ANALYSE

NUMERIQUE
APPLIQUEE
la partie pratique de ce cours se fera
avec le logiciel Scilab, gratuitement
téléchargeable sur le site
[Link]

B.A.D
2018-2019
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours

RESOLUTION NUMERIQUE DES SYSTEMES

LINEAIRES

1. Introduction

On appelle système linéaire le problème qui consiste à trouver la ou les solutions

𝑥 ∈ ℝ𝑛 (si elle existe) de l’équation algébrique suivante

𝐴𝑥 = 𝑏 (𝑆. 1)

Où 𝐴 ∈ ℳ𝑛 (ℝ) est une matrice inversible réelle carrée d’ordre n, et 𝑏 ∈ ℝ𝑛 est

un vecteur appelé second membre.

Dans ce paragraphe, nous verrons quelques algorithmes utilisés pour résoudre des
systèmes linéaires. Nous verrons deux types de méthodes de résolution de système
linéaires : celles dites directes, c'est-à-dire qui permettent de calculer la solution
exacte en un nombre fini d’opérations, et celles dites itératives, c'est-à-dire qui
calculent une suite de solutions approchées qui converge vers la solution exacte.

Mais avant, rappelons quelques notions d’algèbre linéaire.

2. Rappels d’algèbre linéaire

Produit matriciel : Soient A et B deux matrices carrées d’ordre 𝑛, et 𝑀 = 𝐴𝐵.

Prenons comme exemple d’illustration
1 2 −1 0 5 4
𝐴=( ), 𝐵 = ( ) et 𝑀 = ( )
0 1 3 2 3 2
Si on note 𝑎𝑖𝑗 , 𝑏𝑖𝑗 et 𝑚𝑖𝑗 les coefficients respectifs de A, B et M, on a :
𝑛

𝑚𝑖𝑗 = ∑ 𝑎𝑖𝑘 𝑏𝑘𝑗

𝑘=1

Matrice inversible : Une matrice A est inversible si :

-Les vecteurs colonne sont indépendants
-Les vecteurs lignes sont indépendants
-Le déterminant est non nul
-Toutes les valeurs propres de A sont non nulles

Dr Akahoua B. 1
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
Valeurs propres : Soit 𝐴 ∈ 𝑀𝑛 (ℝ) une matrice carrée d’ordre n. On appelle
valeur propre de A tout 𝜆 ∈ ℂ tel qu’il existe 𝑢 ∈ ℂ𝑛 , 𝑢 ≠ 0 et 𝐴𝑢 = 𝜆𝑢.
L’élément 𝑢 est appelé vecteur propre de A associé à 𝜆.

On rappelle que les valeurs propres sont les racines du polynôme caractéristique
𝑃𝐴 de degré n, qui s’écrit : 𝑃𝐴 = 𝑑𝑒𝑡(𝐴 − 𝜆𝐼)

Matrice définie positive : Une matrice A est définie positive si pour tout 𝑥 ∈
ℝ𝑛 , 𝐴𝑥. 𝑥 ≥ 0 et 𝐴𝑥. 𝑥 = 0 ⇒ 𝑥 = 0.
Une matrice dont les valeurs propres sont strictement positives est une matrice
définie positive.

3. Les méthodes directes

3.1. Méthode de Gauss

Le principe de la méthode de Gauss est de se ramener, par des opérations simples

(combinaisons linéaires), à un système triangulaire équivalent, qui sera facile à
inverser.
1 0 1 2
Exemple : Résoudre le système 𝐴𝑥 = 𝑏 avec 𝐴 = ( 0 2 −1) et 𝑏 = ( 1 )
−1 1 −2 −2
On écrit la matrice augmentée, constituée de la matrice A et du second membre b.
𝟏 0 1 2
𝐴̃ = [𝐴 𝑏] = [ 0 2 −1 1 ]
−1 1 −2 −2
La première ligne a un 1 en première position (en gras dans la matrice), ce
coefficient est non nul, et c’est un pivot. On va pouvoir diviser toute la première
ligne par ce nombre pour en soustraire un multiple à toutes les lignes d’après, dans
le but de faire apparaître des 0 dans tout le bas de la colonne.

La deuxième équation a déjà un 0 dessous, donc on n’a rien besoin de faire. On

veut ensuite annuler le premier coefficient de la troisième ligne. On retranche
donc (-1) fois la première ligne à la troisième :
1 0 1 2 1 0 1 2
[0 2 −1 1 3] ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑙 ← 𝑙 3 + 𝑙 [
1 0 2 −1 1]
−1 1 −2 −2 0 1 −1 0

Dr Akahoua B. 2
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
La deuxième ligne a un terme non nul en deuxième position (2). On va maintenant
annuler le deuxième terme de la troisième ligne ; pour cela, on retranche ½ fois la
ligne 2 à la ligne 3 :

1 1 1 2 1 0 1 2
[0 2 −1 1] ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑙3 ← 𝑙3 − 1 ⁄ 2 𝑙2 [ 0 2 −1 1 ]
0 1 −2 0 0 0 − 1⁄2 −1⁄2
On a obtenu une matrice sous forme triangulaire supérieure à trois pivots. Le
système est maintenant le suivant :
𝑥1 + 𝑥3 = 2
2𝑥 − 𝑥3 = 1
{ 2
1 1
− 𝑥3 = −
2 2
On peut donc faire la remontée pour obtenir la solution du système, et on obtient :
𝑥1 = 1
{𝑥2 = 1
𝑥3 = 1

On a ainsi résolu le système linéaire.

De façon général, l’algorithme de la méthode de Gauss à la iième étape est :

(𝑖+1) (𝑖) (𝑖+1) (𝑖)
1. pour 𝑘 ≤ 𝑖 et pour 𝑗 = 1, … , 𝑛 on pose 𝑎𝑘,𝑗 = 𝑎𝑘,𝑗 et 𝑏𝑘 = 𝑏𝑘
(𝑖)
2. pour 𝑘 > 𝑖, si 𝑎𝑖,𝑖 ≠ 0, on pose :
(𝑖)
(𝑖+1) (𝑖) 𝑎𝑘,𝑖 (𝑖)
𝑎𝑘,𝑗 = 𝑎𝑘,𝑗 − (𝑖)
𝑎𝑖,𝑗 , pour 𝑘 = 𝑗, … , 𝑛 (𝐼𝐼. 2)
𝑎𝑖,𝑖
(𝑖)
(𝑖+1) (𝑖) 𝑎𝑘,𝑖 (𝑖)
𝑏𝑘 = 𝑏𝑘 − (𝑖)
𝑏𝑖
𝑎𝑖,𝑖

3. calcul des solutions par remontée

(𝑛)
𝑏𝑛
𝑥𝑛 = (𝑛)
𝑎𝑛,𝑛

Dr Akahoua B. 3
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours

1 (𝑛)
𝑥𝑖 = (𝑛)
[𝑏 (𝑖) − ∑ 𝑎𝑖,𝑗 𝑥𝑗 ] , 𝑖 = 𝑛 − 1, … ,1
𝑎𝑖,𝑖 𝑗=𝑖+1,𝑛

(𝑖)
N.B : -Si 𝑎𝑖,𝑖 = 0 à l’étape 2, on permute la ligne i avec une des lignes suivantes
(𝑖)
telle que 𝑎𝑘,𝑖 ≠ 0. Notons que si le pivot est très petit, son utilisation peut
entrainer des erreurs d’arrondi importantes dans les calculs et on va là encore
permuter.

3.2. Méthode LU

L’idée est de “factoriser” la matrice A, c’est – à – dire de l’écrire comme un

produit 𝐴 = 𝐿𝑈, où L est triangulaire inférieure (lower triangular) et U
triangulaire supérieure (upper triangular). On reformule alors le système 𝐴𝑥 = 𝑏
sous la forme 𝐿𝑈𝑥 = 𝑏 et on résout maintenant deux systèmes faciles à résoudre
car triangulaires : 𝐿𝑦 = 𝑏 et 𝑈𝑥 = 𝑦.

La factorisation LU de la matrice découle immédiatement de l’algorithme de

Gauss. Voyons comment sur l’exemple : Résoudre le système 𝐴𝑥 = 𝑏 avec 𝐴 =
1 0 1 2
( 0 2 −1) et 𝑏 = ( 1 ).
−1 1 −2 −2
Ecrire d’abord la matrice augmentée :
𝟏 0 1 1 0 0
𝐴̃ = [𝐴 𝐼] = [ 0 2 −1 0 1 0]
−1 1 −2 0 0 1
Reprendre ensuite la méthode de Gauss, pour calculer la matrice L et la matrice
U. Achever enfin la résolution.

3.3. Méthodes itératives

Les méthodes directes sont très efficaces. Elles donnent la solution exacte (aux
erreurs d’arrondi près) du système linéaire considéré. Mais elles ont
l’inconvénient de nécessiter une assez grande place mémoire car elles nécessitent
le stockage de toute la matrice en mémoire vive.

Lorsqu’on a affaire à de très gros système, on a intérêt à utiliser des méthodes

itératives. Ces méthodes ne font appel qu’à des produits matrice vecteur, et ne
nécessitent donc pas le stockage du profil de la matrice mais uniquement des

Dr Akahoua B. 4
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
termes non nuls. Cependant, ces méthodes ne donnent pas la solution exacte du
système, mais donnent une solution approchée après un nombre fini d’itérations.

3.3.1. Définitions et propriétés

Soit 𝐴 ∈ ℳ𝑛 (ℝ) une matrice inversible et 𝑏 ∈ ℝ𝑛 , on cherche toujours ici à

résoudre le système linéaire 𝐴𝑥 = 𝑏 (𝑆. 1), avec 𝑥 ∈ ℝ𝑛 de façon itérative.

La plupart des méthodes itératives sont de la forme suivante : partant d’un vecteur
arbitraire 𝑥 0 , on engendre une suite (𝑥 𝑘 )𝑘 définie par

𝑥 𝑘+1 = 𝐵𝑥 𝑘 + 𝑐 (𝑆. 2)

Avec B une matrice ℳ𝑛 (ℝ), 𝑐 ∈ ℝ𝑛

Définition 1 : On dit qu’une méthode itérative est convergente si pour tout choix
initial 𝑥 0 ∈ ℝ𝑛 , on a : 𝑥 𝑘 → 𝑥 quand 𝑘 → +∞

Définition 2 : l’erreur d’approximation à la kième étape s’écrit

𝑒𝑘 = 𝑥 𝑘 − 𝑥 = 𝐵𝑥 𝑘−1 + 𝑐 − 𝐵𝑥 − 𝑐 = 𝐵(𝑥 𝑘−1 − 𝑥) = 𝐵𝑒𝑘−1

Et aussi

𝑒𝑘 = 𝐵𝑘 𝑒0 , ∀𝑘 ∈ ℕ

Définition 3 : (Norme matricielle, norme induite). On note ℳ𝑛 (ℝ) l’espace

vectoriel (sur ℝ) des matrices carrées d’ordre n.

i) on appelle norme matricielle sur ℳ𝑛 (ℝ) une norme ‖. ‖ sur ℳ𝑛 (ℝ) telle que

‖𝐴𝐵‖ ≤ ‖𝐴‖‖𝐵‖, ∀𝐴, 𝐵 ∈ ℳ𝑛 (ℝ)

ii) On considère ℝ𝑛 muni d’une norme ‖. ‖. On appelle norme matricielle

induite ou subordonnée sur ℳ𝑛 (ℝ) par la norme ‖. ‖, la norme sur ℳ𝑛 (ℝ)
définie par :

‖𝐴‖ = 𝑠𝑢𝑝{‖𝐴𝑥‖; 𝑥 ∈ ℝ𝑛 , ‖𝑥‖ = 1}, ∀𝐴 ∈ ℳ𝑛 (ℝ)

On a : ‖𝐴‖1 = max ∑𝑁 𝑁
𝑖=1|𝑎𝑖,𝑗 | ; ‖𝐴‖∞ = max ∑𝑗=1|𝑎𝑖,𝑗 |
𝑗=1,𝑁 𝑖=1,𝑁

Définition 4 : Une méthode itérative est convergente si pour tout 𝑥 0 , on a

lim 𝑒𝑘 = 0
𝑘→∞

Dr Akahoua B. 5
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
Ceci est équivalent à :

lim 𝐵𝑘 = 0 ⇔ ∀𝑥 ∈ ℝ𝑛 , lim 𝐵𝑘 𝑥 = 0 ⇔ lim ‖𝐵‖𝑘 = 0

𝑘→∞ 𝑘→∞ 𝑘→∞

Pour toute norme matricielle.

Théorème 1 : Pour qu’une méthode itérative de la (S.2) soit convergente il faut

et il suffit que 𝜌(𝐵) < 1. On rappelle que 𝜌(𝐵) désigne le rayon spectrale de la
matrice B (𝜌(𝐵) = max|𝜆𝑖 (𝐵)|).
𝑖

Preuve : (C.N) si 𝜌(𝐵) ≥ 1, il existe 𝜆, valeur propre de B, telle que |𝜆| ≥ 1. Soit
𝑥 ≠ 0 vecteur propre associé à 𝜆, alors 𝐵𝑘 𝑥 = 𝜆𝑘 𝑥 et comme |𝜆𝑘 | → 1 ou ∞ alors
𝐵𝑘 𝑥 ne converge pas vers zéro, ainsi lim 𝐵𝑘 ≠ 0.
𝑘→∞

(C.S) 𝜌(𝐵) < 1, il existe 𝜀 > 0 tel que 𝜌(𝐵) < 1 − 2𝜀 et une matrice induite
‖. ‖𝐴,𝜀 tel que ‖. ‖𝐴,𝜀 = 𝜇 ≤ 𝜌(𝐵) + 𝜀 < 1 − 𝜀 < 1. Comme ‖. ‖𝐴,𝜀 est une norme
matricielle, on a ‖𝐴𝑘 ‖𝐴,𝜀 ≤ 𝜇𝑘 → 0 lorsque 𝑘 → ∞. Comme l’espace ℳ𝑛 (ℝ) est
de dimension finie, toutes les normes sont équivalentes, et on a donc ‖𝐴𝑘 ‖ → 0
lorsque 𝑘 → ∞.

Corollaire : Si ‖𝐵‖ < 1 alors 𝜌(𝐵) < 1 et la méthode (S.2) converge

La preuve est immédiate car 𝜌(𝐵) ≤ ‖𝐵‖. En effet, soit 𝐵𝑥 = 𝜆𝑥 alors |𝜆|‖𝑥‖ =
‖𝐵𝑥‖ ≤ ‖𝐵‖‖𝑥‖, soit encore |𝜆| ≤ ‖𝐵‖ pour toute valeur propre de B.

3.3.2. Méthode de Jacobi, Gauss-Seidel

Soit la matrice A de l’équation (S.2) telle que 𝑎𝑖𝑖 ≠ 0, 𝑖 = 1, 𝑛. On décompose A

sous la forme

𝐴=𝐷+𝐸+𝐹

Avec D la diagonale de A, E la partie inférieure stricte et F la partie supérieure

stricte.

 Méthode de Jacobi : résoudre 𝐴𝑥 = 𝑏 est équivalent à

𝐷𝑥 = −(𝐸 + 𝐹)𝑥 + 𝑏

La méthode de Jacobi est basée sur la décomposition précédente et elle s’écrit

𝑥 0 arbitraire
{ 𝑘+1 (𝑆. 3)
𝐷𝑥 = −(𝐸 + 𝐹)𝑥 𝑘 + 𝑏

Dr Akahoua B. 6
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours

Il est facile à chaque itération de calculer 𝑥 𝑘+1 en fonction de 𝑥 𝑘 car la matrice

diagonale D est inversible. Les composantes du vecteur 𝑥 𝑘+1 vérifient
𝑛

𝑎𝑖𝑖 𝑥𝑖𝑘+1 = − ∑ 𝑎𝑖𝑗 𝑥𝑗𝑘 + 𝑏𝑖

𝑗=1,𝑗≠𝑖

Soit encore
𝑛

𝑥𝑖𝑘+1 = (− ∑ 𝑎𝑖𝑗 𝑥𝑗𝑘 + 𝑏𝑖 )⁄𝑎𝑖𝑖

𝑗=1,𝑗≠𝑖

Sous forme matricielle 𝑥 𝑘+1 s’écrit

𝑥 𝑘+1 = −𝐷 −1 (𝐸 + 𝐹)𝑥 𝑘 + 𝐷−1 𝑏 = 𝐽𝑥 𝑘 + 𝑐 (𝑆. 3)

La matrice 𝐽 = −𝐷−1 (𝐸 + 𝐹) est la matrice d’itération de Jacobi. La méthode

de Jacobi converge si et seulement si 𝜌(𝐽) < 1.

Pour programmer cette méthode, on a besoin de stocker les vecteurs 𝑥 𝑘 et 𝑥 𝑘+1

 Méthode de Gauss-Seidel : Elle est basée sur cette décomposition :

𝐴𝑥 = 𝑏 ⇔ (𝐷 + 𝐸)𝑥 = −𝐹𝑥 + 𝑏

La méthode de Gauss-Seidel s’écrit

𝑥0 arbitraire
{ (𝑆. 4)
(𝐷 + 𝐸)𝑥 𝑘+1 = −𝐹𝑥 𝑘 + 𝑏

D+E est une matrice triangulaire inférieure et pour calculer 𝑥 𝑘+1 en fonction de
𝑥 𝑘 , il suffit d’appliquer l’algorithme de descente suivant :

Pour 𝑖 = 1, 𝑛 𝑥𝑖𝑘+1 = (− ∑𝑖−1 𝑘+1

𝑗=1 𝑎𝑖𝑗 𝑥𝑗 − ∑𝑛𝑗=𝑖+1 𝑎𝑖𝑗 𝑥𝑗𝑘 + 𝑏𝑖 )/𝑎𝑖𝑖

La matrice 𝐺 = −(𝐷 + 𝐸)−1 𝐹 est la matrice d’itération de Gauss-Seidel. La

méthode de Gauss-Seidel converge si et seulement si 𝜌(𝐺) < 1.

Dr Akahoua B. 7
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours

RESOLUTION NUMERIQUE DES EQUATIONS AU

DERIVEES PARTIELLES (EDP) PAR LA METHODE
DES DIFFERENCES FINIES

Introduction

Pour passer d’un problème exact continu régit par une EDP au problème approché
discret, il existe trois grandes familles de méthodes :

 Les différences finies

La méthode consiste à remplacer les dérivées partielles par des différences

divisées ou combinaisons de valeurs ponctuelles de la fonction en un nombre fini
de points discrets ou nœuds du maillage.
Avantages : grande simplicité d'écriture et faible coût de calcul.
Inconvénients : limitation à des géométries simples, difficultés de prise en compte
des conditions aux limites de type Neumann.

 Les volumes finis

La méthode intègre, sur des volumes élémentaires de forme simple, les équations
écrites sous forme de loi de conservation. Elle fournit ainsi de manière naturelle
des approximations discrètes conservatives et est particulièrement bien adaptée
aux équations de la mécanique des fluides. Sa mise en œuvre est simple avec des
volumes élémentaires rectangles.
Avantages : permet de traiter des géométries complexes avec des volumes de
forme quelconque, détermination plus naturelle des conditions aux limites de type
Neumann.
Inconvénient : peu de résultats théoriques de convergence.

 Les éléments finis

La méthode consiste à approcher, dans un sous-espace de dimension finie, un

problème écrit sous forme variationnelle (comme minimisation de l'énergie en
général) dans un espace de dimension infinie. La solution approchée est dans ce
cas une fonction déterminée par un nombre fini de paramètres comme, par
exemple, ses valeurs en certains points ou nœuds du maillage.

Dr Akahoua B. 8
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
Avantages : traitement possible de géométries complexes, nombreux résultats
théoriques sur la convergence.
Inconvénient : complexité de mise en œuvre et grand coût en temps de calcul et
mémoire.

1. Définition

Une équation aux dérivées partielles (EDP) fait intervenir plusieurs variables
indépendantes ainsi que les dérivées partielles de la variable dépendante (c’est à
dire la solution recherchée). On a les variables de temps et celles de l’espace.

Exemple : l’équation d’évolution de la charge hydraulique dans un aquifère

s’écrit, pour une dimension d’espace :
𝜕ℎ 𝜕 𝜕ℎ
𝑆 − (𝑇𝑥 ) = 0 (1.1)
𝜕𝑡 𝜕𝑥 𝜕𝑥
Est une EDP. La variable dépendante est la charge hydraulique h, les variables
indépendantes sont le temps t et l’espace x. S est le coefficient d’emmagasinement
et 𝑇𝑥 la transmissivité dans la direction x.

La méthode des différences finies consiste à approximer les dérivées des

équations de la physique au moyen des développements de Taylor et se déduit
directement de la définition de la dérivée.
Elle est due aux travaux de plusieurs mathématiciens du 18ème siècle (Euler,
Taylor, Leibniz...).

Développement de Taylor au voisinage de 𝑥𝑖 :

𝜕𝑢 ∆𝑥² 𝜕²𝑢 ∆𝑥 3 𝜕 3 𝑢
𝑢(𝑥𝑖 + ∆𝑥) = 𝑢(𝑥𝑖 ) + ∆𝑥 (𝑥 ) + (𝑥 ) + (𝑥 )
𝜕𝑥 𝑖 2 𝜕𝑥² 𝑖 6 𝜕𝑥 3 𝑖
+ 𝑂(∆𝑥 4 ) (1.2)

2. Discrétisation impliquant une seule dimension d’espace

Ramenons l’équation (1.1) dans un cadre plus général donné par l’équation (2.1)
ci – après.
𝜕𝑢 𝜕𝑢
+𝜆 =0 (2.1)
𝜕𝑡 𝜕𝑥
On souhaite déterminer la grandeur 𝑢(𝑥, 𝑡) vérifiant l’EDP (2.1). Il s’agit d’un cas
1D instationnaire. Le domaine de résolution est décomposé en 𝑁 nœuds 𝑥𝑖

Dr Akahoua B. 9
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
répartis régulièrement avec un pas d’espace ∆𝑥. De même, le temps est
décomposé en intervalle élémentaire de pas constant ∆𝑡. On définit des points de
calcul d’abscisse 𝑥𝑖 = 𝑖∆𝑥 et des dates 𝑡 𝑛 = 𝑛∆𝑡 où l’on veut déterminer la
solution numérique (voir figure ci - après). La solution numérique au point i au
pas de temps n est notée 𝑢𝑖𝑛 . 𝑢𝑖𝑛 est en fait la valeur discrète de la grandeur 𝑢(𝑥, 𝑡)
au nœud 𝑥𝑖 et au temps 𝑡 𝑛 . Le terme de maillage est utilisé pour désigner la
disposition des points de discrétisation de l’espace.

x0 x1 … xi = iΔx … xn+1

2.1. Schémas décentrés avant ou arrière

Il existe deux principales versions de schémas décentrés : une version explicite et

une version implicite.

a. Schéma décentré arrière (resp. avant) explicite

Dans ce schéma, les dérivées 𝜕𝑢⁄𝜕𝑡 et 𝜕𝑢⁄𝜕𝑥 sont approchées de la façon

suivante :

𝜕𝑢 𝑢𝑖𝑛+1 − 𝑢𝑖𝑛 𝜕𝑢 𝑢𝑖𝑛 − 𝑢𝑖−1

𝑛 𝑛
𝜕𝑢 𝑢𝑖+1 − 𝑢𝑖𝑛
≈ ; ≈ (resp. ≈ ) (2.2)
𝜕𝑡 ∆𝑡 𝜕𝑥 ∆𝑥 𝜕𝑥 ∆𝑥

En remplaçant (2.2) dans (2.1), il vient :

𝑢𝑖𝑛+1 − 𝑢𝑖𝑛 𝑢𝑖𝑛 − 𝑢𝑖−1

𝑛
𝑢𝑖𝑛+1 − 𝑢𝑖𝑛 𝑛
𝑢𝑖+1 − 𝑢𝑖𝑛
+𝜆 = 0 (resp. +𝜆 = 0) (2.3)
∆𝑡 ∆𝑥 ∆𝑡 ∆𝑥

b. Schéma décentré arrière (resp. avant) implicite

Dans ce schéma, les dérivées sont données pas :

𝜕𝑢 𝑢𝑖𝑛+1 − 𝑢𝑖𝑛 𝜕𝑢 𝑢𝑖𝑛+1 − 𝑢𝑖−1

𝑛+1 𝑛+1
𝜕𝑢 𝑢𝑖+1 − 𝑢𝑖𝑛+1
≈ ; ≈ (resp. ≈ ) (2.4)
𝜕𝑡 ∆𝑡 𝜕𝑥 ∆𝑥 𝜕𝑥 ∆𝑥

L’équation à résoudre est donc

𝑛+1
𝑢𝑖𝑛+1 −𝑢𝑖𝑛 𝑢𝑖𝑛+1 −𝑢𝑖−1
𝑛+1
𝑢𝑖𝑛+1 −𝑢𝑖𝑛 𝑢𝑖+1 −𝑢𝑖𝑛+1
+𝜆 = 0 (resp. +𝜆 = 0) (2.5)
∆𝑡 ∆𝑥 ∆𝑡 ∆𝑥

La dérivée 𝜕⁄𝜕𝑥 est estimée en utilisant les valeurs (inconnues) au pas de temps
n + 1.
Dr Akahoua B. 10
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
2.2. Schéma centré

Des schémas aux différences finies d’ordre supérieur peuvent être construits en
manipulant des développements de Taylor au voisinage de 𝑥𝑖 . On écrit :

𝜕𝑢 ∆𝑥² 𝜕²𝑢
𝑢𝑖+1 = 𝑢(𝑥𝑖 + ∆𝑥) = 𝑢𝑖 + ∆𝑥 ( ) + ( ) + 𝑂(∆𝑥 3 )
𝜕𝑥 𝑖 2 𝜕𝑥² 𝑖
𝜕𝑢 ∆𝑥² 𝜕²𝑢
𝑢𝑖−1 = 𝑢(𝑥𝑖 − ∆𝑥) = 𝑢𝑖 − ∆𝑥 ( ) + ( ) + 𝑂(∆𝑥 3 )
{ 𝜕𝑥 𝑖 2 𝜕𝑥² 𝑖

La soustraction de ces deux relations donne :

𝜕𝑢 𝑢𝑖+1 − 𝑢𝑖−1
( ) = + 𝑂(∆𝑥²) (2.6)
𝜕𝑥 𝑖 2∆𝑥

Ce schéma est d’ordre 2.

Exercice : Mettre les équations discrétisées sous forme matricielle dans le cas
explicite et implicite pour un schéma avant en espace.

2.3. Discrétisation d’EDO d’ordre 2 et plus

On n’a examiné pour l’instant que des EDO d’ordre 1. Pour discrétiser une dérivée
seconde, on aura besoin d’au moins trois points. De façon générale, on a besoin
de p +1 points au minimum pour discrétiser une dérivée d’ordre p.

De façon pratique, pour discrétiser la dérivée seconde 𝑑²𝑈⁄𝑑𝑡², on utilisera les

valeurs 𝑈 𝑛−1 , 𝑈 𝑛 et 𝑈 𝑛+1 . On effectue un développement en série de Taylor à
partir de la date 𝑡 𝑛 :

𝑛−1 𝑛
𝑑𝑈 ∆𝑡² 𝑑²𝑈 ∆𝑡 3 𝑑 3 𝑈
𝑈 = 𝑈 − ∆𝑡 + − + 𝑂(∆𝑡 3 )
𝑑𝑡 2 𝑑𝑡² 6 𝑑𝑡 3 (2.7)
𝑛+1 𝑛
𝑑𝑈 ∆𝑡² 𝑑²𝑈 ∆𝑡 3 𝑑 3 𝑈
{𝑈 = 𝑈 + ∆𝑡 + + 3
+ 𝑂(∆𝑡 3 )
𝑑𝑡 2 𝑑𝑡² 6 𝑑𝑡
En additionnant ces deux égalités, on obtient :

𝑑²𝑈
𝑈 𝑛−1 + 𝑈 𝑛+1 = 2𝑈 𝑛 + ∆𝑡² + 𝑂(∆𝑡 4 ) (2.8)
𝑑𝑡²
D’où on tire 𝑑²𝑈⁄𝑑𝑡² :

Dr Akahoua B. 11
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours

𝑑²𝑈 𝑈 𝑛−1 − 2𝑈 𝑛 + 𝑈 𝑛+1

= + 𝑂(∆𝑡 4 )
𝑑𝑡² ∆𝑡²
2.4. Un exemple avec conditions de Dirichlet

−𝑢" (𝑥) = 𝑓(𝑥) ∀𝑥 ∈]0,1[

{ (𝐸𝐷𝑂2)
𝑢(0) = 𝛼 𝑒𝑡 𝑢(1) = 𝛽

Où 𝑓 ∈ 𝐶([0,1], ℝ).

On cherche à calculer u de manière approchée. On va pour cela introduire la

méthode de discrétisation dite par différence finies. Le maillage est construit en
introduisant 𝑁 + 1 nœuds 𝑥𝑖 avec 𝑖 = 0, … , 𝑁, régulièrement espacé avec un pas
1
∆𝑥 (𝑁 = 𝐸 ( )). Les points de discrétisations 𝑥𝑖 = 𝑖. ∆𝑥, sont les points où l’on
∆𝑥
va écrire l’équation −𝑢" = 𝑓 en vue de se ramener à un système discret, c'est-à-
dire un système avec un nombre fini d’inconnues 𝑢1 , … , 𝑢𝑁−1 .

x0=0 x1 … xi = iΔx … xN =1

Fig. : présentation du maillage de l’axe ]0,1[

Remarquons que 𝑥0 = 0 et 𝑥𝑁 = 1, et qu’en ces points, u est spécifiée par les

conditions limites. Soit 𝑢(𝑥𝑖 ) la valeur exacte de u en 𝑥𝑖 . On écrit la première
équation de (EDO2) en chaque point 𝑥𝑖 pour 𝑖 = 1 … 𝑁 − 1.

−𝑢"(𝑥𝑖 ) = 𝑓(𝑥𝑖 ) ∀𝑖 ∈ {1, … , 𝑁 − 1} (𝐸𝐷𝑂2.1)

Si 𝑓 ∈ 𝐶 2 ([0,1], ℝ) alors 𝑢 ∈ 𝐶 4 ([0,1], ℝ). Par développement de Taylor, on a :

∆𝑥 2 ∆𝑥 3 ′′′ ∆𝑥 4 4
𝑢(𝑥𝑖+1 ) = 𝑢(𝑥𝑖 ) + + ∆𝑥. 𝑢′ (𝑥𝑖 )
𝑢"(𝑥𝑖 )+ 𝑢 (𝑥𝑖 ) + 𝑢 (𝑐1 )
2 6 24
′
∆𝑥 2 ∆𝑥 3 ′′′ ∆𝑥 4 4
) ) (𝑥 ) (𝑥𝑖 ) +
{𝑢(𝑥𝑖−1 = 𝑢(𝑥𝑖 − ∆𝑥. 𝑢 𝑖 + 2 𝑢"(𝑥𝑖 ) − 6 𝑢 24
𝑢 (𝑐2 )

Avec 𝑐1 ∈]𝑥𝑖 , 𝑥𝑖+1 [ et 𝑐2 ∈]𝑥𝑖−1 , 𝑥𝑖 [. En sommant ces deux égalités, on obtient :

∆𝑥 4 4 2
∆𝑥 4 4
𝑢(𝑥𝑖+1 ) + 𝑢(𝑥𝑖−1 ) = 2𝑢(𝑥𝑖 ) + ∆𝑥 𝑢"(𝑥𝑖 ) + 𝑢 (𝑐1 ) + 𝑢 (𝑐2 )
24 24
On définit l’erreur de consistance, qui mesure la manière dont on a approché
𝑢"(𝑥𝑖 ) ; l’erreur de consistance 𝑅𝑖 au point 𝑥𝑖 est définie par :

Dr Akahoua B. 12
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
𝑢(𝑥𝑖+1 ) + 𝑢(𝑥𝑖−1 ) − 2𝑢(𝑥𝑖 )
𝑅𝑖 = 𝑢"(𝑥𝑖 ) − (2.9)
∆𝑥 2
On a donc :

𝑢(𝑥𝑖+1 ) + 𝑢(𝑥𝑖−1 ) − 2𝑢(𝑥𝑖 )

|𝑅𝑖 | = |𝑢"(𝑥𝑖 ) − |
∆𝑥 2

∆𝑥 2 4 ∆𝑥 2 4
≤| 𝑢 (𝑐1 ) + 𝑢 (𝑐2 )|
24 24

∆𝑥 2 4
≤ ‖𝑢 ‖∞ (2.10)
12
Où ‖𝑢4 ‖∞ = sup |𝑢4 (𝑥)|. Cette majoration nous montre que l’erreur de
𝑥∈]0,1[
consistance tend vers 0 comme ∆𝑥 2 , et on en dit que le schéma est consistant
d’ordre 2. Le problème discret est alors le suivant :
𝑢𝑖+1 + 𝑢𝑖−1 − 2𝑢𝑖
− = 𝑓𝑖 ; 1 ≤ 𝑖 ≤ 𝑁 − 1
{ ∆𝑥 2 (2.11)
𝑢0 = 𝛼 𝑒𝑡 𝑢𝑁 = 𝛽

La première équation de (2.11) écrite à chaque nœud du maillage (fig.), en tenant

compte des conditions aux limites, donne un système d’équation dont l’écriture
matricielle 𝐴𝑢 = 𝑏 est la suivante :
2 1
− 0
∆𝑥² ∆𝑥² ⋯ ⋯ ⋯ 0
1 2 1 0 ⋮ ⋯
𝑢1 0
− − 𝑓1 + 𝛼 ⁄∆𝑥²
∆𝑥² ∆𝑥² ∆𝑥² 1
− 0 ⋯ 0 𝑢2 𝑓2
1 2 ∆𝑥² 𝑢3
0 − 𝑓3
∆𝑥² ∆𝑥² . ⋮ = ⋮ (2.12)
⋱ ⋱ ⋮ ⋮ 𝑢𝑖 𝑓𝑖
⋮ ⋮ ⋱ − 1 2 1 ⋮ ⋮
− ⋯
0 0 ⋯ ∆𝑥² ∆𝑥² ∆𝑥² (𝑢𝑁−1 ) (𝑓𝑁−1 + 𝛽 ⁄∆𝑥²)
⋮ ⋮ ⋯ ⋱ ⋱
⋯ ⋯ ⋱ 1 2
0 0
⋯ ⋯ −
( ∆𝑥² ∆𝑥² )

On remarque immédiatement que A est tridiagonale. On peut montrer que A est

symétrique et définie positive, elle est donc inversible. Le système 𝐴𝑢 = 𝑏 admet
donc une unique solution. Mais encore faut il que cette solution (les 𝑢𝑖 ) soit une
approximation pas trop mauvaise de la solution réelle (𝑢(𝑥𝑖 )).

Dr Akahoua B. 13
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
On appelle erreur de discrétisation en 𝑥𝑖 la différence de ces deux valeurs

𝑒𝑖 = 𝑢(𝑥𝑖 ) − 𝑢𝑖 , 𝑖 = 1, … , 𝑛 (2.13)

Si on appelle e le vecteur de composante 𝑒𝑖 , on déduit de (2.13) et des équations

exactes (EDO2.1) que :

𝐴. 𝑒 = 𝑅 et donc 𝑒 = 𝐴−1 . 𝑅 (2.14)

Le fait que le schéma soit consistant est une bonne chose, mais cela ne suffit pas
à montrer que le schéma est convergent, c'est-à-dire que l’erreur max 𝑒𝑖 tend
𝑖=1,…,𝑛
vers 0 lorsque ∆𝑥 tend vers 0, par ce que A dépend de ∆𝑥. Pour cela, il faut de
plus que le schéma soit stable.

Définition : Un schéma aux différence finies est dit stable pour la norme ‖ ‖∞,
s’il existe une constante 𝐾 > 0 indépendante de ∆𝑥 telle que

‖𝑢𝑛 ‖∞ ≤ 𝐾‖𝑢0 ‖∞ pour tout 𝑛 ≥ 0 (2.15)

Quelle que soit la donnée initiale 𝑢0 .

Si (2.15) n’a lieu que pour un pas ∆𝑥 astreint à certaines inégalités, on dit que le
schéma est conditionnellement stable.

La solution du problème discret est obtenue après résolution de l’équation

matricielle (2.12).

2.5. Un exemple avec conditions de Dirichlet - Neumann

−𝑢" (𝑥) = 𝑓(𝑥) ∀𝑥 ∈]0,1[

{
𝑢(0) = 𝛼 𝑒𝑡 𝑢′(1) = 𝛽

L’on a cette fois une condition de Neumann en x = 1.

Les modifications du problème discrétisé par rapport au cas précédent sont les
suivantes. Tout d'abord, le nombre d'inconnues a changé. Il y a une inconnue au
bord en x = 1. Le problème discret a donc maintenant, sur la base du même
maillage que précédemment, N inconnues 𝑢𝑖 pour i variant de 1 à N.
D'autre part, il faut discrétisée la condition de Neumann 𝑢′ (1) = 𝛽. Plusieurs
choix sont possibles pour approximer cette dérivée première. C'est un des
inconvénients de la méthode des différences finies : elle ne donne pas de façon
naturelle une bonne approximation des conditions de Neumann.
𝑢 −𝑢
Dans notre cas, utilisons une approximation d'ordre 1 : 𝑢′ (1) = 𝑁 𝑁−1.
∆𝑥

Dr Akahoua B. 14
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
Sous forme matricielle, on obtient :
2 1
− 0 ⋯ 0 0
∆𝑥 2 ∆𝑥 2
1 2 𝑢1 𝑓1 + 𝛼 ⁄∆𝑥 2
1
− 2 − 2 ⋯ 0 0 𝑢2 𝑓2
∆𝑥 ∆𝑥 2 ∆𝑥 𝑢3
⋱ ⋱ ⋮ ⋮ 𝑓3
1 ⋮ ⋮
⋮ ⋱ 2 1 . =
− 2 − 2 0 𝑢 𝑖 𝑓𝑖
0 0 ∆𝑥 ∆𝑥 2 ∆𝑥 ⋮
1 2 ⋮
0 0 𝑢
0 − 2 0 𝑁−1 𝑓𝑁−1
∆𝑥 ∆𝑥 2 ( 𝑢𝑁 ) ( 𝛽 )
1 1
0 0 0 0 −
( ∆𝑥 ∆𝑥 )

3. Un exemple impliquant deux dimensions d’espace

Le potentiel Φ(𝑥, 𝑦) d’un écoulement plan est donné par :

Δ𝜙 = 0 𝑑𝑎𝑛𝑠 𝑙𝑒 𝑑𝑜𝑚𝑎𝑖𝑛𝑒 Ω
(𝑃) ∶ {
𝜙(0, 𝑦) = 2, 𝜙(1, 𝑦) = 2, 𝜙(𝑥, 0) = 0, 𝜙(𝑥, 1) = 2

Où Ω = ]0,1[ × ]0,1[ . Cette équation est connue sous le nom d’équation de

Laplace.
Traçons un réseau de droites parallèles à l’axe x, équidistantes de pas k et un
réseau de droites parallèles à l’axe des y équidistantes de pas h.
𝑦
𝑦𝑗+1

∅𝑖𝑗
𝑦𝑗
ℎ
𝑦𝑗−1
𝑘

𝑥𝑖−1 𝑥𝑖 𝑥𝑖+1 𝑥
Figure1 : maillage du domaine de calcul

3.1. Discrétisation de l’équation de Laplace

Si f est une fonction d’une variable de classe C4, lorsque h tend vers 0, on peut
écrire (développement de Taylor) :
ℎ2 ℎ3
𝑓(𝑥 + ℎ) = 𝑓(𝑥) + ℎ𝑓 ′ (𝑥) + 𝑓"(𝑥) + 𝑓′′′(𝑥) + 𝑜(ℎ4 ) (3.1)
2! 3!

Dr Akahoua B. 15
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
ℎ2 ℎ3
𝑓(𝑥 − ℎ) = 𝑓(𝑥) − ℎ𝑓 ′ (𝑥) + 𝑓"(𝑥) − 𝑓′′′(𝑥) + 𝑜(ℎ4 ) (3.2)
2! 3!

D’où 𝑓"(𝑥) = 1/ℎ2 [𝑓(𝑥 + ℎ) − 2𝑓(𝑥) + 𝑓(𝑥 − ℎ)] + 𝑜(ℎ²) (3.3)

Appliquons la formule (1.3) dans chacune des directions x et y à Φ(𝑥, 𝑦) :

𝜕²𝜙 1
𝜕𝑥²
(𝑀𝑖𝑗 ) = ℎ² [𝜙(𝑀𝑖+1𝑗 ) − 2𝜙(𝑀𝑖𝑗 ) + 𝜙(𝑀𝑖−1𝑗 )] + 𝑜(ℎ2 ) (3.4)

𝜕²𝜙 1
𝜕𝑦²
(𝑀𝑖𝑗 ) = 𝑘² [𝜙(𝑀𝑖𝑗+1 ) − 2𝜙(𝑀𝑖𝑗 ) + 𝜙(𝑀𝑖𝑗−1 )] + 𝑜(𝑘 2 ) (3.5)

D’où
1
Δ𝜙(𝑀𝑖𝑗 ) = [𝜙(𝑀𝑖+1𝑗 ) − 2𝜙(𝑀𝑖𝑗 ) + 𝜙(𝑀𝑖−1𝑗 )] +
ℎ2

1
[𝜙(𝑀𝑖𝑗+1 ) − 2𝜙(𝑀𝑖𝑗 ) + 𝜙(𝑀𝑖𝑗−1 )] + 𝑜(ℎ2 , 𝑘 2 )
𝑘²
(3.6)

Nous cherchons 𝜙𝑖𝑗 au point 𝑀𝑖𝑗 qui est une approximation de 𝜙(𝑀𝑖𝑗 ) quand
(h, k) tend vers (0,0). Ce qui nous donne l’équation de Laplace discrète.
1 1
ℎ²
[𝜙𝑖+1𝑗 − 2𝜙𝑖𝑗 + 𝜙𝑖−1𝑗 ] + 𝑘² [𝜙𝑖𝑗+1 − 2𝜙𝑖𝑗 + 𝜙𝑖𝑗−1 ] = 0 (3.7)

Ce schéma est consistant et précis d’ordre 2. L’équation de Laplace discrète est

dite aux différences finies. Le problème des conditions aux limites sera traité
plus loin.

3.2. Méthode de résolution

Nous allons appliquer de façon systématique l’équation (3.7) sur tous les points
du maillage. Prenons pour pas h et k la valeur de 1/3 par exemple. Pour ce
problème, nous aurons donc 4 points à l’intérieur du domaine où les valeurs de
𝜙 sont à déterminer ; soient 𝜙11 , 𝜙12 , 𝜙21 , 𝜙22 .

Les conditions aux limites, ici de type Dirichlet sont données par :
𝜙(0, 𝑦) = 2, 𝜙(1, 𝑦) = 2, 𝜙(𝑥, 0) = 0, 𝜙(𝑥, 1) = 2

Dr Akahoua B. 16
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
Y

3⁄3

∅12 ∅22
2⁄3
∅11 ∅21
1⁄3

1⁄3 2⁄ 3 3⁄3 𝑥
Figure 2: présentation des noeuds du maillage avec les données aux frontières

Après avoir écrit l’équation (3.7) aux quatre nœuds du maillage, on obtient le
système matriciel suivant :
−2(9 + 9) 9 9 0 ∅11
9 −2(9 + 9) 0 9 ∅
( ) ( 21 )
9 0 −2(9 + 9) 9 ∅12
0 9 9 −2(9 + 9) ∅22
−2 × 9
−2 × 9
=( )
−2(9 + 9)
−2(9 + 9)
La matrice obtenue est symétrique et à diagonale strictement dominante donc
elle est inversible. Nous pouvons résoudre cette équation par la méthode de
Cholesky ou Gauss-Seidel.

Dr Akahoua B. 17
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
Exercices

Exercice 1 :

Résoudre par la méthode de Gauss le système suivant :

4𝑥1 + 2𝑥2 + 3𝑥3 = 9
1 1
𝑥1 + 𝑥2 + 𝑥4 = 2
2 2
3 17
2𝑥1 + 𝑥2 + 4𝑥3 + 𝑥4 =
2 2
{ 2𝑥2 + 𝑥3 + 5𝑥4 = 8

Exercice 2 :

Résoudre à l’aide de la méthode de Jacobi, le système 𝐴𝑥 = 𝑏 avec :

−16 6 −2 −5 −19
3 10 −5 1 1
𝐴=[ ] 𝑏=[ ]
−4 1 18 2 12
1 2 2 −14 1
On prendra comme test d’arrêt la condition 𝛼 𝑘 < 3. 10−3
0
= [0]
2
où 𝛼 (𝑘+1) = ‖𝑥 (𝑘+1) − 𝑥 (𝑘) ‖2 et 𝑥 (1)
0
0

Exercice 3
2 −1 0 1
On considère la matrice 𝐴 = [−1 2 −1] et le vecteur 𝑏 = [0]. Soit 𝑥 (0) un
0 −1 2 1
3
vecteur de ℝ donné.

1. Ecrire la méthode de Gauss-Seidel pour la résolution du système 𝐴𝑥 = 𝑏,

sous la forme 𝑥 (𝑘+1) = 𝐺𝑥 (𝑘) + 𝑐

2. Calculer le rayon spectral de G et en déduire que la méthode de Gauss-Seidel

converge.

Dr Akahoua B. 18
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours

3. Calculer 𝑥 (1) et 𝑥 (2) pour les choix suivants de 𝑥 (0) :

0 0
i) 𝑥 (0) = [0] ii) 𝑥 (0) = [1]
0 1

Exercice 4 :

On considère le problème monodimensionnel de la conduction de la chaleur

dans une barre de 1 m de longueur. Le champ de température 𝑇(𝑥, 𝑡) vérifie
l’équation suivante :

𝜕𝑇 𝜕2𝑇
= 𝛼 2 pour 𝑥 ∈ ]0,1[
𝜕𝑡 𝜕𝑥
𝑇(0, 𝑡) = 𝑇𝑔 ; 𝑇(1, 𝑡) = 𝑇𝑑
{ 𝑇(𝑥, 0) = 𝑇0

1) Ecrire l’équation discrète du problème ci-dessus par la méthode des

différences finies en utilisant schéma explicite.

2) Ecrire l’équation discrète du problème ci-dessus par la méthode des

différences finies en utilisant schéma implicite

3) Donner la matrice du système linéaire dans les deux cas pour un pas ∆𝑥 =
1⁄5.

Exercice 5

On considère le problème de Dirichlet suivant :

−𝑢"(𝑥) + 𝑢(𝑥) = 𝑓(𝑥) pour 𝑥 ∈ ]0,1[

{
𝑢(0) = 𝑢(1) = 0

Où 𝑓 ∈ 𝐶²([0,1], ℝ).

1) Ecrire l’équation discrète du problème de Dirichlet ci-dessus par la méthode

des différences finies.

2) Donner la matrice du système linéaire issue de cette méthode pour un pas

∆𝑥 = 1⁄5.

Dr Akahoua B. 19
Support de cours Analyse Numérique 2018-2019
Ceci est un support qui ne saurait se substituer au cours. Les démonstrations ainsi que la correction des exercices se feront
pendant le cours
Bibliographie
C.A.J. Fletcher « Computational techniques for fluid dynamics » Volume 1, 2nd édition,
Springer, 1991
D. Euvrard « Résolution numérique des équations aux dérivées partielles » 3ième édition
Masson, 1994
J.-P. Pérez « Mécanique : fondements et applications » 5ième édition, Masson, 1997

Mazen SAAD « cours d’analyse numérique » Ecole Centrale de Nantes 2011-2012

Raphaèle Herbin « cours d’analyse numérique » Université Aix Marseille 2014

Suhas V. Patankar «Numerical heat transfer and fluid flow » Hemisphere publishing
corporation, 1980

Dr Akahoua B. 20