Analyse Numérique et Calcul Scientifique

Introduction générale

Abdelkader FASSI FIHRI

2021/2022

EEMGC (UEMF) A. FASSI FIHRI 1 / 21

La modélisation mathématique c’est:
la conversion d’un problème concret, issu du monde réel, en modèle
abstrait de nature mathématique accessible à l’analyse et au calcul.

La simulation numérique c’est:

le processus qui permet de calculer sur ordinateur les solutions de ces
modèles abstraits et donc de simuler la réalité physique.

EEMGC (UEMF) A. FASSI FIHRI 2 / 21

La démarche de modélisation
On peut distinguer plusieurs étapes :
Le scientifique fait des hypothèses sur les phénomènes étudiés
Les hypothèses sont traduites mathématiquement en un modèle
On étudie le modèle mathématique; on en tire des conséquences
qualitatives ou quantitatives et on fait des prévisions.
On compare les prévisions aux réalités expérimentales
On revient éventuellement sur les hypothèses pour modifier le
modèle, et le cycle continue . . .

EEMGC (UEMF) A. FASSI FIHRI 3 / 21

Exemple modélisation
On considère un exemple issu de problèmes de dynamique des
populations (écologie animale) dont les caractéristiques générales
sont:
les hypothèses sont simples à exprimer
les hypothèses sont bâties sur des observations expérimentales
plutôt que sur des considérations idéologiques
les techniques mathématiques sont relativement simples
Tous les modèles étudiés décrivent un système dynamique
dépendant du temps
Outil mathématique principal : les équations différentielles

EEMGC (UEMF) A. FASSI FIHRI 4 / 21

Hypothèses
Les nombres de naissances et de morts dans une population, pendant
une période de courte durée, sont proportionnels
à l’effectif de cette population
à la durée de cette période
Soit u(t) l’effectif de la population à l’instant t. On étudie la variation de
u entre les instants t et t + ∆t.

u(t + ∆t) − u(t) = nb de naissances − nb de morts

et
nb de naissances pendant ∆t = au(t)∆t
nb de morts pendant ∆t = bu(t)∆t

EEMGC (UEMF) A. FASSI FIHRI 5 / 21

On écrit donc
u(t + ∆t) − u(t) = αu(t)∆t
avec α = a − b. Quand ∆t est assez petit,

u(t + ∆t) − u(t)

≈ u 0 (t)
∆t
et on peut écrire

Loi d’évolution (Malthus en temps continu)

u 0 (t) = αu(t)
où α est la différence entre le taux instantané de natalité et le taux
instantané de mortalité.

EEMGC (UEMF) A. FASSI FIHRI 6 / 21

Analyse du modèle
On obtient une équation différentielle du premier ordre, c’est à dire une
équation qui exprime la dérivée de u, en fonction de u. Si on connait la
valeur initiale u(0) = u0 , on sait alors calculer les valeurs u(t) pour tout
t >0:
u(t) = u0 eαt

EEMGC (UEMF) A. FASSI FIHRI 7 / 21

Les erreurs de modélisation peuvent provenir de
l’étape de "mathématisation" i.e. simplification ou mauvaise
description de la relation entre différents facteurs lors de la mise
en équations
pour réduire le degré de complexité d’un phénomème physique,
on est souvent amené à simplifier le système d’équations, ce qui
revient à négliger certaines composantes de la réalité physique.
Solution: Un choix convenable du modèle mathématique.

EEMGC (UEMF) A. FASSI FIHRI 8 / 21

Solutions analytiques
Les cours traditionnels de mathématiques nous familiarisent avec des
théories et des méthodes qui permettent de résoudre de façon ana-
lytique un certain nombre de problèmes. C’est le cas notamment des
techniques d’intégration et de résolution d’équations algébriques ou dif-
férentielles.
Bien que l’on puisse proposer plusieurs méthodes pour résoudre un
problème donné, celles-ci conduisent à un même résultat, normalement
exempt d’erreur.

EEMGC (UEMF) A. FASSI FIHRI 9 / 21

Mais ....
On ne peut pas résoudre analytiquement tous les problèmes mathéma-
tiques issus des sciences de l’ingénieur. On peut citer par exemple :
Calcul
Rπ d’une primitive de certaines fonctions, à titre d’exemple :
0 ln(cos x)2 dx
Calcul d’une solution explicite de certaines équations non
linéaires, par exemple : x = e−x
Résoudre certaines équations différentielles ordinaires, comme :
y 0 (x) = sin(y (x))
Résoudre certaines équations aux dérivées partielles
...

EEMGC (UEMF) A. FASSI FIHRI 10 / 21

Analyse Numérique
Dans un tel cas, on remplace la résolution mathématique du problème
par son approximation numérique en utilisant les techniques d’analyse
numérique.
Pour un problème donné, l’analyse numérique permet d’utiliser
plusieurs techniques de résolution qui résultent en plusieurs algo-
rithmes. Ces algorithmes dépendent de certains paramètres qui in-
fluent sur la précision du résultat. De plus on utilise en cours de calcul
des approximations plus ou moins précises. Par exemple, on peut rem-
placer une dérivée par une différence finie de façon à transformer une
équation différentielle en une équation algébrique. Le résultat final et
son ordre de précision dépendent des choix que l’on a fait.

EEMGC (UEMF) A. FASSI FIHRI 11 / 21

Boucle de modélisation

EEMGC (UEMF) A. FASSI FIHRI 12 / 21

Boucle de modélisation

EEMGC (UEMF) A. FASSI FIHRI 13 / 21

Types d’erreurs
Les sources d’erreurs sont innombrables. Elles sont responsables de
l’inexactitude de l’approximation obtenue par une méthode numérique.
Certaines erreurs sont la avant même de commencer les calculs!
Elle proviennent de différentes sources:
Les erreurs de modélisation
Les erreurs sur les données
Les erreurs d’approximation et de discrétisation
Les erreurs d’arrondi : représentation des nombres sur ordinateur
Les erreurs humaines : programmation

EEMGC (UEMF) A. FASSI FIHRI 14 / 21

Exemples d’erreurs de modélisation
Exemple 1 : Assimiler par exemple la terre de forme sphérique.
Or le rayon de la terre est r ≈ 6357km à l’équateur et r ≈ 6378km
aux pôles.
Exemple 2 : Le problème du pendule
θ00 (t) = − m
α 0
θ (t) − gl sin(θ(t)) Pour les petites oscillations on peut
écrire sin(θ(t)) ≈ θ(t). On obtient alors l’équation différentielle
linéaire θ00 (t) = − mα 0
θ (t) − gl θ(t)

EEMGC (UEMF) A. FASSI FIHRI 15 / 21

Les erreurs sur les données proviennent généralement de
l’imprécision des mesures physiques qui sont utilisées dans
l’algorithme.
Solution: Ces erreurs peuvent généralement être réduites en amélio-
rant la précision des mesures.

Remarque
Il est possible d’étudier l’influence de ces erreurs sur le résultat final,
par exemple à l’aide de la notion de conditionnement (sensibilité aux
erreurs).

Dans la suite de ce cours, nous ne nous intéresserons pas aux erreurs

de modélisation ni à celles sur les données.

EEMGC (UEMF) A. FASSI FIHRI 16 / 21

Exemples d’erreurs sur les données
Exemple 1 : La solution de l’équation différentielle
y 0 (t) = 3y (t) − 1 ∀t ∈ [0, 10] admet pour valeur y (10) = 13 avec la
condition initiale y (0) = 13 et y (10) = 13 + e30 avec la condition
initiale y (0) = 13 + . Même si  est petit, l’erreur sera amplifiée par
e30 .
Exemple 2 : Soit une matrice A et une perturbation à de A
     
1. 2 10 1. 2
A= b= Ã =
1.1 2 10.4 1.05 2

La solution exacte avec A est (4, 3) et pour à la solution est (8, 1).
Une "petite" variation de A produit une "grande" variation de la
solution.

EEMGC (UEMF) A. FASSI FIHRI 17 / 21

Erreurs de troncature
Ce type d’erreurs survient quand par exemple nous utilisons :
un nombre de termes finis pour faire l’approximation de la somme
d’une série infinie (série de Taylor. . . ),
calcul d’une intégrale à l’aide d’une somme finie,
calcul d’une dérivée à l’aide de différences finies,
...

EEMGC (UEMF) A. FASSI FIHRI 18 / 21

Exemple d’erreurs de troncature
On cherche à évaluer de manière numérique l’exponentielle z = exp(x).
Trouver z̃ approchant numériquement z.
Une méthode consiste à utiliser les séries de Taylor
+∞ k
X x
∀x ∈ R z = exp(x) =
k!
k =0

En considérant des
P ressources de calcul limitées, on en est réduit à
k
déterminer z̃ = Kk=0 xk ! pour le calcul de l’exponentielle, on commet
xk
donc l’erreur de troncature T = z − z̃ = +∞
P
k =K +1 k ! .

EEMGC (UEMF) A. FASSI FIHRI 19 / 21

Erreurs d’arrondi
Cette catégorie d’erreurs est liée à l’utilisation de l’ordinateur. En effet
la représentation sur ordinateur (généralement binaire) des nombres in-
troduit souvent des erreurs. Même infimes au départ, ces erreurs peu-
vent s’accumuler lorsqu’on effectue un très grand nombre d’opérations.
Par exemple, la fraction 13 n’a pas de représentation binaire finie 31 =
0.010 |{z}
10 |{z}
. . . , pas plus qu’elle ne possède de représentation décimale
finie. On ne pourra donc pas représenter exactement cette fraction, ce
qui introduit une erreur. En représentation décimale avec 3 chiffres sig-
nificatifs, le réel 13 × 3 = 0.999 6= 1.
Ces erreurs se propagent au fil des calculs et peuvent compromettre la
précision des résultats.

EEMGC (UEMF) A. FASSI FIHRI 20 / 21

Problèmes abordés
Dans ce qui suit, on s’intéressera plus particulièrement à :
La représentation des nombres sur ordinateur,
la résolution des systèmes linéaires,
La résolution numérique des équations différentielles ordinaires,
la résolution des équations aux dérivées partielles par la
méthodes des différences finies.
Des travaux pratiques accompagneront ce cours et dont l’objectif est
d’implémenter sous MATLAB, les différentes méthodes pour les com-
parer et mieux les comprendre.

EEMGC (UEMF) A. FASSI FIHRI 21 / 21