Ce document pédagogique est destiné aux étudiants universitaires souhaitant approfondir leurs connaissances en analyse numérique. Il propose une introduction aux méthodes algorithmiques essentielles pour résoudre des problèmes mathématiques complexes issus de l'ingénierie et de la physique.
Le support aborde notamment les thématiques suivantes :
- La recherche de racines par les méthodes de Newton et du point fixe.
- La résolution de systèmes linéaires via la décomposition LU.
- L'approximation d'équations différentielles par la méthode d'Euler.
Une foire aux questions complète ces exercices pour consolider les notions théoriques abordées dans le cadre du cours.
Introduction à l'Analyse Numérique
L'analyse numérique est une discipline essentielle des mathématiques appliquées, dédiée à l'élaboration et à l'étude d'algorithmes pour la résolution approximative de problèmes mathématiques continus. L'analyse numérique permet de transformer des modèles mathématiques continus en algorithmes discrets traitables par ordinateur. Ces problèmes, souvent issus de la physique, de l'ingénierie ou de l'économie, sont fréquemment trop complexes pour être résolus de manière exacte ou analytique. Les méthodes d'analyse numérique fournissent des outils permettant d'obtenir des solutions avec une précision contrôlée, rendant ainsi possibles des simulations et des prévisions pour des systèmes complexes.
Il est fondamental, lors de l'application de tout théorème ou résultat issu d'un cours d'analyse numérique, de se rappeler et de vérifier scrupuleusement les hypothèses sous lesquelles il peut s'appliquer. Ne pas respecter ces conditions rendrait toute conclusion obtenue sans validité.
Exercice 1 : Méthode de Newton pour le calcul d'une racine cubique
La méthode de Newton-Raphson est un algorithme itératif très efficace pour trouver les zéros (ou racines) d'une fonction réelle. La convergence de cette méthode est quadratique, ce qui signifie que le nombre de chiffres significatifs corrects double approximativement à chaque itération sous réserve d'une bonne estimation initiale. Pour calculer la racine cubique d'un nombre N (³√N), le problème peut être reformulé comme la recherche de la solution de l'équation f(x) = x³ - N = 0.
Algorithme pour le calcul de ³√N
À l'aide de la méthode de Newton, il suffit de résoudre l'équation f(x) = x³ - N = 0. La formule générale de la méthode de Newton est donnée par :
xn+1 = xn - f(xn) / f'(xn)
Pour la fonction f(x) = x³ - N, sa dérivée première est f'(x) = 3x². En substituant f(x) et f'(x) dans la formule de Newton et en simplifiant, nous obtenons l'algorithme suivant :
xn+1 = xn - (xn³ - N) / (3xn²)
xn+1 = xn - xn³ / (3xn²) + N / (3xn²)
xn+1 = xn - (1/3)xn + N / (3xn²)
xn+1 = (2/3)xn + N / (3xn²)
Cet algorithme permet d'obtenir des approximations successives de la racine cubique de N, en améliorant la précision à chaque itération.
Exercice 2 : Résolution d'équations non linéaires par itérations de point fixe
La résolution d'équations non linéaires, souvent exprimées sous la forme x = g(x), est une tâche courante en analyse numérique. Les méthodes de point fixe reposent sur la construction d'une suite d'itérations xn+1 = g(xn). La réussite de ces méthodes dépend de la fonction g(x) et de ses propriétés, notamment sa dérivée au voisinage du point fixe.
1. Existence et unicité d'une racine
Le problème consiste à résoudre dans ℝ+ l'équation x = g(x) où g(x) = ln(x). Si on considère f(x) = x - ln(x), cette fonction présente un minimum global à x = 1 avec f(1) = 1. Par conséquent, l'équation x = ln(x) n'admet pas de solution réelle. Les éléments de solution ci-dessous se réfèrent à la résolution de l'équation x = -ln(x), ce qui correspond à la fonction f(x) = x + ln(x) = 0.
Soit f(x) = x + ln(x) avec x ∈ ℝ+. Nous appliquons le théorème des valeurs intermédiaires à f sur [a, 1] où 0 < a ≤ 1.
Existence
La fonction f est continue sur [a, 1] pour tout a ∈ ]0, 1] et f(1) = 1 + ln(1) = 1 > 0. Comme la limite de f(x) quand x tend vers 0+ est -∞, il existe a ∈ ]0, 1] tel que f(1)f(a) < 0. D'après le Théorème des Valeurs Intermédiaires (T.V.I.), il existe x ∈ [a, 1], d'où x ∈ ]0, 1], tel que f(x) = 0, et donc x = -ln(x).
Unicité
Pour tout x ∈ [a, 1] : f'(x) = 1 + 1/x > 0. La fonction f est donc strictement monotone sur [a, 1], ce qui garantit que la solution est unique.
2. Divergence des itérations
Pour qu'une méthode de point fixe xn+1 = g(xn) converge localement vers un point fixe, la condition suffisante est que la valeur absolue de la dérivée de g au point fixe soit strictement inférieure à 1 (|g'(x)| < 1). Si |g'(x)| > 1, les itérations divergent.
Pour g(x) = ln(x), la dérivée est g'(x) = 1/x. Dans l'intervalle I = ]0, 1], pour tout x, la valeur absolue de la dérivée |g'(x)| = 1/x est strictement supérieure à 1. Par conséquent, les itérations xn+1 = ln(xn) divergeraient.
3. Convergence de la méthode itérative
La convergence de la méthode itérative xn+1 = g⁻¹(xn) est assurée si la fonction d'itération réciproque satisfait la condition de contraction au voisinage du point fixe, c'est-à-dire si |(g⁻¹)'(x)| < 1.
Puisque la fonction g est strictement monotone et continue, elle est bijective et g⁻¹ existe. La dérivée de la fonction réciproque est donnée par (g⁻¹)'(x) = 1 / g'(y). Pour que la méthode xn+1 = g⁻¹(xn) converge, il faut que |1 / g'(y)| < 1, ce qui implique |g'(y)| > 1.
4. Analyse de l'erreur
En posant en = xn - x (représentant l'erreur à l'étape n, où x est la solution exacte), l'objectif est d'étudier la relation entre en+1 et en. Le fait qu'en+1 soit de signe opposé à en indique que les itérations successives oscillent autour de la valeur exacte de la racine. Ce comportement survient lorsque la dérivée de la fonction d'itération est négative au voisinage de la racine.
Exercice 3 : Systèmes linéaires et décomposition LU
Les systèmes d'équations linéaires modélisent une vaste gamme de problèmes scientifiques. Leur résolution peut s'effectuer par des méthodes directes, comme la décomposition LU, ou par des méthodes itératives.
1. Réduction d'un système de dimension 4 à 3
Soit le système linéaire de dimension 4 : Cx = d. La résolution de ce système peut parfois être ramenée à celle d'un système de dimension 3 (Ax = b) si l'une des inconnues, par exemple x₄, est facilement déterminable isolément.
2. Condition d'unicité de la solution
Un système d'équations linéaires Ax = b admet une solution unique si et seulement si la matrice A est inversible, ce qui revient à dire que son déterminant est non nul (det(A) ≠ 0).
3. Décomposition LU de A
La décomposition LU consiste à factoriser A en A = LU, où L est une matrice triangulaire inférieure avec une diagonale unitaire et U est une matrice triangulaire supérieure. La résolution se fait en deux temps : Ly = b (substitution avant) puis Ux = y (substitution arrière).
4. Matrice de la méthode itérative
Pour un système Ax = b, les méthodes itératives génèrent une suite xk+1 = T xk + c. La matrice T est la matrice d'itération. Pour la méthode de Gauss-Seidel, par exemple, elle est définie par T = -(D+L)⁻¹U, où D est la diagonale de A.
Exercice 4 : Méthodes numériques pour les équations différentielles (Méthode d'Euler)
La méthode d'Euler est une technique fondamentale pour résoudre numériquement les problèmes de Cauchy. Cette méthode est d'ordre 1, ce qui signifie que l'erreur de troncature locale est proportionnelle au carré du pas h choisi.
Application de la méthode d'Euler
Calculons les quatre premières valeurs de y' = y - xy + x avec y(0) = 1 et un pas h = 0,1.
La formule est : yn+1 = yn + h * f(xn, yn).
- n = 0 : x₀ = 0, y₀ = 1. y'₀ = 1 - (0)(1) + 0 = 1. y₁ = 1 + 0,1 * 1 = 1,100.
- n = 1 : x₁ = 0,1, y₁ = 1,100. y'₁ = 1,100 - (0,1)(1,100) + 0,1 = 1,090. y₂ = 1,100 + 0,1 * 1,090 = 1,209.
- n = 2 : x₂ = 0,2, y₂ = 1,209. y'₂ = 1,209 - (0,2)(1,209) + 0,2 = 1,1672 ≈ 1,167. y₃ = 1,209 + 0,1 * 1,167 = 1,326.
- n = 3 : x₃ = 0,3, y₃ = 1,326. y'₃ = 1,326 - (0,3)(1,326) + 0,3 = 1,2282 ≈ 1,228. y₄ = 1,326 + 0,1 * 1,228 = 1,449.
Les approximations obtenues sont : y(0,1) ≈ 1,100 ; y(0,2) ≈ 1,209 ; y(0,3) ≈ 1,326 ; y(0,4) ≈ 1,449.
Foire Aux Questions (FAQ) sur l'Analyse Numérique
Qu'est-ce que la méthode de Newton et quand l'utilise-t-on ?
La méthode de Newton est une technique itérative utilisée pour trouver les racines d'une fonction f(x) = 0. Elle est privilégiée pour les équations non linéaires complexes car elle offre une convergence très rapide (quadratique) lorsqu'on dispose d'une estimation initiale proche de la solution.
Quelle est la condition de convergence pour une méthode de point fixe ?
Pour qu'une suite xn+1 = g(xn) converge vers un point fixe, il suffit que la fonction g soit contractante au voisinage de ce point. Mathématiquement, cela se traduit par la condition |g'(x)| < 1 au point fixe.
Pourquoi utilise-t-a-on la décomposition LU ?
On utilise la décomposition LU car elle simplifie considérablement la résolution de systèmes linéaires. En transformant une matrice pleine en deux matrices triangulaires, le coût computationnel est réduit, surtout lorsqu'il faut résoudre le même système pour plusieurs vecteurs b différents.