Professional Documents
Culture Documents
Pr Oumar Traore
1
6 janvier 2012
1. Attention aux coquilles
2
Chapitre 1
Rsolution Numrique
dEquations non linaires
1
1.1 Introduction
Ltude des problme mecaniques, conomiques ou physique conduit en gnral
la rsolution dquation ou de systme dquations.
Lorsque les quations sont linaires la mthode de rsolution est aise. En eet une
quation de la forme 0 = ax +b o a = 0 se rsoud en tirant x = a
1
b.
Dans les cas non linaires la question peut tre dicile. En eet, si pour une quation
coecients rels de la forme ax
2
+ bx + c = 0 la rsolution se ramne calculer
= b
2
4ac et suivant sa positivit crire que x = (2a)
1
_
b +
_
ou x =
(2a)
1
_
b
_
, dans le cas ou le degr de lquation est suprieur 4 on na pas de
formule explicite. Dautre part les thormes dexistence ne donnent pas une formule
littrale permettant de calculer les racines de ces types dquations. On a donc besoin
dexplorer les techniques permettant de les retrouver numriquement.
Nous allons dans ce qui suit donner les mthodes de rsolution itratives des quations
non linaires.
Lapplication des mthodes itratives ncessite des pralables : - Il faut dabord sparer
les racines. Cest dire trouver des intervalles susamment n et ne contenant chacun
quune seule racine de lquation. -Dterminer suivant les cas une prcision exige.
1.2 SEPARATION DES RACINES
Considrons lquation
(1.1) f(x) = 0.
Dnition 1 On dit que les racines (x
i
) de (4.1) sont sparables sil existe pour tout
i un intervalle I
i
tel que I
i
{x; f(x) = 0} = {x
i
}.
1. Cours L3D-S 2011, Pr O. TRAORE
3
4 CHAPITRE 1. RSOLUTION NUMRIQUE DEQUATIONS
Le procd de separation se fait laide du thorme suivant :
Thorme 1 Si la fonction f est continue sur [a, b] et si f(a)f(b) 0 alors lquation
(4.1) admet au moins une solution dans [a, b]. Si de plus est strictement monotone
alors la racine de (4.1) est unique dans [a, b].
Remarque 1 Si f est drivabe et si f
(x) =
1 + e
x
> 0 de plus f(0)f(1) = 1 +
1
e
< 0. On peut donc dire que lquation (4.1)
admet une seule solution et cette solution est dans [1, 0].
Il bon de savoir que la sparation permet aussi de trouver des valeurs approches des
racines. En eet dire que la racine [a, b] signie que toute valeur de x [a, b] est
une valeur approche de a b a prs. On a plus prcisement :
Thorme 2 On suppose que : - la racine et la valeur approche u sont lments
de [a, b].
-la fonction f est de classe C
1
et vrie : f
().
Ce qui nous donne |u | =
f(u)
f
()
(x) = 2e
x
. On en tire que
f
(x) f
(x)| = 3x
2
1 > 0 pour x > 1.
Alors la racine est unique dans [1; 1, 4].
Lquation (1.5) peut scrire
(1.6) g(x) =
3
x + 1 = x.
On a 0 < g
(x) =
1
3
3
(x+1)
2
1
3
, pour tout x > 1. Donc g est une fonction crois-
sante. Comme g(1) =
3
f(x
0
)
m
. Et par suite x
2
=
x
1
f(x
0
)x
0
f(x
1
)
f(x
0
)f(x
1
)
En itrant le procd on obtient que :
(1.7) x
n+1
=
x
n
f(x
0
) x
0
f(x
n
)
f(x
0
) f(x
n
)
Par construction la suite (x
n
) converge vers la solution .
1.3.4 Mthode de Newton Raphson
Interpretation gometrique
Le point P
n
tant de cordonnes (x
n
, f(x
n
)) on trace la tangente C
f
en P
n
.
Lquation de cette tangente est y = (x x
n
)f
(x
n
) +f(x
n
).
Cette tangente coupe laxe des abscisses en un point dabscisse x
n+1
= x
n
f(x
n
)
f
(x
n
)
. On
construit alors le point P
n+1
et on ritre le procd. Les points P
n
se rapprochent du
point (, 0)
Convergence de la Mthode de Newton Raphson
La convergence de cette mthode est base sur le thorme suivant :
Thorme 4 soit f une fonction relle, 2 fois drivables sur [a, b], on suppose que :
(A
1
) lquation (4.1) admet une seule racine dans [a, b].
(A
2
) la drive de f , f
(x)|
min
x[a,b]
|f
(x)|
.
Alors lalgorithme
(1.8) x
0
= et x
n+1
= x
n
f(x
n
)
f
(x
n
)
converge vers .
Remarque 6 Il sagit dune mthode trs utilise malgr ses deux desavantages :
- elle peut ne pas converger si une des conditions fait dfaut.
-Elle ncesite le calcul de f
(x
0
) +
e
2
0
2
f
(t)
avec t compris entre et x
0
. Par suite on tire que :
e
0
=
f(x
0
)
f
(x
0
)
+
e
2
0
2
f
(x
0
)
f
(x
0
)
.
Ainsi :
= x
0
f(x
0
)
f
(x
0
)
e
2
0
2
f
(x
0
)
f
(x
0
)
.
Comme e
1
= x
1
et x
1
= x
0
f(x
0
)
f
(x
0
)
, alors
e
1
=
e
2
0
2
f
(x
0
)
f
(x
0
)
.
Par recurrence supposons x
n
]a; b[, x
n+1
= x
n
f(x
n
)
f
(x
n
)
.
Notons que e
0
= vrie M|e
0
| = k < 1. Par cons quent :
|e
1
| < k |e
0
| .
On montre par recurrence que |e
n+1
| < k
n
|e
0
| . Notons que = x
n
e
n
. Ainsi :
f() = f(x
n
e
n
) = f(x
n
) e
n
f
(x
n
) +
e
2
n
2
f
(t
n
)
avec t
n
compris entre et x
n
. On obtient :
= x
n
f(x
n
)
f
(x
n
)
e
2
n
2
f
(x
n
)
f
(x
n
)
.
Par suite :
e
n+1
=
e
2
n
2
f
(x
n
)
f
(x
n
)
.
Ce qui nous donne utilisant A
4
que :
|e
n+1
| < k |e
n
| .
Par suite
|e
n+1
| < kk
n
|e
0
| = k
n+1
|e
0
| .
En conclusion on voit que lim
n+
e
n
= 0 ce qui donne, lim
n+
x
n
= .
Autre rsultat :
1.3. QUELQUES METHODES ITERATIVES DE RESOLUTIONDEQUATIONS NONLINEAIRES9
Thorme 5 Soit f une fonction 2 fois drivable sur [a, b] dans R. On suppose que
H
1
f(a)f(b) < 0
H
2
f
et f
(x
0
) > 0.
Preuve. On a videmment que H
1
et H
2
impliquent que lquation admet une solution
unique dans [a, b] ; Supposons que f(a) < 0, f(b) > 0 et pour tout x, f
(x) > 0 et
f
(x
0
) > 0 f(x
0
) > 0.
Notons que a < . On montre par recurrence que b x
n
> .
Pour n = 0 cela est exacte. En eet comme f
() +
1
2
(x
n
)
2
f
()
comme f
> 0 alors f
(x
n
)
Donc on obtient :
(1.11)
f(x
n
)
f
(x
n
)
x
n
<
Par suite : x
n+1
>
Dautre part x
n+1
= x
n
f(x
n
)
f
(x
n
)
< x
n
. Par suite x
n
est minore et decroissante. Donc
(x
n
) converge.
Notons l = lim
n+
x
n+1
= lim
n+
(x
n
f(x
n
)
f
(x
n
)
) = l
f(l)
f
(l)
Par suite f(l) = 0. lunicit nous donne l = .
Exemple 6 Dterminons une valeur approche de
3
7.
Posons f(x) = x
3
7. On a videmment f(1)f(2) < 0 et pour tout x [1, 2], f
(x) =
3x
2
> 0 et f
x
3
n
7
3x
2
n
converge vers
3
7
10 CHAPITRE 1. RSOLUTION NUMRIQUE DEQUATIONS
Chapitre 2
RESOLUTION de SYSTEMES
LINEAIRES ET Non
LINEAIRES
1
2.1 GENERALITES
2.1.1 INTRODUCTION
Dans la majorit des tudes scientiques, on est conduit rsoudre des systmes.
Nous allons etudier dans ce chapitre des mthodes de rsolution de systmes linaires
et non linaires.
Un systme linaire est un systme de la forme
Ax = b
o A est une matrice m lignes et n colonnes ; b un vecteur colonne m lignes donn
et x un vecteur colonne n lignes, rechercher.
Ce systme peut scrire encore :
_
_
a
11
x
1
+ a
12
x
2
+ ...+ a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ...+ a
2n
x
n
= b
2
... ... ... ... ... ...
a
m1
x
1
+ a
m2
x
2
+ ...+ a
mn
x
n
= b
m
Pour ce qui concerne les sytmes non linaires nous ntudierons que les systmes de n
quations n inconnues relles, cest dire
(2.1)
_
_
f
1
(x
1
, ..., x
n
) = 0
.
.
.
f
n
(x
1
, ..., x
n
) = 0
o les f
i
sont des fonctions dnies sur R
n
.
Posons F = (f
1
, ..., f
n
). Alors (2.1) scrit : F(X) = 0.
1. Cours L3D-S 2011, Pr O. TRAORE
11
12 CHAPITRE 2. RESOLUTION DE SYSTEMES
Une premire tape consiste separer les racines. Cela peut se faire laide dune
reprsentation graphique.
2.1.2 Normes et normes matricielles
Dnition 2 Une norme sur R
n
est une application N dnie sur R
n
valeurs dans
R
+
ayant les proprits suivantes :
- N(x) = 0 x = 0
-N(x) = || N(x); x R
n
; R
-N(x +y) N(x) +N(y); x R
n
, y R
n
.
Les normes sont notes ..
Une matrice A est un tableau de rels de la forme : A =
_
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
... ... ... ...
a
m1
a
m2
... a
mn
_
_
_
_
_
.
Lorsque n = m on dit que A est une matrice carre.
Si X =
_
_
_
x
1
.
.
.
x
n
_
_
_on a AX =
_
_
_
y
1
.
.
.
y
n
_
_
_ avec y
i
=
n
j=1
a
ij
x
j
.
Lensemble des matrices carres dordre n est not : M
n
(R).
Dnition 3 On appelle norme sur M
n
(R) toute application note , dnie sur
M
n
(R) valeurs dans R+ et ayant les proprites suivantes :
-A = 0 A = 0
-A = || A
-A+B A +B
-A.B A . B
Dnition 4 Soit est une norme vectorielle, on peut lui associer une norme ma-
tricielle dnie par A = Sup
X=1
AX = Sup
X=0
AX
X
NORMES V ECTORIELLES NORMES MATRICIELLES ASSOCIEES
x
1
=
n
i=0
|x
i
| A
1
= Max
1jn
n
i=1
|a
i,j
|
x
= Max
1in
|x
i
| A
= Max
1in
n
j=1
|a
i,j
|
x
2
=
_
i
|x
i
|
2
A
2
= Max
1jn
_
|
j
|
les
j
tant des valeurs propres de la matrice A.
2.1.3 Drives partielles-continuit
Dnition 5 Soit f une fonction dnie sur une partie ouverte U de R
2
. -On dit que
f admet une drive partielle par rapport x au point (x
0
, y
0
) si lim
xx
0
f(x,y
0
)f(x
0
,y
0
)
xx
0
et existe. Dans ce cas cette limite est note
f
x
(x
0
, y
0
).
-On dit que f est continue au point (x
0
, y
0
) si lim
(x,y)(x
0
,y
0
)
f(x, y) = f(x
0
, y
0
)
2.2. RSOLUTION DE SYSTME NON LINAIRES 13
2.2 Rsolution de systme non linaires
2.2.1 Mthode du point xe
Pour cette mthode on crit (2.1) sous la forme G(X) = X, avec G = (g
1
, ..., g
n
).
Thorme 6 On suppose que :
(H
1
) pour tout i = 1, ..., n, g
i
est continue.
(H
2
) le systme (2.1) admet une solution unique X
=
_
_
_
1
.
.
.
n
_
_
_ dans une boule ferme
B
F
(; r).
(H
3
) la fonction G est k-lipschitzienne avec 0 < k < 1 dans la boule ouverte B(; 2r)
cest dire : si X, Y B
F
(; 2r) ;G(X) G(Y ) k X Y .
(H
4
) G() (1 k) r.
Alors la suite (X
n
)
n
dnie comme suit : X
0
B
F
(, r) et X
n+1
= G(X
n
) converge
vers la solution X
.
Preuve. Notons que Dabord que X B
F
(; 2r) G(X) B
F
(; 2r). En eet, on a
G(X) G(X) G() + G() .
Donc
G(X) 2kr + (1 k)r = kr +r 2r.
On peut montrer par recurrence que X
n
X
2rk
n
.
Alors la suite (X
n
) converge vers X
.
Remarque 7 En pratique la condition G strictement contractante (H
3
) sutilise sous
la forme J
G
(X) h < 1; X B
F
(, 2r), o J
G
(X) est la matrice jacobienne de G
au point X.
Cest dire J
G
(X) =
_
_
_
_
_
_
g
1
x
1
(X)
g
1
x
2
(X) ...
g
1
x
n
(X)
g
2
x
1
(X)
g
2
x
2
(X) ...
g
2
x
n
(X)
... ... ... ...
g
n
x
1
(X)
g
n
x
2
(X) ...
g
n
x
n
(X)
_
_
_
_
_
_
Exemple 7
(2.2)
_
x
2
+y
2
= 1
x
3
y = 1
2.2.2 Mthode de Newton Raphson
Cette mthode est base sur le thorme suivant :
14 CHAPITRE 2. RESOLUTION DE SYSTEMES
Thorme 7 On suppose que :
(H
1
) le systme (2.1) admette une solution unique X
=
_
_
_
1
.
.
.
n
_
_
_ dans une boule
ferme B
F
(; r).
(H
2
) F est continue sur B
F
(, r).
(H
3
) la matrice J
F
matrice jacobienne de F est inversible.
(H
4
) il existe 0 < k < 1 tel x B(; r) ; J
G
(X) k < 1 o G(X) = X
J
1
F
(X)F(X).
(H
5
) G() (1 k) r.
Alors la suite (X
n
)
n
dnie comme suit : X
0
B
F
(, r) et X
n+1
= X
n
J
1
F
(X)F(X
n
)
converge vers la solution X
.
Remarque 8 On peut remplacer (H
4
) par lhypothse suivante :
(H
6
) les lments de la matrice J
1
F
sont drivables et leur drives sont nis dans un
voisinage de la solution exacte X
de F(X) = 0.
dans la pratique lalgorithme sera utilis sous la forme :
J
F
(X
n
)X
n
= F(X
n
)
avec X
n
= X
n+1
X
n
. Le systme prcedent est lineaire et evite le calcul de linverse
de la matrice jacobienne de F.
Exemple 8 Rsolvons
(2.3)
_
x
2
+y
2
= 1
xy +x = 1
X = (x, y), F(x, y) =
_
x
2
+y
2
1, xy +x 1
_
. On a J
F
=
_
2x 2y
y + 1 x
_
.
Lalgorithme scrira :
(2.4)
_
2x
n
x
n
+ 2y
n
y
n
=
_
x
2
n
+y
2
n
1
_
(y
n
+ 1) x
n
+x
n
y
n
= (x
n
y
n
+x
n
1)
2.3 Rsolution de systmes
2.3.1 METHODES DIRECTES METHODES INDIRECTES
Dans ce chapitre, on distinguera deux type de mthodes :
- les mthodes directes qui donnent la solution du problmes aprs un nombre nis
doprations.
-les mthodes indirectes ou itratives qui ncssitent thoriquement un nombre inni
doprations.
2.3. RSOLUTION DE SYSTMES 15
2.3.2 NOTION DE CONDITIONNEMENT
Considrons le systme :
(2.5)
_
2x + 6y = 8
2x + 6, 00001y = 8, 00001
qui admet comme solution x = y = 1 considrons maintenant le systme :
(2.6)
_
2x + 6y = 8
2x + 5, 99999y = 8, 00002.
Ce systme admet comme solution x = 10 et y = 2.
Le systme prcdent est dit malconditionn, car une petite erreur sur les donnes
entraine une grande variation de la solution.
Si A est une petite variation de A et x la variation correspondante de x.
On a :
x / x
A /A
_
_
_(A+A)
1
_
_
_ A .
Dnition 6 On appelle paramtre de conditionnement de la matrice A le nombre rel
sil existe
C(A) =
_
_
_A
1
_
_
_ A .
Lorsque c(A) est grand le systme est mal conditionn i.e C(A) >> 1.
2.3.3 RESOLUTION DE PETITS SYSTEMES
Pour rsoudre les petits, il est prferable dutiliser les methodes directes. Les me-
thodes directes que nous allons voir sont : la mthode de Gauss, de Gauss Jordan et
la mthode de Cholesky. Mais avant nous allons examiner une methode thorique celle
de Cramer
Une methode thorique : methode de Cramer
Considrons le systme :
Ax = b
o A est une matrice carr inversible. Notons D le dterminant de A et D
i
le dter-
minant de la matrice obtenu en remplaant la ieme colonne par le vecteur colonne
b.
Thorme 8 Le systeme Ax = b admet une solution unique x = (x
1
, ..., x
n
)
t
avec
x
i
=
D
i
D
16 CHAPITRE 2. RESOLUTION DE SYSTEMES
Exemple 9 On considre le systme :
_
2x + 6y = 8
3x y = 2
A =
_
2 6
3 1
_
; b =
_
8
2
_
.
Alors D =
2 6
3 1
; D
x
=
8 6
2 1
;D
y
=
2 8
3 2
Ainsi x =
20
20
= 1 et y =
20
20
= 1
Mthode de Gauss
Le principe de cette mthode est de transformer le sytme carr quelconque en un
systme triangulaire plus facile a rsoudre. Soit A = (a
(1)
ij
)
Etape 1
On suppose que a
11
= 0 Pour i = 1, ..., n on eectue les operations :L
i
L
i
a
(1)
i1
/a
(1)
11
L
1
Cest dire que :
a
(2)
ij
= a
(1)
ij
_
a
(1)
i1
/a
(1)
11
_
a
(2)
1j
, i = 2, ..., n, j = 1, ...n
b
(2)
i
= b
(1)
i
_
a
(1)
i1
/a
(1)
11
_
b
1
, i = 2, ..., n,
On obtient le sytme A
(2)
X = b
(2)
:
_
_
a
(1)
11
x
1
+a
(1)
12
x
2
+... +a
(1)
1n
x
n
= b
(1)
1
. a
(2)
22
x
2
+... +a
(1)
2n
x
n
= b
(2)
2
... ... ... ... ... ...
+a
(2)
n2
x
2
+... a
(2)
nn
x
n
= b
(2)
n
On recommence le mme processus, lordre k on obtient :
a
(k+1)
ij
= a
(k)
ik
_
a
(k)
ik
/a
(k)
kk
_
a
(k)
kj
, i = k + 1, ..., n, j = k + 1, ...n
b
k+1
i
= b
(k)
i
_
a
(k)
ik
/a
(k)
kk
_
b
(k)
k
, k + 1, ..., n
Aprs n 1 operation on obtient le systme triangulaire :
_
_
a
(1)
11
x
1
+a
(1)
12
x
2
+... +a
(1)
1n
x
n
= b
(1)
1
. a
(2)
22
x
2
+... +a
(1)
2n
x
n
= b
(2)
2
... ... ... ... ... ...
a
(n)
nn
x
n
= b
(n)
n
Dont la solution est :
x
n
=
b
(n)
n
a
(n)
nn
x
i
=
1
a
(i)
ii
_
b
(i)
i
n
j=i+1
a
(i)
ij
x
j
_
, i = n 1, ...1
2.3. RSOLUTION DE SYSTMES 17
Exemple 10 Rsoudre par la mthode de Gauss :
_
_
3x +y +3z +t = 1
x 2y +z +2t = 0
2x y +2z t = 0
x +y +z t = 3
Mthode de Gauss-Jordan
Le principe de cette mthode est de transformer le sytme carr quelconque en un
systme diagonal plus facile a rsoudre. On eectue les mmes types doprations. Cette
fois ci ces oprations stendent aux lignes situes au dessus de la ligne i. Les formules
sont :
a
(k+1)
ij
= a
(k)
ik
_
a
(k)
ik
/a
(k)
kk
_
a
(k)
kj
, i = 1, ..., n, j = k + 1, ...n, i = k
b
k+1
i
= b
(k)
i
_
a
(k)
ik
/a
(k)
kk
_
b
(k)
k
, i = 1, ..., n; i = k
Et, on obtient aprs n 1 oprations :
_
_
a
(n)
11
x
1
= b
(n)
1
. a
(2)
i2
x
2
= b
(2)
2
... ... ... ... ... ...
a
(n)
nn
x
n
= b
(n)
n
Mthode de Cholesky
Principe de la mthode
Dnition 7 Une matrice carre A symtrique coecients rels est dite denie po-
sitive lorsque la forme quadratique q(x) = Ax.x est dnie positive
La mthode de Choleski sapplique plus facilement lorsque la matrice A est symtrique
et dnie positive :
Thorme 9 Soit A une matrice symtrique et dnie positive. Alors il existe une
matrice B triangulaire inferieure telle que A = BB
t
. De plus IL EXISTE UNE SEULE
matrice triangulaire infrieure lments diagonaux positifs vriant :A = BB
t
.
Soit rsoudre le systmeAx = b avec A symtrique denie poistive. La mthode de
Choleski permet de remplacer ce systme par la rsolution de deux systmes triangu-
laires.
En eet : Ax = b BB
t
x = b By = b et B
t
x = y
Determination de B avec bii > 0 En posant B = (b
ij
tel que b
ij
= 0 si i < j, on
dtermine b colonne par colonne :
-Dtermination de la premire colonne :
b
2
11
= a
11
b
11
=
_
(a
11
)
pour i = 2, ..., n b
11
b
i1
= a
i1
b
i1
=
a
i1
b
11
-Dtermination de la k ime colonne,k 2 :
18 CHAPITRE 2. RESOLUTION DE SYSTEMES
b
2
k1
+b
2
k2
+... +b
2
kk
= a
kk
dou b
kk
=
_
(a
kk
k1
j=1
b
2
kj
)
Pour i = k+1, ..., n b
i1
b
k1
+b
i2
b
k2
+... +b
ik
b
kk
= a
ik
. Do b
ik
=
1
b
kk
_
a
ik
k1
j=1
b
ij
b
kj
_
Exemple 11
_
_
x +2y +z = 1
2x +5y +z = 2
x +y +4z = 1
On trouve B =
_
_
_
1 0 0
2 1 0
1 1
_
(2)
_
_
_
Comparaison des mthodes
Pour comparer ces mthodes nous allons calculer le nombre doprations lmentaire
thoriques ncessaires. Les oprations lmentaires sont : laddition, la multiplication et
la division. Nombre doprations lmentaires de la mthode de Cramer Pour le calcul
dun dterminant dordre n :(n + 1)!.
On doit calculer n + 1 dterminant dordre n et ensuite faire n divisions.
Do le nombre N
c
= (n + 1) (n + 1)! +n opration lmentaires.
Remarque 9 Pour n = 15 on a N
c
= 3, 33, 9.10
14
. Une machine faisant 10
9
oprations
par seconde mettra environ 4 jours.
Pour n = 20 on a N
c
= 5, 12.10
19
. Une machine faisant 10
9
oprations par seconde
mettra environ 1642 ans.
Nombre doprations lmentaires de la mthode de Gauss
-addtions :
1
6
n(2n + 5)(n 1)
-multiplication :
1
6
n(2n + 5)(n 1)
-division :
1
2
n(n + 1)
Alors on obtient : N
G
=
4n
3
+9n
2
7n
6
2
3
n
3
Remarque 10 Pour n = 15 on a N
G
2250.
Pour n = 20 on a N
G
5334.
Nombre doprations lmentaires de la mthode de Gauss-Jordan
-addtions :
1
2
n(n + 1)(n 1)
-multiplication :
1
2
n(n + 1)(n 1)
-division :
1
2
n(n + 1)
Alors on obtient : N
GJ
=
2n
3
+n
2
n
2
n
3
Remarque 11 On voit que la mthode de Gauss est moins coteuse en opration
lmentaires.
Nombre doprations lmentaires de la mthode de Cholesky : En procdent comme
prcdemment on obtient : N
Ch
=
2n
3
+15n
2
+n
6
2.3. RSOLUTION DE SYSTMES 19
2.3.4 RESOLUTION De GRANDS SYSTEMES
Introduction
La rsolution du systme Ax = b par les mthodes directes ne peut tre envisage
lorsque le nombre dquations est grand(n > 100). Il dvient en eet impossible de
calculer x cause des erreurs darrondis propages par le grand nombre doprations
lmentaires (On aurait environ 6700 avec la mthode de Gauss). On utilise dans ces
conditions les mthodes dites indirectes. Qui sont en fait des mthodes ittratives.
Le principe gnral de ces mthodes est dcrire A = MN avec M qui est une matrice
facilement inversible.
Ainsi le systme devient :
Mx = Nx +b
Soit
x = M
1
Nx +M
1
b.
Cette quation suggre alors le processus itratif suivant :
(2.7)
_
x
k+1
= M
1
Nx
k
+M
1
b
x
0
arbitraire
Mthode de Jacobi
Lhypothse principale pour lutilisation de la mthode de Jacobi est que les termes
diagonaux de A soient non nuls.
On pose E = (e
i,j
) ; F = (f
i,j
) et D = (d
ij
) avec e
ij
= a
ij
si i > j ;e
ij
= 0 sinon;
f
ij
= a
ij
si j > i ,f
ij
= 0 sinon enn d
ii
= a
ii
,d
ij
= 0 sii = j.
Ainsi A = D (E +F). Ainsi (??) dvient :
(2.8)
_
x
k+1
= D
1
(E +F) x
k
+D
1
b
x
0
arbitraire
La matrice = D
1
(E +F) est apple matrice ditration de Jacobi.
Remarque 12 En pratique la mthode consiste rsoudre chaque itration le sys-
tme
Dx
k+1
= (E +F) x
k
+b
Exemple 12
(2.9)
_
_
x + 2y + 3z = 1
y +z = 2
x z = 3
20 CHAPITRE 2. RESOLUTION DE SYSTEMES
On trouve D =
_
_
_
1
1
1
_
_
_; E =
_
_
_
0 0 0
0 0 0
1 0 0
_
_
_ F =
_
_
_
0 2 3
0 0 1
0 0 0
_
_
_. Ce qui nous
donne
(2.10)
_
_
x
k+1
= 2y
k
3z
k
+ 1
y
k+1
= z
k
+ 2
z
k+1
= x
k
3
Mthode de Gauss- Seidel
Cette mthode se caractrise par le fait qu l itration k + 1, le calcul de la
composante dindice i de x
k+1
utilise les composantes dindice 1, 2, ..., i 1 de x
k+1
.
Plus prcisement on pose A = (D E) F et le processus itratif secrit :
(D E) x
k+1
= Fx
k
+b
Soit :
(2.11)
_
x
k+1
= (D E)
1
Fx
k
+ (D E)
1
b
x
0
arbitraire
La matrice = (D E)
1
F est apple matrice ditration de Gauss- Seidel.
Exemple 13 On considre le systme suivant :
(2.12)
_
_
4x y = 4
x + 4y z = 6
y + 4z = 2
dont la solution est (1, 2, 1).
On a : A =
_
_
_
4 4 0
1 4 1
0 1 4
_
_
_ D =
_
_
_
4 0 0
0 4 0
0 0 4
_
_
_;
E =
_
_
_
0 0 0
1 0 0
0 1 0
_
_
_ et F =
_
_
_
0 4 0
0 0 1
0 0 0
_
_
_
Posons X
k
=
_
_
_
x
k
y
k
z
k
_
_
_
La mthode de Jacobi donne :
_
_
x
k+1
=
y
k
4
1
y
k+1
=
x
k+1
+z
k
+6
4
z
k+1
=
y
k+1
+2
4
2.3. RSOLUTION DE SYSTMES 21
Celle de Gauss Seidel devient :
_
_
x
k+1
= y
k
1
y
k+1
=
x
k
+z
k
+6
4
z
k+1
=
y
k
+2
4
On obtient les deux tableaux :
i 0 1 2 3 4 5 6
x
i
0 1 0, 5 0, 375 0, 8438 0, 8047 0, 9512
y
i
0 1, 5 1, 375 1, 8438 1, 8047 1, 952 1, 9390
z
i
0 0, 5 0, 875 0, 8438 0, 9609 0, 9512 0, 9878
i 0 1 2 3 4 5 6
x
i
0 1 0, 25 0, 7656 0, 9268 0, 9771 0, 9928
y
i
0 1, 52 1, 7656 1, 9268 1, 9771 1, 9928 1, 9978
z
i
0 0, 5 0, 8125 0, 9414 0, 9817 0, 9943 0, 9994
Convergence des mthodes itratives
Considrons lalgorithme (2.7).
Posons E
k
= x x
k
.
On a alors : E
k+1
= M
1
N(x x
k
) = M
1
NE
k
. Alors E
k
=
_
M
1
N
_
k
E
0
. Ainsi
si
_
M
1
N
_
k
converge vers 0 alors lalgorithme (2.7) converge. Ainsi on a le rsultat
suivant :
Thorme 10 Si
_
_
M
1
N
_
_
< 1 alors lalgorithme (2.7) converge
On a aussi
Thorme 11 Les algorithmes de Jacobi et Gauss Seidel convergent ou divergent si-
multanement. Dans les cas o les deux methode converge celle de Gauss Seidel converge
plus rapidement.
Preuve. Cela vient du fait que
_
_
_(D E)
1
F
_
_
_
2
=
_
_
D
1
(E +F)
_
_
2
2
22 CHAPITRE 2. RESOLUTION DE SYSTEMES
Chapitre 3
Approximation
optimale-Interpolation
1
3.1 Position du problme
Approcher une fonction f consiste la remplacer par une autre fonction, dont la
forme est plus simple et dont on peut se servir la place de f.
Dans ceratin cas, la fonction f nest connue (empiriquement) que par des valeurs quelle
prend en des points particuliers on cherche alors construire une fonction continue g
reprsentant une loi empirique qui se cacherait derrire les donnes.
Dire que lon peut remplacer f par une fonction g,revient a trouver la fonction g qui
"approxime" le mieux la fonction g. Cest dire qui minimise lcart f g. Cette
norme reste prciser.
Le problme dinterpolation polynmiale est le suivant : tant donn une suite nie
dabscisses (x
i
)
0in
et une suite de valeurs relles (f
i
)
0in
que prend une certaine
grandeur physique en ces points, peut on trouver un polynme P
n
de degr n tel que :
(3.1) P
n
(x
i
) = f
i
i, 0 i n?
Nous allons tudier linterpolation au sens de Lagrange dans le cas o, aux point
(x
i
)
0in
on ne connait que les valeurs (f
i
)
0in
.
3.2 Interpolation au sens de Lagrange dune fonction
3.2.1 Position du problme
Soit f une fonction connue seulement en n+1 point appls points dinterpolation.
Posons y
i
= f(x
i
), le problme consiste construire une fonction polynme F tel que
F(x
i
) = y
i
, 0 i n.
1. Cours L3D-S 2011, Pr O. TRAORE
23
24 CHAPITRE 3. APPROXIMATION -INTERPOLATION
Remarque 13 1- Sans dautre condition le problme peut admettre une innit de
solutions, ou aucune solution( quand il sagit dinterpolation par une classe quelconque
de fonction).
2- Si on trouve F, on peut galement lutiliser pour estimer les valeurs de f aux points
x = x
i
, 0 i n. Si ce calcul seectue pour x [x
0
, x
n
] on parlera dinterpolation
stricte. Mais si x / [x
0
, x
n
] on parlera dextrapolation.
3.2.2 Existence du polynme dinterpolation
Il sagit donc de trouver un polynme P
n
de degr n dont les coecients sont
solutions du systme :
(3.2)
_
_
a
0
+a
1
x
0
+a
2
x
2
0
+... +a
n
x
n
0
= f(x
0
)
....
a
0
+a
1
x
i
+a
2
x
2
i
+... +a
n
x
n
i
= f(x
i
)
...
a
0
+a
1
x
n
+a
2
x
2
n
+... +a
n
x
n
n
= f(x
n
)
Le dterminant de ce systme est de Vandermonde : =
r>m
(x
r
x
m
) .
Comme = 0 on a le thorme suivant :
Thorme 12 Le polynme dinterpolation P
n
existe et est unique.
3.2.3 Polynme dinterpolation de LAGRANGE
Dnition On pose pour i = 0, 1, 2, ..., n
(3.3) L
i
(x) =
n
i=j;j=0
x x
j
x
i
xj
.
Les L
i
sont appls base de Lagrange associe aux points x
0
, ...x
n
Thorme 13 Il existe un polynme P
n
de degr n tel que Pn(x
i
) = f(x
i
) pour
i = 0, 1, ..., n. Ce polynme peut secrire :
(3.4) P
n
(x) =
n
i=0
L
i
(x)f(x
i
).
Le polynme dni par (3.4) est appl polynme dinterpolation de Lagrange de la
fonction f relativement aux points x
0
, ..., x
n
.
Exemple 14 On pose : x
0
= 0; x
1
= 1; x
2
= 3; x
3
= 4 ; et f
0
= 0; f
1
= 1; f
2
= 3; f
3
=
4.
Dterminer le polynme dinterpolation P
3
.
3.3. APPROXIMATION OPTIMALE AU SENS DES MOINDRES CARRES 25
3.2.4 Erreur dinterpolation
Le thorme suivant nous donne lerreur que lon commet lorsquon interpole une
fonction f par un polynme P
n
. On note E(x) = f(x) P
n
(x). Alors on a :
Thorme 14 SI f est (n+1) drivable et de drive (n + 1)
eme
continue, alors :
(3.5) E(x) =
1
(n + 1)!
n
i=0
(x x
i
)f
n+1
()
o appartient au plus petit intervalle contenant x et les (x
i
).
Preuve. Lorsque x = x
i
on a E(x) = 0.
Posons G(t) = E(t)
f(x)P
n
(x)
n
i=0
(xx
i
)
n
i=0
(t x
i
).
On a alors que G sannule en n+2 points. Par consquent lapplication du thorme de
Rolle n + 1 fois implique que G
(n+1)
sannule en un point appartenant au plus petit
ouvert contenant x, x
0
, ..., x
n
. Ainsi on a : f
(n+1)
()
E(x)(n+1)!
n
i=0
(xx
i
)
= 0. Do le rsultat.
Exercice D
(1) = 1, F
(2, 5) = 2, F
(3) = 1 et F
(4) = 1, 5
3.3 APPROXIMATIONOPTIMALE AUSENS DES MOINDRES
CARRES
3.3.1 Produit scalaire- Norme- espaces de Hilbert
produit scalaire
Dnition 8 Soit E un espace vectoriel sur R, on dit que E est muni dun produit
scalaire sil existe une application B : E E R ayant les proprites suivantes :
P
1
: B(x, x) > 0, si x = 0
E
; B(x, x) = 0 x = 0
E
P
2
: B(x, y) = B(y, x)
P
3
: B(x, y +z) = B(x, y) +B(x, z)
-Le produit scalaire (p.s) est souvent not (, ) ou (|)
Lorsque E est muni dun ps, on dsigne par x d un lment x de E le relle positif
not : x
E
=
_
(x, x). E muni dun p.s est appl espace prehilbertien. Lorsque E
muni de cette norme est complet il est appl espace hilbertien ou HILBERT.
Exemple 15 R
n
muni du p.s : (x, y) = x
1
y
1
+... +x
n
y
n
est un Hilbert . Dans ce cas
on a : x = x
2
=
_
x
2
1
+... +x
2
n
.
Partie convexe
Dnition 9 Une partie A dun espace vectoriel est dite convexe si pour tout (x, y)
A
2
et 0 1 on a x + (1 )y A.
26 CHAPITRE 3. APPROXIMATION -INTERPOLATION
3.3.2 Approximation optimale dans un espace hilbertien
Existence de l approximation optimale
Thorme 15 Soit F un sous ensemble convexe non vide et ferm (resp s.e.v de di-
mension nie) dun espace de Hilbert ( resp prehilbertien) E.
Soit x
0
E, il existe un unique lment y F tel que
(3.6) x
0
y = min
zF
x
0
z
Preuve. Posons J(z) = x
0
z. J est continue sur F, posons d = inf
zF
x
0
z.
On a : 0 d < +. Considrons (z
n
) une suite minimisante de J relativement de F
c est dire :
(3.7) z
n
F et lim
n
J(z
n
) = d.
Lexistence de cette suite vient de la dnition de linf. En eet pour tout n il existe
z
n
tel que : J(z
n
) d +
1
n
. Par suite on obtient (3.7).
Notons que :
1
2
(z
n
z
m
, z
n
z
m
) = (x
0
z
m
, x
0
z
m
) +
(3.8) (x
0
z
n
, x
0
z
n
) 2
_
x
0
z
n
+z
m
2
, x
0
z
n
+z
m
2
_
.
Notons que
z
n
+z
m
2
F car F est convexe.
On a (x
0
z
m
, x
0
z
m
) + (x
0
z
n
, x
0
z
n
) 2d
2
.
Par suite lim
n,m
(z
n
z
m
, z
n
z
m
) 0. Par suite (z
n
) est une suite de Cauchy.
Comme E est complet et que F est ferm on tire que lim
n
z
n
= y F. Et donc
J( y) = d = min
xF
J(x).
Examinons lunicit. Si u
1
et u
2
realisent tous les deux (3.6) alors w =
u
1
+u
2
2
F car
F est convexe. Lidentit (3.8)sur le produit scalaire donne :
(3.9)
1
2
(u
1
u
2
, u
1
u
2
) = (x
0
u
2
, x
0
u
2
) + (x
0
u
1
, x
0
u
1
)
2 (x
0
w, x
0
w) .
On trouve :
1
2
u
1
u
2
2
+x
0
w
2
= 2d.
Par suite, x
0
w
2
< 2d si u
1
= u
2
. Cela est contradictoire.
Remarque 14 En pratique, E est un espace prhilbertien et F est un sous espace
vectoriel de dimension nie dans ce cas F est ferm puiquil sidentie R
qui est
complet.
3.3. APPROXIMATION OPTIMALE AU SENS DES MOINDRES CARRES 27
Corollaire 1 F est un s.e.v de E hilbert de dimension nie. Pour que y F soit la
meilleure approximation de x
0
E relativement F, il faut et il sut que pour tout
z F
(3.10) (x
0
y, z) = 0
y est appl alors projection orthogonale de x
0
sur le s.e.v F.
Preuve. Soit z F x, on pose G(t) = (x
0
y +tz, x
0
y +tz) G est derivable et on
a : G
(0) = lim
t0
(x
0
y+tz,x
0
y+tz)(x
0
y,x
0
y)
t
= 2 (x
0
, y) . Pour t > 0,
(x
0
y+tz,x
0
y+tz)(x
0
y,x
0
y)
t
0. Cela nous donne G
d
(0) 0.
Pour t < 0,
(x
0
y+tz,x
0
y+tz)(x
0
y,x
0
t y)
t
0. Ainsi G
g
(0) 0.
Par suite on obtient G
(0) = 0.
Reciproquement :
(x
0
z, x
0
z) = (x
0
y + y z, x
0
y + y z) = (x
0
y, x
0
y) +2(x
0
y, y z) +
( y z, y z) .
Cest dire :
x
0
z
2
= x
0
y
2
+ y z
2
. Par suite x
0
z
2
x
0
y
2
.
Construction de la projection optimale lorsque F est de dimension nie
Posons m = dimF et considrons une base (e
1
, ..., e
m
) une base de F.
y F y = x
1
e
1
+... +x
m
e
m
=
m
i=1
x
i
e
i
(3.10)(x
0
m
i=1
x
i
e
i
, z) = 0
m
i=1
x
i
(e
i
, e
j
) = (x
0
, e
j
), j, 1 j m.
Posons a
i,j
= (e
i
, e
j
) on obtient :
(3.11)
_
_
a
1,1
x
1
+a
1,2
x
2
+... +a
1,m
x
m
= (x
0
, e
1
)
....
a
i,1
x
1
+a
i,2
x
2
+... +a
i,m
x
m
= (x
0
, e
i
)
...
a
m,1
x
1
+a
1,2
x
2
+... +a
m,m
x
m
= (x
0
, e
m
)
Comme y existe et est unique alors le dterminant du systme prcdent est non nul.
Remarque 15 Si la base considre est orthonormale i.e (e
i
, e
j
) =
i,j
=
_
1 si i = j
0, si i = j
Le systeme (3.12) devient alors :
(3.12)
_
_
x
1
= (x
0
, e
1
)
....
x
i
= (x
0
, e
i
)
...
x
m
= (x
0
, e
m
)
28 CHAPITRE 3. APPROXIMATION -INTERPOLATION
Et quand on a une base quelconque (v
i
) on peut lorthonormaliser l aide de la
mthode de Schmidt : e
1
=
v
1
v
1
; u
j
= v
j
j1
i=1
(v
j
, e
i
)e
i
et e
j
=
u
j
u
j
j = 2, ..., m
Exercice On pose E = R
n
,on pose B(u, v) = xx
+ yy
+ zz
. B dnit un produit
scalaire sur R
2
. Posons v
1
= (1, 1, 1) ; v
2
= (0, 1, 1) et v
3
= (1, 0, 1).
Orthonormaliser la famille G = {v
1
, v
2
, v
3
} ide du proccd dorthonormalisation de
Schmidt.
Approximation continue des moindres carres
Soit une fonction poids positive et ne sannulant au plus quen un nombre ni de
points de (a, b) tel que
_
b
a
w(x)h(x)dx existe pour tout h C ([a, b]). On dnit alors le
produit scalaire suivant sur C ([a, b]) (f, g) =
_
b
a
w(x)f(x)g(x)dx la norme associe est
f =
_
_
b
a
w(x)f
2
(x)dx. Dans ce cas on peut appliquer le thorme gnral suivant
Thorme 16 Pour tout f C ([a, b]), il existe une unique fonction F, F tant
un s.e.v ferm de C ([a, b]) telle que
(3.13)
_
b
a
w(x) (f(x) )
2
w(x)dx = min
uF
_
b
a
(f(x) u)
2
w(x)dx.
Si F est de dimension nie et si
1
, ...,
m
, est une base de F, les coecients x
k
de sont donns par les quations :
(3.14)
m
k=1
x
k
_
b
a
k
w(x)
j
dx =
_
b
a
w(x)f(x)
j
(x)dx, j = 1, ..., m
Remarque 16 Ce thorme est un cas particulier du thorme prcdent, avec comme
produit scalaire : (f, g) =
_
b
a
w(x)f(x)g(x)dx
Exercice1 Approximation polynmiale.
Ecrire le systme dterminant les coecients du polynme P de degr 5 approximant
au mieux f C ([a, b]) au sens des moindres carres.
Application : tudier le cas de f(x) = |x|
Exercice 2 Approximation trigonomtrique
On pose [a, b] = [; ] et on considre les fonctions de base :u
0
(x) = 1; u
1
(x) =
sinx; u
2
(x) = cosx; u
3
(x) = sin2x; u
4
(x) = cos2x; .... F tant le s.e.v engendr par
{u
0
, ..., u
2m
}, dterminer u F approximant au mieux f(x) = x au sens des moindres
carrs dans C ([, ])
Approximation discrte des moindres carrs
On suppose que f est connue seulement en m+ 1 points , x
i
,i = 0, ...m.
3.3. APPROXIMATION OPTIMALE AU SENS DES MOINDRES CARRES 29
a-Dnition. Le polynme p
n
est appl meilleur approximation polynomiale dis-
crte au sens des moindre carrs de f si
(3.15)
m
i=0
w(x
i
)(f(x
i
) p
n
(x
i
))
2
= min
p
n
P
n
m
i=0
w(x
i
)(f(x
i
) p
n
(x
i
))
2
P
n
tant lensemble des polynmes de degr n.
Thorme 17 Les propositions suivantes sont quivalentes :
T
1
Le polynme p
n
est appl meilleur approximation polynmiale discrte au sens
des moindre carrs de f.
T
2
m
i=0
w(x
i
)(f(x
i
) p
n
(x
i
))p
n
(x
i
) = 0, p
n
P
n
T
3
m
i=0
w(x
i
)f(x
i
)p
n
(x
i
) =
m
i=0
w(x
i
) p
n
(x
i
)p
n
(x
i
), p
n
P
n
Remarque 17 Cela quivaut dans la pratique :
pour k = 0
m
i=0
w(x
i
)f(x
i
) =
m
i=0
w(x
i
) p
n
(x
i
)
pour k = 1, ..., n,
m
i=0
w(x
i
)f(x
i
)x
k
i
=
m
i=0
w(x
i
) p
n
(x
i
)x
k
i
Exemple : Dterminons P
2
la meilleure approximation polynmiale discrte au sens des
moindres carrs de f vriant f(0) = 1, f(1/2) = 0, 2 ; f(1) = 2, f(2) = 3.
30 CHAPITRE 3. APPROXIMATION -INTERPOLATION
Chapitre 4
Calculs dIntgrales Numriques
1
4.1 INTRODUCTION
Le calcul dune intgral ncessite en gnral, la connaissance dune primitive de son
noyau. Il existe beaucoup de fonctions donnes explicitement mais dont les primitives
ne sont pas expliictes. Le problme devient encore plus dicile lorsque la fonction f
nest connue quen un nombre ni de points dun segment [a, b]. Cest ce qui arrive par
exemple lorsquon eectue quelques mesures dune grandeur physique.
Dans ce chapitre on se propose dobtenir des approximations des intgrales de types
_
b
a
w(x)f(x)dx, o w est une fonction poids dnie sur lintervalle [a, b].
4.2 METHODES A PAS CONSTANTS
4.2.1 Gnralits
On suppose que f est connue en n + 1 points quelconques x
0
< x
1
< ... < x
n
de
lintervalle [a, b] et on crit que
(4.1) I =
_
b
a
w(x)f(x)dx =
n
i=0
A
i
f(x
i
) +R
f
o les A
i
sont dtermins de manire indpendante de f et de telle sorte que la quantit
R
f
soit nulle lorsque f appartient une classe de fonction par exemple la classe des
fonction polynme de degr n.
Remarque 18 La quantit
n
i=0
A
i
f(x
i
) est en fait une valeur approche de I
4.2.2 Dtermination des A
i
quand f est un polynme
On a le rsultat suivant :
1. Cours L3D-S 2011, Pr O. TRAORE
31
32 CHAPITRE 4. CALCULS DINTGRALES NUMRIQUES
Thorme 18 Si f est un polynme de degr n la formule (4.1) est exacte (i.e
Rf = 0)en prenant :
(4.2) A
i
=
_
b
a
w(x)L
i
(x)dx, i = 0, ...n
Ou en resolvant le systme suivant :
(4.3)
_
b
a
w(x)x
k
dx =
N
i=
A
i
x
k
i
, k = 0, ..., n
Preuve. Si f est un polynme de degr n, on peut crire dune part que f(x) =
n
i=0
L
i
(x)f(x
i
).
Par suite il vient que
(4.4)
_
b
a
w(x)f(x)dx =
n
i=0
f(x
i
)
_
b
a
w(x)L
i
(x)dx.
Choisissant A
i
comme en (4.2) on voit que Rf = 0 dans (4.1).
Dautre part si les A
i
sont donns par (4.3) alors pour tout polylme f(x) = a
0
+a
1
x+
... +a
n
x
n
on a
(4.5)
_
b
a
w(x)f(x)dx =
n
i=0
a
k
_
b
a
w(x)x
k
dx =
n
k=0
n
i=0
A
i
a
k
x
k
i
=
n
i=0
A
i
f(x
i
).
reciproquement en prenant successivement f = 1, x, ..., x
n
et en imposant la condition
Rf = 0 on obtient le systme (4.3).
Exemple 16 On considre les points x
0
= 0, x
1
= 1, x
2
= 2, x
3
= 3 dterminer les
coecients A
i
.
4.2.3 Convergence de lintgration approche
Thorme 19 On suppose que :
H
1
f est continue sur [a, b]
H
2
Il existe M > 0 tel que
_
b
a
|w(x)| dx M
H
3
Il existe K > 0, tel que
n
i=0
|A
i
| K.
H
4
Pour tout polynme p, on a : lim
n+
n
i=0
A
i
p(x
i
) =
_
b
a
w(x)p(x)dx.
Alors
(4.6)
_
b
a
w(x)f(x)dx = lim
n+
n
i=0
A
i
f(x
i
).
Preuve. Posons
n,f
=
_
b
a
w(x)f(x)dx
n
i=0
A
i
f(x
i
).
4.3. METHODES DE NEWTON COTE 33
Soit p un polynme, on a
n,p
=
_
b
a
w(x)f(x)dx
n
i=0
A
i
p(x
i
).
Do
(4.7) |
n,f
|
_
b
a
|w(x) (f(x) p(x))| dx +
n
i=0
|A
i
| |f(x
i
) p(x
i
)| +|
n,p
|
Daprs le thorme de Stone-Wierstrass, pour tout > 0, ile existe p
tel que
(4.8) max
x[a,b]
|f(x)) p
(x)| .
Par suite utilisant les hypothses, il vient que :
(4.9) |
n,f
| (M +K) +|
n,p
| .
Par hypothse
n,p
i=0
A
i
f(x
i
) +R
Lorsque k = 0(resp k = 1) on dit que la formule est de type ferm(resp. ouvert)
On considre les bases de Lagrange pour calculer les A
i
. Notons que dans ce cas
ci :pourx = x
0
+th, L
i
(x) = l
i
(t) =
n
j=0,j=i
tj
ij
. Par suite
Proposition 3 Les A
i
sont dtermins par :
A
i
= h
_
n+k
k
l
i
(t)dt et A
i
= A
ni
ou par le systme
n
i=0
A
i
x
j
i
=
x
j+1
n+k
x
j+1
0k
j+1
, j = 0, ...n et
n
i=0
A
i
= b a + 2kh.
4.3.2 Quelques formules de type ferm
Formules des trapzes
-Pour n = 1
x
0
= a, x
1
= b et h = b a A
0
= h
_
1
0
t1
1
dt =
h
2
A
1
= h
_
1
0
t
1
dt =
h
2
;
lerreur dinterpolation nous donne lerreur
f
=
f
()
12
h
3
Dou la formule :
(4.11)
_
x
1
x
0
f(x)dx =
h
2
(f(x
0
) +f(x
1
))
f
()
12
h
3
34 CHAPITRE 4. CALCULS DINTGRALES NUMRIQUES
avec [x
0
, x
1
] Plus gnralement on a :
_
x
n
x
0
f(x)dx =
h
2
_
f(x
0
) + 2
n1
i=1
f(x
i
) +f(x
n
)
_
+
(4.12)
f
(n+1)
()
(n + 1)!
_
b
a
(x)dx
Formules de Simpson
Pour trois points :
(4.13)
_
x
2
x
0
f(x)dx =
h
3
(f(x
0
) + 4f(x
1
) +f(x
2
))
h
5
90
f
(4)
()
avec [x
0
, x
2
].
Plus gnralement :
(4.14)
_
x
n
x
0
f(x)dx =
h
3
(f(x
0
) + 4f(x
1
) + 2f(x
2
) + 4f(x
3
) + 2f(x
4
) +... +f(x
n
))
(b a) h
4
180
f
(4)
()
avec [x
0
, x
n
] si f
(4)
est continue.
4.3.3 Une formule de type ouvert : Du gnral de Poncelet
-Pour n = 1,
(4.15)
_
x
2
x
1
f(x)dx = 3h/2 [f(x
0
) +f(x
1
)] + 3
h
3
4
f
2
()
[x
1
, x
1
]
4.3.4 Complments : Formule des rectangles
Au lieu de considrer les f(x
i
) on considre les valeurs f(
x
i
+x
i+1
2
). On a la formule :
(4.16)
_
b
a
f(x)dx = h
n1
i=0
f(
x
i
+x
i+1
2
) +Rf
4.4. METHODE DE GAUSS 35
4.4 METHODE DE GAUSS
4.4.1 Position du problme
Dans la formule (4.1), on a R
f
= 0 lorque f est un polynme de degr n. Mais en
gnral lorsque f est un polynme de degr > n on a R
f
= 0 autrement dit le systme :
(4.17)
_
b
a
w(x)x
k
dx =
N
i=
A
i
x
k
i
, k = 0, ..., n +q
nadmet pas de solution en gnral lorsque q = 0. Dans le cas o f est explicitement
donne on peut disposer des valeurs de f(x
i
), quel que soit les points x
i
. Compte tenu de
cette possibilit, on cherche n+1 points x
0
, ..., x
n
pour lesquels les coecients associs
A
0
, ..., A
n
permettent dcrire la relation (4.1) avec R
f
= 0 lorsque f est un polynme
de degr n +L, pour L convenablement choisi.
Remarque 19 Dans ce cas les inconnues A
0
, ..., A
n
et x
0
, ..., x
n
sont solutions du
systme non linaire
(4.18)
_
b
a
w(x)x
k
dx =
N
i=
A
i
x
k
i
, k = 0, ..., n +q; q 1
4.4.2 Mthode de Gauss
Thorme 20 Lorque w ne change pas de signe dans [a, b] il existe (x
i
, A
i
), i = 0, ..., n
tels que la formule (4.1) soit exacte lorsque f est une polynme de degr 2n + 1. De
plus (on admet) les abscisses de Gauss sont relles distinctes et unique dans [a, b].
Preuve. Nous chercherons les points x
i
en recherchant les racines du polynme
n+1
=
(x x
0
)(x
1
)...(x x
n
) Soit p
n+q
un polynme de degr n + q . Daprs la divison
euclidienne des polynmes,
(4.19) p
n+q
(x) =
n+1
k
q1
+s
n
(x)
o k
q1
et s
n
sont des polynmes de degr q 1 et n. Multipliant cette galit par
w et intgrant, il vient que :
(4.20)
_
b
a
w(x)p
n+q
(x)dx =
_
b
a
w(x)
n+1
(x)k
q1
(x)dx +
_
b
a
w(x)s
n
(x)dx
Nous voulons que
(4.21)
_
b
a
w(x)p
n+l
(x)dx =
n
i=0
A
i
p
n+l
(x
i
)
pour l q. Par suite(4.21),(4.19)(4.20) et le fait que degr de s
n
n nous donne
(4.22)
n
i=0
A
i
s
n
(x
i
) =
_
b
a
w(x)
n+1
(x)k
q1
(x)dx +
n
i=0
A
i
s
n
(x
i
).
36 CHAPITRE 4. CALCULS DINTGRALES NUMRIQUES
Par consquent il vient que :
(4.23)
_
b
a
w(x)
n+1
(x)k
q1
(x)dx = 0.
Par suite les x
i
sont les racines dune famille de polynmes orthogonaux, relativemnt
[a, b] relativement la fonction w.
Ecrivons
n+1
sous la forme
(4.24)
n+1
= x
n+1
+a
n
x
n
+... +a
1
x +a
0
. En prenant successivement k
q1
= 1, x, ..., x
q1
les formules (4.23) nous donnent le
systme :
(4.25)
_
_
_
b
a
w(x)x
n+1
dx +a
n
_
b
a
w(x)x
n
dx +... +a
0
_
b
a
w(x)dx = 0
_
b
a
w(x)x
n+2
dx +a
n
_
b
a
w(x)x
n+1
dx +... +a
0
_
b
a
w(x)xdx = 0
.
.
.
_
b
a
w(x)x
n+q
dx +a
n
_
b
a
w(x)x
n+q1
dx +... +a
0
_
b
a
w(x)x
q1
dx = 0
Il sagit l dun systme de q equation n + 1 inconnues. Il admet en gnral une
solution si q n + 1. On a par suite n +q 2n + 1.
Rciproquement si
n+1
vrie (4.23) on a que la formule (4.1) est exacte pour n+1
q 0.
Remarque 20 Demarche pratique
-Pour determiner les x
i
on considre un polynme monique de degr n + 1 crit sous
la forme
(4.26)
n+1
= x
n+1
+a
n
x
n
+... +a
1
x +a
0
et on forme le systme
(4.27)
_
_
_
b
a
w(x)x
n+1
dx +a
n
_
b
a
w(x)x
n
dx +... +a
0
_
b
a
w(x)dx = 0
_
b
a
w(x)x
n+2
dx +a
n
_
b
a
w(x)x
n+1
dx +... +a
0
_
b
a
w(x)xdx = 0
.
.
.
_
b
a
w(x)x
2n+1
dx +a
n
_
b
a
w(x)x
2n
dx +... +a
0
_
b
a
w(x)x
n
dx = 0
dinconnues a
i
.
- on cherche alors les racines de
n+1
-Enn on dtermine les A
i
en utilisant la mme methode que prcedemment :
(4.28)
_
b
a
w(x)x
k
dx =
N
i=0
A
i
x
k
i
, k = 0, ..., n
Exemple 17 1) Ecrire la formule de quadrature de Gauss trois points pour approcher
lntgrale J(f) =
_
1
1
f(x)dx
2) Lutiliser dans le cas o f(x) = x
4
.
4.4. METHODE DE GAUSS 37
4.4.3 Erreur dintgration
Si f est une fonction 2n + 2 continment drivables, on montre que lerreur dint-
gration est
(4.29) R =
f
(
2n + 2)()
(2n + 2)!
_
b
a
w(x)
n+1
(x)dx, [a, b]
4.4.4 Polynmes orthogonaux classiques
Connaissant lintervalle [a, b] et la fonction w, on est renseign sur la famille de
polynmes orthogonaux a laquelle appartient
n+1
. On y prend alors le polynme
monique de degr n + 1 dont on cherche les racines.
Polynme de Legendre
a = 1 ;b = 1 w(x) = 1 L
0
(x) = 1 ;L
1
(x) = x et n 1; (n + 1)L
n+1
(x) (2n +
1)xL
n
(x) +nL
n1
(x) = 0
Polynme de Tchebyshev
a = 1 ;b = +1 w =
1
1x
2
T
0
(x) = 1 ;T
1
(x) = x et n 1; T
n+1
(x) 2xT
n
(x) +
T
n1
(x) = 0
Polynme de Laguerre
a = 0 ;b = + w = e
x
; P
0
(x) = 1 ;P
1
(x) = 1 x et n 1; (n+1)P
n+1
(x) (2n+
1 x)P
n
(x) +nP
n1
(x) = 0
Polynme de Hermite
a = ;b = w(x) = e
x
2
; H
0
(x) = 1 ;H
1
(x) = 2x et n 1; H
n+1
(x)
2xH
n
(x) + 2nH
n1
(x) = 0
38 CHAPITRE 4. CALCULS DINTGRALES NUMRIQUES
Chapitre 5
Rsolution Numrique de
problmes direntielle
1
5.1 GENERALITES
5.1.1 Equations Direntielles
Dnition 10 On appelle quation direntielle, une quation o les inconnues notes
u
1
, ..., u
p
sont des fonctions dune variable x, o ces incunnues interviennent par elle-
mme ou par leur drives dans lexpression de lquation.
Dnition 11 On dira quune quation direntielle est dordre m si dans son ex-
pression, lune au moins des fonctions inconnues u
l
apparait dune part par sa m
ieme
drive en x et si dautre part m est la plus grande drive dans cette expression.
Exemple 18 u
2
(x) +u
(x) +u(x) = 0; u
(0) = u
1
etu(0) = u
0
Problme direntiel particulier
Notre tude portera sur des problmes direntiels dont lquation direntielle
comprend une seule fonction inconnue note y(x).
1. Cours L3D-S 2011, Pr O. TRAORE
39
40CHAPITRE 5. RSOLUTIONNUMRIQUE DE PROBLMES DIFFRENTIELLE
De plus cette quation peut tre mise sous forme canonique.
Plus prcisement lquation direntielle dordre 5 :
(x, y(x), y
(x), ..., y
(5)
(x)) = 0
sera crite sous canonique si elle quivalente
y
(5)
(x) = F(x, y(x), ..., y
(4)
)
. On peut imposer la solution de lquation ainsi qu ses drives de prendre en un
point donn x
0
des valeurs xes lavance.
Ainsi si x [x
0
, T], on notera y
0
, y
0
, ..., y
(4)
0
les valeurs xes lavance et on cherchera
la solution y de lquation direntielle :
(5.1)
_
y
(5)
= F(x, y(x), ..., y
(4)
)
y(x
0
) = y
0
, ..., y
(4)
(x
0
) = y
(4)
0
Problme direntiel dordre p avec conditions initiales
a)Problme direntiel dordre 1 Un tel problme scrit :
Trouver y C
1
([x
0
, T]) solution de :
(5.2)
_
y
= Y (x, y(x))
y(x
0
) = y
0
.
o Y : [x
0
, T] R
.
b) Problme direntiel dordre p
Un tel problme se formule comme suit : Trouver y C
p
([x
0
, T]) vriant :
(5.3)
_
y
(p)
= Y (x, y(x), ..., y
(p1)
)
y(x
0
) = y
0
, ..., y
(p1)
(x
0
) = y
(p1)
0
o Y : [x
0
, T] (R
)
p
R
.
5.1.3 Proprites des problmes crits sous forme canonique
Thorme 21 Soit le problme direntiel du premier ordre : Trouver y C
1
([x
0
, T])
solution de (5.2).
On suppose que :
H
1
Y : [x
0
, T] R
_
z
1
= y
z
2
= y
.
.
.
z
p
= y
(p1)
Alors le problme de Cauchy (5.3) nous donne
(5.5)
_
_
z
1
= z
2
z
2
= z
3
.
.
.
z
p
= y
p
= Y (x, z
1
, ..., z
p
)
Posons Z(x) = (z
1
, ..., z
p
), on a Z
)
p
(R
)
p
(b) Z
(x
0
) +
(x x
0
)
2
2
y
(x
0
) +...
42CHAPITRE 5. RSOLUTIONNUMRIQUE DE PROBLMES DIFFRENTIELLE
= y
0
+ (x x
0
)y
0
+
(x x
0
)
2
2
y
0
+...
avec y
0
donn,
y
0
= Y (x
0
, y
0
) = Y
0
, y
0
=
Y
x
|x
0
+Y
0
Y
y
|x
0
y
(3)
(x) =
d
dx
_
Y (x,y(x))
x
+Y (x, y(x))
Y (x,y(x)
y
_
La drivation devient trs complique rapidement. De plus on ne sait en gnral estimer
le rayon de convergence.
Exemple 20
(5.6)
_
y
= 1 +y(x)
y(x
0
) = 0.
On a : y
(0) = 1+y(0) = 1 ; y
= 1 +y
y(0) = 0
On a y
0
(x) = 0, alors Y (x, y
0
(x)) = 1.
Par suite y
1
(x) = y
0
+
_
x
0
dt = x.
y
2
(x) = y
0
+
_
x
0
(1 +t)dt = x +
x
2
2
.
.
.
y
n
= x +
x
2
2
+
x
3
3!
+...
x
n
n!
. (On peut le montrer par recurrence).
Remarque 21 Les algorithmes que nous allons tudier se divisent en deux classes :
-les algorithmes pas spars. Ceux ci permettent de calculer y
i+1
en nutilisant que
les renseignements numriques obtenus aux point t
i
.
-les algorithmes a pas lis. Ils permettent dobtenir la valeur y
i+1
en utilisant les ren-
seignements numriques recueillis au point t
i
et en des points prcdents t
i1
; ...; t
ip
.
5.3. METHODE NUMERIQUE A PAS SEPARES 43
5.3 METHODE NUMERIQUE A PAS SEPARES
5.3.1 Formulation
Trouver des approximations de la solution du systme (5.2) en des points xs (
quidistants ou pas) de [x
0
, T] = [a, b]
5.3.2 Description sommaire de lalgorithme
On subdivise [a, b] par des points x
i
quidistants au nombre de n + 1 par exemple,
avec : x
0
= a, x
i
= a +ih, ..., x
n
= b, h =
ba
n
.
Eectuer le ieme pas dintgration consiste passer de la valeur y
i
approximation de
la valeur exact y(x
i
) suppose dtermine, la valeur y
i+1
approximation de y(x
i+1
).
Voir gure 1.
5.3.3 Algorithme de RUNGE KUTTA
Algorithme gnral
Considrons lintervalle [x
i
, x
i+1
] dans lequel interviennent des points intermdiaires
x
i
dnis par :
(5.9)
_
_
x
i
= x
i
+
h
0
1
= 1, ...q
q
= 1
Lalgorithme associ aux subdivisions et aux sous subdivisions prcdentes est celui
de Runge Kutta gnral que nous noterons RK
g
.
Il consiste crire chaque pas la suite des valeurs numriques :
(5.10)
_
_
y
i
0
= y
i
y
i
= y
i
+h
1
=0
A
Y (x
i
, y
i
)
= 0, 1, ...q
comment dtermine t-on les coecients A
et ?
(i) On eectue le dveloppement de Taylor de y(x) solution exacte du problme local
(5.11)
_
y
g
= Y (x, y
g
)
y(x
i
) = y
i
, x [x
i
, x
i+1
]
(ii) de lgalit y
i
= y
i
+ h
1
=0
A
Y (x
i
, y
i
g
(x
i
) +...
Examinant la concidence avec ci-dessus, il vient que A
10
= 1. Ainsi RK
11
scrit :
(5.12)
_
y
i
0
= y
i
y
i
1
= y
i
+hY (x
i
, y
i
)
(b)Algorithme RK
22
p = q = 2
(5.13)
_
_
y
i
0
= y
i
y
i
1
= y
i
+hA
10
Y (x
i
0
, y
i
0
)
y
i
2
= y
i
+hA
20
y(x
i
0
, y
i
0
) +hA
21
Y (x
i
1
, y
i
1
)
Calcul de A
10
, A
20
, A
21
y
i
1
= y
i
+hA
10
Y (x
i
0
, y
i
0
) et y(x
i
1
) = y(x
i
) +
1
y
(x
i
) +
2
1
2
y
(x
i
) +....
Do A
10
=
1
.
y
i
2
= y
i
+hA
20
y(x
i
0
, y
i
0
) +hA
21
Y (x
i
1
, y
i
1
).
On a :Y (x
i
1
, y
i
1
) = Y (x
i
+
1
h, y
i
+ hA
10
Y (x
i0
, y
i
0
)) = Y (x
i
, y
i
) +
1
h
Y
x
(x
i
, y
i
) +
hA
10
Y (x
i0
, y
i
0
)
Y
y
(x
i
, y
i
) +...
Par suite comme A
10
=
1
il vient que :
Y (x
i
1
, y
i
1
) = y
(x
i
) +
1
hy
(x
i
) +
2
1
h
2
y
(3)
(x
i
) +....
Do y
i
2
= y
i
+h(A
20
+A
21
)Y (x
i
, y
i
0
) +
1
h
2
A
21
y
(x
i
) +...
y(x
i+1
) = y(x
i
) +hy
(x
i
) +
h
2
2
y
(x
i
) +...
Il vient donc que :
(5.14)
_
A
20
+A
21
= 1
1
A
21
=
1
2
Donc A
21
=
1
2
1
; A
20
= 1
1
2
1
et A
10
=
1
.
On obtient ainsi une innit dalgorithmes RK
22
, dont trois cas classiques :
Algorithme de la tangente amliore,
1
= 1/2
5.3. METHODE NUMERIQUE A PAS SEPARES 45
On obtient :
2
= 1, A
10
= 1/2 ,A
20
= 0 et A
21
= 0.
Par suite :
(5.15)
_
_
x
i
1
= x
i
+
1
2
h
y
i
1
= y
i
+
1
2
hY (x
i
, y
i
)
y
i
2
= y
i
+hY (x
i
1
, y
i
1
)
Algorithme d Euler Cauchy,
1
= 1
A
10
= 1 A
20
= 1/2 and A
21
= 1/2
(5.16)
_
x
i
1
= x
i+1
y
i
1
= y
i
+
1
2
h(Y (x
i
, y
i
) +Y (x
i
1
, y
i
1
))
Algorithme de Heun,
1
= 2/3
Algorithme RK
44
de Runge Kutta classique
Comme au (b) on peut avoir une innit dalgorithmes RK
44
. Citons seulement RK
44
de Runge Kutta classique ou RK
4
.
(5.17)
_
_
k
1
= hY (x
i
, y
i
)
k
2
= hY (x
i
+
1
2
h, y
i
+
1
2
k
1
)
k
3
= hY (x
i
+
1
2
h, y
i
+
1
2
k
2
)
k
4
= hY (x
i
+h, y
i
+k
3
)
y
1+i
= y
i
+
1
6
(k
1
+ 2k
2
+ 2K
3
+k
4
)
convergence de lalgorithme de Runge Kutta
Les algorithmes RK peuvent scrire sous la forme y
i+1
= y
i
+h(x
i
, y
i
, h).
Thorme 22 Pour que lalgorithme RK vers la solution exacte du problme (5.2) il
faut et il sut que la fonction vrie les deux conditions :
(1) Il existe L > 0 ; |(x, y, h) (x, z, h)| Ly z
(2) (x, y, 0) = Y (x, y)
Mthode de Runge Kutta pour les systmes
On considre le systme suivant :
(5.18)
_
y
x
2
+1
est solution du systme
(5.19)
_
u
(x) =
_
1
x
x
2
+1
_
u(x) x > 0
u(0) = 0
2)Appliquer la methode dEuler pour estimer les valeurs de u aux points x
i
= ih,
i = 1, ...10 et h = 0, 1. Comparer avec la fonction u de 1).
Exercice 2 Reprendre lexercice 1 avec cette fois lalgorithme de Heun.
Exercice 3 On considre le systme :
(5.20)
_
u
(0) = 1
Appliquer la mthode de RK44 classique pour estimer u(t
i
) avec t
i
= ih, i = 0, ..., 4
et h = 0, 25.
Exercice 4 Utiliser lalgorithme dEuler Cauchy pour est estimer y(t
i
) pour t
i
= ih
avec i = 1, ..., 4 h = 0, 02 et y solution de
(5.21)
_
y
(t) = te
t
+ty(t)) t > 0
y(0) = 1
48CHAPITRE 5. RSOLUTIONNUMRIQUE DE PROBLMES DIFFRENTIELLE
Chapitre 6
Introduction Aux Equations aux
drives partielles,
Approximation par dirences
nies
1
6.1 INTRODUCTION AUX EDP
6.1.1 Introduction
Les phnomnes physiques sont en gnral gouverns par des quations fonction-
nelles liant une grandeur u, ses variables x
1
, ..., x
n
et ces drives partielles par rapport
ses variables. Une telle quation est apple quation aux drives partielles (edp).
On dira que ledp est dordre p si p est lordre drivation le plus lv gurant dans
ledp.
Les edp que nous tudierons seront linaires et dordre 2. La forme gnrale des edp
lineaires est :
(6.1) Lu(x) = a
0
(x) +
n
i=1
a
i
(x)
u(x)
x
i
+
n
i,j=1
a
i,j
2
u
x
i
x
j
(x) +... = f(x) x
Lorsque f = 0, on dira que ledp est homogne.
De manire gnrale, les edp sont regroupes en trois grandes classes.
6.1.2 Classication des edp du second ordre
Equation parabolique
Equation de la chaleur
Considrons un corps R
3
homogne. On note u(t, x, y, z) la temprature du point
1. Cours L3D-S 2011, Pr O. TRAORE
49
50CHAPITRE 6. EQUATIONS AUXDRIVES PARTIELLES, APPROXIMATION
(x, y, z) linstant t. Considrons un cube lmentaire (voir gure).
Considrons la face ( arrire ) se trouvant labscisse x. La quantit de chaleur qui
la traverse pendant lintervalle de temps [t, t + t] est proportionnelle la variation
de temprature
u
x
(t, x, y, z), t, llment de longueur y et au coeicent de
conductibilit calorique k. Ainsi cette quantit de chaleur est
k
u
x
(t, x, y, z)tyz.
De mme la quantit de chaleur qui traverse la face se trouvant en x + x est
k
u
x
(t, x + x, y, z)tyz.
Par suite la quantit de chaleur passant par ces deux faces est :
k
_
u
x
(t, x + x, y, z)
u
x
(t, x, y)
_
tyz.
Une approximation au premier ordre nous donne :
k
2
u
x
2
(t, x, y, z)tyxz.
Le mme raisonnement suivant les autres axes nous donne au total :
k
_
2
u
x
2
(t, x, y, z) +
2
u
y
2
(t, x, y, z) +
2
u
z
2
(t, x, y, z)
_
tyxz.
Cette mme quantit est gale
u
t
(t, x, y, z)xyzt
tant la chaleur specique. Par suite on obtient lquation suivante apple equation
de la chaleur dans R
3
:
(6.2)
u
t
(t, x, y)k
_
2
u
x
2
(t, x, y) +
2
u
y
2
(t, x, y, z) +
2
u
z
2
(t, x, y, z)
_
= 0 t > 0 (x, y, z)
6.1. INTRODUCTION AUX EDP 51
Cette criture peut tre complte pour avoir le problme suivant appl problme aux
limites :
(6.3)
_
u
t
(t, x, y) k
_
2
u
x
2
(t, x, y) +
2
u
y
2
(t, x, y, z) +
2
u
z
2
(t, x, y, z)
_
= 0 t > 0 (x, y, z)
u(0, x, y, z) = u
0
(x, y, z) (x, y, z)
u
(t, x, y, z) = gradu.
Cela signie que lon recherche une repartition de la temprature connaisant la distri-
bution iniitale et le ux de chaleur travers la frontire. Ce problme est alors appel
problme de Cauchy avec les conditions aux limites de type Neumann.
La troisime condition peut tre remplace par u(t, x, y, z) = h(t, x, y, z) t > 0, x .
Il sagit dans ce cas dun problme de Cauchy avec les conditions aux limites de type
Dirichlet.
Equation Parabolique Plus gnralement une edp de la forme :
(6.4)
u
t
(t, x)
n
i,j=1
x
i
_
a
i,j
(x)
u
x
j
_
+
n
i=1
b
i
(x)
u
x
i
(t, x) +c(x)u(t, x) = f(t, x)
est apple edp parabolique linaire du second ordre.
Equation elliptique
Il sagit des edp pouvant se mettre sous la forme
(6.5)
n
i,j=1
a
i,j
(x)
2
u
x
i
x
j
+
n
i=1
b
i
(x)
u
x
i
(x) +c(x)u(x) = f(x) x R
n
avec c(x) < 0 et pour tout x R
n
;
n
i,j=1
a
i,j
(x)
i
j
w
2
Exemple 22 En dimension trois, le potentiel coulombien induit par une densit de
charge lectrique satisfait lquation suivante :
(6.6) (x, y, z) =
2
V
x
2
+
2
V
y
2
+
2
V
z
2
(x, y, z) dsigne la densit locale de charge et V (x, y, z) le potentiel lectrostatique
dterminer. On pourrait sintresser au cas o on connait le potentiel lectrostatique
sur la frontiere du domaine. On aurait alors un probleme aux limites avec les conditions
de Dirichlet
52CHAPITRE 6. EQUATIONS AUXDRIVES PARTIELLES, APPROXIMATION
Equation hyperbolique
Equation des ondes Considrons une barre lastique de longueur l repr par le
segment [0, l]. On note u(t, x) le dplacement transversal du point x linstant t. Une
approximation du premier ordre nous donne :
u(t, x +dx) u(t, x)
u
x
(t, x)dx
Selon la loi de Hook cette modication produit une force gale
T(t, x) = k(x)
u
x
(t, x)
k tant le module dlasticit.
Le segment [x, x +dx] induit par suite la force :
T(t, x +dx) T(t, x)
x
_
k(x)
u
x
(t, x)
_
dx.
Maintenant si f est une force extrieure longitudinale la seconde de loi de Newton nous
donne :
(x)
2
u
t
2
(t, x) =
x
(k(x)
u
x
(t, x)) +f.
tant la densit linique de la barre. On pourrait ici aussi adjoindre des conditions
initiales et des conditons aux limites pour avoir un problme de Cauchy de type Neu-
mann ou de type Dirichlet.
Equation hyperbolique
De manire gnrale une quation :
(6.7)
m
u
t
m
+
1
+...+
n
+jm
a
,j
1
+...+
n
x
1
1
...x
n
n
(
j
t
j
u) = f(t, x) dans (0, T) .
6.2 APPROXIMATION PAR DIFFERENCES FINIES
6.2.1 Approximation des Problmes aux limites elliptiques
Un problme aux limites en dimmension 1
Nous notons C
m
(I) lespace vectoriel des fonctions relles m fois continment dri-
vables sur un intervalle I R,m N On considre le problme :
(6.8)
_
u
(x
i
) +
h
2
2
u
(x
i
) +
h
3
6
u
(3)
(x
i
) +
h
4
24
u
(4)
(x
i
+
+
i
h)
et
u(x
i1
) = u(x
i
) hu
(x
i
) +
h
2
2
u
(x
i
)
h
3
6
u
(3)
(x
i
) +
h
4
24
u
(4)
(x
i
+
i
h)
avec 1 <
i
<
+
i
< 1.
Do on tire daprs le theorme des valeurs intermediaires :
u
(x
i
) =
1
h
2
_
u
(x
i+1
) + 2u(x
i
) u(x
i1
)
_
+
h
2
12
u
(4)
(x
i
+
i
h)
avec |
i
| < 1.
En posant u
i
= u(x
i
) et f
i
= f(x
i
) on obtient le systme suivant :
(6.9)
_
h
2
+
2u
1
u
2
h
2
+c
1
u
1
= f
1
h
2
12
u
(4)
(x
1
+
1
h)
.
.
.
u
i1
+2u
i
u
i+1
h
2
+c
i
u
i
= f
i
h
2
12
u
(4)
(x
i
+
i
h) 2 i N 1
.
.
.
h
2
+
2u
N
u
N1
h
2
+c
N
u
N
= f
N
h
2
12
u
(4)
(x
N
+
N
h)
Le systme prcedent secrit : A
h
U
h
= B
h
+
h
(u) avec
(6.10) A
h
=
_
_
_
_
_
_
2 +c
1
h
2
1 0 . . .
1 2 +c
2
h
2
1 . . .
.
.
.
.
.
.
.
.
.
0 . . . 1 2 +c
N
h
2
_
_
_
_
_
_
(6.11) B
h
=
_
_
_
_
f
1
+
h
2
f
2
.
.
.
f
N1
f
N
+
h
2
_
_
_
_
54CHAPITRE 6. EQUATIONS AUXDRIVES PARTIELLES, APPROXIMATION
(6.12)
h
=
h
2
12
_
_
_
_
u
(4)
(x
1
+ 1h)
.
.
.
u
(4)
(x
N
+
N
h
_
_
_
_
et
(6.13) U
h
=
_
_
_
u
1
.
.
.
u
N
_
_
_
On est conduit ngliger
h
pour h assez petit et rsoudre A
h
U
h
= B
h
Proposition 5 On suppose que c 0.Alors le systme A
h
U
h
= B
h
admet une et une
seule solution.
Preuve. Il sut de montrer que la matrice A
h
est symtrique dnie positive.
Proposition 6 On suppose que c 0. Si u solution de (6.8) vrie u C
4
([0, 1]).
Alors max
1iN
|u
i
u(x
i
)|
h
2
96
sup
0x1
u
(4)
(x)
2
u(P)
x
2
1
u(P
3
)+2u(P)u(P
1
)
h
2
1
Sinon on cherche une combinaison lineaires des 3 valeurs u(P
3
), u(P) et u(P
1
) de telle
sorte que
1
u(P
1
) +u(P) +
3
u(P
3
)
2
u(P)
x
2
1
+{termes avec drives dordre 3}.
Si u est susamment rgulire, on peut crire :
u(P
1
) = u(P) h
1
u(P)
x
1
+
h
2
1
2
2
u(P)
x
2
1
h
3
1
6
3
u(Q
1
)
x
3
1
u(P
3
) = u(P) h
3
u(P)
x
1
h
2
3
2
2
u(P)
x
2
1
+
h
3
3
6
3
u(Q
3
)
x
3
1
.
o Q
1
]P, P
1
[ et Q
3
]P
3
, P[ .
On doit avoir alors :
(6.15)
_
1
+ +
3
= 0
h
1
1
h
3
3
= 0
h
2
1
2
1
+
h
2
3
2
3
= 1
Par suite on a
1
=
2
h
1
(h
1
+h
3
)
, =
2
h
1
h
3
;
3
=
2
h
3
(h
1
+h
3
)
.
Do
2
u(P)
x
2
1
=
2
h
1
(h
1
+h
3
)
u(P
1
) +
2
h
1
h
3
u(P) +
2
h
3
(h
1
+h
3
)
u(P
3
)
On peut ainsi denir le Laplacien approch comme loprateur linaire qui toute
fonction u dnie sur
h
h
associe la fonction
h
u dnie sur
h
par :
(6.16)
h
u(P) =
2
h
1
(h
1
+h
3
)
u(P
1
) +
2
h
2
(h
2
+h
4
)
u(P
2
)
_
2
h
1
h
3
+
2
h
2
h
4
_
u(P)+
2
h
3
(h
1
+h
3
)
u(P
3
) +
2
h
4
(h
2
+h
4
)
u(P
4
)
Lorsque h
1
= h
2
= h
3
= h
4
(6.17)
h
u(P) =
u(P
1
) +u(P
2
) 4u(P) +u(P
3
) +u(P
4
)
h
2
Le problme discret associ au problme se rsume dterminer la fonction u
h
dnie
sur
h
h
par :
(6.18)
_
h
u(P) = f(P) P
h
u
h
(P) = g(P) P
h
Ce systme scrira alors A
h
u
h
= B
h
o A
h
est une matrice creuse.
56CHAPITRE 6. EQUATIONS AUXDRIVES PARTIELLES, APPROXIMATION
6.2.2 Un problme aux limites parabolique
En dimension 1 despace
On considre lquation de la chaleur simplie :
(6.19)
_
_
u(t,x)
t
2
u(t,x)
x
2
= f(t, x) t > 0, 0 < x < 1
u(0, x) = u
0
(x) 0 x 1
u(t, 0) = u(t, 1) = 0 t > 0
Remarque 23 On demontre que lorsque les fonctions f et u
0
sont susamment regu-
lires et si u
0
vrie la condition de compatibilit u
0
(0) = u
0
(1) = 0 alors (6.19) admet
une et une seule solution classique.
La technique de base consiste discrtiser le domaine.
Ainsi pour n = 1, 2, ... et i = 0, 1, 2, ...N+1 on pose : t
n
= nt et x
i
= ix o x =
1
N
Schma explicite :
On remplace les drives partielles par les dierences nies :
u
t
(nt, ix) =
u
n+1
i
u
n
i
t
et
2
u
x
2
(nt, ix) =
u
n
i+1
2u
n
i
+u
n
i1
(x)
2
on obtient le systme :
(6.20)
_
_
u
n+1
i
u
n
i
t
+
u
n
i+1
+2u
n
i
u
n
i1
(x)
2
= f
i
1 i N, n > 0
u
0
i
= u
0
(ix) 1 i N
u
n
0
= u
n
N+1
= 0, n > 0
Posant u
n
=
t
(u
n
1
, ..., u
n
N
) ; f
n
=
t
(f
n
1
, ..., f
n
N
) le problme (6.20) scrit :
(6.21)
_
u
n+1
u
n
t
+Au
n
= f
n
n 0
u
0
donn
avec
(6.22) A =
1
h
2
_
_
_
_
_
_
2 1 0 . . .
1 2 1
.
.
.
.
.
.
.
.
.
0 . . . 1 2
_
_
_
_
_
_
On peut donc explicitement tirer u
n+1
en fonction de u
n
.
(6.23)
_
u
n+1
= (I
n
tA)u
n
+ tf
n
n 0
u
0
donn
6.2. APPROXIMATION PAR DIFFERENCES FINIES 57
Schma implicite :
u
t
(nt, ix) =
u
n
i
u
n1
i
t
.
On obtient successivement
(6.24)
_
_
u
n
i
u
n1
i
t
+
u
n
i+1
+2u
n
i
u
n
i1
(x)
2
= f
i
1 i N, n > 0
u
0
i
= u
0
(ix) 1 i N
u
n
0
= u
n
N+1
= 0, n > 0
Soit
(6.25)
_
(I
n
+ tA)u
n
= u
n1
+ tf
n
n 0
u
0
donn
Pour obtenir U
n
on doit rsoudre un systme linaire.
Remarque 24 1- Un schma est dit stable lorsque les petites erreurs introduites par
les calculs dcroissent quand les valeurs prises croissent. Cest dire que les petites
pertubations entrainent de petites pertubations de la solution. On montre que le sch ma
implicite est plus stable que le schma explicite. On montre de plus que le schma
implicite est stable et convergent pour =
t
(x)
2
0, 5.
2- On peut envisager la mme mthode pour lequation de la chaleur avec des conditions
non homognes.
En dimension 2 despace
On peut evidemment envisager la mthode pour lequation de la chaleur en dimen-
sion superieure. Par exemple
(6.26)
_
_
u(t,x)
t
u(t, x) = f(t, x) t > 0, x
u(0, x) = u
0
(x) v
u(t, ) = 0 t > 0
On introduira alors comme pour les problmes elliptiques, le Laplacien approch pour
approximer .
6.2.3 Un problme aux limites hyperbolique : equation des ondes
Considrons le systme :
(6.27)
_
_
1
c
2
2
u
t
2
(t, x)
2
u
x
2
(t, x) = f(t, x) t > 0, 0 < x < 1
u(0, x) = u
0
(x) 0 x 1
t
u(0, x) = u
1
(x) 0 < x < 1
u(t, 0) = u(t, 1) = 0 t > 0
58CHAPITRE 6. EQUATIONS AUXDRIVES PARTIELLES, APPROXIMATION
Les techniques sont similaires. On obtient :
(6.28)
_
_
1
c
2
u
n+1
i
2u
n
i
+u
n1
i
(t)
2
+
u
n
i+1
+2u
n
i
u
n
i1
(x)
2
= f
n
i
1 i N, n > 0
u
0
i
= u
0
= (ih) 0 i N
u
n
0
= u
n
N+1
= 0, n > 0
u
1
i
= u
0
(ix) + tu
1
(ix) 1 i N + 1
Soit encore les schma explicite avec les mme notations :
(6.29)
_
1
c
2
u
n+1
2u
n
+u
n1
(t)2
+Au
n
= f
n
n 0
u
0
u
1
donns
A ce schma explicite on prfere le schma implicite suivant :
(6.30)
_
1
c
2
u
n+1
2u
n
+u
n1
(t)2
+
1
4
_
Au
n+1
+ 2Au
n
+Au
n1
_
= f
n
n 0
u
0
u
1
donns
La progression dans ce dernier schma ncessite la resolution dune suite de systmes
linaires de mme matrice I +
c
2
(t)
2
4
A.
Le schma explicite est stable et convergent si et seulement si on a 0 <
t
x
< 1.
On peut evidemment envisager la mthode pour lquation des ondes en dimension
superieure. Par exemple
(6.31)
_
2
u(t,x)
t
u(t, x) = f(t, x) t > 0, x
u(0, x) = u
0
(x) 0 x 1
u(t, ) = 0 t > 0
u
t
(0, x) = u
1
(x) x
On introduira alors le Laplacien approch pour approximer .
6.3. EXERCICES 59
6.3 EXERCICES
Exercice1 1-Approximer la solution u aux points x
i
= ih avec h = 0, 2
(6.32)
_
u
(x) +u(x) = e
x
0 < x < 1
u(0) = 1 u(1) = 0
2-Montrer que v(x) = (1 x)e
x
est soluiton du problme et comparer les valeurs u
i
obtenues v(x
i
) pour v(x) = (1 x)e
x
Exercice 2 Approximer la solution u du problme suivant :
(6.33)
_
2
u
x
2
(x, y) +
2
u
y
2
(x) = 2 0 < x < 1, 0 < y < 1
u(x, 0) = u(x, 1) =
_
x 0 x 0, 5
1 x 0, 5 x 1
u(0, y) = u(0, y) =
_
y 0 y 0, 5
1 y 0, 5 y 1
On prendra un pas uniforme h = 0, 2.
Exercice3
(6.34)
_
_
u(t,x)
t
2
u(t,x)
x
2
= 0 t > 0, 0 < x < 1
u(0, x) = 0, 5x(1 x) 0 x 1
u(t, 0) = u(t, 1) = 0 t > 0
On veut appliquer le schma implicite avec x = 0, 1 quelles valeurs prendre pour t
Appliquer.
Exercice4
(6.35)
_
2
u
t
2
(t, x)
2
u
x
2
(t, x) = 0 t > 0, x
u(0, x) = 0, 2x(1 x) 0 x 1
t
u(0, x) = 0 0 < x < 1
u(t, 0) = u(t, 1) = 0 t > 0
On veut appliquer le schma explicite avec x = 0, 25 quelle valeur prendre pour t
Appliquer.
Exercice5
(6.36)
_
_
u(t,x)
t
u(t, x) = x t > 0, 0 < x < 1, 0 < y < 1
u(0, x, y) = xy(1 x)(1 y) 0 x 1, 0 y 1
u(t, x, 0) = u(t, x, 1) = 0 t > 0, x [0, 1]
u(t, 0, y) = u(t, 1, y) = 0 t > 0 y [0, 1]
Approximer u avec t = 0, 1 et x = y = 0, 25
60CHAPITRE 6. EQUATIONS AUXDRIVES PARTIELLES, APPROXIMATION
Table des matires
1 Rsolution Numrique dEquations 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 SEPARATION DES RACINES . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 QUELQUES METHODES ITERATIVES DE RESOLUTION DEQUA-
TIONS NON LINEAIRES . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Mthode de dichotomie ou de bisection . . . . . . . . . . . . . . 5
1.3.2 Mthode des accroissements nis . . . . . . . . . . . . . . . . . . 5
1.3.3 Mthode dinterpolation linaire repte . . . . . . . . . . . . . . 6
1.3.4 Mthode de Newton Raphson . . . . . . . . . . . . . . . . . . . . 7
2 RESOLUTION de SYSTEMES 11
2.1 GENERALITES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.2 Normes et normes matricielles . . . . . . . . . . . . . . . . . . . . 12
2.1.3 Drives partielles-continuit . . . . . . . . . . . . . . . . . . . . 12
2.2 Rsolution de systme non linaires . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Mthode du point xe . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Mthode de Newton Raphson . . . . . . . . . . . . . . . . . . . 13
2.3 Rsolution de systmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 METHODES DIRECTES METHODES INDIRECTES . . . . . 14
2.3.2 NOTION DE CONDITIONNEMENT . . . . . . . . . . . . . . . 15
2.3.3 RESOLUTION DE PETITS SYSTEMES . . . . . . . . . . . . . 15
2.3.4 RESOLUTION De GRANDS SYSTEMES . . . . . . . . . . . . 19
3 Approximation -Interpolation 23
3.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Interpolation au sens de Lagrange dune fonction . . . . . . . . . . . . . 23
3.2.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Existence du polynme dinterpolation . . . . . . . . . . . . . . 24
3.2.3 Polynme dinterpolation de LAGRANGE . . . . . . . . . . . . . 24
3.2.4 Erreur dinterpolation . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3 APPROXIMATION OPTIMALE AU SENS DES MOINDRES CARRES 25
3.3.1 Produit scalaire- Norme- espaces de Hilbert . . . . . . . . . . . . 25
61
62 TABLE DES MATIRES
3.3.2 Approximation optimale dans un espace hilbertien . . . . . . . . 26
4 Calculs dIntgrales Numriques 31
4.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 METHODES A PAS CONSTANTS . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.2 Dtermination des A
i
quand f est un polynme . . . . . . . . . . 31
4.2.3 Convergence de lintgration approche . . . . . . . . . . . . . . 32
4.3 METHODES DE NEWTON COTE . . . . . . . . . . . . . . . . . . . . 33
4.3.1 Formule gnrale de NC . . . . . . . . . . . . . . . . . . . . . . . 33
4.3.2 Quelques formules de type ferm . . . . . . . . . . . . . . . . . . 33
4.3.3 Une formule de type ouvert : Du gnral de Poncelet . . . . . . . 34
4.3.4 Complments : Formule des rectangles . . . . . . . . . . . . . . . 34
4.4 METHODE DE GAUSS . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.2 Mthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4.3 Erreur dintgration . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.4 Polynmes orthogonaux classiques . . . . . . . . . . . . . . . . . 37
5 Rsolution Numrique de problmes direntielle 39
5.1 GENERALITES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.1.1 Equations Direntielles . . . . . . . . . . . . . . . . . . . . . . . 39
5.1.2 Problme direntiel avec conditions initiales . . . . . . . . . . . 39
5.1.3 Proprites des problmes crits sous forme canonique . . . . . . . 40
5.1.4 Importance des mthodes numriques . . . . . . . . . . . . . . . 41
5.2 METHODES ANALYTIQUES DAPPROXIMATION . . . . . . . . . . 41
5.2.1 Approximation par la srie de Taylor . . . . . . . . . . . . . . . . 41
5.2.2 Approximation par litration de Picard . . . . . . . . . . . . . . 42
5.3 METHODE NUMERIQUE A PAS SEPARES . . . . . . . . . . . . . . . 43
5.3.1 Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.3.2 Description sommaire de lalgorithme . . . . . . . . . . . . 43
5.3.3 Algorithme de RUNGE KUTTA . . . . . . . . . . . . . . . . . . 43
5.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6 Equations aux drives partielles, Approximation 49
6.1 INTRODUCTION AUX EDP . . . . . . . . . . . . . . . . . . . . . . . . 49
6.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.1.2 Classication des edp du second ordre . . . . . . . . . . . . . . . 49
6.2 APPROXIMATION PAR DIFFERENCES FINIES . . . . . . . . . . . . 52
6.2.1 Approximation des Problmes aux limites elliptiques . . . . . . 52
6.2.2 Un problme aux limites parabolique . . . . . . . . . . . . . . . . 56
6.2.3 Un problme aux limites hyperbolique : equation des ondes . . . 57
6.3 EXERCICES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Bibliographie
[1] A. Quarteroni, F. Saleri, Calculs scientique, Cours,exercices corrigs et illustration
en matlab et Octave, Springer 2006.
[2] A. El Jai,Elements danalyse numrique Collection Etude, P.U Perpignan,2003
[3] B. Demidovitch, I. Maron, Elments de calcul numrique Editon Mir Mousco 1987
[4] Handbook of applicable Mathematics Vol 3, Numerical Methods Editor in Chief W.
Ledermam, Editor R.F Churchhouse, John Wiley et son.
[5] P.G Ciarlet, Introduction lanalyse numrique matricielle et loptimisation Mas-
son 1982
[6] G. Hacques, Mathematiques pour linformatique3 Algorithmique numrique (1)
Cours, Collection U, Armand Collin
63