Professional Documents
Culture Documents
MASTER MECATRONIQUE
2008-2009
Abdellatif Khamlichi
0
2008-2009
Abdellatif Khamlichi
1
Sommaire
Chapitre1:
Les concepts rattachs au calcul numrique...................................................................4
Chapitre 2:
Rsolution numrique des quations non linaires.........................................................14
Chapitre 3:
Interpolation et approximation........................................................................................22
Chapitre 4:
Rsolution numrique des systmes d'quations linaires............................................34
Chapitre 5:
Mthodes de calcul numrique des valeurs propres et des vecteurs propres...............45
Chapitre 6:
Programmation linaire....................................................................................................50
Chapitre 7:
Equations diffrentielles aux drives partielles.............................................................54
Bibliographie
[6]
[7]
[8]
CHAPITRE 1:
Les concepts rattachs au calcul numrique
1. Introduction
L'objet de l'analyse numrique est l'application des mathmatiques afin de dvelopper des
algorithmes et des mthodes capables de construire des solutions numriques aux diffrents
problmes rencontrs dans la pratique.
Trs souvent les thormes d'existence permettent d'tablir que certaines classes de problmes
admettent des solutions mais ne donnent aucune information concernant comment calculer
effectivement la solution.
Dans d'autres cas des solutions analytiques existent mais ne peuvent pas tre utilises telles
qu'elles sont pour obtenir des rsultats numriques.
Voici quelques exemples:
n
a x
j1
ij
bi
rels donns?
(2)
comment
valuer
e 746 ?
(Matlab
donne
par
exemple
exp( 746) 0 et
1 3 1 5 13 7
x x
x L ; si nous utilisons cette formulation tronque aux trois
2
8
240
2
2x 3 y 2
x 1 y 1
3
Supposons que 1010 . Le calcul analytique nous conduit l'unique solution: x 1 et y 0
. Si la perturbation est nulle, on obtient une infinit de solutions: x 1 k / 3 et y k . Ce
qu'il faut remarquer ici c'est qu'une petite perturbation 1010 affectant un seul coefficient
du systme est capable de modifier de manire considrable la nature du rsultat. C'est une
proprit mathmatique du systme qui ne dpend pas de l'algorithme utilis pour le rsoudre.
Si un problme est tel qu'une petite perturbation dans les donnes ne produise qu'une petite
perturbation au niveau de la solution mathmatique, le problme est bien conditionn. Si au
contraire une petite perturbation au niveau des donnes produit une grande perturbation au
niveau du rsultat, le problme est mal conditionn.
Cette notion de conditionnement du problme mathmatique peut tre transcrite aux
algorithmes numriques qui sont envisags pour le rsoudre. Nous disons ainsi qu'un
algorithme numrique est stable si la solution obtenue en utilisant cet algorithme est proche,
en uns sens prciser (choix d'une norme), de la solution exacte du problme perturb.
Supposons que le symbole D dsigne les donnes et que F reprsente une fonction
mathmatique qui permet d'obtenir la solution exacte. F(D) est le processus mathmatique qui
permet de rsoudre le problme. Si les donnes sont perturbes, on se retrouve avec D* et le
processus de rsolution conduit la solution F(D* ) du problme perturb. Le problme est
bien conditionn si D* proche de D entrane F(D* ) proche de F(D).
Soit F* un algorithme numrique permettant de rsoudre le problme de manire approche.
Alors par dfinition F* est un algorithme stable s'il existe une perturbation D* de D telle que
F* (D) soit proche de F(D* ) .
Remarque
On peut trouver dans la pratique les quatre situations suivantes:
- problme mal conditionn et algorithme numrique stable; dans cette situation tout ce qu'on
peut faire c'est tudier la sensibilit du problme (Chaos par exemple);
- problme mal conditionn et algorithme numrique instable; dans ce cas l'outil numrique
ne peut servir rien;
- problme bien conditionn et algorithme numrique stable; c'est la situation idale;
- problme bien conditionn et algorithme numrique instable; c'est le cas o le numricien
doit travailler davantage.
4. Problmes types qui intressent le numricien
Tout d'abord un numricien est un mathmaticien qui dveloppe, analyse et value des
algorithmes numriques destins obtenir des solutions numriques approches aux
problmes mathmatiques. Beaucoup de ces problmes apparaissent dans le domaine de la
physique et de l'ingnierie.
Le numricien est souvent conduit dvelopper de nouveaux rsultats mathmatiques et les
adapter afin de les utiliser de manire effective dans le cadre de la programmation sur
ordinateur. L'valuation des algorithmes est conduite par des approches mathmatiques et fait
appel aussi des essais numriques (par exemple valuation de la dure de calcul).
L'valuation des algorithmes est souvent effectue par rsolution de problmes tests sur
ordinateur.
Parmi les problmes types que recouvre le domaine de l'analyse numrique, on peut citer les
exemples suivants:
(1) valuation des fonctions f (x)
tan x sin x
1 x3
(9) quation diffrentielle aux drive partielles, problme aux limites tel que l'quation de
2u 2u
2 0 dans 1,1 1, 2 avec u(x, y) sin( x) y3 sur la frontire
Laplace
2
x
y
.
5. Mthodes itratives
Par opposition aux mthodes directes qui permettent de construire une approximation la
solution en une seule tape, les mthodes dites itratives permettent de construire une suite
d'approximations qui tendent s'amliorer au fur et mesure que l'on augmente le nombre des
itrations. Ces mthodes sont souvent simples et efficaces. Elles exigent en principe un
nombre infini d'tapes afin de converger mais elles ne sont utilises dans la pratique que
lorsqu'elles assurent une convergence rapide vers la solution.
Les mthodes itratives sont souvent utilises pour rsoudre des quations de la forme
f (x) 0 o f est une fonction non linaire de x. On initialise la solution en choisissant x 0 et
on calcule les approximations successives jusqu' l'ordre n: x1 , ..., x n , l'aide d'un
algorithme dont la forme gnrale est x i 1 (x i ) , i 0,1,...
Le rle du numricien qui travaille dans le domaine des mthodes itratives est d'tudier la
convergence, de dterminer le taux de convergence et d'tablir des critres afin de dire quand
est-ce qu'il faut s'arrter d'itrer pour obtenir une approximation suffisante de la solution.
En tant qu'exemple, considrons le problme de l'extraction de la racine carre d'un rel
N 0 . L'algorithme (habituel) tant dcrit par les deux relations
1 N
2
1
N
x i 1 x i
2
x i
x0
i 0,1, 2...
- Convergence:
L'algorithme prcdent converge, en effet: x i N par rcurrence; la suite (x i ) est minore; la
suite (x i ) est dcroissante; donc elle converge vers une limite l N 0 . Mais par passage
la limite dans les deux membres de l'quation itrative, il vient que l N .
- Taux de convergence:
6i
On tablit pour 1/ 2 N 1 que x i N 2 . Ainsi pour atteindre la prcision sur le
rsultat, il faut au minimum un nombre total d'itration gal ln(1/ 6 ) et on peut constater
que la convergence est rapide.
6. L'origine des arrondis numriques
6.1 Arrondis dus au mode de reprsentation des nombres
Les ordinateurs utilisent la reprsentation des rels sous forme binaire discrte. Le mode le
plus utilis s'appelle reprsentation en virgule flottante (floating-point). Il s'ensuit que le
nombre de reprsentations possibles est fini (mme s'il est en gnral grand). Donc tous les
rels ne sont pas reprsents et lorsqu'ils sont reprsentables, ils le sont avec des erreurs
d'arrondis (exemple 1/3). Ce genre d'erreurs se trouvent en bas de l'chelle des erreurs qui
accompagnent tout calcul numrique. Elles sont lies directement la technologie de la
machine, sa capacit et au mode de reprsentation ainsi qu'au nombre de digits retenus dans
cette reprsentation.
Pour fixer les ides, nous considrons la reprsentation en base binaire des rels x non nuls
sous la forme suivante x a.2b o a et b sont des entiers crits en base binaire. La
reprsentation de 0 est obtenue avec a b 0 . Cette reprsentation est analogue l'criture
d'un rel avec des puissances de 10.
Si nous considrons le cas de la machine (fictive) appele C muni de la reprsentation en
virgule flottante pour laquelle 48 digits sont retenus pour a, 10 digits pour b et deux autres
digits pour les signes de a et de b (nous utilisons donc au total 48 10 2 60 digits), les
reprsentations binaires de a et b sont:
a s1a 47 .....a1a 0
s1 0 si a 0 et s1 1 si a 0
b s 2 b9 .....b1b 0
s 2 1 si b 0 et s 2 0 si b 0
48 bits
Pour obtenir (-a) on excute la rgle du complmentaire (on remplace 1 par zro et zro par
1). Afin que la reprsentation soit unique, on convient de normaliser de la faon suivante:
x 0 a 47 1 et x 0 a 47 0 .
Si x 0 , 247 a 248 1 et 1023 b 1023 ( 1023 210 1 ). Donc le nombre possible de
reprsentations
normalises
en
mode
virgule
flottante
correspond
21023.247 x 21023 (248 1) . Le domaine couvert, en base dcimale, par cette reprsentation
implante dans la machine C est inclut dans lintervalle [10294 ,10322 ] et de manire
symtrique pour les rels ngatifs.
A titre d'exemple explicitons les reprsentations normalises en mode virgule flottante de 10
et 1/10 sur la machine C.
Appelons B (x) la reprsentation de x en base B. Ainsi 10 10 (10) . Pour trouver 2 (10) on
applique l'algorithme de conversion qui consiste en de simples divisions successives par 2 o
l'on s'arrte lorsque le reste est soit 1 soit 0. La collection des restes prise l'envers constitue
la reprsentation en base binaire associe la reprsentation dcimale. On trouve alors
2 (10) 1010 . La reprsentation en virgule flottante s'en dduit et on obtient:
44
x 101000...0
1 4 2 43 2
48 bits
00111101001110100....0
1 4 2 4 3 14 2 43 . On en dduit immdiatement la reprsentation de (-10) en utilisant
10 bits
48 bits
la rgle du complmentaire sous la forme:
110000101100
1 44 2 4 43 01011....1
14 2 43 . La reprsentation
10 bits
48 bits
binaire de 2 (1/10) est infinie et priodique. Pour la trouver il suffit de pratiquer la division
en binaire de 1 par 1010. On trouve alors: 2 (1/10) 0.0001100110011001100... Des arrondis
numriques sont ncessaires afin de se contenter de la reprsentation de 2 (1/10) et on crit
10
51
2 (1/10) 11001100....12
1 44 2 4 43
48 bits
0011110011001100110011....1
1 4 2 4 3 1 4 4 2 4 43 .
10 bits
48 bits
Remarquons prsent que les nombres que l'on peut reprsenter de manire exacte par des
mots de longueur fixe et que l'on peut stocker donc dans la mmoire d'un ordinateur forment
un sous ensemble fini de l'ensemble des rationnels Q . Nous appelons cet ensemble les
reprsentations offertes par la machine ou tout simplement l'ensemble des nombres
reprsents a priori sur la machine. Si nous voulons reprsenter un nombre qui n'est pas une
reprsentation offerte nous devons considrer son approximation par une reprsentation
offerte. On dmontre que pour tout x appartenant au domaine couvert par la reprsentation, il
existe une unique reprsentation offerte a.2b telle que: x (a ).2b
0 1 . La
reprsentation adopte dans ce cas pour x est x a.2b . L'erreur relative commise (arrondi) est
(a.2b x) / x . Elle est telle que 248 . Tout le monde a compris que pour la rduire
davantage, il faut tendre davantage la mantisse et donc utiliser une machine de plus grande
capacit.
6.2 Arrondis dus aux oprations arithmtiques lmentaires
On analyse ici seulement l'opration d'addition telle qu'elle peut tre ralise avec un
ordinateur adoptant le mode de reprsentation en virgule flottante. Les autres oprations
b
lmentaires peuvent tre traites de manire identique. Soient deux nombres: x1 a1.2 1 et
est effectue par lordinateur supposons dabord que b 2 b1 , alors on peut crire:
x1 x 2 (a1 a 2 2 (b1 b2 ) ).2b1 a S .2b1 avec a S a1 a 2 .2 (b1 b2 ) . L'opration d'addition suit les
tapes suivantes:
- on place a 2 dans la moiti suprieure dun accumulateur longueur double;
- a 2 est ensuite dcal de ( b1 b 2 ) vers la droite;
11
- a1 qui est plac dans la moiti infrieure, puis additionn avec la moiti suprieure pour
former a S ;
- le rsultat est normalis en prvision de futures utilisations;
Le rsultat ainsi obtenu est un mot double et il faut l'arrondir ce qui saccompagne derreurs
darrondis.
L'addition utilise une table binaire stocke dans la mmoire de l'ordinateur
+
0
1
0
0
1
1
1
10
La borne suprieure des arrondis est donne dans ce cas par: (4 a 0 x 3 a1 x a 2 ) avec
248 .
6.3 Les arrondis dus aux troncatures des fonctions lmentaires
Vu les arrondis prcdents, il convient toujours dessayer dobtenir les fonctions lmentaires
avec un minimum d'oprations. On cherchera approcher souvent la fonction par un
polynme ou une fraction rationnelle.
Ainsi pour valuer la fonction arct an x , on peut utiliser la srie de Taylor-Maclaurin:
atan x x
x3 x5 x7
... Il faudra peu prs une dizaine de termes pour arriver une
3 5 7
12
erreur 108 sur 1,1 . D'autres formules plus conomiques existent: on se ramne d'abord
l'intervalle
avec
tan( /12) 2 3 .
Puis
on
considre
0.55913709
2
l'approximation atan x x 0.6031579 0.05160454x 2
. Le rsultat obtenu
x 1.4087812
prsente une erreur 108 mais ncessite moins de termes qu'avec Taylor.
7. Exercices
(1.1) Soient 10 (x) 75 et 10 (y) 0.8 , trouver 2 (x) et 2 (y) . En dduire 2 (75.8) .
(1.2) Soient 2 (x) 1110.101 et 2 (y) 1001011.1100110 , calculer 10 (x) et 10 (y) .
(1.3) Quels sont parmi les nombres suivants ceux qui sont reprsentables sur la machine C:
10400 ,10300 , 10 300 ,10400 .
1
,0
10
, 40 , 2172 , 2172 .
(1.5)
Ecrire
un
programme
permettant
13
de
calculer
de
manire
rcursive:
CHAPITRE 2:
Rsolution numrique des quations non linaires
1. Introduction
Nous considrons dans ce chapitre le problme de la rsolution numrique d'quations non
linaires telles que par exemple
- sin x x 2 0
x R ;
- e x ln x 3 0
x R * ;
n
n 1
- a n x a n 1x ... a1x a 0 0
x 3 3xy 2 1 0
3x y y 0
2
x R, a i 0,1,...,n
rels donns ;
(x, y) R 2 .
(2.1)
F(X) 0 M
f (x ,..., x ) 0
n
n 1
(2.2)
14
avec X x1
x2 L
x n et F f1 f 2 L
t
fn .
t
Nous supposerons aussi que F est continue et on renforcera en cas de besoin cette hypothse
par des conditions de rgularit qui imposent F de vrifier certaines proprits de
diffrentiabilit.
Nous allons considrer dans un premier temps le cas scalaire f (x) 0 avant de gnraliser
ltude un systme quelconque.
2. Dfinitions
Nous considrons l'quation scalaire en l'inconnue relle x
f (x) 0
(2.3)
2.1 Dfinition 1
Si f (x * ) 0 , alors x* est appel racine de l'quation et x* est un zro de f .
2.2 Dfinition 2
Si x* est zro de f (continue), alors la multiplicit, m, de x* est la borne suprieure de
l'ensemble des rels k satisfaisant la condition
lim*
x x
f (x)
x x*
(2.4)
En tant qu'exemple f (x) x admet en 0 un zro de multiplicit 1/2 car pour tout 0 , on
a:
lim
x 0
f (x)
x
0 et
lim
x 0
f (x)
x
2.3 Thorme
Si x * est un zro de f (x) et si pour un entier m, f (x) est m fois continment diffrentiable
en x* , alors la multiplicit de x* est au moins m si et seulement si
15
f (x * ) f (x * ) f (x * ) .... f (m 1) (x * ) 0 .
La dmonstration de ce rsultat s'appuie sur le thorme de Taylor.
Remarques
Des solutions analytiques de (2.3) ne sont disponibles que dans des cas trs particuliers
comme par exemple pour f (x) ax b (f est linaire), f (x) ax 2 bx c (f est quadratique).
Elles sont aussi disponibles lorsque f (x) est un polynme de degr 3, mais dans ce dernier
cas les formules sont compliques et rarement utilises dans la pratique. Pour un polynme de
degr strictement suprieur 4, il n'existe pas toujours des solutions analytiques. Les
solutions analytiques n'existent pas non plus en gnral lorsque f fait intervenir des fonctions
transcendantes.
Des mthodes numriques nous permettront souvent de calculer des solutions appropries
dans le cadre des limitations de prcision exiges par la reprsentation discrte des rels et la
reprsentation des fonctions transcendantes par des sries tronques. Parmi les mthodes
itratives qui ont fait leur preuve nous tudions dans la suite:
- la mthode de dichotomie (appele bisection en anglais);
- la mthode de la position fausse (appele false position en anglais);
- la mthode de Newton.
Nous gnraliserons ensuite l'analyse au cas des systmes de deux quations non linaires
deux inconnues.
3. La mthode de dichotomie
3.1 Principe de la mthode
Soit f une fonction continue vrifiant pour a et b donns avec a b : f (a)f (b) 0 . D'aprs le
*
thorme de la valeur intermdiaire, il existe x a, b tel que: f (x * ) 0 . On cherche
localiser x* en construisant une suite d'intervalles qui s'embotent de manire rcursive et tels
que la longueur de l'intervalle actuel soit gale la moiti de la longueur de son prdcesseur.
Tous ces intervalles contiennent au moins un zro de f. Posons ainsi r0 a , s 0 b et
calculons la premire estimation de x * par z 0 (a b) / 2 .
*
Si f (z 0 ) 0 , le processus s'arrte et x z 0 . Sinon, posons
16
r1 r0 , s1 z 0
r1 z 0 , s1 s 0
si f (z 0 )f (r0 ) 0
(2.5)
si f (z 0 )f (r0 ) 0
rn 1 z n , s n 1 s n
si f (z n )f (rn ) 0
(2.6)
si f (z n )f (rn ) 0
et le processus continue.
3.2 Convergence de la mthode
Pour tablir la convergence de la mthode de dichotomie, on utilise le thorme des
rn s n 0 . Puisque par
"gendarmes". On vrifie alors que rn z n s n , rn , s n et nlim
*
n 1
ailleurs on a: z n x (b a) / 2 , on peut estimer le nombre d'itrations ncessaires pour
b a
1
ln 2
ln
(2.7)
rn f (s n ) s n f (rn )
f (s n ) f (rn )
(2.8)
17
f (s n ) f (rn )
s f (r ) rn f (s n )
x n n
s n rn
s n rn
(2.9)
Ainsi
f n (z n ) 0 z n
rn f (s n ) s n f (rn )
f (s n ) f (rn )
(2.10)
On dmontre que si f est continue sur a, b et f (a)f (b) 0 , la mthode de la position fausse
converge.
5. La mthode de Newton
Supposons que x * soit une racine de f (x) 0 o f est une fonction scalaire de classe C1 ,
alors le thorme de Taylor permet d'crire pour x 0 appartenant au voisinage de x *
f (x * ) f (x 0 ) (x * x 0 )f (x 0 ) ...
(2.11)
(2.13)
En posant f%
(x * ) 0 et en supposant que f (x 0 ) 0 , il vient une estimation de x * dfinie par
x1 x 0
f (x 0 )
f (x 0 )
(2.14)
x n 1 x n
f (x n )
f (x n )
(2.15)
18
f (x)f (x)
2 . On peut trouver alors un voisinage de
x * tel que:
f (x)
f (x) ,
f (x)f (x) 2 . D'o (x) 1 et la mthode converge pourvu que l'initialisation s'effectue
au voisinage de la solution x* .
(2.16)
f n (x1 , x 2 ,..., x n ) 0
Mais afin de simplifier la prsentation, nous considrons un systme de deux quations deux
inconnues
g(x, y) 0
h(x, y) 0
(2.17)
Cette quation peut, dans ce cas particulier de dimension 2, tre associe l'quation
d'inconnue complexe f (z) 0 o g Re(f ) et h Im(f ) .
Les mthodes envisages pour rsoudre ce problme sont:
- la mthode de newton gnralise;
- la mthode de Jacobi;
- la mthode de Gauss-Seidel;
- les mthodes de relaxation.
19
(2.18)
x n 1 x n
y n 1 y n
g(x n , y n )h ,y (x n , y n ) h(x n , y n )g ,y (x n , y n )
Jn
(2.19)
h(x n , y n )g ,x (x n , y n ) g(x n , y n )h ,x (x n , y n )
Jn
avec
g ,x (x n , y n ) g ,y (x n , y n )
g ,x (x n , y n )h ,y (x n , y n ) h ,x (x n , y n )g ,y (x n , y n )
h ,x (x n , y n ) h ,y (x n , y n )
J n det
20
)
(k )
f1 (x1(k 1) , x (k
x1(k 1)
2 ,..., x n ) 0
(k )
(k 1)
(k )
(k 1)
f 2 (x1 , x 2 ,..., x n ) 0 x 2
(2.20)
f (x (k ) , x (k ) ,..., x (k 1) ) 0 x (k 1)
n 1
2
n
n
(0)
(0)
(0)
On montre que cette mthode converge si l'initialisation x1 , x 2 ,..., x n est choisie au
x1(k 1)
(k 1)
(k 1)
(k)
f 2 (x1 , x 2 ,..., x n ) 0
1)
x (k
2
f (x (k 1) , x (k 1) ,..., x (k 1) ) 0
n 1
2
n
(2.21)
1)
x (k
n
1)
)
f i (x1(k 1) , x (k
,..., x i(k11) , x%i(k 1) , x i(k1) ,..., x (k
2
n ) 0
(2.22)
(2.3) Dvelopper une mthode itrative base de la mthode de Newton pour calculer N 5 .
1
21
(2.4) Appliquer sous forme d'un programme la mthode de Newton pour rsoudre les
quations suivantes:
sin x x 3 1
x 0 1 ;
x 0 0.8 .
(2.6) Appliquer la mthode de Newton pour rsoudre l'quation complexe: f (z) sin z z 2 0
; z 0 1 i . On se rappellera des deux formules:
sin(x iy) sin x ch y i cos x sh y
cos(x iy) cos x ch y isin x sh y
2
3
h(x, y) 3x y y 2y 0
x 0 y0 1 .
CHAPITRE 3:
Interpolation et approximation
1. Introduction
On considre dans la suite le problme de l'valuation d'une fonction f (x) de manire
approche. Le but tant de dterminer une autre fonction F(x) qui donne pour chaque valeur
de la variable x une valeur qui est suffisamment proche de f (x) . Il est souhaitable que la
fonction F(x) soit de forme simple tel que par exemple un polynme ou une fraction
rationnelle.
La construction d'une fonction F(x) se fait selon deux mthodes. La premire mthode
s'appelle interpolation. Elle consiste choisir F(x) parmi une classe de fonctions (par
exemple les polynmes de degr n ) de telle sorte que F(x) et f (x) concident en un certain
nombre de points appels "points d'interpolation". On peut exiger aussi que les drives de
F(x) et f (x) concident en certains points. Parmi les mthodes qui suivent cette technique
22
ou bien
F(x ) f (x )
i
n 1
F(x) f (x)
b
dx
un espace connu.
Cette approximation permet par exemple d'ajuster des donnes exprimentales par une
fonction facile valuer.
2. Interpolation linaire
Etant donn une fonction
avec
w a (x)
bx
xa
, w b (x)
ba
ba
w a (x) et w b (x) dfinissent les poids de l'interpolation. On vrifie que w a (x) w b (x) 1
L'erreur commise en remplaant f (x) par F(x) sur l'intervalle a, b dpend de f (x) , si f est
par exemple de classe C 2 . On dmontre ainsi en utilisant le thorme de Taylor que
f (x) F(x)
(x a)(x b)
f (c)
2
c a, b
Considrons maintenant une subdivision de l'intervalle a, b dfinie par la suite des points
xk a k
ba
N
0k N
23
Sur chaque intervalle x k , x k 1 on dtermine FN (x) par interpolation linaire, ainsi pour
x x k , x k 1
d
FN (x) w dk (x)f (x k ) w gk 1 (x)f (x k 1 ) avec w k (x)
x k 1 x
x xk
g
, w k 1 (x)
x k 1 x k
x k 1 x k
L'exposant permet de signaler qu'en chaque point de la subdivision deux poids sont dfinis:
l'un correspond au sous intervalle se trouvant gauche du point et l'autre au sous intervalle
droite de ce point.
L'erreur correspondant l'intervalle x k , x k 1 de la subdivision est
f (x) FN (x) w dk (x) f (x) f (x k ) w gk 1 (x) f (x) f (x k 1 )
On montre alors puisque f est uniformment continue sur
a, b
FN (x) f (x)
que Nlim
N
a ,b
3. Interpolation de Lagrange
L'interpolation de Lagrange est justifie par le thorme suivant:
Soit x 0 , x1 ,..., x n un ensemble de points distincts, alors pour tout ensemble y 0 , y1 ,..., y n , il
existe un unique polynme P de degr n tel que: P(x i ) yi
0in.
avec
x x j
y
i
jj0i x i x j
P (x)
i
0in
24
Fn (x) w i (x)f (x i )
avec
w i (x)
i0
j 0
j i
x xj
xi x j
et
w (x) 1
i0
n 1
Si f C x 0 , x n et si x 0 , x1 ,..., x n sont des rels distincts, uniformment rpartis, cest--
(x x 0 )(x x1 )...(x x n ) (n 1)
f
(c) o c x 0 , x n
(n 1)!
h n 1
M n 1 qui
4(n 1)
25
x
x0
f (x)
f (x 0 )
f (x)
2f (x)
3f (x)
4f (x)
f (x 0 )
x1
2f (x 0 )
f (x1 )
f (x1 )
x2
3f (x 0 )
2 f (x1 )
f (x 2 )
f (x 2 )
x3
4f (x 0 )
3f (x1 )
2 f (x 2 )
f (x 3 )
f (x 3 )
x4
f (x 4 )
x
x0
x1
x2
x3
x4
26
u(u 1)...(u j 1)
x x0
et Q j (u)
j!
h
z k (u n k)z k 1 a k 1 k n
avec
ak
n k f (x 0 )
x x0
et u
(n k)!
h
h
f (x) f x f x
2
2
et de ses itrs successifs.
5. Interpolation d'Hermite
Dans l'interpolation d'Hermite on exige, en plus du fait que F(x) concide avec f (x) aux
points d'interpolation x 0 , x1 ,..., x n , que certaines de ses drives concident avec celles de
f (x) en certains points d'interpolation. En labsence de formules gnrales comme dans le
cas de linterpolation de Lagrange, le calcul direct est souvent ncessaire. La procdure
appele mthode des coefficients indtermins est dcrite travers l'exemple suivant o il faut
chercher le polynme d'Hermite tel que: F(a) f (a) , F(b) f (b) , F(a) f (a)
F(b) f (b) . On pose ainsi
F(x) a 0 (x )3 a1 (x ) 2 a 2 (x ) a 3
ce qui donne
27
et
F(x) 3a 0 (x ) 2 2a1 (x ) a 2
En posant a et h b a , on obtient
f (a) a 3
3
2
f (b) a 0 h a1h a 2 h a 3
f (a) a 2
f (b) 3a h 2 2a h a
0
1
2
D'o
2
1
a 0 h 3 f (a) f (b) h 2 f (a) f (b)
1 h2
h
a 2 f (a)
a f (a)
3
f (x)
1
1 x2
sur 5,5
5j
, n j n o n dfinit le degr d'interpolation de
n
28
Afin de contourner ces difficults, il est prfrable d'utiliser des interpolations construites
base de polynmes de plus faible degr mais sur une partition d'intervalles de taille plus
rduite que celle de l'intervalle de dpart. Si sur chaque sous intervalle une interpolation
linaire est par exemple considre (cas dj vu), on obtient une fonction dinterpolation
continue qu'on appelle interpolation spline linaire. Dans le cas d'une interpolation spline
cubique, on utilise une subdivision quelconque de l'intervalle de dpart et on dfinit sur
chaque sous intervalle une interpolation cubique devant de plus satisfaire les conditions de
rgularit suivantes aux points de la subdivision:
Fk (x i ) f (x i ) pour i k 1, k
Fk (x k ) Fk1 (x k )
Fk (x k ) Fk1 (x k )
k 1, 2,..., n 1
(3.2)
montrer que
(x k x) (x k x) 2 h k2
Fk (x) M k 1
6h k
(x x k 1 ) (x x k 1 ) 2 h k2
M k
6h
1
1
y k 1 (x k x) y k (x x k 1 )
hk
hk
6
3
6
h k 1
hk
k 1, 2,..., n 1
29
h1 h 2
A
0
h2
0
6
h 2 h3
O
3
O
O
O
O
h n 2 h n 1
3
h n 1
6
h n 1
6
h n 1 h n
3
L'interpolation associe la spline cubique est alors plus lisse que celle du mme ordre
associe Lagrange.
7. Approximation polynomiale au sens des moindres carrs
On considre les deux problmes suivants:
Problme 1:
f (x)
Pn f
P (x) f (x)
1
2 2
sur un intervalle
a, b ,
on minimise
Problme 2:
Etant donne une fonction dfinie sur un ensemble fini de points J: x 0 , x1 ,..., x M , chercher
minimiser Pn f
J
2
P (x ) f (x )
i 1
1
2
(problme 1), ou bien f , g f (x i )g(x i ) dans le cas du problme discret (problme 2).
i 1
30
2
2
Considrons le cas o f est un lment de L a, b . L a, b muni du produit scalaire
f , g est un espace de Hilbert. L'existence et l'unicit des solutions des problmes 1 et 2 sont
alors justifies par le thorme de projection sur un convexe ferm. L'ensemble des
polynmes de degr n est en effet un sous espace vectoriel ferm de dimension finie et le
thorme de projection s'nonce sous la forme:
2
Pour tout n N et pour tout f L a, b , il existe un unique polynme de degr n tel que
f Pn
min f Q n
Qn
Qn
est
un
polynme
de
n.
degr
De
plus
Pn
est
caractris
par:
f c k k (x), j (x) 0
j 0,1,..., n
k 0
D'o
n
k 0
k , j c k f , j
(3.3)
31
est une matrice dfinie positive, donc non singulire, ce qui implique qu'il existe une
unique solution pour le systme (3.3). Malheureusement, souvent la matrice est trs mal
conditionne dans la mesure o si l'on cherche inverser directement cette matrice, une trs
grande perte de prcision apparat. Ceci peut s'expliquer par le fait qu'en gnral est quasiproportionnelle la matrice de Hilbert H ij 1/(i j 1) .
Afin de contourner cette difficult numrique, on construit une base orthogonale par le
procd de Gram Schmidt:
0 (x) 1
1 (x) x
x0 , 0
0 (x)
0 , 0
xk , k
k , k
et k
k , k
k 1 , k 1
Pm (x)
Q k (x)
o Pm (x) et Q k (x) sont des polynmes de degr respectivement m et k et qui n'admettent pas
de zros communs.
32
f (x)
j 0
f ( j) ()
(x ) j
j!
On montre alors que les coefficients des polynmes P et Q sont tels que le terme constant et
les monmes en (x ) , ..., (x ) m k s'annulent dans l'expression suivante:
f ( j) ()
Q k (x)
(x ) j Pm (x)
j!
j 0
et
m k 1 , on trouve alors:
9. Exercices
(3.1) Trouver l'unique polynme
0.4
-0.91629
0.5
-0.69315
33
0.6
-0.51083
Calculer la valeur exacte de l'erreur sachant que ln(0.54) 0.61619 et comparer cette valeur
avec la borne de l'erreur.
(3.3) Soit f(x) une fonction telle que: f (0) 1.25 , f (0.5) 1.75 , f (1) 2.10 . Soit P(x) un
polynme de degr 2 tel que: F(0) f (0) , F(0.5) f (0.5) et F(1) f (1) . Dterminer F(x)
et calculer F(0.25) :
- par la formule d'interpolation de Lagrange;
- par la formule d'interpolation de Grgory Newton.
(3.4) Trouver le polynme P(x) de degr 2 tel que: P(1) 1 , P(1) 1 , P(2) 1 .
(3.5) Trouver le polynme de degr 2 qui constitue la meilleure approximation de e x sur
0,1
34
CHAPITRE 4:
Rsolution numrique des systmes d'quations linaires
1. Introduction
Nous considrons le systme algbrique d'quations linaires
AX B
o A est la matrice des coefficients du systme, matrice carre d'ordre n n et B la matrice
(vecteur) second membre d'ordre n 1 .
On appelle matrice augmente du systme la matrice d'ordre n (n 1) , obtenue en
adjoignant A la colonne B, soit en notation explicite
a11 L
M
A, B M
a n1 L
a1n b1
M M
M M
a nn b n
a n1 L
a1, j1
a 2, j1
M
a n, j1
b1 a1, j1 L
b 2 a 2, j1 L
M
M
bn a n, j1 L
a1n
a 2n
M
a nn
35
j 1, 2,..., n
xj
Une autre faon qui permet d'exprimer implicitement la solution consiste crire
X A 1B
On dit que le systme est homogne si et seulement si B 0 . Dans ce cas si A est rgulire
l'unique solution est X 0 .
2. Mthodes pratiques pour rsoudre les systmes d'quations linaires
On s'intresse ici aux mthodes pratiques pour rsoudre les systmes linaires. La solution qui
correspond l'application de la rgle de Cramer n'est pas pratique. Dans cette rgle, il faut
calculer (n 1) dterminants d'ordre n. Le calcul d'un dterminant exige en gnral un
nombre de multiplications qui est gal
n
2(n 1)!
j 2
1
( j 1)!
( j 1)! e 1 ,
j 2
multiplications. Sachant qu'il faut aussi autant d'additions, on obtient un nombre total
d'oprations qui est gal 4(e 1)(n 1)! afin de calculer la solution X du systme AX B
par la mthode de Cramer.
En tant qu'exemple si n 20 , il faut 8.36 1017 oprations. Un ordinateur qui est capable
d'effectuer 2 millions d'oprations par seconde, devra tourner durant au moins treize milles
annes. Bien sr, durant cette priode l'ordinateur risque de tomber en panne et la personne
qui conduit les calculs pourrait mourir!
L'exemple prcdent justifie le recours aux mthodes d'limination qui sont attribues
Gauss.
2.1 Procdure d'limination de Gauss dite aussi triangularisation du systme
36
Si a11 0 , on appelle la premire quation du systme quation pivot et le terme a11 est le
pivot. On peut alors procder au premier pas de la mthode de Gauss en liminant l'inconnue
x1 de la deuxime jusqu' la nime quation en effectuant les oprations suivantes:
a ij(2) a ij(1)
a i1(1) (1)
a
(1) 1j
a11
i 2 , j 1
(5.1)
bi(2) bi(1)
a i1(1) (1)
b
(1) 1
a11
i2
(5.2)
(1)
(1)
Dans ces expressions, a ij a ij et bi bi pour tout i, j 1, 2,..., n .
Cette premire tape d'limination conduit au nouveau systme matriciel: A (2) X B(2) , alors
qu'au dpart on avait A (1) X B(1) . La procdure d'limination est quivalente la
multiplication gauche des deux membres de A (1) X B(1) par la matrice triangulaire
M
M
a (1)
21
(1)
a11
a (1)
n1
a (1)
11
1
L
M (1)
0
L
I n 1
0
L
a ij(r 1) a ij(r )
a ir(r ) (r )
a rj
a (rrr )
i r 1 , j r
(5.3)
37
bi(r 1) bi(r )
a ir(r) (r )
br
a (r)
rr
i r 1
(5.4)
M
M
0
L
1
a (r)
r 1,r
M (r ) M M (r )
a rr
M
M
(r )
0 M a n,r
a (rrr )
L
L
0
1
0
0
0
L L
L 0
O 0
0 1
La mise en marche de lalgorithme de Gauss dans sa version prcdente suppose que les
pivots ne sannulent jamais. Dans la ralit, il se peut qu une tape donne le pivot soit
nulle. Dans ce cas il faut pratiquer soit le pivotage partiel soit le pivot complet. Le pivotage
permet dans tous les cas damliorer le conditionnement du systme lorsquon remplace le
pivot initial par un autre plus grand en valeur absolue.
3. Instabilit numrique
Lorsque l'algorithme de Gauss dcrit prcdemment est appliqu dans la pratique, il y a des
considrations qui dpassent celles dj mentionnes ci-dessus. Ces considrations
supplmentaires sont dues la nature du calcul numrique avec la reprsentation des nombres
sur ordinateur qui entrane ncessairement des arrondis (l'arithmtique opr par les
ordinateurs n'est pas exacte, elle est approche).
Sous l'hypothse d'une reprsentation idale des nombres (1/3 a une reprsentation infinie) et
d'un calcul arithmtique infiniment prcis l'algorithme de Gauss pourrait conduire l'unique
solution du problme et ce avec une prcision infinie (et peut tre une dure de calcul infinie).
Mais la ralit est trs diffrente. En prsence d'un pivot qui est petit les troncatures
numriques peuvent polluer considrablement la solution.
Exemple:
7.080734182735712 1029
29
4.546487134128409 10
4.546487134128409 1029
2.919265817264289 1029
0
0
1
x1
x
2
x 3
1
1
Lorsque le calcul est effectu en double prcision avec la fonction inv de Matalb, on trouve
x1 6.531584190751655 10-15
-14
x 2 -1.017233967291046 10
x 1
3
39
2
1
1
AX 1.5 B
1
1
La solution calcule est fausse cause de l'instabilit numrique. L'origine de cette instabilit
est lie la prsence d'un pivot qui est faible.
4. Systme mal conditionn
Le systme AX B est mal conditionn lorsque la solution est trs sensible aux petites
perturbations qui peuvent affecter la matrice augmente A, B .
Dans le cas d'un systme mal conditionn, l'instabilit de l'algorithme de Gauss est un sort qui
est invitable.
Supposons que l'on perturbe le systme AX B de la faon suivante: A A A ;
B B B , alors la solution X est perturbe et devient X X . Le systme perturb s'crit
alors
(A A )(X X ) B B
4.1 Norme matricielle
Dfinissons la norme suivante sur l'espace des matrices carres d'ordre n n
sup
X 0
AX
X
X .
i 1
X2
x
i 1
2
i
40
max x i .
i
P , et pour tout X R n :
Les normes vectorielles qui peuvent tre utilises pour dfinir la norme matricielle sont:
X 1 xi ,
i 1
racine positive de la plus grande valeur propre de la matrice hermitienne t AA dite aussi plus
grande valeur singulire de A. Finalement A
max a ij .
i
j1
Remarque
On dmontre le thorme suivant:
Si A
1 et I
1 , alors
X
X
1 A
A 1
A 1
Ce thorme montre que la perturbation qui affecte X est majore par la quantit;
(A) r
rA o (A) A
r B
1 A
A 1
r
et l'exposant r dans A indique la norme relative de
la perturbation.
Le nombre (A) joue un rle considrable. S'il est petit, la perturbation qui affecte la
solution reste petite. Dans le cas contraire, puisqu'on dmontre dans le cas gnral qu'il
nexiste pas de borne plus fine que la prcdente, on peut avoir amplification de la
perturbation. Lorsque ceci se produit, le systme est mal conditionn. Le nombre (A)
2
est la norme spectrale, alors 2 (A) 1 / n qui est le rapport de la plus grande et de
2
la plus petite valeur propre de t AA dites aussi valeurs singulires de A. On a alors 2 (A) 1 .
2
Il ne faut pas croire que A est mal conditionne si det(A) est petit. En effet, 2 (A) peut tre
grand dans le cas o la taille du systme est petite et det(A) petit. En tant qu'exemple, on peut
considrer le systme
41
1.00 0.99 x1
0.99 0.98 x
1.99
1.97
M (2) ... M (n 1)
0
M
(r )
(r )
M M a r 1,r
a (rrr )
M M
(r )
0 M a n,r
a (rrr )
0
L L
L
0
O 0
0 1
L
L
0
0
L
M 1
1
0
0
de sorte que
1
(1)
a 21
(1)
a11
(2)
a 32
a (2)
22
M O O
1
a (1)
n1
(1)
a
11
a (2)
n2
a (2)
22
(n 1)
n,n 1
(n 1)
n 1,n 1
a
a
42
min(i, j)
k 1
k 1
a ij (Bt B)ij b ki b kj
b ki b kj , 1 i, j n . D'o
i 1
bii a ii bik2 ,
k 1
bi,i 1
a i,i 1 b ki b k,i 1
k 1
bii
i 1
,...,
bin
a in b ki b kn
k 1
bii
6. Mthodes itratives
On considre de manire gnrale la dcomposition de la matrice A sous la forme A M N
o M est une matrice inversible et facile inverser. On a donc les quivalences:
AX B MX NX B X M 1NX M 1B
1
1
On considre alors la mthode itrative X k 1 M NX k M B k 0 avec X 0 arbitraire.
mthode n'exige pas le calcul de (D E) 1 . Cette mthode occupe moins de places mmoires
que Jacobi et prsente donc un avantage certain dans le cas des grands systmes.
6.3 Mthode de relaxation
Il s'agit d'une gnralisation de Gauss Seidel o l'on introduit un paramtre de relaxation
1
0 . La matrice itrative s'crit dans ce cas: R (D E) (1 )D F , ce qui est
44
D E
associ la dcomposition A
1
DF
. Tout se passe comme si l'on fait
D E
B.
D
E) 1 .
a 22 x k2 1 a 22 x 2k a 21x1k 1 a 22 x 2k ... a 2n x nk b 2
k 1
k
k 1
k 1
k
a nn x n a nn x n a n1x1 ... a n,n 1x n 1 a nn x n b n
7. Exercices
(4.1) Calculer les solutions des systmes linaires
240
319.5 x 3
179.5
240 y 4
240 319
179 240
x
x
y
y
3
4
45
1
,
i j 1
2
Calculer le conditionnement 2 (H) pour n 2,3, 4,5,10 (il est prfrable d'utiliser ce titre
A
3 1 35 5
4 10 5 45
(4.4) Ecrire un programme sous Matlab qui permet de rsoudre un systme quelconque par la
mthode de Gauss sans contrle du pivot.
46
CHAPITRE 5:
Mthodes de calcul numrique des valeurs propres et des
vecteurs propres
1. Introduction
Pour calculer des approximations du spectre (ensemble des valeurs propres) d'une matrice A,
une ide couramment exploite consiste construire une suite de matrices (Pk ) k 1 telle que les
1
matrices Pk APk convergent dans un sens prciser vers une matrice de valeurs propres
valeurs propres, multiplicits comprises, de A. Les vecteurs colonnes de P forment une base
47
orthonormale de vecteurs propres, le ime vecteur colonne tant un vecteur propre associ la
valeur propre i .
Partant de A1 A , la mthode de Jacobi consiste construire une suite (Pk ) k 1 de matrices
orthogonales lmentaires en s'arrangeant pour que la suite de matrices (encore symtriques)
A k 1 Pkt A k Pk (P1P2 ...Pk ) t A(P1P2 ...Pk ) , k 1 , converge vers la matrice diagonale D( i ) ,
une permutation des indices prs.
t
Le principe de chaque transformation A k 1 Pk A k Pk
L
1
cos
P M
sin
O
1
sin
cos
1
O
0
L
p
48
existe
un
i 1
i 1
unique
, 0
4
0, 4
tel
i, j1
i, j1
que:
b pq 0 ,
t an(2)
2a pq
a qq a pp
et
si i p, q et j p, q
b pi a pi cos a qi sin si i p, q
bip b pi
si i p,q
b qi a pi sin a qi cos si i p, q
biq bqi
si i p,q
a pp a qq
2
sin(2)
Au vu du rsultat prcdent, une tape de la mthode Jacobi; celle qui permet de construire
A k 1 partir de A k (a ijk ) consiste choisir un couple (p, q) p q pour lequel l'lment
a kpq 0 , puis on construit la matrice Pk avec l'angle k qui est choisi dans , 0
4
de telle faon que t an(2k )
2a kpq
a a
k
qq
k
pp
t
(k 1)
et l'on pose: A k 1 Pk A k Pk a ij .
49
0, 4
2
1
4
3
3
4
1
2
4
3
,
2
40 16
120 80
80 120 16 40
40 16 120 80
16 40 80 120
50
(5.2) En utilisant la commande eig de Matlab, calculer les valeurs et vecteurs propres de la
matrice
120
90.86
0
0
90.86 157.2
67.59
0
0
67.59 124.0 46.26
0
0
46.26 78.84
(5.3) Ecrire un programme sous Matlab qui permet de calculer les valeurs et vecteurs propres
de la matrice de lexercice (5.2) par la mthode de Jacobi.
CHAPITRE 6:
Programmation linaire
1. Introduction
On appelle de manire gnrale programme mathmatique un problme d'optimisation sous
contraintes dans un espace vectoriel norm V . On choisira de manire systmatique dans la
suite V R n et le programme mathmatique s'crit
Trouver u tel que
(P) u U v R n ; i (v) 0 , 1 i m
J(v)
J(u) inf
vU
51
(PL) u U v R n ; Cv d , C M m x n ( R), d R m
J(v), J(v) a t v, a R n
J(u) inf
vU
On peut supposer sans restreindre la gnralit que rg(C) m , ce qui impose m n . On peut
supposer aussi que tous les vecteurs colonnes C j de la matrice C sont non nuls.
52
(PL1) u U v R n ; Cijv j d i , 1 i m
j1
n
J(u) inf J(v), J(v) a i vi
vU
i 1
(PL2) u U v R n ; Cijvj di , 1 i m
j1
n
J(u ) inf J(v), J(v) a i vi
vU
i 1
53
(PL3) u U v R n ; Cij vj di , 1 i m
j1
n
J(u) inf J(v), J(v) a i vi
vU
i 1
L'quivalence est considre ici au sens suivant: partant d'un problme pos sous l'une des
trois formes prcdentes, on peut toujours lui faire correspondre un problme pos sous l'une
quelconque des deux autres formes, de telle faon que la connaissance de l'ensemble des
solutions (mme si il est vide au cas o la solution n'existe pas) du problme initial entrane
celle de l'ensemble des solutions du nouveau problme, et inversement.
La forme (PL2) s'appelle forme canonique standard du problme de programmation linaire.
Le passage de (PL1) (PL2) se fait en introduisant des variables positives de sorte que toute
variable pouvant prendre des valeurs ngatives puisse tre remplace par la diffrence de deux
variables positives.
Le passage de (PL2) (PL3) se fait en introduisant de nouvelles variables positives appeles
variables d'cart qui permettent d'crire les ingalits sous forme d'galits.
Dans la suite nous omettrons, afin d'allger les notations, les primes et les secondes en se
rfrant l'un des trois problmes prcdents.
4. Rsolution numrique dun programme mathmatique
Lalgorithme du simplex permet de rsoudre les programmes linaires.
La commande linprog de Matlab permet de rsoudre tout programme linaire.
La commande fmincon de Matlab permet elle de rsoudre des programmes non linaires.
5. Exercices
(6.1) Rsoudre en utilisant le simplexe le programme de programmation linaire suivant:
Trouver u tel que
3
u U v R ; 3v1 v 2 2v 3 7, 2v1 4v 2 12, 4v1 3v 2 8v 3 10
J(v) , J(v) v1 3v 2 2v 3
J(u) inf
vU
54
CHAPITRE 7:
Equations diffrentielles aux drives partielles;
schmas aux diffrences finis
1. Introduction
Considrons les quations diffrentielles aux drives partielles linaires de la forme
L(u) au xx 2bu xy cu yy du x eu y fu g
55
(7.1)
sur
L(u) g
u(x, y) u (x, y) sur
d
(7.2)
56
Certains problmes qui sont dfinis par la donne d'une quation de type (7.1) et des
conditions aux limites peuvent tre bien poss dans la mesure o il existe une unique solution
qui varie continment avec les valeurs spcifies aux limites du domaine. A titre d'exemple, si
l'on considre l'quation (7.1) avec f 0 , le problme de Dirichlet (7.2) est bien pos.
2. Equation de diffusion
L'quation de diffusion la plus simple scrit
u t bu xx
(7.3)
analytique par
1
u(t, x)
4bt
( x y) 2
4bt
(7.4)
u 0 (y) dy
La relation (7.4) exprime u(t, x) comme une sorte moyenne pondre de u 0 (x) .
3. Schmas aux diffrences finis
On considre dans la suite le cas scalaire dfini par l'quation (7.3). On se donne un rseau de
point dans le plan espace - temps (t, x) . Soit t et x des nombres positifs, le rseau dfini
par (t n , x m ) (nt, mx) pour (n, m) entiers. Les valeurs d'une fonction v dfinie sur le
n
rseau seront notes v m v(t n , x m ) . L'ensemble des points du rseau pour n fix est appel
niveau n. L'ide de base des schmas aux diffrences finis consiste remplacer les drives
partielles par des diffrences finies. On peut ainsi poser
u (n 1)t, mx u nt, mx
u
(nt, mx)
t
t
ou bien
57
(7.5)
u (n 1)t, mx u (n 1) t, mx
u
(nt, mx)
t
2t
(7.6)
La validit des formules (7.5) et (7.6) est justifie par le fait que
u
u(t , x) u(t, x)
u(t , x) u(t , x)
(t, x) lim
lim
0
t
(7.7)
Dans le cas de lquation de diffusion (7.3), on peut dfinir plusieurs schmas aux diffrences
finis. Un exemple de tels schmas est donn par
v nm1 v nm
v n 2v mn v mn 1
b m 1
t
x 2
(7.8)
t
1
et que le schma est
2
x
2
dordre 2. Il sagit l dune condition svre qui dans la pratique exige dutiliser des pas de
temps extrmement petits afin dassurer la convergence. En tant qualternative au schma
(7.8), on peut considrer le schma implicite
v nm1 v nm
v n 1 2v nm1 v nm11
b m 1
t
x 2
(7.9)
(7.10)
t
.
x 2
58
v nm1 v nm1
v n (v nm1 v nm1 ) v nm 1
b m 1
2t
x 2
(7.11)
(7.12)
(7.13)
Afin de rsoudre (7.12) ou bien (7.13), il faut prciser les conditions aux limites qui peuvent
tre de deux types
u ud
u
un
n
sur
sur
Dirichlet
(7.14)
Newman
(7.15)
f dV u n dS
(7.16)
59
f m,l
(7.17)
1
u m1,l u m1,l u m,l 1 u m,l 1 4u m,l f m,l
h2
(7.18)
4. Exercices
(7.1) Dmontrer que le schma
v nm1 v nm
v n 2v mn v mn 1
b m 1
t
x 2
propos pour rsoudre l'quation de diffusion u t bu xx o b 0 est stable sous la condition
b
t
1
.
2
x
2
60