Calcul Formel et Numérique
|
|
- Agnès Meloche
- il y a 6 ans
- Total affichages :
Transcription
1 Cours de calcul numérique p. 1/55 Calcul Formel et Numérique INFO-F-205 Gianluca Bontempi C. Olsen, S. Ben Taieb Département d Informatique Boulevard de Triomphe - CP 212
2 Cours de calcul numérique p. 2/55 Équations différentielles ordinaires Une équation différentielle est une équation qui contient une ou plusieurs dérivées d une fonction inconnue. Le succès des équations différentielles ordinaires dans la science est conséquent au fait que la plupart des lois scientifiques sont facilement représentables en termes de taux de changement. Exemple: soit x un capital qui est investi à un taux d intérêt constant k. Supposons vouloir connaître l évolution temporelle du capital en sachant que la croissance du capital a lieu de manière continue. L évolution du capital peut être décrite par une équation du type y(t + dt) = y(t) + ky(t)dt y (t) = ky(t) Cette modélisation est très simplifié puisque elle se base sur plusieurs assomptions: par exemple le taux d intérêt est constant dans le temps et indépendant du montant.
3 Cours de calcul numérique p. 3/55 Equation différentielle Une équation différentielle est une équation qui contient une fonction inconnue y( ), ses dérivées y, y,, y (n) et des variables indépendantes. Forme implicite: F(t, y, y,, y (n) ) = 0 Forme explicite: y (n) = f(t, y, y,, y (n 1) ) Une solution y(t) de l équation différentielle est toute fonction satisfaisant l équation différentielle. Equation différentielle ordinaire: la fonction inconnue y ne dépend que d une seule variable indépendante. Equation aux dérivées partielles: la fonction inconnue y dépend de plusieurs variables indépendantes. Ordre de l équation différentielle: le plus grand ordre des dérivées de y qui apparaissent. équations différentielles ordinaires du premier ordre, c.à.d. où la plus grand dérivée est d ordre 1, scalaires.
4 Cours de calcul numérique p. 4/55 Exemples Oscillation d un ressort avec une constante de rappel k et une masse ponctuelle m y (t) + k m y(t) = 0 Equation de propagation d une onde dans le vide: 2 x 2 y(x, t) 1 2 c 2 y(x, t) = 0 t2
5 Cours de calcul numérique p. 5/55 Modèle de Lotka-Volterra Le modèle de Lotka-Volterra décrit l interaction entre deux espèces animales (par exemple proie-prédateur) dans un écosystème. { dl/dt = al blr dr/dt = cr + dlr où L(t) et R(t) représentent la densité de lapins et renards à l instant t, respectivement a est le taux de croissance des lapins en absence de prédateurs, c est le taux de décès des renards en absence de nourriture, d est le taux de reproduction d un renard par proie capturée b est le taux de capture.
6 Cours de calcul numérique p. 6/55 Simulation Lotka-Volterra Si a = 2, b = 0.001, c = 10, d = 0.002, et L(0) = 5000, R(0) = 100, l évolution est: Rabbits Foxes 8000 population time On remarque une variation stable et cyclique de la population. Script s_lotkavolterra.m
7 Cours de calcul numérique p. 7/55 Problème aux valeurs initiales Le problème aux valeurs initiales (aussi appelé problème de Cauchy) consiste à trouver la solution y(t), t I d une équation différentielle ordinaire (EDO) y (t) = dy = f(t, y(t)) dt satisfaisant la condition initiale y(t 0 ) = y 0 où f est une fonction donnée à valeur réelle définie sur le produit {I ], [} et continue par rapport aux deux variables. Si f ne dépend pas explicitement de t, l EDO est dite autonome.
8 Cours de calcul numérique p. 8/55 La condition de Lipschitz Définition. La fonction f(t, y) satisfait la condition de Lipschitz par rapport à y si pour tout t I et pour tout y 1, y 2 f(t, y 1 ) f(t, y 2 ) L y 1 y 2 où L > 0 est appelée la constante de Lipschitz. Théorème. Condition suffisante pour que f satisfait la condition de Lipschitz est que pour tout t I la dérivée de la fonction f par rapport à y soit continue. Si la dérivée de la fonction f par rapport à y est continue, alors le théorème de Lagrange (th. des accroissements finis) nous garantit que f(t, y 1 ) f(t, y 2 ) = pour y 1 ξ y 2. Donc, si L = max satisfaite. f y (t, ξ) y 1 y 2 f y la condition de Lipschitz est
9 Cours de calcul numérique p. 9/55 Exemples TP Montrer que la fonction f(t, y) = t 2 cos 2 (y) + t sin 2 (y) définie pour t < 1 et y R, satisfait la condition de Lipschitz avec une constante L = 4. la fonction f(t, y) = y définie pour y R, ne satisfait pas la condition suffisante mais satisfait la condition de Lipschitz.
10 Cours de calcul numérique p. 10/55 Existence et unicité de la solution Théorème. Soit f(t, y) une fonction continue pour tout t I et pour tout y, qui satisfait la condition de Lipschitz. Alors, pour chaque valeur y 0, le problème aux valeurs initiales { y = f(t, y) y(t 0 ) = y 0 a une solution unique y(t) = y(t, y 0 ) C 1 pour tout t I. En plus y(t, y 1 ) y(t, y 0 ) exp L t t 0 y 1 y 0 c.-à-d. pour un petit L des petites variations de la condition initiale entrainent des petites variations de la solution.
11 Cours de calcul numérique p. 11/55 Solution analytique et numérique La solution analytique d une EDO est y(t) = y 0 + t t 0 f(τ, y(τ))dτ On ne sait intégrer qu un très petit nombre d EDO non linéaires. De plus, quand cela est possible, il n est pas toujours facile d exprimer la solution sous forme explicite. Pour cette raison nous considérons des méthodes pour la résolution numérique. Une méthode numérique ne retourne pas une fonction y(t) mais un tableau de valeurs ŷ(t) qui approchent la solution y(t) pour un ensemble de valeurs {t 0, t 1,...,t n } choisies à l avance. L ensemble des valeurs {y(t 0 ) = ŷ(t 0 ), ŷ(t 1 ),...,ŷ(t n )} représente la solution numérique du problème.
12 Cours de calcul numérique p. 12/55 Un exemple Considérons le simple exemple de EDO pour y(0) = 1. La solution analytique est connue dy dt = 2t y y(t) = 3 exp t 2t + 2 mais nous utiliserons cet exemple comme référence pour analyser la précision des différentes solutions numériques.
13 Cours de calcul numérique p. 13/55 Développement en série de Taylor Théorème. Si la fonction g(x) admet une dérivée d ordre k + 1 sur l intervalle ouvert (x 0 l, x 0 + l); il existe pour tout point x de cet intervalle un point ξ de cet intervalle tel que g(x) = g(x 0 ) + g (x 0 )(x x 0 ) + g (x 0 ) 2 En remplaçant g(x) par + 1 k! g(k) (x 0 )(x x 0 ) k + (x x 0 ) (k + 1)! g(k+1) (ξ)(x x 0 ) k+1 g(x 0 ) + g (x 0 )(x x 0 ) k! g(k) (x 0 )(x x 0 ) k nous commettons une erreur dont la valeur absolue est bornée par g (k+1) (ξ) x x 0 k+1 (k + 1)!
14 Cours de calcul numérique p. 14/55 La méthode du développement de Taylor Nous calculons la relation entre y et t en développant la séries de Taylor autour du point t = t 0. y(t) y(t 0 ) + y (t 0 )(t t 0 ) + y (t 0 ) 2! En posant t t 0 = h, nous obtenons y(t 0 + h) y(t 0 ) + y (t 0 )h + y (t 0 ) 2! (t t 0 ) 2 + y (t 0 ) (t t 0 ) 3 3! h 2 + y (t 0 ) h 3 3!
15 Cours de calcul numérique p. 15/55 La méthode de Taylor (II) Dans le cas de notre exemple y = f(t, y) = 2t y, y(0) = 1, nous avons y(t 0 ) = y(0) = 1 y (t 0 ) = 2t 0 y(t 0 ) = 2(0) ( 1) = 1 y (t 0 ) = 2 y (t 0 ) = 2 1 = 3 y (t 0 ) = y (t 0 ) = 3 et par conséquent la solution de Taylor est y(h) = h 1.5h h 3 + erreur
16 Cours de calcul numérique p. 16/55 La méthode de Taylor: exemple Script s_taylor.m Analytical Taylor
17 Cours de calcul numérique p. 17/55 Considérations sur Taylor Le calcul des dérivées n est pas toujours simple. La forme analytique de l erreur est connue mais son calcul n est pas possible. Il est difficile de déterminer le nombre de termes du développement. Méthode nécessite un ordre élevé pour de grandes valeurs de h. Méthodes itératives sont utilisées en pratique.
18 Cours de calcul numérique p. 18/55 La méthode de Euler Puisque l erreur du développement de Taylor est petite si la quantité h est petite, la méthode d Euler propose de: décomposer l intervalle d intégration I =]t 0, t 0 + T[ en N h sous-intervalles I n = [t n, t n+1 ], où t n = t 0 + nh, n = 0,...,N h et h > 0 est dit le pas de discrétisation développer une méthode itérative où à chaque étape l approximation ŷ(t n+1 ) de la vraie solution y(t n+1 ) est calculée sur la base des 2 premiers termes du développement de Taylor limité à l ordre 1 autour de ŷ(t n )
19 Cours de calcul numérique p. 19/55 La méthode de Euler progressive La n-ième étape de la méthode de Euler progressive (aussi explicite) est ŷ(t n+1 ) = ŷ(t n ) + hf(t n, ŷ(t n )) où ŷ(t 0 ) = y(t 0 ). En termes géométriques, la pente de la solution au début de l intervalle I n = [t n, t n+1 ] est utilisée pour calculer l incrément de la solution. y(t ) 1 y(t ) 1 y(t) y 0 t 0 t 1 t 2
20 Cours de calcul numérique p. 20/55 La méthode de Euler:exemple Script s_euler.m Analytical Euler h=0.05 Euler h=
21 Cours de calcul numérique p. 21/55 Analyse de la méthode de Euler L analyse d une méthode numérique de résolution d une équation différentielle concerne quatre propriétés: 1. Consistance. 2. Zéro-stabilité. 3. Convergence. 4. Stabilité absolue. On introduira et discutera les quatre notions dans le cas de la méthode de Euler.
22 Cours de calcul numérique p. 22/55 Erreur globale et locale On note e n+1 = y(t n+1 ) ŷ(t n+1 ) l erreur globale au noeud t n+1 pour n = 0, 1,.... On a e n+1 = y(t n+1 ) ŷ (t n+1 ) + ŷ (t n+1 ) ŷ(t n+1 ) où ŷ (t n+1 ) est la solution obtenue après un pas de la méthode d Euler en partant de la donnée initiale exacte y(t n ). Soit ǫ n+1 = y(t n+1 ) ŷ (t n+1 ) La quantité est dite erreur de troncature locale. τ n+1 = ǫ n+1 h
23 Cours de calcul numérique p. 23/55 Erreur globale et locale y( t n+1 ) y(t) ε n+1 * y ( t n+1 ) e n+1 y( t n ) y( t n ) y ( t n+1 ) t n t n+1
24 Cours de calcul numérique p. 24/55 Définition de consistance Soit τ(h) = max τ n+1(h) 0 n N h 1 l erreur de troncature globale. Définition (Consistance). Une méthode numérique de résolution des équations différentielles ordinaires est dite consistante si son erreur de troncature globale est un infiniment petit en h, ou O(h), c.à.d. lim τ(h) = 0 h 0 Définition (Consistance d ordre p). Une méthode numérique est dite consistante d ordre p pour un p entier positif, si t I, la relation τ(h) = O(h p ) pour h 0 est satisfaite.
25 Cours de calcul numérique p. 25/55 Ordre de convergence h h 2 h 3 error h log(error) 10 h 4 h h 2 h h 4 h h log(h) La convergence est autant plus rapide que l ordre p est grand.
26 Cours de calcul numérique p. 26/55 Preuve de consistance méthode de Euler Puisque pour la méthode de Euler progressive ŷ (t n+1 ) = y(t n ) + hf(t n, y(t n )) et y(t n+1 ) = y(t n ) + hf(t n, y(t n )) + y (ξ)h 2 /2 pour ξ [t n, t n+1 ], l erreur de troncature locale de la méthode de Euler progressive est τ n+1 = y(t n+1) ŷ (t n+1 ) h = y (ξ)h/2 Ceci implique, si la dérivée de f est continue et bornée, lim τ(h) = 0 h 0 c.à.d. la méthode de Euler progressive est consistante et d ordre 1.
27 Cours de calcul numérique p. 27/55 Zéro-stabilité Une méthode numérique est zéro-stable si elle est peu sensible à des petites perturbations des données. On demande la stabilité d une méthode numérique pour contrôler les inévitables erreurs introduites par l arithmétique finie des ordinateurs. On l appelle zéro-stabilité parce que cette propriété concerne le comportement de la méthode numérique dans le cas limite h 0, à la différence de la stabilité absolue qui concerne le comportement pour t n.
28 Cours de calcul numérique p. 28/55 Zéro-stabilité de la méthode de Euler Dans le cas spécifique de la méthode de Euler, considérons les deux solutions ŷ 1 et ŷ 2 telles que {ŷ1 (t n+1 ) = ŷ 1 (t n ) + hf(t n, ŷ 1 (t n )) ŷ 1 (t 0 ) = y 0 et {ŷ2 (t n+1 ) = ŷ 2 (t n ) + h [f(t n, ŷ 2 (t n )) + δ(t n+1 )] ŷ 2 (t 0 ) = y 0 + δ(t 0 ) Si pour toute perturbation δ(t k ) ǫ, 0 k N h, et h < h 0 il existe un C > 0 indépendant de ǫ tel que alors la méthode est zéro-stable. ŷ 1 (t) ŷ 2 (t) < Cǫ
29 Cours de calcul numérique p. 29/55 Zéro-stabilité des méthodes à un pas Théorème. Considérons une méthode générique explicite et à un pas ŷ(t n+1 ) = ŷ(t n ) + hφ(t n, ŷ(t n )) Si la fonction d incrément Φ est lipschitzienne par rapport à sa seconde variable, avec une constante de Lipschitz indépendante de h et des noeuds t j [t 0, t 0 + T] alors la méthode est zéro-stable. Par conséquent, la méthode d Euler est zéro-stable pour une f lipschitzienne.
30 Cours de calcul numérique p. 30/55 Convergence Définition (Convergence). Une méthode est dite convergente si n = 0,...,N h y(t n ) ŷ(t n ) C(h) où C(h) est un infiniment petit en h. Si K > 0 tel que C(h) = Kh p la méthode est dite convergente avec un ordre p.
31 Visualisation de la convergence Traçons un graphe de l erreur e en fonction de h en échelle logarithmique log(e) log(h) Ceci signifie que le graphe porte en abscisse les valeurs de log(h) et en ordonnées les valeurs de log(e). Si e Ch p alors log(e) = log(c) + p log(h) Donc la pente de la droite log(e) en représentation logarithmique correspond à p. Cours de calcul numérique p. 31/55
32 Cours de calcul numérique p. 32/55 Estimation de la convergence Soient e i les erreurs pour certaines valeurs h i, i = 1,...,H. Nous formulons l hypothèse que e i Ch p i pour C indépendant de i. e i = Ch p i, e i 1 = Ch p i 1 e i e i 1 = ( hi h i 1 log ) p ( ei e i 1 ) = p log ( hi h i 1 ) Il s ensuit que p peut être estimé par la moyenne des valeurs p i = ( log ) e i e i 1 log ( hi h i 1 ) i = 2,...,H
33 Cours de calcul numérique p. 33/55 Preuve de convergence méthode d Euler Puisque y (t) = f (t, y(t)) y(t n+1 ) = y(t n ) + hf(t n, y(t n )) + h2 2 f (ξ n, y(ξ n )) et ŷ(t n+1 ) = ŷ(t n ) + hf(t n, ŷ(t n )) alors y(t n+1 ) ŷ(t n+1 ) = y(t n ) ŷ(t n ) + h (f(t n, y(t n )) f(t n, ŷ(t n ))) + h2 2 f (ξ n, y(ξ n ))
34 Cours de calcul numérique p. 34/55 Preuve convergence méthode d Euler (II) En posant e n = y(t n ) ŷ(t n ), il ensuit de la condition de Lipschitz que f(t, y) f(t, ŷ) L y ŷ e n+1 e n + hl y(t n ) ŷ(t n ) + h2 2 f (ξ n, y(ξ n )) Si nous supposons que f est continue et bornée et définissons M 2 = max t 0 t t 0 +T y (t) = max f (t) t 0 t t 0 +T il ensuit que e n+1 e n (1 + }{{} hl ) + h2 2 M 2 δ }{{} µ
35 Cours de calcul numérique p. 35/55 Preuve convergence méthode d Euler (III) On peut montrer le théorème suivante: Théorème. Soit d n une suite de réels positifs telle que Si δ > 0 et µ > 0, alors pour tout n 0 d n+1 d n (1 + δ) + µ n = 0, 1,... d n exp nδ d 0 + µ expnδ 1 δ Grâce au théorème, en posant δ = hl et µ = h 2 M 2 /2, on obtient puisque e 0 = 0. e n exp nhl e 0 + hm 2 exp nhl 1 2L = expl(t n t 0 ) 1 L M 2 2 h
36 Cours de calcul numérique p. 36/55 Preuve convergence méthode d Euler (IV) Étant donné t n t 0 T on obtient max y(t n ) ŷ(t n ) explt 1 0 n N h L M 2 2 h L erreur de la méthode d Euler est bornée par une constante fois h. L erreur est alors infiniment petite en h. En plus, puisque l erreur de troncature locale τ(h) (M 2 /2)h, on déduit que l erreur globale tend vers zéro avec le même ordre que l erreur de troncature locale. Donc, faut-il toujours prendre le plus petit h?
37 Cours de calcul numérique p. 37/55 Erreur d arrondi et méthode d Euler Jusqu ici, nous avons fait l hypothèse que tous les calculs sont en arithmétique exacte. En réalité, pour chaque étape de la méthode d Euler ŷ(t n+1 ) = ŷ(t n ) + h(f(t n, ŷ(t n )) + ǫ n ) + ρ n En supposant ǫ n ǫ et ρ n ρ, pour tout n et h h 0, on obtient que max y(t n ) ŷ(t n ) explt 1 0 n N h L ( M2 2 h + ǫ + ρ h Les erreurs d arrondi sont autant plus importantes que le pas de discrétisation est petit. La présence d erreurs d arrondi ne permet pas de conclure que l erreur tend vers zéro quand h 0. )
38 Cours de calcul numérique p. 38/55 Arrondi et Euler: exemple Il existe une valeur optimale (non nulle) h opt de h qui minimise l erreur: pour h < h opt, l erreur d arrondi domine l erreur de troncature et l erreur globale augmente. Script s_euler_arr.m: nous considérons un pas de discrétisation décroissant, de h = 0.1 à h = pour une base b = 10 et 2 chiffres significatifs. On remarque une amélioration suivie d une dégradation de la solution y(t) t
39 Cours de calcul numérique p. 39/55 Stabilité absolue Jusqu ici nous avons considéré un intervalle d intégration I fixé et borné supérieurement. La notion de stabilité absolue concerne les propriétés de la méthode numérique pour t n. L analyse de stabilité absolue sera faite pour un problème de Cauchy linéaire (aussi appelé problème test) { y (t) = λy(t) y(0) = 1 pour λ R, λ < 0, où la solution analytique est et lim t y(t) = 0. y(t) = exp λt
40 Cours de calcul numérique p. 40/55 Méthode absolument stable Définition. Une méthode numérique pour l approximation du problème test est absolument stable si lim ŷ(t n) = 0 t n Définition (Région de stabilité absolue). La région de stabilité absolue de la méthode numérique pour l approximation du problème test y = λy est le sous-ensemble A = {z = hλ R : lim t n ŷ(t n) = 0}
41 Cours de calcul numérique p. 41/55 Stabilité absolue et Euler progressive La méthode d Euler progressive appliquée au problème test (f(t, y) = λy) donne le schéma itératif ŷ(t n+1 ) = ŷ(t n ) + hf(t n, ŷ(t n )) = ŷ(t n ) + hλŷ(t n ) = (1 + hλ)ŷ(t n ) avec y(t 0 ) = ŷ(t 0 ) = 1. En procédant par récurrence sur n on a ŷ(t n ) = (1 + hλ) n Alors la méthode est absolument stable si et seulement si 1 + hλ < 1, ce qui revient à 0 < h < 2 λ où λ < 0 Autrement, la méthode d Euler progressive est instable.
42 Cours de calcul numérique p. 42/55 Stabilité abs. et Euler progressive Considérons la méthode d Euler progressive appliquée au problème de Cauchy y (t) = 5y(t), y(0) = 1, pour h = 0.31 et h = h=0.31, h*lambda= h=0.41, h*lambda= time time Script s_eul_stababs.m.
43 Cours de calcul numérique p. 43/55 Méthodes à un pas et explicites La méthode d Euler progressive est une méthode à un pas et explicite. Définition. Une méthode numérique pour la résolution d une EDO est dite à un pas si n 0, ŷ n+1 ne dépend que de ŷ n. Autrement le schéma est une méthode multi-pas (où à pas multiples). Définition. Une méthode numérique pour la résolution d une EDO est dite explicite si la valeur ŷ n+1 peut être calculée directement à l aide des valeurs précédentes ŷ k, k n (ou une partie d entre elles). Une méthode est dite implicite si ŷ n+1 n est définie que par une relation implicite faisant intervenir la fonction f.
44 Cours de calcul numérique p. 44/55 Autres méthodes à un pas Méthode d Euler rétrograde ŷ(t n+1 ) = ŷ(t n ) + hf(t n+1, ŷ(t n+1 )) Cette méthode est implicite, d ordre 1 et demande la résolution d une équation non linéaire. En retour, la méthode est absolument stable pour tout h ŷ(t n+1 ) = ŷ(t n ) + hf(t n, ŷ(t n+1 )) = ŷ(t n ) + hλŷ(t n+1 ) ŷ(t n+1 ) = 1 1 hλŷ(t n) ŷ(t n+1 ) = 1 (1 hλ) n Méthode d Euler modifiée où du trapèze ŷ(t n+1 ) = ŷ(t n ) + h 2 [f(t n, ŷ(t n )) + f(t n+1, ŷ(t n+1 ))] Cette méthode est implicite et d ordre 2. Elle est aussi absolument stable pour tout h.
45 Cours de calcul numérique p. 45/55 Méthodes prédicteur-correcteur La méthode vise à combiner la stabilité de la méthodes implicite et la rapidité computationnelle de la méthode explicite. Deux étapes: ŷ(t n+1 ) = ŷ(t n ) + hf(t n+1, ŷ n + hf(t n, ŷ n )) 1. Prédiction (par Euler explicite): ŷ p (t n+1 ) = ŷ(t n ) + hf(t n, ŷ n ) 2. Correction (par Euler implicite): ŷ(t n+1 ) = ŷ(t n ) + hf(t n+1, ŷ p (t n+1 )) Un autre exemple de méthode prédicteur-correcteur est la méthode de Heun où ŷ(t n+1 ) = ŷ(t n ) + h/2 [f(t n, ŷ n ) + f(t n+1, ŷ n + hf(t n, ŷ n ))] Dans ce cas la prediction est effectué par la méthode d Euler progressive et la correction par la méthode du trapèze.
46 Cours de calcul numérique p. 46/55 Euler prédicteur-correcteur: exemple Analytical Euler h=0.1 Euler pred/corr h=
47 Cours de calcul numérique p. 47/55 Méthodes de Runge Kutta Les méthodes de Runge Kutta (RK) sont des méthodes à un pas qui augmentent leur précision en augmentant le nombre d évaluations de la fonction f à chaque pas de temps. Ils existent versions explicites et implicites de la méthode. La méthode classique pour construire une méthode RK explicite d ordre s consiste à faire en sorte que les termes jusqu à l ordre s du développement de Taylor de la solution exacte y(t n+1 ) coïncident avec ceux de la solution approchée ŷ(t n+1 ) (en supposant que on parte de la solution exacte y(t n )). La méthode RK d ordre 1 est la méthode d Euler.
48 Cours de calcul numérique p. 48/55 Méthode de RK explicite d ordre 2 La forme itérative de la méthode est ŷ(t n+1 ) = ŷ(t n ) + h(b 1 K 1 + b 2 K 2 ) K 1 = f(t n, ŷ(t n )) K 2 = f(t n + hc 2, ŷ(t n ) + hc 2 K 1 ) où les coefficients doivent vérifier b 1 + b 2 = 1 c 2 b 2 = 1/2 Il s ensuit que on peut choisir de façon arbitraire un des coefficients. Notons que la méthode RK2 est consistante et convergente d ordre p = 2
49 Cours de calcul numérique p. 49/55 Interprétation de la méthode RK2 explicite Soit b 1 = 0, b 2 = 1, c 2 = 1/2. La méthode devient ŷ(t n+1 ) = ŷ(t n ) + h(k 2 ) K 2 = f(t n + h/2, ŷ(t n ) + h/2f(t n, ŷ(t n ))) Ceci corresponde à calculer d abord l évolution suite à un demi-pas d intégration ŷ(t n+1/2 ) = ŷ(t n ) + h/2f(t n, ŷ(t n )) et la dérivée au milieu d un pas d intégration f(t n + h/2, ŷ(t n ) + h/2f(t n, ŷ(t n ))) Cette dérivée est utilisée à la place de la dérivée en t n.
50 Cours de calcul numérique p. 50/55 Runge Kutta d ordre 2:exemple Script s_rk2.m Analytical Euler h=0.1 RK2 h= y(t) t
51 Runge Kutta d ordre 4 K 1 = f(t n, ŷ(t n )) K 2 = f(t n h, ŷ(t n) K 1) K 3 = f(t n h, ŷ(t n) K 2) K 4 = f(t n + h, ŷ(t n ) + K 3 ) ŷ(t n+1 ) = ŷ(t n ) + h 6 (K 1 + 2K 2 + 2K 3 + K 4 ) Notons que la pente est obtenue par une moyenne pondérée de pentes : K 1 est la pente au début de l intervalle ; K 2 est la pente au milieu de l intervalle, en utilisant la pente K 1 ; K 3 est la pente au milieu de l intervalle en utilisant la pente K 2 ; K 4 est la pente à la fin de l intervalle, en utilisant K 3. Dans la moyenne des quatre pentes, un poids plus grand est donné aux pentes au point milieu. La méthode est consistante et convergente d ordre 4. Cours de calcul numérique p. 51/55
52 Cours de calcul numérique p. 52/55 Stabilité absolue des méthodes RK Dans le case d une méthode RK explicite d ordre s = 2, la méthode est absolument stable ssi R(hλ) < 1 où R(hλ) = 1 + hλ (hλ)2
53 Cours de calcul numérique p. 53/55 Stabilité absolue pour RK2 En posant b 1 = b 2 = 0.5, c 2 = 1, puisque ŷ n+1 = ŷ n + h 2 (K 1 + K 2 ) K 1 = f n = λŷ n K 2 = f(t n + h, ŷ n + hk 1 ) = λ(ŷ n + hλŷ n ) on obtient ŷ n+1 = ŷ n + (hλ h2 λ 2 )ŷ n Par récurrence sur n on retrouve la condition de stabilité absolue 1 + hλ (hλ)2 < 1
54 Cours de calcul numérique p. 54/55 Stabilité absolue pour RK2 Considérons la méthode RK2 appliquée au problème de Cauchy y (t) = 5y(t), y(0) = 1, 1 Runge Kutta 2nd order:h =0.3 R(h λ) = y(t) Script s_rk2_stab.m t
55 Cours de calcul numérique p. 55/55 Stabilité absolue pour RK2 3 Runge Kutta 2nd order:h =0.5 R(h λ) = y(t) t
Licence à distance Chapitre V : Equations différentielles. Méthodes numériques à un pas.
Licence à distance Chapitre V : Equations différentielles. Méthodes numériques à un pas. M. Granger Table des matières 1 Rappels sur le cours d équations différentielles 2 1.1 Généralités..........................................
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailMéthodes numériques et éléments de programmation
Travaux Pratiques du cours Méthodes numériques et éléments de programmation Guy Munhoven Année académique 2014-2015 Version 1.0.2 (16/09/2012) Chapitre 1 Calcul des intérêts d un prêt. Tableau d amortissement.
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailCorrection de l épreuve CCP 2001 PSI Maths 2 PREMIÈRE PARTIE ) (
Correction de l épreuve CCP PSI Mths PREMIÈRE PARTIE I- Soit t u voisinge de, t Alors ϕt t s = ϕt ρt s ρs Pr hypothèse, l fonction ϕt ϕt est lorsque t, il en est donc de même de ρt s ρt s ρs cr ρ s est
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailPartie 1 - Séquence 3 Original d une fonction
Partie - Séquence 3 Original d une fonction Lycée Victor Hugo - Besançon - STS 2 I. Généralités I. Généralités Définition Si F(p) = L [f(t)u (t)](p), alors on dit que f est l original de F. On note f(t)
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailCorps des nombres complexes, J Paul Tsasa
Corps des nombres complexes, J Paul Tsasa One Pager Février 2013 Vol. 5 Num. 011 Copyright Laréq 2013 http://www.lareq.com Corps des Nombres Complexes Définitions, Règles de Calcul et Théorèmes «Les idiots
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailCondition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½
Condition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½ Patrick Ciarlet et Vivette Girault ciarlet@ensta.fr & girault@ann.jussieu.fr ENSTA & Laboratoire Jacques-Louis Lions, Paris 6 Condition
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailAnalyse Numérique : SMA-SMI S4 Cours, exercices et examens
Analyse Numérique : SMA-SMI S4 Cours, exercices et examens Boutayeb A, Derouich M, Lamlili M et Boutayeb W. Table des matières Résolution numérique de systèmes linéaires AX = B 5. Méthodes directes de
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailIntroduction. aux équations différentielles. et aux dérivées partielles
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
Plus en détailAutomatique (AU3): Précision. Département GEII, IUT de Brest contact: vincent.choqueuse@univ-brest.fr
Automatique (AU3): Précision des systèmes bouclés Département GEII, IUT de Brest contact: vincent.choqueuse@univ-brest.fr Plan de la présentation Introduction 2 Écart statique Définition Expression Entrée
Plus en détailCONCOURS COMMUN 2010 PHYSIQUE
CONCOUS COMMUN SUJET A DES ÉCOLES DES MINES D ALBI, ALÈS, DOUAI, NANTES Épreuve de Physique-Chimie (toutes filières) Corrigé Barème total points : Physique points - Chimie 68 points PHYSIQUE Partie A :
Plus en détailCONTRÔLE ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES. par. Jean-Pierre Puel
CONTRÔLE ET ÉQUATIONS AUX DÉRIVÉES PARTIELLES par Jean-Pierre Puel 1. Introduction Pourquoi équations aux dérivées partielles et pourquoi contrôle? Les équations aux dérivées partielles, associées à certaines
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailCaractéristiques des ondes
Caractéristiques des ondes Chapitre Activités 1 Ondes progressives à une dimension (p 38) A Analyse qualitative d une onde b Fin de la Début de la 1 L onde est progressive puisque la perturbation se déplace
Plus en détailChapitre 1 Cinématique du point matériel
Chapitre 1 Cinématique du point matériel 7 1.1. Introduction 1.1.1. Domaine d étude Le programme de mécanique de math sup se limite à l étude de la mécanique classique. Sont exclus : la relativité et la
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détail