METHODES NUMERIQUES ET CALCUL VIA MATLAB

1. MATLAB (matrices et inversion, vecteurs, fts graphe et

evaluation, polynome) 1
2. Systèmes linéaires 6
3. Equations et systèmes non linéaires 8
Bissection ou dochotomie 9
*Méthode de Newton 10
*Méthode de Newton pour des systèmes d’équations 11
*Méthode de Newton-Horner pour les racines d’un polynome12

4. Approximation de fonctions et de données 12

Approximation par polynômes de Taylor 13
*Interpolation 14
Polynôme d’interpolation de Lagrange 14
Approximation par fonctions splines 16

5. Intégration et différentiation numérique 17

Derivation 17
Integration numérique 18

6. Valeurs propres et vecteurs propres 20

7. Equations différentielles ordinaires 21

1 MATLAB

Matrices
*entrée
>> A = [ 1 2 3; 4 5 6]
A=
123
456

zeros(m,n) (0 partout) ; eye(m,n) (seul diagonale 1) ou pour une matrice carrée

eye(n) , A = [] (vide)

*opérations et incompatibilité >> C=[13 14; 15 16; 17 18];

>> A=[1 2 3; 4 5 6]; >> A+B
>> B=[7 8 9; 10 11 12]; ans =
**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page 1
8 10 12 >> B=[7 8 9; 10 11 12];
14 16 18 >> C=[13 14; 15 16; 17 18];
>> A*C >> A+C
ans = ??? Error using ==> +
94 100 Matrix dimensions must agree.
>> A*B
229 244 ??? Error using ==> *
>> A=[1 2 3; 4 5 6]; Inner matrix dimensions must agree.

*inverse d’une carrée inv(A) si det(A) ≠ 0 commande det(A)

>> A=diag(v,-1) % A a la dimension
>> A=[1 2; 3 4]; carrée 3+valeur absolue du 2ème
soit 1 en tout 4
A=
>> inv(A) 0000
ans = 1000
-2.0000 1.0000 0200
1.5000 -0.5000 0030
>> det(A) *Upper (Triu(A) et lower triangulaire
ans = A =[3 1 2; -1 3 4; -2 -1 3],
-2 L1=tril(A)
L1 =
>> A=[1 2; 0 0]; % matrice singulière 3 0 0
>> inv(A) -1 3 0
Warning: Matrix is singular to working -2 -1 3
precision.
*La commande plus générale diag(v,m) renvoie
ans = une matrice carrée de dimension n+abs(m) dont la
Inf Inf m-ème diagonale supérieure (i.e. la diagonale
constituée des éléments d’indices i, i+m) contient
Inf Inf les composantes de v, et dont les autres éléments
sont nuls.
v = [1 2 3] alors : diag(v) va donner
une matrice 3x3 avec diagonale les
composantes de v
Vecteurs
v = [1;2;3] vecteur colonne w = [1 2 3] vecteur ligne
cross(v,w) ou produit vectoriel ; norm(v) norme Euclidienne ; ones(n,1) vecteur
colonne à composantes toutes égales à 1 ; zeros(n,1) vecteur colonne nul.
zeros(1,n) vecteur ligne nul
produit scalaire : (v.w)=wTv est w’*v ou dot(v,w)
produit vectoriel : vxw ou v^w ou cross(v,w)
>> x = [1; 2; 3]; y = [4; 5; 6];
l’instruction >> x.*y % composante par composante
>> y’*x ans =
ans = 4
32 10
**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page 2
18

Fonctions réelles
*définir une fonction réelle ?
On peut définir la fonction f(x) = 1/(1 + x2) de plusieurs manières:

- par l’instruction fun='1/(1+x^2) '

- par inline >> fun=inline('1/(1+x^2) ', 'x');
exemple fun=inline(’sin(x)*(1+cos(t))’, ’x’,’t’) définit la fonction fun(x, t) = sin(x)(1 + cos(t)).

- par la fonction anonyme et le handle @ : >> fun=@(x)[1/(1+x^2)];

- ou enfin, en écrivant une fonction MATLAB :
function y=fun(x)
y=1/(1+x^2);
end

Pour le graphe et l’évaluation voir la table çi-dessus

>> fplot('1/(1+x^2) ',[-5 5]); % voir figure en expérimentation

Si la variable x est un tableau, les opérations /, * et ˆ agissant sur elle doivent être remplacées par les
opérations point correspondantes ./, .* et .ˆ qui opèrent composante par composante.
 Par exemple, l’instruction fun=@(x)[1/(1+xˆ2)] est remplacée par fun=@(x)[1./(1+x.ˆ2)].

Pour améliorer la précision, on pourrait utiliser la commande :

>> fplot(fun,lims,tol,n,LineSpec)
ex : LineSpec=’r-.’ ou encore LineSpec=’–’ Et par défaut, on peut mettre [ ] à la
place de tol, n et LineSpec et fplot par plot si plusieurs points.
grid on pour le quadrillage de la figure.

>> x=linspace(-2,3,100);
>> y=exp(x).*(sin(x).^2)-0.4;
>> plot(x,y, 'c', 'Linewidth',2); grid on % voir figure en expérimentation c-cyan couleur

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page 3
Pour évaluer
la fonction fun au point x, ou sur un ensemble de points stockés dans le vecteur x,
on peut utiliser les commandes eval, ou feval.
Pour les zeros
>> fun=@(x)[x^2 - 1 + exp(x)];
>> fzero(fun,-1) % au voisinage de -1
ans =
-0.7146
>> fzero(fun,1)
ans =
5.4422e-18
A l’aide de la fonction plot, on
remarque qu’il y a un zéro dans
l’intervalle [−1,−0.2] et un autre dans
[−0.2, 1]. On peut alors écrire
alternativement :
>> fzero(fun,[-1 -0.2])
ans =
-0.7146
>> fzero(fun,[-0.2 1]) ans = -5.2609e-
17

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page 4
Dans le cas où fun est définie dans un M-file, on a le choix entre l’une de ces
deux commandes :
>> fzero(’fun’, 1)
ou
>> fzero(@fun,1)

Pour Polynômes toolbox « polyfun » ou bien

Par exemple, les valeurs de p(x) = x7 +3x2 − 1, aux points équirépartis xk = −1 +

k/4 pour k = 0, . . ., 8, peuvent être obtenus en procédant ainsi :
>> p = [1 0 0 0 0 3 0 -1]; x = [-1:0.25:1]; % coefficients du polynôme par
degré décroissant
>> y = polyval(p,x)
y=
Columns 1 through 5:
1.00000 0.55402 -0.25781 -0.81256 -1.00000
Columns 6 through 9:
-0.81244 -0.24219 0.82098 3.00000

Par exemple, on peut calculer les zéros de p(x) = x3 −6x2 +11x− 6 en écrivant :
>> p = [1 -6 11 -6]; format long;
>> roots(p)
ans =
3.00000000000000
2.00000000000000
1.00000000000000
Considérons par exemple le produit et le quotient de deux polynômes p1(x) =
x4 − 1 et p2(x) = x3 − 1 :
>> p1 = [1 0 0 0 -1];
>> p2 = [1 0 0 -1];
>> p=conv(p1,p2)
p=
1 0 0 -1 -1 0 0 1
>> [q,r]=deconv(p1,p2)
q=
10
r=
0 0 0 1 -1

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
5
On trouve ainsi les polynômes p(x) = p1(x)p2(x) = x7 − x4 − x3 + 1,
q(x) = x et r(x) = x − 1 tels que p1(x) = q(x)p2(x) + r(x).

Pour dérivation et intégration

>> f = ’(x^2+2*x+2)/(x^2-1)’;
>> syms x % calcul symbolique
>> diff(f)
(2*x+2)/(x^2-1)-2*(x^2+2*x+2)/(x^2-1)^2*x
>> int(f)
x+5/2*log(x-1)-1/2*log(1+x)
>> taylor(f,x,6) % polynôme de Taylor de degré n en x0 = 0.
-2-2*x-3*x^2-2*x^3-3*x^4-2*x^5
La commande funtool aide à la manipulation symbolique de fonctions à l’aide de l’interface
graphique représentée sur la Figure. Notons que la commande simple permet de réduire les
expressions générées par diff, int et taylor afin de les rendre aussi simples que possible.

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
6
2 Systèmes linéaires
Considérons le réseau hydraulique composé de 10 conduites, représenté sur la
Figure,

alimenté par un réservoir d’eau à pression constante p0 = 10 bar. Dans ce

problème, on convient de prendre la pression atmosphérique comme valeur de
référence pour les pressions. Pour la j-ème conduite, on a la relation suivante
entre le débit Qj (en m3/s) et le saut de pression Δpj entre l’entrée et la sortie

où R est la résistance hydraulique par unité de longueur (en (bar s)/m4) et L est
la longueur (en m) de la conduite. On suppose que l’eau s’écoule par les sorties
(indiquées par un point noir) où règne la pression atmosphérique, fixée à 0 bar
(conformément à notre convention).
Le problème consiste à déterminer les valeurs de la pression en chaque noeud
intérieur 1, 2, 3, 4. Pour cela, on complète les relations pour j = 1, 2, 3, 4 en
écrivant que la somme des débits algébriques en un nœud j doit être nulle (une
valeur négative indiquerait la présence d’une fuite).
En notant p = (p1, p2, p3, p4)T le vecteur des pressions aux nœuds intérieurs,
on obtient un système 4 × 4 de la forme Ap = b.
On indique dans le tableau suivant les caractéristiques des différentes
conduites

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
7
 >> A=[-0.37 0.05 0.05 0.07; 0.05 -0.116 0 0.05; 0.05 0 -0.116 0.05; 0.07 0.05 0.05 -
0.202];

>> b=[-2;0;0;0];

>> x=A\b

x=

8.1172e+000

5.9893e+000

5.9893e+000

5.7779e+000

C’est la plus simple et il existe bien entendu des alternatives que ce soit en
méthodes directes ou alternatives.

3. Equations non linéaires

 Problème (Fonds d’investissement) Le client d’une banque dépose au
début de chaque année v euros dans un fonds d’investissement et en
retire, à la fin de la n-ème année, un capital de M euros.

Nous voulons calculer le taux d’intérêt annuel moyen T de cet investissement.

Comme M est relié à T par la relation
**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
8
nous déduisons que T est racine de l’équation algébrique non linéaire :

*Bissection ou dochotomie

-Programme debute par :

function [zero,res ,niter]=bisection(fun ,a,b,tol , nmax,varargin )
Alors dans le navigateur
ZERO=BISECTION(FUN ,A,B,TOL ,NMAX,P1,P2 ,...)

p1, p2 .. pramètres passes de la function f.

% v est égal à 1000 euros et qu’après 5 ans M est égal à 6000 euros

>> f=inline('M-v*(1+T).*((1+T).^5 - 1)./T','T','M','v');

>> [zero,res ,niter]=bisection(f,0.01,0.1,1.e-12,1000,...

6000 ,1000)

zero = 0.0614024115361826

res = 6.03904481977224e-009

niter =36

>> plot([0.01,0.3], feval(f ,[0.01 ,0.3] ,6000 ,1000))

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
9
*Méthode de Newton
>> FUN=@(x)[x^2+2*x-3];
DFUN=@(x)[2*x+2];
ZERO=NEWTON(FUN ,DFUN,0.5,1.e-12 ,500)

ZERO = 1

>> FUN=@(x)[x^2+2*x-3];
DFUN=@(x)[2*x+2];
ZERO=NEWTON(FUN ,DFUN,0.5,1.e-12 ,3)
La méthode de Newton est arrêtée sans converger avec la tolérance souhaitée
car
le nombre maximal d'itérations a été atteint

ZERO =1.00000069386622

Convergence quadratique, plusieurs versions et converge que l’approximation initiale

est proche de la solution.

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
10
*Méthode de Newton pour des systèmes d’équations

où f1, . . ., fn sont des fonctions non linéaires.

>> x0=[1;1]; tol=1e-5; nmax=10;

>> [x,F,niter] = newtonsys(@Ffun,@Jfun,x0,tol ,nmax)
La méthode a convergé à l'itération 8 avec un résidu 2.235421e-011

x=
0.476095822533811
-0.87939340898975
F=
2.23542090700278e-011
niter =
8
Si on part de -1; -1 on trouve la deuxième solution

>> x0=[-1;-1]; tol=1e-5; nmax=10;

[x,F,niter] = newtonsys(@Ffun,@Jfun,x0,tol ,nmax)
La méthode a convergé à l'itération 8 avec un résidu 2.235421e-011

x=
-0.476095822533811
**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
11
 0.87939340898975
F=
2.23542090700278e-011
niter =
8

*Méthode de Newton-Horner pour les racines d’un polynome

>> a=[1 -6 11 -6]; [x,niter]=newtonhorner(a,0 ,1.e-15,100)

x=
1
2
3
niter =

8
8
2

4 Approximation de fonctions et de données

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
12
*Approximation par polynômes de Taylor
On sait qu’on peut approcher une fonction f par son polynôme de Taylor dans
un intervalle donné. Cette technique est très coûteuse car elle nécessite la
connaissance de f et de ses dérivées jusqu’à l’ordre n (le degré du polynôme)
en un point x0. De plus, il se peut que le polynôme de Taylor approche très mal
f quand on s’éloigne de x0.
l’interface graphique de la fonction MATLAB taylortool qui permet le calcul d’un
polynôme de Taylor de degré arbitraire pour toute fonction f.

A expérimenter

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
13
*Interpolation

Polynôme d’interpolation de Lagrange

l’instruction c=polyfit(x,y,n) fournit les coefficients du polynôme d’interpolation.
Exemple de la table précédente
>> x=[ -55 -25 5 35 65]; y=[ -3.25 -3.2 -3.02 -3.32 -3.1];
format short e; c=polyfit(x,y,4)

c=

8.2819e-008 -4.5267e-007 -3.4684e-004 3.7757e-004 -3.0132e+000

polynôme d’interpolation est

>> z=linspace(x(1),x(end) ,100);

p=polyval(c,z);
plot(z,p,x,y,'o');grid on;

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
14
 Différence avec les valeurs de la table

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
15
Approximation par fonctions splines

>> x = [ -55:10:65];
y = [ -3.25 -3.37 -3.35 -3.2 -3.12 -3.02 -3.02 ...
-3.07 -3.17 -3.32 -3.3 -3.22 -3.1];
zi = [ -55:1:65];
s = spline(x,y,zi)
s=

Columns 1 through 7
-3.2500e+000 -3.2664e+000 -3.2820e+000 -3.2967e+000 -3.3105e+000 -3.3233e+000 -3.3351e+000
Columns 8 through 14
-3.3457e+000 -3.3551e+000 -3.3632e+000 -3.3700e+000 -3.3754e+000 -3.3793e+000 -3.3817e+000
Columns 15 through 21
-3.3825e+000 -3.3817e+000 -3.3791e+000 -3.3747e+000 -3.3684e+000 -3.3602e+000 -3.3500e+000
Columns 22 through 28
-3.3378e+000 -3.3239e+000 -3.3088e+000 -3.2928e+000 -3.2762e+000 -3.2596e+000 -3.2433e+000
Columns 29 through 35
-3.2277e+000 -3.2131e+000 -3.2000e+000 -3.1887e+000 -3.1789e+000 -3.1704e+000 -3.1628e+000
Columns 36 through 42
-3.1558e+000 -3.1492e+000 -3.1427e+000 -3.1358e+000 -3.1283e+000 -3.1200e+000 -3.1106e+000
Columns 43 through 49
-3.1002e+000 -3.0892e+000 -3.0779e+000 -3.0666e+000 -3.0556e+000 -3.0451e+000 -3.0355e+000
Columns 50 through 56
-3.0270e+000 -3.0200e+000 -3.0147e+000 -3.0109e+000 -3.0086e+000 -3.0076e+000 -3.0077e+000
Columns 57 through 63
-3.0088e+000 -3.0107e+000 -3.0133e+000 -3.0165e+000 -3.0200e+000 -3.0238e+000 -3.0278e+000
Columns 64 through 70
-3.0321e+000 -3.0366e+000 -3.0414e+000 -3.0465e+000 -3.0519e+000 -3.0576e+000 -3.0636e+000
Columns 71 through 77
-3.0700e+000 -3.0767e+000 -3.0839e+000 -3.0916e+000 -3.1000e+000 -3.1092e+000 -3.1192e+000
Columns 78 through 84
-3.1302e+000 -3.1423e+000 -3.1555e+000 -3.1700e+000 -3.1858e+000 -3.2026e+000 -3.2199e+000
Columns 85 through 91
-3.2373e+000 -3.2543e+000 -3.2707e+000 -3.2858e+000 -3.2994e+000 -3.3109e+000 -3.3200e+000
Columns 92 through 98
-3.3263e+000 -3.3301e+000 -3.3315e+000 -3.3309e+000 -3.3285e+000 -3.3246e+000 -3.3196e+000
Columns 99 through 105
-3.3136e+000 -3.3070e+000 -3.3000e+000 -3.2929e+000 -3.2857e+000 -3.2783e+000 -3.2708e+000
Columns 106 through 112
-3.2630e+000 -3.2550e+000 -3.2467e+000 -3.2382e+000 -3.2293e+000 -3.2200e+000 -3.2103e+000
Columns 113 through 119
-3.2002e+000 -3.1897e+000 -3.1786e+000 -3.1670e+000 -3.1548e+000 -3.1421e+000 -3.1287e+000
Columns 120 through 121
-3.1147e+000 -3.1000e+000

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
16
Comparaison entre la spline cubique (trait plein) et le polynôme d’interpolation
de Lagrange (trait discontinu)
La méthode des moindres carrés
Nous avons déjà indiqué qu’augmenter le degré d’un polynôme
d’interpolation de Lagrange n’améliore pas toujours l’approximation d’une
fonction donnée.
Ce problème peut être résolu avec l’interpolation composite (avec des
fonctions linéaires par morceau ou des splines). Néanmoins, aucune des
deux méthodes n’est adaptée à l’extrapolation d’informations à partir des
données disponibles, c’est-à-dire, à la génération de nouvelles valeurs en
des points situés à l’extérieur de l’intervalle contenant les nœuds
d’interpolation.

5 Intégration et différentiation numérique

derivation

On considère un réservoir cylindrique à base circulaire de rayon R = 1 m, rempli

d’eau, et ayant à sa base un trou d’évacuation de rayon r = 0.1 m. On mesure
toutes les 5 secondes la hauteur d’eau q(t) dans le réservoir (t désigne le
temps)

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
17
On veut calculer une approximation de la vitesse de vidange q_(t) et la
comparer à celle prédite par la loi de Torricelli où
g est la norme de l’accélération de la gravité et γ = 0.6 est un coefficient de
correction.

Par différences finies progressive, rétrograde et enfin centrée

Résultats pour h=5 et on compare

Aux extrémités x0 et xn, on peut prendre

Integration numérique

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
18
formule de quadrature composite du point milieu
function Imp= midpointc(a,b,M,fun ,varargin )

trapz et cumtrapz. Formule des trapèzes et celle composite

formule de quadrature composite de Simpson

[Isic]=simpsonc (a,b,M,fun ,varargin )

On considère une population ayant un très grand nombre M d’individus. La

distribution n(s) de la taille de ces individus peut être représentée par une
“courbe en cloche” caractérisée par sa moyenne ¯h et son écart type σ

Pour calculer le nombre d’individus dont la taille est comprise entre 1.8 et 1.9
m, on doit évaluer l’intégrale pour h = 1.8 et Δh = 0.1. On se propose pour cela
d’utiliser la formule composite de Simpson avec 100 sous-intervalles :

>> N = inline(['M/(sigma*sqrt(2*pi))*exp(-(h-hbar).^2'...
'./(2*sigma ^2))'], 'h', 'M', 'hbar', 'sigma')
M = 200; hbar = 1.7; sigma = 0.1;
int = simpsonc (1.8 , 1.9, 100, N, M, hbar, sigma)
N=
Inline function:
N(h,M,hbar,sigma) = M/(sigma*sqrt(2*pi))*exp(-(h-hbar).^2./(2*sigma ^2))

int =
2.7181e+001

Calculons l’intégrale en utilisant la formule de

Simpson adaptative.
>> fun=inline('(1-x.^2).^3*20');
tol = 1.e-04; hmin = 1.e-03; a=-1;b=1;
>> [JSf ]=simpadpt (fun ,a,b,tol ,hmin)

JSf =

1.8286e+001
**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
19
On peut calculer une intégrale dans MATLAB avec une formule de Gauss-
Lobatto-Legendre en utilisant l’instruction quadl(fun,a,b)

>> fun=inline('1./x','x');
>> quadl(fun,1,2)

ans =

6.9315e-001

Il n’est pas nécessaire d’indiquer le nombre de sous-intervalles. Celuici est

automatiquement calculé afin d’assurer une erreur de quadrature plus petite
que la tolérance par défaut de 10−3. L’utilisateur peut choisir une tolérance
différente avec la commande étendue quadl(fun,a,b,tol).

6 Valeurs propres et vecteurs propres

>> A=[30 2 3 13; 5 11 10 8; 9 7 6 12; 4 14 15 1];

>> D=qrbasic(A ,1.e-14 ,100)
La methode converge en 56 itérations

D=

3.9396e+001
1.7821e+001
-9.5022e+000
2.8541e-001
>> A=[-30 2 3 13; 5 11 10 8; 9 7 6 12; 4 14 15 1];
>> D=qrbasic(A ,1.e-14 ,100)
D=

-3.0647e+001
2.9740e+001
-1.1681e+001
**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
20
 5.8778e-001
7 Equations différentielles ordinaires

Solutions analytiques, solutions approximatives ; solutions numériques.

 Systèmes d’équations différentielles, 1D

 Equations linéaires, quasi-linéaires, non-linéaires
 A une limite
 Problème de valeurs aux limites BVP se ramenant à 1D ordinaire

Numérique : DFM – FEM-VFM

 Taylor Series Method

Soit pour l’exemple :

>> syms x y z
z=dsolve('Dy= -x*y','y(0)=1','x')

z=
1/exp(x^2/2)
**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
21
  Runge-Kutta Method
y’=f(x,y)

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page
22
Pour une équation du second ordre

Syntaxe pour 2 et 3 RK : ode23(‘f’,tspan,y0) et pour 4 et 5 RK ode45 avec

meme syntaxe

(tspan intervalle désiré de temps pour évaluer la solution)

function d2y=fex9_4(x,y); % a mettre comme m-file

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page 23
d2y=[y(2);2*y(1)^3]; % Output must be a column
Puis
>> tspan=[0 1]; % Interval over which we want to evaluate y=f(x)
y0=[1;-1]; % Given initial conditions
[x,y]=ode23('fex9_4', tspan, y0); % Use 2nd and 3rd Order Runge-Kutta
% Plot numeric values with the statements below
plot(x, y(:,1), '+r-', x, y(:,2), 'Ob--')
title('Numerical Solution for Differential Equation of Example 9.4'),...
xlabel('x'), ylabel('y (upper curve), yprime (lower curve)'), grid

Symboliquement
>> syms x y
y=dsolve('x^2*D2y-x*Dy-3*y=x^2*log(x), Dy(1)=0, y(1)=-1', 'x')

y=

-(x^3*(log(x)/3 + 2/9) + 7/9)/x

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page 24
numériquement
function d2y=fex9_5(x,y); % Produces the derivatives of Example 9.5
% x^2*y''−x*y'-3*y=x^2*log(x) where y''=2nd der, y'=1st der, logx=lnx
%
% we let y(1) = y and y(2)=y', then y(1)'=y(2)
%
% and y(2)'=y(2)/x^2+3*y(1)/x^2+log(x)
%
d2y=[y(2); y(2)/x+3*y(1)/x^2+log(x)]; % output must be a column

>> tspan=[1 4]; % Interval over which we want to evaluate y=f(x)

y0=[-1;0]; % Given initial conditions
[x,y]=ode23('fex9_5', tspan, y0); % Use 2nd and 3rd Order Runge-Kutta
anal_y=((-1./3).*log(x)-2./9).*x.^2-7./(9.*x); % This is the...
% analytic solution of the 2nd order differential equation of (9.38)
anal_yprime=((-2./3).*log(x)-7./9).*x+7./(9.*x.^2); % This is the first derivative of
(9.38)
% Plot numeric and analytic values with the statements below
plot(x, y(:,1), '+', x, anal_y, '-', x, y(:,2), 'O', x, anal_yprime, '-'),...
title('Numeric and Analytic Solutions of Differential Equation of Example 9.5'),...
xlabel('x'), ylabel('y (line with +), yprime (line with O)'), grid

**********************************************************************************
Pratique simple des Méthodes Numériques /1A Master /Pr. M.N Bouaziz UYFM Page 25