Polycopi du cours

Analyse Numrique

Hassan DOUZI
Facult des Sciences dAgadir
Analyse Numrique

H. Douzi Page 2




Table des matires




Chapitre 0 : Introduction Gnrale lAnalyse Numrique.3
Chapitre 1 : Complments dalgbre linaire.8
Chapitre 2 : Mthodes directes de rsolution dun systme linaire....14
Chapitre 3 : Mthodes itratives de rsolution dun systme linaire..28
Chapitre 4 : Mthodes de rsolution des quations non linaires35
Chapitre 5 : Introduction loptimisation44
Chapitre 6 : Interpolation et Intgration numrique..51
Chapitre 7 : Mthodes numriques pour les quations diffrentielles.60
Chapitre 8 : Introduction aux diffrences finies et lments finis..66








Analyse Numrique

H. Douzi Page 3


Chapitre 0 : Introduction Gnrale lAnalyse
Numrique
1. Dfinition de lanalyse numrique

LAnalyse Numrique comprend deux mots : lanalyse qui fait rfrence aux
mathmatiques et le mot numrique qui fait rfrence au traitement informatique. En
dautres termes cest llaboration de mthodes de calcul mathmatiques adaptes
au traitement par ordinateur. En gnral le but de ces mthodes est la rsolution de
problmes concrets qui se posent dans diffrentes disciplines : Physique, Economie,
.etc.



Un exemple reprsentatif de ces mthodes est la prvision mtorologique : Les
donnes collectes par les satellites et les stations dobservations donnent un aperu
sur ltat actuel du temps ; La simulation numrique permet partir de cet tat initial
de prvoir le temps qui fera les jours suivants. Or cette simulation est la mise en
uvre sur ordinateur de mthodes de rsolutions numriques des quations
mathmatiques de la mcanique de fluide.

Analyse Numrique

H. Douzi Page 4

Lanalyse numrique connat un dveloppement phnomnal depuis la fin de la
seconde guerre mondiale avec le dveloppement de linformatique. Aujourdhui cest
un outil indispensable dans toutes les disciplines scientifiques sans exception.

Dvelopper une mthode numrique revient crer un algorithme. Un algorithme
numrique dcompose un problme en plusieurs tapes o chacune delle peut
facilement tre interprt par lordinateur. Le mot Algorithme vient du nom du savant
musulman Alkhawarizmi qui a dvelopp entre autre des mthodes pour rsoudre
des quations algbriques.

Exemple dAlgorithme :
Problme : Rsolution de lquation relle : a x
2
+ b x +c = 0
Algorithme :
1. On calcule le discriminant : = b
2
4 a c
2. Si <0 il ny a pas de solution
3. Si =0 la solution est donne par : x=(-b)/(2a)
4. Si >0 la solution est donne par : x = (-b+)/(2a) ou x = (-b-)/(2a)

Avant de trouver les mthodes numriques il faut exprimer les problmes concrets
sous forme mathmatiques parmi les formes les plus courantes on peut citer :
Equations linaires : Ax = b
Equations non linaires : f(x)=0
Equations diffrentielles : f(x,y,y)=0 etc


Pourquoi on a besoin de lAnalyse Numrique pour rsoudre certains problmes
mathmatiques ? :
1. Solution Analytique et solution Numrique : On aurait pu se contenter,
pour rsoudre des problmes mathmatiques, de chercher des solutions
analytiques obtenu uniquement par lanalyse mathmatiques et qui donnent
des formules analytiques pour les solutions. Seulement cest trop beau pour
tre vrai ; seules une infimes partie ngligeables des problmes
mathmatiques ont des solutions analytique par exemple :
Pour les quations algbriques on sait daprs la thorie
dEvariste Galois que les quations algbriques de degr 5
nont pas de solution analytique simple.
Pour les quations diffrentielles on sait par exemple rsoudre :
ay+by+cy+d=0 mais on ne sait pas rsoudre
sin(x)y +by+cy+d=0
Donc souvent pour rsoudre un problme mathmatiques on est oblig,
dfaut dune solution analytique, de chercher une solution numrique.
2. Solutions Analytiques inefficaces : Dans certains cas les solutions
analytiques existent mais sont compltement inefficaces mettre en uvre
sur le plan pratique. Par exemple la rsolution dun systme linaires Ax=b
peut seffectuer parle calcul de inverse de la matrice A. Seulement le calcul de
linverse de A devient rapidement rdhibitoire lorsque la taille de la matrice
augmente car le nombre doprations effectuer augmente dune manire
exponentielle. On utilise donc dautres mthodes numriques plus rapides
pour la rsolution comme la mthode de Gauss.
Analyse Numrique

H. Douzi Page 5

3. Solutions Approches : Dans certains problmes on ne peut pas atteindre
les solutions exactes mais on peut se contenter de solutions approches. On
peut donc simplifier ces problmes et obtenir des mthodes rapides pour
calculer des solutions approches acceptables. On peut par exemple
transformer le problme non linaire f(x)=0 en une rcurrence U(n+1)=g(Un)
qui converge vers une solution du problme (comme par exemple dans la
mthode de Newton). On peut alors, pour U0 donn, sarrter aprs quelques
itrations pour avoir une solution approche du problme.


2. Reprsentation des nombres sur lordinateur

Description simplifie dun ordinateur :
Un ordinateur est compos dune unit centrale et des priphriques qui sont
essentiellement des priphriques dentres des donnes (comme le clavier et la
souris etc.) et des priphriques de sortie des rsultats (comme lcran,
limprimante etc.) ; quand lunit centrale elle est compose essentiellement des
mmoires pour stocker les donnes (comme disque dur, DVD, etc.) et un processeur
pour les traiter.
Sur les disques mmoires linformation est stocke sur des pistes concentriques qui
constituent une bande de cases mmoire. Chaque case mmoire contient une
information binaire (0 ou 1) par exemple dans les Cdrom linformation est code sous
forme de bosses et des trous dtect lors de la lecture par des rayons laser.




Reprsentation normalise des nombres sur ordinateur :
Pour faire des calculs mathmatiques sur ordinateur on a besoin de stocker et traiter
des nombres. Chaque nombre est reprsent par un certain nombre fini de cases
mmoires. Une premire constatation simpose : On ne peut pas reprsenter tous les
nombres rels ni mme tous les nombres rationnels. Un ordinateur ne peut
reprsenter quun nombre fini de rationnels avec un nombre fini de chiffres.
Pour faciliter le traitement tous les nombres sont reprsents de la mme faon cest
le principe des reprsentations normalise.

Analyse Numrique

H. Douzi Page 6

Exemple : Reprsentation en virgule flottante :
Les nombres virgule flottante sont les nombres les plus souvent utiliss dans un
ordinateur pour reprsenter des valeurs non entires. Ce sont des approximations de
nombres rels.
Les nombres virgule flottante possdent un signe s (dans {-1, 1}), une mantisse m
et un exposant e (gnralement 2 sur ordinateur, mais aussi 16 sur certaines
anciennes machines, 10 sur de nombreuses calculatrices, ou ventuellement toute
autre valeur). En faisant varier e, on fait flotter la virgule dcimale. Gnralement,
m est d'une taille fixe.
Ceci s'oppose la reprsentation dite en virgule fixe, o l'exposant e est fix.


m
n
C C C x L
2 1
, 0 * 2 =

0,C
1
C
2
.... C
m
: est appel la mantisse.
-M
1
<n<M
1
est appel lexposant la largeur de lintervalle de n dpend de la
puissance le lordinateur.
m est le nombre de chiffre de la reprsentation et sa valeur dpend de la
puissance de lordinateur.

Propagation des erreurs numriques
Les calculs en virgule flottante sont pratiques, mais prsentent divers dsagrments,
notamment :
leur prcision limite, qui se traduit par des arrondis (dus aux oprations, ainsi
qu'aux changements de base implicites, si la base est diffrente de 10) qui
peuvent s'accumuler de faon gnante. Pour cette raison, les travaux de
comptabilit ne sont pas effectus en virgule flottante, car tout doit tomber juste
au centime prs. En particulier, la soustraction de deux nombres trs proches
provoque une grande perte de prcision relative : on parle de cancellation .
une plage d'exposants limite, pouvant donner lieux des overflows (lorsque
le rsultat d'une opration est plus grand que la plus grande valeur reprsentable)
et des underflows (lorsqu'un rsultat est plus petit, en valeur absolue, que le
plus petit flottant normalis positif), puis des rsultats n'ayant plus aucun sens.
Exemple : le calcul de lexponentielle avec la srie :

) (
! ! 3 ! 2
1
3 2
n
n
x
x
n
x x x
x e + + + + + + = L


x Exp(x) Somme,
n=14
-10 4.54 10
-5
4.54 10
-5

-15 3.06 10
-7
3.05 10
-7

-20 2.06 10
-9
-1.55 10
-7
-25 1.39 10
-
11

1.87 10
-5
-30 9.36 10
-
14
6.25 10
-4
Analyse Numrique

H. Douzi Page 7


Lorsque x est ngative (<-20) et si on utilise la srie ci-dessus pour calculer
lexponentielle de x, on obtient des rsultats trs loigns des valeurs exactes
cause de laccumulations des erreurs darrondis dans les additions et multiplications
des termes successifs de la srie. Donc ce nest pas une bonne mthode numrique
pour calculer la fonction exponentielle. En Ana lyse numrique on dit que cest une
mthode instable.
Une mthode numrique est dite stable si elle donne de bonnes rsultats quelques
soit la nature de ses donnes.
Les donnes initiales qui vont tre traits par ordinateur sont souvent tronques. Il
faut donc que les mthodes numriques utilises soient insensibles aux petites
variations des donnes initiales on dit dans ce cas que la mthode numrique est
bien conditionne. Une mthode est mal conditionne si de petites variations sur
les donnes peut produire de grandes perturbations sur les rsultats obtenues.

Il faut donc prendre en compte tous ces paramtres au cours de llaboration des
mthodes numrique. En Analyse Numrique, pour rsoudre un problme donn,
souvent le problme qui se pose nest pas de trouver une mthode numrique mais
la difficult rside dans la dmonstration que le problme est bien conditionn et la
mthode utilise est stable.











Analyse Numrique

H. Douzi Page 8

Chapitre 1 : Complments dalgbre linaire
Introduction
Une matrice dordre (n,k) est un tableau de n lignes et k colonnes:

Lorsque n=k on dit que la matrice est carr dordre n

Matrices particulires:
Matrices diagonales et triangulaires
Matrice adjointe et transpose :
( ) ( )
ji
t
ji
a A a A = =
*

Matrices hermitiennes et symtriques: A*=A ; A
t
=A ;


Matrices Unitaire et orthogonales: A
-1
=A
*
; A
-1
=A
T

Matrices diagonale dominante:

Matrices semblables : A et B sont semblables sil existe une matrice inversible
P tel que : B=P
-1
AP




Rappel sur les normes matricielles

Dfinition :
Une norme vectorielle sur R
n
est une application de lensemble R
n
vers R qui vrifie
un certain nombre de proprits :
o ||v||=0 v=0
o ||v||=|| ||v||
o ||v+w|| ||v|| + ||w||
Analyse Numrique

H. Douzi Page 9

Exemples
Quelques normes vectorielles trs utilises : Soit
n i i
v v

=
1
) ( alors on a :
o

=
=
n
i
i
v v
1
1

o
i
n i
v A
max
1

=
Dfinition
Une norme matricielle est une application de lensemble des matrices carr dordre n
vers R qui vrifie un certain nombre de proprits :
o ||A||=0 A=0
o ||A||=|| ||A||
o ||A+B|| ||A|| + ||B||
o ||AB|| ||A|| ||B||
Exemples
Quelques normes matricielles trs utilises : Soit
n j i ij
a A

=
, 1
) ( alors on a :

=
=
n
i
ij
n j
a A
1 1
1
max

=
n
j
ij
n i
a A
1 1
max



Analyse Numrique

H. Douzi Page 10

Valeurs propres, Rayon spectral et Polynme caractristique




Analyse Numrique

H. Douzi Page 11

Matrices diagonalisables

On a donc

Remarques :
Une matrice est diagonalisable si elle est semblable une matrice diagonale
Pour toute matrice carre et symtrique A il existe une matrice orthogonale O
telle que O
-1
AO soit diagonale
Conditionnement dun systme linaire

Soit Ax=b un systme linaire, une matrice est mal conditionne lorsque de petites
variations sur les donnes A ou b entranent de trs fortes variations sur le rsultat x,
(et mme si x est obtenu sans erreurs d'arrondi ni de troncatures). Le
conditionnement de la matrice dun systme linaire (quon note par Cond(A)) est un
outil qui permet de mesurer l'instabilit numrique de ce systme.

Dfinition :
Soit A une matrice carre inversible d'ordre n, alors le conditionnement de A est
donn par:
Cond(A) = ((((

O (( . reprsente une norme matricielle choisie.

Si le conditionnement est trs lev par rapport 1 (Cond(A)>>1) alors le systme
est mal conditionn. Le conditionnement est une valeur qui est toujours suprieure
ou gale 1 et le systme est idale lorsque on a lgalit avec 1 ( cond(A)=1). Cest
le cas par exemple des matrices orthogonales.



Thorme (Majoration des perturbations) :
Analyse Numrique

H. Douzi Page 12

Soit Ax = b un systme linaire, on note par A et b une faible perturbation
respectivement sur A et b. Et soit x la perturbation sur x obtenue suivant qu'on
modifie A ou b (o x est la solution du systme Ax=b).

(i) Cas d'une perturbation du second membre:
Si A(x+x) = (b+b) alors on a :
b
b
A Cond
x
x

) (
(ii) Cas d'une perturbation de la matrice:
Si (A+A)(x+x) = b alors on a :
A
A
A Cond
x x
x

) (

Exemple :
On considre le systme linaire Ax=b avec :
|
|
|
|
|

\
|
=
|
|
|
|
|

\
|
=
31
33
23
32
10 9 5 7
9 10 6 8
5 6 5 7
7 8 7 10
b A
La solution de ce systme est donne par
|
|
|
|
|

\
|
=
1
1
1
1
x
Considrons une perturbation du second membre :
|
|
|
|
|

\
|
= +
9 . 30
1 . 33
9 . 22
1 . 32
b b
La solution du systme : ) ( ) ( b b x x A + = + est donne par
|
|
|
|
|

\
|

= +
1 . 1
5 . 4
6 . 12
2 . 9
x x

Dans ce cas on a : 003 , 0
33
1 . 0
=

b
b
et 6 . 13
1
6 . 13
= =

x
x
Ainsi

b
b
x
x
4488 donc le conditionnement de ce systme est suprieur 4488 et le
systme est, bien sur, mal conditionn.
Considrons maintenant une perturbation de la matrice A donn par :
|
|
|
|
|

\
|
=
89 . 9 9 99 . 4 99 . 6
9 89 . 9 98 . 5 8
5 6 08 . 5 08 . 7
2 . 7 1 . 8 7 10
A
Analyse Numrique

H. Douzi Page 13

La solution du systme : b x x A A = + + ) )( ( est donne par
|
|
|
|
|

\
|

= +
22
34
137
81
x x

L encore de petites variations sur les donnes modifient normment le rsultat.

Analyse Numrique

H. Douzi Page 14

Chapitre 2 : Mthodes directes de rsolution
dun systme linaire

1. Introduction
On se propose de rsoudre le systme linaire suivant :


O sont les inconnues et les nombres sont les coefficients du
systme.
Un systme d'quations linaires peut aussi s'crire sous la forme :
avec :
; et

Dans la suite on va toujours considrer que n=m c'est--dire quil y a autant
dquations que dinconnus ou aussi que la matrice est carr.
La premire mthode qui vient lesprit pour rsoudre ce systme est lutilisation des
formules de Cramer :

o Ai est la matrice A avec le remplacement de la ieme colonne par le vecteur b.
Ces formules ncessitent le calcul de plusieurs dterminant or le nombre
doprations ncessaires pour le calcul dun dterminant pour un systme dordre est
Analyse Numrique

H. Douzi Page 15

de lordre de n ! . Ce nombre devient rapidement impossible raliser lorsque n
devient grand. (n ! augment plus vite que lexponentielle).
Les mthodes numriques de rsolutions dun systme linaire sont de deux types :
Les mthodes directes : qui conduisent la solution en un nombre fini
doprations lmentaires comme par exemple la mthode de Gauss (ou
encore LU ou Choleski)
Les mthodes itratives qui gnrent une suite qui converge vers la solution
du systme linaire comme par exemple la mthode de House-Holder.
Le choix de la mthode utilise dpend des proprits caractristiques de la matrice
du systme considr. Par exemple on distingue particulirement les matrices
creuses qui contiennent beaucoup de zros des matrices pleines qui nen
contiennent que peu : Les matrices diagonales et les matrices triangulaires sont
des exemples particuliers de matrices creuses.
une matrice diagonale (A = D) si et seulement si :
une matrice triangulaire suprieure (A = U) si et seulement si
une matrice triangulaire infrieure (A = L) si et seulement si
2. Mthode pour les matrices triangulaires
Le principe des mthodes directes, que nous allons tudier repose sur la remarque
intressante suivante :
Si la matrice A du systme linaire est triangulaire suprieure (ou triangulaire
infrieur) alors la rsolution numrique peut seffectuer trs rapidement :

=
= +
= + + +
= + + + +



n n nn
n n n n n n n
n n n n
n n n n
b x a
b x a x a
b x a x a x a
b x a x a x a x a
1 1 1 1 1
2 2 1 1 2 2 22
1 1 1 1 1 2 12 1 11
M
L
L

=
=
=
=

) (
) (
) (
1 1 1 1 2 12
1
11 1
2 1 1 2 2
1
22 2
1 1
1
1 1 1
1
n n n n n
n n n n
n n n n n n n
n nn n
x a x a x a b a x
x a x a b a x
x a b a x
b a x
L
L
M

Analyse Numrique

H. Douzi Page 16

Algorithme :

Fonction x = triang(A,b)



Cette mthode pour les matrices triangulaires suprieures sappelle : mthode de
remonte elle ncessite : n(n-1)/2 additions, n(n-1)/ multiplications et n division on dit
que la complexit de lalgorithme de la mthode de remonte est O(n
2
).
De la mme manire on a une mthode de descente pour les matrices triangulaires
infrieures .
3. Mthode dlimination de Gauss
Dans les mthodes directes pour rsoudre le systme linaire Ax=b on cherche
trouver une matrice M inversible telle que le produit MA est une matrice triangulaire
suprieure. Il suffit alors de rsoudre le systme triangulaire (MA)x=Mb ,qui est
quivalent Ax=b, par la mthode de remonte .

On vient de voir quil est trs simple de rsoudre des systmes triangulaires. La
transformation du systme original en un systme triangulaire se fait en choisissant
des combinaisons linaires appropries des quations du systme.
Exemple
Soit le systme :

= +
= +
4 7x 6x
9 5x 3x
2 1
2 1

Si lon multiplie la premire quation par 2 et que lon la soustrait de la deuxime on
obtient :

=
= +
14 3
9 5x 3x
2
2 1
x

On obtient un systme triangulaire et quivalent au systme initial. Cette procdure
sappelle limination de Gauss. Il reste ainsi rsoudre le systme triangulaire par la
mthode de remonte pour trouver la solution du systme initial.
Analyse Numrique

H. Douzi Page 17

=
=
3
14
9
13
x
2
1
x

Sous forme matricielle on peut effectuer cette mme opration en reprsentant la
matrice du systme original comme le produit de deux matrices triangulaires :

On appelle cette opration la dcomposition LU de la matrice A.
La solution du systme original Ax = b est alors obtenue en rsolvant deux systmes
triangulaires successivement en remplaant A par sa factorisation :

On cherche la solution y partir du systme triangulaire infrieur Ly = b, puis la
solution de x partir du systme triangulaire suprieur Ux = y.

Formalisation de llimination de Gauss :
Il sagit de formaliser une procdure qui transforme une matrice en une matrice
triangulaire suprieure en liminant, colonne aprs colonne, les lments non nuls
en dessous de la diagonale comme illustr dans lexemple suivant :
Soit le systme linaire associ la matrice suivante :

On veut la transformer en une matrice triangulaire suprieure. On obtient cette forme
en deux tapes. Lors de la premire tape on soustrait 2 fois la premire ligne de la
deuxime ligne et 3 fois la premire ligne de la troisime ligne pour obtenir la
matrice :

Lors de la deuxime tape on transforme cette nouvelle matrice en soustrayant 2 fois
la deuxime ligne de la troisime ligne pour obtenir la forme triangulaire recherche :

De manire gnrale, tant donn un vecteur x avec x
k
0, on peut annuler tout les
lments x
i
, i > k, en multipliant le vecteur x par la matrice M
k
suivante :

o :
(k)
i
= x
i
/x
k
, i = k + 1, . . . , n.
Analyse Numrique

H. Douzi Page 18

Le diviseur x
k
est appel le pivot , la matrice M
k
est appele la matrice de
transformation de Gauss et les
(k)
i
constituent les multiplicateurs de Gauss.
En appliquant (n 1) fois dans lordre M1, . . . ,Mn1 la transformation de Gauss
une matrice A dordre n :

On obtient une matrice U qui est triangulaire suprieure. Ce procd est appel
limination de Gauss.

Algorithme

Fonction A,b = descent(A,b)








Analyse Numrique

H. Douzi Page 19

Exemple

4. Dcomposition LU

Proprits des matrices M
k
:
Dabords se sont des matrices triangulaires infrieurs avec diagonale unitaire
donc elles sont inversibles :

Ensuite le calcule de linverse est trs facile, cest tous simplement un
changement de signe sous la diagonale de la k-ieme colonne :

Enfin le produit des deux matrices M
k
M
k+1
est aussi trs facile calculer avec des
1 sur la diagonale plus les colonnes k de M
k
et (k+1) de M
k+1
:

Ainsi on obtient le procd pour calculer la dcomposition LU dune matrice A
inversible :
Analyse Numrique

H. Douzi Page 20


Algorithme :



Existence de la factorisation LU
Analyse Numrique

H. Douzi Page 21

Il apparat qu chaque tape de llimination de Gauss il faut avoir un pivot non nul
pour pouvoir dduire la fin la dcomposition LU. Donc la factorisation LU nexiste
pas toujours. Le thorme qui suit, donne une condition ncessaire pour assurer
lexistence de la dcomposition :
Thorme :
Soit A une matrice dordre n. les sous matrices diagonales
k
de A sont dfinies par :
n k
a a
a a
a a
a a
A
kk k
k
k
nn n
n
L
L
M O M
L
L
M O M
L
1 ,
1
1 11
1
1 11
=
|
|
|

\
|
=
|
|
|

\
|
=
Si la matrice A et ses sous matrices diagonales sont inversibles alors A admet une
factorisation LU unique telle que A=LU




Analyse Numrique

H. Douzi Page 22


5. Factorisation de Choleski

Exemple

La matrice symtrique A = est gale au produit droite de la
matrice triangulaire L :
et de sa transpose L
T
.

Thorme (Factorisation de Choleski d'une matrice) :
Si A est une matrice symtrique dfinie positive, il existe au moins une matrice relle
triangulaire infrieure L telle que : A=LL
T

On peut galement imposer que les lments diagonaux de la matrice L soient tous
positifs, et la factorisation correspondante est alors unique

Algorithme
On cherche la matrice :

De l'galit A=LL
T
on dduit :

puisque l
pq
=0 si 1p<qn.
La matrice A tant symtrique, il suffit que les relations ci-dessus soient vrifies
pour ij, c'est--dire que les lments l
ij
de la matrice L doivent satisfaire :
Analyse Numrique

H. Douzi Page 23



Pour j=1, on dtermine la premire colonne de L :
(i=1) a
11
= l
11
l
11
d'o
(i=2) a
12
= l
11
l
21
d'o
...
(i=n) a
1n
= l
11
l
n1
d'o

On dtermine la jme colonne de L, aprs avoir calcul les (j-1) premires colonnes :
(i=j) d'o
(i=j+1) d'o
...
(i=n) d'o

Il rsulte du thorme prcdent qu'il est possible de choisir tous les lments l
ii
>0
en assurant que toutes les quantits
sont positives.
Fonction L = Choleski(A)

Analyse Numrique

H. Douzi Page 24

6. Dcomposition QR

Dfinition (Matrice orthogonales)
On appelle matrice orthogonale une matrice dont les colonnes sont orthonormes.
Cest dire les matrices O telles que :
t
OO = I
Remarques :
o Si O est orthogonale, det(O) = 1.
o Elles ne changent pas la norme associe au produit scalaire :

o Le produit de deux matrices orthogonales est une matrice orthogonale :
t
(OO)OO =
t
O
t
OOO = I


Exemples :
Matrice de rotation,

Matrice de permutation,

Matrice de symtries de HouseHolder :

En algbre linaire, la dcomposition QR (appele aussi, dcomposition QU) d'une
matrice A est une dcomposition de la forme A = QR o Q est une matrice
orthogonale (QQ
T
= I), et R une matrice triangulaire suprieure.
Comme la dcomposition LU, cette dcomposition QR transforme une
matrice quelconque en produit de matrices plus simples A = QR
Thorme
Soit A une matrice quelconque de M
n,m
(C) alors:
Q M
m,m
une matrice orthogonale,
R M
n,m
(C) une matrice triangulaire suprieure telles que A = QR

Une matrice orthogonale est facile inverser (
t
Q = Q
1
).
Cela peut tre utilis pour la rsolution dquations linaires : au lieu de rsoudre
Ax = b, on rsout Rx =
t
Qb
Cela fonctionne pour les matrices rectangulaires : rsolution dquations linaires
surdtermins (avec plus dquations que dinconnues)
Les matrices orthogonales ont de bonnes proprits :
o le dterminant de A est gale celui de R;
o multiplier par une matrice orthogonale ne change pas la norme;
o le conditionnement de A est gale celui de R.
Cette dcomposition est aussi utilise pour le calcul des valeurs
propres dune matrice (Mthodes des puissances).
o . . .
Analyse Numrique

H. Douzi Page 25



Il existe plusieurs mthodes pour raliser cette dcomposition QR :
la mthode de Householder o Q est obtenue par produits successifs de matrices
orthogonales lmentaires
la mthode de Givens o Q est obtenue par produits successifs de matrices de
rotation plane
la mthode de Schmidt
Chacune d'entre elles a ses avantages et ses inconvnients. (La dcomposition QR
n'tant pas unique, les diffrentes mthodes produiront des rsultats diffrents).

Mthode de Householder
Soit x un vecteur colonne arbitraire de dimension m et de longueur ||
Soit e
1
le vecteur (1,0,..., 0)
T
, et || || la norme euclidienne, dfinissons


.
Q est la matrice de Householder ou matrice orthogonale lmentaire et
.
Nous pouvons utiliser ces proprits pour transformer une matrice A de dimension
m*n en une matrice triangulaire suprieure. Tout d'abord, on multiplie A par la
matrice de Householder Q
1
en ayant pris le soin de choisir pour x la premire
colonne de A . Le rsultat est une matrice QA avec des zros dans la premire
colonne except du premier lment qui vaudra .

Ceci doit tre ritr pour A' qui va tre multipli par Q
2
(Q
2
est plus petite que Q
1
).
Si toutefois, vous souhaiteriez utiliser Q
1
A plutt que A, vous deviez remplir la
matrice de Householder avec des 1 dans le coin suprieur gauche :

Aprs t itrations, t = min(m 1,n),

est une matrice triangulaire suprieure. Si alors A = QR est la
dcomposition QR de A.

Exemple :
Calculons la dcomposition QR de

Analyse Numrique

H. Douzi Page 26

On choisit donc le vecteur a1 = (12,6, 4)
T
.
On a donc . Ce qui nous conduit crire
.
Le calcul nous amne u = ( 2,6, 4)T et . La premire
matrice de Householder vaut


Observons que:

Nous avons maintenant sous la diagonale uniquement des zros dans la 1
re
colonne.
Pour ritrer le processus, on prend la sous matrice principale

Par la mme mthode, on obtient la 2e matrice de Householder



Finalement, on obtient




La matrice Q est orthogonale et R est triangulaire suprieure, par consquent, on
obtient la dcomposition A = QR.
Analyse Numrique

H. Douzi Page 27

7. Calcul des valeurs propres par la mthode QR (mthode des
puissances


8. Comparaison des mthodes directes :
Cout des mthodes de Gauss et Choleski pour une matrice dordre n :
Gauss Choleski
Additions (n
3
-n)/3 n
3
/6
Multiplications (n
3
-n)/3 n
3
/6
Divisions n(n-1)/2 n
2
/2
Racine n
Total 2n
3
/3 n
3
/3

Le cot de la mthode QR de House-Holder pour une matrice nxn est
proportionnel : Ce cot est relativement lev (la mthode de Cholesky,
pour les matrices symtriques dfinies positives est en ). Cependant, la
mthode de Householder prsente l'avantage considrable d'tre beaucoup
plus stable numriquement, en limitant les divisions par des nombres petits.
La mthode de Givens, malgr un cot encore suprieur celui-ci, offrira
encore davantage de stabilit.
Analyse Numrique

H. Douzi Page 28

Chapitre 3 : Mthodes itratives de rsolution
dun systme linaire

1. Principe Gnral

On cherche toujours rsoudre une quation de la forme : Ax = b
Les mthodes directes fournissent la solution x* en un nombre fini doprations.
Mais :
Si la taille du systme est leve, le nombre doprations est important, or les
erreurs de calcul dpendent directement du nombre de calculs.
Elles utilisent des proprits mathmatiques ncessitant un calcul exact, il est
difficile de tenir compte des erreurs de calcul dans ce processus.
Donc le rsultat nest jamais rigoureusement gal x*. Il peut mme en tre trs
diffrent.

Les fonctions linaires ont de bonnes proprits :
Ce sont des fonctions trs rgulires (C) elles sont linaires
Lutilisation de la formule de TAYLOR dans les mthodes numrique en
gnral sert justement linariser une fonction non linaire

On construit une suite de vecteurs (x
k
)

k = 0, 1, ... qui tend vers x*.
Le point de dpart est une approximation x
0
de x* obtenue par exemple par une
mthode directe. Pour construire cette suite, on utilise la linarit pour dcomposer la
matrice A en une partie facilement inversible et un reste.
On dcompose la matrice A : A = M N , de telle faon que M soit facilement
inversible.
Alors, Ax = b Mx = Nx + b
On calcule la suite de vecteurs (x
i
) partir dun vecteur x
0
choisi arbitrairement et de
la relation : Mx
k+1
= Nx
k
+ b x
k+1
= M
1
Nx
k
+M
1
b
Cest dire :



Analyse Numrique

H. Douzi Page 29

2. Convergence


Dmonstration
Existence de la solution :
Daprs les proprits du rayon spectral on a :


Convergence :

Analyse Numrique

H. Douzi Page 30




Analyse Numrique

H. Douzi Page 31

3. Mthode de JACOBI
Soit la matrice A, on note :
D la matrice des lments diagonaux de A
E la matrice des lments sous-diagonaux
F la matrice des lments sur-diagonaux
Cest dire :


Analyse Numrique

H. Douzi Page 32

Conditions de convergence
Daprs ce qui prcde une condition ncessaire et suffisante (CNS) pour la
convergence de la mthode de Jacobi est que :
D soit inversible : les lments diagonaux de A doivent tre non nuls
(J) < 1 (la valeur propre de plus grand module est < 1)
Remarque :
Cette CNS est difficile vrifier, mais il y a deux conditions suffisantes.
Pour les matrices diagonale strictement dominante.
Pour les matrices symtriques.







Analyse Numrique

H. Douzi Page 33

Algorithme

4. Mthode de GAUSS-SEIDEL











Analyse Numrique

H. Douzi Page 34

Conditions de convergence



Algorithme



Analyse Numrique

H. Douzi Page 35

Chapitre 4 : Mthodes de rsolution des
quations non linaires

1. Introduction
On considre une fonction continue f : R R . On se propose de trouver une ou
plusieurs solutions lquation f(x) = 0.
Les mthodes analytiques de rsolution de ce type dquation sont limites
certaines formes algbriques ( a
n
x
n
+ a
n-1
x
n-1
+ + a
0
= 0 pour n<5) ou formes
particulires. Par consquent pour les autres formes dquations il faut employer des
mthodes numriques pour trouver ou approcher les racines.
Dans toute la suite on va supposer quon dispose dun intervalle [a,b] o la fonction f
admet une seule solution lintrieur de lintervalle. Cette localisation de la racine
peut tre fournie par des considrations priori sur le problme lorigine de
lquation (des considrations physique, dordre de grandeur ou de conditions
initiales). On suppose aussi que la fonction est drivable autant de fois quil sera
ncessaire.

2. Mthode de Dichotomie
La dichotomie (du Grec diviser par deux) peut tre vue comme une variante
simplifie de la stratgie plus gnrale diviser pour rgner. Prenons un exemple
simple et ludique pour illustrer le mcanisme de recherche par dichotomie: Mohamed
propose Moustapha le jeu suivant: choisis en secret un nombre compris entre 0
et 100; je vais essayer de le deviner le plus rapidement possible, mais tu ne dois
rpondre mes questions que par oui ou par non . Moustapha choisit 65 et attend
les questions de Mohamed:
est-ce que le nombre est plus grand que 50? (100 divis par 2)
oui
est-ce que le nombre est plus grand que 75? ((50 + 100) / 2)
non
est-ce que le nombre est plus grand que 63? ((50 + 75 + 1) / 2)
oui
Mohamed ritre ses questions jusqu' trouver 65. Par cette mthode itrative,
Mohamed est sr de trouver beaucoup plus rapidement le nombre qu'en posant des
questions du type est-ce que le nombre est gal 30? .

La Dichotomie est aussi la plus simple mthode connue pour chercher une racine
dune fonction f continue sur un intervalle ferm [a,b] :

Algorithme
On commence par prendre x
0
=(a+b)/2 le milieu de lintervalle
On a alors trois cas possibles :
o Si f(x
0
)f(a) < 0 la racine se trouve dans lintervalle [a, x
0
] et on pose
dans ce cas :[a
1
, b
1
] = [a, x
0
]
o Si f(x
0
)f(b) < 0 la racine se trouve dans lintervalle [x
0
, b] et on pose
dans ce cas :[a
1
, b
1
] = [x
0
, b]
Analyse Numrique

H. Douzi Page 36

o Si f(x
0
)=0 alors x
0
est la racine recherche
Si la racine nest pas atteinte on recommence lopration avec lintervalle [a
1
,
b
1
]
On obtient ainsi une suite (x
n
)
n
avec x
n
=(a
n
+b
n
)/2

On remarque qu litration n on a |x
n
_| < (b-a)/2
n
ceci permet de connatre
lavance le nombre ditration ncessaires pour approcher la solution avec une
prcision donne.

3. Mthode de Newton
On suppose ici que la fonction est drivable sur lintervalle [a, b]. Le principe de la
mthode de Newton, quon appelle aussi mthode de la tangente, consiste choisir
un point x
0
dans lintervalle et remplacer la fonction f par sa tangente en ce point,
puis on calcule la racine de cette approximation affine dans lintervalle [a,b]. En
gnral la racine de cette tangente est plus proche que x
0
de la racine de f. On peut
donc continuer itrativement (par la construction dune suite (x
n
)
n
) de la mme faon
jusqu ce quon sapproche suffisamment de la racine de f.



Algorithme :
Analyse Numrique

H. Douzi Page 37

Lquation de la tangente est donne par : (y-f(x
0
))/(x-x
0
)=f(x
0
)
La racine de la tangente est donn par : x
1
=x
0
f(x
0
)/f(x
0
)
La suite (x
n
)
n
est donc donne par la formule itrative :


Exemple
Considrons le problme de trouver le nombre positif x vrifiant cos(x) = x
3
.
Reformulons la question pour introduire une fonction devant s'annuler : on recherche
le zro de f(x) = cos(x) - x
3
.La drivation donne f '(x) = -sin(x) - 3x
2
.Comme cos(x) 1
pour tout x et x
3
> 1 pour x>1, nous savons que notre zro se situe entre 0 et 1. Nous
essayons une valeur de dpart de x0 = 0.5.


et les 12 premiers chiffres de cette valeur concident avec les 12 premiers chiffres du
vrai zro.

4. Mthode de Lagrange
On lappelle aussi la mthode de la scante car elle consiste remplacer la tangente
de la mthode de Newton par une scante qui est plus facile calculer. En effet un
Analyse Numrique

H. Douzi Page 38

dfaut de la mthode de Newton est la ncessit de pouvoir calculer la drive ce
qui nest toujours ais dans les problmes pratiques. On peut donc remplacer le
calcul exact de la drive par une approximation qui ne fait intervenir que les valeurs
de la fonction :

1
1
) ( ) (
) ( '

n n
n n
n
x x
x f x f
x f

On obtient ainsi la mthode itrative suivante :






Remarque :
Dans une autre variante on utilise lapproximation de la drive suivante :
b x
b f x f
ou
a x
a f x f
x f
n
n
n
n
n

) ( ) ( ) ( ) (
) ( '
Exemple :
f(x) = cos(x) - x
3
= 0











Analyse Numrique

H. Douzi Page 39

5. Etude des mthodes dapproximation successives

Convergence dune mthode
Dans ces mthode on construit une suite (x
n
)
n
qui converge vers la solution de
lquation
f(x) =0. Pour engendrer une telle suit on remplace cette quation par une quation
quivalente de la forme g(x)= x avec g aussi une fonction continue :
f(x) = 0 g(x) = x
On remplace ainsi le problme du calcul dune racine de f par le calcul dun point fixe
de g.
La suite (x
n
)
n
est donne par :

+
) (
] , [
1
0
n n
x g x
b a x


Si la suite converge alors elle convergera vers la solution du problme. En effet si l
est la limite de la suite alors par continuit de g on a l=g(l), c'est--dire que l est un
point fixe de la fonction g et par quivalence cest aussi une racine de la fonction f.
Il y a une infinit de faons pour choisir la fonction g. On peut par exemple utiliser
simplement g(x)= x-f(x). La mthode de Newton et celle de Lagrange sont aussi des
exemples dapproximations successives :
Pour la mthode de Newton :
) ( '
) (
) (
x f
x f
x x g =
Pour la mthode de Lagrange :
) ( ) (
) )( (
) ( ) (
) )( (
) (
b f x f
b x x f
x ou
a f x f
a x x f
x x g

=

On peut tudier la convergence des mthodes des approximations successives
grce au fameux thorme du point fixe.
Thorme 1
On suppose que la fonction g est continue sur lintervalle [a,b] et quelle vrifie les
conditions suivantes :
1. Si x[a,b] alors g(x) [a,b]
2. La fonction g est contractante dans lintervalle [a,b], c'est--dire que :
il existe un rel K : 0K<1 tel que pour tout x et y dans [a,b] on a :
y x K y g x g ) ( ) (
Alors pour tout x
0
dans lintervalle [a,b] la suite rcurrente ) (
1 n n
x g x =
+
converge vers
lunique de lquation g(x)=x dans lintervalle [a,b].

Dmonstration
Dabord si la suite (x
n
)
n
converge alors, daprs la condition 2, la limite est dans
lintervalle [a,b].
Ensuite lquation g(x) = x admet une solution unique dans [a,b] en effet si l
1
et l
2

sont deux solutions alors g(l
1
)=l
1
et g(l
2
)=l
2
, or daprs la condition 2 on a :
2 1 2 1
) ( ) ( l l K l g l g c'est--dire que
2 1 2 1
l l K l l donc forcment l
1
= l
2
car
0K<1.
Enfin montrons que la suite (x
n
)
n
converge :
Analyse Numrique

H. Douzi Page 40

On a :
1 1 1
) ( ) (
+
=
n n n n n n
x x K x g x g x x
Do :
0 1 1
x x K x x
n
n n

+

De mme comme on a :
n n p n p n n p n
x x x x x x + +
+ + + + 1 1
L
On peut dire que :
1
1 1
1
) 1 (
0 1 0 1
2 1
0 1
<

= + + +

+
K car
K
K
x x
K
K
K x x K K K x x x x
n p
n p p n
n p n
L

Ainsi pour p fix 0 lim =
+

n p n
n
x x c'est--dire que la suite (x
n
)
n
est une suite de
Cauchy donc convergente

On peut identifier les fonctions contractantes partir de leurs drives

Thorme 2
Si la fonction g est drivable sur [a,b] et si la drive g vrifie : 1 ) ( ' max
] , [
< =

K x g
b a x

alors g est une fonction contractante sur lintervalle [a,b].

Dmonstration
On utilise la formule des accroissement finies : pour tout x, y [a, b] on peut trouver
]x,y[ telle que y x K y x g y g x g = ) ( ' ) ( ) (

Corollaire 1
Soit l une solution de lquation g(l)=l et g continue au voisinage de l alors on a les 3
cas suivantes :
1. Point fixe attractif : si 1 ) ( ' < l g alors il existe un intervalle [a,b] contenant l
pour lequel ] , [
0
b a x la suite (x
n
)
n
dfinie par x
n+1
= g(x
n
) converge vers l
2. Point fixe rpulsif : si 1 ) ( ' > l g alors l x
0
la suite (x
n
)
n
dfinie par
x
n+1
=g(x
n
) ne converge pas vers l
3. Point fixe douteux : si 1 ) ( ' = l g on ne peut pas conclure il peut y avoir
convergence ou divergence.

Analyse Numrique

H. Douzi Page 41


Ordre dune mthode
En plus de la convergence, on veut aussi savoir si la suite suite (x
n
)
n
,dfinie par
x
n+1
= g(x
n
) ,engendre par une mthode donne converge assez rapidement. Ceci
revient tudier comment diminue la valeur l x
n
au cours des itrations.
Dfinition 1
Une mthode dfinie par une suite (x
n
)
n
est dite dordre p si et seulement si la valeur
de
p
n
n
l x
l x

+1
tends vers une limite finie non nulle

Thorme 3
Si la suite (x
n
)
n
,dfinie par x
n+1
= g(x
n
) convege vers l et si g est suffisamment
drivable au voisinage de l alors lordre de la mthode est donne par :

= = = =

0 ) (
0 ) ( ) ( ' ' ) ( '
) (
1
l g
l g l g l g
p
p
L

De plus on a :
( )
!
) (
) (
lim
) (
1
p
l g
l x
l x
p
p
n
n
n
=

+



Dmonstration
On utilise le dveloppement de Taylor :
( ) ( ) ) ) ((
!
) (
) ( ) ( ) (
1
1
) (
1
+
=
+
+

= =

p
n
p
k
k
n k
n n
l x
k
l x
l g l g x g l x
donc : ( ) ) ) ((
!
) (
) (
1 ) (
1
+
+
+

=
p
n
p
n p
n
l x
k
l x
l g l x
do :
( )
) (
!
) (
) (
) (
1
l x
p
l g
l x
l x
n
p
p
n
n
+ =

+


Exemples :
Analyse Numrique

H. Douzi Page 42

Pour la mthode de Newton : on a
) ( '
) (
) (
x f
x f
x x g =
donc
( )
2
) ( '
) ( ' ' ) (
) ( '
x f
x f x f
x g = ainsi si f(l)0 on a g(l)=0 car f(l)=0 donc la mthode
est au moins dordre 2 on dit que la mthode de Newton a une convergence
quadratique.
Pour la mthode de Lagrange : dans le cas o on a
) ( ) (
) )( (
) (
a f x f
a x x f
x x g

=
On obtient
) (
) )( ( ) (
) ( '
'
a f
a l l f a f
l g
+
= donc si g(l)0 ( ce qui est possible) la
mthode est dordre 1 on dit que la mthode de Lagrange a une convergence
linaire.

6. Mthodes pour les systmes dquations non linaires

Mthode de Newton en dimension >1 :

Pour calculer dune manire itrative la solution r de f(x)=0 :

On considre le dveloppement de Taylor dordre 2:
) ( ) ( '
2
1
) ( ) ( ) (
2
h h h x H h h x f x f h x f
f
+ + + = +

On choisit x
0
suffisamment proche de la solution r.
A chaque itration k :
o On considre l'approximation affine :
h x f x f h x f
k k k
) ( ) ( ) ( + +


o Et on cherche h tel que f(x
k
+h)=0 :
On construit le vecteur f(x
k
) = b.
Analyse Numrique

H. Douzi Page 43

On construit la matrice Jacobienne A = f(x
k
)
On rsout le systme Ay = b
On pose x
k+1
= x
k
y



Condition de convergence

Avantages de la mthode de Newton :
o Convergence trs rapide.
Inconvnients :
o La convergence nest pas assure.
o Il faut choisir un point de dpart au voisinage de la solution .
o En dimension n, il faut inverser f(x
n
)
Analyse Numrique

H. Douzi Page 44

Chapitre 5 : Introduction loptimisation
1. Formulation gnrale des problmes doptimisation non linaire

La forme gnrale dun problme doptimisation est la suivante :

o les fonctions f, g et h sont typiquement non-linaires.
Lquation (I.1.2) dsigne ce que nous appelleront des contraintes dingalit et
lquation (I.1.3) des contraintes dgalit.
Nous nous limiterons dans ce cours ltude des problmes doptimisation sans
contraintes.

2. Rappels de calcul diffrentiel


Analyse Numrique

H. Douzi Page 45





Analyse Numrique

H. Douzi Page 46

3. Thormes gnraux dexistence et dunicit



4. Optimisation sans contraintes
Conditions ncessaires d optimalits


Analyse Numrique

H. Douzi Page 47


5. Principe des mthodes de descentes
On considre le problme doptimisation suivant :





Analyse Numrique

H. Douzi Page 48

On peut caractriser les directions de descente laide du gradient :


6. Mthode de gradient
On cherche la direction de descente qui fait dcroitre localement la fonction:

le plus vite possible








Analyse Numrique

H. Douzi Page 49

Exemple :



Exemple dune fonction quadratique (donc convexe) :


Analyse Numrique

H. Douzi Page 50

7. La mthode de Newton





Analyse Numrique

H. Douzi Page 51

Chapitre 6 : Interpolation et Intgration
numrique

1. Introduction l interpolation numrique
En analyse numrique, l'interpolation est une opration mathmatique permettant de
construire une courbe partir de la donne d'un nombre fini de points, ou une
fonction partir de la donne d'un nombre fini de valeurs.
La solution du problme d'interpolation passe par les points prescrits, et, suivant le
type d'interpolation, il lui est demand de vrifier des proprits supplmentaires.
Ainsi le type le plus simple d'interpolation est l'interpolation linaire, qui consiste
"joindre les points" donns.


L'interpolation doit tre distingue de l'approximation de fonction, qui consiste
chercher la fonction la plus proche possible, selon certains critres, d'une fonction
donne. Dans le cas de l'approximation, il n'est en gnral plus impos de passer
exactement par les points donns initialement. Ceci permet de mieux prendre en
compte le cas des erreurs de mesure, et c'est ainsi que l'exploitation de donnes
exprimentales pour la recherche de lois empiriques relve plus souvent de la
rgression linaire, ou plus gnralement de la mthode des moindres carrs.

2. Interpolation polynomiale
linterpolation polynomiale est une technique d'interpolation d'un ensemble de
donnes ou d'une fonction par un polynme. En d'autres termes, tant donn un
ensemble de points (obtenu, par exemple, la suite d'une exprience), on cherche
Analyse Numrique

H. Douzi Page 52

un polynme qui passe par tous ces points, et ventuellement vrifie d'autres
conditions, de degr si possible le plus bas.




Exemple avec n=2

On connat 3 points (0,1), (2,5) et (4,17)
Polynmes de Lagrange associs :

( )( )
8
4 2
) (
0

=
x x
x L
( )
4
4
) (
1

=
x x
x L
( )
8
2
) (
2

=
x x
x L

Calcul du polynme d'interpolation :
p(x)=L
0
(x) + 5 L
1
(x) + 17 L
2
(x)
Analyse Numrique

H. Douzi Page 53

En simplifiant, on trouve p(x)=x
2
+1

-1 0 1 2 3 4 5
0
5
10
15
20
25
30


3. Calcul de lerreur dinterpolation



Certaines fonctions simples seront mal interpoles par un polynme.
Analyse Numrique

H. Douzi Page 54


Exemple :

Comment amliorer linterpolation ?:
On dcoupe lintervalle en petits morceaux,
On utilise des polynmes de petit degr pour approcher la fonction sur chaque
sous-intervalle.
Cest ce quon appelle Interpolation polynomiale par morceau (splines )
Par exemple :
o Fonctions linaires par morceaux
o Fonctions quadratiques par morceaux
o Les splines cubiques (polynme de degr 3 par morceau).

4. Principe des mthodes dintgration numrique

On cherche approcher lintgrale dune fonction dont on ne connat la valeur quen
certains points mesures mais dont on ne peut pas calculer la primitive par une
formule analytique.
Il faut donc approcher par des mthodes numriques lintgrale :


Analyse Numrique

H. Douzi Page 55





5. Mthode des rectangles
Analyse Numrique

H. Douzi Page 56


Exemple :


Erreur commise
On applique la formule derreur de linterpolation de Lagrange on obtient alors :

Avec :



Analyse Numrique

H. Douzi Page 57

6. Mthode des trapzes



Exemple :


Erreur commise
On applique la formule derreur de linterpolation de Lagrange on obtient alors :

Avec :
Analyse Numrique

H. Douzi Page 58



7. Mthode de SIMPSON






Exemple :
Analyse Numrique

H. Douzi Page 59



Erreur commise


Analyse Numrique

H. Douzi Page 60


Chapitre 7 : Mthodes numriques pour les
quations diffrentielles

1. Problme de Cauchy

Dfinition
Soit f : [a,b] x R R et y
0
R. Le problme de Cauchy ou le problme de la
condition initiale est le suivant :
Trouver une fonction y : [a,b] R drivable sur [a,b] qui vrifie :

=
=
] , [ )) ( , ( ) ( '
) (
0
b a x x y x f x y
y a y


Thorme (Cauchy-Lipshitz)
On suppose que la fonction f vrifie les conditions suivantes :
f est continue par rapport ses deux variables.
f (x,y) est Lipchitzienne en y uniformment par rapport x, c'est--dire :
R z y et b a x tout pour z y L z x f y x f telque L > , ] , [ ) , ( ) , ( : 0
Alors dans ce cas le problme de Cauchy admet une solution unique.

2. Mthode dEuler

La mthode dEuler est la mthode numrique la plus simple mais pas la plus
efficace qui est utilise pour rsoudre une quation diffrentielle.
On considre le problme de Cauchy suivant :

=
=
] , [ )) ( , ( ) ( '
) (
0
b a x x y x f x y
y a y

La mthode dEuler consiste subdiviser lintervalle [a,b] en points quidistants :
x
0
=a, x
1
, , x
n
=b avec x
(i+1)
-x
i
=(b-a)/n=h est le pas de la subdivision.
On en dduit x
i
=a+ih pour i=0,1,,n.
Supposons que la solution du problme soit deux fois drivable alors daprs le
dveloppement de Taylor et pour chaque indice i=0n-1, il existe c
i
[x
i
, x
i+1
] tel
que :
) ( ' '
2
) (
) ( ' ) ( ) ( ) (
2
1
1 1 i
i i
i i i i i
c y
x x
x y x x x y x y

+ + =
+
+ +

Puisque y(x) satisfait lquation diffrentielle on peut crire :
) ( ' '
2
)) ( , ( ) ( ) (
2
1 i i i i i
c y
h
x y x hf x y x y + + =
+


La mthode dEuler consiste ngliger pour chaque indice i le terme ) ( ' '
2
2
i
c y
h

On obtient ainsi une estimation de la solution sur les points de la subdivision :
Analyse Numrique

H. Douzi Page 61

= + =
=
+
1 0 ) , (
) (
1
0
n i pour y x hf y y
a y y
i i i i
L



Thorme
On peut montrer que suivant certaines conditions (f lipchitzienne et y borne sur
[a,b]) lapproximation (y
0
, y
1
, ,y
n
) donn par la mthode dEuler converge vers la
solution exacte (y(x
0
), y(x
1
), , y(x
n
)) lorsquon augmente le nombre des points de
la subdivision c'est--dire lorsque h tends vers 0.

Dfinition
Une mthode numrique fournissant des valeurs approches (y
0
, y
1
, ,y
n
) de la
solution exacte (y(x
0
), y(x
1
), , y(x
n
)) est dite dordre p sil existe une constante K
telle que :
p
i i
n i
h K y x y . ) (
max
, , 0

= L


On peut vrifier que la mthode dEuler est dordre 1 donc cest une mthode qui ne
converge pas rapidement. En gnral on utilise des mthodes dordre plus lev
comme les mthodes de Runge-Kutta qui peuvent atteindre lordre 4.

Exemple

=
=
) ( ) cos( '
0 ) 0 (
x y x y
y


Solution exacte :
) sin( x
e y

=

Solution avec la mthode dEuler avec un pas de 0.3
Analyse Numrique

H. Douzi Page 62


Solution avec la mthode dEuler avec un pas de 0.15 :

Solution avec la mthode dEuler avec un pas de 0.06 :


Analyse Numrique

H. Douzi Page 63

3. Mthodes de RUNGE-KUTTA


Analyse Numrique

H. Douzi Page 64



Analyse Numrique

H. Douzi Page 65


Exemple

=
=
) ( ) cos( '
0 ) 0 (
x y x y
y


Solution exacte :
) sin( x
e y

=


Solution avec la mthode de Heun avec un pas de 0.5

Solution avec la mthode de Runge-Kutta avec un pas de 0.5


Solution avec la mthode de Runge-Kutta avec un pas de 0.3
Analyse Numrique

H. Douzi Page 66

Chapitre 8 :Introduction aux diffrences finies
et lments finis
1. Modlisation mathmatique et Simulation numrique
Un modle mathmatique et une interprtation abstraite de la ralit physique qui est
accessible lanalyse et au calcul.
La simulation numrique permet de calculer sur ordinateur les solutions de ces
modles.
Les modles tudies ici sont des quations diffrentielles plusieurs variables
(EDP) et qui sont dterministes.

Les domaines dapplications de la modlisation et la simulation numrique sont
innombrables Quelques exemples:
Sciences de lingnieur: arodynamique, calcul des structures,
lectromagntisme, nergie, automatique, signal...
Autres sciences: physique, optique, chimie, biologie, conomie...
Mtorologie, environnement, finance...

Le Principe des mthodes de rsolution numrique des EDP consiste Obtenir
des valeurs numriques discrtes (c.a.d en nombre fini) qui approchent en un
sens convenable la solution exacte
Donc dans ce cas on a les proprits suivantes :
On calcule des solutions approches
On discrtise le problme ( On passe du continue au discret): remplacement
des fonction par un nombre fini de valeurs.
Il y a plusieurs mthodes de rsolution numriques mais les deux principales
mthodes sont :
Mthode des Diffrences finies
Mthode des Elments finis
2. Quelques modles classiques

Equation de la chaleur:
Elle intervient, comme modle, dans de nombreux problmes des sciences de
lingnieur :


Equation dordre 1 en temps 2 en espace (quation parabolique)




Analyse Numrique

H. Douzi Page 67

Equation des ondes:


Modlisation des phnomnes de propagation des ondes ou de vibration (vibration
dune membrane lastique, corde vibrante )
Domaine , dplacement normale u. force normale f, condition aux limites de
Dirichlet
Ordre 2 en temps donc il faut 2 conditions initiales pour u (quation hyperboliques)

Equation de Laplace:


Pour certains choix de f: la solution de lquation de la chaleur admet une limite
quand le temps tend vers + On dit que la solution atteint un tat stationnaire.
Cette quation est elliptique. Cest aussi la version stationnaire de lquation des
ondes.
Elle intervient dans beaucoup de problmes par exemple: Modliser le dplacement
verticale u dune membrane lastique fixe sur son contour et soumise une force
normale f .

3. Classification des quations aux drives partielles (EDP)
On appelle ordre dune EDP, lordre de la plus grande drives prsente dans
lquation
Exemples:
Le Laplacien est une quation de second ordre
Lquation de chaleur est du premier ordre en temps et du second ordre en
espace.
Lquation des ondes est du second ordre en espace-temps .

On utilise une classification des EDP de second ordre coefficient constants portant
sur une variable u(x,y) de la manire suvante:


On dit que l quation est Elliptique si :

Analyse Numrique

H. Douzi Page 68

On dit que l quation est Parabolique si :
On dit que l quation est Hyperbolique si :
Lorigine de cette classification vient de celle des coniques du plan.
En rgle gnrale : les problmes stationnaires (indpendants du temps) sont
modliss par des e.d.p. elliptiques tandis que les les problmes dvolution sont
modliss par des e.d.p. paraboliques ou hyperboliques

4. Mthode de diffrences finies
La mthode des diffrences finies est lune des plus anciennes mthodes de
simulation numrique. Elle est encore utilise pour certaines applications comme la:
Propagation des ondes (sismiques ou lectromagntiques)
Mcanique des fluides compressibles
Pour dautres applications on lui prfre la mthode des lments finis:
Mcanique des solides
Mcanique des fluides incompressibles

Principe de la mthode des diffrences finies : Les fonctions et leurs drives qui
interviennent dans les quations EDP sont remplaces par des approximations (des
diffrences finies) :


Analyse Numrique

H. Douzi Page 69




Ceci a pour effet de remplacer un problme de dimension infinie (calculer la fonction
u(t,x)) par un problme de dimension fini calculer le vecteur u
j
n
. ceci permet son
tour de rsoudre le problme par ordinateur.
Il y a plusieurs formule dapproximation par diffrences finies, en gnral on utilise
les formules de Taylor pour les gnrer.
Par exemple de la formule de Taylor :


On dduit une formule de diffrences finies pour la drive seconde u(t,x) :




Pour la drive premire de u(t,x) on a trois possibilits :

Analyse Numrique

H. Douzi Page 70


Application lquation de la chaleur



5. Mthode des lments finis

La mthode des lments finis est une mthode numrique pour rsoudre des
quations diffrentielles linaires en utilisant lapproche variationnelle des quations
dtat. Lide de la mthode est de remplacer lespace des solutions, dans la
formulation variationnelle, par un espace de dimension fini bien choisi.
Le problme approch se ramne alors la rsolution dun systme linaire.
A noter la diffrence de philosophie entre les diffrences finies et les lments finis :
Diffrences finies : On approche les operateurs qui interviennebt dans les
EDP.
Elments finis : On approche lespace dans le quel on cherche la solution.
Analyse Numrique

H. Douzi Page 71



Exemple de lquation de Laplace :




Analyse Numrique

H. Douzi Page 72

6. Bibliographie

[1] Analyse numrique pour ingnieurs ;Presses Internationales
Polytechnique ; A. Fortin ; 2009
[2] Introduction lanalyse numrique matricielle et loptimisation.
P.G Ciarlet, Dunod.
[3] Analyse numrique des quations diffrentielles. M. Crouzeix, A.
L. Mignot. Collection mathmatiques appliques pour la maitrise.
Masson, Paris 1984.
[4] Calcul scientifique, Cours, exercices corrigs et illustrations en
Matlab et Octave Alfio Quateroni, austoSaleri, Springer.
[5] Ciarlet, Miara et Thomas, Exercices danalyse numrique
matricielle et doptimisation,Masson.
[6] Lascaux-Thodor, Analyse numrique matricielle applique lart
de lingnieur, Dunod.