Analyse numérique
Un manuel complet sur la théorie et les applications des techniques d'approximation numérique. Il couvre les préliminaires mathématiques, l'analyse d'erreur, la résolution des équations, l'interpolation et les solutions numériques aux équations différentielles.
Aperçu du cours
📚 Résumé du contenu
Un manuel complet sur la théorie et les applications des techniques d'approximation numérique. Il couvre les préliminaires mathématiques, l'analyse des erreurs, la résolution d'équations, l'interpolation et les solutions numériques aux équations différentielles.
Maîtrisez l'art et la science des techniques modernes d'approximation numérique.
Auteur : Richard L. Burden, J. Douglas Faires
Remerciements : Soutenu par l'Université Youngstown State et par des contributeurs tels que John Carroll (Dublin City University) et divers assistants étudiants comme Mario Sracic.
🎯 Objectifs d'apprentissage
- Appliquer le théorème de la valeur intermédiaire et le théorème de Rolle pour prouver l'existence et l'unicité des solutions.
- Construire des polynômes de Taylor et utiliser leurs termes restants pour établir des bornes rigoureuses d'erreur pour les approximations numériques.
- Différencier les arithmétiques d’arrondi et de troncature, et calculer les erreurs absolues et relatives dans les systèmes à virgule flottante.
- Appliquer les méthodes de dichotomie, point fixe, Newton, sécante et position fausse pour approximer les racines.
- Analyser l'ordre de convergence et les bornes d'erreur pour diverses méthodes itératives.
- Utiliser les méthodes d'Aitken \Delta^2 et de Steffensen pour accélérer la convergence des suites linéaires.
- Énoncer et expliquer le théorème d'approximation de Weierstrass et ses implications pour l'approximation de fonctions.
- Construire des polynômes interpolants de Lagrange, de Newton à différences divisées et de Hermite pour des ensembles de données donnés.
- Appliquer la méthode de Neville pour générer itérativement des approximations polynomiales.
- Dériver et appliquer les formules d'approximation numérique de la dérivation (formule à trois points) et estimer les erreurs.
Leçons
Aperçu : Cette leçon établit le pont fondamental entre le calcul théorique et le calcul numérique pratique. Elle revoit les théorèmes essentiels du calcul utilisés pour l'estimation d'erreurs — comme le théorème de Taylor et le théorème de la moyenne — avant de passer aux contraintes de l'arithmétique informatique. Les étudiants apprendront à quantifier les erreurs, à identifier les causes de perte de précision (comme l'annulation des chiffres significatifs), et à évaluer l'efficacité des algorithmes à l'aide de la notation Big Oh.
Résultats d'apprentissage :
- Appliquer le théorème de la valeur intermédiaire et le théorème de Rolle pour prouver l'existence et l'unicité des solutions.
- Construire des polynômes de Taylor et utiliser leurs termes restants pour établir des bornes rigoureuses d'erreur pour les approximations numériques.
- Différencier les arithmétiques d’arrondi et de troncature, et calculer les erreurs absolues et relatives dans les systèmes à virgule flottante.
Aperçu : Cette leçon explore les techniques numériques pour trouver les zéros d'une fonction f(x) = 0, un problème fondamental en calcul scientifique. Elle couvre une progression de méthodes allant de la méthode de dichotomie robuste mais lente à la méthode de Newton, rapidement convergente, ainsi que ses variantes (sécante, position fausse). En outre, la leçon aborde des sujets avancés tels que l'analyse d'erreur pour la convergence itérative, les techniques pour traiter les racines multiples, et les algorithmes spécialisés pour les polynômes comme les méthodes de Müller et de Horner.
Résultats d'apprentissage :
- Appliquer les méthodes de dichotomie, point fixe, Newton, sécante et position fausse pour approximer les racines.
- Analyser l'ordre de convergence et les bornes d'erreur pour diverses méthodes itératives.
- Utiliser les méthodes d'Aitken \Delta^2 et de Steffensen pour accélérer la convergence des suites linéaires.
Aperçu : Cette leçon explore les méthodes d'approximation des fonctions continues par des polynômes algébriques. À partir de la fondation théorique du théorème d'approximation de Weierstrass, le contenu progresse vers les formes de Lagrange et de Newton de l'interpolation, la méthode itérée de Neville, et les polynômes de Hermite. La leçon se termine par l'interpolation en spline cubique et les courbes paramétriques, illustrant comment les polynômes par morceaux évitent les défauts d'oscillation des polynômes globaux de haut degré dans des applications pratiques telles que l'ajustement de courbes.
Résultats d'apprentissage :
- Énoncer et expliquer le théorème d'approximation de Weierstrass et ses implications pour l'approximation de fonctions.
- Construire des polynômes interpolants de Lagrange, de Newton à différences divisées et de Hermite pour des ensembles de données donnés.
- Appliquer la méthode de Neville pour générer itérativement des approximations polynomiales.
Aperçu : Cette leçon traite de l'approximation numérique des dérivées et des intégrales, essentielles pour résoudre des problèmes mathématiques où les solutions analytiques sont difficiles ou impossibles à obtenir. Les étudiants exploreront la dérivation haute précision via les formules à trois points et l'extrapolation de Richardson, progresseront vers les techniques d'intégration de Newton-Cotes (règle des trapèzes et règle de Simpson), puis maîtriseront des méthodes de quadrature avancées incluant Romberg, adaptative et quadrature gaussienne. La portée s'achève par le traitement numérique des intégrales doubles et des intégrales impropres.
Résultats d'apprentissage :
- Dériver et appliquer les formules numériques de dérivation (à trois points) et estimer les erreurs.
- Implémenter l'extrapolation de Richardson pour augmenter l'ordre de précision des approximations numériques.
- Appliquer les règles d'intégration numérique composées et la quadrature adaptative pour gérer des variations fonctionnelles complexes.
Aperçu : Cette leçon couvre l'approximation numérique des solutions aux problèmes de valeurs initiales (PVI). Elle commence par les fondations théoriques de la bien-poséness et de la condition de Lipschitz, puis progresse des méthodes élémentaires comme Euler aux techniques avancées comprenant Runge-Kutta, méthodes multisteps, extrapolation et analyse de stabilité. Enfin, elle aborde des scénarios spécifiques impliquant des systèmes d'équations différentielles et les défis uniques posés par les équations raides.
Résultats d'apprentissage :
- Déterminer si un PVI est bien posé à l’aide de la condition de Lipschitz et des théorèmes d’existence-unicité.
- Mettre en œuvre et analyser l’erreur des méthodes à pas unique (Euler, Taylor, Runge-Kutta) et des méthodes multisteps (Adams-Bashforth, Adams-Moulton).
- Appliquer des techniques adaptatives (Runge-Kutta-Fehlberg, pas variable) et l’extrapolation pour résoudre les EDO sous des tolérances d’erreur spécifiques.
Aperçu : Cette leçon couvre les approches algorithmiques systématiques pour résoudre les systèmes d’équations linéaires, passant de l’élimination gaussienne basique aux techniques avancées de factorisation matricielle. Les étudiants explorent des stratégies pour maintenir la stabilité numérique grâce au pivotage, analysent les propriétés algébriques des matrices (inversion, déterminants), et mettent en œuvre des factorisations spécialisées (LU, LDL^t, Cholesky et Crout) pour un calcul efficace dans les contextes ingénierie et scientifique.
Résultats d'apprentissage :
- Effectuer l’élimination gaussienne avec substitution arrière et évaluer sa complexité opérationnelle.
- Mettre en œuvre des stratégies de pivotage partiel et de pivotage partiel échelonné pour minimiser les erreurs d’arrondi.
- Calculer les inverses et déterminants matriciels à l’aide d’opérations sur les lignes et des cofacteurs.
Aperçu : Cette leçon couvre la transition des méthodes directes vers les méthodes itératives pour résoudre de grands systèmes d’équations linéaires. Elle se concentre sur la mesure des normes des vecteurs et des matrices, la détermination des critères de convergence via le rayon spectral, et la mise en œuvre d’algorithmes itératifs fondamentaux tels que Jacobi, Gauss-Seidel et le Sur-relaxation successive (SOR). En outre, elle aborde la stabilité numérique par réduction itérative, les bornes d’erreur, et la méthode très efficace du gradient conjugué améliorée par préconditionnement.
Résultats d'apprentissage :
- Calculer les normes vectorielles et matricielles (l_2 et l_\infty) et déterminer le rayon spectral d’une matrice pour évaluer la convergence.
- Mettre en œuvre et comparer les techniques itératives de Jacobi, Gauss-Seidel et SOR pour résoudre A\mathbf{x} = \mathbf{b}.
- Estimer les bornes d’erreur à l’aide des nombres de condition et appliquer la réduction itérative pour améliorer la précision des solutions approchées.
Aperçu : Cette leçon explore les méthodes d’approximation des fonctions et des jeux de données lorsque les représentations exactes sont soit indisponibles, soit impraticables à calculer. Nous nous concentrons sur la minimisation de l’erreur par la moindres carrés discrets, exploitant l’efficacité des polynômes orthogonaux et de Chebyshev, et étendons ces techniques aux approximations rationnelles et trigonométriques, aboutissant à l’algorithme performant du transformé de Fourier rapide (FFT).
Résultats d'apprentissage :
- Construire et résoudre les équations normales pour les approximations linéaires et polynomiales par moindres carrés discrets.
- Générer des bases de polynômes orthogonaux par le processus de Gram-Schmidt afin d’éviter les systèmes mal conditionnés.
- Appliquer les polynômes de Chebyshev pour minimiser l’erreur maximale d’interpolation et effectuer l’économie de polynômes.
Aperçu : Cette leçon se concentre sur les techniques numériques pour approximer les valeurs propres, en allant au-delà des racines symboliques des polynômes caractéristiques qui sont souvent coûteuses ou impossibles à trouver pour les grandes matrices. Les étudiants apprendront à localiser les valeurs propres à l’aide du théorème des cercles de Geršgorin, à appliquer des techniques itératives comme la méthode de la puissance et la méthode de la puissance inverse pour les valeurs propres dominantes et spécifiques, et à utiliser des transformations structurelles (Householder et algorithme QR) ainsi que la décomposition en valeurs singulières (SVD) pour une analyse complète des matrices.
Résultats d'apprentissage :
- Localiser les valeurs propres dans le plan complexe à l’aide du théorème des cercles de Geršgorin.
- Implémenter la méthode de la puissance et la méthode de la puissance inverse avec accélération d’Aitken pour trouver les valeurs propres dominantes et décalées.
- Réduire les matrices symétriques à forme tridiagonale à l’aide de la méthode de Householder et trouver toutes les valeurs propres via l’algorithme QR.
Aperçu : Cette leçon couvre la transition du calcul des racines à une variable vers la résolution de systèmes d’équations non linéaires, où le but principal est de trouver un vecteur \mathbf{x} tel que \mathbf{F}(\mathbf{x}) = \mathbf{0}. Nous explorons l’itération de point fixe pour plusieurs variables, la méthode de Newton basée sur le jacobien, les méthodes quasi-Newton efficaces (notamment Broyden), et des techniques robustes comme la descente du plus fort gradient et l’homotopie/continuation pour trouver des approximations initiales ou gérer les systèmes où les méthodes standards échouent.
Résultats d'apprentissage :
- Définir et appliquer l’itération de point fixe pour des fonctions de plusieurs variables et déterminer les critères de convergence à l’aide du théorème 10.6.
- Construire la matrice jacobienne d’un système non linéaire et implémenter la méthode de Newton pour atteindre une convergence quadratique.
- Exécuter la méthode de Broyden en utilisant la formule de Sherman-Morrison pour mettre à jour efficacement l’inverse du jacobien.
Aperçu : Cette leçon couvre la solution numérique des problèmes aux limites du second ordre (PBL) où les conditions sont imposées à des points différents, contrairement aux problèmes aux valeurs initiales. Les étudiants apprendront à transformer les PBL en systèmes résolvables à l’aide des méthodes de tir linéaire et non linéaire, des approximations discrètes via les méthodes aux différences finies, et des techniques variationnelles par la méthode de Rayleigh-Ritz. Ces méthodes sont essentielles pour résoudre des problèmes du monde réel en génie structural (flèche des poutres) et en physique (potentiel électrostatique).
Résultats d'apprentissage :
- Appliquer le théorème 11.1 pour déterminer l’existence et l’unicité des solutions aux problèmes aux limites.
- Transformer un PBL du second ordre en un couple de problèmes aux valeurs initiales (PVI) à l’aide de la méthode de tir linéaire.
- Mettre en œuvre la méthode de Newton pour résoudre itérativement des problèmes de tir non linéaires.
Aperçu : Cette leçon couvre l’approximation numérique des solutions aux trois principales classes d’équations aux dérivées partielles (EDP) : elliptiques, paraboliques et hyperboliques. À l’aide de la méthode des différences finies, les étudiants apprendront à discrétiser les domaines continus en grilles de maillage et à transformer les opérateurs différentiels en systèmes algébriques d’équations. Les points clés incluent la stabilité des méthodes dépendantes du temps (différence forward vs. Crank-Nicolson) et la résolution itérative des systèmes stationnaires (Poisson et Laplace).
Résultats d'apprentissage :
- Discrétiser les domaines spatiaux et temporels à l’aide de grilles aux différences finies pour divers types d’EDP.
- Appliquer les méthodes de différence forward, backward et Crank-Nicolson pour résoudre les équations de chaleur paraboliques tout en évaluant les contraintes de stabilité.
- Construire et résoudre les systèmes linéaires issus des équations elliptiques (Poisson/Laplace) et des équations d’onde hyperboliques.