pour toute fonction f,
– JhQC(f)→J(f) quandhtend vers 0 (N tend vers +∞),
– l’erreur Ef(h) =|JhQC(f)−J(f)|tende vers 0 “le plus rapidement possible”.
En particulier, siEf(h) =Cfhα, la formule de quadrature est d’autant plus pr´ecise queαest grand.
Comparaison de m´ethodes classiques Cas test
f(x) =xsinx, a= 0, b= π 2, I=
Z π/2 0
f(x)dx= 1.
Vitesse de convergence
Ef(h) =Cfhα – RAG :α= 1,
– RPM :α= 2, – Trap`ezes :α= 2.
Lien entre l’ordre et la vitesse de convergence Th´eor`eme (admis)
Soit
– JQE(f) une formule ´el´ementaire d’ordrep
– JhQC(f) la formule compos´ee associ´ee (´egalement d’ordrep), approximation deJ(f) = Z b
a
f(x)dx Alors, sif ∈ Cp+1([a, b]), il existe une constanteCf telle que
|JhQC(f)−J(f)|
| {z }
≤ Cfhp+1. Ef(h)
ß Une formule d’ordrepconverge commehp+1.
ß Une formule de quadrature est d’autant plus pr´ecise que son ordre est ´elev´e.
Exemples
Rectangles `a gauche f ∈ C1([a, b])
Z b a
f(x)dx−
N−1
X
k=0
(xk+1−xk)f(xk)
≤ b−a 2 max
[a,b] |f0|h.
Rectangles aux points milieux f ∈ C2([a, b])
Z b a
f(x)dx−
N−1
X
k=0
(xk+1−xk)fxk+xk+1 2
≤ b−a 24 max
[a,b] |f00|h2.