RÉPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

Paix – Travail – Patrie Peace – Work – Fatherland

UNIVERSITÉ DE BERTOUA THE UNIVERSITY OF BERTOUA

B.P. 416 P.O. Box 416
Tél : 222 24 18 01 Phone : 222 24 18 01
[Link] [Link]

FACULTÉ DES SCIENCES FACULTY OF SCIENCES

DÉPARTEMENT DE DEPARTMENT OF MATHEMATICS

MATHÉMATIQUES, STATISTIQUE STATISTICS AND COMPUTER
ET INFORMATIQUE SCIENCE

[MAF336]
MÉTHODES NUMÉRIQUES

Code et intitulé de l’UE : MAF336 / Méthodes Numériques

Filière : Mathématiques, Statistiques et Infor-
matique
Niveau : Licence 3
Nombre de crédits : 6 crédits
Répartition : EC1 : 3 crédits ; EC2 : 3 crédits
Volume horaire total : 60 heures
Type de l’UE : Mixte (CM, TD, TP et TPE)
Enseignant : M. KEM-MEKA
Année académique : 2025–2026

MAF336-1 MÉTHODES NUMÉRIQUES EN ALGÈBRE

MAF336-2 MÉTHODES NUMÉRIQUES EN ANALYSE

Éléments constitutifs Détails
CM : 10 h
TD : 5 h
TPE : 2 h
EC1 : Méthodes numériques
TP : 13 h
en algèbre
Total : 30 h
Crédits : 3
CM : 10 h
TD : 5 h
TPE : 2 h
EC2 : Méthodes numériques
TP : 13 h
en analyse
Total : 30 h
Crédits : 3
60 heures
TOTAL UE
6 crédits

Objectifs pédagogiques
— Comprendre les principes fon-
damentaux des méthodes numé-
riques
— Résoudre des problèmes mathé-
matiques complexes à l’aide d’al-
gorithmes numériques
— Implémenter des méthodes numé-
riques en utilisant des outils infor-
matiques adaptés
— Analyser les erreurs, la stabilité,
la convergence et les limites des
méthodes étudiées
— Interpréter les résultats numé-
riques dans des contextes appli-
qués
 PLAN DU COURS
UE : MAF336 – Méthodes Numériques

I) EC1 : Méthodes numériques en algèbre

Chapitre Contenu
Chapitre 1 Erreurs numériques et conditionnement
Chapitre 2 Résolution des systèmes linéaires par méthodes
directes
Chapitre 3 Méthodes itératives
Chapitre 4 Décompositions matricielles (LU, QR)
Chapitre 5 Valeurs propres et vecteurs propres
Chapitre 6 Interpolation polynomiale et approximation

II) EC2 : Méthodes numériques en analyse

Chapitre Contenu
Chapitre 1 Intégration numérique
Chapitre 2 Résolution numérique des équations différen-
tielles ordinaires
Chapitre 3 Approximation de fonctions et moindres carrés
Chapitre 4 Calcul numérique des dérivées
Chapitre 5 Introduction aux équations aux dérivées par-
tielles (méthodes aux différences finies)
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

I) EC1 : Méthodes numériques en algèbre

Chapitre 1 : Erreurs numériques et

conditionnement
Erreur absolue, erreur relative, arrondi, propagation, stabilité et
sensibilité

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
— Introduction générale
— Pourquoi l’erreur numérique est-elle inévitable ?
— Nature et mesure des erreurs
— Principales sources d’erreurs
— Représentation flottante et précision machine
— Propagation des erreurs
— Conditionnement d’un problème
— Conditionnement des systèmes linéaires
— Conditionnement et stabilité : deux notions à ne pas confondre
— Exemples classiques d’instabilité
— Bonnes pratiques en analyse numérique
— Résumé du chapitre
— TD : erreurs numériques et conditionnement
— Exercices supplémentaires
— Références du chapitre
1 Introduction générale
Le calcul numérique occupe une place centrale dans les mathématiques appliquées, l’ingé-
nierie, la physique, l’économie, la finance, l’intelligence artificielle et, plus généralement, dans
toutes les disciplines où l’on cherche à résoudre des problèmes quantitatifs à l’aide d’un ordi-
nateur.
Dans un cadre théorique, les objets mathématiques sont supposés exacts. Un nombre réel,
une matrice, une fonction ou la solution d’un système sont manipulés comme des entités idéales.
En pratique, ce n’est jamais le cas. Un ordinateur travaille avec une mémoire finie, une précision
limitée et des opérations élémentaires elles-mêmes approchées. Ainsi, dès que l’on passe du
raisonnement mathématique au calcul effectif, la question de l’erreur devient inévitable.
Cette observation est fondamentale : en méthodes numériques, le problème n’est pas seule-
ment de produire une valeur, mais de savoir si cette valeur est fiable, à quel degré elle l’est, et
comment elle réagit à de petites perturbations des données ou des calculs intermédiaires.
Autrement dit, avant même de construire ou d’analyser un algorithme, il faut comprendre :
— d’où viennent les erreurs ;
— comment elles se mesurent ;
— comment elles se propagent ;
— dans quelle mesure un problème est sensible aux perturbations ;
— et dans quelle mesure un algorithme amplifie ou contrôle ces perturbations.
Ce chapitre introduit précisément ce cadre conceptuel. Il constitue l’un des fondements
les plus importants du cours, car toute méthode étudiée plus tard — résolution de systèmes
linéaires, interpolation, valeurs propres, intégration ou équations différentielles — devra être
examinée à la lumière de ces notions.
Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— distinguer les principales sources d’erreurs en calcul numérique ;
— définir et interpréter l’erreur absolue et l’erreur relative ;
— comprendre le rôle de l’arrondi et de la précision machine ;
— analyser qualitativement la propagation des erreurs ;
— expliquer la notion de conditionnement d’un problème ;
— distinguer clairement conditionnement et stabilité ;
— identifier des situations de perte de précision ;
— proposer, lorsque cela est possible, des reformulations numériques plus robustes.

2 Pourquoi l’erreur numérique est-elle inévitable ?

En mathématiques, il est naturel d’écrire des objets comme
√ 1
π, 2, , e
3
comme s’ils étaient manipulables exactement. Pourtant, aucun ordinateur ne peut stocker une
infinité de décimales ni représenter tous les nombres réels avec une précision parfaite.
Par conséquent, un calcul numérique repose toujours sur une représentation approchée des
objets manipulés. À cela s’ajoute le fait que de nombreuses méthodes remplacent des procé-
dures infinies par des procédures finies : somme tronquée, itération arrêtée à un rang donné,
approximation locale d’une dérivée, etc.
Ainsi, l’erreur ne doit pas être vue comme un accident ou une faiblesse secondaire du calcul
numérique. Elle fait partie de sa nature même.
Idée essentielle
Le calcul numérique n’est pas l’art d’éviter toute erreur, mais l’art de comprendre, de
contrôler et de limiter l’erreur de manière rigoureuse.

3 Nature et mesure des erreurs

3.1 Erreur absolue
Définition 3.1. Soit x une valeur exacte et x̃ une approximation de x. On appelle erreur
absolue la quantité
Ea (x, x̃) = |x − x̃| .

L’erreur absolue mesure l’écart brut entre la valeur exacte et sa valeur approchée. Elle est
simple à définir et à calculer, mais elle ne suffit pas toujours pour juger la qualité réelle d’une
approximation.

Exemple 3.2. Si
x = 3.14159265 et x̃ = 3.14,
alors
Ea = |3.14159265 − 3.14| = 0.00159265.

3.2 Erreur relative

Définition 3.3. Si x ̸= 0, l’erreur relative associée à x̃ est définie par

|x − x̃|
Er (x, x̃) = .
|x|

Cette grandeur exprime l’erreur en proportion de la taille de la valeur exacte. Elle est souvent
beaucoup plus pertinente que l’erreur absolue, notamment lorsque les ordres de grandeur varient
fortement.

Exemple 3.4. Considérons deux situations :

x1 = 1000, x̃1 = 999, x2 = 0.001, x̃2 = 0.

Dans le premier cas,

1
Ea = 1, Er = = 10−3 .
1000
Dans le second cas,
Ea = 0.001, Er = 1.
On voit donc qu’une petite erreur absolue peut correspondre à une erreur relative très grande.

3.3 Erreur en pourcentage

Dans certains contextes appliqués, on préfère exprimer l’erreur relative sous forme de pour-
centage :
E% = 100 × Er .

3.4 Chiffres significatifs

La notion de chiffres significatifs permet de relier l’analyse théorique de l’erreur à l’inter-
prétation concrète d’un résultat numérique.

Définition 3.5. On dit qu’une approximation x̃ possède p chiffres significatifs corrects si son
erreur relative est suffisamment petite, en pratique de l’ordre de 10−p .

Remarque 3.6. Cette notion est importante en ingénierie, car un résultat affichant beaucoup
de décimales n’est pas nécessairement fiable à toutes ces décimales.

4 Principales sources d’erreurs

4.1 Erreurs sur les données
Dans de nombreux problèmes, les données initiales ne sont pas exactes. Elles proviennent
souvent de mesures expérimentales, de capteurs, de relevés statistiques ou d’observations em-
piriques.

Exemple 4.1. Une distance mesurée comme 12.3 m n’est jamais une quantité parfaitement
exacte. Elle dépend de l’instrument, de la méthode de mesure et de l’environnement.

4.2 Erreurs d’arrondi

Même si les données d’entrée étaient parfaites, la machine introduirait des erreurs supplé-
mentaires, car elle représente les nombres avec un nombre fini de chiffres ou de bits.
Chaque opération arithmétique peut donc produire un résultat approché.

4.3 Erreurs de troncature

Une erreur de troncature apparaît lorsqu’on remplace un procédé infini par un procédé fini.
C’est le cas, par exemple, lorsqu’on :
— remplace une série infinie par un nombre fini de termes ;
— approxime une dérivée par un quotient de différences ;
— arrête une méthode itérative après un nombre fini d’itérations.
4.4 Erreurs de modélisation
Il arrive enfin que le modèle mathématique lui-même soit une approximation de la réalité
physique. L’erreur obtenue ne vient alors pas du calcul, mais du choix du modèle.
Point d’attention
Une méthode numériquement très précise appliquée à un mauvais modèle peut conduire
à un résultat mathématiquement impeccable mais scientifiquement faux.

5 Représentation flottante et précision machine

5.1 Principe général
Dans un ordinateur, les nombres réels sont généralement représentés sous la forme

x = ±m × β e ,

où m désigne la mantisse, β la base et e l’exposant.

Dans la plupart des architectures modernes, la base utilisée est la base 2.

5.2 Conséquence fondamentale

Tous les nombres réels ne sont pas représentables exactement. Même certains nombres très
simples en écriture décimale ne possèdent pas de représentation binaire finie.

Exemple 5.1. Le nombre 0.1 est très simple en écriture décimale, mais il ne s’écrit pas exac-
tement avec un nombre fini de bits en base 2. Il est donc nécessairement stocké sous forme
approchée.

5.3 Modèle classique d’arrondi

Un modèle standard en analyse numérique consiste à écrire

fl(x) = x(1 + δ), |δ| ≤ u,

où u est appelé précision machine ou unité d’arrondi.

Définition 5.2. La précision machine u est une borne sur l’erreur relative introduite lors de
l’arrondi d’un nombre dans l’arithmétique flottante considérée.

Remarque 5.3. Une seule opération d’arrondi produit souvent une erreur très petite. Mais
dans un calcul long ou mal structuré, l’effet cumulé peut devenir important.

6 Propagation des erreurs

Une question essentielle en calcul numérique est la suivante : si les données d’entrée sont
légèrement perturbées, comment cette perturbation se transmet-elle au résultat final ?
6.1 Addition
Si
x = x̃ + ∆x, y = ỹ + ∆y,
alors
(x + y) − (x̃ + ỹ) = ∆x + ∆y.
L’addition est donc raisonnablement contrôlée du point de vue de l’erreur absolue.

6.2 Multiplication
Pour le produit, les erreurs relatives se combinent plus naturellement que les erreurs absolues.
À premier ordre,
∆(xy) ∆x ∆y
≈ + .
xy x y

6.3 Soustraction et perte de précision

La soustraction de deux nombres proches constitue l’une des situations les plus délicates du
calcul numérique.
Définition 6.1. On parle de cancellation ou de perte de chiffres significatifs lorsqu’une
soustraction entre nombres proches détruit une partie importante de l’information utile contenue
dans ces nombres.
Exemple 6.2. Considérons

x = 1.234567, y = 1.234560.

On obtient
x − y = 0.000007.
Si x et y sont chacun affectés d’une petite erreur, celle-ci peut devenir dominante dans le
résultat final.

Point d’attention
La soustraction de deux quantités proches est l’une des principales causes d’instabilité
numérique pratique.

7 Conditionnement d’un problème

7.1 Idée générale
Le conditionnement mesure la sensibilité intrinsèque d’un problème mathématique aux per-
turbations des données.
Définition 7.1. Un problème est dit bien conditionné si de petites perturbations sur les
données produisent de petites perturbations sur la solution. Il est dit mal conditionné si de
petites perturbations peuvent provoquer de grandes variations du résultat.
Il s’agit ici d’une propriété du problème lui-même, indépendamment de l’algorithme utilisé.
7.2 Exemple simple
Considérons la fonction
1
f (x) = .
x
Si x est très proche de zéro, une petite variation sur x peut provoquer une très grande variation
de f (x). Le problème est donc délicat près de zéro.

7.3 Nombre de conditionnement local

Pour une fonction différentiable f , on peut définir un nombre de conditionnement relatif
local par
xf ′ (x)
κf (x) = ,
f (x)
lorsque cette expression a un sens.

Exemple 7.2. Pour

f (x) = x2 ,
on a
x(2x)
f ′ (x) = 2x, κf (x) = = 2.
x2
Le problème présente donc une sensibilité relative modérée.

8 Conditionnement des systèmes linéaires

Considérons le système
Ax = b.
Dans ce contexte, la sensibilité de la solution dépend de la matrice A.

Définition 8.1. Si A est inversible, son nombre de conditionnement, relativement à une norme
∥·∥, est
cond(A) = ∥A∥ A−1 .

Proposition 8.2. Pour toute matrice inversible A,

cond(A) ≥ 1.

Démonstration. Comme
I = AA−1 ,
on obtient par submultiplicativité

1 = ∥I∥ = AA−1 ≤ ∥A∥ A−1 = cond(A).

Exemple 8.3. Si  
1 0
A= ,
0 10−6
alors  
−1 1 0
A = .
0 106
On comprend immédiatement que le système peut être très sensible aux perturbations.

Application / Interprétation

Dans la pratique, un mauvais résultat numérique n’est pas toujours la faute de l’algo-
rithme. Il peut être la conséquence directe d’un mauvais conditionnement du problème
posé.

9 Conditionnement et stabilité : deux notions à ne pas

confondre
Définition 9.1. Le conditionnement est une propriété du problème.

Définition 9.2. La stabilité est une propriété de l’algorithme.

Idée essentielle
Un problème bien conditionné peut être mal traité par un algorithme instable. Inverse-
ment, un algorithme stable ne peut pas supprimer le mauvais conditionnement intrinsèque
d’un problème.

Cette distinction est décisive dans toute l’analyse numérique moderne.

10 Exemples classiques d’instabilité

10.1 Calcul de 1 − cos x
Pour x petit, cos x est très proche de 1, ce qui rend le calcul direct de

1 − cos x

numériquement fragile.
On préfère souvent utiliser l’identité
x
1 − cos x = 2 sin2 ,
2
qui évite la soustraction dangereuse.
Méthode
Lorsqu’une formule contient une soustraction de termes proches, il faut chercher une
reformulation algébriquement équivalente mais numériquement plus stable.
 √ √
10.2 Calcul de x+1− x
Lorsque x est grand, l’expression
√ √
x+1− x

souffre également d’une perte de précision.

On peut la reformuler ainsi :
√ √ √ √
√ √ ( x + 1 − x)( x + 1 + x) 1
x+1− x= √ √ =√ √ .
x+1+ x x+1+ x

Cette seconde forme est beaucoup plus stable.

11 Bonnes pratiques en analyse numérique

1. Toujours distinguer valeur exacte, valeur approchée et erreur.
2. Vérifier si l’erreur absolue ou l’erreur relative est la plus pertinente.
3. Se méfier des soustractions de nombres proches.
4. Étudier le conditionnement du problème avant de juger l’algorithme.
5. Reformuler les expressions lorsque cela améliore la stabilité.
6. Garder un regard critique sur les résultats fournis par la machine.

Point d’attention
Un grand nombre de décimales affichées ne signifie pas qu’un grand nombre de décimales
est réellement correct.

12 Résumé du chapitre
Dans ce chapitre, nous avons introduit les notions de base nécessaires à toute étude sérieuse
des méthodes numériques :
— erreur absolue et erreur relative ;
— principales sources d’erreurs ;
— représentation flottante et précision machine ;
— propagation des erreurs ;
— conditionnement d’un problème ;
— distinction entre conditionnement et stabilité ;
— exemples classiques de perte de précision.
Ces notions ne sont pas marginales. Elles constituent le socle théorique qui permet d’évaluer
la qualité d’un résultat numérique et de comprendre les performances réelles d’une méthode.
13 TD : erreurs numériques et conditionnement
Exercice 1 — Erreur absolue et erreur relative
Soit
x = 2.7182818, x̃ = 2.72.
1. Calculer l’erreur absolue.
2. Calculer l’erreur relative.
3. Donner l’erreur relative en pourcentage.

Exercice 2 — Comparaison d’approximation

On considère
x = 1000, x̃ = 999, y = 0.001, ỹ = 0.
1. Calculer les erreurs absolues.
2. Calculer les erreurs relatives.
3. Commenter les résultats.

Exercice 3 — Cancellation
Expliquer pourquoi le calcul direct de

1 − cos x

est numériquement délicat lorsque x est petit. Donner une reformulation plus stable.

Exercice 4 — Nombre de conditionnement

Soit
f (x) = x3 .
1. Calculer f ′ (x).
2. Déterminer κf (x).
3. Interpréter le résultat.

Exercice 5 — Conditionnement matriciel

On considère  
1 0
A= .
0 10−5
1. Calculer A−1 .
2. Expliquer pourquoi le système Ax = b peut être sensible.
3. Commenter qualitativement cond(A).
 Exercice 6 — Reformulation stable
Montrer que √ √
x+1− x
peut être réécrite sous une forme plus stable pour x grand.

Exercice 7 — Discussion conceptuelle

Expliquer avec vos propres mots la différence entre :
— erreur absolue et erreur relative ;
— conditionnement et stabilité ;
— erreur d’arrondi et erreur de troncature.

14 Exercices supplémentaires
Exercice 1. Donner un exemple réel où l’erreur absolue est plus significative que l’erreur relative.
Exercice 2. Donner un exemple réel où l’erreur relative est plus significative que l’erreur absolue.
Exercice 3. Expliquer pourquoi un ordinateur ne peut pas représenter exactement tous les nombres
réels.
Exercice 4. Donner un exemple simple de propagation d’erreur.
Exercice 5. Expliquer pourquoi un problème mal conditionné reste délicat même avec un algorithme
stable.
Exercice 6. Chercher un exemple de matrice presque singulière.
Exercice 7. Discuter les risques numériques liés à la soustraction de deux valeurs très proches.
Exercice 8. Expliquer pourquoi l’affichage d’un grand nombre de décimales peut être trompeur.
Exercice 9. Donner un autre exemple de reformulation numériquement stable.
Exercice 10. Expliquer le rôle fondamental de ce chapitre pour la suite du cours.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] K. E. Atkinson, An Introduction to Numerical Analysis, Wiley.
[4] L. N. Trefethen and D. Bau, Numerical Linear Algebra, SIAM.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

I) EC1 : Méthodes numériques en algèbre

Chapitre 2 : Résolution des systèmes

linéaires par méthodes directes
Élimination de Gauss, pivot, triangularisation et factorisation LU

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
— Introduction générale
— Rappels sur les systèmes linéaires
— Systèmes triangulaires
— Principe de l’élimination de Gauss
— Exemple complet d’élimination de Gauss
— Le rôle du pivot
— Pivot partiel
— Formulation matricielle de l’élimination
— Factorisation LU
— Exemple simple de factorisation LU
— Coût algorithmique des méthodes directes
— Aspects numériques : stabilité et limites
— Pourquoi on évite de calculer explicitement A−1
— Résumé du chapitre
— TD : résolution des systèmes linéaires par méthodes directes
— Exercices supplémentaires
— Références du chapitre
15 Introduction générale
La résolution des systèmes linéaires constitue l’un des problèmes les plus fondamentaux du
calcul scientifique. Dans une très grande variété d’applications, on est conduit à résoudre un
système de la forme
Ax = b,
où A ∈ Rn×n est une matrice donnée, b ∈ Rn est un second membre connu, et x ∈ Rn est le
vecteur inconnu que l’on cherche à déterminer.
Cette situation apparaît dans de nombreux domaines :
— en algèbre linéaire appliquée ;
— en mécanique et en physique numérique ;
— dans la discrétisation d’équations différentielles ;
— dans les méthodes d’interpolation et d’approximation ;
— en statistiques, en régression et en optimisation.
Sur le plan théorique, si la matrice A est inversible, la solution s’écrit formellement

x = A−1 b.

Cependant, en calcul numérique, cette expression n’est généralement ni la plus efficace ni la

plus stable. On préfère construire des méthodes adaptées à la structure du problème.
Dans ce chapitre, nous étudions les méthodes directes, c’est-à-dire des méthodes qui,
en arithmétique exacte, permettent d’obtenir la solution en un nombre fini d’opérations. Ces
méthodes occupent une place centrale car elles constituent la base de nombreux solveurs nu-
mériques plus avancés.
Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— reconnaître la structure d’un système linéaire ;
— comprendre le principe de l’élimination de Gauss ;
— maîtriser la résolution d’un système triangulaire ;
— expliquer le rôle du pivot et du pivot partiel ;
— comprendre la factorisation LU ;
— analyser le coût algorithmique des méthodes directes ;
— distinguer les aspects algébriques et numériques de la résolution ;
— comprendre les limites pratiques des méthodes directes pour les très grands sys-
tèmes.
16 Rappels sur les systèmes linéaires
16.1 Forme générale
Un système linéaire à n inconnues peut s’écrire sous la forme



 a11 x1 + a12 x2 + · · · + a1n xn = b1 ,

a21 x1 + a22 x2 + · · · + a2n xn = b2 ,

..


 .

an1 x1 + an2 x2 + · · · + ann xn = bn .


En notation matricielle, cela devient

Ax = b.

Définition 16.1. On appelle système linéaire tout système d’équations dans lequel les incon-
nues apparaissent à la puissance 1, sans produit entre elles.

16.2 Existence et unicité de la solution

Théorème 16.2. Le système Ax = b admet une solution unique si et seulement si la matrice
A est inversible.

Remarque 16.3. En théorie, l’inversibilité de A suffit pour assurer l’existence et l’unicité.

En pratique, cela ne garantit pas encore que la solution puisse être calculée de façon stable et
précise.

Idée essentielle
Résoudre un système linéaire ne consiste pas à calculer directement A−1 , mais à exploiter
la structure de A pour obtenir la solution avec un coût raisonnable et une bonne stabilité
numérique.

17 Systèmes triangulaires
17.1 Système triangulaire supérieur
Définition 17.1. On dit qu’un système est triangulaire supérieur si sa matrice est de la
forme  
∗ ∗ ∗ ··· ∗
0
 ∗ ∗ ··· ∗ 
0
 0 ∗ ··· ∗ .
. .. .. .. .. 
 .. . . . .
0 0 0 ··· ∗
Ces systèmes sont particulièrement simples à résoudre.
17.2 Méthode de remontée
Si le système est triangulaire supérieur, on commence par la dernière équation, puis on
remonte progressivement vers la première.

Exemple 17.2. Considérons le système


x1 + 2x2 + x3 = 8,


x2 + 3x3 = 7,


x = 2.
3

On trouve d’abord
x3 = 2.
Puis
x2 + 3 × 2 = 7 ⇒ x2 = 1.
Enfin
x1 + 2 × 1 + 2 = 8 ⇒ x1 = 4.

17.3 Système triangulaire inférieur

De manière analogue, un système triangulaire inférieur se résout par descente.

Définition 17.3. On dit qu’un système est triangulaire inférieur si sa matrice est de la
forme  
∗ 0 0 ··· 0
∗ ∗ 0 ··· 0
 
∗ ∗ ∗ ··· 0
 .
. .. .. .. .. 
 .. . . . .
∗ ∗ ∗ ··· ∗

Idée essentielle
La stratégie fondamentale des méthodes directes consiste à transformer un système gé-
néral en un ou plusieurs systèmes triangulaires, car ceux-ci sont faciles à résoudre.

18 Principe de l’élimination de Gauss

18.1 Idée générale
La méthode d’élimination de Gauss consiste à transformer un système linéaire général en
un système triangulaire supérieur, en utilisant des opérations élémentaires sur les lignes.

18.2 Opérations élémentaires

Les opérations autorisées sont :
— échanger deux lignes ;
 — multiplier une ligne par un scalaire non nul ;
— ajouter à une ligne un multiple d’une autre ligne.
Ces opérations conservent l’ensemble des solutions du système.

18.3 Objectif de l’élimination

L’objectif est d’annuler successivement les coefficients sous la diagonale principale.
Méthode
Principe de Gauss
1. choisir un pivot sur la première colonne ;
2. éliminer les termes en dessous de ce pivot ;
3. répéter le procédé sur le sous-système restant ;
4. obtenir un système triangulaire supérieur ;
5. résoudre par remontée.

19 Exemple complet d’élimination de Gauss

Considérons le système : 
x + y + z = 6,


2x + 3y + z = 11,


x + 2y + 3z = 13.

Sa matrice augmentée est  

1 1 1 6
 2 3 1 11  .
1 2 3 13

19.1 Première étape

On élimine les coefficients sous le pivot a11 = 1.

L2 ← L2 − 2L1 , L3 ← L3 − L1 .
On obtient :  
1 1 1 6
 0 1 −1 −1  .
0 1 2 7

19.2 Deuxième étape

On élimine le coefficient sous le pivot a22 = 1 :

L3 ← L3 − L2 .
 On obtient :  
1 1 1 6
 0 1 −1 −1  .
0 0 3 8

19.3 Remontée
La troisième équation donne :

8
3z = 8 ⇒ z= .
3
La deuxième équation donne :

8 5
y − z = −1 ⇒ y = −1 + = .
3 3
La première équation donne :

5 8 5
x+y+z =6 ⇒ x=6− − = .
3 3 3
Ainsi,
5 5 8
x= , y= , z= .
3 3 3

Application / Interprétation

L’élimination de Gauss est à la fois une méthode de calcul effectif et un outil conceptuel
fondamental de l’algèbre linéaire. Elle permet de comprendre la structure interne d’un
système.

20 Le rôle du pivot
20.1 Pivot nul
Si le pivot choisi est nul, l’élimination ne peut pas être poursuivie directement, car cela
conduirait à une division par zéro.

Exemple 20.1. Considérons (

0x + y = 1,
x + y = 2.
Le coefficient a11 = 0 ne peut pas servir de pivot. Il faut d’abord échanger les deux lignes.

20.2 Pivot très petit

Même lorsqu’un pivot n’est pas nul, il peut être dangereux s’il est très petit en valeur
absolue, car il peut provoquer une amplification importante des erreurs d’arrondi.
 Point d’attention
Un pivot très petit peut rendre une méthode théoriquement correcte numériquement
instable.

21 Pivot partiel
21.1 Principe
Pour améliorer la robustesse numérique, on utilise souvent le pivot partiel.

Définition 21.1. Le pivot partiel consiste, à chaque étape, à choisir comme pivot l’élément de
plus grande valeur absolue dans la colonne considérée parmi les lignes encore disponibles, puis
à permuter les lignes si nécessaire.

21.2 Intérêt numérique

Ce choix réduit généralement le risque d’amplification artificielle des erreurs.
Idée essentielle
Le pivot partiel ne modifie pas le problème mathématique posé ; il améliore seulement la
manière numérique de le résoudre.

22 Formulation matricielle de l’élimination

L’élimination de Gauss peut être vue comme une transformation progressive de la matrice
A en une matrice triangulaire supérieure U .
Autrement dit, on construit :
A −→ U.
Cette vision est importante, car elle conduit naturellement à la factorisation LU.

23 Factorisation LU
23.1 Principe
La méthode d’élimination de Gauss peut être organisée de telle manière que la matrice A
soit factorisée sous la forme
A = LU,
où :
— L est triangulaire inférieure ;
— U est triangulaire supérieure.
23.2 Interprétation
La matrice L contient essentiellement les multiplicateurs utilisés pendant l’élimination, tan-
dis que U contient le résultat triangulaire final.

23.3 Résolution via LU

Une fois A = LU obtenue, résoudre
Ax = b
revient à résoudre successivement :

Ly = b puis U x = y.

Le premier système se résout par descente, le second par remontée.

Méthode
Stratégie LU
1. factoriser A sous la forme A = LU ;
2. résoudre Ly = b ;
3. résoudre U x = y.

23.4 Avantage pratique

Si l’on doit résoudre plusieurs systèmes

Ax = b1 , Ax = b2 , Ax = b3 , . . .

avec la même matrice A, la factorisation LU est particulièrement intéressante, car on factorise

A une seule fois.
Application / Interprétation

La factorisation LU est très utile dans les problèmes où la matrice du système reste la
même, mais où le second membre change.

24 Exemple simple de factorisation LU

Considérons  
2 1
A= .
4 3
On cherche L et U telles que
A = LU,
avec    
1 0 u11 u12
L= , U= .
ℓ21 1 0 u22
 En identifiant,    
u11 u12 2 1
LU = = .
ℓ21 u11 ℓ21 u12 + u22 4 3
On obtient :
u11 = 2, u12 = 1, ℓ21 = 2, u22 = 1.
Donc    
1 0 2 1
L= , U= .
2 1 0 1

25 Coût algorithmique des méthodes directes

25.1 Coût de l’élimination de Gauss
Pour une matrice dense de taille n×n, la méthode de Gauss requiert un nombre d’opérations
de l’ordre de
O(n3 ).

25.2 Coût de la résolution triangulaire

Une fois la triangularisation effectuée, la remontée ou la descente nécessite un coût de l’ordre
de
O(n2 ).

Remarque 25.1. La partie coûteuse de la méthode directe est donc la phase d’élimination,
non la phase finale de substitution.

25.3 Conséquence pratique

Pour des matrices de taille très grande, le coût cubique devient vite un obstacle.
Idée essentielle
Les méthodes directes sont puissantes et robustes pour des systèmes de taille modérée
ou moyenne, mais elles deviennent coûteuses pour les très grands systèmes. Cela justifie
l’introduction ultérieure des méthodes itératives.

26 Aspects numériques : stabilité et limites

Dans le chapitre précédent, nous avons vu qu’un problème peut être bien ou mal conditionné,
et qu’un algorithme peut être stable ou instable. Ces idées s’appliquent directement ici.

26.1 Ce que garantit la théorie

En arithmétique exacte, la méthode de Gauss fournit la solution exacte en un nombre fini
d’étapes, à condition que les pivots nécessaires existent.
26.2 Ce qui se passe en pratique
En arithmétique flottante :
— les divisions et soustractions introduisent des erreurs d’arrondi ;
— les pivots très petits peuvent amplifier ces erreurs ;
— un mauvais conditionnement du système peut dégrader fortement la précision finale.
Point d’attention
Une méthode directe n’est pas automatiquement synonyme de précision absolue. La pré-
cision dépend aussi du conditionnement de A et du choix de la stratégie de pivot.

27 Pourquoi on évite de calculer explicitement A−1

Il pourrait sembler naturel de résoudre

Ax = b

en calculant
x = A−1 b.
En pratique, cette stratégie est déconseillée.

27.1 Pourquoi ?
— calculer l’inverse complet de A coûte plus cher que résoudre directement le système ;
— l’inversion explicite peut introduire davantage d’erreurs ;
— si l’on ne cherche qu’une solution x, calculer toute la matrice A−1 est inutile.

Idée essentielle
En calcul scientifique, on résout un système linéaire ; on ne calcule presque jamais expli-
citement l’inverse, sauf raison théorique particulière.

28 Résumé du chapitre
Dans ce chapitre, nous avons étudié les méthodes directes de résolution des systèmes li-
néaires. Les idées essentielles sont les suivantes :
— un système linéaire général peut être transformé en système triangulaire ;
— l’élimination de Gauss est la méthode fondamentale de triangularisation ;
— le choix des pivots joue un rôle crucial ;
— le pivot partiel améliore la stabilité numérique ;
— la factorisation LU permet une organisation plus structurée du calcul ;
— le coût global d’une méthode directe dense est en O(n3 ) ;
— pour les très grands systèmes, les méthodes directes peuvent devenir coûteuses.
 Ce chapitre établit donc les fondations algébriques et numériques nécessaires à la résolution
des systèmes linéaires. Le chapitre suivant prolongera cette étude avec les méthodes itératives.

29 TD : résolution des systèmes linéaires par méthodes

directes
Exercice 1 — Résolution par élimination de Gauss
Résoudre le système suivant par la méthode de Gauss :

x + y + z = 6,


2x + 3y + z = 11,


x + 2y + 3z = 13.

Exercice 2 — Système triangulaire

Résoudre par remontée : 
2x1 + x2 − x3 = 5,


3x2 + 2x3 = 4,


x = 2.
3

Exercice 3 — Pivot nul

Expliquer pourquoi la méthode de Gauss ne peut pas commencer directement sur le système :
(
0x + y = 1,
x + y = 2.

Que faut-il faire ?

Exercice 4 — Factorisation LU
Décomposer la matrice  
2 1
A=
4 3
sous la forme A = LU .

Exercice 5 — Résolution via LU

En utilisant la décomposition LU de l’exercice précédent, résoudre
 
5
Ax = b, b= .
11
 Exercice 6 — Coût algorithmique
Expliquer pourquoi la résolution d’un système triangulaire coûte un ordre de O(n2 ), alors
que l’élimination de Gauss coûte un ordre de O(n3 ).

Exercice 7 — Discussion conceptuelle

Expliquer avec vos propres mots la différence entre :
— résoudre un système par élimination ;
— calculer l’inverse de la matrice ;
— résoudre plusieurs systèmes avec la même matrice par factorisation LU.

30 Exercices supplémentaires
Exercice 1. Donner un exemple simple de système admettant une solution unique.
Exercice 2. Donner un exemple de système pour lequel un échange de lignes est nécessaire.
Exercice 3. Refaire une élimination de Gauss complète sur un système 3 × 3 de votre choix.
Exercice 4. Montrer que la résolution d’un système triangulaire inférieur se fait par descente.
Exercice 5. Chercher un exemple où un pivot très petit risque d’engendrer des difficultés numériques.
Exercice 6. Expliquer l’intérêt théorique et pratique de la factorisation LU.
Exercice 7. Comparer les avantages et limites des méthodes directes.
Exercice 8. Expliquer pourquoi les méthodes directes restent importantes malgré leur coût élevé.
Exercice 9. Donner un exemple d’application concrète conduisant à un système linéaire.
Exercice 10. Expliquer le lien entre ce chapitre et celui sur le conditionnement.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] L. N. Trefethen and D. Bau, Numerical Linear Algebra, SIAM.
[4] G. H. Golub and C. F. Van Loan, Matrix Computations, Johns Hopkins University Press.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

I) EC1 : Méthodes numériques en algèbre

Chapitre 3 : Méthodes itératives

Approximation successive, convergence, Jacobi, Gauss-Seidel et
relaxation

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions successivement :
— l’idée générale des méthodes itératives ;
— la reformulation d’un système linéaire sous forme de point fixe ;
— la méthode de Jacobi ;
— la méthode de Gauss-Seidel ;
— la méthode de relaxation SOR ;
— l’analyse de convergence ;
— les critères d’arrêt ;
— les avantages et limites des méthodes itératives ;
— des exercices d’application et de réflexion.
31 Introduction générale
Dans les chapitres précédents, nous avons étudié les systèmes linéaires ainsi que les méthodes
directes de résolution, notamment l’élimination de Gauss et la factorisation LU. Ces méthodes
jouent un rôle fondamental en calcul scientifique, car elles permettent, en arithmétique exacte,
d’obtenir la solution en un nombre fini d’opérations.
Cependant, lorsqu’on s’intéresse à des systèmes de très grande taille, les méthodes directes
peuvent devenir coûteuses en mémoire et en temps de calcul. Ce phénomène apparaît naturel-
lement dans de nombreux domaines :
— discrétisation d’équations différentielles ;
— simulation numérique en physique et en mécanique ;
— traitement de données massives ;
— optimisation ;
— calcul scientifique haute performance ;
— apprentissage automatique.
Dans ces contextes, il devient souvent préférable de construire progressivement une ap-
proximation de la solution plutôt que de chercher à l’obtenir immédiatement par une méthode
directe.
C’est précisément l’idée des méthodes itératives. On part d’une approximation initiale
(0)
x , puis on construit une suite

x(0) , x(1) , x(2) , . . . , x(k) , . . .

dans l’espoir que cette suite se rapproche de plus en plus de la solution exacte x du système

Ax = b.

Idée essentielle
Une méthode itérative ne cherche pas à résoudre le système d’un seul coup. Elle construit
progressivement des approximations de meilleure en meilleure qualité.

L’intérêt de ces méthodes est double :

— elles peuvent être beaucoup moins coûteuses pour les grands systèmes ;
— elles s’adaptent naturellement aux matrices creuses, c’est-à-dire aux matrices contenant
beaucoup de zéros.
En revanche, elles introduisent de nouvelles questions fondamentales :
— la méthode converge-t-elle ?
— à quelle vitesse converge-t-elle ?
— comment choisir une bonne approximation initiale ?
— quand doit-on arrêter les itérations ?
Ce chapitre a précisément pour objectif de répondre à ces questions.
 Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— comprendre l’idée générale des méthodes itératives ;
— reformuler un système linéaire sous forme de schéma de point fixe ;
— écrire et appliquer la méthode de Jacobi ;
— écrire et appliquer la méthode de Gauss-Seidel ;
— comprendre le principe de la relaxation ;
— analyser la convergence d’une méthode itérative dans des cas simples ;
— distinguer convergence théorique, convergence pratique et critère d’arrêt ;
— comparer méthodes directes et méthodes itératives.

32 Principe général des méthodes itératives

Considérons le système linéaire
Ax = b,
où A ∈ Rn×n , b ∈ Rn , et x ∈ Rn .
L’idée d’une méthode itérative est de transformer ce système en une relation de récurrence
de la forme
x(k+1) = F x(k) ,

où F est une application construite à partir de la matrice A et du vecteur b.

Définition 32.1. On appelle méthode itérative toute méthode qui construit une suite

x(k)


k≥0

destinée à converger vers la solution exacte x du système linéaire.

Le schéma général est donc :

1. choisir une approximation initiale x(0) ;
2. calculer successivement x(1) , x(2) , x(3) , . . . ;
3. arrêter lorsque l’approximation est jugée suffisamment précise.

Remarque 32.2. La qualité d’une méthode itérative ne dépend pas seulement de sa définition
mathématique, mais aussi de sa vitesse de convergence et du coût de chaque itération.

33 Reformulation sous forme de point fixe

L’un des cadres théoriques les plus importants pour les méthodes itératives est celui du
point fixe.
On cherche à réécrire le système
Ax = b
sous la forme
x = Bx + c,
où B ∈ Rn×n et c ∈ Rn .
Une fois cette réécriture obtenue, on définit la méthode itérative :

x(k+1) = Bx(k) + c.

Définition 33.1. Une méthode itérative linéaire est un schéma de la forme

x(k+1) = Bx(k) + c,

où B est appelée matrice d’itération.

33.1 Lien avec la solution exacte

Si la suite converge vers une limite x⋆ , alors en passant à la limite dans la relation

x(k+1) = Bx(k) + c,

on obtient
x⋆ = Bx⋆ + c.
Ainsi, la limite éventuelle est bien un point fixe du schéma.
Idée essentielle
Toute la théorie de la convergence des méthodes itératives consiste à comprendre dans
quelles conditions la suite construite converge effectivement vers le bon point fixe.

34 Analyse de l’erreur
Soit x la solution exacte du système. On définit l’erreur à l’itération k par

e(k) = x(k) − x.

Si
x(k+1) = Bx(k) + c
et si x satisfait lui aussi
x = Bx + c,
alors on obtient
e(k+1) = Bx(k) + c − (Bx + c) = B(x(k) − x) = Be(k) .
Par récurrence,
e(k) = B k e(0) .
Cette relation est fondamentale : elle montre que la convergence dépend entièrement du
comportement des puissances de la matrice B.
Théorème 34.1. La méthode itérative

x(k+1) = Bx(k) + c

converge vers la solution exacte pour toute approximation initiale x(0) si et seulement si

B k −→ 0 quand k → ∞.

Démonstration. La méthode converge pour tout x(0) si et seulement si

e(k) = B k e(0) −→ 0

pour tout e(0) . Cela équivaut exactement à la condition

B k −→ 0.

35 Décomposition matricielle et schéma général

Pour construire des méthodes itératives adaptées aux systèmes linéaires, on part souvent
d’une décomposition de la matrice A.
On écrit classiquement
A = D − L − U,
où :
— D est la matrice diagonale contenant les coefficients diagonaux de A ;
— L est la partie strictement inférieure de A, prise ici avec le signe opposé ;
— U est la partie strictement supérieure de A, également prise avec le signe opposé.
Ainsi,  
a11 a12 a13 ···
a21 a22 a23 · · ·
A = a = D − L − U.
 
 31 a32 a33 · · ·

.. .. .. ...
. . .
Plus généralement, on peut chercher une décomposition

A = M − N,

avec M inversible. Le système

Ax = b
devient alors
(M − N )x = b,
c’est-à-dire
M x = N x + b.
On définit donc le schéma
x(k+1) = M −1 N x(k) + M −1 b.
Définition 35.1. Dans une méthode itérative construite à partir d’une décomposition

A = M − N,

la matrice d’itération est

B = M −1 N.

Remarque 35.2. Le choix de M détermine la méthode itérative. Différents choix de M conduisent

à Jacobi, Gauss-Seidel, SOR, etc.

36 Méthode de Jacobi
36.1 Principe
Dans la méthode de Jacobi, on choisit

M = D, N = L + U.

Le schéma itératif devient

Dx(k+1) = (L + U )x(k) + b,
puis
x(k+1) = D−1 (L + U )x(k) + D−1 b.

36.2 Écriture composante par composante

Pour chaque i ∈ {1, . . . , n},
(k+1)
X (k)
aii xi = bi − aij xj .
j̸=i

Donc !
(k+1) 1 X (k)
xi = bi − aij xj .
aii j̸=i

Définition 36.1. La méthode de Jacobi est définie par la relation

!
(k+1) 1 X (k)
xi = bi − aij xj , i = 1, . . . , n.
aii j̸=i

36.3 Interprétation
Toutes les composantes du nouveau vecteur x(k+1) sont calculées uniquement à partir des
composantes de l’ancien vecteur x(k) .
Idée essentielle
Dans Jacobi, on met à jour toutes les composantes en parallèle, à partir des anciennes
valeurs uniquement.
36.4 Exemple
Considérons le système (
4x + y = 9,
x + 3y = 5.
La méthode de Jacobi donne :

9 − y (k) 5 − x(k)
x(k+1) = , y (k+1) = .
4 3
Si l’on part de
x(0) = 0, y (0) = 0,
on obtient :
9 5
x(1) = = 2.25, y (1) = ≈ 1.6667.
4 3
À l’itération suivante,

9 − 1.6667 5 − 2.25
x(2) = ≈ 1.8333, y (2) = ≈ 0.9167.
4 3
On observe que les approximations se rapprochent progressivement de la solution.

37 Méthode de Gauss-Seidel
37.1 Principe
Dans la méthode de Gauss-Seidel, on choisit

M = D − L, N = U.

Le schéma devient
(D − L)x(k+1) = U x(k) + b,
c’est-à-dire
x(k+1) = (D − L)−1 U x(k) + (D − L)−1 b.

37.2 Écriture composante par composante

On obtient !
i−1 n
(k+1) 1 X (k+1)
X (k)
xi = bi − aij xj − aij xj .
aii j=1 j=i+1

Définition 37.1. La méthode de Gauss-Seidel est définie par

i−1 n
!
(k+1) 1 X (k+1)
X (k)
xi = bi − aij xj − aij xj .
aii j=1 j=i+1
37.3 Différence essentielle avec Jacobi
Dans Jacobi, toutes les composantes sont calculées avec les anciennes valeurs. Dans Gauss-
Seidel, dès qu’une nouvelle composante a été calculée, elle est immédiatement réutilisée.
Idée essentielle
Gauss-Seidel exploite immédiatement l’information la plus récente. C’est souvent ce qui
explique sa meilleure vitesse de convergence.

37.4 Exemple
Reprenons (
4x + y = 9,
x + 3y = 5.
La méthode de Gauss-Seidel donne :

9 − y (k) 5 − x(k+1)
x(k+1) = , y (k+1) = .
4 3
Si l’on part de
x(0) = 0, y (0) = 0,
alors
9 5 − 2.25
x(1) = = 2.25, y (1) = = 0.9167.
4 3
À l’itération suivante,

9 − 0.9167 5 − 2.0208
x(2) = ≈ 2.0208, y (2) = ≈ 0.9931.
4 3
On constate déjà une convergence plus rapide que Jacobi.

38 Méthode de relaxation SOR

La méthode de Gauss-Seidel peut être améliorée en introduisant un paramètre de relaxation
ω, généralement choisi dans l’intervalle ]0, 2[.
Définition 38.1. La méthode SOR ( Successive Over-Relaxation) est définie par
i−1 n
!
(k+1) (k) ω X (k+1)
X (k)
xi = (1 − ω)xi + bi − aij xj − aij xj .
aii j=1 j=i+1

38.1 Interprétation du paramètre ω

— si ω = 1, on retrouve Gauss-Seidel ;
— si 0 < ω < 1, on parle de sous-relaxation ;
— si 1 < ω < 2, on parle de sur-relaxation.
Remarque 38.2. Le bon choix de ω peut accélérer fortement la convergence, mais un mauvais
choix peut aussi la dégrader ou provoquer la divergence.
 Point d’attention
La méthode SOR est très puissante en pratique, mais elle dépend du paramètre ω. Ce
paramètre doit être choisi avec soin.

39 Convergence des méthodes itératives

La question fondamentale est la suivante : à quelles conditions la suite x(k) converge-t-elle
vers la solution exacte ?

39.1 Critère spectral

Le résultat central est le suivant.

Théorème 39.1. La méthode itérative

x(k+1) = Bx(k) + c

converge pour toute approximation initiale x(0) si et seulement si le rayon spectral de B vérifie

ρ(B) < 1.

Remarque 39.2. Le rayon spectral ρ(B) est défini par

ρ(B) = max{|λ| ; λ valeur propre de B}.

Idée essentielle
La condition fondamentale de convergence n’est pas une propriété directe de A, mais de
la matrice d’itération B.

39.2 Condition suffisante pratique : dominance diagonale

Dans la pratique, on ne calcule pas toujours le rayon spectral. On utilise souvent des condi-
tions suffisantes plus simples.

Définition 39.3. On dit que A = (aij ) est strictement diagonale dominante si

X
|aii | > |aij | pour tout i.
j̸=i

Théorème 39.4. Si la matrice A est strictement diagonale dominante, alors les méthodes de
Jacobi et de Gauss-Seidel convergent.

Remarque 39.5. Ce théorème fournit une condition très utile en pratique. Elle n’est pas né-
cessaire, mais elle est facile à vérifier.
39.3 Cas des matrices symétriques définies positives
Un autre cadre important est celui des matrices symétriques définies positives.
Théorème 39.6. Si A est symétrique définie positive, alors la méthode de Gauss-Seidel converge.
Remarque 39.7. Ce résultat est fondamental dans les applications issues de la discrétisation
de problèmes variationnels et d’équations différentielles.

40 Vitesse de convergence
La convergence d’une méthode ne suffit pas : il faut aussi s’intéresser à sa rapidité.
On a
e(k) = B k e(0) .
Ainsi, la vitesse de décroissance de l’erreur est gouvernée par les puissances de B.
Définition 40.1. On dit qu’une méthode converge rapidement si l’erreur décroît fortement dès
les premières itérations.
Dans les cas simples, on peut retenir l’idée suivante :
Idée essentielle
Plus le rayon spectral de la matrice d’itération est petit, plus la convergence est rapide.

En général :
— Jacobi converge souvent plus lentement ;
— Gauss-Seidel est souvent plus rapide ;
— SOR peut être encore plus rapide si ω est bien choisi.

41 Critères d’arrêt
Une méthode itérative produit en principe une suite infinie. En pratique, on doit donc
décider quand l’arrêter.

41.1 Différence entre deux itérations successives

Un critère simple consiste à arrêter lorsque

x(k+1) − x(k) < ε,

où ε > 0 est une tolérance fixée.

41.2 Contrôle du résidu

On peut aussi utiliser le résidu :

r(k) = b − Ax(k) .

On arrête lorsque
r(k) < ε.
Remarque 41.1. Le contrôle du résidu est souvent plus pertinent que la simple différence entre
deux itérations, car il mesure directement à quel point l’approximation satisfait le système.

41.3 Nombre maximal d’itérations

On impose généralement aussi une borne maximale :

k ≤ kmax .

Point d’attention
Un bon algorithme itératif doit toujours comporter à la fois une tolérance numérique et
un nombre maximal d’itérations.

42 Comparaison entre méthodes directes et itératives

Il est important de bien comprendre la différence de philosophie entre ces deux familles.

Critère Méthodes directes Méthodes itératives

Principe Résolution en un nombre Approximations successives
fini d’étapes
Coût sur grands Souvent élevé Souvent plus faible
systèmes
Matrices creuses Pas toujours optimales Très adaptées
Précision Forte en théorie Dépend du critère d’arrêt
Convergence Pas de notion de conver- Question centrale
gence itérative

Application / Interprétation

Les méthodes itératives sont particulièrement adaptées aux grands systèmes creux, tandis
que les méthodes directes restent très efficaces pour les systèmes de taille modérée.

43 Résumé du chapitre
Dans ce chapitre, nous avons introduit les idées fondamentales des méthodes itératives pour
la résolution des systèmes linéaires.
Les points essentiels à retenir sont les suivants :
— une méthode itérative construit une suite d’approximations de la solution ;
— le cadre général est celui des schémas de point fixe ;
— la convergence dépend de la matrice d’itération ;
— Jacobi utilise uniquement les anciennes valeurs ;
— Gauss-Seidel réutilise immédiatement les nouvelles valeurs ;
— SOR généralise Gauss-Seidel à l’aide d’un paramètre de relaxation ;
 — la dominance diagonale fournit une condition suffisante de convergence ;
— le choix du critère d’arrêt est essentiel en pratique.
Ce chapitre prépare naturellement l’étudiant à des méthodes plus avancées, ainsi qu’à l’ana-
lyse pratique et algorithmique de grands systèmes linéaires.

44 TD : méthodes itératives
Exercice 1 — Méthode de Jacobi
Appliquer deux itérations de la méthode de Jacobi au système
(
4x + y = 9,
x + 3y = 5.

en partant de
x(0) = 0, y (0) = 0.

Exercice 2 — Méthode de Gauss-Seidel

Appliquer deux itérations de la méthode de Gauss-Seidel au même système, avec la même
approximation initiale.

Exercice 3 — Comparaison
Comparer les approximations obtenues par Jacobi et Gauss-Seidel après deux itérations.
Quelle méthode semble converger plus vite ?

Exercice 4 — Dominance diagonale

Montrer que la matrice  
4 1
A=
1 3
est strictement diagonale dominante.

Exercice 5 — Résidu
Pour une approximation x(k) , calculer le résidu

r(k) = b − Ax(k) .

Expliquer pourquoi cette grandeur est utile pour décider de l’arrêt de l’algorithme.

Exercice 6 — Forme générale

Montrer qu’une méthode itérative de type

x(k+1) = Bx(k) + c
 conduit à
e(k) = B k e(0) .

Exercice 7 — Réflexion
Expliquer avec vos propres mots la différence entre :
— une méthode directe ;
— une méthode itérative ;
— la convergence théorique ;
— le critère d’arrêt pratique.

45 Exercices supplémentaires
Exercice 1. Donner un exemple simple de système pour lequel la méthode de Jacobi converge.
Exercice 2. Donner un exemple simple de système pour lequel la diagonale dominante n’est pas véri-
fiée.
Exercice 3. Refaire manuellement trois itérations de Jacobi sur un système 2 × 2.
Exercice 4. Refaire manuellement trois itérations de Gauss-Seidel sur le même système.
Exercice 5. Expliquer pourquoi le choix de l’approximation initiale peut influencer la vitesse de conver-
gence.
Exercice 6. Discuter l’intérêt du paramètre de relaxation dans la méthode SOR.
Exercice 7. Montrer que si x(k) → x, alors nécessairement x satisfait le système.
Exercice 8. Expliquer pourquoi une méthode itérative peut être préférable à une méthode directe sur
de très grands systèmes.
Exercice 9. Comparer le coût d’une itération simple au coût d’une élimination complète.
Exercice 10. Expliquer le lien entre ce chapitre et le chapitre suivant sur les décompositions matricielles
ou sur les méthodes plus avancées.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] Y. Saad, Iterative Methods for Sparse Linear Systems, SIAM.
[4] R. S. Varga, Matrix Iterative Analysis, Springer.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

I) EC1 : Méthodes numériques en algèbre

Chapitre 4 : Décompositions matricielles

(LU, QR)
Factorisations, triangularisation, stabilité et résolution numérique

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions successivement :
— l’idée générale des décompositions matricielles ;
— la décomposition LU et son lien avec l’élimination de Gauss ;
— l’existence et l’unicité de la décomposition LU ;
— la résolution de systèmes par factorisation LU ;
— l’intérêt algorithmique des factorisations ;
— la décomposition QR ;
— l’orthogonalité et la stabilité numérique ;
— la résolution des systèmes surdéterminés et le problème des moindres carrés ;
— la comparaison entre LU et QR ;
— des exercices d’application et de réflexion.
46 Introduction générale
Dans l’étude des systèmes linéaires, il est souvent inefficace de traiter directement une
matrice sous sa forme brute. L’une des idées les plus puissantes de l’algèbre numérique consiste
à factoriser une matrice compliquée en produit de matrices plus simples, mieux structurées,
et donc plus faciles à manipuler.
Cette idée est au coeur des méthodes numériques modernes. Elle permet :
— de résoudre efficacement des systèmes linéaires ;
— d’améliorer l’organisation des calculs ;
— de mieux comprendre la structure algébrique d’une matrice ;
— de construire des algorithmes plus stables numériquement ;
— de traiter des problèmes plus généraux comme l’approximation au sens des moindres
carrés.
Parmi les décompositions les plus importantes, deux jouent un rôle central :
— la décomposition LU, qui repose sur les matrices triangulaires ;
— la décomposition QR, qui repose sur les matrices orthogonales.
La première est directement liée à l’élimination de Gauss. La seconde est particulièrement
importante pour les problèmes de stabilité numérique et pour les systèmes surdéterminés.
Idée essentielle
Une décomposition matricielle transforme un problème difficile en une suite de problèmes
simples, organisés et numériquement mieux contrôlés.

Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— comprendre l’idée générale d’une factorisation matricielle ;
— construire et utiliser une décomposition LU ;
— résoudre un système linéaire à l’aide de la factorisation LU ;
— comprendre le rôle du pivot dans la factorisation ;
— expliquer l’intérêt des matrices orthogonales ;
— comprendre et utiliser la décomposition QR ;
— relier QR au problème des moindres carrés ;
— comparer les avantages théoriques et numériques de LU et QR.

47 Pourquoi décomposer une matrice ?

Considérons une matrice carrée A ∈ Rn×n . Résoudre directement

Ax = b

peut être coûteux ou mal organisé si l’on travaille toujours avec la matrice initiale.
 L’idée d’une décomposition matricielle est d’écrire

A = BC,

ou plus généralement
A = B1 B2 · · · Bm ,
où les matrices Bi possèdent une structure simple : triangulaire, diagonale, orthogonale, etc.
Une telle écriture présente plusieurs avantages :
— elle simplifie l’analyse mathématique ;
— elle réduit le coût de certains calculs ;
— elle permet de réutiliser une même factorisation pour plusieurs seconds membres ;
— elle améliore souvent la stabilité et la lisibilité de l’algorithme.

Exemple 47.1. Si l’on écrit

A = LU,
avec L triangulaire inférieure et U triangulaire supérieure, alors résoudre

Ax = b

revient à résoudre successivement :

Ly = b puis U x = y.

Ces deux systèmes triangulaires sont beaucoup plus simples que le système initial.

48 Décomposition LU : idée fondamentale

48.1 Principe
La décomposition LU consiste à écrire une matrice carrée A sous la forme

A = LU,

où :
— L est triangulaire inférieure ;
— U est triangulaire supérieure.

Définition 48.1. On appelle décomposition LU d’une matrice A toute factorisation de la

forme
A = LU,
où L est triangulaire inférieure et U triangulaire supérieure.

Cette décomposition est directement liée à l’élimination de Gauss. En effet, les coefficients
utilisés pour éliminer les termes sous la diagonale principale apparaissent précisément dans la
matrice L, tandis que la matrice finale triangulaire obtenue est U .
48.2 Lien avec l’élimination de Gauss
L’élimination de Gauss transforme progressivement A en une matrice triangulaire supé-
rieure. Si l’on conserve les multiplicateurs utilisés à chaque étape, on peut reconstruire une
matrice triangulaire inférieure L.
Idée essentielle
La factorisation LU est la forme organisée, structurée et mémorisable de l’élimination de
Gauss.

49 Forme standard de la décomposition LU

Dans la pratique, on choisit souvent L avec des 1 sur la diagonale. On parle alors de forme
normalisée.

Définition 49.1. On dit qu’une décomposition LU est normalisée lorsque la matrice L est
triangulaire inférieure unitaire, c’est-à-dire lorsque

lii = 1 pour tout i.

Dans ce cas, la décomposition prend la forme

   
1 0 0 ··· 0 u11 u12 u13 · · · u1n
 l21 1 0
 ··· 0 
 0 u22 u23
 · · · u2n 

L =  l31 l32 1
 ··· 0 , U = 0
 0 u33 · · · u3n 
.
 . .. .. .. ..   . .. .. .. .. 
 .. . . . .  .. . . . . 
ln1 ln2 ln3 ··· 1 0 0 0 · · · unn

50 Exemple explicite de décomposition LU

Considérons la matrice  
2 1
A= .
4 3
On cherche L et U sous la forme
   
1 0 u11 u12
L= , U= ,
l21 1 0 u22

telles que
A = LU.
En multipliant,  
u11 u12
LU = .
l21 u11 l21 u12 + u22
En identifiant avec A, on obtient :

u11 = 2, u12 = 1,
 l21 u11 = 4 ⇒ l21 = 2,
l21 u12 + u22 = 3 ⇒ 2 · 1 + u22 = 3,
donc
u22 = 1.
Ainsi,    
1 0 2 1
L= , U= .
2 1 0 1
Exemple 50.1. On vérifie bien que
    
1 0 2 1 2 1
= .
2 1 0 1 4 3

51 Existence de la décomposition LU
La question naturelle est la suivante : toute matrice admet-elle une décomposition LU ?
La réponse générale est non, du moins pas sans condition supplémentaire ni permutation.

Théorème 51.1. Une matrice carrée A admet une décomposition LU normalisée sans permu-
tation si tous ses pivots principaux sont non nuls au cours de l’élimination de Gauss.

Remarque 51.2. Autrement dit, la décomposition LU existe sans échange de lignes lorsque
l’élimination de Gauss peut être exécutée normalement, sans rencontrer de pivot nul.

Un critère plus théorique est le suivant.

Théorème 51.3. Si tous les mineurs principaux d’ordre 1, 2, . . . , n de A sont non nuls, alors
A admet une décomposition LU normalisée.

Point d’attention
Toutes les matrices inversibles n’admettent pas une décomposition LU sans permutation.
C’est pourquoi, en pratique, on utilise souvent une forme avec permutation.

52 Décomposition avec permutation : forme PA = LU

Lorsqu’un pivot nul ou numériquement dangereux apparaît, on échange des lignes. Ceci
conduit à introduire une matrice de permutation P .

Définition 52.1. Une matrice de permutation est une matrice obtenue à partir de la matrice
identité en permutant certaines lignes.

Exemple 52.2. En dimension 2,  

0 1
P =
1 0
échange les deux lignes d’un vecteur ou d’une matrice.
 La forme générale utilisée en pratique est :

P A = LU.

Définition 52.3. On appelle factorisation LU avec pivot partiel une écriture

P A = LU,

où P est une matrice de permutation, L triangulaire inférieure unitaire et U triangulaire supé-

rieure.

Idée essentielle
La forme P A = LU est la version réellement robuste et numérique de la factorisation
LU.

53 Résolution d’un système par LU

Supposons que l’on dispose de
A = LU.
Résoudre
Ax = b
revient à résoudre
LU x = b.
On introduit une variable intermédiaire

y = Ux ou, plus classiquement, Ly = b.

La stratégie standard est :

Ly = b, U x = y.

53.1 Première étape : descente

Comme L est triangulaire inférieure, le système

Ly = b

se résout par descente.

53.2 Deuxième étape : remontée

Comme U est triangulaire supérieure, le système

Ux = y

se résout par remontée.

 Méthode
Résolution par LU
1. factoriser A sous la forme A = LU ou P A = LU ;
2. résoudre le système triangulaire inférieur ;
3. résoudre le système triangulaire supérieur ;
4. obtenir la solution finale.

53.3 Cas de la factorisation P A = LU

Si
P A = LU,
alors
P Ax = LU x = P b.
On résout donc
Ly = P b, U x = y.

54 Intérêt algorithmique de la décomposition LU

La décomposition LU est particulièrement utile lorsque l’on doit résoudre plusieurs systèmes
ayant la même matrice A, mais des seconds membres différents :

Ax = b1 , Ax = b2 , Ax = b3 , ...

Dans ce cas :
— on factorise A une seule fois ;
— on résout ensuite plusieurs systèmes triangulaires.
Application / Interprétation

La factorisation LU amortit le coût de l’élimination lorsque plusieurs résolutions doivent

être effectuées avec la même matrice.

54.1 Coût
Pour une matrice dense n × n, le coût de la factorisation LU est de l’ordre de

O(n3 ).

Une fois la factorisation obtenue, chaque résolution supplémentaire coûte seulement

O(n2 ).

Remarque 54.1. C’est précisément cette séparation entre coût initial élevé et coût marginal
plus faible qui rend LU si importante en pratique.
55 Limites de la décomposition LU
La décomposition LU est extrêmement utile, mais elle n’est pas toujours le meilleur choix.
Ses limites principales sont :
— elle peut nécessiter des permutations ;
— elle peut être sensible à certains problèmes de stabilité sans pivot ;
— elle n’est pas la mieux adaptée aux problèmes de moindres carrés ;
— elle peut être coûteuse pour des matrices très grandes ou très particulières.
Cela motive l’étude d’autres décompositions, notamment la décomposition QR.

56 Décomposition QR : idée générale

La décomposition QR consiste à écrire une matrice A sous la forme

A = QR,

où :
— Q est une matrice orthogonale ;
— R est une matrice triangulaire supérieure.

Définition 56.1. On appelle décomposition QR d’une matrice A une factorisation

A = QR,

où Q vérifie
QT Q = I,
et R est triangulaire supérieure.

56.1 Pourquoi les matrices orthogonales sont-elles importantes ?

Les matrices orthogonales préservent la norme euclidienne :

∥Qx∥2 = ∥x∥2 .

Elles préservent aussi les produits scalaires et les angles.

Théorème 56.2. Si Q est orthogonale, alors pour tout x ∈ Rn ,

∥Qx∥2 = ∥x∥2 .

Démonstration. On a

∥Qx∥22 = (Qx)T (Qx) = xT QT Qx = xT Ix = xT x = ∥x∥22 .

En prenant la racine carrée, on obtient le résultat.

 Idée essentielle
Les transformations orthogonales ne déforment pas les longueurs. C’est l’une des princi-
pales raisons de leur excellente stabilité numérique.

57 Construction de la décomposition QR
Il existe plusieurs méthodes pour construire QR :
— l’orthogonalisation de Gram-Schmidt ;
— les réflexions de Householder ;
— les rotations de Givens.
Au niveau Licence 3, la méthode la plus naturelle pour comprendre l’idée est Gram-Schmidt.

57.1 Principe de Gram-Schmidt

Supposons que les colonnes de A soient

a1 , a2 , . . . , an .

On construit une famille orthonormée

q1 , q2 , . . . , qn

telle que les espaces engendrés coïncident progressivement.

On pose :
a1
q1 = ,
∥a1 ∥2
puis
u2
u2 = a2 − ⟨a2 , q1 ⟩q1 , q2 = ,
∥u2 ∥2
et ainsi de suite.

Remarque 57.1. La méthode classique de Gram-Schmidt est très pédagogique, mais peut être
numériquement moins stable que les réflexions de Householder.

58 Exemple simple de décomposition QR

Considérons les vecteurs    
1 1
a1 = , a2 = .
1 −1
On calcule :
√
 
1 1
∥a1 ∥2 = 2, q1 = √ .
2 1
De plus,
1
⟨a2 , q1 ⟩ = √ (1 − 1) = 0.
2
Donc  
1 1
u 2 = a2 , q2 = √ .
2 −1
Ainsi,  
1 1 1
Q= √ .
2 1 −1
La matrice R s’obtient par
R = QT A.

59 Résolution des systèmes par QR

Supposons que A soit carrée et inversible, et que

A = QR.

Alors
Ax = b ⇐⇒ QRx = b.
En multipliant à gauche par QT , on obtient

Rx = QT b.

Comme R est triangulaire supérieure, on résout ensuite ce système par remontée.

Méthode
Résolution par QR
1. factoriser A sous la forme A = QR ;
2. calculer QT b ;
3. résoudre le système triangulaire supérieur

Rx = QT b.

60 QR et problème des moindres carrés

La décomposition QR devient particulièrement importante lorsqu’on considère un système
surdéterminé :
Ax = b, A ∈ Rm×n , m > n.
Dans ce cas, il n’existe en général pas de solution exacte. On cherche alors x minimisant
l’erreur
∥Ax − b∥2 .

Définition 60.1. On appelle problème des moindres carrés le problème consistant à trouver

x⋆ = arg minn ∥Ax − b∥2 .

x∈R
 Si
A = QR,
avec Q à colonnes orthonormées, alors

∥Ax − b∥2 = ∥QRx − b∥2 .

Comme Q préserve la norme, cette structure rend le problème beaucoup plus simple à analyser.
Application / Interprétation

La décomposition QR est l’outil naturel et numériquement stable pour traiter les pro-
blèmes de moindres carrés.

61 Comparaison entre LU et QR
LU et QR sont deux décompositions fondamentales, mais elles n’ont pas exactement le même
rôle.

Critère LU QR
Structure Triangulaire inférieure et Orthogonale et triangu-
supérieure laire supérieure
Lien direct avec Oui Non directement
Gauss
Stabilité numé- Bonne avec pivot Souvent meilleure
rique
Systèmes carrés Très adaptée Adaptée
Moindres carrés Moins naturelle Très naturelle
Coût Généralement plus faible Généralement un peu plus
élevé

Idée essentielle
LU est souvent le choix naturel pour résoudre rapidement des systèmes carrés. QR est
souvent le choix naturel lorsque la stabilité et les moindres carrés jouent un rôle central.

62 Aspects numériques et stabilité

En calcul numérique, la structure algébrique seule ne suffit pas. Il faut aussi s’intéresser à
la stabilité des opérations.

62.1 Pourquoi QR est souvent plus stable ?

Les matrices orthogonales préservent les normes et n’amplifient pas les erreurs de manière
artificielle. Cela rend la décomposition QR particulièrement robuste.
62.2 Pourquoi LU reste indispensable ?
Malgré cela, LU reste extrêmement utilisée car :
— elle est plus directement liée à la résolution des systèmes carrés ;
— elle est très efficace ;
— avec pivot partiel, elle est suffisamment stable dans un grand nombre de cas.
Point d’attention
Aucune décomposition n’est universellement la meilleure. Le bon choix dépend de la
nature du problème, de la taille de la matrice et des exigences de stabilité.

63 Résumé du chapitre
Dans ce chapitre, nous avons étudié deux des décompositions matricielles les plus impor-
tantes en méthodes numériques.
Les idées essentielles sont les suivantes :
— factoriser une matrice permet de simplifier fortement certains calculs ;
— la décomposition LU organise l’élimination de Gauss ;
— la forme P A = LU est la version robuste utilisée en pratique ;
— la décomposition LU est très utile pour résoudre plusieurs systèmes avec la même matrice ;
— la décomposition QR repose sur les matrices orthogonales ;
— QR est particulièrement importante pour la stabilité numérique et les moindres carrés ;
— LU et QR sont complémentaires plutôt que concurrentes.
Ce chapitre constitue une étape centrale dans la compréhension des algorithmes linéaires
modernes, car les décompositions matricielles interviennent dans de très nombreux domaines
du calcul scientifique.

64 TD : décompositions matricielles
Exercice 1 — Décomposition LU simple
Décomposer la matrice  
2 1
A=
4 3
sous la forme
A = LU,
avec L triangulaire inférieure unitaire.

Exercice 2 — Résolution via LU

En utilisant la décomposition LU précédente, résoudre
 
5
Ax = b, b= .
11
 Exercice 3 — Pivot
Expliquer pourquoi une permutation de lignes peut être nécessaire dans une factorisation
LU. Donner un exemple simple.

Exercice 4 — Orthogonalité
Montrer qu’une matrice orthogonale conserve la norme euclidienne.

Exercice 5 — Décomposition QR élémentaire

Considérer les vecteurs    
1 1
a1 = , a2 = .
1 −1
Construire une base orthonormée à l’aide de Gram-Schmidt.

Exercice 6 — Comparaison
Expliquer avec vos propres mots la différence entre :
— LU et QR ;
— triangularisation et orthogonalisation ;
— résolution d’un système carré et résolution d’un problème de moindres carrés.

Exercice 7 — Réflexion numérique

Pourquoi la décomposition QR est-elle souvent considérée comme plus stable numériquement
que la décomposition LU sans pivot ?

65 Exercices supplémentaires
Exercice 1. Donner un exemple de matrice admettant une décomposition LU sans permutation.
Exercice 2. Donner un exemple de matrice nécessitant une permutation.
Exercice 3. Vérifier directement qu’une matrice donnée est orthogonale.
Exercice 4. Refaire à la main une orthogonalisation de Gram-Schmidt sur deux vecteurs simples.
Exercice 5. Expliquer pourquoi la résolution d’un système triangulaire est simple.
Exercice 6. Comparer les coûts respectifs d’une factorisation et d’une simple substitution.
Exercice 7. Montrer que si Q est orthogonale, alors Q−1 = QT .
Exercice 8. Discuter l’intérêt de réutiliser une factorisation lorsque plusieurs seconds membres sont
considérés.
Exercice 9. Expliquer pourquoi les moindres carrés apparaissent naturellement dans les problèmes de
données.
Exercice 10. Relier ce chapitre aux chapitres précédents sur l’élimination de Gauss et les méthodes
itératives.
Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] L. N. Trefethen and D. Bau, Numerical Linear Algebra, SIAM.
[4] G. H. Golub and C. F. Van Loan, Matrix Computations, Johns Hopkins University Press.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

I) EC1 : Méthodes numériques en algèbre

Chapitre 5 : Valeurs propres et vecteurs

propres
Spectre, diagonalisation, méthodes de calcul et interprétation
numérique

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions successivement :
— la notion de valeur propre et de vecteur propre ;
— le polynôme caractéristique et le spectre d’une matrice ;
— la multiplicité algébrique et la multiplicité géométrique ;
— la diagonalisation ;
— le cas particulier des matrices symétriques ;
— l’importance numérique des valeurs propres ;
— la méthode de la puissance ;
— une introduction à la méthode de la puissance inverse ;
— le quotient de Rayleigh ;
— des exercices d’application et de réflexion.
66 Introduction générale
Après l’étude des systèmes linéaires, des méthodes directes, des méthodes itératives et des
décompositions matricielles, une nouvelle question fondamentale apparaît naturellement : com-
ment comprendre le comportement intrinsèque d’une matrice ?
Cette question dépasse la simple résolution de

Ax = b.

Elle touche à la structure profonde de la transformation linéaire associée à la matrice A. Les

valeurs propres et les vecteurs propres fournissent précisément les outils permettant de décrire
cette structure.
Dans de nombreux problèmes, les valeurs propres apparaissent de façon centrale :
— stabilité de systèmes dynamiques ;
— vibration de structures mécaniques ;
— analyse de graphes ;
— discrétisation d’équations différentielles ;
— optimisation ;
— apprentissage automatique ;
— analyse spectrale des opérateurs.
L’idée essentielle est la suivante : on cherche des directions particulières de l’espace qui sont
seulement dilatées ou contractées par l’action de la matrice, sans être déviées.
Idée essentielle
Les valeurs propres décrivent les facteurs d’amplification fondamentaux d’une matrice,
et les vecteurs propres décrivent les directions privilégiées associées.

Ce chapitre joue donc un rôle majeur : il relie l’algèbre linéaire, l’analyse numérique, la
stabilité des algorithmes et les applications modernes.
Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— définir rigoureusement une valeur propre et un vecteur propre ;
— calculer le polynôme caractéristique d’une matrice simple ;
— déterminer des valeurs propres et des vecteurs propres dans des cas usuels ;
— distinguer multiplicité algébrique et multiplicité géométrique ;
— comprendre la notion de diagonalisation ;
— reconnaître le rôle particulier des matrices symétriques ;
— expliquer l’importance numérique des valeurs propres ;
— appliquer la méthode de la puissance dans des cas simples ;
— interpréter les résultats du point de vue algébrique et numérique.
67 Valeurs propres et vecteurs propres
67.1 Définition
Soit A ∈ Rn×n .

Définition 67.1. Un scalaire λ ∈ R ou λ ∈ C est appelé valeur propre de la matrice A s’il

existe un vecteur non nul x ∈ Rn ou x ∈ Cn tel que

Ax = λx.

Le vecteur x ̸= 0 est alors appelé vecteur propre associé à λ.

Cette relation signifie que l’action de la matrice sur x ne change pas la direction de x, mais
seulement son amplitude.

67.2 Interprétation géométrique

Si
Ax = λx,
alors le vecteur x est transformé en un multiple de lui-même.
— si λ > 1, la direction est amplifiée ;
— si 0 < λ < 1, elle est contractée ;
— si λ < 0, il y a inversion de direction et changement d’échelle ;
— si λ = 0, le vecteur est envoyé sur le vecteur nul.
Exemple 67.2. Si  
2 0
A= ,
0 3
alors      
1 2 1
A = =2 ,
0 0 0
et      
0 0 0
A = =3 .
1 3 1
Les vecteurs de la base canonique sont donc ici des vecteurs propres, associés aux valeurs propres
2 et 3.

68 Équation caractéristique
Pour qu’il existe un vecteur non nul x tel que

Ax = λx,

il faut et il suffit que

(A − λI)x = 0
admette une solution non triviale.
 Or un système homogène admet une solution non triviale si et seulement si la matrice n’est
pas inversible. On obtient donc la condition

det(A − λI) = 0.

Définition 68.1. On appelle polynôme caractéristique de A le polynôme

pA (λ) = det(A − λI).

Les valeurs propres de A sont les racines de ce polynôme.

Remarque 68.2. Pour une matrice réelle, les valeurs propres réelles ou complexes apparaissent
comme solutions de l’équation caractéristique.

68.1 Exemple simple

Considérons  
2 1
A= .
0 3
Alors  
2−λ 1
A − λI = ,
0 3−λ
et
det(A − λI) = (2 − λ)(3 − λ).
Les valeurs propres sont donc
λ1 = 2, λ2 = 3.

69 Spectre d’une matrice

Définition 69.1. On appelle spectre d’une matrice A l’ensemble de ses valeurs propres. On
le note souvent
σ(A).

Le spectre joue un rôle majeur en algèbre et en analyse numérique. Il permet de résumer

certaines propriétés essentielles de la matrice.

Définition 69.2. On appelle rayon spectral de A la quantité

ρ(A) = max{|λ| ; λ ∈ σ(A)}.

Remarque 69.3. Le rayon spectral intervient dans l’analyse de convergence des méthodes
itératives, dans l’étude de la stabilité des systèmes dynamiques et dans l’analyse asymptotique
des puissances d’une matrice.

70 Sous-espace propre
Pour une valeur propre λ, l’ensemble des vecteurs propres associés, auquel on ajoute le
vecteur nul, forme un sous-espace vectoriel.
Définition 70.1. Le sous-espace propre associé à λ est

Eλ = ker(A − λI).

Proposition 70.2. Le sous-espace propre Eλ est un sous-espace vectoriel de Rn ou Cn .

Démonstration. Comme
Eλ = ker(A − λI),
il s’agit du noyau d’une application linéaire, donc d’un sous-espace vectoriel.

Remarque 70.3. La recherche des vecteurs propres associés à λ revient à résoudre le système
homogène
(A − λI)x = 0.

71 Multiplicité algébrique et multiplicité géométrique

Toutes les valeurs propres n’apparaissent pas de la même manière dans le polynôme carac-
téristique.

Définition 71.1. La multiplicité algébrique d’une valeur propre λ est sa multiplicité comme
racine du polynôme caractéristique.

Définition 71.2. La multiplicité géométrique d’une valeur propre λ est la dimension du

sous-espace propre associé :
dim(Eλ ).

Théorème 71.3. Pour toute valeur propre λ, on a

1 ≤ dim(Eλ ) ≤ multiplicité algébrique de λ.

Remarque 71.4. La multiplicité algébrique mesure combien de fois la valeur propre apparaît
dans le polynôme caractéristique, tandis que la multiplicité géométrique mesure combien de
directions propres indépendantes lui sont associées.

72 Diagonalisation
72.1 Définition
Définition 72.1. Une matrice carrée A est dite diagonalisable s’il existe une matrice inver-
sible P et une matrice diagonale D telles que

A = P DP −1 .

Dans cette écriture :

— les colonnes de P sont des vecteurs propres de A ;
— les coefficients diagonaux de D sont les valeurs propres correspondantes.
72.2 Critère fondamental
Théorème 72.2. Une matrice A ∈ Rn×n est diagonalisable si et seulement si elle admet une
base de Rn ou de Cn formée de vecteurs propres.

Théorème 72.3. Si une matrice A possède n valeurs propres distinctes, alors elle est diago-
nalisable.

Démonstration. Les vecteurs propres associés à des valeurs propres distinctes sont linéairement
indépendants. On obtient donc n vecteurs propres linéairement indépendants dans un espace
de dimension n, donc une base.

Idée essentielle
Diagonaliser une matrice revient à trouver un système de coordonnées dans lequel l’action
de la matrice devient purement diagonale, donc extrêmement simple.

73 Intérêt de la diagonalisation
Si
A = P DP −1 ,
alors les puissances de A sont faciles à calculer :

Ak = P Dk P −1 .

Or si  
λ1 0 ··· 0
 0 λ2 ··· 0
D=. ..  ,
 
.. ...
 .. . .
0 0 · · · λn
alors  
λk1 0 ··· 0
 0 λk ··· 0
2
Dk =  . ..  .
 
.. ...
 .. . .
0 0 · · · λkn
Cela permet d’étudier :
— le comportement asymptotique de Ak ;
— la stabilité de suites définies par récurrence ;
— la résolution de certains systèmes différentiels ou dynamiques ;
— la structure spectrale de certains opérateurs.

74 Cas particulier des matrices symétriques

Les matrices symétriques occupent une place exceptionnelle.

Théorème 74.1. Toute matrice réelle symétrique admet uniquement des valeurs propres réelles.
Théorème 74.2. Toute matrice réelle symétrique est diagonalisable dans une base orthonor-
mée.

Autrement dit, si A = AT , alors il existe une matrice orthogonale Q et une matrice diagonale
D telles que
A = QDQT .

Définition 74.3. Cette écriture est appelée décomposition spectrale d’une matrice symé-
trique.

Remarque 74.4. Le caractère orthogonal de Q rend cette décomposition particulièrement stable

et numériquement très importante.

Idée essentielle
Les matrices symétriques sont les matrices idéales du point de vue spectral : valeurs
propres réelles, vecteurs propres orthogonaux, diagonalisation propre et stable.

75 Importance numérique des valeurs propres

Les valeurs propres ne sont pas seulement des objets algébriques. Elles gouvernent aussi de
nombreux phénomènes numériques.

75.1 Stabilité
Dans les systèmes dynamiques linéaires

xk+1 = Axk ,

le comportement de la suite dépend fortement de la taille des valeurs propres de A.

75.2 Convergence des méthodes itératives

Dans les méthodes itératives de type

x(k+1) = Bx(k) + c,

la convergence dépend du rayon spectral

ρ(B).

75.3 Conditionnement spectral

La répartition des valeurs propres influence souvent la sensibilité numérique de certains
calculs.
75.4 Applications modernes
Les valeurs propres interviennent dans :
— l’analyse de graphes ;
— les méthodes de réduction de dimension ;
— les méthodes de diffusion ;
— les problèmes vibrationnels ;
— les équations différentielles discrétisées.

76 Méthode de la puissance
Lorsqu’on ne peut pas calculer explicitement toutes les valeurs propres d’une grande matrice,
on utilise des méthodes numériques spécialisées.
La plus simple est la méthode de la puissance.

76.1 Principe
On part d’un vecteur initial non nul x(0) , puis on construit

Ax(k)
x(k+1) = .
∥Ax(k) ∥

L’idée est que, sous certaines hypothèses, cette suite s’aligne progressivement sur le vecteur
propre associé à la valeur propre dominante en module.

Définition 76.1. On appelle valeur propre dominante une valeur propre λ1 telle que

|λ1 | > |λi | pour toute autre valeur propre λi .

Théorème 76.2. Supposons que A soit diagonalisable et possède une valeur propre dominante
unique λ1 . Si le vecteur initial a une composante non nulle sur le vecteur propre associé, alors
la méthode de la puissance converge vers la direction propre dominante.

Remarque 76.3. La méthode de la puissance est simple, peu coûteuse par itération, et très
utile pour les grandes matrices.

76.2 Interprétation
À chaque itération, la composante correspondant à la valeur propre de plus grand module
tend à dominer les autres, car
Ak x(0)
amplifie les directions propres selon les puissances des valeurs propres.
Idée essentielle
La méthode de la puissance sélectionne progressivement la direction propre la plus do-
minante de la matrice.
77 Méthode de la puissance inverse
Si l’on veut approcher une valeur propre de petit module, on peut appliquer la méthode de
la puissance à la matrice A−1 , lorsque A est inversible.
En effet, si λ est valeur propre de A, alors

1
λ
est valeur propre de A−1 .
Ainsi, la plus grande valeur propre en module de A−1 correspond à la plus petite valeur
propre en module de A.

Remarque 77.1. En pratique, on ne calcule pas explicitement A−1 . On résout à chaque étape
un système linéaire.

Cela conduit à un schéma du type :

y (k)
Ay (k) = x(k) , x(k+1) = .
∥y (k) ∥

78 Quotient de Rayleigh
Pour estimer une valeur propre associée à un vecteur approché x, on utilise souvent le
quotient de Rayleigh.

Définition 78.1. Pour un vecteur non nul x, le quotient de Rayleigh associé à la matrice
A est
xT Ax
RA (x) = T .
x x
Remarque 78.2. Si x est un vecteur propre de A associé à λ, alors

RA (x) = λ.

Dans le cas des matrices symétriques, le quotient de Rayleigh joue un rôle particulièrement
important, car il permet d’approximer efficacement certaines valeurs propres.

79 Résumé du chapitre
Dans ce chapitre, nous avons introduit les notions fondamentales liées aux valeurs propres
et aux vecteurs propres.
Les points essentiels sont les suivants :
— une valeur propre λ vérifie
Ax = λx
pour un certain vecteur non nul x ;
— les valeurs propres sont les racines du polynôme caractéristique ;
— le spectre et le rayon spectral résument des propriétés essentielles de la matrice ;
 — la diagonalisation simplifie fortement l’étude des puissances et de la structure d’une ma-
trice ;
— les matrices symétriques possèdent une structure spectrale particulièrement favorable ;
— la méthode de la puissance permet d’approcher la valeur propre dominante ;
— le quotient de Rayleigh permet d’estimer une valeur propre à partir d’un vecteur approché.
Ce chapitre constitue un pont fondamental entre l’algèbre linéaire théorique et les méthodes
numériques modernes d’analyse spectrale.

80 TD : valeurs propres et vecteurs propres

Exercice 1 — Calcul direct
Déterminer les valeurs propres de la matrice
 
2 1
A= .
0 3

Exercice 2 — Vecteurs propres

Pour chaque valeur propre de la matrice précédente, déterminer un vecteur propre associé.

Exercice 3 — Matrice diagonale

Déterminer les valeurs propres et les vecteurs propres de
 
4 0 0
D = 0 −1 0 .
0 0 2

Exercice 4 — Diagonalisation
Montrer que la matrice  
2 0
A=
0 3
est diagonalisable et donner explicitement une décomposition

A = P DP −1 .

Exercice 5 — Matrice symétrique

Vérifier que la matrice  
2 1
A=
1 2
est symétrique, puis calculer ses valeurs propres.
 Exercice 6 — Quotient de Rayleigh
Calculer le quotient de Rayleigh de la matrice
 
2 0
A=
0 5

pour le vecteur  
1
x= .
1

Exercice 7 — Réflexion
Expliquer avec vos propres mots la différence entre :
— valeur propre et vecteur propre ;
— multiplicité algébrique et multiplicité géométrique ;
— diagonalisable et non diagonalisable ;
— calcul exact du spectre et approximation numérique d’une valeur propre.

81 Exercices supplémentaires
Exercice 1. Donner un exemple simple de matrice possédant deux valeurs propres distinctes.
Exercice 2. Donner un exemple simple de matrice triangulaire et lire directement ses valeurs propres.
Exercice 3. Montrer que les valeurs propres d’une matrice diagonale sont ses coefficients diagonaux.
Exercice 4. Vérifier que deux vecteurs propres associés à deux valeurs propres distinctes sont linéai-
rement indépendants.
Exercice 5. Étudier un exemple de matrice non diagonalisable.
Exercice 6. Expliquer pourquoi la diagonalisation simplifie le calcul de Ak .
Exercice 7. Montrer que si A est orthogonalement diagonalisable, alors A est symétrique dans le cadre
réel.
Exercice 8. Discuter l’intérêt du rayon spectral dans l’analyse numérique.
Exercice 9. Expliquer pourquoi la méthode de la puissance nécessite une valeur propre dominante.
Exercice 10. Relier ce chapitre aux chapitres précédents sur les méthodes itératives et les décomposi-
tions matricielles.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] L. N. Trefethen and D. Bau, Numerical Linear Algebra, SIAM.
[4] G. H. Golub and C. F. Van Loan, Matrix Computations, Johns Hopkins University Press.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

I) EC1 : Méthodes numériques en algèbre

Chapitre 6 : Interpolation polynomiale et

approximation
Lagrange, Newton, erreur d’interpolation, phénomène de Runge et
approximation numérique

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions successivement :
— le problème général de l’interpolation ;
— l’existence et l’unicité du polynôme interpolateur ;
— la formule de Lagrange ;
— la formule de Newton ;
— les différences divisées ;
— l’erreur d’interpolation ;
— le phénomène de Runge ;
— le choix des noeuds d’interpolation ;
— l’approximation polynomiale ;
— une ouverture vers les moindres carrés et les approches numériques d’approximation.
82 Introduction générale
Dans de nombreux problèmes scientifiques, on ne connaît pas explicitement une fonction
sous forme analytique simple. On dispose plutôt :
— de valeurs mesurées expérimentalement ;
— d’échantillons numériques ;
— de données tabulées ;
— de résultats obtenus à certains points seulement.
Dans ce contexte, une question fondamentale apparaît : comment reconstruire, ou au moins
approcher, la fonction à partir de ces informations discrètes ?
L’interpolation polynomiale constitue l’une des réponses les plus classiques et les plus im-
portantes à cette question. L’idée est de chercher un polynôme qui passe exactement par les
points donnés.
Plus précisément, si l’on connaît des couples

(x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ),

avec xi distincts deux à deux, on cherche un polynôme Pn de degré au plus n tel que

Pn (xi ) = yi pour tout i = 0, 1, . . . , n.

Cette démarche possède une importance théorique et pratique considérable. Elle intervient :
— dans la représentation de données ;
— dans le calcul approché de fonctions compliquées ;
— dans les méthodes de quadrature ;
— dans la résolution numérique d’équations différentielles ;
— dans les codes de calcul scientifique et l’analyse des erreurs.
Mais l’interpolation n’est pas uniquement une technique de reconstruction. Elle constitue
aussi une porte d’entrée vers une idée plus large : l’approximation numérique. En effet,
chercher une fonction simple qui remplace une fonction compliquée est l’un des thèmes centraux
des méthodes numériques.
Idée essentielle
L’interpolation cherche à reproduire exactement les données données, tandis que l’ap-
proximation cherche à reproduire au mieux le comportement global d’une fonction ou
d’un ensemble de données.
 Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— formuler rigoureusement le problème d’interpolation polynomiale ;
— démontrer l’existence et l’unicité du polynôme interpolateur ;
— construire un polynôme interpolateur de Lagrange ;
— construire un polynôme interpolateur de Newton ;
— utiliser les différences divisées ;
— comprendre la formule d’erreur d’interpolation ;
— expliquer le phénomène de Runge ;
— comprendre l’influence du choix des noeuds ;
— distinguer interpolation exacte et approximation au sens large ;
— relier ce chapitre aux chapitres précédents sur les systèmes linéaires et les moindres
carrés.

83 Le problème général de l’interpolation

Soient
x0 , x1 , . . . , xn
des réels distincts, et soient
y0 , y1 , . . . , yn
des valeurs données.
On cherche un polynôme Pn de degré au plus n vérifiant

Pn (xi ) = yi pour i = 0, 1, . . . , n.

Définition 83.1. On appelle interpolation polynomiale le problème consistant à déterminer

un polynôme Pn ∈ Pn tel que

Pn (xi ) = yi pour tout i = 0, 1, . . . , n,

où Pn désigne l’ensemble des polynômes de degré inférieur ou égal à n.

Remarque 83.2. Le polynôme recherché dépend à la fois des noeuds xi et des valeurs yi . Il
est donc entièrement déterminé par les données d’interpolation.

84 Existence et unicité du polynôme interpolateur

L’un des premiers résultats fondamentaux est que ce problème admet une solution unique.

Théorème 84.1. Soient

x0 , x1 , . . . , xn
des réels deux à deux distincts, et
y0 , y1 , . . . , yn
des réels quelconques. Alors il existe un unique polynôme Pn ∈ Pn tel que

Pn (xi ) = yi pour tout i = 0, 1, . . . , n.

Démonstration. Nous montrons d’abord l’unicité.

Supposons qu’il existe deux polynômes Pn et Qn dans Pn tels que

Pn (xi ) = Qn (xi ) = yi pour tout i = 0, 1, . . . , n.

Alors le polynôme
Rn = Pn − Qn
est de degré au plus n et vérifie

Rn (xi ) = 0 pour tout i = 0, 1, . . . , n.

Il possède donc n + 1 racines distinctes. Or un polynôme non nul de degré au plus n ne peut
avoir plus de n racines distinctes. Donc

Rn ≡ 0,

ce qui implique
Pn = Qn .
Montrons maintenant l’existence. La formule de Lagrange, que nous construirons dans la
section suivante, fournit explicitement un polynôme satisfaisant les conditions d’interpolation.
L’existence est donc assurée.

Idée essentielle
L’interpolation polynomiale n’est pas un problème ambigu : dès que les noeuds sont
distincts, il existe un seul polynôme interpolateur de degré au plus n.

85 Interpolation de Lagrange
85.1 Idée générale
La formule de Lagrange fournit directement le polynôme interpolateur sous une forme ex-
plicite.
On introduit pour chaque i ∈ {0, 1, . . . , n} le polynôme
Y x − xj
Li (x) = .
0≤j≤n
x i − x j
j̸=i

Définition 85.1. Les polynômes L0 , . . . , Ln sont appelés les polynômes fondamentaux de

Lagrange.
85.2 Propriété fondamentale
Ces polynômes ont la propriété remarquable suivante :
(
1 si i = j,
Li (xj ) =
0 si i ̸= j.

Démonstration. Si i = j, alors chaque facteur vaut 1, donc

Li (xi ) = 1.

Si i ̸= j, alors le produit contient le facteur

xj − xj = 0,

donc
Li (xj ) = 0.

85.3 Formule de Lagrange

Théorème 85.2. Le polynôme interpolateur s’écrit
n
X
Pn (x) = yi Li (x).
i=0

Démonstration. Pour tout j ∈ {0, . . . , n},

n
X
Pn (xj ) = yi Li (xj ).
i=0

Comme Li (xj ) = δij , on obtient

Pn (xj ) = yj .
Donc Pn vérifie bien les conditions d’interpolation.

85.4 Exemple simple

Considérons les points
(0, 1), (1, 3), (2, 2).
Les polynômes fondamentaux sont :

(x − 1)(x − 2) (x − 1)(x − 2)
L0 (x) = = ,
(0 − 1)(0 − 2) 2

(x − 0)(x − 2)
L1 (x) = = −x(x − 2),
(1 − 0)(1 − 2)
(x − 0)(x − 1) x(x − 1)
L2 (x) = = .
(2 − 0)(2 − 1) 2
 Le polynôme interpolateur est donc

P2 (x) = 1 · L0 (x) + 3 · L1 (x) + 2 · L2 (x).

Remarque 85.3. La formule de Lagrange est conceptuellement simple et théoriquement élé-

gante, mais elle n’est pas toujours la plus pratique pour les calculs successifs ou l’ajout de
nouveaux points.

86 Interpolation de Newton
86.1 Motivation
La forme de Newton présente un grand avantage pratique : elle permet de construire le
polynôme interpolateur de manière progressive.

86.2 Forme de Newton

Le polynôme interpolateur s’écrit sous la forme
n−1
Y
Pn (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) + · · · + an (x − xk ).
k=0

Les coefficients a0 , a1 , . . . , an sont déterminés à l’aide des différences divisées.

Définition 86.1. La forme de Newton du polynôme interpolateur est l’écriture

n−1
Y
Pn (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) + · · · + an (x − xk ).
k=0

Idée essentielle
La forme de Newton est particulièrement utile lorsque l’on ajoute de nouveaux noeuds,
car elle permet de prolonger le polynôme sans tout recommencer.

87 Différences divisées
Les coefficients de la forme de Newton sont obtenus à partir des différences divisées.

Définition 87.1. La différence divisée d’ordre 0 est définie par

f [xi ] = f (xi ).

Définition 87.2. Pour i ̸= j, la différence divisée d’ordre 1 est

f (xj ) − f (xi )
f [xi , xj ] = .
xj − xi
Définition 87.3. Les différences divisées d’ordre supérieur sont définies récursivement par

f [x1 , . . . , xn ] − f [x0 , . . . , xn−1 ]

f [x0 , . . . , xn ] = .
x n − x0

Les coefficients du polynôme de Newton sont alors :

a0 = f [x0 ], a1 = f [x0 , x1 ], a2 = f [x0 , x1 , x2 ], ...

87.1 Formule complète

Ainsi,

Pn (x) = f [x0 ] + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 ) + · · ·

n−1
Y
· · · + f [x0 , . . . , xn ] (x − xk ).
k=0

88 Exemple de forme de Newton

Considérons encore les points

(0, 1), (1, 3), (2, 2).

On a :
f [0] = 1, f [1] = 3, f [2] = 2.
Les différences divisées d’ordre 1 sont :
3−1 2−3
f [0, 1] = = 2, f [1, 2] = = −1.
1−0 2−1
La différence divisée d’ordre 2 est :
f [1, 2] − f [0, 1] −1 − 2 3
f [0, 1, 2] = = =− .
2−0 2 2
Donc le polynôme de Newton est

3
P2 (x) = 1 + 2(x − 0) − (x − 0)(x − 1).
2
Remarque 88.1. Cette forme est souvent plus adaptée à l’implémentation algorithmique que
la formule de Lagrange.

89 Erreur d’interpolation
L’interpolation est exacte aux noeuds, mais qu’en est-il entre les noeuds ?
La réponse est donnée par une formule fondamentale.
Théorème 89.1. Soit f une fonction de classe C n+1 sur un intervalle contenant x0 , . . . , xn et
x. Alors il existe un point ξ dépendant de x tel que
n
f (n+1) (ξ) Y
f (x) − Pn (x) = (x − xi ).
(n + 1)! i=0

Remarque 89.2. Cette formule montre que l’erreur dépend de deux éléments :
— la dérivée d’ordre n + 1 de la fonction ;
— le produit
n
Y
(x − xi ),
i=0

qui dépend du choix des noeuds.

Idée essentielle
L’erreur d’interpolation ne dépend pas seulement du degré du polynôme. Elle dépend
aussi fortement du choix et de la répartition des noeuds d’interpolation.

90 Interprétation de l’erreur
La formule précédente permet plusieurs observations essentielles.

90.1 Exactitude aux noeuds

Si x = xi pour un certain i, alors
n
Y
(xi − xj ) = 0,
j=0

donc
f (xi ) − Pn (xi ) = 0.

90.2 Influence de la régularité de f

Si la dérivée f (n+1) est petite, alors l’erreur tend à être mieux contrôlée.

90.3 Influence du choix des noeuds

Même si f est très régulière, une mauvaise répartition des noeuds peut produire une inter-
polation médiocre.

91 Phénomène de Runge
L’un des résultats les plus célèbres et les plus importants en interpolation polynomiale est
que l’augmentation du degré n’améliore pas toujours l’approximation.
 Considérons la fonction
1
f (x) =
1 + 25x2
sur l’intervalle [−1, 1].
Si l’on interpole cette fonction avec des noeuds équidistants et un degré élevé, on observe
souvent de fortes oscillations près des extrémités.

Définition 91.1. On appelle phénomène de Runge le comportement oscillatoire et parfois

divergent de l’interpolation polynomiale de haut degré sur des noeuds équidistants.

Point d’attention
Augmenter le degré du polynôme interpolateur n’améliore pas automatiquement l’ap-
proximation. Dans certains cas, cela l’aggrave fortement.

Idée essentielle
L’interpolation polynomiale n’est pas seulement une question de degré. Elle est aussi une
question de géométrie des noeuds.

92 Choix des noeuds d’interpolation

Pour limiter les oscillations, il est préférable de choisir des noeuds mieux répartis que les
noeuds équidistants.
Un choix classique est celui des noeuds de Chebyshev.

Définition 92.1. Les noeuds de Chebyshev sur [−1, 1] sont donnés par
 
2k + 1
xk = cos π , k = 0, 1, . . . , n.
2(n + 1)

Ces noeuds sont plus denses près des extrémités de l’intervalle, ce qui permet de mieux
contrôler l’erreur d’interpolation.

Remarque 92.2. Les noeuds de Chebyshev jouent un rôle fondamental en approximation po-
lynomiale, car ils réduisent les oscillations et améliorent la qualité globale de l’interpolation.

93 Interpolation versus approximation

Il est essentiel de distinguer deux objectifs différents.

93.1 Interpolation
On impose que la fonction approchante passe exactement par les points donnés :

Pn (xi ) = yi .
93.2 Approximation
On cherche seulement à rendre l’écart

f (x) − g(x)

petit dans un certain sens, sans exiger l’égalité exacte aux points.
Définition 93.1. On appelle approximation le problème consistant à choisir une fonction
simple g de manière à rendre faible l’erreur entre f et g, selon un critère donné.
Exemple 93.2. En présence de bruit expérimental, l’interpolation exacte peut être mauvaise,
car elle reproduit aussi les erreurs de mesure. Une approximation au sens des moindres carrés
peut alors être préférable.

94 Approximation polynomiale
L’approximation polynomiale consiste à remplacer une fonction compliquée par un polynôme
plus simple à manipuler.
Cela permet :
— de calculer plus facilement des valeurs approchées ;
— d’intégrer et de dériver plus simplement ;
— de construire des méthodes numériques stables ;
— de simplifier le traitement informatique des fonctions.

94.1 Pourquoi les polynômes ?

Les polynômes sont particulièrement adaptés car :
— ils sont faciles à évaluer ;
— ils sont faciles à dériver et à intégrer ;
— ils possèdent une structure algébrique simple ;
— ils peuvent approximer efficacement de nombreuses fonctions régulières.
Idée essentielle
Les polynômes sont les briques élémentaires les plus naturelles de l’approximation numé-
rique.

95 Ouverture vers les moindres carrés

Dans de nombreux problèmes réels, les données sont bruitées et il n’est pas souhaitable de
passer exactement par tous les points.
On préfère alors choisir un polynôme Pm de degré plus petit que n, qui minimise une erreur
globale, par exemple
X n
(yi − Pm (xi ))2 .
i=0

C’est le point de départ de l’approximation au sens des moindres carrés.

Remarque 95.1. L’interpolation impose une exactitude ponctuelle, tandis que les moindres
carrés recherchent une meilleure qualité globale moyenne.

Cela relie naturellement ce chapitre aux chapitres précédents sur les systèmes linéaires et
annonce les méthodes numériques en analyse.

96 Résumé du chapitre
Dans ce chapitre, nous avons étudié les fondements de l’interpolation polynomiale et de
l’approximation numérique.
Les idées essentielles sont les suivantes :
— pour des noeuds distincts, il existe un unique polynôme interpolateur de degré au plus n ;
— la formule de Lagrange fournit une expression explicite du polynôme ;
— la forme de Newton fournit une construction progressive et algorithmique ;
— les différences divisées permettent de calculer efficacement les coefficients de Newton ;
— l’erreur d’interpolation dépend de la régularité de la fonction et du choix des noeuds ;
— le phénomène de Runge montre que l’interpolation de haut degré sur noeuds équidistants
peut être mauvaise ;
— les noeuds de Chebyshev améliorent fortement le comportement de l’interpolation ;
— l’interpolation exacte doit être distinguée de l’approximation au sens large.
Ce chapitre clôt ainsi l’EC1 en montrant que les méthodes numériques ne consistent pas
seulement à résoudre des systèmes, mais aussi à reconstruire, représenter et approximer effica-
cement les fonctions.

97 TD : interpolation polynomiale et approximation

Exercice 1 — Polynôme interpolateur de Lagrange
Déterminer le polynôme interpolateur de Lagrange associé aux points

(0, 1), (1, 3), (2, 2).

Exercice 2 — Vérification
Vérifier que le polynôme obtenu dans l’exercice précédent satisfait bien les conditions

P (0) = 1, P (1) = 3, P (2) = 2.

Exercice 3 — Forme de Newton

Construire le polynôme interpolateur des mêmes points sous la forme de Newton.
 Exercice 4 — Différences divisées
Calculer les différences divisées associées aux points

x0 = 0, x1 = 1, x2 = 2

et aux valeurs
f (x0 ) = 1, f (x1 ) = 3, f (x2 ) = 2.

Exercice 5 — Erreur d’interpolation

Énoncer la formule générale de l’erreur d’interpolation et expliquer, avec vos propres mots,
ce que signifie chaque terme.

Exercice 6 — Réflexion sur Runge

Expliquer pourquoi le phénomène de Runge montre qu’un polynôme de degré très élevé
n’est pas toujours une bonne idée pour approcher une fonction.

Exercice 7 — Comparaison conceptuelle

Expliquer avec vos propres mots la différence entre :
— interpolation de Lagrange et interpolation de Newton ;
— interpolation exacte et approximation ;
— noeuds équidistants et noeuds de Chebyshev.

98 Exercices supplémentaires
Exercice 1. Montrer qu’un polynôme de degré au plus n est entièrement déterminé par ses valeurs en
n + 1 points distincts.
Exercice 2. Construire un polynôme interpolateur pour deux points, puis pour trois points.
Exercice 3. Vérifier la propriété fondamentale des polynômes de Lagrange.
Exercice 4. Écrire explicitement la forme générale d’un polynôme interpolateur de Newton de degré
3.
Exercice 5. Discuter l’intérêt pratique des différences divisées.
Exercice 6. Expliquer pourquoi l’erreur d’interpolation est nulle aux noeuds.
Exercice 7. Donner un exemple où l’interpolation exacte est peu pertinente à cause du bruit.
Exercice 8. Expliquer pourquoi les polynômes sont si importants en approximation numérique.
Exercice 9. Rechercher le lien entre interpolation et quadrature numérique.
Exercice 10. Relier ce chapitre aux moindres carrés et aux systèmes linéaires étudiés précédemment.
Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] K. E. Atkinson, An Introduction to Numerical Analysis, Wiley.
[4] G. Dahlquist and A. Björck, Numerical Methods, Dover Publications.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

II) EC2 : Méthodes numériques en analyse

Chapitre 1 : Intégration numérique

Formules élémentaires, interpolation, erreur de quadrature et
méthodes composites

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions successivement :
— le problème général de l’intégration numérique ;
— les idées fondamentales de quadrature ;
— les formules de Newton-Cotes élémentaires ;
— la méthode des rectangles ;
— la méthode du point milieu ;
— la méthode du trapèze ;
— la méthode de Simpson ;
— l’interprétation par interpolation polynomiale ;
— l’analyse de l’erreur de quadrature ;
— les méthodes composites ;
— le compromis entre coût, précision et stabilité numérique.
99 Introduction générale
L’intégration joue un rôle central dans les mathématiques, la physique, l’ingénierie, les
probabilités, la statistique, l’économie, l’apprentissage automatique et, plus généralement, dans
toutes les disciplines quantitatives. Dans de nombreux problèmes appliqués, on souhaite calculer
une quantité de la forme Z b
I= f (x) dx.
a

Sur le plan théorique, cette quantité peut parfois être obtenue par calcul exact. Toutefois,
dans un très grand nombre de situations, cela est impossible ou peu réaliste. Plusieurs raisons
expliquent cette difficulté :
— la primitive de f n’est pas connue sous forme explicite ;
— la fonction f est définie uniquement par des données tabulées ;
— la fonction résulte d’une simulation numérique ;
— le calcul exact serait trop coûteux ou trop compliqué.
Dans de telles situations, il devient nécessaire de remplacer l’intégrale exacte par une ap-
proximation numérique. C’est précisément l’objet de l’intégration numérique, aussi appelée
quadrature numérique.
L’idée fondamentale consiste à approximer l’aire sous la courbe par une combinaison finie de
valeurs de la fonction prises en certains points bien choisis. On remplace ainsi un objet continu
par une somme pondérée :
Z b Xn
f (x) dx ≈ ωi f (xi ),
a i=0

où les xi sont des noeuds et les ωi des poids.

Idée essentielle
L’intégration numérique repose sur une idée simple mais profonde : remplacer une aire
continue par une somme discrète intelligemment construite.

Ce chapitre est fondamental pour deux raisons. D’une part, il introduit des outils direc-
tement utilisables dans le calcul scientifique. D’autre part, il montre comment les idées d’in-
terpolation polynomiale étudiées précédemment conduisent naturellement à des formules de
quadrature.
 Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— expliquer pourquoi une intégration numérique est parfois nécessaire ;
— définir une formule de quadrature ;
— dériver les formules élémentaires d’intégration numérique ;
— interpréter les méthodes classiques à l’aide de l’interpolation ;
— comparer les méthodes des rectangles, du point milieu, du trapèze et de Simpson ;
— comprendre l’origine des termes d’erreur ;
— mettre en oeuvre les méthodes composites ;
— discuter les effets du pas de discrétisation sur la précision ;
— choisir une méthode adaptée selon le contexte.

100 Le problème général de l’intégration numérique

Soit une fonction f définie sur un intervalle [a, b]. On souhaite approcher la quantité
Z b
I= f (x) dx.
a

Définition 100.1. On appelle formule de quadrature toute approximation de l’intégrale sous

la forme
Z b n
X
f (x) dx ≈ ωi f (xi ),
a i=0

où x0 , . . . , xn ∈ [a, b] sont les noeuds de quadrature, et ω0 , . . . , ωn sont des coefficients réels

appelés poids.

Remarque 100.2. Le choix des noeuds et des poids détermine la qualité de la formule. Toute
la théorie de la quadrature numérique consiste à construire des formules efficaces, précises et
stables.

100.1 Principe général

L’idée générale est de remplacer f par une fonction plus simple, facile à intégrer. Très
souvent, on remplace f par un polynôme interpolateur, ce qui permet ensuite d’intégrer expli-
citement ce polynôme.
Autrement dit, si Pn est un polynôme approchant f , alors on écrit
Z b Z b
f (x) dx ≈ Pn (x) dx.
a a

Ce point de vue relie directement l’intégration numérique à l’interpolation polynomiale.

101 Interprétation géométrique
L’intégrale Z b
f (x) dx
a

peut être interprétée comme l’aire algébrique sous la courbe représentative de f entre a et b.
Les méthodes numériques classiques consistent alors à approximer cette aire par :
— des rectangles ;
— des trapèzes ;
— des arcs paraboliques ;
— plus généralement, des courbes simples faciles à intégrer.

Exemple 101.1. Si la fonction est presque constante sur un petit intervalle, alors l’aire peut
être approximée par celle d’un rectangle. Si elle varie à peu près linéairement, un trapèze donne
souvent une meilleure approximation. Si elle présente une légère courbure, une approximation
quadratique peut être plus pertinente.

Idée essentielle
Chaque formule d’intégration numérique correspond à une certaine manière de remplacer
localement la courbe par une figure géométrique simple.

102 Méthode des rectangles

La méthode des rectangles est la méthode la plus élémentaire. Elle consiste à approximer
l’aire par celle d’un rectangle.

102.1 Rectangle à gauche

On approxime f (x) sur [a, b] par la constante f (a). On obtient alors
Z b
f (x) dx ≈ (b − a)f (a).
a

Définition 102.1. La formule du rectangle à gauche est

Qgauche = (b − a)f (a).

102.2 Rectangle à droite

De même, on peut approcher f par la constante f (b), ce qui donne
Z b
f (x) dx ≈ (b − a)f (b).
a

Définition 102.2. La formule du rectangle à droite est

Qdroite = (b − a)f (b).

Remarque 102.3. Ces formules sont simples, mais leur précision est limitée, surtout si la
fonction varie sensiblement sur l’intervalle.

103 Méthode du point milieu

Une amélioration naturelle consiste à approximer la fonction par sa valeur au milieu de
l’intervalle :
a+b
m= .
2
On obtient alors Z b  
a+b
f (x) dx ≈ (b − a)f .
a 2
Définition 103.1. La formule du point milieu est
 
a+b
Qmilieu = (b − a)f .
2

Idée essentielle
La méthode du point milieu est souvent plus précise que les rectangles à gauche ou à
droite, car elle évalue la fonction en un point plus représentatif de l’intervalle.

Exemple 103.2. Pour approcher Z 2

f (x) dx,
0

la méthode du point milieu donne

2 f (1).

104 Méthode du trapèze

La méthode du trapèze consiste à approcher f par la fonction affine qui interpole f (a) et
f (b).
Autrement dit, on remplace localement la courbe par la droite passant par les points

(a, f (a)) et (b, f (b)).

L’aire sous cette droite correspond à l’aire d’un trapèze.

Théorème 104.1. La formule du trapèze est

b−a

QT = f (a) + f (b) .
2
Démonstration. L’aire d’un trapèze de bases f (a) et f (b), et de hauteur b − a, vaut

b−a

f (a) + f (b) .
2
Remarque 104.2. Cette formule peut aussi être obtenue en intégrant le polynôme interpolateur
affine de Lagrange sur [a, b].

Application / Interprétation

La méthode du trapèze est particulièrement adaptée lorsque la fonction est presque li-
néaire sur l’intervalle considéré.

105 Méthode de Simpson

La méthode de Simpson repose sur une approximation quadratique de la fonction.
On considère trois points :
a+b
a, m= , b.
2
On interpole la fonction en ces trois points par un polynôme de degré 2, puis on intègre ce
polynôme.
Théorème 105.1. La formule de Simpson est
   
b−a a+b
QS = f (a) + 4f + f (b) .
6 2

Remarque 105.2. La pondération 1, 4, 1 traduit le fait que le point milieu joue un rôle central
dans l’approximation quadratique.

Idée essentielle
La méthode de Simpson peut être vue comme une méthode très efficace pour capturer la
courbure locale de la fonction.

106 Lien avec l’interpolation polynomiale

Les formules précédentes ne sont pas isolées. Elles s’inscrivent dans une idée unificatrice.

106.1 Cas du trapèze

On interpole f par un polynôme affine P1 sur [a, b], puis on calcule
Z b
P1 (x) dx.
a

On retrouve alors la formule du trapèze.

106.2 Cas de Simpson

a+b
On interpole f aux points a, 2
, b par un polynôme quadratique P2 , puis on calcule
Z b
P2 (x) dx.
a
On retrouve alors la formule de Simpson.
Remarque 106.1. Cette interprétation montre que les formules classiques de quadrature sont
en réalité des intégrales exactes de polynômes interpolateurs.

107 Erreur de quadrature

Aucune formule de quadrature n’est exacte pour toutes les fonctions. Il est donc essentiel
d’estimer l’erreur commise.
Définition 107.1. Si Q(f ) désigne une approximation numérique de
Z b
f (x) dx,
a

on appelle erreur de quadrature la quantité

Z b
E(f ) = f (x) dx − Q(f ).
a

La taille de cette erreur dépend :

— de la régularité de la fonction ;
— de la méthode utilisée ;
— de la longueur de l’intervalle ;
— éventuellement du nombre de sous-intervalles dans le cas composite.

108 Erreur de la méthode du trapèze

Théorème 108.1. Si f ∈ C 2 ([a, b]), alors il existe ξ ∈ (a, b) tel que
b
b−a (b − a)3 ′′
Z


f (x) dx − f (a) + f (b) = − f (ξ).
a 2 12

Remarque 108.2. Cette formule montre que la méthode du trapèze est exacte pour les fonctions
affines, puisque dans ce cas
f ′′ = 0.

Idée essentielle
L’erreur du trapèze dépend de la courbure de la fonction. Plus f ′′ est petit, meilleure est
généralement l’approximation.

109 Erreur de la méthode de Simpson

Théorème 109.1. Si f ∈ C 4 ([a, b]), alors il existe ξ ∈ (a, b) tel que
b
(b − a)5 (4)
   
b−a
Z
a+b
f (x) dx − f (a) + 4f + f (b) = − f (ξ).
a 6 2 2880
Remarque 109.2. Cette formule montre que Simpson est exacte pour tous les polynômes de
degré inférieur ou égal à 3.

Point d’attention
La grande précision théorique d’une méthode ne dispense jamais d’examiner la régularité
de la fonction. Une méthode de haut ordre suppose généralement une fonction suffisam-
ment régulière.

110 Degré d’exactitude

Définition 110.1. On appelle degré d’exactitude d’une formule de quadrature le plus grand
entier m tel que la formule soit exacte pour tout polynôme de degré inférieur ou égal à m.

Exemple 110.2. — la méthode du rectangle à gauche est exacte pour les polynômes constants ;
— la méthode du trapèze est exacte pour les polynômes de degré au plus 1 ;
— la méthode de Simpson est exacte pour les polynômes de degré au plus 3.

Remarque 110.3. Le degré d’exactitude fournit une mesure simple et utile de la qualité algé-
brique d’une formule de quadrature.

111 Méthodes composites

Sur un grand intervalle, il est souvent préférable de subdiviser [a, b] en plusieurs sous-
intervalles et d’appliquer la méthode choisie sur chaque morceau.
Soit
a = x0 < x1 < · · · < xn = b
une subdivision uniforme, de pas
b−a
h= .
n

111.1 Rectangle composite

La formule composite des rectangles à gauche est
n−1
X
QRC = h f (xi ).
i=0

La formule composite au point milieu est

n−1  
X xi + xi+1
QMC =h f .
i=0
2
111.2 Trapèze composite
Théorème 111.1. La formule du trapèze composite est
" n−1
#
f (x0 ) X f (xn )
QTC = h + f (xi ) + .
2 i=1
2

Remarque 111.2. Les points intérieurs interviennent avec le poids 1, tandis que les extrémités
interviennent avec le poids 12 .

111.3 Simpson composite

La formule de Simpson composite nécessite un nombre pair de sous-intervalles.

Théorème 111.3. Si n est pair, la formule de Simpson composite s’écrit

 
h X X
QSC = f (x0 ) + 4 f (xi ) + 2 f (xi ) + f (xn ) .

3 1≤i≤n−1 2≤i≤n−2
i impair i pair

Remarque 111.4. La structure des coefficients 1, 4, 2, 4, 2, . . . , 4, 1 est caractéristique de Simp-

son composite.

112 Pourquoi les méthodes composites sont-elles meilleures ?

Les méthodes élémentaires sont construites pour un seul intervalle. Si celui-ci est grand, la
fonction peut y varier fortement et l’approximation locale devient médiocre.
En subdivisant l’intervalle :
— on réduit la taille locale des erreurs ;
— on adapte mieux la méthode à la géométrie de la fonction ;
— on obtient une meilleure précision globale.
Idée essentielle
La subdivision de l’intervalle est l’un des leviers les plus puissants de l’intégration numé-
rique : elle transforme une approximation grossière globale en une somme d’approxima-
tions locales plus fines.

113 Compromis entre précision et coût

Améliorer une approximation numérique a un coût. Plus on augmente le nombre de noeuds
ou de sous-intervalles, plus le calcul devient précis, mais plus le nombre d’évaluations de la
fonction augmente.
Il faut donc trouver un compromis entre :
— précision souhaitée ;
— coût de calcul ;
 — régularité de la fonction ;
— stabilité numérique.

Remarque 113.1. Dans certaines applications, l’évaluation de f (x) est elle-même coûteuse.
Le choix d’une formule efficace devient alors crucial.

114 Aspects numériques pratiques

L’intégration numérique n’est pas seulement une affaire de formules. Il faut aussi garder à
l’esprit certains aspects pratiques :
— une fonction oscillante peut nécessiter un pas fin ;
— une fonction peu régulière peut limiter l’intérêt des méthodes de haut ordre ;
— les erreurs d’arrondi peuvent s’accumuler si le nombre de sous-intervalles est très grand ;
— l’utilisation aveugle d’une méthode plus sophistiquée n’est pas toujours optimale.

Point d’attention
En calcul numérique, une méthode plus compliquée n’est pas toujours meilleure. La bonne
méthode est celle qui est adaptée à la structure réelle du problème.

115 Résumé du chapitre

Dans ce chapitre, nous avons introduit les idées fondamentales de l’intégration numérique.
Les points essentiels sont les suivants :
— une intégrale définie peut être approchée par une somme pondérée de valeurs de la fonc-
tion ;
— les méthodes classiques sont les rectangles, le point milieu, le trapèze et Simpson ;
— ces méthodes s’interprètent par l’intégration de polynômes interpolateurs ;
— l’erreur dépend de la régularité de la fonction et de la méthode choisie ;
— les méthodes composites améliorent fortement la précision sur de grands intervalles ;
— le choix d’une méthode résulte toujours d’un compromis entre simplicité, coût et précision.
Ce chapitre constitue un point d’entrée majeur de l’analyse numérique appliquée, car il
montre comment remplacer une opération analytique difficile par une procédure discrète contrô-
lée.

116 TD : intégration numérique

Exercice 1 — Rectangle à gauche
Approcher Z 1
(1 + x2 ) dx
0

par la méthode du rectangle à gauche.

 Exercice 2 — Point milieu
Approcher la même intégrale Z 1
(1 + x2 ) dx
0

par la méthode du point milieu.

Exercice 3 — Trapèze
Approcher Z 1
(1 + x2 ) dx
0

par la méthode du trapèze.

Exercice 4 — Simpson
Approcher Z 1
(1 + x2 ) dx
0

par la méthode de Simpson.

Exercice 5 — Comparaison
Comparer les résultats des quatre méthodes précédentes avec la valeur exacte de l’intégrale.

Exercice 6 — Degré d’exactitude

Expliquer pourquoi la méthode du trapèze est exacte pour toute fonction affine.

Exercice 7 — Discussion conceptuelle

Expliquer avec vos propres mots la différence entre :
— une formule de quadrature élémentaire et une formule composite ;
— interpolation et quadrature ;
— précision théorique et précision pratique.

117 Exercices supplémentaires

Exercice 1. Donner une interprétation géométrique de la méthode du trapèze.
Exercice 2. Montrer que la formule de Simpson est exacte pour les polynômes de degré 2.
Exercice 3. Rechercher pourquoi elle est encore exacte pour les polynômes de degré 3.
Exercice 4. Construire la formule composite des rectangles sur un intervalle découpé en n parties.
Exercice 5. Expliquer pourquoi le point milieu est souvent plus précis que le rectangle à gauche.
Exercice 6. Étudier l’effet du pas h sur la qualité de l’approximation.
Exercice 7. Discuter l’intérêt des méthodes composites pour des fonctions non linéaires.
 Exercice 8. Donner un exemple d’application scientifique où l’intégration numérique est indispensable.
Exercice 9. Expliquer le lien entre ce chapitre et celui sur l’interpolation polynomiale.
Exercice 10. Relier l’intégration numérique aux futurs chapitres sur les équations différentielles.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] K. E. Atkinson, An Introduction to Numerical Analysis, Wiley.
[4] G. Dahlquist and A. Björck, Numerical Methods, Dover Publications.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

II) EC2 : Méthodes numériques en analyse

Chapitre 2 : Résolution numérique des

équations différentielles ordinaires
Problème de Cauchy, schéma d’Euler, ordre, consistance, stabilité et
convergence

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions successivement :
— le problème général des équations différentielles ordinaires ;
— le problème de Cauchy ;
— pourquoi une solution exacte n’est pas toujours accessible ;
— l’idée générale de discrétisation ;
— la méthode d’Euler explicite ;
— la méthode d’Euler implicite ;
— l’interprétation géométrique des schémas ;
— les erreurs locale et globale ;
— les notions de consistance, stabilité et convergence ;
— les méthodes d’ordre supérieur ;
— une introduction aux méthodes de Runge-Kutta ;
— les enjeux pratiques du choix du pas.
118 Introduction générale
Les équations différentielles ordinaires occupent une place centrale dans les mathématiques
appliquées, la physique, la chimie, la biologie, l’économie, l’ingénierie, le traitement du signal,
l’intelligence artificielle et la modélisation en général. Elles servent à décrire l’évolution d’un
phénomène au cours du temps ou relativement à une variable indépendante.
Lorsqu’une grandeur inconnue y(t) évolue selon une loi faisant intervenir sa dérivée, on
obtient une équation différentielle ordinaire. Par exemple :
— croissance d’une population ;
— refroidissement d’un corps ;
— mouvement d’un système mécanique ;
— propagation d’un courant électrique ;
— évolution d’un capital ou d’un stock ;
— dynamique d’un procédé chimique.
Dans un très grand nombre de cas, la solution exacte n’est pas accessible sous forme fermée.
Même lorsqu’elle existe théoriquement, son expression peut être trop compliquée pour être
exploitée en pratique. Il devient alors nécessaire de construire des approximations numériques
de la solution.
L’objectif de ce chapitre est précisément d’introduire les idées fondamentales de la résolution
numérique des équations différentielles ordinaires, en commençant par les schémas les plus
simples, puis en étudiant rigoureusement leurs propriétés analytiques et numériques.
Idée essentielle
Résoudre numériquement une équation différentielle ne consiste pas à deviner une formule
exacte, mais à construire pas à pas une approximation fiable de la trajectoire de la
solution.

Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— formuler correctement un problème de Cauchy ;
— expliquer pourquoi une méthode numérique est nécessaire ;
— construire un schéma d’Euler explicite ;
— construire un schéma d’Euler implicite ;
— interpréter géométriquement les méthodes d’intégration numérique pour les EDO ;
— distinguer erreur locale et erreur globale ;
— comprendre les notions de consistance, stabilité et convergence ;
— comparer qualitativement différents schémas ;
— expliquer le rôle du pas de discrétisation ;
— relier ces méthodes aux développements de Taylor et à l’analyse numérique générale.
119 Rappel sur les équations différentielles ordinaires
119.1 Définition générale
Définition 119.1. Une équation différentielle ordinaire est une relation faisant intervenir
une fonction inconnue y, une variable indépendante t, ainsi qu’une ou plusieurs dérivées de y
par rapport à t.

Exemple 119.2. Les expressions suivantes sont des équations différentielles ordinaires :

y ′ (t) = y(t), y ′ (t) = t + y(t), y ′′ (t) + y(t) = 0.

Dans ce chapitre, nous nous concentrons principalement sur les équations différentielles du
premier ordre écrites sous la forme

y ′ (t) = f (t, y(t)).

119.2 Le problème de Cauchy

Définition 119.3. On appelle problème de Cauchy le problème consistant à trouver une
fonction y telle que (
y ′ (t) = f (t, y(t)),
y(t0 ) = y0 ,
où t0 est l’instant initial et y0 la condition initiale.

La condition initiale y(t0 ) = y0 est fondamentale. Elle sélectionne une trajectoire particulière
parmi toutes les trajectoires éventuellement possibles.

Exemple 119.4. Considérons

y ′ (t) = y(t), y(0) = 1.

La solution exacte est

y(t) = et .
En revanche, pour l’équation
y ′ (t) = y(t)
sans condition initiale, il existe une infinité de solutions :

y(t) = Cet , C ∈ R.

120 Pourquoi une résolution numérique est-elle nécessaire ?

Sur le plan théorique, certaines équations différentielles simples peuvent être résolues exac-
tement. Mais cette situation est loin d’être générale.
Plusieurs obstacles se présentent :
— la fonction f (t, y) peut être trop compliquée ;
— la primitive ou la séparation des variables peut être impossible ;
 — la solution exacte peut ne pas s’exprimer à l’aide de fonctions élémentaires ;
— même si une formule exacte existe, elle peut être inutilisable numériquement.

Exemple 120.1. L’équation

y ′ (t) = y(t)2 + t
n’admet généralement pas de solution explicite simple exploitable à la main.

Dans les applications, ce que l’on cherche le plus souvent n’est pas une expression symbolique
complète, mais une approximation fiable des valeurs de la solution :

y(t1 ), y(t2 ), y(t3 ), . . .

Idée essentielle
La résolution numérique transforme une équation différentielle continue en une suite de
calculs discrets permettant de suivre l’évolution approximative de la solution.

121 Principe général de discrétisation

On considère un intervalle
[t0 , T ]
sur lequel on souhaite approximer la solution. On introduit une subdivision :

tn = t0 + nh, n = 0, 1, 2, . . . , N,

où h > 0 est le pas de discrétisation.

Définition 121.1. On appelle pas la quantité

h = tn+1 − tn .

L’idée est d’approcher la solution exacte y(tn ) par des valeurs numériques yn , calculées
récursivement.
Autrement dit, on remplace la fonction continue y(t) par une suite

(yn )n≥0 .

Remarque 121.2. Le choix du pas h joue un rôle fondamental : un pas trop grand peut dégrader
fortement la précision, tandis qu’un pas trop petit augmente le coût du calcul.

122 Méthode d’Euler explicite

La méthode d’Euler explicite est le schéma le plus classique et le plus élémentaire pour
résoudre numériquement une EDO.
122.1 Dérivation par développement de Taylor
Partons du développement de Taylor de la solution exacte :

y(tn+1 ) = y(tn ) + h y ′ (tn ) + O(h2 ).

Comme
y ′ (tn ) = f (tn , y(tn )),
on obtient
y(tn+1 ) = y(tn ) + h f (tn , y(tn )) + O(h2 ).
On remplace alors la solution exacte par les approximations numériques, ce qui conduit à
la formule :

Définition 122.1. Le schéma d’Euler explicite est défini par

(
y0 = y(t0 ),
yn+1 = yn + h f (tn , yn ).

122.2 Interprétation géométrique

La dérivée y ′ (tn ) représente la pente de la tangente à la courbe au point (tn , yn ). La méthode
d’Euler explicite consiste à prolonger localement la solution par cette tangente sur un pas h.
Idée essentielle
Euler explicite avance à partir du point courant en utilisant uniquement l’information
disponible au début de l’intervalle.

123 Exemple complet avec Euler explicite

Considérons le problème de Cauchy :
(
y ′ (t) = y(t),
y(0) = 1.

La solution exacte est

y(t) = et .
Prenons un pas h = 0.1. Le schéma d’Euler explicite devient

yn+1 = yn + 0.1 yn = (1.1)yn .

Avec
y0 = 1,
on obtient :
y1 = 1.1, y2 = 1.21, y3 = 1.331.
 Comparons avec les valeurs exactes :

e0.1 ≈ 1.10517, e0.2 ≈ 1.22140, e0.3 ≈ 1.34986.

On observe que la méthode suit bien la tendance générale, mais avec une erreur croissante.
Application / Interprétation

Cet exemple montre bien la philosophie des méthodes numériques pour EDO : on ne
calcule pas la fonction complète, on construit progressivement une trajectoire approchée.

124 Méthode d’Euler implicite

Une variante importante consiste à utiliser l’information au temps suivant tn+1 .

Définition 124.1. Le schéma d’Euler implicite est

(
y0 = y(t0 ),
yn+1 = yn + h f (tn+1 , yn+1 ).

Remarque 124.2. Ce schéma est dit implicite car yn+1 apparaît des deux côtés de la formule.
Il faut donc généralement résoudre une équation à chaque pas.

124.1 Exemple simple

Pour
y ′ (t) = y(t), y(0) = 1,
Euler implicite donne
yn+1 = yn + h yn+1 .
Donc
yn
(1 − h)yn+1 = yn , yn+1 = .
1−h
Pour h = 0.1,
yn
yn+1 = .
0.9
Ainsi,
1
y1 = ≈ 1.1111.
0.9
Remarque 124.3. Euler implicite est souvent plus stable que Euler explicite, surtout pour
certains problèmes dits raides.

125 Comparaison entre Euler explicite et Euler implicite

Les deux schémas reposent sur une idée voisine, mais leurs comportements numériques
peuvent être très différents.
 Critère Euler explicite Euler implicite
Formule yn+1 = yn + hf (tn , yn ) yn+1 = yn + hf (tn+1 , yn+1 )
Nature explicite implicite
Coût par pas faible plus élevé
Mise en oeuvre simple nécessite souvent une
résolution interne
Stabilité plus limitée souvent meilleure

Idée essentielle
Le schéma explicite est plus simple, mais le schéma implicite est souvent plus robuste
numériquement.

126 Erreur locale et erreur globale

Pour analyser sérieusement une méthode numérique, il faut distinguer deux types d’erreurs.

126.1 Erreur locale de troncature

Définition 126.1. L’erreur locale mesure l’erreur commise sur un seul pas, en supposant
que l’on parte de la valeur exacte au pas précédent.

Pour Euler explicite, cette erreur est en général de l’ordre de

O(h2 ).

126.2 Erreur globale

Définition 126.2. L’erreur globale au temps tn est la différence

en = y(tn ) − yn ,

c’est-à-dire l’écart entre la solution exacte et l’approximation numérique après accumulation

des erreurs sur tous les pas précédents.

Pour Euler explicite, l’erreur globale est en général de l’ordre de

O(h).

Remarque 126.3. Il est très important de comprendre que l’erreur locale et l’erreur globale ne
sont pas du même ordre.

127 Ordre d’une méthode

Définition 127.1. On dit qu’une méthode numérique est d’ordre p si son erreur globale est de
l’ordre
O(hp )
lorsque h → 0.
Exemple 127.2. La méthode d’Euler explicite est une méthode d’ordre 1.
Cela signifie que si l’on divise le pas par 2, l’erreur globale est approximativement divisée
par 2.
Idée essentielle
L’ordre d’une méthode mesure la vitesse à laquelle la précision s’améliore lorsque le pas
diminue.

128 Consistance
Définition 128.1. Une méthode numérique est dite consistante si son erreur locale tend vers
0 lorsque le pas h tend vers 0.
Autrement dit, la méthode doit reproduire correctement l’équation différentielle à l’échelle
infinitésimale.
Remarque 128.2. La consistance exprime le fait que le schéma discret est bien un modèle
fidèle du problème différentiel lorsque le pas devient très petit.

129 Stabilité
La stabilité concerne la manière dont les erreurs se propagent d’un pas au suivant.
Définition 129.1. Une méthode est dite stable si de petites perturbations numériques, dues
par exemple aux erreurs d’arrondi ou aux approximations intermédiaires, ne s’amplifient pas
de façon incontrôlée au cours du calcul.
Cette notion est cruciale. Une méthode peut être consistante, mais devenir inutilisable si
les erreurs numériques explosent au fil des itérations.
Point d’attention
Une méthode numériquement instable peut produire des résultats aberrants, même si la
formule de départ paraît mathématiquement correcte.

130 Convergence
Définition 130.1. Une méthode numérique est dite convergente si, lorsque h → 0, les ap-
proximations yn convergent vers les valeurs exactes y(tn ).
En pratique, la convergence signifie que la méthode devient correcte lorsque l’on affine
suffisamment la discrétisation.
Idée essentielle
La convergence est l’objectif final : lorsque le pas devient fin, la méthode doit retrouver
la vraie solution.

Remarque 130.2. Un principe fondamental de l’analyse numérique est qu’une bonne méthode
doit combiner fidélité locale et contrôle global des erreurs.
131 Lien entre consistance, stabilité et convergence
En analyse numérique, ces trois notions sont intimement liées :
— la consistance garantit que le schéma discret reflète correctement l’équation ;
— la stabilité garantit que les erreurs ne s’emballent pas ;
— la convergence garantit que la solution approchée tend vers la solution exacte.

Remarque 131.1. Dans un cadre rigoureux, un résultat fondamental affirme souvent qu’une
méthode consistante et stable est convergente.

Idée essentielle
La consistance regarde la qualité du schéma sur un pas ; la stabilité regarde l’évolution
des erreurs ; la convergence regarde le résultat final.

132 Schémas d’ordre supérieur

La méthode d’Euler est simple, mais sa précision reste limitée. Pour améliorer la qualité des
approximations, on construit des méthodes d’ordre plus élevé.
L’idée générale consiste à utiliser davantage d’informations sur la fonction f , ou à mieux
approximer la courbe solution à l’intérieur d’un pas.

132.1 Motivation par Taylor

Si l’on développe davantage la solution exacte :

h2 ′′
y(tn+1 ) = y(tn ) + hy ′ (tn ) + y (tn ) + · · ·
2
on comprend qu’Euler explicite ne capture que le premier terme correctif. Les méthodes d’ordre
supérieur cherchent à reproduire plus fidèlement ce développement.

133 Introduction aux méthodes de Runge-Kutta

Les méthodes de Runge-Kutta constituent une famille très importante de méthodes numé-
riques pour EDO.
L’idée est d’évaluer la fonction f plusieurs fois au cours d’un même pas afin d’obtenir une
approximation plus précise de la pente moyenne.

133.1 Exemple : Runge-Kutta d’ordre 2

Une forme classique est :
k1 = f (tn , yn ),
k2 = f (tn + h, yn + hk1 ),
puis
h
yn+1 = yn + (k1 + k2 ).
2
Remarque 133.1. Cette méthode améliore Euler explicite en utilisant deux estimations de la
pente au lieu d’une seule.

133.2 Exemple : idée de Runge-Kutta d’ordre 4

La méthode de Runge-Kutta d’ordre 4, très célèbre, combine quatre évaluations de la pente
et offre une très bonne précision dans de nombreux contextes.
Idée essentielle
Les méthodes de Runge-Kutta cherchent à mieux représenter la pente moyenne de la
solution sur chaque intervalle de temps.

134 Exemple qualitatif sur le rôle du pas

Considérons encore (
y ′ (t) = y(t),
y(0) = 1.
Si l’on prend un pas h = 0.5, la méthode d’Euler explicite donne une approximation assez
grossière.
Si l’on prend h = 0.1, l’approximation s’améliore.
Si l’on prend h = 0.01, l’approximation devient beaucoup plus proche de la solution exacte.
Remarque 134.1. Diminuer le pas améliore généralement la précision, mais augmente aussi
le nombre de calculs.

135 Aspects pratiques et limites

La résolution numérique d’une EDO soulève plusieurs questions pratiques :
— quel schéma choisir ?
— quel pas utiliser ?
— faut-il privilégier la simplicité ou la robustesse ?
— comment équilibrer précision et coût de calcul ?
Point d’attention
Une méthode plus élaborée n’est pas automatiquement préférable dans tous les cas. Le
bon choix dépend de la structure de l’équation, de la précision voulue et du coût admis-
sible.

Certaines équations peuvent exiger des méthodes implicites ou adaptées, notamment lors-
qu’elles présentent des comportements rapides ou des contraintes de stabilité sévères.

136 Résumé du chapitre

Dans ce chapitre, nous avons introduit les bases de la résolution numérique des équations
différentielles ordinaires.
 Les idées essentielles sont les suivantes :
— un problème de Cauchy consiste à résoudre une EDO avec condition initiale ;
— une solution exacte n’est pas toujours disponible ;
— les méthodes numériques construisent pas à pas une approximation de la solution ;
— Euler explicite est le schéma fondamental le plus simple ;
— Euler implicite est plus robuste dans de nombreux contextes ;
— les notions de consistance, stabilité et convergence sont centrales ;
— l’ordre d’une méthode mesure sa qualité asymptotique ;
— des méthodes d’ordre supérieur, comme Runge-Kutta, permettent une meilleure précision.
Ce chapitre constitue une étape majeure de l’analyse numérique, car il montre comment
approximer l’évolution dynamique d’un système continu à l’aide d’un processus discret.

137 TD : résolution numérique des équations différentielles

ordinaires
Exercice 1 — Euler explicite
Appliquer la méthode d’Euler explicite au problème
(
y ′ (t) = y(t),
y(0) = 1,

avec le pas h = 0.1, et calculer y1 , y2 , y3 .

Exercice 2 — Comparaison avec la solution exacte

Pour l’exercice précédent, comparer les valeurs obtenues avec

y(t) = et .

Exercice 3 — Euler implicite

Appliquer la méthode d’Euler implicite au même problème
(
y ′ (t) = y(t),
y(0) = 1.

Exercice 4 — Interprétation géométrique

Expliquer géométriquement ce que signifie la méthode d’Euler explicite.

Exercice 5 — Erreur locale et globale

Expliquer avec vos propres mots la différence entre erreur locale et erreur globale.
 Exercice 6 — Discussion conceptuelle
Expliquer avec vos propres mots la différence entre :
— consistance et convergence ;
— stabilité et convergence ;
— schéma explicite et schéma implicite.

Exercice 7 — Influence du pas

Expliquer pourquoi un pas trop grand peut conduire à une approximation médiocre, même
avec une méthode correcte.

138 Exercices supplémentaires

Exercice 1. Donner deux exemples concrets de phénomènes modélisés par des EDO.
Exercice 2. Écrire un problème de Cauchy simple dont la solution exacte est connue.
Exercice 3. Refaire l’exemple d’Euler explicite avec un pas h = 0.2.
Exercice 4. Comparer qualitativement Euler explicite et Euler implicite.
Exercice 5. Expliquer pourquoi l’ordre d’une méthode est important.
Exercice 6. Étudier le lien entre développement de Taylor et schémas numériques.
Exercice 7. Donner une interprétation pratique de la stabilité.
Exercice 8. Discuter les avantages d’une méthode de Runge-Kutta par rapport à Euler.
Exercice 9. Expliquer pourquoi une méthode consistante mais instable peut être inutilisable.
Exercice 10. Relier ce chapitre au chapitre précédent sur l’intégration numérique.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] A. Iserles, A First Course in the Numerical Analysis of Differential Equations, Cambridge
University Press.
[4] J. C. Butcher, Numerical Methods for Ordinary Differential Equations, Wiley.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

II) EC2 : Méthodes numériques en analyse

Chapitre 3 : Approximation de fonctions

et moindres carrés
Ajustement, projection, erreur quadratique et système normal

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions successivement :
— le problème général de l’approximation ;
— pourquoi une interpolation exacte n’est pas toujours souhaitable ;
— l’idée fondamentale des moindres carrés ;
— l’approximation discrète d’un nuage de points ;
— l’ajustement affine ;
— l’ajustement polynomial ;
— la formulation matricielle ;
— la fonctionnelle d’erreur quadratique ;
— les équations normales ;
— l’interprétation géométrique par projection orthogonale ;
— les résidus et leur signification ;
— les avantages, limites et usages pratiques de la méthode.
139 Introduction générale
Dans de nombreuses situations scientifiques, techniques ou économiques, on dispose d’un
ensemble de données expérimentales ou observées, mais pas d’une loi exacte simple reliant les
grandeurs en présence. On cherche alors à construire une fonction qui représente au mieux la
tendance globale des données.
Ce problème apparaît dans des contextes extrêmement variés :
— ajustement d’une droite à des données expérimentales ;
— modélisation de la croissance d’une population ;
— calibration d’un capteur ;
— estimation d’une relation physique entre deux grandeurs ;
— traitement statistique de mesures bruitées ;
— régression en apprentissage automatique.
Dans un premier réflexe, on pourrait chercher une fonction passant exactement par tous
les points observés. C’est l’idée de l’interpolation. Mais en pratique, cette exigence est souvent
inadaptée :
— les données sont bruitées ;
— certaines observations contiennent des erreurs ;
— un modèle exact sur tous les points peut être trop oscillant ;
— ce que l’on recherche n’est pas une fidélité absolue à chaque mesure, mais une bonne
représentation globale de la tendance.
C’est dans ce cadre qu’intervient la méthode des moindres carrés. Au lieu de chercher à
annuler exactement toutes les erreurs, on cherche à rendre leur ensemble aussi petit que possible
dans un sens quadratique.
Idée essentielle
Les moindres carrés ne cherchent pas à faire disparaître toutes les erreurs, mais à répartir
l’erreur de la manière la plus équilibrée et la plus contrôlée possible.

Ce chapitre est fondamental, car il relie l’analyse numérique, l’algèbre linéaire, la géométrie
euclidienne et les applications de modélisation. Il constitue aussi un point d’entrée naturel vers
la régression statistique, l’analyse de données et de nombreuses méthodes modernes d’approxi-
mation.
 Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— distinguer interpolation et approximation ;
— formuler un problème de moindres carrés ;
— construire la fonctionnelle d’erreur quadratique ;
— dériver les équations normales ;
— résoudre un problème d’ajustement affine simple ;
— comprendre la formulation matricielle des moindres carrés ;
— interpréter la solution comme une projection orthogonale ;
— analyser les résidus ;
— expliquer l’intérêt pratique des moindres carrés pour des données bruitées.

140 Le problème général de l’approximation

Supposons que l’on dispose d’un ensemble de données :

(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ),

où les xi sont des abscisses connues et les yi des valeurs observées.

On souhaite trouver une fonction g appartenant à une famille donnée telle que g(xi ) soit
proche de yi pour tout i.

Définition 140.1. On appelle problème d’approximation le problème consistant à détermi-

ner, dans une famille de fonctions donnée, une fonction qui représente au mieux un ensemble
de données observées.

Le sens de l’expression « au mieux » dépend du critère choisi. Plusieurs approches sont

possibles :
— minimiser l’erreur maximale ;
— minimiser la somme des erreurs absolues ;
— minimiser la somme des carrés des erreurs.
Dans ce chapitre, nous nous concentrons sur le troisième point, qui conduit à la méthode
des moindres carrés.

141 Interpolation ou approximation ?

Il est très important de distinguer ces deux notions.

Définition 141.1. L’interpolation consiste à chercher une fonction p telle que

p(xi ) = yi , ∀i.
Définition 141.2. L’approximation consiste à chercher une fonction g telle que

g(xi ) ≈ yi , ∀i,

sans exiger l’égalité exacte.

Remarque 141.3. L’interpolation impose une fidélité point par point. L’approximation privi-
légie une fidélité globale.

Exemple 141.4. Si les données proviennent d’une expérience physique entachée de bruit, il
est souvent absurde d’imposer à la fonction ajustée de passer exactement par tous les points
observés.

Point d’attention
Une interpolation exacte sur des données bruitées peut conduire à un modèle artificiel,
instable ou peu représentatif du phénomène réel.

142 Principe des moindres carrés

Supposons que l’on choisisse une famille de fonctions dépendant de paramètres, par exemple :

g(x) = ax + b.

Pour chaque donnée (xi , yi ), on introduit l’erreur

ri = yi − g(xi ),

appelée résidu.
L’idée des moindres carrés est de choisir les paramètres de g de manière à minimiser la
somme des carrés des résidus : n
X
ri2 .
i=1

Définition 142.1. La méthode des moindres carrés consiste à choisir les paramètres d’un
modèle de façon à minimiser la somme des carrés des écarts entre les valeurs observées et les
valeurs prédites.

Pourquoi les carrés ?

— ils évitent les compensations entre erreurs positives et négatives ;
— ils pénalisent davantage les grandes erreurs ;
— ils conduisent à des fonctions à minimiser lisses et bien adaptées à l’algèbre linéaire.
Idée essentielle
Les moindres carrés remplacent un problème d’ajustement intuitif par un problème ri-
goureux de minimisation d’une quantité quadratique.
143 Ajustement affine
Nous commençons par le cas le plus classique : l’ajustement d’une droite.

143.1 Modèle
On cherche une droite
g(x) = ax + b
qui représente au mieux les données

(x1 , y1 ), . . . , (xn , yn ).

Pour chaque point, l’erreur vaut

ri = yi − (axi + b).

On définit alors la fonction de coût :

n
X
2
J(a, b) = yi − (axi + b) .
i=1

Définition 143.1. On appelle fonctionnelle des moindres carrés associée à l’ajustement

affine la fonction
n
X
2
J(a, b) = yi − (axi + b) .
i=1

Le problème consiste donc à déterminer

(a, b) ∈ R2

minimisant J(a, b).

144 Calcul des équations normales dans le cas affine

Pour minimiser J(a, b), on annule ses dérivées partielles :

∂J ∂J
= 0, = 0.
∂a ∂b
Calculons : n
X
2
J(a, b) = yi − axi − b .
i=1

On obtient : n
∂J X

= −2 xi yi − axi − b ,
∂a i=1
n
∂J X

= −2 yi − axi − b .
∂b i=1
 En annulant ces dérivées, on obtient le système :
n
X n
X n
X
xi y i = a x2i +b xi ,
i=1 i=1 i=1

n
X n
X
yi = a xi + bn.
i=1 i=1

Définition 144.1. Ce système est appelé équations normales du problème de moindres carrés
affine.

145 Exemple complet d’ajustement affine

Considérons les données :

(1, 2), (2, 2.8), (3, 3.6), (4, 5.1).

On cherche la droite
y = ax + b
qui ajuste au mieux ces points.
Calculons les sommes nécessaires :
X
n = 4, xi = 1 + 2 + 3 + 4 = 10,
X
yi = 2 + 2.8 + 3.6 + 5.1 = 13.5,
X
x2i = 1 + 4 + 9 + 16 = 30,
X
xi yi = 2 + 5.6 + 10.8 + 20.4 = 38.8.
Les équations normales deviennent :

38.8 = 30a + 10b,

13.5 = 10a + 4b.

On résout ce système pour obtenir a et b.
Application / Interprétation

Cet exemple illustre le coeur de la méthode : les données observées conduisent à un

système linéaire dont la solution fournit la meilleure droite au sens des moindres carrés.

146 Ajustement polynomial

Le modèle affine n’est pas toujours suffisant. On peut chercher une approximation polyno-
miale de degré plus élevé :

g(x) = a0 + a1 x + a2 x2 + · · · + am xm .
 Le problème des moindres carrés consiste alors à minimiser

n m
!2
X X
J(a0 , . . . , am ) = yi − ak xki .
i=1 k=0

Remarque 146.1. Lorsque m augmente, le modèle devient plus flexible, mais il peut aussi
devenir plus sensible au bruit ou plus difficile à interpréter.

Point d’attention
Augmenter le degré d’un polynôme améliore la capacité d’ajustement, mais ne garantit
pas une meilleure pertinence du modèle.

147 Formulation matricielle

La méthode des moindres carrés prend une forme particulièrement élégante en notation
matricielle.
On écrit
     
1 x1 x21 · · · xm1 a0 y1
 1 x2 x2 · · · xm   a1   y2 
2 2 
A = . . ..  , c =  . , y =  . .
    
. . .. . . .
. . . . .   .   .. 
1 xn x2n · · · xmn am yn

Le problème devient :
Ac ≈ y.
On cherche alors c minimisant
∥Ac − y∥22 .

Définition 147.1. Le problème des moindres carrés matriciel consiste à trouver

c ∈ Rm+1

tel que la norme euclidienne

∥Ac − y∥2
soit minimale.

Idée essentielle
Le problème des moindres carrés transforme un ajustement de données en un problème
géométrique de distance minimale dans un espace euclidien.

148 Équations normales en formulation matricielle

Le minimum de
∥Ac − y∥22
est atteint lorsque le gradient s’annule, ce qui conduit à :

AT Ac = AT y.

Théorème 148.1. Toute solution du problème des moindres carrés vérifie les équations nor-
males
AT Ac = AT y.

Remarque 148.2. Le système normal est un système linéaire carré, même lorsque le système
initial Ac = y est surdéterminé.

148.1 Pourquoi le système initial est-il surdéterminé ?

Lorsque le nombre de données n est supérieur au nombre de paramètres m + 1, le système

Ac = y

contient plus d’équations que d’inconnues. Il n’admet en général pas de solution exacte. Les
moindres carrés fournissent alors la meilleure solution approchée au sens quadratique.

149 Interprétation géométrique

La méthode des moindres carrés possède une interprétation géométrique très importante.
Le vecteur Ac appartient à l’espace engendré par les colonnes de A. On cherche donc un
vecteur de cet espace qui soit le plus proche possible de y.

Définition 149.1. La solution des moindres carrés est la projection orthogonale de y sur l’es-
pace vectoriel engendré par les colonnes de A.

Autrement dit, si r = y − Ac est le vecteur des résidus, alors

r ⊥ Im(A).

Cela signifie que

AT r = 0,
ce qui redonne
AT (y − Ac) = 0 ⇐⇒ AT Ac = AT y.

Idée essentielle
Les équations normales expriment exactement le fait que l’erreur résiduelle est orthogo-
nale à l’espace des modèles possibles.

150 Résidus et qualité de l’ajustement

Définition 150.1. On appelle résidu associé à la donnée (xi , yi ) la quantité

ri = yi − g(xi ).
Définition 150.2. On appelle vecteur des résidus le vecteur

r = y − Ac.

Les résidus mesurent ce que le modèle n’explique pas. Ils permettent de juger :
— la qualité de l’ajustement ;
— la pertinence du choix du modèle ;
— la présence éventuelle d’observations atypiques ;
— la nécessité d’un modèle plus riche.
Remarque 150.3. Un bon ajustement ne signifie pas que tous les résidus sont nuls, mais qu’ils
restent globalement petits et sans structure incohérente apparente.

151 Existence et unicité de la solution

La question de l’existence et de l’unicité dépend de la matrice A.
Théorème 151.1. Si les colonnes de A sont linéairement indépendantes, alors la matrice AT A
est inversible et le problème des moindres carrés admet une solution unique donnée par

c = (AT A)−1 AT y.

Remarque 151.2. Cette formule ressemble à une formule explicite, mais en pratique on évite
souvent de calculer directement l’inverse de AT A, pour des raisons numériques.

Point d’attention
La formule explicite est utile théoriquement, mais la résolution pratique doit tenir compte
de la stabilité numérique.

152 Exemple matriciel simple

Supposons que l’on cherche une droite

y = ax + b

à partir de données (xi , yi ). Alors

   
1 x1 y1
 1 x2     y2 
b
A = . .  , c= , y =  . .
   
 .. ..  a  .. 
1 xn yn

Les équations normales deviennent

AT Ac = AT y.

Cette écriture compacte résume tout le problème d’ajustement affine.

153 Avantages de la méthode des moindres carrés
La méthode des moindres carrés présente de nombreux avantages :
— elle est mathématiquement rigoureuse ;
— elle conduit à un problème d’optimisation convexe simple ;
— elle s’écrit naturellement en termes d’algèbre linéaire ;
— elle est très adaptée aux données bruitées ;
— elle possède une interprétation géométrique claire ;
— elle sert de base à la régression linéaire et à de nombreuses méthodes statistiques.
Application / Interprétation

Les moindres carrés constituent l’un des ponts les plus importants entre les mathéma-
tiques numériques, la modélisation et l’analyse de données.

154 Limites et précautions

Malgré sa puissance, la méthode des moindres carrés possède aussi des limites.
— elle est sensible aux valeurs aberrantes, car les carrés amplifient les grandes erreurs ;
— un modèle mal choisi peut donner un ajustement numériquement correct mais concep-
tuellement peu pertinent ;
— l’augmentation du degré du polynôme peut conduire à un ajustement artificiellement
complexe ;
— la formulation via AT A peut parfois dégrader le conditionnement.

Point d’attention
Un bon ajustement numérique ne remplace jamais une réflexion sur la pertinence du
modèle choisi.

155 Lien avec la régression

La méthode des moindres carrés est étroitement liée à la régression linéaire en statistique
et en apprentissage automatique.
Dans ce cadre :
— les données sont observées avec bruit ;
— la relation entre variables est modélisée par une fonction paramétrique ;
— les paramètres sont estimés en minimisant une erreur quadratique.

Remarque 155.1. Ainsi, la régression linéaire classique peut être vue comme une application
directe des moindres carrés.
156 Résumé du chapitre
Dans ce chapitre, nous avons introduit les principes fondamentaux de l’approximation de
fonctions et de la méthode des moindres carrés.
Les idées essentielles sont les suivantes :
— l’approximation se distingue de l’interpolation ;
— les moindres carrés minimisent la somme des carrés des résidus ;
— l’ajustement affine constitue le cas le plus élémentaire ;
— les équations normales donnent une caractérisation algébrique de la solution ;
— la formulation matricielle éclaire la structure générale du problème ;
— la solution s’interprète géométriquement comme une projection orthogonale ;
— les résidus mesurent la part non expliquée par le modèle ;
— la méthode est puissante, mais suppose un choix raisonnable du modèle.
Ce chapitre constitue une étape majeure dans la formation numérique de l’étudiant, car il
relie approximation, algèbre linéaire, optimisation et modélisation de données.

157 TD : approximation de fonctions et moindres carrés

Exercice 1 — Interpolation ou approximation
Expliquer, avec vos propres mots, la différence entre interpolation exacte et approximation
au sens des moindres carrés.

Exercice 2 — Résidus
On considère les données
(1, 2), (2, 3), (3, 5).
Pour la droite
g(x) = x + 1,
calculer les résidus.

Exercice 3 — Fonctionnelle quadratique

Pour les mêmes données, écrire explicitement la fonction
3
X
J(a, b) = (yi − (axi + b))2 .
i=1

Exercice 4 — Équations normales

Déduire les équations normales pour l’ajustement affine général

g(x) = ax + b.
 Exercice 5 — Ajustement affine complet
À partir des données
(1, 2), (2, 2.8), (3, 3.6), (4, 5.1),
calculer les sommes nécessaires et écrire les équations normales.

Exercice 6 — Interprétation géométrique

Expliquer pourquoi la solution des moindres carrés peut être interprétée comme une pro-
jection orthogonale.

Exercice 7 — Discussion conceptuelle

Expliquer avec vos propres mots la différence entre :
— résidu et erreur ;
— modèle exact et modèle ajusté ;
— système surdéterminé et système carré.

158 Exercices supplémentaires

Exercice 1. Donner un exemple concret où l’interpolation exacte serait peu pertinente.
Exercice 2. Donner un exemple concret où un ajustement affine serait raisonnable.
Exercice 3. Écrire la matrice A pour un ajustement polynomial de degré 2.
Exercice 4. Expliquer pourquoi la somme des résidus n’est pas le bon critère à minimiser.
Exercice 5. Discuter l’effet d’une observation aberrante sur les moindres carrés.
Exercice 6. Montrer que AT A est une matrice symétrique.
Exercice 7. Expliquer pourquoi les colonnes de A doivent être linéairement indépendantes pour ga-
rantir l’unicité.
Exercice 8. Relier ce chapitre à l’algèbre linéaire étudiée précédemment.
Exercice 9. Relier ce chapitre à la régression linéaire.
Exercice 10. Expliquer pourquoi ce chapitre est important pour l’analyse de données modernes.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] K. E. Atkinson, An Introduction to Numerical Analysis, Wiley.
[4] G. H. Golub and C. F. Van Loan, Matrix Computations, Johns Hopkins University Press.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

II) EC2 : Méthodes numériques en analyse

Chapitre 4 : Calcul numérique des

dérivées
Différences finies, ordre, erreur de troncature, arrondi et stabilité

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions :
— le problème général de la dérivation numérique ;
— pourquoi la dérivation numérique est plus délicate que l’intégration numérique ;
— les formules de différences finies avant, arrière et centrées ;
— la construction rigoureuse des schémas à partir du développement de Taylor ;
— les ordres de précision et leur interprétation ;
— l’approximation des dérivées secondes ;
— l’erreur de troncature ;
— l’erreur d’arrondi et la perte de chiffres significatifs ;
— le compromis entre précision théorique et stabilité numérique ;
— la sensibilité au bruit ;
— des exemples d’application et de bonnes pratiques.
159 Introduction générale
La dérivation est l’une des opérations les plus fondamentales de l’analyse mathématique.
Elle intervient dans la description des variations instantanées, dans l’étude des pentes, dans les
lois physiques, dans les méthodes d’optimisation, dans les équations différentielles et dans de
très nombreux algorithmes scientifiques.
En théorie, si une fonction f est suffisamment régulière, sa dérivée en un point x est définie
par la limite
f (x + h) − f (x)
f ′ (x) = lim .
h→0 h
Cette définition est claire sur le plan analytique, mais elle devient délicate en pratique numé-
rique. En effet, l’ordinateur ne manipule pas des limites : il travaille avec des valeurs finies de
h, avec une précision limitée, et avec des données souvent entachées d’erreurs.
Ainsi, le calcul numérique des dérivées ne consiste pas à « calculer exactement » la dérivée,
mais à la remplacer par une approximation construite à partir d’un nombre fini d’évaluations
de la fonction.
Contrairement à l’intégration numérique, qui a souvent un effet de moyenne et de régula-
risation, la dérivation numérique a tendance à amplifier les erreurs. Cela en fait un problème
numériquement sensible.
Idée essentielle
Le calcul numérique des dérivées consiste à extraire une information locale très fine à
partir de données discrètes. Cette opération est naturellement sensible aux perturbations.

Dans la pratique, on dispose souvent :

— soit d’une fonction connue explicitement mais difficile à dériver symboliquement ;
— soit d’une fonction accessible uniquement par évaluation ;
— soit d’un tableau de valeurs expérimentales f (xi ) ;
— soit de données bruitées issues de mesures physiques.
Dans tous ces cas, il faut construire des approximations robustes et comprendre leurs erreurs.
Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— expliquer pourquoi la dérivation numérique est un problème délicat ;
— construire des formules de différences finies à partir du développement de Taylor ;
— distinguer schémas avant, arrière et centrés ;
— calculer l’ordre d’une méthode ;
— approximer une dérivée première et une dérivée seconde ;
— analyser l’erreur de troncature ;
— comprendre l’effet de l’erreur d’arrondi ;
— expliquer le compromis sur le choix du pas h ;
— discuter la sensibilité au bruit ;
— choisir une méthode adaptée à un problème simple.
160 Pourquoi la dérivation numérique est-elle délicate ?
Le point de départ théorique est la formule

f (x + h) − f (x)
f ′ (x) = lim .
h→0 h
Cette expression suggère qu’il suffit de prendre h très petit. Pourtant, en pratique numérique,
ce raisonnement est faux s’il est appliqué naïvement.
Pourquoi ?
— Si h est trop grand, l’approximation est grossière : l’erreur de troncature est importante.
— Si h est trop petit, les quantités f (x + h) et f (x) deviennent très proches, leur différence
peut perdre beaucoup de chiffres significatifs, et l’erreur d’arrondi devient dominante.
On se trouve donc face à une tension fondamentale :

diminuer h améliore certains aspects, mais en détériore d’autres.

Point d’attention
Dans le calcul numérique des dérivées, prendre un pas h extrêmement petit n’est pas
toujours une bonne idée. Une approximation plus fine analytiquement peut devenir moins
bonne numériquement.

161 Principe général des différences finies

Supposons que l’on connaisse une fonction f aux points voisins de x :

f (x), f (x + h), f (x − h), . . .

Le principe général consiste à remplacer la dérivée exacte par une combinaison linéaire de
ces valeurs.

Définition 161.1. Une formule de différences finies est une approximation de dérivée
obtenue à partir d’un nombre fini de valeurs de la fonction évaluées sur un petit voisinage du
point considéré.

Le développement de Taylor constitue l’outil fondamental permettant de construire et d’ana-

lyser ces formules.

162 Développement de Taylor comme outil de construction

Si f est suffisamment régulière, on a, au voisinage de x,

h2 ′′ h3 h4
f (x + h) = f (x) + hf ′ (x) + f (x) + f (3) (x) + f (4) (x) + O(h5 ),
2 6 24
et
h2 ′′ h3 h4
f (x − h) = f (x) − hf ′ (x) + f (x) − f (3) (x) + f (4) (x) + O(h5 ).
2 6 24
 Ces deux expansions permettent de faire apparaître ou de faire disparaître certains termes
selon que l’on additionne ou soustrait les expressions.

Remarque 162.1. Le développement de Taylor est l’outil central de l’analyse locale. En mé-
thodes numériques, il sert à construire les schémas et à mesurer leur précision.

163 Différence finie avant

163.1 Formule
Définition 163.1. La différence finie avant pour approximer f ′ (x) est donnée par

f (x + h) − f (x)
f ′ (x) ≈ .
h

163.2 Dérivation de la formule

Partons du développement :

h2 ′′ h3
f (x + h) = f (x) + hf ′ (x) + f (x) + f (3) (x) + O(h4 ).
2 6
En retranchant f (x), on obtient :

h2 ′′ h3
f (x + h) − f (x) = hf ′ (x) + f (x) + f (3) (x) + O(h4 ).
2 6
En divisant par h, on trouve :

f (x + h) − f (x) h h2
= f ′ (x) + f ′′ (x) + f (3) (x) + O(h3 ).
h 2 6
Ainsi,
f (x + h) − f (x) h ′′
f ′ (x) = − f (x) + O(h2 ).
h 2
Définition 163.2. On dit que la différence finie avant est une méthode d’ordre 1, car son
erreur principale est proportionnelle à h.

Remarque 163.3. Cette formule est simple, mais sa précision est relativement modeste.

163.3 Exemple
Pour f (x) = x2 , on a f ′ (x) = 2x. En x = 1, avec h = 0.1,

f (1.1) − f (1) 1.21 − 1

= = 2.1.
0.1 0.1
La valeur exacte étant 2, l’erreur est 0.1.
164 Différence finie arrière
164.1 Formule
Définition 164.1. La différence finie arrière est donnée par

f (x) − f (x − h)
f ′ (x) ≈ .
h

164.2 Analyse
En utilisant le développement de f (x − h), on obtient :

f (x) − f (x − h) h h2
= f ′ (x) − f ′′ (x) + f (3) (x) + O(h3 ).
h 2 6
La méthode est donc, elle aussi, d’ordre 1.

Remarque 164.2. Les différences avant et arrière sont asymétriques. Elles sont utiles lors-
qu’on ne dispose de l’information que d’un seul côté du point considéré, par exemple à proximité
d’un bord du domaine.

165 Différence finie centrée

165.1 Formule
Définition 165.1. La différence finie centrée est donnée par

f (x + h) − f (x − h)
f ′ (x) ≈ .
2h

165.2 Analyse détaillée

En soustrayant les développements de f (x + h) et f (x − h), on obtient :

h3 (3)
f (x + h) − f (x − h) = 2hf ′ (x) + f (x) + O(h5 ).
3
En divisant par 2h,

f (x + h) − f (x − h) h2
= f ′ (x) + f (3) (x) + O(h4 ).
2h 6
On en déduit que l’erreur principale est de l’ordre de h2 .

Définition 165.2. La différence centrée est une méthode d’ordre 2.

Idée essentielle
La différence centrée gagne un ordre de précision par rapport aux schémas avant et arrière,
car les termes impairs d’ordre 1 se compensent par symétrie.
165.3 Exemple
Pour f (x) = x2 , x = 1, h = 0.1,

f (1.1) − f (0.9) 1.21 − 0.81 0.4

= = = 2.
0.2 0.2 0.2
Dans ce cas précis, on retrouve exactement la dérivée. Cela s’explique par le fait que la
fonction est un polynôme de degré 2.

166 Approximation de la dérivée seconde

166.1 Formule classique
Définition 166.1. Une approximation classique de la dérivée seconde est

f (x + h) − 2f (x) + f (x − h)
f ′′ (x) ≈ .
h2

166.2 Justification
En additionnant les développements de f (x + h) et f (x − h), on obtient :

h4 (4)
f (x + h) + f (x − h) = 2f (x) + h2 f ′′ (x) + f (x) + O(h6 ).
12
Donc
h4 (4)
f (x + h) − 2f (x) + f (x − h) = h2 f ′′ (x) + f (x) + O(h6 ).
12
En divisant par h2 ,

f (x + h) − 2f (x) + f (x − h) ′′ h2 (4)
= f (x) + f (x) + O(h4 ).
h2 12
La méthode est donc d’ordre 2.

Remarque 166.2. Cette formule joue un rôle fondamental dans la discrétisation des équations
différentielles ordinaires et surtout des équations aux dérivées partielles.

167 Ordre de précision d’une méthode

Définition 167.1. On dit qu’une approximation Ah de f ′ (x) est d’ordre p si

Ah = f ′ (x) + Chp + O(hp+1 ),

où C est une constante indépendante de h.

Cela signifie que lorsque h est petit, l’erreur principale se comporte comme hp .

Exemple 167.2. — la différence avant est d’ordre 1 ;

— la différence arrière est d’ordre 1 ;
— la différence centrée est d’ordre 2 ;
 — la formule centrée pour la dérivée seconde est d’ordre 2.

Remarque 167.3. Une méthode d’ordre plus élevé est théoriquement plus précise lorsque h
tend vers zéro, mais cela ne suffit pas à garantir une meilleure performance en machine.

168 Erreur de troncature

Définition 168.1. L’erreur de troncature est l’erreur introduite lorsqu’on remplace le dé-
veloppement exact de Taylor par une version tronquée.

Elle provient donc de l’approximation mathématique elle-même, indépendamment de l’arith-

métique flottante.
Par exemple :
— pour la différence avant, l’erreur principale est en O(h) ;
— pour la différence centrée, elle est en O(h2 ) ;
— pour la dérivée seconde centrée, elle est en O(h2 ).

Remarque 168.2. Si l’on diminuait h dans un monde sans erreur d’arrondi, l’erreur de tron-
cature tendrait vers zéro.

169 Erreur d’arrondi et perte de précision

En machine, les valeurs f (x + h) et f (x) sont représentées de manière approchée. Lorsque
h est très petit, ces deux nombres deviennent très proches, et leur différence

f (x + h) − f (x)

peut perdre de nombreux chiffres significatifs.

Ce phénomène est un cas typique de cancellation.

Définition 169.1. On parle de cancellation lorsque la soustraction de deux nombres très

proches provoque une perte importante d’information numérique.

Exemple 169.2. Si deux nombres sont proches à 10−8 près mais chacun connu avec une erreur
de l’ordre de 10−12 , leur différence peut être fortement contaminée par l’erreur de représentation.

Point d’attention
La dérivation numérique amplifie naturellement les erreurs, car elle divise une différence
déjà fragile par un petit nombre h.

170 Erreur totale et compromis sur le pas

L’erreur totale d’une approximation numérique de dérivée résulte en général de deux contri-
butions :
— l’erreur de troncature ;
 — l’erreur d’arrondi.
Dans un modèle simplifié, on peut écrire :

C2
erreur totale ≈ C1 hp + ,
h
où :
— C1 hp représente l’erreur de troncature ;
C2
— h
représente l’effet amplifié des erreurs d’arrondi.
Le premier terme diminue quand h diminue ; le second augmente quand h diminue. Il existe
donc un compromis.
Idée essentielle
Le bon choix du pas h ne consiste pas à le prendre « le plus petit possible », mais à
équilibrer deux sources d’erreur opposées.

171 Sensibilité au bruit

Supposons maintenant que les données soient bruitées :

fobs (x) = f (x) + ε(x),

où ε(x) représente une perturbation ou un bruit de mesure.

Alors
fobs (x + h) − fobs (x) f (x + h) − f (x) ε(x + h) − ε(x)
= + .
h h h
Même si le bruit ε est faible, le terme

ε(x + h) − ε(x)
h
peut devenir très grand lorsque h est petit.
Remarque 171.1. La dérivation agit comme un amplificateur de hautes fréquences. En pré-
sence de bruit, elle peut produire des résultats très instables.

Point d’attention
Lorsque les données proviennent d’expériences, le calcul numérique des dérivées doit être
mené avec encore plus de prudence que dans le cas d’une fonction analytique propre.

172 Comparaison des principales formules

Méthode Formule Ordre Nature
f (x+h)−f (x)
Avant h
1 asymétrique
f (x)−f (x−h)
Arrière h
1 asymétrique
f (x+h)−f (x−h)
Centrée 2h
2 symétrique
f (x+h)−2f (x)+f (x−h)
Dérivée seconde h2
2 symétrique
Remarque 172.1. Le schéma centré est en général préférable pour la dérivée première lorsque
l’on dispose de données de part et d’autre du point considéré.

173 Exemples illustratifs

173.1 Exemple 1 : fonction polynomiale
Pour f (x) = x3 , on a
f ′ (x) = 3x2 .
En x = 1, la valeur exacte est
f ′ (1) = 3.
Avec la différence avant et h = 0.1,

f (1.1) − f (1) 1.331 − 1

= = 3.31.
0.1 0.1
Avec la différence centrée,

f (1.1) − f (0.9) 1.331 − 0.729

= = 3.01.
0.2 0.2
On constate que la formule centrée est plus précise.

173.2 Exemple 2 : fonction trigonométrique

Pour f (x) = sin x, on a
f ′ (x) = cos x.
En x = 0, la dérivée exacte vaut
f ′ (0) = 1.
Avec la différence avant :
sin(h) − sin(0) sin h
= .
h h
Avec h = 0.1,
sin(0.1)
≈ 0.998334.
0.1
Avec la différence centrée :
sin(h) − sin(−h) 2 sin h sin h
= = ,
2h 2h h
et on retrouve ici la même valeur en x = 0, en raison de la symétrie de la fonction.

174 Bonnes pratiques en calcul numérique des dérivées

1. Toujours identifier si la fonction disponible est analytique, tabulée ou bruitée.
2. Privilégier les schémas centrés lorsque cela est possible.
3. Éviter de choisir un pas h trop grand ou trop petit sans justification.
 4. Étudier la sensibilité du résultat à plusieurs valeurs de h.
5. Comparer les résultats à une dérivée connue lorsque c’est possible.
6. Se méfier fortement des données expérimentales bruitées.
7. Interpréter les résultats avec prudence lorsque les différences entre valeurs successives sont
très petites.
8. Toujours distinguer erreur de troncature et erreur d’arrondi.

Application / Interprétation

En pratique, le calcul numérique des dérivées intervient dans l’approximation de gra-

dients, dans les méthodes de Newton, dans la discrétisation d’EDO et d’EDP, ainsi que
dans le traitement de signaux et d’images.

175 Résumé du chapitre

Dans ce chapitre, nous avons introduit les principales méthodes de calcul numérique des
dérivées.
Les idées essentielles sont les suivantes :
— la dérivation numérique repose sur des différences finies ;
— les schémas avant et arrière sont d’ordre 1 ;
— le schéma centré est d’ordre 2 ;
— la dérivée seconde peut être approchée par une formule centrée d’ordre 2 ;
— l’erreur de troncature diminue lorsque h diminue ;
— l’erreur d’arrondi, elle, peut être amplifiée lorsque h devient trop petit ;
— il existe donc un compromis dans le choix du pas ;
— la dérivation numérique est particulièrement sensible au bruit.
Ce chapitre constitue une étape importante pour la suite du cours, car les différences fi-
nies seront utilisées dans l’approximation des équations différentielles et dans les schémas de
discrétisation plus avancés.

176 TD : calcul numérique des dérivées

Exercice 1 — Approximation simple d’une dérivée première
Soit f (x) = x2 .
1. Calculer exactement f ′ (1).
2. Approximer f ′ (1) par la différence finie avant avec h = 0.1.
3. Approximer f ′ (1) par la différence finie arrière avec h = 0.1.
4. Approximer f ′ (1) par la différence finie centrée avec h = 0.1.
5. Comparer les trois résultats à la valeur exacte.
6. Quelle méthode est la plus précise ici ?
Exercice 2 — Construction par Taylor
À partir des développements de Taylor de f (x + h) et f (x − h),
1. retrouver la formule de différence centrée pour f ′ (x) ;
2. montrer que son erreur principale est d’ordre 2 ;
3. retrouver la formule centrée de f ′′ (x).

Exercice 3 — Étude comparative sur une fonction trigonométrique

Soit f (x) = sin x.
1. Calculer exactement f ′ (π/4).
2. Approximer f ′ (π/4) par la différence avant pour h = 10−1 , puis h = 10−2 .
3. Approximer f ′ (π/4) par la différence centrée pour les mêmes valeurs de h.
4. Comparer les erreurs obtenues.
5. Interpréter les résultats.

Exercice 4 — Dérivée seconde

Soit f (x) = x4 .
1. Calculer exactement f ′′ (1).
2. Utiliser la formule
f (x + h) − 2f (x) + f (x − h)
f ′′ (x) ≈
h2
pour approximer f ′′ (1) avec h = 0.1.
3. Comparer avec la valeur exacte.

Exercice 5 — Influence du pas

On considère f (x) = ex au point x = 0.
1. Approcher f ′ (0) par la différence avant pour

h = 10−1 , 10−2 , 10−4 , 10−8 .

2. Comparer avec la valeur exacte.

3. Décrire ce que l’on observe lorsque h devient très petit.
4. Expliquer pourquoi l’erreur ne décroît pas indéfiniment.

Exercice 6 — Discussion sur le bruit

Supposons que l’on observe une grandeur f (x) avec une petite erreur de mesure ε(x).
1. Expliquer pourquoi la quantité
f (x + h) − f (x)
h
peut devenir très sensible au bruit.
2. Pourquoi ce phénomène est-il plus grave pour la dérivation que pour l’intégration ?
 Exercice 7 — Choix d’une formule adaptée
Pour chacun des cas suivants, indiquer quelle formule semble la plus adaptée et justifier :
1. on connaît f (x) et f (x + h), mais pas f (x − h) ;
2. on connaît les valeurs de part et d’autre du point ;
3. on se trouve à l’extrémité gauche d’un intervalle tabulé ;
4. on cherche la meilleure précision locale possible avec des données symétriques.

Exercice 8 — Preuve d’ordre

Montrer rigoureusement, en utilisant Taylor, que :
— la différence avant est d’ordre 1 ;
— la différence centrée est d’ordre 2.

177 Exercices supplémentaires

Exercice 1. Expliquer pourquoi la dérivation numérique est généralement plus instable que l’intégra-
tion numérique.
Exercice 2. Donner un exemple concret de situation où seule la différence avant est utilisable.
Exercice 3. Donner un exemple concret de situation où la différence centrée est préférable.
Exercice 4. Reprendre la formule de la dérivée seconde et montrer qu’elle est exacte pour les poly-
nômes de degré 2.
Exercice 5. Étudier numériquement l’effet de h sur l’approximation de f ′ (x) pour f (x) = ln x au
point x = 1.
Exercice 6. Discuter le lien entre différences finies et discrétisation des EDO.
Exercice 7. Discuter le lien entre différences finies et discrétisation des EDP.
Exercice 8. Expliquer pourquoi une méthode d’ordre élevé n’est pas toujours automatiquement meilleure
en pratique.
Exercice 9. Étudier le rôle de la symétrie dans l’amélioration de la précision des schémas centrés.
Exercice 10. Expliquer pourquoi le calcul numérique des dérivées est fondamental dans les méthodes
d’optimisation.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] K. E. Atkinson, An Introduction to Numerical Analysis, Wiley.
[4] R. J. LeVeque, Finite Difference Methods for Ordinary and Partial Differential Equations,
SIAM.
 Université de Bertoua
Faculté des Sciences
Département de Mathématiques, Statistique et Informatique
Licence 3 Mathématiques Appliquées et Fondamentales (MAF)

Cours de Méthodes Numériques

II) EC2 : Méthodes numériques en analyse

Chapitre 5 : Introduction aux équations

aux dérivées partielles
Modélisation, discrétisation et méthodes aux différences finies

Niveau : Licence 3 MAF

Enseignant : M. KEM-MEKA

Année académique : 2025–2026

Plan du chapitre
Objectifs du chapitre
Dans ce chapitre, nous étudions :
— ce qu’est une équation aux dérivées partielles ;
— la différence entre EDO et EDP ;
— quelques grands modèles classiques ;
— les conditions initiales et aux limites ;
— le principe de discrétisation en espace et en temps ;
— les approximations par différences finies ;
— l’équation de diffusion ;
— le schéma explicite pour l’équation de la chaleur ;
— l’interprétation matricielle ;
— la notion de stabilité ;
— la condition de type CFL ;
— une introduction aux schémas implicites ;
— les difficultés et limites pratiques.
178 Introduction générale
Les équations aux dérivées partielles, ou EDP, jouent un rôle central dans la modélisa-
tion des phénomènes continus dépendant de plusieurs variables. Elles apparaissent dans les
sciences fondamentales, l’ingénierie, l’économie mathématique, la mécanique, la thermodyna-
mique, l’électromagnétisme, la biologie mathématique, le traitement d’image et de nombreuses
autres disciplines.
Alors qu’une équation différentielle ordinaire relie une fonction inconnue à ses dérivées par
rapport à une seule variable, une équation aux dérivées partielles fait intervenir plusieurs va-
riables indépendantes, par exemple l’espace et le temps.
Exemple 178.1. La température u(x, t) dans une barre métallique dépend à la fois :
— de la position x,
— du temps t.
Elle est donc naturellement modélisée par une équation faisant intervenir des dérivées par rap-
port à x et à t.
Dans la grande majorité des cas, la résolution exacte d’une EDP est difficile, voire impossible.
Même lorsque des solutions analytiques existent, elles concernent souvent des géométries simples
et des conditions idéalisées. La simulation numérique devient alors indispensable.
Le but de ce chapitre est d’introduire les fondements de la résolution numérique des EDP,
en se limitant à une première approche par la méthode des différences finies.
Idée essentielle
Les EDP permettent de décrire des phénomènes distribués dans l’espace et dans le temps ;
les méthodes numériques permettent de transformer ces modèles continus en problèmes
discrets calculables.

Objectifs du chapitre

À la fin de ce chapitre, l’étudiant devra être capable de :

— distinguer EDO et EDP ;
— reconnaître quelques EDP classiques ;
— comprendre le rôle des conditions initiales et aux limites ;
— discrétiser un domaine de calcul ;
— construire un schéma de différences finies simple ;
— dériver le schéma explicite de l’équation de la chaleur ;
— interpréter la stabilité d’un schéma ;
— comprendre le rôle du pas de temps et du pas d’espace ;
— utiliser une écriture matricielle simple d’un schéma discret.

179 Qu’est-ce qu’une EDP ?

Définition 179.1. Une équation aux dérivées partielles est une relation reliant une fonc-
tion inconnue de plusieurs variables à certaines de ses dérivées partielles.
Exemple 179.2. Les équations suivantes sont des EDP :

∂u ∂ 2u ∂ 2u ∂ 2u ∂u ∂u
= , + = 0, +c = 0.
∂t ∂x2 ∂x2 ∂y 2 ∂t ∂x

179.1 Différence avec les EDO

Définition 179.3. Une EDO fait intervenir une seule variable indépendante, tandis qu’une
EDP en fait intervenir plusieurs.

Remarque 179.4. Cette différence est plus qu’une nuance formelle : elle modifie profondément
la nature du problème, la structure des solutions et les techniques numériques nécessaires.

180 Quelques grands modèles classiques

Les EDP sont très nombreuses, mais certains modèles jouent un rôle particulièrement im-
portant.

180.1 Équation de Laplace

∂ 2u ∂ 2u
+ = 0.
∂x2 ∂y 2
Elle intervient notamment dans :
— l’électrostatique ;
— la mécanique des fluides ;
— les états stationnaires de diffusion ;
— les potentiels harmoniques.

180.2 Équation de la chaleur

∂u ∂ 2u
= κ 2.
∂t ∂x
Elle modélise la diffusion de chaleur, mais aussi plus généralement les phénomènes de diffu-
sion.

180.3 Équation d’advection ou de transport

∂u ∂u
+c = 0.
∂t ∂x
Elle décrit le déplacement d’une quantité sans diffusion.
180.4 Équation des ondes

∂ 2u 2
2∂ u
= c .
∂t2 ∂x2
Elle modélise la propagation d’ondes mécaniques, acoustiques ou électromagnétiques dans
des cadres simplifiés.
Idée essentielle
Chaque grande famille d’EDP correspond à un type de phénomène : équilibre, diffusion,
transport ou propagation.

181 Conditions initiales et conditions aux limites

Une EDP seule ne suffit généralement pas à déterminer une solution unique. Il faut lui
ajouter des informations supplémentaires.

181.1 Condition initiale

Lorsqu’il y a une variable temporelle t, on impose souvent la valeur de la solution à l’instant
initial :
u(x, 0) = u0 (x).

181.2 Conditions aux limites

Sur les bords du domaine spatial, on impose des contraintes.

Définition 181.1. On appelle condition aux limites de Dirichlet une condition imposant
directement la valeur de la solution sur le bord :

u(0, t) = α(t), u(L, t) = β(t).

Définition 181.2. On appelle condition aux limites de Neumann une condition imposant
une dérivée normale sur le bord :
∂u
(0, t) = γ(t).
∂x
Remarque 181.3. Le type de condition aux limites a une influence directe sur la structure du
problème numérique obtenu.

182 Principe général de discrétisation

Le principe général consiste à remplacer :
— le domaine continu par une grille discrète ;
— les dérivées partielles par des différences finies ;
— l’EDP par un système algébrique ou un schéma récursif.
 Supposons que l’on travaille sur l’intervalle spatial [0, L] et sur un intervalle de temps [0, T ].
On introduit une grille spatiale :

xi = i∆x, i = 0, 1, . . . , N,

avec
L
∆x = ,
N
et une grille temporelle :
tn = n∆t, n = 0, 1, . . . , M,
avec
T
∆t = .
M
Définition 182.1. On appelle maillage l’ensemble des points discrets (xi , tn ) utilisés pour
approximer la solution.

On note alors
uni ≈ u(xi , tn ).

Idée essentielle
Le passage du continu au discret consiste à remplacer la fonction u(x, t) par un tableau
de valeurs uni .

183 Approximation des dérivées partielles

Pour construire un schéma de différences finies, on remplace les dérivées par des formules
approchées.

183.1 Dérivée en temps

Une approximation simple de la dérivée en temps est :

∂u un+1 − uni
(xi , tn ) ≈ i .
∂t ∆t

183.2 Dérivée seconde en espace

Une approximation centrée de la dérivée seconde spatiale est :

∂ 2u n uni+1 − 2uni + uni−1

(x i , t ) ≈ .
∂x2 (∆x)2

Remarque 183.1. Ces approximations sont obtenues à partir des développements de Taylor
et constituent les briques élémentaires de nombreux schémas numériques.
184 L’équation de la chaleur en une dimension
Considérons l’équation de la chaleur sur [0, L] :

∂u ∂ 2u
= κ 2,
∂t ∂x
avec une condition initiale
u(x, 0) = u0 (x)
et des conditions aux limites, par exemple

u(0, t) = 0, u(L, t) = 0.

Cette équation modélise la diffusion de température dans un milieu homogène.

Application / Interprétation

Si u(x, t) représente la température d’une barre, alors la dérivée temporelle mesure la

variation locale de température, tandis que la dérivée seconde spatiale traduit la diffusion
de chaleur le long de la barre.

185 Schéma explicite pour l’équation de la chaleur

En remplaçant les dérivées par leurs approximations discrètes, on obtient :

un+1 − uni un − 2uni + uni−1

i
= κ i+1 .
∆t (∆x)2

On en déduit :
∆t
un+1 = uni + κ n n n


i ui+1 − 2ui + ui−1 .
(∆x)2
Si l’on pose
∆t
µ=κ ,
(∆x)2
alors le schéma s’écrit :
un+1
i = (1 − 2µ)uni + µuni−1 + µuni+1 .

Définition 185.1. Ce schéma est appelé schéma explicite à différences finies pour l’équa-
tion de la chaleur.

Remarque 185.2. Il est dit explicite car un+1

i est calculé directement à partir des valeurs déjà
n
connues au temps t .

Idée essentielle
Le schéma explicite met à jour chaque point de la grille en combinant sa valeur actuelle
et celles de ses voisins immédiats.
186 Interprétation du schéma explicite
La formule
un+1
i = (1 − 2µ)uni + µuni−1 + µuni+1
montre que la nouvelle valeur est une combinaison linéaire de :
— la valeur actuelle au point xi ,
— la valeur du voisin de gauche,
— la valeur du voisin de droite.
Cela correspond bien à l’idée physique de diffusion : la température en un point évolue sous
l’influence de son voisinage immédiat.

Remarque 186.1. Plus la diffusion est forte, plus l’effet de moyenne spatiale est marqué.

187 Exemple simple de mise à jour

Supposons que l’on ait :

uni−1 = 2, uni = 4, uni+1 = 3, µ = 0.1.

Alors :
un+1
i = (1 − 2 × 0.1) × 4 + 0.1 × 2 + 0.1 × 3.
Donc :
un+1
i = 0.8 × 4 + 0.2 + 0.3 = 3.7.
Cette valeur est plus lissée que la valeur précédente, ce qui est cohérent avec le phénomène
de diffusion.

188 Écriture matricielle

Si l’on regroupe les valeurs intérieures du vecteur solution au temps tn dans
 n 
u1
 un 
 2 
Un =  .  ,
 .. 
unN −1

alors le schéma explicite peut s’écrire :

U n+1 = AU n + bn ,
où A est une matrice tridiagonale de la forme

1 − 2µ ···
 
µ 0 0
... ..
µ 1 − 2µ µ .
 
 
 . 
A=
 0 µ 1 − 2µ . . 0 ,

 .. .. .. .. 
 . . . . µ 
0 ··· 0 µ 1 − 2µ

et où bn prend en compte les conditions aux limites.

Remarque 188.1. L’écriture matricielle met en évidence le lien direct entre les EDP discré-
tisées et les systèmes linéaires étudiés en EC1.

189 Stabilité du schéma explicite

La stabilité est une propriété essentielle d’un schéma numérique. Elle exprime le fait que les
erreurs ne doivent pas croître de manière incontrôlée au cours du calcul.
Pour le schéma explicite de l’équation de la chaleur, on montre qu’une condition de stabilité
classique est :
∆t 1
µ=κ 2
≤ .
(∆x) 2
Définition 189.1. On appelle condition de stabilité la contrainte reliant les pas ∆t et ∆x
qui garantit un comportement numérique acceptable du schéma.

Point d’attention
Si la condition
∆t 1
κ ≤
(∆x)2 2
n’est pas respectée, le schéma explicite peut devenir numériquement instable.

Idée essentielle
Un schéma peut être mathématiquement correct et pourtant inutilisable en pratique si
ses pas de discrétisation ne respectent pas la condition de stabilité.

190 Interprétation de la condition de stabilité

La condition
∆t 1
κ 2
≤
(∆x) 2
signifie que le pas de temps ne peut pas être choisi indépendamment du pas d’espace.
Si ∆x devient plus petit, alors ∆t doit lui aussi devenir plus petit, souvent de façon beaucoup
plus restrictive.

Remarque 190.1. Cela constitue l’une des principales limites des schémas explicites : un
maillage spatial fin impose un pas de temps très petit.
191 Introduction aux schémas implicites
Pour contourner certaines limitations des schémas explicites, on introduit des schémas im-
plicites.
Par exemple, pour l’équation de la chaleur, on peut écrire :

un+1 − uni un+1 − 2un+1 + un+1

i
= κ i+1 i i−1
.
∆t (∆x)2

Dans ce cas, les inconnues un+1

i apparaissent ensemble dans un système linéaire à résoudre
à chaque pas.

Remarque 191.1. Les schémas implicites sont généralement plus coûteux à chaque itération,
mais ils offrent souvent de meilleures propriétés de stabilité.

Idée essentielle
Un schéma explicite privilégie la simplicité de calcul ; un schéma implicite privilégie sou-
vent la robustesse numérique.

192 Lien avec les chapitres précédents

Ce chapitre mobilise plusieurs idées déjà étudiées :
— le calcul numérique des dérivées pour construire les différences finies ;
— la résolution des systèmes linéaires pour traiter les schémas implicites ;
— les notions de stabilité et de conditionnement ;
— la discrétisation temporelle étudiée dans le cadre des EDO.

Remarque 192.1. Les EDP numériques constituent ainsi un point de convergence naturel
entre l’analyse, l’algèbre linéaire et les méthodes numériques de base.

193 Difficultés et limites pratiques

La résolution numérique des EDP soulève plusieurs difficultés :
— coût de calcul élevé pour les maillages fins ;
— choix délicat des pas ∆x et ∆t ;
— sensibilité à la stabilité du schéma ;
— complexité accrue en dimension 2 ou 3 ;
— prise en compte des géométries compliquées et des conditions aux limites non triviales.
Point d’attention
En EDP, la qualité d’un résultat numérique dépend à la fois du modèle, du schéma, du
maillage et du respect des contraintes de stabilité.
194 Résumé du chapitre
Dans ce chapitre, nous avons introduit les idées fondamentales de la résolution numérique
des équations aux dérivées partielles.
Les points essentiels sont les suivants :
— une EDP fait intervenir plusieurs variables indépendantes ;
— la solution doit être complétée par des conditions initiales et/ou aux limites ;
— le domaine continu est remplacé par une grille discrète ;
— les dérivées partielles sont approchées par des différences finies ;
— l’équation de la chaleur fournit un modèle canonique de diffusion ;
— le schéma explicite conduit à une mise à jour locale simple ;
— la stabilité impose une contrainte sur les pas de discrétisation ;
— les schémas implicites introduisent des systèmes linéaires mais peuvent améliorer la ro-
bustesse.
Ce chapitre constitue une première ouverture sur le calcul scientifique avancé. Il montre
comment des phénomènes continus en espace et en temps peuvent être simulés numériquement
à l’aide d’outils discrets élémentaires.

195 TD : introduction aux EDP et différences finies

Exercice 1 — EDO ou EDP ?
Déterminer lesquelles des équations suivantes sont des EDO et lesquelles sont des EDP :

∂u ∂ 2u ∂ 2u ∂ 2u
u′ (t) = u(t), = , y ′′ (t) + y(t) = 0, + = 0.
∂t ∂x2 ∂x2 ∂y 2

Exercice 2 — Grille de discrétisation

On considère l’intervalle spatial [0, 1] discrétisé avec N = 5.
1. Calculer ∆x.
2. Écrire les points xi .

Exercice 3 — Dérivée seconde discrète

Écrire l’approximation de
∂ 2u
(xi , tn )
∂x2
par différences finies centrées.

Exercice 4 — Schéma explicite

Écrire le schéma explicite de l’équation de la chaleur

∂u ∂ 2u
= κ 2.
∂t ∂x
 Exercice 5 — Mise à jour numérique
Avec
uni−1 = 1, uni = 3, uni+1 = 2, µ = 0.2,
calculer un+1
i .

Exercice 6 — Condition de stabilité

Expliquer avec vos propres mots pourquoi un pas de temps trop grand peut rendre le schéma
explicite instable.

Exercice 7 — Discussion conceptuelle

Expliquer la différence entre :
— condition initiale et condition aux limites ;
— schéma explicite et schéma implicite ;
— diffusion et transport.

196 Exercices supplémentaires

Exercice 1. Donner un exemple concret de phénomène modélisé par l’équation de la chaleur.
Exercice 2. Donner un exemple concret de phénomène modélisé par l’équation des ondes.
Exercice 3. Expliquer pourquoi une EDP est généralement plus difficile à résoudre qu’une EDO.
Exercice 4. Construire une grille spatiale sur [0, 2] avec N = 8.
Exercice 5. Rechercher la signification physique du coefficient κ dans l’équation de la chaleur.
Exercice 6. Montrer que la matrice du schéma explicite est tridiagonale.
Exercice 7. Étudier le lien entre ce chapitre et celui sur le calcul numérique des dérivées.
Exercice 8. Expliquer pourquoi les schémas implicites nécessitent la résolution de systèmes linéaires.
Exercice 9. Discuter qualitativement ce qui se passe lorsque ∆x devient très petit.
Exercice 10. Expliquer pourquoi ce chapitre constitue une introduction et non une étude complète des
EDP numériques.

Références du chapitre

Références
[1] R. L. Burden and J. D. Faires, Numerical Analysis, Cengage Learning.
[2] A. Quarteroni, R. Sacco and F. Saleri, Numerical Mathematics, Springer.
[3] R. J. LeVeque, Finite Difference Methods for Ordinary and Partial Differential Equations,
SIAM.
[4] J. C. Strikwerda, Finite Difference Schemes and Partial Differential Equations, SIAM.