Resume du cours dAnalyse Numerique du

Professeur Marco Picasso

jean-eloi.lombard@epfl.ch

19 juillet 2007

Table des mati`

eres
1 Probl`
emes dinterpolation

2 D
erivation Num
erique
2.1 Derivees numeriques dordre 1 . . . . . . . . . . . . . . . . . .
2.2 Derivees numeriques dordre superieur . . . . . . . . . . . . .

3
3
5

3 Int
egration Num
erique
3.1 Generalites . . . . . . . . . . . . .
3.1.1 Formule du rectangle . . . .
3.1.2 Formule de Gauss-Legendre
3.1.3 Formule de Simpson . . . .

.
.
.
.

5
5
7
7
8

.
.
.
.

8
8
9
9
10

5 R
esolution de syst`
emes lin
eaires par des m
ethodes it
eratives
5.1 But . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3 Methodes de Jacobi et de Gauss . . . . . . . . . . . . . . . .
5.3.1 Methode de Jacobi . . . . . . . . . . . . . . . . . . . .
5.3.2 Methode de Gauss-Seidel . . . . . . . . . . . . . . . .

10
10
10
11
11
11

4 D
ecomposition de Cholesky
4.1 Decomposition LU . . . .
4.1.1 Exemple . . . . . .
4.2 Decomposition LLT . . .
4.2.1 Exemple . . . . . .

et
. .
. .
. .
. .

LU
. . .
. . .
. . .
. . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

`
TABLE DES MATIERES

6 Equations
non-lin
eaires
12
6.1 Methode de Newton-Raphson . . . . . . . . . . . . . . . . . . 12
6.2 Syst`emes non-lineaires . . . . . . . . . . . . . . . . . . . . . . 12

7 Equations
diff
erentielles
13
7.1 Schemas dEuler . . . . . . . . . . . . . . . . . . . . . . . . . 14
7.1.1 Schema dEuler progressif . . . . . . . . . . . . . . . . 14
7.1.2 Schema dEuler retrograde . . . . . . . . . . . . . . . . 15
8 Probl`
emes aux limites unidimensionnels
15
8.1 Methode des differences finies . . . . . . . . . . . . . . . . . . 15
9 Probl`
emes paraboliques
9.1 Presentation du probl`eme . . . . .
9.2 Discretisation . . . . . . . . . . . .
9.3 Integration numerique . . . . . . .
9.3.1 Schema dEuler progressif .
9.3.2 Schema dEuler retrograde .
9.4 Convergence . . . . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

16
16
17
17
17
17
18

10 Probl`
emes hyperboliques
18

10.1 Equation
de transport 1D et difference finie . . . . . . . . . . 18
10.1.1 Presentation du probl`eme . . . . . . . . . . . . . . . . 18
10.1.2 Discretisation . . . . . . . . . . . . . . . . . . . . . . . 18
10.1.3 Approximation par la methode de difference finie decentree 18
10.1.4 Condition de stabilite . . . . . . . . . . . . . . . . . . 19

10.2 Equation
des ondes 1D . . . . . . . . . . . . . . . . . . . . . . 19
10.2.1 Discretisation . . . . . . . . . . . . . . . . . . . . . . . 19
10.2.2 Resolution par la methode de difference finie centree . 19
10.2.3 Stabilite . . . . . . . . . . . . . . . . . . . . . . . . . . 19
11 Probl`
emes de convection-diffusion
20
11.1 Discretisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
11.2 Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

`
PROBLEMES
DINTERPOLATION

Probl`
emes dinterpolation

Base de Lagrange La base de Lagrange est donnee par les polynomes :

n
Y

j (t) =

k=0
k 6= j

t tk
tj tk

avec tj des valeurs distinctes donnees.

Polyn
ome interpollant Le polynome interpollant de la fonction f est
donne par :
X
p(t) =
f (tj )j (t)
j

Theoreme 1.1 (Erreur maximale) Soit f une fonction (n+1) fois derivable
sur [a; b].
Si pn (le polyn
ome interpollant de f ) est defini, alors :
1
max |f (t) pn (t)|
2(n + 1)
t[a;b]

ba
n

n+1

max |f (n+1) (t)|

t[a;b]

D
erivation Num
erique

2.1

D
eriv
ees num
eriques dordre 1

Soit f C 1 : R R, x0 R et h > 0. On approxime f 0 (x0 ) par les trois

operateurs suivants :
2. f 0 (x0 )

f (x0 +h)f (x0 )

h
f (x0 )f (x0 h)
h

3. f 0 (x0 )

f (x0 + h
)f (x0 h
)
2
2
h

1. f 0 (x0 )

=
=

h f (x0 )
h
h f (x0 )
h

h f (x0 )
h

D
efinition 2.1 (Op
erateurs de diff
erence premi`
ere finie) Lorsque h >
0 est donne, les operateurs h , h et h sont appeles operateurs de difference
premi`ere respectivement progressive, retrograde et centree.
Theoreme 2.1 Les operateurs de difference premi`ere h , h et h sont
lineaires.

DERIVATION
NUMERIQUE

Theoreme 2.2 Si f C 2 : R R et si x0 R est fixe et si h0 R+

alors :


 0

f (x0 ) f (x0 + h) f (x0 )  < Ch
h h0


h
Theoreme 2.3 Si f C 3 : R R, x0 R fixe et h0 R+ donne
alors il existe C R+ tel que :

h
h 
 0
f (x0 ) f (x0 + 2 ) f (x0 2 )  Ch2
h h0


h
D
emonstration Supposons f C 3 . Le developpement limite de f
autour de x0 est donc donne par :


h
h
f 00 (x0 ) h2 f 000 () h3
f x0 +
= f (x0 ) + f 0 (x0 ) +
+
(1)
2
2
2!
4
3! 8


h
h
f 00 (x0 ) h2 f 000 () h3
f x0
(2)
= f (x0 ) f 0 (x0 ) +

2
2
2!
4
3! 8
avec ]x0 , x0 + h2 [ et ]x0 h2 , x0 [. En soustrayant lequation 1 `a lequation
2 et en divisant le resultat par h, il vient :

 2
 000
h 
h
000
 0


f (x0 ) f (x0 + 2 ) f (x0 2 )  =  f () + f ()  h

 
 24
h
2
et pour finir, il suffit de poser :
C=

1
max
|f 000 (x)|
24 x]x0 h2 ,x0 + h2 [

D
efinition 2.2 (Erreurs de troncatures) h fh(x0 ) , h fh(x0 ) et h fh(x0 ) sont
les formules de differences finies progressives, retrogrades et centrees pour
lapproximation de f 0 (x0 ). Les differences


 0

f (x0 ) f (x0 + h) f (x0 ) 


h


 0

f (x0 ) f (x0 ) f (x0 h) 


h

h
h 
 0
f (x0 ) f (x0 + 2 ) f (x0 2 ) 


h

INTEGRATION
NUMERIQUE

sont les erreurs de troncatures. Les deux premi`eres sont dordre h et on

dit quelles sont consistantes `
a lordre 1 en h, alors que la troisi`eme est de
lordre h2 et consistante `
a lodre 2 en h. Ainsi la formule de differences finies
centrees est la plus precise.

2.2

D
eriv
ees num
eriques dordre sup
erieur

D
efinition 2.3 (Op
erateurs de diff
erences m finies) Les operateurs aux
differences finies sont generalises par les definitions recursives suivantes :
m1
m
f)
h f = h (h
m1
m
f)
h f = h (h

hm f = h (hm1 f )
Ainsi loperateur de difference seconde centree finie est donne par :
h2 f (x) = f (x + h) 2f (x) + f (x h)
et lapproximation de la derivee seconde est donnee par :
f 00 (x0 ) '

h2 f (x0 )
f (x0 + h) 2f (x0 ) + f (x0 h)
=
2
h
h2

Theoreme 2.4 Soit m N, f C m+1 : R R, x0 R et h0 R+

alors il existe C R+ tel que


m f (x ) 
 m

0
h
f x0
 < Ch
h h0

hm 


m

 m
f x0 h f (x0 )  < Ch
h h0


m
h
Theoreme 2.5 Soit m N, f C m+2 : R R, x0 R et h0 R+
alors il existe C R+ tel que :


m
 m

f x0 h f (x0 )  < Ch2
h h0


m
h

3
3.1

Int
egration Num
erique
G
en
eralit
es

D
efinition 3.1 (Formule du Trap`
eze) Si g est une fonction continue sur
[-1 ;1], la formule de quadrature
J(g) =

M
X
j=1

j g(tj )

INTEGRATION
NUMERIQUE

est definie par la donnee de M points dintegrations t1 , . . . , tM et M reels

1 , . . . , M appeles poids de la formule de quadrature.
D
efinition 3.2 La formule de quadrature
M
X

J(g) =

j g(tj )

j=1

pour calculer numeriquement

degres r 0 si

R +1
1

p(t)dt est exacte pour les polynomes de

tM

J(p) =

p(t)dt
t1

pour tout polyn

ome p de degre r
Theoreme 3.1 Supposons :
P
omes de degre r
1. J(g) = M
j=1 j g(tj ) exacte pour des polyn
2. f une fonction donnee sur [a; b]
3. Lh (f ) la formule composite definie par
Lh (f ) =

N
1
X
i=0



M
(xi+1 xi )(tj + 1)
xi+1 xi X
j f xi +
2
2
j=1

4. h le pas dintegration.
5. f (r + 1) fois continuement derivable sur [a; b]
alors il existe une constante C independante de xi telle que

Z b



 Chr+1
f
(x)dx

L
(f
)
h



(3)

Theoreme 3.2 Soit t1 . . . tM , M points distincts de [1; 1] et soit

1 , . . . , M la base de Lagrange de PM 1 associee `
a ces M points, alors
J(g) =

M
X

j g(tj )

j=1

est exacte pour les polyn

omes de degre M 1 si et seulement si
Z 1
j =
j (t)dt
j = 1, . . . , M
1

(4)

INTEGRATION
NUMERIQUE

3.1.1

Formule du rectangle

D
efinition 3.3 (Formule du rectangle) Formule `
a 1 point (t1 = 0)
J(g) = 2g(0)
3.1.2

Formule de Gauss-Legendre

D
efinition 3.4 (Polyn
ome de Legendre)
LM (t) =

1
dM 2
(t 1)M
2M M ! dtM

Proposition 3.1 Les M polyn

omes de Legendre forment une base orthogononale de PM .
Proposition 3.2 LM a exactement M racines distinctes dans [1; 1]. Ces
zeros sont appeles points de Gauss.
D
efinition 3.5 (Formule de Gauss-Legendre) La formule
J(g) =

M
X

j g(tj )

j=1

est la formule de Gauss-Legendre `

a M points si
1. les points dintegration t1 . . . tM sont les M solutions du polyn
ome
de Legendre LM .
2. les poids j sont defini par :
Z

j =

j (t)dt

j = 1, . . . , M

ou 1 , . . . , M est la base de Lagrange de PM 1 associe aux M points

de Gauss.
Proposition 3.3 La formule de Gauss-Legendre `
a M points est exacte pour
les polynomes de degres r = 2M 1.

DECOMPOSITION
DE CHOLESKY ET LU

3.1.3

Formule de Simpson

D
efinition 3.6 (Formule de Simpson) Formule `
a trois points t1 = 1,
t2 = 0, t3 = 1. La base de Lagrange associee `
a ces trois points est donnee
par :
1 (t) =

t2 t
2

2 (t) = 1 t2

3 (t) =

do`
u, dapr`es lequation 4 :
Z 1
Z 1
1
4
1 =
1 (t)dt =
2 =
2 (t)dt =
3
3
1
1

t2 + t
2

3 =

3 (t)dt =
1

1
3

la formule de Simpson secrit donc :

1
4
1
J(g) = g(1) + g(0) + g(1)
3
3
3
Proposition 3.4 La formule est exacte pour des polyn
omes de degre 3.
Proposition 3.5 Lerreur est donnee par lequation 3 qui devient :
Z b




 Ch4
f
(x)dx

L
(f
)
h


a

D
ecomposition de Cholesky et LU

D
efinition 4.1 (Matrice r
eguli`
ere) Une matrice est dite reguli`ere si et
seulement si elle est inversible. Les deux termes sont equivalents.

4.1

D
ecomposition LU

Theoreme 4.1 Si A est une N N matrice dont toutes les sous-matrices

principales (les matrices carrees formee sur la diagonale) sont reguli`eres,
alors il existe une decomposition unique
A = LU
avec L un matrice Lower Triangular et U une matrice Upper Triangular avec que des 1 sur la diagonale. La matrice U est obtenue par lelimination
de Gauss.

DECOMPOSITION
DE CHOLESKY ET LU

4.1.1

Exemple

Soit A M at(3, 3, R) et cherchons sa decomposition LU, on a donc :

1 u12 u13
l11
et U =
1 u23
L = l21 l22
1
l31 l32 l33
en effectuant le produit LU il vient :

l11 l11 + u12

l11 u13

LU = l21 l21 u12 + l22 l21 u13 + l22 u23

l31 l31 u21 + l32 l31 u13 + l32 u23 + l33
puis il suffit didentifier avec la matrice A :
A = LU

a11 a12 a13

l11 l11 + u12
l11 u13

a21 a22 a23 = l21 l21 u12 + l22 l21 u13 + l22 u23
a31 a32 a33
l31 l31 u21 + l32 l31 u13 + l32 u23 + l33

4.2

D
ecomposition LLT

D
efinition 4.2 (Matrice sym
etrique d
efinie positive) A M at(n, n, R)
est dite symetrique definie positive si :
1. A = AT (A est symetrique)
2. y T Ay 0 pour tout y Rn
3. y T Ay = 0 si et seulement si y = 0 pour tout y Rn
Soit A M at(n, n, R) avec n N.
Theoreme 4.2 Si A M at(n, n, R) est symetrique definie positive alors
toutes ses sous-matrices principales sont symetriques definies positives et
sont donc reguli`ere.
Theoreme 4.3 (de Cholesky) Si A est une matrice symetrique definie
positive alors il existe une unique matrice triangulaire inferieure `
a valeurs
diagonales positives, notee L, telle que LLT = A.

RESOLUTION
DE SYSTEMES
LINEAIRES
PAR DES METHODES
ITERATIVES10

4.2.1

Exemple

Soit A M at(3, 3, R), cherchons sa decomposition de Cholesky. La matrice L `a la forme :

l11

L = l21 l22
l31 l32 l33
donc LT est donee par :

l11 l21 l31

l22 l32
LT =
l33
et le produit LLT est donne par :
2

l11
l11 l21
l11 l31
2 + l2
l21 l31 + l22 l32
LLT = l21 l11 l21
22
2 + l2 + l2
l11 l31 l31 l21 + l32 l22 l31
32
33
il suffit ensuite didentifier termes `a termes avec les elements de A.

R
esolution de syst`
emes lin
eaires par des m
ethodes
it
eratives

5.1

But

Lorsquil sagit de resoudre un syst`eme de N equations `a N inconnues

de la forme :
A~x = ~b

(5)

il faut utiliser des algorithmes (elimination de Gauss, decomposition LU, ou

decomposition de Cholesky si la matrice est symetrique definie positive) de
complexite o(N 3 ). Il est donc interessant dapproximer les solutions de tels
syst`emes par des methodes iteratives.

5.2

M
ethode

Soit A, K, M M at(N, N, R) telles que :

A=K M

(6)

RESOLUTION
DE SYSTEMES
LINEAIRES
PAR DES METHODES
ITERATIVES11

avec K une matrice reguli`ere, alors lequation 5 devient :

~x = K 1 M~x + K 1~b
De cette egalite nous construisons le schema suivant :
1. choix arbitraire de ~x0
2. itteration sur ~xn+1 = K 1 M~xn + K 1~b

5.3

M
ethodes de Jacobi et de Gauss

Soit D la diagonale de la matrice A, F les el`ements au dessus de la

diagonale et E ceux en dessous, alors :
A=DEF
5.3.1

M
ethode de Jacobi

Posons K = D et M = E + F , alors la matrice :

J = K 1 M = D1 (E + F )
est appelee la matrice de Jacobi. Ainsi le schema devient :
1. choix arbitraire de ~x0
2. itteration sur ~xn+1 = J~xn + D1~b
Theoreme 5.1 (Condition de Convergence) Si A et 2D A sont des
matrices symetriques definies positives alors la methode de Jacobi est convergente.
5.3.2

M
ethode de Gauss-Seidel

Posons K = D E et M = F , ce qui donne la matrice de Gauss-Seidel

definie par :
G = K 1 M = (D E)1 F
et pour le schema :
1. choix arbitraire de ~x0
2. itteration sur (D E)~xn+1 = F ~xn + ~b
Theoreme 5.2 (Condition de convergence) Si A est une matrice symetrique
definie positive, alors la methode de Gauss-Seidel est convergente.

EQUATIONS
NON-LINEAIRES

12

Equations
non-lin
eaires

Pour chercher un zero dune fonction f C 1 : R R il faut proceder

au schema numerique suivant :
1. localisation de x0 solution grossi`ere par une methode graphique
2. construction dune suite xn : N R telle que limn xn = x
avec x

solution de f (x) = 0.

6.1

M
ethode de Newton-Raphson

Soit f C 1 : R R admettant x
comme solution verifiant f 0 (
x) 6= 0.
Supposons connu x0 une approximation grossi`ere de la solution x
. La methode
de Newton-Raphson est definie par la suite :
xn+1 = xn

f (xn )
f 0 (xn )

(7)

Theoreme 6.1 Soit :

1. f C 2 : R R
2. x
verifiant f (
x) = 0 et f 0 (
x) 6= 0.
+
alors il existe  R et x0 R tel que si |x0 x
|  la suite donnee par la
methode de Newton-Raphson 7 converge quadratiquement vers x
.
Theoreme 6.2 (Condition de convergence dune m
ethode de point fixe)
Soit g C 1 : R R et x
un point fixe de g (soit g(
x) = x
).
Si |g 0 (
x)| < 1
Alors il existe  > 0 tel que si |
x x0 |  alors la suite :
xn+1 = g(xn )
converge lineairement lorsque n .

6.2

Syst`
emes non-lin
eaires

Soit N N et F : RN RN une fonction dont on cherche une solution,

cest `a dire un vecteur ~xsolution verifiant f (~xsolution ) = ~0. Lequation f (~x) = ~0
est donc un syst`eme non-lineaire (a priori) de N equations `a N inconnues.
En posant ~x = (x1 , . . . , xN ) lequation f (~x) = ~0 est equivalent `a :

f1 (~x)
0

.
.
~
..
f (~x) = 0
= ..
fN (~x)

EQUATIONS
DIFFERENTIELLES

13

en admettant f1 , . . . , fN C 1 il est possible de definir la matrice Jacobienne

de f associee au point ~x RN par :

f1 (x)
. . . fx1 (x)
x1
N

..
..
..

Df (x) =
.
.
.

fN (x)
fN (x)
.
.
.
x1
xN
La methode de Newton-Raphson est ainsi genearlisee aux syst`emes nonlineaires par :
~xn+1 = ~xn Df (~xn )1 f (~xn )
Df (~xn )(~xn ~xn+1 ) = f (~xn )

Proposition 6.1 Si la solution grossi`ere ~x0 est suffisament proche de

la solution ~xsolution alors la methode de Newton-Raphson generalisee au
syst`emes non-lineaire converge quadratiquement.
Le sch
ema num
erique pour la resolution dun syst`eme non-lineaire est
donc donnee par :
1. construction du vecteur ~b = f (~xn )
2. construction de la matrice A = Df (~xn )
3. resolution du syst`eme A~y = ~b (avec ~y = ~xn ~xn+1 ) par :
(a) elimination de Gauss
(b) decomposition (LU ou LLT )
(c) methode de Gauss-Seidel ou Jacobi
4. on pose ~xn+1 = ~xn ~y

Equations
diff
erentielles

Soit f C 1 : (x, t) R R+ R et u0 R la valeur initiale. Nous

cherchons une fonction f C 1 : R+ R qui satisfait :
u(t)

= f (u(t), t)

t 0

u(0) = u0
la recherche dune telle fonction est dite probl`eme de Cauchy.

EQUATIONS
DIFFERENTIELLES

14

Theoreme 7.1 Soit :

1. f C 1 : R R
2. l : R R telle que pour tout x, y R et t R+
(f (x, t) f (y, t)) (x y) l(t)|x y|2
alors le prob`eme de Cauchy admet une solution globale unique.
Theoreme 7.2 (Cauchy-Lipschitz) Soit :
1. f C 1 : R R
2. L R, x, y R et t R+ tel que
|f (x, t) f (y, t)| L|x y|
alors le probl`eme de Cauchy admet une solution globale unique.

7.1

Sch
emas dEuler

Dans les deux cas, on approxime :

u(t)

=
7.1.1

u(tn+1 ) u(tn )
u(tn+1 ) u(tn )
=
tn+1 tn
hn

Sch
ema dEuler progressif

Le schema est defini par lapproximation suivante du probl`eme de Cauchy :

un+1 un
= f (un , tn )
hn
u0 = u0

n = 0, . . . , n

ce schema est explicite, cest-`a dire quil permet de calculer directement un+1
en fonction de un :
un+1 = un + hn f (un , tn )

`
PROBLEMES
AUX LIMITES UNIDIMENSIONNELS

7.1.2

15

Sch
ema dEuler r
etrograde

Le schema est defini par :

un+1 un
= f (un+1 , tn+1 )
hn
u0 = u0

n = 0, . . . , n

Ce schema est implicite car il nest pas possible de calculer directement un+1
en fonction de un car :
un+1 hn f (un+1 , tn+1 ) = un

Probl`
emes aux limites unidimensionnels

Etant
donne deux fonction f, c C 1 : [0; 1] R, on cherche une fonction
u C 2 : [0; 1] R verifiant :
u00 (x) + c(x)u(x) = f (x)

0<x<1

u(0) = u(1) = 0

8.1

M
ethode des diff
erences finies

Soit N N le nombre de points de discretisation et h = N 1+1 le pas

despace. On pose xj = jh j = 1, . . . , N + 1 et on approxime u00 (x) par :
u00 (x) =
=

h2 u(x)
+ O(h2 )
h2
u(x + h) 2u(x) + u(x h)
+ O(h2 )
h2

Le probl`eme est donc approxime par la methode de difference finie centree :

uj1 + 2uj uj+1
+ c(xj )uj = f (xj )
h2
u0 = uN +1 = 0

1jN

(8)

Si ~u est un vecteur de dimension N de composantes u1 , . . . , un et si f~ est

le vecteur de dimension N de composantes f (x1 ), . . . , f (xn ) et si A est la

`
PROBLEMES
PARABOLIQUES

matrice tri-diagonale definie par :

2 + c1 h2
1

1
2 + c2 h2 1

1
..
.
1
A= 2
h

..

16

..

..

.
1
1 2 + cn h2

avec ci = c(xi ) alors le probl`eme 8 est equivalent `a A~u = f~.

Theoreme 8.1 On suppose :
1. c(x) 0, x [0; 1]
2. u C 4
alors il existe une constante C telle que :
max |u(xj ) uj | Ch2

1jN

Lerreur est donc 4 fois plus petite chaque fois que lon double le nombre de
points de discretisation.

Probl`
emes paraboliques

9.1

Pr
esentation du probl`
eme

Soit :
1. un barreau metallique sur lintervalle [0; L]
2. soit w(x) la temperature au temps t0 au point x.
3. soit f (x, t) la puissance par unite de longueur fournie au point x [0; L]
au temps t > t0 .
4. R+ la densite volumique, cp R+ la chaleur specifique et k R+
la conductivite thermique.
5. alors la temperature u(x, t) du barreau au point x `a linstant t est
donne par :
cp

u(x, t)
2 u(x, t)
k
= f (x, t)
t
x2
u(0, t) = u(L, t) = 0
u(x, 0) = w(x)

x ]0; L[, t > 0 (9)

t > 0
x ]0; L[

`
PROBLEMES
PARABOLIQUES

9.2

17

Discr
etisation

Discretisons lintervalle representant le barreau en posant N N le

nombre de points de discretisation, h = N 1+1 le pas despace et xi = ih
avec i = 0, . . . , N + 1. On a donc ~u(x, t) ~ui (t). En posant R+ le pas
de temps et n N on a tn = n donc ~u(tn ) ~un .

9.3
9.3.1

Int
egration num
erique
Sch
ema dEuler progressif

En utilisant le schema dEuler progressif on a donc :

~un+1 ~un
= A~un + f~(n )

~u0 = w
~

nN

ce qui, en explicitant ~un+1 donne :

~un+1 = (I A)~un + f~(n )
~u

nN

= w
~

avec

.
k 1 . .
A= 2
..
h

..

..
. 1
1 2
.

et I la matrice identite.
Proposition 9.1 (Condition de stabilit
e) Le pas temporel est limite
par la condition de stabilite :

9.3.2

h2
2k

Sch
ema dEuler r
etrograde

En utilisant le schema dEuler retrograde, le probl`eme parabolique devient :



~un+1 = (I A)1 ~un + f~ ((n + 1) )
nN
~u0 = w
~
Contrairement au schema progressif, le schema retrograde est stable pour
tout pas de temps R+ .

10

`
PROBLEMES
HYPERBOLIQUES

9.4

18

Convergence

Les deux schemas sont dordre 1 en temps et 2 en espace. Lerreur commise est donc dordre + h2 .

10
10.1
10.1.1

Probl`
emes hyperboliques

Equation
de transport 1D et diff
erence finie
Pr
esentation du probl`
eme

Soit f, c C 1 : R R+ R. Nous cherchons u : R R+ verifiant

lequation :
u(x, t)
u(x, t)
+ c(x, t)
= f (x, t)
t
x
u(x, 0) = w(x)
10.1.2

x R, t > 0
x R

Discr
etisation

Pour approximer le probl`eme utilisons un pas spatial h tel que xj = jh

j = 1, 2, . . . et un pas de temps , ce qui donne tn = n avec n = 0, 1, . . ..
On a donc u(x, t) unj .
10.1.3

Approximation par la m
ethode de diff
erence finie d
ecentr
ee

Le schema numerique de la methode de difference finie decentree est

donnee par :




n
n )+ (un un )
n ) (un
n
(c
(c
un+1

u
j
j1
j+1 uj )
j
j
j
j
+
+
= f (jh, n )

h
h
j = 0, 1, 2, . . . et n = 0, 1, 2, . . .
avec :
(cnj )+ =

c(jh, n ) si c(jh, n ) > 0

0
sinon

c(jh, n ) si c(jh, n ) < 0

0
sinon

et
(cnj )

10

`
PROBLEMES
HYPERBOLIQUES

10.1.4

19

Condition de stabilit
e

La condition de stabilite sur et h est donnee par :

h
supxR,t>0 |c(x, t)|

10.2

Equation
des ondes 1D

Soit f C 0 : [0; 1]R+ R, v, w : [0; 1] R et c R+ . Nous cherchons

une fonction u : [0; 1] R+ R telle que :
2
2 u(x, t)
2 u(x, t)

c
= f (x, t)
t2
x2
u(0, t) = u(1, t) = 0

u(x, 0) = w(x)
u(x, 0)
= v(x)
t
10.2.1

x ]0; 1[,

t > 0

t
x ]0; 1[
x ]0; 1[

Discr
etisation

Pour approximer le probl`eme utilisons un pas spatial h tel que xj = jh

j = 1, 2, . . . et un pas de temps , ce qui donne tn = n avec n = 0, 1, . . ..
On a donc u(x, t) unj .
10.2.2

R
esolution par la m
ethode de diff
erence finie centr
ee

Suite `a une discretisation en temps et en espace, lequation donde devient :

~un+1 = (2I 2 c2 A)~un un1 + 2 f~(n )
un0
0
~u

un+1
j

10.2.3

unj

unN +1

(10)

=0

= w(x)
~
= vj (x)

Stabilit
e

Theoreme 10.1 Le schema 10 est stable si la condition suivante est satisfaite :

h
c

11

`
PROBLEMES
DE CONVECTION-DIFFUSION

11

20

Probl`
emes de convection-diffusion

Soit f, c C 0 : [0; 1] R et  R+ . Nous cherchons une fonction

u : [0; 1] R verifiant :
u00 (x) + c(x)u0 (x) = f (x)

x ]0; 1[

(11)

u(0) = u(1) = 0

11.1

Discr
etisation

Soit N N et h =
uj u(xj ).

11.2

1
N +1 ,

on a alors xj = jh avec j = 0, 1, . . . , N + 1 et

Sch
ema

En posant j [0; 1] il est possible dapprocher :

u0 (xj ) j

uj uj1
uj+1 uj
+ (1 j )
h
h

qui est une moyenne ponderee de la difference finie retrograde et progressive.

Utilisons donc le schema numerique decentre suivant pour discretiser 11 :


2uj uj+1 uj1 c(xj )

+
j (uj uj1 ) + (1 j )(uj+1 uj ) = f (xj )
h2
h
j = 1, . . . , N
u0 = uN +1 = 0
De mani`ere `a obtenir la meilleur approximation il faut poser :
j =

hc(xj )
1 1

+ coth

2 2
2
hc(xj )

R
ef
erences
[1] Picasso : Analyse Numerique pour Ingenieurs Presses Polytecniques et
Universitaires Romandes (2004)