Vous êtes sur la page 1sur 135

Ecole Centrale de Nantes D ept.

Info/Math Ann ee universitaire 2011-2012 EI 1

ANALYSE NUMERIQUE Mazen SAAD


Mazen.Saad@ec-nantes.fr

ii

` TABLE DES MATIERES

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. Alg` ebre lin eaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1. Arithm etique ottante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Un peu de calcul matriciel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. R esolution des grands syst` emes lin eaires creux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1. Exemple 1. Equation de la chaleur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Exemple 2. Probl` emes de r eseaux.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Graphe associ e` a une matrice et inversement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Les matrices irr eductibles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5. Localisation des valeurs propres. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6. M ethodes directes pour la r esolution de syst` emes lin eaires. . . . . . . . . . . . . . . . . . . . . 3. M ethodes it eratives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1. M ethodes it eratives classiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2. M ethodes de gradients. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3. Calcul de valeurs propres et de vecteurs propres. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. Interpolation et Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1. Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Interpolation de Lagrange. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Polyn ome dinterpolation de Newton. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Interpolation de Hermite. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5. Interpolation locale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6. Meilleure approximation (projection orthogonale). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7. Polyn omes orthogonaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8. Approximation au sens des moindres carr es discrets. . . . . . . . . . . . . . . . . . . . . . . . . . .

1 3 3 6 9 9 12 13 15 16 20 25 27 29 30 37 37 38 41 42 44 45 47 48

5. Int egration num erique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.1. M ethode composite. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2. Formulation de quadrature de type interpolation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

iv

` TABLE DES MATIERES

5.3. Formule dint egration classique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.4. Les formule de Gauss. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.5. Int egration num erique dune fonction en 2D. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 6. R esolution num eriques des edo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1. Le probl` eme de Cauchy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2. Approximation num erique des equations di erentielles dordre 1. . . . . . . . . . . . . . . 6.3. Sch emas classiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4. Etude des m ethodes ` a un pas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5. M ethodes ` a pas multiple. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7. Travaux Dirig es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1. Syst` emes lin eaires creux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2. M ethodes it eratives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3. Interpolation et approximation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.4. Int egration num erique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.5. Equations di erentielles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.6. TA 2007 avec correction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.7. TA-2008. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 61 62 63 65 69 71 71 75 77 79 82 86 93

8. Devoir surveill e dAnalyse Num erique (2010) et son corrig e . . . . . . . . . . . . . . 97 Exercice 1.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 Exercice 2.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 Exercice 3.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 Corrig e exercice 1.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 Corrig e exercice 2.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Corrig e exercice 3.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 9. Devoir Exercice Exercice Exercice surveill e dAnalyse Num erique (2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 1.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 2.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 3.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

10. Travaux sur ordinateur Initiation ` a Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 10.1. La commande ;. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 10.2. Variables sp eciales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 10.3. Nombres complexes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 10.4. Achage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 10.5. Les commentaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 10.6. Vecteurs - Matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 10.7. Cr eation de matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 10.8. Op erations sur les matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 10.9. M-Files ou scripts. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 10.10. Fonctions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

` TABLE DES MATIERES

10.11. 10.12. 10.13. 10.14. 10.15.

HELP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 Boucles et contr ole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 Graphismes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 tic toc. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 Fonctions math ematiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

11. Travaux sur ordinateur Equation de la chaleur en 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 11.1. Equation de la chaleur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 11.2. Flambage dune barre (facultatif) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

INTRODUCTION

Les math ematiques appliqu ees et le calcul scientique jouent un r ole croissant dans la conception de produits industriels ; ce nest cependant quun maillon dune longue cha ne qui mobilise des ressources intellectuelles nombreuses et vari ees pour arriver ` a concevoir, au mieux dans des d elais impartis le produit d esir e. On peut repr esenter tr` es sch ematiquement un processus d etude et de conception par le diagramme suivant : Physique m ecanique, mod elisation m ecanique (a erodynamique, thermique, structure, ...) Mod elisation math ematique (E.D.P.) Approximation : El ements nis, volumes nis... Algorithme num erique, m ethodes num eriques pour la r esolution de syst` emes lin eaires et non lin eaires, optimisation Calcul informatique ... Exp erimentation Exploitation des produits

La mod elisation et lapproximation num erique voient leurs applications dans di erents domaines, ` a titre dexemples :

Conception davions (a erodynamique, mat eriaux composites ...) Conception de voitures (a erodynamique, ecoulement dans les moteurs, crache tests, commande optimale, structure (pneus, carrosserie, ) .... Ing enierie p etroli` ere : comprendre la migration des hydrocarbures, am eliorer la production des gisements p etroliers, .... Biologie math ematiques : propagation d epid emie, mod` ele math ematique en cardiologie, cancer, tissus dentaire, pneumologie, ... Gestion des stocks, nance, trac routier Environnement : pollution air, eau, sol M et eo : mod eliser le monde Et bien dautres applications ...

INTRODUCTION

Dans ce cours, nous nous int eressons ` a lanalyse num erique ; cette discipline elle-m eme peut etre consid er ee comme partag ee en deux grands th` emes : Approximation num erique des EDP (El ements nis, volumes nis, m ethodes spectrales, ...) Algorithmes num eriques : r esolution de grands syst` emes lin eaires creux, int egration num erique, r esolution num erique des EDO, optimisation Lobjet de ce cours est de d eterminer des m ethodes pour calculer la valeur num erique (exacte ou approch ee) de la solution dune equation ou dun syst` eme d equations ; en particulier ` a laide dun ordinateur.

CHAPITRE 1 ` ALGEBRE LINEAIRE

1.1. Arithm etique ottante Il est important de se pr eoccuper de la mani` ere dont sont repr esent es et manipul es les nombres dans une machine. Un nombre est repr esent e par un nombre nis de caract` eres, x e` a lavance, qui d epend de larchitecture de la machine. Ainsi tous les nombres entiers ou r eels ne peuvent pas etre repr esent es. Les cons equences en sont tr` es importantes, en particulier dans la pr ecision des r esultats lors de calculs. Comment sont repr esent es et manipul es les nombres sur un ordinateur ? La m emoire centrale est un ensemble de positions binaires nomm ees bits. Les bits sont g en eralement regroup es en octets (8 bits) et chaque octet est rep er e par son adresse. Chaque information devra etre cod ee sous cette forme binaire. En informatique, le kilo vaut 1K = 210 = 1024 le m ega vaut 1M = 220 = 1048576 le giga vaut 1G = 230 = 1073741824

On distingue : Les nombres entiers dont la repr esentation et la manipulation sont celles de larithm etique usuel. Il existe un plus grand entier repr esent e en machine. Les entiers relatifs cod es sur n chires binaires ont pour valeur dans [2n1 , 2n1 1]. Ainsi les entiers cod es sur 16 bits (=2 octets) correspond ` a des entiers en simple pr ecision ont pour valeur dans 15 15 [2 , 2 1] = [32K, 32K 1] 32 bits (=4 octets) correspond ` a des entiers en double pr ecision ont pour valeur dans 31 31 [2 , 2 1] = [2G, 2G 1].

` CHAPITRE 1. ALGEBRE LINEAIRE

Les nombres ottants qui repr esentent les nombres r eels ou les nombres d ecimaux. Les nombres r eels sont repr esent es de fa con approximative en m emoire (repr esentation en e virgule ottante), avec la convention standardis ee de la forme m 2 , o` u m est la mantisse 1 m 2 et e lexposant. On utilise p chires binaires pour les d ecimaux binaires de m et q chires binaires pour lexposant. Repr esentation en simple pr ecision. Sur 32 bits (4 octets), on a p = 23, q = 8 (1 bit pour le signe) ce qui permet de repr esenter des nombres compris, en valeur absolue, 128 38 128 38 entre 2 10 et 2 10 car 128 = 2q = 28 . La pr ecision machine est de 7 chires 23 7 d ecimaux signicatifs car 2 = 10 . Repr esentation en double pr ecision. Sur 64 bits (8 octets), on a p = 52, q = 11 et les r eels en valeur absolue appartiennent [21024 , 21024 ] [10308 , 10308 ] avec 15 chires d ecimaux signicatifs (car 252 1015 ). La repr esentation exacte en machine est sous forme binaire (comme on a vu), pour lanalyse que nous voulons faire ici une repr esentation d ecimale est susante et plus intuitive. q On consid` ere un nombre ottant de la forme a10 avec a est la mantisse de la forme 0.d1 d2 dt , q est lexposant (entier relatif) Bien s ur, lentier q est soumis ` a la restriction : M q M (o` u M d epend de la machine). Cette repr esentation des nombres r eels entra ne les cons equences suivantes : Il existe un plus petit nombre ottant (= z ero). Le z ero machine en valeur absolue vaut = 0.10 10M . Il existe un plus grand nombre ottant, linnie machine vaut = 0.99 910M . Tous les nombres r eels nadmettent de repr esentation exacte : 2 est repr esent e par 0.14142143 10+1 Toute op eration el ementaire (+,, /) est en g en eral entach ee dune erreur. Une op eration peut avoir un r esultat non repr esentable : Si pour le r esultat q > M (OVERFLOW ou d epassement de capacit e.) Si pour le r esultat q < M (UNDERFLOW). La repr esentation ottante dun nombre peut etre obtenue ` a partir de sa repr esentation d ecimale par la troncature (on garde les t premiers d ecimaux) larrondi : le ti` eme chire de la mantisse est choisi au plus pr` es. est repr esent e par 0.314... 10+1 d1 = 0

1.1. ARITHMETIQUE FLOTTANTE

Regardons maintenant lerreur due ` a la repr esentation machine. Proposition 1.1. La repr esentation ottante f l(r ) avec une mantisse ` a t chires dun nombre r eel r donne lieu ` a une erreur relative major ee par : | r f l (r )| 101t . |r | r = 0.d1 d2 dt dt+1 dt+2 10q ,

D emonstration. La repr esentation exacte dun r eel r s ecrit :

et on a f l(r ) = 0.d1 d2 dt 10q . Ainsi r f l(r ) = 0.dt+1 dt+2 10qt et on a 0.dt+1 dt+2 | r f l (r )| = 10t . |r | 0.d1 d2 dt dt+1 dt+2 Par ailleurs, 0.dt+1 dt+2 1 et 0.d1 d2 dt dt+1 dt+2 0.1, do` u | r f l (r )| 101t (par troncature). |r | Quelques cons equences de cette repr esentation : a + b = a si b est plus petit que le z ero machine. Par exemple, soit une machine avec t = 2 et a = 0.63 101 et b = 0.82 104 . Pour faire lop eration, on (la machine) r eduit au m eme exposant, soit et ce dernier nombre est repr esent e par f l(a + b) = 0.63 101 car t = 2. Conclusion : a + b = a et b = 0. Laddition des nombres ottants nest pas associative. Soit une machine avec t = 4 et a = 0.6724 103 , b = 0.7215 101 et c = 0.5345 101 , on a f l(a + (b + c)) = 0.6778 103 car f l(b + c) = f l(c) M eme ph enom` ene pour la soustraction, division, multiplication ... a alors z = 1. Mais par contre si f l(y ) = f l(b), alors on ne Soient y = a + b et z = y b peut pas calculer z et un message derreur appara t OVERFLOW. f l((a + b) + c) = 0.6777 103 car f l(a + b) = f l(a) a + b = 0.63 101 + 0.0000082 101 = 0.6300082 101 ,

` CHAPITRE 1. ALGEBRE LINEAIRE

1.2. Un peu de calcul matriciel On note Mn,m (K ) lensemble des matrices de type (n, m) n-lignes et m-colonnes dont les coecients appartiennent ` a K = R ou C. On note Mn (K ) lensemble des matrices carr ees dordre n. Une matrice M Mn,m (K ) est associ ee ` a une application lin eaire l de E = K m dans G = K n . Soient {ej }j =1,m base de K m et {gi }i=1,n une base de K n ; la ji` eme colonne de la matrice M est constitu ee des coordonn ees de l(ej ) dans la base {gi }i=1,n . n Produit scalaire. Soit (x, y ) R Rn ,
n

(x, y ) =
i=1 n

xi yi =t xy =t yx.

Produit hermitien. Soit (x, y ) C Cn ,


n

(x, y ) =
i=1

xi yi = t yx = y x.

Avec y =

ty

ladjoint de y .

D enition 1.1. Soit A Mn,m (K ), on dit que A est

hermitienne si A = A (A =t (A) = t A). t sym etrique si A = A unitaire si AA = A A = I orthogonale si A est r eelle et t AA = At A = I soit encore A1 =t A normale si AA = A A.

1.2.1. Valeurs et vecteurs propres. D enition 1.2. On appelle (, u) C CN el ement propre de A si Au = u et valeur propre de A, u vecteur propre associ e` a . Sp(A) = {i ; i valeur propre de A}= spectre de A. (A) = maxi=1,N |i|= rayon spectral de A. T r (A) = N i=1 aii = trace de A, avec A = (aij ). Les valeurs propres de A sont les racines du polyn ome : PA () = det(1 I ) = (1)N N + (1)N 1 N 1 + + det(A). Les vecteurs propres de A sont les vecteurs tels que Av = v et ils forment un sous espace vectoriel E = {v K N ; Av = v }. N et es). T r (A) = N i=1 i , det(A) = i=1 i (propri A est semblable ` a B sil existe une matrice inversible S Mn (K ) telle que A = 1 SBS .

1.2. UN PEU DE CALCUL MATRICIEL

A est diagonalisable ssi A = SDS 1 avec D la matrice diagonale form ee des valeurs propres, la i` eme colonne de S est un vecteur propre (` a droite) associ e` a i , 1 la ji` eme colonne de (S ) est un vecteur propre ` a gauche vj associ e` a j . En fait les 1 colonnes de S sont les uj et les lignes de S sont les vi . Th eor` eme 1.1. (Factorisation unitaire dune matrice Th eor` eme de Schur) Toute matrice carr ee peut s ecrire A = UT U avec U une matrice unitaire U 1 = U , T une matrice triangulaire sup erieure. Cons equence sur les matrices normales : Th eor` eme 1.2. Une matrice A est normale (i.e. AA = A A) si et seulement si il existe U une matrice unitaire telle que A = UDU avec D la matrice diagonale form ee des valeurs propres. Autrement dit, une matrice normale est diagonalisable et ses vecteurs propres sont orthonorm es. D emonstration. Dapr` es le th eor` eme de Shur, la matrice A s ecrit A = UT U . Or A est normale cest ` a dire AA = A A soit encore UT U UT U = UT U UT U et donc UT T U = UT T U , ce qui montre que T T = T T et T est normale. On va montrer que si T est une matrice triangulaire sup erieure et une matrice normale alors T est diagonale. En eet, pour tous i, j = 1 N , on a (T T )ij = (T T )ij ce qui equivalent ` a
N N

t ik tkj =
k =1 k =1 N

tik t kj

soit encore
N

tki tkj =
k =1 k =1

tik tjk .

` CHAPITRE 1. ALGEBRE LINEAIRE

Lorsque i = j , on a
N N

k =1

|tki| =

k =1

|tik |2 ,

(1.1)

or tki = 0 pour k > i et tik = 0 pour i > k , l egalit e (1.1) se r eduit ` a


i N

k =1 2 2

|tki| =

k =i

|tik |2 .

(1.2)

Pour i = 1, on a |t11 | = |t11 | + soit t1k = 0 pour k 2 ; cest ` a dire que la premi` ere ligne de la matrice T est nulle sauf le terme diagonale. Par r ecurrence, supposons que tij = 0, i = j jusqu` a la ligne m 1. Alors pour i = m,
m N k =1

N 2 k =2 |t1k | ,

|tkm | =
2

k =m

|tmk |2 ,
N 2

soit encore |tmm | +


2

m1 k =1

|tkm | = |tmm | +

k =m+1

|tmk |2 ,

et par hypoth` ese de r ecurrence, tkm = 0 pour k m 1 et o d eduit tmk = 0 pour k m +1. Toute la ligne m est nulle sauf l el ement diagonale. Ainsi, la matrice T est diagonale. Inversement, si A = UDU alors A est normale car A A = UD U UDU = UD DU et AA = UDU UD U = UDD U ; or D est diagonale donc D D = DD , ce qui termine la preuve du r esultat. On aboutit alors au r esultat important suivant Corollaire 1.1. Toute matrice sym etrique r eelle est diagonalisable et la base des vecteurs propres est orthonorm ee. Car si A une matrice sym etrique r eelle alors A est normale. De m eme, si A est une matrice hermitienne alors A est normale.

CHAPITRE 2 ` RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

De tr` es nombreux ph enom` enes physiques sont r egis par un loi de diusion : r epartition de temp erature, concentration de produits chimiques, potentiel electrique, ... Dans tous les cas, on cherche ` a discr etiser les equations et ` a r esoudre num eriquement les equations mises en jeu. pour des soucis de pr ecision, de stabilit e, de pertinence des r esultats, on est amen e ` a r esoudre des syst` emes lin eaires ou non lin eaires de grandes tailles. Voici deux exemples.

2.1. Exemple 1. Equation de la chaleur La distribution de la temp erature u(x, y ) au point (x, y ) dune plaque dont les c ot es ont une temp erature impos ee u = 0 sur le bord et qui re coit un apport calorique ext erieur de densit e f est mod elis ee par une equation aux d eriv ees partielles. Soit = [0, a] [0, b] d esignant la plaque, la temp erature v erie
u u(x, y ) = (x, y ) x2 u = 0 sur
2

2u (x, y ) y 2

= f (x, y ) dans

(2.3)

M eme si on sait quil existe une unique solution de ce probl` eme, la solution de ce probl` eme nest pas connue analytiquement en g en eral. On proc` ede alors ` a une approximation pour se ramener ` a un probl` eme ` a un nombre ni dinconnus (processus de discr etisation). On introduit donc un maillage de pas h1 dans la direction x et h2 dans la direction y . Pour xer les id ees, on prend ici h1 = h2 = h (voir gure 1). Les noeuds du maillage sont les points Pi,j = (xi , yj ) l` a o` u la solution est approch ee. On note xi = ih, 0 i N + 1 les sommets du maillage dans la direction x

On cherche une approximation de l equation aux noeuds du maillage (Pij , 1 i

yj = jh, 0 j M + 1 les sommets du maillage dans la direction y

10

` CHAPITRE 2. RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

y3

Pij+1
X

y2

Pi1j
X

Pij

Pi+1j X

y1

Pij1
X

x1

x2

x3

x4

Figure 1. Exemple de maillage pour N = 4, M = 3

N, 1 j M . Le principe de la m ethode des di erences nies consiste a ` approcher les d eriv ees dune fonction par des combinaisons lin eaires des valeurs de cette fonction aux points du maillage. On va d ecrire tout dabord ce principe en dimension un despace. Dimension 1. On sint eresse ` a lapproximation de l equation u (x) = f (x), 0 < x < a u(0) = , u(a) = par un sch ema aux di erences nies sur un maillage ` a pas xe h =
a N +1

(2.4)

*
0

*
x1

*
Xi1

*
Xi

Xi+1

XN

*
a

Figure 2. Exemple de maillage 1D.

Le syst` eme lin eaire (2.5) s ecrit A1 U = F , o` u A1 MN N (R) et U , F RN : 2 1 0... 0 f (x1 ) + h 2 1 2 1... 0 f ( x ) 2 1 A = h2 ... . , 0... 1 2 1 f (xN 1 ) 0... 0 1 2 f (xN ) + h 2

On ecrit la formule de Taylor sur un point g en erique xi , on a 1 u (xi ) = 2 u(xi1 ) + 2u(xi ) u(xi+1 ) + 0(h2 ) = f (xi ), i = 1...N. h On note par ui une approximation de la solution exacte au point u(xi ), et la m ethode aux di erences nies s ecrit alors 1 h2 (ui1 + 2ui ui+1 ) = fi , i = 1, N. (2.5) u0 = u(0) = uN +1 = u(a) =

2.1. EXEMPLE 1. EQUATION DE LA CHALEUR

11

En dimension 2. On discr etise chaque d eriv ee selon sa propre direction, ainsi en appliquant la formule de Taylor dans les directions x et y , on a u(Pi1,j ) + 2u(Pi,j ) u(Pi+1,j ) 2u (Pi,j ) = + 0(h2 ) 2 x h2 2u u(Pi,j 1) + 2u(Pi,j ) u(Pi,j +1) 2 (Pi,j ) = + 0(h2 ). y h2 En r esum e, on notant ui,j une approximation de la solution de (2.3) au point Pi,j , la discr etisation par di erences nies se ram` ene ` a la r esolution du syst` eme lin eaire 1 1 ( u + 2 u u ) + (ui,j 1 + 2ui,j ui,j +1) = fi,j ; 1 i N, 1 j M i 1 ,j i,j i +1 ,j h2 h2 (2.6) ui,0 = ui,M +1 = u0,j = uN +1,j = 0, 1 i N, 1 j M. (2.7) Cest un syst` eme lin eaire et on aimerait pour le r esoudre pouvoir l ecrire sous la forme matricielle AU = F avec A Mrr (R), U , F Rr et r = N M . Cela veut dire que nous devons ranger les inconnus ui,j , les points int erieurs au domaine, dans un vecteur U de dimension r = N M , ceci conduit ` a num eroter les points du maillage.

Num erotation des points du maillage. Il y plusieurs fa cons pour num eroter les sommets du maillage, par exemple on peut num eroter le sommets de gauche ` a droite et de bas en haut (voir gure 3), ou consid erer une num erotation selon les diagonales, num erotation z` ebre, num erotation echiquier ...(voir TD) Dans lexemple de la gure 3, on a N = 4,
b

9 y3

10

11
X

12

y2

y1

3
X

x1

x2

x3

x4

Figure 3. Num erotation des sommets de gauche ` a droite et de bas en haut.

M = 3 et r = 12, le sommet m = 7 correspond au point P3,2 = (x3 , y2 ) et le sommet

12

` CHAPITRE 2. RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

m = 11 correspond au point P3,3 = (x3 , y3 ). On v erie alors que la num erotation globale pour m = 1, r correspond alors aux points Pi,j avec m = i + (j 1)N, pour i = 1, N, j = 1, M. On peut ecrire dans ce cas les equations du syst` eme lin eaire Eq. 1 : 4u1 u2 u5 = h2 f1 ... Eq. 2 : 4u2 u1 u3 u6 = h2 f2 Eq. 7 : 4u7 u3 u6 u8 u11 = h2 f7

...

ce qui correspond ` a l ecriture matricielle suivante 1 2 3 4 5 6 0 1 0 0 1 4 1 0 0 1 0 0 7 8 9 10 11 12

1 h2

4 1 0 0 1 1 4 1 0 0 0 1 4 1 0 0 0 1 4 0 1 0 0 0 4 0 1 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

cas g en eral : ..... On peut egalement ecrire les matrices associ ees ` a di erentes num erotations. En tout cas, il est clair que la num erotation inuence consid erable la structure de la matrice A. La matrice A est creuse dans le sens o` u elle contient beaucoup de z ero. En eet, pour tous N et M , chaque ligne de la matrice A contient au plus cinq el ements non nuls. 2.2. Exemple 2. Probl` emes de r eseaux. Soit un r eseau ferm e de noeuds Pi et dar etes Ei,j reliant les noeuds Pi et Pj . Cest le cas de canalisations deau, de lignes electriques ... A chaque noeud est associ e un potentiel ui . Dans chaque ar ete circule un uide dont lintensit e (ou le d ebit) est proportionnel ` a la di erence des potentiels qi,j = ki,j (ui uj ). Le

0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 4 1 0 0 1 0 1 4 0 0 0 1 0 0 4 1 0 0 0 0 1 4 1 0 1 0 0 1 4 1 0 1 0 0 1 4

A ` UNE MATRICE ET INVERSEMENT 2.3. GRAPHE ASSOCIE


P4

13

P1

P9 P2 P** P3 P8 P5 P6 P7 P*

Figure 4. R eseau de canalisation

r eseau est aliment e` a partir de noeuds sources. La loi de conservation impose que le d ebit total est nul si le noeud est isol e (` a lint erieur du r eseau), ce qui se traduit par l equation suivante qij =
j V (i) j V (i)

ki,j (ui uj ) = 0

(2.8) (2.9)

u = u donn e sur les noeuds sources P , P avec V (i) = ensemble des voisins du noeud Pi .

A titre dexemple, V (4) = {1, 3, 2} et V (7) = {3, 2, P }. Le syst` eme (2.8) est lin eaire. Pour all eger les notations, on prend ici ki,j = 1, les equations du syst` eme lin eaire sont : Eq. 1 : (u1 u9 ) + (u1 u4 ) + (u1 u3 ) = 3u1 u9 u3 u4 = 0 ... ... Eq. 2 : 2u2 u4 u7 = 0

Eq. 7 : u7 u3 + u7 u = 0 = 2u7 u3 = u

ensuite, il est ais e d ecrire ce syst` eme sous la forme AU = F . Noter que ce syst` eme est creux parce que un noeud d epend uniquement de ses voisins. 2.3. Graphe associ e` a une matrice et inversement La num erotation des sommets dun maillage ou dun r eseau modie consid erablement la structure creuse de la matrice associ ee. Il y a des techniques de renum erotation permettant de r eduire la largeur de la bande ou du prol de la matrice. Ces techniques sont bas ees sur la notion de graphe. Soit A une matrice carr ee, A = (aij ) dordre N . A chaque colonne de la matrice on fait correspondre un sommet Si , i = 1, N .

14

` CHAPITRE 2. RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

Un arc relie Si ` a Sj si aij = 0. Un graphe est form e de lensemble des sommets et de arcs. Exemple.

4 0 A= 0 6

3 2 1 5

0 1 0 0

0 2 3 0

S1

S2

S3

S4

A chaque sommet, on peut associer lensemble de voisins : V (Si ) = {Sj , j = i, Si Sj est un arc} Un chemin allant de Si ` a Sj est une suite darcs, si elle existe, telle que (Si , Si1 ), (Si1 , Si1 )...(Sip , Sj ) soient des arcs du graphe. Un graphe est dit fortement connexe sil existe au moins un chemin allant de tout sommet Si ` a tout sommet Sj . Ainsi le graphe pr ec edent est fortement connexe. Par contre, pour la matrice suivante

3 2 5 A= 4 0 0 0 0 1

S3

S1

S2

le graphe nest pas fortement connexe car il ny a pas de chemin allant de S3 ` a S1 . Lorsque la matrice est sym etrique (aij = 0 ssi aji = 0) on d enit lar ete comme etant lensemble des deux arcs.
S1 S2

3 0 A= 0 1

0 2 1 2

0 1 4 3

1 2 3 0
S4 S3

2.4. LES MATRICES IRREDUCTIBLES

15

2.4. Les matrices irr eductibles Soit A une matrice dordre N d enie par blocs sous la forme suivante : A= A11 A12 0 A22

avec A11 une matrice carr ee dordre P et donc A22 une matrice dordre N P . La r esolution du syst` eme lin eaire Ax = b est equivalent ` a A22 x2 = b2 A11 x1 = b1 A12 x2

avec x = (x1 , x2 ), x1 RP et x2 RN P ; de m eme b = (b1 , b2 ). Autrement dit, la r esolution de ce syst` eme lin eaire de taille N est r eduite ` a la r esolution de deux syst` emes lin eaires de tailles plus petites. D enition 2.1. Une matrice dordre N est r eductible ssi il existe une matrice de permutation P telle que B = P t AP = B11 B12 0 B22

soit encore, Il existe une partition de {1, 2, ..., N } en deux ensembles dindices I et J telle que ai,j = 0 pour i I et j J . soit encore, Il existe une permutation : {1, 2, ..., N } {I, J } . Exemple. Clairement la matrice 1 2 5 6 A= 0 0 0 0 3 4 10 11 11 13 20 30

La matrice B est r eductible. En eet, soit la permutation dindice suivante et on note i 1 4 2 2 3 3 4 1

est r eductible. Soit maintenant la matrice 30 11 B= 13 4

0 20 0 10 6 5 . 0 11 0 2 3 1

Table 1. Exemple de permutation.

16

` CHAPITRE 2. RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

S1

S2

S4

S2

S3

S4

S3

S1

Figure 5. Graphe de A (` a gauche) et graphe de B (` a droite)

= B , ceci signie que les coecients s B bi,j de la matrice B ecrivent bi,j = b(i),(j ) . On alors b1,1 = b(1),(1) = b4,4 = 1 ; b1,2 = b(1),(2) = b4,2 = 2 ; b1,3 = b(1),(3) = b4,3 = 3, ainsi de suite ... on trouve nalement que B = A qui est r eductible. Il est clair quil est dicile de trouver une permutation pour savoir si la matrice est r eductible ou irr eductible. Un moyen simple de le savoir est de regarder le graphe associ e` a la matrice. Les graphes associ es ` a chaque matrice de lexemple pr ec edent sont repr esent es sur la gure 2.4. Le graphe de A nest pas fortement connexe car les sommets {S3 , S4 } ne sont pas reli es aux sommets {S3 , S4 }. De m eme, le graphe de B nest pas fortement connexe car les sommets {S1 , S3 } sont ind ependants des sommets {S2 , S4 }. Noter que le graphe de A est identique ` a celui de B quitte ` a renum eroter les sommets. Autrement dit, en renum erotant les sommets de la matrice B selon la permutation d enie par le tableau 2.4 on obtient que la matrice B est r eductible. On conclut que Proposition 2.1. Une matrice est irr eductible ssi son graphe est fortement connexe.

2.5. Localisation des valeurs propres Th eor` eme 2.1. (Gerschg orinHadamard 1) Soit une valeur propre de A. Alors
N 2 N k =1 D k avec D k = {z C , |z akk |

j =1,j =k

|akj |}.

Les valeurs propres de A appartiennent ` a lunion des N disques D k de Gerschg orin.

2.5. LOCALISATION DES VALEURS PROPRES

17

Im()

2 1 1 c1 1 c2 2 3 c3

Re()

Figure 6. Disques de Gerschg orin.

D emonstration. Soit u un vecteur propre associ ee ` a tel que max ui = |uk | = 1. On i a


N

Au = u En particulier,

aij uj = uj ,
i=1

i.

( akk )uk = on d eduit, | akk ||uk | = | akk |


j =k

akj uj ,
j =k

|akj ||uj |

j =k

|akj | car |uj | 1.

On ne connait pas k , mais on d eduit N k =1 D k . Exemple. Soit 1+i i 2 A = 3 2 + i 1 1 i 6

Les disques de Gerschg orin sont C2 v eriant : | (1 + i)| |i| + 2 = 3, | (2 + i)| 4 et | 6| 2. On dessine dans le plan complex ces trois disques (Fig. 2.5) et les valeurs propres sont situ ees dans lunion des trois disques.

18

` CHAPITRE 2. RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

peut etre une valeur propre

ne peut pas etre valeur propre

Figure 7. Localisation des valeurs propres sur la fronti` ere

Th eor` eme 2.2. (Gerschg orinHadamard 2) Soit A une matrice carr ee et de graphe fortement connexe. Si une valeur propre est situ ee sur la fronti` ere de la r eunion des disques, alors tous les cercles de Gerschg orin passent par . N k =1 D k
N

= N k =1 D k ,

(2.10)

avec D k = {z C2 , |z akk |

j =1,j =k

|akj |}.

Ce th eor` eme sert essentiellement ` a montrer que nest pas une valeur propre (voir gure 2.5). D emonstration. Soit une valeur propre et on suppose quelle nest pas situ ee ` a lint erieur de la r eunion des disques, alors il nexiste aucun k tel que | akk | k , o` u k =
j =k k

(2.11)

dapr` es (2.11), on a

|akj |. On pose max uk = |ui | = 1, alors | aii | i (car Sp(A)) et | aii | = i = |aij |. (2.12)

j =i

Soit I = {i, ui = 1, i = 1, N }. On a I = , il contient au moins un indice. Donc, i I , on a |aij |, aij uj | = |( aii )ui| = | aii | = i = |aij ||uj | |
j =i j =i j =i

on en d eduit que
j =i

|aij |(1 |uj |) 0,

2.5. LOCALISATION DES VALEURS PROPRES

19

or |uj | 1, ce qui implique que

Si j / I , alors |uj | < 1 et aij = 0 (avec i I et j / I ). On note J le compl ementaire par rapport ` a {1, 2, , N } de I . Si J = , alors la partition I , J serait telle que or la matrice est irr eductible, donc cette partition est impossible et donc J = . Autrement dot, i = 1, N , on a |ui = 1| et I = {1, 2, N }, ce qui se traduit par (2.12) pour tout i, cest ` a dire | aii | = i = |aij |, pour tout i = 1, N.
j =i

|aij |(1 |uj |) = 0, j = 1, N.

i I , j J , on a aij = 0,

D enition 2.2. on dit que A est ` a diagonale strictement dominante si |aii | >
j =i

|aij |, i = 1, N.

A est ` a diagonale fortement dominante si |aii | et il existe au moins un indice k tel que |akk | > |akj |.
j =i

|aij |, i,

j =k

Exercice. Montrer que : Une matrice ` a diagonale strictement dominante est inversible. Une matrice ` a diagonale fortement dominante et irr eductible est inversible.

20

` CHAPITRE 2. RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

2.6. M ethodes directes pour la r esolution de syst` emes lin eaires On a vu que la discr etisation de syst` emes mod elisant des ph enom` enes physiques donne lieu ` a un syst` eme lin eaire de grande taille et creux (la matrice contient beaucoup de z ero). Par exemple, pour une matrice tridiagonale de taille N , le nombre de coecients non nuls est 3N ` a comparer avec N 2 le nombre des coecients dune matrice pleine ; pour N = 3000, il est facile de voir que 0.1% des coecients sont utiles pour r esoudre le syst` eme lin eaire. Il est alors judicieux que le stockage de la matrice soit bien adapt e ` a la structure de la matrice. Le seul crit` ere pour r esoudre un syst` eme lin eaire de grande taille est la rapidit e et la pr ecision de la m ethode utilis ee. Ceci passe par une m ethode de r esolution adapt ee ` a la nature et la structure de la matrice. 2.6.1. M ethode de Cramer. La m ethode de Gramer consiste ` a r esoudre le syst` eme lin eaire Ax = b par la formule xi = detAi /detA, avec xi est la i` eme composante du vecteur x et Ai est la matrice A o` u la i` eme colonne est remplac ee par b. La complexit e de cette m ethode cest ` a dire le nombre dop erations n ecessaire pour calculer la solution est : N divisions (N + 1) d eterminants ` a calculer N N ! op erations pour calculer un d eterminant ainsi, la complexit e vaut (N + 1)N ! + N . A titre dexemple, pour N = 25 la complexit e 26 est de lordre de 4 10 op erations. Consid erons maintenant un ordinateur avec 1G de ram cest ` a dire quil eectue 109 op erations par seconde. Ensuite, calculons le nombre dop erations que cet ordinateur eectue par milliard dann ees : 109 (op erations/secondes) 3600(secondes/heure) 24(heures/jour) 352(jours/an) 109 (an/milliard) = 3 1025

et enn le temps quil met cet ordinateur pour r esoudre un syst` eme lin eaire de taille 25 25 par la m ethode de Cramer est 4 1016 > 10 milliards dann ees 3 1025 ce qui est plus grand que l age de la terre !. Inversion dune matrice. R esoudre Ax = b est equivaut ` a x = A1 b, mais le co ut pour 1 t calculer linverse dune matrice par la formule A = Co(A)/detA est aussi de lordre de (N + 1)N !. Ce que nous voulons est la r esolution du syst` eme lin eaire sans calculer linverse de cette matrice parce que dans tous les cas le calcul de A1 est tr` es co uteux. Une m ethode simple pour calculer linverse dune matrice est de r esoudre N syst` emes 1 1 1 lin eaires. On note cj les vecteurs colonnes de la matrice A et A est solution de AA = I ceci est equivalent ` a Acj = ej avec (ej )j est la base canonique de RN .

` 2.6. METHODES DIRECTES POUR LA RESOLUTION DE SYSTEMES LINEAIRES

21

lalgorithme de la remont ee consiste ` a r esoudre le syst` eme en commen cant par la derni` ere equation : un,nyn = fn = yn = fn unn fn1 un1,n yn un1,n1 , pour i = N, 1

2.6.2. M ethode de Gauss. La m ethode de base la plus utilis ee pour la r esolution des syst` emes lin eaires et la m ethode d elimination de Gauss. La m ethode de Gauss consiste ` a d eterminer une matrice P telle que le syst` eme equivalent P Ax = P b soit triangulaire sup erieure et donc simple ` a r esoudre. La r esolution dun syst` eme triangulaire sup erieure est ais ee par la proc edure de remont e e. Soit le syst` eme Uy = b avec u11 u12 u1n u22 u23 u2n U = uii ui,i+1 ui,n un1,n1 un1,n unn

un1,n1yn1 + un1,n yn = fn1 = yn1 =


N

uiiyi +
j =i+1

uij yj = fi = yi =

fi

N j =i+1 uij yj

uii

Algorithme. Pour i=n ` a 1 par pas de -1 faire s=f(i) pour j=i+1 ` a n faire s=s-u(i,j)*y(j) finj y(i)=s/u(i,i) fini Calculer la complexit e de cet algorithme. Exemple d elimination de la m ethode de Gauss. x1 9 4 2 3 0 1 1 0 1 x2 2 2 2 2 3 4 1 x3 = 17 2 2 8 0 2 1 5 x4

22

` CHAPITRE 2. RESOLUTION DES GRANDS SYSTEMES LINEAIRES CREUX

ce qui est equivalent ` a r esoudre : 4x1 + 2x2 + 3x3 + 0= 9 1 1 x1 + x2 + 0+ x4 = 2 2 2 17 3 x2 + 4x3 + x4 = 2x1 + 2 2 0+ 2x2 + x3 + 5x4 = 8

Etape 2. Elimination de x2 . On d ecrit ici la m ethode sans faire de combinaison maligne des equations. Ici, il y a un probl` eme car le pivot a22 est nul. On echange alors les lignes L4 et L2 , ainsi : 4x1 + 2x2 + 3x3 + 0= 9 0+ 2x2 + x3 + 5x4 = 8 1 5 0+ x2 + x3 + x4 = 4 2 2 1 1 3 0+ x4 = 0+ x3 + 4 2 4 et maintenant, on eectue lop eration : L3 L3 1 L 4 2 4x1 + 2x2 + 0+ 2x2 + 0+ 0+ 3x3 + x3 + 0= 9

La m ethode d elimination de Gauss se fait en 3 etapes sur cet exemple. 1 Etape 1. Elimination de x1 dans les les trois derni` eres lignes L2 L2 4 L1 (i.e. L2 est 2 1 e le pivot ; ce remplac e par L2 4 L1 ) et L3 L3 4 L1 . Le coecient a11 = 4 est appel qui donne 4x1 + 2x2 + 3x3 + 0= 9 1 1 3 0+ x4 = 0+ x3 + 4 2 4 1 5 0+ x2 + x3 + x4 = 4 2 2 0+ 2x2 + x3 + 5x4 = 8

5x4 = 8 9 1 0+ x3 x4 = 2 4 4 3 1 1 0+ x3 + x4 = 4 2 4

L Etape 3. L4 L4 + 1 3 3

` 2.6. METHODES DIRECTES POUR LA RESOLUTION DE SYSTEMES LINEAIRES

23

5x4 = 8 9 1 0+ 0+ x3 x4 = 2 4 4 5 5 0+ x4 = 0+ 0+ 12 12 et une r esolution directe de ce syst` eme par lalgorithme de remont ee donne x1 = x2 = x3 = x4 = 1. Algorithme g en eral. 2.6.3. M ethode de Cholesky. voir TD.

4x1 + 2x2 + 0+ 2x2 +

3x3 + x3 +

0=

CHAPITRE 3 METHODES ITERATIVES

Le principe de base de de telles m ethodes est dengendrer une suite de vecteurs xk (les it er es) convergente vers la solution x du syst` eme lin eaire Ax = b. La plupart des m ethodes it eratives sont de la forme suivante : Partant dun vecteur arbitraire x0 , on engendre une suite (xk )k d enie par xk+1 = Bxk + c avec B une matrice Mnn (K ), c K n ; avec K = R ou C. D enition 3.1. Une m ethode it erative de la forme (3.1) est dite convergente si pour tout x0 , on a xk x, quand k et la limite v erie Ax = b. (Ax = b est equivalent alors ` a x = Bx + c ) D enition 3.2. Lerreur dapproximation ` a la ki` eme etape s ecrit ek = xk x = Bxk1 + c Bx c = B (xk1 x) = Bek1 . Et aussi ek = B k e0 , k IN. D enition 3.3. Une m ethode it erative est convergente si pour tout x0 , on a
k

(3.1)

lim ek = 0.

Ceci est equivalent ` a:


k

lim B k = 0 x K n , lim B k x = 0 lim B


k k

= 0 pour toute norme matricielle.

Th eor` eme 3.1. (Convergence des m ethodes it eratives) On a lim B k = 0 (B ) < 1.


k

26

CHAPITRE 3. METHODES ITERATIVES

Pour quune m ethode it erative de la forme (3.1) soit convergente il faut et il sut que (B ) < 1. on rappelle que (B ) d esigne le rayon spectrale de la matrice B ((B ) = maxi |i (B )|). D emonstration. (=) si (B ) 1, il existe , valeur propre de B , telle que || 1. Soit x = 0 vecteur propre associ e` a , alors B k x = k x et comme |k | 1 ou alors B k x ne converge pas vers z ero, ainsi limk B k = 0. (=) On suppose (B ) < 1, cest ` a dire que |l | < 1, l = 1, r avec l valeur propre de B . Toute matrice est semblable ` a une matrice de Jordan et on conclut. Corollaire 3.1. Si B < 1 alors (B ) < 1 et la m ethode (3.1) converge. La preuve est imm ediate car En eet, soit Bx = x alors || x = Bx B Sp(B ). (B ) B . x , soit encore || B pour tout

D enition 3.4. On appelle taux asymptotique de convergence dune m ethode it erative le nombre R = log (B ). Ce nombre est positif car (B ) < 1. Ce taux de convergence permet de mesurer le nombre dit eration n ecessaire pour r eduire lerreur dun certain facteur. Proposition 3.1. Etant donn e 0 < < 1, si le nombre dit eration k ek e0 . D emonstration. On a ek = B k e0 et ek impose B k , soit B k log log 1 = 1 . Dautre part, k k
log B
k 1 k 1 k

log R (B )

alors

alors log B k

Bk

1 k

e0 , k . Pour avoir
1 k

ek e0

log , or B k < 1 alors k


1 k

, on

log B

k (B ) = (B k ) B k , alors (B ) B k ainsi log (B ) = R (B ) log B k


1 k

et donc
1 k

Enn, on choisit alors k le nombre dit erations : k pour r eduire lerreur initiale de .

1 1 R (B ) log B k log ) R (B

3.1. METHODES ITERATIVES CLASSIQUES

27

3.1. M ethodes it eratives classiques 3.1.1. M ethode de Jacobi, Gauss-Seidel, relaxation. Soit A une matrice dordre n telle que aii = 0, i = 1, n. On d ecompose A sous la forme A= DEF avec D la diagonale de A E la partie inf erieure stricte F la partie sup erieure stricte. M ethode de Jacobi. R esoudre Ax = b est equivalent ` a Dx = (E + F )x + b. La m ethode de Jacobi est bas ee sur la d ecomposition pr ec edente et elle s ecrit x0 arbitraire Dxk+1 = (E + F )xk + b (3.2)

Il est facile ` a chaque it eration de calculer xk+1 en fonction de xk car la matrice diagonale D est inversible. Les composantes du vecteur xk+1 v erient
n

aii (xk+1 )i = soit encore (xk+1 )i = Sous forme matricielle xk+1 s ecrit

aij (xk )j + bi ,
j =1,j =i n

aij (xk )j + bi /aii .


j =1,j =i

xk+1 = D 1 (E + F )xk + D 1 b = Jxk + c,

(3.3)

la matrice J = D 1 (E + F ) est la matrice dit eration de Jacobi. La m ethode de Jacobi converge ssi (J ) < 1. Pour programmer cette m ethode, on a besoin de stocker les vecteurs xk et xk+1 . M ethode de Gauss-Seidel. Elle est bas ee sur cette d ecomposition : Ax = b (D E )x = F x + b la m ethode de Gauss-Seidel s ecrit x0 arbitraire (D E )xk+1 = F xk + b (3.4)

28

CHAPITRE 3. METHODES ITERATIVES

D E est une matrice triangulaire inf erieure et pour calculer xk+1 en fonction de xk , il sut dappliquer lalgorithme de descente suivant : pour i = 1, n aii (xk+1 )i = soit encore (xk+1 )i =
i1 j =1 n

aij (xk+1 )j

aij (xk )j + bi ,
j =i+1

i1 j =1

aij (xk+1 )j

aij (xk )j + bi /aii .


j =i+1

Noter que dans la boucle de calcul, les composantes du vecteur (xk+1 )j pour j = 1, i 1 sont d ej` a calcul es et on peut utiliser un seul vecteur pour programmer cette m ethode. Sous forme matricielle xk+1 s ecrit la matrice G = (D E )1 F est la matrice dit eration de Gauss-Seidel. La m ethode de Gauss-Seidel converge ssi (G) < 1. M ethode de relaxation. Elle est bas ee sur cette d ecomposition : Soit = 0, la D D eme Ax = b s ecrit ( D E )x = matrice A s ecrit A = ( E ) + (D F ). Le syst` 1 ( D + F )x + b. La m ethode de relaxation s ecrit : (D soit encore x0 arbitraire E )xk+1 = ( 1 D + F )xk + b (3.6) xk+1 = (D E )1 F xk + (D E )1 b = Gxk + c, (3.5)

La matrice dit eration s ecrit alors

(D E )xk+1 = ((1 )D + F )xk + b, Lw = (D E ) 1((1 )D + F ). (3.7)

Les composantes du vecteur xk+1 sont solutions de

1 n aii (xk+ 1 )i = i j =1 aij (xk +1 )j j =i+1 aij (xk )j + bi 2 (xk+1 )i = (xk )i + ((xk+ 1 )i (xk )i ).
2

Pour = 1, cest la m ethode de Gauss-Sidel. Th eor` eme 3.2. 1. Soit A une matrice sym etrique d enie positive (ou hermitienne d enie positive), alors la m ethode de relaxation converge si 0 < < 2. 2. Soit A une matrice ` a diagonale strictement dominante ou ` a diagonale fortement dominante et irr eductible) alors la m ethode de Jacobi converge et la m ethode de relaxation converge pour 0 < 1.

3.2. METHODES DE GRADIENTS

29

La d emonstration de ce th eor` eme est illustr ee par des exemples. 3.2. M ethodes de gradients Principe de la m ethode. Soit A une matrice sym etrique d enie positive. R esoudre Ax = b est equivalent ` a minimiser la fonctionnelle J (x) =< Ax, x > 2 < b, x > . La fonctionnelle J est quadratique et d enie positive, elle admet un minimum global x solution de J (x) = 2(Ax b) = 0. On note e(x) = (x x) et r (x) = b Ax = A(x x) le r esidu du syst` eme Ax = b. On d enit l energie E (x) =< A(x x), (x x) >=< Ae(x), e(x) >=< r (x, A1 r (x) > . Minimiser J est equivalent ` a minimiser E car E (x) =< Ax, x > 2 < Ax, x > + < Ax, x >

=< Ax, x > 2 < b, x > + < Ax, x >= J (x)+ < Ax, x >, (3.8)

comme < Ax, x > est une constante, E et J atteignent leur minimum au point point. Une m ethode de descente est une m ethode it erative sous la forme suivante xk+1 = xk + k pk , avec k le pas de descente, pk la direction de descente. On choisit k et pk de telle sorte que E (xk+1 ) < E (xk ). Exemples de m ethodes de descente : M ethode de Richardson. Cest la m ethode de gradients ` a pas constant. k = > 0; Les it er es v erient xk+1 = xk + (b Axk ) = (I A)xk + b. Th eor` eme 3.3. Soit A une matrice sym etrique d enie positive de valeurs propres
2 . Le meilleur choix de , not ee Alors la m ethode de Richardson converge pour 0 < < N 2 opt , celui qui minimise (I A) est donn ee par opt = 1 +N .

pk = 0 ,

pk = rk = b Axk .

0 < 1 2 ... N .

D emonstration. Voir TD.

30

CHAPITRE 3. METHODES ITERATIVES

M ethode de gradients ` a pas optimal. On consid` ere la direction de descente pk = rk = b Axk . La m ethode s ecrit xk+1 = xk + k rk = xk + k (b Axk ). (3.9)

Le choix optimal de k consiste, ` a chaque it eration, ` a choisir k pour minimiser l energie E (xk+1 ) dans la direction rk . Le param` etre k est choisi tel que E (xk + k rk ) = E (xk+1 ) = min E (xk + rk ).
R

Calcul de k . On a E (x) =< A(x x), x x >, ainsi E (xk + rk ) =< A(xk + rk x), xk + rk x >= E (xk ) 2 < rk , rk > +2 < Ark , rk > . Cest une equation de second degr e en et < Ark , rk >> 0 car A est une matrice sym etrique d enie positive, donc le minimum est atteint par k = Alors la m ethode s ecrit xk+1 = xk + < rk , r k > rk . < Ark , rk > < rk , r k > . < Ark , rk >

La m ethode est equivalente ` a xk+1 = (I k A)xk + k b, pour montrer la convergence de la m ethode, on ne peut pas appliquer le th eor` eme 3.1 parce que la matrice dit eration 1 (I k A) d epend de k . On montre directement que xk x = A b (voir TA-2007 exo1). M ethode des gradients conjugu es. On choisit k et la direction de descente pk .

3.3. Calcul de valeurs propres et de vecteurs propres La recherche de valeurs propres et de vecteurs propres est un probl` eme qui intervient naturellement dans l etude de la dynamique des structures. Par exemple Exemple. Flambage dune barre. Soit une barre de longueur l, x ee ` a une extr emit e H . On applique une force P vers le bas dans la direction de laxe. Quand P est faible, pas de a partir de d eformation de la barre. Quand P augmente, une valeur critique P est atteinte ` laquelle la barre se d eforme.

3.3. CALCUL DE VALEURS PROPRES ET DE VECTEURS PROPRES

31

111 000 000 000 111 111 000 111 000 111 111 000

1 0 0 1

11111111 00000000
1 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
u

Soit une barre de longueur l, x ee ` a une extr emit e H . On applique une force P vers le bas dans la direction de laxe. Quand P est faible, pas de d eformation de la barre. Quand P augmente, une valeur critique P est atteinte ` a partir de laquelle la barre se d eforme. On note u(x) le d eplacement du point situ e ` a labscisse perpendiculaire ` a laxe de la barre.

Dformation

Pour des petits d eplacements, u v erie x (a(x) du ) + Pu = 0 dx u(0) = u(H ) = 0 (3.10)

a(x) d epend des caract eristiques de la barre (section, module d elasticit e). Si a = constante, alors u (x) = P u(x) (3.11) u(0) = u(H ) = 0,
P est une valeur propre. Les solutions (3.12) sont uk (x) = sin( kx , et Pk = Hk 2 , k IN . H Pratiquement ici, on est int eress e par la plus petite valeur propre P1 = 2 /H 2 . Si a = a(x), on na pas de solution analytique, en g en eral, de l equation (11.9). On peut alors chercher une solution approch ee en discr etisant le probl` eme par exemple par la m ethode des di erences nies : 1 h2
2 2

ai+ 1 (ui+1 ui) ai 1 (ui ui 1) + P ui = 0,


2 2

i = 1, N.

u0 = uN +1 = 0.

(3.12)

Ce syst` eme est equivalent ` a AU = U avec = P la plus petite valeur propre et elle d esigne la charge critique. 3.3.1. La m ethode de la puissance it er ee. Elle permet le calcul dune approximation de la valeur propre de plus grand module ainsi celle dun vecteur propre associ e.

32

CHAPITRE 3. METHODES ITERATIVES

Exemple. Soit A = et 0 1

10 0 9 1

de valeurs propres 10 et 1 et de vecteurs propres 1 1

1 1

. Si on prend x0 =

= 0 et que lon calcule successivement x1 = Ax0 , 10 8 ; x2 = 100 98 ; x3 = 1000 998 ; .... 1 1 .

x2 = Ax1 ,...xk+1 = Axk on obtient x1 =

Ce qui montre tr` es vite que xk+1 10xk et xk+1 est colin eaire au vecteur propre Ce qui donne rapidement lalgorithme de la puissance it er ee suivant q0 CN tel que q0 = 1 pour k = 1, 2, ... xk = Aqk1 qk = xk / xk .

(3.13)

Moralement, ce qui se passe Aqk1 = xk qk on sattend alors que xk |1 | la plus grande valeur propre en module. Et si 1 > 0, alors Aqk1 qk et qk u1 un vecteur propre associ e` a 1 . Th eor` eme 3.4. Soit A une matrice dordre N , diagonalisable dont la valeur propre du plus grand module 1 est unique et simple Soit q0 CN dont la composante selon le vecteur propre associ e` a 1 est non nulle. Alors la suite d enie par (3.13) v erie k 1 qk = q est un vecteur propre ` a droite de norme 1. i) lim k |1 | ii) lim Aqk = lim xk = |1 |.
k k

|1 | > |2 | |3 | ... |N |.

xk+1 (j ) = 1 , pour 1 j N si qk (j ) = 0. iii) lim k qk (j ) | 2 | . Le facteur de convergence de toutes ces suites est | 1 |

D emonstration. A est diagonalisable, on note (u1, u2 , ..., uN ) une base de vecteurs propres de A associ ee aux i , i = 1, N .
N

q0 C

= q0 =
N

i ui ,
i=1

le choix convenable de q0 est de choisir 1 = 0, et on ecrite q0 = 1 u1 +


i=2

i ui , et 1 = 0,

3.3. CALCUL DE VALEURS PROPRES ET DE VECTEURS PROPRES

33

ceci signie que q0 nest pas orthogonal au sous espace propre ` a gauche associ e` a 1 . i) On calcule tout dabord qk en fonction de q0 . On a q1 = q2 = Par r ecurrence qk = Dautre part
N N N

x1 Aq0 = , x1 Aq0 Aq0 Aq0 A Ak q0 . Ak q0 i i 1 1


k

Aq1 =A Aq1

Aq0 Aq0

A2 q0 . A2 q0 (3.14)

A q0 = A

k i=1 N

i ui =
i=1

i k i ui

1 k 1

u1 +
i=2

ui = 1 k 1 (u1 + ek ), (3.15)
i 1 k

i i k | i | ui ; or < 1 pour i = 2, N donc | | 1 1 1 i=2 et pour tout i = 2, N , alors avec ek =


k

0 quand k (3.16)

ek 0 quand k , pour k grand. Dapr` es la formule de r ecurrence (3.14) on a qk = Ak q0 1 k 1 (u1 + ek ) = , Ak q0 |1 ||1 |k u1 + ek

de plus ek

2 1

(3.17)

ainsi

ii) on a

1 u1 1 (u1 + ek ) | 1 | k = q proportionnel ` a u1 . qk = k |1 | u1 + ek |1 | u1 1 Aqk = 1 k 1 (Au1 + Aek ) , |1 ||1 |k u1 + ek

(3.18)

(3.19)

et Aqk = iii)

Au1 Au1 + Aek = | 1 | . u1 + ek u1 (j ) Ak q0 Ak q0 (j ).

(3.20)

xk+1 (j ) Aqk (j ) Ak q0 = = A k qk (j ) qk (j ) A q0 Dapr` es (3.15), on a

+1 (u1 (j ) + ek+1 (j )) xk+1 (j ) 1 k 1 (u1 (j ) + ek +1 (j )) = 1 = 1 . k qk (j ) (u1 (j ) + ek (j )) 1 1 (u1 (j ) + ek (j ))

34

CHAPITRE 3. METHODES ITERATIVES

Proposition 3.2. La m ethode de la puissance it er ee converge si A est diagonalisable et la valeur propre de plus grand module est unique et de multiplicit e p > 1. Si la matrice nest pas diagonalisable mais la valeur propre dominante est unique alors la m ethode converge. D emonstration. On a 1 = 2 = ... = p et |1 | > p+1. On reprend la m eme preuve que pr ec edemment, il vient
p N

A q0 = On pose u =
p i=1 i ui

k 1

(
i=1

i ui ) +
i=p+1

i 1

ui .

= 0, donc
k Ak q0 = k 1 (u + ek ) 1 u,

ainsi | 1 | k qk q vecteur propre associ e` a 1 . k 1

3.3.2. M ethode de la puissance inverse. Elle permet la recherche de la plus petite valeur propre en module. Il sut dappliquer la m ethode de la puissance it er ee ` a la matrice 1 o` u est valeur propre de A . On suppose A1 . Les valeurs propres de A1 sont i = i i |1 | |2 | |3 | ... |N 1 | > |N 1 |. On a max |i| =
i

La m ethode de la puissance inverse s ecrit : q0 CN tel que q0 = 1, pour k = 1, 2, ... x = A1 qk1 k qk = xk / xk .

1 1 = = |N |. mini |i| | N | q0 =
N i=1

i ui ,

N = 0 (3.21)

Le vecteur xk est d etermin e par la r esolution du syst` eme lin eaire Axk = qk1 . On peut alors d ecomposer la matrice A sur la forme A = LU et r esoudre ` a chaque it eration 1 le syst` eme lin eaire de fa con simple. On a evidemment lim A qk = lim xk = |N |.
k k

3.3. CALCUL DE VALEURS PROPRES ET DE VECTEURS PROPRES

35

: On applique alors lalgorithme de la puissance inverse ` a A N q0 C tel que q0 = 1 )xk = qk1 (A qk = xk / xk .

Application : Recherche de la valeur propre la plus proche dun nombre donn e. Soit donn e. Soit une valeur propre de A telle que soit la plus proche de , autrement dit : repr esente la valeur propre de plus petit module de A = , | < | |, | Sp(A){}.

(3.22)

CHAPITRE 4 INTERPOLATION ET APPROXIMATION

4.1. Introduction On se donne un ensemble de points (xi , fi ) obtenus suite ` a une mesure exp erimentale (fi repr esente la temp erature, pression, d ebit, ....) pour conna tre la valeur de la fonction mesur ee en dautres points dans le domaine, on peut alors repr esenter la fonction f par un polyn ome.
f(xi) p(xi)

On cherche P un polyn ome tel que P (xi ) = f (xi ). Un tel polyn ome interpole la fonction mesur ee aux points des mesures xi On cherche P un polyn ome le plus proche des valeurs mesur ees. Lapproximation au sens des moindre carr e consiste ` a p tel que

p(x) fi

xi

|p(xi ) fi |2 soit minimal .

On cherche ` a calculer une int egrale dont on ne conna t pas explicitement sa valeur. Par exemple, on approche cette comme suit f (x) p(x)et f (x) dx p(x) dx (facile ` a calculer)

ce qui conduit ` a lint egration num erique. f solution dune e.d.o f solution dune equation non lin eaire de la forme f = G(f ) Soit f une fonction inconnue solution dun probl` eme aux limites ( equation de la chaleur par exemple), on cherche ` a approcher au mieux les valeurs de f en certains points du domaine.

38

CHAPITRE 4. INTERPOLATION ET APPROXIMATION

4.2. Interpolation de Lagrange Soient (n + 1) couples : (x0 , f0 ), (x1 , f1 ) ... (xn , fn ), tels que les xi sont distincts. On cherche un polyn ome P tel que P (xi ) = fi pour i = 0, 1, ..., n. Le polyn ome passe par les points de mesure. Th eor` eme 4.1. Il existe un unique P IPn = { polyn omes de degr es n} tel que P (xi ) = fi pour i = 0, 1, ..., n. D emonstration. Unicit e. Soient p, q IPn tels que P (xi ) = Q(xi ) = fi pour i = 0, ...n, alors p q IPn et il sannule en (n + 1) points distincts alors p q 0. Existence. Base de polyn omes de Lagrange. Soit Li IPn tel que Li (xj ) = ij , i = 0, ..., n, alors {Li }i=0,n est une base de IPn (famille libre). Construction de Li (x). On a Li (xj ) = 0 pour j = i donc x xj divise le polyn ome
n

Li (x) =

j =0,j =i

(x xj ) IPn = R, 1
n j =0,j =i (xi

est calcul e par Li (xi ) = 1 ce qui donne = sont


n

xj )

. Les polyn omes de Lagrange

Li (x) =
j =0,j =i

x xj , i = 0, n. xi xj

(4.1)

Th eor` eme 4.2. (Erreur dinterpolation de Lagrange) Soit f C n+1 ([a, b]) et a x0 < x1 < x2 < ... < xn b. Soit p le polyn ome de Lagrange d enit par p(xi ) = f (xi ) pour i = 0, 1, ..., n. Alors f (x) p(x) = avec L(x) =
n j =0 (x

L(x) (n+1) f ( ), (n + 1)!

(4.2)

xj ), a min(x0 , x) < < max(x, xn ) b.

4.2. INTERPOLATION DE LAGRANGE

39

D emonstration. Si x = xi alors f (xi ) = p(xi ) et L(x) = 0 ce qui etablit (4.2). soit x = xi , i = 0, n. Consid erons la fonction w d enie par : w (t) = f (t) p(t) L(t)k (x) avec la fonction k (x) est donn ee tel que w (x) = 0, soit encore k (x) = w (x) = 0, w (xi) = 0, i = 0, n w sannule en (n + 2) points distincts et dapr` es le th eor` eme de Rolle w sannule en (n + 1) points distincts, et donc w sannule en n points distincts, ... w (n+1) sannule en 1 point ; Il existe ]a, b[ tel que w (n+1) ( ) = 0. or p(n+1) ( ) = 0 car p IPn , ce qui donne
f (x)p(x) . L(x)

On a

w (n+1) ( ) = f (n+1) ( ) p(n+1) ( ) (n + 1)!k (x) = 0 f (x) p(x) f (n+1) ( ) = k (x) = (n + 1)! L(x)

ce qui etablit (4.2). En majorant lerreur dinterpolation, on a 1 max |f (n+1) ( )| max |L(x)|. |f (x) p(x)| x[a,b] (n + 1)! x[a,b]
x[a,b]

(4.3)

Lerreur dinterpolation r esulte de deux termes : le premier terme max |f (n+1) (x)| d epend de f et on ne peut pas lam eliorer car f est donn ee, par contre le deuxi` eme terme max |L(x)| d epend de la distribution des points xi . On peut choisir lensemble des points {xi }i=0,n pour que lerreur max |L(x)| soit minimal.
x[a,b] x[a,b]

4.2.1. Meilleur choix des points xi . Le polyn ome L(x) = (x x0 )(x x1 )...(x xn+1 ) est un polyn ome de degr e (n + 1) dont le coecient de xn+1 est 1. Le meilleur choix de {xi }i=0,n est alors les racines du polyn ome L(x) v eriant
x[a,b]

max |L(x)| max |q (x)|,


x[a,b]

q IPn+1 et q (x) = xn+1 + an xn + ...

(4.4)

Nous allons voir que les polyn omes de Tchebychev r epondent ` a cette question. Les polyn omes de Tchebychev sont d enis par Tn (x) = cos(n arccos(x)), x [1, 1], n 0.

V erions dabord que Tn (x) IPn . On a T0 = cos(0) = 1 et T1 (x) = x et on a la relation de r ecurrence Tn+1 = 2xTn (x) Tn1 = 2n xn+1 + .....

40

CHAPITRE 4. INTERPOLATION ET APPROXIMATION

car en posant = Arccos(x) Tn+1 = cos((n + 1)) = cos(n) cos() sin(n) sin() 1 1 = cos(n) cos() (cos((n 1)) cos((n + 1)) = xTn (x) (Tn1 (x) Tn+1 ). 2 2 + k , ainsi Les racines de Tn sont : Tn (x) = cos(n arccos(x)) = 0, alors n arccos(x) = 2 k arccos(x) = 2n + n pour k = 0 n 1, ce qui donne que les racines de Tn sont : xk = cos( 2k + 1 ); k = 0 n 1. 2n
k n

Les extremas de Tn sont : Tn (x) = cos(n arccos(x)) = 1, alors arccos(x) = donne les extremas : k ; Tn (yk ) = (1)k , k = 0 n. yk = cos n Th eor` eme 4.3. Les racines des polyn omes de Tchebychev satisfont
x[1,1]

ce qui

max |Tn (x)| max |q (x)|,


x[1,1]

q IPn et q (x) = 2n1 xn + an1 xn1 + ...

(4.5)

D emonstration. On va montrer ce r esultat par labsurde. Soit q (x) = 2n1 xn + an1 xn1 + ... = Tn (x) et on suppose
x[1,1]

max |q (x)| max |Tn (x)|.


x[1,1]

(4.6)

Sur chaque intervalle [cos( k , cos( (k+1) ], k = 0 n1, Tn passe du maximum au minimum n n ou inversement. On pose d(x) = q (x) Tn (x) = 0, et donc d IPn1 . De plus q est continue ), cos( (k+1) ]), le graphe de q et v erie la relation 4.6, alors sur chaque intervalle [cos( k n n intersecte au moins une fois le graphe de Tn , cest ` a dire d(x) sannule au moins une fois dans cet intervalle. Alors le polyn ome d sannule n fois et comme d est un polyn ome de degr e (n 1) alors d = 0, ce qui contredit que d = 0.

Ainsi, on a montr e que parmi tous les polyn omes de degr e n s ecrivant sous la forme n1 n n1 q (x) = 2 x + an1 x + ..., le polyn ome de Tchenychev est celui qui r ealise le minimum pour la norme innie, cest ` a dire Tn Autrement dit,
x[1,1] C 0 [1,1]

< q

C 0 [1,1] , q

IPn , q (x) = 2n1 xn + .

max |(x x0 )(x x1 ) (x xn )| est minimal 2k + 1 ); k = 0 n. 2(n + 1)

si et seulement si Tn+1 (x) = 2n (x x0 )(x x1 ) (x xn ) avec xk = (cos

4.3. POLYNOME DINTERPOLATION DE NEWTON

41

Ou encore, pour toute distribution de points dinterpolation (z0 , z1 , , zn ), alors


x[1,1] x[1,1]

max |(x x0 )(x x1 ) (x xn )| max |(x z0 )(x z1 ) (x zn )|,

+1) et leurs racines sont : (xk ) = (cos (2k2 ); k = 0 n 1 et donc (xk ) = n (2k +1) (2k +1) a+b ba cos( 2n ), ainsi xk = 2 + 2 cos( 2n ), pour k = 0 n 1.

x b+a o` u (x) = b2 b . a a Les polyn omes de Tchebychev sur un intervalle quelconque [a, b] s ecrivent : n = (Tn )(x) = Tn ((x)) = cos(n arccos (x)) T

o` u les xk sont les racines de Tn+1 . Enn, sur un intervalle quelconque [a, b], les racines du polyn ome de Tchebychev sont d enies comme suit Tn n : [a, b] T [1, 1] R

2xk ba

b+a ba

Remarque 4.1. i)On a Tn+1 (x) = 2n xn+1 + = 2n (x x0 )(x x1 ) (x xn ) et comme maxx[1,1] |Tn+1 (x)| = 1 et donc maxx[1,1] |(x x0 )(x x1 ) (x xn )| = 21 n, ainsi lerreur dinterpolation s ecrit : 1 1 max |f (n+1) (x)|. |f (x) p(x)| (n + 1)! 2n x[1,1] ii) Les racines de Tchebychev, elles sont plus denses aux extr emit es. Cette distribution a pour eet de r eduire le ph enom` ene de Runge (les eets sur le bord). 2 Exemple (TP) : comparer pour f (x) = ex sur [5, 5] en prenant 10 points equidistants et les 10 racines de T10 (x). 4.3. Polyn ome dinterpolation de Newton Une autre fa con de construire p IPn tel que p(xi ) = fi est dutiliser la formule de Taylor et dintroduire les di erences divis ees. En eet, par la formule de Taylor, on ecrit p(x) = p(x0 ) + (x x0 )Q0 (x) avec Q0 IPn1 , or p(x0 ) = f0 ainsi Ensuite pour que p(x1 ) = f1 , alors Q0 (x1 ) = formule de Taylor ` a Q0 (x) soit encore p(x) = f0 + (x x0 )Q0 (x),
f1 f0 x 1 x 0

est connu. On applique ` a nouveau La

Q0 (x) = Q0 (x1 ) + (x x1 )Q1 (x) avec Q1 IPn2 , p(x) = f0 + (x x0 )Q0 (x1 ) + (x x0 )(x x1 )Q1 (x),

42

CHAPITRE 4. INTERPOLATION ET APPROXIMATION

p(x)
p(x2) = f2, p(x2) = g2

f (xi) = fi , p (xi) = gi p(x1) = f1, p(x1) = g1

x
p ( x i ) = f i , p ( x i ) = g ( i)

Figure 1. Interpolation de Hermite

Pour assurer p(x2 ) = f2 , on impose alors Q1 (x2 ) = f2 f0 (x2 x0 )Q0 (x1 ) (x2 x0 )(x2 x1 )

on continue le proc ed e en faisant le d eveloppement de Taylor de Q1 (x) au point x2 . Les Qi (xi+1 ) sont appel es les di erences divis ees. 4.4. Interpolation de Hermite On cherche un polyn ome qui interpole la fonction f ainsi que sa d eriv ee aux points donn es. pr ecis ement, soient les (n + 1) triplet (xi , fi , gi ) pour i = 0, n. On chercher un polyn ome p tel que p(xi ) = fi , i = 0, n (4.7) p (xi ) = gi , i = 0, n Th eor` eme 4.4. Il existe un unique P IP2n+1 = { polyn omes de degr es 2n+1} satisfaisant (4.7). D emonstration. Unicit e. Soient p, q IP2n+1 tels que p(xi ) = q (xi ) = fi et p (xi ) = q (xi ) = gi pour i = 0, ...n, alors r = p q IP2n+1 et r (xi ) = r (xi ) = 0, alors (x xi )2 divise le polyn ome 2 2 r , ainsi r = c(x x0 ) ...(x xn ) IP2(n+1) , or r IP2n+1 alors c = 0 et r 0. Existence. Base de polyn omes de Hermite. On cherche une base de polyn omes de IP2n+1 telle que
n n

p(x) =
i=0

fi Ai (x) +
i=0

gi Bi (x)

4.4. INTERPOLATION DE HERMITE

43

Les conditions sur les fonctions de bases sont alors les suivantes : Ai (xj ) = ij , Bi (xj ) = 0 pour i = 0, n Ai (xj ) = 0, Bi (xj ) = ij pour i = 0, n les premi` eres conditions permettent dimposer p(xi ) = fi et les secondes p (xi ) = gi . Ces conditions permettent de construire les fonctions de bases. En eet, Construction des polyn omes Ai . On a Ai (xj ) = Ai (xj ) = 0 pour j = i alors (x xj )2 divise 2 Ai pour j = i, alors Ai (x) = r (x) n u r (x) PN 1 . On peut exprimer ce j =0, j =i (x xj ) o` x x j polyn ome en fonction du polyn ome de Lagrange. En eet, Li (x) = n j =0, j =i xi xj , ainsi Ai (x) = q (x)L2 u q (x) = ax + b P1 . Les coecients a et b sont tels que i (x), o` Ai (xi ) = 1 et Ai (xi ) = 0. On a Ai (xi ) = (axi + b)L2 i (xi ) = 1 = axi + b car Li (xi ) = 1.
Ai (xi ) = aL2 i (xi ) + 2Li (xi )Li (xi )(axi + b) = a + 2Li (xi )(axi + b) = a + 2Li (xi ) = 0,

ainsi a = 2Li (xi ) et b = 1 axi , enn

Ai (x) = (1 2(x xi )Li (xi ))L2 i (xi ).

Calcul de Bi . Pour j = i, on a Bi (xj ) = Bi (xj ) = 0, alors L2 i divise Bi , dautre part Bi (xi ) = 0, alors (x xi ) divise aussi Bi . On d eduit que Bi (x) = c(x xi )L2 i (x) et c R. On d etermine la constante par la relation Bi (xi ) = 1 ; on a
Bi (xi ) = cL2 i (xi ) + 2c(xi xi )Li (xi )Li (xi ) = c = 1,

ce qui donne Bi (x) = (x xi )L2 i (x). Th eor` eme 4.5. (Erreur dinterpolation de Hermite) Soit f C 2n+2 ([a, b]) et a x0 < x1 < x2 < ... < xn b. Soit p IP2n+1 le polyn ome dinterpolation de Hermite d enit par p(xi ) = f (xi ), p (xi ) = f (xi ), Alors f (x) p(x) = i = 0, n i = 0, n. (4.8)

avec L(x) =

L(x) f (2n+2) ( ), (2n + 2)! n 2 j =0 (x xj ) , a min(x0 , x) < < max(x, xn ) b.

(4.9)

La preuve est semblable ` a celle propos ee pour le th eor` eme 4.2.

44

CHAPITRE 4. INTERPOLATION ET APPROXIMATION

f Ph

x
Figure 2. Interplation locale par des IP1 par morceaux(gauche),par des IP2 par morceaux(droite)

4.5. Interpolation locale Le th eor` eme dinterpolation 4.2 montre que lapproximation dune fonction par des polyn omes n ecessite que la fonction soit r eguli` ere et le degr e du polyn ome soit elev e pour avoir la convergence lorsque le degr e du polyn ome tend vers linnie. Linterpolation locale consiste ` a interpoler la fonction sur des intervalles de petite taille par des polyn omes de faible degr e. On va d ecrire cette m ethode. Soit [a, b] un compact de R. On divise lintervalle [a, b] en M -intervalles de pas h = (b a)/M . On pose ai = a + ih, i = 0, M . Ensuite sur chaque intervalle [ai , ai+1 ] on construit un polyn ome dinterpolation pi (x) de degr e m xe aux points dinterpolation kh es dans lintervalle [ai , ai+1 ]. (xi )k = ai + m , k = 0, m. Les points (xi )k sont situ On consid` ere le polyn ome dinterpolation d enit par morceaux comme suit qh (x) = pi (x), pour ai x ai+1 . Le polyn ome qh est continue mais non d erivable aux points ai . Th eor` eme 4.6. (Erreur dinterpolation locale et convergence) Soit f C m+1 ([a, b]), alors 1 sup |f (m+1) (x)|hm+1 . x [a, b], |f (x) qh (x)| m! x[a,b] (4.10)

(4.11)

D emonstration. Soit x [a, b], il existe i {0, 1, ..., M 1} tel que ai x ai+1 . Dapr` es le th eor` eme dinterpolation de Lagrange i (x) |f (x) pi (x)| = |f (x) qh (x)| |f (m+1) ( )|, ]ai , ai+1 [ (m + 1)!

4.6. MEILLEURE APPROXIMATION (PROJECTION ORTHOGONALE)

45

avec i (x) = | ce qui etablit (4.11).

k =0

(x (xi )k )| (m + 1)(ai+1 ai )m+1 (m + 1)hm+1

Dans le th eor` eme 4.6, lentier m est xe (en g en eral m = 1, 2 ou 3) et on regarde la convergence par rapport ` a h quand h 0, on a directement |f (x) qh (x)| 0 quand h 0.

4.6. Meilleure approximation (projection orthogonale) Soit V un espace vectoriel muni dun produit scalaire not e ((, )) et la norme associ ee. Soit VN un sous espace de V de dimension nie. On note {q1 , q2 , ..., qN } une base de VN . On dit que uN VN r ealise la meilleure approximation de f V au sens suivant uN f = min On a uN =
N j =0 j qj , vN VN

vN f .
N

(4.12)

avec eme (4.12) est alors equivalent ` a j R. Le probl` { j }j =1,N r ealisant le min
RN j =0

chercher

j qj f

(4.13)

avec = (1 , ..., N ). On note


N

J ( ) =
j =0

j qj f

Le minimum de cette fonction est caract eris e par : J ( ) = 0, pour k = 1, n, k car J est quadratique en et J () + quand || +. En d eveloppant J , on a
N N

J ( ) =
i,j =1

i j ((qj , qj )) 2

i ((qi , f )) + f
i=0

On d esigne par A la matrice de coecients ai,j avec ai,j = ((qj , qj )) R. La fonctionnelle J s ecrit J () =< A, > 2 < b, > + f 2 , avec < , > d esigne le produit scalaire dans RN . Ainsi est caract eris e par

J ( ) = 0 2(A b) = 0,

46

CHAPITRE 4. INTERPOLATION ET APPROXIMATION

est solution du syst` eme lin eaire A = b. La matrice A est sym etrique d enie positive. N En eet, soit x R
N N N N N

< Ax, x >=


i=1

(Ax)i xi =
i=1 j =1

aij xj xi =
i=1 j =1 N

((qj , qi ))xj xi
N

= ((
i=1

qi xi ,
j =1

qj xj )) = X

0 (4.14)

avec X = positive.

N i=1 qi xi .

De plus pour x = 0, alors X = 0 et donc < Ax, x > est strictement

Nous allons voir que a structure de la matrice A d epend fortement de la base qi , i = 1, n sur plusieurs exemples. Exemple 1. Soit V = L2 (0, 1) muni du produit scalaire ((f, g )) = 0 f (x)g (x) dx. On divise lintervalle [0, 1] en N-intervalles de pas h = 1/N . On pose Mi =]ih, (i + 1)h[ pour i = 1, ..., N 1. Soit VN = {v V ; v |Mi = constante}. On a dimension VN = N = nombre dintervalles. On propose la base suivante qj (x) = Les coecients de la matrice A sont
1 1

1 0 0

si x Mi sinon si i = j |qi (x)|2 dx =


(i+1)h ih

ai,j = ((qi , qj )) =
0

qi (x)qj (x) dx =

(i+1)h ih

dx = h

ainsi A = h I (I la matrice identit e) une matrice diagonale et facile ` a inverser. Exemple 2. V = H 1 (0, 1) base el ements nis IP1 . Exemple 3. Soit V = C 0 ([1, 1]) ou V = L2 (1, 1) muni du produit scalaire ((f, g )) = f (x)g (x) dx. On consid` ere VN = IPN ensemble de polyn omes de degr e N , et la base canonique de 2 N IPN =< 1, x, x , ..., x >. Les coecients de la matrice de projection orthogonale
1 1 1 1

ai,j =
1

qi (x)qj (x) dx =
1

xi+j dx

0
2 i+j +1

si i + j est impair si i + j est pair

4.7. POLYNOMES ORTHOGONAUX

47

La matrice A est dicile ` a inverser et cette matrice nest pas creuse.

Dapr` es lexemple pr ec edent, il est alors int eressant de construire des polyn omes orthogonaux associ es au produit scalaire d esir e. 4.7. Polyn omes orthogonaux Soit ]a, b[ R born e ou non. Soit un poids :]a, b[ R+ continue. On suppose b n IN, a |x|2 w (x) dx est convergente. Soit E = C 0 (]a, b[) muni du produit scalaire b < f, g > = a f (x)g (x) (x) dx et la norme associ ee. D enition 4.1. On appelle polyn ome unitaire un polyn ome dont le coecient du plus n n1 haut degr e est 1, i.e. pn (x) = x + an1 x + ... + a0 . Th eor` eme 4.7. Il existe une suite de polyn omes unitaires (pn )n IN, deg(pn ) = n, orthogonaux 2 ` a 2 pour le produit scalaire de E associ e au poids . Cette suite est unique. D emonstration. Par r ecurrence selon le proc ed e dorthogonalisation de Schmidt. On a p0 (x) = 1 car p0 est unitaire. Supposons p0 , p1 , ...pn1 d ej` a construits, alors < p0 , p1 , ...pn1 > forme une base de IPn1 . Soit pn IPn unitaire, alors pn (x) = xn +
n1 i=0

j pj (x).

On a < pn , pk > = 0, pour tout k = 0, ..., n, donc < xn , pk > +k pk = 0 et donc n k > . On a alors d etermin e pn de fa con unique car le choix des k est unique. k = <x p,p k Th eor` eme 4.8. Formule de r ecurrence pour construire les polyn omes orthogonaux) Les polyn omes pn du th eor` eme 4.7 v erient la relation de r ecurrence :
<xpn1 ,pn1 > pn1

pn (x) = (x n )pn1 (x) n pn2 (x), ; n =


pn1 pn2
2 2

avec n =

.
1 , 1x2

Exemples de polyn omes orthogonaux. Polyn omes de Tchebychev. ]a, b[=] 1, 1[, (x) = cos(n), [0, ]. on v erie que 1 dx = Tn (x)Tm (x) 1 x2 1
1 0

Tn (x) = cos(n arccos(x)) =

0 si n = m Tn (cos )Tm (cos ) d = /2 si n = m = 0 si n = m = 0.

48

CHAPITRE 4. INTERPOLATION ET APPROXIMATION

Polyn omes de Legendre. ]a, b[=] 1, 1[, (x) = 1, pn (x) =

1 dn 2 (x 1)n . 2n n! dxn

4.8. Approximation au sens des moindres carr es discrets On dispose dune suite de donn ees (ou mesures) exp erimentales (xi , yi ), i = 1, n. On cherche un polyn ome p IPm avec n (m + 1) qui r ealise la meilleure approximation au sens suivant :
n i=1

|q (xi ) yi |2 soit minimal .


n

(4.15)

Autrement dit le polyn ome recherch e p v erie


n

i=1

|p(xi ) yi| = min q IPm

i=1

|q (xi ) yi |2 soit minimal .

(4.16)

Lavantage de cette m ethode est de pouvoir prendre des polyn omes de petit degr e, n = 2, 3, Soit q (x) = a0 + a1 x1 + a2 x2 + ... + am xm , on cherche alors ` a minimiser la fonctionnelle J : Rm+1 R+ d enit par
n

J (a) =
i=1

2 m 2 |a0 + a1 x1 i + a2 xi + ... + am xi yi |

avec a = (a0 , a1 , ..., am ). Le minimum est r ealis e lorsque J (a) = 0 J 1, m, ak (a) = 0. On a, pour k = 1, m J (a) = 2 ak
n n 2 m k (a0 + a1 x1 i + a2 xi + ... + am xi yi )xi = 0.

k = (4.17)

i=1

On note Sp =
i=1

xp i

et vk =
i=1

yixk eme (4.17) est equivalent ` a i , donc le syst` k = 1, m.

a0 Sk + a1 Sk+1 + a2 Sk+2 + ... + am Sk+m = vk ; ce syst` eme est equivalent ` a S0 S1 S1 S2 ... ... Sm Sm+1

soit encore

... Sm a0 ... Sm+1 a1 ... ... ... ... S2m am Sa = v.

v0 v1 = ... , vm

(4.18)

DISCRETS 4.8. APPROXIMATION AU SENS DES MOINDRES CARRES

49

La fonctionnelle J peut s ecrire egalement sous la forme


n

J (a) = Aa y

=
i=1

|(Aa)i yi |2 ,

la norme ici est celle associ ee au produit scalaire dans Rm+1 , et la matrice A est donn ee comme suit m 1 x1 x2 1 ... x1 m 1 x2 x2 2 ... x2 (4.19) ... ... ... ... ... Mn(m+1) , m 1 xn x2 n ... xn a Rm+1 et y = (y0 , y1 , ..., yn ) Rn . On va etablir une relation entre la matrice S et la matrice A. En eet, soit h Rm+1 , alors la di erentielle de J s ecrit J (a) =< Aa y, Aa y >,

ainsi J (a) =t A(Aa y ). Le minimum de J v erie alors


t

J (a)h =< Ah, Aa y > + < Aa y, Ah >= 2 <t A(Aa y ), h >, AAa =t Ay (4.20)

ce qui equivalent ` a Sa = v et alors S =t AA. La matrice S est inversible car S est sym etrique d enie positive. En eet, < Su, u >= Au
2 m si Au = 0 alors u0 + u1 xj + u2 x2 erant le j + .... + um xj = 0 pour j = 1, n ; et en consid 2 m polyn ome p(x) = u0 + u1 x + u2x + .... + um x , les relations pr ec edentes montrent que p(xj ) = 0 et donc le polyn ome p admet n-racines et comme n (m + 1) et p de degr em alors p 0 u = 0. Finalement, on v erie que a la solution de (4.20) est bien un minimum de J . La fonctionnelle J est quadratique et dapr` es la formule de Taylor, on a 1 J (a + h) = J (a) + J (a)h + < J (a)h, h >, 2 t de plus J (a) = 2 AA une matrice sym etrique d enie positive et comme J (a) = 0, on d eduit que J (a + h) > J (a), pour tout h = 0, ce qui prouve que a est un (le) minimum global de J .

0,

CHAPITRE 5 INTEGRATION NUMERIQUE

Il sagit dapprocher I =
a

f (x) dx dans le cas o` u on ne conna t pas une primitive de

f. Il y a deux fa cons de pr esenter le calcul. On approche I par une formule de quadrature globale, cest ` a dire on remplace f par b b un polyn ome dinterpolation : a f (x) dx a p(x) dx avec p IPn . On a d ej` a vu que le polyn ome dinterpolation g en` ere des eets ind esirables sur le bord : eet de Runge. Intuitivement, cette m ethode ne converge pas en g en eral et nest pas une une bonne approximation. On approche f par des polyn omes par morceaux (interpolation locale). On a d ej` a vu que linterpolation converge et n ecessite peu de r egularit e sur la fonction f . Cette m ethode est appel e m ethode composite. 5.1. M ethode composite
a et on pose xi = a + ih, On d ecoupe lintervalle [a, b] en M mailles de longueur h = bM pour i = 0, 1, 2, , M . On a x0 = a et xM = b. On ecrit alors : b

f (x) dx =
a

M 1 i=0

xi+1

f (x) dx.
xi

(5.1)

Ensuite, il sut de construire une m ethode dint egration sur chaque intervalle [xi , xi+1 ]. On peut se ramener ` a une int egrale sur [0, 1] ou [1, 1] (appel e intervalle de r ef erence). Par exemple, soit 1+t h [xi , xi+1 ] et t [1, 1], x = xi + 2 ainsi xi+1 h 1 1+t h 1 f (x) dx = f (xi + g (t) dt (5.2) h) dt = 2 1 2 2 1 xi t h). avec g (t) = f (xi + 1+ 2

52

CHAPITRE 5. INTEGRATION NUMERIQUE

5.2. Formulation de quadrature de type interpolation Soit I (g ) = g (t) dt. On appelle formule de quadrature ` a (n + 1) points une formule du type suivant
n

In (g ) =
j =0

cj g (tj ),

(5.3)

avec le points tj sont donn ees ou ` a calculer dans [, ] et les coecients cj sont ind ependants de la fonction g . On d enit lerreur dint egration de g Rn (g ) = I (g ) In (g ). On dit quune formule de quadrature a un degr e de pr ecision k si p IPk , q IPk+1 , Cest equivalent ` a Rn (xk ) = 0 pour i = 0, 1, ..., k Rn (xk+1 ) = 0 (5.6) Rn (p) = 0 (exacte pour les IPk ) Rn (q ) = 0 (inexacte pour les IPk+1 (5.5) (5.4)

Dans la formule de quadrature (5.3), il faut d eterminer cj et eventuellement tj pour que la m ethode soit exacte pour les polyn omes de plus haut degr e.

5.3. Formule dint egration classique 5.3.1. La formule des trap` ezes.
0000000000000000000000 1111111111111111111111 1111111111111111111111 g(1) 0000000000000000000000 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111

Lint egrale est remplac ee par laire du trap` eze.


1

g(1)
1

g (t) dt g (1) + g (1). (5.7)

On cherche , pour que la m ethode soit exacte sur les polyn omes de plus 1 1 haut degr e. On consid` ere alors g un polyn ome et la formule (5.7) est exacte. Il vient 1 pour g (t) = 1, 1 dt = 2 = + , 1 pour g (t) = t, 1 t dt = 0 = + , ainsi = = 1 et la m ethode (5.7) est compl` etement d etermin ee comme suit
1 1

g (t) dt g (1) + g (1).

(5.8)

5.3. FORMULE DINTEGRATION CLASSIQUE


1

53

et de degr e de pr ecision au moins 1. Dautre part, pour g (t) = t2 , on a 1 t2 dt = 2/3 et g (1) + g (1) = 2 et donc la m ethode nest pas exacte pour IP2 et le degr e de pr ecision est exactement 1. 1 Erreur dint egration. Soit R(g ) = 1 g (t) dt (g (1) + g (1)). Soit p un polyn ome dinterpolation de degr e 1 tel que p(1) = g (1) et p(1) = g (1). Dapr` es le th eor` eme dinterpolation, on a (t + 1)(t 1) g ( (t)), 1 < (t) < 1, g (t) = p(t) + 2 et par int egration
1 1 1

g (t) dt = or p IP1 , alors Ainsi


1 1 1 1

p(t) dt +
1

(t + 1)(t 1) g ( (t)) dt, 2


1 (t+1)(t1) g ( (t)) dt. 2 1

p(t) dt = p(1) + p(1) = g (1) + g (1) et R(g ) = 1 2


1 1

| R (g )|

(1 t2 ) dt

s[1,1]

sup |g (s)| =

2 sup |g (s)|. 3 s[1,1]

Formule composite par la m ethode des trap` ezes. Revenons ` a (5.2) et en utilisant la formule des trap` ezes, on a
xi+1 xi

h f (x) dx = 2

1+t h f (xi + h) dt = 2 2 1
xi+1

1 1

g (t) dt

h h (g (1)+g (1)) = (f (xi )+f (xi+1 ). 2 2 (5.9)

Lerreur dint egration sur [xi , xi+1 ] s ecrit : Ri (f ) =


xi

h f (x) dx (f (xi ) + f (xi+1 ), 2 h R (g ) 2 Par cons equent (5.10)

soit encore

h Ri (f ) = 2
1+t h), 2

1 1 h t f (xi + 1+ h) 2 2

g (t) dt (g (1) + g (1)) = et g (t) =

On a g (t) = f (xi +

g (t) =

h2 t f (xi + 1+ h). 4 2

|Ri (f )| =
b

h h h3 | R (g )| sup |g (s)| sup |f ( )|. 2 3 s[1,1] 12 [xi,xi+1 ]


M 1 i=0 xi+1 xi

La formule composite sur lintervalle [a, b] s ecrit f (x) dx =


a

h f (x) dx 2
M 1 i=0

M 1 i=0

(f (xi ) + f (xi+1 )).

(5.11)

Lerreur dint egration composite sur [a, b] s ecrit Rh (f ) =


M 1 i=0 xi+1 xi

h f (x) dx 2

(f (xi ) + f (xi+1 )) =

M 1 i=0

Ri (f ).

54

CHAPITRE 5. INTEGRATION NUMERIQUE

Ainsi, de (5.10), on d eduit |Rh (f )|


M 1 i=0

|Ri (f )|

h3 12

M 1

sup

i=0 [xi ,xi+1 ]

|f ( )|

h3 sup |f (x)|M, 12 x[a,b]

M d epend de h et il s ecrit M = comme suit

ba , h

ce qui donne que lerreur dint egration est en h2 ba sup |f (x)| h2 . 12 x[a,b]

|Rh (f )|

On a d emontr e alors que si f C 2 ([a, b]), alors la m ethode dint egration composite converge car Rh (f ) 0 quand h 0. 5.3.2. M ethode du point milieu. Lint egrale est remplac ee par laire du rectangle de hauteur g (0).
g(1)
0 1 1111111111111111111111 0000000000000000000000 0 1 0000000000000000000000 1111111111111111111111 0 1 0000000000000000000000 1111111111111111111111 0 1 0000000000000000000000 1111111111111111111111 0 1 0000000000000000000000 1111111111111111111111 0 1 0000000000000000000000 1111111111111111111111 0 1 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111 0000000000000000000000 1111111111111111111111

g(0)

1 1

g(1)

g (t) dt 2g (0)

(5.12)

Le degr e de pr ecision de la m ethode est 1. Sur un intervalle de longueur h la m ethode s ecrit xi+1 xi + xi+1 ) (5.13) f (x) dx hf ( 2 xi

5.3.3. M ethode de Simpson. Lint egrale est remplac ee par laire du polyn ome dinterpolation de degr e deux passant par g (1), g (0) et g (1),
1

11111111111 00000000000 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 00000000000 11111111111 0000000000000 1111111111111 00000000000 11111111111 0000000000000 1111111111111 00000000000 11111111111 g(0) 000000000 g(1) 111111111 0000000000000 1111111111111 00000000000 11111111111 000000000 111111111 0 1 0000000000000 1111111111111 00 11 00000000000 11111111111 000000000 111111111 0 1 0000000000000 1111111111111 00 11 00000000000 11111111111 000000000 111111111 0 1 0000000000000 1111111111111 00 11 00 11 0 1 00 11 00000000000 11111111111 000000000 111111111 0 1 0000000000000 1111111111111 00 11 00 11 0 1 00 11 00000000000 11111111111 000000000 111111111 0 1 0000000000000 1111111111111 00 11 00 11 0 1 00 11 000000000 111111111 0 1 0000000000000 1111111111111 00 11 00 11 000000000 111111111 00 11 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 00 11 0 1 0 1 0000000000000 1111111111111 00 11 00 11 P 000 111 000000000 111111111 00 11 0 1 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 00 11 0 1 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0000000000000 1111111111111 00 11 00 11 000 111 000000000 111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 00 11 00 11 000 111 000000000 111111111 000000000000 111111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0000000000 1111111111 00 11 00 11 000 111 000000000 111111111 000000000000 111111111111 0000 1111 000000000 111111111 00 11 00 11 0 1 0000000000 1111111111 00 11 00 11 000 111 000000000 111111111 000000000000 111111111111 0000 1111 00 11 0 1 0000000000 1111111111 00 11 00 11 000 111 000000000 111111111 000000000000 111111111111 0000 1111 00 11 0 1 00 11 00 11 000 111 000000000 111111111 000000000000 111111111111 0000 1111 00 11 0 1

g(1)

(5.14) les coecients , et sont calcul es pour que la m ethode soit exacte pour IP2 , ce qui donne 1 4 1 g (t) dt g (1) + g (0) + g (1). 3 3 3 1 (5.15) le degr e de pr ecision est 3.
1

g (t) dt g (1) + g (0) + g (1)

5.4. LES FORMULE DE GAUSS

55

5.4. Les formule de Gauss Dans la formule de quadrature suivante :


b a n

(x)f (x) dx

ci f (xi ), avec (x) est un poids,


i=0

on d esire am eliorer les r esultats en d eterminant au mieux les points {xi }i=0,n . On cherche alors les coecients ci et les points xi pour que la m ethode soit exacte pour des polyn omes de plus haut degr e. Th eor` eme 5.1. La formule de quadrature ` a (n +1) points est exacte sur lespace IP2n+1 (des polyn omes de degr e 2n + 1)) si et seulement si (a) elle est de type interpolation ` a n + 1 points, (b) les abscisses dinterpolation sont telles que
b

v (x) = n erie j =0 (x xj ) v

xq v (x)(x) dx = 0,
a

q, 0 q n.

D emonstration. remarquons dabord quil y a 2n + 2 inconnus (ci , xi ) pour i = 1, n et IP2n+1 est de dimension 2n + 2. ( = ) Si la formule est exacte sur IP2n+1 , alors elle est exacte sur IPn do` u (a). Dautre q part, 0 q n, x v (x) IP2n+1 car v (x) IPn+1 et comme la formule est exacte sur IP2n+1 , alors
b n

x v (x)(x) dx =
a i=0

ci xq i v (xi ) = 0, car v (xi ) = 0.

(=) Soit p IP2n+1 que lon divise par v IPn+1 , alors p = vq + r avec q, r IPn , donc
b b b

p(x)(x) dx =
a a

q (x)v (x)(x) dx +
a b

r (x)(x) dx,

on a dapr` es (b) q (x)v (x)(x) dx = 0


a

et dapr` es (a)
b n

r (x)(x) dx =
a i=0

ci r (xi ).

On a p(xi ) = v (xi )q (xi ) + r (xi ) = r (xi ) car v (xi ) = 0, ainsi


b n

p(x)(x) dx =
a i=0

ci p(xi ).

56

CHAPITRE 5. INTEGRATION NUMERIQUE

5.4.1. Application. Les polyn omes orthogonaux d ej` a construits associ es au poids (x) v erient la partie (b) du th eor` eme pr ec edent. En eet, soit (hn )n une famille de polyn omes orthogonaux associ es au produit scalaire avec poids (x). Alors q q v (x) = Cn+1 hn+1 (x) et x IPq , alors x = q i=0 i hi (x), ainsi
b q b

x v (x)(x) dx = Cn+1
a i=0 a

i hi (x)hn+1 (x)(x) dx = 0,

car 0 i q n. La m ethode dint egration de Gauss-Legendre. Les polyn omes de Legendre pour (x) = 1, a = 1 et b = 1 sont donn es par la formule suivante : Ln (x) = et ils v erient : On a (n + 1)Ln+1 (x) (2n + 1)xLn (x) + nLn1 (x) = 0. L0 (x) = 1 L1 (x) = x, 1 1 3 L2 (x) = x2 , ses racines sont x = , 2 2 3 3 5 L3 (x) = x3 x, ses racines sont x = 0, x = 2 2 Dans la m ethode dint egration suivante 1 1 f (x) dx f ( ) + f ( ), 3 3 1 les coecients et sont calcul es pour que la m ethode soit exacte pour IP1 , par contre le degr e de pr ecision est forcement 3, la m ethode est exacte pour IP3 . La m ethode suivante
1 1 1

1 dn 2 (x 1)n , 2n n! dxn

3 . 5

f (x) dx f (
1 1x2 1

3 ) + f (0) + f ( 5

3 ) 5

est exacte pour IP5 . Gauss-Tchebychev. (x) =

sur ] 1, 1[.
n

avec xi = cos

1 dx f (x) 1 x2 1

ci f (xi ),
i=0

2i + 1 , les racines des polyn omes de Tchebychev . 2n + 2

5.5. INTEGRATION NUMERIQUE DUNE FONCTION EN 2D

57

5.5. Int egration num erique dune fonction en 2D Soit un domaine polygonale. On recouvre exactement par des domaines el ementaires du type triangle (ou du type rectangle). Le domaine est partitionn e en N triangles Ki : La m ethode composite s ecrit alors
K
N

= N i=1 Ki

f (x, y ) dxdy =
i=1 Ki

f (x, y ) dxdy. (5.16)

Il sut alors de d eterminer une approximation de Ki f pour obtenir celle sur . Comme en dimension 1, on va construire des m ethodes dint egrations sur un triangle de r ef erence xe K et puis en d eduire celle sur un triangle quelconque.

dans K. Soit K le triangle de r Transformation ane de K ef erence de sommets A = (0, 0), B = (1, 0) et C = (0, 1). On d esigne par K un triangle quelconque de sommets A = (x1 , y1 ), B = (x2 , y2) et C = (x3 , y3 )
= (0, 1) C FK C = (x3, y3 )

B = (x2, y2)

= (0, 0) A

= (1, 0) B

A = (x1, y1)

On cherche la transformation ane inversible K FK : K F x = y x y = a11 x + a12 y + b1 . a21 x + a22 y + b2

Lapplication FK est d etermin ee de fa con unique par ) = A, FK (B ) = B, FK (C ) = C. FK (A

58

CHAPITRE 5. INTEGRATION NUMERIQUE

en eet F 0 0 1 F 0 0 F 1 = = = x1 y1 x2 y2 x3 y3 = b1 = x1 , b2 = x2 = a11 = x2 x1 , a21 = y2 y1 , = a12 = x3 x1 , a22 = y3 y1 . x2 x1 y2 y1 x3 x1 y3 y1 b1 x + b2 y

Lapplication FK s ecrit ) = X = JK X +b= FK (X

avec JK d epend de K et FK est inversible det JK = 0. On a det JK = (x2 x1 )(y3 y1 ) (y2 y1 )(x3 x1 ). On montre que |det JK | = 2 aire(K ). En eet
C = (x3, y3)

H B = (x2, y2 ) A = (x1, y1)

| On a aire(K ) = H |AB . 2 On consid` ere les deux vecteurs AB et AC , on a |AB AC | = |AB ||AC | sin , H or sin = |AC , aussi |AB AC | = |

|AB |H = 2 aire(K ). Dautre part,

AB AC =

x3 x1 x2 x1 y3 y1 y2 y1 = (x2 x1 )(y3 y1 ) (y2 y1 )(x3 x1 ).

), on a Changement de variable. On pose X = FK (X f (x, y ) dxdy =


K K

)|det FK | dx (f FK )(X d y , ) dx (f FK )(X d y , (5.17)

soit encore f (x, y ) dxdy = 2 aire(K )


K K

cette formule est tr` es int eressante car on conna t aire(K ) en fonction des coordonn ees des sommets et en posant g = f FK , il sut alors de construire des formules dint egrations sur le triangle de r ef erence K . Exemple 1 : Int egration par IP1 -sommets. On cherche , et pour que la m ethode
K

) + g (B ) + g (C ) g ( x, y ) dx d y g (A

(5.18)

soit exacte pour les polyn omes de degr e 1. En dimension 2 despace, lespace de polyn omes de degr e 1 est de dimension 3, IP1 =< 1, x , y >.

5.5. INTEGRATION NUMERIQUE DUNE FONCTION EN 2D


1 2

59

Pour g = 1 ; Pour g = x ;

dx d y =

=++
1 1x 0 1

x dx d y =
0

x dy dx =
0

x (1 x ) d x =
1 0

1 = . 6 1 = . 6

Pour g = y ;
1 K

y dx d y =
0 0

1x

y dy dx =

1 2

(1 x )2 d x =

La m ethode est compl` etement d etermin ee par 1 ) + g (B ) + g (C )). g ( x, y ) dx dy (g (A 6 K 0n v erie que le degr e de pr ecision est 1 car pour g = x 2 , 1 ) + g (B ) + g (C )) = 1 . (g (A et 6 6
K

(5.19)
1 0

x 2 d x dy =

x 2 (1 x )2 d x =

1 12

Sur un triangle quelconque K , et on utilisant la formule (5.17), il vient f (x, y ) dxdy = 2 aire(K )
K K

) dx (f FK )(X d y

1 ) + (f FK )(B ) + (f FK )(C ) = 1 aire(K )(f (A) + f (B ) + f (C )). aire(K ) (f FK )(A 3 3 Enn, la formule composite sur par int egration IP1 -sommets s ecrit :
N

f (x, y ) dxdy

i=1

aire(Ki ) f (AKi ) + f (BKi ) + f (CKi ) , 3

(5.20)

avec AKi , BKi , CKi sont les trois sommets du triangle Ki . Erreur dint egration (voir TA 2007). Exemple 2 :Int egration par IP1 -centre de gravit e. La m ethode suivante 1 1 1 g ( x, y ) dx d y g ( , ), 2 3 3 K est exacte pour IP1 . Sur un el ement K quelconque,
K

(5.21)

f (x, y ) dxdy aire(K )f (xG , yG ),

(5.22)

avec (xG , yG ) est le barycentre du triangle K .

60

CHAPITRE 5. INTEGRATION NUMERIQUE

1 = ( 1 , 0), M 2 = (0, 1 ) et M 3 = Exemple 3 : Int egration par IP1 -milieu. Soient M 2 2 1 1 . La m ( 2 , 2 ) les milieux des trois c otes du triangle K ethode dint egration suivante
K

1 ) + g (M 2) + g (M 3 ), g ( x, y ) dx d y g (M

(5.23)

est d etermin ee pour IP1 comme pr ec edemment et s ecrit 1 1 ) + g (M 2 ) + g (M 3) . (5.24) g ( x, y ) dx d y g (M 6 K Par contre le degr e de pr ecision est 2, la m ethode est alors exacte pour IP2 =< 2 2 1, x , y , x ,y ,x y >. Cette m ethode est int eressante car elle est plus pr ecise que la m ethode IP1 -sommets et IP1 -barycentre et utilise uniquement trois points.

CHAPITRE 6 RESOLUTION NUMERIQUES DES EDO

6.1. Le probl` eme de Cauchy 6.1.1. Les equations du premier ordre. Soit f une fonction d enie de [t0 , T ] R R. Le probl` eme de Cauchy consiste ` a trouver une fonction y : [t0 , T ] R solution de y (t) = f (t, y (t)), y (t0 ) = y0 t [t0 , T ] (6.1)

La condition y (t0 ) = y0 est une condition initiale ou la condition de Cauchy. Si on suppose que la fonction f est continue par rapport aux deux variables t, y et que f est uniform ement Lipschitzienne par rapport ` a y cest ` a dire que L > 0, t [t0 , T ], y1 , y2 R, |f (t, y1) f (t, y2| L|y1 y2 |, alors le probl` eme de Cauchy admet une unique solution y C 1 ([0, T ]) ( Cest le Th eor` eme de Cauchy). Le probl` eme de Cauchy est un probl` eme d evolution, cest ` a dire ` a partir de la condition initiale, on peut calculer la solution ` a linstant t comme
t

y (t) = y (t0) +
t0

f (s, y (s)) ds,

(6.2)

et donc la solution ` a linstant t d epend uniquement de la solution aux instants t0 s t. La solution (6.2) ne donne pas y de fa con explicite sauf dans des cas simples. 6.1.2. Les syst` emes du 1er ordre. Ils s ecrivent sous la forme suivante Y (t) = F (t, Y (t)), Y (t0 ) = Y0 t [0, T ] (6.3)

avec Y = (y1, y2 , ...., yN ), F : [t0 , T ] RN RN d enie par F (t, Y ) = (f1 (t, Y ), f2 (t, Y ), ..., fN (t, Y )).

62

CHAPITRE 6. RESOLUTION NUMERIQUES DES EDO

6.1.3. Les equations di erentielles dordre >1. Exemple. L equation du pendule g (t) = L sin (t) (0) = 0 (t) = 1 Ce syst` eme se ram` ene ` a un syst` eme dordre 1 en posant y1 (t) = (t), y2 (t) = (t) ainsi
y1 (t) = (t), y2 (t) = (t) =

(6.4)

On note Y (t) = equivalente ` a 0 . 1

y1 (t) y2 (t)

et F (t, Y (t)) =

g g sin (t) = sin y1 (t). L L y2 (t) alors l equation (6.6) est g L sin y1 (t)

Y (t) = F (t, Y (t)) avec Y (0) =

Dans le cas g en eral dune equation di erentielle de la forme : u(p) (t) = h(t, u, u(t), , u(p1) (t)) u(j )(0) = u0 j , j = 0, p 1 (6.5)

On se ram` ene ` a un syst` eme dordre 1 en posant : y1 = u, y2 = u , , yp = u(p1) , soit encore = y2 y1 = u = y1 (6.6) y2 = u = y2 = u = y3 (p1) (p) yp = u = yp = u = h(t, y1 , y2 , , yp ) Remarque 6.1. Probl` eme de Cauchy = probl` eme aux limites

6.2. Approximation num erique des equations di erentielles dordre 1 Le but est d etudier des m ethodes num eriques consistantes et stables permettant le calcul de bonnes approximations de la solution exacte de ledo (6.1). La m ethode la plus c el` ebre est celle de Euler. M ethode de Euler. On se donne une subdivision de I = [t0 , T ] en N intervalles de pas h dessin h = tn+1 tn

6.3. SCHEMAS CLASSIQUES

63

La m ethode dEuler consiste ` a approcher y (tn ) par la formule de Taylor comme suit : y (tn+1 ) = y (tn ) + hy (tn ) + O(h2 ) soit y (tn ) = y (tn+1) y (tn ) + O(h) = f (tn , y (tn )) h

Soit yn une approximation de y (tn ) (yn y (tn )), le sch ema dEuler s ecrit yn+1 = yn + hf (tn , yn ), n = 0, N 1, y (0) = y0 . Interpr etation de la m ethode dEuler (6.7)

D enition 6.1. Un Sch ema ` a un pas si yn+1 est une fonction de tn et yn uniquement. Le sch ema de Euler est un sch ema ` a un pas. Un Sch ema ` a deux pas si yn+1 est une fonction de (tn yn ) et de (tn1 , yn1) uniquement. Un Sch ema ` a k pas si yn+1 est une fonction de (tn yn ), (tn1 , yn1 )... (tn(k1) , yn(k1) ). Un sch ema ` a k pas est explicite si on peut exprimer yn+1 sous la forme yn+1 = E (tn , tn1 , .., tn(k1) , yn , yn1 , ..., yn(k1)). Le sch ema dEuler est explicite. Un sch ema ` a k pas est implicite si yn+1 est solution dune equation non lin eaire de la forme yn+1 = I (tn+1 , tn , tn1 , .., tn(k1) , yn+1 , yn1, ..., yn(k1) ).

6.3. Sch emas classiques Une fa con dobtenir une multitude de sch emas est dint egrer ledo sur [tn , tn+1 ] :
tn+1

y (tn+1) y (tn ) = et ensuite dapprocher lint egrale. Par exemple

f (t, y (t) dt
tn

64

CHAPITRE 6. RESOLUTION NUMERIQUES DES EDO

f(tn,y(tn))

tn

111111111111111111111111 000000000000000000000000 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 f(tn+1,y(tn+1)) 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111
tn+1

Int egration par la m ethode des rectangles ` a gauche,


tn+1 tn

f (t, y (t) dt hf (tn , y (tn )) yn+1 = yn + hf (tn , yn ).

ce qui donne le sch ema dEuler explicite

Euler explicite

f(tn,y(tn))

Int egration par la m ethode des rectangles ` a droite,


tn+1

111111111111111111111111 000000000000000000000000 f(tn+1,y(tn+1)) 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111
tn tn+1

tn

f (t, y (t) dt hf (tn+1 , y (tn+1))

ce qui donne le sch ema dEuler implicite yn+1 = yn + hf (tn+1 , yn+1), yn+1 est solution dune equation non lin eaire.

Euler implicite

f(tn,y(tn))

tn

111111111111111111111111 000000000000000000000000 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 f(tn+1,y(tn+1)) 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111
tn+1

Int egration trap` ezes,


tn+1

par

la

m ethode

des

h f (tn , y (tn ))+f (tn+1, y (tn+1 )) 2 tn ce qui donne le sch ema ` a un pas implicite h yn+1 = yn + f (tn , yn )+f (tn+1 , yn+1 ) 2 f (t, y (t) dt

M ethode des trap` ezes

` UN PAS 6.4. ETUDE DES METHODES A

65

Int egration par la m ethode du point milieu,


f(tn,y(tn))

111111111111111111111111 000000000000000000000000 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 f(tn+1,y(tn+1)) 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111 000000000000000000000000 111111111111111111111111
tn
(tn+tn+1)/2

tn+1

Point Milieu

h h f (t, y (t) dt hf (tn + , y (tn + )) 2 2 tn On conna t uniquement la valeur de yn , et pour donner une approximation de la solution au point tn + h on utilise le 2 sch ema dEuler explicite : h h y (tn + ) y (tn ) + f (tn , y (tn )), 2 2 le sch ema dEuler modi e s ecrit h h yn+1 = yn + h f (tn + , yn + f (tn , yn ) 2 2

tn+1

6.4. Etude des m ethodes ` a un pas Dans les m ethode ` a un pas, le calcul de yn+1 fait intervenir tn , yn , h que lon peut ecrire sous la forme yn+1 = yn + h(tn , yn , h), n = 0, N 1 (6.8) y0 donn e. Dans le paragraphe pr ec edent, plusieurs sch emas num eriques ont et e pr esent es et an de les comparer plusieurs crit` eres seront etudi es : Consistance, ordre dapproximation Stabilit e num erique Convergence A-stable(comportement pour T grand) Bien conditionn ee (choix de h pour r eduire le temps de calcul). D enition 6.2. (Convergence) Soit en = yn y (tn ) lerreur locale de convergence. La m ethode est convergente si
n=0,N

max |en | 0 quand N .

(6.9)

D enition 6.3. (Consistance) Le sch ema approche-t-il l equation ? Si on remplace la solution approch ee par la solution exacte dans le sch ema num erique, quelle est lerreur commise en fonction de h ? Pour ceci, on d enit lerreur locale de consistance En = y (tn+1 ) y n+1 , ema issue de y (tn ) : avec y n+1 est la solution du sch y n+1 = y (tn ) + h(tn , y (tn ), h). (6.11) (6.10)

66

CHAPITRE 6. RESOLUTION NUMERIQUES DES EDO

On dit que le sch ema est consistant dordre p 1 si

K > 0 telle que |En | Khp+1 .

(6.12)

D enition 6.4. (Stabilit e) Cest une propri et e du sch ema num erique. Un sch ema est stable signie quune petite perturbation sur les donn ees (y0 , ) nentra ne quune petite perturbation sur la solution ind ependamment de h. Plus pr ecis ement, soient {yn }n , {zn }n , n = 0, N , les solutions de yn+1 = yn + h(tn , yn , h), y0 donn e. n = 0, N 1 (6.13)

et

zn+1 = zn + h((tn , zn , h) + n ), n = 0, N 1 (6.14) z0 donn e. La m ethode est dite stable sil existe deux constantes M1 et M2 ind ependantes de h telles que max |yn zn | M1 |y0 z0 | + M2 max |n |. (6.15)
n=0,..,N 0,N 1

Th eor` eme 6.1. (Th eor` eme de Lax Convergence) Soit une m ethode ` a un pas consistante et stable, alors elle est convergente. D emonstration. Le sch ema est consistant, alors y (tn+1 ) = y n+1 + En = y (tn ) + h(tn , y (tn ), h) + En , on pose n = En /h et donc |n | Khp 0 quand h 0 ou N . Comme le sch ema est stable et en prenant zn = y (tn ), on a
n=0,..,N

max |yn y (tn )| M1 |y0 y (t0 )| + M2 max |n |,


0,N 1

ce qui montre
n=0,..,N

max |yn y (tn )| 0,

et le sch ema est convergent. 6.4.1. Stabilit e et consistance. Th eor` eme 6.2. (Condition susante de stabilit e) Si est Lipschtzienne par rapport a y uniform ` ement en h de constante M , alors la m ethode ` a un 1 pas est stable. D emonstration. Soient (yn )n solution de (6.13) et (zn )n solution de (6.14). En faisant la di erence de deux equations, il vient |yn+1 zn+1 | |yn zn | + h|(tn , yn , h) (tn , zn , h)| + h|n |, en tenant compte du fait que est M-Lipschitz, |yn+1 zn+1 | (1 + hM )|yn zn | + h|n |. (6.17) (6.16)

` UN PAS 6.4. ETUDE DES METHODES A

67

On r eutilise cette estimation pour estimer |yn zn |, on d eduit |yn+1 zn+1 | (1 + hM )2 |yn1 zn1 | + (1 + hM )h|n1 | + h|n |, ce qui permet de conclure par r ecurrence que
n

(6.18)

|yn+1 zn+1 | (1 + hM ) On a
n

n+1

|y0 z0 | + h

i=0

(1 + hM )k |nk |.

(6.19)

(1 + hM )k =
i=0

1 (1 + hM )n+1 (1 + hM )n+1 1 = , 1 1 hM hM

dautre part, (1 + hM )n+1 e(n+1)hM e(T t0 )M . De (6.19), on d eduit


n

|yn+1 zn+1 |

(1 + hM )n+1 |y0 z0 | + h (1 + hM )n+1 |y0 z0 | +

i=0

(1 + hM )k max |k |
k =0,n

(1 + hM )n+1 1 max |k | k =0,n M e(T t0 )M 1 e(T t0 )M |y0 z0 | + max |k | k =0,n M


e (T t 0 )M 1 . M

ce qui etablit (6.15) avec M1 = e(T t0 )M et M2 =

6.4.2. Consistance et ordre de consistance. On va d ecrire une m ethode g en erale pour calculer lordre de consistance dun sch ema ` a un pas. On rappelle lerreur de consistance En = y (tn+1 ) y (tn ) h(tn , y (tn ), h). On pose t = tn un point g en erique, et donc En = y (t + h) y (t) h(t, y (t), h). La formule de Taylor donne h3 hp h2 y (t) + y (3) (t) + .... + y (p) (t) + .... (6.20) 2! 3! p! h2 2 hp1 p1 (t, y (t), h) = (t, y (t), 0) + h (t, y (t), 0) + ( t, y ( t ) , 0) + ... + (t, y (t), 0) + ... h 2! 2 h (p 1)! p1 h (6.21) y (t + h) = y (t) + hy (t) +

68

CHAPITRE 6. RESOLUTION NUMERIQUES DES EDO

alors En =h y (t) (t, y (t), 0) + h2 1 y (t) (t, y (t), 0) 2 h h3 1 (3) 1 (p) 2 hp p 1 + y (t) 2 (t, y (t), 0) + ... + y (t) p1 (t, y (t), 0) . 2! 3 h (p 1)! p h

On conclut que : Le sch ema est au moins dordre 1 (consistant) si

(t, y (t), 0) = y (t) = f (t, y (t)) Le sch ema est au moins dordre 2 si de plus 1 1d (t, y (t), 0) = y (t) = f (t, y (t)) h 2 2 dt 1 t f (t, y (t)) + y (t)y f (t, y (t)) 2 1 = t f (t, y (t)) + f (t, y (t))y f (t, y (t) . 2 =

Le sch ema est au moins dordre 3 si de plus 2 1 (3) 1 d2 ( t, y ( t ) , 0) = y ( t ) = f (t, y (t)) 2h 3 3 dt2 Le sch ema est au moins dordre p si de plus 1 (p) 1 d p 1 p 1 ( t, y ( t ) , 0) = y ( t ) = f (t, y (t)). p 1 h p p dtp1 On dispose alors du r esultat de convergence suivant : Th eor` eme 6.3. Soit Lipschitz par rapport ` a y (stabilit e) et v eriant (t, y (t), 0) = f (t, y (t)) pour tout t (consistance). Alors le sch ema (6.8) est convergent. Application. Le sch ema dEuler est convergent. 6.4.3. La m ethode de Runge-Kutta. Pour calculer une approximation de la solution ` a linstant tn+1 en fonction de celle de tn , la m ethode de Runge-Kutta utilise q solutions interm ediaires en fonction de yn . La m ethode de Runge-Kutta de rang q sous sa forme g en erale s ecrit : q aij f (tn,j , yn,j ) i = 1, ..., q y = y + h n,i n j =1
q

Cest une m ethode ` a un pas et elle redonne la plupart des m ethodes d ej` a vues. Pour q quelconque, on peut trouver des conditions sur les coecients bi , ci , aij pour que la

bi f (tn,i , yn,i) yn+1 = yn + h i=1 tn,i = tn + ci h i = 1, ..., q

` PAS MULTIPLE 6.5. METHODES A

69

m ethode soit consistante, dordre 2, ... La m ethode de Runge-Kutta classique de rang 4 (ordre 4) : yn,1 = yn , yn,2 = yn + h f (tn , yn,1 ), 2 h yn,3 = yn + 2 f (tn + h/2, yn,2), yn,4 = yn + hf (tn + h/2, yn,3), y h h h h n+1 = yn + 6 f (tn , yn,1 ) + 3 f (tn + h/2, yn,2) + 3 f (tn + h/2, yn,3 ) + 6 f (tn + h, yn,4 ). (6.22) est la plus employ ee pour r esoudre une edo. 6.5. M ethodes ` a pas multiple

CHAPITRE 7 TRAVAUX DIRIGES

7.1. Syst` emes lin eaires creux 7.1.1. Exercice 7.1. (Erreurs darrondi) Soit S une sph` ere dans R3 de rayon R et tangente ` a un seul plan de coordonn ees. Soit une autre sph` ere s, de rayon r et tangente au plan de coordonn ees et ` a S. 1. Faire un dessin, et trouver le rapport des de 2 sph` eres z = v/V . volumes 6 3 1) 2) 2 . Faire un tableau de z en 2. V erier que z = ( 2 = (3 2 = 99 70 ee par : 1.4, 1.414 , 1.4142136 . fonction des valeurs de 2 approch Exercice 7.2. 1. Les matrices suivantes sont elles sym etriques, hermitiennes : A1 = 1 2+i 1 2i 2+i 2 2+i 2 .

A2 =

2. Soit A une matrice sym etrique. Montrer que A hermitienne ssi A r eelle. N t 3. Montrer que (Ax, y ) = (x, A y ) dans C et (Ax, y ) = (x, Ay ) dans RN . 4. Soit A une matrice d enie positive alors les el ements diagonaux sont strictement positifs. 5. Soit A une matrice unitaire (ou orthogonale) alors Ax 2 = x 2 et |detA| = 1. 6. Montrer que les matrices semblables ont le m eme polyn ome caract eristique. 7. Montrer que si A est hermitienne alors ses valeurs propres sont r eelles. 8. Montrer que toute matrice sym etrique r eelle est d enie positive ssi toutes ses valeurs propres sont strictement positives. 9. Soient A et B deux matrices diagonalisables. Montrer que si elles ont les m emes vecteurs propres alors elles commutent entre elles.

72

CHAPITRE 7. TRAVAUX DIRIGES

Exercice 7.3. Soit A = (aij )ij , i, j = 1, N une matrice triangulaire inf erieure, cest ` a dire aij = 0 pour j > i. 1. Donner une CNS pour que A soit inversible et trouver ses valeurs propres. 2. R esoudre AX = b, avec A = (aij )1i,j N , X = (xi )i=1,N , et b = (bi )i=1,N . En d eduire alors que si bi = 0 pour i < k et bk = 0 alors xi = 0 pour i < k et xk = 0 3. Montrer que le produit de deux matrices triangulaires inf erieures est une matrice triangulaire inf erieure. 4. Montrer que linverse dune matrice triangulaire inf erieure est une matrice triangulaire inf erieure. 5. Ecrire en language libre un algorithme de r esolution de AX = b. Exercice 7.4. Normes matricielles. On rappelle les normes suivantes sur RN : 1 N 2 2 x 1= N i=1 |xi |, x = maxi=1,N |xi | et x 2 = ( i=1 |xi | ) . Soit A une matrice carr ee A = (aij )i,j , i, j = 1, N . On d enit la norme induite ou subordonn ee associ ee ` a une norme vectorielle par Ax p A p = max Ax p = max x=0 x p =1 x p Montrer que 1. A 1 = maxj =1,N N i=1 |ai,j |. 2. A = maxi=1,N N j =1 |ai,j |. ) 3. Si B est r eelle et sym etrique, alors min (B ) (Bx,x max (B ) (quotient de Rayx 2 2 leigh). De plus, (Bx, x) = max (B ), max x=0 x 2 2 (Bx, x) min = min (B ). x=0 x 2 2 En d eduire que A 2 = (t AA) (A est r eelle). 4. Montrer que (A) A . 5. Calculer les normes 1, et 2 pour la matrice 4 1 0 1 10 0 0 0 1

Exercice 7.5. Conditionnement dune matrice : condp A = A 1. V erier les propri et es suivantes : (a) condA 1, cond(A) = condA, R. max |(A)| . (b) A r eelle et sym etrique alors cond2 A = min |(A)|

A1 p .

` 7.1. SYSTEMES LINEAIRES CREUX

73

(c) U orthogonale alors cond2 U = 1 et cond2 (UA) = cond2 (A) = cond2 (AU ). 2. Soient x et x + x les solutions des syst` emes lin eaires Ax = b et A(x + x) = b + b. x b Montrer que cond(A) . Conclure. x| b 3. Soient x et x + x les solutions des syst` emes lin eaires Ax = b et (A + A)(x + x) = b. x A Montrer que cond(A) . x + x A A 1 x cond(A) . En d eduire que si A1 A < 1 alors x A (1 A1 A ) Exercice 7.6. D ecomposition LU. Soit A une matrice tridiagonale (ai,i1 = ai , ai,i = bi , ai,i+1 = ci ). 1. Trouver L et U telle que A = LU , et ecrire lalgorithme de d ecomposition de A. Donner la complexit e de cet algorithme. 2. R esoudre le syst` eme lin eaire Ax = b. 3. Application. R esoudre 2 1 0 0 x1 1 1 2 1 0 x2 0 0 1 2 1 x3 = 0 1 0 0 1 2 x4

Exercice 7.7. Probl` eme de diusion 1D. La discr etisation du probl` eme de Laplace a une seule variable despace : ` u (x) = f (x), 0 < x < L u(0) = u(L) = 0 par un sch ema aux di erences nies sur un maillage ` a pas xe h =
1 (ui1 h2 L N +1

(7.23) s ecrit : (7.24)

+ 2ui ui+1 ) = fi , i = 1, N u0 = uN +1 = 0

1. Ecrire le syst` eme lin eaire (7.24) sous forme AU = F . Montrer que la matrice A est sym etrique et d enie positive. 2. V erier que les vecteurs propres de la matrice A sont les vecteurs Vk , avec (Vk )i = 2 4 h sin(k ih ) la i` eme composante, associ es aux valeurs propres k = h 2 sin (k 2L ). L 3. Donner cond2 A. La matrice est-elle bien conditionn ee. Exercice 7.8. Probl` eme de diusion 2D. Soit D = [0, a] [0, b], on consid` ere le probl` eme
u (x, y ) x2
2

= f (x, y ) dans D u = 0 sur D

2u (x, y ) y 2

(7.25)

74

CHAPITRE 7. TRAVAUX DIRIGES


a N +1

La discr etisation par di erences nies sur un quadrillage uniforme de pas x = b y = M +1 est :

et

1 1 (ui1,j + 2ui,j ui+1,j ) + 2 (ui,j 1 + 2ui,j ui,j +1) = fi,j ; 1 i N, 1 j M 2 x y (7.26) avec ui,0 = ui,M +1 = u0,j = uN +1,j = 0. 1. Soit le vecteur U = (um ) avec m = i + (j 1)N . Pour N = M = 5 ecrire le syst` eme sous la forme AU = F . Montrer A est inversible et d enie positive. 2. V erier que les vecteurs propres de la matrice sont les vecteurs u(p,q) d enis par (u(p,q) )i,j = sin(p Les valeurs propres associ ees sont p,q = x 4 y 4 2 2 sin ( p ) + sin ( q ) x2 2a y 2 2b ix jy ) sin(q ). a b

3. On suppose x = y , calculer cond2 A. 4. Donner la matrice A associ ee aux graphes suivants :


11 12 13 14 15 11 16 20 23 25

22 21

23

24

25

12

17

21

24

10

13

18

22

16

17

18

19

20

14

19

10

15

Figure 1. Inuence de la num erotation. Maillage Z` ebre ` a gauche, maillage diagonale ` a droite.

7.2. METHODES ITERATIVES

75

7.2. M ethodes it eratives Exercice 7.9. Appliquer la m ethode 5 1 A= 0 0 1 it erative de Jacobi au syst` eme Ax = b o` u 1 0 0 2 5 1 0 0 1 5 1 0 0 1 5 1 0 0 0 5

et montrer que la m ethode est convergente.

Exercice 7.10. M ethode de Jacobi avec param` etre. Soit A une matrice n n inversible avec aii = 0 et b Rn . On veut r esoudre le syst` eme Ax = b. On note D la matrice diagonale constitu ee de la diagonale de A. Soit = 0, on etudie la m ethode it erative xk+1 = (I D1 A)xk + D1 b 1. Montrer que si xk converge vers x alors x est solution. 2. Exprimer les coecients de la matrice D 1 A en fonction des coecients de la matrice A. 3. On suppose A est ` a diagonale strictement dominante et 0 < 1. Montrer que la m ethode est bien d enie et I D1 A En d eduire la convergence de la m ethode. Exercice 7.11. M ethode de Jacobi et de Gauss-Seidel Soit A la matrice du syst` eme lin eaire Ax = b, d enie par : aii = i + 1, i = 1, n ; ai+1,i = 1, i = 1, n 1 ; ai,i+1 = i, i = 1, n 1.

< 1.

1. Calculer la matrice dit eration J de Jacobi. Calculer J , J 1 . Conclure. 2. Soit G la matrice dit eration de Gauss-Seidel. On pose L = D 1 E et U = D 1 F , montrer que G = (I L)1 U . Montrer que le polyn ome caract eristique de G s ecrit 1 PG () = N det(I L U ),
1 et si || 1 alors det(I L U ) = 0. En d eduire que la m ethode est convergente. 3. Le fait davoir trouv e une m ethode it erative (au moins) convergente prouve que la matrice A est inversible. Pourquoi ? 4. D ecrire lalgorithme de calcul de la m ethode de Gauss-Seidel appliqu ee ` a cet exemple.

76

CHAPITRE 7. TRAVAUX DIRIGES

Exercice 7.12. Double Gauss-Seidel. Soit A une matrice r eelle, sym etrique et d enie positive. on consid` ere le splitting A = D E F avec D la diagonale, E la partie T inf erieure de A et F = E . On d enit la m ethode it erative suivante : x0 arbitraire (D E )yk+1 = F xk + b (7.27) (D F )xk+1 = Eyk+1 + b 1. Montrer que les it er es sont bien d enis. 2. Montrer que la m ethode est consistante ( c-` a-d si xk x alors Ax = b) 3. Ecrire les matrices G et H telles que xk+1 = Gxk + Hb. 4. En posant L = D ED et U = D 2 F D 2 , montrer que G est semblable ` aB = 1 1 1 (I U ) L(I L) U et que la matrice B s ecrit egalement B = (I U ) (I L)1 LU . 5. On suppose Sp(G) R+ , montrer que la m ethode est convergente. Exercice 7.13. M ethode des directions altern ees Soit A une matrice carr ee telle que A = H + V o` u H une matrice r eelle sym etrique d enie positive (c-` a-d (Hx, x) > 0, x = 0) et V une matrice r eelle sym etrique semi-d enie positive (c-` a-d (V x, x) 0, x) . Pour r esoudre le syst` eme Ax = b, on consid` ere la m ethode it erative suivante : x0 arbitraire (I + H )yk+1 = (I V )xk + b (7.28) (I + V )xk+1 = (I H )yk+1 + b avec I la matrice identit e. 1. Montrer que les it er es sont bien d enis. 2. Montrer que la m ethode est consistante ( c-` a-d si xk x alors Ax = b). 3. Donner la matrice dit eration T telle que xk+1 = T xk + g, (7.29) = (I H )(I + H )1(I V )(I + V )1 . Montrer que T est semblable ` aT 4. Montrer que (a) la matrice (I H )(I + H )1 est sym etrique, 1 i avec i une valeur propre de H , (b) (I H )(I + H )1 2 = max i 1 + i (c) (I H )(I + H )1 2 < 1. 5. Montrer que (I V )(I + V )1 2 1. ) T 2 . En d 6. Montrer que (T eduire que la m ethode it erative est convergente. Exercice 7.14. Soit A une matrice sym etrique d enie positive de valeurs propres 0 < 1 2 N .
1 2 1 2
1 1

7.3. INTERPOLATION ET APPROXIMATION

77

Pour r esoudre le syst` eme lin eaire Ax = b, on consid` ere la m ethode de Richardson suivante xk+1 = xk + (b Axk ), = 0, avec un r eel non nul. 1. Montrer que la m ethode est consistante. 2. Ecrire la matrice dit eration et montrer que pour 0 < < 2/N , la m ethode est convergente. 3. Soit fi () = |1 i |, i = 1, N . Tracer f1 (),fN () et fi () pour i = 1 et i = N . 4. Trouver le meilleur choix de , not e opt , cest ` a dire celui qui minimise (I A) cond2 (A)1 et montrer que (I opt A) = cond2 (A)+1 Exercice 7.15. Valeur propre de plus grand module. Soit A une matrice r eelle et sym etrique. On suppose que les valeurs propres de A v erient : |1 | > |2 | ... |N |. 1. Soit x0 un vecteur non nul de RN , on construit par r ecurrence ` a partir de x0 , une suite de r eels Rk par : xk+1 = Axk (7.30) <xk ,xk+1 > Rk = <x k ,xk > avec < , > d esigne le produit scalaire dans RN . Montrer que si x0 nest pas orthogonal a lespace propre associ ` e` a 1 , alors
2 | 2 avec un facteur de convergence de lordre de ( || ) . 1| 2. Proposer un algorithme pour calculer la plus petite valeur propre en module.

On cherche ` a calculer num eriquement la valeur propre 1 .

Rk 1 quand k ,

7.3. Interpolation et approximation Exercice 7.16. Interpolation de Lagrange 1. Ecrire le polyn ome dinterpolation associ e aux points : 2. Soient f (x) = cos(x) et g (x) = e3x d enies sur [0, 1], estimer le nombre minimum n de points pour que lerreur entre la fonction et son polyn ome dinterpolation soit inf erieure ` a 0.1, 0.01 , 0.001. (xi , f (xi )) = (1, 3/2), (1/2, 0), (0, 1/4), (1/2, 0), (1, 0).

78

CHAPITRE 7. TRAVAUX DIRIGES

3. D eterminer le polyn ome q de degr e minimum tel que q (1) = 8, q (0) = 1, q (1) = 2, q (3) = 196, q (3) = 299 Exercice 7.17. Interpolation de Hermite Soient f C 1 ([a, b]) et x1 , x2 deux points distincts. Soit p un polyn ome de degr e3 v eriant p(xi ) = f (xi ) et p (xi ) = f (xi ) pour i = 1, 2 1. Montrer quun tel polyn ome unique. 2. Existence. Trouver une base (A1 , A2 , B1 , B2 ) de P3 telle que p(x) = f (x1 )A1 (x) + f (x2 )A2 (x) + f (x1 )B1 (x) + f (x2 )B2 (x), et exprimer cette base en fonction des polyn omes dinterpolation de Lagrange L1 et L2 . 3. Etablir la majoration dinterpolation suivante : si f C 4 ([a, b]), alors il existe ]a, b[ tel que (x x1 )2 (x x2 )2 (4) f ( ) f (x) p(x) = 4! 4. D ecrire les polyn omes dinterpolation de Hermite dans le cas g en eral. Exercice 7.18. Approximation. 1. Trouver a tel que 2. Trouver b tel que sin x a sin x b
) L (0, 2 2 L2 (0, ) 2

= max | sin x a| soit minimal.


0x 2
2

=
0

3. Trouver le polyn ome de degr e 1 qui r ealise la meilleure approximation au sens des 1 x 2 moindres carr es de f (x) = x 4 + 4 pour la norme L2 ([1, 1]). 4. Trouver le polyn ome de degr e 2 qui r ealise la meilleure approximation au sens des moindres carr es discrets associ es ` a : (xi , yi) = (1, 3/2), (1/2, 0), (0, 1/4), (1/2, 0), (1, 0). 5. Soient (x1 , y1), ..., (xm , ym ) des points de R2 , m 2. Ecrire les equations v eri ees par
m

| sin x b|2 dx soit minimal.

(a) min
a,b i=1

|yi axi b|2


m i=1

(b) minc,d

|xi cyi d|2

Exercice 7.19. 1. Montrer que le polyn ome P de degr e minimum tel que P (0) = 0, P (1) = 2, P (1) = 0, P (1) = 1 est unique. Dire rapidement comment construire P . 2. Montrer que lespace vectoriel H = {v C 1 [0, 2], v IP2 sur [0, 1], v IP2 sur [1, 2]} est de dimension 4 (IP2 est lensemble des polyn omes de degr e deux en dimension un).

7.4. INTEGRATION NUMERIQUE

79

2 3. V e rier que les fonctions v ( x ) = 1 , v ( x ) = 5( x 1) 3(x 1), v4 (x) = , v ( x ) = 1 2 3 5(x 1)|x 1| forment une base de H . 4. Soit la fonction f d enie et int egrable sur [0, 2]. Soit v (x) = 4 i=1 i vi (x) H , avec i R, r ealisant la meilleure approximation de f au sens des moindres carr ees pour 2 la norme L (0, 2). Ecrire alors le syst` eme lin eaire v eri e par le vecteur X de composantes i , i = 1, 4. D eterminer compl` etement la matrice du syst` eme lin eaire. Exercice 7.20. Meilleure approximation au sens de Tchebychev Dans la majoration de lerreur dinterpolation de Lagrange, il est int eressant de chercher les points xi de telle sorte que :
x[1,1]

max |(x x0 )...(x xn )| soit minimal.

Soit les polyn omes de Tchebychev d enis par Tn (x) = cos(n arccos(x)) pour x [1, 1] et n 0. 1. V erier que T0 (x) = 1, T1 (x) = x, Tn+1 (x) = 2xTn (x) Tn1 (x) et en d eduire que Tn n1 n est un polyn ome de degr e n de la forme Tn (x) = 2 x + ... 2. Donner les racines et les extremum de Tn . 3. Soit q (x) = 2n1 xn + ... et q (x) = Tn (x). Montrer que
x[1,1]

max |Tn (x)| < max |q (x)|.


x[1,1]

Conclure 4. Etendre ce r esultat ` a un intervalle [a, b]. 1 d enie sur [8, 8] avec : 5. Comparer la fonction f (x) = 1+ x2 le polyn ome dinterpolation obtenu ` a partir de n = 10, 20, .. points equidistants le polyn ome dinterpolation obtenu ` a partir de n = 10, 20, .. points de Tchebychev. 7.4. Int egration num erique Exercice 7.21. Formule de moyenne. 1. D eterminer la formule de quadrature suivante 1 g (t) dt g ( ) 2 0 pour quelle soit exacte pour des polyn omes de degr e le plus haut possible. 2. Donner une estimation de lerreur dint egration. 3. Soit {xi }, i = 0, ..., M une subdivision de [a, b] de pas h. Utiliser la formule de b moyenne composite pour approcher a f (x)dx. 4. Soit = 101 , 102 , 108, trouver M pour que cette formule de quadrature approche 2 3 sin(x)ex dx avec une pr ecision 0
1

80

CHAPITRE 7. TRAVAUX DIRIGES

Exercice 7.22. Formule de Simpson. 1. D eterminer la formule de quadrature


1 1

g (x)dx g (1) + g (0) + g (1)


b a

et donner lerreur lint egration. 2. Sur une subdivision de pas h de lintervalle [a, b], approcher formule de quadrature ci-dessus.

f (x)dx en utilisant la

Exercice 7.23. Construire les formules dint egration num erique ci-dessous, degr e de pr ecision, erreur dint egration
a+h a

2h h f (x)dx 0 f (a) + 1 f (a + ) + 2 f (a + ) + 3 f (a + h) 3 3
1 0 1 1 1 1

g (t) dt Ag (0) + Bg (t0 )

g (t) dt g (1) + g (0) + g (1) g (t) dt g (1) + g (0) + g (1)


+ 0

Exercice 7.24. On veut calculer num eriquement lint egrale J = 1. En majorant


1 1+x6

1 dx. 1 + x6

par

1 , x6

d eterminer un nombre a > 0 tel que


+ a

1 dx , 1 + x6

avec un r eel positif donn e. 2. D eterminer A, B et t0 pour que la formule de quadrature


1 0

g (t)dt Ag (0) + Bg (t0 )

(7.31)

soit exacte pour des polyn omes de degr e deux. Quel est le degr e de pr ecision de la m ethode ? 1 3. On note R(g ) = 0 g (t)dt (Ag (0) + Bg (t0 )). Donner une majoration de lerreur lint egration. 4. Soit {xi }, i = 0, ..., N une subdivision de [0, a] de pas h. Utiliser la formule (7.31) composite pour approcher
a

Ia =
0

f (x)dx,

1 avec f (x) = 1+ . Estimer lerreur dint egration en fonction de h. x6 5. Dire comment approcher lint egrale J ` a pr` es.

7.4. INTEGRATION NUMERIQUE

81

Exercice 7.25. Int egration 2D par IP1 -centre de gravit e 2 = {( = On consid` ere le triangle K x, y ) R ; x 0, y 0, x +y 1} et on note G (1/3, 1/3) son centre de gravit e. 1. D eterminer le coecient pour que la formule dint egration
K

) g ( x, y )dx d y g (G

(7.32)

soit exacte pour les polyn omes de plus haut degr e. 2. on note K le triangle de sommets B(1,0), D=(1,1) et C=(0,1) et Q le carr e [0, 1 [0, 1]. Montrer que
K

g ( x, y )dx d y =

g (1 , 1 )dd

(7.33)

et sur le carr D eduire de ce qui pr ec` ede une formule dint egration K e Q. 3. Soit Qh un carr e de cot e h, Qh = [x0 , x0 + h] [y0 , y0 + h]. En d eduire une formule dint egration sur Qh . 4. Soit h > 0, et un rectangle de cot es Nh et Mh, que lon discr etise en NM carr es de c ot e h. Expliciter la formule dint egration composition sur . Exercice 7.26. M ethode de Gauss-Legendre. On consid` ere la formule de quadrature suivante 1 1 1 f (x)dx f ( ) + f ( ). 3 3 1 1. D eterminer cette formule pour que de degr e de pr ecision soit le plus haut possible et montrer que le degr e de pr ecision est 3. 4 2. On suppose f C ([1, 1]), donner lerreur dinterpolation de Hermite construit sur 1 1 les abscisses de Gauss x0 = et x1 = . En d eduire une majoration de lerreur 3 3 dint egration. 3. Donner les racines du polyn ome de Legendre de degr e 2, que conclure ? 4. Comment choisir (x0 , x1 , , ) dans la formule
b a

f (x)dx f (x0 ) + f (x1 )

pour que le degr e de pr ecision soit maximal. 5. Construire une m ethode de degr e de pr ecision 5, 7, 2n+1. Exercice 7.27. Gauss-Tchebytchef On consid` ere f (x) dx f (x0 ) + f (x1 ). 1 x2 1 Comment choisir x0 , x1 , , pour que le degr e de pr ecision soit maximal. Donner une 1 majoration de lerreur dint egration. Donner une approximation de 1 Arccosx dx. 1x2
1

82

CHAPITRE 7. TRAVAUX DIRIGES

7.5. Equations di erentielles Exercice 7.28. M ethodes ` a un pas Soit f : [a, b] R R uniform ement L-Lipschitz par rapport ` a la deuxi` eme variable. Soit le probl` eme de Cauchy y (t) = f (t, y (t)) y (a) = ya Soit N > 0 , on pose h = (b a)/N et ti = a + ih pour 0 i N . 1. On consid` ere la m ethode dEuler yn+1 = yn + hf (tn , yn ). Montrer que la m ethode est consistante et stable. 2. On consid` ere le sch ema de Runge-Kutta 2 (Euler modi e) suivant h h yn+1 = yn + hf (tn + , yn + f (tn , yn )) 2 2 consistance ? ordre ? convergence ? 3. On consid` ere le sch ema de Taylor ` a un pas suivant yn+1 = yn + h(tn , yn , h) g (t , y ) et g2 (tn , yn ) = f (t , y )+ f (tn , yn ) f (t , y ). avec (tn , yn , h) = f (tn , yn )+ h 2 2 n n t n n y n n Montrer que ce sch ema est consistant et donner lordre de consistance. Montrer que si g2 et L2 -Lipschitz le sch ema est consistant et convergent. Construire des sch emas dordres sup erieurs. 4. Dans les m ethodes ` a un pas, on consid` ere (t, y, h) = a1 f (t, y ) + a2 f (t + p1 h, y + p2 hf (t, y )). Choisir a1 , a2 , p1 , p2 pour que la m ethode soit dordre 2. Etudier la convergence. 5. Appliquer les sch emas pr ec edents ` a l equation y (t) = y (t)sint t (0, ) y (0) = 1 Exercice 7.29. M ethodes implicites Soit f : [a, b] R R uniform ement L-Lipschitz par rapport ` a la deuxi` eme variable. Soit le probl` eme de Cauchy y (t) = f (t, y (t)) y (a) = ya Soit N > 0 , on pose h = (b a)/N et ti = a + ih pour 0 i N . On propose le sch ema suivant pour approcher la solution y (t) : h yn+1 = yn + (f (tn , yn ) + f (tn+1 , yn+1 )) . 2

7.5. EQUATIONS DIFFERENTIELLES

83

1. Montrer que si h < 2/L le sch ema est bien d eni. Donner lordre de ce sch ema. 2. Montrer que pour tout h < h0 < 2/L assez petit, on a |y (tn+1) yn+1| 1+ hL 1 hL 2 |y (tn ) yn | + ch3 , 1 hL 2

avec c une constante positive.. 3. En d eduire que max |y (tn ) yn | Ch2 . 4. On consid` ere ` a pr esent le -sch ema, d eni par yn+1 = yn + hf (tn+1 + (1 )tn , yn+1 + (1 )yn ) . Sous quelles conditions le sch ema est bien d eni. Consistance et ordre du sch ema ?
0nN

Exercice 7.30. On consid` ere l equation di erentielle y (t) = y (t)2 , t [0, T ], et y (0) = 1. Pour calculer une solution approch ee, on propose le sch ema suivant yn+1 = yn hyn yn+1 avec ti = ih et h = T /N . 1. Montrer que 0 < yn 1 pour tout n. 2. Montrer que le sch ema est consistant et donner lordre de consistance. 3. Calculer la solution exacte de (7.34). Calculer y (t1 ), y (t2) et y (tn ) en fonction de h. Calculer y1 , y2 et yn en fonction de h. Conclure. 4. Montrer que le sch ema est convergent. 5. On consid` ere maintenant le syst` eme d equations di erentielles x (t) = y (t)2 x(t), x(0) = x0 , On consid` ere le sch ema suivant y (t) = y (t)2 + x(t), y (0) = y0 . xn+1 = xn + h(yn yn+1 xn+1) (7.35) (7.36) (7.34)

yn+1 = yn + h(yn yn+1 + xn+1)

(a) Montrer que xn + yn = x0 + y0 , pour tout n. (b) Soit Zn = (xn , yn )T , Montrer que Zn+1 est d eni comme solution dun syst` eme lin eaire que lon ecrira. Montrer que si Z0 est positif alors Zn est positif.

84

CHAPITRE 7. TRAVAUX DIRIGES

Exercice 7.31. On consid` ere l equation di erentielle suivante : y (t) = t t y (t) , y (0) = 0.

t ]0, 1[ ,

(7.37)

1. Calculer y (t) en fonction de t et y (t). 2. On note f (t, y ) = t (1 y ) , pour t [0, 1], y R , f f (t, y ) + f (t, y ) (t, y ) . t y On propose le sch ema num erique ` a un pas suivant : etant donn e un entier N 1, on d enit une subdivision r eguli` ere de lintervalle [0, 1] par : Df (t, y ) = ti = i h , i = 0 N, o` u h = 1/N . (7.38) Pour i = 0 N , on approche y (ti ) par yi d eni par r ecurrence par y0 = 0 yi+1 = yi + h f (ti , yi ) +
h2 2

et

Df (ti, yi) ,

i) Soit une suite de r eels positifs (ui ) v erifant u0 = 0 , ui+1 (1 + a) ui + b pour i IN , ui b (7.39)

o` u a et b sont des constantes strictement positive. Montrer que ea i 1 , pour i IN . (7.40) a ii) Quelle relation a-t-on entre y (ti ) et Df (ti , y (ti)). iii) Ecrire le d eveloppement de Taylor ` a lordre 3 de y (ti + h) par rapport ` a h. iv) Montrer que les erreurs dapproximation ei = y (ti ) yi v erient |ei |

h2 eKti 1 M3 , pour i = 0, , N . 6 K o` u M3 = sup |y (3) (t)| et K est une constante positive (ind ependante de h et de N ) ` a pr eciser. Quel est lordre de convergence de la m ethode ? v) R esoudre (7.37).
t[0,1]

Exercice 7.32. R esolution dun syst` eme Soit f C 2 (R). On consid` ere une equation di erentielle de la forme y = f (y ), y (0) = y0 . On introduit un pas de discr etisation h et pour tout n IN, on approche y (nh), par yn evalu e par le sch ema yn+1 = yn + hf (yn ) + hf (yn + hf (yn )) o` u , , sont des param` etres r eels ` a d eterminer.

7.5. EQUATIONS DIFFERENTIELLES

85

1. D eterminer des relations entre , et pour que la m ethode soit pr ecise ` a lordre deux. 2. On suppose que f v erie une condition de Lipschitz sur R. Montrer que la m ethode converge. 3. On consid` ere maintenant l equation du second ordre y = y , y (0) = y0 , y (0) = z0 , avec y0 , z0 r eels donn es. Mettre cette equation sous la forme dun syst` eme du premier ordre ( on notera Y = (y, z ) la solution), puis discr etiser en utilisant la sch ema pr ec edent. On obtient une m ethode de la forme Yn+1 = Ah Yn . 4. Discuter du comportement de Yn lorsque n tend vers linni, dans le cas dune pr ecision au second ordre. 5. Existe-il une m ethode du premier ordre pour laquelle Yn reste born ee ? 6. reprendre les questions pr ec edentes lorsque l equation est de la forme y = y by , avec b > 0.

86

CHAPITRE 7. TRAVAUX DIRIGES

7.6. TA 2007 avec correction Exercice 7.33. M ethodes des gradients


Ax = b. Soit A une matrice sym etrique d enie positive, et x tel que

1.

Montrer que x r ealise le minimum de J (x) = (Ax, x) 2(b, x) et de E (x) = (A(x x ), x x ). Les extremas de J sont solutions de J ( x) = 0 = 2(Ax b), soit Ax

= b. De plus,

= 2A une matrice sym. d enie positive, alors x est un min. On a E (x) = (Ax, x) 2(Ax , x) + (Ax , x ) = (Ax, x) 2(b, x) + (Ax , x ) = J (x) + (Ax , x ), comme (Ax , x ) est une constante, E et J atteignent leur min au m eme point x . Car r (x) = A( x x).

J ( x)

2. 3.

Montrer E (x) =< r (x), A1 r (x) > avec r (x) = b Ax. Soit rk = b Axk = 0 une direction de descente. On consid` ere la m ethode it erative suivante : xk+1 = xk + k rk . Trouver k celui qui minimise E (xk+1 ), cest ` a dire : trouver k tel que E (xk + k rk ) = minR E (xk + rk ). Cette m ethode est celle du gradient ` a param` etre optimal.

On a E (xk + rk ) =< A(xk + rk x ), xk + rk x >= E (xk ) 2 < rk , rk > +2 < Ark , rk > . Cest une equation du second degr e en et < Ark , rk >> 0 car A est sym. d enie positive, alors le min est atteint par k =< rk , rk > / < Ark , rk > . 4. On a rk+1 = b Axk+1 = b A(xk + k rk ) = rk k Ark . On a < rk , rk+1 >=< rk , rk k Ark >=< rk , rk > k < rk , Ark >= 0 par d enition de k . 5.
k ,rk > ). On note Ek =< rk , A1 rk >. Montrer que Ek+1 = Ek (1 <A1 r<r k ,rk ><Ark ,rk > 1 1 On a Ek+1 =< rk+1 , A rk+1 >=< rk+1 , A (rk k Ark ) >=< 2

Montrer que rk+1 = rk k Ark et (rk , rk+1 ) = 0.

rk+1 , rk > et comme < rk+1 , rk >= 0 do` u le r esultat. Ensuite, Ek+1 =< rk+1 , A1 rk >=< rk k Ark , A1 rk >= Ainsi, de la d enition de k on a Ek+1 = Ek

rk+1 , A1 rk > k <

< rk , A1 rk > k < Ark , A1 rk >= Ek k < rk , rk > car A est sym etrique. < rk , rk >2 < rk , rk >2 . = Ek 1 < Ark , rk > < A1 rk , rk >< Ark , rk >

6. Montrer que Ek+1 Ek (1 1/cond2 (A)). En d eduire que la m ethode est convergente.

La matrice est sym. d enie positive alors ses valeurs propres sont strictement positives et cond2 (A) = max /min . On sait (feuile TD1) que le quotient de Rayleich v erie : min rk et 1 rk max
2 2

< Ark , rk > max rk

< A1 rk , rk >

1 rk min

7.6. TA 2007 AVEC CORRECTION

87

Ainsi, min rk max soit encore


4

< Ark , rk >< A1 rk , rk >

max rk min

< Ark , rk >< A1 rk , rk > 1 cond2 (A), cond2 (A) rk 4 On d eduit imm ediatement ce quil faut. Convergence. Par r ecurrence, on a Ek+1 Ek (1 1 1 ) E0 (1 )k . cond2 (A) cond2 (A)

1 < 1 et alors Ek 0 quand k . or cond2 A 1, ainsi 0 1 cond 2 (A) Dautre part, Ek =< A(xk x ), xk x > min xk x 2 alors xk x 2 tend vers z ero quand k tend vers linnie. 7. Appliquer cet algorithme ` a la matrice 2 1 1 2 ! x1 x2 ! = 2 1 ! .

La m ethode convergence en deux it erations.


8. Dire comment peut-on appliquer cet algorithme sur une matrice quelconque et inversible.

Il sut dappliquer la m ethode des gradients sur le syst` eme lin eaire AT Ax = AT b. La T matrice A A est sym etrique d enie positive. Exercice 7.34. Int egration 1D
Z
1 1

Construire la formule dint egration suivante g (t)dt g (1) + g (0) + g (1),

degr e de pr ecision, erreur dint egration ?. (Indication : faire le d eveloppement de Taylor pour g (t), g (1), g (1) au point 0 ` a Rb lordre 4.) D etailler la m ethode composite pour approcher J (f ) = a f (x)dx en utilisant la formule dint egration pr ec edente. Donner lerreur dint egration globale en fonction de h.

pour g(t) = 1 alors 2 = + pour g(t) = t alors 0 = + pour g(t) = t2 alors 2/3 = + 2 + donc pour = = 1 et = 2/3, la m ethode est exacte sur IP2 . Dautre part pour g(t) = t3 , on 1 2 ethode est exacte sur IP3 . Pour g(t) = t4 , a 1 g(t)dt = 0 et g(1) 3 g (0) + g(1) = 0 et la m 1 2 e de pr ecision de la m ethode est 3. 1 g (t)dt = 2/5 et g (1) 3 g (0) + g (1) = 2, ainsi le degr Erreur dint egration. t3 t4 t2 g (0) + g(3) (0) + g(4) (t ), 0 < t < |t| 2 6 24 1 1 (3) 1 g(1) = g(0) + g (0) + g (0) + g (0) + g(4) (1 ), 0 < 1 < 1 2 6 24 1 1 1 g(1) = g(0) g (0) + g (0) g(3) (0) + g(4) (2 ), 1 < 2 < 0) 2 6 24 g(t) = g(0) + tg (0) +

88

CHAPITRE 7. TRAVAUX DIRIGES

ainsi,
1 1 1 g(t)dt = 2g(0) + g (0) + t4 g(4) (t )dt 3 24 1 1 1 g(1) + g(1) = 2g(0) + g (0) + (g(4) (1 ) + (g(4) (2 )). 24 1

On a R(g) = 2 1 1 1 g(t)dt ( g(1) g (0) + g(1) = 3 3 3 24 1 |R(g)| (


1 1 1

t4 g(4) (xt )dt

1 (4) (g (1 ) (g(4) (2 )) 24

en majorant, on a

1 i+1 Formule Composite. J (f ) = M f (x)dx et sur chaque intervalle de longueur h, on api=0 xi plique la formule dint egration pr ec edente xi+1

1 1 1 + + ) max |g(4) (t)|. 60 24 24 1t1

f (x)dx =
xi

h 2

f (xi +
1

h 1 2 h2 1 1+t h)dt f (xi ) f (xi + h/2) + f (xi+1 ) , 2 2 3 3 4 3


1+t 2 h).

on a appliqu e la formule avec g(t) = f (xi +

Erreur dint egration sur [xi , xi+1 ] : Ri (f ) = h 2 R(g ). on a |Ri (f )| = .


M 1 i=0 xi+1 xi

h h h h4 |R(g)| max |g(4) (t)| = 2 20 1t1 20 24

xi xxi+1

max

|f (4) (x)|.

Erreur dint egration sur [a, b]. Rh (f ) = f (x) dx h 2


M 1 i=0

2 h2 1 1 f (xi ) f (xi + h/2) + f (xi+1 ) = 3 3 4 3

M 1 i=0

Ri (f )

par cons equent, |Rh (f )|


M 1 i=0

|Ri (f )|

ba h5 M max |f (4) (x)| = max |f (4) (x)| h4 . 320 axb 320 axb
= {( On consid` ere le triangle K x, y ) R2 ; x 0, y 0, x +y 1} et on note

Exercice 7.35. Int egration 2D

O = (0, 0), A = (1, 0) et C = (0, 1) les sommets 1. D eterminer les coecient , et tels que la formule dint egration Z g ( x, y )dx dy g (O ) + g (A) + g (C )
K

(7.41)

Lespace IP1 en dimension 2 est engendr e par < 1, x , y > et de dimension 3. 1 pour g( x, y ) = 1, on a K d x d y = = + + , 2 1 1x 1 pour g( x, y ) = x , on a K x d x d y = x dy )dx = 0 x (1 x )dx = 1 6 = , 0( 0 1 1x 1 pour g( x, y ) = y , on a K dy dy = 0( 0 y dy )dx = 6 = . x Donc = = = 1/6 et la m ethode est exacte pour les polyn omes de degr e 1.

soit exacte pour les polyn omes de degr e 1. Degr e de pr ecision ?

7.6. TA 2007 AVEC CORRECTION


1 1x 1

89

2. On rappelle la formule de Taylor : a, b R2 ,

1 Ensuite, pour g( x, y ) = x 2 , on a K 2 dx dy = 0( 0 x 2 dy )dx = 0 x 2 (1 x )dx = 12 = x 1 ethode nest pas exacte pour IP2 et le degr e de pr ecision est 1. 6 . Ce qui prouve que la m g (b) = g (a) + g (a)(b a) + Z
1 0

(1 t)g (ta + (1 t)b)(b a, b a)dt

. Appliquer la formule de Taylor pr Soit a0 = (x0 , y0 ) un point xe dans K ec edente en consid erant successivement b = (x, y ), b = O , b = A et b = C . Donner alors une estimation de lerreur lorsque g C 2 (R2 ) : |RK (g )| 2MK (g ) avec RK (g ) = R
K

g ( x, y )dx dy (g (O ) + g (A) + g (C )) et MK (g ) = max( sup


( x ,y )K 2 |x x g |,

sup
( x ,y )K

2 |y y g |,

sup
( x ,y )K

2 |x y g |).

On applique Taylor avec b = ( x, y ) et a = (x0 , y0 )


1 0 (1

g( x, y ) = g(x0 , y0 ) + g (x0 , y0 )( x x0 , y y0 ) + R0 (g) g( x, y )dx dy = 1 g(x0 , y0 ) + x g(x0 , y0 ) 2


K

(7.42)

avec R0 (g) =

, il vient t)g (ta0 + (1 t)b)(b a, b a)dt. On int` egre sur K


K

( x x0 )dx dy

+ y g(x0 , y0 ) soit encore


K

( y y0 )dx dy +

R0 (g)dx dy

g( x, y )dx dy =

1 1 x0 1 y0 g(x0 , y0 ) + ( )x g(x0 , y0 ) + ( )y g(x0 , y0 ) + 2 6 2 6 2 g(0, 0) = g(x0 , y0 ) + g (x0 , y0 )(x0 , y0 ) + R1 (g)

R0 (g)dx dy

On applique encore Taylor successivement avec b = O, b = A, b = C et a = a0 (7.43) (7.44) (7.45) g(1, 0) = g(x0 , y0 ) + g (x0 , y0 )(1 x0 , y0 ) + R2 (g)

g(0, 1) = g(x0 , y0 ) + g (x0 , y0 )(x0 , 1 y0 ) + R3 (g) avec


1

R1 (g) =
0

(1 t)g (ta0 + (1 t)O)(a0 O, a0 O)dt (1 t)g (ta0 + (1 t)A)(a0 A, a0 A)dt

R1 (g) =
0 1

R1 (g) =
0

(1 t)g (ta0 + (1 t)C )(a0 C, a0 C )dt

do` u 1 1 1 x0 1 y 0 1 (g(0, 0) + g(1, 0) + g (0, 1)) = g(x0 , y0 ) + g (x0 , y0 )( , ) + (R1 (g) + R2 (g) + R3 (g)) 6 2 6 2 6 2 6 ainsi 1 1 R0 (g)dx dy (R1 (g) + R2 (g) + R3 (g)). RK g( x, y )dx dy (g(O) + g(A) + g(C )) = (g ) = 6 6 K K

90

CHAPITRE 7. TRAVAUX DIRIGES

Pour i = 0, 1, 2, 3 on a
1

Ri (g) =
0

(1 t)g ()((, ), (, ))dt =

1 0

2 2 2 2 (1 t)(x y g (.))dt, y g () + 2x x g () + y

avec = x x0 ou 1 x0 ou x0 et comme x, x0 [0, 1] alors| | 1, de m eme = y y0 ou 1 y0 ou y0 et comme y , y0 [0, 1] alors| | 1, en majorant Ri , on a


1

|Ri (g)| MK (g ) enn

(1 t)( 2 + 2 + 2| || |)dt 4MK (g )

1 0

(1 t)dt = 2MK (g )

1 1 |RK (g )| (2MK ) + 3(2MK ) = 2MK . 2 6


le triangle de sommets A, B=(1,1) et C, et Q le carr 3. On note K e [0, 1 [0, 1]. D eduire de ce qui pr ec` ede une formule dint egration sur le carr e, et une estimation de lerreur.

, on applique la formule pr Sur K ec edente en utilisant les sommets du triangle, il vient


K

g( x, y )dx dy

1 (g(A) + g(B ) + g(C )) 6

et lerreur dint egration est comme pr ec edemment : RK (g ) 2MK (g ). Le carr e est la r eunion de deux triangles : g( x, y )dx dy =
Q K

g( x, y )dx dy +

g( x, y )dx dy

1 1 (g(O) + g(A) + g(C )) + (g(A) + g(B ) + g(C )) 6 6

et lerreur dint egration est major ee comme suit |RQ | 2MK (g ) 4MQ (g ) + 2MK avec
2 2 2 MQ (g) = max( sup |x x g |, sup |y y g |, sup |x y g |). ( x ,y )Q ( x ,y )Q ( x ,y )Q 4. Soit h > 0, et un rectangle de cot es N h = l et M h = L, que lon discr etise en N M carr es de c ot e h. Soit f C 2 (). Etablir une estimation Rh (f ) de Z Z f (x, y )dxdy, (7.46) I (f ) =

par la m ethode composite et donner une estimation derreur.

Le rectangle s ecrit : = {1iN,1j M } Qij avec Qij est un rectangle de c ot e h, plus pr ecis ement Qij = [xi , xi + h] [yj , yj + h]. I (f ) =

f (x, y )dxdy =
1iN,1j M Qij

f (x, y )dxdy.

(7.47)

7.6. TA 2007 AVEC CORRECTION


x i +h yj +h f (x, y )dxdy . xi yi x x i h

91

Approximation de Iij = =
y yj h ,

Qij

f (x, y )dxdy =
1

On pose =

et

ainsi Iij (f ) = h2
0 1 0

f (xi + h, yj + h )dd = h2
Q

g(, )dd

1 1 (g(O) + g(A) + g(C )) + (g(A) + g(B ) + g(C )) 6 6 2 h (f (xi , yj ) + f (xi + h, yj ) + f (xi , yj + h)) 6 h2 + (f (xi + h, yj ) + f (xi , yj + h) + f (xi + h, yj + h)) 6 ainsi lerreur dint egration sur Qij est donn ee par |Ri,j (f )| 4h2 MQ (g) 4h4 Mi,j (f ), avec Mi,j (f ) = max( sup
(x,y )Qij 2 |xx f |,

sup
(x,y )Qij

2 |yy f |,

sup
(x,y )Qij

2 |xy f |).

Enn, lerreur dint egration sur par la formule composite s ecrit R (f ) =


1iN,1j M Qij

f (x, y )dxdy 1 (f (xi , yj ) + f (xi + h, yj ) + f (xi , yj + h)) 6

h2

1 + (f (xi + h, yj ) + f (xi , yj + h) + f (xi + h, yj + h)) 6 = Ri,j (f ),


1iN,1j M

1iN,1j M

et alors |R (f )| avec
1iN,1j M

|Ri,j (f )| 4h4 N M M (f ),

2 2 2 M (f ) = max( sup |xx f |, sup |yy f |, sup |xy f |),

or N h = l et M h = L, on a nalement

(x,y )

(x,y )

(x,y )

|R (f ) 4lLM (f )h2 .
5. Application. Soit > 0. D eterminer h maximal de telle fa con que Rh (f ) approche Z 2Z 3 2 3 ex y dxdy I (f ) =
0 0

l = 2, L = 3. On d erivant la fonction f , on peut donner une estimation des d eriv ees dordre 2, par exemple : M (f ) 11736,

avec une erreur major ee par . 2 3 On a f (x, y ) = ex y ,

92

CHAPITRE 7. TRAVAUX DIRIGES

ainsi do` u h. |R (f )| 24 11736h2

Exercice 7.36. Equations di erentielles : Une m ethode a ` un pas Soit g C 1 (R), ` a valeurs positives. On consid` ere une equation di erentielle du premier ordre, de la forme y = f (y ), que lon discr etise par une m ethode ` a un pas de la forme yn yn+1 = 1 + hg (yn ) o` u h est le pas de discr etisation, n IN et yn approche y (nh).
1. Ecrire cette m ethode sous la forme g en erique dune m ethode ` a un pas. Exprimer f en fonction de g pour que la m ethode soit consistance.

Cest une m ethode a ` un pas, yn+1 = yn + h(tn , yn , h) = alors (tn , yn , h) = Le sch ema est consistant ssi (tn , yn , 0) = yn g(yn ) = f (tn , yn ) ainsi f (y ) = yg(y ).
2. On suppose que y (0) = y0 . Montrer que pour tout n IN yn [0, y0 ]. 3. En d eduire la stabilit e, puis la convergence de la m ethode.

yn 1 + hg(yn )

yn g(yn ) . 1 + hg(yn )

Par r ecurrence. 1 + hg(yn ) 1 car g est positive, et yn+1 = (t, y, h) =

yn 1+hg (yn )

yn y0 .

yg(y ) , 1 + hg(y ) avec 0 y y0 et et donc les fonctions g et g sont uniform ement continues sur [0, y0 ]. On note M1 = max0yy0 |g(y )| et M2 = max0yy0 |g (y )| Stabilit e: yg(y ) zg(z ) |(t, y, h) (t, z, h)| = 1 + hg(y ) 1 + hg(z ) |yg(y )(1 + hg(z )) zg(z )(1 + hg(y ))| = |(yg(y ) zg(z )) + hg(z )g(y )(y z )| = |y (g(y ) g(z )) + g(z )(y z ) + hg(z )g(y )(y z )| |y ||g(y ) g(z )| + |g(z )||y z | + h|g(z )g(y )||y z |,
2 |(t, y, h) (t, z, h)| M2 |y0 ||y z | + M1 |y z | + M1 h|y z |,

On a

ensuite, on a |g(y ) g(z )| M2 |y z |(th. des accroissements nis), on d eduit et enn pour h petit, cest a ` dire pour h h0 et h0 xe, on a
2 h . Le sch ema etant stable et consistent, alors il est convergent. avec M = M2 |y0 | + M1 + M1 0

|(t, y, h) (t, z, h)| M |y z |,

7.7. TA-2008

93

7.7. TA-2008 Exercice 7.37. M ethode des directions altern ees Soit A une matrice r eelle sym etrique d enie positive, on d ecompose A sous la forme A = rI + H + V avec r R, r > 0, I la matrice identit e, H et V matrices r eelles sym etriques telles que rI + H 1 et rI + V soient inversibles. On note par la suite B = 1 H et C = V . Pour r esoudre le syst` eme r r Ax = b, on consid` ere la m ethode it erative suivante : x0 arbitraire (7.48) (rI + H )yk+1 = V xk + b (rI + V )xk+1 = Hyk+1 + b 1. Montrer que la m ethode est consistante ( c-` a-d si xk x alors Ax = b). 2. Montrer que la m ethode it erative ci-dessus converge si et seulement si ((rI + V )1 H (rI + H )1 V ) < 1. 3. Montrer que les matrices B (I + B )1 et C (I + C )1 sont sym etriques. 4. Montrer ((rI + V )1 H (rI + H )1 V ) (B (I + B )1 )(C (I + C )1 ). (Indication : montrer que la matrice dit eration est semblable a ` une autre matrice et utiliser la norme 2 ). enie positive. 5. Montrer que (B (I + B )1 ) < 1 si et seulement si 1 2 I + B est d r r enies positives, la m ethode it erative 6. En d eduire que si les matrices 2 I + H et 2 I + V sont d est convergente. 7. Pr eciser r , H et V dans le cas de la matrice suivante A 4 1 1 1 4 1 1 1 4 1 1 1 4 1 1 1 1 4 1 1 1 1 4 1 1 1 1 4 1 1 1 1 4 1 1 1 1 4 1 1 1 4 1 1 1 4 1 1 1 4 Exercice 7.38. M ethodes a ` deux pas On consid` ere le probl` eme de Cauchy suivant y (t) = f (t, y (t)) t (0, T ) y (0) =

94

CHAPITRE 7. TRAVAUX DIRIGES

avec h = T /N , tn = nh.

avec f L-lipschitz par rapport a ` y . Soit le sch ema : yn+1 = yn1 + 2hf (tn , yn ) n 1 y = y0 + hf (0, y0 ) 1 y0 = , 1. Majorer les erreurs de consistance en fonction de Mk = max |y (k) (t)|. 2. Montrer que pour tout x 0 3. Soit (n )n d enie par avec i , i , R+ . Montrer que
(n1) t(0,T )

E0 = y (t1 ) y (0) hf (0, y (0)), En = y (tn+1 ) y (tn1 ) 2hf (tn , y (tn ))

e2x + 2xex 1;

2x ex ;

1 + x2 ex .

n+1 n1 + 2n + n , n 1
2 0 2 1 n1 i=1 n1 i=1

n e 4. Montrer que

i e(n1i) , n 2. eLT 1 . hL

e(n1i)hL

Soit en = y (tn ) yn , n 0. Montrer que En d eduire que max |y (tn ) yn | Ch2 , o` u C est une constante a ` d eterminer en fonction
0nN

|en+1 | |en1 | + 2hL|en | + |En |.

de M2 , M3 et L. Conclure.

Exercice 7.39. Approximation Soit x0 R x e et p C 1 ([0, 1]), on consid` ere lint egrale
1 0

(x x0 )p(x) dx.

1. Pour chacun des cas suivants, construire une formule dint egration exacte lorsque p est un polyn ome de degr e inf erieur ou egal a `1: (a) en utilisant les valeurs p(0) et p(1). (b) en utilisant quune seule valeur p(a) o` u a est a ` d eterminer. 0 2. Soit R > 0, pour f, g C ([0, R]) on consid` ere le produit scalaire
R

(f, g) =
0

xf (x)g(x) dx.

Soit N IN. On pose h =

R N,

Vh = {f C 0 ([0, R]); f ane sur [xi , xi+1 ]}.

xi = ih pour i = 1, , N et

7.7. TA-2008

95

=N u est d D eterminer la dimension de Vh . Soit lensemble des fonctions (i )i enie par i i=0 o`

i (x) =

(x xi1 )/h (xi+1 x)/h 0 (x) = N (x) =

si si

xi1 x xi xi x xi+1 , pour 1 i N 1 si 0 x x1 , sinon

(x1 x)/h 0

(x xN 1 )/h si xN 1 x R, 0 sinon Tracer i . Montrer que {0 , , N } d enie une base de Vh . 3. On note M la matrice de projection orthogonale d enie par Mij = (i , j ). Expliciter M et montrer que M est sym etrique, d enie positive. Montrer quil existe un unique p Vh tel que (f p , i ) = 0 pour i = 0, N.

4. En utilisant les formules dint egration pr ec edentes, construire deux matrices M1 , M2 associ ees a ` des projections approch ees et comparer les matrices obtenues. Pour f donn ee, calculer p dans le cas avec N = 3.

= {( Exercice 7.40. Int egration 2D On consid` ere le triangle K x, y ) R2 ; x 0, y 0, x + = (1/3, 1/3) son y 1} et on note A = (0, 0), B = (1, 0) et C = (0, 1) ses trois sommets et G barycentre. 1. D eterminer le coecient pour que la formule dint egration
K

) g( x, y )dx dy g(G

(7.49)

soit exacte pour les polyn omes de plus haut degr e. Montrer que le degr e de pr ecision est 1. 2. On rappelle la formule de Taylor : g C 2 (R2 ), g : R2 R, alors a, b R2 , g(b) = g(a) + g (a)(b a) +
1 0

(1 t)g (tb + (1 t)a)(b a, b a)dt.

. Lorsque Appliquer la formule de Taylor pr ec edente en consid erant b = ( x, y ) et a = G g C 2 (R2 ), donner alors une estimation de lerreur RK (g ) = en fonction de MK (g ) = max
( x, y )K 2 2 2 sup |x y g | . y g |, sup |x x g |, sup |y ( x ,y )K ( x ,y )K K

)) g( x, y )dx dy g(G

le triangle de sommets B (1, 0), D = (1, 1) et C = (0, 1) et Q le carr 3. On note K e [0, 1 [0, 1]. Montrer que
K

g( x, y )dx dy =

g(1 , 1 )dd

(7.50)

et sur le carr D eduire de ce qui pr ec` ede une formule dint egration sur K e Q. Donner une estimation de lerreur dint egration sur K et sur Q

96

CHAPITRE 7. TRAVAUX DIRIGES

4. Soit Qh un carr e de cot e h, Qh = [x0 , x0 + h] [y0 , y0 + h]. En d eduire une formule dint egration sur Qh et une estimation de lerreur dint egration sur Qh 5. Soit h > 0, et un rectangle de cot es N h = l et M h = L, que lon discr etise en N M carr es de c ot e h. Soit f C 2 (). Etablir une approximation de I (f ) =

f (x, y )dxdy,

(7.51)

par la m ethode composite et donner une estimation derreur Rh (f ). 6. Application. Soit > 0. D eterminer h maximal de telle fa con que la formule de quadrature approche
2 3

I (f ) =
0 0

ex

2 y3

dxdy

avec une pr ecision .

CHAPITRE 8 DANALYSE DEVOIR SURVEILLE NUMERIQUE (2010) ET SON CORRIGE

Exercice 1. Soit (xi , yi ) (i = 1, , n) une famille de points donn es. On cherche a = (a1 , a2 , a3 ) r ealisant le minimum de
n

J (a1 , a2 , a3 ) =
i=1

2 2 x2 i (a1 + a2 xi + a3 xi yi )

1. Calculer

J aj (a),

pour j = 1, 2, 3.
2

J 2. Calculer J (a) = ( 2 ) pour j, k = 1, 2, 3. aj ak jk 3. Ecrire le syst` eme lin eaire caract erisant le minimum du probl` eme

aR3

min J (a).

(8.1)

4. Application. Soit la famille : 3 (x1 , y1 ) = (1, ), 2 1 3 (x2 , y2 ) = ( , ), 2 2 1 (x3 , y3 ) = ( , 0), 2 (x4 , y4 ) = (1, 0).

Donner explicitement la solution de (8.1). Montrer quil sagit bien dun minimum.

Exercice 2. Soit la matrice sym etrique suivante 3 1 0 0 1 1 3 1 0 0 . . . . 0 .. .. .. .. 0 A= 1 3 1 0 0 0 1 3 1 1 0 0 1 3

98

DANALYSE NUMERIQUE CHAPITRE 8. DEVOIR SURVEILLE (2010) ET SON CORRIGE

Plus pr ecisement, A = (aij )ij 3 1 aij = 1 0

si j = i si j = i + 1 ou j = i 1 sinon si (i = 1, j = N ) ou (i = N, j = 1) (8.2)

1. Montrer que la matrice A est d enie positive. Est-elle inversible ? Montrer que 1 5 o` u est une valeur propre de A. 2. Soient les matrices L = (lij )ij et U = (uij )ij d1 1 u1 0 0 b1 l2 d2 1 u2 0 b2 . . . . . . . . 0 .. .. .. . . . . ; L= , U = . .. l 1 u b 0 N 2 N 2 N 2 dN 2 0 1 uN 1 lN 1 dN 1 1 a1 a2 aN 2 lN dN soit encore di l i lij = a j 0 si j = i si i = N sinon si j = i 1 , 1 u i uij = b i 0 si j = i si j = i + 1 si j = N sinon (8.3)

Donner, par identication, les relations entre les coecients des matrices L et U pour que A = LU . Ecrire un algorithme permettant le calcul des coecients des matrices L et U . 1 3. Soit A = M N une d ecomposition de A avec M = I , o` u > 0 et I la matrice identit e n n dans R . Les valeurs propres de A sont class ees par ordre d ecroissant 1 2 n . Pour r esoudre le syst` eme lin eaire Ax = b o` u b un vecteur non nul de Rn , on consid` ere la m ethode it erative : x0 Rn , M xk+1 = N xk + b . Montrer que la m ethode est consistante. 4. Montrer que la m ethode converge si et seulement si 0<< 2 . 1 (8.4)

5. Montrer que le rayon spectral de la matrice B = M 1 N est donn e par (M 1 N ) = max{|1 1 |, |1 n |} .

EXERCICE 3.

99

6. Montrer que le meilleur choix de , celui qui rend la convergence de la m ethode la plus rapide, est donn e par : 2 = . 1 + n (indication : tracer ]0, +[ gi ( ) = |1 i | , i = 1, n) Exercice 3. Soit f : R R telle que f C 3 ([a, b]; R) et soit a < b deux r eels donn es. On cherche a ` approcher f sur lintervalle [a, b] par un polyn ome p tel que p(a) = f (a) 1. Construire les polyn omes 1 , 2 et 3 de degr e 2 d enis par 1 (a) = 1 (a) = 0, 1 (b) = 1 2. Montrer que (1 , 2 , 3 ) forme une base de IP2 (ensemble de polyn omes de degr e inf erieur ou egal a ` 2). 3. Montrer que tout polyn ome de IP2 v eriant (8.5) est unique. 4. Construire un polyn ome dinterpolation de IP2 , v eriant (8.5), exprim e dans la base (1 , 2 , 3 ). 5. Montrer que lerreur dinterpolation s ecrit : (x a)2 (x b) (3) f ( (x)) a < (x) < b. 6 (Indication : D enir pour x = a et x = b la fonction (t) = f (t) g(t) A(x)(t a)2 (t b) et A(x) est donn e par (x) = 0.) 6. (a) D eterminer les r eels , et dans la formulation suivante f (x) p(x) =
1 1

p(b) = f (b) p (a) = f (a)

(8.5)

2 (a) = 2 (b) = 0, (b) = (a) = 0,


3 3

2 (a) = 1

3 (a) = 1

(8.6)

g(t) dt = g(1) + g (1) + g(1) + R(g)

(8.7)

pour que la m ethode soit exacte sur les polyn omes de plus haut degr e (le reste R(g) est nul lorsque la m ethode est exacte). Quel est le degr e de pr ecision de la m ethode ? 3 (b) Soit g C ([1, 1]; R), donner une majoration de lerreur dint egration en fonction des d eriv ees de g. (Indication : proter de l egalit e (8.6)). (c) Soit {xi , i = 0, ..., M }, une subdivision de [0, 5] de pas h. On cherche a ` approcher 5 J (u) = 0 u(x) dx. x +h (i) Construire une m ethode dint egration pour approcher Ji (u) = xii u(x) dx en utilisant (8.7) et donner une majoration de lerreur de lint egration sur lintervalle [xi , xi + h].

100

DANALYSE NUMERIQUE CHAPITRE 8. DEVOIR SURVEILLE (2010) ET SON CORRIGE

(ii) D ecrire la m ethode composite en utilisant (8.7) pour approcher J (u) et majorer lerreur dint egration de la formule composite.

CORRIGE

Corrig e exercice 1. 1. On d erive par rapport aux variables ai . Il vient J (a) = 2 a1 J (a) = 2 a2 J (a) = 2 a3 2. La matrice est sym etrique. 2J (a) = 2 2 a1 2J 2 a1 a2 2J 2 a1 a3 2J 2 a2 2J 2 a2 a3 2J 2 a3 3. Le min est caract eris e par J (a)
n n i=1 n i=1 n i=1 2 x3 i (a1 + a2 xi + a3 xi yi ) 2 x4 i (a1 + a2 xi + a3 xi yi ) n 2 x2 i (a1 + a2 xi + a3 xi yi )

x2 i
i=1 n

(a) = 2
i=1 n

x3 i x4 i
i=1 n

(a) = 2

(a) = 2
i=1 n

x4 i x5 i
i=1 n

(a) = 2

(a) = 2
i=1 n

x6 i.

= 0, soit encore
n n

J (a) = 0 ( a1 J (a) = 0 ( a2

x2 i )a1 + (
i=1 n i=1 n

x3 i )a2 + (
i=1 n

x4 i )a3 =
i=1 n

x2 i yi x3 i yi
i=1

x3 i )a1 + (
i=1 i=1

x4 i )a2 + (
i=1

x5 i )a3 =

EXERCICE 2. CORRIGE

101
n n

J (a) = 0 ( a3 Cest un syst` eme lin eaire :

x4 i )a1 + (
i=1 i=1

x5 i )a2 + (
i=1

x6 i )a3 =
i=1

x4 i yi

Aa = b avec i=1 n x3 A= i=1 i n x4 i


i=1

x2 i

n 3 i=1 xi n 4 i=1 xi n 5 i=1 xi

n 4 i=1 xi

4. On commence par calculer les coecients de la matrice


n n n

i=1 n n 5 x3 yi x et b = i=1 i i=1 i n n 6 x4 y x


i=1 i i=1

x2 i yi

(8.8)

i i

x2 i
i=1

= 2 + 1/2 = 5/2,
i=1 n n

x3 i

= 0,
i=1

x4 i = 2 + 1/8 = 17/8

x5 i = 0, ,
i=1 n n i=1

x6 i = 2 + 1/32 = 65/32
n

x2 i yi = 9/8;
i=1 i=1

x3 i yi = 21/16;

x4 i yi = 45/32.
i=1

La matrice 2A est r eelle et sym etrique. Elle est d enie positive ssi ses valeurs propres sont 65 1717 strictement positives. On a 3 = 17/4 et 1 + 2 = 5 + 65/16 > 0 et 1 2 = 5 16 16 = (325 289)/16 donc 1 > 0 et 2 > 0. Corrig e exercice 2.

Donc a1 = 5/4, a2 = 21/34, a3 = 2. Pour montrer que cest un min, on va montrer que J (a) est d enie positive. 5 0 17/4 J (a) = 2A = 0 17/4 0 17/4 0 65/16

5 0 17/4 a1 9/4 0 17/4 0 a2 = 21/8 17/4 0 65/16 a3 45/16

1. Dapr` es le th eor` eme de Gerschgorin, les valeurs propres sont dans lunion des disques de centre aii et de rayon j =i |aij |. Ici il y a un seul disque D (3, 2) cest a ` dire | 3| 2

102

DANALYSE NUMERIQUE CHAPITRE 8. DEVOIR SURVEILLE (2010) ET SON CORRIGE

Par ailleurs, A est sym etrique et r eelle alors ses valeurs propres sont r eelles. On d eduit alors 2 3 2 1 5. 2. On fait le produit LU = A, il vient d1 d1 u1 0 0 l2 l2 u1 + d2 d u 0 2 2 . . . . .. .. .. .. 0 A = LU = .. 0 . li li ui1 + di di ui 0 a1 a1 u1 + a2 aN 3 uN 3 + aN 2 aN 2 uN 2 + lN avec c =
N 2 i=1 ai bi

d1 b1 l2 b1 + d2 b2 . . . li bi1 + di bi . . . c

+ lN uN 1 + dN . On d eduit alors les relations suivantes :

On va maintenant d ecrire lalgorithme, cest a ` dire comment calculer les coecients des matrices L et U : 1 1 d1 = 3, u1 = , b1 = d1 d1 l2 = 1, d2 = 3 l2 u1 , u2 = Calcul des coecients li , di , ui , bi pour i = 2 a ` N-1 faire li = 1, di = 3 li ui1 , 1 ui = d i 1 l2 b1 , b2 = d2 d2

d1 = 3, d1 u1 = 1, d1 b1 = 1 l = 1, l u + d = 3, d u = 1, l b + d b = 0 2 2 1 2 2 2 2 1 2 2 li = 1, li ui1 + di = 3, di ui = 1, li bi1 + di bi = 0, pour i = 2, N 1 a1 = 1; ai1 ui1 + ai = 0 pour i = 2, N 2; aN 2 uN 2 + lN = 1; c = 3

i1 bi = li bd , i ni Calcul des coecients ai a1 = 1 Pour i = 2 a ` N-2 faire ai = ai1 ui1 ni Calcul du coecient lN lN = 1 aN 2 uN 2

EXERCICE 2. CORRIGE

103

Calcul du coecient dN . La relation c = 3 permet de calculer le coecient manquant dN comme dN = 3 3. Si xk x, alors la limite x verie : M x = N x + b (M N )x = b Ax = b. 4. On a xk+1 = M 1 N xk + M 1 b. La m ethode converge ssi (M 1 N ) < 1. On a M 1 N = M 1 (M A) = I M 1 A = I A. Les valeurs propres de la matrice dit eration I A sont 1 i . Ainsi, (M 1 N ) = max |1 i |.
i=1, ,n N 2 i=1

ai bi + lN uN 1 .

Alors (M 1 N ) < 1 |1 i | < 1 1 < 1 i < 1 0 < < Si la m ethode converge, alors on a 0<< 1 1 1 , i = 1 n. (8.9) i

parce que la relation (8.9) est valable en particulier pour i = 1. Dautre part, comme 1 i , 1 , on d eduit pour tout i , alors si 0 < < 1 0<< 1 1 , 1 i

ce qui montre que la relation (8.9) est v eri ee et la m ethode converge. 5. On a d ej` a vu que (M 1 N ) = max |1 i |. Les valeurs propres positives de A sont class ees par ordre d ecroissant 1 2 n > 0 donc ce qui donne le r esultat. 6. Le meilleur choix de est celui qui minimise la rayon spectral par rapport a ` . En eet, (M 1 N ) = max(g1 ( ), gn ( )) = f ( ) Le meilleur choix de v erie f ( ) = min f ( ),
i=1, ,n

1 1 1 2 1 n .

cest a ` dire f ( ) f ( ), .

104

DANALYSE NUMERIQUE CHAPITRE 8. DEVOIR SURVEILLE (2010) ET SON CORRIGE

On trace les deux courbes g1 ( ) et gn ( ), ensuite on trace f ( ) et enn on cherche (graphiquement) le min de f . Corrig e exercice 3. 1. Construction de 1 . Le r eel a est une racine double 1 (x) = c(x a)2 et 1 (b) = c(b a)2 = 1 1 alors 1 (x) = (b (x a)2 . a)2 Construction de 2 . 2 (x) = c(x a)(x b) et 2 (x) = c((x b) + (x a)). Comme 1 ( x a )( x b ) . ( a ) = c ( b a ) = 1 , do` u ( x ) = 2 2 ba Construction de 3 . 3 (x) = (x + )(x b). On a 3 (a) = (a + )(a b) = 1 et 3 (x) = (x + ) + (x b) = 0 donc 3 (a) = (a + ) + (a b) = 0. on a alors 1 1 1 a 1 (a + ) = ab = (a b) ce qui donne = (a et = a b a = ab + (ab)2 . b)2 2. On montre que cette famille est libre. 1 (x) + 2 (x) + 3 (x) = 0. pour x = a, on d eduit = 0 ; pour x = b on d eduit = 0, pour x = (a + b)/2 on trouve = 0 ou bien on d erivant 2 (x) = 0 et on prend x = a. 3. Soient p, q IP2 , alors r = p q IP2 et v erie r (a) = r (b) = r (a) = 0, ainsi r (x) = 2 c(x a) (x b) ; or r IP2 alors c = 0 et r (x) = 0 pour tout x. 4. Pour x = a ou x = b, l egalit e (8.6) est v eri ee. Pour x = a et x = b, on d enit la fonction (t) = f (t) p(t) A(x)(t a)2 (t b) avec A(x) est d enit par g(x) = 0, soit encore A(x) = f (x) p(x) . (x a)2 (x b)

On a (a) = (b) = (x) = 0, donc dapr` es le th eor` eme de Rolle, il existe 1 ]a, x[ et 2 ]x, b[ tels que (1 ) = (2 ) = 0. Par ailleurs, comme (a) = 0 alors il existe 3 ]a, 1 [ et 4 ]1 , 2 [ tels que (3 ) = (4 ) = 0, enn il existe ]3 , 4 [ tel que (3) ( ) = 0. On a (3) (t) = f (3) (t) p(3) (t) 6A(x). On a p(3) (t) = 0 car p IP2 . On a montr e alors que pour tout x ]a, b[, il existe a < (x) < b v eriant (3) ( ) = f (3) ( ) 6A(x) = 0, soit encore A(x) =

Do` u le r esultat . 5. pour g(t) = 1, 2 = + pour g(t) = t, 0 = + + pour g(t) = t2 , 2/3 = 2 + on r esout ce syst` eme lin eaire : on obtient = 4/3,

f (x) p(x) 1 = f (3) ( ). 2 (x a) (x b) 6

= 2/3,

= 2/3.

EXERCICE 3. CORRIGE

105

Degr e de pr ecision : Pour g(t) = t3 , on a


1

g(t) dt = 0
1

et g(1) + g (1) + g(1) = 4/3 + 2 + 2/3 = 4/3 donc la m ethode nest pas exacte pour IP3 et enn le degr e de pr ecision est 2. 6. Soit p IP2 le polyn ome dinterpolation v eriant : p(1) = g(1), p (1) = g (1), p(1) = g(1) dapr` es la question pr ec edente avec f = g, a = 1 et b = 1, on d eduit quil existe ] 1, 1[ tel que (t + 1)2 (t 1) (3) g(t) p(t) = g ( (t)). 6 On int egre en t, il vient
1 1 1 1 1

g(t)dt

p(t)dt =
1 1

(t + 1)2 (t 1) (3) g ( (t))dt. 6

On a p IP2 , ainsi la formule dint egration est exacte


1

p(t)dt = p(1) + p (1) + p(1) = g(1) + g (1) + g(1),


1

ce qui donne R(g) =


1

(t + 1)2 (t 1) (3) g ( (t))dt. 6 8 max g(3) ( )|. 3 [1,1]| ainsi

On donne une majoration de lerreur :


1

|R(g)|

(t + 1)2 (1 t) dt 6

[1,1]|

max g(3) ( )|

7. On fait un changement de variable en posant x = xi +


xi+1

1+t 2 h,

u(x)dx =
xi

h 2

u(xi +
1 1+t 2 h),

1+t h)dt, 2
1+t 2 h

on applique la formule avec g(t) = u(xi +


xi+1 xi

et alors u (t) = h 2 u (xi +

u(x)dx

h h u(xi ) + u (xi ) + u(xi+1 ) , 2 2

Erreur dint egration sur [xi , xi+1 ] : Ri (u) = h 2 R(g ). on a |Ri (u)| = . h 4h 4h h3 |R(g)| max |g(3) (t)| = 2 3 1t1 3 23
xi xxi+1

max

|u(3) (x)|.

106

DANALYSE NUMERIQUE CHAPITRE 8. DEVOIR SURVEILLE (2010) ET SON CORRIGE


x

1 i+1 8. Formule Composite. J (u) = M u(x)dx et sur chaque intervalle de longueur h, on i=0 xi applique la formule dint egration pr ec edente Erreur dint egration sur [0, 5].

Rh (u) =

M 1 i=0

xi+1 xi

h u(x) dx 2

M 1 i=0

h u(xi ) + u (xi ) + u(xi+1 ) = 2

M 1 i=0

Ri (u)

par cons equent, |Rh (u)|


M 1 i=0

|Ri (u)|

h4 5 M max |u(3) (x)| = max |u(3) (x)| h3 . 0x5 6 6 0x5

CHAPITRE 9 DANALYSE NUMERIQUE DEVOIR SURVEILLE (2011)

Exercice 1. On munit lespace vectoriel C 1 ([1, 1]; R) du produit scalaire suivant


1 1

< f, g >=
1

f (x)g(x) dx +
1

f (x)g (x) dx

On note par f = < f, f >. Trouver le polyn ome de degr e 2 qui r ealise la meilleure approximation au sens des moindres 4 carr es de f (x) = x pour la norme d enie ci-dessus. Exercice 2. Soit Mn (R) lensemble des matrices a ` n lignes et n colonnes et ` a el ements r eels. La norme n matricielle consid er ee est celle associ ee ` a la norme vectorielle euclidienne sur R (not ee || ||2 dans le cours). Soient A, A1 et A2 trois matrices carr ees et r eelles v eriant : i) A = A1 + A2 , ii) A1 est sym etrique d enie positive, iii) A2 est sym etrique semi-d enie positive. Soit r un r eel strictement positif (r > 0). 1. Montrer que les matrices A1 + r I , A2 + r I et A sont inversibles (o` u I d esigne la matrice identit e). 2. Montrer que : (A1 + r I )1 (r I A1 ) = (r I A1 ) (A1 + r I )1 . (9.1)

3. Exprimer les valeurs propres de la matrice produit ci-dessus en fonction de celles de A1 . 4. Soit le syst` eme lin eaire suivant Ax = b , (9.2)

108

DANALYSE NUMERIQUE CHAPITRE 9. DEVOIR SURVEILLE (2011)

o` u b est donn e dans Rn . Montrer que l equation (9.2) equivaut ` a: (A1 + r I ) x = (r I A2 ) x + b , et aussi ` a: 5. Pour r esoudre num eriquement (9.2), on consid` ere les deux suites (xm ) et (ym ) de Rn d enies par la donn ee de x0 et par les deux relations de r ecurrence suivantes : (A1 + r I ) ym = (r I A2 ) xm + b (9.5) (A2 + r I ) x = (r I A1 ) x + b . (9.4) (9.3)

(A2 + r I ) xm+1 = (r I A1 ) ym + b . xm+1 = B xm + c ,

Montrer que xm+1 , donn e par (9.5), s ecrit sous la forme :

o` u B Mn (R) et c Rn . 6. En d eduire que xm x = B m (x0 x) . 7. On pose U = (A2 + r I ) B (A2 + r I )1 . Montrer que (a) U = 1 2 o` u i = (r I Ai ) (Ai + r I )1 , i = 1, 2, (b) (1 ) < 1 et (2 ) 1 (o` u (M ) d esigne le rayon spectral dune matrice M ), (c) (B ) = (U ) || U ||2 (1 ) (2 ) . 8. Que peut-on d eduire sur les suites (xm ) et (ym ) lorsque m tend vers + ? Exercice 3. Soit f : R R telle que f C 5 ([a, b]; R) et soit a < b deux r eels donn es. 1. D eterminer la formule dint egration suivante
a+h a

f (x) dx f (a) + f (a + h)

(9.6)

pour quelle soit exacte pour des polyn omes de degr e le plus haut possible. Pr eciser le degr e de pr ecision.

EXERCICE 3.

109

2. On note
a+h

I=
a

f (x) dx, I (h) = f (a) + f (a + h) et R(h) = I I (h). h2 hp1 hp R (0) + + R(p1) (0) + R(p) (h). 2! (p 1)! p! (9.7)

On rappelle la formule de Taylor ` a lordre p, Il existe 0 < < 1 tel que R(h) = R(0) + hR (0) +

Calculer R (h), R(h), R(3) (h) et R(4) (h). En d eduire que R(h) =

h4 h5 h3 f (a) f (3) (a + h) f (4) (a + h) 12 24 48

o` u 0 < < 1. 3. On utilisant la formule dint egration (9.6), donner une approximation de
a+h/2 a+h

I1 =
a

f (y ) dy et I2 =
a+h/2

f (y ) dy.

En ecrivant que I = I1 + I2 , donner une approximation de I not ee J (h). On d enit r (h) = I J (h) h3 h4 h5 f (a) f (3) (a + h/2) d , (9.8) 48 96 96 1 (4) (4) (a + h) . (On peut par exemple faire un o` u 0 < < 1 et d = 8 f (a + h 2) + f d eveloppement de Taylor ` a lordre 4). 4. Montrer que 4J (h) I (h) I = c1 h4 + c2 h5 3 o` u c1 et c2 sont des coecients ` a d eterminer. 5. Donner une approximation dordre 4 de I . 6. On note I4 (h) une approximation de I ` a lordre 4. Construire une m ethode dint egration dordre 5. r (h) = Montrer que

CHAPITRE 10 TRAVAUX SUR ORDINATEUR ` MATLAB INITIATION A

Matlab est un logiciel de calcul num erique produit par MathWorks (voir le site web http :// www.mathworks.com/). Il est disponible sur plusieurs plateformes. Matlab est un langage simple et tr` es ecace, optimis e pour le traitement des matrices et pour le calcul num erique. Matlab est labr eviation en anglais de matrix laboratory, tous les objets en jeu sont des matrices, y compris les scalaires (matrices 1 1). On propose une initiation non exhaustive des commandes utiles en calcul scientique. Premi` ere utilisation de Matlab , laide en ligne Une fois Matlab lanc e, les instructions de Matlab doivent etre tap e dans la fen etre de commandes le sigle >> signie une ligne de commande, Par exemple :
>>1+1 ans = 2 >>t=1+1 t = 2 >>t=1+1; >>t t= 2 >>u=sin(t) u = 0.9093 >>v=exp(u) v = 2.4826 >>format long >>v v = 2.48257772801500

112

CHAPITRE 10. TRAVAUX SUR ORDINATEUR

` MATLAB INITIATION A

>>format short >>v v = 2.4826 >>who Your variables are: ans t u v >>whos Name Size Bytes Class ans 1x1 8 double array t 1x1 8 double array u 1x1 8 double array v 1x1 8 double array >> clear >> v On remarque que : 1. 2. 3. 4. par d efaut, tout calcul est aect e dans la variable ans la commande format permet de modier lachage du format des di erentes variables les commandes who, whos permettent de lister lensemble des variables utilis ees la commande clear eace le contenu de tous les variables utilis ees.

10.1. La commande ; >> y=sin(0.15*pi); le calcul de y a et e eectu e mais il nest pas ach e` a l ecran. Pour lacher, il sut de taper y >> y y= 0.4540 10.2. Variables sp eciales pi, i, realmin, realmax, eps, ans ... variables pr ed enies. >> eps ans = 2.2204e-16 >> 1. + eps 1.0000 >> realmax ans = 1.7977e+308 >> realmin ans =

10.3. NOMBRES COMPLEXES

113

2.2251e-308 >> v=1.e+400 v = Inf >> pi Le z ero machine eps est le plus grand r eel positif tel que 1 + eps <= 1 !!!!!. >>y = 0.444444444444444e-30 >>x = 0.222222222222222e-20 >> x+y 0.222222222666667e-20 >>u = 0.444444444444444e+30 >>v = 0.222222222222222e+20 >> u+v 0.444444444666666e+30 Le calcul se fait en r eduisant ` a la puissance la plus elev ee. Dans le premier cas, le se fait de la mani` ere suivante x + y = 1020 (0.222222222222222 + 0.000000000444444) et dans le second u + v = 1030 (0.444444444444444 + 0.000000000222222).

10.3. Nombres complexes >> c1 = 1-2i c1 = 1.0000 - 2.0000i >> c2 = 3*(2-sqrt(-1)*3) c2 = 6.0000 - 9.0000i >>c3= conj(c2) >> real(c1) >> imag(c2) >> abs(c2) >> angle(c1) ans = -1.1071

114

CHAPITRE 10. TRAVAUX SUR ORDINATEUR

` MATLAB INITIATION A

10.4. Achage FORMAT Set output format. All computations in MATLAB are done in double precision. FORMAT may be used to switch between dierent output display formats as follows : FORMAT SHORT (default) Scaled xed point format with 5 digits. FORMAT LONG Scaled xed point format with 15 digits. >> pi ans = 3.1416 >> format long >> pi ans = 3.141592653589 10.5. Les commentaires Il est important de pouvoir ecrire des commentaires lors de l elaboration dun programme. Pour cela, sur une ligne tout ce qui apr` es le symbole % est non lu. >> pi % pour connaitre la valeur de pi 10.6. Vecteurs - Matrices Les tableaux (vecteurs, matrices, ...) sutilisent dans la fen etre de commande matlab ou dans des programmes. Les indices des vecteurs et matrices commencent toujours ` a 1. Lindice 0 nexiste pas en matlab. La i` eme composante dun vecteur x est appel ee x(i) ; le coecient de la i` eme ligne, j` eme colonne dune matrice A est A(i, j ). Il ny a pas ` a d eclarer les tableaux, mais il est cependant recommand e de r eserver une place m emoire pour les matrices en les initialisant ` a 0. (voir plus loin). 10.6.1. Cr eation de vecteurs. Un vecteur ligne est d eni (i) soit par une relation de la forme x = [x1 x2 xn] ou x = [x1, x2, , xn] o` u les el ements xi sont s epar es par des espaces ou des virgules et mis entre [ ]. Exemples : >> x1 = [1.1 2.3 3.5 -4. -8.] x1 = 1.1000 2.3000 3.5000 >> x2 = [3 -5.2 2*sqrt(3)] % (vecteur de 5 composantes) -4.0000 -8.0000 % (vecteurs de 3 composantes).

10.6. VECTEURS - MATRICES

115

x2 = 3.0000 >>x2(3) -5.2000 3.4641

(ii) soit par une subdivision dun intervalle donn e (a, b) en sous-intervalles de longueur donn ee h, x=a :h :b aller de a ` a b par pas de h, x=a :b (par d efaut h = 1). >> x = 5 :-1 : 1 x = 5 4 3 2 1 >> x=1: 1.1 : 5 x = 1.0000 2.1000 3.2000 4.3000 >> x=5:1 x = Empty matrix: 1-by-0 >> x = 0 : pi/2 : 2 * pi x = 0 1.5708 3.1416 4.7124 6.2832 (ii) soit par linstruction x=linspace(a, b, n) d enit un vecteur de n composantes ba x(i) = a + (i 1) n 1 , pour i = 1 n. Par d efaut : n = 100. >>y= linspace(0,pi,9) y = 0 0.3927 0.7854

1.1781

1.5708

1.9635

2.3562

2.7489

3.1416

(iv) soit par lutilisation dune fonction. Par exemple, si x est un vecteur ligne, alors sin(x) et cos(x) (par exemple) sont des vecteurs ligne de m eme nombre de composantes. 10.6.2. Vecteur transpos e. Un vecteur colonne peut etre d eni comme le transpos e dun vecteur ligne, x d esigne le vecteur transpos e du vecteur x. >> x = (1 : 4) ; y = [3 -4.5 2.1] % deux vecteurs colonnes x et y de composantes ii) ou directement, en utilisant des ; au lieu de ,. x = [x1; x2; ; xn]

>> z = [3.1452 ; -3 ; 4. ; 5.256] % d efinit un vecteur colonne z de composantes iii) en utilisant une fonction. Si x est une vecteur colonne, sin(x) et cos(x), par exemple, sont des vecteurs colonne de m eme longueur que x. >> x = (0 : 0.2 : 1); % x est un vecteur colonne >> y = exp(x); % y est un vecteur colonne

116

CHAPITRE 10. TRAVAUX SUR ORDINATEUR

` MATLAB INITIATION A

10.6.3. Op erations sur les vecteurs. Quelques op erations sur les vecteurs : + : addition de deux vecteurs u et v de m eme longueur. dot(u, v ) ou u v : produit scalaire de deux vecteurs u et v. . : multiplie deux vecteurs composantes par composantes. ./ : divise deux ` a deux les composantes de deux vecteurs . . : el` eve les composantes dun vecteur ` a la puissance des composantes du second. sum(u) : somme des composantes dun vecteur u. mean(u) : moyenne des composantes dun vecteur u. length(u) : donne la longueur dun vecteur u. min(u) : donne la plus petite composante dun vecteur u. max(u) : donne la plus grande composante dun vecteur u. >> u = (1 : 4) , v = (2 : 5) u = 1 2 3 4 v = 2 3 4 5 >> z = u .* v % z(i) = u(i)*v(i) z = 2 6 12 20 >> w = v./u % w(i) = v(i) = u(i) w = 2.0000 1.5000 1.3333 1.2500 >> t = v .^u % t(i) = v(i) ^ u(i) t = 2 9 64 625 >> x = (0 : 0.2 : 1) x = 0 0.2000 0.4000 0.6000 >> z = exp(x).* cos(x) z = 1.0000 1.1971 1.3741 1.5039 %z est un vecteur dont les composantes sont %z(i) = exp(x(i)) cos(x(i)) pour i = 1; >> disp(mean(z) = ), mean(z) >>disp(length(z) = ), length(z) >>disp(min(z) = ), min(z) >>disp(max(z) = ), max(z) >>disp(sum(z) = ), sum(z) >>disp(max(abs(z)) = ), max(abs(z))

0.8000

1.0000

1.5505 1.4687 les el ements ; 6 ,

disp(phrase a acher) : ache ` a l ecran la phrase phrase a acher

10.8. OPERATIONS SUR LES MATRICES

117

10.7. Cr eation de matrices i) Une matrice de n lignes et p colonnes peut etre d enie par une relation de la forme : A = [a11 a12 a1p ; a21 a22 a2p ; an1 an2 anp ] >> A = [1 2 3 4 ; 5 6 7 8 ; 9 10 11 12] A = 1 2 3 4 5 6 7 8 9 10 11 12 % A est une matrice de 3 lignes et 4 colonnes

A d esigne la transpos ee de A si A est r eelle, ladjointe de A si A est complexe. A(i, j ) d esigne l el ement de la ligne i et colonne j . ii) Une matrice peut aussi etre construite ` a partir de vecteurs ou de matrices plus petites concat enation : Exemple >> A = [1 2 3; 4 5 A = 1 2 3 4 5 6 >> B = [A; 7 8 9] B = 1 2 3 4 5 6 7 8 9 10.7.1. Cr eation A=zeros(n,p) A=eye(n) A=ones(n, p) A= rand(n, p) Exemple. de : : : : 6]

matrices n p. Initialisation de matrices initialisation ` a 0 dune matrice n lignes et p colonnes matrice identit e dordre n matrice n lignes, p colonnes, compos ee de 1 matrice de nombres al eatoires ]0; 1[.

>> x = zeros(1, 5) % d efinit le vecteur nul de 5 composantes x = 0 0 0 0 0 >> x = zeros(5 , 1) %d efinit un vecteur colonne de 5 composantes egales a 0. >> x = ones(1, 5) %d efinit le vecteur ligne de 5 composantes x = 1 1 1 1 1

10.8. Op erations sur les matrices Quelques op erations possibles

118

CHAPITRE 10. TRAVAUX SUR ORDINATEUR

` MATLAB INITIATION A

+* x = A(1, :) y = A( :, 2 : 3) w = A(3, i : j) u = A( :,2) z = A( :) c *A A.m Am size(A) eig(A) det(A) rank(A) trace(A) spy(A) Exemple :

: : : : : : : : : : : : : : :

addition, multiplication de deux matrices compatibles. premi` ere ligne de A. deuxi` eme et troisi` eme colonnes de A. du i-ieme au j-ieme elements de la ligne 3. deuxi` eme colonne de A. mise sous forme dune colonne. multiplie tous les el ements de A par le scalaire c. el evation ` a la puissance m de chaque el ement de la matrice A. el evation ` a la puissance m de la matrice A. donne les dimensions de la matrice A ([m,n]=size(A)) vecteur donnant les valeurs propres de la matrice A donne le d eterminant de la matrice A. rang de la matrice A trace de la matrice A repr esentation graphique de la matrice A (dans le cas de matrices de grande taille).

>>A= rand(6,6) >>DetA=det(A) >>ValProp = eig(A) >>A(1,:)=1 >>A(4,3)=-3.3333 >>rangA= rank(A) >>B = rand(20,30); >>B(3:6,10:18)=0.; >>spy(B) >>[n,m]=size(B) >>NbLigneB = size(B,1) >>NbColonneB= size(B,2) 10.9. M-Files ou scripts Un script (ou M-le) est un chier (premiertp.m par exemple) contenant des instructions Matlab. Tous les chiers matlab doivent se terminer par le sux .m Voici un exemple de script ou de programme matlab : % mon premier programme matlab %premiertp.m calcule det, valeurs propres dune matrice % clear all %%% Les matrices n=input(Donner la dimension de la matrice n = )

10.10. FONCTIONS

119

A= rand(n,n) DetA=det(A) ValProp = eig(A) A(1,:)=1 A(4,3)=-3.3333 rangA= rank(A) nbl=input(Donner le nombre des lignes (> 10)de la matrice B nbc=input(Donner le nombre des colonnes(>20) de la matrice B = rand(nbl,nbc); B(4:8,10:18)=0.; spy(B) [n,m]=size(B) NbLigneB = size(B,1) NbColonneB= size(B,2) Matlab vous ore un editeur pour ecrire et mettre au point vos M-les : Pour ex ecuter le programme il sut de cliquer sur run dans le menu de l editeur, ou dans la fen etre de commande, on ex ecute un M-le en utilisant le nom du script comme commande : >> premiertp Les M-les (ou programme) sont ex ecut es s equentiellement dans le workspace, cest ` a dire quils peuvent acc eder aux variables qui sy trouvent d ej` a, les modier, en cr eer dautres etc. = ) = )

10.10. Fonctions Une fonction est un script admettant des variables dentr ees et des variables de sorties, par 2 2 exemple f (x, y ) = x + y admet x et y comme variables dentr ees et le r esultat z = x2 + y 2 comme argument de sortie. Voici une fonction fonc d enie dans un chier fonc.m function [z,t] = fonc(x,y,m) z = x^2+y^2; t=x-y+m; end Les variables x, y et m sont les variables dentr ees et ils ne doivent pas etre modi ees ` a lint erieur de la fonction. Les variables z et t sont les arguments de sortie, la fonction doit aecter une valeur pour z et t. Utilisation de cette fonction. Une fonction est appel e depuis un script (un programme principal) ou dans une fen etre commande.

120

CHAPITRE 10. TRAVAUX SUR ORDINATEUR

` MATLAB INITIATION A

>> [z,t] = fonc(1., 0., -4.) >>[y1,y2]= fonc(-1., sin(1.), sqrt(2.) ) 10.11. HELP Toutes les fonctionnalit es de matlab sont illustr ees ` a partir du menu help. >>help function >> help for >> help switch >> help if

10.12. Boucles et contr ole 10.12.1. Op erateurs logiques de comparaison. < plus petit > plus grand <= plus petit ou egal >= plus grand ou egal == egal ( compare si deux nombres sont egaux ou non) = di erent ou pas egal /& et logique | ou logique not 10.12.2. It then else. Faire help if. Exemple. a= log(2.) b= sqrt(2.)/2. if (a > b) disp( a est plus grand que b) else disp(a est plus petit que b) end 10.12.3. For. Faire help for. Exemple. A = zeros(4,5) for i = 1: 4 for j=5:-1:1 A(i,j) = i+j^2 ; end

10.13. GRAPHISMES

121

end A 10.12.4. switch. Selon la valeur dun param` etre faire. help switch Exemple. switch m % faire selon la valeur de m case 0 % si m=0 x=0 case {1, 2, 9} % si m=1 ou m=2 ou m=9 x= m^2 case {-3,-1, 99} % si m=-3 ou m=-1 ou m= 99 x= m+ m^2 otherwise % sinon x=-9999999 end 10.13. Graphismes >> help 2-D Plots mettre dans un script courbes.m les instructions suivantes % courbes.m % Exemples de graphismes en 2D % graphe 1 figure x=0:0.05:5; y=sin(x.^2); plot(x,y); xlabel(Time) ylabel(Amplitude) title(ma premi` ere courbe) legend(toto) %graphe 2 figure z = -2.9:0.2:2.9; bar(z,exp(-z.*z)); %graphe 3 figure subplot(2,1, 1) plot(x,y);

122

CHAPITRE 10. TRAVAUX SUR ORDINATEUR

` MATLAB INITIATION A

subplot(2,1,2) bar(z,exp(-z.*z)); % graphe 4 figure Y=[0:0.05: 1];Z1=sin(2*pi*Y);Z2=cos(2*pi*Y); plot(Y,Z1,:b,Y,Z2,+k); title(Exemple de courbes); xlabel(Y);ylabel(Z); legend(sin,cos); Commenter chaque instruction de ce programme. Exercice 10.1. D enir la fonction gaussienne.m, function [g] = gaussienne(x,xc,s) g=exp( - (x-xc)^2/s^2) end tracer la fonction pour di erente valeur de xc et s sur la m eme courbe (faire un script tracergauss.m). Dans la fonction gaussienne largument x est un scalaire, ecrire une fonction gaussiennev(x,xc,s) avec x un vecteur. Tracer la fonction pour di erente valeur de xc et s sur la m eme courbe. 10.14. tic toc Calcul le temps CPU dex ecution dun programme. Il sut de faire linstruction tic au d ebut du script et ensuite de faire toc en n du script pour avoir le temps dex ecution du programme. 10.15. Fonctions math ematiques sin cos tan sinh cosh tanh ... asin acos atan asinh acosh atanh ... exp log log10 sqrt x(x) : donne le plus petit entier inf erieur ou egal au r eel x oor(x) : donne la partie enti` ere de x ceil(x) : le plus proche entier plus grand ou egal ` ax round(x) : mod(x) : le reste de la division sign : autres fonctions : f actor isprime primes gcd(pgcd) lcm(ppcm)

CHAPITRE 11 TRAVAUX SUR ORDINATEUR EQUATION DE LA CHALEUR EN 1D

11.1. Equation de la chaleur On sint eresse ` a lapproximation de l equation de diusion suivante : u (x) = f (x), pour 0 < x < 1 u(0) = ug , u(1) = ud Soit x0 , x1 , x2 , . . . , xN s , xN s+1 , une subdivision r eguli` ere de lintervalle [0, 1] de pas h. On note ui une approximation de u(xi ). La solution u =t (u1 , u2 , ..., uN s ) du syst` eme pr ec edent est obtenue par la m ethode des di erences nies suivante : 1 ui1 ui ui+1 ui = f , pour i = 1, . . . , N s i . h h h u0 = ug , uN s+1 = ud 1. Ecrire ce syst` eme sous la forme AU = b, o` u A est une matrice sym etrique. 2. D enir sous Matlab : (a) la fonction f(x,m) qui admet le r eel x et lentier m comme arguments et est d enie par : 0. si m = 0 2. si m = 1 x2 si m = 2 f (x, m) = ; 2 4. sin(2. x) si m = 3 10. ex si m = 4 ... function y = f(x,m) % Terme source switch m case 0 y = zeros(size(x)) ; case 1 y = ....

124

CHAPITRE 11. TRAVAUX SUR ORDINATEUR

EQUATION DE LA CHALEUR EN 1D

case 2 y = ..... case 3 y = ..... case 4 y = ..... otherwise error(Argument m ind efini dans f); end end (b) la fonction solex(x,ug ,ud ,m) qui est la solution exacte de l equation associ ee ` a la fonction f(x,m) et aux valeurs ug et ug . function y = solex(x, ug, ud, m) % Solutions exactes switch m case 0 end end Dans un script : (c) Cr eer le vecteur X des abscisses des sommets du maillage ; (d) Cr eer la matrice A et le vecteur b, et r esoudre AU = b (en utilisant la r esolution de matlab). (e) Comparer la solution exacte et la solution calcul ee en fonction de N s et m. Tracer la solution exacte et la solution approch ee. % Ce programme r esoud l equation de la chaleur en dimension 1 % Param` etres dentr ee % m : cas d etude pour le terme de for cage f(x) % Ns : nombre de points de maillage (nombre de sommets) % ug et ud : Conditions aux limites en x=0 et x=1 clear all clf disp(========================) disp(==== Equation de la diffusion =======) disp(========================) disp( Le second membre, choix de la fonction f ) disp( pour m=0 ; f=0 et u = ) disp( pour m=1 ; f=-2x) disp( pour m=2 ; f=x^2) disp( pour m=3 ; f=4*pi)

11.1. EQUATION DE LA CHALEUR

125

disp( pour m=4 ; f=exp(x)) % Donn ees du probl` eme m, Ns, ug,ud % creation du vecteur % Syst` eme lin eaire : % Second membre b % R esolution du syst` eme lin eaire tic; U = A \ b; time_matlab = toc; % Calcul de la solution exacte aux points du maillage Uex = solex(X, ug, ud, m); % Erreur relative par inversion directe err = abs((Uex-U)); ErreurMax= max(err)/max(abs(Uex)) Erreur2= norm(err)/norm(Uex) Remplir la matrice A

% Graphismes % M ethode de Jacobi % M ethode de Gauss-Seidel % M ethode LU % Comparaison (f) R esoudre le syst` eme AU = b par la m ethode de Jacobi en tirant prot du fait que A est matrice tridiagonale. Comparer en temps CPU la r esolution de matlab et la r esolution propos ee. function [x, k, erreur, converge] = jacobi_tri(A,b,itermax, tolerence) %-------------------------------------------------------------------------% r esoud le syst` eme lin eaire Ax=b par la m ethode de Jacobi pour une matrice % tridiagonale % Les seuls coefficients non nuls de A sont A(i,i-1), A(i,i) et A(i,i+1)

126

CHAPITRE 11. TRAVAUX SUR ORDINATEUR

EQUATION DE LA CHALEUR EN 1D

% A= D-E-F % D Xk1 = (E+F)Xk +b % itermax = nombre diterations maximales % tolerence = lerreur entre deux it er es successives pour la convergence % % k = nombre dit eration que lalgorithme effectue si lalgoritme converge % si la methode ne converge pas alors k = itermax % erreur : lerreur entre xk1 et xk ; % si la methode converge erreur <= tolerence % % converge = 1 si la methode converge sinon = 0 % -----------------------------------------------------------------------[n,n] = size(A); xk1 = zeros(n,1); xk = zeros(n,1); x= zeros(n,1) ; converge = 0 ; for k=1:itermax % resolution dune iteration de Jacobi xk1(1) = (b(1)- A(1,2)*xk(2) ) /A(1,1) ; for i=2: n-1 xk1(i) = A COMPLETER ; end xk1(n) = A COMPLETER ; % erreur = norm (xk1-xk); if (erreur <= tolerence) x=xk1; converge =1 break %%% on sort de la boucle else xk=xk1; end end end

(g) R esoudre le syst` eme AU = b par la m ethode de Gauss-Seidel en tirant prot du fait que A est matrice tridiagonale. Comparer en temps CPU la r esolution de matlab et la r esolution propos ee.

11.2. FLAMBAGE DUNE BARRE (FACULTATIF)

127

(h) Stocker A sous forme dune matrice tridiagonale, faire la d ecomposition LU et r esoudre le syst` eme lin eaire. Comparer en temps CPU la r esolution de matlab et la r esolution propos ee. 11.2. Flambage dune barre (facultatif ) Soit une barre verticale, repr esent ee par un segment [0,1], x ee aux extr emit es en 0 et 1, soumise ` une force P . Quand P est faible, la barre nest pas d a eform ee. Lorsquon augmente P , on atteint une valeur critique ` a partir de laquelle la barre se d eforme. Le probl` eme est de d eterminer cette force critique. La d eformation horizontale u(x) de la barre pour x [0, 1] est solution du probl` eme suivant : (c(x)u (x)) = P u(x), u(0) = 0, u(1) = 0 x (0, 1) (11.9)

o` u c(x) est une fonction positive qui d epend des caract eristiques de la barre (section, elasticit e). Le probl` eme (11.9) est un probl` eme de valeur propre. On cherche la plus petite valeur de P , cest ` a dire la plus petite valeur propre de lop erateur (c(x)u (x)) . Dans le cas simple o` u la fonction c est une constante, par exemple pour c = 1 les solutions sont les couples (u, P ) avec P = (k )2 , u(x) = sin(kx), k 1.

xi+1 ). avec ci+ 1 = c( xi +2


2

Dans le cas o` u la fonction c d epend de x, on cherche une solution approch ee par la m ethode des di erences nies en consid erant lapproximation suivante (m emes notations xi et ui que dans la partie 2) : ui1 ui ui+1 ui 1 c ci+ 1 = P ui , pour i = 1, . . . , N s 1 i 2 2 . (11.10) h h h u0 = 0, uN s+1 = 0 1. V erier que le syst` eme (11.10) v erie AU = P U avec U = (u1 , u2 , , uN s ) et c 3 c1 + c3 2 2 2 c3 + c5 c 5 3 1 c 2 2 2 2 A= 2 . h ... cN s 1 cN s+ 1 + cN s 1
2 2 2

2. En utilisant la fonction eig(A) et dans le cas c = 1, calculer les valeurs propres de A et comparer avec la solution exacte en fonction de N s. 2 3. Etudier le cas o` u c(x) = (x 1 2) .

BIBLIOGRAPHIE

[1] P. Lascaux, R. Th eodor. Analyse num erique matricielle appliqu ee a ` lart de ling enieur, Tomes 1 et 2 Masson 1986. [2] G. Allaire, S.M. Kaber, Alg` ebre lin eaire num erique Ellipse, math ematiques 2e cycle edition, 2002. [3] M. Crouzeix, AL Mignot Analyse num erique des equations di erentielles, collec. Math. Appli. pour la maitrise. Masson, 1984. [4] J.P. Demailly, Analyse num erique et equations di erentielles, collection Grenoble Sciences. [5] O.G. Ciarlet, Introduction et analyse num erique matricielle et a ` loptimisation, Dunod.