Intro MTH401

ECOLE NATIONALE SUPERIEURE D’INGENIEURS
ENSI-UL
ANALYSE NUMERIQUE
Notes de cours
Dr Dany AYITE
Maître de Conférences
Ingénieur Génie Civil
Octobre 2018
Cours d’Analyse Numérique
1 Introduction
L’analyse numérique est une discipline à l'interface des mathématiques et de

l'informatique. Elle s’intéresse tant aux fondements qu’à la mise en pratique des
méthodes permettant de résoudre, par des calculs purement numériques, des
problèmes d’analyse mathématique. Plus formellement, l’analyse numérique est
l’étude des algorithmes permettant de résoudre numériquement par discrétisation
les problèmes de mathématiques continues (distinguées des mathématiques
discrètes). Cela signifie qu’elle s’occupe principalement de répondre de façon
numérique à des questions à variable réelle ou complexe comme l’algèbre linéaire
numérique sur les champs réels ou complexes, la recherche de solution numérique
d’équations différentielles et d’autres problèmes liés survenant dans les sciences
physiques et l’ingénierie. Branche des mathématiques appliquées, son
développement est étroitement lié à celui des outils informatiques.
Certains problèmes de mathématiques peuvent être résolus numériquement (c.-à-d.,
sur ordinateur) de façon exacte par un algorithme en un nombre fini d'opérations.
Ces algorithmes sont parfois appelés méthodes directes ou qualifiés de finis. Un
exemple est l’élimination de Gauss-Jordan pour la résolution d’un système
d’équations linéaires.
Cependant, aucune méthode directe n’est connue pour certains problèmes. Dans de
tels cas, il est parfois possible d’utiliser une méthode itérative pour tenter de
déterminer une approximation de la solution. Une telle méthode démarre depuis une
valeur devinée ou estimée grossièrement et trouve des approximations successives
qui devraient converger vers la solution sous certaines conditions. Même quand une
méthode directe existe, une méthode itérative peut être préférable car elle est
souvent plus efficace et même souvent plus stable (notamment elle permet le plus
souvent de corriger des erreurs mineures dans les calculs intermédiaires)
Par ailleurs, certains problèmes continus peuvent parfois être remplacés par un
problème discret dont la solution est connue pour approcher celle du problème
continu ; ce procédé est appelé discrétisation. Par exemple la solution d’une équation
différentielle est une fonction. Cette fonction peut être représentée de façon
approchée par une quantité finie de données, par exemple par sa valeur en un
nombre fini de points de son domaine de définition, même si ce domaine est continu.
Un algorithme, pour être utile, doit satisfaire un certain nombre de conditions. Il doit
être :
• rapide : le nombre d’opérations de calcul pour arriver au résultat escompté doit
être aussi réduit que possible ;
Dany AYITE
2
• précis : l’algorithme doit savoir contenir les effets des erreurs qui sont inhérentes à
tout calcul numérique. Ces erreurs peuvent être dues à la modélisation, à la
représentation sur ordinateur ou encore à la troncature ;
• souple : l’algorithme doit être facilement transposable à des problèmes différents.
1.1 Un exemple : le calcul de √
Sur ordinateur, l’addition de deux entiers peut se faire de façon exacte mais non le
calcul d’une racine carrée. On procède alors par approximations successives jusqu’à
converger vers la solution souhaitée. Il existe pour cela divers algorithmes. Le suivant
est connu depuis l’antiquité (mais ce n’est pas celui que les ordinateurs utilisent).
Soit x un nombre réel positif dont on cherche la racine carrée. Désignons par a0 la
première estimation de cette racine, et par ε0 l’erreur associée.
Cherchons une approximation de ε0. Nous avons
Supposons que l’erreur soit petite face à a0, ce qui permet de négliger le terme en
Remplaçons l’erreur ε0 par un ε′0, qui en est une approximation, de telle sorte que
On en déduit que
2
Le terme
1
2
Dany AYITE
3
constitue une meilleure approximation de la racine que a0, sous réserve que le
développement soit convergent. Dans ce dernier cas, rien ne nous empêche de
recommencer les calculs avec a1, puis a2, etc., jusqu’à ce que la précision de la
machine ne permette plus de distinguer le résultat final de la véritable solution. On
peut donc définir une suite, qui à partir d’une estimation initiale a0 devrait en
principe converger vers la solution recherchée. Cette suite est :
1
, >0
2
L’algorithme du calcul de la racine carrée devient donc

1. Démarrer avec une première approximation a0 >0 de √
2. A chaque itération k, calculer la nouvelle approximation
3. Calculer l’erreur associée ⁄2

!
4. Tant que l’erreur est supérieure à un seuil fixé, recommencer en 2.
Le tableau ci-dessous illustre quelques itérations de cet algorithme pour le cas où x =

4.
Nous voyons que l’algorithme converge très rapidement, et permet donc d’estimer la
racine carrée d’un nombre moyennant un nombre limité d’opérations élémentaires
(additions, soustractions, divisions, multiplications). Il reste encore à savoir si cet
algorithme converge toujours et à déterminer la rapidité de sa convergence.
L’analyse numérique est une discipline proche des mathématiques appliquées, qui a
pour objectif de répondre à ces questions de façon rigoureuse.
Dany AYITE
4
1.2 Les erreurs
Les cours traditionnels de mathématiques nous familiarisent avec des théories et des
méthodes qui permettent de résoudre de façon analytique un certain nombre de
problèmes. Bien qu’on puisse proposer plusieurs méthodes pour résoudre un
problème donné, celles-ci conduisent à un même résultat, précis et unique.
C’est ici que l’analyse numérique se distingue des autres champs plus classiques des
mathématiques. En effet, pour un problème, il est possible d’utiliser plusieurs
techniques de résolution qui résultent en différents algorithmes. Ces algorithmes
dépendent de certains paramètres qui influent sur la précision du résultat. De plus,
on utilise en cours de calcul des approximations plus ou moins précises.
Une partie importante de l’analyse numérique consiste donc à contenir les effets des
erreurs introduites, qui proviennent de trois sources principales :
- les erreurs de modélisation ;
- les erreurs de représentation sur ordinateur ;
- les erreurs de troncature ou arrondi.
Les erreurs de modélisation, comme leur nom l’indique, proviennent de l’étape de

mathématisation du phénomène physique auquel on s’intéresse. Cette étape
consiste à faire ressortir les causes les plus déterminantes du phénomène observé et
à les mettre sous forme d’équations. Si le phénomène observé est très complexe, il
faut simplifier et négliger ses composantes qui paraissent moins importantes ou qui
rendent la résolution numérique trop difficile. C’est ce que l’on appelle les erreurs de
modélisation.
La seconde catégorie d’erreur est liée à l’utilisation de l’ordinateur. En effet, la
représentation sur ordinateur (généralement binaire) des nombres introduit souvent
des erreurs. Même infimes au départ, ces erreurs peuvent s’accumuler lorsqu’on
effectue un très grand nombre d’opérations. Par exemple la fraction 1/3 n’a pas de
représentation binaire exacte, car elle ne possède pas de représentation décimale
finie. Ces erreurs se propagent au fil des calculs et peuvent compromettre la
précision des résultats.
Enfin, les erreurs de troncature proviennent principalement de l’utilisation du
développement de Taylor, qui permet par exemple de remplacer une équation
différentielle par une équation algébrique. Le développement de Taylor est le
principal outil mathématique du numéricien.
Dany AYITE
5
Soit x, un nombre et x*, une approximation de ce nombre.
L’erreur absolue est définie par :

∆ | %|
L’erreur relative est :

| %|
&'
| |
En pratique, il est difficile d’évaluer les erreurs absolue et relative, car on ne connaît
généralement pas la valeur exacte de x et on n’a que x*.
L’erreur absolue donne une mesure quantitative de l’erreur commise et l’erreur
relative en mesure l’importance. Par exemple, si on fait usage d’un chronomètre dont
la précision est de l’ordre du dixième de seconde, l’erreur absolue est bornée par
0,1s. Mais est-ce une erreur importante ? Dans le contexte d’un marathon d’une
durée de 2h 20min, l’erreur relative liée au chronomètre est très faible :
0,1(
0,0000119
2 ) 3600 20 ) 60
Et ne devrait pas avoir de conséquence sur le classement des coureurs. Par contre, s’il
s’agit d’une course de 100m d’une durée d’environ 10s, l’erreur relative est beaucoup
plus importante :
0,1(
0,01
10(
Soit 1% du temps de course. Avec une telle erreur, on ne pourra vraisemblablement
pas faire la différence entre le premier et le dernier coureur.
Cela amène à parler de précision et de chiffres significatifs au sens de la définition

suivante :
Si l’erreur absolue vérifie ∆x ≤ 0,5)10m alors le chiffre correspondant à la mième
puissance de 10 est dit significatif et tous ceux à sa gauche (correspondant aux
puissances de 10 supérieures à m) le sont aussi.
Exemple :
On obtient une approximation de π (x = π) au moyen de la quantité 22/7 (x* = 22/7 =
3,141 857 …). On en conclut que :
22
∆ /0 / 0,001 26 …
7
Dany AYITE
6
Puisque l’erreur absolue est plus petite de 0,5)10-2, le chiffre des centièmes est
significatif et on a en tout 3 chiffres significatifs (3,14).
1.3 3) Arrondissement d’un nombre approché :

L’arrondissement est un processus qui consiste à tronquer les nombres pour n’en
garder que le nombre de chiffres significatifs exacts.
*) Si le 1er chiffre à rejeter est < 5, le nombre est retenu.
**) Si le 1er chiffre à rejeter est ≥ 5, on ajoute une unité au dernier chiffre significatif
retenu
Le résultat final s’écrit sous forme :
x x % ± 2∆x
Exemple d’application : (Cet exemple nous permet de mieux comprendre les notions
ci-dessus) :
Soit x = 0,1256 donne avec une erreur de 0,5%.
1) Donner l’erreur absolue de x.
2) Déterminer le nombre de chiffres significatifs exacts de ce nombre.
3) Arrondir le résultat au dernier chiffre significatif exact.
Dany AYITE
7
1.4 Contenu du cours

Ce cours est une introduction à l’analyse numérique. Il a pour but de familiariser les
étudiants avec quelques notions simples d’analyse numérique, et de les préparer à
des cours plus avancés dans ce domaine en particulier le cours d’analyse numérique
donné en Master. Il présente différentes algorithmes ou méthodes de résolutions
numériques des problèmes.
Il aborde tour à tour :
- la recherche des racines des équations ;
- la résolution numérique des systèmes d’équations ;
- l’interpolation numérique ;
- la dérivation numérique ;
- l’intégration numérique.
Remarque : Les théorèmes et les propositions énoncés seront démontrés dans les
séances de cours et dans le cas échéant, nous renvoyons les étudiants à des ouvrages
spécialisés.
Dany AYITE
8

Intro MTH401

Transféré par

Droits d'auteur :

Formats disponibles

Intro MTH401

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Intro MTH401

Transféré par

Droits d'auteur :

Formats disponibles

ECOLE NATIONALE SUPERIEURE D’INGENIEURS

L’analyse numérique est une discipline à l'interface des mathématiques et de

1.1 Un exemple : le calcul de √

Cherchons une approximation de ε0. Nous avons

L’algorithme du calcul de la racine carrée devient donc

3. Calculer l’erreur associée ⁄2

Le tableau ci-dessous illustre quelques itérations de cet algorithme pour le cas où x =

1.2 Les erreurs

Les erreurs de modélisation, comme leur nom l’indique, proviennent de l’étape de

Soit x, un nombre et x*, une approximation de ce nombre.

L’erreur absolue est définie par :

L’erreur relative est :

Cela amène à parler de précision et de chiffres significatifs au sens de la définition

1.3 3) Arrondissement d’un nombre approché :

1.4 Contenu du cours

Vous aimerez peut-être aussi

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.