Modélisation déterministe

Dr Malicki ZOROM

Master S7
”Département Sciences et Techniques de l’Ingénieur”
email: [email protected]
Institut 2iE
24 novembre 2022

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 1 / 131

Plan

1 Objectif du cours

2 Modélisation mathématique

3 Équations différentielles

4 Analyse de sensibilité

5 Projet

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 2 / 131

Plan

1 Objectif du cours

2 Modélisation mathématique

3 Équations différentielles

4 Analyse de sensibilité

5 Projet

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 2 / 131

Plan

1 Objectif du cours

2 Modélisation mathématique

3 Équations différentielles

4 Analyse de sensibilité

5 Projet

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 2 / 131

Plan

1 Objectif du cours

2 Modélisation mathématique

3 Équations différentielles

4 Analyse de sensibilité

5 Projet

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 2 / 131

Plan

1 Objectif du cours

2 Modélisation mathématique

3 Équations différentielles

4 Analyse de sensibilité

5 Projet

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 2 / 131

Plan

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 3 / 131

 Objectif du cours Objectif général

Plan

1 Objectif du cours
Objectif général
Objectifs spécifiques

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 4 / 131

 Objectif du cours Objectif général

Objectif général

Présenter les concepts de modélisation

déterministe, les méthodes usuelles de
résolutions d’équations différentielles et
l’analyse de sensibilité de paramètres.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 5 / 131

 Objectif du cours Objectifs spécifiques

Plan

1 Objectif du cours
Objectif général
Objectifs spécifiques

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 6 / 131

 Objectif du cours Objectifs spécifiques

Objectifs spécifiques

Montrer les différentes étapes de modélisation

déterministe
Montrer quelques méthodes de résolution
analytique des équations différentielles
ordinaires et partielles
Montrer l’analyse de sensibilité de paramètres
d’équations ou d’équations différentielles

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 7 / 131

 Modélisation mathématique Définitions et processus de modélisation

Plan

2 Modélisation mathématique
Définitions et processus de modélisation
Exemples

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 8 / 131

 Modélisation mathématique Définitions et processus de modélisation

Définitions

Il existe plusieurs définitions dans la littérature.

Définition
Un modèle est, par définition, une conceptualisation de la réalité,une certaine
image de la réalité que nous nous créons-une image incomplète et partielle,
comprenant des caractéristiques, des attributs de la réalité qui nous intéressent en
particulier ou que nous avons la chance (ou la possibilité) de connaı̂tre.
L’ensemble du processus qui permet l’intervention des mathématiques dans une
science basée sur l’expérience ou l’observation.
Un modèle est une représentation simplifiée (mais utile) de la réalité en vue d’aider
la prise de décisions face à des problèmes complexes.
Le modèle mathématique est un outil qui sert à comprendre l’évolution d’un
système complexe, en construisant une représentation et en y intégrant des
hypothèses pour le futur.
etc.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 9 / 131

 Modélisation mathématique Définitions et processus de modélisation

Comment on fait des modèles mathématiques ?

Pour espérer avoir de la précision, ?on compte tout ?.

Pour mettre en place un modèle, il faut plusieurs étapes : le mathématicien est ici au service du spécialiste de modélisation :
Le scientifique fait des hypothèses sur les phénomènes étudiés. Les hypothèses sont traduites mathématiquement en un
modèle
désigner les quantités intéressantes (les inconnues, les paramètres).
Certains (les paramètres) doivent être observés avant tout calcul. D’autres (les inconnues) seront déterminées à l’issue
du calcul.
Exemple : dans l’équation ax 2 + bx + c = 0, les paramètres sont a, b et c, tandis que x est l’inconnue.
comprendre et décrire le mécanisme derrière le phénomène.
mettre tout ceci en équations : on obtient un premier modèle (autant d’équations que d’inconnues)
analyser ces équations afin de repérer des incohérences,mettre en place un algorithme de résolution,...
donner des valeurs aux paramètres (grâce aux observations ou en utilisant d’autres modèles)
chercher des solutions (approchées) à ces équations : parfois avec des formules, le plus souvent, avec l’ordinateur (il faut
alors mettre en place un bon algorithme de calcul )
confronter les solutions obtenues aux observations passées... éventuellement, ajuster le modèle i.e. le rendre plus précis.
Comparer les prévisions aux réalités expérimentales. Cette étape n’est pas possible dans certaines situations
revenir éventuellement sur les hypothèses pour modifier le modèle, et le cycle continue...

Alors, on pourra (vraiment ?) “prédire” le futur !

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 10 / 131

 Modélisation mathématique Définitions et processus de modélisation

Quelle confiance on peut accorder au modèle ?

Hélas, le modèle ainsi obtenu sera toujours... un peu faux !
En effet, on trouvera toujours des conditions dans lesquelles les
mécanismes pris en compte sont insuffisants, les approximations sont
grossières, les valeurs des paramètres mal observés...
Citation
”Remember that all models are wrong ; the practical question is how wrong
do they have to be to not be useful.” George Box (1987)

Morale : tous les modèles sont faux, mais certains sont utiles.

En tous les cas, les modèles bien qu’ayant des limites

demeurent incontournables pour expliquer et prédire le
futur dans plusieurs domaines de la science et du
développement.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 11 / 131
 Modélisation mathématique Définitions et processus de modélisation

Qu’est-ce qu’un peut vraiment calculer ?

Alors un modèle mathématique, ça fait parfois beaucoup d’équations !
Pour la météo, qu’on vient de voir : il faut quelques pages pour les écrire toutes, et
quelques années d’études en amont...
Il n’est pas envisageable de résoudre ces équations précisement, alors on cherche des
solutions “approchées” à l’aide des calculs très lourds - mais très basiques- sur
l’ordinateur.
On obtient ainsi deux modèles :
l’un, “théorique”, avec toutes les équations
l’autre, sa variante “numérique”, qui est un algorithme à faire tourner sur
l’ordinateur.
Travail d’un mathématicien : vérifier que les deux sont proches (i.e. l’algorithme calcule
quelque chose qui ressemble la solution théorique... hic, la solution théorique est
inconnue, d’où la difficulté !).
Travail d’un modélisateur : confronter ces calculs à la réalité (ceci peut confirmer ou
infirmer le modèle)

Hiérarchie :
phénomène observé −→ modèle théorique −→ modèle numérique

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 12 / 131

 Modélisation mathématique Définitions et processus de modélisation

Quelques questions essentielles qui nous occupent

Le modèle”mathématique” est-il cohérent ?
Par exemple, existe-t-il une solution ? est-elle unique ?
Comment elle se comporte dans des situations typiques, et dans des situations
extrêmes ?
Quelles sont les limites du modèle ? Lorsque l’on néglige certains paramètres,est-ce
qu’on tombe sur un autre modèle plus simple ?
Ces questions requièrent le travail d’un mathématicien (”analyste”).
Comment déduire le modèle numérique du modèle théorique ?
Est-ce que les solutions approchées calculées par ordinateur sont proches des
solutions “mathématiques”? quel serait l’écart ? Comment optimiser la précision et
la vitesse des calculs ? Pour ces questions, il faut un autre mathématicien
(”numéricien”), avec des compétences assez différentes de son collègue analyste.
Les deux modèles, mathématique et numérique, correspondent-ils
bien ou pas bien au phénomène naturel qu’on espérait décrire ?
Par exemple, quelle est la signification physique/biologique/...
du comportement typique que le modèle prédit pour les solutions ?
Les quantités prédites par les équations sont-elles raisonnables ?
Ce sont des questions pour le scientifique qui modélise ; il utilise le travail des
mathématiciens pour valider/ajuster son modèle.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 13 / 131
 Modélisation mathématique Exemples

Plan

2 Modélisation mathématique
Définitions et processus de modélisation
Exemples

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 14 / 131

 Modélisation mathématique Exemples

Exemples

Exemples dans différentes disciplines scientifiques

Physique : On observe que le son émis par la corde d’un instrument de musique
varie en fonction de la longueur. On va traduire la physique de la corde en
équations grâce aux équations de la mécanique, et en déduire les lois gouvernant la
vibration d’une corde.
Chimie : On peut décrire le comportement des électrons dans un atome, et
comment cela gouverne la façon dont les atomes se regroupent en molécules. Les
équations mises en jeu proviennent des lois de la physique quantique. Aussi, De
façon plus macroscopique, on peut s’intéresser aux lois qui déterminent la vitesse
de réaction dans une réaction chimique.
Économie : En fonction des prix des différentes marchandises et du revenu du
consommateur, celui-ci effectue un arbitrage entre ses dépenses. Peut-on prévoir
son comportement ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 15 / 131

 Modélisation mathématique Exemples

Exemples

Exemples dans différentes disciplines scientifiques

Hydrologie :

La modélisation du cycle de l’eau s’intéresse à la représentation des variations spatiales et temporelles des flux
d’eaux à l’échelle du bassin versant à l’aide de bilans de masse, de quantité de mouvements et d’énergie
thermique.
La modélisation de l’érosion hydrique des sols s’intéresse à la prédiction et à la gestion des pertes de

productivité des sols et d’usage des eaux de surface engendrées par la dégradation de la couche terrestre.
Interdisciplinaire : Nommé modèle intégré, la modélisation des systèmes 3E « énergie-économie-environnement »
pour étudier l’analyse des impacts macroéconomiques (PIB, emploi,etc.) des politiques énergétiques ou climatiques,
étudier l’évolution des systèmes 3E,l’émergence de nouvelles technologies et les coûts de la réduction des GES.

Écologie animale : ´ Comment évoluent les effectifs de populations animales sous différentes hypothèses :
1 sans contraintes liées au milieu
2 avec des contraintes d’approvisionnement en nourriture
3 en présence de prédateurs
4 avec interaction entre proies et prédateurs
etc.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 16 / 131

 Modélisation mathématique Exemples

Exemples issus de problèmes de dynamique des populations

(écologie animale)
Caractéristiques générales :
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

Prolifération des lapins en Australie

En 1859, 24 lapins furent introduits en Australie, par un agriculteur émigré d’Angleterre
et nostalgique de son pays d’origine. Quelques années plus tard ces petites bêtes
pullulaient, et devenaient un fléau national. Pour tenter de le juguler, on a introduit des
prédateurs (des renards), une maladie (la myxomatose), et on a construit des milliers de
kilomètres de clôtures. Tout ceci sans succès.

On a ici un exemple de croissance exponentielle qui peut se décrire par le modèle

malthusien.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 17 / 131
 Modélisation mathématique Exemples

L’hypothèse malthusienne : Thomas Malthus, 1766-1834

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

Traduction mathématique de l’hypothèse malthusienne :

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
On écrit donc
u(t + ∆t) − u(t) = αu(t)∆t
avec α = a − b
u(t + ∆t) − u(t)
Quand ∆t est assez petit, ' u 0 (t), et on peut écrire la
∆t

Loi d’évolution (Malthus en temps continu)

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

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 18 / 131

 Le modèle malthusien
Modélisation mathématique
Le modèle logistique Exemples
Un modèle avec prédateur
Analyse du modèle malthusien
Un modèle proie-prédateurune équation
On obtient différentielle du premier ordre ,
c’est à dire une équation qui exprime la dérivée de u, en fonction de u. Si on connait la
Représentation graphique du modèle de Malthus continu
valeur initiale u(0) = u0 , on sait alors calculer les valeurs u(t) pour tout t > 0 :

u(t) = u0 e αt

tracé de x−>exp(kx)

300000 1.4e+27

1.2e+27
250000

1.0e+27
200000

8.0e+26

150000

6.0e+26

100000
4.0e+26

50000
2.0e+26

0 0.0e+00
0 1 2 3 4 5 6 7 8 9 10 0 5 10 15 20 25 30 35 40 45 50
k=1.2 k=1.2
k=1.25 k=1.25

Représentation graphique du modèle de Malthus continu

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 19 / 131
 Modélisation mathématique Exemples

Discussion du modèle de Malthus

Croissance exponentielle : c’est bien ce qui a été observé pendant un certain temps.
Est-ce vraisemblable sur une longue période ? Surface de l’Australie : 7 millions de km2 , soit 7 1012 m2 .
Effectif de lapins prévu au bout de 50 ans : 1027.
Cherchez l’erreur !
On doit tenir compte d’un effet de saturation du milieu.
Prise en compte des contraintes alimentaires
Dans le modèle de Malthus, on a supposé que le taux instantané de renouvellement α est constant, ce qui conduit à une
évolution exponentielle.

Hypothèse

Le taux instantané de renouvellement dépend de u :

Pour u petit, le taux α(u) est proche d’une constante α0 .
α décroı̂t en fonction de u.
Existence d’un seuil S tel que α(S) = 0 et α(u) < 0 pour u > S.

On peut choisir :
S −u
α(u) = α0
S
on obtient alors le Modèle logistique de Verhulst (Pierre Verhulst, 1804-1849)

0 S − u(t)
u (t) = α0 u(t)
S

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 20 / 131

 Un modèle avec prédateur
UnModélisation mathématique
modèle proie-prédateur Exemples

Remarque
Remarque sur
sur la modélisation descontraintes
modélisation des contraintesalimentaires
alimentaires

On aurait pu choisir une autre modélisation de la fonction

u 7→ α(u), comme par exemple

S 2 − u2
α(u) = α0
S2
ce qui donnerait

Un autre modèle logistique

S 2 − u 2 (t)
u 0 (t) = α0 u(t)
S2
Pourquoi choisir un modèle plutôt que l’autre ?
On va continuer avec le modèle de Verhulst.
François Ducrot Qu’est-ce que la modélisation mathématique ?
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 21 / 131
 Un modèle proie-prédateur
Modélisation mathématique Exemples

Étude
Etude mathématique
mathématique :: résolution
résolutionde
del’équation
l’équation

On peut montrer que si on fixe la valeur initiale u0 de u pour

t = 0, la fonction t 7→ u(t) est entièrement déterminée.

Expression de la solution

Se α0 t
u(t) = u0
S + u0 (e α0 t − 1)

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 22 / 131

 Modélisation mathématique Exemples

Représentation graphique des solutions (S = α0 = 1)

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 23 / 131

 Modélisation mathématique Exemples

Discussion sur la représentation graphique

Discussion sur la représentation graphique

Si l’effectif initial est inférieur au seuil, la population croı̂t et se

rapproche asymptotiquement du seuil limite.
Si l’effectif initial est supérieur au seuil, la population décroı̂t faute
de nourriture et se rapproche asymptotiquement du seuil limite.

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 24 / 131

 Le modèle logistique
Modélisation
Un modèle mathématique
avec prédateur Exemples
Un modèle proie-prédateur

Discussion
Discussionsursur
la la
représentation graphique
représentation graphique
Si l’effectif initial est très inférieur au seuil, et si on observe
l’évolution sur un temps pas trop long, on peut observer une
croissance exponentielle, comme dans le modèle de Malthus.
Ici S = 1 et u0 = 0, 001 :

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 25 / 131
 Un modèle proie-prédateur
Modélisation mathématique Exemples

LaLachenille
chenillededel’épicéa
l’épicéa

La chenille de l’épicéa est un insecte ravageur des sapins de

l’Amérique du nord, qui détruit les feuilles de ces arbres. Des
travaux ont été effectués à partir de 1978 pour modéliser
l’évolution de cette population et éventuellement proposer des
politiques de prévention.

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 26 / 131

 Le modèle logistique
Modélisation mathématique
Un modèle avec prédateur Exemples
Un modèle proie-prédateur

LaChenille
chenillededel’épicéa
l’épicéa-Hypothèses de modélisation
- Hypothèses de modélisation

Deux limitations au développement des chenilles :

Un facteur logistique lié à la quantité de nourriture disponible
Un facteur de prédation : les chenilles sont mangées par les
oiseaux. Si N désigne l’effectif de chenilles, le nombre de
chenilles mangées par les oiseaux par unité de temps est
évalué à
BN 2
P(N) = 2
A + N2
Le choix de cette formule est en partie arbitraire

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 27 / 131

 Un modèle avec prédateur
UnModélisation mathématique
modèle proie-prédateur Exemples

Pourquoi
Pourquoi ce
ce terme
terme de
de prédation
prédation ??
N 7→ P(N) est croissante
P(0) = 0
Saturation de l’appétit des oiseaux : limN→∞ P(N) = B
Prédateur non spécialisé : S’il y a peu de chenilles, les oiseaux
se tournent vers d’autres proies, traduit par P 0 (0) = 0.

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 28 / 131

 Modélisation mathématique
Le modèle logistique Exemples
Un modèle avec prédateur
Un modèle proie-prédateur
Equation différentielle
Équation différentiellede
delala chenille
chenille de l’épicéa
de l’épicéa

Équation différentielle
 
0 N(t) BN(t)2
N (t) = α0 N(t) 1 − − 2
S A + N(t)2

ou, après changement d’unités :

Équation différentielle normalisée

 
u(t) u(t)2
u 0 (t) = ρu(t) 1 − −
κ 1 + u(t)2

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 29 / 131

 Le modèle
Modélisation logistique
mathématique Exemples
Un modèle avec prédateur
Un modèle proie-prédateur

Solutions
Solutionsstationnaires
stationnaires

On cherche les solutions constantes. Dans ce cas u 0 = 0 et on a

Recherche des solutions stationnaires
 u u
ρ 1− =
κ 1 + u2

On peut discuter graphiquement le nombre de solutions de cette

équation.

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 30 / 131

 Le modèle logistique
Modélisation mathématique
Un modèle Exemples
avec prédateur
Un modèle proie-prédateur
Nombre de solutions stationnaires
Nombre de solutions stationnaires

On trouve, suivant les valeurs de ρ et κ, soit 1, soit 3

solutions.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 31 / 131

 Un modèle avec prédateur
Modélisation mathématique Exemples
Un modèle proie-prédateur

Nombre
Nombre de solutions
de solutions stationnaires
stationnaires

L’homme ne peut pas vraiment intervenir sur κ (lié à la

quantité de nourriture disponible), mais il peut influer sur
ρ (moins il y a d’oiseau, plus ρ est grand).

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 32 / 131

 Un modèle
Modélisation avec prédateur
mathématique Exemples
Un modèle proie-prédateur

Nombre
Nombrede de
solutions stationnaires
solutions stationnaires

Question : pour κ fixé, que se passe-t-il quand ρ varie ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 33 / 131

 Un modèle avec prédateur
Modélisation mathématique Exemples
Un modèle proie-prédateur

Interprétation
Interprétation

On peut tirer des conséquences de ce graphique :

Possibilité d’une explosion catastrophique de la population.
Mieux vaut prévenir que guérir : une fois cette explosion
arrivée, il est très difficile de revenir en arrière !

François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 34 / 131

 Modélisation mathématique Exemples

Sardines et requins

Les pêcheurs de la mer Adriatique pêchent des sardines et des requins. Les
requins se nourrissent de sardines, et les sardines mangent des petits
organismes, qui sont en quantité suffisante. Les pêcheurs ont constaté que
les stocks de sardines et de requins varient de façon périodique en fonction
du temps, avec la même périodicité, mais que leurs cycles sont décalés.
Le mathématicien Volterra a proposé en 1926 un modèle décrivant ce
phénomène.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 35 / 131

 Le modèle logistique
Modélisation mathématique
Un modèle avec prédateur Exemples
Un modèle proie-prédateur

Sardines
Sardinesetetrequins
requins

(Modèle de Lotka-Volterra)

x 0 (t) = ax(t) − bx(t)y (t)

y 0 (t) = cx(t)y (t) − dy (t)

où
x(t) = population de sardines à l’instant t
y (t) = population de requins à l’instant t

Les deux termes en rouge correspondent à des termes d’interaction

entre les deux espèces. Si ces termes n’étaient pas là, les sardines
prolifèreraient suivant le modèle de Malthus, alors que les requins
s’éteidraient de façon exponentielle.
François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 36 / 131

 Un modèle avec prédateur
Modélisation mathématique Exemples
Un modèle proie-prédateur

Expérimentation
Expérimentation numérique,
numérique, a = 2,a b==2,c b
== c=
d= 1 d =1
t = 2.75, y est minimal
effectifs en fonction de t espace des phases

5.0 5.0

4.5 4.5

4.0 4.0

3.5 3.5

3.0 3.0

requin
2.5 2.5

2.0 2.0

1.5 1.5

1.0 1.0

0.5 0.5

0.0 0.0
0 1 2 3 4 5 6 7 8 9 10 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
sardine sardine
requin

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 37 / 131

 Un modèle avec prédateur
Modélisation mathématique Exemples
Un modèle proie-prédateur

Expérimentation
Expérimentation numérique, a = 2,
numérique, a= b =2,c b==d c= =
1 d =1

t = 3.85, x est maximal

effectifs en fonction de t espace des phases

5.0 5.0

4.5 4.5

4.0 4.0

3.5 3.5

3.0 3.0

requin
2.5 2.5

2.0 2.0

1.5 1.5

1.0 1.0

0.5 0.5

0.0 0.0
0 1 2 3 4 5 6 7 8 9 10 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
sardine sardine
requin

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 38 / 131

 Un modèle avec prédateur
Modélisation mathématique Exemples
Un modèle proie-prédateur

Expérimentation
Expérimentation numérique, a = 2,a b==2,c b= =
numérique, d= 1 d =1
c=
t = 4.58, y est maximal
effectifs en fonction de t espace des phases

5.0 5.0

4.5 4.5

4.0 4.0

3.5 3.5

3.0 3.0

requin
2.5 2.5

2.0 2.0

1.5 1.5

1.0 1.0

0.5 0.5

0.0 0.0
0 1 2 3 4 5 6 7 8 9 10 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
sardine sardine
requin

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 39 / 131

 Un modèle avec prédateur
Modélisation
Un modèle mathématique Exemples
proie-prédateur

Expérimentation
Expérimentation numérique,
numérique, a=
a = 2, b =2,c b==d c= =
1 d =1
t = 5.80, x est minimal
effectifs en fonction de t espace des phases

5.0 5.0

4.5 4.5

4.0 4.0

3.5 3.5

3.0 3.0

requin
2.5 2.5

2.0 2.0

1.5 1.5

1.0 1.0

0.5 0.5

0.0 0.0
0 1 2 3 4 5 6 7 8 9 10 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
sardine sardine
requin

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 40 / 131

 Modélisation
Un modèle mathématique
avec prédateurExemples
Un modèle proie-prédateur

Portrait
Portraitdedephase
phase
On trace différentes trajectoires, correspondant à différentes
conditions initiales, sur un même diagramme.

0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 41 / 131

 Le modèle
Modélisation logistique
mathématique Exemples
Un modèle avec prédateur
Un modèle proie-prédateur
Influence de la pêche
Influence de la pêche
Si on exerce une activité de pêche, les taux de mortalité des
sardines et des requins augmentent d’une même valeur. Le système
( Lotka-Volterra sans pêche)

x 0 (t) = ax(t) − bx(t)y (t)

y 0 (t) = cx(t)y (t) − dy (t)

devient
( Lotka-Volterra avec pêche)

x 0 (t) = ax(t) − αx(t) − bx(t)y (t)

y 0 (t) = cx(t)y (t) − dy (t) − αy (t)
François Ducrot Qu’est-ce que la modélisation mathématique ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 42 / 131

 Modélisation mathématique Exemples

Influence de la pêche

5.5
sans pêche, a=2,d=1
5.0
avec pêche, a=1,d=2

4.5

4.0

3.5

3.0

2.5

2.0

1.5

1.0

0.5

0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0

La pêche a fait augmenter la quantité de sardines !

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 43 / 131
 Équations différentielles Définitions et Terminologies

Plan

3 Équations différentielles
Définitions et Terminologies
Résolutions d’EDOs particulières
L’équation différentielle linéaire d’ordre n
Équation différentielle partielle

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 44 / 131

 Équations différentielles Définitions et Terminologies

Définitions et Terminologies

Définition
Une équation contenant les dérivées d’une ou de plusieurs variables
dépendantes, par rapport à une ou plusieurs variables indépendantes, est
dite une équation différentielle (ED).

Classification des ED
Nous allons classer une équation différentielle par type, ordre et linéarité.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 45 / 131

 Équations différentielles Définitions et Terminologies

Classification par type

EDO et EDP
Si une équation différentielle ne contient que des dérivées ordinaires d’une ou plusieurs fonctions par rapport à une seule

variable indépendante, on parle alors d’équation différentielle ordinaire (EDO).

Une équation comportant uniquement des dérivées partielles d’une ou de plusieurs fonctions de deux variables

indépendantes ou plus s’appelle une équation différentielle partielle (EDP).

Exemple
dy d2 y dy dx dy
(a) Les équations
dx
+ 6y = e −x ;
dx 2
+
dx
− 12y = 0;
dt
+
dt
= 3x + 2y (contient plus d’une

variable dépendante) sont EDO.

∂2u ∂2u ∂2u ∂2u ∂u ∂u ∂v
(b) Les équations
∂x 2
+
∂y 2
= 0;
∂x 2
=
∂t 2
− ;
∂t ∂y
=−
∂x
sont EDP. Notez que dans la

troisième équation qu’il y a deux variables dépendantes et deux variables indépendantes dans l’EDP. Cela

indique que u et v doivent être des fonctions d’au moins deux variables indépendantes.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 46 / 131

 Équations différentielles Définitions et Terminologies

Notations

EDO
Les dérivés ordinaires seront écrits en utilisant soit la notation de
dy d2 y d3 y
Leibniz, , , , · · · ou la notation avec les primes y 0 , y 00 , y 000 , · · · .
dx dx 2 dx 3
Lorsque la notation de prime excède 3, utiliser la notation suivante y (n) .
Dans les sciences physiques et d’ingénierie, la notation de points de
Newton est parfois utilisée pour désigner des dérivées par rapport au
d2 s
temps t : l’équation 2 = −32 devient s̈ = −32
dt

EDP
Les dérivées partielles sont souvent désignées par une notation en indice
∂u
indiquant les variables indépendantes : = ut .
∂t

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 47 / 131

 Équations différentielles Définitions et Terminologies

Classification par ordre

EDO et EDP
L’ordre d’une équation différentielle (EDO ou EDP) est l’ordre de la
dérivée la plus élevée de l’équation.

Exemple
 3 4 2
d2 y dy x et 2 ∂ u + ∂ u = 0
Les équations différentielles + − 4y = e
dx 2 dx ∂x 4 ∂x 2
sont respectivement EDO d’ordre 2 et EDP d’ordre 4.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 48 / 131

 Équations différentielles Définitions et Terminologies

Classification par ordre

Forme différentielle d’un EDO de premier ordre

Nous pouvons exprimer une équation différentielle ordinaire du ni ème ordre avec
une variable dépendante par la forme générale :

F (x, y , y 0 , · · · , y (n) ) = 0 (1)

où F est une fonction à valeur réelle de n + 2 variables : x, y , y 0 , · · · , y (n) . Pour

des raisons à la fois pratiques et théoriques, nous supposerons également ci-après
qu’il est possible de résoudre une équation différentielle ordinaire sous la forme
(1) uniquement pour la dérivée la plus élevée y (n) en fonction des n + 1 variables
restantes. L’équation différentielle
dn y
= f (x, y , y 0 , · · · , y (n−1) ) (2)
dx n
où f est une fonction continue à valeurs réelles, est appelée la forme normale de
(1).

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 49 / 131

 Équations différentielles Définitions et Terminologies

Classification par ordre

Exemple
dy
La forme différentielle de l’équation 6xy + x 2 + y 2 = 0 est
dx
(x 2 + y 2 )dx + 6xy dy = 0.
Les formes normales des EDOs d’ordre 1 et 2 sont respectivement
dy d2 y
= f (x, y ) et = f (x, y , y 0 ).
dx dx 2
dy
Les formes normales des EDOs 4x + y = x et y 00 − y 0 + 6y = 0
dx
dy x −y
sont respectivement = et y 00 = y 0 − 6y
dx 4x

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 50 / 131

 Équations différentielles Définitions et Terminologies

Classification par linéarité

Forme différentielle d’un EDO de premier ordre

Une équation différentielle ordinaire du ni ème ordre (1) est dite linéaire dans la variable y
si F est linéaire dans y , y 0 , · · · , y (n) . Cela signifie qu’un EDO d’ordre n est linéaire
lorsque (1) est un an (x)y (n) + an−1 (x)y (n−1) + · · · + a1 (x)y 0 + a0 (x)y − g (x) = 0 ou

dn y dn−1 y dy
an (x) + an−1 (x) n−1 y (n−1) + · · · + a1 (x) + a0 (x)y = g (x) (3)
dx n dx dx
Les deux cas spéciaux importants de (3) sont les EDOs linéaires du premier ordre
(n = 1) et linéaires du second ordre (n = 2) sont respectivement :
dy
a1 (x) + a0 (x)y = g (x) (4)
dx
et
d2 y dy
a2 (x) + a1 (x) + a0 (x)y = g (x) (5)
dx 2 dx

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 51 / 131

 Équations différentielles Définitions et Terminologies

Classification par linéarité

Remarques
Dans la combinaison additive du côté gauche de (3), nous voyons que les deux
propriétés caractéristiques d’une EDO linéaire sont :
La variable dépendante y et tous ses dérivés y , y 0 , · · · , y (n) sont du premier
degré ; c’est-à-dire que la puissance de chaque terme impliquant y est 1.
Les coefficients a0 , a1 , · · · , an de y , y 0 , · · · , y (n) dépendent au plus de la
variable indépendante x.

EDO non linéaire

Une équation différentielle ordinaire non linéaire est simplement une équation
non linéaire. Si les coefficients de y , y 0 , · · · , y (n) contiennent la variable
dépendante y ou ses dérivés ou si les puissances de y , y 0 , · · · , y (n) , telles que (y )2 ,
apparaissent dans l’équation, alors l’ED est non linéaire. De plus, les fonctions
non linéaires de la variable dépendante ou de ses dérivées, telles que sin y ou e y ,
ne peuvent pas apparaı̂tre dans une équation linéaire.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 52 / 131
 Équations différentielles Définitions et Terminologies

Classification par linéarité

Exemples
Les équations (y − x)dx + 4xdy = 0, y 00 − 2y 0 + y = 0,
d3 y dy
x 3 3 + 3x − 5y = e x sont respectivement des EDOs linéaires du
dx dx
premier, deuxième et troisième ordre.
(1 − y )y 0 + 2y = e x (coefficient dépendant de y) ;
d2 y
+ sin y = 0 ( fonction non linéaire de y) ;
dx 2
d4 y
+ y 2 = 0( puissance de y différente de 1)
dx 4
sont respectivement des EDOs non linéaires du premier, deuxième et
quatrième ordre.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 53 / 131

 Équations différentielles Définitions et Terminologies

Solution d’une ED

Solution d’une ED
Toute fonction φ, définie sur un intervalle I et possédant au moins n dérivées continues
sur I , qui, substituée à une équation différentielle ordinaire du ni ème ordre, réduit
l’équation à une identité, est dite solution de l’équation de intervalle.

Solution d’une EDO

En d’autres termes, une solution d’une équation différentielle ordinaire d’ordre ni ème (1)
est une fonction φ possédant au moins n dérivées et : F (x, φ, φ0 , · · · , φ(n) ) = 0 pour tout
x ∈ I.
Parfois, il sera utile de désigner une solution par le symbole alternatif y (x).

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 54 / 131

 Équations différentielles Définitions et Terminologies

Solution d’une ED

Intervalle de définition
Vous ne pouvez pas penser à la solution d’une équation différentielle ordinaire sans
penser simultanément à un intervalle. L’intervalle I de la définition sur la solution d’une
ED est appelé de façon différente intervalle de définition, intervalle de validité ou
domaine de la solution et peut être un intervalle ouvert ]a, b[ un intervalle fermé [a, b],
un intervalle à borne infini [a, ∞[, etc.

Exemple
Vérifier que la fonction indiquée est une solution de l’équation différentielle
donnée sur l’intervalle R :
1
dy 1 4
= xy 2 ; y (x) = x
dx 16
y 00 − 2y 0 + y = 0 ; y (x) = xe x

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 55 / 131

 Équations différentielles Définitions et Terminologies

Solution implicite ou explicite

Solution explicite
Une solution dans laquelle la variable dépendante est exprimée uniquement en termes de
variable indépendante et de constantes est dite solution explicite.
Pour nos besoins, considérons une solution explicite comme une formule explicite
y = φ(x) que nous pouvons manipuler, évaluer et différencier à l’aide des règles
standards.

Solution implicite
Une relation G (x, y ) = 0 est dite solution implicite d’une équation différentielle ordinaire
(1) sur un intervalle I , à condition qu’il existe au moins une fonction φ qui vérifie la
relation ainsi que l’équation différentielle sur I .

Exemple
La relation x 2 + y 2 = 25 est une solution implicite de l’équation différentielle non
dy x
linéaire : = − . Trouver sa solution explicite et représenter dans un plan
dx y
orthonormé la solution implicite puis la solution explicite.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 56 / 131
 Équations différentielles Définitions et Terminologies

Famille de solution

Définition
Lors de la résolution d’une équation différentielle du premier ordre F (x, y , y 0 ) = 0, nous
obtenons généralement une solution contenant une seule constante arbitraire ou paramètre c.
Une solution contenant une constante arbitraire représente un ensemble G (x, y , c) = 0 de
solutions appelé famille de solutions à un paramètre. Lors de la résolution d’une équation
différentielle d’ordre n de la forme F (x, y , y 0 , · · · , y (n) ) = 0, nous recherchons une famille de
solutions à n paramètres pour G (x, y , c1 , c2 , · · · , cn ) = 0. Cela signifie qu’une seule équation
différentielle peut posséder un nombre infini de solutions correspondant au nombre illimité de
choix pour le(s) paramètre(s). Une solution d’une équation différentielle sans paramètres
arbitraires est appelée solution particulière.

Exemple
La famille à un paramètre y = cx − x cos x est une solution explicite de l’équation linéaire
du premier ordre xy 0 − y = x 2 sin x sur R (à vérifier). Pour c = 0, y = −x cos x est une
solution particulière.
Sur R, y = c1 e x + c2 xe x est une famille de solutions à deux paramètres (à vérifier) de
l’équation linéaire du second ordre y 00 − 2y 0 + y = 0. Certaines solutions particulières de
l’équation sont la solution triviale y = 0(c1 = c2 = 0), y = xe x (c1 = 0, c2 = 1),
y = 5e x − 2xe x (c1 = 5, c2 = −2), etc.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 57 / 131

 Équations différentielles Définitions et Terminologies

Systèmes d’équations différentielles

Définition
Jusqu’à présent, nous avons discuté d’équations différentielles simples contenant une
fonction inconnue. Mais souvent en théorie, ainsi que dans de nombreuses applications,
nous devons traiter avec des systèmes d’équations différentielles. Un système d’équations
différentielles ordinaires est constitué d’au moins deux équations faisant intervenir les
dérivées de deux ou plusieurs fonctions inconnues d’une seule variable indépendante. Par
exemple, si x et y désignent des variables dépendantes et t la variable indépendante, un
système de deux équations différentielles du premier ordre est donné par :

dx


 = f (t, x, y )
dt (6)
 dy = g (t, x, y )

dt

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 58 / 131

 Équations différentielles Définitions et Terminologies

Une équation différentielle est dite homogène

Définition
Une équation différentielle est dite homogène s’il n’existe pas de termes
dépendant uniquement de la variable indépendante. S’il existe des termes
fonctions de la variable indépendante alors elle est dite équation
différentielle non homogène.

Exemple
Ces équations différentielles pour y (x) sont homogènes ?
y 00 + xy + y = 0, y 0 + y + x 2 = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 59 / 131

 Équations différentielles Résolutions d’EDOs particulières

Plan

3 Équations différentielles
Définitions et Terminologies
Résolutions d’EDOs particulières
L’équation différentielle linéaire d’ordre n
Équation différentielle partielle

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 60 / 131

 Équations différentielles Résolutions d’EDOs particulières

Différentielle d’une fonction

Différentielle d’une fonction d’une variable indépendante

Soit y = f (x) définie y en fonction de x sur un intervalle I . La
différentielle y, écrit dy (ou df ) est définie par

dy (x, ∆x) = f 0 (x)∆x (7)

La forme usuelle de la différentielle est :

dy = f 0 (x)dx (8)

Exemple
Quelle est la différentielle de la fonction y = x 2 ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 61 / 131

 Équations différentielles Résolutions d’EDOs particulières

Différentielle d’une fonction

Différentielle d’une fonction de deux variables indépendantes

Soit z = f (x, y ) définie z en fonction de deux variables indépendantes x et
y sur un intervalle I . La différentielle z, écrit dz (ou df ) est définie par

∂f ∂f
dz(x, y , ∆x, ∆y ) = ∆x + ∆y (9)
∂x ∂y

La forme usuelle de la différentielle est :

∂f ∂f
dz = dx + dy (10)
∂x ∂y

Exemple
Quelle est la différentielle de la fonction z = x 3 + 3x 2 y + y 3 + 5 ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 62 / 131

 Équations différentielles Résolutions d’EDOs particulières

Equation séparable

Définition
Toute équation différentielle qui peut être écrite sous la forme :
P(x)dx + Q(y )dy = 0 est une équation séparable (car les variables
dépendantes
R et indépendantes
R sont séparées).La solution générale implicite
est : P(x)dx + Q(y )dy = c.

Exemple
Résoudre les équations différentielles y 0 = xy 2 et y 0 = y − y 2 .

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 63 / 131

 Équations différentielles Résolutions d’EDOs particulières

Equation exacte

Définition
Toute équation différentielle du premier ordre et du premier degré peut s’écrire sous la
forme
dy
P(x, y ) + Q(x, y ) =0
dx
Cette équation est exacte si et seulement si
∂P ∂Q
= .
∂y ∂x
Dans
Z x ce cas la solution
Z y de l’équation différentielle est donnée par :
P(α, y )dα + Q(x0 , β)dβ = c.
x0 y0

Exemple
dy
L’équation différentielle : x + y = 0 est exacte ? Donner sa solution.
dx

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 64 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles à coefficients homogènes

Fonctions homogènes
La fonction F (x, y ) est une fonction homogène de degré n, si
y
F (λx, λy ) = λn F (x, y ) ou F (x, y ) = x n F (1, )(x 6= 0).
x

Exemple
x 2 y + 2y 3 y
Les fonctions : xy 2 , , x cos( ) sont homogènes ? Si oui donner
x +y x
leur degré.

Théorème d’Euler sur les fonctions homogènes

Si F (x, y ) est une fonction homogène de degré n, alors

xFx + yFy = nF .

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 65 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles à coefficients homogènes

Résultat
Si P(x, y ) et Q(x, y ) sont des fonctions homogènes de degré n, alors l’équation
dy
P(x, y ) + Q(x, y ) =0
dx
y (x)
est séparable par un changement de variable u(x) = . La solution est déterminée
x
par : Z
1 c
du = ln .
u + P(1, u)/Q(1, u) x
Alternativement l’équation homogène peut être exacte avec le facteur intégrant
1
µ(x, y ) = .
xP(x, y ) + yQ(x, y )

Exemple
dy
Trouver la solution de l’équation différentielle x 2 − y 2 + xy = 0.
dx
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 66 / 131
 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre

Équations différentielles linéaires homogènes du premier ordre

L’équation différentielle linéaire homogène du premier ordre
dy
+ p(x)y = 0,
dx
admet comme solution R
p(x)dx
y = ce − . (11)
les solutions diffèrent par une constante multiplicative.

Exemple
dy 1
Trouver la solution de l’équation différentielle + y = 0.
dx x

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 67 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre

Équations différentielles linéaires non homogènes du premier ordre
L’équation différentielle linéaire non homogène du premier ordre est de la forme
dy
+ p(x)y = f (x). (12)
dx

L’équation 12 n’est pas exacte, nous multiplions par le facteur intégrant, I (x) pour la
rendre exacte. On obtient :
dy
I (x) + p(x)I (x)y = f (x)I (x).
dx
Avec la nouvelle expression, l’équation doit satisfaire :
dI (x)
= p(x)I (x).
dx
Ceci est une équation différentielle linéaire homogène du premier ordre admettant
comme solution : R
I (x) = ce p(x)dx .
C’est un facteur intégrant pour toute constante c.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 68 / 131
 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre

Pour simplifier l’expression du facteur intégrant, nous choisissons c = 1.
Pour résoudre
R l’équation 12, nous multiplions par le facteur intégrant, et on intègre. Soit
P(x) = p(x)dx.
dy
e P(x) + p(x)e P(x) y = f (x)e P(x)
dx
d  P(x) 
e y = f (x)e P(x)
dx
Z
y = e −P(x) f (x)e P(x) dx + ce −P(x)

y ≡ yp + cyh .
Notez que la solution générale est la somme de la solution particulière yp , qui satisfait
y 0 + p(x)y = f (x), et la constante arbitraire multipliée par la solution homogène yh , qui
satisfait y 0 + p(x)y = 0

Exemple
1
Trouver la solution de l’équation différentielle y 0 + y = x2 x > 0
x

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 69 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier

ordre :Méthode de Lagrange ou de variation des constantes
On peut trouver une solution particulière par la méthode de variation des paramètres ou méthodes de Lagrange. Bien que nous
pouvons résoudre les équations du premier ordre sans cette méthode, il deviendra important dans l’étude des équations non
homogènes d’ordre supérieur. Nous commençons par supposer que la solution particulière est de la forme yp = u(x)yh (x) où
u(x) est une fonction inconnue. Nous remplaçons yp dans l’équation différentielle 12. On obtient :

d
yp + p(x)yp = f (x)
dx
d
(uyh ) + p(x)(uyh ) = f (x)
dx
0 0
u yh + u(yh + p(x)yh ) = f (x)
Puisque yh est une solution homogène, yh0 + p(x)yh = 0.

0 f (x)
u =
yh
f (x)
Z
u= dx
yh (x)
−P(x)
Rappelons que la solution homogène est yh = e .
Z
P(x)
u= e f (x)dx.

Ainsi, la solution particulière est Z

−P(x) P(x)
yp = e e f (x)dx.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 70 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre :

Conditions initiales
Dans les problèmes de physiques impliquant des équations différentielles du premier ordre, la solution satisfait deux conditions :
l’équation différentielle et une contrainte que nous appelons la condition initiale. Considérons une équation différentielle linéaire
du premier ordre soumise à la condition initiale y (x0 ) = y0 . La solution générale est

Z
−P(x) P(x) −P(x)
y = yp + cyh = e e f (x)dx + ce .

Nous allons supposer que ce problème est bien posé. Un problème est bien posé si la solution de l’équation différentielle est
unique qui satisfait la(les) contrainte(s). Rappelons que e P(x) f (x)dx représente l’intégrale de e P(x) f (x). Pour plus de
R
R x P(ξ)
commodité, nous choisissons x e f (ξ)dξ. La condition initiale exige que
0

Z x
−P(x0 ) 0 P(ξ) −P(x0 ) −P(x0 )
y (x0 ) = y0 = e e f (ξ)dξ + ce = ce .
x0

Ainsi c = y0 e P(x0 ) . La solution soumise à l’état initial

Z x
−P(x) P(ξ) P(x )−P(x)
y =e e f (ξ)dξ + y0 e 0 .
x0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 71 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : les ceofficients sont non homogènes et

égaux à zéro, représentent des droites sécantes

L’équation différentielle dans laquelle les coefficients de dx et de dy sont linéaires, non homogènes et égaux à zéro, représentent
des droites sécantes est de la forme :

(a1 x + b1 y + c1 )dx + (a2 x + b2 y + c2 )dy = 0 (13)

avec le système
(
a1 x + b1 y + c1 = 0
(14)
a2 x + b2 y + c2 = 0

qui admet un seul point d’intersection donc une solution unique. Soit (h, k) ce point d’intersection. En posant comme
changement de variable : x = x̄ + h et y = ȳ + k on obtient une équation différentielle linéaire à coefficient homogène

(a1 x̄ + b1 ȳ )dx̄ + (a2 x̄ + b2 ȳ )dȳ = 0 (15)

Exemple
Résoudre l’équation différentielle (2x − y + 1)dx + (x + y )dy = 0.
Indication : Le point d’intersection est (h = − 13 , k = 31 ). Avec le changement de
1
variable, x = x̄ − 3
et y = ȳ + 13 , on a (2x̄ − ȳ )dx̄ + (x̄ + ȳ )dȳ = 0 qui est une équation
différentielle à coefficient homogène de degré identique.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 72 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : les ceofficients sont non homogènes et

égaux à zéro, représentent des droites parallèles

L’équation différentielle dans laquelle les coefficients de dx et de dy sont linéaires, non homogènes et égaux à zéro, représentent
des droites non parallèles est de la forme :

(a1 x + b1 y + c1 )dx + (αa1 x + αb1 y + c2 )dy = 0, α ∈ R (16)

Si les droites définies par les coefficients de dx et de dy précédemment sont parallèles, la méthode précédente ne fonctionnera

pas. Les droites parallèles n’ont pas de point d’intersection et donc n’a pas de solution pour x et y . Dans ce cas, nous devons

recourir à une substitution différente. Ceci est illustré dans l’exemple suivant.

Exemple
Résoudre l’équation différentielle (2x + 3y − 1)dx + (4x + 6y + 2)dy = 0.

Indication
du − 3dy
Posons u = 2x + 3y − 1 , du = 2dx + 3dy , dx = alors 2u + 4 = 4x + 6y + 2.
2
On obtient après substitution l’équation différentielle séparable : udu + (u + 8)dy = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 73 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : recherche de facteurs intégrants

Facteur intégrant
Le facteur intégrant h transforme une équation différentielle qui n’est pas exacte

P(x, y )dx + Q(x, y )dy = 0 (17)

en une équation différentielle exacte

hP(x, y )dx + hQ(x, y )dy = 0 (18)

. De sorte que
∂ ∂
[hP(x, y )] = [hQ(x, y )] . (19)
∂y ∂x

Exemple
L’équation différentielle (y 2 + y )dx − xdy = 0 est exacte ? Multiplier l’équation
différentielle par y −2 , y 6= 0. et vérifier si elle est exacte ?

Problématique
Comment déterminer un facteur intégrant d’une équation différentielle qui n’est pas
exacte ?
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 74 / 131
 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : recherche de facteurs intégrants

Facteur intégrant h(x)

Le facteur intégrant h dépend de x la relation 19 devient

∂ ∂ dh(x)
h(x) P(x, y ) = h(x) Q(x, y ) + Q(x, y ) . (20)
∂y ∂x dx
Le facteur intégrant vérifiera la relation :
 
∂ ∂
P(x, y ) − Q(x, y )
dh(x) ∂y ∂x
= dx (21)
h(x) Q(x, y )

Exemple
Déterminer le facteur intégrant de (e x − sin y )dx + cos y dy = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 75 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : recherche de facteurs intégrants

Facteur intégrant h(y )

Le facteur intégrant h dépend de y la relation 19 devient

∂ dh(y ) ∂
h(y ) P(x, y ) + P(x, y ) = h(y ) Q(x, y ). (22)
∂y dy ∂x
Le facteur intégrant vérifiera la relation :
 
∂ ∂
Q(x, y ) − P(x, y )
dh(y ) ∂x ∂y
= dy (23)
h(y ) P(x, y )

Exemple
Déterminer le facteur intégrant de xy dx + (1 + x 2 )dy = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 76 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : recherche de facteurs intégrants

Facteur intégrant h(xy )

Le facteur intégrant h dépend de u = xy la relation 19 devient

∂ d ∂ d
   
h(u) P(x, y ) + P(x, y ) h(u) = h(u) Q(x, y ) + Q(x, y ) h(u) . (24)
∂y dy ∂x dx

∂u ∂ ∂u d
u = xy alors = x. De plus h(u) = h0 (u) =x h(u).
∂y ∂y ∂y du
∂u ∂ ∂u d
De même = y . De plus h(u) = h0 (u) =y h(u).
∂x ∂x ∂x du
En remplaçant dans l’expression 24, le facteur intégrant vérifiera la relation :

∂ ∂
 
P(x, y ) − Q(x, y )
d[h(u)] ∂y ∂x
= du (25)
h(u) yQ(x, y ) − xP(x, y )

Exemple
Déterminer le facteur intégrant de (y 3 + xy 2 + y )dx + (x 3 + x 2 y + x)dy = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 77 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : recherche de facteurs intégrants

Facteur intégrant h(x/y )

x ∂u x ∂u 1
Le facteur intégrant h dépend de u = alors =− et =
y ∂y y2 ∂x y
 ∂
0 ∂u x d
 ∂y h(u) = h (u) ∂y = − y 2 du h(u)



(26)
 ∂ 0 ∂u 1 d
h(u) = h (u) = h(u)



∂x ∂x y du

En remplaçant dans l’expression 26, le facteur intégrant vérifiera la relation :

∂ ∂
 
y2 P(x, y ) − Q(x, y )
d[h(u)] ∂y ∂x
= du (27)
h(u) xP(x, y ) + yQ(x, y )

Exemple
Déterminer le facteur intégrant de 3y dx − xdy = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 78 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles linéaires du premier ordre : recherche de facteurs intégrants

Facteur intégrant h(y /x)

y ∂u ∂u
Le facteur intégrant h dépend de u = alors = · · · et = ···
x ∂y ∂x
∂ ∂u

0
 ∂y h(u) = h (u) ∂y = · · ·



(28)

 ∂ 0 ∂u

 h(u) = h (u) = ···
∂x ∂x
En remplaçant dans l’expression 28, le facteur intégrant vérifiera la relation :

∂ ∂
 
x2 P(x, y ) − Q(x, y )
d[h(u)] ∂y ∂x
=− du (29)
h(u) xP(x, y ) + yQ(x, y )

Exemple
Déterminer le facteur intégrant de y dx − 3xdy = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 79 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles du premier ordre : recherche de facteurs intégrants

ED spéciale de la forme y (Ax p y q + Bx r y s )dx + x(Cx p y q + Dx r y s )dy = 0

Si une équation différentielle peut être mise sous la forme spéciale

p q r s p q r s
y (Ax y + Bx y )dx + x(Cx y + Dx y )dy = 0 (30)

avec A, B, C , D des constantes réelles, son facteur intégrant prendra la forme x a y b avec a, b des constantes réelles. Nous
illustrons par un exemple la méthode permettant de trouver un facteur intégrant :

Exemple
Déterminer le facteur intégrant de y (2x 2 y 3 + 3)dx + x(x 2 y 3 − 1)dy = 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 80 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles non linéaire du premier ordre : équations de Bernoulli

Equations de Bernoulli
Une équation différentielle non linéaire du premier ordre spéciale, du nom du mathématicien suisse James Bernoulli (1654-1705 )
est de la forme suivante :
dy n
+ P(x)y = Q(x)y (31)
dx

Pour n = 1, l’équation est séparable. Pour n 6= 1, multiplions l’expression 31 par (1 − n)y −n , on obtient :

−n dy −n
(1 − n)y + (1 − n)y P(x)y = (1 − n)Q(x) (32)
dx

d 1−n 1−n
(y ) + (1 − n)P(x)(y ) = (1 − n)Q(x) (33)
dx

En remplaçant u = (y 1−n ), on obtient l’équation différentielle linéaire :

du
+ (1 − n)P(x)u = (1 − n)Q(x) (34)
dx

Exemple
x
Résoudre l’équation différentielle y 0 + xy = avec y 6= 0
y3

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 81 / 131

 Équations différentielles Résolutions d’EDOs particulières

Équations différentielles du premier ordre : équations de Riccati

Equations de Riccati
Une équation différentielle non linéaire du premier ordre spéciale, est dite équation différentielle de Riccati si elle est de la forme
suivante :
dy 2
= f0 (x) + f1 (x)y + f2 (x)y , f2 (x) 6= 0 (35)
dx

Si y1 (x) est une solution particulière de cette équation, alors

1 0 0 1 0
y = y1 + , y = y1 − u (36)
u u2

va transformer l’équation de Riccati en une équation linéaire du premier ordre

0
u + [f1 (x) + 2f2 (x)y1 ]u = −f2 (x) (37)

Exemple
2 1 2
Résoudre l’équation différentielle y 0 = x 3 + y− y et y1 (x) = −x 2
x x

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 82 / 131

 Équations différentielles Résolutions d’EDOs particulières

Méthodes diverses pour résoudre une équation différentielle du premier ordre.

Si une équation différentielle est choisie au hasard, elle peut être résolue
par plusieurs méthodes. Celui que vous choisirez dépendra en dernier
ressort de votre ingéniosité à déterminer ce qui conduira le plus facilement
à une solution. L’exemple suivant illustrera ce point.

Exemples
Résoudre l’équation différentielle
xdy − y dx = y 2 dx. (38)
Les possibilités de méthodes de résolution de (38) :
1 1
1 Rendre l’équation (38) séparable : dy = dx
y + y2 x
2 En multipliant par y −2 , l’équation (38) devient exacte avec y 6= 0.
3 En divisant l’équation (38) par x, on obtient l’équation de Bernoulli

Visiblement la première est plus efficace que les deux autres.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 83 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Plan

3 Équations différentielles
Définitions et Terminologies
Résolutions d’EDOs particulières
L’équation différentielle linéaire d’ordre n
Équation différentielle partielle

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 84 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Indépendance linéaire des fonctions

Définition
Un ensemble de fonctions f1 (x), f2 (x), · · · , fn (x), définies chacune sur un intervalle commun I , est appelé linéairement
dépendant de I , s’il existe un ensemble de constantes c1 , c2 , · · · , cn , pas tous nuls, tels que :

c1 f1 (x) + c2 f2 (x) + · · · + cn fn (x) = 0 (39)

pour chaque x de I . Si aucun ensemble de constantes de ce type n’est défini, c1 , c2 , · · · , cn , existe, alors l’ensemble des

fonctions est appelé linéairement indépendant.

Définition
Le côté gauche de de la relation (39) est appelé une combinaison linéaire de l’ensemble des fonctions f1 (x), f2 (x), · · · , fn (x).

Exemple
Pour chacun des ensembles de fonctions suivantes, déterminez si elle est linéairement dépendante ou indépendante :
1 x, −2x, −3x, 4x, et I = R
2 x p , x q , p 6= q, et I = R − {0}
3 e px , e qx , p 6= q, et I = R
4 e x , 0, sin x, 1, et I = R

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 85 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Indépendance linéaire des fonctions

Résultat
Si f0 (x), f1 (x), · · · , fn (x) et Q(x) sont des fonctions continues de x sur un intervalle commun I , et fn (x) 6= 0 quand x est dans
I , alors l’équation différentielle linéaire

(n) (n−1) 0
fn (x)y + fn−1 (x)y + · · · + f1 (x)y + f0 (x)y = Q(x) (40)

admet une et une seule solution,

y = y (x) (41)

satisfaisant l’ensemble des conditions initiales

0 (n−1)
y (x0 ) = y0 , y (x0 ) = y1 , · · · , y (x0 ) = y(n−1) (42)

où x0 est dans I , et y0 , y1 , · · · , yn−1 sont des constantes.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 86 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Indépendance linéaire des fonctions

Résultat
Si f0 (x), f1 (x), · · · , fn (x) et Q(x) sont des fonctions continues de x sur un intervalle commun I , et fn (x) 6= 0 quand x est dans
I , alors l’équation différentielle linéaire
1 L’équation différentielle linéaire homogène

(n) (n−1) 0
fn (x)y + fn−1 (x)y + · · · + f1 (x)y + f0 (x)y = 0 (43)

admet n solutions linéairement indépendantes y1 (x), y2 (x), · · · , yn (x).

2 La combinaison linéaire de ces n solutions

yh (x) = c1 y1 (x) + c2 y2 (x) + · · · + cn yn (x). (44)

où c1 , c2 , · · · , cn est un ensemble de n constantes arbitraires, est également une solution de (43). C’est une famille de
solutions à n paramètres de (43).
3 La fonction
y (x) = yh (x) + yp (x), (45)

où yh (x) est définie dans (44) et yp (x) est une solution particulière de l’équation différentielle linéaire non homogène
correspondant à (43), à savoir

(n) (n−1) 0
fn (x)y + fn−1 (x)y + · · · + f1 (x)y + f0 (x)y = Q(x) (46)

est une famille de solutions à n paramètres de (46).

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 87 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

Dans la pratique actuelle, les équations du type (43) , dans lesquelles les coefficients sont des
fonctions de x sans restrictions quant à leur simplicité ou leur complexité, n’ont généralement
pas de solutions exprimables en termes de fonctions élémentaires. Et même quand ils le sont, il
est en général extrêmement difficile de les trouver. Si, toutefois, chaque coefficient de (43) est
une constante, alors des solutions en termes de fonctions élémentaires peuvent être facilement
obtenues.

Forme générale de ses solutions

an y (n) + an−1 y (n−1) + · · · + a1 y 0 + a0 y = 0 (47)

où an , an−1 , · · · , a1 , a0 sont des constantes réelles avec an 6= 0

Supposons qu’une solution possible de (47) de la forme :

y = e mx (48)

En remplaçant la solution dans (47), on obtient ;

dn mx dn−1 d mx
an n
e + an−1 n−1 e mx + · · · + a1 e + a0 e mx = 0 (49)
dx dx dx

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 88 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

Forme générale de ses solutions

Notez que la k i ème dérivée de e mx = mk e mx , l’équation (49) devient

n mx n−1 mx mx mx
an m e + an−1 m e + · · · + a1 me + a0 e =0 (50)

Or e mx =
6 0 pour tout m et pour tout x alors :

n n−1
an m + an−1 m + · · · + a1 m + a0 = 0 (51)

Théorème
Toute équation de la forme
n n−1
an x + an−1 x + · · · + a1 x + a0 = 0, an 6= 0 (52)

où les an , an−1 , · · · , a1 , a0 sont des nombres complexes a au moins une racine et pas plus de n racines distinctes. Son côté
gauche peut être écrit comme
an (x − r1 )(x − r2 ) · · · (x − rn ) = 0 (53)

où les rn , · · · , r2 , a1 sont des nombres complexes qui ne doivent pas nécessairement être distincts.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 89 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

(51) est une équation algébrique en m de degré n, et donc, selon le

théorème fondamental de l’algèbre (voir le théorème (6)), elle a au moins
une et pas plus de n racines distinctes. Appelons ces n racines
m1 , m2 , · · · , mn , où les m racines ne doivent pas tous être distincts. Puis
chaque fonction

y1 = e m1 x , y2 = e m2 x , · · · , yn = e mn x (54)

et une solution de l’équation (47)

Défintion
L’équation (51) est appelé l’équation caractéristique de (47).

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 90 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

En résolvant l’équation caractéristique (51), les trois possibilités suivantes

peuvent se présenter.
1 Toutes ses racines sont distinctes et réelles.
2 Toutes ses racines sont réelles mais certaines de ses racines se
répètent.
3 Toutes ses racines sont imaginaires.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 91 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

Racines distinctes et réelles de l’équation caractéristique (51)

Si les n racines m1 , m2 , · · · , mn de la caractéristique l’équation (51) sont
distinctes, alors les n solutions de (55), à savoir,

y1 = e m1 x , y2 = e m2 x , · · · , yn = e mn x (55)

sont des fonctions linéairement indépendantes.et

yh = c1 e m1 x + c2 e m2 x + · · · + cn e mn x (56)

est la solution générale de (55).

Exemple
Résoudre y 000 + 2y ” − y 0 − 2y = 0.
Résoudre y ” − 3y 0 + 2y = 0 avec y (0) = 1 et y 0 (0) = 0.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 92 / 131
 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

Racines réelles et multiples de l’équation caractéristique (51)

Résoudre l’équation différentielle y ” − 4y 0 + 4y = 0. L’équation admet une racine double 2. La solution sera sous la forme
y = c1 e 2x + c2 e 2x et les deux fonctions y1 = e 2x et y2 = e 2x sont linéairement dépendantes. On peut donc réécrire la solution
y = ce 2x , on a donc une solution et non deux solutions.
Soit
0 2
y ” − 2ay + a y = 0, (57)

son équation caractéristique

2 2
m − 2am + a = 0 (58)

admet une racine double m = a

ax
y = ue (59)

où u est une fonction de x.

En remplaçant dans (57), on obtient :
00 ax
u e =0 (60)
ax
or e 6= 0 donc u = c1 + c2 x, la solution de (57) est

ax
y = (c1 + c2 x)e (61)

On remarque que les fonctions e ax et xe ax sont linéairement indépendantes.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 93 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

Racines réelles et multiples de l’équation caractéristique (51)

En général, si l’équation caractéristique (51) a une racine m = a, qui se répète n fois, la solution générale de (47) est alors :

2 n−1 ax
y = (c1 + c2 x + c3 x + · · · + cn x )e (62)

Exemple
Donner la solution de l’équation différentielle dont l’équation
caractéristique m2 (m − a)3 (m + b)4 (m + c) = 0
Résoudre y (4) − 3y 00 + 2y 0 = 0.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 94 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire homogène d’ordre n à coefficients constants

Racines complexes de l’équation caractéristique (51)

Si α + iβ est une des solutions de l’équation caractéristique (51), le conjuqué α − iβ est également une racine, et la solution
générale s’écrira sous la forme :

(α+iβ)x (α−iβ)x
y = c1 e + c2 e , (63)
αx
y =e (c1 cos(βx) + c2 sin(βx)) (64)
α
y = ce sin(βx + δ) (65)
α
y = ce cos(βx − δ) (66)

Exemple
Résoudre y 00 − 2y = 0.
Résoudre y (4) + 2y 00 + 1 = 0.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 95 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène d’ordre n à coefficients constants

Solution par la méthode des coefficients indéterminés.

la solution générale de l’équation différentielle :

(n) (n−1) 0
an y + an−1 y + · · · + a1 y + a0 y = Q(x) (67)

où an 6= 0 et Q(x) 6= 0 sur l’intervalle I , est

y (x) = yh (x) + yp (x) (68)

avec yh représente la solution homogène et yp représente la solution particulière.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 96 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène d’ordre n à coefficients constants

Solution par la méthode des coefficients indéterminés.

La procédure que nous allons décrire pour trouver yp s’appelle la méthode des coefficients
indéterminés. Elle ne peut être utilisé que si Q(x) contient une somme de termes dont chacun a
un nombre fini de dérivées linéairement indépendantes. Cette restriction implique que Q(x) ne
peut contenir que des termes tels que a, x k , e ax , sin(ax), cos(ax) et des combinaisons de tels
termes, où a est une constante et k est un entier positif.

Commentaire
Par exemple, les dérivées successives de sin 2x sont 2 cos 2x, −4 sin 2x, −8 cos 2x, etc.
Cependant, seul l’ensemble composé de sin 2x et 2 cos 2x est linéairement indépendant.
L’ajout de toute dérivée ultérieure rend l’ensemble linéairement dépendant. Vérifiez le.
Les dérivées linéairement indépendantes de x 3 sont 3x 2 , 6x, 6. L’ajout à cet ensemble de
la dérivée suivante, qui est zéro, rend l’ensemble linéairement dépendant.
Cependant, la fonction x −1 , par exemple, a un nombre infini de dérivées linéairement
indépendantes.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 97 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène d’ordre n à coefficients constants

Pour trouver yp par la méthode des coefficients indéterminés, il est nécessaire de

comparer les termes de Q(x) dans (67) avec ceux de la fonction complémentaire yh . En
faisant cette comparaison, différentes possibilités peuvent se présenter, que nous
considérons séparément dans les cas suivants.

Cas 1
Aucun terme de Q (x) dans (67) n’est identique à un terme de yh . Dans ce cas, une
solution particulière yp de (67) sera une combinaison linéaire des termes de Q(x) et de
toutes ses dérivées linéairement indépendantes.

Exemple
Résoudre les équations différentielles suivantes : y ” + 4y 0 + 4y = 4x 2 + 6e x ,
y ” − 3y 0 + 2y = 2xe 3x + 3 sin x.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 98 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène d’ordre n à coefficients constants

Cas 2
Q(x) dans (67) contient un terme qui, sans tenir compte des coefficients
constants, est x k fois le terme u (x) de yh , où k est égal à zéro ou à un
entier positif. Dans ce cas, une solution particulière yp de (67) sera une
combinaison linéaire de x k+1 u(x) et de toutes ses dérivées linéairement
indépendantes (en ignorant les coefficients constants). Si en plus Q(x)
contient des termes qui appartiennent au premier cas, alors les termes
appropriés demandés par ce cas doivent être inclus dans yp .

Exemple
Résoudre les équations différentielles suivantes :
y ” − 3y 0 + 2y = 2x 2 + 3e 2x , y ” − 3y 0 + 2y = xe 2x + sin x et
y ” + y = sin3 x.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 99 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène d’ordre n à coefficients constants

Cas 3
Ce cas n’est applicable que si les deux conditions suivantes sont remplies.
1 L’équation caractéristique de l’équation différentielle donnée (67) a une racine r
multiple.
2 Q(x) contient un terme qui, sans tenir compte des coefficients constants, est x k
fois un terme u(x) dans yh , où u(x) a été obtenu à partir du multiple de r racine.

Dans ce cas, une solution particulière yp sera une combinaison linéaire de x k+r u(x) et de
tous ses dérivés linéairement indépendants. Si, en plus, Q(x) contient des termes
appartenant aux cas 1 et 2, les termes appropriés demandés par ces cas doivent
également être ajoutés à yp .

Exemple
Résoudre les équations différentielles suivantes : y ” + 4y 0 + 4y = 3xe −2x ,
y ” + 4y 0 + 4y = 3e −2x

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 100 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution par l’utilisation de variables complexes

Il existe un autre moyen de résoudre certains types d’équations linéaires non homogènes à
coefficients constants. Si dans

an y (n) + an−1 y (n−1) + · · · + a1 y 0 + a0 y = Q(x), an 6= 0 (69)

les a sont réels, Q(x) une fonction à valeurs complexes (c’est-à-dire une fonction pouvant
prendre des valeurs complexes) et yp (x) est une solution de (69), puis
1 La partie réelle de yp est une solution de (69) avec Q(x) remplacée par sa partie réelle.
2 La partie imaginaire de yp est une solution de (69) avec Q(x) remplacée par sa partie
imaginaire.

Remarque
Les énoncés 1 et 2 ci-dessus seraient toujours valables si les coefficients de (69) étaient réels,
des fonctions continues de x au lieu de constantes.

Dans ce cas, une solution particulière yp sera une combinaison linéaire de x t+r u(x) et de tous
ses dérivés linéairement indépendants. Si, en plus, Q(x) contient des termes appartenant aux
cas 1 et 2, les termes appropriés demandés par ces cas doivent également être ajoutés à yp .

Exemple
Résoudre l’équation différentielle suivante : y ” − 3y 0 + 2y = sin x.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 101 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène par la méthode de variation de

paramètres

Remarques introductives

Dans les diapositives précédentes, nous avons montré comment résoudre l’équation différentielle linéaire

(n) (n−1) 0
an y + an−1 y + · · · + a1 y + a0 y = Q(x), an 6= 0 (70)

où
1 Les coefficients sont des constantes.
2 Q(x) est une fonction qui a un nombre fini de dérivées linéairement indépendantes.
Et si les deux conditions ne sont pas vérifiées :
En ce qui concerne la première restriction, il existe très peu de types d’équations linéaires à coefficients non constants
dont les solutions peuvent être exprimées en termes de fonctions élémentaires et pour lesquelles des méthodes standard
ne permettent pas de les obtenir. Nous allons décrire une méthode permettant de trouver une solution générale à une
équation différentielle linéaire du second ordre avec des coefficients non constants, à condition qu’une solution soit
connue.Encore une fois, l’équation doit donc être d’un type spécial pour que la solution requise puisse être trouvée.
En ce qui concerne la seconde restriction, il est possible de résoudre (70) même lorsque Q(x) possède un nombre infini
de dérivées linéairement indépendantes. La méthode utilisée est connue sous le nom de ”variation de paramètres” et est
discutée dans les diapositives suivantes.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 102 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène par la méthode de variation de

paramètres

La méthode de variation des paramètres

Pour plus de commodité et de clarté, nous limiterons à l’équation linéaire du second ordre à coefficients constants,

00 0
a2 y + a1 y + a0 y = Q(x), a2 6= 0 (71)

où Q(x) est une fonction continue de x sur un intervalle I et est 6= 0 sur I. Si les deux solutions linéairement indépendantes de
l’équation homogène associée
00 0
a2 y + a1 y + a0 y = 0 (72)

sont connues, il est alors possible de trouver une solution particulière de (71) par une méthode appelée variation de paramètres,
même lorsque Q(x) contient des termes dont les dérivées linéairement indépendantes sont en nombre infini. En décrivant cette
méthode, nous supposons donc que vous n’auriez aucune difficulté à trouver les deux solutions linéairement indépendantes y1 et
y2 de (72). Avec ces deux solutions, nous formons l’équation

yp (x) = u1 (x)y1 (x) + u2 (x)y2 (x) (73)

où u1 et u2 sont des fonctions inconnues de x à déterminer. Les dérivées successives de (73) sont

0 0 0 0 0 0 0 0 0
yp = u1 y1 + u1 y1 + u2 y2 + u2 y2 = (u1 y1 + u2 y2 ) + (u1 y1 + u2 y2 ) (74)

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 103 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène par la méthode de variation de

paramètres

La méthode de variation des paramètres

00 00 00 0 0 0 0 0 0 0 0 0
yp = (u1 y1 + u2 y2 ) + (u1 y1 + u2 y2 ) + (u1 y1 + u2 y2 ) (75)

En substituant les valeurs ci-dessus de yp , yp0 , et yp00 dans (71), nous voyons que yp sera une solution de (71) si

00 00 0 0 0 0 0 0 0 0 0 0 0 0 0
a2 (u1 y1 + u2 y2 ) + a2 (u1 y1 + u2 y2 ) + a2 (u1 y1 + u2 y2 ) + a1 (u1 y1 + u2 y2 ) + a1 (u1 y1 + u2 y2 ) + a0 (u1 y1 + u1 y1 ) = Q(x) (76)

Cette équation peut être écrite comme

0 0 0 0 0 0 0 0 0 0 0
u1 (a2 y1 ” + al y1 + a0 y1 ) + u2 (a2 y2 ” + a1 y2 + a0 y2 ) + a2 (u1 y1 + u2 y2 ) + a2 (u1 y1 + u2 y2 ) + al (u1 y1 + u2 y2 ) = Q(x). (77)

Puisque y1 et y2 sont supposés être des solutions de (72), les termes dans les deux premières parenthèses de (72) sont égales à
zéro. Les trois termes restants seront égaux à Q(x) si nous choisissons u1 et u2 tels que

0 0
u1 y1 + u2 y2 = 0,

0 0 0 0 Q(x) (78)
u1 y1 + u2 y2 =
a2

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 104 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène par la méthode de variation de

paramètres

La méthode de variation des paramètres

La paire d’équations de (78) peut être résolue pour u10 et u20 en termes des autres fonctions par les méthodes algébriques
ordinaires avec lesquelles vous êtes familier. Ou, si vous connaissez les déterminants (méthode de Cramer), les solutions de (78)
sont les suivantes :

0 y2 y1 0
Q(x) Q(x)
y20 y10
0 a2 0 a2
u1 = u2 = (79)
y1 y2 y1 y2
y10 y20 y10 y20

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 105 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène par la méthode de variation de

paramètres

La méthode de variation des paramètres

Ces équations (79) donneront toujours des solutions pour u10 et u20 à condition que le déterminant du dénominateur 6= 0. Nous
montrerons(admettons), si y1 et y2 sont des solutions linéairement indépendantes de (??), alors ce dénominateur n’est jamais
nul. L’intégration de (79) nous permettra de déterminer u1 et u2 . La substitution de ces valeurs dans (73) donnera une
solution particulière yp de (73).

Commentaire

Puisque nous cherchons une solution particulière, yp0 les constantes d’intégration peuvent être omises lors de l’intégration de u10
et u20 .
Si l’équation différentielle linéaire non homogène est d’ordre n > 2, alors on peut montrer que

yp = u1 y1 + u2 y2 + · · · + un yn (80)

sera une solution particulière de l’équation, où y1 , y2 , · · · , yn sont les n solutions indépendantes de son équation homogène
associée, et u10 , u20 , · · · , un0 sont les fonctions obtenues par résoudre simultanément les équations suivantes :

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 106 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Solution de l’équation différentielle linéaire non homogène par la méthode de variation de

paramètres

La méthode de variation des paramètres

0 0 0
u1 y1 + u2 y2 + · · · + un yn = 0,
0 0 0 0 0 0
u1 y1 + u2 y2 + ··· + un yn = 0,
·················· (81)

0 n−1 0 n−1 0 n−1 Q(x)

u1 y1 + u2 y2 + ··· + un yn + = .
an

Dans (81, an est le coefficient de y (n) ) dans l’équation différentielle donnée. Encore une fois, nous remarquons que, puisque
nous cherchons une solution particulière, yp , des constantes arbitraires peuvent être omises lors de l’intégration de
u10 , u20 , · · · , un0 pour trouver u1 , u2 , · · · , un

Exemple

Résoudre les équations différentielles suivantes y ” − 3y 0 + 2y = sin e −x , y ” + 4y 0 + 4y = 3xe −2x

Si y1 = x et y2 = x −1 sont deux solutions de l’équation différentielle x 2 y ” + xy 0 − y = 0, alors trouver la solution
générale de x 2 y ” + xy 0 − y = x, x 6= 0

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 107 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Système d’équations différentielles linéaires du premier ordre

La méthode de variation des paramètres

Nous examinons les systèmes d’équations différentielles linéaires du premier ordre à coefficient constant. Autrement dit, nous
considérons les équations de la forme,
0
x (t) = Ax(t) + f (t) (82)

x1 (t) a11 a12 ··· a1n

   
x2 (t) a21 a22 ··· a2n 
   
x(t) = 
 . .  A= .
 . . . .  (83)
. . . 
 .   . . . . 
xn (t) an1 an2 ··· ann

Utilisation de valeurs et vecteurs propres pour trouver des solutions homogènes

Résultat

On suppose que la matrice A d’ordre n a les valeurs propres λk avec un ensemble complet de vecteurs propres linéairement
indépendants ξk . Le système d’équations différentielles,

0
x (t) = Ax(t),

a la solution générale,
n
λ t
X
x(t) = ck ξk e k
k=1

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 108 / 131

 Équations différentielles L’équation différentielle linéaire d’ordre n

Système d’équations différentielles linéaires du premier ordre

Exemple

Trouver la solution du problème à valeur initiale suivant. Décrire le comportement de la solution lorsque t → ∞.

   
0 −2 1 1
x = Ax ≡ , x(0) = x0 ≡
−5 4 3

Exemple

Trouver la solution du problème à valeur initiale suivant. Décrire le comportement de la solution lorsque t → ∞.

   
1 1 2 2
0
x = Ax ≡  0 2 2 , x(0) = x0 ≡ 0
−1 1 3 1

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 109 / 131

 Équations différentielles Équation différentielle partielle

Plan

3 Équations différentielles
Définitions et Terminologies
Résolutions d’EDOs particulières
L’équation différentielle linéaire d’ordre n
Équation différentielle partielle

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 110 / 131

 Équations différentielles Équation différentielle partielle

EDP

Il existe une infinité d’équations aux dérivées partielles.

Il n’existe pas une méthode universelle pour résoudre toutes celles-ci.
Il faut donc se résoudre à restreindre notre champ d’étude.
On revitalisera ceci en exigeant que l’équation satisfasse certaines propriétés, par exemple qu’elle soit linéaire.

Défintion

Une équation aux dérivées partielles est une équation mathématique contenant en plus de la variable dépendante (u ci-dessous)
et les variables indépendantes (x, y , · · · ci-dessous) une ou plusieurs dérivées partielles. Cette équation est ainsi de la forme :

∂2u ∂2u ∂2u

!
∂u ∂u
F x, y , · · · , u, ,, ,··· ,, , , ,··· =0 (84)
∂x ∂y ∂x 2 ∂x∂y ∂y 2

où F est une fonction de plusieurs variables. Si n est le nombre de variables indépendantes, alors nous considérerons le n-tuplet
de variables indépendantes (x, y , · · · ) comme appartenant à un domaine D convenable de Rn . Nous utiliserons EDP comme
abréviation d’équation aux dérivées partielles.
Une solution de l’équation 84 est une fonction u = u(x, y , · · · ) des variables indépendantes x, y , · · · dont les dérivées
partielles apparaissant dans l’équation existent aux points de D et telle qu’après avoir substitué cette fonction et ses dérivées
partielles dans l’équation 84, celle-ci est satisfaite.

Exemple

∂2u ∂2u ∂2u

! 2 ! !
∂u ∂u ∂u
   
x + − = sin(x 2 + y 2 ) et − = 0 sont des exemples d’EDP pour le
∂x 2 ∂y ∂x ∂y ∂x 2 ∂y 2
2 3
domaine D = R , et u(x, y ) = (x + y ) , u(x, y ) = sin(x − y ) sont deux solutions de cette dernière équation.
On voit par cet exemple que les solutions d’une EDP peuvent être très différentes.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 111 / 131

 Équations différentielles
Équation différentielle partielle
∂u
Il y a en général une infinité de solutions pour une EDP donnée. Par exemple = 0 avec u(x, y )
∂y
Alors toutes les fonctions u(x, y ) = f (x) sont des solutions de cette équation. Nous verrons plus tard qu’en plus de l’EDP, il y a
des conditions initiales et/ou aux frontières dans un problème typique et que ces dernières ont comme conséquence de réduire le
nombre de solutions jusqu’à une seule dans une situation idéale.

Ordre d’une EDP

!2
∂3u ∂2u
L’ordre d’une EDP est l’ordre de la dérivée partielle d’ordre le plus élevé. Par exemple, +x = e x est une
∂x 2 ∂y ∂x 2
EDP d’ordre 3.

Opérateur

Un opérateur L désignera une transformation qui associe à toute “bonne” fonction u = u(x, y , · · · ) de plusieurs
variables x, y , · · · sur un domaine D : une fonction Lu = Lu(x, y , · · · ) sur ce même domaine. Le qualificatif “bonne”
signifie ici que Lu est bien définie. Parfois il faudra exiger que les dérivées partielles de u existent jusqu’à un certain ordre.
Un opérateur L est linéaire si et seulement si L(au + bv ) = aL(u) + bL(v ) quels que soient les nombres réels a, b et les
“bonne” fonctions u, v . Implicitement nous supposons que la fonction au + bv est aussi une “bonne” fonction.
Une EDP est dite linéaire si elle est de la forme Lu = f (x, y , · · · ) où L est un opérateur linéaire, f (x, y , · · · ) est une
fonction des n variables indépendantes, (x, y , · · · ) appartient à un domaine D convenable de Rn et u est la fonction
recherchée.
Si en plus f (x, y , · · · ) ≡ 0, on dit alors que l’équation est linéaire homogène. Sinon elle est non-homogène.

Exemple

∂2u ∂2u
L’équation u + y + 2xy = 1 est une EDP linéaire non-homogène (pour D = R2 ), où u = u(x, y ). On peut montrer
∂x 2 ∂y 2
∂2u ∂2u
que Lu = u + y + 2xy est un opérateur linéaire et f (x, y ) ≡ 1.
∂x 2 ∂y 2

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 112 / 131

 Équations différentielles Équation différentielle partielle

EDP

∂2u
!
∂u ∂u
   
L’ EDP (pour D = R2 ) est + xu = sin(y ) où u = u(x, y ). n’est pas linéaire parce que l’opérateur
∂x ∂x 2 ∂y
∂2u
!
∂u ∂u
   
Lu = + xu n’est pas un opérateur linéaire.
∂x ∂x 2 ∂y

EDP linéaire d’ordre 2

Une EDP linéaire d’ordre 2 avec n variables indépendantes sera donc de la forme

n n
X ∂2u X ∂u
Aij + Bi + Cu = D (85)
i,j=1
∂xi ∂yj i=1
∂xi

où Aij , Bi , C et D sont des fonctions des variables indépendantes x1 , x2 , · · · , xn . Dans cette situation, nous supposerons que
∂u ∂2u
les solutions recherchées u ont toutes leurs dérivées partielles et pour 1 ≤ i, j ≤ n continues sur D.
∂xi ∂xi ∂yj
∂2u ∂2u
Ceci a comme conséquence que = pour 1 ≤ i, j ≤ n. Nous pouvons alors supposer sans perte de généralités
∂xi ∂yj ∂yj ∂xi
que Aij = Aji .
Si D = 0, alors l’équation 85 est linéaire homogène.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 113 / 131

 Équations différentielles Équation différentielle partielle

EDP

Equations classiques

Certaines des équations classiques de la physique sont des EDP linéaires homogènes d’ordre 2. Trois de ces équations sont les
suivantes.
∂2u ∂2u ∂2u ∂2u
!
l’équation d’onde : − c2 + + = 0 avec u = u(x, y , z, t)
∂t 2 ∂x 2 ∂y 2 ∂z 2

∂2u ∂2u ∂2u

!
∂u
l’équation de la chaleur : −k + + = 0 avec u = u(x, y , z, t)
∂t ∂x 2 ∂y 2 ∂z 2

∂2u ∂2u ∂2u

!
l’équation de Laplace ou du potentiel : + + = 0 avec u = u(x, y , z, t)
∂x 2 ∂y 2 ∂z 2

Nous allons décrire deux propriétés des équations linéaires. La première est le principe de superposition dans le cas des équations
linéaires homogènes et la seconde concerne la relation entre les solutions d’une EDP linéaire non-homogène et celles de son EDP
linéaire homogène associée. Ces propriétés sont présentées dans la proposition suivante.

Propositions

Soit une EDP linéaire homogène Lu = 0 pour laquelle L est un opérateur linéaire. Si u1 , u2 sont deux solutions de cette
EDP et a, b ∈ R, alors au1 + bu2 est aussi une solution. Ceci est le principe de superposition. Ici nous supposons que
l’ensemble des “bonnes” fonctions pour lesquelles L est défini forme un espace vectoriel et dans ce cas, le principe de
superposition affirme que l’ensemble des solutions d’une EDP linéaire homogène est un sous-espace de l’espace des
“bonnes” fonctions.
Soit une EDP linéaire Lu = f (x, y , · · · ) pour laquelle L est un opérateur linéaire. Si u1 , u2 sont deux solutions de cette
EDP, alors u2 − u1 est une solution de l’équation linéaire homogène associée Lu = 0. Ce résultat signifie que si nous
connaissons toutes les solutions de Lu = 0 et que nous connaissons une solution particulière u1 de Lu = f (x, y , · · · ),
alors nous connaissons toutes les solutions de cette dernière équation. En effet, elles sont toutes de la forme v + u1 où v
est une solution de Lu = 0.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 114 / 131
 Équations différentielles Équation différentielle partielle

Classification des EDP linéaires d’ordre 2.

Nous aurons trois types d’EDP : hyperboliques, paraboliques et elliptiques. A partir de l’équation 85,nous nous restreindrons au
cas où n = 2. Ainsi les EDP que nous considérerons

∂2u ∂2u ∂2u ∂u ∂u

A +B +C +D +E + Fu = G (86)
∂x 2 ∂x∂y ∂y 2 ∂x ∂y

et A, B, C , D, E , F et G sont des fonctions de x et de y qui ne s’annulent pas simultanément. Nous supposerons aussi que
u, A, B, C , D, E , F et G ont toutes au moins des dérivées partielles d’ordre m 6 2 continues sur un domaine D du plan x, y .
L’équation 86 est dite hyperbolique (respectivement parabolique, elliptique) au point (x0 , y0 ) ∈ D si et seulement si
(B(x0 , y0 ))2 − 4A(x0 , y0 )C (x0 , y0 ) est positif (respectivement nul, négatif). Si une EDP est hyperbolique (respectivement
parabolique, elliptique) pour tous les points (x0 , y0 ) du domaine D, on dit alors qu’elle est hyperbolique (respectivement
parabolique, elliptique) sur D.

Exemple

∂2u ∂2u ∂2u

Pour l’équation x 2 − xy + y2 = e x nous avons alors A(x, y ) = x 2 , B(x, y ) = −xy , C (x, y ) = y 2 et
∂x 2 ∂x∂y ∂y 2
2 2 2 2 2 2
B − 4AC = (−xy ) − 4(x )(y ) = −3x y . Donc si x0 = 0 ou y0 = 0, cette EDP est parabolique au point (x0 , y0 ); sinon
elle est elliptique au point (x0 , y0 ).

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 115 / 131

 Analyse de sensibilité

Indice de sensibilité

Définition
Soit J(u) une fonction (nelle), qui dépend d’une solution directe u, qui
dépend elle-même d’un paramètre p. Soit δp une certaine perturbation du
paramètre p et soit δJ la perturbation résultante de la fonction J. L’indice
de sensibilité (IS) est défini comme le rapport :
 
δJ
J
Sp :=   J, p 6= 0 (87)
δp
p

Dans le cas où la fonctionnelle est différentiable, une définition alternative

est donnée par
p δJ p dJ
Sp := lim = (88)
δp→0 J δp J dp

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 116 / 131

 Analyse de sensibilité

Indice de sensibilité

Remarque
Supposons que la solution au problème soit donnée par u = u(t, p) où t
désigne la variable continue du temps et p désigne une valeur nominale
fixe du paramètre p. De plus, notons J = J(u) une fonction (nelle) qui
dépend de la solution u, qui dépend elle-même de la variable continue t et
de la valeur fixe du paramètre p. En prenant la différentielle totale de la
fonction (nelle) on obtient
 
∂J ∂J ∂u ∂u
dJ := du = dt + dp (89)
∂u ∂u ∂t ∂p
dp
En supposant que ce temps soit indépendant du paramètre, alors = 0,
dt
auquel cas

dJ ∂J ∂u
= (90)
dp ∂u ∂p
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 117 / 131
 Analyse de sensibilité

Indice 1.5
de sensibilité
Calculating Sensitivity Indicies
1.5.1 Area of a Rectangle
Exemple
AireConsider
d’un rectangle : Considérons
two rectangles, deux
the first rectangle R1 rectangles, le premier
has width w and rectangle
height h and the
R1 asecond
la largeur w Ret2 has
rectangle la hauteur
width w + hdwetandleheight
deuxième
h + dh, rectangle
where dw, dhR≥2 0a(see
la Fig.
largeur
dw et la hauteur h + dh, où dw , dd ≥ 0 (voir Figure (??) ).
w + 1.9).

dh I III

h II

w dw

Rectangle d’origine R1 et rectangle perturbé R2 .

Figure 1.9: Original rectangle R1 and perturbed rectangle R2 .

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 118 / 131

 Analyse de sensibilité

Indice de sensibilité

Notez que le grand rectangle R2 est une perturbation positive du rectangle

d’origine R1 . L’objectif principal de l’analyse de sensibilité directe dans cet
exemple est de quantifier l’impact des perturbations sur la largeur ou la
hauteur, à savoirdw et dh, sur l’aire. Dans cet exemple, la fonctionnelle
souhaitée est l’aire du rectangle, c’est-à-dire J(w , h) = wh.
Puisque le rectangle d’origine R1 a l’aire wh et que le rectangle perturbé
R2 a l’aire (w + dw )(h + dh), la différence entre les aires est la suivante :

δJ = (w + dw )(h + dh) − wh
Région II
z}|{ (91)
= w dh + hdw + dhdw
|{z} | {z }
Région I Région III

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 119 / 131

 Analyse de sensibilité

Indice de sensibilité

Cette formule donne l’aire des trois régions rectangulaires délimitant

l’extérieur du rectangle d’origine. Notez que les zones des régions I et II
sont du premier ordre en ce qui concerne les perturbations dh et dw . La
région III est du second ordre et, pour les ”petites” perturbations, la région
III peut être ignorée. Nous utiliserons plus tard cette observation pour
simplifier les calculs en évaluant simplement la différence totale au lieu de
calculer directement les perturbations.
Afin de déterminer quantitativement comment les perturbations
individuelles affectent la zone, nous allons calculer les indices de sensibilité
normalisés (ou élasticités) Sw et Sh . Pour calculer Sw , forcez dh = 0 afin
de déterminer comment les perturbations de w seul affectent l’aire.
Spécifiquement, définissez la variation de l’aire due aux perturbations seul
de w est :
δJw := δJ|dh=0
(92)
= hdw .
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 120 / 131
 Analyse de sensibilité

Indice de sensibilité

L’indice de sensibilité normalisé Sw est donc :

δJw
 

J
Sw = 
dw


w (93)
hdw w
=
wh dw
= 1.

De même, pour les perturbations uniquement sur h, nous trouvons que

δJh := δJ|dw =0
(94)
= w dh.

auquel cas l’indice de sensibilité normalisé Sh est égal à

δJh
 

J
Sh = 
dh


h (95)
w dh h
=
wh dh
= 1.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 121 / 131

 Analyse de sensibilité

Indice de sensibilité

Interprétation
Puisque Sw = Sh , les perturbations de la largeur ou de la hauteur ont le
même effet sur la modification de l’aire. En d’autres termes, l’aire est
également sensible aux perturbations de la largeur et de la hauteur. Les
implications numériques sont que, en ignorant les termes du second ordre,
une augmentation de 1% de la largeur ou de la hauteur produira une
augmentation d’environ 1% de l’aire.

Comme on l’a mentionné plus haut, on peut obtenir ces mêmes résultats
en prenant la différentielle totale de la fonctionnelle, à savoir :
∂J ∂J
δJ ≈ dJ := dw + dh
∂w ∂h (96)
= hdw + w dh

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 122 / 131

 Analyse de sensibilité

Indice de sensibilité

La raison pour laquelle ces calculs donnent des approximations raisonnables de la variation réelle est que, pour les petites
perturbations, nous pouvons ignorer les termes du second ordre dw dh. En d’autres termes, seule une approximation linéaire, via
la différentielle totale, de la variation exacte est nécessaire. Considérons la variation linéarisée de l’aire fonctionnelle donnée en
(96). Notez que lorsque nous fixons la hauteur h, c’est-à-dire, dh = 0, nous trouvons dJ|dh=0 = hdw , auquel cas

dJw
 

J
Sw = 
dw

(97)
w
= 1.

De même, lorsque nous fixons la largeur w , c.-à-d. dw = 0, nous trouvons dJ|dw =0 = w dh, auquel cas

dJh
 

J
Sh = 
dh

(98)
h
= 1,

ce qui est en accord avec les calculs précédents.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 123 / 131

 Analyse de sensibilité

Indice de sensibilité

Indices de sensibilité indirecte :Examinons maintenant la situation dans laquelle l’aire du rectangle est amenée à varier et nous
voulons déterminer quelles seraient les variations correspondantes de la largeur et de la hauteur. Puisque w et h sont fixes, pour
une variation dJ donnée, les variations dw et dh peuvent prendre un nombre infini de valeurs. Nous limitons notre analyse à
l’examen du cas où les variations dw et dh sont modifiées séparément. Par exemple, dans le cas où dh = 0, alors dJw = hdw ,
et de même si dw = 0, alors dJh = w dh. En réarrangeant, nous obtenons des équations décrivant comment les variations dw
et dh dépendent des variations de la surface dJ, à savoir :

∂w 1 ∂h 1
= , et = . (99)
∂Jw h ∂Jh w

Une autre façon d’afficher ces calculs consiste à rechercher la dérivée des variables indépendantes w et h par rapport à la
variable dépendante J.. Nous calculons à présent les indices de sensibilité indirecte :

† ∂w J
Sw =
∂J w
= 1,
(100)
† ∂h J
Sh =
∂J h
= 1.

Interprétation
† †
Puisque Sw = Sh , cela signifie que les dimensions en largeur et en hauteur sont également sensibles aux perturbations dans
l’aire. En outre, une augmentation de 1% de la surface entraı̂ne une augmentation de 1% de la largeur ou de la hauteur.

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 124 / 131

 Analyse de sensibilité

Indice de sensibilité

Exemple
Volume d’un cylindre : Prenons deux tiges cylindriques télescopiques, la
tige intérieure ayant le rayon r et la hauteur h, et la tige extérieure ayant
le rayon r + dr et la hauteur h + dh,, comme indiqué à la figure (??). Afin
20 CHAPTER 1. MEASURING SENSITIVITY
de simplifier l’analyse, supposons que les perturbations soient non
négatives, c’est-à-dire dr , dh ≥ 0.

Tiges cylindriques de rayons r , r + dr et hauteurs h, h + dh.

Figure 1.10: Cylindrical rods with radii r, r + dr, and heights h, h + dh.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 125 / 131
 Analyse de sensibilité

Indice de sensibilité

La question d’intérêt est de savoir comment les paramètres r et h affectent la fonction volume :

2
J(r , h) := πr h?

Introduisant les perturbations non négatives dr et dh, le changement de volume total est donné par

δJ := J(r + dr , h + dh) − J(r , h)

(101)
2 2 2
= π(2rhdr + r dh + 2r dr dh + h(dr ) + (dr ) dh).

Notez que cette variation totale est composée de perturbations du premier ordre : 2πrhdr , πr 2 dh, perturbations de second
ordre : 2πr drdh, πh(dr )2 , et une perturbation de troisième ordre : π(dr )2 dh. En supposant que les perturbations soient
effectivement faibles, les principales contributions aux variations du volume sont attribuées aux termes du premier ordre.
Si nous voulons savoir quel est l’effet des perturbations sur le rayon, nous évaluons l’indice de sensibilité normalisé Sr . Calculer
les modifications uniquement en r oblige dh = 0. L’équation variationnelle (101) se réduit à

δJr := δJ|dh=0
(102)
= πh(2r + dr )dr .

L’indice de sensibilité Sr devient

δJr
 

J
Sr = 
dr

(103)
r
dr
=2+
r

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 126 / 131

 Analyse de sensibilité

Indice de sensibilité

De même, pour trouver Sh , set dr = 0, auquel cas :

δJh
 

J
Sh = 
dh

(104)
h
= 1.

Nous comparons maintenant les deux indices de sensibilité en demandant quand Sr < Sh ? Cette inégalité sera satisfaite lorsque

dr < −r

Par hypothèse, r , dr > 0, ce qui force l’inégalité précédente à être impossible, auquel cas Sr > Sh . De plus, laissant les
perturbations approcher de zéro, c’est-à-dire

lim Sr = 2 et lim Sh = 1, (105)

dr →0 dh→0

auquel cas, pour la perturbation infinitésimale, les indices de sensibilité approchent de la limite

Sr = 2Sh

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 127 / 131

 Analyse de sensibilité

Indice de sensibilité

Interprétation

Nous concluons que le volume est plus sensible, d’environ un facteur 2, aux perturbations du rayon. Les implications numériques
sont qu’une augmentation de 1% du rayon augmentera le volume d’environ 2%, tandis qu’une augmentation de 1% de la
hauteur augmentera le volume d’environ 1%.

Une autre façon d’obtenir les indices de sensibilité est de prendre directement les dérivées partielles :

∂J ∂J 2
= 2πrh, et = πr , (106)
∂r ∂h

qui ne sont que les termes du premier ordre de la variation totale. Calculer Sr et Sh en utilisant ces approximations du premier
ordre donne le même résultat que le cas limite.

IS indirecte

Si nous supposons maintenant des perturbations de la fonction volume, nous pouvons estimer les variations ultérieures du rayon
†
et de la hauteur. Les sensibilités indirectes Sr† et Sh sont calculées en différenciant les variables indépendantes r et h par rapport
à la fonction de volume J,
† J ∂r πr 2 h 1 1
Sr := = = (107)
r ∂J r 2πrh 2
et
† J ∂h πr 2 h 1
Sh := = = 1. (108)
h ∂J h πr 2

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 128 / 131

 Analyse de sensibilité

Indice de sensibilité

Interprétation
Cela signifie que pour une variation de 1% du volume, il en résulte une variation du
rayon d’environ 0,5%, tandis qu’une variation de 1% du volume entraı̂ne une variation
de 1% de la hauteur. Notez qu’il existe une correspondance directe entre les sensibilités
1 1
directe et indirecte, à savoir Sr† = et de manière similaire Sh† = .
Sr Sh

Exemple
Longueur d’une courbe : Soit u = u(t) une fonction différentiable donnée définie sur
l’intervalle fermé t ∈ [0, a].
De plus, supposons que la fonction u dépende des paramètres m et b. La longueur de
l’arc le long de la courbe peut être calculée en évaluant la fonctionnelle
Za p
J(u, m, b) = 1 + |u 0 (t)|2 dt
t=0

Par exemple, soit u la droite u(t) = mt + b, où m, b > 0.

Question : Lequel des deux paramètres m et b est le plus sensible à la longueur de l’arc ?

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 129 / 131

 Projet

Description du projet à réaliser

T
δ
µ
Λ
S1
𝜽(𝑻)
µ

Q
µ

Diagramme du phénomène

Ce diagramme peut modéliser quel phénomène ? Donner la mise en équation du

phénomène et faites la simulation et l’interprétation.
Ce projet sera développé sous RStudio en utilisant le package Shiny pour présenter les
différentes dynamiques des compartiments.
Aucune méthode numérique n’est imposée pour implémenter le modèle sous Rstduio.
Vous pouvez vous servir du package DeSolve pour la résolution de votre système
d’équations obtenu.
Les différents paramètres seront présentés sous forme d’intervalles dans l’interface des
résultats HTML.
Document à rendre : Le rapport en lien et les scripts utilisés sous R.
Date de remise le 13/12/2022 et 4 étudiants max par groupe.
Le site https://shiny.rstudio.com/gallery/ de galerie Shiny sous RStudio peut vous
être utiles pour les scripts ainsi que le choix de l’interface.
Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 130 / 131
 Bibliographie

Bibliographie

Institut Mines-Télécom. (2015), Des modèles mathématiques pour construire la transition énergétique, https:
//imtech.wp.imt.fr/2015/07/07/des-modeles-mathematiques-pour-construire-la-transition-energetique/,
consulté le 08/04/2021

Ducrot F.(2008), Qu’est-ce que la modélisation mathématique ?,

https://math.univ-angers.fr/~ducrot/CSG/modelisation2008.pdf, consulté le 08/04/2021

Anonyme (2006), Cours modèles mathématiques en hydraulique et en hydrologie, 15 pages,

https://www.clicours.com/cours-modeles-mathematiques-hydraulique-hydrologie/, consulté le 08/04/2021

Villeneuve J. P., Hubert P., Mailhot A. & Rousseau A. N.(1998), La modélisation hydrologique et la gestion de
l’eau,Revue des sciences de l’eau / Journal of Water Science, 11, 19 ?39
https://www.erudit.org/fr/revues/rseau/1998-v11-rseau3294/705327ar.pdf, 46 pages.

Andreianov B.(2013), Une petite présentation sur la modélisation mathématique pour l’environnement, 44 pages.
http://lmb.univ-fcomte.fr/IMG/pdf/Presentation-Lons-Fevr2013.pdf

Bédart R. (2007), Notes de cours sur les équations aux dérivées partielles, département de mathématiques de l’université
du Québec à Montréal. 226 pages

Tenenbaum M. & Pollard H. (1963), ORDINARY DIFFERENTIAL EQUATIONS, An Elementary Textbook for Students
of Mathematics, Engineering, and the Sciences, DOVER PUBLICATIONS, INC., NEW YORK, 819 pages

Dr Malicki ZOROM (2iE) Modélisation déterministe 24 novembre 2022 131 / 131