Cours 06 Équations Différentielles

Analyse Numérique - 2
ENSEM ISN 1A, Ana Num
Didier Schmitt
IECL
Printemps 2022
Didier Schmitt IECL

Résolution numérique des équations différentielles
Chapitre 6 : Résolution numérique des

équations différentielles
Didier Schmitt IECL

Quelques résultats théoriques
Didier Schmitt IECL

Définitions
On appelle équation différentielle d’ordre 1 les équations de la forme
y ′ (t) = f (t, y (t)) , ∀t∈I
où I est un intervalle de R, y : I → RN est une fonction vectorielle

de la variable t et f est une application de I × RN dans RN .
On appelle équation différentielle d’ordre p les équations de la forme

y (p) (t) = f t, y (t), y ′ (t), . . . , y (p−1) (t) , ∀ t ∈ I
où I est un intervalle de R, y : I → RN est une fonction vectorielle

de la variable t et f est une application de I × (RN )p dans RN .
Didier Schmitt IECL

Remarque
Toute équation différentielle d’ordre p peut se réécrire comme un système
différentiel d’ordre 1.
Remarque
Il convient donc de savoir réécrire une équation différentielle d’ordre p
comme un système différentiel d’ordre 1.
Didier Schmitt IECL

En posant  
y (t)

 y ′ (t) 

X (t) =  . ,
 . 
 . 
(p−1)
y (t)
nous avons alors

y ′ (t)
   y ′ (t) 
 y ′′ (t)   y ′′ (t) 
′   
.

X (t) =  . =
.

 .  
.

 .   
y (p) (t) f t, y (t), y ′ (t), . . . , y (p−1) (t)
La fonction vectorielle X est donc solution de l’équation différentielle

d’ordre 1
X ′ (t) = F (t, X (t)) ,
où
x1 x2
    
  x2   x3 
F (t, X ) = F t,  .  =  . .
    
  ..   .
. 
xp f (t, x1 , x2 , . . . , xp )
Didier Schmitt IECL

Définition
Étant donnés un intervalle I et une fonction f : I × RN → RN , résoudre
l’équation différentielle
y ′ (t) = f (t, y (t)) , ∀t∈I
signifie déterminer toutes les fonctions y : I → RN , dérivables sur I et

vérifiant cette équation.
Remarque
En général, une équation différentielle admet plusieurs solutions.
Exemple :
L’équation y ′ (t) = y (t) admet une infinité de solutions à savoir

y: R → R
; C ∈ R .
t 7→ Ce t
Didier Schmitt IECL

Pour espérer caractériser une des solutions, nous devons donc ajouter une
condition initiale, qui décrit le système à un instant initial :
Définition
Soient I un intervalle, f : I × RN → RN , t0 ∈ I et y0 ∈ RN .
On appelle problème de Cauchy la recherche d’une solution de
l’équation différentielle
y ′ (t) = f (t, y (t)) , ∀t∈I
sous l’hypothèse supplémentaire
y (t0 ) = y0 .
t0 est appelé instant initial et y0 condition initiale.
Didier Schmitt IECL

Remarque
Pour une équation d’ordre p, le problème de Cauchy correspond à la
recherche d’une solution de l’équation vérifiant de plus
y (t0 ) = y0 , y ′ (t0 ) = y1 , ..., y (p−1) (t0 ) = yp−1 .
Didier Schmitt IECL

Quelques exemples de problèmes de Cauchy - Exemple 1

Soit a ∈ R
y ′ (t) = ay (t), ∀t > 0

y (0) = y0
Ce problème admet une unique solution définie sur I = [0, +∞[, à
savoir
y : [0, ∞[ → R
t 7→ y0 e at
La solution de ce problème de Cauchy est bien définie sur tout
l’intervalle I .
On dit qu’il y a existence globale de la solution.
Didier Schmitt IECL


Soit
y ′ (t) = y 2 (t), ∀t > 0

y (0) = y0 > 0
Ce problème admet une unique solution uniquement définie sur
l’intervalle [0, y10 [, à savoir
y : [0, y10 [ → R
y0
t 7 → 1−y0 t
Ce problème de Cauchy admet donc une unique solution. Toutefois,

il n’y a pas existence globale de la solution qui est définie seulement
sur [0, y10 [.
1
Le temps d’existence dépend de la donnée y0 : Tmax (y0 ) = y0 .
On remarque aussi que lim |y (t)| = +∞.
−
t→Tmax
On dit qu’il y a explosion en temps fini de la solution.
Didier Schmitt IECL

Soit 1
y ′ (t) = y 3 (t), ∀t > 0
y (0) = 0
La fonction nulle est solution évidente de ce problème de Cauchy
Mais vous pouvez vérifier que pour tout a ∈ [0, ∞] la fonction
ya : [0, ∞[ → ( R
0 si t ∈ [0, a]
t 7→ 2
3
3 (t − a) 2 si t ≥ a
est aussi solution.

Nous avons donc une infinité de solutions ! Même en imposant une
condition initiale !
Didier Schmitt IECL

Avant de vous donner le résultat principal, voici une dernière définition

Définition
Une solution du problème de Cauchy est dite maximale si elle n’est la
restriction d’aucune autre solution.
Voici le principal résultat qui donne l’existence et l’unicité d’une solution
maximale :
Théorème de Cauchy-Lipschitz
Soient I un intervalle, f : I × RN → RN , une fonction continue et
localement lipschitzienne en la seconde variable.
Alors pour tout t0 ∈ I et y0 ∈ RN , le problème de Cauchy
′
y (t) = f (t, y (t)), ∀t ∈ I
y (t0 ) = y0
admet une unique solution maximale.
Didier Schmitt IECL

Remarque
Dans les exemples 1 et 2, le théorème s’applique bien puisque dans
les deux cas la fonction f est C 1 (f (t, x) = ax dans le premier cas et
f (t, x) = x 2 dans le deuxième cas).
Nous retrouvons donc l’existence et l’unicité d’une solution.
1
En revanche, dans l’exemple 3, nous avons f (t, x) = x 3 qui n’est
pas lipschitzienne en 0.
Nous avons donc l’existence de solutions, mais pas l’unicité.
Didier Schmitt IECL

Concernant le problème de l’existence globale, nous avons ce critère :

Critère d’existence globale
Soit y : J → Rn une solution maximale du problème de Cauchy définie
sur J ⊆ I .
Alors, l’une des deux affirmations suivantes est vraie :
J = I et la solution est globale.
J ⊈ I et dans ce cas, il existe τ1 > 0 et τ2 > 0 tels que
J =]t0 − τ1 , t0 + τ2 [ et
lim ∥y (t)∥ = +∞ ou lim ∥y (t)∥ = +∞.

t→t0 −τ1 t→t0 +τ2
Il y a explosion en temps fini.
Didier Schmitt IECL

Conclusion
Avant d’essayer de résoudre numériquement un problème de Cauchy, il
convient donc d’étudier, si possible :
L’existence d’une solution.
L’unicité de la solution.
S’il y a existence globale ou explosion en temps fini de la solution.
En effet
S’il n’y a pas unicité de la solution, quelle solution va-t-on obtenir
numériquement ?
S’il y a explosion en temps fini de la solution, que va t-il se passer si
on essaye d’obtenir une approximation de la solution au delà du
temps d’existence ?
Didier Schmitt IECL

Introduction
Résolution numérique d’un problème de

Cauchy
Didier Schmitt IECL

Introduction
Introduction
Nous cherchons à résoudre numériquement, i.e. nous cherchons une
approximation numérique de la solution du problème de Cauchy
′
y (t) = f (t, y (t)) , 0 ≤ t ≤ T
y (0) = y 0
avec y 0 ∈ Rn et f : [0, +∞[×Rn → Rn .
Didier Schmitt IECL

Introduction
Introduction
Nous cherchons à résoudre numériquement, i.e. nous cherchons une
approximation numérique de la solution du problème de Cauchy
′
y (t) = f (t, y (t)) , 0 ≤ t ≤ T
y (0) = y 0
avec y 0 ∈ Rn et f : [0, +∞[×Rn → Rn .

Nous pouvons remarquer que ce problème est équivalent à
Z t
y (t) = y 0 + f (s, y (s))ds ∀ t ∈ [0, T ].
0
Didier Schmitt IECL

Introduction
Introduction
Donc pour obtenir une approximation numérique, il suffit d’obtenir
une approximation numérique de
Z t
f (s, y (s))ds
0
et pour cela nous pouvons utiliser les idées et les méthodes vues
dans le chapitre précédent.
Didier Schmitt IECL

Introduction
Introduction
En introduisant une subdivision
0 = t0 < t1 < t2 < . . . < tN = T ,
notre problème implique que

 Z tn+1
y (tn+1 ) = y (tn ) + f (t, y (t))dt, ∀ n ∈ J0, N − 1K.

tn
0
y (0) = y

Didier Schmitt IECL

Introduction
Introduction
En introduisant une subdivision
0 = t0 < t1 < t2 < . . . < tN = T ,
notre problème implique que

 Z tn+1
y (tn+1 ) = y (tn ) + f (t, y (t))dt, ∀ n ∈ J0, N − 1K.

tn
0
y (0) = y

Les différentes méthodes numériques différent par le choix de

l’évaluation numérique des intégrales
Z tn+1
f (t, y (t))dt.
tn
Didier Schmitt IECL

Méthodes à un pas
Les méthodes à un pas
Didier Schmitt IECL

Pour décrire les méthodes à un pas, commençons par étudier une

méthode très simple : la méthode d’Euler explicite.
La méthode d’Euler explicite
Nous supposerons que notre problème de Cauchy admet une solution
y sur [0, T ].
Nous noterons M0 = max ∥y (t)∥
0≤t≤T
Nous supposerons que f est de classe C 1 sur [0, T ] × RN . Ainsi nous

aurons
∀y1 , y2 avec ∥y1 ∥ , ∥y2 ∥ ≤ M
∥f (t, y1 ) − f (t, y2 )∥ ≤ L (M) ∥y1 − y2 ∥
∀t ∈ [0, T ] ∥y ′ (t)∥ ≤ M1 , ∥y ′′ (t)∥ ≤ M2 .

On introduit la subdivision 0 = t0 < t1 < t2 < . . . < tN = T
On note hn = tn+1 − tn pour tout n ∈ J0, N − 1K et h = max hn .
n∈J0,N−1K
Didier Schmitt IECL


Rappelons que notre problème implique que
 Z tn+1
y (tn+1 ) = y (tn ) + f (t, y (t))dt, ∀ n ∈ J0, N − 1K

tn
y (0) = y 0

Didier Schmitt IECL


 Z tn+1

tn
y (0) = y 0

La méthode d’Euler
R t classique ou explicite correspond à une
approximation de tnn+1 f (t, y (t))dt par la méthode des rectangles à
gauche : Z tn+1
f (t, y (t))dt ≃ hn f (tn , y (tn )).
tn
Didier Schmitt IECL


 Z tn+1

tn
y (0) = y 0

La méthode d’Euler
R t classique ou explicite correspond à une
approximation de tnn+1 f (t, y (t))dt par la méthode des rectangles à
gauche : Z tn+1
f (t, y (t))dt ≃ hn f (tn , y (tn )).
tn
On obtient alors, en notant yn une approximation de y (tn ) :

yn+1 = yn + hn f (tn , yn ), ∀ n ∈ J0, N − 1K
y0 = y h
Didier Schmitt IECL

Remarque
La méthode d’Euler explicite est très simple à mettre en oeuvre :

yn+1 = yn + hn f (tn , yn ), ∀ n ∈ J0, N − 1K
y0 = y h
En effet, à chaque itération, connaissant yn , il suffit d’évaluer

f (tn , yn ) et on obtient alors directement yn+1 .
Didier Schmitt IECL

Il est nécessaire d’analyser dans quelle mesure la valeur calculée yn

approche suffisamment la valeur exacte y (tn ) et donc d’évaluer l’erreur
de discrétisation :
en = y (tn ) − yn , ∀ n ∈ J0, NK.
Didier Schmitt IECL


en = y (tn ) − yn , ∀ n ∈ J0, NK.
Définition
On dira que la méthode est convergente si
max ∥en ∥ tend vers 0 lorsque, h tend vers 0 et y h tend vers y 0 .

0≤n≤N
Didier Schmitt IECL


en = y (tn ) − yn , ∀ n ∈ J0, NK.
Définition
On dira que la méthode est convergente si
max ∥en ∥ tend vers 0 lorsque, h tend vers 0 et y h tend vers y 0 .

0≤n≤N
Remarque :
Si la méthode est convergente, en choisissant h assez petit, et y h assez
voisin de y 0 , on obtient une bonne approximation de y (tn ), ∀ n ∈ J0, NK.
Didier Schmitt IECL

Remarques :
Il semblerait plus naturel de poser directement y0 = y 0 dans notre
schéma. Cependant, dans la pratique, si y 0 est réel, il ne pourra pas
toujours être pris en compte de façon exacte à cause des arrondis.
Une analyse correcte nécessite donc de supposer y 0 ̸= y h .
Didier Schmitt IECL

Remarques :
Il semblerait plus naturel de poser directement y0 = y 0 dans notre
schéma. Cependant, dans la pratique, si y 0 est réel, il ne pourra pas
toujours être pris en compte de façon exacte à cause des arrondis.
Une analyse correcte nécessite donc de supposer y 0 ̸= y h .
Comme dans tout calcul numérique, il se pose un problème de
stabilité :
il est nécessaire de connaı̂tre les conséquences d’une petite variation
de y h ainsi que celles d’erreurs sur le calcul de f (tn , yn ).
Didier Schmitt IECL

Définition
Nous dirons que la méthode est stable s’il existe une constante K telle
que " #
N−1
X
max ∥yn − zn ∥ ≤ K ∥y0 − z0 ∥ + ∥εn ∥
n
n=0
pour tout (zn ) solution de
zn+1 = zn + hn f (tn , zn ) + εn , ∀ n ∈ J0, N − 1K.
Cette notion de stabilité implique que de petites perturbations sur les

données et sur tous les calculs intermédiaires n’entraı̂nent que de
”petites” perturbations du résultat.
Didier Schmitt IECL

On dégage aussi une notion de consistance d’un schéma numérique :

l’erreur de consistance représente l’erreur faite au n-ième pas en
remplaçant l’équation différentielle par l’équation discrétisée, soit ici :
εn = y (tn+1 ) − y (tn ) − hn f (tn , y (tn )) .
Définition
Nous dirons que la méthode est consistante si
N−1
X
lim ∥εn ∥ = 0.
h→0
n=0
Vérifions la stabilité et la consistance pour la méthode d’Euler :
Didier Schmitt IECL

Stabilité de la méthode d’Euler explicite

Soient (yn ), (zn ) et (εn ), les suites définies par

yn+1 = yn + hn f (tn , yn ),
∀n ∈ J0, N − 1K.
zn+1 = zn + hn f (tn , zn ) + εn
Soit n ∈ J0, N − 1K. Nous avons
∥zn+1 − yn+1 ∥ ≤ ∥zn − yn ∥ + hn ∥f (tn , zn ) − f (tn , yn )∥ + ∥εn ∥
d’où
∥zn+1 − yn+1 ∥ ≤ (1 + hn L)∥zn − yn ∥ + ∥εn ∥.
Rappelons que
ex ≥ 1 + x ∀ x ∈ R.
Par conséquent,
∥zn+1 − yn+1 ∥ ≤ e Lhn ∥zn − yn ∥ + ∥εn ∥.
Didier Schmitt IECL

Stabilité de la méthode d’Euler explicite

Nous obtenons alors par récurrence que :
n−1
X
∥zn − yn ∥ ≤ e Ltn ∥z0 − y0 ∥ + 2 e L(tn −ti+1 ) ∥εi ∥, ∀ nJ0, NK,
i=0
d’où !
N−1
X
max ∥zn − yn ∥ ≤ K ∥z0 − y0 ∥ + ∥εi ∥
n∈J0,NK
i=0
avec K = e LT .
La méthode d’Euler explicite est donc stable.
Didier Schmitt IECL

Consistance de la méthode d’Euler explicite

Soit n ∈ J0, N − 1K. Nous avons
εn = y (tn+1 ) − y (tn ) − hn f (tn , y (tn ))

Z tn+1 Z tn+1
= y ′ (t)dt − f (tn , y (tn ))dt
tn tn
Z tn+1 Z tn+1 Z t
= y ′ (t) − y ′ (tn )dt = y ′′ (s)ds.
tn tn tn
Comme nous avons supposé
∥y ′′ (t)∥ ≤ M2 , ∀ t ∈ [0, T ],
nous obtenons finalement
∥εn ∥ ≤ M2 h(tn+1 − tn ), ∀ n ∈ J0, N − 1K.
Didier Schmitt IECL

Consistance de la méthode d’Euler explicite

Par conséquent
N−1
X N−1
X
∥εi ∥ ≤ Mh (ti+1 − ti ) = MhT ,
i=0 i=0
d’où
N−1
X
lim ∥εi ∥ = 0.
h→0
i=0
La méthode d’Euler est donc consistante.
Didier Schmitt IECL

Nous pouvons maintenant montrer la convergence de la méthode d’Euler

explicite.
Convergence de la méthode d’Euler explicite
Soit n ∈ J0, NK. Posons zn = y (tn ). Nous avons alors
Z tn+1
zn+1 = y (tn+1 ) = y (tn ) + f (t, y (t))dt = y (tn ) + hn f (tn , y (tn )) + εn
tn
avec Z tn+1
εn = f (t, y (t))dt − hn f (tn , y (tn ))
tn
soit encore
zn+1 = zn + hn f (tn , zn ) + εn
avec
εn = y (tn+1 ) − y (tn ) − hn f (tn , y (tn )).
Didier Schmitt IECL

Convergence de la méthode d’Euler explicite

Avec ces notations, nous avons
∥en ∥ = ∥y (tn ) − yn ∥ = ∥zn − yn ∥, ∀ n ∈ J0, NK.
Maintenant, comme la méthode d’Euler explicite est stable

N−1
!
X
max ∥en ∥ ≤ K ∥e0 ∥ + ∥εi ∥ .
n∈J0,NK
i=0
Or, d’après la consistance de la méthode d’Euler explicite

N−1
X
∥εi ∥ ≤ hM2 T .
i=0
Donc
max ∥en ∥ ≤ e LT (∥e0 ∥ + hM2 T ) .
n∈J0,NK
La méthode d’Euler explicite converge.

Didier Schmitt IECL
stabilité de la méthode d’Euler

+
consistance de la méthode d’Euler
=
convergence de la méthode d’Euler
Remarque :
On montrera de façon plus générale que pour les méthodes à un pas,
consistance et stabilité impliquent convergence.
Didier Schmitt IECL

Influence des erreurs d’arrondis

Si on veut calculer y (T ) avec une précision donnée ε, comme nous
avons
∥eN ∥ ≤ e LT (∥e0 ∥ + hM2 T ) ,
il nous faut choisir ∥e0 ∥ assez petit : supposons qu’on puisse le
choisir nul.
En théorie, on peut alors choisir h assez petit pour que
e LT hM2 T < ε.
Cependant, dans la pratique, il est illusoire de vouloir choisir h
”trop” petit, car alors les erreurs d’arrondis prennent le relais de
l’erreur de discrétisation.
Didier Schmitt IECL


En effet, le calcul
yn+1 := yn + hn f (tn , yn )
donne lieu à
une erreur µn sur le calcul de f (tn , yn )
à une erreur d’arrondi ρn sur le résultat final
L’algorithme de l’ordinateur est donc
Zn+1 = Zn + hn (f (tn , Zn ) + µn ) + ρn
= Zn + hn f (tn , Zn ) + hn µn + ρn
D’après le résultat de stabilité on a

N−1
!
X
LT
∥yN − ZN ∥ ≤ e ∥y0 − Z0 ∥ + (hn ∥µn ∥ + ∥ρn ∥) .
i=0
Didier Schmitt IECL


Supposons ∥µn ∥ ≤ µ et ∥ρn ∥ ≤ ρ alors
N−1 N−1
!
X X
LT
∥yN − ZN ∥ ≤ e ∥y0 − Z0 ∥ + hn µ + ρ
i=0 i=0
≤ e LT (∥y0 − Z0 ∥ + T µ + Nρ) .
Or, dans le cas d’un pas constant pour simplifier, N = Th d’où

LT T
∥yN − ZN ∥ ≤ e ∥y0 − Z0 ∥ + T µ + ρ .
h
Didier Schmitt IECL


Par conséquent
EN = ∥y (tN ) − ZN ∥ ≤ ∥eN ∥ + ∥yN − ZN ∥

LT T
≤ e hM2 T + ∥y0 − Z0 ∥ + T µ + ρ .
h
Il en résulte que lorsque h tend vers 0, en général, les erreurs

d’arrondis tendent vers +∞ ce qui est normal puisque nous
augmentons le nombre d’opérations.
On peut essayer de voir quel serait le pas h optimal qui rendrait EN
minimum.
Didier Schmitt IECL


Par conséquent
EN = ∥y (tN ) − ZN ∥ ≤ ∥eN ∥ + ∥yN − ZN ∥

LT T
≤ e hM2 T + ∥y0 − Z0 ∥ + T µ + ρ .
h
Il en résulte que lorsque h tend vers 0, en général, les erreurs

d’arrondis tendent vers +∞ ce qui est normal puisque nous
augmentons le nombre d’opérations.
On peut essayer de voir quel serait le pas h optimal qui rendrait EN
minimum. q
Le minimum est atteint pour h = h∗ = Mρ2 i.e. autour de h∗ les
erreurs d’arrondis s’équilibrent avec celles dues à la méthode.
Didier Schmitt IECL

Remarques :
Un bon choix sera bien sûr h ≥ h∗ : il est inutile d’augmenter le coût
de calcul pour rien !
Les calculs ci-dessus sont faits de façon ”pessimiste” : souvent les
erreurs d’arrondis se compensent dans une certaine mesure (mais
c’est aléatoire).
On peut retrouver le fait qu’il est illusoire de vouloir prendre h trop
petit : on a
yn+1 = yn + hf (tn , yn )
Si h est trop petit alors le terme hf (tn , yn ) à ajouter est trop petit
pour être pris en compte après arrondis et alors
yn+1 = yn
On obtient une suite stationnaire !
Didier Schmitt IECL

Remarques :
Dans l’inégalité

LT T
EN ≤ e hM2 T + ∥y0 − Z0 ∥ + T µ + ρ
h
on voit comment se propage les erreurs d’arrondis sur la donnée

initiale ∥y0 − Z0 ∥.
Son impact est majoré par e LT ∥y0 − Z0 ∥ ce qui est raisonnable ... si
e LT n’est pas trop grand !
Didier Schmitt IECL

Exemple 1
y ′ (t) = 3y (t) − 3t

t ∈ [0, 5]
y (0) = 13
1
La solution est y (t) = 3 + t.
Ici L = 3 donc pour T = 5, nous avons e LT = e 15 ≃ 3.106 .
Maintenant, si on considère le même problème avec une donnée
initiale z(0) = 31 + ϵ la solution est z(t) = 31 + t + ϵe 3t .
Par conséquent z(5) = y (5) + ϵe 15 ≃ y (5) + 3ϵ106 .
Donc si on travail avec un ordinateur avec une précision machine de
10−6 , il sera impossible d’approcher y (5) et ceci indépendamment
du choix de la méthode numérique.
Le problème est mal conditionné.
Didier Schmitt IECL

Exemple 2
y ′ (t) = −150 y (t) + 50,

t ∈ [0, 1]
y (0) = 31
La solution est y (t) = 31 .

Ici le problème est bien conditionné. En effet, si on introduit une
perturbation ϵ sur la donnée initiale on a
|y (t) − z(t)| ≤ ϵe −150t , ∀ t ≥ 0.
La méthode d’Euler conduit à
yn+1 = yn + hn (−150yn + 50),
soit
1 1
yn+1 − = (1 − 150hn ) yn − .
3 3
Didier Schmitt IECL
Exemple 2
1
Dans le cas d’un pas constant hn = h = 50 , on a donc

1 n 1 1
yn+1 − = (1 − 150h) y0 − = (−2)n y0 − .
3 3 3
En particulier

50 1 15 1
y50 − y (1) = (−2) y0 − ≃ 10 y0 − !
3 3
Ceci montre que le pas est choisi trop grand. D’un autre côté, si on
le diminue, on tombera sur des problèmes d’arrondis !
La méthode d’Euler explicite n’est pas un algorithme numériquement
stable.
Bien qu’elle satisfasse la condition de stabilité théorique : le
coefficient K = e LT est trop grand car ici T = 1 et L = 150
Didier Schmitt IECL

Exemple 3
y ′ (t) = −λy (t) λ > 0

y (0) = y0
La solution de ce problème est y (t) = y0 e −λt .

Le problème est bien conditionné. En effet, si on introduit une
perturbation ϵ sur la donnée initiale on a
|y (t) − z(t)| ≤ ϵe −λt , ∀ t ≥ 0.
La méthode d’Euler appliquée à ce problème avec un pas constant h

donne
yn+1 = yn − λhyn = (1 − λh)yn
et donc
yn = (1 − λh)n y0 .
Didier Schmitt IECL

Exemple 3
yn = (1 − λh)n y0
Bien que la solution exacte soit bornée
|y (t)| ≤ |y0 | ∀ t ≥ 0,
on voit que si |1 − λh| > 1 alors la solution calculée yn aura un

module de plus en plus grand, d’ou un phénomène d’instabilité
La condition de stabilité s’écrit donc
λh < 2
Ainsi il sera nécessaire de prendre h d’autant plus petit que λ est

grand.
Mais si h est trop petit, alors il y a des problèmes d’arrondis !
Didier Schmitt IECL
La méthode d’Euler implicite

Afin de remédier au problème d’instabilité soulevé ci-dessous, on a
souvent recours à une méthode de type implicite comme la suivante :

yn+1 = yn + hn f (tn+1 , yn+1 ) , ∀ n ∈ J0, N − 1K,
y0 = y h .
Rt
Elle provient de l’intégration de tnn+1 f (t, y (t)) dt par une méthode des
rectangles à droite :
Z tn+1
f (t, y (t)) dt ≃ hn f (tn+1 , y (tn+1 )).
tn
Il s’agit de la méthode d’Euler Explicite.
Didier Schmitt IECL

La méthode d’Euler implicite

La relation
yn+1 = yn + hn f (tn+1 , yn+1 )
définit yn+1 de façon implicite.
Cette méthode est donc moins simple d’utilisation que la méthode
d’Euler explicite.
À chaque itération, il faut résoudre cette équation : admet-elle une
solution ? est-elle unique ?
Généralement, la résolution numérique de cette équation nécessitera
l’utilisation d’une méthode itérative (Newton, Point fixe,...).
Le coût d’une itération est donc beaucoup plus lourd que dans la
méthode d’Euler explicite.
Mais en contrepartie, la stabilité est grandement améliorée !
Didier Schmitt IECL

Retour à l’exemple 3
y ′ (t) = −λy (t) λ > 0

y (0) = y0
On a, avec un pas constant h, yn+1 = yn − λhyn+1 soit

yn
yn+1 =
(1 + λh)
ou encore
y0
yn = .
(1 + λh)n
En particulier, on a |yn | ≤ |y0 | pour tout λ > 0 et pour tout h > 0.
Par ailleurs, on montre que cette méthode converge tout aussi bien
que la précédente.
Didier Schmitt IECL

Étude générale des méthodes à un pas

Une méthode à un pas s’écrit de façon générale

yn+1 = yn + hn Φ(tn , yn , hn ), ∀ n ∈ J0, N − 1K
y0 = y h
L’approximation yn+1 de y (tn+1 ) est donc obtenue uniquement à

partir de tn , de hn et de yn l’approximation de y (tn ) obtenue au pas
précédent.
(les méthodes multi-pas font intervenir y (tn ), mais aussi y (tn−1 ),...)
Cette méthode peut être implicite ou explicite.
Didier Schmitt IECL

Étude générale des méthodes à un pas

Une méthode à un pas s’écrit de façon générale

yn+1 = yn + hn Φ(tn , yn , hn ), ∀ n ∈ J0, N − 1K
y0 = y h
Exemples
Euler explicite : yn+1 = yn + hn f (tn , yn ). Ici
Φ(t, y , h) = f (t, y )
Φ est indépendante de h.
Euler implicite : yn+1 = yn + hn f (tn+1 , yn+1 ). Ici
Φ(t, y , h) = f (t + h, Y )
avec Y solution de l’équation
Y = y + hf (t + h, Y )
Didier Schmitt IECL
Pour les méthodes à un pas, on retrouve les notions de consistance, de

stabilité et de convergence déjà vues dans le cas particulier de la méthode
d’Euler explicite.
Définition
On dit que la méthode est consistante si pour toute solution y de
y ′ (t) = f (t, y (t)), on a
N−1
X
lim ∥εn ∥ = 0
h→0
n=0
avec
εn = y (tn+1 ) − y (tn ) − hn Φ(tn , y (tn ), hn ).
Didier Schmitt IECL

Définition
On dit que la méthode est stable s’il existe une constante M
indépendante de h, telle que pour toutes suites (yn ), (zn ) et (εn ) vérifiant
yn+1 = yn + hn Φ(tn , yn , hn )
zn+1 = zn + hn Φ(tn , zn , hn ) + εn
on a " #
N−1
X
max ∥zn − yn ∥ ≤ M ∥y0 − z0 ∥ + ∥εn ∥ .
n∈J0,NK
n=0
Didier Schmitt IECL

Définition
On dit que la méthode est convergente si
max ∥y (tn ) − yn ∥ tend vers 0 lorsque h tend vers 0 et y h tend vers y 0 .
n∈J0,NK
Et comme dans le cas particulier de la méthode d’Euler explicite, pour les

méthodes à un pas consistance et stabilité impliquent la convergence :
Théorème
Si une méthode à un pas est stable et consistante alors elle est
convergente.
Didier Schmitt IECL

Démonstration
Posons zn = y (tn ). On a alors
zn+1 = y (tn+1 )
= y (tn ) + hn Φ(tn , y (tn ), hn ) + εn
= zn + hn Φ(tn , zn , hn ) + εn
avec
εn = y (tn+1 ) − y (tn ) − hn Φ(tn , y (tn ), hn )
Comme la méthode est supposée stable on a
" N−1
# " N−1
#
X h 0
X
max ∥zn − yn ∥ ≤ M ∥y0 − z0 ∥ + ∥εn ∥ ≤ M ∥y − y ∥ + ∥εn ∥ .
n∈J0,NK
n=0 n=0
Maintenant, comme la méthode est supposée consistante, on a

N−1
X
lim ∥εn ∥ = 0.
h→0
n=0
Didier Schmitt IECL

Nous allons maintenant préciser la notion de consistance en introduisant

la notion d’ordre :
Définition
On dira que la méthode à un pas est d’ordre p (p > 0), si pour toute
solution y de y ′ (t) = f (t, y (t)) telle que y ∈ C p+1 ([t0 , t0 + T ]), il existe
un réel K ne dépendant que de y et Φ tel que
N−1
X
∥εn ∥ ≤ Khp
n=0
avec
εn = y (tn+1 ) − y (tn ) − hn Φ(tn , y (tn ), hn ).
Didier Schmitt IECL

Théorème
Si une méthode à un pas est stable et d’ordre p et si
f ∈ C p ([t0 , t0 + T ] × Rn ), alors nous avons
∥y (tn ) − yn ∥ ≤ M ∥y h − y0 ∥ + Khp

∀n ∈ J0, NK.
Exemples :
Nous avons vu que la méthode d’Euler explicite est d’ordre 1.
Il en est de même pour la méthode d’Euler implicite.
Nous allons le montrer en considérant plus généralement la
θ-méthode.
Remarque
Plus l’ordre de la méthode sera grand, plus la méthode sera
performante.
Didier Schmitt IECL

La θ-méthode
La θ-méthode est définie par

yn+1 = yn + hn [θf (tn+1 , yn+1 ) + (1 − θ)f (tn , yn )] , ∀ n ∈ J0, N − 1K
y0 = y h
avec θ ∈ [0, 1].
Remarques :
Il s’agit bien d’une méthode à un pas.
Pour θ = 0, on retrouve Euler explicite.
Pour θ = 1, on retrouve Euler implicite.
Pour θ ∈]0, 1], la méthode est implicite.
Didier Schmitt IECL

Stabilité de la θ-méthode
Soient (yn ), (zn ) et (εn ), les suites définies pour tout n ∈ J0, N − 1K par
yn+1 = yn + hn [θf (tn+1 , yn+1 ) + (1 − θ)f (tn , yn )]
zn+1 = zn + hn [θf (tn+1 , zn+1 ) + (1 − θ)f (tn , zn )] + εn

On a
∥zn+1 − yn+1 ∥ ≤ ∥zn − yn ∥ + hn θ∥f (tn+1 , zn+1 ) − f (tn+1 , yn+1 )∥
+hn (1 − θ)∥f (tn , zn ) − f (tn , yn )∥ + ∥εn ∥
d’où
∥zn+1 − yn+1 ∥ ≤ ∥zn − yn ∥ + hn θL∥zn+1 − yn+1 ∥ + hn (1 − θ)L∥zn − yn ∥ + ∥εn ∥
et en supposant que hn θL < 1

1 + hn (1 − θ)L 1
∥zn+1 − yn+1 ∥ ≤ ∥zn − yn ∥ + ∥εn ∥.
1 − hn θL 1 − hn θL
Didier Schmitt IECL

Stabilité de la θ-méthode

hn L 1
∥zn+1 − yn+1 ∥ ≤ 1+ ∥zn − yn ∥ + ∥εn ∥
1 − hn θL 1 − hn θL
d’où pour hn ≤ 1/(2θL)
∥zn+1 − yn+1 ∥ ≤ (1 + hn 2L) ∥zn − yn ∥ + 2∥εn ∥
donc (1 + x ≤ e x )
∥zn+1 − yn+1 ∥ ≤ e 2Lhn ∥zn − yn ∥ + 2∥εn ∥
et par récurrence, on obtient que pour tout n ∈ J0, NK

n−1
X
∥zn − yn ∥ ≤ e 2Ltn ∥z0 − y0 ∥ + 2 e 2L(tn −ti+1 ) ∥εi ∥
i=0
d’où !
n−1
X
2LT
max ∥zn − yn ∥ ≤ 2e ∥z0 − y0 ∥ + ∥εi ∥ .
n∈J0,NK
i=0
Didier Schmitt IECL
Consistance de la θ-méthode
Pour simplifier, nous supposerons que la dimension est 1.
Soit n ∈ J0, N − 1K
εn = y (tn+1 ) − y (tn ) − hn [θf (tn+1 , y (tn+1 )) + (1 − θ)f (tn , y (tn ))] .
D’après la formule de Taylor

hn2 (3)
y ′ (tn+1 ) = y ′ (tn ) + hn y ′′ (tn ) + y (cn ) avec cn ∈ [tn , tn+1 ]
2
hn2 ′′ h3
y (tn+1 ) = y (tn ) + hn y ′ (tn ) + y (tn ) + n y (3) (dn ) avec dn ∈ [tn , tn+1 ]
2 6
On en déduit que
h2 h3
εn = hn y ′ (tn ) + n y ′′ (tn ) + n y (3) (dn )
2 6
h2

−hn θ y (tn ) + hn y (tn ) + n y (3) (cn ) + (1 − θ)y ′ (tn ) .
′ ′′
2
Didier Schmitt IECL

Consistance de la θ-méthode
Soit
1 1 (3) θ
εn = hn2 − θ y ′′ (tn ) + hn3 y (dn ) − yn(3) (cn )
2 6 2
Par conséquent, en posant h = max(hn )
n
1
si θ ̸= 2 alors
N−1
X
∥εn ∥ ≤ Kh(tn+1 − tn ) et ∥εn ∥ ≤ KTh
n=0
La méthode est d’ordre 1

1
si θ = 2 alors
N−1
X
∥εn ∥ ≤ Kh2 (tn+1 − tn ) et ∥εn ∥ ≤ KTh2
n=0
La méthode est d’ordre 2 - Méthode de Crank-Nicholson

Didier Schmitt IECL
Les méthodes de Runge-Kutta

Dans la pratique, même une méthode d’ordre 2 se révèle assez
souvent insuffisante, car nécessitant trop de pas de temps pour
atteindre une précision donnée.
Il est alors nécessaire d’utiliser une méthode d’ordre supérieur : les
plus courantes sont celles de Runge-Kutta qui reposent sur des
méthodes d’intégration numérique d’ordre supérieur pour obtenir
une approximation de
Z tn+1
f (t, y (t))dt.
tn
Didier Schmitt IECL


Soit (cj , bj ) une formule de quadrature élémentaire à s étages :
Z 1 s
X
g (x)dx ≃ bj g (cj ).
0 j=1
Alors
s
X
y (tn+1 ) ≃ y (tn ) + hn bj f (tn,j , y (tn,j ))
j=1
avec tn,j = tn + hn cj .
Remarque
Attention, j’utilise ici une formule de quadrature élémentaire pour
R1 R1
approcher l’intégrale 0 g (x)dx et non pas −1 g (x)dx, comme dans le
cours sur l’intégration numérique. Mais c’est le même principe, on prend
seulement l’intervalle [0, 1] comme intervalle de référence à la place de
l’intervalle [−1, 1].
Didier Schmitt IECL
Problème
Comment évaluer f (tn,j , y (tn,j )) si on ne connait pas y (tn,j ) ?

Les valeurs y (tn,j ) sont elles mêmes évaluées à l’aide de formules
d’intégration numérique utilisant les mêmes points tn,j :
s
X
y (tn,i ) ≃ y (tn ) + hn ai,j f (tn,j , y (tn,j )) ∀ i ∈ J1, sK.
j=1
Les méthodes de Runge-Kutta consistent à remplacer les égalités

approchées par des égalités
Didier Schmitt IECL

s
X
yn,i = yn + hn ai,j f (tn,j , yn,j ) ∀ i ∈ J1, sK (⋆)
j=1
s
X
yn+1 = yn + hn bj f (tn,j , yn,j ) (⋆⋆)
j=1
tn,j = tn + hn cj
Supposons connue yn l’approximation de y (tn ). Les équations (⋆)
forment un système de s équations à s inconnues (pas
obligatoirement linéaires !).
On montre que pour h assez petit ce système admet une unique
solution.
Didier Schmitt IECL

Remarques :
Si la matrice (ai,j ) est strictement triangulaire inférieure, alors les
formules (⋆) définissent les valeurs de yn,j de façon explicite, sinon
de façon implicite.
Il s’agit bien d’une méthode à un pas. En effet ce schéma s’écrit
sous la forme
yn+1 = yn + hn Φ(tn , yn , hn )
où Φ(., ., .) est la fonction définie par les équations :
s
X
yi = y + h ai,j f (t + cj h, yj ) ∀ i ∈ J1, sK (⋆)
j=1
s
X
Φ(t, y , h) = bj f (t + cj , yj ) (⋆⋆)
j=1
Didier Schmitt IECL
Exemples de méthodes de Runge-Kutta

Méthode de Runge on prend la formule du point milieu

hn hn
y (tn+1 ) ≃ y (tn ) + hn f tn + , y (tn + )
2 2
hn
et on remplace la valeur inconnue y (tn + 2 ) par la méthode d’Euler
hn hn
y (tn + ) ≃ y (tn ) + f (tn , y (tn )).
2 2
Ceci nous donne

hn hn
yn+1 = yn + hn f tn + , yn + f (tn , yn ) .
2 2
Didier Schmitt IECL

Exemples de méthodes de Runge-Kutta

Méthode de Heun on prend la formule de quadrature d’ordre 3

hn 2hn 2hn
y (tn+1 ) ≃ y (tn ) + f (tn , yn ) + 3f (tn + , y (tn + ))
4 3 3
2hn
et on remplace la valeur inconnue y (tn + 3 ) par l’approximation de
la méthode de Runge.
Ceci nous donne

hn 2hn 2hn hn hn
yn+1 = yn + f (tn , yn ) + 3f tn + , yn + f (tn + , yn + f (tn , yn )
4 3 3 3 3
Didier Schmitt IECL


Une méthode de Runge-Kutta est entièrement définie dès que l’on
connait : s, les coefficients ai,j , bj et cj .
On a coutume de les représenter par le tableau ci-dessous :
c1 a1,1 a1,2 ... a1,s
c2 a2,1 a2,2 ... a2,s
.. .. .. ..
. . . .
cs as,1 as,2 ... as,s
b1 b2 ... bs
Méthode d’Euler - ordre 1

0 0
1
yn,1 = yn + 0
yn+1 = yn + hn f (tn , yn,1 ) = yn + hn f (tn , yn )
Didier Schmitt IECL
Méthodes de Runge-Kutta
Méthode de Runge - ordre 2
0 0 0
1 1
2 2 0
0 1
yn,1 = yn
hn hn
yn,2 = yn + f (tn , yn,1 ) = yn + f (tn , yn )
2 2
hn
yn+1 = yn + hn f (tn + , yn,2 )
2
hn hn
= yn + hn f (tn + , yn + f (tn , yn ))
2 2
Didier Schmitt IECL

Méthode de Heun - ordre 3
0 0 0 0
1 1
3 3 0 0
2 2
3 0 3 0
1 3
4 0 4
Didier Schmitt IECL

La fameuse méthode d’ordre 4 due à Kutta : RK4
0 0 0 0 0
1 1
2 2 0 0 0
1 1
2 0 2 0 0
1 0 0 1 0
1 2 2 1
6 6 6 6
yn,1 = yn yn,2 = yn + h2n f (tn , yn,1 )

hn hn
yn,3 = yn + 2
f (tn + 2
, yn,2 ) yn,4 = yn + hn f (tn + h2n , yn,3 )

hn hn hn
yn+1 = yn + f (tn , yn ) + 2f (tn + , yn,2 ) + 2f (tn + , yn,3 )
6 2 2
+f (tn+1 , yn,4 )]
Didier Schmitt IECL

Remarque :
Pour la programmation des méthodes de Runge-Kutta, il est préférable
de les écrire sous la forme équivalente suivante en posant :
kn,i = f (tn,i , yn,i ), ∀ i ∈ J1, sK.
On a alors les relations,

s
X
kn,i = f (tn,i , yn + hn ai,j kn,j ) ∀ i ∈ J1, sK (⋆′ )
j=1
s
X
yn+1 = yn + hn bj kn,j (⋆⋆′ )
j=1
Didier Schmitt IECL

Exemple pour RK4
0 0 0 0 0
1 1
2 2 0 0 0
1 1
2 0 2 0 0
1 0 0 1 0
1 2 2 1
6 6 6 6
kn,1 = f (tn , yn ) kn,2 = f (tn + h2n , yn + h2n kn,1 )

kn,3 = f (tn + h2n , yn + hn
k )
2 n,2
kn,4 = f (tn+1 , yn + hn kn,3 )
hn
yn+1 = yn + [kn,1 + 2kn,2 + 2kn,3 + kn,4 ]
6
Didier Schmitt IECL

On démontre sous des hypothèses de régularité sur f que les méthodes de
Runge-Kutta sont stables.
Étant stables et consistantes, elles sont convergentes.
Didier Schmitt IECL

Contrôle du pas
Dans la description des algorithmes précédents, nous avons supposé
le pas hn variable.
Dans la pratique, il est naturel de chercher à utiliser un pas constant
hn = h et on le fait souvent !
Cependant, il est difficile d’évaluer la taille optimale du pas h.
Il ne doit pas être trop petit sinon le coût de calcul est important et
les erreurs d’arrondis s’accumulent.
Il ne doit pas être trop grand pour que les calculs conservent une
précision suffisante.
Didier Schmitt IECL

Contrôle du pas
L’idée est de contrôler le pas à chaque étape dans le but :
L’erreur locale soit partout égale à une précision α préfixée.
Adapter le pas aux irrégularités éventuelles de la solution : sur des
intervalles où la solution varie peu, on pourra ”avancer à grands
pas” et quand les variations deviennent plus raides, diminue le pas.
La tolérance α étant fixée, il s’agit donc de choisir à chaque étape un pas
h tel que l’erreur locale
∥y (tn + h) − yn − hΦ(tn , yn , h)∥ ≤ αh.
Problème
Comment contrôler l’erreur locale ?
Didier Schmitt IECL

Contrôle du pas
On suppose que yn = y (tn ). Dans ce cas, contrôler l’erreur locale
revient à contrôler l’erreur locale de consistance
εn (h) = y (tn + h) − y (tn ) − hΦ(tn , y (tn ), h).
Le problème est maintenant d’obtenir une estimation de εn (h).

Pour cela, une idée consiste à prendre un pas h provenant par
exemple de l’étape précédente puis d’évaluer εn à l’aide de deux
valeurs approchées de y (tn+1 ) :
ŷ (tn + h) obtenue avec une itération de pas h
ŷˆ (tn + h) obtenue avec deux itérations de pas h/2
Didier Schmitt IECL

Contrôle du pas
En effet, si la méthode est d’orde p ou plus exactement si l’erreur locale
de consistance est d’ordre p + 1, on a
ŷ (tn + h) = y (tn + h) − Cn hp+1 + O(hp+2 )
où en général Cn ̸= 0, d’où
εn (h) ≃ Cn hp+1
On a et aussi
p+1
h
ŷˆ (tn + h) = y (tn + h) − Cn + O(hp+2 )
2
Par différence, on obtient

p+1
h
ŷ (tn + h) − ŷˆ (tn + h) ≃ Cn (2p+1 − 1)
2
Didier Schmitt IECL
Contrôle du pas
Donc
ŷ (t + h) − ŷˆ (t + h)
h n n
εn ≃ := Dn (h)
2 2p+1 − 1
Nous avons donc notre contrôle de l’erreur locale de consistance.
Didier Schmitt IECL

Algorithme du contrôle du pas

Étant donnés une tolérance α > 0 et un pas de départ h
on calcule ŷ (tn + h) avec une itération de pas h
on calcule ŷˆ (tn + h) avec deux itérations de pas h/2
|ŷ (tn +h)−ŷˆ(tn +h)|
on calcule Dn (h) = 2p+1 −1
si Dn (h) ≥ αh alors on recommence avec h remplacé par h/2
si Dn (h) < αh alors, on accepte ŷˆ (tn + h) comme valeur approchée
de y (tn + h) et on continue
avec le même pas h si α′ h < Dn (h)
avec le pas 2h si α′ h ≥ Dn (h)
Didier Schmitt IECL


Cours 06 Équations Différentielles

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours 06 Équations Différentielles

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Numérique - 2

ENSEM ISN 1A, Ana Num

Didier Schmitt IECL

Chapitre 6 : Résolution numérique des

Didier Schmitt IECL

Quelques résultats théoriques

Didier Schmitt IECL

y ′ (t) = f (t, y (t)) , ∀t∈I

où I est un intervalle de R, y : I → RN est une fonction vectorielle

où I est un intervalle de R, y : I → RN est une fonction vectorielle

Didier Schmitt IECL

Didier Schmitt IECL

nous avons alors

La fonction vectorielle X est donc solution de l’équation différentielle

Didier Schmitt IECL

y ′ (t) = f (t, y (t)) , ∀t∈I

signifie déterminer toutes les fonctions y : I → RN , dérivables sur I et

Didier Schmitt IECL

y ′ (t) = f (t, y (t)) , ∀t∈I

sous l’hypothèse supplémentaire

t0 est appelé instant initial et y0 condition initiale.

Didier Schmitt IECL

y (t0 ) = y0 , y ′ (t0 ) = y1 , ..., y (p−1) (t0 ) = yp−1 .

Didier Schmitt IECL

Quelques exemples de problèmes de Cauchy - Exemple 1

Didier Schmitt IECL

Quelques exemples de problèmes de Cauchy - Exemple 2

Ce problème de Cauchy admet donc une unique solution. Toutefois,

Quelques exemples de problèmes de Cauchy - Exemple 3

est aussi solution.

Didier Schmitt IECL

Avant de vous donner le résultat principal, voici une dernière définition

admet une unique solution maximale.

Didier Schmitt IECL

Didier Schmitt IECL

Concernant le problème de l’existence globale, nous avons ce critère :

lim ∥y (t)∥ = +∞ ou lim ∥y (t)∥ = +∞.

Il y a explosion en temps fini.

Didier Schmitt IECL

Didier Schmitt IECL

Résolution numérique d’un problème de

Didier Schmitt IECL

avec y 0 ∈ Rn et f : [0, +∞[×Rn → Rn .

Didier Schmitt IECL

avec y 0 ∈ Rn et f : [0, +∞[×Rn → Rn .

Didier Schmitt IECL

Didier Schmitt IECL

0 = t0 < t1 < t2 < . . . < tN = T ,

notre problème implique que

Didier Schmitt IECL

0 = t0 < t1 < t2 < . . . < tN = T ,

notre problème implique que

Les différentes méthodes numériques différent par le choix de

Didier Schmitt IECL

Les méthodes à un pas

Didier Schmitt IECL

Pour décrire les méthodes à un pas, commençons par étudier une

Nous supposerons que f est de classe C 1 sur [0, T ] × RN . Ainsi nous

∥f (t, y1 ) − f (t, y2 )∥ ≤ L (M) ∥y1 − y2 ∥

∀t ∈ [0, T ] ∥y ′ (t)∥ ≤ M1 , ∥y ′′ (t)∥ ≤ M2 .

Didier Schmitt IECL

La méthode d’Euler explicite

Didier Schmitt IECL