NB : venir en cours avec son ordinateur portable équipé d'un tableur (Excel ou Calc) et d'un langage de programmation interprété (Python par exemple ou bien Octave/Matlab).
Les exemples traités en TP seront issus de problèmes typiques de génie des procédés et d'énergétique.
Manipulation d'expressions algébriques [1 séance de 3 h]
- des nombres aux polynômes
- expressions de surfaces et volumes
- fonction puissance
- exponentielle et logarithme
- valeur absolue
Dérivation et tangente à une courbe [1 séance de 3 h]
- fonction linéaire
- fonction affine
- application d'un intervalle I dans un intervalle J
- approximation locale par une fonction affine
- dérivée d'une fonction en un point
- fonction dérivée
- propriétés de la dérivation
- dérivée d'une fonction composée
- dérivée d'une fonction réciproque
Intégration et calcul de surface [1 séance de 3 h] - TP avec tableur
- exemples
- construction de l'intégrale
- théorème fondamental de l'analyse
- intégration par parties
- décomposition en éléments simples
- méthode des rectangles pour le calcul approché
- méthode des trapèzes
- méthode de Simpson
Résolution numérique d'équations [1 séance de 3 h] - TP avec tableur
- premier degré
- second degré
- troisième degré
- méthodes de l'analyse mathématique : théorème des valeurs intermédiaires
- algorithme de Newton
Algorithmique et programmation [1 séance de 3 h] - TP en Python
- calculette
- variables
- boucle (pour le calcul d'intégrales)
- conditionnelle (application sur l'algorithme de dichotomie)
- programmation de la méthode de Newton
- erreurs d'arrondis
Géométrie numérique [1 séance de 3 h] - TP en Python
- graphe d'une courbe (exemple : parabole)
- ajouter un point sur une courbe
- tracer la tangente à une courbe
- déplacer le point et la tangente le long de la courbe
- dessiner deux courbes
- représenter graphiquement l'algorithme de Newton
Bases de statistiques [1 séance de 3 h] - TP en Python
- droite de régression
- méthode des moindres carrés
- covariance
- fonction d'erreur
- coefficient de corrélation
- application : ordre de convergence des méthodes d'intégration numérique
Équations différentielles linéaires [2 à 3 séances de 3 h] - TP en Python
- système dynamique
- schéma d'Euler explicite
- schéma d'Euler implicite
- schéma de Crank-Nicolson
- schéma de Heun
Système d'équations linéaires [0 à 1 séance de 3 h] - TP en Python (ou éventuellement tableur)
Partir d'un exemple simple puis faire le lien avec les matrices et enfin mettre en application dans un outil/langage adaptè.